1. MODELLI AD AGENTI IN
SOCIOLOGIA
Simone Gabbriellini
PostDoc @ DISI - Università di Bologna
1venerdì 19 luglio 13

2. OUTLINE DEL CORSO
• Primo e secondo giorno:
• Introduzione teorica alla modellazione ad agenti
• Hands-on NetLogo
• Terzo giorno:
• Primo modello di opinion dynamics
• Quarto giorno:
• Secondo modello di opinion dynamics
• Quinto giorno:
• Terzo modello di opinion dynamics
2venerdì 19 luglio 13

3. SIMULAZIONI NELLE
SCIENZE SOCIALI
Scienze cognitive Sociologia
Economia
3venerdì 19 luglio 13

4. SOCIOLOGIA
COMPUTAZIONALE
• Fararo and Hummon sostengono la necessità dell’emergenza di una
sociologia “computazionale” in grado di utilizzare le idee e le moderne
tecnologie informatiche per produrre, attraverso modelli di simulazione,
avanzamenti nella teoria sociologia
• Macy and Willer identificano negli ABM lo strumento adatto per
avanzare lo stato dell’arte nella teoria sociologica: “human group
processes are highly complex, non- linear, path dependent,
and self-organizing”: potrebbe essere dunque più facile capirli
partendo non dal livello globale, ma bottom-up, modellando le
interazioni locali di agenti adattivi che si influenzano a vicenda.
4venerdì 19 luglio 13

5. SOCIOLOGIA GENERATIVA
• Gli ABM sono usati all’interno del framework concettuale di
quella che Epstein (2006) ha definito generative social science.
• In questo contesto, la domanda che si pone un ricercatore
assume la forma seguente:
“how could the decentralized local interactions
of heterogeneous autonomous agents generate
the given regularity?” (Epstein, 2006, p. 5)
• Nella formalizzazione di Epstein: ¬S ⇐ ¬G
5venerdì 19 luglio 13

6. SOCIOLOGIA ANALITICA
• DEFINIZIONE MODELLO
• Stile di scrittura chiaro e concetti ben definiti (I)
• Spiegazione di un fenomeno è obiettivo principale (II)
• Spiegare tale fenomeno implica capire la concatenazione di meccanismi che generano il fenomeno (III)
• Un meccanismo sociale è una catena di eventi microfondati e situati in un determinato contesto sociale (IV)
• TEST DEL MODELLO
• i macro-patterns da spiegare devono essere delimitati e descritti da dati empirici (V)
• il modello teorico deve essere tradotto in un modello formale (VI)
• tale modello formale dovrebbe assumere la veste di modello computazionale (ABM) ed essere esplorato per via simulativa
(VII)
• dato che la semplice sufficienza generativa non basta a provare che il meccanismo ipotizzato sia effettivamente all’opera
nella realtà, le ipotesi a livello micro e di network vengono fondate empiricamente con l’uso di survey, dati qualitativi e
interviste
6venerdì 19 luglio 13

7. COLEMAN’S BOAT
Macro level
Micro level type 1
type 2 type 3
7venerdì 19 luglio 13

8. COMPLICATOVS. COMPLESSO
8venerdì 19 luglio 13

9. COMPLICATOVS. COMPLESSO
9venerdì 19 luglio 13

10. EMERGENZA
•una definizione formale di emergenza:
fenomeno è emergente se, per essere
descritto, necessita dell’uso di nuove
categorie non necessarie per descrivere
il comportamento dei componenti ad
un livello di complessità inferiore.
10venerdì 19 luglio 13

11. EMERGENZA
• I sistemi complessi sono caratterizzati da proprietà emergenti
che compaiono grazie all’interazione, tra loro e con l’ambiente
in cui si trovano, degli elementi che costituiscono il sistema.
• Il concetto di emergenza ha una lunga storia in sociologia
(Sawyer, 2005) ed in filosofia (Epstein, 2006). La concezione
“classica” di emergenza come di fenomeno per principio
inesplicabile, a cui doversi semplicemente rassegnare, non è
compatibile con la modellazione ad agenti.
11venerdì 19 luglio 13

12. EMERGENZA
• L’individualismo metodologico vede nell’emergenza un
fenomeno che attualmente non è in grado di spiegare e che
dunque diviene l’obiettivo della spiegazione:“it is precisely the
adequate description of the individual bee that explains the
hive” Epstein (2006, p. 37);
• Ma ciò che emerge può essere capace di esercitare un potere
causale sul livello micro, dato che nel mondo sociale gli
individui possono riconoscere, valutare e reagire alle strutture
che essi stessi hanno creato.
12venerdì 19 luglio 13

13. EMERGENZA
• L’avvicinamento tra queste due prospettive in simulazione
sociale passa dall’adozione di un approccio «strutturale»
all’individualismo metodologico che ci porta a distinguere due
tipi fondamentali di emergenza, quella di primo e quella di
secondo livello.
13venerdì 19 luglio 13

14. EMERGENZA
• Emergenza di primo ordine: il livello macro è
comprensibile dal punto di vista dell’osservatore solamente
con l’introduzione di concetti macro qualitativamente differenti
rispetto a quelli usati per descrivere il livello micro
14venerdì 19 luglio 13

