Rense Corten

I am pleased to announced that Rationality and Society just published a paper I co-authored with Andrea Knecht, titled “Alcohol use among adolescents as a coordination problem in a dynamic network.” In this somewhat unorthodox paper, we use a really cool longitudinal dataset on adolescent networks (collected by Andrea) to test predictions by a simulation model from one of my earlier papers.

This is the abstract:

Whereas most research on substance (ab)use by adolescents studies only the effects of personal networks of adolescents, we propose a theoretical approach that allows for predictions on the effects of the macro-level social network structure on usage rates. We model alcohol use as risk-dominant but inefficient behaviour in a coordination problem, given that adolescents face incentives to align their behaviour with their friends. We propose a game-theoretical model in which actors choose behaviour in a repeated coordination game in an endogenous network. Predictions on levels of alcohol use depending on initial network structure are based on computer simulations of this model. We test the predictions using longitudinal data on alcohol use and friendship choices in school classes in Dutch high schools. We replicate the predicted ‘catalysing’ effect of initial network density on the development of alcohol use but the predicted opposing effect of centralization could not be confirmed.

Omar Lizardo tweets some nice pics Watts-Strogatz small world networks made with netplot in Stata:

The original PDF with the pictures is here, the Mata code to generate the networks is here.

Scientific Reports just published a very interesting article by Matthew Brashears titled “Humans use Compression Heuristics to Improve the Recall of Social Networks“.

Here’s the abstract:

The ability of primates, including humans, to maintain large social networks appears to depend on the ratio of the neocortex to the rest of the brain. However, observed human network size frequently exceeds predictions based on this ratio (e.g., “Dunbar’s Number”), implying that human networks are too large to be cognitively managed. Here I show that humans adaptively use compression heuristics to allow larger amounts of social information to be stored in the same brain volume. I find that human adults can remember larger numbers of relationships in greater detail when a network exhibits triadic closure and kin labels than when it does not. These findings help to explain how humans manage large and complex social networks with finite cognitive resources and suggest that many of the unusual properties of human social networks are rooted in the strategies necessary to cope with cognitive limitations.

This paper is potentially an important contribution to the literature that studies how large social network structures emerge as unintended consequences of individual choices. The question how humans deal cognitively with large complex network structures has been lingering in this literature for a while, with for example game theorists routinely assuming that actors are capable of observing and understanding the entire network in a large population. Brashears’ results will help to replace such obviously unrealistic assumptions with better ones. What it also great is how Brashears gets to these results with relatively simple experimental procedures such as vignette experiments.

However, I think that Brashears jumps a little too far with  his conclusions when he writes in the discussion that

These findings show that humans adaptively make use of schemata as compression heuristics to store social information more efficiently. This permits humans to develop and maintain social networks that are substantially larger than might be expected based on their neocortical ratios…Networks that can be more easily represented in the mind (e.g., adhere to schemata) can reach larger absolute sizes and provide a competitive advantage.

This looks like a classic micro-macro fallacy to me: just the fact that human are better capable of recalling certain types of network structures does yet tell us how these network structures would emerge, let alone whether there would be a competitive advantage. For sure, the extent to which humans can cognitively comprehend large network structures will affect their choices in creating their network, but the the overall network structure is still the collective effect of the many interdependent choices of the individuals in the network, and predicting the resulting network is a much more complex (and unsolved) puzzle than Brashears seems to suggest.

Vorige week verscheen het rapport van de commissie-Cohen over de “Facebookrellen” in Haren in 2012. Als netwerkonderzoeker met een speciale interesse in online sociale netwerken was ik verheugd te zien dat het rapport ook een kwantitatieve analyse van het online netwerkverkeer bevat, en ik bladerde dan ook gretig door naar het kopje “Netwerk analyse” (sic) in Deelrapport 2: De Weg naar Haren. In deze paragraaf vinden we een aantal fraaie visualisaties van het Facebooknetwerk in termen van wie-reageert-op-wie, waarbij de ontwikkeling van het netwerk over de tijd in beeld gebracht wordt. Hoewel ik blij ben dat netwerkanalyse in een dergelijk rapport terechtkomt, en hoewel ik snap dat de tijd die de onderzoekers voor de analyse hadden beperkt was, vond ik de conclusies (op p.27-28) toch wat teleurstellend. Ik kon het niet laten mijn kanttekeningen bij de conclusies hier samen te vatten.

