Simple Science

Scienza all'avanguardia spiegata semplicemente

# Fisica# Fisica e società# Reti sociali e informative# Econometria

Collegare le scelte individuali all'influenza sociale

Combinare intuizioni su come prendere decisioni e reti sociali per promuovere il cambiamento comportamentale.

― 7 leggere min


Strategie di Influenza eStrategie di Influenza eAdozionesociali per il cambiamento.Combinare intuizioni individuali e
Indice

Affrontare questioni come la salute pubblica e i cambiamenti climatici spesso richiede di ottenere grandi gruppi di persone ad accettare nuovi prodotti o comportamenti. Non è facile. Studi su come le persone prendono decisioni suggeriscono che per una adozione di successo, dobbiamo capire meglio cosa motiva le persone a scegliere certe opzioni. D'altra parte, i metodi che derivano dalla comprensione delle Reti Sociali si concentrano su come diffondere un prodotto o un comportamento specifico attraverso reti di persone.

C'è stata una spinta per combinare questi due approcci, ma realizzarlo si è rivelato difficile. Questo articolo mostra come mettere insieme queste prospettive possa aiutare a creare politiche che promuovano l'accettazione diffusa di certi comportamenti o prodotti.

Utilizzando teorie su come le idee e i comportamenti si diffondono nelle reti, così come teorie sulle scelte individuali, proponiamo un modo per misurare quanto è probabile che le persone adottino nuovi comportamenti. Testiamo le nostre idee attraverso due esperimenti e scopriamo che le scelte individuali possono essere previste in base a come rispondono alle loro reti sociali.

Sfide Globali e Risposte Politiche

Le questioni globali hanno bisogno di risposte efficaci. Ad esempio, durante la pandemia di COVID-19, i governi hanno richiesto alle persone di seguire comportamenti specifici, come indossare mascherine e restare a casa quando malati. Questi approcci dall'alto a volte funzionano, ma possono anche incontrare resistenza o mancanza di conformità.

In altri settori come trasporti, salute e uso dell'energia, anche quando esistono opzioni che potrebbero ridurre notevolmente le emissioni, convincere le persone ad adottare pratiche sostenibili può essere difficile. Anche se molte tecnologie e comportamenti sostenibili sono ben noti, persuadere il pubblico ad adottarli rimane una sfida significativa.

Per informare le politiche tese a incoraggiare il cambiamento sociale, i ricercatori spesso discutono due approcci principali. Uno si concentra sulla comprensione della decisione individuale per identificare cosa guida le scelte delle persone. L'altro guarda a come il Comportamento Collettivo è plasmato dalle reti sociali senza entrare troppo nei motivi individuali. Entrambi i metodi hanno spunti preziosi, ma operano spesso in modo indipendente.

La Disconnessione Tra Comportamento Individuale e Dinamiche Collettive

La ricerca sulla decisione individuale di solito mira a una comprensione dettagliata di cosa influenza le scelte. Tuttavia, questa complessità significa che i risultati potrebbero non applicarsi direttamente a comportamenti sociali più ampi. D'altra parte, gli approcci computazionali al comportamento collettivo tendono a semplificare le scelte individuali per trovare schemi nei comportamenti di gruppo, il che potrebbe trascurare come le differenze individuali impattano le dinamiche sociali.

Entrambe le prospettive hanno chiesto una migliore integrazione per aiutare i decisori politici a rispondere efficacemente a sfide globali complesse. Questo articolo spera di colmare il divario esplorando entrambi gli approcci nel contesto dell'adozione di nuovi prodotti o comportamenti.

La Teoria del Contagio Complesso

La teoria principale per modellare il cambiamento sociale si basa sul concetto di contagio complesso. Questa teoria descrive come nuove idee e comportamenti si diffondono in vari contesti. In molti casi, una persona è più propensa ad adottare un nuovo comportamento se un numero significativo dei suoi contatti sociali lo ha già fatto. Questo metodo si basa sull'assunzione che gli individui abbiano una soglia specifica che devono vedere soddisfatta prima di adottare un nuovo comportamento.

Tuttavia, c'è una sorprendente mancanza di prove empiriche su queste soglie a livello individuale. Questo articolo dimostra che queste soglie possono essere stimate utilizzando modelli provenienti da studi comportamentali, permettendoci di capire meglio come le scelte individuali si relazionano a schemi più ampi di adozione.

Driver Comportamentali dell'Adozione

Quando si considera un nuovo prodotto o comportamento, la scelta di un individuo dipenderà spesso sia dalle qualità del prodotto che dall'influenza dei suoi contatti sociali. Per esempio, una persona potrebbe essere più incline ad adottare una nuova tecnologia se una buona parte dei suoi amici la sta già usando.

Definiamo la soglia di adozione come il livello minimo di influenza sociale necessario affinché qualcuno senta che adottare la nuova opzione è preferibile a rimanere nella propria situazione attuale. Utilizzando modelli dalla scienza comportamentale, colleghiamo le preferenze personali a queste influenze sociali. Questo approccio strutturato può aiutare a identificare chi è più probabile che adotti un nuovo comportamento in base al proprio ambiente sociale.