15. EMERGENZA
• Emergenza di secondo ordine: il modello riproduce
meccanismi di causazione retroattiva macro-micro
• ...seppur in maniera imperfetta e limitata, le proprietà
dell’emergenza macro vengono internalizzate da agenti
cognitivi in grado di usarne l’evidenza per orientare la propria
azione
15venerdì 19 luglio 13

16. MODELLI FISICI
16venerdì 19 luglio 13

17. MODELLI NARRATIVI
• Tocqueville - “La Democrazia in
America”
• accadimenti di un periodo
• legami di causa effetto individuati
dall’autore
• gli approfondimenti scelti e così
via…
• flessibile ma non computabile
• rischio di ambiguità
17venerdì 19 luglio 13

18. MODELLI MATEMATICI
• Unisce rigore e computabilità
• ma necessariamente stilizza le
situazioni rappresentate…
18venerdì 19 luglio 13

19. MODELLI COMPUTAZIONALI
• cosa sono?
• che vantaggi hanno?
• come si studiano?
19venerdì 19 luglio 13

20. SIMULAZIONI
per osservare l’emergenza prodotta da un modello
computazionale, abbiamo bisogno delle simulazioni:
ma di quale tipo di simulazioni stiamo
parlando?
20venerdì 19 luglio 13

21. QUALE SIMULAZIONE?
• Una simulazione può
consistere in un
esperimento mentale!
21venerdì 19 luglio 13

22. QUALE SIMULAZIONE?
• Una simulazione può
consistere in una modalità di
calcolo dei modelli
matematici
22venerdì 19 luglio 13

23. QUALE SIMULAZIONE?
• Né la prima accezione di simulazione, né la seconda ci
consentono di rappresentare un problema complesso
congiuntamente nelle sue parti e nel tutto.
• A noi servono modelli di simulazione basati su
agenti (ABM).
• Le simulazioni ad agenti sono traduzioni informatiche di
modelli di meccanismi sociali.
23venerdì 19 luglio 13

24. AGENT-BASED MODEL
• Le simulazioni ad agenti
sono programmi per
computer
• alle simulazioni si chiede di
riprodurre il
comportamento di individui
stilizzati che popolano un
ambiente altrettanto
stilizzato
24venerdì 19 luglio 13

25. AGENT-BASED MODEL
• Grazie alla capacità descrittiva flessibile di un codice
informatico scritto ad agenti
• Realizziamo esperimenti mentali assistiti dal computer:
sarebbero troppo complessi per essere risolti senza il calcolo
automatico.
25venerdì 19 luglio 13

26. AGENT-BASED MODEL
•Un ABM è un particolare tipo di modello
•Un modello scritto sotto forma di codice
informatico
•Il computer diventa così il nostro laboratorio
artificiale
26venerdì 19 luglio 13

27. PERCHÉ USARE ABM
• Rappresentare la realtà in modo flessibile e approfondito e
verificabile con il calcolo
• Esplorare mondi che esistono, potrebbero esistere, sono
esistiti
• No “scatole nere”
• Rappresentano un cambiamento fondamentale nel metodo
27venerdì 19 luglio 13

28. AGENT-BASED MODEL
• SE LE SIMULAZIONI
AD AGENTI SONO
COSÌ PROMETTENTI,
PERCHÉ LE USANO
IN COSÌ POCHI?
28venerdì 19 luglio 13

29. POCHI UTILIZZATORI,
POCHI RISULTATI...
• I risultati sono al momento ancora insufficienti a costituire
massa critica per il riconoscimento della validità del metodo al
di fuori della schiera degli specialisti.
• Inoltre, le simulazioni sono metodologicamente interdisciplinari
29venerdì 19 luglio 13

30. SEMBRA UNA
CONTRADDIZIONE...
• Da una parte, le simulazioni ad agenti si rivelano
particolarmente efficaci nel modellare la complessità,
l’eterogeneità degli attori e i pattern di interazione tra questi
• Dall’altra, come metodologia rimangono pressoché inutilizzati
quando si studiano fenomeni sociali (complessi per
definizione)
30venerdì 19 luglio 13

31. ABM COMETEORIA
• È possibile fare teoria con delle simulazioni al computer?
31venerdì 19 luglio 13

32. ABM COMETEORIA
• È possibile fare teoria con delle simulazioni al computer?
• Se la nostra teoria prevede che una qualche causa C spiega
l’evento E, è sufficiente mostrare che la presenza della causa C
– sotto condizioni controllabili, replicabili e plausibili – porta al
manifestarsi l’evento E
32venerdì 19 luglio 13

33. ABM SONO MATEMATICA
• Ostrom:“le simulazioni non sono né buona né cattiva
matematica, semplicemente non sono matematica” (Computer
simulation: the third symbol system. In “Journal of Experimental
Social Psychology”, vol 24, 1988)
• È davvero così?
33venerdì 19 luglio 13

34. ABM SONO MATEMATICA
• In particolare, se le equazioni che descrivono un processo sociale :
• possono essere scritte ex-ante e risolte analiticamente, la simulazione ad agenti
è meramente uno strumento alternativo di presentazione dei risultati;
• possono essere scritte ex-ante e risolte numericamente, la simulazione ad
agenti è un’analisi alternativa alle simulazioni basate sul metodo Monte Carlo;
• possono essere scritte ex-ante ma non possono essere completamente
risolte, allora la simulazione ad agenti risulta essere uno strumento essenziale
per far luce sulle dinamiche del sistema;
• non possono essere scritte ex-ante, allora la simulazione ad agenti risulta
essere l’unico modo di trattare il sistema
34venerdì 19 luglio 13

