Neue Studie nutzt erstmals statistische Physik, um die Theorie des sozialen Gleichgewichts aus den 1940er Jahren zu untermauern

Die meisten Menschen haben den berühmten Satz „Der Feind meines Feindes ist mein Freund“ gehört. Nun haben Forscher der Northwestern University mithilfe der statistischen Physik die Theorie bestätigt, die diesem berühmten Axiom zugrunde liegt. Der Studie„Die richtige Netzwerk-Randomisierung ist der Schlüssel zur Beurteilung des sozialen Gleichgewichts“, heißt es in der Zeitschrift Wissenschaftliche Fortschritte.

In den 1940er Jahren führte der österreichische Psychologe Fritz Heider die Theorie des sozialen Gleichgewichts ein, die erklärt, wie Menschen von Natur aus danach streben, in ihren sozialen Kreisen Harmonie zu finden. Der Theorie zufolge führen vier Regeln – ein Feind eines Feindes ist ein Freund, ein Freund eines Freundes ist ein Freund, ein Freund eines Feindes ist ein Feind und schließlich ein Feind eines Freundes ein Feind – zu einem Gleichgewicht Beziehungen.

Obwohl unzählige Studien versucht haben, diese Theorie mithilfe von Netzwerkwissenschaft und Mathematik zu bestätigen, blieben ihre Bemühungen erfolglos, da Netzwerke von perfekt ausgewogenen Beziehungen abweichen. Die eigentliche Frage ist also, ob soziale Netzwerke ausgewogener sind als nach einem adäquaten Netzwerkmodell erwartet.

Die meisten Netzwerkmodelle waren zu vereinfacht, um die Komplexität menschlicher Beziehungen, die sich auf das soziale Gleichgewicht auswirken, vollständig zu erfassen, was zu inkonsistenten Ergebnissen dazu führte, ob beobachtete Abweichungen von den Erwartungen des Netzwerkmodells mit der Theorie des sozialen Gleichgewichts im Einklang stehen.

Das Northwestern-Team hat jedoch erfolgreich die beiden Schlüsselelemente integriert, die Heiders sozialen Rahmen zum Funktionieren bringen. Im wirklichen Leben kennt sich nicht jeder untereinander und manche Menschen sind positiver eingestellt als andere. Forscher wissen seit langem, dass jeder Faktor soziale Bindungen beeinflusst, bestehende Modelle konnten jedoch jeweils nur einen Faktor berücksichtigen.

Durch die gleichzeitige Einbeziehung beider Einschränkungen bestätigte das resultierende Netzwerkmodell der Forscher schließlich die berühmte Theorie, etwa 80 Jahre nachdem Heider sie erstmals vorgeschlagen hatte.

Der nützliche neue Rahmen könnte Forschern helfen, soziale Dynamiken, einschließlich politischer Polarisierung und internationaler Beziehungen, sowie jedes System, das eine Mischung aus positiven und negativen Wechselwirkungen umfasst, wie etwa neuronale Netze oder Medikamentenkombinationen, besser zu verstehen.

„Wir haben immer geglaubt, dass diese soziale Intuition funktioniert, aber wir wussten nicht, warum sie funktioniert“, sagte István Kovács von Northwestern, der leitende Autor der Studie.

„Alles, was wir brauchten, war, die Mathematik herauszufinden. Wenn man sich die Literatur anschaut, gibt es viele Studien zu dieser Theorie, aber es gibt keine Übereinstimmung zwischen ihnen. Jahrzehntelang haben wir uns immer wieder geirrt. Der Grund dafür ist, dass das wirkliche Leben kompliziert ist.“ „Wir haben erkannt, dass wir beide Einschränkungen gleichzeitig berücksichtigen müssen: Wer weiß wen und dass manche Menschen einfach freundlicher sind als andere.“

„Wir können endlich zu dem Schluss kommen, dass soziale Netzwerke den Erwartungen entsprechen, die vor 80 Jahren entstanden sind“, fügte Bingjie Hao, der Erstautor der Studie, hinzu. „Unsere Ergebnisse haben auch breite Anwendungsmöglichkeiten für die zukünftige Nutzung. Unsere Mathematik ermöglicht es uns, Einschränkungen für die Verbindungen und die Präferenz verschiedener Einheiten im System zu integrieren. Das wird für die Modellierung anderer Systeme außerhalb sozialer Netzwerke nützlich sein.“

Kovács ist Assistenzprofessor für Physik und Astronomie am Weinberg College of Arts and Sciences im Nordwesten. Hao ist Postdoktorand in seinem Labor.

Was ist die Theorie des sozialen Gleichgewichts?

Heiders Theorie des sozialen Gleichgewichts basiert auf Gruppen von drei Personen und geht davon aus, dass Menschen nach komfortablen, harmonischen Beziehungen streben.

In ausgeglichenen Beziehungen mögen sich alle Menschen. Oder wenn eine Person zwei Menschen nicht mag, sind diese beiden Freunde. Unausgeglichene Beziehungen liegen vor, wenn sich alle drei Menschen nicht mögen oder eine Person zwei Menschen mag, die sich nicht mögen, was zu Angst und Anspannung führt.

Die Untersuchung solcher frustrierter Systeme führte 2021 zum Nobelpreis für Physik an den italienischen theoretischen Physiker Giorgio Parisi, der sich den Preis mit den Klimamodellierern Syukuro Manabe und Klaus Hasselmann teilte.

