关于弱关系对于人生成功的作用存在很多争论，因为个人的成功很可能是由他们的社会网络决定的，并同时决定他们的社会网络。近期发表于 Science 的一篇文章，通过在 5 年内随机改变了超过 2000 万人职业网络中拥有的弱关系程度，提供了支持弱关系强度的实验因果证据，并提出了对该理论的三个修订。首先，弱关系的强度是非线性的，关系强度和工作流动之间存在倒 U 型关系，因此只有适度的弱关系才会对工作有利。其次，中等的弱关系（通过共同朋友数量衡量）和最弱关系（通过互动强度衡量）创造了最大的工作流动性。第三，弱关系的强度因行业而异。弱联系增加了数字化程度更高的行业的工作流动性，而强联系增加了数字化程度较低的行业的工作流动性。
研究领域：社会网络，弱关系，因果推断，计算社会科学
论文题目：
A causal test of the strength of weak ties
https://www.science.org/doi/10.1126/science.abl4476
弱关系理论是上个世纪最有影响力的社会理论之一，涉及信息扩散、社会传播、社会运动、产业结构以及人类合作等各种与社会网络有关的领域，并被认为能提供更多的新的就业和晋升的流动机会，促进创新和提高绩效。
强关系倾向于了解相同的信息并以相似的方式思考。相比之下，弱关系可以获取新信息，因为它们连接了原本不相干的社交圈。然而，最近对弱关系假说的大规模相关调查发现了一个看似“弱关系的悖论”，表明强关系比弱关系在产生工作转移方面更有价值。尽管这些是迄今为止对弱关系假说最大、最直接的实证研究，但由于这项工作不是实验性的，由于缺乏将人类社会网络与工作传流动联系系起来的大规模数据，使得弱关系与劳动力市场结果之间的关系难以测量。
其次，网络关系和劳动力市场结果是内生的，使得弱关系和工作流动之间的因果关系难以捉摸。个人的劳动力市场结果很可能是由他们的社会网络决定的，并同时决定他们的社会网络。社会网络的演变和工作轨迹也可能与诸如努力、能力和社交能力等未观察到的因素相关，这些因素混淆了对弱关系和工作之间联系的经验识别。
2. 2000万人的社会实验：
揭开弱关系的因果效应
这篇文章在 LinkedIn 平台上进行的多个大规模随机实验的数据，对弱关系理论进行了实验性的因果检验。这些实验通过调整平台的 People You May Know（PYMK）算法，随机改变了 2000 多万 LinkedIn 会员的职业网络中拥有强关系和弱关系的程度（图1）。作者通过平台个体的互动次数以及共同好友数衡量关系的强度，在五年内，有约 20 亿个新关系和 600,000 个工作变化被记录下来。
图1. 随机试验图示，通过推荐算法随机改变平台个体职业关系网络中存在的强关系和弱关系。
通过工具变量法（IV），作者衡量了由外生随机处理引起的新的弱或强关系创建的变化对平台用户工作申请和工作传递的影响。这种方法不仅能排除工作流动对弱和强关系形成的影响，以及先于工作流动的社交网络形成的行为影响，还能排除可观察和不可观察的混杂因素对网络形成和工作流动性的影响。
在最初的相关性（OLS）分析中，得出的均是强关系有利于工作流动的结果，即上面提到的弱关系的悖论；但 IV 估计却发现，在多个样本人群、多年和世界所有地理区域进行的实验，验证了弱关系最能增加个体找到工作的可能性。
图3. LinkedIn 上记录的所有员工的工作流动网络。其中节点仅限于拥有至少 10,000 名员工的公司，颜色代表行业。
因果推断方法虽然证明了经典的弱关系理论，但也存在一些细微的差别。首先，联系强度和工作流动性之间存在倒 U 形关系——适度弱关系增加工作流动性最大，而最强的关系增加工作流动性最少。例如，与一个共同朋友的关系非常弱的情况相比，与 10 个共同朋友的关系几乎使换工作的可能性增加一倍。也就是说，适度弱的关系似乎对工作成果最有利。
其次，关系的影响与行业有关。弱关系在更多数字经济部门（IT）创造更大的就业流动性。与这些行业的强联系相比，弱联系促进更多的工作申请。相比之下，增加强关系会导致更多的工作申请到那些较少依赖软件和机器人自动化程度较低的行业。
作者忽略的重要一点是没有衡量这些工作流动是向上的还是向下的，即通过弱关系找到的工作会比以前的工作更好吗？例如，当人们在工作中经历负面冲击时，他们倾向于利用自己的强关系而不是自适应地激活弱关系来获取新信息，因此强关系也许更可能让个体的工作向上流动。
作者的分析结果透露着弱关系对不同人群的异质性影响。行业分析表明，从广义上讲，弱关系会提高申请到高科技行业工作的概率，而强关系导致更多的工作申请到低技术行业。而这与我国学者研究发现的农民工更倾向于通过强关系找到工作，一些信息化不高的行业更容易通过强关系形成以地域为特征的就业人群（如打印店），而计算机软件和信息技术等行业往往会通过校友之类的弱关系进行推荐。
因此，关系基于个体而言仍是一个内生变量，对不同人生阶段，行业选择甚至是性格都会产生不同的作用。更为重要的是，尽管科学可能成功地理解了网络如何帮助我们取得成功，但它未能理解网络如何在失败中支持我们。分析失败和成功的前兆，有助于识别嵌入失败的可检测早期信号，这些信号将导致最终的成功或失败。
计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。
【计算社会科学读书会】第二季由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，自2022年6月18日开始，持续了12周的分享讨论。本季读书聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、新冠疫情、科学学研究等课题。读书会详情及参与方式见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与。
详情请见：
数据与计算前沿方法整合：计算社会科学读书会第二季启动