35. ABM CONDUCONO A
RISULTATI GENERALI
• Uno studio di funzione ci darebbe la possibilità di trarre
proposizioni di validità GENERALE sul comportamento del
sistema
• In una simulazione, le proposizioni sul comportamento del
sistema sono sempre estrapolazioni da un’evidenza puntuale.
35venerdì 19 luglio 13

36. ABM SONO STIMABILI
• Come confrontare i dati
simulati con quelli reali in
modo da stimare i parametri
del modello di simulazione?
• Stiamo calibrando il
modello!
36venerdì 19 luglio 13

37. ABM E STANDARD
• Collegamento con la letteratura
• Struttura del modello
• Analisi del modello
• Replicabilità
37venerdì 19 luglio 13

38. GLI AGENTI, ILTEMPO
E LA CASUALITÀ
1 - Proprietà e metodi
2 - ticks
3 - numeri pseudo-casuali
38venerdì 19 luglio 13

39. COSTRUZIONE DEGLI AGENTI
•In ogni ABM vengono modellati processi cognitivi
•tali processi cognitivi insistono sulle capacità di
decision making degli agenti
•la capacità di decision making può essere
implementata in forma elaborata o semplice
39venerdì 19 luglio 13

40. COSTRUZIONE DEGLI AGENTI
Ambiente non
strutturato
Ambiente
strutturato
Agenti “senza
mente”
Agenti “con
mente”
Possono determinare risultati
aggregati complessi e plausibili, con
l’eventualità di risultati di rilievo a
livello micro-individuale
Possono determinare risultati
aggregati complessi e plausibili
Possono determinare risultati
aggregati complessi e plausibili
Possono determinare risultati
aggregati complessi e plausibili,
con l’eventualità di risultati di
rilievo a livello micro-
individuale
40venerdì 19 luglio 13

41. GLI AGENTI...
• Un agente è un oggetto software che possiede le seguenti caratteristiche
(Gilbert andTroitzsch, 1999):
• Autonomia: opera senza l’intervento umano, e ha un qualche controllo sulle
proprie azioni e stati interni;
• Abilità sociali: interagisce con gli altri agenti attraverso una qualche tipologia
di comunicazione;
• Reattività: percepisce l’ambiente e risponde ai cambiamenti che esso subisce;
• Pro-attività: è capace di esibire un comportamento orientato verso obiettivi.
41venerdì 19 luglio 13

42. ILTEMPO E IL CASO
• Nel mondo reale il tempo avanza (da solo) ed esistono eventi
“casuali”
• Nel mondo artificiale, questi elementi devono essere
riprodotti con artifici computazionali
42venerdì 19 luglio 13

43. ILTEMPO
• Il tempo che avanza è legato allo scheduling
• Ma come fanno gli agenti ad operare contemporaneamente?
• Ask turtles [
do something
]
43venerdì 19 luglio 13

44. IL CASO
• Come si simula la casualità?
44venerdì 19 luglio 13

45. IL CASO
• Come si simula la casualità? In NetLogo:
ask turtles [
if random-float 1.0 < 0.5 [
do-something…
]
• seed 12344: 0.1, 0. 3, 0. 79, 0. 412, 0. 435
• seed 1345677: 0. 432, 0. 546, 0. 32, 0. 56, 0. 2, 0. 1234
• seed 12344: 0. 1, 0. 3, 0. 79, 0. 412, 0. 435
45venerdì 19 luglio 13

46. PROGRAMMAZIONE
ORIENTATA AGLI OGGETTI
Object-Oriented Programming (OOP)
46venerdì 19 luglio 13

47. PENSARE OOP
• L’idea principale che sta dietro la Programmazione ad Oggetti risiede,
in buona parte, nel mondo reale.
• Le azioni altro non sono che le cose che un oggetto è in grado di fare,
mentre le sue caratteristiche rappresentano i dati che le azioni stesse
possono utilizzare per eseguire le operazioni che da esse ci si aspetta.
• In OOP, le caratteristiche di un oggetto vengono denominate
proprietà e le azioni sono dette metodi.
• Pensare “ad oggetti”
47venerdì 19 luglio 13

48. PROGRAMMAZIONE
ORIENTATA AGLI OGGETTI
• La programmazione orientata agli oggetti ( Object Oriented
Programming, OOP) è un paradigma di programmazione, in cui
un programma viene visto come un insieme di oggetti che
interagiscono tra di loro.
• Nei linguaggi OOP esiste un nuovo tipo di dato, la classe.
Questo tipo di dato serve appunto a modellare un insieme di
oggetti dello stesso tipo.
• In generale, un oggetto è caratterizzato da un insieme di attributi
e da un insieme di funzionalità
48venerdì 19 luglio 13

49. OGGETTI: UN ESEMPIO
• Un automobile può essere caratterizzata in questo modo:
• È possibile interagire con l'automobile, per determinarne il suo
comportamento attraverso il suo interfaccia che permette di
effettuarele operazioni consentite:
• Pedale del freno
• Pedale dell’acceleratore
• Leva del cambio
• volante
attributi funzionalità
potenza frena
marce accelera
peso cambia marcia
cilindrata cambia direzione
49venerdì 19 luglio 13

