行为和信息的随机性对组织中的意见形成是否重要？Agnieszka Kowalska-Stycze\'n1*,Krzysztof Malarz2,Silesian技术大学，组织和管理学院。Roosevelta 26/28,41-800 Zabrze,PolandAGH科技大学物理和应用计算机科学学院。Mickiewicza 30,30-059 Krak\'ow，波兰，2020.10月30日摘要我们研究行为的随机性和代理人之间信息的偶然性是如何影响观点的形成的。本文的主要研究内容包括意见演化过程、意见簇的形成以及意见支持概率的研究。研究结果表明，意见的形成（意见的聚类）既受agent之间信息的偶然性（最近邻以外的相互作用）和采纳意见的随机性的影响。1导论理解社会中意见的形成对组织活动的许多方面都非常重要，包括组织行为、组织知识传递、领导力等。本文提出的方法的基础是将组织视为一个复杂的社会系统。这一研究方向越来越多地被视为管理科学的一个重要元素(Kowalska-Stycze\'n，2018)。为了解释社会系统（包括组织）的特性，如自组织、秩序、混沌、复杂性，必须扩展数学理论的进化（Ehsani et al.，2010)。这种理论的扩展是计算机建模、仿真，特别是基于Agent的建模(Kowalska-Stycze\'n，2020)。正如Acemoglu&Ozdaglar(2011)所强调的那样，我们通过各种类型的经验，特别是通过“社会学习”过程获得我们的信念和观点。作为这个过程的一部分，人们与其他人交流，他们获得信息，他们更新他们的信仰和观点。交流发生在一个由朋友、同事、同事和远亲组成的社会亚群体中。一个人从社交网络上的特定伙伴那里获得的信息被传递给该网络的其他成员。根据社会网络中的交流（信息链），这种信息传递可能有较小或较大的范围，信息可能涉及到更多或更少的人。还应该指出，在意见形成过程中，我们经常处理信息的不可预测性和非理性处理(Sobkowicz，2018；Stadelmann&Torgler，2013)。本文的目的是研究意见簇（即具有相同意见的群体）的形成。在一个社会网络中，个人意见和人际关系总是相互作用和演化，导致网络中意见集群的自组织（Zhang et al.，2013)。因为从复杂性的角度来研究社会系统是非常流行的，所以研究人员*agnieszka.kowalska-styczen@polsl.pl@malarz@agh.edu.p越来越多地使用计算机模拟。因此，在本文中，我们提出了一个基于Latan\'e(1981)社会影响理论的模型进行模拟，该模型考虑了社区成员之间信息的不确定性和他们行为的随机性（噪声）。拉坦的社会影响理论的基本假设是，人们是一个社区的成员，在这个社区中，他们相互影响。社交是指人与人之间的所有互动（劝说、玩笑、表达情感、感受等）。社会性理论基于三个原则：社会权力、心理社会规律和乘法或除法。2模型描述这里使用的计算机模型在Ba\'ncerowski&Malarz(2019)的工作中得到了正式描述。

该模型还由Kowalska-Stycze\'n&Malarz(2020)测试了系统中可用的两个和三个意见，最初随机分布在代理之间。研究了信息的偶然性和Agent行为的随机性导致的群体意见的形成，并检测了这些参数导致的系统（群体）行为的几个阶段。本文重点研究了意见群中意见的空间分布与主体支持意见的概率之间的关系。值得注意的是，意见群中的社会本质不仅是对意见群中的社会的发挥，也是对意见群中的社会的屈从。在所使用的模型中，通过引入以下参数来考虑这一事实：说服强度和支持强度。这些参数决定了一个人可以通过改变他人的观点来与他人互动或与他人互动的有效性。这些参数被解释为:o说服强度:0≤PI≤1越大，该agent就越有说服力地接受他/她的意见；o支持强度:0≤SI≤1越大，该agent就越有说服力地接受他/她的意见，这样，如果该意见与agent I的意见相同，该agent就不会改变他们的意见。在下一节给出的模拟中，求出了每个agent的PI和SIL的随机值。与前人的工作一样，我们考虑了模型的两个参数：群体信息和随机行为（噪声）。该模型用参数α（该参数表示社区中近邻或远邻的关系）来表示社区中信息的变化。小值（例如α=1或2）意味着代理之间的良好沟通和对信息的良好访问（在网络中与大量代理进行信息交换）。α值越大，各Agent之间的通信就越弱（信息交换只在最近的邻域内进行，如α=6)，Agent行为的随机性用参数T（社会温度）来表示。如果T=0，则观察到缺乏随机性，代理人采纳了对他/她最有影响的意见。随着T的增加，人们越来越多地选择那些对Agent没有最大影响的观点。总而言之，在所使用的计算机模型中:o社会由占据正方形格子节点的Agent表示。每一个networknode对应一个人。o每一个智能体i在K个可用的意见中有一个，而且它具有两个特征：说服强度(pi)和支持强度(si)。我们假设所有agent的这些参数的随机值。o每个agent由所有其他agent组成。这种强度随着它们之间距离的增加而减小。此外，为了减少远邻的影响，引入了参数α，在线性大小L=41的正方形格上，用开边界条件进行了模拟。3结果3.1意见的空间分布我们首先给出了在K=2（两个可接受的意见）、α=2,3,6（信息的不同水平）和T=0,1,3,5（噪声的不同水平，即意见的不同水平的随机性）下意见的空间分布。如图1所示，α和社会温度T对群体中的意见形成和极化（意见簇的自组织）都有影响，对于α=2（和α=1)，共识发生（所有主体接受两种意见中的一种），但对于大T值的单一情况除外。