1. “In het figuur zijn mensen zeer sterk met elkaar verbonden”Een verbinding is gedefinieerd als een reactie op een post, dus wat deze conclusie eigenlijk zegt is dat er veel reacties op posts zijn. Om dat te concluderen hebben we geen netwerkanalyse nodig. De auteurs zouden ook kunnen bedoelen dat de Facebookers verbonden zijn in één hecht verbonden component, maar ook die conclusie is weinig informatief; met zoveel reacties is dat ook precies wat je op basis van klassieke grafentheorie zou verwachten.
2. “Er kan geen onderscheid worden gemaakt tussen verschillende clusters van mensen doordat de verbondenheid binnen het netwerk zeer groot is.”Die conclusie, alleen op basis van deze plaatjes, lijkt me voorbarig. Visualisaties van grote netwerken worden al gauw een visuele warboel (zo ook hier), en daar nog op het oog structuur in zien is erg lastig. De structuur die we in netwerkplaatjes kunnen zien hangt bovendien af van  het specifieke algoritme dat voor de plaatsing van de “knooppunten” in het netwerk gebruikt wordt. Boeken over netwerkanalyse staan vol met meer kwantitatieve methoden om clusters op te sporen, maar er zijn geen aanwijzingen dat die hier gebruikt zijn.
3. “Een grote groep mensen verstuurt slechts enkele berichten. Slechts 13% van de mensen is verantwoordelijk voor 56% van het verkeer.”Ook dit is geen conclusie waar we netwerkanalyse voor nodig hebben; het tellen van het aantal berichten per persoon is hier voldoende.
4. “Op 17 september vindt een sterke groei van het aantal verbindingen plaats. Een zogeheten kritieke massa diende zich dus aan net voor en op de dag van de eerste aandacht van de massamedia.”Het gebruik van de term “kritieke massa” suggereert dat we hier een dynamisch, zichzelf versterkend sociaal proces op het spoor zijn. Een voetnoot in het rapport bevestigt die lezing: “Een kritieke massa wordt gevormd bij een niet exact aan te duiden omslagpunt in het aantal aanmeldingen, verbindingen of andere deelnemingen. Op dit punt vindt in elk geval een duidelijke versnelling plaats. Voor nieuwe aanmeldingen of verbindingen heeft het zin om mee te gaan doen omdat er voldoende andere participanten zijn. Men steekt elkaar aan, en het gaat als het ware ‘vanzelf’ lopen.”  Deze interpretatie blijkt echter in het geheel niet uit de analyse: het enige dat we zien is dat op een bepaald moment het aantal berichten sterk toeneemt. Of dit komt door de interne dynamiek van het proces of door externe factoren kunnen we in de plaatjes helemaal niet zien, zoals Peter Vasterman al elders opgemerkte. Ook later in het rapport speelt deze “kritieke massa” nog een rol.
5.  ”Uit de verschillende kleuren kan worden afgeleid dat op verschillende momenten verschillende groepen mensen aan het woord zijn.”Ook hier speelt netwerkanalyse eigenlijk geen rol. Dat op verschillende momenten verschillende groepen actief zijn wisten we ook al uit de vorige paragraaf van het rapport. De conclusie is extra merkwaardig omdat de groepen (en kleuren) in die paragraaf al mede gedefinieerd zijn aan de hand van het moment waarop de leden actief waren. Deze conclusie lijkt dus haast tautologisch.
6. ” Ook zien we dat de groepen (kleuren) min of meer bij elkaar clusteren. Hieruit concluderen we dat mensen op een bepaald moment inhaken bij de discussie die gaande is.”Behalve dat deze  observatie in strijd lijkt met conclusie #2, is de conclusie eigenlijk nietszeggend; men kan immers niet inhaken op iets dat niet al gaande is, en al helemaal niet op een onbepaald moment.

