Se você passou algum tempo pensando em sistemas complexos, provavelmente entende a importância das redes. As redes governam o nosso mundo. Das reações químicas dentro da célula, à rede de relacionamentos no ecossistema, às redes comerciais e políticas que moldam o curso da história.

Ou considere este artigo que você está lendo. Você provavelmente o encontrou em uma rede social , baixou-o de uma rede de computadores e atualmente está decifrando o significado usando sua rede neural .

Mas não importa o quanto eu pensasse em redes ao longo dos anos, até recentemente, eu não entendia a importância da difusão simples.

Este é o nosso tópico de hoje: como, como tudo aleatoriamente se move e se espalha. Alguns exemplos para aquecer seu apetite:

• Doenças infecciosas que passam de um portador para outro em uma população.
  
• Os memes se espalham pelo gráfico de seguidores nas redes sociais.
  
• Incêndio florestal.
  
• Idéias e práticas que permeiam a cultura.
  
• Cascata de nêutrons em urânio enriquecido.

Breve observação sobre o formulário.

Diferente de todos os meus trabalhos anteriores, este ensaio é interativo [o artigo original contém exemplos interativos com controles deslizantes e botões que controlam objetos na tela - aprox. pista].

Então, vamos começar. A primeira tarefa é desenvolver um dicionário visual para distribuição nas redes.

Modelo simples

Estou certo de que todos sabem a base das redes, ou seja, nós + arestas. Para investigar a difusão, é necessário marcar apenas alguns nós como ativos . Ou, como epidemiologistas infectados gostam de dizer:



Essa ativação ou infecção se espalha pela rede de nó em nó, de acordo com as regras que iremos desenvolver abaixo.

Redes reais geralmente são muito maiores do que essa rede simples de sete nós. Eles também são muito mais confusos. Mas, para simplificar, vamos construir um modelo de brinquedo aqui para estudar a rede, ou seja, a rede de redes.

(O fato de a grade não ter realismo é compensado pelo fato de ser fácil desenhar;)

Salvo indicação em contrário, nos nós da rede quatro vizinhos, por exemplo:



E você precisa imaginar que essas grades se estendem infinitamente em todas as direções. Em outras palavras, não estamos interessados ​​em comportamentos que ocorrem apenas nas margens da rede ou em pequenas populações.

Dado que as grades são ordenadas, você pode simplificá-las para pixels. Por exemplo, essas duas imagens representam a mesma rede:



Em um dos comportamentos, o nó ativo sempre passa a infecção para seus vizinhos (não infectados). Mas é chato. Coisas muito mais interessantes acontecem quando a transmissão é probabilística .

SIR e SIS

No modelo SIR (Susceptible-Infected-Removoved) , um nó pode estar em três estados:

• Susceptível
  
• Infectado
  
• Removido

Veja como a simulação interativa funciona [no artigo original, você pode escolher a taxa de transmissão de infecção de 0 a 1, ver o processo passo a passo ou na íntegra - aprox. trans.]:

• Os nós iniciam como suscetíveis, com exceção de alguns nós que iniciam como infectados.
  
• A cada etapa, os nós infectados têm a chance de transmitir a infecção a cada um de seus vizinhos suscetíveis com uma probabilidade igual à taxa de transmissão.
  
• Os nós infectados passam para o estado "excluído", ou seja, não são mais capazes de infectar outras pessoas ou de serem infectados.

No contexto da doença, a remoção pode significar que a pessoa morreu ou que desenvolveu imunidade ao patógeno. Dizemos que eles são "removidos" da simulação porque nada mais lhes acontece.

Dependendo do que estamos tentando modelar, você pode precisar de um modelo diferente do SIR.