50. CLASSI E OGGETTI
50venerdì 19 luglio 13

51. PROGRAMMAZIONE
ORIENTATA AGLI OGGETTI
• I concetti chiave della programmazione orientata agli oggetti
sono tre:
• incapsulamento (dati privati/dati pubblici)
• ereditarietà (metodi “a cascata”).
• polimorfismo (una interfaccia, molti metodi)
51venerdì 19 luglio 13

52. INCAPSULAMENTO
• Interfaccia
• Implementazione
• private e public
52venerdì 19 luglio 13

53. EREDITARIETÀ
• L’ereditarietà consente di realizzare
relazioni tra classi di tipo
generalizzazione-specializzazione
• una classe realizza un comportamento
generale comune ad un insieme di entità,
• le classi derivate (sottoclassi) realizzano
comportamenti specializzati rispetto a
quelli della classe base
• Esempio
Classe base:Animale
• Sottoclassi: Cane, Gatto
53venerdì 19 luglio 13

54. POLIMORFISMO
• Classe Animale:
• Proprietà private:
• verso
stringa, il verso che emette
• Metodo pubblic:
• fai-verso()
restituisce il verso
54venerdì 19 luglio 13

55. • Classe Cane
• Proprietà private:
• verso = “BAU”
• Metodo pubblic:
• fai-verso()
restituisce il verso “BAU”
POLIMORFISMO
55venerdì 19 luglio 13

56. • Classe Gatto
• Proprietà private:
• verso = “MIAO”
stringa, il verso che emette
• Metodo pubblic:
• fai-verso()
restituisce il verso “MIAO”
POLIMORFISMO
56venerdì 19 luglio 13

57. POLIMORFISMO
• Immaginiamo di avere una
lista di animali:
a = {c, g}
• e di voler sapere che verso
fanno...
• il risultato sarà:
“bau”,“miao”
57venerdì 19 luglio 13

58. ANCORA SUGLI OGGETTI
• Un oggetto è una istanza di una classe
• Quando si istanzia una classe, il computer alloca uno spazio in
memoria per quell’oggetto, che avrà le proprietà stabilite dalla
classe, cioé dalla struttura dati di cui è una realizzazione
• Come comunicano gli oggetti tra loro:
• quando l’oggetto cane vuole che l’oggetto gatto faccia
qualcosa, l’oggetto cane “invoca” un metodo dell’oggetto
gatto.
58venerdì 19 luglio 13

59. LOGO
• NetLogo non è un linguaggio ad oggetti, usa infatti un
linguaggio procedurale, il Logo
• Un linguaggio procedurale definisce un modello tramite
procedure
• Perché usarlo allora?
59venerdì 19 luglio 13

60. PERCHÉ NETLOGO
• Perché fa il “lavoro sporco” al posto nostro
• Ci permette di usare un linguaggio “facile”
• Traduce lui in OOP le nostre istruzioni (Java e Scala)
• Offre quattro ottimi strumenti per gestire i modelli:
• una interfaccia semplice
• un modo semplice per documentare il modello
• uno strumento per gestire gli esperimenti
• un ambiente di sviluppo con debugger integrato
60venerdì 19 luglio 13

61. FROM PRIVATE ATTITUDE
TO PUBLIC OPINION:
A DYNAMICTHEORY
OF SOCIAL IMPACT
Authors: Nowak, Szamrej and Latané
Published in: Psychological review, 1990, 97: 3, 362-376
61venerdì 19 luglio 13

62. COSAVOGLIAMO SIMULARE?
• Simulare in modo interattivo la teoria dell’impatto sociale di Latané, la quale
specifica alcuni principi che descrivono come gli individui sono influenzati dal
proprio contesto sociale;
• Nel farlo, osserveremo come alcuni fenomeni a livello macro possono
emergere da questa semplice microfondazione teorica, in particolare:
• la polarizzazione incompleta delle opinioni che raggiunge un equilibrio stabile
• la formazione di minoranze ai margini della popolazione
• Le simulazioni possano aiutare a capire come dei processi a livello individuale
possano produrre fenomeni a livello di gruppo (micro-macro link)
62venerdì 19 luglio 13

63. INTRODUZIONE
• Gli autori riprendono il concetto del Coleman’s Boat:
• “The functioning of higher level units (e.g., social groups) may be partly or completely
determined and therefore explained by mechanisms known from theories describing
phenomena at lower levels (e.g., human individuals).Alternatively,the functioning of lower level
units (e.g., individuals) may be affected by the higher level units to which they belong. In other
words, individuals in a given social context behave differently than they would outside that
context”.
• E riprendono il concetto dell’uso delle simulazioni per sviluppare la teoria:
• “we examine some possible consequences of simulating on a computer a
theory describing the functioning of individuals in the presence of others...
• we simulate Latané's (1981) theory of social impact as applied to attitudes and explore the
consequences for public opinion of the operation of social processes affecting individual attitude
change
63venerdì 19 luglio 13

64. INFLUENZA PERSONALE E
OPINIONE PUBBLICA
• molti studi indicano che le persone tendono a cambiare opinione se
confrontati con argomentazioni persuasive*
• se ne deduce che, predominando il consenso, se il processo durasse
abbastanza a lungo, dovremmo osservare l’emergere di un consenso
generalizzato, dove tutti convergono sul punto di vista maggioritario
• ma sappiamo che ciò non accade:
• “Social influence processes do not by themselves create uniformity of opinion”
• “Social influence processes do not lead to the convergence of public opinion
on the mean of the initial distribution of private attitudes”
64venerdì 19 luglio 13

