Hồi tháng Tám 2016, nhà vật lí lí thuyết Pháp Serge Galam đã công bố một bài báo giải thích chiến thắng ngoài dự tính của Donald Trump trong đợt bầu cử sơ bộ của đảng Cộng Hòa ở Mĩ trong năm đó. Mô hình của ông còn đề xuất rằng Trump có thể đắc cử tổng thống vào tháng Mười Một – một quan điểm không được các phân tích hay trưng cầu dân ý lúc đó ủng hộ (Internatinal Jounal of Modern Physics B 31 1742015). Galam được một số người xem là cha đẻ của lĩnh vực mới xuất hiện: “vật lí xã hội học”. Ông bị thuyết phục rằng động lực học của các quan điểm tuân theo các quy luật định lượng phổ quát có thể tìm ra được và có thể lập mô hình theo kiểu giống như các nhà vật lí lập mô hình thế giới vật chất.
Hiện đang làm việc tại Viện Nghiên cứu Chính sách Paris ở Pháp, Galam trải qua phần lớn sự nghiệp của ông trong các khoa vật lí nghiên cứu các hệ hỗn độn. Khi còn là sinh viên hồi những năm 1970, ông đã bắt đầu cố gắng áp dụng vật lí thống kê cho các mô hình xã hội, nhưng ban đầu công trình này bị các nhà vật lí khác ngờ vực không ít. “Người ta rất không thân thiện,” Galam nhớ lại. “Cho đến bây giờ, tôi vẫn không thật sự hiểu nổi cớ vì sao.” Trưởng khoa của Galam còn tịch thu bài báo đầu tiên của ông về lĩnh vực đó và cố ngăn ông công bố nó.
Trong cuộc trưng cầu dân ý Pháp năm 2005 về việc thiết lập Hiến pháp châu Âu, kết quả “No” là một bất ngờ đối với nhiều người, chứ với Serge Galam thì không, vì ông đã dự đoán nó bằng vật lí xã hội học. Ảnh: Olivier Hoslet/EPA/Shutterstock.
Hồ sơ theo dõi của Galam trong việc dự đoán các bất ngờ chính trị đã có từ trước thời Trump. Hồi năm 2005, sau cái bóng Brexit, ông đã dự đoán đúng kết quả “No” trong cuộc trưng cầu dân ý Pháp năm đó về việc thiết lập một bản Hiến pháp châu Âu (55% cử tri đã từ chối hiệp ước với tỉ lệ 69%). Galam cảnh báo trước cuộc bỏ phiếu rằng “cho dù bắt đầu từ một số lượng lớn người ngả về Liên minh châu Âu, nhưng sự tranh cãi tự do và rộng khắp sẽ đưa đến một thái độ thù địch khủng khiếp đối với Liên minh châu Âu”. Ông cho biết những cơ chế động lực học tương tự cũng xảy ra với Brexit.
Các mô hình vật lí
Trong hơn 15 năm qua, nhiều nhà vật lí bắt đầu quan tâm đến việc sử dụng các mô hình vật lí để phân tích các xu hướng trong các ý kiến của đám đông. Thật vậy, ngày nay đã có một cộng đồng vật lí xã hội học đang lớn mạnh, mục tiêu tối hậu của họ là cố gắng giải thích và dự đoán vì sao thỉnh thoảng lại xuất hiện một số kết cục chính trị chẳng đâu vào đâu.
Một trong những người đó là Daniel Stein, một nhà vật lí tại Đại học New York ở Mĩ. Nghiên cứu của ông tập trung chủ yếu vào sự ngẫu nhiên và lộn xộn trong các vật liệu từ. Ông đang hợp tác với nhà tâm lí học xã hội Mirta Galesic thuộc Viện Santa Fe ở New Mexico để phát triển cái Galesic mô tả là “các mô hình được làm giàu nhận thức từ vật lí thống kê”. Như trong nhiều mô hình vật lí xã hội học, Stein và Galesic đang sử dụng mô hình toán học của hiện tượng sắt từ làm cơ sở cho công trình của họ - đặc biệt là mô hình Ising.