Se simularmos a propagação do sarampo ou um surto de incêndio na floresta, o SIR é perfeito. Mas suponha que simulemos a disseminação de novas práticas culturais, como a meditação. A princípio, o nó (pessoa) é suscetível porque nunca o fez antes. Então, se ele começar a meditar (talvez depois de ouvir sobre isso de um amigo), o modelaremos como infectado. Mas se ele parar de praticar, ele não morrerá e não cairá da simulação, porque no futuro poderá adotar esse hábito com facilidade. Então ele volta a um estado suscetível.

Este é o modelo SIS (Susceptível - Infectado - Susceptível). O modelo clássico possui dois parâmetros: taxa de transferência e taxa de recuperação. No entanto, nas simulações deste artigo, decidi simplificá-lo, diminuindo o parâmetro de velocidade de recuperação. Em vez disso, o nó infectado retorna automaticamente ao estado suscetível na próxima etapa, a menos que esteja infectado por um de seus vizinhos. Além disso, permitimos que o nó infectado na etapa n se infecte na etapa n + 1 com uma probabilidade igual à velocidade de transmissão.

A discussão

Como você pode ver, isso é muito diferente do modelo SIR.

Como os nós nunca são removidos, mesmo uma estrutura muito pequena e limitada pode suportar a infecção por SIS por um longo tempo. A infecção simplesmente salta de nó em nó e retorna.

Apesar das diferenças, SIR e SIS são surpreendentemente fungíveis para nossos propósitos. Portanto, no restante do artigo, focaremos no SIS - principalmente porque é mais tenaz e, portanto, é mais interessante trabalhar com ele.

Nível crítico

Tendo brincado com os modelos SIR e SIS, você pode notar algo sobre a longevidade da infecção. Em taxas de transmissão muito baixas, como 10%, a infecção tende a desaparecer. Enquanto em valores mais altos, como 50%, a infecção permanece viva e captura a maior parte da rede. Se a rede fosse infinita, poderíamos imaginar que ela continua e se espalha para sempre.

Essa difusão ilimitada tem muitos nomes: “viral”, “nuclear” ou (no título deste artigo) crítico .

Acontece que existe um ponto de virada específico que separa redes subcríticas (condenadas à extinção) de redes supercríticas (capazes de crescimento infinito). Esse ponto de inflexão é chamado de limiar crítico e é um sinal bastante comum de processos de difusão em redes convencionais.

O valor exato do limite crítico varia entre as redes. O que é comum é a presença de tal significado.

[Na demonstração interativa do artigo original, você pode tentar encontrar manualmente o limite crítico da rede alterando o valor da velocidade de transmissão. Está entre 22% e 23% - aprox. por.]

Com 22% (e menos), a infecção acaba morrendo. Com 23% (e superior), a infecção inicial às vezes morre, mas na maioria dos casos ela consegue sobreviver e se espalhar por tempo suficiente para garantir sua existência eterna.

(A propósito, existe todo um campo científico dedicado a encontrar esses limites críticos para diferentes topologias de rede. Para uma introdução rápida, recomendo rolar rapidamente o artigo da Wikipedia sobre o limite de fluxo ).

Em geral, é assim que funciona: abaixo de um limite crítico, qualquer infecção final na rede é garantida (com probabilidade 1) que acaba eventualmente. Acima do limiar crítico, porém, existe uma probabilidade (p> 0) de que a infecção dure para sempre e, ao mesmo tempo, se espalhe arbitrariamente para longe do local original.

No entanto, observe que uma rede supercrítica não garante que a infecção dure para sempre. De fato, geralmente desaparece, especialmente nos estágios iniciais da modelagem. Vamos ver como isso acontece.

Suponha que começamos com um nó infectado e quatro vizinhos. Na primeira etapa da modelagem, a infecção tem 5 chances independentes de se espalhar (incluindo a chance de "se espalhar" para si mesma na próxima etapa):



Agora, suponha que a taxa de transmissão seja de 50%. Nesse caso, no primeiro passo, jogamos uma moeda cinco vezes. E se cinco águias caírem, a infecção será destruída. Isso acontece em cerca de 3% dos casos - e este é apenas o primeiro passo. Uma infecção que sobreviveu ao primeiro passo tem algumas (geralmente menos) chances de desaparecer no segundo passo, algumas (até menos) chances de desaparecer no terceiro passo, etc.

