💡 دفترچه‌ای برای توضیح مفهوم پیچیدگی بر اساس آرا صاحب‌نظران این حوزه:

در توییتر متخصصان حوزه پیچیدگی با هشتگ #ComplexityExplained در مورد مفهوم پیچیدگی توییت کردند و ماحصل توییت‌ها تبدیل به دفترچه‌ای شد در #شرح_پیچیدگی

🔗 complexityexplained.github.io

این اثر با مجوز زیر منتشر شده است:
CC BY-NC-ND 4.0
~~~~~~~~~~~
@Sitpor
#پیچیدگی #سیستم‌های_پیچیده

محیط زیست و اعداد( ۸)
توهم مدل و واقعیتِ گم‌شده
مسعود امیرزاده
در یادداشت‌های پیشین از این سلسله، نشان دادیم که چگونه اعداد می‌توانند جعل شوند، بی‌مقیاس باشند یا به عنوان ابزار فریب به کار روند. اما در این یادداشت می‌خواهم به نامرئی‌ترین دامِ حکمرانی و تصمیم‌گیری مدرن برویم : «توهم جایگزینی مدل با واقعیت.»
بیایید از همان ابتدا یک سوءتفاهم بزرگ را برطرف کنیم: طرح این بحث هرگز به این معنا نیست که ما نباید مدل‌سازی ریاضی را جدی بگیریم یا از کمّی‌سازی دست بکشیم. اتفاقاً در قسمت‌های بعدی خواهیم دید که چرا «بی‌مقیاس سخن گفتن» و پناه بردن به کلی‌گویی‌های کیفی، خود به همان اندازه (و شاید بیشتر) خطرناک و ویرانگر است. اما مسئله‌ی بنیادین اینجاست: وقتی ما مدلی ریاضی می‌سازیم تا جهانِ پیچیده را بفهمیم، ناگزیریم جهان را «انتزاع» کنیم. و هر انتزاعی، ذاتاً نوعی «حذف» است.
سؤال اصلی اینجاست: وقتی مدل را می‌سازیم، چه بخش‌هایی از واقعیت در زیرِ سایه‌ی همین مدل گم می‌شوند؟
۱-خطای مک‌نامارا: چرا واقعیت‌های نامریی حذف می‌شوند؟
رابرت مک‌نامارا، وزیر دفاع آمریکا در جنگ ویتنام، معتقد بود می‌تواند پیروزی در جنگ را با یک عدد ریاضی اثبات کند: «آمار اجساد دشمن» (Body Count). او هر چیزی را که در مدلِ ریاضی‌اش جای نمی‌گرفت — مثل اراده‌ی یک ملت، رنج یک غیرنظامی، یا بافت فرهنگی یک سرزمین — نادیده می‌گرفت.
اما چرا برخی موضوعاتِ حیاتی، اساساً در مدل‌های ریاضی حذف می‌شوند؟ دلیل آن صرفاً نادانیِ مدل‌ساز نیست؛ دلیل آن یک «سوگیریِ هستی‌شناختی» در علم مدرن است. در دستگاه معرفتی ما، ناخودآگاه «وجود داشتن» با «قابل اندازه‌گیری بودن» هم‌ارز شده است. وقتی پدیده‌ای (مثل دردِ اجتماعیِ ناشی از خشک شدن یک تالاب، یا تاب‌آوریِ یک اکوسیستم) در زبان ریاضیات مدل ما ترجمه نمی‌شود، سیستمِ حکمرانی به جای اینکه بگوید «مدلِ من ناقص است»، می‌گوید «این پدیده وجود ندارد» یا «اهمیتی ندارد».
خطای مک‌نامارا دقیقاً همینجاست:
تصور اینکه اگر چیزی را نمی‌توان اندازه گرفت، پس نمی‌توان آن را مدیریت کرد؛ و اگر نمی‌توان آن را مدیریت کرد، پس اصلاً وجود خارجی ندارد.
۲-قانون گودهارت: وقتی مدل، واقعیت را می‌بلعد
اما خطر فقط در «حذف» واقعیت نیست؛ گاهی مدل، واقعیت را «تغییر شکل» می‌دهد. کتی اونیل و پیش از او کورنلیوس گودهارت هشدار دادند که: «وقتی یک معیار (عدد) به عنوان هدف (Target) قرار بگیرد، دیگر معیار خوبی نیست.»
