Wenn Sie einige Zeit über komplexe Systeme nachgedacht haben, verstehen Sie wahrscheinlich die Bedeutung von Netzwerken. Netzwerke regieren unsere Welt. Von chemischen Reaktionen innerhalb der Zelle über das Beziehungsnetz im Ökosystem bis hin zu Handels- und politischen Netzwerken, die den Lauf der Geschichte prägen.

Oder betrachten Sie diesen Artikel, den Sie gerade lesen. Sie haben es wahrscheinlich in einem sozialen Netzwerk gefunden , von einem Computernetzwerk heruntergeladen und entschlüsseln derzeit die Bedeutung mithilfe Ihres neuronalen Netzwerks .

Aber egal wie viel ich über die Jahre über Netzwerke nachgedacht habe, bis vor kurzem habe ich die Bedeutung der einfachen Verbreitung nicht verstanden.

Dies ist unser Thema für heute: wie, wie zufällig sich alles bewegt und ausbreitet. Einige Beispiele, um Ihren Appetit zu wärmen:

• Infektionskrankheiten, die innerhalb einer Population von Träger zu Träger übertragen werden.
  
• Memes, die über das Follower-Diagramm in sozialen Netzwerken verteilt sind.
  
• Waldbrand.
  
• Ideen und Praktiken, die die Kultur durchdringen.
  
• Neutronenkaskade in angereichertem Uran.

Kurze Bemerkung zum Formular.

Im Gegensatz zu allen meinen früheren Arbeiten ist dieser Aufsatz interaktiv [der Originalartikel enthält interaktive Beispiele mit Schiebereglern und Schaltflächen, die Objekte auf dem Bildschirm steuern - ca. Spur].

Also fangen wir an. Die erste Aufgabe besteht darin, ein visuelles Wörterbuch für die Verteilung über Netzwerke zu entwickeln.

Einfaches Modell

Ich bin sicher, dass Sie alle die Basis von Netzwerken kennen, dh Knoten + Kanten. Um die Diffusion zu untersuchen, müssen nur einige Knoten als aktiv markiert werden. Oder, wie infizierte Epidemiologen gerne sagen:



Diese Aktivierung oder Infektion breitet sich über das Netzwerk von Knoten zu Knoten gemäß den Regeln aus, die wir unten entwickeln werden.

Reale Netzwerke sind normalerweise viel größer als dieses einfache Netzwerk mit sieben Knoten. Sie sind auch viel verwirrender. Der Einfachheit halber werden wir hier ein Spielzeugmodell bauen, um das Gitter, dh das Gitternetzwerk, zu untersuchen.

(Die Tatsache, dass das Gitter nicht realistisch ist, wird durch die Tatsache ausgeglichen, dass es leicht zu zeichnen ist;)

Sofern nicht anders angegeben, in den Knoten des Netzwerks vier Nachbarn, zum Beispiel:



Und Sie müssen sich vorstellen, dass sich diese Gitter endlos in alle Richtungen erstrecken. Mit anderen Worten, wir sind nicht an Verhalten interessiert, das nur an den Rändern des Netzwerks oder in kleinen Populationen auftritt.

Da die Gitter so geordnet sind, können Sie sie auf Pixel vereinfachen. Diese beiden Bilder repräsentieren beispielsweise dasselbe Netzwerk:



In einem der Verhaltensweisen gibt der aktive Knoten die Infektion immer an seine (nicht infizierten) Nachbarn weiter. Aber es ist langweilig. Viel interessantere Dinge passieren, wenn die Übertragung probabilistisch ist .

SIR und SIS

Im SIR - Modell (Susceptible-Infected-Removed) kann sich ein Knoten in drei Zuständen befinden:

• Anfällig
  
• Infiziert
  
• Entfernt

So funktioniert die interaktive Simulation [Im Originalartikel können Sie die Infektionsübertragungsrate von 0 bis 1 auswählen, den Prozess Schritt für Schritt oder vollständig anzeigen - ca. trans.]:

• Knoten beginnen als anfällig, mit Ausnahme einiger Knoten, die als infiziert beginnen.
  
