La coesione in un network sociale simulato: il ruolo della struttura

Transcript

1 Associazione Italiana di Sociologia - Sezione di Metodologia Esplorare la coesione sociale: teorie, ipotesi, modelli, tecniche di analisi dei dati Trento, Facoltà di Sociologia, giugno La coesione in un network sociale simulato: il ruolo della struttura Dott. Simone Gabbriellini PhD Student simone.gabbriellini@sp.unipi.it Introduzione Secondo Herbert Simon le scienze sociali sono, nei fatti, le scienze hard, sia perché molti processi sociali crucialmente importanti sono complessi, sia perché è difficile sottoporre a test le ipotesi relative ai legami tra comportamenti individuali e regolarità a livello macro, sia perché i modelli usati come l agente razionale, un individuo perfettamente informato con capacità di calcolo illimitata che massimizza una certa funzione esogena di utilità (non soggetta a evoluzione) hanno poche relazioni con gli esseri umani, sia infine perché tutte le precedenti difficoltà soffrono l ulteriore limitazione di ignorare le dinamiche temporali. L uso di modelli per capire il mondo sociale è prassi tradizionalmente accettata, e i sistemi di simboli a disposizione del ricercatore sociale sono tradizionalmente due: il più familiare è l argomentazione verbale, il più formale quello matematico. Ma i modelli statistici e matematici, per essere fruibili, ci impongono di limitare il loro livello di complessità, onde evitare di avere a che fare con equazioni analiticamente non trattabili. Di queste limitazioni soffre in particolare la modellizzazione di fenomeni che implicano relazioni non-lineari: in questo caso, gli indubbi vantaggi del formalismo matematico vengono meno, ed i modelli perdono di aderenza con la realtà, dato che la soluzione scelta spesso non è altro che semplificare gli assunti portanti come quando gli economisti parlano di consumatore razionale, costruzione idealtipica, nelle parole di Pareto reale né più né meno [...] delle linee o delle superfici del matematico (Pareto, 1996, p. 108). Il rischio che consegue da tutto questo è quello di sviluppare teorie potenzialmente fuorvianti (Gilbert Terna, 1999). La simulazione via computer, definita anche modellazione computazionale, consiste nel rappresentare un modello come un programma per computer (Gilbert, Terna, 1999). Essa è una originale forma di unione tra costruzione di modelli e computazione, necessaria per rispondere alla domanda su come, dato un sistema composto da molti sottosistemi interagenti, si