65. SOCIAL IMPACTTHEORY
• Latané definisce l’impatto sociale come: “any influence on individual feelings, thoughts, or
behavior that is exerted by the real, implied, or imagined presence or actions of others”
• Obiettivo: definire l’impatto che un soggetto riceve da una sorgente esterna (un gruppo)
• L’impatto (î) è funzione moltiplicativa (f) della forza (S), distanza (I) e ampiezza (N) della
sorgente esterna:
• î = f(SIN)
• î = sNt
• vari lavori empirici hanno stimato l’esponente t ~ 0.5
• La teoria dell’impatto sociale è una teoria statica
65venerdì 19 luglio 13

66. SOCIAL IMPACTTHEORY
• Come cambiamo le nostre attitudini?
• L’applicazione della teoria dell’impatto sociale avviene senza problemi in contesti di
persuasione periferica
• Dunque, se gli attori non sono molto coinvolti, vengono influenzati dalla forza (credibilità),
vicinanza (prossimità relazionale) e numero di persone che invocano una posizione contraria
• Ma qual è il ruolo del supporto? per indagarlo, si introduce una distinzione riguardo alla forza:
• forza di supportare una opinione
• forza di contrastare una opinione
• Cosa succede quando individui con queste caratteristiche si incontrano e si influenzano in un
processo dinamico?
66venerdì 19 luglio 13

67. SIMULARE L’IMPATTO SOCIALE
• Attitude: 1 o 0, è una variabile dicotomica, la cui
interpretazione non incide sul risultato della simulazione;
• Persuasiveness: capacità di persuadere chi ha una opinione
diversa dalla propria; è un numero random da 0 a 100;
• Supportiveness: speculare al precedente, è la capacità di
supportare chi ha una opinione simile alla propria; anche in
questo caso, è un numero random da 0 a 100;
• Immediacy: rappresenta la distanza tra coppie di agenti
67venerdì 19 luglio 13

68. LE REGOLE DEL MODELLO
• Persuasività:
• Supportività:
68venerdì 19 luglio 13

69. LE REGOLE DEL MODELLO
• Change rule: se un individuo subisce una pressione a cambiare maggiore
rispetto al supporto offerto per restare della propria opinione, l’individuo cambia
idea
(if ip / is > 1 then new attitude = 1 - attitude)
• Frequency: lo stato iniziale della simulazione prevede che una percentuale scelta
da noi abbia una certa attitudine. La distribuzione iniziale delle attitudini è random
• Tick: ad ogni tick, ogni agente osserva il proprio vicinato e decide cosa fare, se
rimanere della propria idea oppure cambiarla
• World: matrice quadrata 40x40 = 1600 agenti, ogni agente “vede” solo gli agenti
a distanza <= 10
69venerdì 19 luglio 13

70. RISULTATI / 1
• Condizione iniziale:
• 1600 agenti,
• 70% inizia con opinione: I
• 30% inizia con opinione: -
• Distribuzione tipica
finale:
• 90% adotta posizione
dominante
• 10% resiste e si organizza in
vicinati
•
70venerdì 19 luglio 13

71. RISULTATI / 2
• All’inizio, i cambiamenti sono molto
frequenti, poi tendono ad uno stato di
equilibrio
• La maggioranza acquisisce molti membri
mentre la minoranza ne perde molti
• Le attitudini cambiano in modo da creare
aree coerenti*
• La frequenza di cambio delle attitudini
decresce con l’andare della simulazione
• La simulazione raggiunge uno stato di
equilibrio
• Il tempo necessario a raggiungere
l’equilibrio dipende dalla distribuzione
iniziale delle attitudini (tanto più
egualitaria, tanto più lunga la simulazione)
71venerdì 19 luglio 13

72. DISCUSSIONE
• Il modello dimostra come sia possibile applicare la teoria
dell’impatto sociale a gruppi dinamici producendo due
fenomeni emergenti:
• incompleta polarizzazione all’equilibrio
• gruppi clusterizzati di opinioni omogenee
• Ancora sulla polarizzazione
72venerdì 19 luglio 13

73. ADESSO PROVIAMOCI NOI...
• Apriamo NetLogo... ;)
73venerdì 19 luglio 13

74. THE DISSEMINATION OF CULTURE:
A MODEL WITH LOCAL CONVERGENCE
AND GLOBAL POLARIZATION
Author:Axelrod
Published in: Journal of Conflict Resolution, 1997, 41: 2, 203-226
74venerdì 19 luglio 13

75. COSAVOGLIAMO SIMULARE?
• Nonostante tendenze verso la convergenza, le differenze tra individui
(opinioni, comportamenti) persistono
• Modelliamo un meccanismo di influenza sociale che tende a far convergere:
• tanto più un agente è simile al vicino, tanto più sarà probabile che lo
diventi ancora di più
• Cosa c’è di diverso: non un solo tratto culturale (belief), ma più tratti alla
volta vengono fatti interagire
• Il modello illustra come la convergenza locale possa generare
polarizzazione a livello globale
75venerdì 19 luglio 13

