De wereld is een genetwerkte plek, letterlijk en figuurlijk. Het gebied van netwerkwetenschap wordt tegenwoordig gebruikt om fenomenen te begrijpen die zo divers zijn als de verspreiding van verkeerde informatie, West-Afrikaanse handel en eiwit-eiwit-interacties in cellen.

Netwerkwetenschap heeft verschillende universele eigenschappen van complexe sociale netwerken blootgelegd, wat het op zijn beurt mogelijk heeft gemaakt om details van bepaalde netwerken te leren. Zo heeft het netwerk dat bestaat uit de internationale financiële corruptieregeling die is ontdekt door het Panama Papers-onderzoek, een ongebruikelijk gebrek aan verbindingen tussen de onderdelen.

Maar het begrijpen van de verborgen structuren van sleutelelementen van sociale netwerken, zoals subgroepen, is ongrijpbaar gebleven. Mijn collega's en ik hebben in deze netwerken twee complexe patronen gevonden die onderzoekers kunnen helpen de hiërarchieën en dynamiek van deze elementen beter te begrijpen. We hebben een manier gevonden om krachtige 'inner circles' in grote organisaties te detecteren door simpelweg de netwerken te bestuderen die e-mails in kaart brengen die tussen werknemers worden verzonden.

We hebben het nut van onze methoden gedemonstreerd door ze toe te passen op het beroemde Enron-netwerk. Enron was een energiehandelsbedrijf dat op grote schaal fraude pleegde. Ons onderzoek toonde verder aan dat de methode mogelijk kan worden gebruikt om mensen op te sporen die een enorme soft power hebben in een organisatie, ongeacht hun officiële titel of functie. Dit kan nuttig zijn voor historisch, sociologisch en economisch onderzoek, maar ook voor overheids-, juridische en media-onderzoeken.

Van potlood en papier tot kunstmatige intelligentie

Sociologen bouwen en bestuderen al minstens 80 jaar kleinere sociale netwerken in zorgvuldige veldexperimenten, ruim voor de komst van internet en online sociale netwerken. Het concept is zo eenvoudig dat het op papier kan worden getekend:entiteiten van belang - mensen, bedrijven, landen - zijn knooppunten die worden weergegeven als punten, en relaties tussen paren knooppunten zijn koppelingen die worden weergegeven als lijnen die tussen de punten worden getrokken.

Het gebruik van netwerkwetenschap om menselijke samenlevingen en andere complexe systemen te bestuderen, kreeg eind jaren negentig een nieuwe betekenis toen onderzoekers enkele universele eigenschappen van netwerken ontdekten. Sommige van deze universele eigenschappen zijn sindsdien in de reguliere popcultuur terechtgekomen. Een concept is de Six Degrees van Kevin Bacon, gebaseerd op de beroemde empirische bevinding dat twee mensen op aarde zes of minder schakels van elkaar verwijderd zijn. Evenzo zijn versies van uitspraken zoals "de rijken worden rijker" en "winnaar neemt alles" ook in sommige netwerken gerepliceerd.

Deze globale eigenschappen, dat wil zeggen eigenschappen die van toepassing zijn op het hele netwerk, komen schijnbaar voort uit de kortzichtige en lokale acties van onafhankelijke knooppunten. Als ik verbinding maak met iemand op LinkedIn, denk ik zeker niet aan de wereldwijde gevolgen van mijn verbinding op het LinkedIn-netwerk. Maar mijn acties, samen met die van vele anderen, leiden uiteindelijk tot voorspelbare, in plaats van willekeurige, uitkomsten over hoe het netwerk zal evolueren.

Mijn collega's en ik hebben netwerkwetenschap gebruikt om mensenhandel in het VK, de structuur van ruis in de output van kunstmatige-intelligentiesystemen en financiële corruptie in de Panama Papers te bestuderen.

Groepen hebben hun eigen structuur

Naast het bestuderen van opkomende eigenschappen zoals de Six Degrees van Kevin Bacon, hebben onderzoekers ook netwerkwetenschap gebruikt om zich te concentreren op problemen zoals gemeenschapsdetectie. Simpel gezegd, kan een reeks regels, ook wel een algoritme genoemd, automatisch groepen of gemeenschappen ontdekken binnen een verzameling mensen?