2 possano formulare i sottosistemi e le loro interazione per riprodurre in modo appropriato la dinamica globale del sistema (Terna, 1998b). In altre parole, l obiettivo del ricercatore che usa le simulazioni, una volta definite le capacità cognitive e sensoriali dell agente, le azioni che questi possono compiere e le caratteristiche dell ambiente in cui si muovono, una volta settato lo stato iniziale del sistema, ed osservato quello che succede quando la simulazione gira, è quello di ricercare fenomeni emergenti dall interazione degli agenti, ovvero pattern di interazione a livello macro, di sistema, non direttamente predicibili da considerazioni sulle capacità computazionali degli agenti (Gilbert, Terna, 1999, p. 8, trad. nostra). Simulare è dunque un modo per fare esperimenti mentali: mentre gli assunti possono essere semplici, le conseguenze potrebbero non essere così ovvie (Axelrod, 2003). Gli effetti su larga scala dell azione locale degli agenti sono chiamate proprietà emergenti del sistema. Una definizione formale di emergenza definisce un fenomeno come emergente se per essere descritto esso necessita dell uso di nuove categorie non necessarie per descrivere il comportamento dei componenti ad un livello di complessità inferiore (in questo caso gli agenti ) (Gilbert Terna, 1999, p. 8, trad. nostra.). Non solo, ma nel mondo sociale gli individui possono riconoscere, ragionare e reagire alle strutture emergenti che essi stessi hanno creato: capire questa peculiarità della società degli uomini, conosciuta come emergenza di secondo livello (Gilbert 1995), riflessività (Woolgar 1988) e doppia ermeneutica, è la chiave per capire le potenzialità dei modelli computazionali (Gilbert, Terna, 1999, p. 9, trad. nostra). Usare simulazioni basate su agenti dalla cui interazione ci aspettiamo l emergenza di comportamenti porta a confrontarsi con la corrente dell individualismo metodologico, secondo cui tutte le proposizioni circa i gruppi sono riconducibili a proposizioni circa il comportamento dei singoli facenti parte di quei gruppi e le loro interazioni (Terna, 1998b, p. 4). Il punto di partenza in entrambi i casi è l individuo: costruiamo degli agenti a cui attribuiamo delle regole di comportamento, facendoli poi interagire per un certo tempo, attendendo l emergenza a livello macro di strutture di interazione. Sicuramente l attendere che il tutto si sviluppi dai singoli, è un presupposto che ben si accorda con l individualismo metodologico, tuttavia: noi condividiamo le posizioni di alcuni dei componenti del filone individualista se ed in quanto si ritenga che le strutture collettive o istituzioni che emergono possano avere effetti di retroazione nella popolazione di agenti, alterando il comportamento degli individui. Dunque, le simulazioni ad agenti si discostano dall individualismo metodologico quando affermano che la modellazione dell agente è solo una tappa nel processo di simulazione: una volta deciso il framework cognitivo dell agente, una volta modellati i metodi di interazione e l ambiente, ancora non sappiamo nulla e mai sapremo nulla del sistema nel suo complesso, fino a che non cominceremo la simulazione. Per l individualismo metodologico l individuo è la chiave per capire la società, per le simulazioni gli agenti sono solo una parte, importante, 2

3 ma non sufficiente per conoscere il sistema: occorre far interagire gli agenti, ovvero inserire la dimensione temporale nel modello. Inoltre le emergenze che osserviamo sono strutture sì nate dall interazione degli individui, ma allo stesso tempo detentrici di un effetto di ritorno sugli stessi; le simulazioni ci mettono in grado di studiare questa doppia interazione, questa processo di co-costruzione tra agenti semplici ed eterogenei e strutture emergenti che comunque, una volta emerse, non vengono accantonate, ma restano in gioco nel sistema e contribuiscono a modificarlo: ed è in questo che consiste l originalità della sperimentazione artificiale con modelli di simulazione fondati su agenti, una originalità che ci permette di implementare quella circolarità tra attore, struttura e relazione così fortemente espressa dalla Social Network Analysis (Salvini, 2005). Al di fuori della dimensione temporale dell interazione non è possibile nè osservare nè determinare l esistenza di comportamenti emergenti, nè infine valutare il loro effetto di retroazione sul comportamento degli agenti/attori: "[...] individualismo metodologico e metodologie fondate su modelli di agenti non sono dunque coincidenti. Con i modelli fondati su agenti si studia l emergenza di strutture, istituzioni e comportamenti a priori imprevisti e imprevedibili (Terna, 1998b, p. 4). Dunque: no al riduzionismo dell individualismo metodologico, che tenta di riprodurre la complessità del sistema direttamente negli agenti, complicando gli agenti all estremo, sovraccaricandoli di ipotesi e capacità; no all organicismo, che considera non praticabile la strada degli agenti perché non ritiene che esistano a quella scala strutture adatte a riprodurre la complessità del reale; sì ad agenti costruiti con parsimonia di mezzi, cercando nell interazione e in strutture ex ante o emergenti la strada per produrre situazioni complesse paragonabili a quelle reali (Terna, 1998b, p. 5). L approccio simulativo è tanto più importante in sociologia, quanto meno in questa disciplina è possibile usare la tecnica del reverse engeneering per capire perché determinate strutture o comportamenti vengono osservati nei sistemi sociali presi in esame. Il reverse engeneering è una tecnica adatta a ricavare informazioni da sistemi complicati, che procede a ritroso a smontare pezzo per pezzo il tutto riducendolo alle parti. La stessa operazione nei sistemi complessi non porta a nessun risultato per il fatto stesso che, sotto determinati livelli di complessità, i fenomeni cui siamo interessati semplicemente non emergono, senza che si possa determinare con esattezza cosa li abbia fatti sparire. La simulazione presentata in questo paper rappresenta il punto di partenza di un progetto più ampio volto a modellare un meccanismo di diffusione dell innovazione in una comunità online di giocatori di ruolo. Queste comunità vivono in un contesto sociale estremamente interconnesso e strutturato, di cui noi abbiamo analizzato una parte relativamente circoscritta, formata da una cosiddetta gilda (ne esistono moltissime all interno di un singolo gioco), ovvero un gruppo di giocatori che, come in una società di mutuo soccorso e supporto, creano 3