• Bei jedem Zeitschritt erhalten die infizierten Knoten die Möglichkeit, die Infektion mit einer Wahrscheinlichkeit gleich der Übertragungsrate an jeden ihrer anfälligen Nachbarn zu übertragen.
  
• Die infizierten Knoten gehen dann in den Status "gelöscht" über, dh sie können andere nicht mehr infizieren oder sich selbst infizieren.

Im Zusammenhang mit der Krankheit kann die Entfernung bedeuten, dass die Person gestorben ist oder eine Immunität gegen den Erreger entwickelt hat. Wir sagen, dass sie aus der Simulation „entfernt“ werden, weil ihnen nichts anderes passiert.

Je nachdem, was wir modellieren möchten, benötigen Sie möglicherweise ein anderes Modell als das SIR.

Wenn wir die Ausbreitung von Masern oder den Ausbruch eines Waldbrands simulieren, ist SIR perfekt. Nehmen wir jedoch an, wir simulieren die Verbreitung neuer kultureller Praktiken wie Meditation. Zunächst ist der Knoten (die Person) anfällig, weil er dies noch nie zuvor getan hat. Wenn er dann zu meditieren beginnt (vielleicht nachdem er von einem Freund davon gehört hat), werden wir ihn als infiziert modellieren. Aber wenn er aufhört zu üben, wird er nicht sterben und nicht aus der Simulation herausfallen, weil er diese Gewohnheit in Zukunft leicht wieder annehmen kann. Also geht er zurück in einen anfälligen Zustand.

Dies ist das SIS-Modell (Susceptible - Infected - Susceptible). Das klassische Modell hat zwei Parameter: Übertragungsrate und Wiederherstellungsrate. In den Simulationen für diesen Artikel habe ich mich jedoch entschlossen, ihn durch Verringern des Parameters für die Wiederherstellungsgeschwindigkeit zu vereinfachen. Stattdessen kehrt der infizierte Knoten im nächsten Zeitschritt automatisch in den anfälligen Zustand zurück, es sei denn, er wird von einem seiner Nachbarn infiziert. Zusätzlich erlauben wir dem in Schritt n infizierten Knoten, sich in Schritt n + 1 mit einer Wahrscheinlichkeit zu infizieren, die der Übertragungsgeschwindigkeit entspricht.

Die Diskussion

Wie Sie sehen, unterscheidet sich dies stark vom SIR-Modell.

Da die Knoten niemals entfernt werden, kann selbst ein sehr kleines und begrenztes Gitter die SIS-Infektion für eine lange Zeit unterstützen. Die Infektion springt einfach von Knoten zu Knoten und kehrt zurück.

Trotz der Unterschiede sind SIR und SIS für unsere Zwecke überraschend fungibel. Daher werden wir uns im weiteren Verlauf des Artikels auf SIS konzentrieren - hauptsächlich, weil es zäher ist und es daher interessanter ist, damit zu arbeiten.

Kritisches Niveau

Wenn Sie mit den SIR- und SIS-Modellen gespielt haben, werden Sie möglicherweise etwas über die Langlebigkeit der Infektion bemerken. Bei sehr niedrigen Übertragungsraten wie 10% neigt die Infektion zum Aussterben. Bei höheren Werten wie 50% bleibt die Infektion am Leben und erfasst den größten Teil des Netzwerks. Wenn das Netzwerk unendlich wäre, könnten wir uns vorstellen, dass es fortbesteht und sich für immer ausbreitet.

Eine solche unbegrenzte Verbreitung hat viele Namen: "viral", "nuklear" oder (im Titel dieses Artikels) kritisch .

Es stellt sich heraus, dass es einen bestimmten Wendepunkt gibt, der unterkritische Netzwerke (die zum Aussterben verurteilt sind) von überkritischen Netzwerken (die zu unendlichem Wachstum fähig sind) trennt. Dieser Wendepunkt wird als kritischer Schwellenwert bezeichnet und ist ein ziemlich häufiges Zeichen für Diffusionsprozesse in herkömmlichen Netzwerken.

Der genaue Wert des kritischen Schwellenwerts variiert zwischen den Netzwerken. Was üblich ist, ist das Vorhandensein einer solchen Bedeutung.