Assim, mesmo quando a rede é supercrítica - se a taxa de transmissão é de 99% - há uma chance de a infecção desaparecer.

Mas o importante é que nem sempre desaparecerá. Se somarmos a probabilidade de atenuação de todas as etapas ao infinito, o resultado será menor que 1. Em outras palavras, com uma probabilidade diferente de zero, a infecção continuará para sempre. É isso que significa para uma rede ser supercrítica.

SISa: ativação espontânea

Até esse ponto, todas as nossas simulações começaram com um pequeno pedaço de nós pré-infectados no centro.

Mas e se você começar do zero? Em seguida, simulamos a ativação espontânea - o processo pelo qual um nó suscetível é infectado acidentalmente (não de um de seus vizinhos).

Isso é chamado de modelo SISa . A letra "a" significa "automático".

Um novo parâmetro aparece na simulação do SISa - a taxa de ativação espontânea, que altera a frequência de ocorrência de infecção espontânea (o parâmetro da taxa de transmissão, que vimos anteriormente, também está presente).

O que uma infecção precisa se espalhar pela rede?

A discussão

Você pode ter notado na simulação que aumentar a velocidade da ativação espontânea não muda se a infecção captura a rede inteira ou não. Somente a taxa de transmissão determina se a rede é pré ou supercrítica. E quando a rede é subcrítica (taxa de transmissão menor ou igual a 22%), nenhuma infecção pode se espalhar por toda a rede, não importa com que frequência ela seja iniciada.

É como iniciar um incêndio em um campo molhado. Você pode atear fogo a algumas folhas secas, mas a chama se apaga rapidamente, porque o restante da paisagem não é facilmente acendido (subcrítico). Enquanto em um campo muito seco (supercrítico), uma faísca é suficiente para iniciar um incêndio violento.

Coisas semelhantes são observadas no campo das idéias e invenções. Frequentemente, o mundo não está pronto para a ideia e, nesse caso, pode ser inventado repetidamente, mas não se apega às massas. Por outro lado, o mundo pode estar completamente pronto para a invenção (grande demanda oculta) e, assim que nasce, é aceito por todos. No meio, há idéias inventadas em vários lugares e distribuídas localmente, mas não o suficiente para uma versão específica cobrir toda a rede de uma só vez. Nesta última categoria, encontramos, por exemplo, agricultura e escrita, que foram inventadas independentemente por diferentes civilizações humanas cerca de dez e três vezes, respectivamente.

Imunidade

Suponha que tornemos alguns nós completamente invulneráveis, ou seja, imunes à ativação. É como se eles estivessem inicialmente em um estado remoto, e o modelo SIS (a) seja executado nos nós restantes.



O controle deslizante de imunidade controla a porcentagem de nós remotos. Tente alterar seu valor (enquanto o modelo estiver em execução!) E veja como isso afeta o estado da rede, seja supercrítico ou não.

A discussão

Mudar o número de nós imunológicos muda completamente a imagem; haverá uma rede de pré ou super-críticas. E é fácil entender o porquê. Com um grande número de hospedeiros imunes, a infecção tem menos oportunidades de se espalhar para novos hospedeiros.

Acontece que isso implica uma série de consequências práticas muito importantes.

