De multidões a casais poderosos, a ciência da rede revela a estrutura oculta da dinâmica da comunidade
Uma rede abstrata, à esquerda, mostra linhas entre pontos representando relacionamentos. A rede à direita mostra um pequeno fragmento de uma rede real de comerciantes da África Ocidental, com base em dados de Oliver J. Walther. Crédito:Mayank Kejriwal, CC BY-ND
O mundo é um lugar em rede, literal e figurativamente. O campo da ciência de rede é usado hoje para entender fenômenos tão diversos quanto a disseminação de desinformação, comércio da África Ocidental e interações proteína-proteína nas células.
A ciência da rede descobriu várias propriedades universais de redes sociais complexas, o que, por sua vez, tornou possível aprender detalhes de redes específicas. Por exemplo, a rede que consiste no esquema internacional de corrupção financeira descoberto pela investigação dos Panama Papers tem uma falta incomum de conexões entre suas partes.
Mas a compreensão das estruturas ocultas de elementos-chave das redes sociais, como subgrupos, permaneceu indefinida. Meus colegas e eu encontramos dois padrões complexos nessas redes que podem ajudar os pesquisadores a entender melhor as hierarquias e a dinâmica desses elementos. Encontramos uma maneira de detectar "círculos internos" poderosos em grandes organizações simplesmente estudando redes que mapeiam e-mails enviados entre funcionários.
Demonstramos a utilidade de nossos métodos aplicando-os à famosa rede Enron. A Enron era uma empresa de comércio de energia que perpetrava fraudes em grande escala. Nosso estudo mostrou ainda que o método pode potencialmente ser usado para detectar pessoas que exercem enorme poder brando em uma organização, independentemente de seu título ou posição oficial. Isso pode ser útil para pesquisas históricas, sociológicas e econômicas, bem como para investigações governamentais, jurídicas e de mídia.
Do lápis e papel à inteligência artificial Os sociólogos vêm construindo e estudando redes sociais menores em experimentos de campo cuidadosos há pelo menos 80 anos, bem antes do advento da internet e das redes sociais online. O conceito é tão simples que pode ser desenhado no papel:Entidades de interesse – pessoas, empresas, países – são nós representados como pontos, e os relacionamentos entre pares de nós são links representados como linhas traçadas entre os pontos.
Usar a ciência das redes para estudar as sociedades humanas e outros sistemas complexos ganhou um novo significado no final dos anos 1990, quando pesquisadores descobriram algumas propriedades universais das redes. Algumas dessas propriedades universais, desde então, entraram na cultura pop mainstream. Um conceito é os Seis Graus de Kevin Bacon, baseado na famosa descoberta empírica de que quaisquer duas pessoas na Terra estão separadas por seis ou menos ligações. Da mesma forma, versões de declarações como "os ricos ficam mais ricos" e "o vencedor leva tudo" também foram replicadas em algumas redes.
Essas propriedades globais, ou seja, aquelas que se aplicam a toda a rede, aparentemente emergem das ações míopes e locais de nós independentes. Quando me conecto com alguém no LinkedIn, certamente não estou pensando nas consequências globais da minha conexão na rede do LinkedIn. No entanto, minhas ações, juntamente com as de muitos outros, eventualmente levam a resultados previsíveis, em vez de aleatórios, sobre como a rede evoluirá.
Meus colegas e eu usamos a ciência da rede para estudar o tráfico humano no Reino Unido, a estrutura do ruído nas saídas dos sistemas de inteligência artificial e a corrupção financeira nos Panama Papers.
Seis exemplos de motivos com quatro nós. Crédito:Mayank Kejriwal, CC BY-ND
Os grupos têm sua própria estrutura Além de estudar propriedades emergentes como os Seis Graus de Kevin Bacon, os pesquisadores também usaram a ciência da rede para se concentrar em problemas como a detecção de comunidades. Dito de forma simples, um conjunto de regras, também conhecido como algoritmo, pode descobrir automaticamente grupos ou comunidades dentro de uma coleção de pessoas?