4 strategie condivise e si dividono il lavoro al fine di sopravvivere e, con un po di fortuna e abilità, diventare importanti nel gioco. Nel caso specifico, l innovazione è rappresentata dall introduzione di un nuovo gioco, ed il meccanismo a cui siamo interessati consiste nella costruzione e diffusione all interno della comunità del consenso a lasciare il vecchio gioco e passare al nuovo. L idea di costruire un modello teorico che possa rendere conto del fenomeno nasce da una evidenza empirica: spesso i giocatori online preferiscono abbandonare un gioco, per quanto amato, pur di continuare a giocare con i propri compagni che hanno deciso di migrare verso un gioco considerato, per i più svariati motivi, più appetibile. Conferme di questa evidenza empirica arrivano da interviste intercorse sia con alcuni membri della comunità oggetto di studio, sia con esperti di settore come J.C. Hertz e Raph Koster (dati). Esiste dunque una vera e propria costruzione del consenso all interno di queste comunità? E se sì, quanto è importante la struttura di rete che i membri hanno sviluppato? In questo paper ci fermeremo a considerazioni teoriche in relazione all impatto che, in un modello molto semplice, una struttura di network può avere, rispetto ad altre, sulla diffusione di una nuova idea, in un contesto di simulazione di una società artificiale tarata sulla specifica comunità online per caratteristiche macro come l ampiezza, il numero di legami presenti ed il numero di innovatori presenti nella rete. Tramite il modello di simulazione vogliamo esplorare l influenza che il cambiamento di determinati parametri a livello micro e macro può generare sulla coesione della rete, esemplificata nel modello dalla condivisione dei nodi di una stessa idea. È bene precisare che siamo consapevoli del fatto che faremo ricorso a semplificazioni sia per quanto riguarda il concetto di relazioni sociali, che per quanto riguarda le possibili quanto complesse interazioni tra coppie di individui nella realtà. Anche le reti sociali cui faremo riferimento saranno semplificazioni rispetto a quelle (multiple) realmente operanti nella vita dei soggetti. 4

