Brunno dos Passos Alves
Redes Sociais Formadas no Fenômeno do
Pânico em Multidão: uma Análise via
Simulação Multiagentes
Santo André, SP - Brasil
Julho - 2011
Brunno dos Passos Alves
Redes Sociais Formadas no Fenômeno do
Pânico em Multidão: uma Análise via
Simulação Multiagentes
Dissertação apresentada ao Programa de PósGraduação em Engenharia da Informação da
Universidade Federal do ABC, como requisito
parcial para obtenção do título de Mestre em
Engenharia da Informação, Área Sistemas Inteligentes, Linha de Pesquisa Inteligência Artificial.
Orientadora:
Profa Dra Maria das Graças Bruno Marietto
U NIVERSIDADE F EDERAL DO ABC
Santo André, SP - Brasil
Julho - 2011
Dissertação de Mestrado apresentada ao Programa de Mestrado em Engenharia da Informação da Universidade Federal do ABC, como requisito para obtenção do título de Mestre em
Engenharia da Informação.
Avaliado em julho de 2011 pela seguinte Banca Examinadora:
Profa Dra Maria das Graças Bruno Marietto
Orientadora
Prof. Dr. Wagner Tanaka Botelho
Universidade Federal do ABC
Prof. Dr. Paulo Fernando Ferreira Rosa
Instituto Militar de Engenharia
Um corpo sem inteligência não ama.
Um corpo sem saúde não desfruta do amor.
Um gênio sem amor não tem saúde espiritual.
Diante disso tudo, devemos a cada instante procurar a
companhia das três virtudes, mesmo que alcancemos uma
a uma.
—– Paulo Baleki
Dedico este trabalho aos meus pais e à minha esposa.
Também ao meu avô, que desde graduando sempre me chamou de “doutô”.
iii
Agradecimentos
Para concluir este trabalho agradeço:
- A todos meus familiares, principalmente aos meus pais, Elcio e Elenir, por me apoiarem
e trilharem pelos caminhos corretos durante a vida.
- A minha esposa, Lívia, pela paciência e amor a mim dedicados.
- Aos meus amigos pela compreensão e palavras de incentivo.
- Professora e orientadora, Maria das Graças, pela confiança e por me guiar e auxiliar
durante os trabalhos desenvolvidos.
- Também à UFABC pelo ambiente acadêmico, infra-estrutura e a bolsa concedida que
viabilizaram este trabalho.
iv
Resumo
A utilização de Redes Complexas é feita por diversas áreas do saber. No campo da Sociologia uma notória área que concentra cada vez mais atenção devido a sua popularização são
as Redes Sociais. Pouco se sabe sobre a estruturação destas redes em comportamentos não
institucionalizados, denominados comportamentos coletivos. Este trabalho propõe um modelo
conceitual baseado em simulação multiagentes e redes sociais relacionado ao fenômeno do pânico em multidão, trabalho até então inédito, aplicado a um incêndio. Tal modelo pode ser
utilizado para: (i) obter um melhor entendimento dos fundamentos sociais que afetam o comportamento coletivo do pânico, (ii) propor novas estruturas ou alternativas para sistemas sociais,
verificando a viabilidade de sua existência e funcionamento. O modelo conceitual elaborado foi
implementado, gerando o modelo computacional relacionado a uma simulação multiagentes.
Ao final foram executadas simulações e os dados resultantes destas foram analisados, sendo
possível realizar uma validação dos modelos e concluir que quando os agentes possuem ciência
de sua rede social eles se tornam mais envolvidos com o coletivo, se sentindo menos nervosos
e ponderando mais antes de assumirem comportamentos não convencionais.
Palavras-chave: Simulação Multiagentes, Redes Sociais, Comportamento Coletivo, Pânico em Multidão.
v
Abstract
Complex Networks are used in several areas of knowledge. In Sociology, a notorious area
which is increasingly attracting attention due to the popularity is the Social Networks. Not
much is known about the structuring of these networks in a noninstitutionalizeds behaviors,
called collectives behaviors. This paper proposes a conceptual model, which has not been studied before, based on simulation and multi-agent networks related to the social phenomenon of
panic in the crowd in an applied fire. This model can be used to: (i) obtain a better understanding of the fundamentals that affect social behavior during collective panic, (ii) propose new
structures or alternative social systems, checking the feasibility of its existence and operation.
The conceptual model developed was implemented generating the computational model related to a multiagent simulation. In the end the simulations were performed and its data were
analyzed, making possible to realize a validation of the models and conclude that, when agents
are aware of their social network, they become more involved with the collective, feeling less
nervous and being carefull before considering taking on unconventional behavior.
Keywords: Multiagent Simulation, Social Network, Collective Behavior, Panic in Crowds.
vi
Sumário
Lista de Figuras
x
Lista de Tabelas
xiii
1 Introdução
1
1.1
Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.2
Principais Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.3
Organização do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
2 Comportamento Coletivo e Simulação Multiagentes: Conceitos Fundamentais
6
2.1
Comportamento Coletivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2.2
Pânico em Multidão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.3
Simulação Multiagentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.3.1
Classificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.3.2
Subáreas da Simulação Multiagentes . . . . . . . . . . . . . . . . . . .
11
2.3.3
Modelos Clássicos de Simulações Multiagentes . . . . . . . . . . . . .
13
2.3.3.1
Schelling Segregation . . . . . . . . . . . . . . . . . . . . .
14
2.3.3.2
Sugarscape . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.3.3.3
Cyber-Anasazi . . . . . . . . . . . . . . . . . . . . . . . . .
17
Características de Implementação . . . . . . . . . . . . . . . . . . . .
19
2.3.4
3 Redes Complexas e Redes Sociais: Arcabouço Teórico
3.1
Uma Visão Geral sobre Redes Complexas . . . . . . . . . . . . . . . . . . . .
21
23
vii
Sumário
3.2
3.1.1
Breve Histórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
3.1.2
Tipos de Redes Complexas . . . . . . . . . . . . . . . . . . . . . . . .
25
3.1.3
Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
3.1.4
Modelos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
Redes Sociais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
3.2.1
Elementos das Redes Sociais . . . . . . . . . . . . . . . . . . . . . . .
32
3.2.1.1
Atores . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
3.2.1.2
Conexões . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
3.2.1.3
Capital Social . . . . . . . . . . . . . . . . . . . . . . . . .
35
Tipos de Redes Sociais . . . . . . . . . . . . . . . . . . . . . . . . . .
36
3.2.2.1
Redes Sociais Emergentes . . . . . . . . . . . . . . . . . . .
36
3.2.2.2
Redes Sociais de Filiação, ou Redes Associativas . . . . . .
36
Análise de Redes Sociais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.3.1
Evolução Histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.3.2
Fundamentação Teórica . . . . . . . . . . . . . . . . . . . . . . . . .
39
3.3.3
Métricas de Análise . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
3.3.3.1
Medidas da Rede . . . . . . . . . . . . . . . . . . . . . . .
43
3.3.3.2
Métricas do Ator . . . . . . . . . . . . . . . . . . . . . . . .
46
3.3.3.2.1 Centralidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
3.2.2
3.3
4 Frentes de Pesquisa e Trabalhos Relacionados
50
4.1
Estudo da Formação e da Dinâmica das Redes . . . . . . . . . . . . . . . . . .
51
4.2
Níveis Micro e Macro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
4.2.1
Nível Micro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
4.2.1.1
Análise de Atributos . . . . . . . . . . . . . . . . . . . . . .
54
4.2.2
Nível Macro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
4.2.3
Influências Micro-Macro . . . . . . . . . . . . . . . . . . . . . . . . .
56
viii
Sumário
4.3
Tipos de Relações nas Redes . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4
Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em
56
Multidões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
4.4.1
Ambientes do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . .
58
4.4.2
Arquitetura do Agente Pessoa . . . . . . . . . . . . . . . . . . . . . .
59
4.4.2.1
Módulo Híbrido de Gerenciamento de Crenças e Conhecimento 59
4.4.2.1.1 Repositório de Informações e Regras . . . . . . . . . . . . . . . .
59
4.4.2.1.2 Base de Informação . . . . . . . . . . . . . . . . . . . . . . . . .
61
5 Redes Sociais e Sistemas Multiagentes Modelando o Pânico em Multidão 64
5.1
Modelagem Conceitual Multiagentes . . . . . . . . . . . . . . . . . . . . . . .
65
5.1.1
66
Arquitetura do Agente Pessoa . . . . . . . . . . . . . . . . . . . . . .
5.1.1.1
Módulo Híbrido de Gerenciamento de Crenças e Conhecimento 66
5.1.1.2
Representação Coletiva Micro e Representação de Informação 66
5.1.1.2.1 Base de Informação Social . . . . . . . . . . . . . . . . . . . . .
68
5.1.1.2.2 Base de Regras para Relações . . . . . . . . . . . . . . . . . . . .
72
5.1.2
Representação Coletiva Macro . . . . . . . . . . . . . . . . . . . . . .
6 Modelagem Computacional e Análise dos Resultados
80
85
6.1
Modelo Computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
6.2
Análise da Simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
6.2.1
Configuração Técnica e Cenários da Simulação . . . . . . . . . . . . .
86
Análise dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
6.3.1
Análise Centrada nos Agentes . . . . . . . . . . . . . . . . . . . . . .
88
6.3.1.1
Análise do Cenário 1 . . . . . . . . . . . . . . . . . . . . .
88
6.3.1.1.1 Análise Comportamental dos Símbolos Significantes . . . . . . .
88
6.3.1.1.2 Análise do Estado Interno dos Agentes . . . . . . . . . . . . . . .
97
6.3
6.3.1.1.3 Análise dos Sobreviventes e dos Imobilizados . . . . . . . . . . . 112
ix
Sumário
6.3.1.2
Análise dos Cenários 2 e 3 . . . . . . . . . . . . . . . . . . 113
6.3.1.2.1 Análise Comportamental dos Símbolos Significantes . . . . . . . 114
6.3.1.2.2 Análise do Estado Interno dos Agentes . . . . . . . . . . . . . . . 118
6.3.1.2.3 Análise dos Sobreviventes e Imobilizados . . . . . . . . . . . . . 121
6.3.2
6.3.3
Análise da Representação Coletiva Micro . . . . . . . . . . . . . . . . 123
6.3.2.1
Análise do Estado dos Agentes Vizinhos . . . . . . . . . . . 123
6.3.2.2
Análise da Ameaça e da Saída . . . . . . . . . . . . . . . . . 124
6.3.2.3
Análise da Rede Social . . . . . . . . . . . . . . . . . . . . 125
Análise da Representação Coletiva Macro . . . . . . . . . . . . . . . . 126
6.3.3.1
Representação Coletiva Macro Versus Representação Coletiva Micro: Algumas Lições Aprendidas . . . . . . . . . . . 129
6.4
Validação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7 Conclusões
7.1
133
Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Referências Bibliográficas
137
x
Lista de Figuras
1
Classificação Proposta por (MARIETTO et al., 2002). . . . . . . . . . . . . . . .
11
2
Execução de uma Simulação de Segregação. Fonte: (XJ, 2010). . . . . . . . . .
15
3
Execução de uma Simulação Sugarscape. Fonte: (TEAM, 2010). . . . . . . . .
16
4
Execução de uma Simulação Anasazi. Fonte: (TEAM, 2010). . . . . . . . . . .
18
5
Exemplo de uma Rede Complexa da Amizade (LISBOA, 2010). . . . . . . . . .
24
6
Exemplo de Rede Regular. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
7
Rede Aleatória em Desenvolvimento. . . . . . . . . . . . . . . . . . . . . . .
29
8
Escalas de p para o Desenvolvimento de uma Rede Small World.
30
9
Malha Aérea das Rotas Operadas por Empresas de Aviação Regional no Brasil
. . . . . . .
(CIVIL, 2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
10
Elementos de uma Rede Social.
. . . . . . . . . . . . . . . . . . . . . . . . .
39
11
Rede Social do Marketing Viral (MINHANO, 2008). . . . . . . . . . . . . . . .
43
12
Exemplo de Clique em uma Rede Social. . . . . . . . . . . . . . . . . . . . .
45
13
Fluxo Geral do Comportamento Coletivo do Pânico em Multidão. Fonte: (FRANçA,
2010). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
14
Ambiente Geral e seus Componentes. Fonte: (FRANçA, 2010). . . . . . . . . .
58
15
Visão Geral do Agente Pessoa. Fonte: (FRANçA, 2010). . . . . . . . . . . . . .
60
16
Expansão da R EPRESENTAÇÃO C OLETIVA M ICRO. . . . . . . . . . . . . . . .
67
17
Representação Coletiva Micro: Sistema Matricial x Redes Sociais. . . . . . . .
67
18
Arquitetura da R EPRESENTAÇÃO C OLETIVA M ICRO (RC OL M ICRO).
. . . .
67
19
Pirâmide de Maslow. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
20
Exemplo do Cálculo do Peso da Relação de Contato. . . . . . . . . . . . . . .
77
Lista de Figuras
xi
21
Expansão da Tomada de Decisão. . . . . . . . . . . . . . . . . . . . . . . . . .
80
22
Exemplos da Visualização das Representações Coletivas. . . . . . . . . . . . .
81
23
Formação da Representação Coletiva Macro. . . . . . . . . . . . . . . . . . .
82
24
Arquitetura da R EPRESENTAÇÃO C OLETIVA M ACRO (RC OL M ACRO). . . . .
82
25
Filtros a serem Aplicados na R EPRESENTAÇÃO C OLETIVA M ACRO. . . . . . .
83
26
Exemplo de Filtro com Configuração 1. . . . . . . . . . . . . . . . . . . . . .
84
27
Exemplo de Filtro com Configuração 2. . . . . . . . . . . . . . . . . . . . . .
84
28
Visão Geral do Ambiente Físico e dos Agentes. . . . . . . . . . . . . . . . . .
87
29
Estatisticas Gerais da Rede Social. . . . . . . . . . . . . . . . . . . . . . . . .
90
30
Rede Social de um Agente nos Passos 67 (a), 68 (b), 69 (c), 70 (d), 71 (e) e 72 (f). 91
31
Rede Social de um Agente nos Passos 217 (a), 218 (b), 219 (c), 220 (d), 221 (e)
e 222 (f). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
32
Rede Social RC OL M ICRO de Agentes em AGITAÇÃO S OCIAL. . . . . . . . . .
93
33
Rede Social RC OL M ICRO DE AGENTES EM Milling. . . . . . . . . . . . . . .
94
34
Rede Social RC OL M ICRO de Agentes em E XCITAÇÃO C OLETIVA. . . . . . .
95
35
Rede Social RC OL M ICRO DE AGENTES EM C ONTÁGIO S OCIAL . . . . . . . .
96
36
Visão da Simulação no Ponto de Incêndio 10. . . . . . . . . . . . . . . . . . .
98
37
Visão da RC OL M ACRO no Ponto de Incêndio 10. . . . . . . . . . . . . . . . .
99
38
Rede Social da RC OL M ICRO de um Agente em Situação Normal. . . . . . . . 101
39
Rede Social da RC OL M ICRO de um Agente no Estado AGITAÇÃO S OCIAL. . . 103
40
Rede Social da RC OL M ICRO de um Agente no Estado Milling. . . . . . . . . . 105
41
Rede Social da RC OL M ICRO de um Agente no Estado E XCITAÇÃO C OLETIVA. 107
42
Rede Social da RC OL M ICRO de um Agente em Comportamento Coletivo Elementar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
43
Imagem da Ativação do Ponto de Incêndio 2. . . . . . . . . . . . . . . . . . . 118
44
Imagem da Ativação do Ponto de Incêndio 10. . . . . . . . . . . . . . . . . . . 119
45
Imagem da Ativação do Ponto de Incêndio 25. . . . . . . . . . . . . . . . . . . 120
Lista de Figuras
xii
46
Evolução Rede. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
47
Evolução Rede (continuação). . . . . . . . . . . . . . . . . . . . . . . . . . . 125
48
Filtro da RC OL M ACRO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
49
Métricas da RC OL M ACRO.
50
RC OL M ACRO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
51
RC OL M ACRO (continuação). . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
. . . . . . . . . . . . . . . . . . . . . . . . . . . 127
xiii
Lista de Tabelas
1
Tipos de Indicadores de Métricas (ALEJANDRO; NORMAN, 2005) . . . . . . . .
42
2
Integração entre os Símbolos Significantes. (FRANçA, 2010) . . . . . . . . . .
63
3
Relações da Rede Social Micro de Acordo com Estado do Comportamento do
Agente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
4
Intervalos do Peso das Relações. . . . . . . . . . . . . . . . . . . . . . . . . .
75
5
Influência dos Atributos no Cálculo do Peso da Relação. . . . . . . . . . . . .
75
6
Ações Conforme Estado e Rede Social do Agente. . . . . . . . . . . . . . . . .
79
7
Relação Estado e Cor do Agente P ESSOA. . . . . . . . . . . . . . . . . . . . .
86
8
Cenários Analisados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
9
Comparativo da Amostra da Análise Geral dos Símbolos Significantes para um
Estado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
10
Média das Variáveis no Ponto de Incêndio 10 - Cenário 1. . . . . . . . . . . . .
99
11
Comparação da Análise dos Agentes Imobilizados e Sobreviventes - Cenário 1. 112
12
Agitação Social - Três Cenários. . . . . . . . . . . . . . . . . . . . . . . . . . 114
13
Milling - Três Cenários. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
14
Excitação Coletiva - Três Cenários. . . . . . . . . . . . . . . . . . . . . . . . . 115
15
Contágio Social - Três Cenários. . . . . . . . . . . . . . . . . . . . . . . . . . 116
16
Média das Variáveis dos Agentes P ESSOA no Ponto de Incêndio 2 - Cenários 2
e 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
17
Média das Variáveis dos Agentes P ESSOA no Ponto de Incêndio 10 - Cenários
2 e 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
18
Média das Variáveis dos Agentes P ESSOA no Ponto de Incêndio 25 - Cenários
2 e 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Lista de Tabelas
xiv
19
Análise dos Agentes Imobilizados e Sobreviventes - Cenário 2. . . . . . . . . . 122
20
Análise dos Agentes Imobilizados e Sobreviventes - Cenário 3. . . . . . . . . . 123
21
Amostra dos Dados do Estado Coletivo Micro Indexados. . . . . . . . . . . . . 124
22
Amostra dos Dados da Ameaça Indexados na Representação Coletiva Micro. . 124
23
Amostra dos Dados da Saída Indexados na Representação Coletiva Micro. . . . 124
1
1
Introdução
Creio que onde há prazer, o conhecimento está próximo.
—– Gabriela Llansol
Nos campos das Ciências Sociais e Computação, uma área que está cada vez mais demandando estudos em pesquisas e desenvolvimento são os sistemas complexos. O termo “complexidade” vem do latim, complexus, que significa cercado, compreendido, abrangido e também de
plecto, plexus que significa trançado, tecido, enlaçado. Sendo assim pode-se dizer que para se
ter um sistema complexo é necessário dois ou mais componentes, e estes estarem interligados de
forma a compor uma estrutura com um determinado nível de organização (HEYLIGHEN, 1989).
(PALAZZO, 1999) reforça a idéia dizendo que a forte conexão dos componentes de um sistema
complexo faz com que ele não possa ser separado em um conjunto de elementos independentes
sem ser destruído.
Nos sistemas complexos uma ordem global emerge espontaneamente a partir da interação
local entre membros que são autônomos e ao mesmo tempo interdependentes, resultando em
uma auto-organização. Sistemas sociais, como o pânico em multidão, podem ser vistos como
sistemas complexos, dada a variedade de elementos sociais, culturais, psicológicos, antropológicos, dentre outros, que envolvem tal fenômeno. Estudos como (FRANçA, 2010; BANARJEE;
GROSAN; ABRAHAM,
2005; SHARMA; SINGH; PRAKASH, 2008; JACOBSEN; HOUSE, 2001) inter-
ligam os campos de Ciências Sociais e sistemas complexos.
Enquanto a Sociologia lida com o comportamento institucionalizado, o Comportamento
Coletivo trata do comportamento socialmente construído durante eventos que quebram a estabilidade do coletivo (desastres naturais, uma nova tendência da moda, torcidas organizadas,
linchamentos, etc.). Esta linha de pesquisa teve início no século XIX com pesquisadores como
Gabriel Tarde (TARDE, 1890), Émile Durkheim (DURKHEIM, 1895) e Gustave Le Bon (BON,
1896). Desde então tem-se desenvolvido estudos na área com diversas teorias e abordagens,
dentre elas a teoria do contágio (TARDE, 1890; BON, 1896), da norma emergente (TURNER; KIL-
1 Introdução
LIAN,
2
1957), do estruturalismo (SMELSER, 1962; PARSONS, 1937) e a abordagem construtivista
(LUHMANN, 1996).
Na literatura tem-se a classificação de diversos tipos de comportamentos coletivos, dentre
eles: (i) a massa, um aglomerado de pessoas agindo ao mesmo tempo não estando no mesmo
espaço físico; (ii) o público, grupo de pessoas separadas, geralmente sem interação física e
discutindo algo em comum (por exemplo, opinião pública); (iii) e a multidão, onde há proximidade física entre os membros e uma ação coordenada para se atingir um objetivo, este definido
durante o processo social. Este trabalho trata de um fenômeno manifestado em uma multidão:
o pânico.
O pânico pode ser desencadeado por diversos fatores, tais como ameaças naturais (terremotos e erupções vulcânicas, por exemplo) e ameaças provocadas pelo homem (como atentados
terroristas e violência em movimentos sociais). Em uma situação de pânico sempre há um risco
iminente e uma sensação de urgência em agir por parte dos indivíduos, já que estes passam a
ser movidos pelo interesse individual da sobrevivência.
O fluxo do comportamento coletivo do tipo pânico em multidão tem início com um evento
inesperado, o que desencadeia uma sensação de incerteza e de insegurança nos indivíduos que
o compõe. Conseqüentemente, eles trocam informações que comunicam suas impressões individuais sobre o ocorrido em um processo denominado milling. Com a comunicação, há o
compartilhamento de idéias e sensações, assim viabilizando um consenso sobre a situação. Essas idéias e sensações tomam maiores proporções a medida em que um indivíduo nota que os
demais envolvidos também sentem e pensam de forma semelhante a ele, causando uma reação
circular, onde quanto mais pessoas compartilham dessas sensações e idéias, mais pessoas são
motivadas a participar da coletividade (contágio social). Quando as idéias estão estabelecidas
de forma social, ações são definidas e executadas (TURNER; KILLIAN, 1957; BLUMER, 1969;
FRANçA,
2010).
Como pode-se observar, a importância do contato social se manifesta desde o primeiro
momento em que o indivíduo, após o evento inesperado, sente-se ameaçado e há o início da
comunicação com a coletividade. Este fato faz com que o pânico em multidão se enquadre
na definição de rede social. Uma rede social é um sistema complexo, onde há uma estrutura
social composta por entidades que estão conectadas através de relações, podendo compartilhar
de crenças, conhecimentos, etc. Neste caso as entidades são as pessoas envolvidas, as relações
são as comunicações entre elas e a crença e conhecimento são as sensações e idéias constituídas
durante o evento.
Embora exista uma série de trabalhos abordando a simulação do pânico em multidão, (KA-
1 Introdução
VAKLI,
3
2006; ULICNY; THALMANN, 2001; ALLUISI, 1991; MUSSE et al., 2005; FRANçA, 2010),
não foi encontrado pelo autor algum que tratasse a questão da rede social implícita neste comportamento. Com isto, esta pesquisa propôs o estudo de como a análise de Redes Complexas,
mais especificamente a teoria das Redes Sociais, pode ser utilizada na modelagem multiagentes
do fenômeno do pânico em multidão.
Um sistema social pode se manifestar de diversas formas, dentre elas através de uma rede
social. Adventos de surgimento de sites como Orkut, Twitter, Facebook, MySpace entre outros
popularizaram as redes sociais. Porém, mais do que entretenimento, as redes sociais podem
trazer consigo inúmeras aplicações nas mais diversas áreas como observados nos trabalhos de
(BARBOSA; BYINGTON; STRUCHINER, 2000) que utiliza modelos dinâmicos e redes sociais para
o entendimento da epidemia do HIV, (TSVETOVAT; CARLEY; SYCARA, 2001) simulando a formação de grupos de investidores especializados em determinados nichos do mercado de ações,
(BERRY et al., 2003) que aplica o conceito de redes sociais em um modelo de formação de gangues a fim de estudar o recrutamento de jovens para grupos terroristas, (AMORIM, ) que aborda
estratégias para difusão de informações na Internet através do marketing viral e (RODRIGUES,
2008) analisando as redes sociais aplicadas à políticas de juventude.
É possível extrair de uma rede social importantes informações, tanto que hoje em dia as
próprias aplicações de redes sociais fornecem um conjunto de ferramentas para que seja possível
estudar e utilizar tais dados. A extração de informações de uma rede social permite cruzar
variáveis, testar hipóteses, analisar e detectar elementos críticos, e até predizer comportamentos
e ações futuras.
As técnicas de Análise de Redes Sociais podem auxiliar na modelagem de comportamentos
dos agentes de modo que estes interajam de uma maneira mais social, sendo possível analisar
questões tais como: liderança, propagação de informações, formação de alianças, relações de
confiança, convenções sociais, etc.
Este trabalho apresenta a modelagem conceitual de uma simulação multiagentes aplicada
ao fenômeno do pânico em multidão, levando em consideração as redes sociais estabelecidas
nas interações sociais. A proposta de junção destes três campos: Simulações Multiagentes,
Pânico em Multidão e Redes Sociais é inédita. Com o desenvolvimento deste modelo teórico
foi realizada a construção de um modelo computável. E a partir da implementação e posterior execução deste modelo computável, realizado neste trabalho, analisou-se o comportamento
coletivo do pânico em multidão sob o viés das redes sociais formadas.
O trabalho de (FRANçA, 2010) foi tomado de base para o desenvolvimento tanto do modelo
conceitual quanto do computacional, dando continuidade e inserindo as redes sociais a este.
1.1 Motivação
4
Os limites da fundamentação teórica foram delineados pelo aspecto da computabilidade. Isto
porque uma parte das teorias das Ciências Sociais pode ser considerada como fonte de parâmetros norteadores para a compreensão dos fenômenos sociais, mas não detêm as condições
necessárias para sua implementação sob o ponto de vista computacional.
1.1
Motivação
Há trabalhos que abordam diversos aspectos e ressaltam a importância da simulação. Por
exemplo, em (KAVAKLI, 2006) analisa-se simulações de treinamento para avaliação do risco
da criminalidade, no trabalho de (ULICNY; THALMANN, 2001) são apresentados os resultados
sobre o desenvolvimento de uma simulação de multidão para ambientes virtuais interativos
voltada para o treinamento em situações de emergência urbana, (ALLUISI, 1991) contribui para
o desenvolvimento de tecnologias para o treinamento coletivo e em (MUSSE et al., 2005) simulase o comportamento do movimento das multidões.
Já que pesquisadores da Sociologia buscam entender e construir teorias que expliquem
episódios do comportamento coletivo, os modelos computacionais destas constituem uma importante ferramenta para sua análise e entendimento. Especialmente a abordagem multiagentes
aliada com redes sociais, pois é possível não somente abstrair os elementos que constituem essas teorias, mas também executar a natureza complexa de sistemas sociais de modo a observar
a formação do comportamento coletivo. Possibilitando aos cientistas sociais que trabalham no
desenvolvimento ou aplicação de teorias sociais a fazer experimentos e analisar aspectos antes
não percebidos.
A construção de um modelo sistêmico e mais holístico para simular uma teoria social auxilia
o aprimoramento do estado da arte das ferramentas computacionais que agreguem os estudos
de teorias sociais, bem como também auxilia cientistas sociais a melhor entender a área. A
modelagem baseada em agentes põe em prática a terceira forma de se fazer ciência, além da
dedução e indução, e abre caminho para a descoberta de um novo estatuto epistêmico para as
Ciências Sociais (AXELROD; AXELROD, 1997).
1.2
Principais Contribuições
A escolha do tema comportamento coletivo do tipo pânico em multidão baseou-se na
perspectiva de criar um campo interdisciplinar, envolvendo o uso de modelos teórico sóciocomunicativos da simulação computacional e redes sociais, para construir e aprimorar aborda-
1.3 Organização do Texto
5
gens de Inteligência Artificial Distribuída (IAD) e da área de Ciências Sociais. Embora tenham
sido levantados trabalhos que integrem as áreas de Redes Sociais e Simulação Multiagentes
como (MARTELETO, 2001; KO; BERRY; MODEL, 2004; RODRIGUES, 2008), não foi encontrado
nenhum que também fizesse a junção com o pânico em multidão, e esta é uma das contribuições a ser destacada deste trabalho. Mais detalhadamente, a união dos campos de Simulação
Multiagentes, Redes Sociais e Pânico em Multidão traz as seguintes contribuições:
1. O estudo interdisciplinar: contribuindo nas três áreas citadas;
2. A elaboração do modelo teórico envolvendo o pânico em multidão e redes sociais, consolidando os estudos realizados;
3. A construção do modelo computacional baseado no modelo teórico: modelos computacionais de teorias de comportamento tornam-se importantes na medida que fornecem uma
ferramenta para análise e entendimento de teorias, como por exemplo, a construção e
persistência de instituições e estruturas sociais;
4. A execução do modelo computacional: a união dos modelos teórico e computacional tem
como resultante uma simulação multiagentes integrando as teorias, estudos e técnicas extraídas destas áreas. A aplicação desta simulação serve não somente para o entendimento
e validação de teorias, mas também contribui para a aplicação na vida real, uma vez que a
análise dos dados da execução do modelo computável viabiliza o melhor entendimento do
fenômeno. Por exemplo, entendendo a formação social em um momento de pânico, podese definir quais atores e onde devem se localizar para que as informações fluam da melhor
maneira, evitando a “irracionalidade social” por parte dos envolvidos e minimizando os
prejuízos durante o evento de pânico em multidão.
1.3
Organização do Texto
Este trabalho está dividido em sete capítulos. No Capítulo 2 é exposto de forma breve os
conceitos de Comportamento Coletivo, mais especificamente o de Pânico em Multidão, e a área
de Simulação Multiagentes, onde são descritos alguns exemplos clássicos.
O Capítulo 3 trata dos estudos do campo de Redes Complexas, mostrando de forma detalhada o campo das Redes Sociais bem como seu histórico, características, tipos e parâmetros
para sua análise. No Capítulo 4 há um levantamento e descrição de trabalhos relacionados ao
realizado neste, ou seja, pesquisas que integram os campos de Simulação Multiagentes com
Redes Sociais ou o Pânico em Multidão.
1.3 Organização do Texto
6
O modelo teórico desenvolvido para o pânico em multidão e redes sociais é descrito no
Capítulo 5 e o respectivo modelo computacional e análise de sua execução no Capítulo 6. Por
fim, no Capítulo 7 encontram-se as considerações finais deste trabalho.
7
2
Comportamento Coletivo e
Simulação Multiagentes:
Conceitos Fundamentais
Toda unanimidade é burra.
—– Nelson Rodrigues
Segundo (MERTON, 1968), a Sociologia estuda grupos humanos e a formação das instituições. Inicialmente os estudos eram direcionados para grupos que seguem regras pré estabelecidas. Quando o comportamento desses fugiam da ordem eram consideradas anormais e instáveis,
portanto não eram foco de estudos. Pesquisadores se opuseram à abordagem individualista do
comportamento humano. Por exemplo, Comte (1798-1857) dizia que a mente humana só poderia se desenvolver em um ambiente social. Assim sendo, a Psicologia não satisfazia o estudo do
comportamento social do ser humano, fazendo surgir em paralelo à Sociologia estudos sobre o
comportamento coletivo (TURNER; KILLIAN, 1957).
Uma rede social pode ser matéria prima, produto e também servir como guia para o comportamento coletivo. Isso fica claro pois ambos estão relacionados à interação de indivíduos.
Diversas abordagens já foram desenvolvidas de acordo com a sua finalidade e aplicação.
A seguir são apresentados conceitos fundamentais utilizados no desenvolvimento deste trabalho.
2.1
Comportamento Coletivo
Existem diversas abordagens durante a evolução dos estudos do comportamento coletivo.
Estas diferem pela finalidade e o contexto histórico e social que influenciaram no seu desenvolvimento. Também existem vários tipos de comportamento coletivo, dentre eles a massa, que
pode ser entendida como um aglomerado de pessoas agindo no mesmo espaço físico ao mesmo
2.2 Pânico em Multidão
8
tempo; o público, que é um grupo de pessoas separadas, normalmente sem a ocorrência de interação física e discutindo algum tema específico (como a opinião pública); e a multidão, que
precisa de uma proximidade física entre seus elementos e uma ação mais coordenada face a um
objetivo definido durante o processo social.
Segundo Emile Durkheim (DURKHEIM, 1893), o comportamento coletivo difere do comportamento dos indivíduos já que este não é a simples soma do comportamento individual em
um grupo. Isto é, a compreensão do comportamento coletivo não se dá estudando apenas o
comportamento dos indivíduos em si. O que existe é uma mentalidade coletiva cuja natureza,
características e funcionamento devem ser considerados (KOENIG, 1962).
Durkheim, em seus trabalhos, era influenciado por Gustave Le Bon (BON, 1896), primeiro
a reconhecer o significado da multidão como um fenômeno social e precursor dos estudos sobre
o comportamento coletivo. Segundo Le Bon, quando um indivíduo faz parte de uma multidão
ele se torna anônimo, e os membros desta almejam um objetivo comum de forma coletiva. O
anonimato inibe o senso de individualidade dos membros, com isso a responsabilidade pessoal
do indivíduo é transmitida para o grupo. Os membros não consideram as conseqüências ao
disporem a se empenhar em qualquer ação. Então, para Le Bon, a multidão possui uma personalidade com características próprias, com uma mente coletiva diferente das mentalidades
individuais de seus componentes.
2.2
Pânico em Multidão
Blumer classifica a multidão em quatro tipos (PARK; REUTER, 1946):
Multidão Casual: Esse tipo de multidão é momentânea e possui organização e unidades fracas. Seus membros entram e saem, tendo atenção temporária para o objeto de interesse, e
a interação entre esses membros não é intensa. Por exemplo, pessoas assistindo um artista
em uma vitrine de loja (PARK; REUTER, 1946).
Multidão Convencional: Semelhante à multidão casual, diferenciada por seu comportamento
ser expresso e estabelecido regularmente. Por exemplo, espectadores de um evento esportivo.
Multidão Ativa: Nesta há um objetivo que direciona as ações da multidão. Por exemplo,
quando um grupo de linchadores frente a um crime procura punir o assassino, mediante a
um só impulso caracterizado como um intenso sentimento coletivo.
2.2 Pânico em Multidão
9
Multidão Expressiva ou Dançante: A excitação dos seus membros é expressa por movimentos físicos como uma forma de liberação, em vez de um objeto direcionando as ações.
Este tipo é encontrado nas seitas religiosas, por exemplo.
Blumer ainda descreve a formação das multidões como um comportamento circular. Primeiro ocorre um evento escapista ou excitante (normalmente relacionado com a agitação social), chamando a atenção do indivíduo e o pressionando a agir. Os indivíduos se submetem ao
evento, e inicia-se o desenvolvimento de uma multidão ativa.
Em seguida há o processo de milling1 , tornando os indivíduos mais sensibilizados, compreensivos e se preocupando mais uns com os outros. Com menor foco entre si, os indivíduos
respondem aos demais de forma rápida, direta e inconsciente, preparando a formação de um
humor comum. No terceiro momento, o grupo reencontra um objeto comum de atenção, de
modo que o humor, o imaginário e os sentimentos das pessoas fiquem focados.
No quarto estágio, pela compreensão da situação obtida através do foco, surge uma excitação coletiva. O comportamento excitado interfere no processo de imaginário direcionado,
diminuindo a capacidade de utilizar a linguagem ou o imaginário para criar imagens diferentes
das formadas pela coletividade. Desta maneira, o indivíduo pode entrar em uma linha de conduta que não conseguiria conceber, e muito menos executar. Para ignorar tal comportamento
excitado, o indivíduo precisa se auto-excluir do cenário onde a ação ocorre, ou direcionar a
sua atenção para outro objeto. Por exemplo, em uma situação de emergência, enquanto alguns
membros da coletividade buscam sair do ambiente, outros entram em um estado de negação e
passam a rezar ou lamentar. A tendência natural dos indivíduos é lidar com o comportamento
excitado e procurar algum interesse nele. Nesse estado, o indivíduo tende a guiar-se mais pelas
emoções do que pela razão.
Em um quinto momento, a excitação coletiva leva ao contágio social, que é a disseminação
rápida e irracional de humor, impulso ou forma de conduta que ocorre, por exemplo, nos surtos
coletivos. Em formas extremas, o contágio social se apresenta de forma epidêmica, como o
pânico no mercado financeiro. A característica mais importante do contágio social é que ele
atrai e influencia indivíduos que normalmente estão desvinculados da ação social.
O pânico pode ser desencadeado por diversos fatores. O pânico em multidões é um tipo de
comportamento coletivo, para este deve-se levar alguns fatores em consideração:
1 Park
descreve o milling como um gesto coletivo que representa o desconforto ou medo, que podem ser amplificados de acordo com a sensação do indivíduo ou a agitação social. Há uma reação circular, por exemplo,
um alarme provoca a agitação social e essa agitação ocasionará no aumento da tensão dentro do grupo, que irá
amplificar e contagiar as sensações dos indivíduos (PARK; REUTER, 1946).
2.3 Simulação Multiagentes
10
• Em situações de pânico as pessoas geralmente percebem que sua sobrevivência é produto
de tomadas de decisões rápidas;
• A personalidade individual é enfraquecida. Desta forma há uma alteração dos sistemas
de valores e uma diminuição da responsabilidade, o que acarreta no comportamento imitativo, presente nos grupos;
• Pode haver a presença de palavras de ordem, emblemas, uniformes, manifestações sonoras ou rítmicas que reforçam a identidade grupal, em detrimento da individual;
• As pessoas manifestam um alto grau de irracionalidade, preocupando-se com a idéia de
fugir e não considerando as conseqüências de seus atos.
É importante ressaltar que o pânico é resultado da interação social e este surge de forma
emergente, produto da interação entre os membros da multidão. Também é válido o estudo de
Quarantelli (QUARANTELLI, 1975) que contradiz teorias do comportamento coletivo que pregam que o indivíduo tende a agir de forma irracional e instintiva, como as de Le Bon. Segundo
Quarantelli, o comportamento humano perante crises não é impulsivo, mas sim controlado,
utilizando-se de meios apropriados para atingir os seus objetivos de modo organizado e funcional. A experiência e o conhecimento do indivíduo podem afetar o seu comportamento em
situações de pânico, havendo o controle das emoções mesmo com medo e diante de situações
perigosas. Isto não significa a ausência do comportamento tido como irracional, porém sua
freqüência é menor, prevalecendo a racionalidade e a sociabilidade.