Uma delas é impedir a propagação de incêndios florestais. No nível local, cada pessoa deve tomar suas próprias precauções (por exemplo, nunca deixe a chama aberta sem vigilância). Mas em larga escala, surtos individuais são inevitáveis. Portanto, outro método de proteção é garantir um número suficiente de “lacunas” (em uma rede de materiais inflamáveis) para que o flash não cubra toda a rede. Essa função é realizada por clareiras:



Outro surto importante para parar é uma doença infecciosa. Isso introduz o conceito de imunidade da população . É a idéia de que algumas pessoas não podem ser vacinadas (por exemplo, elas têm um sistema imunológico comprometido), mas se houver pessoas suficientes imunes à infecção, a doença não pode se espalhar indefinidamente. Em outras palavras, uma parcela suficiente da população deve ser vacinada para transferir a população de um estado supercrítico para subcrítico. Quando isso acontece, um paciente ainda pode ser infectado (por exemplo, depois de viajar para outra região), mas sem uma rede supercrítica na qual crescer, a doença infectará apenas um punhado de pessoas.

Finalmente, o conceito de nós refratários explica o que acontece em um reator nuclear. Em uma reação em cadeia, um átomo de urânio-235 em decomposição libera cerca de três nêutrons, que causam (em média) a fissão de mais de um átomo de U-235. Novos nêutrons causam mais fissão atômica e assim por diante exponencialmente:



Ao criar uma bomba, o objetivo é garantir a continuação sem obstáculos do crescimento exponencial. Mas em uma usina de energia, o objetivo é gerar energia sem matar todos ao redor. Para isso, são utilizadas barras de controle , feitas de um material capaz de absorver nêutrons (por exemplo, prata ou boro). Como absorvem e não liberam nêutrons, em nossa simulação eles atuam como unidades imunes, impedindo, assim, que o núcleo do reator entre em um estado supercrítico.

Assim, o truque de um reator nuclear é manter a reação perto de um limiar crítico, movendo as hastes de controle para frente e para trás e garantir que sempre que algo der errado, as hastes afundem no núcleo e parem.

Grau de

O grau de um nó é o número de seus vizinhos. Até o momento, estamos considerando redes de 4º grau. Mas o que acontece se você alterar essa configuração?

Por exemplo, você pode conectar cada nó não apenas com quatro vizinhos imediatos, mas também com quatro na diagonal. Nessa rede, o grau será 8.



Malhas com graus 4 e 8 são bem simétricas. Mas no grau 5 (por exemplo), surge o problema: quais cinco vizinhos escolher? Nesse caso, selecionamos os quatro vizinhos mais próximos (N, E, S, W) e, em seguida, selecionamos aleatoriamente um vizinho do conjunto {NE, SE, SW, NW}. A escolha é feita independentemente para cada nó em cada etapa do tempo.

A discussão

Novamente, não é difícil entender o que está acontecendo aqui. Quando cada nó tem mais vizinhos, aumentam as chances de disseminar a infecção - e, portanto, é mais provável que a rede se torne crítica.

No entanto, as consequências podem ser inesperadas, como veremos abaixo.

Cidades e densidade de rede

Até agora, nossas redes eram completamente homogêneas. Cada nó se parece com outro. Mas e se mudarmos as condições e permitirmos diferentes estados de nós na rede?

Por exemplo, tente simular cidades. Para fazer isso, aumente a densidade em algumas partes da rede (um nível mais alto de nós). Fazemos isso com base em dados de que os cidadãos têm um círculo social mais amplo e mais interações sociais do que pessoas fora das cidades.

Em nosso modelo, os nós suscetíveis são coloridos com base no seu grau. Nós no “campo” têm grau 4 (e são cinza claro), enquanto nós nas “cidades” têm graus mais altos (e são mais escuros), começando no grau 5 nos arredores e terminando com 8 no centro da cidade .

Tente escolher uma velocidade de distribuição que ative as cidades e depois não ultrapasse suas fronteiras.



Acho essa simulação óbvia e surpreendente. Obviamente , as cidades mantêm um melhor nível cultural do que as áreas rurais - todo mundo sabe disso. O que me surpreende é que parte dessa diversidade cultural surge simplesmente com base na topologia da rede social.

