Estudo de estratégias para mudanças coletivas em modelos de opinião

• Ano de defesa: 2014
• Autor(a) principal: Maizel, André Schraider
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Agent Based Systems; Aprendizagem de Máquinas; Machine Learning; Mecânica Estatística; Sistemas Baseados em Agentes; Sociofísica; Sociophysics; Statistical Mechanics
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/43/43134/tde-30102014-121009/

O estudo de sistemas sociais sempre foi visto como fora do escopo da física. No entanto, nos últimos anos, com o desenvolvimento da mecânica estatística e da aprendizagem de máquinas, em conjunto com recentes avanços na neurociência, tornou-se possível a criação de diversos modelos no intuito de estudar quantitativamente grandezas antes consideradas majoritariamente qualitativas. Dentre os problemas considerados está a moralidade, bem como suas consequências para as dinâmicas de opinião. Mais especificamente, considera-se relevante estudar como se dá a mudança de opiniões dentro de uma sociedade, bem como estratégias para convencer uma população a alterar sua direção moral. Utilizando um modelo baseado em agentes, na qual cada agente é representado por um vetor moral e utiliza uma estratégia de aprendizagem ótima para o cenário professor/aluno, estudamos a influência de duas estratégias de convencimento no comportamento macroscópico de nossa sociedade modelo. Tomando como base a aprendizagem sequencial sem a presença de ruído, e o fato de que seleção de exemplos na borda da dúvida gera um decaimento exponencial do erro de generalização em redes neurais artificiais, estudamos o efeito desta técnica como estratégia de convencimento populacional, assim como a comparação de sua eficácia com a estratégia padrão, na qual os exemplos são selecionados uniformemente.