76. LE DIFFERENZE RIMANGONO
• Se le persone tendono a diventare più simili quando
interagiscono, perché le differenze non scompaiono del tutto?
• Molti meccanismi sono stati proposti (come quello del
precedente modello)
• Questo nuovo modello ne propone uno alternativo, in cui si
dimostra che le differenze permangono nonostante gli
individui diventino più simili quando interagiscono
76venerdì 19 luglio 13

77. LE DIFFERENZE RIMANGONO
• Le persone si influenzano a vicenda sotto molti punti di vista
• Il termine più generico per indicare una cosa su cui gli individui si influenzano è la
cultura
• La domanda di ricerca è:
• come gli individui si influenzano su un set finito di tratti culturali e perché
questa influenza reciproca non porta ad uno stato di omogeneità
• La resistenza all’omologazione è spiegata in diversi modi
• Il modello non vuole riprodurre fatti storici, ma semplicemente indagare le
conseguenze per gli individui di pochi semplici assunti riguardanti l’influenza sociale
77venerdì 19 luglio 13

78. INFLUENZA SOCIALE:
APPROCCI
• Esistono molte definizione di cultura
• La definizione usata qui soddisfa due premesse
• Come cambia la cultura secondo gli scienziati sociali
• Novità di questo modello
• Principi metodologici del modello
78venerdì 19 luglio 13

79. IL MODELLO
• Nelle parole di Axelrod: “culture is what social influence
influences”
• La cultura di un individuo viene rappresentata come un
insieme di dimensioni diverse (lingua, religione, tecnologia, stile
di vestiario). Ovviamente tali dimensioni sono astratte, e
vengono rappresentate come un vettore:
1 7 2 9
79venerdì 19 luglio 13

80. IL MODELLO
• Gli agenti sono disposti in una griglia 10x10
• Ogni agente controlla il proprio vicinato:
• agenti centrali: Von Neuman - nord sud ovest est, 4 vicini
• agenti al bordo: nord sud est/ovest, 3 vicini
• agenti agli angoli: 2 vicini
• Gli agenti vengono inizializzati con una cultura random
• stesso numero di dimensioni per tutti
• tratti culturali estratti random
80venerdì 19 luglio 13

81. IL MODELLO
• L’idea è che più gli agenti sono simili più hanno probabilità di interagire e così diventare
ancora più simili
• ciò è implementato assumendo che la chance di interagire sia proporzionale alla similarità
culturale
• Scheduling:
• un agente viene estratto random
• uno dei suoi vicini viene estratto random
• con probabilità uguale alla loro similarità culturale, interagiscono
• se interagiscono, l’agente attivo estrae random una dimensione culturale in cui differisce
dal vicino, e ne copia il tratto, diventando in questo modo più simile a lui
81venerdì 19 luglio 13

82. IL MODELLO
82venerdì 19 luglio 13

83. L’EMERGERE DI ZONE
CULTURALI OMOGENEE
• come si sviluppano le zone
culturali omogenee?
• il processo conduce
all’omogeneità oppure si
formano zone con culture
minoritarie?
• il sistema raggiunge un
equilibrio? in quanto tempo?
83venerdì 19 luglio 13

84. L’EMERGERE DI ZONE
CULTURALI OMOGENEE
• una regione culturale è una zona contigua
di agenti che condividono la stessa cultura
• al tempo 20.000 alcune regioni culturali si
sono formate
• al tempo 40.000 le regioni culturali sono
diventate più grandi
• al tempo 81.000 il sistema ha raggiunto
l’equilibrio: rimangono 3 regioni culturali,
di cui una maggioritaria e due minoritarie
che, non avendo nessun tratto in
comune, non avranno chance di interagire
cultural region
cultural region
cultural region
84venerdì 19 luglio 13

85. IL NUMERO DI
REGIONI STABILI
• La complessità culturale dipende da due variabili:
• numero di dimensioni (features) culturali
• numero di tratti (traits) disponibili per ogni dimensione
culturale
• Ipotesi: maggiore la variabilità tra le culture,
maggiore il numero di regioni stabili che si
formeranno
85venerdì 19 luglio 13

86. RISULTATI (PARZIALI)
86venerdì 19 luglio 13

87. DISCUSSIONE
• Abbiamo osservato due risultati:
• il numero di regioni stabili cresce al crescere del numero di tratti culturali possibili (intuitivo)
• il numero di regioni stabili decresce al crescere delle dimensioni culturali (controintuitivo)
• Che cosa abbiamo imparato?
• l’intuizione non è una buona guida per prevedere come si evolve un modello dinamico (aid intuition)
• il modello usato è molto semplice: “con probabilità uguale alla propria similarità culturale, un agente
scelto casualmente copia una dimensione culturale da un vicino scelto casualmente”
• tuttavia è difficile prevedere quante regioni stabili si formeranno all’equilibrio
• le spiegazioni funzionaliste non sono necessariamente le più semplici...
• la polarizzazione non è necessariamente prodotta da meccanismi di selezione negativa
87venerdì 19 luglio 13

88. ADESSO PROVIAMOCI NOI...
• Apriamo NetLogo... ;)
88venerdì 19 luglio 13

89. SMALL WORLDS AND
CULTURAL POLARIZATION
Authors: Flache and Macy
Published in: Journal of Mathematical Sociology, 2011, 5: 1-3, 146-176
89venerdì 19 luglio 13