[In der interaktiven Demo aus dem Originalartikel können Sie versuchen, den kritischen Schwellenwert des Netzwerks manuell zu ermitteln, indem Sie den Wert der Übertragungsgeschwindigkeit ändern. Es liegt irgendwo zwischen 22% und 23% - ca. per.]

Bei 22% (und weniger) stirbt die Infektion schließlich ab. Bei 23% (und höher) stirbt die ursprüngliche Infektion manchmal ab, aber in den meisten Fällen kann sie überleben und sich lange genug ausbreiten, um ihre ewige Existenz sicherzustellen.

(Übrigens gibt es ein ganzes wissenschaftliches Gebiet, das sich mit der Ermittlung dieser kritischen Schwellenwerte für verschiedene Netzwerktopologien befasst. Für eine kurze Einführung empfehle ich, schnell durch den Wikipedia-Artikel über die Flussschwelle zu scrollen.)

Im Allgemeinen funktioniert dies folgendermaßen: Unterhalb eines kritischen Schwellenwerts wird garantiert, dass eine endgültige Infektion im Netzwerk (mit Wahrscheinlichkeit 1) irgendwann aussterben wird. Oberhalb der kritischen Schwelle besteht jedoch eine Wahrscheinlichkeit (p> 0), dass die Infektion für immer andauert und sich gleichzeitig willkürlich weit vom ursprünglichen Ort ausbreitet.

Beachten Sie jedoch, dass ein überkritisches Netzwerk nicht garantiert, dass die Infektion für immer anhält. Tatsächlich verblasst es häufig, insbesondere in den frühen Stadien der Modellierung. Mal sehen, wie das passiert.

Angenommen, wir haben mit einem infizierten Knoten und vier Nachbarn begonnen. Im ersten Schritt der Modellierung hat die Infektion 5 unabhängige Ausbreitungschancen (einschließlich der Möglichkeit, sich im nächsten Schritt auf sich selbst auszubreiten):



Angenommen, die Übertragungsrate beträgt 50%. In diesem Fall werfen wir im ersten Schritt fünf Mal eine Münze. Und wenn fünf Adler fallen, wird die Infektion zerstört. Dies geschieht in etwa 3% der Fälle - und dies ist nur der erste Schritt. Eine Infektion, die den ersten Schritt überlebt hat, hat eine (normalerweise geringere) Chance, im zweiten Schritt zu verblassen, eine (noch geringere) Chance, im dritten Schritt zu verblassen usw.

Selbst wenn das Netzwerk überkritisch ist - wenn die Übertragungsrate 99% beträgt - besteht daher die Möglichkeit, dass die Infektion verschwindet.

Wichtig ist jedoch, dass es nicht immer verblasst. Wenn wir die Wahrscheinlichkeit der Abschwächung aller Schritte bis unendlich addieren, ist das Ergebnis kleiner als 1. Mit anderen Worten, mit einer Wahrscheinlichkeit ungleich Null wird die Infektion für immer andauern. Dies bedeutet, dass ein Netzwerk überkritisch ist.

SISa: spontane Aktivierung

Bis zu diesem Punkt begannen alle unsere Simulationen mit einem kleinen Stück vorinfizierter Knoten in der Mitte.

Aber was ist, wenn Sie von vorne anfangen? Dann simulieren wir eine spontane Aktivierung - den Prozess, durch den ein anfälliger Knoten versehentlich infiziert wird (nicht von einem seiner Nachbarn).

Dies wird als SISa-Modell bezeichnet . Der Buchstabe "a" bedeutet "automatisch".

In der SISa-Simulation erscheint ein neuer Parameter - die Rate der spontanen Aktivierung, die die Häufigkeit des Auftretens einer spontanen Infektion ändert (der Parameter für die Übertragungsrate, den wir zuvor gesehen haben, ist ebenfalls vorhanden).

Was muss eine Infektion im Netzwerk verbreiten?

Die Diskussion

Möglicherweise haben Sie in der Simulation festgestellt, dass sich durch Erhöhen der Geschwindigkeit der spontanen Aktivierung nichts daran ändert, ob die Infektion das gesamte Netzwerk erfasst oder nicht. Nur die Übertragungsrate bestimmt, ob das Netzwerk vor- oder überkritisch ist. Und wenn das Netzwerk unterkritisch ist (Übertragungsrate kleiner oder gleich 22%), kann sich keine Infektion auf das gesamte Gitter ausbreiten, egal wie oft es beginnt.