Mô hình Ising được mô tả tiêu biểu dưới dạng một mạng lưới 2D với – trong trường hợp các vật liệu từ – một hạt tại mỗi mắc xích của mạng lưới. Mỗi hạt có thể ở đúng một trong hai trạng thái: spin “up” hay spin “down”. Các spin ưa sắp song song với láng giềng của chúng vì làm thế giảm được năng lượng chung của hệ. Tuy nhiên, tác động này kháng lại sự nhiễu nhiệt, nguồn gây ra các thăng giáng có xu hướng làm hỏng trật tự. Ở nhiệt độ thấp, trật tự tầm xa được thiết lập, nhưng ở trên một nghiên cứu tới hạn thì hệ trở nên lộn xộn. Hóa ra mô hình cơ bản này hoạt động với nhiều hệ vật chất và có phạm vi áp dụng vượt ngoài từ học. “Có lẽ nó là một trong những mô hình được sử dụng rộng khắp nhất trong vật lí học,” Stein cho biết. Chẳng hạn, trong vật lí xã hội học, nó được dùng dưới dạng một mô hình đơn giản về động lực học các lựa chọn, trong đó các mạng lưới người đang tương tác và ảnh hưởng lẫn nhau.
Một mô hình khác được áp dụng cho vật lí xã hội học là lí thuyết thấm lọc, nó được dùng trong nhiều lĩnh vực đa dạng từ vật lí học cho đến dịch tễ học. Một trong những người đi theo lộ trình này là Hernan Makse – một nhà vật lí ở Đại học Thành phố New York. Ông có nền tảng về công nghệ hóa dầu, trong đó lí thuyết thấm lọc được sử dụng để tìm hiểu cách nước chảy khi được bơm vào đá để tống dầu ra. “Đây là một lí thuyết thấm lọc tiêu biểu vì bạn đang giải một bài toán kết nối – trong trường hợp này là sự thấm lọc của nước qua một môi trường xốp, chính là đá,” ông nói. Trong một mạch lộ trình tương tự, Makse hiện đang sử dụng các mô hình thấm lọc để mô tả sự khuếch tán thông tin và tác động của nó lên các quan điểm của con người.
Lập mô hình quan điểm
Vậy các mô hình này thật sự có liên quan gì với hành vi con người và cách chúng ta hình thành quan điểm của mình? Stein thừa nhận rằng các hệ thống xã hội phức tạp hơn nhiều so với từng nguyên tử hay spin, nhưng có các điểm chung. “Đó không chỉ là các đặc tính của tác nhân mà cả các tương tác giữa các tác nhân nữa, và đây là chỗ cơ học thống kê xuất hiện,” ông giải thích. “Đó là do bởi toàn bộ các tương tác của từng hạt với spin và trường ngoài đều có tính cơ học.” Y hệt như với các spin nguyên tử, cách con người thay đổi quan điểm có liên hệ với các mạng lưới xung quanh và có thể được lập mô hình bằng bất kì hiện tượng tập thể nào với các “tác nhân” đang tương tác, dù chúng là con người hay nguyên tử.
Các mô hình động lực học-quan điểm khảo sát các tương tác bên trong các mạng lưới và cách chúng có thể gây ra thay đổi – thường là giữa hai quan điểm đối lập nhau như bỏ phiếu cho đảng cánh tả hay cánh hữu. Các mô hình này tạo ra các vòng “cập nhật” liên tiếp, sau mỗi vòng đều có sự chuyển biến quan điểm. “Tất nhiên có một lằn ranh tinh tế giữa việc sử dụng một mô hình làm khuôn khổ chỉ dẫn cho bạn khảo sát và việc lí giải điều này theo nghĩa đen,” Galesic nói. “Không nên xem chúng là một mô tả trực tiếp về con người và xã hội loài người – tất nhiên con người đâu phải các hạt cư trú trong một mạng tinh thể!” Song các mô hình này thật sự gây dựng được các kiểu quan điểm phân bố tương tự như trong thế giới thực. “Những mô hình rất đơn giản này có cách rút ra được những kiểu phân bố như vậy, chỉ cần sử dụng vài ba tham số thôi,” Galesic cho biết.
Khi Galesic và Stein sử dụng một hình thức của mô hình Ising, các quan điểm được lập mô hình dưới dạng spin up hoặc down có thể thay đổi theo sự kết hợp của chúng với các spin xung quanh – tức mạng lưới con người mà chúng được thể hiện. Xác suất của một biến đổi spin còn phụ thuộc vào các khuynh hướng nội tại, chẳng hạn như các thiên kiến chính trị ảnh hưởng đến khả năng thay đổi lòng tin. “Mỗi hạt có thể có một từ trường riêng, trong trường hợp của chúng ta đó là toàn bộ các niềm tin (từ trước) và các giá trị của họ,” Galesic nói. Bà giải thích cơ sở tâm lí của điều này như sau: “Giả sử việc tin vào sự biến đổi khí hậu do con người gây ra là một spin up hoặc down, thì từ trường riêng của tôi sẽ là thiên kiến chính trị của tôi – vậy nên nếu tôi theo phe Cộng Hòa thì ít có khả năng tôi sẽ chấp nhận một sự thật khoa học như vậy.”
