Как информационно-коммуникационные технологии меняют тренды в моделировании политических процессов: к агентному подходу

Развитие информационно-коммуникационных технологий и вычислительной техники приводит к расширению инструментария для моделирования политических процессов. Если в предыдущие десятилетия математические модели разрабатывались в основном в теоретико-игровой постановке, то сегодня появляется все большее количество работ, реализующих агентное (агентно-ориентированное, agent-based) моделирование. Этот тренд вполне закономерен. Произошли изменения в политическом участии и в формах коллективного взаимо- действия индивидов и групп, индуцированных цифровыми технологиями. Исследователями разработаны теоретические подходы к проблематике политического участия, делающие акцент на формах сетевого взаимодействия и реализующих логику bottom-up, обосновывающую макросвойства системы из характеристик и взаимодействия отдельных агентов. Тем самым сформировались теоретические основы для агентного подхода к моделированию, который принимает наиболее многообещающую форму в сетевом дизайне. Этот подход, однако, потребовал более сложного, чем принято в господствующей ранее теоретико-игровой парадигме, описания мотивации индивидов в плане принятия решений об участии. Один из ключевых моментов состоит в том, что мотивация оказывается увязанной с сетевым положением агентов ввиду того, что индивид ориентируется на совершенные ранее действия своих соседей по сети. Таким образом, течение политического процесса определяется не только свойствами и решениями его участников, но также типом связывающей их сетевой архитектуры. В изучении моделей такого типа особую роль играет вычислительный эксперимент, в рамках которого варьируются параметры модели. Рассматриваются две основные стратегии такого эксперимента: поиск по решетке и метод Монте-Карло. Перспективы агентного моделирования в сетевом дизайне включают в себя исследование динамики политических процессов с учетом структур доверия и социального капитала, а также ресурсов и механизмов коллективного действия.

1. A common protocol for agent-based social simulation / M.G. Richiardi, R. Leombruni, N.J. Saam, M. Sonnessa // Journal of artificial societies and social simulation. 2006. Vol. 9. P. 16-31. DOI: 10.0000/papers.ssrn.com/931875

2. Akhremenko A., Yureskul E., Petrov A. Latent factors of protest participation: a basic computational model // Twelfth International Conference "Management of large-scale system development" (MLSD). IEEE, 2019. P. 1-4. DOI: 10.1109/MLSD.2019.8910999 EDN: WXWQTL

3. Are social bots a real threat? An agent-based model of the spiral of silence to analyse the impact of manipulative actors in social networks / B. Ross, L. Pilz, B. Cabrera, F. Brachten, G. Neubaum, S. Stieglitz // European Journal of Information Systems. 2019. Vol. 28,N 4. P. 394-412. DOI: 10.1080/0960085X.2018.1560920 EDN: AGHEHH

4. Ayanian A.H., Tausch N. How risk perception shapes collective action intentions in repressive contexts: a study of Egyptian activists during the 2013 post-coup uprising // British Journal of Social Psychology. 2016. Vol. 55, N 4. P. 700-721. DOI: 10.1111/bjso.12164

5. Bakshy E., Messing S., Adamic L. Exposure to ideologically diverse news and opinion on Facebook // Science. 2015. Vol. 348 (6239). P. 1130-1132. DOI: 10.1126/science.aaa1160

6. Barabási A.L., Albert R. Emergence of scaling in random networks // Science. 1999. Vol. 286 (5439). P. 509-512. DOI: 10.1126/science.286.5439.509 EDN: CWCBGE

7. Barabási A.-L., Albert R., Jeong H. Scale-free characteristics of random networks: the topology of the world-wide web // Physica A: Statistical Mechanics and its Applications. 2000. Vol. 281, N 1-4. P. 69-77. DOI: 10.1016/S0378-4371(00)00018-2 EDN: AFRCDH

8. Bennett L., Segerberg A. The logic of connective action // The Logic of Connective Action: Digital Media and the Personalization of Contentious Politics (Cambridge Studies in Contentious Politics). Cambridge: Cambridge University Press, 2013. P. 19-54. DOI: 10.1017/cbo9781139198752.002

