Sinan Aral in gesprek over beïnvloeding en sociale netwerken

Hoe wetenschappelijke helden de grenzen verleggen van onderzoek naar gedrag

Sinan Aral in gesprek over beïnvloeding en sociale netwerken

Vorige week sprak Maurits Kaptein (co-founder en Chief Scientist van Science Rockstars) met professor Sinan Aral. Sinan (@sinanaral) is een wetenschapper met de status van een ware rockster, onze eigen Danny Oosterveer schreef laatst een mooi artikel over zijn werk. Toen Maurits tijdens zijn Persuasive Technology Keynote sprak over een paradigma-verschuiving in de sociale wetenschap (zie ook zijn TED auditie), gaf hij aan dat deze verschuiving te wijten is aan de toegankelijkheid van gegevens over menselijke beslissingen en de mogelijkheid om activiteit binnen sociale netwerken te meten. Nieuwe machine learning & statistische methoden maken een zinvolle analyse van al die gegevens mogelijk. Sinan is één van de wetenschappers die in rap tempo de grenzen van de sociale wetenschappen verlegt. Hij is een serieus coole gast.

Inzicht in beïnvloeding

Sinan legde de kern van zijn werk als volgt uit: inzicht krijgen in netwerk-effecten. Dit inzicht is voor veel toepassingen belangrijk. Sinan zich zich onder andere op de effecten van advertenties en introductie van nieuwe producten. Zijn onderzoek geeft ook antwoord op een heel algemene vraag: hoe worden we beïnvloed door het gedrag van anderen om ons heen? Dit zal te zijner tijd vragen beantwoorden als: Hoe worden mijn kinderen beïnvloed door het gedrag van anderen in de klas? Hoe beïnvloeden de prestaties van een projectteamlid de anderen in het team en de prestaties van het bedrijf? Hoe zal mijn drinkgedrag in een bar het drinkgedrag van anderen in dezelfde bar beïnvloeden?

Influence vs. homophily

Sinan is een van de weinige wetenschappers, naast natuurlijk andere wetenschappelijke helden zoals Dean Eckles, die écht inzicht hebben in netwerk-effecten. Is het feit dat je een product koopt dat één van je vrienden ook heeft een gevolg van de aankoop van die vriend? Of heb je het product ook gekocht omdat je bepaalde voorkeuren deelt met je vrienden? Dit onderscheid tussen de zogenaamde peer-to-peer invloed en homophily (het feit dat mensen uit een zelfde netwerk vaak gelijkgestemd zijn), is één van de belangrijke aandachtspunten van Sinan zijn onderzoek.

Identificatie van beïnvloeders

Een aantal van de meest recente onderzoeken van Sinan richt zich op het identificeren van invloedrijke mensen binnen netwerken. Sommige mensen introduceren nieuwe ideeën, terwijl anderen alleen lijken te volgen. Hoe clusteren beïnvloeders samen in een netwerk, en hoe kunnen we ze vooraf identificeren zodat we in staat zijn om hen rechtstreeks te benaderen? Het bespreken van dit werk met Sinan gaf ons een aantal nieuwe inzichten met betrekking tot beïnvloeders en volgers. Hoe komt het dat beïnvloeders zich clusteren? En zijn clusters van beïnvloeders eigenlijk clusters van mensen met veel invloed binnen verschillende onderwerpen? Sinan publiceerde vorige maand een kick-ass onderzoek op dit gebied in de belangrijkste publicatie voor wetenschappers: Science.

Heterogeniteit in reactie op beïnvloeding

Tot slot kwam heterogeniteit in de reacties op beïnvloeding ter sprake; het ding waar we ons op richten met PersuasionAPI. Is het denkbaar, dat wanneer je meer dan anderen vatbaar bent voor autoriteitsargumenten, hetzelfde geldt voor je vrienden (als gevolg van homophily)? En als dat zo is, kunnen we dan gebruik maken van de structuur van het netwerk om individuele beïnvloedingsprofielen sneller op te bouwen? Sinan stelde een voor om geaggregeerde gegevens van eigenschappen van het netwerk in te zetten om op individueel niveau beinvloedingsprofielen sneller op te bouwen.

Voor PersuasionAPI willen we inderdaad netwerkinformatie gaan meenemen in de toekomst. Als we iemand nog niet kennen, maar wel weten dat mensen in dat netwerk meer open staan voor bepaalde beïnvloedingsstrategieën, betekent dat een vliegende start voor het individuele beïnvloedingsprofiel. We zullen namelijk de schattingen in dat profiel zo aanpassen dat het in eerste instantie meer overeenkomt met wat er al bekend is van het netwerk. Daarna zal het profiel alsnog leren van het individuele gedrag, maar goed alle beetjes helpen. Dit is echter een vervolgstap in onze product-roadmap die we met Science Rockstars nader zullen verkennen. Wij zijn er in ieder geval van overtuigd dat beïnvloedingsprofielen en netwerken elkaar zullen vinden in de nabije toekomst. Sterker nog, daar zullen we persoonlijk voor zorgen ;-)


Delen



Er zijn 2 reacties op dit artikel

  • Interesting Arjan.

    Misschien ken je hem al, maar je zou je eens in kunnen lezen in Wang.
    http://www.sciencedirect.com/science/article/pii/S0167923606000583

    In-group polarization, waarbij een groepsstandpunt vaak extremer is dan wanneer leden binnen de groep individueel worden gevraagd om een standpunt, een interessant topic is om netwerk effecten te snappen en daarmee ook daadwerkelijke invloed.

    Als op het oog een bepaald standpunt wordt ingenomen, maar uiteindelijk tijdens een bepaalde beslissing (bijv. aankoop) de desbetreffende persoon minder aan denkt, is netwerk beinvloeding nog steeds niet optimaal.

    geplaatst op
  • Hallo Gianluigi,

    Dat paper kende ik nog niet (Group polarization wel). Ziet er interessant uit en zal ik zeker verder uitdiepen.

    Dank!

    geplaatst op

Plaats zelf een reactie

Log in zodat je (in het vervolg) nóg sneller kunt reageren

Vul jouw naam in.
Vul jouw e-mailadres in. Vul een geldig e-mailadres in.
Vul jouw reactie in.

Herhaal de tekens die je ziet in de afbeelding hieronder


Let op: je reactie blijft voor altijd staan. We verwijderen deze dus later niet als je op zoek bent naar een nieuwe werkgever (of schoonmoeder). Reacties die beledigend zijn of zelfpromotioneel daarentegen, verwijderen we maar al te graag. Door te reageren ga je akkoord met onze voorwaarden.