Scale-Free Identity : The Emergence of Social Network Science
Problem: Science is full of punctuating events that terminate periods during which styles of doing research are more or less reproduced. During the Constructivist Turn (about 1976), the sociology of science left the institutionalist program behind and turned towards the Sociology of Scientific Knowledge with its focus on context effects. Social Network Analysis is a way of studying agents embedded in contexts. During the Cultural Turn (about 1992), a fraction of this domain initiated Relational Sociology, strongly associated with the theory of Harrison C. White. Proponents advocate modeling social networks not purely structurally but as intertwined with cultural meaning. Then, in about 1998, physicists discovered social networks as representations of complex systems. Small-world and scale-free networks are the paradigmatic models of this Network Science, the emergence of which marks the Complexity Turn in Social Network Analysis. This work addresses the structure/culture, micro/macro, and stability/change problems. How useful is Relational Sociology's concept of identity to model scientific communities? What is the importance of emergence in modeling identity? What mechanism can explain stability as well as change? What is the contribution of Network Science modeling?
Approach: Relying on various models and mechanisms of socio-cultural processes from Relational Sociology and Complexity Science, an identity model is developed and calibrated in a case study of Social Network Science. This research domain results from the union of Social Network Analysis and Network Science. A unique dataset of 25,760 scholarly articles from one century of research (1916-2012) is created. Clustering this set of publications, five subdomains are detected that are labeled Social Psychology, Economic Sociology, Social Network Analysis, Complexity Science, and Web Science. These identities are then analyzed in terms of authorship, citation, and word usage structures and dynamics. For this purpose, a graph theoretical data model is developed that allows comparisons across these three scholarly practices. In this model, authors, cited references, and words are treated as Durkheimian social facts. The scaling hypothesis of percolation theory is formulated for socio-cultural systems, namely that power-law size distributions like Lotka's, Bradford's, and Zipf's Law mean that the described identity resides at the phase transition between the stability and change of meaning. In this case, it can be diagnosed using bivariate scaling laws and Abbott's heuristic of fractal distinctions.
Results: Identities are not dichotomies but dualities of social network and cultural domain, micro and macro phenomena, as well as stability and change. First, story sets that give direction to research fluctuate less, are less distinctive, and more inert than the individuals doing the research. Words have longer average lifetimes than authors, and word co-usage meaning structures are more centralized than co-authorship networks. Second, identities are scale-free. Not only are persons, groups, organizations, etc. manifestations of an idealized identity at different levels of socio-cultural complexity. Concrete identities also extend over multiple such levels. Third, six senses are diagnostic of different aspects of identity, and when they come together as process, a complex socio-cultural system comes into existence. The scaling hypothesis needs not be rejected. The convergence of identities to linear preferential attachment indicates that stability and change co-exist at a fractal phase transition. As expected from percolation theory, this state can be described by a number of scaling laws. Self-organization to criticality is expressed through hierarchically modular small-world social structures and self-similar meaning structures and dynamics. The evolution of the domain is convergent, i.e., it does not progress in a division of labor but in distinctions that repeat in themselves. Social Psychology is an exception because its story set is too different. All other subdomains continuously change through mating with other styles. The Complexity Turn of 1998 was not a scientific revolution because Social Network Science was not normal science until 2002. It was a scientific breakthrough that caused all subdomains but Social Psychology to markedly innovate.
Contribution: A scale-free identity model with a corresponding data model is built that allows for studying the structure and dynamics of complex socio-cultural systems. The model is calibrated by operationalizing concepts from the toolbox of Relational Sociology (identity, control, autocatalysis, discipline, institution, style, switching, Bayesian fork, innovation, invention, ambage, and ambiguity) and studying the identity Social Network Science using a new data set. A mutual benefit that results from mating Relational Sociology and Network Science is identified. The latter can learn from the former that social systems are dualities of transactions and meaning and that studying multiple dimensions of the same system creates valuable insights about their identity. For the social sciences, the importance of Paretian thinking (scale invariance) is pointed out. The meaning of small-world and scale-free network models is that a mechanism of fractal optimization keeps identities adaptable through balancing stability and change. First steps are taken towards predicting change through a calculus of social and cultural uncertainty, to be developed in a framework of Computational Social Science.Problem: Die Wissenschaft ist voller Umbrüche, die Perioden beenden, in denen Forschungsstile mehr oder weniger reproduziert werden. Während der konstruktivistischen Wende (um 1976) ließ die Wissenschaftssoziologie das institutionalistische Programm hinter sich und wandte sich der Sociology of Scientific Knowledge mit deren Fokus auf Kontexteffekte zu. Social Network Analysis ist ein Weg, Agenten und deren Einbettungen in Kontexte zu untersuchen. Während der kulturellen Wende (um 1992) initiierte ein Teil dieser Forschungsrichtung die Relationale Soziologie. Diese ist wesentlich mit der Theorie von Harrison C. White assoziiert. Verfechter modellieren soziale Netzwerke nicht rein strukturell sondern zusätzlich als Träger kultureller Bedeutung. Gegen 1998 dann entdeckten Physiker soziale Netzwerke als Darstellung komplexer Systeme. Kleine-Welt- und skalenfreie Netzwerke sind die paradigmatischen Modelle der Network Science, deren Entstehung innerhalb der Social Network Science die Komplexitätswende ausmacht. Die vorliegende Arbeit behandelt die Struktur/Kultur-, Mikro/Makro- und Stabilität/Veränderung-Probleme der Soziologie. Wie brauchbar ist das Identitätskonzept der Relationalen Soziologie, um wissenschaftliche Gemeinschaften zu modellieren? Wie wichtig ist das Emergenzkonzept für ein Identitätsmodell? Welcher Mechanismus kann sowohl Stabilität als auch Veränderung erklären? Welchen Beitrag leistet die Network Science zur Modellbildung?