5 Il modello Un modello di simulazione ad agenti è composto, appunto, da agenti, ovvero da simulacri, nel nostro caso, di attori sociali. In quanto rappresentazione di attori reali, viene spontaneo chiedersi quanto debbano essere intelligenti gli agenti in una simulazione. L economista Pietro Terna, da un esame della letteratura esistente, ci dice che la risposta a questa domanda oscilla dal principio di semplicità massima di Axelrod all uso di agenti in framework BDI (Beliefs, Intentions, Desires) (Terna, p. 1, trad. nostra), questi ultimi discussi recentemente anche dal sociologo Peter Hedstrom (2007). L emergenza di fenomeni a livello macro viene osservata in entrambi i casi. Tuttavia, il modeling dell agente è un aspetto fondamentale. È possible scegliere tra due approcci distinti, di cui il secondo consiste in una estensione del primo: possiamo creare mondi virtuali pieni di agenti tutti identici, o classificati in tipi, ognuno diverso dall altro, ma internamente dello stesso tipo, seguendo un modello non naturalistico; oppure possiamo creare mondi artificiali in cui si evolve vita artificiale, popolati di agenti unici, diversi uno dall altro per caratteristiche, risposte agli stimoli, capacità di interazione con l ambiente, ecc... Il primo tipo di agente tende a non modificarsi nel tempo: vive in un ambiente simbolico che poco incide sul suo comportamento. Il secondo tipo di agente, invece, tende a differenziarsi dai propri simili per una struttura interna che gli è propria, e che si forma dall interazione di quel particolare agente con l ambiente, struttura necessariamente diversa da quella di un altro agente. Questo paper sviluppa il primo dei due modelli ed intende con esso esplorare le conseguenze di differenti strutture relazionali sul mantenimento di determinati livelli di coesione sociale, coesione simulata a partire dal consenso (condivisione di una medesima idea) sviluppato nel tempo e generato da due caratteristiche micro: l influenza che un agente esercita sugli altri e il numero di connessioni che legano gli agenti tra loro (Figure 1). Coesione Consenso Influenza Connettività Tempo Figure 1 Meccanismo di coesione sociale 5

6 Le struttture sociali e i comportamenti di gruppo nascono da regolarità e pattern relazionali stabili prodotti dalle interazioni tra individui. La sopravvivenza di tali strutture dipende dallo scambio di informazioni che avviene sulle connessioni, grazie alle caratteristiche degli individui (capacità di attirare l attenzione, leadeship, bisogno di riconoscimento, ecc ). Per coesione sociale intendiamo l interconnessione mediante legami socializzanti attraverso cui un gruppo condivide obiettivi e orientamenti di comportamento. L importanza di questa strategia evolutiva implica che gli individui di un gruppo sviluppino obiettivi comuni (consenso), grazie allo scambio di informazioni (connessioni). Le connessioni tra individui e l influenza di un individuo sugli altri sono dunque fondamentali per creare e mantenere una rete sociale. I livelli di influenza reciproca per generare consenso e di connettività degli individui per rendere possibile la comunicazione giocano un ruolo fondamentale nel generare coesione sociale. A questo aggiungiamo che la coesione sociale dipende anche dal fatto che un gruppo rimanga in accordo per un lungo tempo. Definiamo dunque la coesione come consenso nel tempo. Il modello di simulazione è stato implementato incorporando le caratteristiche illustrate in Figure 1 del modello teorico. Le reti sono state costruite con legami non orientati. Ogni nodo possiede tre proprietà fondamentali: - grado: ovvero l ampiezza del proprio vicinato; - influenza: un numero generato casualmente tra 0 e 1 che rappresenta la capacità di un nodo di influenzare gli altri; - idea: ovvero un valore booleano (0 / 1) che rappresentasse il possedere una idea vecchia (0 e colore blu) oppure una nuova (1 e colore rosso). Si possono scegliere tre setup diversi, ma tutti inizializzano la rete con nodi dal colore blu con idea 0, dei quali una certa percentuale, settata dal ricercatore attraverso lo slider innovatori, viene convertita in nodi con colore rosso e idea 1, in modo casuale, ovvero scegliendo a caso tra i nodi presenti nella rete, indipendentemente da qualsiasi loro caratteristica. L unica differenza tra i tre setup è la trama con cui i nodi vengono collegati: una tessitura casuale, una di piccolo mondo, ed una ad invarianza di scala. Ne conseguiranno diverse distribuzioni di grado. Per quello che riguarda la variabile influenza, essa è distribuita casualmente tra i nodi, indipendentemente dal loro grado. L implementazione del modello di simulazione incorpora le seguenti caratteristiche di interfaccia: - numero di nodi: variabile che permette di settare l ampiezza della rete; 6