وقتی ما مدلی می‌سازیم و آن مدل را به سیستمِ حکمرانی تحمیل می‌کنیم، سیستم دیگر تلاش نمی‌کند واقعیت را توصیف کند، بلکه تلاش می‌کند خود را با مدل هماهنگ کند تا «عددِ خوب» تولید کند.
مثلاً اگر مدلِ ما بگوید «توسعه یعنی ساختِ یک میلیون مسکن»، واقعیتِ پیچیده‌ی «منابع آبِ زیرزمینیِ دشت‌ها» که در این ماتریسِ تک‌بعدی جایی ندارد، قربانی می‌شود. ما به جای اینکه واقعیت را در مدل لحاظ کنیم، واقعیت را چنان می‌شکنیم و می‌تراشیم تا در قالب تنگ مدل ریاضی‌مان جا شود. در این نقطه، مدل دیگر آینه‌ای در برابر واقعیت نیست؛ بلکه واقعیت، برده‌ی مدل شده است.
۳-ماتریس‌ها و توهم پوشش کامل
بیایید کمی فنی‌تر به ابزارهای مدل‌سازی نگاه کنیم. ما برای تصمیم‌گیری، جهان را درون «ماتریس‌ها» می‌ریزیم. ماتریس، شبکه‌ای از سطرها و ستون‌هاست که تلاش می‌کند متغیرها را در تقاطعِ هم‌دیگر وزن‌دهی کند.
اما ذاتِ ماتریس، «خانه‌بندی» و «گسسته‌سازی» است. واقعیتِ محیط‌زیستی یا اجتماعی، یک پیوستار سیال، درهم‌تنیده و غیرخطی است. وقتی شما پدیده‌ای را درون یک ماتریسِ تصمیم‌گیری (مثل ماتریس‌های ارزیابی ریسک یا هزینه-فایده) می‌گذارید، مجبورید آن را به متغیرهای گسسته و مستقل تبدیل کنید. در این فرآیند، «اثراتِ متقابلِ پنهان»، «هم‌افزایی‌های منفی» و «ارزش‌های ذاتیِ غیربازاری» که در تقاطعِ هیچ سطر و ستونی قرار نمی‌گیرند، عملاً از مدل سرریز کرده و به بیرون می‌ریزند.

شاید گفته شود:خب! علم پیشرفت کرده است. ما دیگر از ماتریس‌های ساده استفاده نمی‌کنیم. ماتریس‌های پیشرفته‌تری مثل ماتریس‌های فازی (Fuzzy)، تانسورهای چندبعدی، یا مدل‌های احتمالاتی و شبکه‌ای داریم که سعی می‌کنند همین نواقص را جبران کنند و عدم‌قطعیت و پیچیدگی را در خود لحاظ کنند.»
این کاملاً درست است. اما نکته‌ی تراژیک اینجاست: هر ماتریسِ پیشرفته‌ای که برای پوششِ نقصِ ماتریسِ قبلی می‌سازیم، خودش حاشیه‌ی کورِ جدیدی می‌سازد.
وقتی شما یک ماتریس را چندبعدی می‌کنید تا «پیچیدگی» را پوشش دهید، درگیر «نفرین ابعاد» (Curse of Dimensionality) می‌شوید و داده‌های واقعی کافی برای پر کردن آن خانه‌های جدید ندارید. وقتی از ماتریسِ فازی استفاده می‌کنید تا «مرزهای مبهم» را پوشش دهید، درگیر تعیین توابع عضویت می‌شوید که خودشان سلیقه‌ای و انتزاعی‌اند.
https://t.me/complexitythinking

دانکن واتس -استیون استروگاتز

دانکن واتس و استیون استروگاتز

پس از مدل شبکه‌های تصادفی اردوش و رِنی، یک پرسش مهم همچنان باقی مانده بود: آیا شبکه‌های واقعی را می‌توان با همین الگوی تصادفی توضیح داد؟

دانکن واتس، ریاضی‌دان و دانشمند علوم اجتماعی آمریکایی، و استیون استروگاتز، ریاضی‌دان و پژوهشگر سیستم‌های دینامیکی، در دهه ۱۹۹۰ روی همین مسئله کار کردند. واتس در آن زمان دانشجوی دکتری استروگاتز در دانشگاه کرنل بود. همکاری آنها در سال ۱۹۹۸ به مقاله‌ای انجامید که مفهوم «شبکه‌های جهان کوچک» را وارد ادبیات علمی کرد.