Tegenwoordig zijn er honderden, zo niet duizenden, community-detectie-algoritmen, waarvan sommige afhankelijk zijn van geavanceerde AI-methoden. Ze worden voor veel doeleinden gebruikt, waaronder het vinden van interessante gemeenschappen en het opsporen van kwaadwillende groepen op sociale media. Dergelijke algoritmen coderen intuïtieve aannames, zoals de verwachting dat knooppunten die tot dezelfde groep behoren, dichter met elkaar verbonden zijn dan knooppunten die tot verschillende groepen behoren.

Hoewel het een opwindende branche is, bestudeert gemeenschapsdetectie niet de interne structuur van gemeenschappen. Moeten communities alleen worden gezien als verzamelingen van knooppunten in netwerken? En hoe zit het met gemeenschappen die klein maar bijzonder invloedrijk zijn, zoals inner circles en incrowds?

Twee hypothetische structuren voor invloedrijke groepen

Bij wijze van spreken heb je waarschijnlijk al enig idee van de structuur van hele kleine groepen in sociale netwerken. De waarheid van het adagium dat "een vriend van mijn vriend ook mijn vriend is" kan statistisch worden getest in vriendschapsnetwerken door het aantal driehoeken in het netwerk te tellen en te bepalen of dit aantal hoger is dan alleen toeval zou kunnen verklaren. En inderdaad, er zijn veel onderzoeken naar sociale netwerken gebruikt om de claim te verifiëren.

Helaas begint het concept af te brokkelen wanneer het wordt uitgebreid tot groepen met meer dan drie leden. Hoewel motieven goed zijn bestudeerd in zowel algoritmische informatica als biologie, zijn ze niet betrouwbaar gekoppeld aan invloedrijke groepen in echte communicatienetwerken.

Voortbouwend op deze traditie hebben mijn promovendus Ke Shen en ik twee structuren gevonden en gepresenteerd die ingewikkeld lijken, maar in echte netwerken heel gewoon blijken te zijn.

De eerste structuur verlengt de driehoek, niet door meer knopen toe te voegen, maar door direct driehoeken toe te voegen. In het bijzonder is er een centrale driehoek die wordt geflankeerd door andere perifere driehoeken. Belangrijk is dat de derde persoon in een perifere driehoek niet gekoppeld mag zijn aan de derde persoon op de centrale driehoek, waardoor deze persoon wordt uitgesloten van de ware binnenste cirkel van invloed.

De tweede structuur is vergelijkbaar, maar gaat ervan uit dat er geen centrale driehoek is en dat de binnenste cirkel slechts een paar knooppunten is. Een voorbeeld uit de praktijk zijn twee medeoprichters van een startup zoals Sergey Brin en Larry Page van Google, of een machtspaar met gezamenlijke belangen, gebruikelijk in de wereldpolitiek, zoals Bill en Hillary Clinton.

Invloedrijke groepen in een berucht netwerk begrijpen

We hebben onze hypothese getest op het Enron-e-mailnetwerk, dat goed is bestudeerd in netwerkwetenschap, met knooppunten die e-mailadressen vertegenwoordigen en links die de communicatie tussen die adressen vertegenwoordigen. Ondanks dat ze uitgebreid waren, waren onze voorgestelde structuren niet alleen in grotere aantallen aanwezig in het netwerk dan alleen toeval zou voorspellen, maar een kwalitatieve analyse toonde aan dat de bewering dat ze invloedrijke groepen vertegenwoordigen gegrond is.

De hoofdpersonen in de Enron-saga zijn inmiddels goed gedocumenteerd. Het is intrigerend dat sommige van deze personages niet veel officiële invloed lijken te hebben gehad, maar mogelijk aanzienlijke zachte macht hebben uitgeoefend. Een voorbeeld is Sherri Reinartz-Sera, die lange tijd administratief assistent was van Jeffrey K. Skilling, de voormalige chief executive van Enron. In tegenstelling tot Skilling werd Sera alleen genoemd in een artikel in de New York Times na onderzoeksrapportage die plaatsvond in de loop van het schandaal. Ons algoritme ontdekte echter een invloedrijke groep waarbij Sera centraal stond.

Krachtdynamiek ontleden

De samenleving heeft ingewikkelde structuren op het niveau van individuen, vriendschappen en gemeenschappen. In-crowds zijn niet zomaar groepjes personages die met elkaar praten, of een enkele leider die de touwtjes in handen heeft. Veel incrowds, of invloedrijke groepen, hebben een uitgekiende structuur.

Hoewel er nog veel moet worden ontdekt over dergelijke groepen en hun invloed, kan netwerkwetenschap helpen hun complexiteit bloot te leggen. + Verder verkennen

Oxytocine verspreidt samenwerking in sociale netwerken

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.