9. Bennett L., Segerberg, A., Walker Sh. Organization in the crowd: peer production in large-scale networked protests // Information, Communication & Society. 2014. Vol. 17, N 2. P. 232-260. DOI: 10.1080/1369118x.2013.870379

10. Beskow D.M., Carley K.M. Agent based simulation of bot disinformation maneuvers in Twitter // Winter Simulation Conference (WSC). National Harbor, MD: IEEE, 2019. P. 750-761. DOI: 10.1109/WSC40007.2019.9004942

11. Bonabeau E. Agent-based modeling: Methods and techniques for simulating human systems // Proceedings of the National Academy of Sciences. 2002. Vol. 99 (s. 3). P. 7280-7287. DOI: 10.1073/pnas.082080899

12. Cederman L. Emergent actors in world politics: how states and nations develop and dissolve. Princeton, NJ: Princeton University Press, 1997. 260 p.

13. Chan C., Fu K. The "mutual ignoring" mechanism of cyberbalkanization: triangulating observational data analysis and agent-based modelling // Journal of Information Technology & Politics. 2018. Vol. 15, N 4. P. 378-387. DOI: 10.1080/19331681.2018.1519480

14. Combining social network analysis and agent-based modelling to explore dynamics of human interaction: A review / M. Will, J. Groeneveld, K. Frank, B. Müller // Socio-Environmental Systems Modelling. 2020. Vol. 2, 16325. 18 p. DOI: 10.18174/sesmo.2020a16325

15. Dacrema E., Benati S. The mechanics of contentious politics: an agent-based modeling approach // The Journal of Mathematical Sociology. 2020. Vol. 44, N 3. P. 163-198. DOI: 10.1080/0022250X.2020.1753187

16. Epstein J.M. Agent_Zero: toward neurocognitive foundations for generative social science. Princeton: Princeton University Press, 2014. 182 p.

17. Epstein J.M. Modeling civil violence: An agent-based computational approach // Proceedings of the National Academy of Sciences. 2002. Vol. 99 (3). P. 7243-7250. DOI: 10.1073/pnas.092080199

18. Erdös P., Rényi A. On random graphs // Publicationes Mathematicae. 1959. Vol. 6. P. 290-297.

19. Filippov I., Yureskul E., Petrov A. Online protest mobilization: building a computational model // Thirteenth International Conference "Management of large-scale system development" (MLSD). IEEE, 2020. (In print). EDN: WZJIVE

20. Ideological and temporal components of network polarization in online political participatory media / D. Garcia, A. Abisheva, S. Schweighofer, U. Serdült, F. Schweitzer // Policy &.

21. Internet. 2015. Vol. 7, N 1. P. 46-79. DOI: 10.1002/poi3.82

22. Laver M. Agent-based models of social life: fundamentals. Cambridge: Cambridge University Press, 2020. 132 p.

23. Laver M., Sergenti E. Party competition: an agent-based model. Princeton, NJ: Princeton University Press, 2011. 278 p.

24. Lemos C.M. Agent-based modeling of social conflict from mechanisms to complex behavior. Cham: Springer International Publishing, 2018. 119 p. DOI: 10.1007/978-3-319-67050-8

25. Makowsky M.D., Rubin J. An agent-based model of centralized institutions, social network technology, and revolution // PLoS ONE. 2013. Vol. 8(11). P. e80380. DOI: 10.1371/journal.pone.0080380

26. Mastroeni L., Vellucci P., Naldi M. Agent-based models for opinion formation: a bibliographic survey // IEEE Access. 2019. Vol. 7. P. 58836-58848. DOI: 10.1109/ACCESS.2019.2913787 EDN: INUTNR

27. Milgram S. The small world problem // Psychology Today. 1967. Vol. 1 (1). P. 61-67.

28. Miller H., Page E. Complex adaptive systems: an introduction to computational models of social life. Princeton: Princeton University Press, 2009. 288 p.