Ansatz: Auf der Basis verschiedener Modelle und Mechanismen sozio-kultureller Prozesse aus der Relationalen Soziologie und der Komplexitätsforschung wird ein Identitätsmodell entwickelt und in einer Fallstudie der Social Network Science kalibriert. Dieses Forschungsgebiet ergibt sich aus der Vereinigung von Social Network Analysis und Network Science. Ein Datensatz aus 25.760 wissenschaftlichen Fachaufsätzen aus einem Jahrhundert der Forschung (1916-2012) wird erstellt. Durch Clustering-Analyse werden darin die fünf überlappenden Teilgebiete Sozialpsychologie, ökonomische Soziologie, Social Network Analysis, Komplexitätsforschung und Web Science erkannt. Diese Identitäten werden dann hinsichtlich der Strukturen und Dynamiken untersucht, die sich aus Autorenschaft, Zitationen und Wortverwendungen ergeben. Zu diesem Zweck wird ein graphentheoretisches Datenmodell entwickelt, welches Vergleiche dieser drei wissenschaftlichen Praktiken ermöglicht. In diesem Modell werden Autoren, zitierte Referenzen und Worte als Durkheim'sche soziale Fakten behandelt. Die Skalierungshypothese der Perkolationstheorie wird für sozio-kulturelle Systeme formuliert. Demnach bedeutet die Verteilung von Größen nach einem Potenzgesetz wie Lotkas, Bradfords und Zipfs Gesetz, dass die Bedeutungsstruktur der beschriebenen Identität sich am Phasenübergang zwischen Stabilität und Veränderung befindet. In diesem Fall kann Identität mit Hilfe bivariater Skalierungsgesetze und Abbotts Heuristik fraktaler Unterscheidungen diagnostiziert werden.
Ergebnisse: Identitäten sind nicht Dichotomien sondern Dualitäten sozialer Netzwerke und kultureller Bereiche, von Mikro- und Makro-Phänomenen sowie von Stabilität und Veränderung. Erstens, Story Sets, die Forschung eine Richtung geben, fluktuieren weniger, sind weniger unterscheidend und träger als die Individuen, die die Forschung machen. Wörter haben längere mittlere Lebensdauern als Autoren, und Wort-Koverwendungen als Bedeutungsstrukturen sind zentralisierter als Koautorenschaftsnetzwerke. Zweitens, Identitäten sind skalenfrei. Nicht nur sind Personen, Gruppen, Organisationen usw. Manifestationen einer idealisierten Identität auf verschiedenen Ebenen sozio-kultureller Komplexität, Identitäten erstrecken sich auch über mehrere solcher Ebenen. Drittens, Identität lässt sich hinsichtlich sechs verschiedener Aspekte diagnostizieren. Wenn diese als Prozess zusammenkommen, existiert ein komplexes sozio-kulturelles System. Die Skalierungshypothese muss nicht verworfen werden. Die Beobachtung eines linearen Matthäuseffekts bei allen fünf Identitäten zeigt, dass Stabilität und Veränderung an einem fraktalen Phasenübergang koexistieren. Wie nach der Perkolationstheorie erwartet, kann dieser Zustand durch verschiedene Skalierungsgesetze beschrieben werden. Selbstorganisation in den kritischen Zustand zeigt sich durch hierarchisch-modulare Kleine-Welt-Netzwerke und selbstähnliche Strukturen und Dynamiken. Die Evolution des Forschungsgebiets ist konvergent, d.h. es schreitet nicht in Arbeitsteilung fort, sondern in Unterscheidungen, die sich in sich selbst wiederholen. Die Sozialpsychologie ist eine Ausnahme, denn ihr Story Set ist zu unterschiedlich. Alle anderen Teilgebiete verändern sich kontinuierlich, indem sie sich von den Stilen der anderen inspirieren lassen. Die Komplexitätswende von 1998 war keine wissenschaftliche Revolution, denn die Social Network Science war bis 2002 keine Normalwissenschaft. Die Wende war ein Durchbruch, der dazu führte, dass alle Teilbereiche außer der Sozialpsychologie sich wesentlich erneuerten.
Beitrag: Ein skalenfreies Identitätsmodell mit einem korrespondierenden Datenmodell wird entwickelt, mit dem sich die Struktur und Dynamik komplexer sozio-kultureller Systeme studieren lässt. Dieses Modell wird kalibriert durch die Operationalisierung von Konzepten aus dem Werkzeugkasten der Relationalen Soziologie (Identität, Kontrolle, Autokatalyse, Institution, Stil, Switching, Bayesian Fork, Innovation, Invention, Ambage und Ambiguity) und die Analyse der Identität Social Network Science anhand eines neuen Datensatzes. Ein gegenseitiger Nutzen aus der Verbindung von Relationaler Soziologie und Komplexitätsforschung wird identifiziert. Letztere kann von Ersterer lernen, dass soziale Systeme Dualitäten von Transaktionen und Bedeutungen sind und dass die Diagnose verschiedener Dimensionen desselben Systems wertvolle Einsichten über seine Identität erlauben. Die Sozialwissenschaften werden auf die Wichtigkeit Pareto'schen Denkens (Skaleninvarianz) hingewiesen. Die Bedeutung von Kleine-Welt- und skalenfreien Netzwerken besteht darin, dass Identitäten durch einen Mechanismus fraktaler Optimierung anpassungsfähig bleiben, indem sie ein Mittelmaß von Stabilität und Veränderung finden. Durch die Analyse sozialer und kultureller Unsicherheit wird ein erster Schritte in Richtung der Vorhersage von Veränderung gemacht. Dieser kann die Grundlage für weitere Schritte im Rahmen einer Computational Social Science sein.