α越高，在最近邻群外的相互作用越少，导致意见的两极分化程度越低（有越来越多的群体，即具有相同意见的群体）。此外，小集群能够生存，尽管它们被意见不一致的大集群所包围。当参数增加时，也会出现类似的情况。当T越大，在持相反意见的行为者出现的区域中，异质性越大，集群的划分也就越不明显（群体中意见的两极分化越小）。社会温度T的增加往往导致少数意见的小群体代理人的出现。一般来说，T和的增加会导致更多的集群形成，群体中意见的两极分化较弱。3.2支持观点的概率对于前一节讨论的图1，已经创建了相应的热图（见图2）。每个agent被分配到网络中具有某种颜色的一点。这种颜色取决于代理人支持他/她意见的可能性。颜色由黄色（支持意见的概率高）变为黑色（支持意见的概率低）。我们没有显示热图forT=0，因为支持观点的概率只有两个值：要么0-代理人会改变他/她的观点，要么1-代理人会支持他/她的观点。支持该观点的最小概率发生在集群外围的代理--将图2与图1进行比较。此外，这种概率在大的星系团中比在小的星系团中更高。这种可能性也随着T的增加而降低（代理网络中颜色越来越深）。这个概率当然是由T和α所加的。T越高，支持观点的可能性越小（黄色越少），在图2I和图2L中，α=6尤其明显。随着α值的升高（颜色越深越多），维持代理的主流观点的机会也越少。总而言之，行为的随机性越大，信息的信息量越小（即α越大），热图中的黄色就越少（在整个Agent格中支持意见的概率越低），这在图2I(T=3)和图2K和2L(T=5)中尤为明显。3.3意见的聚类分析前一节的结果，意见的聚类是由Agent决策的随机性(T)和来自近邻或远邻的随机性(α)两个因素所决定的。对于聚类检测，采用了Hoshen&Kopelman(1976)算法。

在Hoshen-Kopelman算法中，每个代理都以这样的方式标记，具有相同观点且在(a)α=2中，T=00 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(b)α=3,T=00 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(c)α=6,T=00 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(d)α=2,T=10 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(e)α=3,T=10 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(f)α=6,T=10 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(g)α=2,T=20 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(h)α=3,T=20 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(i)α=6,T=20 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(j)α=2,T=30 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(k)α=3,T=30 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ(l)α=6,T=30 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 XYζ图1：K=2的观点在系统演化的100个时间步后的空间分布（红、绿平均观点）:L=41。(a)α=2,T=10 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(b)α=3，T=10 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(c)α=6，T=10 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1xyp(d)α=2，T=20 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(e)α=3，T=20 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(f)α=6，T=20 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1xyp(g)α=2，T=30 