29. Moro A. Understanding the dynamics of violent political revolutions in an agent-based framework // PLoS ONE. 2016. Vol. 11 (4). P. e0154175. DOI: 10.1371/journal.pone.0154175

30. Moss S. Alternative approaches to the empirical validation of agent-based models // Journal of Artificial Societies and social simulation. 2008. Vol. 11, N 1. P. 5. Mode of access: http://jasss.soc.surrey.ac.uk/11/1/5.html (accessed: 22.09.2010).

31. On the fate of protests: dynamics of social activation and topic selection online and in the streets / A. Asgharpourmasouleh, M. Fattahzadeh, D. Mayerhoffer, J. Lorenz // Computational Conflict Research. Computational Social Sciences / E. Deutschmann, J. Lorenz, L. Nardin, D. Natalini, A. Wilhelm (eds). Cham: Springer, 2020. P. 141-164. DOI: 10.1007/978-3-030-29333-8

32. Schelling T. Micromotives and macrobehavior. N.Y.: Norton, 1978. 252 p.

33. Siegel D. Analyzing computational models // American Journal of Political Science. 2018. Vol. 62, N 3. P. 745-759. DOI: 10.1111/ajps.12364

34. Siegel D. When does repression work? Collective action in social networks // The Journal of Politics. 2011. Vol. 73, N 4. P. 993-1010. DOI: 10.1017/S0022381611000727

35. Social media, political polarization, and political disinformation: a review of the scientific literature / J. Tucker, A. Guess, P. Barbera, C. Vaccari, A. Siegel, S. Sanovich, D. Stukal, B. Nyhan. Loughborough University Report, 2018. 95 p. 10.2139/ssrn. 3144139. DOI: 10.2139/ssrn.3144139

36. Stocker R., Green D.G., Newth D. Consensus and cohesion in simulated social networks // Journal of Artificial Societies and Social Simulation. 2001. Vol. 4, N 4. Mode of access: http://jasss.soc.surrey.ac.uk/4/4/5.html (accessed: 22.09.2010).

37. The contagion effects of repeated activation in Social Networks / P. Piedrahita, J. Borge-Holthoefer, Y. Moreno, S. González-Bailón // Social Networks. 2018. Vol. 54. P. 326-335. DOI: 10.1016/j.socnet.2017.11.001

38. The dynamics of protest recruitment through an online network / S. González-Bailón, J. Borge-Holthoefer, A. Rivero, Y. Moreno // Scientific reports. 2011. Vol. 1. P. 1-7. DOI: 10.1038/srep00197 EDN: YCUZNZ

39. Tweeting from left to right: is online political communication more than an echo chamber? / P. Barberá, J.T. Jost, J. Nagler, J.A. Tucker, R. Bonneau // Psychological Science. 2015. Vol. 26 (10). P. 1531-1542. DOI: 10.1177/0956797615594620

40. Van Stekelenburg J., Klandermans B. the social psychology of protest // Current.

41. Sociology. 2013. Vol. 61, N 5-6. P. 886-905. DOI: 10.1177/0011392113479314

42. Watts D.J., Strogatz S.H. Collective dynamics of small-world networks // Nature. 1998. Vol. 393, N 6684. P. 440-442. DOI: 10.1038/30918

43. Which models are used in social simulation to generate social networks? A review of 17 years of publications in JASSS / F. Amblard, A. Bouadjio-Boulic, C. Sureda Gutiérrez, B. Gaudou // Winter Simulation Conference (WSC). IEEE, 2015. P. 4021-4032. DOI: 10.1109/WSC.2015.7408556 EDN: YDDOYY

44. Wilensky U., Rand W. An introduction to agent-based modeling: modeling natural, social, and engineered complex systems with NetLogo. Cambridge, Massachusetts; London, England: The MIT Press, 2015. 481 p.

45. Wilson R.C., Collins A.G.E. Ten simple rules for the computational modeling of behavioral data // Elife. 2019. Vol. 8. P. e49547. DOI: 10.7554/eLife.49547

46. Wunder M., Suri S., Watts D. Empirical agent based models of cooperation in public goods games // Proceedings of the fourteenth ACM conference on Electronic commerce. 2013. P. 891-908. DOI: 10.1145/2482540.2482586