Агентные нулевые модели для анализа социальных взаимодействий: методология и применение

Введение в анализ социальных взаимодействий

Социальное взаимодействие является движущей силой в формировании мнений, убеждений и поведения. Понимание того, как возникновение и эволюция социальных структур, таких как нормы и идентичности, зависит от социального взаимодействия, представляет собой важное направление исследований в социальной психологии, социологии, экономике и смежных дисциплинах. Хотя существует большой интерес к пониманию возникновения через социальное взаимодействие различных установок и моделей поведения, таких как нормы, социальное влияние, взаимность, групповая сплоченность и т.д., взаимодействие было трудно наблюдать в экспериментально контролируемых условиях.

Это препятствие преодолевается несколькими группами, разрабатывающими программные платформы для проведения экспериментов в сетях с взаимодействием, включая VIAPPL (Virtual Interaction APPLICATION), Breadboard и HuGoS среди других. Особый интерес представляет природа взаимодействий между участниками и на групповом уровне с течением времени. Такие взаимодействия генерируют данные временных сетей, то есть сетей, где индивиды связаны в данный момент времени, если они взаимодействовали, и эти сети могут быть взвешены по частоте взаимодействий.

Проблемы статистического анализа

Хотя ключевая причина изучения этих социальных систем - ожидание, что поведение участников является как социально, так и временно зависимым, наличие такой зависимости явно нарушает предположения о независимости многих классических статистических процедур, таких как линейная регрессия. То есть расчетные стандартные ошибки (и, следовательно, p-значения) обычно будут недействительными. Несмотря на этот факт, было обнаружено, что линейная регрессия все же может быть уместна для некоторых форм сетевых данных.

Мотивирующий пример: платформа VIAPPL

В качестве motivating example (мотивирующего примера) временных данных социального взаимодействия, используемого на протяжении всей этой статьи, мы рассматриваем экспериментальные данные, собранные с использованием VIAPPL - Виртуального приложения для взаимодействия. VIAPPL - это новая программная среда, которая позволяет проводить контролируемые эксперименты по социальному взаимодействию, позволяя изучать, как социальные структуры emerge (возникают) со временем через социальное взаимодействие.

Участники или игроки в этих экспериментах появляются в виде аватаров в виртуальной "игре", где они распределяются по группам и взаимодействуют друг с другом, обмениваясь "жетонами" в течение нескольких раундов. Эти жетоны могут быть описаны участникам как очки или могут иметь реальную денежную стоимость в зависимости от целей эксперимента. Однако игра не является соревнованием как таковым, и игрокам не дается никаких ожиданий относительно игры, кроме информации о том, что они будут размещены в группах и будут обмениваться жетонами друг с другом.

Экспериментальный дизайн

В этой статье мы рассматриваем игры, аналогичные исследованиям минимальных групп Таджфела и его коллег, которые показали, что распределение участника в произвольную группу достаточно для индуцирования внутригрупповой предвзятости. Игры VIAPPL сохраняют простоту этих классических исследований минимальных групп, но добавляют социальное взаимодействие в течение серии раундов.

В этих дизайнах игроки случайным образом распределяются в одну из двух групп в начале эксперимента и взаимодействуют/общаются только через обмен жетонами. В каждом раунде игроки выбирают аватар игрока, которому они хотят allocate (назначить) один из своих жетонов; они также могут выбрать себя, что может быть попыткой сохранить свой баланс жетонов или просто решением не взаимодействовать с другими.

Методология моделирования

Как описано во введении, индивидуальные взаимодействия являются ключом к формированию и воссозданию норм, и, таким образом, мы моделируем эти данные, рассматривая обмены жетонами между парами индивидов как переменную отклика. Более конкретно, мы определяем Y_ijt как количество жетонов, которые игрок i получил от игрока j до и включая раунд t.

Игроки VIAPPL дают и получают жетоны и размещаются в группах, и, следовательно, две фундаментальные нормы, которые могут возникнуть в игре VIAPPL, это: реципрокность (обмены между парами игроков) и внутригрупповой фаворитизм (обмены между игроками внутри одной группы). Более generally (вообще), можно определить любой другой критерий для изучения того, развивается ли он значительно в ходе игры, и тогда это можно было бы назвать "нормой". Однако в этой статье мы сосредотачиваемся на двух фундаментальных нормах VIAPPL (реципрокность и внутригрупповой фаворитизм), рассматривая модель:

Y_ijt = α_t + ρ_tY_jit + γ_tG_ij + ε_ijt, i ≠ j

где Y_jit - количество жетонов, которые игрок i дал игроку j до и включая раунд t, G_ij - бинарная переменная, такая что G_ij=1 указывает, что игроки i и j находятся в разных группах, а ε_ijt - член ошибки.

Агентные нулевые модели

В этом типе данных социального взаимодействия существуют зависимости, которые делают недействительными классические предположения моделирования о независимости. В частности, существует высокая связность между небольшим количеством игроков, участвующих в одной игре, и количество взаимодействий ограничено. Поэтому выводы, основанные на результатах стандартных методов, скорее всего, будут недействительными.

Более того, наша основная цель - изучить extent (степень), в которой наблюдаемое поведение игроков отличается от определенных нулевых моделей, представляющих интерес, таких как случайное распределение жетонов всеми игроками. Использование нулевых моделей довольно распространено в сетевом анализе и использовалось при анализе онлайн-влияния и эволюции мнений, но не так prevalent (распространено) в социальной психологии.

Мы реализуем нулевые модели, представляющие интерес, используя agent-based models (агентные модели) для генерации синтетических игр. Например, нулевая модель случайного распределения представляет особый интерес, поскольку она представляет случай, когда взаимодействия игроков не driven (движимы) социальными нормами взаимности и внутригруппового фаворитизма.