2.3
Simulação Multiagentes
Sistemas sociais englobam seres humanos vivendo em grupos e compartilhando um ambiente. A possibilidade de experimentá-los, testando estes sistemas com variáveis manipuláveis
é útil para as Ciências Sociais, pois barreiras morais e/ou físicas podem impossibilitar estes
experimentos com seres-humanos, sistemas e organizações.
A complexidade das numerosas situações interrelacionadas de causa e efeito destaca a importância dos modelos de simulação relacionados à área de Ciências Sociais (BERENDS; ROMME,
1999). As simulações permitem a percepção de efeitos não intencionais de ações dos indivíduos, ou estratégias que podem ser contra-intuitivas. E é do escopo deste projeto a Simulação
Multiagentes (SM), um ramo de estudo da Inteligência Artificial Distribuída (IAD).
A área de IAD já progrediu consideravelmente em suas teorias, metodologias e técnicas se
comparada ao início de sua estruturação na década de 70, onde conceitos como blackboards
11
2.3 Simulação Multiagentes
(FENNELL; LESSER, 1977) e actors (HEWITT, 1977) eram estudados. (DURFEE; ROSENSCHEIN,
1994) em 1994 dividia a IAD em duas classes: Resolução Distribuída de Problemas (RDP) e
Sistemas Multiagentes (SMA). Porém novas áreas estão sendo estruturadas e ganham atenção,
por exemplo a área de Simulação Baseada em Multiagentes (CONTE; GILBERT; SICHMAN, 1998),
onde a modelagem é constituída por agentes que possuem autonomia para decidir e executar
ações a fim de simular um determinado sistema.
Em (BERENDS; ROMME, 1999) mostra que até a década de 90, pesquisadores da área de
Ciências Sociais pouco utilizavam ferramentas da área de Simulação Computacional. Nesta
época, apenas 5% dos artigos publicados nos dez mais notórios periódicos utilizavam métodos
de Simulação Computacional. A partir de então aumenta o número de cientistas sociais que
utilizam simulações para explorar comportamentos resultantes das iterações dos agentes.
Visto que a classificação precisava ser reformulada devido a novas vertentes e foco mais
específico em algumas áreas, uma nova classificação da IAD para se adequar com os dias de
hoje é proposta em (MARIETTO et al., 2002). Um dos campos propostos nessa nova classificação
atende à necessidade de simulações computacionais por parte dos cientistas sociais e utiliza recursos da IAD, a Simulação Multiagentes. No trabalho de (MARIETTO et al., 2002) são expostas
as várias vertentes que a Simulação Multiagentes pode assumir.
O campo de estudo da Simulação Multiagentes oferece infraestrutura para modelagem e
entendimento de processos como as interações sociais, por exemplo, a coordenação, cooperação, formação de grupos, resolução de conflitos, etc. Por permitir relacionar comportamentos
locais com os globais, possibilita analisar como os agentes podem influenciar o comportamento
de uma determinada agência, e vice-versa (causa e efeito). Na Seção 2.3.2 são detalhadas as
subáreas de Simulação Multiagentes.
2.3.1
Classificação
Na Figura 1 é exposta a classificação para a IAD proposta em (MARIETTO et al., 2002).
Como pode-se observar existem duas vertentes principais que seguem a classificação de (DURFEE; ROSENSCHEIN, 1994):
Resolução Distribuída de Problemas (RDP) e Sistemas Multiagentes
(SMA).
A RDP modela o problema alvo em uma abordagem top-down. A solução deste é previamente estruturada e os agentes são desenvolvidos para atuarem conforme o esquema proposto
para a solução. Desta forma uma parcela do raciocínio para a solução do problema deve ser inserida pelo projetista do sistema, o que acarreta no desenvolvimento de controles hierárquicos
2.3 Simulação Multiagentes
12
Figura 1: Classificação Proposta por (MARIETTO et al., 2002).
e centralizados (MARIETTO et al., 2002).
Nos SMAs a atenção é maior na modelagem dos agentes, e não mais na estruturação do
problema. O projetista foca nas arquiteturas dos agentes para que estes trabalhem de forma
autônoma e social, e nos sistemas de comunicação e coordenação para que a solução emirja das
interações, ou seja, uma abordagem bottom-up (MARIETTO et al., 2002).
Em (MARIETTO et al., 2002) a área de SMA é dividida em duas classes: Simulação Multiagentes (SM), onde o conceito de SMA é utilizado para simular computacionalmente fenômenos;
e a Resolução Multiagentes, que cerca as atividades inerentes à construção de SMAs. Como o
foco deste trabalho é do escopo de SM, a seguir são apresentados alguns aspectos desta.
2.3.2
Subáreas da Simulação Multiagentes
Um modelo de simulação representa um sistema alvo. O que o torna um tipo particular de
modelo é a possibilidade de estudar como o sistema modelado se comporta quando submetido a
determinadas condições, e avaliar as conseqüências no comportamento geral do sistema quando
efetuadas alterações internas (GILBERT; TROITZSCH, 2005).
(FERBER, 1996) define que o modelo de SM é baseado no relacionamento de um indivíduo
com um programa, assim simulando um mundo real através de entidades computacionais inte-
2.3 Simulação Multiagentes
13
rativas. A simulação multiagentes é a transposição da população de um sistema para um modelo
conceitual equivalente, então é feita a codificação deste modelo para um modelo computacional
(BERENDS; ROMME, 1999).
Em uma simulação multiagentes um agente representa uma entidade do mundo real, ou um
grupo delas, podendo ser de diferentes naturezas e com granularidades variadas. Por exemplo,
um agente pode equivaler a seres humanos, robôs, programas computacionais, objetos inanimados e organizações (FERBER, 1996).
Nas simulações é importante que o modelo computacional represente de forma mais fiel
possível o sistema alvo. Para isto deve-se efetuar a verificação para garantir que o modelo
conceitual foi devidamente representado computacionalmente, e a validação para garantir que
o modelo computacional simule o sistema alvo com um aceitável grau de aderência (GILBERT;
TROITZSCH,
2005).
Segundo a classificação de (MARIETTO et al., 2002) a área de SM pode ser dividida em
três subáreas: Análise de Sociedades Artificiais, Análise de Sistemas Sociais e Prototipagem
para Resolução. Estas classes são interdependentes e diferenciadas pelo tipo de sistema alvo
e o nível da abstração usada para representar este sistema. A seguir se é detalhada cada umas
destas subáreas.
Análise de Sociedades Artificiais
Na Análise de Sociedades abstrai-se as relações físicas, sociais, psicológicas e econômicas,
não se restringindo a modelos reais de sociedades e de ambientes físicos. Porém a abstração
deve seguir teorias e hipóteses para que estas auxiliem na construção do modelo conceitual
da simulação. A análise de Sociedades Artificiais são usadas para questões específicas como
explorar fenômenos particulares, por exemplo (MARIETTO et al., 2002).
(MARIETTO et al., 2002) expõe que a modelagem de sociedades artificiais são aplicadas a
quaisquer sociedades de agentes. Porém quando estas representam sociedades humanas, se
considera cenários não diretamente observáveis, uma perspectiva aberta possibilitando teorizar
e hipotetizar sociedades.
Argumenta-se que este tipo de abordagem fica distante da realidade e os resultados da simulação não sejam relevantes. Este tipo de questionamento em relação à construção de modelos
sociais contribuem com a área de SM e são muito abordados em Ciências como Biologia, Sociologia e Economia. Por exemplo, a interdisciplinaridade entre SM, Ciências Socais e Biológicas
leva à estruturação de uma subárea da SM, a Análise de Sistemas Sociais, que é apresentada na
próxima seção.
2.3 Simulação Multiagentes
14
Análise de Sistemas Sociais
Segundo (MARIETTO et al., 2002) na Análise de Sistemas Sociais as simulações multiagentes
baseiam-se em teorias das Ciências Sociais e/ou Biologia para modelar fenômenos sociais. Os
sistemas alvo são sistemas sociais existentes ou aqueles que já existiram, como por exemplo
algumas sociedades desaparecidas.
As simulações baseadas nas Ciências Sociais são geralmente classificadas como Simulação
Social Baseada em Agentes. (MARIETTO et al., 2002) usa uma única classificação para simulações que tem como arcabouço as Ciências Sociais e as Ciências Biológicas, pois características
de sistemas sociais também são encontradas nas Ciências Biológicas. Por exemplo, a utilização
de algoritmos genéticos e redes neurais em estudos de adaptação a ambientes específicos, e a
teoria da evolução na modelagem de sistemas econômicos (LANSING, 2002).
As simulações desta área podem ser direcionadas de duas maneiras: (i) Abordagem Fundacional: Nesta, as simulações possuem uma visão formal e abstrata, construindo e representando
fundamentos da teoria social. Ou seja, são propostas novas estruturas ou alternativas para sistemas sociais, verificando a viabilidade de sua existência e funcionamento, ou para obter um
melhor entendimento dos fundamentos sociais, antropológicos, psicológicos, etc, que subsidiam
e direcionam sistemas sociais; (ii) Abordagem Representacional: Possui uma visão pragmática
da experimentação, enfatizando a análise e representação de modelos e processos sociais já
existentes. Assim sendo, utiliza modelos teóricos já existentes para modelar processos sociais
e institucionais. Esta abordagem procura obter um melhor entendimento de fenômenos sociais.
Prototipagem para Resolução
Segundo (MARIETTO et al., 2002) no ramo de Prototipagem para Resolução a modelagem é
voltada para sistemas reais. Nesta, os agentes, humanos ou não, interagem com ambientes reais,
por exemplo construções inteligentes (DAVIDSSON; BOMAN, 2000) e fenômenos naturais (MOSS;
PAHL-WOSTL,
2000). Os principais objetivos das simulações na Prototipagem para Resolução
são práticos. (DAVIDSSON, 2001) cita como objetivos: (i) Avaliação dos sistemas modelados,
para futura aplicação real; (ii) Treinamento de usuários do sistema; (iii) Auxílio na tomada de
decisão, utilizando predição de comportamentos e de ações.
2.3.3
Modelos Clássicos de Simulações Multiagentes
No campo de Simulação Multiagentes há modelos clássicos que servem de base para extensões, novas modelagens e implementações nos mais diversos campos do saber. A contribuição
destas simulações vêm em diversas formas, podendo ser utilizados os conceitos e teorias, a
2.3 Simulação Multiagentes
15
arquitetura dos agentes ou o próprio código fonte da implementação do modelo computacional.
Em geral os modelos clássicos na área de SM estão representados na forma de Autômatos
Celulares (AC). Um AC é um sistema dinâmico formado por muitas unidades modeladas como
células, interagindo umas com as outras. As entradas de uma célula são os estados das células
da sua vizinhança. A evolução do AC se dá com a mudança dos estados das células no decorrer
do tempo tendo como base suas regras internas, que estão relacionadas aos estados de suas
células vizinhas.
Os modelos de SM tornam-se mais reais à medida que os agentes não possuem visão inteira
do mundo e o acesso às informações é limitado. A visão dos agentes é definida pelo raio da
vizinhança que ele tem acesso, já o conhecimento limitado é equivalente a dizer que os agentes
só podem analisar o que acontece ao seu redor. Um exemplo de abordagem para limitar e
restringir o acesso às informações pelos agentes é inserir uma única rede social na modelagem
de forma que os agentes tenham acesso a um conhecimento exclusivo após ser filtrado pela rede.
Por exemplo, o agente tem acesso aos seus amigos e amigos de amigos, agentes que não fazem
parte deste grupo são desconhecidos por ele.
A seguir são listados alguns modelos clássicos da área de Simulação Multiagentes.
2.3.3.1
Schelling Segregation
Inspirado no trabalho do economista Thomas Schelling sobre sistemas sociais (SCHELLING,
1971), este é um dos modelos que trata da auto-organização e afinidade entre agentes. Schelling mostrou que a preferência por vizinhos que pertençam a um mesmo grupo pode levar a
situação de segregação. Ele utilizou moedas e um papel quadriculado para demonstrar sua teoria, colocando moedas de dois tipos diferentes sobre o papel e movendo-as uma a uma. Caso
uma moeda estivesse cercada por um determinado número de moedas diferentes, então ela era
movida. Schelling observou que o sistema evoluiu para um padrão de localização segregado.
Resumidamente, o funcionamento do modelo se dá da seguinte forma. Há dois grupos em
uma sociedade, por exemplo, duas espécies diferentes de tartarugas, meninos e meninas, etc.
Os agentes da simulação pertencem a um destes dois grupos e são alocados de forma aleatória
em um ambiente (uma grade de duas dimensões). Além do grupo a qual pertence, o agente
pode se encontrar em dois estados, feliz ou infeliz. A infelicidade do agente é o que motiva sua
movimentação no cenário.
Um agente se locomove quando seu estado é infeliz. Alcançando o estado feliz, o agente
permanece no mesmo lugar até que volte a estar infeliz. A transição do estado, que indica a
2.3 Simulação Multiagentes
16
felicidade do agente, ocorre de infeliz para feliz quando a localização do agente proporciona
uma porcentagem de vizinhos do mesmo tipo superior ou igual a um limiar que este gostaria
de ter. E de feliz para infeliz quando a porcentagem de vizinhos do mesmo tipo está abaixo do
limiar que o agente em questão gostaria de possuir. A locomoção dos agentes é feita para as
células vizinhas livres, indo para o local onde sua mudança proporcionará a maior porcentagem
de vizinhos do mesmo tipo.
Na Figura 2 é possível observar o padrão formado com a execução da simulação do modelo
Schelling Segregation. Os pontos pretos e vermelhos representam agentes, a cor diferencia
os grupos a quais eles pertencem. Os pontos em branco são os espaços livres nos quais os
agentes podem se movimentar, e com a execução acabam formando fronteiras entre os grupos
de agentes.
Figura 2: Execução de uma Simulação de Segregação. Fonte: (XJ, 2010).
O curioso deste modelo é que ele mostra que com um limiar relativamente baixo para um
agente se considerar feliz, alcança-se uma segregação global significativa. Por exemplo, definindo em 30% o limiar de vizinhos do mesmo tipo para que um agente se considere feliz, ao
final da simulação os agentes possuem em média 70% de vizinhos do mesmo tipo que o seu. O
ajuste de outros parâmetros da simulação permitem mais conclusões: quanto maior a densidade
de agentes, a separação dos grupos fica mais definida, e o aumento do limiar de felicidade faz
com que a fronteira entre os grupos seja maior, assim os isolando.
Um exemplo onde o modelo Schelling Segregation foi aplicado é no trabalho (CLARK,
2.3 Simulação Multiagentes
17
1991). Neste são estudados os padrões de habitação nas cidades, mostrando que a segregação
racial cria zonas de preferência em bairros residenciais.
Uma contribuição para o modelo Schelling Segregation é a integração de Redes Sociais.
Com isso, por exemplo, os agentes podem decidir sobre uma nova localização com base em
informações sobre bairros de outros agentes de sua rede, assim orientando sua locomoção.
2.3.3.2
Sugarscape
No modelo Sugarscape (AXTELL; EPSTEIN, 1996) agentes nascem, se movem pelo cenário,
consomem e armazenam recursos, se reproduzem e morrem, isso em um mundo virtual. O
Sugarscape usa regras simples para criar uma sociedade virtual onde as interações entre os
agentes formam complicadas estruturas sociais. É um modelo conceitual simples, mas capaz de
interpretações amplas.
Diferente do modelo Schelling Segregation, onde os agentes eram iguais somente diferenciados pelo grupo a qual pertenciam, no Sugarscape a característica central é que seus agentes
são heterogêneos, ou seja, os agentes que modelam pessoas reais são diferentes uns dos outros.
Cada um tem seu próprio “código genético”, representado pela combinação distinta de taxa
metabólica (quanto açúcar cada agente precisa para se manter vivo), visão (a distância que o
agente pode “enxergar” para buscar o açúcar), e assim por diante (RAUCH, 2007).
Cada agente tem as propriedades de metabolismo e de visão herdadas de seus pais. Eles
precisam encontrar açúcar para sobreviver, para isso usam o atributo visão que determina o raio
de visão que o agente possui para encontrar o açúcar e ir em direção dele. A busca frustrada pelo
açúcar pode levá-los à morte por inanição. Durante a simulação os agentes podem se reproduzir.
Com este conjunto de regras, ao longo da simulação é possível observar a teoria da evolução
que diz que os mais fortes sobrevivem. Aqueles com melhor visão e metabolismo, ou o melhor
equilíbrio entre estas características, permanecerão mais tempo vivos durante a simulação e
com isso também gerarão maior número de descendentes. Na Figura 3 observa-se a execução
do modelo de simulação Sugarscape. Os pontos em vermelho são os agentes, as linhas pretas
que os ligam representam os laços sociais entre eles (hereditariedade).
Ao final da execução da simulação do modelo Sugarscape é possível perceber que há uma
distribuição desigual de açúcar, e os agentes caminham ao mesmo tempo em direção ao açúcar. Apesar de a sociedade simulada ser rudimentar, este resultado final se assemelha com
a distribuição desigual de riqueza nas sociedades humanas. Chegando-se à conclusão que as
regras simples dos agentes podem produzir fenômenos sociais complexos, como o fenômeno
2.3 Simulação Multiagentes
18
Figura 3: Execução de uma Simulação Sugarscape. Fonte: (TEAM, 2010).
das migrações, onde os agentes durante a simulação caminham para região em que há recursos
disponíveis.
2.3.3.3
Cyber-Anasazi
Um exemplo de como modelos mais elaborados são desenvolvidos, tendo como base modelos anteriores, é o caso do Cyber-Anasazi, que se baseou no modelo Sugarscape. Anasazi foi
uma sociedade indígena norte americana que habitou o que hoje é o Four Corners, em Long
Valley House no nordeste do Arizona, entre 1200 a.C. até o final do século XIII. Tem-se muitos
dados sobre esta civilização, porém os motivos os quais levaram sua extinção é muito discutido.
Hipotetiza-se que a sociedade teve fim devido a sua cultura e guerras. Há aqueles que acreditam em epidemias ou saqueadores, outros defendem uma possível migração. Por exemplo, há
estudiosos que dizem que a migração da sociedade Anasazi foi motivada pela seca na região,
porém esta já havia enfrentado secas piores, o rio que era fonte de sua agricultura não secou
e o período de estiagem acabou logo depois do período que se acredita que houve a migração
(RAUCH, 2007).
O modelo de simulação Cyber-Anasazi visa modelar o comportamento da cultura e o declínio da sociedade Anasazi até seu desaparecimento, isto para que sejam encontrados os motivos
da extinção deste povoado. Favorecem esta simulação os seguintes fatos: (i) o povoado se concentrava em uma região delimitada, ou seja, o ambiente pode ser representado por uma grade
de duas dimensões; (ii) há uma grande quantidade de dados levantados em estudos e pesquisas
sobre a sociedade Anasazi, que permitem definir tanto o comportamento de seus indivíduos
como regras para a agricultura, movimento e acasalamento, quanto números ligados à produção
agrícola, dados meteorológicos daquela região no período em questão, condições ambientais,
2.3 Simulação Multiagentes
19
padrões de assentamento, etc. (RAUCH, 2007).
A simulação consiste em criar uma réplica computadorizada do Long Valley House e simular o período 800 d.C. a 1350 d.C. A modelagem dos agentes conta com um número maior
de atributos do que as simulações apresentadas nas seções anteriores. Um agente neste modelo
representa uma família e possui informações como idade, tempo de vida, visão, habilidade para
locomoção, necessidade nutricional, consumo, etc. O conjunto de regras que regem o comportamento dos agentes permitem eles interagirem tanto com outros agentes, quanto com o ambiente
que estão inseridos.
Resumidamente, o comportamento de um agente família se dá da seguinte forma. Todos os
anos cada família realiza colheitas de milho em suas terras para se alimentar, e armazena o que
excede para que possa consumir e garantir sua existência no inverno. Se a produção é suficiente
para a alimentação neste ciclo, então a família permanece nas terras para o plantio do ano
seguinte. Se o rendimento for insuficiente, a família se muda para o próximo lote disponível
que pareça promissor para então realizar o mesmo ciclo. Se mesmo assim a família ainda
não puder se sustentar, então ela é retirada da simulação, como se tivesse morrido. Demais
regras permitem a formação de novas famílias, o nascimento de filhos, e assim por diante. As
regras são bastante simples, basicamente orientam os agentes Anasazis a acompanhar a colheita,
migrar se necessário, se reproduzir, formar novas famílias e morrerem (RAUCH, 2007).
Durante a execução da simulação Cyber-Anasazi pode-se observar que no período de 855
a 1021 a população artificial cresce e se espalha com atraso em relação ao modelo real, mas
assim como no modelo real procuram habitar as zonas férteis, onde há mais água disponível
para a agricultura. Em 1130 as características do real e a simulação continuam semelhante,
exceto que na simulação os agentes deixam de ocupar uma pequena quantidade de terras férteis
durante sua expansão. Até 1257 a população artificial sofre seu declínio, confirmando os dados
da sociedade Anasazi real. Porém ao final da simulação algumas famílias se mantêm na região,
já na história real todas desaparecem. Na Figura 4 está ilustrado um passo da execução do
modelo de simulação Cyber-Anasazi. A área em azul representa as regiões férteis, os círculos
em vermelho representam os assentamentos.
Devido ao modelo estar bem simplificado não se pode chegar a uma conclusão definitiva
sobre o real motivo do desaparecimento Anasazi. As diferenças entre a realidade e a simulação
são muitas, dada a relativa simplicidade das regras e grande parte dos fatores ambientais serem
excluídos. Mas mesmo assim é importante ressaltar o quanto a simulação consegue se assimilar
com o mundo real. Com a simulação conclui-se que as condições ambientais explicam muito
do que é sabido sobre a população Anasazi e seus padrões de assentamento, bem como a queda
2.3 Simulação Multiagentes
20
Figura 4: Execução de uma Simulação Anasazi. Fonte: (TEAM, 2010).
acentuada da população, mas não explica o desaparecimento final. Talvez alguma outra motivação tenha feito com que as poucas famílias que restaram na região migrassem, ou ainda há
um ponto que este modelo não abordou.
Mesmo que as simulações não consigam explicar por que os Anasazi desapareceram, elas
têm demonstrado que as sociedades artificiais podem servir para replicar a evolução das sociedades reais, e até predizer algumas tendências. Podendo também servir como base de estudos
de comportamentos e até prevenção para evitar mais desaparecimentos. Um trabalho interessante também a se agregar neste modelo é fazer com que os agentes reconheçam as instituições
sociais ou direitos de propriedade, por exemplo regras de herança de terras, já que os agentes
somente agem respondendo a estímulos ambientais.
2.3.4
Características de Implementação
Ao se implementar um sistema multiagentes, mais especificamente uma simulação, existem
algumas características que devem ser tomadas como pontos de atenção. Algumas armadilhas
que podem passar desatentas por quem modela podem afetar o resultado final no momento da
execução do modelo computacional.
De acordo com (AXTELL, 2001) os efeitos de algumas especificações dos modelos de simulação multiagentes podem alterar os resultados da simulação. Questões como a configuração da
forma geométrica da célula (quadrada, triangular, hexagonal, etc.), a quantidade de dimensões
2.3 Simulação Multiagentes
21
da grade (1d, 2d ou 3d), o tipo de vizinhança (Neumann, Moore ou aleatória) e valor de seu raio,
as fronteiras do mundo e a utilização de tipos de limites (valores fixos, reflexivo ou periódico),
e os parâmetros e estados iniciais da simulação afetam diretamente os resultados da simulação.
Em particular, (AXTELL, 2001) destaca duas especificações: as interconexões entre os agentes (a topologia da interação) e as estruturas de atuação (escalonamento). A interação dos agentes e as estruturas de ativação podem desempenhar um papel importante no SMA. Quando
estruturas de interação e ativação são sistematicamente alteradas, as estatísticas produzidas por
tais modelos podem variar substancialmente. Detalhes arquitetônicos do SMA, incluindo o estudo de como as mudanças podem afetar a saída do modelo é a chave para a análise robusta de
SMAs (AXTELL, 2001).
Por exemplo, redes sociais têm um papel crítico como um meio no qual seres humanos
estão socialmente situados e no qual interações entre indivíduos ocorrem. Elas estão representadas em modelos de simulação multiagentes. O que é destacado por (AXTELL, 2001) é que
pequenas mudanças na estrutura das redes sociais pode levar a grandes mudanças nos resultados
macrossociais.
Quanto ao regime de ativação dos agentes, que é a ordem e a freqüência da ação dos agentes, (AXTELL, 2001) estudou dois tipos de ativação: uniforme e aleatório. Mostrou-se que a
diferença na adoção destes dois regimes resultou, estatisticamente, em resultados diferentes.
22
3
Redes Complexas e Redes
Sociais: Arcabouço Teórico
O homem não teceu a teia da vida; ele é apenas um fio dela.
Tudo que ele faz à teia, ele faz a si mesmo.
—– Ted Perry
A área de Redes Complexas é recente e interdisciplinar e envolve o formalismo matemático
da Teoria dos Grafos. Uma rede complexa é uma estrutura matemática formada por vértices
que se unem através de conexões baseadas em alguma regra, essas ligações se dão por meio de
arestas. Com isso, redes complexas fazem parte do escopo da Teoria dos Grafos, que estuda
objetos combinatórios, os grafos, que são um bom modelo para muitos problemas em vários
ramos da matemática, informática, engenharia e indústria (PEREIRA; CâMARA, 2008).
Uma das bases teóricas deste trabalho são as Redes Sociais, um tipo de rede complexa.
Por inferência, o campo de Redes Sociais também utiliza o escopo teórico e técnico da Teoria
dos Grafos. Porém estas redes possuem características que trazem mais informações que um
simples grafo. Isto ocorre porque a concentração das informações se encontra nas relações entre
os nós, e destas ligações podem ser retiradas um grande número de informações se comparado
ao número de informações que o vértice pode oferecer com os dados de seus atributos.
Uma rede social pode ser definida como um conjunto finito de nós conectados por relações de forma social (WASSERMAN; FAUST, 1994). Ou seja, as redes sociais são formadas por
pessoas, organizações, países, grupos, etc. com algum padrão de contato ou interação entre si,
mapeando relacionamentos pessoais de diversas conotações como afetivo, profissional, dentre
outros. Os atores são membros da rede e são representados como os nós, que através das interações moldam a estrutura da rede. Já as conexões (links) são produto do fluxo da interação entre
os atores, estas são representadas por arestas e assumem diversos tipos de relações de cunho
social existentes entre eles.
3 Redes Complexas e Redes Sociais: Arcabouço Teórico
23
As redes sociais são tidas como emergentes, pois são formadas a partir das interações de
seus membros. Nas redes deste tipo, as conexões entre os nós emergem das trocas sociais
realizadas na interação, e o registro desses relacionamentos são utilizados na construção de
seus modelos. A emergência se configura na estrutura bottom-up, caracterizada pela construção
do grupo através de suas interações. Tendo uma rede social formada, o próximo passo consiste
na análise dos dados que esta possui.
Para a análise das redes sociais há um campo de estudos denominado Análise de Redes
Sociais (ARS). A ARS teve seu início no final do século XIX com Émile Durkeim (DURKHEIM,
1895) dizendo que os fenômenos sociais são frutos da interação de indivíduos, e que estes
fenômenos não podem ser explicados unicamente pelas propriedades dos indivíduos envolvidos.
A ARS consiste no mapeamento e na medição de relações e fluxos entre os membros de uma
rede, fornecendo uma análise visual e matemática.
O maior foco nas relações e não nos atores pode ser entendido através de um exemplo:
quando tenta-se predizer a performance de indivíduos em uma comunidade científica através de
alguma medida. Uma abordagem tradicional, via Ciências Sociais, recomendaria que os atributos a serem investigados fossem: a quantidade de bolsas, idade, etc. Após isso, uma análise
estatística tentaria relacionar estes atributos com algum resultado, por exemplo, o número de
publicações (MIKA, 2007).
A ARS, por outro lado, utiliza uma abordagem diferente quanto ao fenômeno social. Assim, requer um novo conjunto de conceitos e métodos para coletar os dados e analisá-los. Por
exemplo, identificar os grupos a que um indivíduo pertence e estudá-los para conhecer quais
são as preferências deste, ou analisar a forma que demais membros da comunidade científica se
relacionam (citações, participação conjunta em projetos e eventos, etc.) com um determinado
indivíduo a fim de se descobrir o grau de importância e participação dele ou de um grupo no
ambiente.
A análise da rede ao longo do tempo seria outra abordagem para a análise de uma determinada rede social. O estudo da dinâmica da rede, considerando a importância e o tipo do
relacionamento entre os atores, permite a compreensão da evolução da reputação de um determinado membro, podendo também ser analisados como os relacionamentos são construídos e
destruídos com o passar do tempo.
Este capítulo está estruturado da seguinte forma. Na Seção 3.1 é apresentada uma síntese
sobre Redes Complexas com um breve histórico, seus tipos, algumas propriedades e modelagens utilizadas para representá-las. Já na Seção 3.2 as Redes Sociais e seus elementos são
detalhados, também é descrito o conceito de capital social e os tipos de redes sociais existen-
3.1 Uma Visão Geral sobre Redes Complexas
24
tes. Na Seção 3.3 há um resumo histórico sobre a Análise de Redes Sociais, são apresentadas
as estruturas existentes em uma rede social, os conceitos referentes às métricas para análise, a
avaliação e classificação dessas.
3.1
Uma Visão Geral sobre Redes Complexas
Um sistema é complexo se suas propriedades não são diretamente resultantes de seus elementos vistos isoladamente. As características emergentes de um sistema complexo geralmente
são produto da relação não-linear entre seus elementos constituintes. A máxima para a área de
sistemas complexos é que “o todo é maior que a soma das partes”.
A figura da rede é bastante utilizada para representar ou qualificar sistemas, estruturas ou
desenhos organizacionais caracterizados por uma grande quantidade de elementos (pessoas,
pontos-de-venda, entidades, equipamentos, etc.) dispersos espacialmente e que mantém alguma
ligação entre si. Por exemplo, o cérebro é uma rede de células nervosas (neurônios) conectadas,
comunicando-se por meio de reações químicas e sinais biofísicos. Estas células também são
redes, porém são constituídas de moléculas ligadas por rotas metabólicas.
Diversos são os aspectos do mundo real que podem ser representados e estudados por meio
de redes complexas. São exemplos: a Internet e o conteúdo de suas páginas, a rede de contatos
humanos, relações sociais entre grupos de pessoas, redes organizacionais ou de negócios entre
companhias, redes ecológicas (cadeia alimentar, por exemplo), redes de telefonia, redes de
citações científicas, redes lingüísticas, redes de neurônios, redes de interação de proteínas, redes
metabólicas, colônias de insetos, clima, difusão de informação, dentre outros (BARABASI, ;
METZ et al.,
2007; GASTON; DESJARDINS, 2005).
A Figura 5 ilustra a rede complexa de uma escola secundária americana, onde os nós são
os alunos e as ligações representam as relações de amizade entre eles. As cores dos nós diferenciam as etnias, sendo os nós amarelos representativos de caucasianos, afro-americanos são
os verdes e cor-de-rosa representam as demais etnias.
3.1.1
Breve Histórico
Por volta de 1930 se iniciaram os estudos das redes complexas, onde estas eram utilizadas
para compreender o comportamento da sociedade e as relações entre os indivíduos. Em 1967
nos Estados Unidos, o psicólogo Stanley Milgram (MILGRAM, 1967) realizou uma das experiências mais conhecidas de mapeamento das redes sociais. Esta deu origem à teoria dos seis
3.1 Uma Visão Geral sobre Redes Complexas
25
Figura 5: Exemplo de uma Rede Complexa da Amizade (LISBOA, 2010).
graus de separação, pois chegou-se à conclusão que qualquer pessoa está a apenas seis graus de
separação de qualquer outra pessoa.
A experiência envolveu 160 pessoas que viviam em Boston e Omaha (Nebraska), nos EUA.
Para cada um dos participantes foi enviada uma correspondência com instruções para que a
mesma chegasse a uma pessoa alvo, originária de Sharon, Massachussets, mas que trabalhava
em Boston. Caso as pessoas não conhecessem o destinatário, deveriam buscar contatos que o
conhecessem pessoalmente ou que pudessem ajudar na entrega da correspondência. Cada pessoa deveria escrever o seu nome na correspondência de modo que fosse possível monitorar o
caminho percorrido até o seu destino final. Milgram constatou que o número médio de intermediários entre a origem e o destinatário eram de 6 pessoas. Ou seja, a carta passou por seis
pessoas em média antes de chegar à pessoa alvo.
O experimento de Milgram deu origem à teoria do “mundo pequeno” (small-world). Através dele mostrou-se que determinadas redes apresentam uma característica onde as distâncias
médias, em número de ligações, entre duas pessoas tende a crescer mais lentamente que a rede.
Isto é, a separação entre os indivíduos é pequena, mesmo para redes de grande porte (ANGELIS,
2010).
O avanço da tecnologia de informação e a disponibilidade de computadores e redes de
comunicação permitiram a análise de grandes volumes de dados, acarretando uma mudança
significativa na área. Se antes as pesquisas focavam em pequenas redes e as propriedades de
3.1 Uma Visão Geral sobre Redes Complexas
26
vértices ou arestas individualmente, agora passam a considerar propriedades estatísticas em
larga escala. Hoje o estudo de redes com milhões ou bilhões de vértices é comum, sendo que
anteriormente as redes estudadas possuíam dezenas ou centenas. Esta mudança de paradigma
mostrou várias características que diferem as redes do mundo real das redes aleatórias (ver
Seção 3.1.4), consideradas por muitos anos como o principal modelo de redes. Tendo esta
visão, as redes passaram a ser chamadas de redes complexas (METZ et al., 2007).
Com o passar dos anos novas áreas surgiram (por exemplo, sistemas não lineares, redes
neurais, caos e sistemas auto organizáveis) para pesquisa de sistemas complexos específicos.
Cada qual especificava características e dava foco às redes inerentes ao seu campo. Por exemplo,
nos anos 90 pesquisadores perceberam que muitas estruturas naturais são auto similares como
os fractais (MANDELBROT, 1983).
Em 1999, Albert, Jeong e Barabási realizaram uma descoberta, baseada em estudos de Milgram. Ao invés das cartas, o estudo agora foi aplicado à rede mundial de computadores, a
Internet, a fim de encontrar o número médio de hiperlinks que separavam duas páginas escolhidas aleatoriamente. Provou-se que em média, as páginas da Internet estão separadas por menos
de vinte cliques do mouse, confirmando assim os estudos sobre o efeito small world (MILGRAM,
1967; VIANA, 2007).
3.1.2
Tipos de Redes Complexas
As redes complexas são classificadas em quatro tipos distinguindo-se pela sua fonte de
dados, perspectiva de análise e entendimento do fenômeno estudado (BARABASI, ). Estes tipos
não são mutuamente exclusivos entre si, assim sendo possuem aspectos em comum. São os
tipos de redes complexas: redes tecnológicas, redes biológicas, redes de informação e redes
sociais.
Redes tecnológicas são construídas pelo ser humano, projetadas tipicamente para distribuição de serviços ou recurso, por exemplo eletricidade, água, rotas dos meios de transporte,
distribuição, circuitos eletrônicos e Internet. Exemplo de estudo voltado a estas redes podem
ser encontrado no trabalho (PEREIRA et al., 2006).
Muitos processos biológicos podem ser representados através de redes complexas, essa
representação é denominada de rede biológica (WARDIL, ). Para essas redes geralmente cita-se
exemplos como as cadeias alimentares, o sistema nervoso ou vascular e redes no metabolismo
dos seres vivos.
As redes de informação estão presentes em bases de conhecimento formal, como a Internet,
3.1 Uma Visão Geral sobre Redes Complexas
27
registros de patentes e estrutura das linguagens. Um exemplo é a modelagem de uma rede de
citações de artigos científicos, que é feita através de um grafo direcionado, onde publicações
mais recentes citam aquelas mais antigas. Há também as redes de preferência, muito utilizada
comercialmente em sistemas de recomendação, onde softwares sugerem ao cliente um produto
baseado na comparação das preferências de outras pessoas.
As redes sociais são aquelas formadas por pessoas, grupos e/ou organizações com algum
padrão de contato ou interação social entre si. Este tipo de rede é o foco deste projeto e na
Seção 3.2 tem-se sua apresentação detalhada.
3.1.3
Propriedades
As redes complexas apresentam características, sendo importante identificá-las e analisálas visando o seu entendimento e, caso seja necessário, realizar intervenções da melhor forma.
Nas subseções seguintes são apresentadas algumas das principais características das redes complexas.
Coeficiente de Aglomeração
Para qualificar os agrupamentos que constam nas redes, utiliza-se o coeficiente de aglomeração, também conhecido como fenômeno de transitividade (METZ et al., 2007). Quando um
vértice A está conectado a um vértice B, e o vértice B a um vértice C, aumenta-se as chances do
vértice A também estar conectado ao vértice C. Ou seja, a transitividade indica a presença de
um número de conjuntos de três vértices conectados entre si (triângulos). Por exemplo, em uma
rede social se A conhece B e B conhece C, a probabilidade de A e C se conhecerem é grande.
Distribuição de Graus
O número de arestas que se conectam a um vértice definem o seu grau. Assim sendo, a
distribuição de graus é uma função de distribuição que indica a probabilidade de um vértice ter
grau fixo. Isto se uma rede for criada, caso já exista, esse valor pode ser calculado.
Robustez ou Resistência
O conceito de robustez (resistência) é associado ao impacto que a retirada de alguns vértices
causaria à rede. A capacidade de robustez é conseqüência da distribuição de graus dos nós. A
remoção de vértices pode ocasionar na perda de conexão entre pares de nós, podendo aumentar
o caminho de um vértice a outro (METZ et al., 2007). O trabalho de (JUNIOR; SALLES, 2009)
propõe um método de se calcular a robustez com base nas medidas de centralidade utilizadas em
redes sociais, ele compara sua proposta com outras propostas apresentadas em (BEYGELZIMER
3.1 Uma Visão Geral sobre Redes Complexas
et al.,
28
2005).
A robustez pode ser um índice para avaliação de uma rede de computadores. Por exemplo,
se houver algum problema em um roteador o ideal é que não haja perda da funcionalidade
e, detectando o seu nível de resistência, pode-se projetar a rede de maneira melhor, evitando
vulnerabilidades.
Mistura de Padrões
Em alguns tipos de redes há uma mistura de padrões, onde os vértices podem representar
tipos diferentes de objetos. Por exemplo, nas redes de cadeias alimentares os vértices podem
representar plantas, animais herbívoros ou animais carnívoros. Sendo que a probabilidade de
ligação entre vértices é dependente do seu tipo. Para a cadeia alimentar existiriam arestas
conectando os herbívoros às plantas e os carnívoros aos herbívoros. As chances de haver um
carnívoro ligado a uma planta são baixas (METZ et al., 2007).