Kortom: hoewel netwerkanalyse een methode is om de structuur van sociale groepen te onderzoeken, leren we hier eigenlijk erg weinig over die structuur. De hele exercitie in het rapport is bedoeld om de vraag te beantwoorden of “bepaalde groepen (of zelfs individuen) een cruciale rol hebben gespeeld in het proces” (p.26). Ik vraag mij sterk af in hoeverre de bovengenoemde conclusies helpen bij het beantwoorden van die vraag; in ieder geval wordt er in het vervolg van het rapport niet meer echt op teruggekomen. Misschien komt dat omdat de vraag ook nog niet erg specifiek geformuleerd is. Wat is namelijk “cruciaal”? Betekent dat dat bepaalde mensen centraal staan in het netwerk, in de zin dat veel informatie via hen loopt? Het beantwoorden van zo’n vraag vereist in ieder geval een theoretisch idee over hoe invloed in zo’n netwerk van reacties werkt. Netwerkanalyse biedt vervolgens allerlei methoden om die invloed, en het is jammer dat die hier niet gebruikt zijn. Let wel, ik wil hier niet beweren dat zo’n analyse simpel zou zijn, of dat de beschikbare data überhaubt toereikend zouden zijn om die vraag te beantwoorden, maar ik denk wel dat de auteurs hier met de term  ‘netwerkanalyse’ meer beloven dan ze waarmaken. Wie overigens zelf met de data aan de slag wil kan ze hier downloaden.

Het reactienetwerk in Facebook op 21 september. Bron: Van Dijk et al. (2012): De weg naar Haren. http://commissieharen.nl

Enige tijd geleden publiceerde Sociologie Magazine een column door Abraham de Swaan over experimentele sociologie. Omdat ik experimentele sociologie tot mijn expertise reken, De Swaan naar mijn mening de plank een beetje mis slaat, en er onderaan het stuk de oproep “Reageren? Mail naar Redactie@sociologiemagazine.nl” stond, schreef ik enthousiast een reactie en mailde die naar Sociologie Magazine. Die blijken echter zulke reacties niet in het magazine zelf te plaatsen, maar alleen op de website, zonder verdere omhaal. Vandaar dat ik de tekst van mijn reactie hier nog maar eens publiceer.

In zijn column “Het Milgram Monopolie” stelt Abram de Swaan dat er geen sociologische laboratoria bestaan waar “maatschappijvorsers in witte jassen sociale processen nabootsen in proefopstelling”. De eerste witte jassen moeten er inderdaad nog gesignaleerd worden, maar de sociologische laboratoria bestaan wel degelijk. Al decennia lang zijn er sociologen die experimentele methoden gebruiken voor het onderzoeken van sociale processen. Het gaat hierbij om vragen als: hoe komen samenwerking en vertrouwen tot stand? Wat zijn de effecten van formele en informele instituties op keuzegedrag? Hoe ontstaan normen of sociale netwerken?

De Swaan hoeft daarvoor niet ver van huis: experimentele sociologie behoort tot de specialiteiten van de sociologie-afdelingen van Groningen en Utrecht; de laatste heeft zelfs daadwerkelijk een eigen lab (www.else-utrecht.nl). Ook de Swaan’s eigen (voormalige) afdeling in Amsterdam heeft met Klarita Gerxhani een experimentalist in huis. De aandacht voor dit soort onderzoek is groeiende, en resultaten worden tot in de meest prestigieuze tijdschriften gepubliceerd.

De eigenlijke strekking van De Swaan’s column is natuurlijk dat sociologisch experimenteel onderzoek in de praktijk door sociaal-psychologen gedaan wordt, en dus rijst de vraag wat het bovengenoemde onderzoek nu “sociologisch” maakt. Hierin zijn tenminste twee elementen te ontwaren. Ten eerste onderscheiden sociologische experimenten zich van sociaal-psychologische door het gebruik van methoden die veelal aan de experimentele economie ontleend zijn. Dit houdt bijvoorbeeld in dat proefpersonen monetaire prikkels ontvangen voor de keuzes die ze maken (om aan te sluiten bij hypothesen over doelgericht gedrag), en dat geprobeerd wordt proefpersonen zo min mogelijk of helemaal niet te misleiden, zoals in de sociale psychologie wel heel gebruikelijk is.

Nog belangrijker is echter het tweede element: sociologische experimenten worden ontworpen om sociologische vragen te beantwoorden.

Deze vragen gaan uiteindelijk over de effecten van sociale condities op sociale uitkomsten (macro-macro), maar verklarende mechanismen worden in navolging van het gedachtegoed van denkers als Popper en Coleman gezocht in de interactie tussen individuen (macro-micro en vooral micro-macro).