Este é um ponto interessante, tentarei explicar com mais detalhes.

Aqui estamos lidando com formas culturais que são transmitidas de maneira simples e direta de pessoa para pessoa. Por exemplo, modos , jogos de salão, tendências da moda, tendências linguísticas, rituais de pequenos grupos e produtos que são divulgados de boca em boca, além de pacotes inteiros de informações que chamamos de idéias.

(Nota: a disseminação de informações entre as pessoas é extremamente complicada pela mídia. É mais fácil imaginar um tipo de ambiente tecnologicamente primitivo, por exemplo, a Grécia Antiga, onde quase toda centelha de cultura era transmitida pela interação no espaço físico).

Com a simulação acima, aprendi que existem idéias e práticas culturais que podem ser enraizadas e espalhadas na cidade, mas elas simplesmente não conseguem se espalhar nas áreas rurais (matematicamente, não podem). Essas são as mesmas idéias e as mesmas pessoas. Não é que os aldeões tenham uma espécie de "mente de espírito": ao interagir com a mesma idéia, eles têm exatamente as mesmas chances de buscá-la que os habitantes da cidade. Só que a ideia em si não pode se tornar viral no campo, porque não há muitos links pelos quais ela possa se espalhar.

Talvez seja o mais fácil de ver no campo da moda - roupas, penteados etc. Na rede de moda, podemos fixar a borda da treliça quando duas pessoas percebem as roupas umas das outras. No centro da cidade, cada pessoa pode ver mais de mil outras pessoas todos os dias - na rua, no metrô, em um restaurante lotado, etc. No campo, pelo contrário, cada pessoa pode ver apenas algumas dezenas.Com base nessa diferença , a cidade é capaz de apoiar mais tendências da moda. E apenas as tendências mais atraentes - com a maior velocidade de transmissão - poderão ganhar posição fora da cidade.

Tendemos a pensar que, se a idéia for boa, finalmente atingirá todos e, se for ruim, desaparecerá. Obviamente, isso é verdade em casos extremos, mas entre eles há um monte de idéias e práticas que só podem se tornar virais em certas redes. Isso é realmente incrível.

Não apenas cidades

Aqui consideramos o efeito da densidade da rede . É definido para um determinado conjunto de nós como o número de arestas reais dividido pelo número de arestas em potencial . Essa é a porcentagem de conexões possíveis que realmente existem.

Então, vimos que a densidade da rede nos centros urbanos é maior do que nas áreas rurais. Mas as cidades não são o único lugar onde encontramos redes densas.

Um exemplo interessante é o ensino médio. Por exemplo, para um distrito em particular, comparamos a rede que existe entre crianças em idade escolar com a rede que existe entre seus pais. A mesma área geográfica e a mesma população, mas uma rede é muitas vezes mais densa que a outra. Portanto, não é de surpreender que as tendências da moda e da linguagem se espalhem muito mais rapidamente entre os adolescentes.

Da mesma forma, as redes de elite são geralmente muito mais densas do que as redes que não são de elite - na minha opinião, esse fato é subestimado (as pessoas populares ou influentes passam mais tempo criando redes, e, portanto, têm mais "vizinhos" do que o habitual pessoas). Com base nas simulações acima, esperamos que as redes de elite suportem algumas formas culturais que não podem ser suportadas pelo mainstream, simplesmente baseadas em leis matemáticas, de acordo com o grau médio da rede. Deixo que reflita sobre quais podem ser essas formas culturais.

Finalmente, podemos aplicar essa idéia à Internet, simulando-a como enorme e muito densaa cidade Não é de surpreender que muitos novos tipos de cultura prosperem na Internet, que simplesmente não podem ser suportados em redes puramente espaciais: hobbies de nicho, melhores padrões de design, maior consciência de injustiça etc. E essas não são apenas coisas agradáveis. Assim como as primeiras cidades foram um foco de doenças que não podiam se espalhar com uma baixa densidade populacional, a Internet também é um terreno fértil para formas culturais malignas como isca de clique, notícias falsas e incitação à indignação artificial.