Nas redes sociais isto também pode acontecer. Um exemplo é uma rede constituída por
vértices que representam pessoas de diferentes etnias. A probabilidade de existir relações entre vértices do mesmo tipo é maior, já para as etnias diferentes a probabilidade é mais baixa
(NEWMAN, 2003).
Correlação de Graus
A correlação de graus indica se as associações de uma rede ligam vértices com graus semelhantes. Esta propriedade é usada, principalmente, em redes com variações de padrões, assim
torna-se possível a investigação da probabilidade de conexão de vértices de tipos diferentes
(METZ et al., 2007).
3.1.4
Modelos
Existem muitos modelos de redes complexas (METZ et al., 2007; COSTA et al., 2007; ROCHA,
2007; VIANA, 2007), dentre eles as redes regulares, aleatórias, small world e scale-free. Esses
surgiram com a evolução dos estudos de redes complexas e o foco dado às redes inerentes de
cada área do conhecimento (Ciências Sociais, Física, Biologia, etc.). A seguir são apresentados
estes modelos clássicos e suas características.
Redes Regulares
Também conhecidas como redes geográficas, estas se caracterizam por possuir vértices situados em posições bem definidas no espaço euclidiano, e as conexões são distribuídas somente
entre os vizinhos topológicos de cada vértice. A Figura 6 mostra um exemplo de uma rede
3.1 Uma Visão Geral sobre Redes Complexas
29
regular, onde cada um dos vértices está conectado aos seus primeiros 6 vizinhos topológicos.
Figura 6: Exemplo de Rede Regular.
Na Teoria dos Grafos, um grafo regular é aquele que cada vértice tem o mesmo número de
adjacências, isto vale também para redes regulares e por isso levam este nome.
Redes Aleatórias
As redes aleatórias também são conhecidas como rede de Erdös e Rény (ER). Segundo
(BARABASI, ), o trabalho de Erdös e Réyni é o primeiro trabalho a relacionar grafos com redes
sociais e a tentar aplicar suas propriedades e características para grupos humanos. Supondo o
modo de como se formariam as redes sociais, eles demonstraram que com apenas uma conexão
entre cada um dos convidados de uma festa, todos estariam conectados ao final dela (BARABASI,
).
Ainda foi notado que ao adicionar links, a probabilidade de se gerar clusters aumenta, ou
seja, grupos de nós mais conectados. Assim sendo uma festa poderia ser um conjunto de clusters
de pessoas que, de tempos em tempos, estabeleciam relações com outros grupos, formando uma
rede. Para solucionar o problema de como os nós se conectavam foi definida que a formação
dos grafos era aleatória. Desta forma Erdös e Rényi chegaram à conclusão que todos os nós, em
uma determinada rede deveriam ter em média a mesma quantidade de conexões, ou as mesmas
chances de possuir novos links, constituindo as redes igualitárias (BARABASI, ). Sendo assim,
as redes aleatórias são aquelas em que arestas não direcionadas são adicionadas aleatoriamente
entre um número fixo de n vértices.
No modelo ER não existe critério que privilegie ligações, sendo assim igualitária. Portanto
fica caracterizado pelo número de nós n e pela probabilidade p de que uma ligação qualquer
dentre todas possíveis seja estabelecida. Quanto mais próximo p estiver de 0 a rede fica mais
3.1 Uma Visão Geral sobre Redes Complexas
30
fragmentada, já quanto mais próximo de 1 a rede fica mais conectada aumentando o coeficiente
de aglomeração. Outra forma de construir uma rede aleatória é definir o número máximo de
arestas e conectar pares de vértices escolhidos aleatoriamente até que esse número máximo seja
alcançado. A Figura 7 mostra uma rede aleatória com o aumento do valor de p.
Figura 7: Rede Aleatória em Desenvolvimento.
A aleatoriedade quebra a simetria da rede e torna o caminho médio entre dois nós menor
se comparado ao tamanho da rede, fazendo assim o efeito small world. Porém este modelo
não se aplica em alguns casos devido à ausência de estrutura local. Vide as redes sociais, a
probabilidade de quaisquer dois amigos de uma pessoa se conhecerem é superior à de duas
pessoas escolhidas ao acaso. Enquanto em uma rede aleatória os valores do coeficiente de
aglomeração c e a probabilidade p são iguais, pois não há ligações privilegiadas, para muitas
redes reais, c é maior que p, o que mostra uma importante característica: o efeito de vizinhança.
Redes SmallWorld ou Mundo Pequeno
Após o experimento de Milgram (MILGRAM, 1967), outra importante contribuição para o
problema da estruturação das redes complexas, e de grande valia para redes sociais, foi dada
pelo sociólogo Mark Granovetter (GRANOVETTER, 1973). Em seus estudos ele descobriu que
laços fracos (weak ties) eram mais importantes na manutenção da rede social do que os laços
fortes (strong ties), os quais os sociólogos davam mais importância. Isto pois, enquanto os laços
fortes conectam pessoas dentro de um determinado grupo, os laços fracos conectam pessoas de
grupos diferentes, assim viabilizando a conexão entre grupos distintos.
A força do laço pode ser representada por um valor dado à aresta, podendo esse ser chamado
de peso. Quanto mais forte um laço, maior é seu peso. Fazendo um paralelo aos relacionamentos humanos, o laço forte seria caracterizado por um parente ou um amigo próximo, enquanto
o laço fraco é representado por um colega de trabalho ou um conhecido, por exemplo.
3.1 Uma Visão Geral sobre Redes Complexas
31
Granovetter mostrou que pessoas que compartilham laços fortes em geral participam de um
mesmo círculo social, já a função das pessoas com laços fracos era de conectar vários grupos
sociais. Sem as relações fracas, os clusters seriam isolados uns dos outros não formando uma
rede (RECUERO, 2004).
Granovetter também ressalta a importância das tríades (triângulos) nas redes sociais. Essas características fazem com que uma rede social não seja aleatória, já que existe uma ordem.
Baseados em Milgram e Granovetter, Ducan Watts e Steven Strogatz (WATTS, 1999) identificaram padrões altamente conectados nessas redes, formando algumas conexões entre indivíduos
e criaram um modelo semelhante ao da rede aleatória, mas neste as ligações eram feitas entre
pessoas mais próximas e algumas aleatoriamente, o que resultava em uma rede mundo pequeno
(WATTS, 1999; RECUERO, 2004). Deste modo se identificava nas redes padrões altamente conectados, com poucas conexões em cada vértice. O que acarreta na distância média entre vértices
de uma rede muito grande ser pequena, bastando estabelecer algumas conexões aleatórias.
Figura 8: Escalas de p para o Desenvolvimento de uma Rede Small World.
Este modelo (Figura 8) é capaz de reproduzir as principais características de muitas redes
sociais. Por exemplo, uma pessoa tem amigos em vários lugares do mundo, esses amigos
também possuem outros amigos. Essas conexões resultam em pouca separação entre as pessoas
no planeta, mostrando que com poucos links entre vários clusters pode-se formar um mundo
pequeno em uma grande rede, transformando a rede em um grande cluster (RECUERO, 2004).
Redes de Barabási e Albert ou Scale-Free
Com o aprofundamento nos estudos das redes complexas inerentes às Ciências Sociais,
abriu-se um novo campo de estudos, os das Redes Sociais, que foi evoluindo independentemente
das redes aleatórias e tomou maior impulso nas últimas décadas. Mesmo apresentando algumas
3.2 Redes Sociais
32
propriedades das redes aleatórias (como o efeito small world), as redes sociais não apresentam
uma distribuição de conexões aleatória, tornando o mecanismo de construção aleatório irreal.
Com isso o modelo de Watts, abordado anteriormente, não se diferencia muito do modelo de
Erdös e Rényi, de redes aleatórias. No modelo de Watts ele trata as redes sociais como redes
aleatórias, pois as conexões entre os indivíduos são alteradas e estabelecidas aleatoriamente.
Em 1999 um grupo da Universidade de Notre Dame (BARABáSI; ALBERT; JEONG, 1999)
estudou a estrutura da Internet e encontrou vários hubs, constatando que a distribuição de probabilidades para os graus dos nós segue uma lei de potência (power law). Diferente das redes
aleatórias e de mundo pequeno, os nós não tem grau comum, e sim representantes de todos
os graus. Ainda em 1999 Barabási e Price propuseram um modelo de construção de rede para
explicar a estrutura de ponteiros entre páginas da Internet. Este modelo se diferencia da rede
aleatória e regular por introduzir um crescimento e conexão preferencial (ROCHA, 2007).
O mecanismo para a criação de redes scale-free proposto por Barabási e Albert é dinâmico
e gera nós altamente conectados. As redes não são construídas de uma só vez, e sim ao longo
do tempo, e mesmo havendo a aleatoriedade em sua construção, elas seguem algumas regras.
Durante a formação da rede, onde novos nós são acrescentados, estes tem maior probabilidade
de se conectar aos nós de maior grau. Esta preferência em estabelecer ligações com os nós mais
conectados gera uma rede que se assemelha com grandes redes do mundo real (ROCHA, 2007).
Diferentemente dos outros modelos, essas redes não possuem um valor de grau (uma escala)
característico e por isso do nome Rede Livre de Escala (ou sem escala - scale-free). Essa
distribuição mostra que enquanto alguns vértices possuem um grande número de vizinhos, a
grande maioria possuem poucos. A presença desses hubs, ou concentradores, de conexões faz
com que o caminho médio em quaisquer dois vértices da rede seja pequeno. O processo de
crescimento e conexão preferencial também resulta em um baixo índice de conectividade na
vizinhança, porém com o valor maior que o índice da rede aleatória (ROCHA, 2007). A Figura 9
mostra uma rede scale-free, representando conexões aéreas do Brasil.
3.2
Redes Sociais
As sociedades humanas também são redes, por exemplo, aquelas que o ser humano interage
através de amizades, laços familiares e profissionais. Assim as Redes Sociais enquadram as
teorias sociais em redes complexas, e vale para esta as bases teóricas vindas da Teoria dos
Grafos.
Redes Sociais podem ser entendidas como um conjunto de nós conectados por uma ou
3.2 Redes Sociais
33
Figura 9: Malha Aérea das Rotas Operadas por Empresas de Aviação Regional no Brasil (CIVIL,
2011).
mais relações seguindo alguns padrões. Estes nós, também conhecidos como membros da rede,
geralmente representam pessoas ou organizações. De forma sucinta, uma rede social consiste
de um conjunto finito de atores e as relações definidas entre eles que proporcionam uma maneira
de compreender e analisar a interação e a organização social de um grupo (WASSERMAN; FAUST,
1994). Se observada de forma macro, as redes sociais são interdependentes umas das outras,
pois todas as pessoas estariam interligadas umas às outras em algum nível.
3.2.1
Elementos das Redes Sociais
As redes sociais, sejam elas virtuais ou não, possuem elementos mais complexos que uma
rede comum, e identificá-los não é uma tarefa trivial. Para a definição de uma rede social
uma série de perguntas devem ser respondidas, dentre elas: (i) Como definir os atores sociais?
(ii) Quais tipos de relações considerar entre os atores? (iii) O que influencia na dinâmica do
conteúdo dessa rede? (iv) Quais os tipos de dados que melhor exemplificam e modelam essas
redes?
Uma rede social é composta por elementos e as próximas seções descrevem os principais,
traçando um paralelo de como estes são representados computacionalmente.
3.2 Redes Sociais
3.2.1.1
34
Atores
Um dos principais elementos das redes sociais são os atores, representados pelos nós da
rede. Estes atuam de forma a moldar as estruturas sociais através da interação e da constituição de laços sociais. No entanto os atores podem assumir papéis diferentes. Por exemplo,
quando se foca em redes sociais da Internet os atores podem representar um weblog ou fotolog,
sendo mantido por um ou vários autores (RECUERO, 2009). Em uma simulação multiagentes os
agentes podem assumir o papel de ator na rede social caso estas representem um ser humano.
3.2.1.2
Conexões
As conexões entre os nós das redes sociais são as suas relações. Nas redes estas são representadas como as arestas, que podem ter diversas conotações. As conexões em uma rede social
são constituídas dos laços sociais, que são formados através da interação social entre os atores
(RECUERO, 2009).
Por determinar as alterações dentro das estruturas das redes sociais, as conexões são o foco
de estudos e análises, por isso a importância de armazenar os seus registros. Manter os “rastros
sociais” dos indivíduos permite a análise das trocas sociais realizadas. Por exemplo, na Internet
um comentário em um weblog é um registro da interação social, este se mantém até que alguém
o apague ou o weblog saia do ar. Em uma simulação multiagentes registrar a comunicação
entre os agentes, seja em arquivos ou banco de dados, por exemplo, permite que a rede social
implícita que emerge com a execução da simulação seja posteriormente estudada.
Para distinguir os diferentes tipos de conexões especificam-se as conexões de acordo com
suas principais características. As interações, relações e os laços sociais são os tipos de conexões. Resumidamente pode-se dizer que um conjunto de conexões de um tipo, quando agregado
compõe o outro. Assim sendo, um conjunto de interações sociais pode potencialmente se tornar
uma relação social, já os laços sociais são constituídos a partir de relações sociais. A seguir são
detalhados e exemplificados cada um dos tipos.
Interações
A interação pode ser vista como a matéria prima das relações e dos laços sociais, ou seja,
o ponto de partida para estes outros dois tipos de conexões. Deste modo, o estudo da interação social compreende o estudo da comunicação entre os atores. As interações podem ser
classificadas como (RECUERO, 2009):
• Síncrona: é feita em tempo real, uma fala em uma conversa ou uma mensagem em um
3.2 Redes Sociais
35
chat, por exemplo;
• Assíncrona: é aquela que não possui expectativa de resposta imediata, como um aviso ou
um e-mail.
Segundo (PRIMO, 2003) existem duas formas de interação que se distinguem pelo relacionamento mantido entre os agentes envolvidos. São elas:
• Interação Mútua: caracterizada por conexões interdependentes e processos de negociação, em que cada integrante participa da construção inventiva e cooperada da relação,
afetando-se mutuamente;
• Interação Reativa: limitada por relações determinísticas de estímulo e resposta.
Para exemplificar, em um grafo a interação mútua seria representada por uma aresta bidirecional, como exemplo pode-se citar um questionamento de uma pessoa dado a um argumento de
outra durante uma discussão onde pretende-se alcançar um senso comum dentro de um grupo.
Já a interação reativa caracteriza um fluxo com origem-destino, sendo representada por uma
aresta orientada, por exemplo um comunicado impresso colocado em uma parede.
Relações
O conjunto de interações sociais formam relações sociais. Segundo (WASSERMAN; FAUST,
1994), são os padrões de interação que definem uma relação social, que envolve dois ou mais
agentes que se comunicam. A relação é considerada a unidade básica de análise em uma rede
social. Entretanto, uma relação sempre envolve uma quantidade grande de interações. Por
exemplo, dar suporte pode acontecer através de uma troca de mensagens em um software de
conversação, ou mesmo de um comentário, ou de ambos. Receber suporte também é resultado
dessas interações. No entanto, as relações não precisam ser compostas apenas de interações
capazes de construir, ou acrescentar algo. Elas também podem ser conflituosas ou compreender
ações que diminuam a força do laço social (RECUERO, 2009).
A idéia de relação social não dependente do seu conteúdo, mas sim o conteúdo de uma ou
várias interações, estas auxiliam a definir o tipo de relação social que existe entre dois integrantes. Uma relação social pode surgir entre membros de um grupo durante uma conversa ou
debate, desta forma o que engajou a relação foi, respectivamente, a convergência ou a divergência de opiniões. Por exemplo, as interações sociais podem configurar relação social do tipo
profissional, entre atores dentro de uma rede social.
Laços
3.2 Redes Sociais
36
Segundo (WELLMAN, 2001) laços consistem em uma ou mais relações específicas, tais
como proximidade, contato freqüente, fluxos de informação, conflito, suporte emocional, etc.
Também conhecidos como laços relacionais são a efetiva conexão entre os atores que são envolvidos nas interações. Laços são formas mais institucionalizadas de conexão entre atores,
constituídos no tempo e através da interação social (RECUERO, 2009).
Breiger (BREIGER, ) prega que os laços podem ter outra constituição, através da associação.
Para ele as relações sociais constituem a conexão entre os indivíduos. Entretanto, a conexão
entre um indivíduo e uma instituição, ou grupo, torna-se um laço de outra ordem, representado
unicamente por um sentimento de pertencer. Essa característica representa um laço associativo.
Assim sendo os laços relacionais não dependem apenas das interações, mas também das relações sociais, como exemplo pode-se citar um laço familiar ou de amizade entre dois atores. Laços associativos independem das relações sociais, sendo necessário apenas um “pertencimento”
a um determinado local, instituição ou grupo, por exemplo ser sócio de um clube.
Ainda é possível classificar os laços em mais dois tipos:
• Laços Fortes: caracterizados pela intimidade, proximidade, intencionalidade em criar e
manter uma conexão entre duas pessoas. Ou seja, esses laços caracterizam as relações
duradouras entre amigos, por exemplo;
• Laços Fracos: caracterizados por relações esparsas, as quais não são íntimas ou próximas.
É possível observar esse tipo de relação quando se faz referência a amigos de pessoas
conhecidas. Nesses tipos de laços as trocas sociais são mais difusas. Laços fracos são
fundamentais, pois conectam os clusters nas redes sociais.
Tanto laços fortes quanto fracos são relacionais pois são consequência da interação que,
através do conteúdo e das mensagens, constituem uma conexão entre os atores envolvidos. A
força dos laços nem sempre é recíproca, por exemplo, considere um ator A que tem como melhor
amigo outro ator B (laço forte) e que B, em retorno, não considera A como uma pessoa íntima
(laço fraco). Isso mostra que os laços que conectam esses dois indivíduos podem possuir forças
diferentes dependendo do fluxo, tratando-se de laços assimétricos. Os laços são considerados
simétricos quando possuem a mesma força em ambos os sentidos da conexão (RECUERO, 2009).
Laços multiplexos são caracterizados por possuírem diversos tipos de relações sociais. Por
exemplo, um mesmo grupo de amigos interage entre si dentro do ambiente de trabalho, na
academia e em momentos de lazer. Laços multiplexos refletem interações que acontecem em
diversos espaços e sistemas (RECUERO, 2009).
3.2 Redes Sociais
3.2.1.3
37
Capital Social
O capital social representa a qualidade das conexões de uma rede social. A definição precisa
de capital social é alvo de discussões, a maioria dos autores recorre a definições relacionadas
com suas funções ressaltando ora aspectos da estrutura social, ora o uso desse recurso por
indivíduos. Segundo (PUTNAM, 2000) o capital social refere-se à conexão entre indivíduos em
redes sociais e normas de reciprocidade e confiança que emergem dela.
3.2.2
Tipos de Redes Sociais
As redes sociais podem ser divididas em dois tipos, se caracterizadas pela sua formação: as
redes emergentes e as redes de filiação ou associação. Os dois tipos podem estar presentes em
uma mesma rede, porém dependendo da forma que se observa percebe-se aspectos diferentes.
3.2.2.1
Redes Sociais Emergentes
As redes sociais emergentes são aquelas formadas pelas interações entre os atores. As
conexões entre os nós surgem através das trocas sociais realizadas pela interação social e comunicação. Essas redes surgem de acordo com uma estrutura bottom-up, caracterizada pela
construção do grupo através da interação. Esse tipo de interação proporcionaria a criação de
laços sociais dialógicos, que eventualmente possuem capacidade de gerar laços mais fortes. Por
exemplo, ao analisar um site de relacionamentos observa-se que através dos comentários trocados entre os atores uma rede emerge. Isso porque tem-se, constantemente, sua rede sendo
construída e reconstruída através das trocas sociais (RECUERO, 2009). Essas redes são mais
visíveis em espaço de maior interação, como sites de redes sociais (PRIMO, 2003).
Outro exemplo de rede emergente pode ser visto no trabalho de (FRANçA, 2010). Embora o
autor não se preocupe com a formação das redes sociais durante a execução de seu modelo de
simulação multiagentes, a cada passo em que há comunicação entre os agentes é um link que
os liga. Com o passar do tempo e a execução de diversos passos da simulação, os links criados
através da interação dos agentes vão formando uma rede social.
Nesse tipo de rede os atores são responsáveis por manter um certo fluxo de dados para que
as associações não acabem e a rede não seja esquecida, e assim o ator preserve seu valor e
contribuição para a rede como um todo. Devido ao investimento, comprometimento e tempo
necessário que o ator deve empreender para que as trocas sociais aconteçam e o laço ganhe
força essas conexões se concentram em poucos nós.
3.3 Análise de Redes Sociais
3.2.2.2
38
Redes Sociais de Filiação, ou Redes Associativas
Segundo Watts (WATTS, 2003), a rede de filiação é uma estrutura de grupo que não parte de
laços sociais entre seus membros, mas que permite que as pessoas interajam e que eles sejam
construídos. A relação que define uma rede de filiação é de indivíduo ser membro de algo.
Essas redes permitem a inferência de laços sociais, já que quanto maior o número de contextos
divididos pelos atores maior a possibilidade de que eles tenham algum tipo de relação social.
As redes de filiação são estudadas de acordo com as conexões que são construídas. Diferentemente das redes emergentes, estas representam uma rede mais estável e estática, propiciando
um ambiente não tão dinâmico. Analisando a lista de amigos de um site de relacionamento de
um ator qualquer, ela não pressupõe interação social do tipo mútuo. Pois uma vez adicionado, o
ator permanece lá independente da interação para que se mantenha o laço social ativo. As redes
desse tipo mostram que não há alterações em sua estrutura pelo acréscimo ou decréscimo das
interações e valores trocados (RECUERO, 2009).
Outro exemplo pode ser visto no trabalho de (BERRY et al., 2003), onde é modelada uma
simulação multiagentes para simular o recrutamento de jovens para grupos terroristas. Quando
um agente Pessoa se associa a um agente Grupo Terrorista a relação é de “pertencimento”, não
sendo feita nenhuma troca entre tipos distintos de agentes, a troca é feita somente entre agentes
do tipo Pessoa.
Por não possuírem custos para os atores, redes dessa espécie costumam ser muito grandes
e os laços que a constituem são fracos. Ao contrário das redes emergentes, nesse tipo de rede
não é necessário que os atores interajam para manter a conexão, podendo conter até conexões
não recíprocas, como os hiperlinks.
3.3
Análise de Redes Sociais
A Análise de Redes Sociais (ARS) é um campo derivado da Sociologia, Psicologia Social e
Antropologia (CORDEIRO, 2009). Tal abordagem estuda as ligações relacionais (relational tie)
entre atores sociais. Os atores podem ser analisados como unidades individuais ou unidades
sociais coletivas, por exemplo, departamentos dentro de uma organização, agências de serviço
público de uma cidade, estados-nações de um continente, dentre outras. Assim ela visa realizar
o mapeamento e a medição de relações e fluxos entre as entidades de informação/conhecimento,
fornecendo uma análise visual e matemática das relações humanas (GOULD, 1980).
As redes sociais trazem consigo uma gama de informações e características, e para a ex-
3.3 Análise de Redes Sociais
39
tração e análise destas existem diversas técnicas. Até então as redes foram apresentadas por
desenhos, mas dados como freqüência de ocorrências e valores específicos são difíceis de serem visualizados nesta forma. Para o cálculo e análise destas informações a Sociometria trabalha com matrizes, denominadas sócio-matrizes. Com isso, a Sociometria vêm complementar a
Teoria de Grafos, servindo como base matemática para análises de redes sociais.
A maior contribuição dada pela ARS é a importância atribuída às relações entre os membros
da rede. Normalmente os estudos das redes eram focados em seus participantes e suas ações,
com pouca ênfase aos relacionamentos. Um exemplo que deixa visível esta importância são as
relações comerciais, em especial as negociações. Em tais situações os tipos e formas de como
os relacionamentos se concretizam são fundamentais (MIKA, 2007).
A análise de redes engloba uma visão geral das estruturas sociais baseadas na crença que os
tipos e padrões das relações emergem da conectividade do indivíduo, sendo que a presença, ou
ausência, de tais tipos e padrões acarretam efeitos na rede e seus constituintes. Estipular qual
o conjunto de nós deve ser incluído dentro da análise da rede é um desafio. Por exemplo, um
estudioso que deseja analisar pesquisas médicas sobre doenças do coração precisa definir quais
indivíduos considerar para tal.
Segundo (MIKA, 2007) a ARS fornece um vocabulário para descrever as estruturas sociais,
modelos formais que capturam as propriedades comuns de todas as redes sociais e um conjunto
de métodos aplicáveis à análise de redes em geral.
Os conceitos e métodos para análise de redes são baseados em uma descrição formal de
redes como grafos. Métodos de análise essencialmente originados da Teoria dos Grafos são
aplicados à representação gráfica de dados das redes sociais. A análise de redes também aplica
modelos estatísticos e probabilísticos numa proporção menor que técnicas algébricas (quantidade de conexões, nós, etc). Nas análises são usadas algumas métricas e estas fornecem
mecanismos matemáticos para o estudo de uma determinada sociedade ou grupo, que com os
conceitos de Sociologia auxiliam a explorar os resultados obtidos.
3.3.1
Evolução Histórica
Os primeiros passos da ARS são dados por Émile Durkheim, no final do século XIX. Em
seus trabalhos são abordados dois tipos de solidariedade social: a solidariedade mecânica e a solidariedade orgânica. A primeira é típica das sociedades pré-capitalistas, onde os indivíduos se
identificam através da família, religião, tradição, costumes, etc. Trata-se de uma sociedade que
tem coerência porque os indivíduos ainda não se diferenciam. Reconhecem os mesmos valores,
3.3 Análise de Redes Sociais
40
sentimentos, objetos sagrados, porque pertencem a uma coletividade (DURKHEIM, 1893).
Já na solidariedade orgânica é considerada característica das sociedades capitalistas, os
indivíduos são interdependentes não mais pelos costumes e tradições em comum, mas sim pela
divisão do trabalho social garantindo assim, por exemplo, a união social. Assim os membros
não necessitam ser semelhantes, em sua maioria são diferentes e necessários, como os órgãos
de um ser vivo (WELLMAN, 1997; RECUERO, 2004).
O psiquiatra Jacob Levy Moreno, em 1934 (MORENO; JENNINGS, 1934), desenvolveu um
registro sistemático para a análise da interação social em pequenos grupos, tais como salas de
aulas e grupos de trabalho, foi ele quem introduziu o termo Sociometria, ciência que buscava
levantar dados de comportamentos sociais e analisá-los.
Em 1935 Ferdinand Tönnies (TöNNIES, 1935) formulou uma distinção que se tornaria clássica. São dois tipos básicos de organização social: comunidade e sociedade. As relações de
comunidade, típicas de grupos de caçadores/coletores e hordas1 (grupos relativamente pequenos e pré-industriais) baseiam-se na coesão nascida do parentesco, das práticas herdadas dos
antepassados e dos fortes sentimentos religiosos que unem o grupo. Já as relações de sociedade
são típicas de grupos que vivem vida urbana desenvolvida, organizam-se em estados e possuem
uma complexa divisão de trabalho (WELLMAN, 1997; RECUERO, 2004).
A expressão “redes sociais” foi utilizada pela primeira vez pelo cientista social Alfred
Radcliffe-Brown em 1940 (RADCLIFFE-BROWN, 1940). E foi com a incorporação de ferramentas matemáticas, e mais tarde com a Computação, que a ARS pode evoluir. A colaboração
matemática, que fundamenta as análises das redes, proveio da teoria de grafos, probabilidade,
estatística e modelos algébricos. Dessas teorias derivam muitos dos conceitos utilizados na
ARS buscando investigar, modelar e mensurar as estruturas, papéis sociais e relações de poder.
3.3.2
Fundamentação Teórica
Os elementos básicos a serem considerados para as técnica de ARS estão ilustrados na
Figura 10, quais sejam: ator, ligação, díade, tríade, sub-grupo, grupo e ponte. Cada um destes
elementos será explicado nas subseções seguintes.
Ator
Para a ARS um ator é uma unidade discreta que pode ser de diferentes tipos: uma pessoa ou
um conjunto discreto de pessoas agregados em uma unidade social coletiva, como subgrupos,
1 Hordas denominam o primeiro tipo de organização humana, estes agrupamentos se manifestaram pela primeira
vez no período paleolítico pela necessidade de se proteger mutuamente.
3.3 Análise de Redes Sociais
41
Figura 10: Elementos de uma Rede Social.
organizações e outras coletividades. Na Figura 10 um ator é representado por um nó no grafo
(A, B, C, D, E, F, G, H e I).
Ligação
As ligações são as relações entre pares de atores, feitas por laços relacionais, também denominados linkages. Os tipos mais comuns de ligações são (SILVA et al., 2006):
• Avaliação individual (por exemplo, amizade ou respeito);
• Transação de recursos materiais (por exemplo, uma transação de compra e venda entre
duas empresas);
• Transferência de recursos materiais ou não materiais (por exemplo, a troca de mensagens
eletrônicas);
• Associação ou filiação que ocorre quando os atores participam de eventos em comum
(festas, por exemplo);
• Interação (por exemplo, sentar-se próximo a outra pessoa);
• Ligações entre papéis formais (por exemplo, laço de autoridade chefe-subordinado em
uma empresa);
• Relações biológicas (pai e filho, por exemplo).
Na Figura 10 as ligações são as arestas do grafo, por exemplo a ligação entre os nós E e G.
Díade
A díade é a rede mais simples que existe, formada por apenas dois atores e as possíveis
ligações entre estes, a ligação é uma propriedade do par. Por exemplo, um ator A é amigo do
3.3 Análise de Redes Sociais
42
ator B (SILVA et al., 2006). Na Figura 10 uma das díades está representada pelos nós A e C e a
aresta que os relaciona.
Tríade
Uma rede formada por três atores e as ligações entre todos eles é denominada tríade. Esta
traz alguns conceitos importantes como a transitividade, propriedade de redes complexas. Potencialmente em uma tríade há três díades. Nas relações comerciais, isso pode ser um importante fator, pois se o ator A mantém relações com o ator B, e este com o ator C, há um caminho
possível passando pelo ator B para o ator A realizar transações com o ator C. Ou seja, é mais
fácil de os atores A e C serem amigos se ambos manterem relações com o ator B (SILVA et al.,
2006). Na Figura 10 uma das tríades está representada pelos nós A, B e C e suas relações.
Subgrupo
Um subgrupo de atores é um conjunto de atores e suas relações. Isto pode ser importante
no estudo de redes sociais complexas e extensas, com a análise de subgrupos específicos, delimitados dentro do grupo. As díades e tríades podem definir inúmeros sub-grupos (SILVA et al.,
2006). Na Figura 10 um possível sub-grupo está representado pelos nós E, F, G, H e I e as
ligações entre eles.
Grupo
De modo a melhorar o nível de análise de redes sociais, define-se o conceito de grupo. Um
grupo é um conjunto finito que engloba todos os atores para os quais os laços de determinado
tipo foram mensurados (SILVA et al., 2006). Ou seja, um grupo pode ser considerado um subgrupo com a arbitrariedade do tipo de suas ligações. Por exemplo, dada uma rede social, extrair
o grupo de pessoas que se relacionam por trabalhar em uma determinada empresa, tem-se então
todos os membros de uma empresa que possuem colegas de trabalho.
Ator Ponte
Como foi dito na Seção 3.1.4 é importante a existência de laços fracos nas redes sociais,
uma vez que estes apresentam a função de ligar partes de uma rede social que não são ligadas
diretamente através de laços fortes. Esta idéia dá origem ao conceito de ator ponte. Também
conhecidos como pontos de articulação, são atores que interligam grupos, e que se retirados a
rede ficará fragmentada e os grupos, antes ligados, isolados. Na Teoria dos Grafos ponte se
refere à aresta, neste caso o ator ponte é o ponto de articulação2 de um grafo. Na Figura 10 o
nó D representa o conceito de ator ponte.
2 Pela
definição da Teoria dos Grafos um ponto de articulação é um vértice que sua remoção desconecta o grafo
(DAMAS, 2003).
3.3 Análise de Redes Sociais
3.3.3
43
Métricas de Análise
A ARS é um método para melhorar a partilha de conhecimento através da análise da posição
e estrutura entre atores, ou seja, seus relacionamentos. De acordo com (WELLMAN, 2001), a
análise de redes considera duas perspectivas analíticas que se complementam:
1. Egocentrada: nesse tipo de análise a atenção está voltada para determinado ator (ego) e
outros atores da rede com os quais este mantenha relações. Logo, o número, a magnitude
e a diversidade das conexões estabelecidas direta ou indiretamente com o ego definem os
demais nós da rede;
2. Rede Completa: nesse tipo de análise, a informação sobre o padrão de laços entre todos
os atores na rede é usada, geralmente, para identificar subgrupos reticulares com maior
grau de coesão interna e os nós que ocupam posições similares na rede.
A interpretação dos resultados obtidos com as métricas de ARS pode ser feita sob três
pontos de vista:
1. Interpretação de Posições Individuais: sob o ponto de vista dos atores;
2. Interpretação da Rede como um Todo: sob o ponto de vista do conjunto de relações que
formam a rede;
3. Interpretação de Clusters e Componentes: sob o ponto de vista dos agrupamentos formados devido às relações.
Na Tabela 1 tem-se a apresentação das principais métricas utilizadas, o que contemplam e
uma breve descrição.
Existem softwares que auxiliam a análise das redes. Dentre eles destaca-se o UCINET
(BORGATTI; EVERETT; FREEMAN, 2010), mas existem demais ferramentas como por exemplo
Pajek (BATAGELJ; MRVAR, 2010) e SoNIA (MCFARLAND; BENDER-DEMOLL, 2010). Estas são
ferramentas úteis quando o foco não é realizar cálculos e executar algoritmos manualmente,
mas sim para o entendimento das características de uma rede.
Uma visualização da rede social formada com base no trabalho de (MINHANO, 2008) gerada
pelo visualizador de redes do UCINET, o NetDraw, pode ser visualizada na Figura 11.
44
3.3 Análise de Redes Sociais
Tabela 1: Tipos de Indicadores de Métricas (ALEJANDRO; NORMAN, 2005)
Tipo de Indicador Ator Rede Completa
Densidade
Sim
Sim
Centralidade
Sim
Não
Centralização
Não
Sim
Intermediação
Sim
Sim
Proximidade
Sim
Sim
3.3.3.1
Descrição
Indica o valor em percentagem da
densidade da rede, mostrando se a rede
possui alta ou baixa conectividade. É o
quociente entre o número de relações
existentes com as possíveis.
Número de atores que o ator em
questão se relaciona.
Por estar altamente conectado a rede,
o ator exerce um papel central.
São os atores ponte. A possibilidade
que um ator tem para intermediar a
comunicação entre dois nós.
A capacidade de alcançar todos os
nós da rede.
Medidas da Rede
As métricas que avaliam a rede visam quantificar e qualificar características globais de uma
rede social (seu tamanho, formação de sub-estruturas, identificação de pontos críticos, etc.). A
seguir serão apresentados tais conceitos.
Tamanho
Esta é a quantidade de membros (atores) da rede. Trata-se de uma propriedade básica e
pode indicar o nível de dificuldade de se fazer a análise da rede.
Número de Ligações
Uma unidade básica de medida da rede é o número de ligações mantidas pelos indivíduos
com os outros, através da rede como um todo. O número de ligações mantidas pelos indivíduos
pode mostrar a comunicação e a carga de contatos da rede. No entanto, porque as redes diferem
em tamanho, uma estatística mais padronizada é necessária para compará-las (MIKA, 2007).
Para redes direcionadas, o número de possíveis ligações é n ∗ (n − 1), onde n é o número de
nós da rede. Já para redes não direcionadas, o número de possíveis ligações é dado por
n∗(n−1)
.
2
Com o aumento linear no número de atores da rede, o número de possíveis relações cresce
exponencialmente, aumentando a complexidade da rede.
Densidade
A densidade representa a interconexão da rede, esta métrica é utilizada para demais medidas
como a taxa de câmbio de informação, grau de conhecimento comum, dentre outras (MIKA,
3.3 Análise de Redes Sociais
45
Figura 11: Rede Social do Marketing Viral (MINHANO, 2008).
2007). Ela é uma das métricas mais utilizadas para avaliar conectividade da rede, ou seja, quão
integrados estão os atores. Ela é calculada pela proporção do número de ligações atuais em
relação ao número total de possíveis ligações.
Distância Geodésica
A distância geodésica é o menor caminho entre dois atores, ou seja, é o menor número de
relações em um caminho possível de um ator para outro na rede. Outras informações importantes também são baseadas na distância geodésica, como a distância geodésica média, índice de
coesão (proximidade entre os atores) e freqüência das distâncias geradas (quantidade de vezes
que um valor de distância consta na tabela de adjacência dos atores). Quanto maior a freqüência
de distâncias geodésicas entre os atores com valores baixos, mais coesa é a rede (MIKA, 2007).
Diâmetro
O diâmetro da rede está relacionado com o conceito de distância geodésica. Este é a maior
distância geodésica da rede social.
Cliques
Outra métrica importante para redes é a formação de clusters, ou componentes, pelos seus
membros. As configurações dos laços podem revelar quem está ligado a quem nos subgrupos
da rede. Isto pode parecer evidente, mas com uma análise detalhada podem aparecer relações
antes não perceptíveis com base em critérios inesperados. Essas características são úteis para
3.3 Análise de Redes Sociais
46
entender como uma rede está operando (MIKA, 2007).
A definição matemática para clique é “subgrafo máximo completo”, ou seja, os nós que
possuem entre si todos os vínculos possíveis. Desta maneira, uma clique é um subconjunto de
uma rede onde os atores são mais próximos entre si comparados a demais membros da rede.
Por exemplo, em grupos humanos há a formação de cliques em laços de amizade baseados em
idade, interesses, etnia, etc. (MIKA, 2007).
Os membros de uma clique possuem comportamentos homogêneos e grande proximidade,
aumentando a velocidade da troca de informações. Com isso, informações que chegam a uma
clique são propagadas pelos seus membros rapidamente, que tendem a interpretá-las de forma
similar. Esta característica pode ser importante, por exemplo, em estratégias de segmentação.
Com informações das cliques é possível iniciar o estudo de como subgrupos interagem. É
interessante observar a quantidade de cliques às quais um ator pertence, o compartilhamento de
cliques entre atores e a freqüência que isto ocorre, a quantidade de membros compartilhados
entre as cliques e a proporção de adjacência de um nó em relação as cliques. Esta última é útil
no estudo tanto egocêntrico (popularidade, influência, poder de um ator, etc.) como no estudo
de como os subgrupos interagem entre si para formar a rede global.
Porém, às vezes a definição de clique é muito rígida para a ARS. Pode ser interessante
em uma análise identificar um grupo fortemente ligado, mas que alguns de seus membros não
estejam conectados com todos os demais integrantes. Métricas como o n-clique e o n-clan
tornam a definição de clique mais flexível permitindo fazer este tipo de análise (HANNEMAN;
RIDDLE,
2005).