Để kiểm tra khuôn khổ lí thuyết của họ, Galesic và Stein đã sử dụng dữ liệu quan điểm về chính trị và sức khỏe được thu thập từ 80 sinh viên có mặt trong một giảng đường tại Viện Công nghệ Massachusetts (MIT) (Physica A 519275). Một mặt họ nhìn vào phép kiểm tra đó là cơ chế mà các tác nhân – tức các sinh viên – thay đổi quan điểm của họ giữa các lần khảo sát liên tiếp trong năm 2008 và 2009. Trong các mô hình vật lí xã hội học, có nhiều cách lập mô hình điều này bằng thuật toán, một trong những cách thông dụng nhất là “quy tắc số đông” trong đó một người chấp nhận quan điểm của số đông trong mạng lưới địa phương của họ. Hoặc là, với “quy tắc chuyên gia”, người ta tuân theo một cá nhân nhất định có quan điểm được họ đánh giá cao. Galesic và Stein chỉ ra rằng không thể nào quan sát một quy tắc trong hết mọi tình huống và rằng cách người ta hành xử là phụ thuộc hoàn cảnh. Vậy nên trong nghiên cứu của họ, cả hai quy tắc đều được sử dụng, tùy thuộc vào kiểu câu hỏi đang được nêu ra. “Những thứ đại loại như chơi thể thao mỗi tuần một lần, ăn salad hay ăn các thực phẩm không lành mạnh – chúng tôi tìm thấy rằng quy tắc số đông hoạt động tốt nhất. Vì thế, nếu bạn của bạn sắp tập thể dục, thì có lẽ bạn cũng sắp,” Stein nói. Nhưng khi được hỏi về những câu hỏi khoa học, người ta thường chọn theo ý kiến của một ai đó mà họ xem là một chuyên gia.
Các kiểu mạng lưới được lập mô hình cũng gây ra sự khác biệt. Trong vật lí học, người ta thường sử dụng mạng lưới Euclid (một ma trận điểm 2D), nhưng nó không thực tế đối với các mạng lưới xã hội. Thay vào đó, một mô hình thường được sử dụng là mạng lưới thế giới-thu nhỏ, nó tạo ra các đám tập trung và khiến những người xa lạ trở nên liên hệ mật thiết. Trong nghiên cứu MIT, Galesic và Stein đã xây dựng các mạng lưới xã hội thật từ các phản hồi nghiên cứu và bằng cách sử dụng tín hiệu Bluetooth và WiFi cho biết tình trạng gần gũi thật sự của những người tham gia. Quả vậy, hóa ra mạng lưới Bluetooth này đem lại mô hình chính xác nhất – mặc dù không phải lúc nào nó cũng đáp ứng các ý tưởng riêng của người ta về mạng của họ.
Các chuyển tiếp pha và điểm lật
Một mặt quan trọng của các mô hình vay mượn từ vật lí là khả năng của chúng nhận dạng các chuyển tiếp pha – khi nào một hệ chuyển dịch từ một pha tổ chức trật tự sang một pha khác. Một ví dụ thường gặp là cách nước biến đổi trạng thái là một hàm của nhiệt độ và áp suất. “Các chuyển tiếp này là thứ chúng tôi cũng thấy trong xã hội,” Makse nói. Tuy nhiên, các biến đổi pha ấy không phải do nhiệt độ hay áp suất gây ra, mà do sự thay đổi phân bổ quan điểm, vốn do các yếu tố xã hội khác nhau gây ra.
Cùng các đồng sự đến từ Brazil, Makse đã tìm kiếm các kiểu chuyển tiếp pha này trong quan điểm công chúng trên thực tế, xét từ hơn 10 năm dữ liệu của Trung tâm Nghiên cứu Pew ở Mĩ, trên nhiều vấn đề chính trị từ di cư cho đến nạo phá thai. Các nhà nghiên cứu đặc biệt xem xét kĩ cách quan điểm trở nên cực đoan hơn và liệu số người giữ quan điểm cực đoan có thể gây ra “điểm lật” hay không – tức là một khi đạt tới, nó có thể gây ra các biến đổi phi tuyến và khiến số người giữ quan điểm cực đoan chiếm số lượng đông hơn nữa trong toàn bộ dân cư.