Conhecimento

"Envolver o especialista certo na hora certa é geralmente o recurso mais valioso para a solução criativa de problemas." - Michael Nielsen, "Inventando descobertas"

Muitas vezes pensamos em descoberta ou invenção como um processo que ocorre na mente de um único gênio. Ele é atingido por um flash de inspiração e - eureka! - de repente, temos uma nova maneira de medir o volume. Ou a equação da gravidade. Ou uma lâmpada.

Mas se considerarmos o ponto de vista de um inventor solitário no momento da descoberta, examinaremos o fenômeno do ponto de vista do nó . Embora seja mais correto interpretar a invenção como um fenômeno de rede .

A rede é importante de pelo menos duas maneiras. Primeiro, idéias já existentes devem penetrar na consciência.inventor. São citações de um novo artigo, uma seção bibliográfica de um novo livro - gigantes, sobre cujos ombros estava Newton. Em segundo lugar, a rede é crítica para trazer uma nova idéia de volta ao mundo; uma invenção que não se espalhou dificilmente vale a pena chamar de "invenção". Assim, por ambas as razões, faz sentido modelar a invenção - ou, em um sentido amplo, o crescimento do conhecimento - como um processo de difusão.

Em um momento, apresentarei uma simulação grosseira de como o conhecimento em uma rede pode se espalhar e crescer. Mas primeiro eu tenho que explicar.

No início da simulação, existem quatro especialistas em cada quadrante da grade, localizados da seguinte forma:



O especialista 1 tem a primeira versão da idéia - vamos chamá-la de idéia 1.0. O especialista 2 é uma pessoa que sabe como transformar o Idea 1.0 no Idea 2.0. O especialista 3 sabe como converter o Idea 2.0 no Idea 3.0. E, finalmente, o quarto especialista sabe como dar os retoques finais para criar o Idea 4.0.



Isso é semelhante a uma técnica como o origami, na qual métodos são desenvolvidos e combinados com outros métodos para criar designs mais interessantes. Ou pode ser um campo de conhecimento semelhante à física, no qual trabalhos posteriores se baseiam no trabalho fundamental dos antecessores.

A essência dessa simulação é que precisamos dos quatro especialistas para contribuir com a versão final da idéia. E em cada estágio, a ideia deve ser levada ao especialista apropriado.



Algumas reservas. A simulação codificou muitas suposições irrealistas. Aqui estão apenas alguns deles:

1. Supõe-se que as idéias não possam ser preservadas e transmitidas de outra maneira que de pessoa para pessoa (ou seja, não há livros e mídia).
   
2. Supõe-se que existam especialistas constantes na população que podem gerar idéias, embora na realidade muitos fatores aleatórios influenciem a ocorrência de uma descoberta ou invenção.
   
3. Para todas as quatro versões da idéia, o mesmo conjunto de parâmetros SIS é usado (taxa de transferência, porcentagem de imunidade etc.), embora seja mais realista provavelmente usar parâmetros diferentes para cada versão (1.0, 2.0, etc.)
   
4. Supõe-se que a idéia de N + 1 sempre suplanta completamente a idéia de N, embora na prática frequentemente as versões antiga e nova circulem simultaneamente, sem um vencedor definitivo.

... e muitos outros.

A discussão

Este é um modelo ridiculamente simplificado de como o conhecimento realmente cresce. Fora do escopo do modelo, há muitos detalhes importantes (veja acima). No entanto, reflete a essência essencial do processo. E assim, com reservas, podemos falar sobre o crescimento do conhecimento, usando nosso conhecimento de difusão.