مسئله از یک مشاهده ساده آغاز می‌شد. بسیاری از شبکه‌های واقعی، از شبکه اجتماعی انسان‌ها گرفته تا شبکه عصبی و شبکه برق، نه کاملاً منظم‌اند و نه کاملاً تصادفی. در یک شبکه منظم، هر گره عمدتاً به همسایگان نزدیک خود متصل است و برای رسیدن از یک نقطه به نقطه‌ای دور، باید مسیر طولانی‌ای را طی کرد. در یک شبکه کاملاً تصادفی، مسیرها کوتاه می‌شوند، اما خوشه‌بندی و نظم محلی کاهش پیدا می‌کند.

واتس و استروگاتز مدلی ساختند که این دو وضعیت را به یکدیگر پیوند می‌داد. آنها از یک شبکه منظم حلقوی شروع کردند و تعدادی از پیوندها را به‌صورت تصادفی بازاتصال دادند. نکته جالب این بود که با اضافه شدن تنها تعداد نسبتاً کمی از این پیوندهای میان‌بُر، طول متوسط مسیرها به‌شدت کاهش پیدا می‌کرد، در حالی که خوشه‌بندی محلی شبکه همچنان بالا باقی می‌ماند.

این همان چیزی بود که آنها «شبکه جهان کوچک» نامیدند: شبکه‌ای که از یک سو مانند شبکه منظم، خوشه‌های محلی و ارتباطات نزدیک دارد و از سوی دیگر، مانند شبکه تصادفی، فاصله میان نقاط دور را بسیار کوتاه می‌کند.

اهمیت این کشف فقط در معرفی یک نوع شبکه نبود. واتس و استروگاتز نشان دادند که برای کوچک شدن جهان، لازم نیست همه‌چیز به‌طور تصادفی به همه‌چیز متصل شود. چند پیوند دوربرد می‌توانند ساختار کلی شبکه را به‌طور چشمگیری تغییر دهند.

آنها این مدل را با نمونه‌هایی از شبکه‌های واقعی نیز مقایسه کردند؛ از شبکه برق غرب آمریکا و شبکه عصبی کرم C. elegans گرفته تا شبکه همکاری بازیگران سینما. هر سه ویژگی‌های شبکه‌های جهان کوچک را نشان می‌دادند.

از اینجا مفهوم شبکه پیچیده یک گام دیگر تغییر کرد. شبکه دیگر فقط مجموعه‌ای از ارتباطات تصادفی نبود؛ معماری ارتباطات می‌توانست هم‌زمان دو ویژگی ظاهراً متناقض را در خود داشته باشد: انسجام محلی و دسترسی سریع در مقیاس کلان.

اگر اردوش و رِنی نشان داده بودند که از تصادف می‌توان ساختارهای کلان به دست آورد، واتس و استروگاتز نشان دادند که فاصله‌ای میان نظم و تصادف وجود دارد؛ ناحیه‌ای میانی که بسیاری از شبکه‌های واقعی در آن قرار می‌گیرند.

https://t.me/complexitythinking

تصویری از شبکه جهان کوچک و اتصالات تصادفی

البرت باراباشی

آلبرت-لاشلو باراباشی

تا پیش از باراباشی، بخش مهمی از نظریه شبکه بر این فرض استوار بود که ارتباط میان گره‌ها را می‌توان با مدل‌های تصادفی توضیح داد. مدل اردوش–رِنی نمونه مهم این نگاه بود: گره‌ها به صورت تصادفی به یکدیگر متصل می‌شوند و ویژگی‌های کلان شبکه از همین روابط تصادفی پدیدار می‌شوند.

آلبرت-لاشلو باراباشی، فیزیکدان مجارستانی، در سال ۱۹۶۷ در رومانی متولد شد و بعدها در ایالات متحده به فعالیت علمی پرداخت. او از چهره‌های اصلی شکل‌گیری «علم شبکه» به عنوان حوزه‌ای میان‌رشته‌ای شد؛ حوزه‌ای که شبکه‌های زیستی، اجتماعی، فناوری و اطلاعاتی را با ابزارهای مشترک مطالعه می‌کند.