Es ist, als würde man auf einem feuchten Feld ein Feuer machen. Sie können einige trockene Blätter in Brand setzen, aber die Flamme erlischt schnell, da der Rest der Landschaft nicht leicht entzündet werden kann (unterkritisch). In einem sehr trockenen Feld (überkritisch) reicht ein Funke aus, um ein tobendes Feuer zu entfachen.

Ähnliches gilt für Ideen und Erfindungen. Oft ist die Welt nicht bereit für die Idee, und in diesem Fall kann sie immer wieder erfunden werden, aber sie klammert sich nicht an die Massen. Andererseits kann die Welt vollständig für Erfindungen bereit sein (große versteckte Nachfrage), und sobald sie geboren ist, wird sie von allen akzeptiert. In der Mitte stehen Ideen, die an mehreren Orten erfunden und lokal verbreitet werden, aber nicht ausreichen, damit eine bestimmte Version das gesamte Netzwerk auf einmal abdeckt. In dieser letzten Kategorie finden wir zum Beispiel Landwirtschaft und Schrift, die von verschiedenen menschlichen Zivilisationen etwa zehn- bzw. dreimal unabhängig voneinander erfunden wurden.

Immunität

Angenommen, wir machen einige Knoten vollständig unverwundbar, d. H. Immun gegen Aktivierung. Es ist, als wären sie ursprünglich in einem entfernten Zustand, und das SIS (a) -Modell wird auf den verbleibenden Knoten ausgeführt.



Der Schieberegler für die Immunität steuert den Prozentsatz der Remote-Knoten. Versuchen Sie, den Wert zu ändern (während das Modell ausgeführt wird!) Und sehen Sie, wie sich dies auf den Status des Netzwerks auswirkt, unabhängig davon, ob es überkritisch ist oder nicht.

Die Diskussion

Wenn Sie die Anzahl der Immunknoten ändern, ändert sich das Bild vollständig, und es wird ein Netzwerk von vor- oder überkritischen Elementen geben. Und es ist leicht zu verstehen, warum. Bei einer großen Anzahl von Immunwirten hat die Infektion weniger Möglichkeiten, sich auf neue Wirte auszubreiten.

Es stellt sich heraus, dass dies eine Reihe sehr wichtiger praktischer Konsequenzen mit sich bringt.

Eine davon verhindert die Ausbreitung von Waldbränden. Auf lokaler Ebene sollte jede Person ihre eigenen Vorsichtsmaßnahmen treffen (z. B. niemals eine offene Flamme unbeaufsichtigt lassen). Im großen Maßstab sind jedoch einzelne Ausbrüche unvermeidlich. Eine andere Schutzmethode besteht daher darin, eine ausreichende Anzahl von „Lücken“ (in einem Netzwerk brennbarer Materialien) sicherzustellen, damit der Blitz nicht das gesamte Netzwerk abdeckt. Eine solche Funktion wird von Lichtungen ausgeführt:



Ein weiterer Ausbruch, der gestoppt werden muss, ist eine Infektionskrankheit. Dies führt das Konzept der Immunität der Bevölkerung ein . Dies ist die Idee, dass einige Menschen nicht geimpft werden können (zum Beispiel haben sie ein geschwächtes Immunsystem), aber wenn genügend Menschen gegen die Infektion immun sind, kann sich die Krankheit nicht unbegrenzt ausbreiten. Mit anderen Worten, ein ausreichender Teil der Bevölkerung sollte geimpft werden, um die Bevölkerung von einem überkritischen in einen unterkritischen Zustand zu überführen. In diesem Fall kann ein Patient immer noch infiziert sein (z. B. nachdem er in eine andere Region gereist ist), aber ohne ein überkritisches Netzwerk, in dem er wachsen kann, infiziert die Krankheit nur eine Handvoll Menschen.