No n-clique o cluster é formado por atores que estão conectados com todos os membros do
grupo a uma distância não maior que n, sendo que para o cálculo da distância pode-se utilizar
nós que não farão parte do grupo. Assim sendo, para n = 1 (distância igual a 1) tem-se a
definição de clique, mas para n = 2, são incluídos no grupo os "amigos dos amigos".
N-clique é uma métrica mais inclusiva do que a clique, diminuindo o número de agrupamentos. Por isso, a escolha do valor de n deve ser rigorosa para que a análise não perca o
sentido. Surgem mais atores “centrais”, pois um ator pode fazer parte de um clique no qual não
se relaciona diretamente com todos os seus membros, mas por se relacionar com um ator da
clique em questão acaba “herdando” de forma indireta os relacionamentos diretos deste.
Para evitar a explosão de compartilhamentos é comum o uso da medida n-clan. Em um
2-clan os membros ainda seriam compostos também por “amigos de amigos”, porém isto deve
ser válido para todos os membros da clique. Matematicamente, um n-clan é um n-clique, no
3.3 Análise de Redes Sociais
47
qual a distância geodésica, d(i, j), entre todos os nós do subgrafo não é maior que n.
Figura 12: Exemplo de Clique em uma Rede Social.
Assim sendo, a definição de n-clique está inclusa na de n-clan, mas na n-clan há formação
de clusters mais coesos. Como pode ser observado na Figura 12, o conjunto {A, B,C, E, F} é um
exemplo de 2-clique, pois a distância máxima de um membro para todos os demais é 2. Nota-se
que C e E pertencem a 2-clique, e estão distantes por duas ligações (intermediados pelo ator D)
que não fazem parte do grupo. Com a definição de 2-clan, o grupo passa a ser mais coeso já que
todo nó deverá estar a distância máxima 2 de todos os demais. Neste caso, o 2-clan é formado
por {B,C, D, E, F}.
Pontos de Corte
Se um nó é retirado juntamente com suas ligações e a rede ficar desconectada, se dividindo
em diferentes componentes isolados, este nó é denominado ponto de corte (cutpoint) ou ator
ponte. Os pontos de corte são atores importantes na rede já que se retirados podem dividir a
rede em partes diferentes e incomunicáveis, fazendo com que ela enfraqueça.
O estudo destes pontos pode ser de grande utilidade, por exemplo em redes terroristas ou
de crime organizado. A retirada dos pontos de corte mais importantes é capaz de promover o
enfraquecimento da organização.
Pontes
A definição de ponte é similar à do ponto de corte, mas enquanto o ponto de corte se refere
ao ator, a ponte diz respeito ao relacionamento. Ou seja, é a ligação que se retirada de uma rede
fará com que a divida em diferentes componentes, assim a desconectando.
Alcançabilidade
3.3 Análise de Redes Sociais
48
Este conceito é relacionado aos atores. Um ator A é alcançado por um ator B se existem
caminhos entre A e B.
Centralização da Rede
A centralização da rede é o grau para o qual as relações estão focadas em um ou poucos
atores centrais, ou seja, é medida da centralidade global. Uma alta centralização indica que
as informações que fluem na rede são dependentes destes poucos membros, a remoção destes
atores podem provocar a ruptura do fluxo.
3.3.3.2
Métricas do Ator
Geralmente os estudos se concentram nos atores centrais de uma rede, pois é através deles
que há o maior fluxo de informações. Assim esses assumem o papel de reguladores de informação, líderes de opinião, fontes de informação, etc. Porém, atores não-centrais também são
importantes, existem casos que deve-se identificá-los e direcionar o estudo sobre estes. Mesmo
que os atores isolados, e outros periféricos não participem do fluxo central (“mainstream") de
atividades da rede, recebendo recursos com atraso e as vezes até depois de seu conteúdo não ter
mais utilidade ou validade, são estes que geralmente estão insatisfeitos com seu papel na rede
e estão propensos a saírem da mesma (MIKA, 2007). Dependendo do viés da análise este pode
ser um ponto importante a ser levado em conta. A seguir são apresentadas as métricas do ator.
3.3.3.2.1
Centralidade
A centralidade é uma métrica aplicada ao indivíduo, esta indica quão central um ator é
em sua rede. Para análise da rede, essa métrica mostra como a organização está em torno de
atores-chave. O valor da centralidade pode indicar o papel do ator na rede, ou seja, quem são
os conectores, líderes, pontes, isolados, ou até mesmo identificar onde estão os clusters, quem
faz parte dele, quem está no núcleo da rede, ou quem está em sua periferia.
Existem duas categorias de métricas para a centralidade, a local e a global. Quando um ator
possui um maior número de conexões com os outros ele está localmente centralizado, já se ele
ocupa uma posição estratégica será globalmente centralizado.
As três métricas mais usadas na ARS para determinar a centralidade são: grau de centralidade (degree); centralidade de intermediação (betweeness); e centralidade de proximidade
(closeness).
Grau de Centralidade
3.3 Análise de Redes Sociais
49
O grau de centralidade proporciona um modo de calcular a importância de um ator na
rede através do número de relações (degree centrality) que este possui, sendo que a direção da
ligação deve ser levada em conta para interpretar o papel desse indivíduo. Assim sendo, podese generalizar que membros com baixo grau de centralidade são atores periféricos na rede, e
com um alto grau, assumem uma posição importante na rede. Mas esse não é o único atributo
utilizado para determinar o poder de um indivíduo na rede (MIKA, 2007). Sendo assim, o grau
de centralidade de um ator em uma rede indica o prestígio e poder que este possui. Ou seja, a
dimensão de poder é diretamente relacional a quantidade de ligações, quanto maior o número
de relações, maior será o seu poder.
Para medir o grau de participação (atividade) de um ator na rede pode-se usar o conceito
de grau do ator (degree), ou seja, o número de conexões diretas que este possui. Atores mais
centrais controlam a maior quantidade de informação na rede, assim a centralidade pode ser
considerada uma medida do índice de acesso à informação que circula pela rede. Por exemplo,
caso haja rumores dentro da rede, os atores com um maior grau de centralidade terão maior
probabilidade de escutá-los e difundir-los. É interessante saber quantas ligações um ator possui
como origem e quantas como destino.
Determina-se que um alto número de ligações que referenciam ao ator (in-degree) significa uma grande quantidade de indivíduos que o escolheram para se relacionar, assim o ator
em questão possui bom prestígio. Um alto nível de ligações em que o ator se associa a outro (out-degree) indica que o indivíduo se relaciona muito com os outros, então uma possível
interpretação é que este indivíduo possui alta influência nos outros.
Outra interpretação para estas métricas são que o out-degree pode indicar a capacidade de
expansão de um determinado ator, enquanto o in-degree pode representar sua popularidade. Por
exemplo, a medida do in-degree é um dos fatores que determina o status de um determinado
site da Internet quando utiliza-se o algoritmo Page Rank do motor de buscas Google.
Com estas métricas é possível fazer algumas análises. Sendo o in-degree representado por
gi e o out-degree por go então:
• A é um ator isolado se gi (A) = go (A) = 0. Ou seja, o ator não é destino nem origem de
ligações;
• A é um ator transmissor se gi (A) = 0 e go (A) ≥ 1. Assim sendo, o ator não é destino de
ligações, mas é origem delas;
• A é um ator receptor se go (A) = 0 e gi (A) ≥ 1. Isto é, o ator é destino de ligações, mas não
é origem delas;
3.3 Análise de Redes Sociais
50
• A é um ator portador se gi (A) ≥ 1 e go (A) ≥ 1. Dessa forma, o ator é destino e origem das
ligações.
Centralidade de Intermediação
Não importa a métrica usada, atores que ocupam posições centrais nas redes desempenham
papéis importantes nelas. Deste modo, outra centralidade a se calcular é a de intermediação. Posições estratégicas dão aos indivíduos poder de controlar o fluxo de recursos na rede, e calcular
quanto um ator permanece frente a outros na rede (betweenness) e como eles estão posicionados
para se tornarem caminhos de recursos e informações que circulam a rede é de grande valia. Por
exemplo, um indivíduo com alto grau de intermediação pode operar como gestor de contatos na
rede.
Esta centralidade mede o grau de intermediação, que é o número de vezes que um ator aparece na contagem da distância geodésica, ou seja, no caminho mais curto de todos os possíveis
pares de nós da rede. Um ator é um intermediário se este conecta outros atores que não se
relacionam diretamente. Assim sendo, o grau de betweenness indica o controle que os atores,
que atuam como intermediários, possuem sobre atores que dependem localmente deles. Desta
forma, a capacidade de interação de alguns atores participantes da rede é dependente do nível
de centralidade de intermediação dos intermediários (WASSERMAN; FAUST, 1994).
Centralidade de Proximidade
A centralidade de proximidade indica a proximidade aos demais atores na rede, podendo
ser interpretada como o acesso a recursos circulando baseado na avaliação do caminho mais
curto dentro da rede. Esta métrica mostra os atores que estão mais próximos de todos os outros
atores da rede, isto é, quais atores possuem relacionamentos menos indiretos. O calculo da
centralidade de proximidade é o inverso da soma da distância geodésica do nó em questão em
relação a todos os demais, já que quanto maior o caminho menor a proximidade.
A soma das distâncias geodésicas é denominada farness, closeness é o inverso. Quanto
maior closeness de um nó significa que este possui maior capacidade de se comunicar com
os demais atores da rede, assim tendo a capacidade de acessar informação rapidamente. Vale
ressaltar que os resultados não são iguais aos obtidos com as outras medidas. Isto pois, no
caso da proximidade, não importa apenas o número de atores que um indivíduo se relaciona na
rede, e sim quais são os atores que este se relaciona, levando em conta os valores de seus graus
de conexão. Ou seja, dependendo do cenário mais vale se relacionar com atores que possuam
maior grau de proximidade da rede, assim a probabilidade de comunicação com outros membros
da rede é maior. Outro exemplo, em uma rede de disseminação de doenças, os atores com os
3.3 Análise de Redes Sociais
maiores graus de proximidade serão, provavelmente, os primeiros a serem contaminados.
51
52
4
Frentes de Pesquisa e Trabalhos
Relacionados
Se queres conhecer o passado, examina o presente que é o
resultado; se queres conhecer o futuro, examina o presente
que é a causa.
—– Confúcio
Neste capítulo tem-se a apresentação de trabalhos de pesquisa relacionados com os referenciais teóricos deste projeto, quais sejam: Simulação Multiagentes, Redes Sociais e o Pânico em
Multidão. Para tal feito foi levantado uma série de trabalhos destas áreas, procurando sempre
que possível verificar o uso destes conceitos em conjunto.
Analisando a literatura, pôde-se observar que a grande maioria dos trabalhos que aborda simulações através de SMAs não citam Redes Sociais, mas sua existência está implícita. Também
foram procuradas publicações sobre Redes Sociais, Pânico em Multidão e SMA em conjunto,
sendo que não foi encontrado algum projeto que propusesse a junção dos três campos. Sendo
assim, tem-se o reforço que a proposta deste projeto é inovadora.
Um fator importante que justifica a abordagem destes três campos em conjunto (Pânico
em Multidão, Simulação Multiagentes e Redes Sociais) é o benefício que testes destes sistemas
podem trazer para a vida real. Por exemplo, em uma situação de incêndio é interessante que brigadistas estejam inseridos de que forma na comunidade? Com quem, ou com quantas pessoas,
esse brigadista deve interagir para difundir sua experiência? Estas perguntas são importantes
pois suas respostas podem colaborar com o mundo real.
Este capítulo está organizado como se segue. Com a análise de publicações, foi possível
detectar algumas frentes de pesquisa, que estão relacionadas e são mutuamente dependentes,
orientando e servindo de apoio para o desenvolvimento deste projeto. Estas frentes identificadas
são apresentadas nas Seções 4.1, 4.2 e 4.3. Por último, na Seção 4.4 são abordados os pontos
do trabalho de (FRANçA, 2010), no qual esta pesquisa toma como base.
4.1 Estudo da Formação e da Dinâmica das Redes
4.1
53
Estudo da Formação e da Dinâmica das Redes
A utilização de redes sociais, em estudos que antes eram feitos por modelos matemáticos,
abre novos campos de pesquisa, bem como possibilita uma representação mais real dependendo
do contexto que se estuda. Muito tem sido feito para identificar e explorar a estrutura das redes
do mundo real, mas os esforços para analisar os efeitos que estas estruturas têm sobre a dinâmica
do sistema são poucos (WATTS; STROGATZ, 1998; STROGATZ, 2001).
O que configura as interações sociais como uma rede é a topologia que esta assume quando
conecta os atores membros da sociedade envolvidos nas interações. Ao estudar o comportamento dinâmico de processos artificiais ou naturais dos sistemas sociais, um elemento chave
é a topologia da estrutura da rede social (GASTON; DESJARDINS, 2005). A topologia é o que
caracteriza a rede, e o estudo de sua formação se divide em duas vertentes: (i) a formação das
redes sociais, ou seja, como elas se iniciam, e sua (ii) dinâmica, observando como os atores
constituem, desfazem e realizam a manutenção de suas ligações.
O estudo da formação das redes visa a escolha do modelo de rede complexa que configura
a topologia da rede, e dita o comportamento social dos agentes durante a simulação; e a dinâmica da topologia, analisa como a topologia se comporta no decorrer do tempo, ao longo das
interações. Ou seja, não há uma configuração inicial da rede, os agentes interagem e a rede se
forma, com isto o próximo passo é analisar a estrutura da rede que emergiu.
Encontrar estruturas adequadas de rede para um domínio de aplicação particular é fundamental para a modelagem de sistemas sociais artificiais e sua implementação em sistemas
multiagentes. No trabalho de (GASTON; DESJARDINS, 2005) é avaliado o impacto da escolha do
modelo de rede complexa (ver Seção 3.1.4) utilizado para a configuração inicial da rede social
em uma simulação multiagentes, sobre os resultados finais. Ao final é qualificado o melhor
modelo para cada uma das abordagens avaliadas. São testados quatro modelos de redes, são
eles: grafos regulares, grafos aleatórios, redes small-world, e redes scale-free. Aplicados a três
cenários diferentes: difusão de inovações, formadores de opinião e a formação de equipes. Estes cenários são baseados em trabalhos anteriores que utilizaram de um único tipo de rede para
a modelagem do problema.
A outra vertente é a dinâmica da rede. Para este tipo de análise leva-se em consideração
as questões inerentes ao tipo das relações (ver Seção 4.3). Por exemplo, em (BERRY et al.,
2003) é pressuposto que a rede já está formada, porém ela se constituiu por uma afinidade
entre os agentes. Neste trabalho é estudado como se dá o recrutamento de jovens para grupos
terroristas. Baseado em (DUKES; MARTINEZ; STEIN, 1997), que aborda a formação das gangues
4.2 Níveis Micro e Macro
54
urbanas americanas, a rede em questão é iniciada com a topologia formada pela homophily1 dos
membros, e limitada por uma quantidade máxima de conexões que um ator pode possuir.
Para exemplificar a dinâmica em relação à formação e remoção de laços nas redes sociais,
pode-se observar o trabalho (PUJOL; SANGüESA; DELGADO, 2002). Neste é verificado em tempo
real a reputação dos agentes envolvidos durante a simulação. A hipótese aqui é considerar como
medida para a constituição, ou a remoção, de uma relação entre agentes o nível de reputação
que um determinado agente possui dentro da rede. Desta forma, agentes com baixa reputação
tendem a possuir menos “ouvintes” que agentes com uma reputação mais alta. Este trabalho
pode ser utilizado como base para estudos de propagação de boatos ou qualificar a veracidade e
confiabilidade de uma informação, por exemplo. A formação e/ou dissolução de laços em tempo
real permite observar a dinâmica dos clusters da rede, acompanhando o seu início, aumento,
decrescimento e fim.
4.2
Níveis Micro e Macro
Para trabalhos que integrem as Redes Sociais e a Simulação Multiagentes, um dos pontos
de atenção são os níveis das abordagens. Uma simulação multiagentes parte da especificação
da menor entidade, o agente. O comportamento e as estruturas emergentes são conseqüências
das interações destes: o mesmo acontece para Redes Sociais. A interação dos atores resulta na
emergência da estrutura da rede social. Com isto pode-se perceber nos trabalhos analisados na
literatura duas preocupações. A primeira seria o nível micro, onde o foco são os agentes que
representam os atores e interagirão durante a simulação. A outra preocupação é o nível macro,
ou seja, a rede social formada, mais especificamente as métricas que definem as características
das relações sociais durante a simulação e a estrutura da rede, podendo estas influenciar durante
a simulação.
Em (BERRY et al., 2003) são considerados os níveis micro e macro. Há agentes que representam adolescentes do sexo masculino e agentes que representam gangues e escolas. Estes
interagem a fim de simular a forma que se dá o recrutamento de jovens para grupos terroristas.
Cada agente possui uma pré-disposição a faltar às aulas na escola. Quando este opta em um
determinado dia a não ir para aula, ele está propício a freqüentar o ambiente de uma gangue.
Agentes que participam do ambiente escola com mais freqüência possuem menos chances de
1 Homophily é o grau de similaridade de um par de indivíduos que se comunicam.
Há um alto grau de homophily
entre indivíduos que pertencem aos mesmos grupos, círculos sociais, participam do mesmo clube, ou seja, compartilham dos mesmos interesses, crenças ou tem algo em comum que os une. Quando a homophily está presente,
provavelmente a comunicação será compensadora para ambos os lados (AMORIM, ).
4.2 Níveis Micro e Macro
55
participar das gangues, e também influenciam os demais a não participar das gangues ou até
mesmo persuadi-los a deixar de freqüentá-las. O mesmo é válido para jovens que participam
das gangues com mais freqüência com que vão as escolas, estes podem influenciar um agente e
recrutá-lo ao grupo. Um agente pode freqüentar os dois ambientes, porém em dias diferentes.
Assim, no trabalho de (BERRY et al., 2003) o nível básico são as pessoas, um nível acima se
encontram os clusters nos quais os atores irão se tornar membros durante a simulação. Neste
trabalho tanto os clusters quanto os atores são agentes da simulação. Esta abordagem se faz útil
para que os agentes possam recuperar as informações inerentes à estrutura social a qual estão
inseridos. Uma limitação no trabalho de (BERRY et al., 2003) é que deixa a formação da rede
social e seus grupos pré-definidos, perdendo parte da característica de emergência. Assim, ao
agente é possível somente a decisão de qual grupo quer participar, impossibilitando a formação
de novos clusters.
4.2.1
Nível Micro
Como foi exposto anteriormente, no nível micro são considerados os agentes. Para a implementação de agentes que trabalhem com redes sociais duas abordagens são encontradas na
literatura. A primeira constitui em tratar a existência da rede social de forma implícita, como
são modeladas a maioria das simulações multiagentes da literatura. Como exemplo tem-se o
trabalho de (FRANçA, 2010). Para obter dados da rede nessa abordagem é necessário registrar as
informações referentes às interações realizadas por cada agente, assim permitindo uma futura
análise delas para a construção e análise da rede social formada. Embora o agente utilize conceitos de redes sociais, como por exemplo analisar sua vizinhança e comunicar com os agentes
vizinhos, ele não explora de forma explícita a rede em sua tomada de decisão.
A outra forma é cada agente ter conhecimento de sua rede social e utilizar isto para guiar
seu comportamento e tomada de decisões. Este conhecimento pode ser inserido em forma de
atributos, estruturas de dados tais como lista, variáveis, grafos, onde se tem uma coleção com os
demais agentes que o agente em questão se relaciona, como no trabalho de (TSVETOVAT; CARLEY; SYCARA, 2001).
Neste trabalho, estuda-se a formação da segmentação e especialização de
investidores em diferentes setores da economia na bolsa de valores. Em (TSVETOVAT; CARLEY;
SYCARA,
2001), durante a simulação cada agente delibera e executa a inclusão ou exclusão de
outros agentes investidores de sua lista de contatos, baseado em quem investe no mesmo segmento que o seu. A exclusão e inclusão da lista de contatos faz com que, respectivamente, o
agente negocie e deixe de negociar ações com o investidor em questão. Isto permite a formação
de clusters de investidores especialistas em determinado segmento do mercado.
4.2 Níveis Micro e Macro
56
Partindo desta outra forma de se modelar os agentes, isto é, ele conhecendo suas relações,
permite-se uma série de abordagens a fim de potencializar e aproximar a simulação do evento
real estudado. Por exemplo, os agentes conhecerem, total ou parcialmente, os dados dos amigos
de amigos ou até mesmo da rede toda. Outra informação que pode agregar nos atributos do
agente são os papéis que estes possuem, podendo influenciar a estrutura da rede social, por
exemplo, no caso da hierarquia funcional dentro de uma empresa. Os funcionários de um
determinado setor conhecerão seus superiores imediatos.
4.2.1.1
Análise de Atributos
Ainda exemplificando possíveis atributos dos atores, e tendo como base a idéia de (PUJOL;
SANGüESA; DELGADO,
2002), que determina a reputação de um agente, inserir atributos que
quantifiquem a reputação de um agente pode servir para qualificá-los. Ou ainda determinar se
outros agentes devem manter, iniciar ou terminar um determinado tipo de relação com ele ou
então ponderar uma informação oriunda deste.
Como pode ser visto, os atributos dos agentes podem ser de grande importância para uma
simulação agregada a rede social. Um ponto a se considerar, além da implementação do agente,
é a análise deste em conjunto com as técnicas da ARS (ver Seção 3.3). Embora a ARS concentre
seus esforços na análise da rede como um todo e não em seus membros individualmente, realizar
uma análise dos atributos individuais de cada agente, em conjunto com informações oriundas
da ARS, pode trazer justificativas de como um comportamento da rede, ou como sua estrutura
se constituiu. Por exemplo, concluir que a presença de pessoas que possuem experiência em
combate ao fogo dentro de um círculo social, como de uma empresa, pode ser útil em uma
situação de perigo de incêndio.
Dada esta relevância, outro foco dos pesquisadores, porém encontrada com menor freqüência na literatura, são os atributos dos atores da rede. Em geral estes são levados em conta de
maneira superficial, sendo considerados para justificar uma aglomeração ou uma relação entre
membros da rede e utilizando somente o conceito da homophily.
Quando trabalhos abordam atributos dos agentes, o não aprofundamento nesta frente fica
evidente. Por exemplo, o trabalho (BERRY et al., 2003) estuda o recrutamento de membros para
grupos terroristas e as relações também são expressas pela semelhança de atributos, assim justificando o uso da homophily. Porém, o autor deixa explícito que todos os agentes representam
adolescentes do sexo masculino e possuem dois atributos binários que os diferenciam. Estes
atributos são genéricos podendo representar qualquer informação, como por exemplo características como religião, fatores socioeconômicos ou etnia (BERRY et al., 2003), ressaltando a falta
4.2 Níveis Micro e Macro
57
de ênfase dada para as características individuais do agente. Levando em conta estes atributos,
são possíveis formar cliques de quatro tipos diferentes apenas.
Em (NAGEL; ZURICH; MARCHAL, 2003) se estuda a formação de grupos de viagem. Agentes
interagem e cruzam informações como destinos, datas e horários. Havendo similaridade destas
variáveis entre os agentes, determina-se a homophily, e desta forma é que se estabelecem as
cliques da rede social para a realização de viagens em grupos.
Com estes pontos citados, em grande parte dos trabalhos encontrados na literatura o entendimento dos papéis dos atores dentro da rede, ou o comportamento desempenhado por estes,
são designados somente pela análise das métricas da rede e não pelos atributos do mesmo. E
generalizar a modelagem dos agentes a ponto de considerar somente a homophily entre eles
limita a abrangência da análise.
Uma forma de se relacionar a estrutura da rede e os atributos de seus membros é aplicar
técnicas de mineração de dados, onde os atributos individuais de um ator seriam confrontados
com as métricas da rede, assim permitindo entender o porquê de uma métrica, ou uma estrutura
ter se estabelecido. Por exemplo, concluir que seres humanos em uma determinada faixa etária
e do sexo masculino possuem propensão a participar de gangues, ou agentes que optam em uma
escolha específica tendem a participar de certas cliques.
4.2.2
Nível Macro
Para o nível macro é levado em consideração a rede social de toda a simulação. A ARS
se encontra em desenvolvimento, mas já fornece uma série de métricas para a análise de redes
sociais (ver Seção 3.3). Tais métricas possibilitam chegar a conclusões sobre parte de seus
atores e a forma que se organizam.
A maioria dos trabalhos estudados dá foco para os valores encontrados através da aplicação
dos cálculos das métricas da rede. Medidas como a centralidade, densidade e quantidade de
cliques auxiliam o entendimento da rede e do fenômeno estudado através da simulação multiagentes. Trabalhos como (MARTELETO, 2001; RODRIGUES, 2008) aplicam técnicas da ARS para
entender e justificar fenômenos inerentes às suas áreas.
Outro ponto que deve ser levado em consideração é a maneira que a rede social é construída.
Baseado no trabalho de (BERRY et al., 2003), que utiliza agentes para representar ambientes da
rede, uma idéia válida é a utilização de agentes dentro da simulação para abordar a questão da
rede social. Agentes responsáveis pela rede tem a função de adquirir dados dos atores e supervisionar a simulação como um todo, a fim de construir a rede social que emerge das interações.
4.3 Tipos de Relações nas Redes
58
Esta abordagem para se construir a rede social em uma simulação multiagentes se constitui de
inserir um agente ou um grupo deles, para monitorar os demais agentes da simulação e registrar em tempo real a interação entres eles. Este SMA inserido na simulação é responsável por
analisar e apresentar visualmente a estrutura da rede social de forma dinâmica. Mas para tal
feito também é importante atentar-se com os tipos de relacionamento, pois nem toda interação
pode ser caracterizada como uma relação, ou as relações podem perder a força e serem desfeitas com o passar do tempo e a dedicação empregada pelos agentes para sua manutenção. As
considerações acerca dos tipos de relações são expostas na Seção 4.3.
4.2.3
Influências Micro-Macro
As seções anteriores (Seção 4.2.1 e Seção 4.2.2) mostraram os níveis existentes e abordados
nos trabalhos encontrados. Estes dois níveis, micro e macro, estão fortemente ligados já que
a interação dos agentes constituem a topologia da rede social, assim sendo, o micro gera o
macro. E a forma que a rede social estruturou-se pode influenciar nas decisões e comunicação
dos agentes, desta forma o macro afeta o micro. Desta maneira, para a realização deste projeto,
tem-se em mente estes dois níveis e a influência que um exerce sobre o outro. Assim sendo, o
agente influencia sua rede e a rede influencia o agente.
Assim como na compreensão do fenômeno social, que existem dois tipos de abordagens:
micro-para-macro e macro-para-micro. Estas representam, respectivamente, a análise do micro
para o entendimento do macro e o estudo do macro para compreender o micro. Fazendo um
paralelo com SMA pode-se dizer que o primeiro parte do agente para a formação do fenômeno,
já o segundo inicia o estudo no fenômeno para a entendimento do agente.
4.3
Tipos de Relações nas Redes
Como foi visto na Seção 3.2.1.2 existem tipos de conexões, e na Seção 3.3.2 foi listada uma
série de conotações que uma ligação pode ter. Baseado nesta ampla gama de características que
a aresta da rede social pode possuir, outra frente de trabalho se destaca: a análise e o tipo das
relações entre os atores que participam da rede.
Um exemplo de trabalho que se baseia nas relações dos agentes é visto em (PUJOL; SANGüESA;
DELGADO,
2002). O objetivo deste é determinar a reputação de um ator dentro da rede social
a qual pertence. A abordagem utilizada para tal classificação é a posição que este ocupa na
rede. Em suma, é analisada a topologia da rede, e a classificação da reputação de um agente é
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
59
proporcional à quantidade de relações que este possui com os demais. Assim sendo, os atores
mais centrais são o de maior reputação, ou seja, aqueles com maior grau de centralidade. Esta
análise é feita em tempo real, dinamicamente com as mudanças da topologia da rede.
O trabalho de (PUJOL; SANGüESA; DELGADO, 2002) leva em consideração somente a quantidade de relações e não o que elas significam. Como foi exposto na Seção 4.2.1.1, as ligações
entre atores geralmente são determinadas pelo grau de homophily. De fato este é um ponto
relevante. Tal importância dentro das redes sociais é apresentada no trabalho de (MCPHERSON;
SMITH-LOVIN; COOK,
2003). É válido dizer que uma grande parte das relações humanas se
baseiam na homophily, mas em casos de parentesco ou mesmo em um ambiente profissional,
pessoas de gostos e propósitos diferentes precisam se relacionar.
Com estas abordagens apresentadas acerca das relações, o foco para elas é de grande importância, pois a escolha do viés a se adotar pode influenciar nos resultados. Os links podem ser
“simples”, por exemplo, se for adotado que todos os relacionamentos da rede serão compostos
por atores nos quais um determinado ator já se comunicou, ou trabalhos em que um colaborador
já prestou serviços.
Ou então os links podem ser “fortes”, assim assumindo papéis mais sociais ou possuindo
estratégias mais elaboradas. Por exemplo, para analisar a situação onde é necessário confiança
entre os atores que se relacionam, vários parâmetros e atributos deverão ser considerados. Ou
então, para haver um link, deve-se levar em conta a freqüência e o valor das trocas sociais entre
os agentes. Desta maneira se garante que os atores que se conectam não se relacionam somente
por terem se comunicado de forma irrelevante uma única vez.
4.4
Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
O modelo teórico computável para a simulação de pânico em multidão de (FRANçA, 2010)
se baseia nos conceitos de teorias de Comportamento Coletivo. O modelo contempla a proposta
interacionista apresentada por autores como Blumer (MCPHAIL, 1989), e define que o fenômeno
do pânico em multidão está estruturado com os seguintes estados: S ITUAÇÃO N ORMAL, AGI TAÇÃO
S OCIAL, Milling, E XCITAÇÃO C OLETIVA, C ONTÁGIO S OCIAL e C OMPORTAMENTO
C OLETIVO E LEMENTAR (veja Figura 13).
O fluxo tem início com um evento que tira os membros da S ITUAÇÃO N ORMAL. Pressionados a agir os indivíduos se submetem ao evento entrando em AGITAÇÃO S OCIAL. Em seguida,
no Milling os indivíduos se preocupam com os outros e começam a se comunicar, iniciando
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
60
a conversão das idéias. Esta conversão começa a se tornar mais intensa, o que não permite
imagens diferentes das formadas pela coletividade, e seus membros entram em E XCITAÇÃO
C OLETIVA. Os indivíduos não engajados na ação passam a se envolver rapidamente então há
o C ONTÁGIO S OCIAL. Com o pânico instaurado, no estado de C OMPORTAMENTO C OLETIVO
E LEMENTAR, há irracionalidade e ações não convencionais são executadas pelos agentes para
que haja a preservação de suas vidas. Embora os estágios estejam seguindo uma ordem seqüencial, é possível que um indivíduo siga uma ordem diferente, não executando algumas etapas,
retrocedendo-as ou repetindo outras, por exemplo. A descrição breve de cada estágio é descrito
na Seção 2.2.
1.Situação Normal
5.Excitação Coletiva
2.Agitação Social
?
?
?
?
?
?
?
6.Contágio Social
4.Formação da
Repres. Coletiva Micro
Milling
3.Início da Comunicação
7.Comportamento
Coletivo
Elementar
Figura 13: Fluxo Geral do Comportamento Coletivo do Pânico em Multidão. Fonte: (FRANçA, Figura 14: Ambiente Geral e seus Componentes. Fonte: (FRANçA, 2010).
2010).
Na construção do modelo conceitual proposto por (FRANçA, 2010) os elementos que se destacam aos interesses deste projeto são: os ambientes onde os aspectos principais das interações
entre os agentes ocorrem, e a arquitetura do agente que representa uma pessoa dentro de uma
situação de pânico, estes elementos estão apresentados a seguir. Na Seção 4.4.1 são expostos
os ambientes do modelo. A arquitetura do agente P ESSOA é apresentada na Seção 4.4.2.
4.4.1
Ambientes do Modelo
O A MBIENTE G ERAL é onde as interações entre os agentes ocorrem. É composto pelos
A MBIENTE F ÍSICO, A MBIENTE
DE
C OMUNICAÇÃO e pela M ENTE C OLETIVA, e descreve os
limites de escopo dos demais ambientes e os pontos de correlação entre eles (ver Figura 14). O
A MBIENTE F ÍSICO representa o espaço onde ocorrem as interações físicas entre os agentes, e
entre os agentes e os objetos. Sob o ponto de vista computacional, este ambiente é modelado
como um autômato celular, onde cada agente ocupa uma única célula quadrada.
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
No A MBIENTE
DE
61
C OMUNICAÇÃO ocorre a comunicação entre os agentes, sejam estas
indiretas (deixadas no ambiente e captadas) ou diretas (com destinatário). Neste circulam os
dados da interação entre os agentes. A M ENTE C OLETIVA gerencia as redes de expectativas
socialmente construídas.
4.4.2
Arquitetura do Agente Pessoa
Em (FRANçA, 2010) o agente P ESSOA representa uma pessoa com comportamento relacionado à situação de pânico coletivo. Uma visão geral da arquitetura desse agente pode ser vista
na Figura 15. O agente P ESSOA é composto pelos M ÓDULO DE R ECEPÇÃO E C OLETA DE DA DOS
(MRCD), M ÓDULO H ÍBRIDO
DE
G ERENCIAMENTO
DE
(MHGCC), M ÓDULO S ÓCIO -C OGNITIVO (MSC) e M ÓDULO
C RENÇAS
DE
E
E MISSÃO
C ONHECIMENTO
DE
M ENSAGENS
(MEM).
O fluxo de informações pela arquitetura do agente pode ser simplificado da forma a seguir.
Após a captura de dados pelo MRCD, o MHGCC trata tais informações e infere regras. No
modelo de (FRANçA, 2010) o MHGCC qualifica as informações em crença ou conhecimento,
baseando-se na forma como o agente percebe o fato. Se uma informação necessitar de evidências físicas para ser comprovada, mas caso o agente não consiga obter tais evidências por sua
própria percepção, então esta informação será considerada uma crença. Caso contrário, se as
informações consideradas forem consolidadas e comprovadas diretamente pelo agente através
de evidências físicas, então esta informação é considerada um conhecimento. A qualificação
da informação é oriunda da quantificação relacionada a sua confiabilidade. O MEM é chamado
caso o agente necessite mandar uma mensagem para os demais agentes. Fica a cargo do MSC
coordenar os demais módulos dos agente P ESSOA, gerenciando os seus processos autônomos.
4.4.2.1
Módulo Híbrido de Gerenciamento de Crenças e Conhecimento
O M ÓDULO H ÍBRIDO DE G ERENCIAMENTO DE C RENÇAS E C ONHECIMENTO (MHGCC)
é responsável pelo gerenciamento das bases de informação e regras do agente P ESSOA. Para
modelar computacionalmente a estrutura mental de um ser humano, que é baseada em suposições, aproximações e simplificações, e com a imprecisão e a incerteza relacionadas com os
eventos sociais, (FRANçA, 2010) utilizou a lógica fuzzy.
Este módulo é composto pelo R EPOSITÓRIO
C RENÇA, que serão descritos a seguir.
DE I NFORMAÇÕES E
R EGRAS e a BASE
DE
UDel
()
()
MQE
%
UASit
NCC
%()
MSC
%()
NCom
%()
()
Base de
Regras
Interface de Defuzzificação
() % ()
FM
MEM
Selecionador
de Dados
%: Informação
+: Dados
(): Operação
%
MSC: Módulo Sócio-Cognitivo
MRCD: Módulo de Recepção e
Execução Contínua
Coleta de Dados
MEM: Módulo de Emissão de Mensagens
NCog: Núcleo Cognitivo
NCom: Núcleo de Comunicações
NCC: Núcleo de Comportamento Coletivo
UDel: Unidade Deliberativa
UASit: Unidade de Análise da Situação
FM: Formatador de Mensagens
MHGCC: Módulo Híbrido de Gerenciamento de Crenças e Conhecimento
MQE: Máquina de Estados
%()
Analisador
de Informação
MRCD
Figura 15: Visão Geral do Agente Pessoa. Fonte: (FRANçA, 2010).
%()
Interface de Acesso
Máquina de
Inferência
NCog
Base de
Crenças
Representação Coletiva Micro
Base de
Conhecimento
Base de Informação
%
Interface de Fuzzyficação
%
MHGCC
%
Repositório de
Informações e Regras
+
Emissão
+
Recepção
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
62
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
4.4.2.1.1
63
Repositório de Informações e Regras
O R EPOSITÓRIO
DE I NFORMAÇÃO ,
DE I NFORMAÇÕES E
R EGRAS (R EP I NF R EG) é o agrupamento da BASE
responsável pelas crenças, pelo conhecimento e pela representação coletiva
micro, e a BASE DE R EGRAS, que possui as regras gerais de comportamento do agente P ESSOA.
Tais bases serão descritas nas subseções seguintes.
4.4.2.1.2
Base de Informação
A BASE
DE I NFORMAÇÃO
(BI NF) armazena informações obtidas. Em (FRANçA, 2010) a
informação é classificada em três classes: (i) características pessoais do agente, (ii) informações
sobre o ambiente e (iii) informações sócio-cognitivas.
Variáveis do Agente P ESSOA
O agente P ESSOA possui atributos que auxiliam na definição e análise do estado do comportamento coletivo que este assume. Estas variáveis possuem valores entre zero e um e quantificam uma característica do agente, por exemplo:
•
EXP E VT
é o nível de experiência que o agente possui em relação ao tipo de evento, no
caso o incêndio. Por exemplo, se o valor entre 0 ` 0, 2 então o agente é inexperiente, já se
0, 75 ` 1 seu nível de experiência é alto;
•
NERVOSISMO
indica o grau de nervosismo do agente naquela situação. Por exemplo, se
seu valor for 0 ` 0, 2 então o agente está tranqüilo, para o
NERVOSISMO
variando entre
0, 75 ` 1 o agente encontra-se em excitação nervosa;
•
PERICULOSIDADE
expressa o grau de periculosidade da situação definido pelo agente em
cada passo da simulação. Por exemplo, com um valor entre 0 ` 0, 2 o agente se considera
seguro, se 0, 75 ` 1 o risco de vida é iminente;
•
PERMISSIVIDADE
é utilizada para quantificar o quanto o agente está disposto a realizar
atividades inaceitáveis ou socialmente não toleradas. Ou seja, é o grau de aceitação do
indivíduo em relação a certas ações que, em condições normais (fora do contexto do
evento excitante), são consideradas como socialmente inaceitáveis. Por exemplo, se o
valor da
PERMISSIVIDADE
estiver entre 0 ` 0, 2 o agente em questão não aceita ações
inadequadas, já para a variação entre 0, 75 ` 1 a aceitação é quase total;
•
SAUDE
mostra o nível de saúde do agente P ESSOA. Por exemplo, o agente é considerado
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
64
saudável se este valor estiver entre 0, 75 ` 1, para estar inconsciente sua saúde varia entre
0 ` 0, 2;
•
SEG I NFO
é empregada para identificar quando uma informação recebida é considerada
uma crença ou um conhecimento. Por exemplo, é crença se a
SEG I NFO
estiver entre
0, ` 0, 2, para ser considerada conhecimento seu valor deve variar entre 0, 75 ` 1;
•
SUSCEPTIBILIDADE
relaciona quanto o agente é receptivo às informações passadas por
outros agentes. Por exemplo, se o valor entre 0 ` 0, 2 então o agente é fechado às idéias
externas, já se 0, 75 ` 1 é totalmente receptivo às idéias externas.
