W miarę jak europejskie społeczeństwa stają się coraz bardziej zróżnicowane, spolaryzowane i dotknięte nierównościami, kwestie dotyczące tego, co je spaja, stają się tym bardziej palące. Od dekad badacze mierzą spójność społeczną – więzi zaufania, współpracy i wspólnych norm, które podtrzymują funkcjonowanie społeczeństwa – przede wszystkim poprzez badania postaw: Czy ludzie ufają swoim sąsiadom? Czy czują się częścią społeczności? Jednak badania te pomijają to, co może stanowić fundamentalny wymiar spójności: rzeczywistą strukturę relacji społecznych, czyli kto z kim rozmawia, a kto jest po cichu pomijany.
Dotychczas analiza sieci społecznych w skali całych społeczeństw pozostawała poza zasięgiem, zmuszając badaczy do polegania albo na uproszczonych symulacjach, albo na danych z internetowych platform społecznościowych. Jednak z moimi współautorami pokazuję, że można wygenerować realistyczne, obejmujące całe społeczeństwo sieci bliskich „więzi powierniczych” (ang. core discussion ties), relacji, w których omawiamy ważne dla nas sprawy, łącząc dwa wcześniej odrębne nurty badań sieci: sondażowych badaniach sieci personalnych oraz statystyczne modelowanie danych sieciowych.
Co więcej, wynikające z tego symulacje ujawniają nierówności strukturalne, których nie są w stanie wykryć badania postaw. Przykładowo, zastosowanie tej nowej metody na reprezentatywnej próbie społeczeństwa Hiszpanii, pokazuje, że podstawowa sieć dyskusji w tym państwie nie posiada cech tak zwanego „małego świata”, do których często odwołują się socjologowie i badacze sieci społecznych; ujawnia również, że imigranci są około dwa razy bardziej narażeni na zajmowanie peryferyjnych pozycji sieciowych niż mieszkańcy urodzeni w tym kraju. Wyniki te przedstawiają nowe podejście socjologiczne do empirycznych międzynarodowych analiz porównawczych wpływu struktur sieci społecznych na tolerancję, zaufanie i spójność społeczną.
Idea, że społeczeństwa spajają niewidzialne więzi, nie jest nowa. Dziewiętnastowieczny socjolog Émile Durkheim opisywał dwie formy solidarności: solidarność „mechaniczną”, zakorzenioną we wspólnych przekonaniach i zwyczajach, oraz solidarność „organiczną”, wynikającą z wzajemnych zależności, których źródłem jest podział pracy. Opierając się na tych podstawach współcześni socjologowie wyróżniają kilka wymiarów spójności społecznej: jakość relacji społecznych i wzajemne zaufanie; poczucie wspólnej tożsamości i przynależności; orientacja na dobro wspólne; wspólne wartości; oraz spójność społeczna.
Większość badań empirycznych mierzy te wymiary za pomocą sondaży. Narzędzia takie jak Social Cohesion Radar składają się z zestawów pytań kwestionariuszowych, na podstawie których tworzone są skale śledzące jak zaufanie, zaangażowanie obywatelskie czy solidarność zmieniają się w czasie i jak różnią się w poszczególnych państwach. Choć metoda ta dostarcza cennej wiedzy, pomija rolę struktury społecznej.
Sondaże te mierzą, jak ludzie postrzegają spójność, ale są one mniej przydatne do uchwycenia tego, jak spójność jest faktycznie wytwarzana i podtrzymywana na poziomie całego społeczeństwa w obrębie sieci powiązań między ludźmi.
W tym miejscu na pierwszy plan wysuwają się obliczeniowe nauki społeczne (Computational Social Science, CSS). Jako podejście metodologiczne, będące połączeniem nauk społecznych i obliczeniowych, CSS uzupełnia tradycyjne teoretyzowanie socjologiczne o symulacje komputerowe i analizę dużych zbiorów danych. Szczególnie dobrze sprawdza się w kontekście zjawisk mikro-makro. Traktuje spójność społeczną nie jako zbiór indywidualnych postaw, które należy diagnozować, ale jako emergentną, wyłaniającą się właściwość systemu społecznego, którą należy analizować. Dlatego też, patrząc przez pryzmat CSS, spójność społeczna przedstawia się jako makrospołeczna właściwość, budowana lub niszczona mocą niezliczonych działań i interakcji poszczególnych ludzi.