نقطه عطف کار او در سال ۱۹۹۹ و با مطالعه شبکه جهانی وب شکل گرفت. باراباشی و رِکا آلبرت متوجه شدند که ساختار شبکه‌های بزرگی مانند وب را نمی‌توان به‌سادگی با شبکه تصادفی اردوش–رِنی توضیح داد. در شبکه واقعی، همه گره‌ها از نظر تعداد ارتباطات وضعیت مشابهی ندارند؛ تعداد اندکی از گره‌ها ارتباط‌های بسیار زیادی دارند، در حالی که بیشتر گره‌ها ارتباط‌های بسیار کمتری دارند.

این مشاهده به مفهوم «شبکه بی‌مقیاس» انجامید. در چنین شبکه‌ای، توزیع تعداد ارتباطات گره‌ها می‌تواند دنباله‌ای از نوع قانون توانی داشته باشد؛ یعنی تعداد بسیار زیادی از گره‌ها ارتباط اندکی دارند و تعداد بسیار کوچکی از گره‌ها، تعداد بسیار زیادی ارتباط دارند.

اما پرسش مهم‌تر این بود که چنین ساختاری چگونه به وجود می‌آید.

باراباشی و آلبرت نشان دادند که برای ایجاد این الگو، دست‌کم دو سازوکار ساده اهمیت دارند: شبکه در طول زمان رشد می‌کند و گره‌های تازه بیشتر تمایل دارند به گره‌هایی متصل شوند که از قبل ارتباط‌های بیشتری دارند. سازوکار دوم را «اتصال ترجیحی» می‌نامند.

در نتیجه، یک بازخورد ساده شکل می‌گیرد: گره‌ای که ارتباط بیشتری دارد، احتمال بیشتری برای دریافت ارتباط‌های تازه پیدا می‌کند و همین ارتباط‌های تازه، موقعیت آن را برای دریافت ارتباط‌های بعدی تقویت می‌کنند. از دل همین فرایند، هاب‌های شبکه شکل می‌گیرند؛ گره‌هایی که تعداد بسیار بیشتری از ارتباط‌ها را در اختیار دارند. مدل حاصل به «مدل باراباشی–آلبرت» معروف شد.

اهمیت این ایده برای دانش پیچیدگی در همین‌جاست. در مدل اردوش–رِنی، تصادف نقش اصلی را در شکل‌گیری شبکه دارد؛ اما در مدل باراباشی–آلبرت، تاریخچه شبکه و نحوه ورود گره‌های جدید اهمیت پیدا می‌کند. شبکه فقط یک آرایش موجود نیست؛ یک ساختار در حال رشد است و گذشته آن می‌تواند بر معماری آینده‌اش اثر بگذارد.

این نگاه، شبکه را به یک سیستم پویا نزدیک می‌کند: ساختار شبکه حاصل یک وضعیت از پیش داده‌شده نیست، بلکه از فرایند شکل‌گیری و تحول خود شبکه به وجود می‌آید.

کار باراباشی بعدها به مطالعه شبکه‌های زیستی، شبکه‌های مغزی، شبکه‌های بیماری، شبکه‌های علمی و بسیاری از ساختارهای اجتماعی و فناورانه گسترش یافت. مرکز پژوهشی او نیز با عنوان «مرکز پژوهش شبکه‌های پیچیده» به یکی از مراکز مهم توسعه علم شبکه تبدیل شد.

از این منظر، جایگاه باراباشی در دانش پیچیدگی فقط کشف یک نوع شبکه نیست. اهمیت اصلی او در تغییر پرسش است: به جای اینکه فقط بپرسیم اجزای یک شبکه چگونه به یکدیگر متصل‌اند، باید بپرسیم شبکه چگونه رشد می‌کند، چه سازوکارهایی معماری آن را شکل می‌دهند و چگونه از همین فرایندهای ساده، ساختارهای بسیار ناهمگن و پیچیده پدیدار می‌شوند.
https://t.me/complexitythinking

اعداد و محیط زیست (۹)
یک با یک مساوی نیست
مسعود امیرزاده

چند سال پیش، در سفری به قلعه شاهوار، شاهد صحنه‌ای بودم که هیچگاه از ذهنم پاک نخواهد شد.رویشگاه ارس چند صد ساله ای که زیر تیغ راهسازی و برداشت معدن همگی ریشه کن و تبدیل به تنه های بی جان شده بودند. بخشی از اعتراضات دامنه دار دلبستگان طبیعت و مردم محلی که سرچشمه های حیات و آب آنها در سینه شاهوار بود به همین سادگی پاسخ داده می‌شد: به جای درختان از دست رفته همان تعداد نهال جایگزین می کنیم.