Representação Coletiva Micro
A R EPRESENTAÇÃO C OLETIVA M ICRO (RC OL M ICRO) armazena a rede de expectativas
da situação atual formada pelo próprio agente. O conjunto dessas expectativas compõem um
sistema complexo cuja ação do todo é mais do que a soma das ações parciais. Assim, a representação coletiva da situação atual (que é uma das propriedades emergentes do pânico coletivo)
é uma informação qualitativamente nova e emergente que não pode ser identificada apenas pelas
suas unidades formadoras (as redes de expectativas individuais).
Aqui se forma a linha de ação que o agente irá executar de acordo com seu estado e atributos,
ou seja, o comportamento que ele irá assumir em um passo. Este comportamento é composto
por Estado, Objetivo e Objeto (veja Tabela 2).
Por exemplo, dado que o estado de um agente é “Excitação Coletiva”, seu objetivo pode ser
“buscar informações a respeito da saída” sobre o objeto “demais agentes”, isto pois sua linha de
ação é “buscar informações de forma indireta”, desta maneira, perguntando para seus agentes
vizinhos. Caso a linha de ação fosse “buscar informações de forma direta”, seu objeto seria a
“saída”, pois o mesmo procuraria informações de forma física, visualmente.
Base de Regras
A BASE
DE
R EGRAS (BR EG) armazena o conjunto de regras internas do agente, que es-
tabelece se determinadas operações serão executadas, e como estas serão executadas durante o
ciclo de vida do agente. As regras estão classificadas em reativas, funcionais e dinâmicas. Essa
classificação está relacionada com o propósito da regra e de que forma a sua aplicação afeta o
comportamento do agente P ESSOA.
Comportamento Coletivo Elementar
Contágio Social
Excitação Coletiva
Milling
Agitação Social
Estado
Situação Normal
Movimentar-se em direção à Saída
Formar a Representação Coletiva
Micro
Alertar os demais agentes a respeito da
Ameaça
Movimentar-se em direção à Saída
Formar a Representação Coletiva
Micro
Alertar os demais agentes a respeito da
Ameaça
Alertar os demais agentes a respeito da
Saída
Movimentar-se em direção à Saída
Buscar informações a respeito da Saída
Buscar informações a respeito da
Ameaça
Formar a Representação Coletiva
Micro
Buscar informações no Ambiente Físico
Buscar informações a respeito da Ameaça
Buscar informações a respeito da
Ameaça
Objetivo
Andar no ambiente
Ameaça
Demais
Agentes
Demais
Agentes
Ameaça
Ameaça
Demais
Agentes
Saída
Demais
Agentes
Ambiente Físico
Demais
Agentes
Demais
Agentes
Demais
Agentes
Ameaça
Saída
Ambiente Físico
Demais
Agentes
Demais
Agentes
Ameaça
Saída
Ambiente Físico
Objeto
Ambiente Físico
Ambiente Físico
Ameaça
Enviar mensagem para os agentes vizinhos com dados da
Ameaça
Ponderar as informações para a representação dos símbolos significantes
Estruturar a Ameaça
Estruturar a Saída
Mover-se
Enviar mensagem para os agentes vizinhos com dados da
Ameaça. Mover-se
Enviar mensagem para os agentes vizinhos com dados da
Saída. Mover-se
Ponderar as informações para a representação dos símbolos significantes
Estruturar a Ameaça
Estruturar a Saída
Mover-se
Mover-se de acordo com a permissividade
Buscar informações de forma direta. Mover-se
Buscar informações de forma indireta. Mover-se
Ponderar as informações para a representação dos símbolos significantes
Estruturar a Ameaça
Buscar informações de forma direta. Mover-se
Buscar informações de forma indireta. Mover-se
Buscar informações de forma direta. Mover-se
Buscar informações de forma indireta. Mover-se
Buscar informações de forma direta. Mover-se
Buscar informações de forma direta. Mover-se
Linha de Ação
Andar de forma ordeira e aleatória
Tabela 2: Integração entre os Símbolos Significantes. (FRANçA, 2010)
4.4 Simulação Multiagentes Modelando o Comportamento Coletivo de Pânico em Multidões
65
66
5
Redes Sociais e Sistemas
Multiagentes Modelando o
Pânico em Multidão
O fato de milhões de criaturas compartilharem os mesmos
vícios não os transforma em virtudes, o fato de elas praticarem os mesmos erros não os transforma em verdades
e o fato de milhões de criaturas compartilharem a mesma
forma de patologia mental não torna essas criaturas mentalmente sadias.
—– Erich Fromm
Como foi visto no Capítulo 4 as redes sociais estão implícitas na maioria das simulações
multiagentes. Isto se deve ao fato de tais simulações serem sistemas complexos, onde os agentes
interagem entre si de diversas formas. Interações como um aviso, troca de mensagens, contato
físico ou visual e hereditariedade podem se configurar como relações entre atores e assim formar
uma rede social. O estudo das redes sociais dentro das simulações multiagentes se faz útil já
que estas não somente são influenciadas pelos atores (agentes), como também eles podem ser
influenciados pelas estruturas sociais que estas representam.
Muitas das métricas da ARS podem ser utilizadas em um cenário multiagentes a fim de se
extrair argumentos explicativos às características apresentadas pelo sistema, ou ainda explicar
o comportamento de um agente. Entender o porquê destes comportamentos pode ser útil para
validar e aperfeiçoar teorias sociais. Por exemplo, em uma situação de pânico, os envolvidos
passam a seguir padrões não usuais de comportamento. Com isso pessoas podem se relacionar
com outras antes improváveis e sem algo em comum, e isto seria percebido através da análise
da rede social. Neste contexto, uma pessoa com uma conduta violenta pode ser tida como
líder de um grupo em uma situação de perigo, mesmo que seus membros reprovem este tipo de
comportamento e antes não se relacionavam com o mesmo.
67
5.1 Modelagem Conceitual Multiagentes
Tendo como base essas contribuições da área de Redes Sociais para a área de Simulação
Multiagentes, a proposta desta pesquisa consiste em: (i) modelar agentes para a extração de
redes sociais que emergem através da interação na agência; e (ii) analisar as redes sociais formadas para servir de base no entendimento e validação das simulações.
Para o alcance destas metas o trabalho de (FRANçA, 2010) será considerado como base.
Neste trabalho é proposto um modelo conceitual do comportamento coletivo do tipo pânico em
multidão, baseado em simulação multiagentes e lógica nebulosa. Tal modelo conceitual é do
tipo sócio-cognitivo, e a simulação foi configurada para representar uma situação de incêndio
em um ambiente fechado. Deste serão aproveitados os conceitos e o código fonte da implementação, adaptando-os de forma a contemplar os objetivos da presente dissertação.
Como a modelagem conceitual e computacional exposta em (FRANçA, 2010) é um protótipo
geral, este trabalho será adaptado de forma a contemplar a proposta de que a rede social que
emerge durante a simulação seja registrada para o melhor entendimento do fenômeno do pânico
em multidão. Vale ressaltar que nesta situação a rede social convencional se rompe e começam
a se formar outras redes com características diferenciadas.
5.1
Modelagem Conceitual Multiagentes
No trabalho de (FRANçA, 2010), ponto de partida para este projeto, o agente está desenvolvido tendo como base o conceito modular, sendo estes módulos distintos quanto as suas funcionalidades. É proposto o conceito de representação coletiva, e é em torno desta que circula
as principais contribuições a este trabalho. Essa representação coletiva se dá de duas formas, a
mente coletiva micro e a rede de expectativas macro. A idéia desses conceitos de percepções
coletivas se encaixa no conceito de redes sociais, isto é, relacionamentos mútuos entre um grupo
devido a algo em comum.
Nas subseções seguintes são apresentados os pontos do trabalho de (FRANçA, 2010) que
foram ampliados. Na Seção 5.1.1 são expostos os novos conceitos que serão adicionados na
arquitetura do agente. Mais especificamente as contribuições relacionadas ao nível micro no
M ÓDULO H ÍBRIDO
DE
G ERENCIAMENTO
DE
C RENÇAS
E
C ONHECIMENTO do agente de
(FRANçA, 2010), estas provêm das adaptações e extensões realizadas para inserir o conceito de
rede social. Na Seção 5.1.2 é descrita a contribuição realizada ao modelo da R EPRESENTAÇÃO
C OLETIVA M ACRO envolvendo a rede social da simulação como um todo, ou seja, considerando todos os agentes e as métricas relacionadas a ela.
5.1 Modelagem Conceitual Multiagentes
5.1.1
68
Arquitetura do Agente Pessoa
Neste trabalho a arquitetura do agente P ESSOA proposta em (FRANçA, 2010) é alterada de
forma a modelar a criação das redes sociais de cada agente da simulação. Cada agente terá sua
própria rede formada de acordo com o estado do comportamento coletivo em que se encontra,
e com a a configuração atual da simulação.
5.1.1.1
Módulo Híbrido de Gerenciamento de Crenças e Conhecimento
Adaptações ao módulo MHGCC propostas em (FRANçA, 2010) são feitas e apresentadas
nas próximas subseções a fim de contemplar a rede social na R EPRESENTAÇÃO C OLETIVA
M ICRO dos agentes.
5.1.1.2
Representação Coletiva Micro e Representação de Informação
A R EPRESENTAÇÃO C OLETIVA M ICRO (RC OL M ICRO) consiste na formação da rede social local, ou seja, a rede social própria do ator, composta pelos seus vizinhos. Em um nível
micro, esta abordagem pode auxiliar na tomada de decisões do agente, e em um nível macro,
auxiliar na formação da R EPRESENTAÇÃO C OLETIVA M ACRO (veja Seção 5.1.2).
A modelagem conceitual de (FRANçA, 2010) propõe que a RC OL M ICRO seja representada
através de tabelas. Estas tabelas representam informações como símbolos significantes (englobando objetivo, objeto e linha de ação), estado coletivo micro, localização da ameaça e da saída
e a média dos atributos PERICULOSIDADE e NERVOSISMO dos agentes vizinhos a ele. A Figura
16 apresenta a RC OL M ICRO expandida indicando o local em que a arquitetura de (FRANçA,
2010) foi incrementada.
Neste trabalho é proposta uma extensão desta abordagem por uma que envolva redes sociais, objetivando aproximar o modelo computacional ao cenário real. O acréscimo das redes
sociais à RC OL M ICRO está ilustrado na Figura 17. Ao invés de apenas valores, agora o agente
em questão saberá com quais agentes ele está se relacionando, potencializando assim seu processo de raciocínio e tomada de decisão.
Na estruturação da rede social do agente, deve ser considerado o estado do comportamento
coletivo em que ele se encontra. São eles: situação normal, agitação social, milling, excitação
coletiva, contágio social e comportamento coletivo elementar (veja Seção 2.2). Vale ressaltar
que um agente pode transitar do estado que se encontra para qualquer outro. As redes sociais
formadas em cada estado apresentam características específicas, pois os tipos de interações e
69
5.1 Modelagem Conceitual Multiagentes
Figura 16: Expansão da R EPRESENTAÇÃO C OLETIVA M ICRO.
Figura 17: Representação Coletiva
Micro: Sistema Matricial x Redes So- Figura 18: Arquitetura da R EPRESENTAÇÃO C OLETIVA
ciais.
M ICRO (RC OL M ICRO).
relações diferem dependendo dos contextos interno e externo a cada agente.
A rede social local está adicionada à arquitetura do agente de (FRANçA, 2010) no módulo
de R EPRESENTAÇÃO C OLETIVA M ICRO através de dois componentes: BASE
ÇÃO
S OCIAL e a BASE
DE
R EGRAS
PARA
DE I NFORMA -
R ELAÇÕES. A Figura 18 ilustra a arquitetura da
RC OL M ICRO estendida. Estes novos elementos são parâmetros para a definição da rede social
do agente. A BASE
DE I NFORMAÇÃO
S OCIAL armazena dados tais como o grafo dos agentes
vizinhos e os tipos de relação que podem ser estabelecidos entre os agentes. A BASE
GRAS PARA
DE
RE-
R ELAÇÕES define as condições que regem o tipo de relação, seu peso e os atores
que compõem a rede do agente.
5.1 Modelagem Conceitual Multiagentes
5.1.1.2.1
70
Base de Informação Social
Como visto na Seção 4.4.2, em (FRANçA, 2010) há dois tipos de informações: crenças e conhecimentos. A BASE DE I NFORMAÇÃO S OCIAL da RC OL M ICRO é composta pelos seguintes
conhecimentos: os papéis que um agente pode assumir, o grafo da rede social e os possíveis
tipos de relações entre os membros da rede.
Papel
Na sociedade as pessoas assumem papéis. Isto garante uma boa dinâmica e clareza no
que diz respeito a trabalhar de forma ativa e colaborativa em direção ao objetivo comum de
uma organização. Por exemplo, no mundo dos negócios, para uma pessoa assumir o papel
de gerente ela necessita ter conhecimentos, habilidades e hábitos qualificados. O êxito em
assumir uma determinada posição depende dos seus atributos e até de cargos anteriormente
ocupados pela pessoa. Papéis podem ser formais, como uma condição de hierarquia empresarial
onde subalternos respondem aos seus superiores, ou então surgirem de maneira dinâmica, por
exemplo, uma pessoa que mediante uma situação de caos em um grupo procura organizá-lo,
assumindo assim a condição de líder. Em trabalhos como (BOELLA et al., 2007; ZHU, 2007) a
idéia do papel é aplicada a SMAs, onde os agentes assumem papéis baseados em suas funções
e estes interferem na dinâmica dos agentes, não somente em como a agência o considera, mas
também em seus comportamentos internos.
Assim sendo um papel influencia a dinâmica de uma sociedade podendo conduzir o comportamento de uma pessoa ou alterar a forma de como a sociedade a enxerga. O estudo do
papel nas estruturas sociais dentro do fenômeno do comportamento coletivo se faz de grande
importância, pois estes podem afetar diretamente a coletividade.
Dentre os papéis que uma pessoa pode assumir em grande parte das estruturas sociais estão
os líderes. Em geral o líder tem uma grande reputação social, se comporta de acordo com as
normas sociais do sistema, está bem integrado e é um dos nós centrais nos sistemas sociais.
Eles servem como modelos para os membros do sistema (ROGERS, 2003). Neste trabalho os
agentes podem assumir o papel de líder, chamado de B RIGADISTA, ou P ESSOA C OMUM. Para o
brigadista, o valor de seu atributo EXP E VT é maior que o dos demais agentes, assim justificando
seu treinamento para situações de incêndio. A distribuição desse tipo de agente é dada de forma
aleatória, seguindo a média das tabelas de proporção utilizadas em instituições para brigadas de
incêndio, apresentada em (BOMBEIROS, 2004). Esta porcentagem é de 10% do total de agentes
da simulação.
Grafo da Rede Social
5.1 Modelagem Conceitual Multiagentes
71
Como ponto em comum, em todos os estados do comportamento coletivo para a estruturação da rede social de um agente consideram-se todos os agentes que ocupam sua vizinhança
física. Assim sendo, será utilizada a estrutura de um grafo onde o nó de referência é um determinado agente, e os nós que se ligam a ele são seus vizinhos. Diferentemente de uma rede
de contatos sociais, onde atores são adicionados e/ou removidos em situações nas quais não
há perigo de vida, na rede social do pânico agentes são excluídos e adicionados tendo como
parâmetro a possibilidade, ou não, de sobrevivência em tal situação. Esta volatilidade dos relacionamentos de um agente na formação do pânico ocorre devido a estes se movimentarem de
forma autônoma, fazendo com que sua vizinhança seja inconstante. Assim sendo, para cada
iteração da simulação, a rede social do agente será redefinida, caracterizando assim uma “reconstrução” da rede a cada passo.
A representação visual da rede social será feita através de um grafo. Para a representação
visual da rede social da RC OL M ICRO os seguintes elementos serão diferenciados:
• A distância física de um agente para os membros de sua rede será demonstrada através
do tamanho das arestas;
• O estado dos atores da rede serão diferenciados por cores, assim como agentes que se
encontrem imobilizados;
• Os tipos de relação e seus pesos estarão identificados.
Tipos de Relação
Seguindo a frente de pesquisa da Seção 4.3, Tipos de Relação, os seguintes tipos serão
considerados na formação de redes sociais em situação de pânico: contato, influência por informação e influência por perigo. Estes tipos de relações foram definidos baseados na hierarquia
de necessidades de Maslow (MASLOW; FRAGER; FADIMAN, 1970). Este conceito é apresentado
em uma pirâmide (veja Figura 19), que em sua base estão as necessidades mais prioritárias,
quando estas são satisfeitas evolui-se em direção às hierarquias mais altas.
Para Maslow o comportamento do ser humano pode ser explicado pelas suas necessidades
e pelos seus desejos. Quando um destes é considerado importante, o indivíduo sente-se estimulado e impulsionado a realizar atividades para satisfazê-lo. Ou seja, a necessidade e o desejo
determinam o que é importante para o indivíduo e guiam seu comportamento, sendo estas suas
fontes de motivação. Embora a necessidade seja o grande motor da decisão racional, o desejo,
de cunho emocional, também desempenha um papel importante no processo de priorização.
5.1 Modelagem Conceitual Multiagentes
72
Figura 19: Pirâmide de Maslow.
Na base da pirâmide estão as necessidades mais básicas contemplando os interesses fisiológicos e de sobrevivência. Geralmente, referem-se a requisitos para a sobrevivência do indivíduo
ou da sua espécie, como por exemplo alimentação, respiração, reprodução, descanso, abrigo,
vestimenta e homeostase. Pode-se dizer que estas necessidades estimulam comportamentos
caracterizados pelo verbo ter.
O segundo nível é constituído por necessidades de segurança. Uma vez atendidas as necessidades fisiológicas, a tendência natural do ser humano será a de manter. Ou seja, as necessidades de segurança referem-se à estabilidade ou manutenção do que se tem. Por exemplo,
segurança física pessoal, financeira, saúde e bem-estar e rede de proteção contra imprevistos
(HUITT, ).
Atendidas as necessidades fisiológicas e de segurança, surgem as necessidades sociais.
Aqui o indivíduo sente necessidade de pertencer a grupos, associar-se a outras pessoas, ou seja,
de se igualar. Também chamadas de necessidade de associação, estas incluem aspectos que
envolvem relacionamentos baseados na emoção, pois seres humanos precisam sentir-se aceitos
e fazendo parte de algo. São exemplos de necessidades sociais: amizade, intimidade (amigos
íntimos, mentores, confidentes) e convivência social (círculos de convivência variados), família,
organizações (clubes, entidades de classe, torcidas, gangues).
O passo seguinte na escala de necessidades é o da auto-estima ou de status, quando o
indivíduo procura manifestar ações para se diferenciar dentro de seu grupo. Neste nível ele
busca destaque, proeminência, admiração, respeito, reconhecimento para que haja auto-estima
e auto-respeito. A estima é um desejo humano de ser aceito e valorizado por si e pelos outros,
não apenas a busca de uma aceitação de um grupo, mas sim do reconhecimento pessoal e do
5.1 Modelagem Conceitual Multiagentes
73
grupo de sua contribuição e importância dentro dele (BUTLER-BOWDON, 2007).
Superadas todas as necessidade anteriores, no nível mais alto da hierarquia, está a autorealização. Isso ocorre quando o indivíduo explora seu potencial máximo e se sente realizado,
podendo ser considerada a motivação satisfatória para a natureza humana.
Mesmo não sendo possível afirmar que exista uma hierarquia de necessidades1 , a pirâmide
de Maslow ajuda a entender que as necessidades são fatores de motivação, e neste trabalho
ela auxilia a categorizar as relações entre os agentes. Para tal são considerados os níveis de
necessidades fisiológicas, de segurança, sociais e necessidades de auto-estima. Tendo como
base os níveis da pirâmide de Maslow, neste trabalho os tipos de relações estabelecidas entre os
agentes podem ser Contato, influência por Informação e influência por Perigo.
Também pode ser abordada a relação de Liderança, onde um agente assume a posição de
líder devido à atribuição a priori de um papel, ou então esta condição pode emergir diante de
uma situação. Para a relação do tipo liderança, os agentes P ESSOA que assumem o papel de
B RIGADISTA seriam líderes e possuiriam seguidores. Neste caso pode-se dizer que o B RIGA DISTA
encontra-se no quarto nível da pirâmide de Maslow, pois dentro do grupo assume uma
posição de destaque devido a sua experiência e treinamento. Isto o diferencia do grupo, fortalecendo sua identidade e auto-estima. Por sua vez o agente P ESSOA C OMUM procura, dentre
outras necessidades, o sentimento de segurança ao adotá-lo como líder.
Com um relacionamento do tipo Contato, o agente apenas interage com o outro, não influenciando diretamente a tomada de decisão do agente em questão. A relação por Contato se faz
presente no terceiro nível da pirâmide de Maslow, onde não havendo necessidades de segurança
e fisiológica, o indivíduo procura se associar com os demais e pertencer a grupos para suprir
suas necessidades sociais.
A relação de influência é caracterizada quando os atores da rede social de um agente exercem de forma direta algum tipo de influência sobre o indivíduo em questão. Este tipo de relação
pode ser exercida por dois fatores: (i) a influência com o viés da informação e (ii) a relação de
periculosidade. A relação por Informação é baseada nos dados que os agentes obtêm através
da comunicação na agência, seja essa visual ou por troca de mensagens. Esta comunicação é
estabelecida a fim de se obter informações para que o agente se sinta seguro ou passe a buscar
segurança. Assim sendo, este relacionamento está motivado pelo segundo nível da pirâmide de
Maslow.
1 Por
exemplo, uma parcela de indivíduos de uma sociedade pode priorizar a necessidade de participar de um
grupo social em detrimento à segurança financeira, ou então, atividades referentes à realização de necessidades de
níveis diferentes serem executadas em paralelo.
5.1 Modelagem Conceitual Multiagentes
74
Já a relação de periculosidade deve-se ao fato de um agente ameaçar a vida de outro. Por
exemplo, caso um agente exerça uma pressão física forte sobre outro, ou se encontre imobilizado, impedindo a passagem para o salvamento dos demais. Esse tipo de relação é motivado
pela sobrevivência do agente, se adequando às necessidades fisiológicas da base da pirâmide de
Maslow.
5.1.1.2.2
Base de Regras para Relações
A BASE DE R EGRAS PARA R ELAÇÕES guia a estrutura da rede social do agente, definindo
com quais agentes este se relaciona, e qual o tipo deste relacionamento.
A seguir serão apresentados os conceitos utilizados para agregar redes sociais à simulação.
Primeiramente, são apresentados os tipos de relações definidos de acordo com os estados do
agente e de seu vizinho e as justificativas para tais. Em seguida detalha-se o conceito de peso e
como ele é calculado nas relações. Por fim, apresenta-se como a estrutura da rede social de um
agente influencia em seu comportamento.
Estados do Pânico em Multidão e Relações Sociais
Para o agente decidir qual o tipo de relação unidirecional estabelecerá com cada um de seus
vizinhos, ele leva em consideração as seguintes informações (veja Tabela 3): seu próprio estado
e o estado de seu vizinho. Por exemplo: caso o agente esteja no estado S ITUAÇÃO N ORMAL e
seu vizinho esteja em AGITAÇÃO S OCIAL, então a relação estabelecida entre eles será do tipo
Contato.
Situação Normal Neste estado o agente prioriza suas necessidades sociais, procurando se relacionar com todos à sua volta. A rede social de cada agente é composta por todos seus
vizinhos, e as relações do tipo Contato são as que prevalecem devido ao agente neste
momento não estar ciente da ocorrência do evento excitante.
Entretanto, quando um vizinho estiver no estado de E XCITAÇÃO C OLETIVA ou C ON TÁGIO
S OCIAL a relação será de Informação, já que o agente observado se encontra
perturbado, o que chamará a atenção do agente em questão para algo que possa estar
acontecendo. Para os agentes vizinhos em C OMPORTAMENTO C OLETIVO E LEMENTAR
a relação estabelecida será do tipo Perigo. Isto porque o agente em questão priorizará
sua necessidade de segurança já que tal vizinho em C OMPORTAMENTO C OLETIVO E LE MENTAR
está suscetível a ter comportamentos que quebrem a norma social vigente.
Agitação Social Com a ocorrência de um evento excitante, neste caso, o início do incêndio,
75
5.1 Modelagem Conceitual Multiagentes
Tabela 3: Relações da Rede Social Micro de Acordo com Estado do Comportamento do Agente.
Estado do Agente
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Estado do Vizinho
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
Tipo de Relação
Contato
Contato
Contato
Informação
Informação
Perigo
Contato
Contato
Informação
Informação
Perigo
Perigo
Contato
Informação
Informação
Informação
Perigo
Perigo
Informação
Informação
Informação
Perigo
Perigo
Perigo
Informação
Informação
Perigo
Perigo
Perigo
Perigo
Perigo
Perigo
Perigo
Perigo
Perigo
Perigo
76
5.1 Modelagem Conceitual Multiagentes
e com um nível baixo de
PERICULOSIDADE
e
NERVOSISMO ,
o estado do agente é de
AGITAÇÃO S OCIAL. Neste estado os agentes procuram se situar em relação ao ocorrido.
Ainda não há comunicação entre os agentes e as necessidades sociais continuam vigentes,
com isso ele se relaciona por Contato como os agentes em S ITUAÇÃO N ORMAL.
Porém, agentes em AGITAÇÃO S OCIAL ficam alertas ao A MBIENTE F ÍSICO procurando
buscar informações e se proteger. Assim sendo, este agente se relaciona com seus vizinhos nos estados de M ILLING ou E XCITAÇÃO C OLETIVA pela relação de Informação. E
com seus vizinhos nos estados de C ONTÁGIO S OCIAL ou C OMPORTAMENTO C OLETIVO
E LEMENTAR se relaciona pela relação de Perigo.
Milling Conforme os agentes estabelecem comunicação na agência para se informar sobre o
evento excitante, começam a analisar os fatos formando grupos para entender melhor a
situação. Neste momento é de grande importância saber com quais agentes um determinado agente em questão interage, e para isto a representação visual da rede social local
de cada agente vem a contribuir ao trabalho de (FRANçA, 2010).
Baseado em seus vizinhos o agente passa a considerar parte de seus contatos como relação
de Informação, sendo este o tipo de relacionamento predominante.
Excitação Coletiva No estado de E XCITAÇÃO C OLETIVA os agentes continuam se comunicando e começam a equalizar as percepções coletivas micro, dando início à formação da
percepção coletiva macro. Agentes vizinhos no estado de S ITUAÇÃO N ORMAL, AGI TAÇÃO
S OCIAL e M ILLING promovem o tipo de relação de Informação. Diferente dos
estados anteriores, na E XCITAÇÃO C OLETIVA deixam de existir as relações de Contato
e começa a aumentar os vizinhos a serem considerados como Perigo, neste caso agentes em E XCITAÇÃO C OLETIVA, C ONTÁGIO S OCIAL e C OMPORTAMENTO C OLETIVO
E LEMENTAR.
Contágio Social Quando o agente encontra-se no estado de C ONTÁGIO S OCIAL ele passa a
se preocupar com sua sobrevivência. As percepções coletivas micro convergem para a
percepção coletiva macro, e a comunicação ocorre a fim de identificar a localização da
saída.
Nesse estado, os agentes passam a se preocupar não mais em entender a ameaça, e sim em
garantir sua sobrevivência. Por isso a quantidade de estados utilizados para a definição
do critério para relações de influência por Informação diminui e por Perigo aumenta.
Comportamento Coletivo Elementar No C OMPORTAMENTO C OLETIVO E LEMENTAR os agentes já não se preocupam mais com seus vizinhos. Zelando por suas vidas, tentam a todo
77
5.1 Modelagem Conceitual Multiagentes
custo alcançar a saída para ficarem em segurança, assumindo comportamentos não aceitos
socialmente, como por exemplo o pisoteamento.
Formam-se relações tendo como base o perigo que os membros de sua rede apresentam a
ele. Assim sendo, o tipo de relação neste estado é o de influência por Perigo, pois quem
estiver ao seu redor o estará pressionado para fugir ou impossibilitando sua passagem
para a saída.
Peso das Relações
Para as relações de Contato, Informação e Perigo pesos são considerados, levando em consideração os valores dos atributos do agente em questão e de seus vizinhos. Este peso dado à
relação faz-se útil para que seja possível qualificar o relacionamento entre dois agentes. Dessa
forma, é possível quantificar, por exemplo, a relação de Perigo, definindo o grau de ameaça aos
agentes envolvidos.
O peso quantifica a força da relação, e seu valor está entre zero e um. A Tabela 4 apresenta
faixas de intensidade de peso de uma relação e suas respectivas classificações. Com isso tanto
as relações de Contato, influência por Informação ou por Perigo poderão ser fracas, moderadas,
intensas ou fortes.
Tabela 4: Intervalos do Peso das Relações.
Intervalo do Peso
[0 ; 0,2[
[0,2 ; 0,5[
[0,5 ; 0,8[
[0,8 ; 1]
Peso da Relação
Fraco
Moderado
Intenso
Forte
Cálculo dos Pesos
A Tabela 5 mostra (i) os atributos do agente em questão e de seus vizinhos utilizados para
calcular os pesos das relações, e (ii) o quanto esses atributos influenciam no cálculo dos pesos
das relações entre os agentes.
A seguir, tem-se a apresentação de como os pesos das relações são calculados.
O peso de uma relação de Contato é calculado pela Equação 5.1.
pesoContato = 0.8(−1(permissividade − 1)) + 0.1(expEvt) + 0.1(−1(nervVizinhos − 1)) (5.1)
A permissividade do agente vizinho quantifica o quão propenso está o vizinho para quebrar
78
5.1 Modelagem Conceitual Multiagentes
Tabela 5: Influência dos Atributos no Cálculo do Peso da Relação.
Tipo de Relação
Contato
Influência por Informação
Influência por Perigo
Agente
Atributo
nervVizinhos
Influência
10%
nervosismo
susceptibilidade
expEvt
50%
10%
30%
Vizinho
Atributo
permissividade
expEvt
expEvt
periculosidade
periculosidade
permissividade
Influência
80%
10%
20%
20%
60%
10%
normas sociais. Este é o principal fator para motivar a necessidade social do agente, contribuindo com 80% do total do peso da relação de Contato. Uma vez que o agente não procurará
manter uma relação de contato com um indivíduo que não siga as convenções sociais, utiliza-se
o inverso do valor desse atributo. Assim, quanto maior a permissividade do vizinho, menor é o
peso da relação.
Os atributos expEvt e nervVizinhos podem acentuar a relação de Contato, e cada um destes
atributos influencia em 10% no total do peso da relação. A variável expEvt indica a experiência
do vizinho, e nervVizinhos quantifica a tensão física em torno do agente. Desta forma, quanto
maior a experiência do vizinho, maior será o acréscimo dada à relação, e quanto maior o nervosismo detectado pelo agente ao seu redor, menor será o acréscimo dado ao peso da relação de
Contato.
Em uma relação de influência por Informação o peso é obtido com o cálculo dos valores
dos atributos NERVOSISMO e SUSCEPTIBILIDADE, do agente em questão, e as variáveis de seus
vizinhos: expEvt e periculosidade.
O cálculo que define o peso da influência por Informação é apresentado na Equação 5.2.
pesoIn f o = 0.5(−1(nervosismo−1))+0.1(suscetibilidade)+0.2(expEvt)+0.2(periculosidade)
(5.2)
O princípio da relação de Informação definida neste trabalho considera que, quanto menor
o nervosismo do agente, maior será o peso da relação. Isto porque o agente menos nervoso
ponderará mais sobre as informações provenientes de seus vizinhos. Este é o principal atributo
contribuindo com 50% do valor do peso da relação. A susceptibilidade tem influência de 10%
no cálculo, indicando que quanto mais suscetível às informações o agente está, maior será o
peso dado a sua relação do tipo Informação.
A relação de Informação também é influenciada pelo agente vizinho, e neste caso considera-
5.1 Modelagem Conceitual Multiagentes
79
se que o peso da relação é diretamente proporcional (i) à experiência que o vizinho tem na
situação de incêndio, e (ii) ao grau de periculosidade que o agente vizinho atribui ao incêndio.
Cada uma desta variáveis, expEvt e periculosidade, assume a influência de 20% cada no total
do peso da relação de Informação.
Já a força de uma relação de influência por Perigo será quantificada tendo como base as variáveis do vizinho periculosidade e permissividade, bem como a variável do agente em questão
expEvt. O cálculo do peso da influência por Perigo pode ser visto na Equação 5.3.
pesoPerigo = 0.6(periculosidade) + 0.1(permissividade) + 0.3(−1(expEvt − 1))
(5.3)
Para o cálculo do peso da relação de Perigo o principal atributo a se considerar é a periculosidade do vizinho, contribuindo com 60% do total do peso da relação. Ou seja, quanto
maior a periculosidade que o vizinho atribuir à situação, maior será o peso da relação de Perigo.
A permissividade do vizinho indica quão propenso a quebrar as normas sociais ele está. Esta
variável entra como um intensificador da relação, acrescendo em 10% seu valor.
Trinta por cento (30%) do peso da relação de Perigo é representada pelo “inverso” da experiência do agente. Este atributo indica o quão preparado para aquela situação ele está. Desta
maneira, a variável expEvt entra como um atenuante, ou seja, quanto maior a sua experiência,
menos o agente irá considerar o perigo oriundo de seu vizinho, isso devido a seu treinamento
para esta situação.
A Figura 20 ilustra como se dá o cálculo do peso da relação de Contato para um agente
em S ITUAÇÃO N ORMAL. Primeiramente é verificado o estado do agente em questão e de
seus vizinhos. Caso este agente esteja em S ITUAÇÃO N ORMAL e seu vizinho em S ITUAÇÃO
N ORMAL, AGITAÇÃO S OCIAL ou M ILLING, a relação estabelecida será do tipo Contato. Assim
sendo, o peso da relação será calculado pela soma de 10% do valor do atributo nervVizinhos do
agente em questão e 10% e 80% dos valores dos atributos expEvt e permissividade de seu
vizinho, respectivamente.
Como as Relações Influenciam os Agentes
Assim como o estado e o comportamento de cada agente influenciam na formação de sua
rede social (ligação micro-para-macro), a rede social do agente também pode afetar o seu comportamento (ligação macro-para-micro). De fato, as relações da rede social de um agente (fenômenos macro-estruturais) podem afetar em sua tomada de decisão. Para analisar este tipo de
relação macro-para-micro, neste trabalho considera-se para cada agente:
5.1 Modelagem Conceitual Multiagentes
80
Figura 20: Exemplo do Cálculo do Peso da Relação de Contato.
1. Os tipos de relação de sua rede social;
2. Tendo como base tais relações, procura-se determinar as influências das mesmas no comportamento do agente.
A Tabela 6 apresenta uma proposta de como agentes, em um determinado estado do pânico
em multidão e com uma determinada configuração de sua rede social, são influenciados na
escolha da ação que irão executar. Para tal foi feita uma intervenção no trabalho de (FRANçA,
2010) apresentada na Tabela 2, modificando a linha de ação em alguns casos específicos. No
trabalho de (FRANçA, 2010) o agente pode seguir uma linha de ação de acordo com o estado e
atributos seus e de seus vizinhos, tendo um objetivo e atuando sobre um objeto.
As mudanças realizadas visam fazer com que a rede social de um agente, em um cenário
de formação de pânico em multidão, influencie na sua tomada de decisão. Desta forma, dado o
estado do agente e as características de sua rede social, as regras que definem a linha de ação
escolhida no trabalho de (FRANçA, 2010) podem ser substituídas pelas propostas. Caso estas
novas condições da rede do agente não sejam satisfeitas, as regras para definição da linha de
ação de (FRANçA, 2010) permanecerão. Na Tabela 6 tem-se um detalhamento desta proposta.
Caso um agente encontre-se em S ITUAÇÃO N ORMAL ele espera que suas relações sejam
do tipo Contato ou Informação, pois não pressupõe cenários anormais no ambiente, ou comportamentos que infrinjam as normas sociais por parte dos atores de sua rede social. Porém, se ele
81
5.1 Modelagem Conceitual Multiagentes
Tabela 6: Ações Conforme Estado e Rede Social do Agente.
Estado
S ITUAÇÃO N ORMAL
AGITAÇÃO S OCIAL
M ILLING
E XCITAÇÃO C OLETIVA
C ONTÁGIO S OCIAL
C OMPORTAMENTO C OLETIVO
Condição
Se possui ao menos
uma relação de Perigo
Se a maioria das relações
é de Contato
Se a maioria das relações
é de Perigo
Se a maioria das relações
é de Contato
Se a maioria das relações
é de Perigo
Se a maioria das relações
é de Informação
Se a maioria das relações
é de Informação
Não se Aplica
Ação
Estado é alterado
para AGITAÇÃO S OCIAL
Busca informação de forma direta
sobre o A MBIENTE F ÍSICO
Busca informação de forma direta
sobre a Ameaça
Busca informação de forma indireta
sobre a Ameaça
Busca informação de forma direta
sobre a Ameaça
Busca informação de forma indireta
sobre a Ameaça
Alerta os demais agentes
sobre a Ameaça
Mantém o comportamento de
movimentar-se em direção à saída
possuir ao menos um relacionamento do tipo Perigo, que apresenta ameaça à sua vida, então ele
altera seu estado para AGITAÇÃO S OCIAL, assim caracterizando um alerta e despertando sua
atenção a um provável acontecimento.
No estado de AGITAÇÃO S OCIAL, um agente começa a buscar relações de Informação
para informar-se de um possível evento que possa vir a abalar a estrutura social. Assim sendo,
se a maioria das relações de sua rede social for do tipo Contato ele irá buscar de forma direta
informações sobre o A MBIENTE F ÍSICO, já que seus vizinhos não estão a par do ocorrido. Caso
a maioria de seus relacionamentos seja do tipo Perigo, então este agente irá buscar informações
de forma direta sobre a A MEAÇA. Tal ação objetiva a auxiliar o agente a se situar com relação
a um provável evento excitante.