Het zijn juist hypothesen over dit soort mechanismen die experimenteel sociologen in het lab proberen te toetsen, door heel precies de sociale effecten die in sociologische theorieën verondersteld worden na te bootsen. De experimenten van sociaal psychologen gaan weliswaar vaak ook over groepsprocessen, maar zijn toch meer gericht op hoe het individu zich in sociale situaties gedraagt, en minder op mechanismen die onderdeel zijn van bredere micro-macroverklaringen. Uiteraard leent niet iedere sociologisch theorie zich even goed voor experimentele toetsingen, maar waar mogelijk kunnen ook sociologen gebruik maken van het vermogen van experimentele methoden om causale verbanden aan te tonen.

Ik ben het dan ook niet eens met De Swaan’s centrale stelling: dat als gevolg van een min of meer toevallig gegroeide arbeidsdeleling experimentele sociologie vooral door sociaal-psychologen bedreven wordt.

Een eigen experimentele sociologie bestaat wel degelijk, met haar eigen methoden en vooral haar eigen vragen en hypothesen.

Earlier this week the Dutch queen Beatrix announced that she will soon step down in favor of her son, who will then be king. In the media storm that followed, I was struck by the outburst of support for the monarchy in general and the queen in particular. Politicians, journalists, artists, and intellectuals all sang the praises of this “remarkable” woman, who seems to have such “exceptional qualities” like being moved after witnessing a disaster, being genuinely interested in politics, or having a sense of humor.

To me, this is somewhat of a puzzle. I find it hard to believe that all these smart and highly educated people really believe that a person deserves to be highly respected (and extremely well paid) simply because she happens to have been born into a certain family that somewhat arbitrarily happened to end up as the royal family of the Netherlands. I was reminded by this AJS article by Centola, Willer and Macy,  who demonstrate the conditions under which norms in which only few people truly believe can nevertheless be supported by large fractions of the population.

The on-line open access journal PLoS ONE (claimed to be the largest in the world), seems to attract more and more social scientists, perhaps lured (like me) by its promise of fast turnaround and focus on solid research rather than “relevance.” However, until recently, “social science” was not an official subject category in PLoS ONE, making social science contributions difficult to find among the vast amounts of natural sciences and medicine articles published there each month. Now I noticed that they have seriously expanded their number of subject categories, which now include labels such as “social science”, “sociology”, “economics” and “social networks”,  among many others. As a result, one can now for example directly find new sociology papers via a link in the weekly e-mail notifications. Although the system does not classify everything perfectly yet (e.g., also this is classified as sociology), this new policy should really help to make social science more visible in this exiting journal.

This is what the notoriously disorganized Burning Man festival looks like from space. Pretty organized, actually.

Picture by DigitalGlobe, via news.discovery.com.

Recently, I decided that it was time for this blog to have a “real” web address, so as of last month, it lives at www.rensecorten.org. The old address will still work, but I’d appreciated it those who link to this website could update their links.

What’s more, last fall I also moved to a different university.  As of September 2012, I am assistant professor at the Department of Sociology at Tilburg University. My new official website is here.

I haven’t done much blogging lately because of teaching obligations, but hope to be a bit more productive in the coming months.

I am pleased to announce that my paper with Michał Bojanowski and Bastian Westbrock titled “The structure and dynamics of the global network of inter-firm R&D partnerships 1989–2002″ was just published by  the Journal of Technology Transfer. *)

Here’s the abstract:

Research and development (R&D) partnerships are formed to share the risks and benefits of R&D. At the macro level, they result in a globe-spanning network that can be a valuable source of international knowledge spillovers. This network is the subject of a considerable body of literature. Often-made claims are that R&D collaboration is an important activity in a competitive environment, but that the importance of international partnerships has declined over time. Furthermore, it is claimed that collaborations are disproportionally concentrated within the developed economies. However, this literature fails to account for variations in the sizes of underlying firm populations between countries and over time. We argue that these population sizes create an opportunity structure of available collaboration partners for firms, and that ignoring variations in this structure potentially leads to erroneous conclusions about the structure and dynamics of the R&D network. To address this problem, we study the structure and dynamics of the global R&D network on an international and cross-industry scale using longitudinal data for 1989–2002. We integrate data on public firms and their R&D partnerships and confront earlier findings with our data and a set of methods, which enables us to correct for the structure and dynamics in the firm population. While our study confirms previous findings concerning the worldwide trend in collaborative activity, it also shows that results on individual countries need correction. In particular, the importance of R&D collaboration for US companies is overestimated, while their openness towards foreign partners is underestimated.

Find the full paper here.

*) Interestingly, the paper has been available on the journal’s  “online first”  website for over a year before publication.