7 - tipologia di rete: variabile che permette di settare tipologie di rete tra Random Graph, Small World, Scale-Free, ad ognuna delle quali corrispondono differenti distribuzioni dei legami, e conseguentemente differenti distribuzioni dei gradi dei nodi; o per i Random Graph, il modello incorpora la variabile linkprob che definisce la probabilità (bernoulliana) di esistenza di un link tra due nodi; o per gli Small World, il modello incorpora invece la variabile rewiringprobability grazie alla quale possiamo introdurre quantità di caso all interno della distribuzione ordinata del grafo; - numero innovatori: variabile che permette di settare il numero di innovatori presenti all interno della rete (riconoscibili dal fatto di essere colorati in rosso, anziché in blu); - anzianità: variabile che permette di settare l incremento di influenza legato al numero di tick trascorsi per i nodi con grado più elevato nel proprio vicinato; - benefits: variabile che permette di settare un bonus per incrementare il potere persuasivo di un nodo nei confronti degli altri; - Degree diffusion monitor: istogramma che visualizza la distribuzione del grado dei nodi; - Idea diffusion monitor: line-plot che rappresenta il numero di attori blu e il numero di attori rossi, ovvero il numero di attori normali ed il numero di attori convertiti dagli innovatori; - Densità: calcola e visualizza la densità della rete; - Number of links: calcola e visualizza il numero di link presenti nella rete; - Clustering coefficient: calcola e visualizza il coefficiente di clusterizzazione della rete; - Path Length: calcola e visualizza la lunghezza media dei percorsi della rete; - Inizia la simulazione: pulsante che avvia la simulazione. Quando il procedimento inizia, ogni nodo blu controlla se nel proprio vicinato vi siano innovatori rossi. Per poter essere persuasi a cambiare idea, occorre che l innovatore presenti delle caratteristiche precise, legate sia alla capacità di persuasione che all importanza misurata come grado, espressione di centralità del nodo nella rete. Vogliamo costruire un meccanismo in cui, a parità di grado, se il nodo rosso è più influente del nodo blu, lo convincerà o viceversa; altrimenti, a parità di influenza, vincerà chi ha grado più elevato. Formalizziamo il ragionamento dicendo che: chi-vince = grado * influenza Se il nodo blu ha un innovatore nel proprio vicinato con un valore di chi-vince superiore al proprio, diventerà a sua volta un nodo rosso, cambiando la propria idea da 0 a 1. A loro volta, 7

8 i nodi rossi sono sottoposti allo stesso trattamento, in relazione al quale possono venire riconvertiti alla vecchia idea da un vicinato particolarmente resistente al cambiamento. Allo stesso tempo, ad ogni tick 1 del modello, la variabile influenza viene aggiornata grazie alla variabile anzianità : ogni nodo calcola il proprio grado e quello di ogni membro del proprio vicinato, e se risulta avere il grado più alto, incrementa la propria influenza, in considerazione del fatto di essere il soggetto più importante a livello locale. Ovviamente solo i nodi che posseggono un vicinato accedono a questa possibilità. In ultimo, la variabile benefits ci consente di incrementare l influenza di un convertito in modo da avere un controllo sulla forza della diffusione della nuova idea. Possiamo infine controllare l esito della diffusione dell innovazione grazie al grafico Idea Diffusion Monitor che mostra con una linea blu il numero di nodi con idea 0 e con una linea rossa il numero di nodi con idea 1. Il modello è disponibile online all indirizzo 1 8