Choć relacje społeczne, takie jak przyjaźń lub incydentalna znajomość, stanowią podstawowe wymiary spójności społecznej, jak dotąd były one w niewielkim stopniu przebadane na poziomie całych społeczeństw. Założenie jest takie, że rozległe sieci łączące jednostki z setkami znajomych spajają społeczności i zapewniają poczucie solidarności. Jednak to przypuszczenie rzadko było weryfikowane empirycznie, ponieważ badanie sieci obejmujących całe społeczeństwo jest technicznie trudne. Dlatego właśnie bliskie więzi stanowią tu użyteczny punkt wyjścia: to trzy do pięciu osób, z którymi dana osoba regularnie omawia sprawy, które są dla niej ważne. Są to często silne relacje oparte na zaufaniu. Na poziomie indywidualnym są one dobrze udokumentowane: niewielkie, skupione wokół rodziny i społecznie jednorodne.
Jak jednak wygląda pełna sieć takich relacji, gdy zdamy sobie sprawę z tego, że spina ona całe społeczeństwo liczące miliony ludzi? Kto jest w centrum, a kto na peryferiach tej sieci?
Na te pytania nie da się odpowiedzieć, ograniczając się do badania poszczególnych osób, bez zdania sobie sprawy, że ci ludzie i ich relacje są elementami tej samej wielkiej, ale bezpośrednio dla nas niewidocznej sieci społecznej. O tym, jak szybko rozprzestrzeniają się normy i informacje, w jaki sposób poglądy polityczne są wzmacniane lub podważane oraz o tym, czy społeczeństwo pozostaje zintegrowane, czy też ulega fragmentacji wzdłuż społecznych linii podziału decyduje struktura tej sieci na poziomie ogólnospołecznym. Jednak by odpowiedzieć na te pytania, potrzebne są dane, których bezpośrednie pozyskanie jest zadaniem niełatwym.
Dane z internetowych platform społecznościowych i rejestrów administracyjnych niektórych krajów zaczynają być wykorzystywane do budowania danych sieciowych na skalę populacyjną, ale nie oddają one powiązań istotnych z socjologicznego punktu widzenia. Pokazują sąsiadów, współpracowników i znajomości internetowe, ale nie wskazują, czy odpowiadające im relacje sąsiedztwa, współpracy lub znajomości są rzeczywiście znaczące czy też raczej incydentalne.
Rozdział “Simulating an Empirically Informed Population Network of Core Discussion Ties”, którego jestem współautorem, przedstawia rozwiązanie polegające na połączeniu dwóch nurtów badań sieciowych, które wcześniej funkcjonowały oddzielnie.
- Pierwszym z nich są ankiety dotyczące sieci personalnych: to pytania do reprezentatywnej próby osób o ich partnerów w rozmowach na ważne dla nich tematy, ich cechy oraz relacje między tymi partnerami. To podejście relatywnie niedrogie i reprezentatywne dla całego kraju, ale oddające jedynie „lokalny” punkt widzenia danej osoby.
- Drugi typ badań to statystyczne modele danych sieciowych, konkretnie wykładniczych modeli grafów losowych (Exponential-family Random Graph Models, ERGM). Modele te pomagają zrozumieć, w jaki sposób ludzie nawiązują relacje: kto ma skłonność do nawiązywania kontaktów z kim oraz jaką rolę w kształtowaniu struktury całej sieci odgrywają „lokalne” mechanizmy podobieństwa, popularności, „znajomy znajomego jest moim znajomym”, itp.