Se o agente estiver em M ILLING significa que começou a priorizar as informações de sua
rede social. Desta forma, mesmo que a maioria de suas relações seja do tipo Contato, caracterizando que sua rede não está rigorosamente abalada com o ocorrido, ele ainda assim irá
questioná-la sobre a A MEAÇA. Já se sua rede é uma ameaça a sua saúde, possuindo maior
número de atores com relação do tipo Perigo, então ele desconsiderará a informação oriunda
destes e procurará saber de forma direta informações a respeito da A MEAÇA.
Para os agentes em estado de E XCITAÇÃO C OLETIVA uma imagem coletiva convergente
da situação começa a se estabelecer e o pânico começa a se tornar evidente. Se a rede social
é composta em sua maioria por relações do tipo Informação, o agente coleta informações de
forma indireta sobre a A MEAÇA através de sua rede. Já para o estado de C ONTÁGIO S OCIAL,
5.1 Modelagem Conceitual Multiagentes
82
o pânico é iminente e a grande maioria de suas relações são de Perigo. Caso a rede do agente
possua maioria dos relacionamentos do tipo Informação, ele procurará alertar os demais agentes
sobre a A MEAÇA, assim deixando quem estiver ao seu redor ciente do ocorrido.
Por fim, no estado de C OMPORTAMENTO C OLETIVO E LEMENTAR o agente continua com
o mesmo comportamento, ou seja, zelar por sua vida e mover-se em direção à saída.
Por exemplo, um agente em S ITUAÇÃO N ORMAL na modelagem de (FRANçA, 2010) andaria de forma aleatória pelo ambiente independente das circunstâncias de seu ambiente e vizinhos. Já na modelagem proposta, caso a rede social deste agente possua ao menos uma relação
de Perigo, ou seja, pelo menos um agente em C OMPORTAMENTO C OLETIVO E LEMENTAR,
seu estado será alterado para AGITAÇÃO S OCIAL, como pode ser observado na Figura 21.
Figura 21: Expansão da Tomada de Decisão.
5.1.2
Representação Coletiva Macro
A rede social de cada agente, armazenada em sua R EPRESENTAÇÃO C OLETIVA M ICRO,
serve como dado de entrada para a formação da Representação Coletiva Macro (RC OL M ACRO).
Na Figura 22 tem-se a ilustração da relação entre a RC OL M ACRO (Figura 22 a) e RC OL M ICRO
(Figura 22 b) através de redes sociais.
A idéia motivadora da RC OL M ACRO vem do conceito de mente coletiva/grupal do pesquisador francês Emile Durkheim (1858-1917). Para Durkheim a cultura de uma sociedade é
5.1 Modelagem Conceitual Multiagentes
83
Figura 22: Exemplos da Visualização das Representações Coletivas.
construída pela combinação de mentes individuais, e não simplesmente por imitações de um indivíduo pelos demais. Como as idéias individuais passam por uma transformação e síntese pelo
grupo, elas fazem parte de uma representação coletiva. Devido a essas concepções, Durkheim
é visto como um dos precursores do conceito da mente coletiva, uma entidade supra-individual
com existência independente dos indivíduos que constituem o grupo.
Neste trabalho a estrutura da RC OL M ACRO é a rede social de toda agência formada na
simulação, retratando a mente coletiva formada pelos agentes. A formação da RC OL M ACRO
a partir das RC OL M ICRO fica mais clara na Figura 23. Vale ressaltar que como este é um
sistema complexo, então o todo é maior que a soma das partes. Sendo assim, a RC OL M ACRO
não é simplesmente a soma de todas as RC OL M ICRO. Em sua essência esta mente coletiva
define pensamentos e ações que são diferentes daqueles que o indivíduo teria isoladamente. Há
algumas idéias e ações que somente são possíveis quando os indivíduos fazem parte de uma
multidão, e a multidão pode ser entendida como um ser transitório constituído de elementos
heterogêneos.
Entretanto, neste trabalho, como primeira proposta de formação da RC OL M ACRO, sua
composição será baseada na agregação das redes sociais de cada agente. Com isto, em cada
passo da simulação, a RC OL M ACRO armazena todas as redes sociais formadas naquele momento. Esta agregação permite uma análise pormenorizada na execução da simulação, sendo
possível detectar diversas situações, por exemplo, agentes isolados ou grandes agrupamentos.
Na Figura 24 tem-se a arquitetura da RC OL M ACRO, formada pelos seguintes elementos:
BASE DE R EDES S OCIAIS, BASE DE F ILTROS e BASE DE M ÉTRICAS.
84
5.1 Modelagem Conceitual Multiagentes
Figura 23: Formação da Representação Figura 24: Arquitetura da R EPRESENTAÇÃO C OLE Coletiva Macro.
TIVA M ACRO (RC OL M ACRO ).
Base de Redes Sociais
Em cada passo da simulação os agentes atualizam suas redes sociais (RC OL M ICRO) na
BASE
DE
R EDES S OCIAIS. Tal estrutura de armazenamento manterá a rede social coletiva,
sendo possível a aplicação de técnicas de mineração de dados para, por exemplo, a detecção de
padrões de comportamento e identificação de variáveis relevantes.
Base de Filtros
Como visto anteriormente, na BASE
DE
R EDES S OCIAIS estão armazenadas as redes so-
ciais dos agentes, formadas em cada passo da simulação. Nesta base de dados há informações
importantes a respeito de como ocorre o fenômeno do pânico em multidão, que muitas vezes não são facilmente interpretáveis de forma a gerar conhecimento sobre tal fenômeno. Mas
quando obtidas e identificadas, estas informações podem ser utilizadas para um melhor entendimento da estrutura teórica das etapas do pânico em multidão, em análises de perfil dos agentes
da simulação e em ações de controle em situações de pânico.
A BASE
DE
F ILTROS tem por objetivo fornecer mecanismos de acesso a tais informações
através de filtros de dados. Com este processo de filtragem é possível restringir o conjunto de
resultados, obtendo apenas elementos que satisfaçam as condições especificadas. Desta forma,
a BASE DE F ILTROS fornece um sistema de seleção que possibilita maior autonomia ao usuário
do sistema.
Os filtros são aplicados na rede social da RC OL M ACRO para reduzir a área de análise, a fim
de considerar seus aspectos mais importantes e, desta forma, direcionar o uso da RC OL M ACRO
na análise do fenômeno do pânico em multidão. Os seguintes filtros apresentados na Figura 25
podem ser selecionados, em uma combinação de operadores lógicos E e OU:
• Quais agentes serão analisados, considerando seus estados;
• O tipo de relação a ser analisada;
• Para cada tipo de relação analisada, as relações dentro de um determinado intervalo de
5.1 Modelagem Conceitual Multiagentes
85
peso.
Figura 25: Filtros a serem Aplicados na R EPRESENTAÇÃO C OLETIVA M ACRO.
Por exemplo, pode-se definir que a RC OL M ACRO da simulação é composta por agentes
nos estados de AGITAÇÃO S OCIAL, M ILLING, E XCITAÇÃO C OLETIVA e C ONTÁGIO S OCIAL,
e que possuam relações do tipo Informação e Perigo com peso maior que 0,5.
Na visualização da RC OL M ACRO os agentes assumem as posições físicas que ocupam no
cenário da simulação para orientar a análise, uma vez que a rede individual do agente é composta
pelos seus vizinhos. As relações possuem direção e peso.
As diferentes formas de aplicação dos filtros afetam na perspectiva de análise da rede social
formada pela agência em um determinado passo da simulação. Como exemplo, a Figura 26
ilustra uma parte da rede social formada no passo 23, com o seguinte filtro: visualização dos
agentes nos estados S ITUAÇÃO N ORMAL e AGITAÇÃO S OCIAL, com relações do tipo Informação ou Perigo com peso entre 0,5 a 1,0. Já a Figura 27 apresenta a rede social com o seguinte
filtro: agentes nos estados S ITUAÇÃO N ORMAL e AGITAÇÃO S OCIAL, com relações do tipo
Informação ou Perigo com peso entre 0,0 a 1,0.
É possível perceber que no primeiro cenário menos relações são visualizadas, pois o filtro
no peso das relações foi estabelecido entre 0,5 e 1,0. Já no segundo cenário mais relações foram
consideradas, pois não houve filtro nos pesos das relações de Informação e Perigo. Desta forma,
nesse “recorte”, observa-se que foram exibidas mais 4 relações envolvendo 3 agentes.
Base de Métricas
Na Seção 3.3.3 foram apresentadas uma série de métricas aplicadas às redes sociais, que
podem ser calculadas tanto para a rede como um todo quanto para cada um dos atores da rede. A
5.1 Modelagem Conceitual Multiagentes
86
Figura 26: Exemplo de Filtro com Configura- Figura 27: Exemplo de Filtro com Configuração 1.
ção 2.
BASE DE M ÉTRICAS tem por objetivo calcular as métricas da rede social como um todo, gerada
na RC OL M ACRO. São elas: (i) centralidade de intermediação, (ii) centralidade de proximidade,
(iii) tamanho, (iv) diâmetro, (v) quantidade de relações, (vi) densidade e (vii) o número de
clusters. Tais métricas possibilitam mensurar características da rede.
Por exemplo, no cenário da Figura 26 as seguintes métricas de rede foram obtidas: tamanho
da rede igual a 122, número de ligações igual a 12, densidade igual a zero, diâmetro igual a
infinito e número de clusters igual a seis.
Também é possível, quando selecionado um agente, verificar sua centralidade de proximidade e de intermediação dentro da rede, permitindo qualificar sua importância na rede.
87
6
Modelagem Computacional e
Análise dos Resultados
Os nossos resultados são equivalentes ao tamanho da nossa
ousadia.
—– Naiara Amorim
Este capítulo apresenta os resultados da implementação da integração do fenômeno do pânico em multidão e redes sociais. A execução deste modelo computacional possibilitou a análise dos dados gerados nas simulações e a comparação com os resultados obtidos no trabalho de
(FRANçA, 2010). Também há uma discussão sobre a validação do modelo conceitual.
Os resultados das simulações são vistos de três formas. A duas primeiras se referem à
R EPRESENTAÇÃO C OLETIVA M ICRO e à tomada de decisões de cada agente com a inserção
da rede social comparado ao modelo original. A terceira abordagem foca na observação da
R EPRESENTAÇÃO C OLETIVA M ACRO em uma análise geral, verificando como se constituem
as redes sociais em um ambiente de formação de pânico em multidão.
6.1
Modelo Computacional
A codificação do modelo conceitual gerou o modelo computacional relacionado ao fenômeno do pânico em multidões, agregando redes sociais. Foram feitas expansões no código
fonte do trabalho de (FRANçA, 2010) de modo a acrescentar a rede social do agente em sua
RC OL M ICRO, e implementar a RC OL M ACRO.
Os agentes são implementados na linguagem Java, e para o gerenciamento desses tevese como base o framework para simulação multiagentes Swarm (SWARMTEAM, 2008). Para a
exibição da rede e auxílio para o cálculo das métricas foi utilizada a biblioteca de manipulação
de grafos JUNG (JUNGTEAM, 2011).
88
6.2 Análise da Simulação
O armazenamento das informações referentes à simulação para futura coleta e análise é
realizado através do banco de dados HSQLDB (GROUP, 2009).
6.2
Análise da Simulação
A análise das redes sociais formadas durante a execução da simulação é importante não
somente para formular conclusões, mas também para orientar mudanças nos parâmetros da
simulação de forma a verificar suas conseqüências.
A seguir são apresentadas as análises da execução da simulação, comparando com a análise realizada em (FRANçA, 2010). Isso para que seja possível o melhor entendimento do que
caracteriza uma rede social na situação de pânico em multidão, e como elas influenciam no
comportamento do agente.
A relação entre o estado do agente e sua cor encontra-se descrita na Tabela 7.
Tabela 7: Relação Estado e Cor do Agente P ESSOA.
Estado
Situação Normal
Agitação Social
Milling
Excitação Coletiva
Contágio Social
Comportamento Coletivo Elementar
6.2.1
Cor
Azul
Verde
Amarelo
Vermelho
Laranja
Branco
Configuração Técnica e Cenários da Simulação
Seguiu-se os mesmos parâmetros definidos na análise de (FRANçA, 2010), assim sendo, o
estudo de caso deste trabalho busca representar um ambiente fechado na forma quadrada, com
36 metros de lado, conforme ilustrado na Figura 28.
Cada simulação é considerada encerrada quando não há mais agentes ativos, ou seja, quando
um agente é imobilizado ou é um sobrevivente que conseguiu escapar do A MBIENTE F ÍSICO
por ter passado pela S AÍDA.
Uma simulação é constituída de passos, e cada passo corresponde à passagem de tempo
de aproximadamente dois segundos na vida real. Desta forma, caso uma rodada tenha sido
concluída após 360 passos, significa que a rodada representou um período de doze minutos
(360 * 2 / 60), que foi o tempo médio de evacuação observado.
89
6.3 Análise dos Resultados
N
L
O
S
Ameaça
Saída
Obstáculo
Agente Pessoa
Marco
Figura 28: Visão Geral do Ambiente Físico e dos Agentes.
Neste trabalho três cenários foram estabelecidos, sendo que a principal distinção entre estes
é o tamanho da S AÍDA, de acordo com a Tabela 8. Cada uma dessas configurações pode afetar,
positiva ou negativamente, as expectativas de cada agente escapar da situação de perigo de vida.
Tabela 8: Cenários Analisados.
Cenário
1
2
3
Tamanho da Saída (células)
1
2
4
Cada cenário foi executado dez vezes, resultando em trinta simulações. Informações foram
coletadas durante e ao final de cada simulação.
6.3
Análise dos Resultados
A análise dos dados será feita para cada um dos três cenários definidos. Serão consideradas três frentes: análise centrada nos agentes, a análise da representação coletiva micro, estas
duas comparando com os resultados obtidos pela análise de (FRANçA, 2010), e a análise da
representação coletiva macro.
6.3 Análise dos Resultados
6.3.1
Análise Centrada nos Agentes
6.3.1.1
Análise do Cenário 1
90
De modo a analisar o comportamento dos agentes e a emergência de padrões de comportamento resultantes da interação entre eles, dados foram coletados no decorrer das simulações.
Os resultados da análise estão apresentados nas próximas subseções.
6.3.1.1.1
Análise Comportamental dos Símbolos Significantes
Os símbolos significantes descrevem o objetivo do agente em um determinado momento da
simulação, o objeto que irá sofrer a ação desse agente e a linha de ação que determina como
o agente irá atuar naquele objeto. As triplas formadas por Objetivo, Objeto e Linha de Ação
representam o comportamento do agente P ESSOA e são definidas de acordo com o estado do
agente. Estas são apresentadas na Tabela 2, separadas pelos estados que os agentes podem
assumir. Na modelagem proposta, estas ações podem ser substituídas de acordo com o estado
do agente e a configuração de sua rede social, conforme descrito na Tabela 6.
Os estados coletivos S ITUAÇÃO N ORMAL e C OMPORTAMENTO C OLETIVO E LEMENTAR
foram desconsiderados por possuírem, cada um, apenas uma tripla. As escolhas das triplas
dos demais estados pelos agentes foram contadas em cada passo da simulação, e essa contagem foi separada de acordo com o nível de sua experiência (ALTO, MODERADO, MÉDIO e
BAIXO). De modo a comparar e classificar essas escolhas, uma porcentagem é calculada tendo
como referência o total de escolhas efetuadas pelos agentes que se encontram no mesmo estado
coletivo.
A contagem das triplas foi realizada de duas maneiras, apresentadas a seguir.
Escolha dos Agentes com Relação à Tripla Objetivo-Objeto-Linha de Ação
Na Tabela 9 encontra-se a comparação com o modelo proposto em (FRANçA, 2010) da análise geral dos símbolos significantes, apresentando os dados do estado AGITAÇÃO S OCIAL. Esta
análise é dita geral porque contabilizou todas as escolhas realizadas durante toda a simulação. A
finalidade desta contagem é demonstrar o quanto os resultados dos modelos computacionais são
semelhantes e se aproximam do modelo conceitual, e qual a influência dos cenários propostos
nas ações dos agentes.
Analisando os dados gerados no Cenário 1, relacionados à Tabela 9, é possível classificar
as ações executadas pelos agentes, das mais executadas às menos executadas, de acordo com
91
6.3 Análise dos Resultados
Tabela 9:
Estado.
Comparativo da Amostra da Análise Geral dos Símbolos Significantes para um
SemRede(%)
76,48
ComRede(%)
81,38
10,88
11,37
8,47
3,74
2,21
2,62
1,24
0,54
0,72
0,35
AGITAÇÃO SOCIAL
Objetivo (Objeto) → Linha De Ação
Buscar informações no Ambiente Físico (Ambiente Físico) -> Buscar informações de forma direta, Mover-se
Buscar informações no Ambiente Físico (Ambiente Físico) -> Buscar informações de forma direta, Mover-se
Buscar informações a respeito da Ameaça (Ameaça) -> Buscar informações de
forma direta, Mover-se
Buscar informações no Ambiente Físico (Ambiente Físico) -> Buscar informações de forma direta, Mover-se
Buscar informações a respeito da Ameaça (Ameaça) -> Buscar informações de
forma direta, Mover-se
Buscar informações a respeito da Ameaça (Ameaça) -> Buscar informações de
forma direta, Mover-se
Exp.
BAIXA
MEDIA
BAIXA
MODERADA
MEDIA
MODERADA
seu estado durante a simulação. Percebe-se que houve uma pequena alteração dos valores entre
os dois modelos, porém o ranking das linhas de ação mais executadas permanece o mesmo.
No estado de AGITAÇÃO S OCIAL tem-se que os agentes procuram, na maior parte das situações, buscar por informações diretamente do A MBIENTE F ÍSICO (antes de 89,57% → 76,48%
+ 10,88% + 2,21%, agora em 95,37% dos casos → 81,38% + 11,37% + 2,62%). E buscam
informações sobre a ameaça, também de forma direta, em menor intensidade (antes 10,43% →
8,47% + 1,24% + 0,72%, agora 4,63% → 3,74% + 0,54% + 0,35%). Esta mudança mostra que
o agente está mais tranqüilo em relação ao evento e permanece coerente com o modelo original, pois na AGITAÇÃO S OCIAL as pessoas estão procurando entender o que está ocorrendo
observando ao redor, sem tentar uma comunicação direta com os demais agentes. Além disso, o
número de agentes com pouca experiência é expressivamente maior que os agentes experientes,
fazendo com que mais agentes escolham buscar informações do A MBIENTE F ÍSICO.
Os dados da tabela da Figura 29 apresentam, para cada estado possível em uma situação
de pânico, a porcentagem das relações estabelecidas pelos agentes. Observando o estado AGI TAÇÃO
S OCIAL percebe-se que o uso do conhecimento das redes sociais formadas durante a
simulação reforçou esta decisão. Isto porque 88,5% das relações foram do tipo Contato, reforçando o fato de que neste contexto os agentes encontram-se em uma situação de normalidade,
o que justifica a escolha das ações de busca direta no A MBIENTE F ÍSICO. As relações de Informação e Perigo para os agentes durante este estado não são relevantes, respectivamente 5,9% e
5,5%.
Durante o Milling, os agentes buscam por informações a respeito da ameaça diretamente
no ambiente (antes 84,71%, agora 69,69%). A maioria dos agentes que decidiram por esta ação
tem experiência BAIXA ou MÉDIA. Pode-se entender que, neste caso, as pessoas com pouca
experiência irão observar o ambiente para tentar localizar a ameaça, pois a falta de conheci-
6.3 Análise dos Resultados
92
Figura 29: Estatisticas Gerais da Rede Social.
mento e experiência os direciona para uma observação mais imediata e não muito elaborada.
O acréscimo das redes sociais na tomada de decisão do agente proporcionou um aumento expressivo na quantidade de agentes que procuram informações a respeito da ameaça através dos
demais agentes (de 15,29% para 30,31%). Isto mostra que o agente, tendo ciência de sua rede
social quando está em Milling, se comunica com seus integrantes para informar-se. Evidenciase assim a principal característica deste estado, a comunicação.
Analisando os dados da Figura 29 verifica-se que 94,22% das relações dos agentes no estado de Milling são do tipo Informação, fazendo com que os agentes procurem se comunicar
mais com sua rede social. A rede social local do agente ainda pode auxiliar a entender o comportamento dos agentes no estado de Milling. Para tanto, na Figura 30 tem-se as redes sociais
de um agente, formadas durante passos consecutivos de uma simulação. Pode-se perceber que
o agente mantém-se em Milling em quase todos os passos, e de forma coerente as relações estabelecidas com seus vizinhos são na maioria do tipo Informação. Assim, a rede social do agente
configura-se como poderosa ferramenta no entendimento de seus comportamentos durante sua
participação em situações de pânico em multidão.
Já no estado E XCITAÇÃO C OLETIVA tem-se que a escolha de ação mais comum entre os
agentes (antes 46%, agora 37,11%) é a de se movimentar em direção à saída. Isto se justifica
porque, neste estado, já há uma noção maior do perigo da situação sendo que, em alguns casos,
a posição da ameaça está bem definida para os agentes. Há também uma busca por informações
de maneira social através dos outros agentes. Sendo assim, há um indicativo de que a troca de
mensagens entre os agentes está ocorrendo, que comparado com o modelo de (FRANçA, 2010)
houve um ligeiro aumento.
As outras linhas de ação são: buscar informação sobre a saída (antes de 24,67%, agora
93
6.3 Análise dos Resultados
(a)
(b)
(c)
(d)
(e)
(f)
Figura 30: Rede Social de um Agente nos Passos 67 (a), 68 (b), 69 (c), 70 (d), 71 (e) e 72 (f).
22,88%), buscar informação sobre a ameaça (ante 23,30%, agora de 36,36%) e alertar os demais
agentes (antes 6,03%, agora 3,65%). Pode-se perceber que esta prioridade de ações indica que
o agente está procurando se proteger do perigo, mas ainda se comunicando e observando. O
ligeiro aumento na quantidade de tomadas de decisão de buscar informações sobre a ameaça
mostra que a rede social do agente permanece influenciando o agente a compreender mais a
situação antes de se exaltar.
Percebe-se pelos dados da Figura 29 que no estado de E XCITAÇÃO C OLETIVA as relações estabelecidas refletem a preocupação do agente perante a situação de perigo. Tem-se que
68,654% de suas relações são do tipo Perigo, e 31,346% são do tipo Informação. Tais informações indicam que o agente não se interessa mais em manter relações que não contribuam para
sua proteção, por isso o término das relações de Contato, e que o foco na busca por uma solução
começa a se evidenciar.
Por fim, no C ONTÁGIO S OCIAL o agente procura de forma mais freqüente (antes de 98,23%,
agora 92,31%), se movimentar para a saída e, em um número reduzido de ocasiões, procura
alertar os demais agentes (antes 1,77%, agora 7,69%). O aumento de agentes que alertam os
demais mostra a consciência que o agente tem do coletivo, uma vez que agora reconhece sua
rede social, e procura avisar os demais sobre o fato.
94
6.3 Análise dos Resultados
Prosseguindo na análise da Figura 29, verifica-se que no estado C ONTÁGIO S OCIAL o
agente mantém 85,834% de relações de Perigo com seus vizinhos, e 14,166% de relações do
tipo Informação. Isto indica que a sua rede social esta em alerta para a necessidade de preservar
a sua sobrevivência, isto pois a ação de buscar a saída evidencia-se no seu comportamento.
Reforçando esta análise, na Figura 31 tem-se a rede social formada por um determinado agente,
durante uma seqüência de passos da simulação. Quando no estado C ONTÁGIO S OCIAL as
relações do agente foram de Perigo, mesmo quando seus vizinhos estavam no estado AGITAÇÃO
S OCIAL. Isto porque o nível de insegurança detectado por tal agente o mantém em alerta em
relação ao atual contexto social e físico, priorizando assim a busca pela saída.
(a)
(b)
(c)
(d)
(e)
(f)
Figura 31: Rede Social de um Agente nos Passos 217 (a), 218 (b), 219 (c), 220 (d), 221 (e) e
222 (f).
Os resultados obtidos por esta classificação das linhas de ação mostra que os agentes se
comportaram de forma coerente com o modelo conceitual e próximo à análise de (FRANçA,
2010). Tais resultados foram obtidos de forma emergente, tendo como base a especificação do
comportamento dos agentes e a interação entre eles.
A análise da escolha dos agentes com relação à tripla Objetivo-Objeto-Linha de Ação agora
é feita com o auxílio de gráficos. A seguir, tem-se a comparação entre as análises de (FRANçA,
2010) e a realizada neste trabalho das triplas escolhidas pelos agentes, levando em consideração
seus estados e agrupando estas escolhas a cada dez (10) passos. Isto significa que a cada passo
95
6.3 Análise dos Resultados
da simulação, os símbolos significantes foram computados e, após dez passos, obteve-se a média
dessa contagem.
Esta análise possibilita responder à seguinte questão: o comportamento médio dos agentes
muda conforme o tempo da simulação e de acordo com os estados? A resposta está baseada nos
seguintes gráficos que ilustram as ações realizadas pelos agentes em intervalos da simulação.
De forma geral, percebe-se que o comportamento dos agentes passa por variações durante
a simulação decorrentes da mudança na configuração do A MBIENTE F ÍSICO, da noção de
RICULOSIDADE ,
do
NERVOSISMO
PE -
e outras informações. A seguir tem-se uma análise mais
pormenorizada de cada estado.
(a) Sem Rede.
(b) Com Rede.
Gráfico 1: Símbolos Significantes (Agitação Social).
AS1: Buscar informações no Ambiente Físico de forma direta, Mover-se.
AS2: Buscar informações a respeito da Ameaça de forma direta, Mover-se.
Figura 32: Rede Social RC OL M ICRO de Agentes em AGITAÇÃO S OCIAL.
Analisando os gráficos do estado AGITAÇÃO S OCIAL (veja Gráfico 1) percebe-se que o
comportamento das ações nos dois modelos são semelhantes. Os agentes nesse estado ainda
procuram se situar do ocorrido, tendo como principal linha de ação buscar informações do
A MBIENTE F ÍSICO de forma direta. Poucos agentes procuram saber da ameaça, pois a maioria
não está a par do início do incêndio.
A rede social da RC OL M ICRO dos agentes que se encontram em Agitação Social (veja
Figura 32) mostra que a grande maioria de suas relações são de Contato, salvo agentes em
96
6.3 Análise dos Resultados
estágios mais avançados do pânico em multidão, que este se relaciona como Perigo. As relações
do tipo Contato são resultado do desconhecimento da situação por parte dos agentes, assim
esses agentes estão priorizando suas relações sociais. As relações de Perigo se justificam pois
os vizinhos em um estágio avançado estão propensos a executar ações fora das normas sociais,
causando então um certo receio no agente em questão e o mesmo tendo tal vizinho como um
perigo iminente à sua segurança física.
(a) Sem Rede.
(b) Com Rede.
Gráfico 2: Símbolos Significantes (Milling).
ML1: Buscar informações a respeito da Ameaça de forma direta, Mover-se.
ML2: Buscar informações a respeito da Ameaça de forma indireta, Mover-se.
Figura 33: Rede Social RC OL M ICRO DE AGENTES EM Milling.
Quando os agentes se encontram em Milling (veja Gráfico 2) nota-se que, em ambos modelos, estes dispararam de forma majoritária ações de busca de forma direta (em detrimento da
forma indireta). Porém, ainda que este tipo de ação individual seja a maioria, no comparativo
com a inclusão da rede social, a quantidade de ações de buscar informações de forma indireta
obteve um aumento substancial.
Mesmo que em grande parte os agentes busquem informação de forma direta, suas relações
são de Informação, pois este já começa a se questionar sobre o que está acontecendo, como pode
ser visto na Figura 33 que exibe a rede social da RC OL M ICRO de agentes em Milling. Neste
estado ainda podem existir relações de Contato, mas esses são raros já que o agente anseia por
informações. As relações do tipo Perigo ocorrem pelo mesmo motivo citado anteriormente, os
97
6.3 Análise dos Resultados
agentes neste estado ainda não têm ciência do ocorrido, e ao observarem seus vizinhos mais
permissivos os considera como Perigo.
(a) Sem Rede.
(b) Com Rede.
Gráfico 3: Símbolos Significantes (Excitação Coletiva).
EC1: Buscar informações a respeito da Ameaça de forma direta. Mover-se.
EC2: Buscar informações a respeito da Ameaça de forma indireta. Mover-se.
EC3: Buscar informações a respeito da Saída de forma direta. Mover-se.
EC4: Buscar informações a respeito da Saída de forma indireta. Mover-se.
EC5: Movimentar-se em direção à Saída.
EC6: Alertar os demais agentes a respeito da Ameaça. Mover-se.
EC7: Alertar os demais agentes a respeito da Saída. Mover-se.
Figura 34: Rede Social RC OL M ICRO de Agentes em E XCITAÇÃO C OLETIVA.
Tanto na modelagem de (FRANçA, 2010), quanto na proposta deste trabalho, na E XCITA ÇÃO
C OLETIVA (veja Gráfico 3) há uma variação das linhas de ação executadas pelos agentes.
Isso devido ao contexto de perigo e ao aumento de sua permissividade. As variáveis
SIVIDADE
e
SUSCEPTIBILIDADE
PERMIS -
influenciam diretamente na escolha da ação a ser tomada e,
em determinados momentos da simulação, tais variáveis direcionam a ação imediata do agente,
independente de sua experiência. De fato, a sugestionabilidade é contagiosa em aglomeraçõees
humanas e facilitada pelo estado de atenção e pela expectativa da multidão. Um aspecto importante na questão da sugestionabilidade é a antecedência, ou seja, a primeira sugestão levantada
é implantada na multidão pelo contágio, que leva a um direcionamento nos comportamentos
dos indivíduos da multidão. Por meio da sugestão uma idéia se transforma em ação, e essa ação
(como empurrar pessoas para chegar mais rápido à saída) tenderá a ser repetida pelos demais
98
6.3 Análise dos Resultados
indivíduos em uma reação circular.
Porém, ainda que a ação de buscar informações sobre a saída de maneira direta seja a mais
executada, no comparativo com a inclusão da rede social, a quantidade de ações que envolvem
os demais agentes, como buscar informações de forma indireta e alertar os demais agentes,
obtiveram um aumento considerável.
Observando a Figura 34 é possível visualizar algumas redes sociais da RC OL M ICRO de
agentes que se encontram em E XCITAÇÃO C OLETIVA. O agente em questão já começa a se
exaltar e a se tornar parte da multidão. As relações de Informação e de Perigo se equilibram,
sendo que vizinhos em estágios mais avançados do pânico em multidão serão considerados
como Perigo, e agentes menos nervosos se relacionarão por Informação.
(a) Sem Rede.
(b) Com Rede.
Gráfico 4: Símbolos Significantes (Contágio Social).
CS1: Movimentar-se em direção à Saída.
CS2: Alertar os demais agentes a respeito da Ameaça.
CS3: Alertar os demais agentes a respeito da Saída.
Figura 35: Rede Social RC OL M ICRO DE AGENTES EM C ONTÁGIO S OCIAL .
Em todos os estados, com exceção do C ONTÁGIO S OCIAL (veja Gráfico 4), em um determinado ponto da simulação (aproximadamente no passo de número 250) há uma certa estabilidade
provocada pelo processo de evacuação e da formação do arco de fuga dos agentes. Nesse momento, os agentes já possuem todas as informações que precisam e o objetivo central deles é a
6.3 Análise dos Resultados
99
saída do ambiente. Com a inserção da rede social há uma pequena parcela dos agentes que opta
em avisar seus vizinhos, ora sobre a ameaça, ora sobre a saída.
O baixo número de relações de Informação e o elevado número de relações de Perigo mostram que, embora a rede social do agente em C ONTÁGIO S OCIAL tenha influenciado para alertar
seus vizinhos com relação ao perigo, ainda assim este agente prioriza sua sobrevivência, considerando a maior parte dos seus vizinhos como Perigo (veja Figura 35). Isso pois todos os
agentes neste momento da simulação se preocupam em salvar suas vidas se movimentando em
direção à saída. Assim sendo, ou um vizinho o pressionará para alcançar a saída, ou então
representará um obstáculo, pois encontra-se no caminho entre o próprio e a saída. Tal comportamento pode ser parcialmente explicado pelo fato de que uma multidão não está preparada
para admitir que qualquer coisa fique entre seu desejo e sua realização. Sendo assim, no caso
do pânico em multidão os indivíduos não aceitam obstáculos na realização de sua intenção de
sobrevivência.
6.3.1.1.2
Análise do Estado Interno dos Agentes
A observação do valor das variáveis dos agentes é de grande valia para o entendimento
da simulação, pois são estas que determinam o estado de cada agente. Aqui as variáveis são
analisadas de duas formas. Primeiramente, a média aritmética do valor das variáveis é coletada
cada vez que um ponto de incêndio chega a uma temperatura acima de 80 graus Celsius.
Um ponto de incêndio pode ser considerado como um alarme com um sensor de calor ou
fumaça, estes determinam o quanto a ameaça avançou dentro do ambiente. Quando um ponto
de incêndio é acionado a percepção dos agentes é perturbada e isto provoca a resposta dos
agentes, como se estivessem reagindo a um alarme sonoro ou visual. Quando isso ocorre, a
coleta ocorre dois passos após esse evento. Assim, torna-se possível analisar a influência do
ponto de incêndio no estado interno dos agentes.
Após a coleta da média, estes valores são separados pela localização do agente P ESSOA
dentro das faixas, conforme os marcos definidos. Desta forma pode-se observar o estado interno
dos agentes em cada faixa e, combinando essa informação com a do ponto de incêndio, analisar
a condição interna dos agentes em pontos específicos da simulação.
A Figura 36 (a) apresenta uma visão da simulação quando o foco de incêndio no ponto
10 alcançou a temperatura acima de 80 graus Celsius. Na Figura 36 (b) é apresentada a nova
configuração dos agentes dois passos após o foco de incêndio no ponto 10 tenha chegado à
temperatura de 80 graus Celsius. E respectivamente, a RC OL M ACRO na mesma situação nas
100
6.3 Análise dos Resultados
Figuras 37 (a) e 37 (b). Não houve grandes alterações nas variáveis em comparação à análise
de (FRANçA, 2010). A Tabela 10 descreve a situação média das variáveis em cada faixa de
influência dos marcos comparando as duas simulações.
(a) Antes.
(b) Depois.
Figura 36: Visão da Simulação no Ponto de Incêndio 10.
Antes a maioria dos agentes encontrava-se em AGITAÇÃO S OCIAL, se movimentando sem
um objetivo muito claro. Com o acionamento do ponto 10, a grande maioria dos agentes passa
para a E XCITAÇÃO C OLETIVA e para o C ONTÁGIO S OCIAL, com um incremento na periculosidade e no nervosismo. Na Figura 37 percebe-se que antes do incêndio exercer forte influência
no ponto 10, as relações eram em sua grande maioria de Contato. Após a propagação do incêndio próximo a este ponto há uma pequena quantidade de relações de Contato, e as relações de
Perigo e Informação passam a ser as majoritárias.
(a) Sem Rede.
(b) Com Rede.
Gráfico 5: Média da Variável Periculosidade do Agente P ESSOA no Estado S ITUAÇÃO N OR MAL .
Observando os valores das variáveis dos agentes em S ITUAÇÃO N ORMAL (veja gráficos
5, 6, 7 e 8) percebe-se a sensação de calma e a ausência de sinais de perigo, especialmente
101
6.3 Análise dos Resultados
(a) Antes.
(b) Depois.
Figura 37: Visão da RC OL M ACRO no Ponto de Incêndio 10.
Tabela 10: Média das Variáveis no Ponto de Incêndio 10 - Cenário 1.
Faixa
x < 25
x < 25
x < 25
x < 25
x < 25
x < 25
25 <= x < 35
25 <= x < 35
25 <= x < 35
25 <= x < 35
25 <= x < 35
25 <= x < 35
35 <= x < 52
35 <= x < 52
35 <= x < 52
35 <= x < 52
35 <= x < 52
35 <= x < 52
Variável
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
VelocidadeIdeal
VelocidadeReal
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
VelocidadeIdeal
VelocidadeReal
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
VelocidadeIdeal
VelocidadeReal
Valor Sem Rede
0,30
0,55
0,41
0,47
1,54
0,82
0,26
0,38
0,28
0,26
1,30
0,76
0,10
0,09
0,11
0,12
0,95
0,86
Valor Com Rede
0,23
0,52
0,33
0,41
1,49
1,00
0,21
0,35
0,26
0,20
1,25
0,88
0,11
0,08
0,10
0,09
0,96
0,85
102
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 6: Média da Variável Permissividade do Agente P ESSOA no Estado S ITUAÇÃO N OR MAL .
(a) Sem Rede.
(b) Com Rede.
Gráfico 7: Média da Variável Susceptibilidade do Agente P ESSOA no Estado S ITUAÇÃO N OR MAL .
(a) Sem Rede.
(b) Com Rede.
Gráfico 8: Média da Variável Nervosismo do Agente P ESSOA no Estado S ITUAÇÃO N ORMAL.
103
6.3 Análise dos Resultados
Figura 38: Rede Social da RC OL M ICRO de um Agente em Situação Normal.
nas regiões distantes do foco de incêndio. Nas simulações onde os agentes trabalham com
redes sociais, observa-se pelo gráfico 5 que o valor da variável PERICULOSIDADE diminui. Isto
pode ser explicado pelo fato de que, neste estado, o tipo de relação predominante é de Contato
conforme ilustra a Figura 38. Sendo assim, os agentes tendem a formar uma expectativa de
ausência de perigo, pois seus vizinhos em sua maioria não a demonstram.
Em média, os valores da variável
ÇÃO
PERMISSIVIDADE
aumentaram nos agentes em S ITUA -
N ORMAL (veja Gráfico 6), quando da inserção de redes sociais no modelo. Tal ocorrência
pode ser explicada pelo fato de que a permissividade indica o quanto o agente está disposto
a quebrar as normas sociais em determinadas situações de risco. Como cada agente consegue
detectar, para cada uma de suas relações o tipo e grau de importância, isto permite que o mesmo
analise casos isolados, mas que podem afetá-lo. Por exemplo, se um agente que está em S I TUAÇÃO
N ORMAL manter uma relação de Perigo com ao menos um vizinho, então este agente
irá alterar para o estado de AGITAÇÃO S OCIAL. E quanto mais um agente ascende na escala
dos estados de pânico, mais sua permissividade tende a aumentar. Este mesmo raciocínio pode
ser aplicado para a variável SUSCEPTIBILIDADE (veja Gráfico 7), que indica a tendência de um
agente em aceitar opiniões externas.
Ainda considerando os agentes no estado S ITUAÇÃO N ORMAL, o nervosismo dos agentes
na região do fogo indica que os agentes buscam se deslocar em direções aleatórias, mas os
demais agentes que tem noção do perigo (e se encontram em outros estados coletivos) passam
a ter uma movimentação direcionada, ou em direção à ameaça (para entender melhor o que está
ocorrendo) ou em direção à saída (caso sintam a necessidade de fugir). Em ambos os casos,
esses agentes limitam ligeiramente a movimentação dos que estão em situação normal, o que
os leva a um certo grau de nervosismo.