9 Risultati Un modello ad agenti consite in agenti individuali, comunemente implementati come oggetti software. L agente-oggetto ha stati interni e regole di comportamento. Far girare il modello significa istanziare un certo numero di agenti (una popolazione), lasciarli interagire, e monitorare quello che succede. Eseguire il modello lasciandolo evolvere nel tempo è tutto quello che occorre per risolverlo (Axtell, 2000, p. 3, trad. nostra). Abbiamo settato i parametri per avere una rete di 100 nodi (più o meno la dimensione media della comunità online di giocatori studiata nel suo primo periodo di sviluppo 98 partecipanti) con una media di 400 legami (contro i circa 430 rilevati dal forum di discussione del gruppo sempre in relazione al primo periodo di sviluppo della comunità), ed una conseguente densità di 0.09 circa. Con questi parametri abbiamo sottoposto a test tre differenti strutture di rete, Random Graph, Small World e Scale Free, cercando di capire le differenti risposte che ognuna di esse è in grado di produrre in termini di diffusione della nuova idea. Settando a zero le variabili anzianità e benefits, e variando il numero degli innovatori (1, 2, 3, 4, 5) i risultati delle simulazioni mostrano una situazione (Figure 2) univoca per tutte e tre le tipologie di rete: i nodi mantengono il consenso intorno all idea 0, e, tralasciando brevi perturbazioni all interno di alcuni singoli run, in nessuna delle 100 prove per modello abbiamo osservato uno scostamento da questo dato. L unica piccola eccezione la offre la rete SF, probabilmente in relazione al fatto che all aumentare del numero degli innovatori aumenta anche la probabilità che uno degli hub della rete venga selezionato per essere un innovatore. Figure 2 Media variabile "innovatore" 9

10 Abbiamo settato poi il numero degli innovatori al 4%, riprendendo un valore dalla comunità online studiata, e abbiamo successivamente variato il parametro anzianità nell intervallo : il risultato in Figure 3 mostra chiaramente come questo parametro, che modifica l importanza del nodo in relazione al proprio vicinato, non modifica lo stato di polarizzazione della rete. Figure 3 Media variabile "anzianità" Anche questa volta, solo la rete SF mostra una seppur debole tendenza a cambiare idea. Quando, al netto della variabile anzianita, testiamo diversi valori (0.2, 0.3, 0.4, 0,5) di benefit, ci accorgiamo di un primo risultato interessante (Figure 4) certamente imputabile alle diverse strutture di rete. Figure 4 Media variabile "benefit" 10

11 Su 100 run di 800 tick l uno per ogni valore testato, la rete RG dimostra una tendenza spiccata al rifiuto dell innovazione (83%), con una percentuale del 13% di run terminati in una conversione, ed un 4% di run terminati in una rete, per così dire, spaccata in due. La rete SW offre minori possibilità di diffusione dell innovazione (3%), ma un più elevato numero di run terminate nell incertezza di una popolazione di nodi divisa più o meno a metà (6,75%). Dal punto di vista invece della rete SF, notiamo come essa, pur avendo esiti per il 78,25% negativi verso l innovazione, offre un 21,25% di esiti positivi all innovazione, e, e questo è il dato interessante, nessun esito incerto: esiste sempre almento un 70% di nodi che decide da che parte stare. Se proviamo a combinare insieme le variazioni delle due variabili, benefits e anzianità, otteniamo un risultato ancora una volta interessante (Figure 5): non solo osserviamo che la rete SF è l unica a non presentare esiti incerti alla fine di ogni ciclo di simulazione, ma anche che è decisamente quella che offre maggiore resistenza al cambiamento (solo 22,5%). Figure 5 Media variabile "benefits" + "anzianità" La rete SW ancora una volta è quella che dimostra il maggior numero di occorrenze di incertezza (10,9%) e una quasi parità di esiti conservatori e innovatori (42,8% contro 46,3%); la rete RG dimostra il comportamento decisamente più innovatore (53%), contro un 42,8% di esiti resistenti al cambiamento ed un 4,2% di risultati incerti. In Figure 6 possiamo osservare l evoluzione media (variando benefit e anzianita ) di un RG per 10 run di 800 cicli: prevale l innovazione, anche se l andamento delle due linee risulta lievemente incerto, ad indicare una situazione di equilibrio instabile. In Figure 7 vediamo invece l evoluzione media di un SW: anche in questo caso prevale l innovazione e l equilibio 11