این جمله‌ی کوتاه، عصاره‌ی تمام فاجعه‌ای است که در مدل‌های ریاضی و آماری حکمرانی ما رخ می‌دهد. در دستگاه مدل‌سازی ما، «یک نهال» با «یک درخت چندصدساله» برابر است. گاه در فرمول‌ها و ماتریس‌های ما، «یک» همواره با «یک» مساوی است. اما در واقعیت حیات، تاریخ و اکوسیستم، چنین نیست و هرگز چنین نبوده است.
این توهم معادل‌سازی، تنها به محیط زیست محدود نمی‌شود. روستایی چندصدساله را در دل آب سدی غرق می‌کنند و در عوض، پانصد واحد مسکونی آجری در شهرکی اقماری بنا می‌نهند و اعلام می‌دارند که جبران شده است. اما آن فرهنگ، آن زبان، آن تاریخ، آن شبکه‌ی پیچیده‌ی همسایگی و تمدنی که هزاره‌ها طول کشیده تا شکل بگیرد، دیگر تکرارشدنی نیست. عدد در مدل جبران شده است، اما واقعیت برای همیشه نابود گشته است. یا آنگاه که جنگل‌های بلوط زاگرس در حال نابودی است، با افتخار اعلام می‌شود که «ما به جایش یک میلیارد درخت می‌کاریم»؛ گویی یک میلیارد نهال یک‌ساله با اکوسیستم جنگلی هزاران‌ساله‌ای که حاصل تعامل خاک، آب، هوا، جانوران و تاریخ است، برابری می‌کند.
اینها همه نمونه‌هایی از عددسازی و معادل‌سازی‌های غیر واقعی‌اند که در مدل‌سازی‌های ما رخ می‌دهند. ما در مدل‌هایمان فرض می‌کنیم هر آنچه عدد دارد، قابل جایگزینی است؛ هر آنچه حذف می‌شود را می‌توان با عددی مساوی یا بزرگ‌تر جبران کرد. اما فراموش می‌کنیم که زمان شکل‌گیری یک اکوسیستم با زمان کاشت یک نهال قابل معادل‌سازی نیست؛ پیچیدگی یک بافت تاریخی با تعداد خانه‌های نوساز قابل جایگزینی نیست؛ و ارزش ذاتی یک گونه‌ی بومی با تعداد گونه‌های وارداتی برابر نمی‌گردد.
قانون نانوشته‌ی مدل‌سازی در حکمرانی ما این است: هر آنچه را که نمی‌توان در مدل جایگزین کرد، یا نادیده بگیر، یا با عددی دروغین جبرانش کن.
اما واقعیت سرسخت، این معادل‌سازی‌های کاغذی را نمی‌پذیرد. وقتی درخت چندصدساله قطع می‌شود، آن چند قرن تاریخ و حیات دیگر بازنمی‌گردد. وقتی روستا غرق می‌شود، آن تمدن محلی برای همیشه در آب حل می‌شود. و ما می‌مانیم و مدل‌های ریاضی‌مان که در آنها همه‌چیز با همه‌چیز برابر است، اما در واقعیت، هیچ‌چیز با هیچ‌چیز برابر نیست.
قانون نانوشته‌ی مدل‌سازی، البته فراتر از این معادل‌سازی‌های ساده است. هیچ مدلی، هرچقدر هم پیشرفته و پیچیده، هرگز نمی‌تواند بر واقعیتی که از آن انتزاع شده است، کاملاً منطبق شود. همواره «باقی‌مانده‌ای از واقعیت» وجود دارد که از تمام شبکه‌های ریاضی ما می‌گریزد.
و اینجا باز به تکرار هشدار معرفتی تاکید می شود. مسئله هرگز این نیست که نباید از ماتریس، آمار و مدل‌سازی استفاده کرد. مسئله این است که باید بپذیریم مدل‌سازی ریاضی، «تقلیلی ضروری» است. ما جهان را کوچک و ساده می‌سازیم تا بتوانیم آن را در ذهن و ابزارهای محاسباتی خود پردازش کنیم.