No estado AGITAÇÃO S OCIAL as variáveis dos agentes não estão tão uniformes e baixas
como na S ITUAÇÃO N ORMAL. A
PERICULOSIDADE
(Gráfico 9) começa a se acentuar, bem
104
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 9: Média da Variável Periculosidade do Agente P ESSOA no Estado AGITAÇÃO S O CIAL.
(a) Sem Rede.
(b) Com Rede.
Gráfico 10: Média da Variável Permissividade do Agente P ESSOA no Estado AGITAÇÃO S O CIAL.
(a) Sem Rede.
(b) Com Rede.
Gráfico 11: Média da Variável Susceptibilidade do Agente P ESSOA no Estado AGITAÇÃO
S OCIAL.
105
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 12: Média da Variável Nervosismo do Agente P ESSOA no Estado AGITAÇÃO S OCIAL.
Figura 39: Rede Social da RC OL M ICRO de um Agente no Estado AGITAÇÃO S OCIAL.
106
6.3 Análise dos Resultados
como a
PERMISSIVIDADE
a variável
NERVOSISMO
(Gráfico 10) e a
SUSCEPTIBILIDADE
(Gráfico 11). Por sua vez,
não apresenta variações significativas (veja Gráfico 12). Diferente da
situação normal, onde os agentes se locomoviam de forma aleatória, agora seus movimentos são
direcionados e tendem a ser mais rápidos, para poder averiguar o A MBIENTE F ÍSICO com maior
agilidade. Como neste caso as ações que o agente pode executar são de buscar informações de
forma direta, não envolvendo sua rede social, o valor de suas variáveis mantiveram-se no mesmo
patamar da análise de (FRANçA, 2010). Começam a aparecer algumas relações de Informação
(veja Figura 39), já que o agente percebe algo diferente no ambiente e alguns vizinhos já fazem
perguntas sobre o que está acontecendo.
(a) Sem Rede.
(b) Com Rede.
Gráfico 13: Média da Variável Periculosidade do Agente P ESSOA no Estado Milling.
(a) Sem Rede.
(b) Com Rede.
Gráfico 14: Média da Variável Permissividade do Agente P ESSOA no Estado Milling.
O M ILLING é caracterizado pelo início da comunicação entre os agentes. Isto pode ser
observado pelas variáveis dos agentes nesse estado, que se configuram de maneira próxima
ao estado de AGITAÇÃO S OCIAL, com flutuações na
PERMISSIVIDADE
(Gráfico 14). Para a
SUSCEPTIBILIDADE
PERMISSIVIDADE ,
(Gráfico 15) e na
percebe-se que o acréscimo das
redes sociais na RC OL M ICRO faz com que o agente perceba o coletivo e com isso respeite mais
as normas sociais, sendo menos permissivos. Quanto à rede social, as relações são na maioria
107
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 15: Média da Variável Susceptibilidade do Agente P ESSOA no Estado Milling.
(a) Sem Rede.
(b) Com Rede.
Gráfico 16: Média da Variável Nervosismo do Agente P ESSOA no Estado Milling.
Figura 40: Rede Social da RC OL M ICRO de um Agente no Estado Milling.
108
6.3 Análise dos Resultados
de Informação (veja Figura 40), característica principal do Milling, podendo existir relações de
Contato e Perigo em menor número.
(a) Sem Rede.
(b) Com Rede.
Gráfico 17: Média da Variável Periculosidade do Agente P ESSOA no Estado E XCITAÇÃO
C OLETIVA.
(a) Sem Rede.
(b) Com Rede.
Gráfico 18: Média da Variável Permissividade do Agente P ESSOA no Estado E XCITAÇÃO
C OLETIVA.
Os agentes que se encontram em E XCITAÇÃO C OLETIVA possuem NERVOSISMO (Gráfico
20) e PERICULOSIDADE (Gráfico 17) maiores, com valores próximos aos da PERMISSIVIDADE
(Gráfico 18). A
SUSCEPTIBILIDADE
também se encontra em um valor mediano (Gráfico 19),
o que caracteriza a comunicação e a tendência em buscar informações sobre a saída ou alertar
os demais sobre a ameaça, uma ação que pode ou não ser comunicativa (caso o agente não se
encontre próximo o bastante da saída) e outra ação eminentemente comunicativa (informar os
demais agentes a respeito da ameaça).
A inserção da rede social torna o agente menos permissivo e suscetível, e a grande maioria
de suas relações são de Informação, embora comecem a surgir relações de Perigo (veja Figura
41). Isso mostra que, embora o agente ainda procure se informar e avisar os demais sobre a
situação, ele começa a se preocupar com sua segurança física.
109
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 19: Média da Variável Susceptibilidade do Agente P ESSOA no Estado E XCITAÇÃO
C OLETIVA.
(a) Sem Rede.
(b) Com Rede.
Gráfico 20: Média da Variável Nervosismo do Agente P ESSOA no Estado E XCITAÇÃO C OLE TIVA .
Figura 41: Rede Social da RC OL M ICRO de um Agente no Estado E XCITAÇÃO C OLETIVA.
110
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 21: Média da Variável Periculosidade do Agente P ESSOA no Estado C ONTÁGIO S O CIAL.
(a) Sem Rede.
(b) Com Rede.
Gráfico 22: Média da Variável Permissividade do Agente P ESSOA no Estado C ONTÁGIO S O CIAL.
(a) Sem Rede.
(b) Com Rede.
Gráfico 23: Média da Variável Susceptibilidade do Agente P ESSOA no Estado C ONTÁGIO
S OCIAL.
111
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 24: Média da Variável Nervosismo do Agente P ESSOA no Estado C ONTÁGIO S OCIAL.
Os agentes no estado de C ONTÁGIO S OCIAL apresentam altos índices de
DADE
PERICULOSI -
(Gráfico 21). Nesse estado, um agente está conectado à maioria de seus vizinhos por
uma relação de Perigo. Sendo assim, a questão numérica da multidão começa a adquirir novas
características em dois sentidos: (i) os vizinhos que estejam em seu raio de ação, com potencial de impedir seu plano de fuga, tornam-se um obstáculo, e (ii) com um grupo de indivíduos
formando volume, cada indivíduo tem uma sensação de poder que o habilita a seguir os seus
instintos, que em outras situações seriam inibidos por ele.
A
SUSCEPTIBILIDADE
e a
PERMISSIVIDADE
(Gráfico 23 22) também aumentaram no
C ONTÁGIO S OCIAL, pois a participação em uma multidão tende a criar uma coletividade aberta
a influências. A tendência dos agentes no C ONTÁGIO S OCIAL é pensarem por imagens, que
se chamam umas às outras por associação, e cuja concordância com a realidade não é conferida tendo por base a razão. Vale ressaltar que a inserção da rede social no modelo do pânico
em multidão fez como que o agente respeitasse mais as normas sociais, possuindo um valor
de permissividade menor que a obtida no modelo de (FRANçA, 2010). A velocidade ideal aumenta, mas a velocidade real não cresce na mesma proporção, o que leva a um certo nível de
nervosismo (Gráfico 24).
Quando há a formação do arco de fuga, a maioria dos agentes encontra-se em C OMPOR TAMENTO
C OLETIVO E LEMENTAR. A inserção da rede social reduziu os valores de algumas
variáveis, mas mesmo assim essas continuam caracterizando esse estado: (i) o
NERVOSISMO
(Gráfico 28) é maior na região da saída, devido à dificuldade de movimentação nas proximidades do arco de fuga, (ii) a
PERICULOSIDADE
se mantém em patamar elevado (Gráfico 25),
não pela proximidade do fogo, mas pela redução do espaço livre, já que todos buscam sair do
ambiente, e (iii) as velocidades ideal e real estão em uma proporção de 3 para 1 na região da
saída, o que justifica o alto nervosismo. Neste estado todas as relações do agente são de Perigo
(veja Figura 42) já que todos agentes ao seu redor representam uma ameaça à sua segurança
112
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 25: Média da Variável Periculosidade do Agente P ESSOA no Comportamento Coletivo
Elementar.
(a) Sem Rede.
(b) Com Rede.
Gráfico 26: Média da Variável Permissividade do Agente P ESSOA no Comportamento Coletivo
Elementar.
(a) Sem Rede.
(b) Com Rede.
Gráfico 27: Média da Variável Susceptibilidade do Agente P ESSOA no Comportamento Coletivo Elementar.
113
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 28: Média da Variável Nervosismo do Agente P ESSOA no Comportamento Coletivo
Elementar.
Figura 42: Rede Social da RC OL M ICRO de um Agente em Comportamento Coletivo Elementar.
114
6.3 Análise dos Resultados
física.
O comportamento dos agentes é compatível com o modelo conceitual proposto e isto também reflete nas variáveis, pois os seus valores variam segundo a lógica descrita no modelo
conceitual, e também estão próximos aos de (FRANçA, 2010). A rede social do agente também
reflete as características de cada estado e os valores das variáveis. Pode-se observar que a inserção da rede social do agente na RC OL M ICRO influenciando sua tomada de decisão tornou o
agente menos exaltado, mas não descaracterizou o comportamento do pânico em multidão.
6.3.1.1.3
Análise dos Sobreviventes e dos Imobilizados
Os agentes que conseguem sair do A MBIENTE F ÍSICO sem entrar em contato com a A ME AÇA
são tratados como sobreviventes. Por sua vez, os agentes que não conseguem sair do
ambiente e são tocados pela A MEAÇA tornam-se imobilizados.
Tabela 11: Comparação da Análise dos Agentes Imobilizados e Sobreviventes - Cenário 1.
Sem Rede
Tempo Qtd
251,98
59
275,76
10
281,98
3
360
1
350,19
2
343
1
362,61
16
371,7
2
364,5
1
264
1
341
1
350,06
94
360,75
8
363,15
2
264
1
Com Rede
Tempo Qtd
251,21
61
271,14
57
264,6
4
171,13
1
274,8
1
70,6
0
363,57
16
298,5
15
238,52
1
350,54
61
361,6
57
250,65
4
-
Tipo
Estado
Exp
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Imob.
Imob.
Imob.
Sobrev.
Situação Normal
Situação Normal
Situação Normal
Agitação Social
Agitação Social
Agitação Social
Milling
Milling
Milling
Excitação Coletiva
Excitação Coletiva
Comportamento Coletivo
Comportamento Coletivo
Comportamento Coletivo
Comportamento Coletivo
Baixa
Média
Moderada
Baixa
Média
Moderada
Baixa
Média
Moderada
Baixa
Moderada
Baixa
Média
Moderada
Moderada
O tamanho menor da saída no Cenário 1 faz com que haja uma contenção do fluxo de pessoas que tentam sair do ambiente. Desta forma há um grande número de agentes imobilizados
no estado C OMPORTAMENTO C OLETIVO E LEMENTAR, indicando que os agentes conhecem a
A MEAÇA e a S AÍDA. Porém, como não conseguem sair do A MBIENTE F ÍSICO, o fogo consegue alcançá-los e assim imobilizá-los.
A informação da quantidade de agentes imobilizados e sobreviventes é a mais dependente
do cenário. Isso porque, mesmo com comportamentos semelhantes durante a simulação, nos
6.3 Análise dos Resultados
115
passos finais após a formação do arco e no início da evacuação a S AÍDA passa a ser um fator
chave para a sobrevivência dos agentes.
Ao observar os resultados acima descritos, pode-se levantar as seguintes questões:
• O que significa o grande número de agentes sobreviventes em S ITUAÇÃO N ORMAL que
saíram inicialmente do ambiente? E os agentes que foram imobilizados em C OMPORTA MENTO
C OLETIVO E LEMENTAR próximo ao final da simulação?
Os agentes que sobreviveram inicialmente não tinham intenção de fugir do ambiente,
pois seu movimento era de natureza aleatória. Porém, conforme o espaço físico diminui
devido à aproximação da ameaça, a tendência é que esses agentes sejam “empurrados”
para fora do ambiente, escolhendo a única direção que conseguem se movimentar, a saída.
Os agentes em C OMPORTAMENTO C OLETIVO E LEMENTAR, mesmo desejando sair e
sabendo onde se localizava a saída, não conseguiram se movimentar em maior velocidade
devido à retenção do fluxo ocasionado pelo tamanho reduzido da saída. Assim, esses
agentes não conseguem se deslocar e ficam parados ou andam devagar. Este fenômeno é
denominado “Resfriamento por Aquecimento” (Freezing by Heating);
• É possível determinar se a fuga do ambiente foi acidental?
Os agentes em estados que não possuem uma ação de mover-se em direção à saída (S I TUAÇÃO
N ORMAL e AGITAÇÃO S OCIAL) podem sair do ambiente pela influência dos
agentes próximos, que limitam as escolhas de direções de movimento. E assim, tomam
esta ação de forma indireta.
• O que a rede social influenciou?
Percebe-se que embora o número total de agentes sobreviventes e imobilizados sejam
próximos nas diferentes modelagens de simulação, nas que incluíam a rede social, os
agentes possuem um maior nível de experiência. Assim sendo, a rede social viabilizou
uma maior comunicação entre os agentes, proporcionando um aprendizado mais rápido
adquirido durante o evento devido ao compartilhamento de experiências.
6.3.1.2
Análise dos Cenários 2 e 3
Antes da análise dos cenários 2 e 3, uma hipótese subjacente é proposta por este trabalho:
• Os agentes mantém seu padrão de comportamento previsto para o estado em que se encontram, mesmo com diferentes configurações físicas do ambiente?
116
6.3 Análise dos Resultados
A diferença entre os cenários é o tamanho da saída. No primeiro cenário, o tamanho da
saída é de apenas 1 célula, o que significa que apenas uma pessoa pode sair do ambiente por vez.
No cenário 2, a saída tem seu tamanho duplicado e, portanto, é possível que até duas pessoas
saiam do ambiente simultaneamente. No cenário 3, a saída é quatro vezes maior que a saída do
cenário 1. Para entender como essa mudança na saída pode afetar a simulação, faz-se necessário
analisar os símbolos significantes, o estado interno dos agentes nos três cenários, e como os
agentes saíram do ambiente (sobreviventes) ou foram tocados pela ameaça (imobilizados).
6.3.1.2.1
Análise Comportamental dos Símbolos Significantes
A classificação dos símbolos significantes pela opção não sofreu grandes mudanças do Cenário 1 para os Cenários 2 e 3 de ambas as modelagens. Isto ocorreu porque a mudança de
cenário e a inclusão das redes sociais não implicou em uma mudança profunda no comportamento dos agentes. As escolhas das ações, por estado, resultaram em rankings semelhantes. O
que observa-se com a inserção das redes, são agentes com comportamentos menos hesitados e
optando por ações que envolvam o coletivo, mas ainda sim prezando pela própria sobrevivência.
Uma comparação dos três cenários em relação à Agitação Social pode ser vista na Tabela
12. Há uma variação mínima nos valores encontrados, e a posição no ranking sofre poucas
flutuações, quando isso ocorre. A inserção da rede social reforça a escolha do agente em buscar
informações sobre o ocorrido e não sobre como escapar.
Tabela 12: Agitação Social - Três Cenários.
Objetivo (Objeto) → Linha de Ação
Buscar informações no Ambiente Físico (Ambiente Físico) → Buscar informações de forma direta, Mover-se
Buscar informações a respeito da Ameaça (Ameaça) → Buscar informações de forma direta,
Mover-se
Cenário 1 (%)
Sem
Com
89,57 95,37
Cenário 2 (%)
Sem
Com
89,55 95,34
Cenário 3 (%)
Sem
Com
89,54 95,37
10,43
10,45
10,46
4,63
4,66
4,63
Deve-se atentar para o fato de que as porcentagens das ações seguem (de maneira aproximada) o que foi estabelecido no modelo conceitual de (FRANçA, 2010). A Tabela 13 traz uma
análise comparativa dos três cenários em relação às escolhas dos agentes que se encontram no
estado de Milling.
Assim como ocorreu na AGITAÇÃO S OCIAL, a comunicação (busca da informação de
forma indireta) se fez um pouco mais presente no primeiro e no terceiro cenários. A rede
social fez com que tais ações fossem escolhidas mais vezes.
117
6.3 Análise dos Resultados
Tabela 13: Milling - Três Cenários.
Objetivo (Objeto) → Linha de Ação
Buscar informações a respeito da Ameaça (Ameaça) → Buscar informações de forma direta,
Mover-se
Buscar informações a respeito da Ameaça (Demais Agentes) → Buscar informações de forma
indireta, Mover-se
Cenário 1 (%)
Sem
Com
89,11 69,69
Cenário 2 (%)
Sem
Com
89,56 69,97
Cenário 3 (%)
Sem
Com
88,24 69,77
10,89
10,44
11,76
30,31
30,03
30,23
A Tabela 14 exibe as ações executadas pelos agentes em E XCITAÇÃO C OLETIVA, classificadas em forma de ranking.
Tabela 14: Excitação Coletiva - Três Cenários.
Objetivo (Objeto) → Linha de Ação
Movimentar-se em direção à Saída (Ambiente
Físico) → Mover-se
Buscar informações a respeito da Saída (Saída)
→ Buscar informações de forma direta. Moverse
Buscar informações a respeito da Ameaça (Ameaça) → Buscar informações de forma direta.
Mover-se
Buscar informações a respeito da Ameaça (Demais Agentes) → Buscar informações de forma
indireta. Mover-se
Alertar os demais agentes a respeito da Saída
(Demais Agentes) → Enviar mensagem para os
agentes vizinhos com dados da Saída. Mover-se
Buscar informações a respeito da Saída (Demais
Agentes) → Buscar informações de forma indireta. Mover-se
Alertar os demais agentes a respeito da Ameaça
(Demais Agentes) → Enviar mensagem para os
agentes vizinhos com dados da Ameaça. Moverse
Cenário 1 (%)
Sem
Com
45,96 37,11
Cenário 2 (%)
Sem
Com
46,73 36,36
Cenário 3 (%)
Sem
Com
45,63 35,39
24,49
22, 25
24,01
23,19
24,75
23,44
17,39
15,75
16,69
15,03
16,93
15,14
5,99
20,61
6,35
21,00
6,18
21,53
4,90
3,64
4,83
3,74
5,42
3,93
1,27
0,63
1,19
0,63
1,10
0,55
0,00
0,01
0,19
0,05
0,00
0,02
O ato de buscar informações de forma indireta ocorre com uma freqüência ligeiramente
maior nos cenários 2 e 3 e mais na modelagem com rede social, pois a situação não se apresenta
tão perigosa como no cenário 1, o que reduz a urgência e permite que os agentes se comuniquem
um pouco mais. No cenário 1, a necessidade da informação faz com que o agente busque as
informações da ameaça da forma direta. Com as redes sociais, menos agentes optam por sair
do ambiente.
A Tabela 15 apresenta o ranking do Contágio Social nos três cenários.
118
6.3 Análise dos Resultados
Tabela 15: Contágio Social - Três Cenários.
Objetivo (Objeto) → Linha de Ação
Movimentar-se em direção à Saída (Ambiente
Físico) → Mover-se
Alertar os demais agentes a respeito da Saída
(Demais Agentes) → Enviar mensagem para os
agentes vizinhos com dados da Saída
Alertar os demais agentes a respeito da Ameaça
(Demais Agentes) → Enviar mensagem para os
agentes vizinhos com dados da Ameaça
Cenário 1 (%)
Sem
Com
98,25 92,32
Cenário 2 (%)
Sem
Com
97,93 91,90
Cenário 3 (%)
Sem
Com
97,39 90,59
1,19
2,11
1,39
2,35
1,77
2,77
0,56
5,57
0,69
5,75
0,84
6,64
A maior parte das ações no C ONTÁGIO S OCIAL se refere a se movimentar em direção à
saída. Como nos cenários 2 e 3 a noção de emergência não é tão grave como no primeiro
cenário, os agentes se comunicam mais, relatando a S AÍDA e a A MEAÇA para os demais, e
mais ainda na simulação que envolviam redes sociais.
Quando os símbolos significantes são analisados de forma pormenorizada em todos os cenários, nota-se uma proximidade na quantidade de escolhas dos símbolos entre os cenários e
modelos. Isto pode ser observado e comparado nos Gráficos 29, 30, 31 e 32, com as triplas
mais selecionadas em cada estado coletivo, cenário e modelagem.
(a) Sem Rede.
(b) Com Rede.
Gráfico 29: Análise das Escolhas de Símbolos Significantes na Agitação Social por Cenário.
As duas simulações apresentam curvas semelhantes, porém com valores diferentes, tendo
as ações que envolvem o social e que caracterizam menor nervosismo dos agentes ocorrendo em
maiores quantidades. Sob o ponto de vista dinâmico, devido à restrição no ato de sair, mesmo
quando todos os agentes decidem evacuar o ambiente (mover-se em direção à saída) e sabem
onde está localizada a saída, nem todos conseguem sair. O comportamento dos agentes teve
poucas variações em função dos cenários porque esses possuem linhas de ação definidas de
acordo com seu estado, que após definido de acordo com informações internas e externas faz
119
6.3 Análise dos Resultados
(a) Sem Rede.
(b) Com Rede.
Gráfico 30: Análise das Escolhas de Símbolos Significantes no Milling por Cenário.
(a) Sem Rede.
(b) Com Rede.
Gráfico 31: Análise das Escolhas de Símbolos Significantes na Excitação Coletiva por Cenário.
(a) Sem Rede.
(b) Com Rede.
Gráfico 32: Análise das Escolhas de Símbolos Significantes no Contágio Social por Cenário.
120
6.3 Análise dos Resultados
com que as escolhas das ações se mantenham, pois o agente detectou situações similares.
6.3.1.2.2
Análise do Estado Interno dos Agentes
Para a análise do estado interno dos agentes nos três cenários, inicialmente considera-se os
agentes dentro de um mesmo estado coletivo. Observando-os por faixa delimitada pelos marcos
de incêndio e elegendo uma variável (ou conjunto de variáveis) por sua relevância dentro desse
contexto, alguns aspectos interessantes do comportamento dos agentes podem ser destacados.
As variáveis escolhidas para esta análise são:
CEPTIBILIDADE, NERVOSISMO , VEL I DEAL
PERICULOSIDADE , PERMISSIVIDADE , SUS -
e VEL R EAL. Estas variáveis foram escolhidas por
serem variáveis complexas cujo valor é obtido pela análise e avaliação de outras variáveis. Isto
significa que, ao analisar uma dessas variáveis complexas, as demais variáveis constituintes são
analisadas de forma indireta.
Inicialmente, a primeira análise possível do estado interno dos agentes entre os cenários
pode ser feita com uma inspeção visual da simulação no momento em que alguns pontos de
incêndio são acionados em cada cenário.
As Figuras 43 (a) e (b) exibem, respectivamente, a visualização da simulação nos cenários
2 e 3 no momento em que o ponto de incêndio 2 é ativado. Por sua vez, a Tabela 16 demonstra
que os valores das variáveis nesse passo da simulação em ambos os cenários e modelos são
bastante parecidos.
(a) Imagem da Ativação do Ponto de Incêndio
2 - Cenário 2
(b) Imagem da Ativação do Ponto de Incêndio
2 - Cenário 3
Figura 43: Imagem da Ativação do Ponto de Incêndio 2.
121
6.3 Análise dos Resultados
Tabela 16: Média das Variáveis dos Agentes P ESSOA no Ponto de Incêndio 2 - Cenários 2 e 3
Variável
Faixa
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
x < 25
x < 25
x < 25
x < 25
25 <= x < 35
25 <= x < 35
25 <= x < 35
25 <= x < 35
35 <= x < 52
35 <= x < 52
35 <= x < 52
35 <= x < 52
Cenário 2
Sem Rede Com Rede
0,21
0,18
0,55
0,53
0,37
0,28
0,41
0,34
0,15
0,16
0,16
0,21
0,08
0,07
0,19
0,15
0,09
0,11
0,00
0,00
0,00
0,00
0,11
0,07
Cenário 3
Sem Rede Com Rede
0,20
0,18
0,54
0,52
0,36
0,28
0,40
0,33
0,14
0,16
0,15
0,19
0,08
0,07
0,18
0,14
0,09
0,11
0,00
0,00
0,00
0,00
0,11
0,07
Para acompanhar a transição do ponto de incêndio 2 para o ponto de incêndio 10, devese consultar a Figura 44 (a) e (b), bem como a Tabela 17. Não há grandes variações entre os
modelos e seus respectivos cenários.
(a) Imagem da Ativação do Ponto de Incêndio
10 - Cenário 2
(b) Imagem da Ativação do Ponto de Incêndio
10 - Cenário 3
Figura 44: Imagem da Ativação do Ponto de Incêndio 10.
A Figura 45 apresenta a configuração da simulação no momento em que o arco de fuga é
formado. Por sua vez, a Tabela 18 trata das variáveis nos dois cenários e no ponto de incêndio 25. Percebe-se que na última faixa a rede social proporcionou maior “tranqüilidade” aos
agentes, pois os valores de suas variáveis são menores.
122
6.3 Análise dos Resultados
Tabela 17: Média das Variáveis dos Agentes P ESSOA no Ponto de Incêndio 10 - Cenários 2 e 3
Variável
Faixa
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
x < 25
x < 25
x < 25
x < 25
25 <= x < 35
25 <= x < 35
25 <= x < 35
25 <= x < 35
35 <= x < 52
35 <= x < 52
35 <= x < 52
35 <= x < 52
(a) Imagem da Ativação do Ponto de Incêndio
25 - Cenário 2
Cenário 2
Sem Rede Com Rede
0,31
0,23
0,54
0,52
0,45
0,35
0,46
0,44
0,28
0,22
0,39
0,36
0,28
0,27
0,29
0,23
0,10
0,12
0,13
0.09
0,13
0,09
0,13
0,09
Cenário 3
Sem Rede Com Rede
0,29
0,26
0,52
0,53
0,38
0,37
0,43
0,42
0,28
0,24
0,40
0,38
0,31
0,28
0,30
0,25
0,09
0,10
0,11
0,09
0,11
0,10
0,11
0,09
(b) Imagem da Ativação do Ponto de Incêndio
25 - Cenário 3
Figura 45: Imagem da Ativação do Ponto de Incêndio 25.
123
6.3 Análise dos Resultados
Tabela 18: Média das Variáveis dos Agentes P ESSOA no Ponto de Incêndio 25 - Cenários 2 e 3
Variável
Faixa
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
Nervosismo
Periculosidade
Permissividade
Susceptibilidade
x < 25
x < 25
x < 25
x < 25
25 <= x < 35
25 <= x < 35
25 <= x < 35
25 <= x < 35
35 <= x < 52
35 <= x < 52
35 <= x < 52
35 <= x < 52
6.3.1.2.3
Cenário 2
Sem Rede Com Rede
0,42
0,75
0,85
0,85
0,3
0,3
0,63
0,77
0,33
0,40
0,85
0,77
0,30
0,30
0,63
0,52
0,80
0,36
0,77
0,44
0,48
0,29
0,71
0,37
Cenário 3
Sem Rede Com Rede
0,35
0,71
1,00
0,85
0,3
0,3
0,63
0,77
0,57
0,30
0,73
0,85
0,30
0,30
0,63
0,63
0,77
0,38
0,77
0,44
0,50
0,32
0,78
0,43
Análise dos Sobreviventes e Imobilizados
Os dados referentes aos agentes sobreviventes e imobilizados dos Cenários 2 e 3 diferem
bastante dos resultados encontrados no Cenário 1.
A Tabela 19 apresenta os dados referentes ao Cenário 2. Já é possível destacar pelo menos
dois elementos distintos deste cenário em relação ao primeiro:
• O número de sobreviventes é de cerca de 60% maior do que sobreviventes do Cenário 1;
• A maioria dos sobreviventes encontravam-se em E XCITAÇÃO C OLETIVA. Isto significa
que eles não saíram ocasionalmente ou pela pressão dos demais agentes;
Um elemento comum entre os Cenários 1 e 2 em ambas modelagens é o grande número
de agentes imobilizados em C OMPORTAMENTO C OLETIVO E LEMENTAR. Assim como no Cenário 1, nota-se pelo tempo médio de imobilização que estes agentes não sobreviveram porque
a saída não permitia uma vazão adequada do ambiente. Os valores nas duas modelagens são
próximos.
A Tabela 20 fornece um quadro geral da situação da simulação no Cenário 3. Há uma
certa semelhança entre este cenário e o Cenário 2. A principal diferença deste cenário para
os Cenários 1 e 2 é que a maioria dos sobreviventes estão em M ILLING e possuem um nível
de experiência BAIXO, isto para as duas modelagens. Houve menos agentes imobilizados na
modelagem com redes, isto mostra que a consciência da rede social do agente no pânico em
multidão os ajuda.
124
6.3 Análise dos Resultados
Tabela 19: Análise dos Agentes Imobilizados e Sobreviventes - Cenário 2.
Sem Rede
Tempo Qtd
176,50
21
202,68
2
248,40
1
277,22
14
282,31
4
295,94
2
285,85
40
290,36
7
279,82
2
185,00
1
311,43
46
308,98
7
326,42
1
352,14
13
336,90
1
369,00
1
353,00
26
306,30
9
357,25
1
291,94
1
363,00
1
234,00
1
Com Rede
Tempo Qtd
166,31
20
193,16
3
227,50
2
263,43
19
274,66
6
314,58
1
189,12
44
292,50
9
279,65
3
202,00
1
314,88
49
319,35
4
299,36
1
342,40
11
371,00
2
358,00
1
355,02
21
309,43
6
274,87
1
254,67
1
Tipo
Estado
Exp
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Imob.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Imob.
Sobrev.
Imob.
Sobrev.
Imob.
Sobrev.
Situação Normal
Situação Normal
Situação Normal
Agitação Social
Agitação Social
Agitação Social
Milling
Milling
Milling
Excitação Coletiva
Excitação Coletiva
Excitação Coletiva
Excitação Coletiva
Contágio Social
Contágio Social
Contágio Social
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
BAIXA
MEDIA
MODERADA
BAIXA
MEDIA
MODERADA
BAIXA
MEDIA
MODERADA
BAIXA
BAIXA
MEDIA
MODERADA
BAIXA
MEDIA
MODERADA
BAIXA
BAIXA
MEDIA
MEDIA
MODERADA
MODERADA
125
6.3 Análise dos Resultados
Tabela 20: Análise dos Agentes Imobilizados e Sobreviventes - Cenário 3.
Sem Rede
Tempo Qtd
176,93
26
201,69
4
168,92
1
261,64
31
263,08
6
260,14
2
267,63
61
262,44
7
261,87
2
204,00
1
268,35
37
263,93
3
261,25
1
274,32
5
241,00
1
142,00
1
267,30
8
271,08
1
260,50
2
6.3.2
Com Rede
Tempo Qtd
177,08
28
197,37
4
166,46
2
257,37
38
255,72
7
248,68
2
265,31
59
261,28
8
259,63
3
185,00
1
267,89
36
269,21
3
271,50
1
264,99
4
242,00
1
234,00
1
31
1
266,01
7
248,01
1
-
Tipo
Estado
Exp
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Imob.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Sobrev.
Imob.
Sobrev.
Sobrev.
Sobrev.
Situação Normal
Situação Normal
Situação Normal
Agitação Social
Agitação Social
Agitação Social
Milling
Milling
Milling
Excitação Coletiva
Excitação Coletiva
Excitação Coletiva
Excitação Coletiva
Contágio Social
Contágio Social
Contágio Social
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
Comportamento Coletivo Elementar
BAIXA
MEDIA
MODERADA
BAIXA
MEDIA
MODERADA
BAIXA
MEDIA
MODERADA
BAIXA
BAIXA
MEDIA
MODERADA
BAIXA
MEDIA
MODERADA
BAIXA
BAIXA
MEDIA
MODERADA
Análise da Representação Coletiva Micro
De modo a analisar a formação da Representação Coletiva Micro os dados referentes a essa
construção foram armazenados em uma base de dados cada vez que um agente realizasse uma
das ações de formação da RC OL M ICRO. Devido ao grande volume de informações a serem
coletadas, 2 agentes foram selecionados durante os últimos passos da simulação, quando já há
o arco de fuga.
Serão analisados três aspectos da Representação Coletiva Micro: o estado dos agentes vizinhos, as informações referentes à ameaça e saída, e a rede social do agente.
6.3.2.1
Análise do Estado dos Agentes Vizinhos
Para realizar esta análise serão utilizados os dados da Tabela 21, construída como na análise
de (FRANçA, 2010). Neste caso, serão exibidos alguns valores coletados dos agentes selecionados. Isto foi feito devido ao grande número de entradas geradas para cada agente.
Da análise de todos os valores calculados da R EPRESENTAÇÃO C OLETIVA M ICRO é possível chegar às seguintes conclusões:
126
6.3 Análise dos Resultados
Tabela 21: Amostra dos Dados do Estado Coletivo Micro Indexados.
p.
Estado
282 Comportamento Coletivo
Elementar
322 Comportamento Coletivo
Elementar
núm.
agentes
4
periculosidade
min max méd
0,45 0,60 0,53
nervosismo
min max méd
0,67 0,91 0,79
4
0,68
0,38
0,90
0,85
0,47
0,44
• O estado dos agentes vizinhos, em sua maioria, é próximo ao do agente que forma a
representação;
• Os valores de PERICULOSIDADE e de NERVOSISMO aumentam com o avanço da simulação, principalmente no Cenário 1. Para os Cenários 2 e 3, a periculosidade continua alta,
mas o nervosismo se mantém em um patamar intermediário devido ao tamanho da saída;
6.3.2.2
Análise da Ameaça e da Saída
O objetivo desta análise é verificar qual informação referente à ameaça/saída os agentes
obteriam ao formarem a representação coletiva micro. Uma amostra desses valores pode ser
vista nas Tabelas 22 e 23.
Tabela 22: Amostra dos Dados da Ameaça Indexados na Representação Coletiva Micro.
núm
agentes
179 2
200 15
322 5
p.
Distância
Direção
segInfo
ALTA
ALTA
ALTA
Oeste
Oeste
Oeste
ALTA
ALTA
ALTA
periculosidade
min max méd
0,44 0,55 0,49
0,00 0,50 0,21
0,68 0,90 0,85
nervosismo
min max méd
0,21 0,37 0,29
0,08 1,00 0,74
0,38 0,47 0,44
Tabela 23: Amostra dos Dados da Saída Indexados na Representação Coletiva Micro.
núm
agentes
153 5
187 5
p.
Distância
Direção
segInfo
ALTA
MODERADA
Leste
Leste
BAIXA
ALTA
periculosidade
min max méd
0,00 0,55 0,24
0,00 0,00 0,00
nervosismo
min max méd
0,06 0,48 0,28
0,35 0,88 0,64
A análise da A MEAÇA e da S AÍDA obtidos pela R EPRESENTAÇÃO C OLETIVA M ICRO
chegou aos seguintes resultados:
• A maioria dos agentes, nos três cenários, tinham amplo conhecimento (SEG I NFO ALTA)
da localização da ameaça, o que pode indicar que os agentes próximos aos agentes selecionados para análise já estiveram bem perto dela, e conseguiram se afastar o suficiente
para informar aos demais agentes a seu respeito;
127
6.3 Análise dos Resultados
• Em relação à saída, a maioria sabia que a direção da saída era Leste. Entretanto, houve
algumas divergências;
• Os índices de periculosidade e nervosismo variavam de valores baixos/médios para valores elevados durante a simulação, no caso da representação da ameaça. Por outro lado, os
índices de periculosidade variavam para valores abaixo de 0,7.
6.3.2.3
Análise da Rede Social
O objetivo desta análise é verificar como que a rede social de um agente na formação do
pânico em multidão se comporta. Um exemplo da dinâmica da rede seguindo a evolução dos
estados pode ser visto nas Figuras 46 e 47.
(a) Situação Normal
(b) Agitação Social
(c) Milling
Figura 46: Evolução Rede.
(a) Excitação Coletiva
(b) Contágio Social
(c) Comportamento Coletivo Elementar
Figura 47: Evolução Rede (continuação).
Com a análise da rede social da R EPRESENTAÇÃO C OLETIVA M ICRO chega-se aos seguintes resultados:
6.3 Análise dos Resultados
128
• Os agentes vizinhos em geral estão no mesmo estado que o agente em questão;
• As relações de um agente com seus vizinhos em um determinado passo geralmente são
do mesmo tipo, ou há pouca variação;
• As relações que um agente tem em um determinado passo podem ser diferentes, mas em
sua maioria são do mesmo tipo dependendo do estado que seu agente vizinho se encontre;
• Os agentes terminaram a simulação com maior experiência comparados a modelagem
sem a rede social.
6.3.3
Análise da Representação Coletiva Macro
Especificamente em situações de pânico em multidão, a importância do estudo das redes
sociais evidencia-se pois a situação que gera e mantém o pânico é ambígua e desestruturada. Os
participantes não compartilham expectativas tradicionais quanto à maneira de como devem se
comportar, e os resultados são incertos. Há ainda uma sensação de urgência de que algo deve
ser feito imediatamente. O imaginário e a concepção de uma ação não são apenas comunicados
dentro da multidão, eles se tornam normas que os membros da multidão pressionam os demais
para que sejam cumpridas. Para o grupo estas normas surgem de forma emergente, individualmente há uma sugestionabilidade focada, voltada às sugestões definidas pelo imaginário e pela
concepção da ação apropriada a ser executada.
Objetivando contribuir na análise de como redes sociais podem auxiliar no entendimento da
formação, desenvolvimento e término de situações de pânico em multidão, neste trabalho a rede
social de todos os agentes é formada dinamicamente durante a simulação e é representada visualmente no decorrer de sua execução, abordando assim um ramo da frente de pesquisa levantada
na Seção 4.1, a formação da rede social emergente das interações dos agentes. Esta abordagem
permite a observação da característica autopoiética1 e a auto-organização dos sistemas sociais
através das redes sociais. Os pontos discutidos e trabalhos apresentados na Seção 4.2.1 servem
como norteadores para este quesito.
Baseado nos conceitos de Redes Sociais apresentados na Seção 3.2 pode-se concluir que
a rede social da RC OL M ACRO é emergente e sua topologia é moldada a cada passo. A alta
volatilidade das relações é devido a seus atores se movimentarem e estas serem por interação,
assim sendo as relações são constituídas quando há proximidade física entre os agentes, ou seja,
1 Na
abordagem analítica a observação científica de um objeto propunha a análise isolada de seus elementos,
não eram avaliadas as relações entre os elementos e sim suas condições e papéis dentro da estrutura. A teoria
autopoiética contraria a analítica, a observação de um objeto é feita pela interação de seus elementos, assim baseiase nas relações entre os elementos e as funções exercidas no todo comunicativo dos sistemas.
6.3 Análise dos Resultados
129
quando esses são vizinhos. As interações entre os agentes ocorrem de forma reativa e mútua,
representadas respectivamente quando os agentes avisam ou pressionam os demais, e quando
fazem perguntas uns aos outros para se informarem. As relações são assimétricas, pois um
agente pode possuir relação de tipo e peso diferente da relação que seu vizinho o considera.