12 che si crea è lievemente instabile. Infine, in Figure 8 osserviamo l evoluzione media della rete SF: questa volta la tendenza conservatrice ha la meglio, così come la situazione di equilibrio che si crea è più stabile; notiamo infine come la forbice che separa la linea blu da quella rossa sia più ampia delle precedenti, ad indicare una maggiore distanza tra le due fazioni. Figure 6 Random Graph evolution Figure 7 Small World evolution 12

13 Figure 8 Scale Free evolution 13

14 Futuri sviluppi Il modello è stato pensato come scheletro fondamentale su cui innestare alcune espansioni, la più importante delle quali è costituita dal modo in cui i nodi decidono se adottare o meno la nuova idea. L idea attualmente in fase di valutazione è tarare la simulazione sulla base dei risultati empirici 2, ottenuti studiando la comunità online di giocatori, e usare la teoria dei giochi facendo giocare ad un nodo un classico dilemma del prigioniero con i nodi del proprio vicinato, secondo una matrice di payoff modellata sulle considerazioni dei giocatori online quando si trovano di fronte alla scelta di cambiare gioco o meno. Ipotizziamo, ma è facile farlo, che in questo contesto giochi un ruolo di fondamentale importanza il soggetto che propone il cambiamento, in relazione al grado di rispetto/considerazione che si è guadagnato all interno della comunità. Sebbene la considerazione possa sembrare banale, dobbiamo considerare che non è pacifico per tutti i ricercatori che le comunità online siano generatrici di legami reali : dunque, se così non fosse, come spiegare l influenza che il gruppo esercita sul singolo? Altro aspetto interessante, sempre legato al tarare empiricamente il modello di simulazione, è quello di rendere la rete dinamica, ovvero, sulla base dei dati rilevati dai forum di discussione della comunità online, di far nascere un nucleo a cui poi si aggiungeranno (e si staccheranno) un certo numero di nodi a intervalli temporali diversi, in modo che la rete artificiale simuli l evoluzione della rete reale anche in questo aspetto. Sarà allora necessario modellare un processo di attaccamento preferenziale dei nodi, anch esso sulla base di risultati empirici. Terzo, ma sicuramente non ultimo, aspetto da migliorare, è la possibilità considerare altre misure di rete per qualificare l importanza di un nodo nella struttura reticolare. Qui è stato usato il grado per semplicità, ma altre misure si candidano a nostro avviso come indicatori di centralità e prestigio, a partire dalla closeness per finire con misure come l information centrality o l eigenvector, tutte misure che non si fermano al semplice vicinato di un nodo, ma che e- stendono il computo oltre la distanza unitaria. Per quanto riguarda le misure propriamente dette di prestigio, dobbiamo ricordare che in questo caso avremo anche la necessità di inserire nel modello di simulazione la possibilità di produrre reti con archi direzionati. Infine, da testare il comportamento delle diverse strutture di fronte a più di due idee concorrenti. 2 Sappiamo che la comunità online in oggetto si struttura come uno scale-free network, con hub fortemente connessi e centrali per la creazione del consenso, e dunque probabilmente molto importanti, seguendo i risultati di Barabasi (citare), anche per la diffusione di una innovazione nella comunità. Attualmente è in corso una survey per controllare la robustezza di queste ipotesi. 14

