🔬 physics

Understanding friendship formation with explainable machine learning

Utilizando um modelo de aprendizado de máquina explicável, o estudo demonstra que a estrutura da rede local é o principal motor na formação de laços sociais entre estudantes, enquanto as características individuais influenciam apenas uma pequena fração de conexões mais fracas e menos estruturadas.

Autores originais: María Pereda

Publicado 2026-03-23

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: María Pereda

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Segredo das Amizades: O que realmente importa?

Imagine que você está em uma grande festa de formatura com 3.395 alunos. O objetivo do estudo foi descobrir: o que faz duas pessoas se tornarem amigas ou inimigas?

Será que é porque elas têm personalidades parecidas (como serem ambas muito gentis ou inteligentes)? Ou será que é porque o "ambiente" ao redor delas as empurrou para essa relação?

Os pesquisadores usaram uma inteligência artificial especial (chamada Máquina de Aumento Explicável) para ler os dados e descobrir a resposta. Eles não queriam apenas um "sim" ou "não"; queriam entender o porquê.

Aqui estão as descobertas principais, explicadas de forma simples:

1. O "Efeito Espelho" (A Estrutura é o Rei)

A descoberta mais importante é que a estrutura da rede social é muito mais forte do que a personalidade individual.

A Analogia: Imagine que você está em um grupo de amigos. Se o seu melhor amigo (A) é amigo de outra pessoa (B), e você (C) também é amigo de A, é muito provável que você e B se tornem amigos também. Isso acontece não porque você e B têm a mesma personalidade, mas porque o "triângulo" de amizade já existe.
O Resultado: O estudo mostrou que, na grande maioria dos casos (mais de 99%), o que define se duas pessoas são amigas ou inimigas é essa "influência triádica" (os caminhos indiretos entre elas). A personalidade delas quase não importa quando essa estrutura já está formada. É como se a rede social fosse um grande "espelho" que reflete quem deve estar perto de quem.

2. A Exceção: Quando a Personalidade Fala Mais Alto

Existe um grupo muito pequeno de relacionamentos (apenas 0,24% de todos os casos) onde a personalidade realmente importa.

A Analogia: Pense em um novo aluno que acabou de chegar na escola. Ele ainda não tem amigos, não tem "triângulos" formados. Nesse momento, ele decide fazer amizade com alguém baseado apenas no que sente: "Ela parece muito gentil" ou "Ele parece chato".
O Resultado: Nessas situações específicas, traços individuais (como ser muito pró-social ou ter um estilo de pensamento diferente) decidem a relação. Mas, assim que essa relação se instala e ganha outros amigos ao redor, a "estrutura" (o grupo) assume o controle e a personalidade deixa de ser o fator principal.

3. Amizades Fortes vs. Laços Fracos

O estudo descobriu uma diferença curiosa entre os dois tipos de relação:

Relações Guiadas pela Estrutura (O Grupo): São geralmente amizades fortes e positivas. Quando o "grupo" empurra duas pessoas a se conhecerem, elas tendem a se dar bem e a manter a harmonia. É como um casamento arranjado pela família que dá muito certo porque todos os vizinhos apoiam.
Relações Guiadas pela Personalidade (O Indivíduo): São mais propensas a serem relações fracas, ambíguas ou até inimizades. Quando alguém decide fazer amizade (ou inimizar) alguém sem o "empurrão" do grupo, o resultado é mais instável. É como um "flerte" solitário que pode não dar certo porque falta o apoio do entorno.

4. O Mistério do "Vazio"

Um ponto muito interessante: o estudo olhou para casos onde não existia nenhum caminho entre duas pessoas (nenhum amigo em comum).

A Teoria Antiga: Acreditava-se que, nesses casos vazios, a personalidade seria a única explicação.
A Descoberta Real: Mesmo quando não há amigos em comum, a inteligência artificial disse: "A razão é a ausência de amigos em comum". Ou seja, o fato de não haver estrutura é, em si, a explicação. A falta de reforço social é o que define a relação, e não necessariamente a personalidade das pessoas envolvidas.

Resumo da Ópera

Pense na formação de amizades como a construção de uma casa:

A Estrutura (O Grupo) é o alicerce e as paredes. Ela define onde as coisas ficam e é o que mantém a casa de pé. Na maioria das vezes, é isso que decide quem entra e quem sai.
A Personalidade é a decoração. Ela é importante para dar um toque pessoal e pode decidir quem entra na casa quando ela ainda está sendo construída (no início), mas, uma vez que a casa está pronta, a decoração tem menos poder de mudar a estrutura.

Conclusão: Somos muito mais influenciados pelo nosso "círculo social" e pela forma como as pessoas ao nosso redor se conectam do que imaginamos. A personalidade importa, mas apenas nos momentos de transição ou em relacionamentos que ainda não foram "apoiados" pelo grupo.

Título: Compreendendo a Formação de Amizades com Aprendizado de Máquina Explicável

Autor: María Pereda (Universidade Politécnica de Madrid e GISC, Espanha)

1. Problema e Motivação

O artigo aborda uma questão fundamental na ciência de redes: até que ponto a formação de laços sociais (amizades ou inimizades) é impulsionada por traços individuais intrínsecos (como personalidade, gênero ou cognição) versus mecanismos estruturais locais da rede (como a influência de amigos mútuos).
Estudos anteriores sugeriram que métricas estruturais, especificamente a "influência triádica" (caminhos indiretos de comprimento dois entre dois nós), superam traços pessoais na previsão da polaridade dos laços. No entanto, a hipótese de que traços individuais poderiam explicar laços que não possuem caminhos estruturais (laços isolados) permanecia uma questão aberta. O objetivo deste trabalho é desvendar esses mecanismos utilizando modelos de aprendizado de máquina que não sejam "caixas-pretas", permitindo uma interpretação causal das previsões.