Schließlich erklärt das Konzept der feuerfesten Knoten, was in einem Kernreaktor passiert. Bei einer Kettenreaktion setzt ein zerfallendes Uran-235-Atom etwa drei Neutronen frei, die (im Durchschnitt) die Spaltung von mehr als einem U-235-Atom verursachen. Neue Neutronen verursachen dann exponentiell eine weitere Atomspaltung und so weiter:



Bei der Herstellung einer Bombe geht es darum, eine ungehinderte Fortsetzung des exponentiellen Wachstums sicherzustellen. In einem Kraftwerk ist es jedoch das Ziel, Energie zu erzeugen, ohne alle umzubringen. Dazu werden Kontrollstäbe verwendet , die aus einem Material bestehen, das Neutronen absorbieren kann (z. B. Silber oder Bor). Da sie Neutronen eher absorbieren als freisetzen, wirken sie in unserer Simulation als Immuneinheiten und verhindern so, dass der Reaktorkern in einen überkritischen Zustand übergeht.

Der Trick eines Kernreaktors besteht daher darin, die Reaktion durch Hin- und Herbewegen der Steuerstäbe nahe einer kritischen Schwelle zu halten und sicherzustellen, dass die Stäbe im Kern in den Kern sinken und ihn stoppen, wenn etwas schief geht.

Grad von

Der Grad eines Knotens ist die Anzahl seiner Nachbarn. Bis zu diesem Punkt haben wir Netzwerke 4. Grades in Betracht gezogen. Aber was passiert, wenn Sie diese Einstellung ändern?

Beispielsweise können Sie jeden Knoten nicht nur mit vier unmittelbaren Nachbarn, sondern auch mit vier diagonal verbinden. In einem solchen Netzwerk beträgt der Abschluss 8.



Gitter mit den Graden 4 und 8 sind gut symmetrisch. Bei Grad 5 (zum Beispiel) stellt sich jedoch das Problem: Welche fünf Nachbarn sollen ausgewählt werden? In diesem Fall wählen wir die vier nächsten Nachbarn (N, E, S, W) aus und wählen dann zufällig einen Nachbarn aus der Menge {NE, SE, SW, NW} aus. Die Auswahl wird für jeden Knoten zu jedem Zeitschritt unabhängig getroffen.

Die Diskussion

Auch hier ist es nicht schwer zu verstehen, was hier passiert. Wenn jeder Knoten mehr Nachbarn hat, steigt die Wahrscheinlichkeit, dass sich die Infektion ausbreitet - und daher wird das Netzwerk mit größerer Wahrscheinlichkeit kritisch.

Die Folgen können jedoch unerwartet sein, wie wir weiter unten sehen werden.

Städte und Netzwerkdichte

Bisher waren unsere Netzwerke völlig homogen. Jeder Knoten sieht aus wie jeder andere. Was aber, wenn wir die Bedingungen ändern und unterschiedliche Zustände von Knoten im gesamten Netzwerk zulassen?

Versuchen Sie beispielsweise, Städte zu simulieren. Erhöhen Sie dazu die Dichte in einigen Teilen des Netzwerks (ein höherer Grad an Knoten). Wir tun dies auf der Grundlage von Daten, dass Bürger einen größeren sozialen Kreis und mehr soziale Interaktionen haben als Menschen außerhalb von Städten.

In unserem Modell werden anfällige Knoten basierend auf ihrem Grad gefärbt. Knoten in der „Landschaft“ haben Grad 4 (und sind hellgrau gefärbt), während Knoten in den „Städten“ höhere Grade haben (und dunkler sind), beginnend mit Grad 5 am Stadtrand und endend mit 8 im Stadtzentrum .

Versuchen Sie, eine solche Verteilungsgeschwindigkeit zu wählen, dass die Aktivierung Städte abdeckt und dann nicht über ihre Grenzen hinausgeht.



Ich finde diese Simulation sowohl offensichtlich als auch erstaunlich. Natürlich haben Städte ein besseres kulturelles Niveau als ländliche Gebiete - das weiß jeder. Was mich überrascht ist, dass ein Teil dieser kulturellen Vielfalt einfach auf der Grundlage der Topologie des sozialen Netzwerks entsteht.

Dies ist ein interessanter Punkt, den ich näher erläutern werde.