Innowacja polega na zastosowaniu metodologii ERGM do danych sondażowych dotyczących sieci personalnych, w tym przypadku pochodzących z Hiszpańskiego Sondażu Społecznego (Spanish General Social Survey), zrealizowanego na reprezentatywnej dla całego kraju próbie około 5100 dorosłych, zebranej w 2013 roku. W sondażu respondenci wymieniali osoby, z którymi omawiali istotne dla siebie kwestie w ciągu ostatnich sześciu miesięcy, a także opisali te osoby, jak i powiązania między nimi.
Metodologia ERGM oraz przeprowadzone za jej pomocą symulacje przyniosły trzy zasadnicze wnioski, o które byłoby trudno przy użyciu bardziej tradycyjnych metod badawczych:
- Sieć społeczna bliskich więzi to nie jest „mały świat”. Zjawisko „małego świata” – koncepcja, wedle której przypadkowe dwie osoby mogą być połączone zaskakująco niewielką liczbą kroków (słynne „sześć stopni oddalenia”) – jest powszechnie uznawane za charakterystyczną cechę sieci społecznych. Jednak nasze symulacje przeczą tej tezie. Odległości sieciowe (tzw. „krótkie ścieżki”) między osobami w hiszpańskiej sieci społecznej są duże i zbliżone do typowych odległości sieciowych w sieciach więzi rodzinnych – w przeciwieństwie do krótszych odległości typowych w sieciach internetowych znajomych. Oznacza to, że przynajmniej niektóre normy, wzorce zachowań oraz informacje mogą przemieszczać się w tkance społecznej wolniej i bardziej nierównomiernie niż dotychczas zakładano.
- Bańki informacyjne (echo chambers) są osadzone w strukturze społecznej. Ludzie w przeważającej większości omawiają istotne dla nich sprawy z osobami podobnymi sobie. Nasz model potwierdza homofilię, czyli tendencję do nawiązywania relacji w oparciu o podobne cechy, takie jak wiek, status zawodowy, poglądy polityczne i wyznanie. Pokazuje on więc, że w przypadku osób urodzonych w Hiszpanii mają one tendencję do omawiania ważnych kwestii przede wszystkim z innymi Hiszpanami, a katolicy rozmawiają o ważkich zagadnieniach głównie z innymi katolikami. Co więcej, sama sieć raczej wzmacnia podziały niż je niweluje – co jest obserwacją o istotnych konsekwencjach dla badań nad polaryzacją.
- Wykluczenie strukturalne jest mierzalne. Co najbardziej uderzające, nasza analiza ujawnia formę wykluczenia, której badania ankietowe nie są w stanie wykryć: badając, które grupy społeczne znajdują się poza główną częścią sieci, odkryliśmy, że imigranci są mniej więcej dwa razy bardziej narażeni na wykluczenie strukturalne niż rodowici Hiszpanie, co oznacza odcięcie od głównej sieci bliskich więzi. Podobne wzorce obejmują osoby bezrobotne i w inny sposób nieaktywne na rynku pracy. To nie jest tylko poczucie wykluczenia; to mierzalne pozycje w sieciowej tkance społecznej.
Podsumowując, pokazaliśmy, że spójność społeczna obejmuje wymiar strukturalny systematycznie pomijany w badaniach: wiedza o tym, jak ludzie postrzegają swoje społeczeństwo jest ważna, ale wiedza o tym, z kim faktycznie rozmawiają, a kto jest po cichu pomijany, może mieć jeszcze większe znaczenie.
___
Rozdział badawczy dostępny jest w: Bojanowski, M., Loseva, A., Schuler, P., Böller, S., & Lubbers, M. J. (2026). Simulating an Empirically Informed Population Network of Core Discussion Ties. In M. A. Keijzer, J. Lorenz, & M. Bojanowski (red.), Computational Social Science of Social Cohesion and Polarization (ss. 55–82). Springer, Cham. https://doi.org/10.1007/978-3-032-01373-6_3
Tłumaczenie zostało wykonane maszynowo.