Hoje existem centenas, senão milhares, de algoritmos de detecção de comunidades, alguns contando com métodos avançados de IA. Eles são usados para muitos propósitos, incluindo encontrar comunidades de interesse e descobrir grupos maliciosos nas mídias sociais. Tais algoritmos codificam suposições intuitivas, como a expectativa de que nós pertencentes ao mesmo grupo estejam mais densamente conectados uns aos outros do que nós pertencentes a grupos diferentes.
Embora seja uma linha de trabalho empolgante, a detecção de comunidades não estuda a estrutura interna das comunidades. As comunidades devem ser pensadas apenas como coleções de nós em redes? E as comunidades que são pequenas, mas particularmente influentes, como círculos íntimos e multidões?
Duas estruturas hipotéticas para grupos influentes De certa forma, você provavelmente já tem alguma noção da estrutura de grupos muito pequenos nas redes sociais. A verdade do ditado de que "um amigo do meu amigo também é meu amigo" pode ser testada estatisticamente em redes de amizade contando o número de triângulos na rede e determinando se esse número é maior do que o acaso poderia explicar. E, de fato, muitos estudos de redes sociais foram usados para verificar a afirmação.
Infelizmente, o conceito começa a desmoronar quando estendido a grupos com mais de três membros. Embora os motivos tenham sido bem estudados tanto na ciência da computação algorítmica quanto na biologia, eles não foram vinculados de forma confiável a grupos influentes em redes de comunicação reais.
Com base nessa tradição, meu aluno de doutorado Ke Shen e eu encontramos e apresentamos duas estruturas que parecem elaboradas, mas acabam sendo bastante comuns em redes reais.
Exemplos das duas estruturas encontradas na rede Enron. Mais dessas estruturas estão presentes na rede e não podem ser explicadas apenas por acaso. Crédito:Mayank Kejriwal, CC BY-ND
A primeira estrutura estende o triângulo, não adicionando mais nós, mas adicionando triângulos diretamente. Especificamente, há um triângulo central que é ladeado por outros triângulos periféricos. É importante ressaltar que a terceira pessoa em qualquer triângulo periférico não deve estar ligada à terceira pessoa no triângulo central, excluindo-a assim do verdadeiro círculo interno de influência.
A segunda estrutura é semelhante, mas assume que não há um triângulo central e que o círculo interno é apenas um par de nós. Um exemplo da vida real pode ser dois cofundadores de uma startup como Sergey Brin e Larry Page do Google, ou um casal poderoso com interesses comuns, comuns na política global, como Bill e Hillary Clinton.
Compreendendo grupos influentes em uma rede infame Testamos nossa hipótese na rede de e-mail da Enron, que é bem estudada na ciência de redes, com nós representando endereços de e-mail e links representando a comunicação entre esses endereços. Apesar de elaboradas, não apenas nossas estruturas propostas estavam presentes na rede em maior número do que o acaso poderia prever, mas uma análise qualitativa mostrou que há mérito na afirmação de que elas representam grupos influentes.
Os personagens principais da saga da Enron já estão bem documentados. Curiosamente, alguns desses personagens não parecem ter tido muita influência oficial, mas podem ter exercido um poder brando significativo. Um exemplo é Sherri Reinartz-Sera, que foi assistente administrativa de longa data de Jeffrey K. Skilling, ex-presidente-executivo da Enron. Ao contrário de Skilling, Sera só foi mencionada em um artigo do New York Times após uma reportagem investigativa que ocorreu durante o escândalo. No entanto, nosso algoritmo descobriu um grupo influente com Sera ocupando uma posição central.
Dissecando a dinâmica do poder A sociedade tem estruturas intrincadas nos níveis de indivíduos, amizades e comunidades. Multidões não são apenas grupos desorganizados de personagens conversando uns com os outros, ou um único líder dando todas as ordens. Muitas multidões, ou grupos influentes, têm uma estrutura sofisticada.
Embora ainda haja muito a ser descoberto sobre esses grupos e sua influência, a ciência da rede pode ajudar a descobrir sua complexidade.
+ Explorar mais Ocitocina espalha cooperação nas redes sociais
Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.