Hier handelt es sich um kulturelle Formen, die einfach und direkt von Person zu Person übertragen werden. Zum Beispiel Manieren , Salonspiele, Modetrends, sprachliche Trends, Rituale kleiner Gruppen und Produkte, die mündlich verbreitet werden, sowie ganze Informationspakete, die wir Ideen nennen.

(Hinweis: Die Verbreitung von Informationen zwischen Menschen wird von den Medien äußerst kompliziert. Es ist einfacher, sich eine Art technologisch primitives Umfeld vorzustellen, beispielsweise das antike Griechenland, in dem fast jeder Funke Kultur durch Interaktion im physischen Raum übertragen wurde.)

Aus der obigen Simulation habe ich gelernt, dass es Ideen und kulturelle Praktiken gibt, die in der Stadt verwurzelt und verbreitet werden können, aber sie können sich einfach nicht auf dem Land verbreiten (sie können nicht mathematisch). Dies sind die gleichen Ideen und die gleichen Leute. Es ist nicht so, dass die Dorfbewohner „aufgeschlossen“ sind: Wenn sie mit derselben Idee interagieren, haben sie genau die gleichen Chancen, sie aufzugreifen wie die Stadtbewohner. Es ist nur so, dass die Idee selbst auf dem Land nicht viral werden kann, weil es nicht viele Verbindungen gibt, über die sie sich verbreiten kann.

Dies ist im Bereich Mode vielleicht am einfachsten zu erkennen - Kleidung, Frisuren usw. Im Modenetzwerk können wir den Rand des Gitters reparieren, wenn zwei Personen die Outfits des anderen bemerken. In der Innenstadt kann jede Person jeden Tag mehr als 1000 andere Menschen sehen - auf der Straße, in der U-Bahn, in einem überfüllten Restaurant usw. Auf dem Land hingegen kann jede Person nur ein paar Dutzend andere sehen. , . — — .

, , , , . , , , . .

. , . , .

, , , . — , .

. , , , , . , . , .

, , , , — -, (, , , «», ). , , , , , . , .

, , . , , : , , . . . , , , , , .

« ». — , « »

, . — ! — . . .

, . .

. -, . , — , . -, ; , , «». , — , , — .

, . .

, :



1 — 1.0. 2 — , , 1.0 2.0. 3 , 2.0 3.0. , , , 4.0.



, . , , .

, , . .



. . :

1. , , (. . ).
   
2. , , , .
   
3. SIS ( , . .), , , (1.0, 2.0 . .)
   
4. , N+1 N, , , .

… .

Die Diskussion

, . (. ). , . , , , .

, , : . , . , . :



… , .

, . ( ) . , , , .

( ):



(K ⟶ T) : . , .

, . ?

— , — . , , . GPS- , . . Usw.

, , . , , , :

. ( ), .

90% , 10% ( ), . , .

50 000 . , 18 ( ), 30 , , 40 — , - . , , , .

, . , , : .

. , , , . , .

, ( / ), , . , ( ). , , , , arXiv.

. , :



Seit vielen Jahren lehne ich die Hochschulbildung eher ab. Ein kurzer Aufenthalt in der Graduiertenschule hinterließ einen unangenehmen Nachgeschmack im Mund. Aber jetzt, wenn ich zurückblicke und denke (es gibt keine Zusammenfassung aller persönlichen Probleme), muss ich zu dem Schluss kommen, dass die Hochschulbildung immer noch äußerst wichtig ist.

Akademische soziale Netzwerke (zum Beispiel Forschungsgemeinschaften) sind eine der fortschrittlichsten und wertvollsten Strukturen unserer Zivilisation. Nirgendwo haben wir eine große Konzentration von Spezialisten angesammelt, die sich auf die Produktion von Wissen konzentrieren. Nirgendwo haben die Menschen in sich eine größere Fähigkeit entwickelt, die Ideen des anderen zu verstehen und zu kritisieren. Dies ist das schlagende Herz des Fortschritts. In diesen Netzwerken brennt das Feuer der Erleuchtung am meisten.

Aber wir können Fortschritte nicht als selbstverständlich betrachten. Wenn die Krise mit der Unreproduzierbarkeit von Experimenten uns etwas gelehrt hat, kann die Wissenschaft systemische Probleme haben. Dies ist eine Art Netzwerkverschlechterung.

