弱关系不是越弱越好:2000 万人的随机实验把 Granovetter 拧成了一条倒 U
【锚点】这一篇只钉一个判断:【「弱关系带来新信息」成立,但「越弱越好」不成立——关系强度的价值是一条倒 U,峰值在「中等偏弱」;Granovetter(1973) 与 Coleman(1988) 不是互相反驳,他们各自在同一条曲线的两侧取样,然后把局部斜率当成了全局定律。】
【显式】Rajkumar, Saint-Jacques, Bojinov, Brynjolfsson & Aral, A causal test of the strength of weak ties, Science 377, 1304 (2022)。他们在 LinkedIn 上做了大规模随机化实验:约 2000 万用户、跨 5 年,扰动「你可能认识的人」推荐算法,从而外生地改变用户新形成关系的强度分布,再追踪后续的换工作事件。主结果:新关系增加 → 换工作概率上升;但效应按关系强度呈倒 U,中等强度(十来个共同联系人这个量级)处的边际效应最大,极弱与极强两端都更小。
【隐式】倒 U 的机制不需要社会学修辞,一个乘法就够:关系强度同时是两个东西的代理——(a)【信息新颖度】,随强度递减(强关系和你信息高度重叠);(b)【对方愿意为你承担成本的意愿】,随强度递增(强关系更愿意引荐、背书、押上自己的声誉)。换工作的概率 ≈ 新颖度 × 意愿。两个单调反向的函数相乘,峰值必然落在中间。这条曲线是可推导的,不是拟合出来的。
【细微】于是那场持续四十年的对立其实是取样偏差:Granovetter 的求职者回溯样本,测的是新颖度这一支(弱关系提供非冗余信息);Coleman 的闭合理论,测的是意愿这一支(强关系提供可信承诺、抑制机会主义)。两边都只在自己的取值区间里看到了斜率,就把它当成了定律。倒 U 是这两条定律的合成,不是第三条定律。
【极难发现】前提杀手在这里:实验里的「关系强度」是用共同联系人数测量的,而这个量恰恰是推荐算法优化的目标之一。因此识别变异的真实含义是「算法把谁推给了你」,而不是「你天然拥有多强的社会关系」。这条倒 U 是【平台中介下的关系形成】的因果曲线,未必是【关系本身】的因果曲线。两者在政策含义上完全不同:前者说「推荐算法应把权重往中等强度偏」,后者说「人应当经营中等关系」。一个漂亮的倒 U 把两个不同命题糊在了一起,而论文的因果识别只支持前者。
【流程节点链路】Granovetter 弱关系假设 → 把关系强度当作信息新颖度的代理 → 平台随机化推荐,外生改变新关系的强度分布 → 观测换工作概率随强度的倒 U → 峰值落在中等偏弱 → 结论:强度价值非单调,且该曲线是算法中介的,不可直接外推为「关系本身的效应」。
【我的观点】这条曲线的杀伤力不在社会学,在机制设计。任何以「连接数」为目标函数的推荐系统,都会系统性地把用户推过峰值——因为极弱关系的形成成本最低(接受率高、摩擦小),平台于是过量生产曲线左端。这不是用户偏好问题,是目标函数与福利的错位:平台优化的是「边数」,用户需要的是「加权路径」。
值得辩论的问题:如果关系价值是倒 U,那「扩大社交网络」这条建议在边际上就是错的——你缺的不是更多连接,而是把已有的中等关系往强里推。但反过来说,若平台真按倒 U 优化,它就是在替你判断「谁值得深交」。这个判断该交给算法,还是该留给你自己错着做?







0 評論