اما فاجعه از لحظه‌ای آغاز می‌شود که فراموش می‌کنیم این تقلیل، صرفاً ابزاری بوده است. آنگاه که حاکمان، نخبگان و مهندسان اجتماعی، «مدل» را با «واقعیت» اشتباه می‌گیرند؛ آنگاه که فراموش می‌کنند در زیر هر ماتریس شیک و پیشرفته‌ای، کوهی از واقعیت‌های حذف‌شده، احساسات سرکوب‌شده و اکوسیستم‌های نادیده‌گرفته‌شده در حال فریاد زدن‌اند؛ آنگاه است که مدل ریاضی به سلاحی برای کشتار واقعیت تبدیل می‌شود.
ما باید بیاموزیم که به مدل‌های ریاضی‌مان بنگریم، اما هم‌زمان به «سایه‌هایی» که این مدل‌ها بر زمین می‌افکنند نیز توجه کنیم. واقعیت، دقیقاً در همان سایه‌هایی پنهان شده است که نور افکن ریاضیات ما، آنها را از دیدگان ما پنهان کرده است.

ادامه دارد...
https://t.me/didehbaanzistboom

مارک گرانووتر

مارک سانفورد گرانووتر (Mark Granovetter)

جامعه‌شناس آمریکایی متولد ۱۹۴۳، از مهم‌ترین چهره‌های شکل‌گیری نظریه شبکه‌های اجتماعی است. او پس از دریافت کارشناسی از دانشگاه پرینستون و دکتری جامعه‌شناسی از هاروارد، بخش مهمی از فعالیت دانشگاهی خود را در دانشگاه استنفورد گذراند و پژوهش‌هایش عمدتاً بر رابطه میان افراد، شبکه‌های اجتماعی و نهادهای اجتماعی متمرکز بوده است. گرانووتر در سال ۱۹۷۳ با مقاله مشهور «قدرت پیوندهای ضعیف» نشان داد که روابط اجتماعی ضعیف، برخلاف تصور معمول، می‌توانند در انتقال اطلاعات میان گروه‌های اجتماعی نقشی بسیار مهم داشته باشند؛ زیرا یک آشنایی دور ممکن است پلی میان دو شبکه نسبتاً جدا از هم ایجاد کند و اطلاعات و فرصت‌هایی را منتقل کند که در روابط نزدیک و درون‌گروهی وجود ندارند. چند سال بعد، در مقاله «مدل‌های آستانه‌ای رفتار جمعی» (۱۹۷۸)، به مسئله‌ای مهم‌تر پرداخت: هر فرد می‌تواند آستانه‌ای برای پیوستن به یک رفتار جمعی داشته باشد؛ یعنی تا زمانی که تعداد یا نسبت معینی از دیگران دست به آن رفتار نزده باشند، خود او نیز وارد عمل نشود. تفاوت در آستانه افراد و نحوه قرار گرفتن آنها در شبکه می‌تواند باعث شود یک رفتار تقریباً متوقف بماند یا برعکس، به صورت آبشاری در یک جمع گسترش پیدا کند. گرانووتر از این مدل برای تحلیل پدیده‌هایی مانند شورش، اعتصاب، انتشار شایعه و نوآوری، رأی‌دهی و مهاجرت استفاده کرد. اهمیت او برای علم پیچیدگی در همین نقطه است: او نشان داد که برای فهم رفتار جمعی، نه ویژگی تک‌تک افراد به‌تنهایی کافی است و نه صرفاً میانگین رفتار آنها؛ بلکه ساختار روابط و نحوه برهم‌کنش افراد می‌تواند از قواعد و تفاوت‌های نسبتاً ساده، الگوهای بزرگ‌مقیاس و گاه ناگهانی ایجاد کند. بعدها گرانووتر این نگاه شبکه‌ای را به اقتصاد نیز گسترش داد و در مقاله مهم «کنش اقتصادی و ساختار اجتماعی: مسئله جای‌گرفتگی» نشان داد که کنش اقتصادی را نمی‌توان جدا از شبکه روابط اجتماعی و زمینه نهادی آن فهمید. به این ترتیب، گرانووتر یکی از حلقه‌های مهم گذار از مطالعه شبکه به مطالعه سرایت، آستانه، آبشار و پیدایش رفتار جمعی در شبکه‌های پیچیده است.