15 Conclusioni (aperte) L obiettivo delle simulazioni in ambito sociologico è la ricerca delle dinamiche che portano alla comparsa di fenomeni emergenti nelle interazioni sociali all interno di un gruppo, e delle regole di concatenazione di queste relazioni. In questo contesto, abbiamo usato questa simulazione come aid intuition (Axelrod, 2003). Dai risultati sperimentali osserviamo che le reti RG e SW sono strutturalmente più aperte all innovazione, ma anche alla rottura, visto che per queste due tipologie di rete spesso si assiste ad esiti in cui la totalità dei nodi è pressochè spaccata su due fronti opposti: plausibilmente, reti di questo tipo tenderebbero a rompersi, con la probabile formazione di due (o più) comunità separate. La rete SF sembra non solo la più resistente al cambiamento, in virtù del fatto, sperimentalmente testato da Barabasi (2004), della resistenza agli attacchi che queste tipologie di rete mostrano di avere, ma anche quella che, grazie alla presenza degli hubs, produce un livello di consenso tra i membri sufficiente a convertire l intera (o quasi) rete, garantendone la sopravvivenza come comunità. È dunque plausibile supporre che, nella comunità online studiata, la struttura della rete faciliti, in quel percorso di co-costruzione reciproca tra struttura, azione e relazione, la formazione del consenso necessario affinchè la comunità in toto decida o meno di cambiare gioco. 15

16 Bibliografia Axelrod, R. (2003) Advancing the Art of Simulation in the Social Sciences, in Japanese Journal for Management Information System, Special Issue on Agent-Based Modeling, Vol. 12, No. 3. Axelrod, R. (1997) The complexity of cooperation, Princeton University Press. Axtell, R. (2000) Why agents? On the varied motivations for agent computing in the social sciences, Center on Social and Economic Dynamics Working Paper, n. 17. Barbera, F. (2004) Meccanismi sociali. Elementi di sociologia analitica, il Mulino, Bologna. Barabasi, L. (2004) Link. La nuova scienza delle reti, Einaudi, Torino. Boero, R., Castellani, M., Squazzoni, F. (2004) La sociologia figurazionale tradotta in un modello di simulazione su agenti, in Sistemi Intelligenti, n. 1. Buchanan, M. (2003) Nexus, Mondadori, Milano. Chiesi, A.M. (1999) L analisi dei reticoli, FrancoAngeli, Milano. Gilbert, N., Terna, P. (1999) How to build and use agent-based models in social science, Mind & Society, n. 1. Gilbert, N., Troitzsch, K. (1999) Simulation for the social scientist, Open University Press. Goldthorpe, (2006) Sulla sociologia, Il Mulino, Bologna. Hedstrom, P., Swedberg, R., (1998) Social mechanism: an analytical approach to social theory, Cambridge University Press. Hedstrom, P. (2006) Anatomia del sociale, Bruno Mondadori. Kluver, J., Stoica, C., Schmidt, J. (2003) Formal models, social theory and computer simulations: some methodical reflections, Journal of Artificial Societies and Social Simulations, vol. 6, no. 2. Parisi, D. (2001) Simulazioni, Il Mulino, Bologna. Parisi, D. (2002) Agenti?, in Sistemi Intelligenti, n.3. Salvini, A. (2007) Analisi delle reti sociali. Teorie, metodi, applicazioni, FrancoAngeli, Milano. Salvini, A. (2005) L analisi delle reti sociali. Risorse e Meccanismi, PLUS, Pisa. Stocker, R., Green, D.G., Newth, D. (2001) Consensus and cohesion in a simulated social network, Journal of Artificial Societies and Social Simulations, vol. 4, no. 4. Stocker, R., Cornforth, D., Bossomaier, T.R.J. (2002) Network structures and agreement in social network simulations, Journal of Artificial Societies and Social Simulations, vol. 5, no. 4. Terna, P. (1998) Simulation Tools for Social Scientists: Building Agent Based Models with SWARM, Journal of Artificial Societies and Social Simulation, vol. 1, no. 2. Terna, P. (1998) Creare mondi artificiali: una nota su Sugarscape e due commenti, Sistemi Intelligenti, n. 3. Terna, P. (2002) La simulazione come strumento di indagine per l economia, Workshop su Scienze Cognitive ed Economia, Associazione Italiana di Scienze Cognitive. Wasserman, S., Faust, K. (1999) Social Network Analysis, Cambridge University Press, UK. 16