Approccio Sperimentale e Risultati

Per confermare il nostro metodo, abbiamo svolto due esperimenti concentrandoci su contesti diversi: uno relativo alle politiche energetiche rinnovabili e l'altro all'adozione di una nuova app di messaggistica. In entrambi i casi, i partecipanti hanno ricevuto scelte tra diverse opzioni, ognuna descritta da molteplici caratteristiche e dal loro livello di influenza sociale.

Il primo esperimento ha valutato il supporto per politiche di cattura del carbonio, mentre il secondo ha esaminato quale app di messaggistica i partecipanti potrebbero considerare. In entrambi i casi, abbiamo stimato la disponibilità degli individui ad adottare in base agli attributi delle opzioni presentate.

Abbiamo scoperto che le soglie di adozione possono essere stimate accuratamente dai dati raccolti, e queste stime si sono dimostrate affidabili nel fare previsioni sulle scelte individuali.

Adozione Indipendente vs. Suscettibile

Una scoperta chiave dai nostri esperimenti è la distinzione tra diversi tipi di adottatori. Alcuni individui fanno scelte indipendentemente dalle influenze sociali, mentre altri sono più suscettibili a ciò che pensano i loro coetanei. Abbiamo misurato la percentuale di individui che rientrano in queste categorie in diversi contesti.

I risultati hanno mostrato una significativa variazione nel modo in cui gli individui rispondevano ai segnali sociali. Ad esempio, l'adozione di politiche energetiche ha mostrato un comportamento più indipendente rispetto all'adozione di app di messaggistica. Questo evidenzia l'importanza di comprendere il contesto quando si analizza l'influenza sociale.

Implicazioni per la Politica

Date queste intuizioni, è chiaro che le politiche tese a promuovere il cambiamento sociale dovrebbero considerare le soglie stimate per gli individui. Gli approcci tradizionali spesso si basano sulla centralità delle reti, il che potrebbe trascurare i driver comportamentali più sfumati dell'adozione.

Presentiamo diverse politiche basate sui nostri risultati, concentrandoci su come iniziare efficacemente la diffusione di nuovi comportamenti. Ad esempio, politiche che danno priorità a individui con soglie basse o a quelli circondati da molti contatti suscettibili possono ottenere risultati significativamente migliori rispetto a pratiche standard basate esclusivamente su metriche di centralità.

Considerazioni per Politiche di Seeding Efficaci

Quando si cerca di promuovere l'adozione di nuovi comportamenti, è cruciale identificare quali individui mirare per primi. I risultati suggeriscono che adattare le politiche in base alle caratteristiche comportamentali è più efficace che semplicemente prendere di mira nodi altamente connessi nelle reti sociali.

Ad esempio, una politica che tiene conto del numero di vicini suscettibili attorno a un individuo potrebbe dare risultati migliori rispetto a una politica basata solo sul grado di centralità dell'individuo.

Conclusione

In sintesi, integrare le intuizioni comportamentali a livello individuale con dinamiche collettive offre una strada promettente per migliorare le interventi di cambiamento sociale. Comprendere come le persone prendono decisioni e come queste decisioni operano all'interno delle reti sociali può informare politiche più efficaci per promuovere nuovi comportamenti.

Con il continuo evolversi dei metodi di raccolta dati e delle tecniche di analisi, ci sono opportunità per affinare ed espandere questi approcci. Le ricerche future dovrebbero concentrarsi sull'adattare il framework a contesti diversi e affrontare le complessità che sorgono quando le dinamiche collettive influenzano le preferenze individuali. Con questa conoscenza, i decisori politici saranno meglio equipaggiati per affrontare questioni globali urgenti e guidare un cambiamento significativo nella società.

Fonte originale

Titolo: Integrating behavioral experimental findings into dynamical models to inform social change interventions

Estratto: Addressing global challenges -- from public health to climate change -- often involves stimulating the large-scale adoption of new products or behaviors. Research traditions that focus on individual decision making suggest that achieving this objective requires better identifying the drivers of individual adoption choices. On the other hand, computational approaches rooted in complexity science focus on maximizing the propagation of a given product or behavior throughout social networks of interconnected adopters. The integration of these two perspectives -- although advocated by several research communities -- has remained elusive so far. Here we show how achieving this integration could inform seeding policies to facilitate the large-scale adoption of a given behavior or product. Drawing on complex contagion and discrete choice theories, we propose a method to estimate individual-level thresholds to adoption, and validate its predictive power in two choice experiments. By integrating the estimated thresholds into computational simulations, we show that state-of-the-art seeding methods for social influence maximization might be suboptimal if they neglect individual-level behavioral drivers, which can be corrected through the proposed experimental method.

Autori: Radu Tanase, René Algesheimer, Manuel S. Mariani

Ultimo aggiornamento: 2024-05-21 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2405.13224

Fonte PDF: https://arxiv.org/pdf/2405.13224

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Articoli simili