https://t.me/complexitythinking

مارک نیومن

مارک ای. جی. نیومن
(Mark E. J. Newman)،
فیزیک‌دان و از چهره‌های مهم شکل‌گیری علم شبکه، متولد ۱۹۶۸ و دارای دکتری فیزیک از دانشگاه آکسفورد در سال ۱۹۹۱ است. او پس از دوره‌ای در مؤسسه سانتافه، به دانشگاه میشیگان رفت و اکنون استاد برجسته فیزیک و سیستم‌های پیچیده در این دانشگاه است. بخش عمده کار او به مطالعه شبکه‌های اجتماعی، زیستی و رایانه‌ای اختصاص دارد و در کنار مدل‌سازی ریاضی، از داده‌های واقعی و شبیه‌سازی رایانه‌ای نیز استفاده کرده است. نیومن در بررسی شبکه‌های همکاری علمی، شبکه‌های استنادی، شبکه‌های دوستی، شبکه‌های ارتباطی و انتشار بیماری‌ها نقش مهمی داشته است. یکی از مهم‌ترین کارهای او مفهوم «ماژولاریتی» و روش‌های شناسایی اجتماع در شبکه است؛ یعنی اینکه یک شبکه بزرگ را چگونه می‌توان به گروه‌هایی از گره‌ها تقسیم کرد که درون هر گروه ارتباطات متراکم‌تر و میان گروه‌ها ارتباطات کمتری وجود دارد. مقاله مهم او درباره «ساختار اجتماع و ماژولاریتی در شبکه‌ها» در سال ۲۰۰۶ منتشر شد و روش‌های طیفی برای شناسایی این اجتماع‌ها ارائه کرد. همچنین الگوریتم مشهور Girvan–Newman که با همکاری میشل جروَن توسعه داد، یکی از روش‌های تأثیرگذار در کشف ساختار اجتماع در شبکه‌هاست. اهمیت نیومن برای روایت ما این است که پس از کشف ویژگی‌هایی مانند جهان کوچک و هاب‌ها، توجه را به این پرسش برد که شبکه از درون چگونه سازمان یافته است: آیا در یک شبکه بزرگ، اجتماع‌ها، ماژول‌ها و ساختارهای پنهانی وجود دارند که بتوان آنها را از روی الگوی روابط کشف کرد؟
https://t.me/complexitythinking

در این فایل صوتی کتاب « فیزیک و فلسفه جدال یا هم سرنوشتی» توسط صاحب اثر معرفی شده است.
https://t.me/complexitythinking

‍ کتاب «فیزیک و فلسفه؛ جدال یا هم‌سرنوشتی؟»
از فلسفه طبیعی تا دانش پیچیدگی

پس از مدت‌ها کار و بازنگری، کتاب «فیزیک و فلسفه؛ جدال یا هم‌سرنوشتی؟» را در کانال دانش پیچیدگی منتشر می‌کنم.

این کتاب تلاشی است برای دنبال کردن یک مسیر تاریخی و فکری: از زمانی که مطالعه طبیعت هنوز بخشی از فلسفه طبیعی بود، تا استقلال تدریجی فیزیک، انقلاب علمی و روشنگری، شکل‌گیری تصویر مکانیکی از جهان، جدایی فیزیک از فلسفه و ظهور پوزیتیویسم و علم‌گرایی، سپس بحران تصویر کلاسیک در نسبیت و فیزیک کوانتومی، و سرانجام رسیدن به دانش پیچیدگی؛ جایی که بسیاری از پرسش‌های قدیمی دوباره، اما در صورت‌هایی تازه، پیش روی علم و فلسفه قرار می‌گیرند.

کتاب در شش فصل این مسیر را دنبال می‌کند:

فصل اول، «زمانی که فیزیک فلسفه بود»، به خاستگاه‌های فلسفه طبیعی و شکل‌گیری پرسش‌های نخستین درباره طبیعت، تغییر، ثبات، ماده و جهان می‌پردازد؛ زمانی که هنوز مرز روشنی میان فلسفه و مطالعه طبیعت وجود نداشت.

فصل دوم، «انقلاب علمی و روشنگری»، به دگرگونی بزرگی می‌پردازد که با انقلاب علمی پدید آمد؛ دگرگونی‌ای که نه‌تنها روش شناخت طبیعت، بلکه تصویر انسان از جهان و بسیاری از بنیان‌های فکری و تمدنی دوران جدید را تغییر داد.