Em particular, o modelo de difusão fornece uma compreensão de como acelerar o processo : é necessário facilitar a troca de idéias entre nós especialistas. Isso pode significar limpar a rede de nós mortos que interferem na difusão. Ou pode significar colocar todos os especialistas em uma cidade ou cluster com alta densidade de rede, onde as idéias estão se espalhando rapidamente. Ou apenas coloque-os em um quarto:



Então ... é tudo o que posso dizer sobre difusão.

Mas tenho um último pensamento e é muito importante. É sobre o crescimento ( e estagnação ) do conhecimento nas comunidades científicas. Essa idéia é diferente em tom e conteúdo de tudo o que foi dito acima, mas espero que você me perdoe.

Sobre redes científicas

A ilustração mostra um dos ciclos de feedback positivo mais importantes do mundo (e tem sido assim há algum tempo):



O ciclo upstream (K ⟶ T) é bastante simples: usamos novos conhecimentos para desenvolver novas ferramentas. Por exemplo, uma compreensão da física dos semicondutores nos permite criar computadores.

No entanto, o movimento descendente requer alguma explicação. Como o desenvolvimento da tecnologia leva ao aumento do conhecimento?

Uma maneira - talvez a mais direta - é quando as novas tecnologias nos dão novas maneiras de perceber o mundo. Por exemplo, os melhores microscópios permitem que você olhe mais fundo na célula, lançando idéias para a biologia molecular. Rastreadores GPS mostram como os animais se movem. O sonar permite que você explore os oceanos. E assim por diante

Claro, esse é um mecanismo vital, mas existem pelo menos duas outras maneiras, da tecnologia ao conhecimento. Eles podem não ser tão simples, mas acho que são igualmente importantes:

primeiro . A tecnologia leva à abundância econômica (ou seja, riqueza), e isso permite que mais pessoas se envolvam na produção de conhecimento.

Se 90% da população do seu país está envolvida na agricultura e os 10% restantes estão envolvidos em alguma forma de comércio (ou guerra), as pessoas têm muito pouco tempo livre para pensar nas leis da natureza. Talvez seja por isso que antigamente a ciência era promovida principalmente por crianças de famílias ricas.

Os Estados Unidos graduam anualmente mais de 50.000 doutores em ciências. Em vez de ter uma pessoa que trabalha na fábrica aos 18 anos (ou mais cedo), o estudante de graduação precisa ser financiado até 30 ou, possivelmente, até 40 anos - e mesmo assim não está claro se seu trabalho trará algum efeito econômico real. Mas é necessário que uma pessoa alcance a vanguarda em sua disciplina, especialmente em campos complexos como a física ou a biologia.

O fato é que, do ponto de vista dos sistemas, os especialistas são caros. E a principal fonte de riqueza social que financia esses profissionais é a nova tecnologia: o arado subsidia a caneta.

Segundo. Novas tecnologias, especialmente no campo das viagens e das comunicações, estão mudando a estrutura das redes sociais nas quais o conhecimento está crescendo. Em particular, isso permite que especialistas e especialistas interajam mais estreitamente entre si.

As invenções notáveis ​​aqui incluem a imprensa, barcos a vapor e ferrovias (facilitando viagens e / ou envio de correspondência a longas distâncias), telefones, aviões e Internet. Todas essas tecnologias contribuem para aumentar a densidade da rede, especialmente em comunidades especializadas (onde quase todo o crescimento do conhecimento ocorre). Por exemplo, redes de correspondência que surgiram entre cientistas europeus no final da Idade Média, ou como os físicos modernos usam o arXiv.

Por fim, esses dois caminhos são semelhantes. Ambos aumentam a densidade da rede de especialistas, o que, por sua vez, leva a um aumento no conhecimento:



Por muitos anos, tenho desprezado o ensino superior. Uma curta estadia na faculdade deixou um sabor desagradável na boca. Mas agora, quando olho para trás e penso (para ignorar todos os problemas pessoais), devo concluir que o ensino superior ainda é extremamente importante.