Результаты и анализ данных

Чтобы продемонстрировать нашу методологию, мы рассматриваем данные, собранные из 4 экспериментов VIAPPL, в каждом из которых была разная группа из 14 участников (всего 56 участников). Эксперименты проводились в Университете Квазулу-Натал, Южная Африка. В играх было по 2 группы из 7 игроков, и каждый игрок начинал с 40 жетонами.

Разведочный анализ

Прежде чем применять предложенный подход моделирования к данным, мы сначала проводим некоторый разведочный анализ, чтобы получить первоначальное представление. На рисунке 3 показана доля жетонов, которые игроки получили от своей группы, внешней группы и от себя к концу игры. Интересно, что игроки получают в среднем как минимум в два раза больше жетонов от своей группы, чем от внешней группы.

Диаграммы рассеяния на рисунке 5 показывают взаимосвязь между количеством полученных жетонов и количеством отданных жетонов к концу игры, разделенные по группам. Точки tend (имеют тенденцию) быть ближе к диагонали в случае внутригрупповых обменов, что указывает на то, что игроки reciprocate (взаимодействуют по принципу взаимности) с членами своей собственной группы.

Модель для полной игры

Мы применяем линейную модель, описанную в разделе методологии, к полной игре, то есть к обменам до и включая финальный раунд (t=40). Отклик, Y_ij, - это количество жетонов, которые игрок i получил от игрока j на протяжении игры. Мы рассматриваем четыре модели, которые являются special cases (частными случаями) расширенной модели:

• Только эффект реципрокности (γ = δ = 0)
• Только групповой эффект (ρ = δ = 0)
• Аддитивные эффекты реципрокности и группы (δ = 0)
• Взаимодействующие эффекты реципрокности и группы

Значения R² для этих четырех моделей в каждой из четырех игр показывают, что модели с аддитивными эффектами имеют большие значения R², чем модели только с одним из двух эффектов, тогда как включение эффекта взаимодействия увеличивает R² в гораздо меньшей степени.

Визуализация сетей и выявление аномалий

Мы разработали более систематический, основанный на модели подход для идентификации аномалий путем оценки их влияния на коэффициенты модели, который может быть применен в любой из игр. Стандартная статистическая техника для идентификации влиятельных наблюдений - удалить наблюдение из набора данных, заново подогнать модель к этому уменьшенному набору данных и вычислить разницу между новыми и исходными коэффициентами.

В нашем контексте социальных данных взаимодействия простое удаление наблюдений изменяет структуру данных из-за взаимосвязанности этих наблюдений. Поэтому для определения влияния отдельного игрока на коэффициенты модели мы используем тот же подход, но с заменой одного игрока на агентного игрока, который раздает жетоны случайным образом.

Метрика влияния

Мы создаем полусинтетические игры, где все остается как в наблюдаемых данных, за исключением действий игрока i, который заменяется нулевым игроком, раздающим жетоны случайным образом. Для k-й полусинтетической игры мы подгоняем модель, чтобы получить измененные коэффициенты. Эти коэффициенты отображают кривую, которую можно сравнить с исходными кривыми.

Мы вычисляем расстояния между измененными и исходными кривыми с использованием нормы L₁ для каждой синтетической игры, а затем усредняем их по репликам синтетических игр, чтобы получить метрики влияния. Значения больше 1 указывают, что игрок i более влиятелен, чем средний игрок.

Сетевые визуализации

На рисунке 10 представлена визуализация в виде сетевой диаграммы, которая provides (предоставляет) альтернативный взгляд на то, как отдельные игроки contribute (вносят вклад) в агрегированное нормативное поведение. Это взвешенная сеть, построенная на основе общего количества обменов жетонами между парами игроков (в любом направлении) к концу игры.

Из сетевой диаграммы мы получаем представление о том, какие конкретные игроки взаимодействовали по принципу взаимности друг с другом, уровне внутригруппового или внешнегруппового обмена и о том, насколько необычны игроки на основе их показателя влияния. Макет сети был сгенерирован с использованием алгоритма Fruchterman-Reingold в пакете igraph в R.

Обсуждение и выводы

Мы представили подход моделирования, подходящий для онлайн-интерактивных социальных экспериментов, который использует направленную сеть для сравнения с подходящими нулевыми моделями. Наш подход указывает на то, что внутригрупповой фаворитизм является prominent (заметным) нормативным поведением, которое возникает с самого начала игры. Мы также обнаружили, что игроки имеют тенденцию к взаимности, и это поведение становится более выраженным по мере развития игры.

Интересно, что расчетные групповые эффекты и эффекты взаимности quite similar (довольно похожи) в 3 из 4 игр. Однако одна из игр дала quite different (совершенно другие) результаты по сравнению с остальными. Мы показали, что это было в основном due to (из-за) двух игроков из разных групп, которые взаимодействовали по принципу взаимности друг с другом на протяжении большей части раундов игры.

Перспективы применения методологии

Хотя VIAPPL является нашим мотивирующим примером и focus (фокусом) для этой статьи, методология, которую мы предложили, может быть использована для любого вида данных социального взаимодействия. Наш предложенный подход может быть применен независимо от ограничений и взаимозависимостей в данных, что полезно, когда стандартные предположения моделирования не выполняются.

Использование агентных нулевых моделей делает этот подход особенно подходящим для сценариев, где данные производятся в соответствии с некоторым процессом, основанным на правилах. Однако это не препятствует его использованию в других settings (настройках), как только подходящая агентная модель определена для изучаемого сценария. Поэтому мы ожидаем, что общий подход, принятый в этой статье, может быть применен в различных областях.

Важное заключение: Предложенная методология позволяет анализировать сложные социальные взаимодействия в условиях, когда классические статистические подходы неприменимы из-за зависимостей в данных.