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(h)α=3，T=30 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(i)α=6，T=30 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(j)α=2，T=50 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(k)α=3，T=50 5 10 15 20 25 30 35 40 0 5 10 15 20 20 25 30 35 40 0 0.2 0.4 0.6 0.8 1XYP(l)α=6,T=50 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 0 0 0.2 0.4 0.6 0.8 1XYP图2：在系统演化的T=100个时间步之后，对于K=2个观点、社会温度T和各种α值的支持观点概率的空间分布。L=41.表1：最大簇的相对大小Smax/L为L=41.α=1 2 3 6t=0100%94%54%34%1100%100%83%57%2100%99%92%62%3100%99%92%24%4100%99%90%15%5100%100%85%12%相同的簇具有相同的标记。本文的算法用于具有vonNeumann邻域（具有最近邻相互作用）的正方形格子，在表1中给出了在t值和K=2的情况下，在t=1000次模拟时间步长后最大团簇的相对大小smax/L.这些结果与图1一致。在所有情况下，对于α=1，最大的簇100%地包含整个格（即意见一致）。需要注意的是，在这种情况下，格中的大多数agent对所选agent的意见保持一致（agent之间的信息一致性非常好）。当α=2时，晶格中其他主体的存在度仍大于最近邻域的存在度。然后，最大集群的大小约为网络大小的100%（即一个大集群和一个意见）。一般来说，对于任意大小的T，最大意见簇的大小随着α的增加而减小。为了更好地了解意见簇的情况，我们还研究了一百次模拟在一千个时间步之后，小的和大的意见簇的平均数（见图3）。

我们确定，小簇中包含的具有相同意见的智能体不超过（S≤5)。随机接受意见(T)往往导致形成反对意见的小集群（如图1所示）。聚类的数量随着α的增加而增加，即网络中所有agent对所选agent的影响越小，就越容易出现意见聚类。一般来说，团簇数目随T增加，但对于α=3和α=6以及对于T=1,团簇数目低于T=0。首先，一个新的集群在另一个集群内部形成（意见相反）的概率仍然很小。其次，改变意见的概率在集群边界大于集群内部。如果相邻的簇具有不同的尺寸，那么在较小的簇中，代理人改变意见的概率要大于在较大的簇中。这种情况导致小星系团的消失，或者通常导致星系团数量的减少。我们可以在小星团的数量方面看到类似的现象(Seefigure3)。小簇的数量随着T的增加而增加（当然，除了低T值和α>1之外）。4小结和结论本文使用了一个元胞自动机模型，在这个模型中，我们实现了Latan\'e的社会理论。我们研究了社会温度（人类行为的随机性）和社会信息的多样性对意见聚类的影响。为了实现这一目标，我们研究了意见的空间分布、支持意见的概率和聚类数。首先，分析了100步仿真后意见的空间分布。仿真结果表明，在考虑了意见形成的随机性后，意见簇是如何根据Agent网络中的信息簇形成的。对于低值α(α=1,2)、当代理人形成他们的看法时，也会联系更远的代理人（也就是说，(a)α=10 0.2 0.4 0.6 0.8 1012345Ts≤5s>5(b)α=20 1 2 3 4 5 601 2345Ts≤5s>5(c)α=30 20 40 60 80 100 120 140 160 12345Ts≤5s>5(d)α=60 50 100 150 200 250 012345Ts≤5s>5图3：不同温度T和参数α值下的团簇大小的直方图。L=41。通常，α和T越大，团簇越多，即具有相同意见的群体（群体中意见的两极分化较小）。当然，应该注意的是，系统中的噪声(T=1)的出现与T=0时的情况（缺乏噪声）相比，对系统有轻微的排序。这与其他研究（Ren et al.，2007；Biondo et al.，2013；Shirado&Christakis，2017；Kowalska-Stycze\'n&Malarz，2020)是一致的，在这些研究中，低噪声水平给系统带来了秩序。随着意见簇的形成，支持意见的概率是密切相关的。这个概率在集群内比在它们的边界上更大，在thelarger集群中也更大（图2）。这导致了小簇的消失，从而减少了簇的数量。意见的形成也由意见簇的数量和大小来描述。这种观点的产生是由代理人决策的随机性水平和来自邻居的随机性水平所决定的。一般说来，最大意见簇的大小随着α的增加而减小。当然，这与意见的空间分布相对应（见图1）。此外，群集的数量随着α的增加而增加，即网络中所有主体对所选主体的信任度越小，就越容易形成意见群集。一个有趣的现象发生在分析T的影响（对于T>0)的情况下。