Nehmen wir an, wir unterscheiden zwei Arten der Wissenschaft: echte Wissenschaft und Karrierismus . Echte Wissenschaft sind Praktiken, die zuverlässig Wissen produzieren. Sie ist neugierig und von Ehrlichkeit geprägt (Feynman: „Sie sehen, ich muss nur die Welt verstehen“). Karrierismus hingegen ist von beruflichen Ambitionen motiviert und zeichnet sich durch ein Spiel aus Politik und wissenschaftlichen Labels aus. Er mag wie eine Wissenschaft aussehen und handeln, produziert aber kein verlässliches Wissen.

(Ja, das ist eine übertriebene Zweiteilung. Nur ein Gedankenexperiment. Gib mir keine Schuld).

Tatsache ist, dass Karrieristen, die einen Platz in der realen Forschungsgemeinschaft einnehmen, die Arbeit verderben. Sie bemühen sich, sich selbst zu fördern, während der Rest der Gemeinschaft versucht, neues Wissen zu gewinnen und es zu teilen. Anstatt nach Klarheit zu streben, komplizieren und verwirren Karrieristen alles, um eindrucksvoller zu klingen. Sie machen (wie Harry Frankfurt sagen würde) wissenschaftlichen Bullshit. Und deshalb könnten wir sie als tote Knoten modellieren, die gegen den echten Informationsaustausch immun sind, der für das Wachstum von Wissen notwendig ist:



Das vielleicht beste Modell ist eines, bei dem Karriereknoten nicht nur immun gegen Wissen sind, sondern auch falsches Wissen aktiv verbreiten. Falsches Wissen kann unbedeutende Ergebnisse enthalten, deren Bedeutung künstlich aufgeblasen wird, oder wirklich falsche Ergebnisse, die sich aus Manipulationen oder erfundenen Daten ergeben.

Unabhängig davon, wie wir sie modellieren, können Karrieristen unsere wissenschaftlichen Gemeinschaften sicherlich erwürgen.

Dies ähnelt der nuklearen Kettenreaktion, die wir dringend brauchen - wir brauchen eine Explosion des Wissens -, nur in unserem angereicherten U-235 ist zu viel Beimischung des nicht reaktiven Isotops U-238 enthalten, das die Kettenreaktion unterdrückt.

Natürlich gibt es keinen klaren Unterschied zwischen Karrieristen und echten Wissenschaftlern. Jeder von uns hat ein bisschen Karrierismus. Die Frage ist, wie lange das Netzwerk standhalten kann, bevor die Verbreitung von Wissen nachlässt.

---

Oh, du hast es bis zum Ende gelesen. Danke fürs Lesen.

Lizenz

CC0 Alle Rechte vorbehalten. Sie können diese Arbeit verwenden, wie Sie es für richtig halten :).

Danksagung

• Kevin Kwoku und Nicky Case für nachdenkliche Kommentare und Vorschläge zu verschiedenen Versionen des Entwurfs.
  
• Nick Barr - für moralische Unterstützung während des gesamten Prozesses und für das nützlichste Feedback zu meiner Arbeit.
  
• Kita A., die mich auf das Phänomen der Versickerung und die Versickerungsschwelle hingewiesen hat.
  
• Jeff Lonsdale für die Verknüpfung mit diesem Aufsatz , der (trotz seiner vielen Mängel) zum Hauptanreiz für die Arbeit an diesem Beitrag geworden ist.

Beispiele für interaktive Essays

• Die ganze Arbeit von Nicky Keyes, insbesondere "Das Gleichnis von den Mülldeponien" (mit Wi Hart) und "Entwicklung des besten Wahlgangs für die Abstimmung". Dies ist ein hoher Standard für das, was ein interaktiver Aufsatz sein kann.
  
• Distill.pub : Außergewöhnlich hochwertige interaktive Beschreibungen des maschinellen Lernens.
  
• Das klassische Werk von Bret Victor „Die Treppe der Abstraktion hoch und runter . “ Ich habe die Treppe nicht sehr gut gemeistert, aber es gibt immer noch einen Versuch.