90. SOCIAL NETWORK ANALYSIS
• La SNA studia gli attori sociali utilizzando la teoria dei grafi
• Un grafo è un oggetto G =(V,E) dove i nodi sono rappresentati
come un vettore:
• V ={v1,v2,v3,…,vn}
• e i link sono rappresentati da un secondo vettore:
• E ={e1,e2,e3,…,em}.
• Che cosa rende speciali le reti sociali?
90venerdì 19 luglio 13

91. RANDOM
NETWORKS
• Prima tentativo di modellare
reti sociali (Erdos e Renyi).
• Pseudocodice:
for each pair [
if random 1 < prob [
create-a-link
]
]
91venerdì 19 luglio 13

92. PENSATE AIVOSTRI AMICI
92venerdì 19 luglio 13

93. PONTI E LEGAMI DEBOLI
93venerdì 19 luglio 13

94. LA FORZA
DEI LEGAMI DEBOLI
94venerdì 19 luglio 13

95. SMALL WORLD
95venerdì 19 luglio 13

96. COSAVOGLIAMO SIMULARE?
• La ricerca sugli small worlds, basandosi sull’idea di weak
ties di Granovetter, suggerisce che i ponti tra clusters nelle reti
sociali promuovono integrazione, omogeneità e diffusione
culturale
• Questo modello dimostra che tale risultato si basa su assunti
impliciti a livello micro
96venerdì 19 luglio 13

97. INTRODUZIONE
• gli studi sulla segregazione sociale e sull’omofilia ci dicono che, nei social networks, la maggior
parte dei legami rimane confinata dentro nicchie molto dense generate dalla prossimità
geografica e sociale
• il modello di Watts e Strogatz mostra come sia possibile avere elevato clustering ma shortest
path brevi solo aggiungendo qualche collegamento a lungo raggio
• i primi modelli di social infuence (Abelson, Harary) suggeriscono che i legami a lungo raggio
hanno il potere di diffondere il consenso in una rete sociale
• successivi modelli (Friedkin, Johnsen) suggeriscono che, sebbene possa essere evitata la
completa omologazione, comunque in reti completamente connesse la diversità tende a ridursi
drasticamente
• la teoria dei legami deboli di Granovetter punta nella stessa direzione, suggerendo che i legami
che connettono clusters diversi contribuiscono ad accrescere l’omogeneità e l’integrazione
97venerdì 19 luglio 13

98. INTRODUZIONE
• Altri studi puntano nella direzione opposta:
• Centola e Macy: a parità di densità, dimostrano come i legami a lungo raggio
inibiscono la diffusione di contagio che richiede rinforzo da parte dei propri vicini
• Baldassarri e Bearman: evidenziano come la segregazione per reddito, classe
sociale e razza (USA) tenda in realtà ad aumentare
• Mark: dimostra come sia possibile generare differenziazione da principi omogenei
• Adams e Roscigno: ricerca empirica sull’uso di internet da parte di minoranze,
che trovano così altri individui che possono supportare le loro convinzioni
minoritarie
98venerdì 19 luglio 13

99. INTRODUZIONE
• Open question: l’influenza sociale in reti small-world può (e se sì,
in che modo) supportare la diversità e resistere alle pressioni verso
l’assimilazione generate dalla presenza di legami a lungo raggio?
• Temi centrali:
• meccanismo di influenza: abilità di far cambiare opinione
• meccanismo di selezione: abilità di scegliere un partner
• spesso è implicitamente definita come omofilia*
99venerdì 19 luglio 13

100. INTRODUZIONE
• Quindi il problema è l’effetto dei legami a lungo raggio:
• favoriscono l’omologazione?
• favoriscono la diversità?
• terza possibilità: entrambe le cose!
• Dipende dagli assunti a livello micro riguardo
alla valenza dell’interazione sociale: esploriamo
questa possibilità con un modello ad agenti
100venerdì 19 luglio 13

101. INTRODUZIONE
• Interazione sociale, ovvero influenza sociale e
selezione:
• può essere positiva o negativa:
• positiva: assimilazione dei e attrazione verso i
simili
• negativa: differenziazione da e xenofobia
verso i diversi
• Nelle ricerche su diffusione culturale, delle
innovazioni, dell’evoluzione di norme la possibilità che
l’interazione sociale possa avere una valenza negativa
non viene considerata
• Proviamo quindi a simulare una rete e testare un
meccanismo di interazione che preveda entrambe le
possibilità, manipolando la struttura di rete per
introdurre o meno legami a lungo raggio
101venerdì 19 luglio 13

102. INTRODUZIONE
• Perché ABM?
• le relazioni dinamiche che andiamo a modellare sono troppo complesse per
indagarle in modo analitico
• inoltre, aggiungiamo la struttura di rete a complicare i calcoli
• Risultati (anteprima):
• l’impatto dei legami a lungo raggio dipende dalle ipotesi di interazione a livello micro
(valenza positiva o negativa dell’interazione)
• se la valenza dell’interazione è positiva, emerge l’integrazione
• se la valenza dell’integrazione è negativa, la divisione è esacerbata
102venerdì 19 luglio 13

103. -0.9899 -0.4345
IL MODELLO
0.23232 0.32323
i j
K = 2 K = 2
-1≤s≤1 -0.3244 0.5416
K = 4
0.89898 -0.3456
K = 4
wij = wji
state 1 state 2 state 1 state 2
103venerdì 19 luglio 13