2. Metodologia

Conjunto de Dados: Utilização de dados públicos de um estudo anterior envolvendo 3.395 estudantes de 13 escolas secundárias na Espanha.
- Rede: Relações sociais direcionadas e sinalizadas (de -2: "muito ruim" a +2: "muito bom").
- Classificação: Foco binário em laços de amizade (+2) versus inimizade (-1 ou -2).
- Atributos Individuais: Gênero, Reflexão Cognitiva (testada via Cognitive Reflection Test - CRT) e Prosocialidade (escala de 0 a 1 baseada em escolhas econômicas).
- Atributo Estrutural: Influência Triádica ( $I_{ij} = \sum_k w_{ik}w_{kj}$ ), que quantifica o efeito de caminhos indiretos de comprimento dois.
Modelos de Aprendizado de Máquina:
- Foram comparados quatro classificadores: Duas Redes Neurais (TensorFlow e PyTorch), XGBoost e a Máquina de Reforço Explicável (EBM - Explainable Boosting Machine).
- Seleção do Modelo: A EBM foi escolhida como o modelo principal. Ela é um tipo de Modelo Aditivo Generalizado (GAM) que utiliza boosting com árvores de regressão rasas. Sua vantagem chave é a capacidade de aprender efeitos aditivos univariados e interações de pares de forma transparente, permitindo visualizar exatamente como cada característica contribui para a previsão (log-odds).
- Validação: Validação cruzada aninhada estratificada (5 folds externos e 5 internos) com Random OverSampling para lidar com o desequilíbrio de classes.
Análise de Explicabilidade:
- Uso de importância global de características (contribuição média absoluta ao log-odds).
- Gráficos de Dependência: Para visualizar a função marginal de cada preditor sobre a probabilidade de um laço positivo.
- Análise Local: Identificação de subconjuntos de laços onde características individuais dominam a previsão em detrimento da estrutura.

3. Principais Resultados

Dominância da Influência Triádica:
- A influência triádica é, de longe, o preditor mais forte. Cerca de 91,47% dos exemplos de laços são dominados por contribuições estruturais.
- A função de dependência mostra uma relação monotônica e suave: valores positivos de influência triádica aumentam drasticamente a probabilidade de amizade, enquanto valores negativos favorecem a inimizade.
Papel Limitado dos Traços Individuais:
- Traços como prosocialidade e reflexão cognitiva têm impacto global muito menor.
- Apenas 0,24% dos laços (145 relações) são dominados por características individuais.
- A prosocialidade do nó de origem (quem inicia o laço) mostra uma tendência leve a aumentar a probabilidade de laços positivos, mas o efeito é modesto comparado à estrutura.
Caracterização dos Laços Dominados por Traços Individuais:
- Estes laços não ocorrem em condições estruturais radicalmente diferentes, mas correspondem a laços mais fracos e menos embutidos estruturalmente.
- Eles são mais propensos a serem laços negativos (35,9% vs 23,5% no grupo dominante estruturalmente).
- Apresentam menor equilíbrio estrutural (razão de equilíbrio média de ~0,68 vs ~0,75 para laços estruturais), indicando configurações de triadas menos coerentes.
- Há uma concentração maior de estudantes do segundo ano neste grupo, sugerindo que a dinâmica pode variar ao longo do tempo acadêmico.
O Caso dos Laços sem Caminhos Estruturais ( $A^2_{ij} = 0$ ):
- Contrariando a hipótese anterior de que laços sem caminhos indiretos seriam explicados por afinidades pessoais, a análise mostrou que nenhum desses laços foi explicado por traços individuais.
- O modelo atribuiu a previsão à própria ausência de reforço estrutural (o valor zero da influência triádica). Ou seja, a falta de estrutura é, em si, um sinal explicativo forte, não a presença de traços latentes.

4. Contribuições Chave

Validação da Primazia Estrutural: Confirmação robusta de que a topologia local (fechamento triádico) é o motor principal da formação de laços em redes sociais adolescentes.
Descoberta de Regimes Híbridos: Identificação de um pequeno subconjunto de laços onde traços individuais dominam, revelando que esses laços são qualitativamente diferentes (mais instáveis, negativos e menos equilibrados).
Refutação de Hipóteses Anteriores: Demonstração de que laços sem caminhos indiretos não são "exceções" explicadas por traços pessoais, mas sim casos onde a ausência de estrutura é o fator determinante.
Metodologia Explicável: Demonstração prática de como a EBM pode ser usada para ir além da precisão preditiva, desvendando os mecanismos subjacentes de comportamento social, algo difícil com redes neurais profundas.

5. Significado e Conclusão

O trabalho propõe uma visão estratificada da formação de laços sociais:

Nível Global: Mecanismos estruturais (triádicos) dominam a organização da rede, promovendo laços positivos e estruturalmente equilibrados.
Nível Local/Específico: Efeitos de nível individual emergem em contextos menos restritos (laços fracos, iniciais ou negativos), onde a estrutura não é forte o suficiente para ditar o resultado.

Isso sugere uma dinâmica de dois estágios: laços iniciais podem ser nucleados por traços individuais, mas à medida que a rede amadurece, os mecanismos estruturais assumem o controle, estabilizando as relações. O estudo reforça o valor do aprendizado de máquina explicável para a ciência social computacional, permitindo não apenas prever, mas entender o "porquê" das interações humanas.