فصل سوم، پیامدهای این تحول در جهان جدید را دنبال می‌کند؛ اینکه تصویر جدید از طبیعت و انسان چگونه بر اندیشه، فرهنگ، اخلاق، سیاست و مناسبات اجتماعی اثر گذاشت و چگونه علم جدید به یکی از نیروهای شکل‌دهنده جهان مدرن تبدیل شد.

فصل چهارم، «فیزیک علیه فلسفه؟»، به دوره‌ای می‌رسد که فیزیک بیش از پیش از فلسفه فاصله می‌گیرد و پوزیتیویسم، فیزیک‌گرایی و علم‌گرایی می‌کوشند قلمرو معرفت علمی را از پرسش‌های متافیزیکی و فلسفی جدا کنند. در این فصل، مسئله فقط استقلال فیزیک نیست؛ پرسش این است که آیا علم می‌تواند بدون پرسش از مبانی، حدود و معنای خود به شناخت جهان ادامه دهد.

فصل پنجم، «فیزیک جدید و بازگشت پرسش‌های فلسفی»، به نسبیت و فیزیک کوانتومی و بحران مفاهیمی می‌پردازد که در تصویر کلاسیک از جهان بدیهی به نظر می‌رسیدند؛ از زمان و فضا گرفته تا ماده، مشاهده، علیت، واقعیت و حدود شناخت. در اینجا مسئله این نیست که فیزیک شکست خورده است، بلکه برعکس، گسترش قدرت فیزیک خود پرسش‌های بنیادی تازه‌ای ایجاد کرده است.

فصل ششم، «فیزیک پیچیدگی و بازپرسش فلسفی»، به دانش پیچیدگی می‌رسد؛ دانشی که با مفاهیمی مانند سیستم، شبکه، رابطه، ظهور، خودسازمان‌یابی، نظم، علیت، مقیاس، زمان، اطلاعات و شناخت، میدان پرسش‌های علمی را گسترده‌تر می‌کند. در این فصل بررسی می‌شود که این دانش چگونه مسائل قدیمی جزء و کل، شیء و رابطه، نظم و بی‌نظمی، قانون و علیت، زمان، اطلاعات و شناخت را در صورت‌هایی تازه پیش روی علم و فلسفه قرار می‌دهد و حتی چگونه می‌توان خود جهان را به‌مثابه یک مسئله پیچیده دوباره مورد پرسش قرار داد.

بنابراین این کتاب صرفاً تاریخ فیزیک یا تاریخ فلسفه نیست. مسئله اصلی آن دنبال کردن رابطه‌ای است که در طول تاریخ میان شناخت علمی و پرسش فلسفی شکل گرفته است: هر بار که علم بخشی از جهان را بهتر شناخته، چه پرسش‌های تازه‌ای درباره خودِ جهان، درباره ابزار شناخت و درباره حدود همان دانشی که به دست آورده، پدید آمده است؟

در این مسیر، کتاب از یک «هم‌سرنوشتی» میان فیزیک و فلسفه سخن می‌گوید؛ نه به این معنا که این دو یکی هستند یا باید جای یکدیگر را بگیرند، بلکه به این معنا که گسترش دانش علمی بارها صورت پرسش‌های فلسفی را تغییر داده و خودِ دانش نیز از این بازپرسش‌ها بی‌نصیب نمانده است.

این کتاب به‌صورت رایگان و در شش فصل در کانال «دانش پیچیدگی» در دسترس علاقه‌مندان قرار می‌گیرد. اگر به تاریخ فیزیک و فلسفه، تحول تصویر انسان از جهان، مسائل بنیادین فیزیک جدید و نسبت آنها با دانش پیچیدگی علاقه‌مندید، می‌توانید این سفر را از فصل اول آغاز کنید و تا مرزهای امروزی پرسش‌های مشترک فیزیک، دانش پیچیدگی و فلسفه ادامه دهید.
در این کتاب عمداً از ورود به فرمول‌های سنگین ریاضی و فیزیک و نیز از پیچیده‌کردن بحث با مناظرات و اصطلاحات مغلق فلسفی پرهیز شده و تلاش شده است مفاهیم پیچیده در زبانی روان و قابل‌فهم برای خواننده‌ای با آشنایی مقدماتی با فیزیک و فلسفه بیان شوند.
ارادتمند همگی-مسعود امیرزاده
https://t.me/complexitythinking