104. AGGIORNARE I PESI
i
-1≤wij≤1
s1 = 0.23232
s2 = 0.32323
s1 = 0.89898
s2 = -0.3456
0≤wij≤1wij=0.33225
j
104venerdì 19 luglio 13

105. AGGIORNARE LE OPINIONI
105venerdì 19 luglio 13

106. DISCONNECTED CAVEMAN GRAPH
Cave 1 Cave 2
106venerdì 19 luglio 13

107. SCHEDULING
• Update asincrono di stati e pesi per evitare artefatti
• ad ogni passo, un agente è estratto casualmente
• l’agente scelto seleziona se aggiornare uno stato o i pesi
• gli agenti sono estratti con reimmissione
• un ciclo del modello è esresso nel numero di iterazioni
• una iterazione corrisponde a N ticks, con N = 100
107venerdì 19 luglio 13

108. POLARIZZAZIONE
• La polarizzazione misura quanto la popolazione sia equamente
divisa in due fazioni massimamente diverse
• Distanza tra le opinioni di due agenti:
• Polarizzazione a livello di popolazione:
•
108venerdì 19 luglio 13

109. RISULTATI
109venerdì 19 luglio 13

110. RISULTATI
110venerdì 19 luglio 13

111. DISCUSSIONE
• La ricerca sulle reti small world suggerisce che i legami a lungo
raggio possano promuovere l’integrazione culturale
• questo modello dimostra come tale risultato dipenda da
assunti a livello micro: l’interazione può avere anche valenza
negativa?
• I legami a lungo raggio, in questo caso, contribuiscono a
diffondere polarizzazione culturale invece di integrazione
111venerdì 19 luglio 13

112. ADESSO PROVIAMOCI NOI...
• Apriamo NetLogo... ;)
112venerdì 19 luglio 13

113. TWO APPLICATIONS
113venerdì 19 luglio 13

114. NetArg
114venerdì 19 luglio 13

115. Agent reasoning and interaction
A B C
D E
A B C
D E
A1's)Argumenta2on)Framework A2's)Argumenta2on)Framework
DE
A1)says:
ED
A2)does)not)trust)A1)and)rebuts:
A B C
D E
A1)trusts)A2)and)revises)its)AF:
115venerdì 19 luglio 13

116. Experiments…
! No weak ties
0 50 100 150 200 250 300
0.000.020.040.060.080.10
(a)
ticks
polarization
o
o
o
o
o
trust 0
trust 0.2
trust 0.5
trust 0.8
trust 1
! Weak ties
0 50 100 150 200 250 300
0.000.020.040.060.080.10
(b)
ticks
polarization
o
o
o
o
o
trust 0
trust 0.2
trust 0.5
trust 0.8
trust 1
116venerdì 19 luglio 13

117. TwitterArg
! Microdebates = Debates on Twitter
! Can users argue better for their own reasons if they can
better the others’ reasons?
! Simple syntax that allows us to visualize contrasting
positions in a microdebate
! Re-tweet increases support to opinions
117venerdì 19 luglio 13

118. REFERENCES:
• Axelrod, R. M. (1997).The complexity of cooperation: agent-based models
of competition and collaboration. Princeton, N.J.: Princeton University Press.
• Axelrod, (1997), The Dissemination of Culture: a Model with Local
Convergence and Global Polarization, Journal of Conflict Resolution, 41: 2,
203-226
• Epstein, J. M. (2006). Generative Social Science: Studies in Agent-Based
Computational Modeling. Princeton University Press.
• Erdős, P and Rényi,A: On Random Graph, Publ. Math. Debrecen, (1959)
• Falche,A and Macy, M, (2011) Small worlds and cultural polarization, Journal
of Mathematical Sociology, 5: 1-3, 146-176
• Granovetter, M.: The strength of weak ties: a network theory revisited.
SociologicalTheory 1, 201–233 (1983)
• Gilbert, G. N. and K. G.Troitzsch (1999). Simulation for the social scientist.
Buckingham: Open University Press.
• Hedström, P. (2006).Anatomia del sociale. Milano: Bruno Mondadori.
• Hummon, N.P. and Fararo, T. J., Actors and Networks as Object, Social
Networks 17 (1995) 1-26
• Macy, M. W. and R. Willer (2002, August). From factors to actors:
computational sociology and agent-based modeling. Annual Review of
Sociology 28, 143–166.
• Manzo, G. (2007). Variables, mechanisms and simulations: can the three
methods be syntesized. Revue Française de Sociologie 48(5), 35–71.
• Nowak, Szamrej and Latané (1990), From Private Attitude to Public
Opinion: a Dynamic Theory of Social Impact, Psychological review, 97: 3,
362-376
• Squazzoni, F. (2013).Agent-based computational sociology. Springer.
• Terna, P. (1998). Simulation tools for social scientists: building agent based
models with swarm. Journal of Artificial Societies and Social Simulations
vol. 1, n. 2.
• Watts, D.J., Strogatz, S.H.: Collective dynamics of small-world networks.
Nature, 393, 440–442 (1998)
118venerdì 19 luglio 13

119. GRAZIE PER LAVOSTRA
ATTENZIONE!!!
mailto: simone.gabbriellini@unibo.it
119venerdì 19 luglio 13