Como foi dito anteriormente na Seção 3.3, Análise de Redes Sociais, a grande dificuldade
em mensurar as redes sociais é saber quais atores e relações devem ser considerados para tal.
Com isso, todos os agentes e suas relações são armazenados durante cada passo da simulação.
Isso permite uma análise mais detalhada da RC OL M ACRO após seu término. Para tal é possível
aplicar filtros para melhor análise (veja Figura 48). Em um primeiro momento é difícil observar
padrões na rede social formada, mas aplicando um filtro é possível verificar a existência de
clusters e em alguns casos identificar atores pontes.
Figura 48: Filtro da RC OL M ACRO.
Figura 49: Métricas da RC OL M A CRO .
Por exemplo, na Figura 50 (a) é possível observar a RC OL M ACRO contendo todos os agentes e todas as relações em um determinado passo da simulação. Na Figura 50 (b) está a mesma
situação, porém só são exibidas as relações com peso acima de 0,5. E na Figura 50 (c) somente
os agentes em AGITAÇÃO S OCIAL, M ILLING, E XCITAÇÃO C OLETIVA e C ONTÁGIO S OCIAL.
O mesmo acontece para as Figuras 51 (a), 51 (b) e 51 (c) que ilustram os grupos da rede,
ou seja, somente as relações de um determinado tipo, assim sendo respectivamente, as relações
de Contato, Informação e Perigo.
Com a filtragem realizada e com o auxílio da visualização das métricas de análise (veja
Figura 49) da rede social da R EPRESENTAÇÃO C OLETIVA M ACRO chega-se aos seguintes re-
130
6.3 Análise dos Resultados
(a) RC OL M ACRO sem Filtro
(b) RC OL M ACRO com as Relações (c) RC OL M ACRO sem os Agencom Peso entre 0,5 e 1,0
tes em Situação Normal e Comportamento Coletivo Elementar
Figura 50: RC OL M ACRO.
(a) RC OL M ACRO com Relações de (b) RC OL M ACRO com Relações de (c) RC OL M ACRO com Relações de
Contato
Informação
Perigo
Figura 51: RC OL M ACRO (continuação).
6.3 Análise dos Resultados
131
sultados:
• Os agentes vizinhos em geral estão no mesmo estado que o agente em questão, formando
agrupamentos se considerado este parâmetro para a formação da RC OL M ACRO;
• As relações não são recíprocas. Por exemplo, um agente pode se relacionar com outro
por Informação, mas seu vizinho o tem como uma relação de Perigo;
• Embora as relações não sejam recíprocas, no início da simulação a maioria dos agentes se
correspondem por relações de Contato e Informação. Quando os agentes começam a se
exaltar, então as relações entre os agentes passam a ser discrepantes conforme o sentido
adotado. Isso mostra que com a percepção do risco, estes agentes pensam mais em si que
no coletivo;
• Vizinhos de vizinhos em partes apresentam o mesmo tipo de relação, o que possibilita a
formação de clusters se a filtragem for feita pelo tipo de relação;
• Devido à alta conectividade entre os agentes a rede formada é do tipo small world.
• Os agentes se encontram mais conectados quando há a formação do arco de fuga, porém
as relações que os ligam é a de Perigo. Neste caso a densidade da rede aumenta e a
quantidade de clusters diminui.
• Com o acionamento dos Pontos de Incêndio as relações mudam de Contato para Informação ou Perigo, ou de Informação para Perigo.
6.3.3.1
Representação Coletiva Macro Versus Representação Coletiva Micro:
Algumas Lições Aprendidas
Alguns dilemas são encontrados na literatura quando do estudo da área de Comportamento
Coletivo, decorrentes de conceitos pré-estabelecidos e não revistos. Nesta seção tem-se a apresentação destes falsos dilemas, desmistificados sob a luz da teoria e dos experimentos realizados
neste trabalho.
Mente Coletiva Versus Individualismo
Um dilema inicial encontrado na literatura é se existe uma mente coletiva, ou se apenas
pode-se desenvolver os comportamentos individuais. Caso considere-se apenas a mente coletiva, pode-se ficar preso a qualquer diversidade do comportamento individual, não levando em
consideração o fato que uma coletividade é formada por ações individuais e pela totalidade. Por
6.4 Validação
132
outro lado, caso se considere que apenas os membros individuais podem ser descritos, a tendência é atribuir aos indivíduos os motivos e atitudes que explicam a ação da coletividade. Neste
contexto, a explicação de uma guerra seria baseada apenas pelas atitudes hostis dos membros
das nações. Mas este argumento não é suficiente para explicar o fenômeno da guerra, pois há
fatores geográficos, políticos, econômicos, culturais que influenciam tal situação.
Em ambos os casos a melhor solução é a descrição dos dois elementos, como proposto e
realizado neste trabalho: o indivíduo e a coletividade, pois as duas descrições se completam. A
diferença está em qual descrição priorizar conforme o caso.
Comportamento do Indivíduo Versus Comportamento Estabelecido pelo Grupo
Um segundo dilema envolvido no tema grupo-versus-indivíduo diz respeito se o indivíduo
se comporta de maneira distinta quando se encontra inserido em um grupo. Há visões extremadas quanto a este tema, mas atualmente as respostas não estão indo para estes extremos. Muitas
das discrepâncias entre estes pontos de vista desaparecem quando certas observações são feitas.
Primeiro, qualquer indivíduo pode encontrar suporte para uma variedade de cursos de ação
com relação a um objeto em particular. Em uma situação de grupo certas situações são clareadas
e reforçadas, de tal forma que indivíduos podem agir de acordo com atitudes que não necessariamente seriam dominantes se estivessem agindo isoladamente. Além disso, o indivíduo amplia
a sua percepção pensando no objetivo, no grupo, em si mesmo e nos outros indivíduos. Assim,
ambos os processos de tomada de decisão, em grupo e atitudes individuais, devem ser levados
em consideração. O indivíduo em grupo, de fato, age diferente da forma que agiria se estivesse
sozinho, mas sempre tendo como base suas próprias convicções.
6.4
Validação
Em sistemas de simulação um ponto fundamental a ser considerado é a garantia de que
o modelo computacional represente de forma mais fiel possível o sistema alvo. Para tal, dois
processos são considerados: verificação e validação. O processo de verificação objetiva assegurar que o modelo conceitual tenha sido transcrito corretamente para o ambiente computacional.
Já a validação visa assegurar que o modelo computacional represente o sistema alvo com um
aceitável grau de aderência.
Para este trabalho a verificação foi realizada seguindo técnicas tradicionais de Engenharia
de Software, como: testes unitários, análise dos componentes e bibliotecas de maneira isolada,
testes de integração e ferramentas de depuração em tempo de execução.
6.4 Validação
133
Devido ao modelo utilizado ser do tipo sócio-cognitivo, o processo de validação foi do
tipo estática-estrutural. Neste caso o foco da modelagem e da simulação está na análise de
uma teoria social (comportamento coletivo do tipo pânico em multidão), procurando entender
melhor o funcionamento lógico e estrutural do corpo teórico escolhido.
O processo de validação de um modelo sócio-cognitivo envolve questões complexas e ainda
em aberto. A questão deste tipo de validação não consiste somente em analisar a confiabilidade
e realizar a correção, pois a comparação com dados empíricos torna-se impossível. Isto pois
os dados obtidos em fenômenos de pânico coletivo não são coletados durante o fenômeno, mas
sim gerados através de relatos de participantes do fenômeno. Levando em consideração este
fato é possível levantar três problemas: (i) a não-especialização do participante do fenômeno,
podendo acarretar em resultados imprecisos e subjetivos; (ii) a falta de informações de todos os
participantes, já que em geral o processo de coleta é feito de forma amostral, podendo omitir
alguns participantes e também não se considera os participantes que não sobreviveram; e (iii) o
fato de coletar as informações após o fenômeno também reduz a precisão e eficácia dos dados.
Outro fator que dificulta a validação por dados empíricos de um modelo sócio-cognitivo é
a contextualização espacial, temporal e cultural do fenômeno. Um incêndio ocorrido no Japão
em 1960 terá informações distintas de um incêndio no Brasil em 1960 ou 1970. E mesmo
considerando o mesmo ponto físico, a cultura e as informações sobre incêndios mudam após
situações de pânico, como o incêndio no Edifício Joelma por exemplo.
Uma situação de pânico não pode ser recriada ou gerada fisicamente por questões logísticas
(infra-estrutura e custos operacionais) e por questões éticas, diferentemente de outros processos
simulados. Assim sendo, torna-se impraticável a validação deste modelo se adotadas as mesmas metodologias utilizadas em modelos de situações normais de organização social, já que
estes fenômenos podem ser recriados sem as limitações citadas e podem ser repetidos. Também, por ser baseado em expectativas, papéis sociais e marcos de referência comuns entre os
participantes, há uma margem menor para subjetividade e os participantes exercem seus papéis
espontaneamente, reduzindo vícios nos dados coletados.
Um problema enfrentado na análise dos resultados e sua validação é diferenciar resultados
inesperados daqueles originados por falhas ou imprecisões oriundas da modelagem. Esta indefinição pode ser agravada quando, por exemplo, efeitos estocásticos são considerados (SILVA,
2008). Esse tipo de problema é agravado quando o processo simulado é complexo por natureza, pois uma das conseqüências de um sistema complexo é o surgimento de comportamentos
emergentes e, em alguns casos, são exatamente esses comportamentos os necessários para o
entendimento da dinâmica do processo real. Desta forma, além da necessidade de descrever
6.4 Validação
134
adequadamente o modelo, a rede de expectativas criada para analisar a simulação proposta deve
contemplar esses desvios aparentes.
A validação foi feita comparando os dados e comportamentos obtidos da execução do modelo elaborado neste trabalho com o de (FRANçA, 2010). Verificou-se que houve uma ligeira
flutuação que fez com que os agentes se comunicassem mais devido ao fato de terem o conhecimento de sua rede, em consequência também aumentando suas experiências. Como não houve
grandes mudanças nos resultados, todas as validações realizadas em (FRANçA, 2010): (i) Análise de Caminhos, (ii) Comparação com Trabalhos Semelhantes e (iii) Análise dos Arquivos de
Log, também se aplicam a este trabalho.
Quanto à validação da rede social em si, devido ao trabalho ser inédito e a teoria de uma
rede social na situação de pânico ser uma proposta, não é possível comparar os resultados com
outros ou teorias que contemplem esta situação. Assim sendo, o sistema é considerado validado
através da observação de que os agentes se comportaram de forma explicável e coerente com a
inserção das redes sociais no modelo original.
135
7
Conclusões
A vida só pode ser compreendida olhando-se para trás; mas
só pode ser vivida olhando-se para a frente.
—– Soren Kierkegaard
O estudo de simulações computacionais do pânico em multidão é importante no auxilio do
entendimento das teorias sociais e na criação e aperfeiçoamento de algoritmos que abordem tal
área. Além disso, os resultados de tais estudos apontam informações acerca da dinâmica social
que ocorrem em tais eventos, podendo servir na prevenção e/ou controle do pânico em multidão
na vida real.
Visto esses benefícios, a proposta desta pesquisa consiste em: (i) modelar agentes para a
extração de redes sociais que emergem através da interação na agência; e (ii) analisar as redes
sociais formadas para servir de base no entendimento e validação das simulações.
Agregando aos estudos deste tipo, este trabalho propôs um modelo conceitual multiagentes para o fenômeno do pânico em multidão. Esta modelagem integrou diferentes teorias de
forma a tornar tal modelo computável. Levou-se em consideração as redes sociais estabelecidas nas interações sociais, permitindo entender melhor a dinâmica do fenômeno do pânico,
como indivíduos em uma coletividade influenciam-se entre si, como estes comportamentos individuais interferem na estrutura macro, e como o nível macro influencia de forma dialética os
indivíduos. A construção deste modelo permitiu uma integração inédita nos estudos da área de
Comportamento Coletivo, aliando as abordagens da teoria do contágio, teoria do interacionismo
simbólico, teoria da norma-emergente, pirâmide de Maslow e conceitos de redes Sociais.
Além da contribuição do modelo computável implementado a partir do modelo teórico,
sua posterior execução e análise dos resultados possibilitou verificar que mesmo sendo um
sistema complexo, o que torna os comportamentos não previsíveis a longo prazo, é possível
a formulação de cadeias explicativas de causa e efeito. Assim permitindo a análise do que
acontece para entender os resultados, melhor entendimento da dinâmica e validação não só da
7.1 Trabalhos Futuros
136
modelagem realizada, mas também da teoria utilizada.
O modelo computável por si só permitiu a integração de diversas tecnologias: o arcabouço
multiagentes (Swarm), gerenciando o ciclo de vida dos agentes e a execução dos passos da
simulação; uma biblioteca para a avaliação de regras (Jess); um complemento para a utilização
de lógica nebulosa (FuzzyJ); e um conjunto de ferramentas para a manipulação e exibição de
grafos (JUNG).
Outro ponto de destaque deste trabalho é que os modelos conceitual e computacional permitem o desenvolvimento de novos trabalhos na área, também dando continuidade às pesquisas
do grupo de trabalho da UFABC. Vale ressaltar que esta pesquisa é interdisciplinar, pois propõe
a junção da área de sistemas sociais e da área de sistemas inteligentes. Sendo que uma fornece
os subsídios teóricos para o estudo do fenômeno do pânico em multidões, e a outra provê a
infraestrutura tecnológica e os instrumentos computacionais necessários para um novo olhar
sobre o tema proposto.
Com a análise dos resultados pode-se perceber a proposta é válida e que uma pequena mudança no nível micro, incluindo a rede social ao modelo proposto em (FRANçA, 2010), resultou
em agentes mais preocupados e interessados no coletivo. Esta expansão tornou os agentes mais
envolvidos com sua sociedade, procurando se envolver com os demais. Este comportamento
fica evidenciado nas ações que os agentes tem em alertar seus vizinhos e também em perguntar
mais a eles sobre os fatos. Esta troca de informação, ao final da simulação, permitiu aos agentes
níveis maiores de experiências. E conseqüentemente, tal comunicação fez com que os agentes
sentissem menos nervosismo, ponderando mais antes de tomar atitudes não convencionais.
7.1
Trabalhos Futuros
Grandes metrópoles estão espalhadas por todas as nações, e nos países emergentes elas surgem e estão em constante crescimento. Com milhões de habitantes interagindo socialmente,
essas metrópoles possuem problemas a serem superados. Para isto o planejamento urbano e as
políticas públicas enfrentam problemas sociais de natureza complexa, e a simulação de ambientes com aspectos específicos, como o pânico em multidão, pode ser de grande valia para a
mobilidade urbana, segurança pública, edificações, intervenção em regiões degradadas, concentração urbana e políticas públicas de prevenção.
Um trabalho futuro para dar continuidade a esta pesquisa seria a validação estrutural por
patrocinadores (stakeholders), especialistas que conhecem a fundo o sistema real, o que os capacita a avaliar os resultados da simulação com base em seus conhecimentos e sua experiência
7.1 Trabalhos Futuros
137
no assunto em questão. Bombeiros ou profissionais da área de segurança poderiam atuar identificando resultados incoerentes ou fornecendo feedback para o ajuste de parâmetros, e assim tal
simulação ser empregada para a prevenção de situações reais. Ou então, uma simulação física
ser executada com o auxílio da robótica, onde robôs representariam os agentes e seus sensores
detectariam calor e estes buscariam sair do ambiente para preservarem sua integridade.
Outro fato é que a execução do modelo computacional de simulação deste trabalho gerou
uma grande massa de dados, o que viabiliza outra frente para dar continuidade aos esforços
desta pesquisa. É possível aplicar técnicas de mineração de dados e identificar padrões para
que sejam estudados os motivos destes. Por exemplo, verificar a influência que a posição dos
agentes e a proximidade física entre eles na grade durante a simulação influencia na rede social.
Ou então se agrupamentos se dão por alguma semelhança de atributo entre os agentes, por
exemplo, nível de experiência. Desta forma, possibilitando averiguar a estruturação da rede,
atividade destacada na frente de pesquisa abordada na Seção 4.1 sobre a motivação da estrutura
da rede social formada.
Considerando a Teoria das Redes Sociais como uma maneira de compreender e analisar a
interação e a organização social de um grupo, informações do tipo coeficiente de aglomeração,
distribuição de graus e resistência podem ser mais profundamente analisadas e auxiliarem na
compreensão da dinâmica do pânico. A análise da rede também possibilita a detecção dos
agentes pontes. Esses atores controlam o fluxo de informações na rede durante o início da
formação do pânico na multidão. Se estrategicamente manipulados, os atores ponte podem
evitar a formação do pânico, assim a evacuação de um ambiente pode ser feita de forma ordeira
evitando pisoteamentos, por exemplo.
Outro exemplo é que se levado em consideração a confiabilidade das mensagens trocadas
entre os agentes pode-se qualificá-los dentro de uma perspectiva de reputação. Assim, a questão
de liderança e seguidores por parte dos agentes é outro ponto que pode ser estudado, seguindo
as teorias de difusão de informação. O trabalho de (FRANçA, 2010) contempla a experiência
que um agente tem e adquire em situações de incêndio. Os agentes com as maior experiência
podem assumir papéis de líderes dentro da comunidade, possuindo relações com agentes com
experiência baixa, os seguidores. Esta característica abre possibilidades para a exploração da
Difusão de Inovações, para tal, os trabalhos de Rogers (ROGERS, 2003; ROGERS et al., 2005)
podem ser usados como base.
Pode-se também explorar a questão dos papéis dos indivíduos durante tal evento. Como foi
abordado, mas não o foco deste trabalho, um brigadista pode assumir o papel de líder dentro
da rede social, e eventualmente podem emergir líderes por ocasião, agentes que por algum
7.1 Trabalhos Futuros
138
motivo passam a ser tidos como líderes mesmo estes não sendo brigadistas. Um agente com
características permissivas pode assumir uma liderança uma vez que este “abre caminho” até a
saída para os demais, mesmo este agente, em uma situação normal, não tendo relações sociais
exatamente por esta sua característica não convencional.
A força das relações também pode ser um tema para aprofundamento. Neste trabalho o peso
da relação não foi muito explorado. Este aspecto pode auxiliar a definir melhor a Representação
Coletiva Macro, bem como outros pontos a serem levantados em conta para a definição de tal,
por exemplo, novos tipos de relação e a questão dos papéis.
139
Referências Bibliográficas
O. ALEJANDRO, V. Álvarez; NORMAN, A. G. Manual Introdutório à Análise de Redes
Sociais. [S.l.], 2005. Exemplos Práticos com UCINET 6.109 e NETDRAW 2.28.
ALLUISI, E. A. The development of technology for collective training: Simnet, a case history.
Human Factors, v. 33, p. 343–362, 1991.
AMORIM, G. Estratégias para Difusão de um Ambiente Virtual para Comércio
Eletrônico via Internet. Um Estudo de Caso CIMM: Centro de Informação Metal
Mecânica. Dissertação (Mestrado) — Universidade Federal de Santa Catarina (UFSC).
ANGELIS, A. F. de. Tutorial Redes Complexas. Dezembro 2010. Tutorial.
AXELROD, R.; AXELROD, R. The Complexity of Cooperation: Agent-Based Models of
Competition and Collaboration. [S.l.]: Princeton Univ Press, 1997. ISBN 0-69-101567-8.
AXTELL, R. Effects of interaction topology and activation regime in several multi-agent
systems. Multi-Agent-Based Simulation, Springer, p. 33–48, 2001.
AXTELL, R.; EPSTEIN, J. Growing artificial societies: Social science from the bottom up.
Washington, DC: Brookings Institution, 1996.
BANARJEE, S.; GROSAN, C.; ABRAHAM, A. Emotional ant based modeling of crowd
dynamics. In: IEEE COMPUTER SOCIETY WASHINGTON, DC, USA. Proceedings of the
Seventh International Symposium on Symbolic and Numeric Algorithms for Scientific
Computing. [S.l.], 2005. p. 279.
BARABASI, A.-L. Linked: How Everything Is Connected to Everything Else and What It
Means for Business, Science, and Everyday Life. [S.l.]: Plume Books.
BARABáSI, A.; ALBERT, R.; JEONG, H. Mean-field theory for scale-free random networks.
Arxiv preprint cond-mat/9907068, 1999.
BARBOSA, M.; BYINGTON, M.; STRUCHINER, C. Modelos dinâmicos e redes sociais:
Revisão e reflexões a respeito de sua contribuição para o entendimento da epidemia do hiv.
Cadernos de Saúde Pública, SciELO Public Health, v. 16, n. 1 Supl, p. 37–51, 2000.
BATAGELJ, V.; MRVAR, A. Pajek - Program for Large Network Analysis. Dezembro 2010.
Eletronic. Disponível em: <http://pajek.imfm.si/doku.php?id=pajek>.
BERENDS, P.; ROMME, G. Simulation as a research tool in management studies. European
Management Journal, Elsevier, v. 17, n. 6, p. 576–583, 1999.
BERRY, N.; KO, T.; LEE, M.; MOY, T.; PICKETT, M.; SMRCKA, J.; TURNLEY, J.;
WU, B. Computational social dynamic modeling of group recruitment. Sandia Report,
SAND2003-8754, Sandia National Laboratories, 2003.
Referências Bibliográficas
140
BEYGELZIMER, A.; GRINSTEIN, G.; LINSKER, R.; RISH, I. Improving network
robustness by edge modification. Physica A: Statistical Mechanics and its Applications,
Elsevier, v. 357, n. 3-4, p. 593–612, 2005.
BLUMER, H. Symbolic Interactionism: Perspective and Method. [S.l.]: Prentice-Hall,
1969. ISBN 0-52-005676-0.
BOELLA, G.; GENOVESE, V.; GRENNA, R.; TORRE, L. van der. Roles in coordination
and in agent deliberation: A merger of concepts. Agent, Web Services, and Ontologies
Integrated Methodologies, Citeseer, p. 59, 2007.
BOMBEIROS, C. de. Instrução Técnica 17/2004 - Brigada de Incêndio. São Paulo:
Secretaria de Estado dos Negócios da Segurança Pública, 2004.
LE BON, G. The Crowd: A Study of the Popular Mind. [S.l.]: The Macmillan Co., 1896.
ISBN 978-0-877-97168-9.
BORGATTI, S. P.; EVERETT, M. G.; FREEMAN, L. C. UCINET 6 For Windows:
Software for Social Network Analysis. Dezembro 2010. Eletronic. Disponível em:
<http://www.analytictech.com/>.
BREIGER, R. L. The duality of persons and groups. Social Forces, n. 2, p. 181–190.
BUTLER-BOWDON, T. 50 psychology classics: who we are, how we think, what we do:
insight and inspiration from 50 key books. [S.l.]: Nicholas Brealey Publishing, 2007. ISBN
1-85-788386-1.
AVIAçãO CIVIL, D. de Política de. Ministério do Turismo. julho 2011.
CLARK, W. Residential preferences and neighborhood racial segregation: A test of the
schelling segregation model. Demography, JSTOR, v. 28, n. 1, p. 1–19, 1991.
CONTE, R.; GILBERT, N.; SICHMAN, J. Mas and social simulation: A suitable commitment.
In: SPRINGER. Multi-Agent Systems and Agent-Based Simulation. [S.l.], 1998. p. 1–9.
CORDEIRO, M. P. Bibliometria e análise de redes sociais: Possibilidades metodológicas para
a psicologia social da ciência. Revista Interinstitucional de Psicologia, v. 2, n. 1, 2009.
F. COSTA, L. da; RODRIGUES, F. A.; TRAVIESO, G.; BOAS, P. R. V. Characterization of
complex networks: A survey of measurements. Advances In Physics, v. 56, 2007.
DAMAS, M. P. Sobre a Solução Eficiente de Problemas em Grafos Utilizando Treewidth e
Tree-Decomposition. Dissertação (Mestrado) — Instituto Militar de Engenharia - RJ, 2003.
DAVIDSSON, P. Multi agent based simulation: Beyond social simulation. Multi-Agent-Based
Simulation, Springer, p. 141–155, 2001.
DAVIDSSON, P.; BOMAN, M. Saving energy and providing value added services in intelligent
buildings: A mas approach. Agent Systems, Mobile Agents, and Applications, Springer, p.
79–143, 2000.
DUKES, R.; MARTINEZ, R.; STEIN, J. Precursors and consequences of membership in youth
gangs. Youth & Society, v. 29, n. 2, p. 139, 1997.
Referências Bibliográficas
141
DURFEE, E.; ROSENSCHEIN, J. Distributed problem solving and multi-agent systems:
Comparisons and examples. Ann Arbor, v. 1001, p. 48109, 1994.
DURKHEIM, E. The Division of Labor in Society. [S.l.: s.n.], 1893. ISBN 978-0-684-836386.
DURKHEIM, E. Les Règles de la Méthode Sociologique. [S.l.]: Presses Universitaires de
France, 1895. ISBN 2-08-081198-3.
FENNELL, R.; LESSER, V. Parallelism in artificial intelligence problem solving: A case study
of hearsay ii. IEEE transactions on Computers, v. 100, n. 26, p. 98–111, 1977.
FERBER, J. Reactive distributed artificial intelligence: Principles and applications.
Foundations of Distributed Artificial Intelligence, p. 287–314, 1996.
SANTOS FRANçA, R. dos. Simulação Multi-Agentes Modelando o Comportamento
Coletivo de Pânico em Multidões. Dissertação (Mestrado) — Universidade Fedearl do ABC UFABC, 2010.
GASTON, M. E.; DESJARDINS, M. Social network structures and their impact on multi-agent
system dynamics. Artigo do Department of Computer Science University of Maryland
Baltimore County sobre redes sociais e difusao de informação. 2005.
GILBERT, G.; TROITZSCH, K. Simulation for the Social Scientist. [S.l.]: Open University
Press, 2005. ISBN 0-33-521600-5.
GOULD, P. Q-analysis, or a language of structure: An introduction for social scientists,
geographers and planners. International Journal of Man-Machine Studies, Elsevier, v. 13,
n. 2, p. 169–199, 1980.
GRANOVETTER, M. S. The strength of weak ties. The American Journal of Sociology,
v. 78, n. 6, 1973.
DEVELOPMENT GROUP hsqldb. HSQLDB. hsqldb Development Group, Janeiro 2009.
Disponível em: <http://www.hsqldb.org/>.
HANNEMAN, R. A.; RIDDLE, M. Introduction to social network methods. University of
California, Riverside, 2005.
HEWITT, C. Viewing control structures as patterns of passing messages. Artificial
intelligence, Elsevier, v. 8, n. 3, p. 323–364, 1977.
HEYLIGHEN, F. Building a science of complexity. In: CITESEER. Proceedings of the 1988
Annual Conference of the Cybernetics Society (London). [S.l.], 1989.
HUITT, W. Maslow’s hierarchy of needs. Educational Psychology Interactive. Valdosta,
GA: Valdosta State University.
JACOBSEN, C.; HOUSE, R. J. Dynamics of charismatic leadership: A process theory,
simulation model, and tests. The Leadership Quarterly, v. 12, n. 1, p. 75–112, June 2001.
JUNGTEAM. JUNG, the Java Universal Network/Graph. The JUNG Framework
Development Team, Maio 2011. Disponível em: <http://jung.sourceforge.net/>.
Referências Bibliográficas
142
JUNIOR, D. A. M.; SALLES, R. M. Medindo a robustez de uma rede com o fator de
resiliência. In: Conferencia IADIS Ibero-Americana WWW/INTERNET. [S.l.: s.n.], 2009.
KAVAKLI, M. Training simulations for crime risk assessment. Training Simulations for
Crime Risk Assessment (IEEE), p. 203 – 210, Julho 2006.
KO, T.; BERRY, N.; MODEL, O. Agent-based modeling with social networks for terrorist
recruitment. In: MENLO PARK, CA; CAMBRIDGE, MA; LONDON; AAAI PRESS; MIT
PRESS; 1999. Proceedings of yhe National Conference on Artificial Intelligence. [S.l.],
2004. p. 1016–1017.
KOENIG, S. Elementos de Sociologia. 5. ed. Rio de Janeiro: Jorge Zahar Editor, 1962. ISBN
8-52-450071-9.
LANSING, J. Artificial societies and the social sciences. Artificial Life, MIT Press, v. 8, n. 3,
p. 279–292, 2002.
LISBOA, C. de Física Teórica e Computacional Universidade de. Prisma - À luz da física.
Abril 2010.
LUHMANN, N. Social Systems. [S.l.]: Stanford University Press, 1996.
MANDELBROT, B. B. The Fractal Geometry of Nature. 1. ed. [S.l.]: W. H. Freeman, 1983.
ISBN 0-71-671186-9.
MARIETTO, M. G. B.; DAVID, N.; SICHMAN, J. S.; COELHO, H. Proposta preliminar de
uma nova classificação para a Área de inteligência artificial distribuída: Focos de interesse e
sistemas computacionais relacionados. In: OPEN TRACK. 8th Iberoamerican Conference
on Artificial Intelligence (IBERAMIA). [S.l.], 2002.
MARTELETO, R. Análise de redes sociais - aplicação nos estudos de transferência da
informação. Ci. Inf, SciELO Brasil, p. 71–81, 2001.
MASLOW, A.; FRAGER, R.; FADIMAN, J. Motivation and personality. Harper e Row New
York, 1970.
MCFARLAND, D.; BENDER-DEMOLL, S. SoNIA: Social Network Image Animator.
Dezembro 2010. Eletronic. Disponível em: <http://www.stanford.edu/group/sonia/>.
MCPHAIL, C. Blumer’s theory of collective behavior. The Sociological Quarterly, 1989.
MCPHERSON, M.; SMITH-LOVIN, L.; COOK, J. Birds of a feather: Homophily in social
networks. Annual Reviews, 2003.
MERTON, R. K. Social Theory and Social Structure. [S.l.]: Free Press, 1968. ISBN
0-02-921130-1.
METZ, J.; CALVO, R.; SENO, E. R. M.; ROMERO, R. A. F.; LIANG, Z. Redes Complexas:
Conceitos e Aplicações. [S.l.], 2007.
MIKA, P. Social Networks and the SemanticWeb. [S.l.]: Spring, 2007. (SemanticWeb And
Beyond Computing for Human Experience, v. 5). ISBN 978-0-387-71000-6.
MILGRAM, S. The small world problem. Psychology Today, v. 2, p. 60–67, 1967.
Referências Bibliográficas
143
MINHANO, R. Q. Análise de Redes Aplicada ao Marketing Viral: Estudo de Caso
na Rede de Indicações de um Site de E-Commerce. Dissertação (Mestrado) — Centro
Universitário Fundação Santo André, 2008.
MORENO, J.; JENNINGS, H. Who Shall Survive?: A New Approach to the Problem of
Human Interrelations. [S.l.]: Nervous and mental disease publishing co., 1934.
MOSS, S.; PAHL-WOSTL, C. Integrating physical and social modelling: The example of
climate change. Integrated Assessment, 2000.
MUSSE, S. R.; ULICNY, B.; EPFL-VRLAB; AUBEL, A.; THALMANN, D. Groups and
crowd simulation. In: International Conference on Computer Graphics and Interactive
Techniques archive ACM SIGGRAPH 2005 Courses. Los Angeles, California: [s.n.], 2005.
NAGEL, K.; ZURICH, E.; MARCHAL, F. Computational methods for multi-agent simulations
of travel behavior. In: International Conference on Travel Behaviour Research. [S.l.: s.n.],
2003.
NEWMAN, M. E. J. The structure and function of complex networks. SIAM Review, v. 45, p.
167–256, 2003.
PALAZZO, L. Complexidade, caos e auto-organização. Oficina de Inteligência Artificial,
v. 3, p. 49–67, 1999.
PARK, R.; REUTER, E. An Outline of the Principles of Sociology. [S.l.]: Barnes e Noble,
1946.
PARSONS, T. The Structure of Social Action. [S.l.: s.n.], 1937. ISBN 0-02-924240-1.
PEREIRA, G. M. R.; CâMARA, M. A. da. Algumas aplicações da teoria dos grafos. FAMAT
em revista, n. 10, p. 161–172, 2008.
PEREIRA, M.; KAHIL, S.; GERARDI, L.; CARVALHO, P. O território e as redes:
Considerações a partir das estratégias de grandes empresas. Geografia: ações e reflexões. Rio
Claro: Programa de Pós-Graduação em Geografia, IGCE-UNESP/AGETEO, p. 213–226,
2006.
PRIMO, A. Interação Mediada por Computador: A Comunicação e a Educação
a Distância Segundo uma Perspectiva Sistêmico-Relacional. Tese (Doutorado) —
Universidade Federal do Rio Grande do Sul - UFRGS, Março 2003.
PUJOL, J.; SANGüESA, R.; DELGADO, J. Extracting reputation in multi agent systems
by means of social network topology. In: ACM. Proceedings of the First International
Joint Conference on Autonomous Agents and Multiagent Systems: Part 1. [S.l.], 2002. p.
467–474.
PUTNAM, R. D. Bowling Alone: The Collapse and Revival of American Community.
[S.l.]: Simon & Schuster, 2000. ISBN 0-68-483283-6.
QUARANTELLI, E. L. Panic behavior: Some empirical observations. American Institute of
Architects Conference on Human Response to Tall Buildings, 1975.
Referências Bibliográficas
144
RADCLIFFE-BROWN, A. On social structure. Journal of the Anthropological Institute of
Great Britain and Ireland, JSTOR, v. 70, n. 1, p. 1–12, 1940.
RAUCH, J. Seeing around corners. Atlantic, v. 9, p. 05, 2007.
RECUERO, R. Redes Sociais Na Internet: Considerações iniciais. [S.l.], 2004.
RECUERO, R. Redes Sociais Na Internet. [S.l.]: Sulina, 2009. (Cibercultura). ISBN
8-52-050525-2.
ROCHA, L. E. C. da. Redes Acopladas: Estrutura e Dinâmica. Dissertação (Mestrado) —
Instituto de Física de São Carlos - USP, 2007.
RODRIGUES, J. A. M. Anáise de redes e políticas de juventude. 2008.
ROGERS, E. M. Diffusion of Innovations. 5. ed. [S.l.]: Paperback, 2003. ISBN
0-02-926671-8.
ROGERS, E. M.; MEDINA, U. E.; RIVERA, M. A.; WILEY, C. J. Complex adaptive systems
and the diffusion of innovations. The Innovation Journal: The Public Sector Innovation
Journal, Citeseer, v. 10, n. 3, p. 1–26, 2005.
SCHELLING, T. Dynamic models of segregation. Journal of Mathematical, Citeseer, v. 1, p.
143–186, 1971.
SHARMA, S.; SINGH, H.; PRAKASH, A. Multi-agent modeling and simulation of human
behavior in aircraft evacuations. Aerospace and Electronic Systems, IEEE Transactions on,
v. 44, p. 1477 – 1488, 2008.
SILVA, A.; MATHEUS, R.; PARREIRAS, F.; PARREIRAS, T. Estudo da rede de co-autoria
e da interdisciplinaridade na produção científica com base nos métodos de análise de redes
sociais: Avaliação do caso do programa de pós-graduação em ciência da informação ppgci-ufmg. Enc. Bibli: R. Eletr. Bibliotecon. Ci. Inf., Florianópolis, p. 179–194, 2006.
SILVA, V. L. Um Modelo para Sistemas Multiagentes Baseado na Teoria de Sistemas
Sociais para o Estudo do Problema da Ligação Micro-Macro. Tese (Doutorado) — Instituto
Tecnológico de Aeronáutica, 2008.
SMELSER, N. Theory of Collective Behaviour. [S.l.]: Routledge and Kegan Paul, 1962.
ISBN 0-02-929390-1.
STROGATZ, S. Exploring complex networks. Nature, Nature Publishing Group, v. 410,
n. 6825, p. 268–276, 2001.
SWARMTEAM. Swarm Main Page. University of Michigan, Dezembro 2008. Disponível
em: <http://www.swarm.org/>.
TARDE, G. Les Lois de l’Imitation: Étude Sociologique. [S.l.]: Félix Alcan, 1890. ISBN
1-42-125278-3.
TEAM, A. Ascape Guide. [S.l.], Julho 2010. Disponível em: <http://ascape.sourceforge.net/>.
TöNNIES, F. Gemeinschaft und gesellschaft (comunidade e sociedade). Darmstadt: Hans
Buske, 1935.
Referências Bibliográficas
145
TSVETOVAT, M.; CARLEY, K.; SYCARA, K. Emergence of market segmentation: A
multi-agent model. In: CITESEER. Modelling Autonomous Agents in a Multi-Agent World,
Proceedings of the 10th European Workshop on Multi-Agent Systems. [S.l.], 2001.
TURNER, R. H.; KILLIAN, L. M. Collective Behavior. [S.l.]: Prentice-Hall, 1957. ISBN
0-13-140682-5.
ULICNY, B.; THALMANN, D. Crowd simulation for interactive virtual environments and vr
training systems. In: Proceedings of the Eurographic Workshop on Computer Animation
and Simulation. [S.l.: s.n.], 2001. p. 163 – 170. Springer-Verlag New York.
VIANA, M. P. Metodologia das Redes Complexas para Caracterização do Sistema de
Havers. Dissertação (Mestrado) — Instituto de Física de São Carlos - USP, 2007.
WARDIL, L. L. Redes em Biologia: Introdução às Redes Complexas. Estudo dos
Aspectos Estruturais e Dinâmicos do Ciclo Celular e dos Ritmos Circadianos. Dissertação
(Mestrado) — Universidade Federal de Minas Gerais (UFMG).
WASSERMAN, S.; FAUST, K. Social network analysis: methods and applications.
Cambridge University Press, 1994.
WATTS, D.; STROGATZ, S. Collective dynamics of “small-world” networks. Nature, Nature
Publishing Group, v. 393, n. 6684, p. 440–442, 1998.
WATTS, D. J. Small Worlds : The dynamics of Networks between Order and Randomness.
[S.l.]: Princeton University Press, 1999. ISBN 0-69-111704-7.
WATTS, D. J. Six Degrees: The Science of a Connected Age. [S.l.]: WW Norton &
Company, 2003. ISBN 978-0-393-04142-2.
WELLMAN, B. Structural analysis: From method and metaphor to theory and substance. In:
Social Structures: A Network Approach. [S.l.]: JAI Press, 1997. cap. Structural analysis:
From method and metaphor to theory and substance, p. 19–61.
WELLMAN, B. Physical place and cyberplace: The rise of personalized networking.
International Journal of Urban and Regional Research, 2001.
XJ, T. XJ Technologies - Simulation Software and Services. XJ Technologies, Julho 2010.
Disponível em: <http://www.xjtek.com/>.
ZHU, H. Roles as agent dynamics in multi-agent systems. SYSTEM AND INFORMATION
SCIENCES NOTES, v. 1, n. 2, p. 165–171, 2007.