Політична поляризація стала визначальною структурною характеристикою сучасних демократичних суспільств, зумовленою складною взаємодією особистих упереджень, локального соціального впливу та ширшого інформаційного середовища. Розуміння механізмів, через які різнорідні думки трансформуються у структуровані ідеологічні поділи, потребує формального комп’ютерного моделювання, здатного інтегрувати просторові, поведінкові та часові компоненти. У цій роботі запропоновано модельний каркас на основі асинхронного клітинного автомата, у якому агенти розміщені в неперервному двовимірному ідеологічному просторі, що відображає економічні та соціальні погляди. Політичний стан кожного агента задається вектором, що дає змогу одночасно репрезентувати кілька ідеологічних вимірів, не зводячи політичну орієнтацію до одного скалярного показника.
Еволюція думок визначається трьома основними механізмами: збереженням попередніх переконань, локальним соціальним впливом у межах околу Мура та спрямованою тенденцією до ідеологічного екстремуму. Різнорідність агентів забезпечується поведінковими параметрами, зокрема впертістю, харизмою та різною чутливістю до внутрішніх і зовнішніх чинників. Для введення поступовості у динаміку думок інтегровано оновлення стану з урахуванням імпульсу та інерції – параметрів, що взяті з принципів ройового інтелекту, без припущення явної оптимізації чи цілеспрямованої колективної поведінки. У цьому контексті ройовий інтелект сприймається не в його класичному значенні, а як джерело структурних принципів для моделювання поведінки та індивідуальних траєкторій думок. Окрім локальних взаємодій, на систему впливає глобальний, змінний у часі екзогенний ідеологічний сигнал, що діє рівномірно на всіх та моделює розсіяні зовнішні впливи, такі як медіа наративи або макрополітичні події.
Процес виникнення та еволюції поляризації оцінюється як якісно, так і кількісно. Візуалізація, заснована на переході від декартових до полярних координат із подальшим використанням кольорового простору HSV, забезпечує інтерпретоване відображення напряму та інтенсивності ідеологічної позиції на решітці. Кількісне оцінювання здійснюється за допомогою комплексу метрик поляризації, зокрема індексу Морана для просторової автокореляції, індексу поляризації Естебана-Рея, показників міжгрупової відстані на основі кластеризації, кругової дисперсії, ентропії, індикаторів радикальності та коефіцієнтів міжвимірної кореляції. Їхнє поєднання дозволяє розрізняти поляризацію, різноманітність думок, формування консенсусу та радикалізацію.
Результати моделювання демонструють, що з початково різнорідного та просторово невпорядкованого розподілу думок поступово формуються структуровані ідеологічні кластери внаслідок локальних взаємодій та механізмів підсилення. З часом фрагментовані кластери зливаються у більші, суміжні області, що характеризуються внутрішньою однорідністю та зовнішнім розмежуванням. Важливо, що поляризація стабілізується без всеосяжної радикалізації, що свідчить про можливість ендогенного виникнення стійкого ідеологічного поділу на основі децентралізованих взаємодій та різнорідних поведінкових характеристик. У п’яти незалежних запусках основного набору параметрів ключові метрики поляризації, зокрема індекс Морана та індекс поляризації Естебана-Рея, підтверджують відтворюваність і структурну стійкість цього результату. Моделювання за альтернативних конфігурацій параметрів додатково демонструє, що запропонована модель здатна відтворювати якісно й кількісно різні політичні обставини, зокрема радикалізацію та ідеологічну фрагментацію.
Запропонований модельний каркас формує гнучку та інтерпретовану платформу для аналізу поляризації як багаторівневого динамічного процесу, зумовленого як локальними, так і глобальними чинниками.
- Alves, S. G., Neto, N., & Martins, M. L. (2018). Electoral surveys influence on the voting processes: a cellular automata model. Physica A: Statistical Mechanics and its Applications, 316(1-4). doi: 10.1016/S0378-4371(02)01208-6
- Carpentras, D., Lueders A., Maher, P. J., O’Reilly C., & Quayle M. (2023). How Polarization Extends to New Topics: An Agent-Based Model Derived from Experimental Data. Journal of Artificial Societies and Social Simulation, 26(3). doi: 10.18564/jasss.5105
- De Masi, G., Prasetyo, J., Zakir, R., & Mankovskii, N. (2021). Robot swarm democracy: the importance of informed individuals against zealots. Swarm Intelligence, 15(1). doi: 10.1007/s11721-021-00197-3
- Esteban, J., & Ray, D. (1994). The Measurement of Polarization. Econometrica, 62, 819-851. doi: 10.2307/2951734
- Fedele, G., Bozzo, E., & D’Alfonso, L. (2023). On the Impact of Agents With Influenced Opinions in the Swarm Social Behavior. IEEE Control Systems Letters, PP(99). doi: 10.1109/LCSYS.2023.3285884
- Feldman, S., & Johnston, C. (2014). Understanding the Determinants of Political Ideology: Implications of Structural Complexity. Political Psychology, 35(3). doi: 10.1111/pops.12055
- Fisher, R. A., & Yates, F. (1939). Statistical Tables for Biological, Agricultural, and Medical Research. Agron. J., 31(2). doi: 10.2134/agronj1939.00021962003100020011x
- Hegselmann, R., & Krause, U. (2002). Opinion Dynamics and Bounded Confidence Models, Analysis and Simulation. Journal of Artificial Societies and Social Simulation, 5(3), 2.
- Jost, J. T., Baldassarri, D. S., & Druckman, J. N. (2022). Cognitive-motivational mechanisms of political polarization in social-communicative contexts. Nature reviews psychology, 1(10), 560–576. doi: 10.1038/s44159-022-00093-5
- Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. Proceedings of ICNN'95 - International Conference on Neural Networks, 4, 1942-1948. doi: 10.1109/ICNN.1995.488968.
- MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1).
- Moran, P. A. P. (1950). Notes on Continuous Stochastic Phenomena. Biometrica, 37, 17-23. doi: 10.2307/2332142.
- Musco, C., Ramesh, I., Ugander, J., & Witter, R. T. (2021). How to Quantify Polarization in Models of Opinion Dynamics. doi: 10.48550/arXiv.2110.11981.
- Nowak, A., & Lewenstein, M. (1996). Modeling Social Change with Cellular Automata. In: Hegselmann, R., Mueller, U., Troitzsch, K.G. (eds) Modelling and Simulation in the Social Sciences from the Philosophy of Science Point of View. Theory and Decision Library, vol 23. Springer, Dordrecht. doi: 10.1007/978-94-015-8686-3_14.
- Rosenberg, L., Willcox, G., & Schumann, H. (2023). Conversational Swarm Intelligence (CSI) Enables Rapid Group Insights. 2023 IEEE 14th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 0534-0539. doi: 10.1109/UEMCON59035.2023.10316130.
- Zakharchenko, A., Maksimtsova, Y., Iurchenko, V., Shevchenko, V., & Fedushko, S. (2019). Under the Conditions of Non-Agenda Ownership: Social Media Users in the 2019 Ukrainian Presidential Elections Campaign. International Workshop on Control, Optimization and Analytical Processing of Social Networks. doi: 10.48550/arXiv.1909.01681
- Zhang, Y., & Xiao, R. (2015). Modeling and Simulation of Polarization in Internet Group Opinions Based on Cellular Automata. Discrete Dynamics in Nature and Society, 3(7), 1-15. doi: 10.1155/2015/140984.