As redes sociais acadêmicas (por exemplo, comunidades de pesquisa) são uma das estruturas mais avançadas e valiosas criadas por nossa civilização. Em nenhum lugar acumulamos uma grande concentração de especialistas focados na produção de conhecimento. Em nenhum lugar as pessoas desenvolveram em si mesmas uma maior capacidade de entender e criticar as idéias umas das outras. Este é o coração pulsante do progresso. É nessas redes que o fogo da iluminação queima mais.

Mas não podemos dar como certo o progresso. Se a crise com a irreprodutibilidade dos experimentos nos ensinou alguma coisa, é que a ciência pode ter problemas sistêmicos. Este é um tipo de degradação da rede.

Suponha que distinguimos duas maneiras de fazer ciência: ciência real e carreirismo . A ciência real são práticas que produzem conhecimento de maneira confiável. Ela é motivada pela curiosidade e caracterizada pela honestidade (Feynman: “Veja, eu só preciso entender o mundo”). O carreirismo, ao contrário, é motivado por ambições profissionais e é caracterizado por um jogo de políticas e rótulos científicos. Ele pode parecer e agir como uma ciência, mas não produz conhecimento confiável.

(Sim, esta é uma dicotomia exagerada. Apenas um experimento mental. Não me culpe).

O fato é que, quando os carreiristas ocupam um lugar na comunidade de pesquisa real, eles estragam o trabalho. Eles se esforçam para se promover, enquanto o resto da comunidade está tentando adquirir novos conhecimentos e compartilhá-los. Em vez de buscar clareza, os carreiristas complicam e confundem tudo para parecerem mais impressionantes. Eles fazem (como diria Harry Frankfurt) besteira científica. E, portanto, poderíamos modelá-los como nós mortos, imunes à troca de informações de boa-fé necessária para o crescimento do conhecimento:



Talvez o melhor modelo seja aquele em que os nós da carreira não sejam apenas imunes ao conhecimento, mas disseminem ativamente o conhecimento falso . O conhecimento falso pode incluir resultados insignificantes, cuja importância é inflada artificialmente ou resultados realmente falsos que surgem da manipulação ou dados fabricados.

Independentemente de como os modelamos, os carreiristas certamente podem estrangular nossas comunidades científicas.

Isso é semelhante à reação em cadeia nuclear de que precisamos desesperadamente - precisamos de uma explosão de conhecimento - apenas em nosso U-235 enriquecido há muita mistura do isótopo não reativo U-238 que suprime a reação em cadeia.

Obviamente, não há diferença clara entre carreiristas e cientistas reais. Cada um de nós tem um pouco de carreira. A questão é quanto tempo a rede pode suportar antes que a disseminação do conhecimento desapareça.

---

Oh, você leu até o fim. Obrigado pela leitura.

Licença

CC0 Todos os direitos reservados. Você pode usar este trabalho como achar melhor :).

Agradecimentos

• Kevin Kwoku e Nicky Case, por comentários e sugestões ponderados sobre várias versões do rascunho.
  
• Nick Barr - pelo apoio moral durante todo o processo e pelo feedback mais útil sobre o meu trabalho.
  
• Kita A. por me indicar o fenômeno da percolação e o limiar de percolação.
  
• Jeff Lonsdale, por criar um link para este ensaio , que (apesar de muitas falhas) se tornou o principal incentivo para trabalhar neste post.

Amostras de ensaios interativos

• Todo o trabalho de Nicky Keyes, especialmente “A Parábola dos Polígonos” (com Wi Hart) e “Desenvolvendo o Melhor Boletim de Voto” . Este é um alto padrão para o que um ensaio interativo pode ser.
  
• Distill.pub : descrições de aprendizado de máquina interativas de alta qualidade.
  
• O trabalho clássico de Bret Victor "Subir e descer as escadas da abstração" . Não me saí muito bem com as escadas, mas sempre há mais uma tentativa.