„Es scheint sehr mit der sozialen Intuition übereinzustimmen“, sagte Kovács. „Man sieht, wie das zu einer extremen Polarisierung führen würde, die wir heute in Bezug auf die politische Polarisierung sehen. Wenn jeder, den man mag, auch alle Menschen, die man nicht mag, nicht mag, dann entstehen zwei Parteien, die sich gegenseitig hassen.“

Es war jedoch eine Herausforderung, umfangreiche Daten zu sammeln, in denen nicht nur Freunde, sondern auch Feinde aufgeführt sind. Mit dem Aufkommen von Big Data Anfang der 2000er Jahre versuchten Forscher herauszufinden, ob solche signierten Daten aus sozialen Netzwerken Heiders Theorie bestätigen könnten. Bei der Generierung von Netzwerken zum Testen der Heiderschen Regeln fungieren einzelne Menschen als Knotenpunkte. Die Kanten, die Knoten verbinden, stellen die Beziehungen zwischen Individuen dar.

Wenn die Knoten keine Freunde sind, wird der Kante zwischen ihnen ein negativer (oder feindseliger) Wert zugewiesen. Wenn es sich bei den Knoten um Freunde handelt, wird die Kante mit einem positiven (oder freundlichen) Wert markiert. In früheren Modellen wurden Kanten zufällig positive oder negative Werte zugewiesen, ohne beide Einschränkungen zu berücksichtigen. Keine dieser Studien hat die Realität sozialer Netzwerke genau erfasst.

Erfolg in Zwängen finden

Um das Problem zu untersuchen, griffen Kovács und Hao auf vier groß angelegte, öffentlich verfügbare signierte Netzwerkdatensätze zurück, die zuvor von Sozialwissenschaftlern kuratiert wurden, darunter Daten aus 1) von Benutzern bewerteten Kommentaren auf der sozialen Nachrichtenseite Slashdot; 2) Austausch zwischen Kongressmitgliedern im Repräsentantenhaus; 3) Interaktionen zwischen Bitcoin-Händlern; und 4) Produktbewertungen von der Verbraucherbewertungsseite Epinions.

In ihrem Netzwerkmodell haben Kovács und Hao den Kanten keine wirklich zufälligen negativen oder positiven Werte zugewiesen. Damit jede Interaktion zufällig ist, müsste jeder Knoten die gleiche Chance haben, einander zu begegnen. Im wirklichen Leben kennt jedoch nicht jeder jeden innerhalb eines sozialen Netzwerks. Beispielsweise trifft eine Person möglicherweise nie den Freund ihres Freundes, der auf der anderen Seite der Welt lebt.

Um ihr Modell realistischer zu gestalten, verteilten Kovács und Hao positive oder negative Werte auf der Grundlage eines statistischen Modells, das die Wahrscheinlichkeit beschreibt, den vorhandenen Interaktionen positive oder negative Vorzeichen zuzuweisen. Dadurch blieben die Werte zufällig – allerdings innerhalb der durch die Netzwerktopologie vorgegebenen Grenzen. Zusätzlich zu „Wer weiß wen“ berücksichtigte das Team, dass manche Menschen im Leben einfach freundlicher sind als andere. Freundliche Menschen haben mit größerer Wahrscheinlichkeit positivere – und weniger feindselige – Interaktionen.

Durch die Einführung dieser beiden Einschränkungen zeigte das resultierende Modell, dass große soziale Netzwerke konsequent mit Heiders Theorie des sozialen Gleichgewichts übereinstimmen. Das Modell hob auch Muster hervor, die über drei Knoten hinausgingen. Es zeigt, dass die Theorie des sozialen Gleichgewichts auf größere Graphlets anwendbar ist, die vier und möglicherweise sogar mehr Knoten umfassen.

„Wir wissen jetzt, dass man diese beiden Einschränkungen berücksichtigen muss“, sagte Kovács. „Ohne diese kann man nicht die richtigen Mechanismen entwickeln. Es sieht kompliziert aus, ist aber eigentlich ziemlich einfache Mathematik.“

Einblicke in die Polarisierung und darüber hinaus

Kovács und Hao erforschen derzeit mehrere zukünftige Richtungen für diese Arbeit. In einer möglichen Richtung könnte das neue Modell verwendet werden, um Interventionen zu untersuchen, die auf eine Verringerung der politischen Polarisierung abzielen. Die Forscher sagen jedoch, dass das Modell dazu beitragen könnte, Systeme über soziale Gruppen und Verbindungen unter Freunden hinaus besser zu verstehen.

„Wir könnten erregende und hemmende Verbindungen zwischen Neuronen im Gehirn oder Interaktionen untersuchen, die verschiedene Kombinationen von Medikamenten zur Behandlung von Krankheiten darstellen“, sagte Kovács. „Die Studie zu sozialen Netzwerken war ein idealer Spielplatz zum Erkunden, aber unser Hauptinteresse besteht darin, über die Untersuchung von Interaktionen unter Freunden hinauszugehen und andere komplexe Netzwerke zu betrachten.“

Der Code und die Daten hinter dem Papier „Die richtige Netzwerk-Randomisierung ist der Schlüssel zur Beurteilung des sozialen Gleichgewichts“ sind verfügbar auf GitHub.