Makse và các đồng sự của ông đã sáng tạo ra “biểu đồ pha xã hội” biểu diễn các điều kiện cho một xã hội chiếm giữ các pha ôn hòa, pha cực đoan chớm nở, hay pha cực đoan (trong đó số đông giữ quan điểm cực đoan), và điều này biến đổi như thế nào theo tỉ lệ người giữ quan điểm cực đoan. Một ví dụ cho sự chuyển tiếp như thế về quan điểm là cách người ta xếp loại tình trạng kinh tế ở các nước bao gồm Pháp, Italy, Hi Lạp và Tây Ban Nha. Thay vì quan điểm chung thay đổi tuyến tính khi tỉ lệ người xem tình hình là “rất tệ” tăng lên, thì xuất hiện một điểm tại đó mối liên hệ giữa quan điểm chung và tỉ lệ người thể hiện quan điểm cực đoan không còn tuyến tính nữa. Thay vậy, quan điểm chung về tình hình kinh tế trở nên tiêu cực hơn kì vọng (hình 1). Điều này xảy ra ngay sau cuộc khủng hoảng nợ công châu Âu (Sci. Rep. 5 10032).
(Ảnh: M Ramos, J Shao, S Reis và các cộng sự. 2015 Sci. Rep. 5 10032)
Kết quả của 260 cuộc trưng cầu dân ý ở 59 quốc gia, trong đó f là tỉ lệ người chia sẻ một quan điểm (xếp loại tình hình kinh tế ở nước họ hoặc là “xấu” hoặc là “rất xấu”), và fe là tỉ lệ người chia sẻ một quan điểm cực đoan (chỉ xếp loại nền kinh tế là “rất xấu”). Đường chấm chấm miêu tả hành trạng tuyến tính được kì vọng cho một nhóm phi tương hỗ. Các cuộc trưng cầu ở Tây Ban Nha được làm nổi bật bằng các ô vuông màu đen có ghi rõ tiến trình thời gian. Có một điểm lật rõ nét tại chỗ fe lệch khỏi kì vọng vào năm 2009.
Một kết quả bất ngờ là để đạt tới điểm lật, trong một số trường hợp chỉ cần 20% dân số ban đầu giữ quan điểm cực đoan là đủ ảnh hưởng đến những người khác và cuối cùng đưa đến một số đông cực đoan. Điều này có vẻ khó hiểu từ góc nhìn vật lí lẫn tâm lí cho đến khi các nhà nghiên cứu nhóm các khác biệt theo bản chất con người, tương tư như khái niệm “nội trường” của Galesic. Đặc biệt, họ đã có thể lập mô hình sự ra đời của những đợt bùng phát quan điểm cực đoan khi họ bao gộp luôn “tính ngoan cố” – rõ ràng một số người ít chịu thay đổi suy nghĩ hơn những người khác, điều đó tạo nên một thành phần thiết yếu trong mô hình. “Chúng tôi đã cho chạy với các ngưỡng này để xem cần có bao nhiêu người ngoan cố trong mô hình để ý kiến [của người ta] không thay đổi,” Makse nói. “Mọi kiểu động lực học đẹp đều xuất hiện.”
Tương tự như vậy, mô hình của Galam về động lực học quan điểm cũng tích hợp tính ngoan cố ở cả hai phe cạnh tranh, và do đó có thể dự đoán giá trị của điểm lật tương ứng với bất kì tỉ lệ lựa chọn ban đầu nào trong một nhóm dân cư. Ở mỗi phe có nhiều hơn chừng 2% tác nhân ngoan cố thôi là đã đặt điểm lật ở một giá trị rất thấp chừng 17%, dẫn tới kết luận không hay rằng muốn giành một cuộc tranh cãi công khai, vấn đề không phải là thuyết phục số đông người từ lúc bắt đầu, mà là tìm một cách nào đó làm tăng tỉ lệ tác nhân ngoan cố ở mỗi phe (Physica A 389 3619).
Quy tắc số đông đem lại sự lây lan thiểu số
Galam đã dành phần lớn sự nghiệp của ông để giải thích kiểu kết quả bất ngờ trên cứ xuất hiện đều kì trong chính trị và tranh cãi công khai. Ông quy điều này cho “sự lây lan quan điểm thiểu số”, trong đó một thiểu số dư luận ban đầu biến thành đa số khi về cuối. Thay vì là một phản ứng trước một vấn đề chính trị đặc biệt, Galam cho biết đây là một hiện tượng xã hội học có thể được lập mô hình theo một lộ trình tương tự dùng trong vật lí thống kê để đạt tới hành vi toàn cầu từ các tương tác địa phương.
Mô hình của Galam sử dụng một phương pháp dựa trên số đông, với những thảo luận nhóm nhỏ cục bộ lặp đi lặp lại xuất hiện bên trong mạng lưới. Hãy nghĩ đây là những bữa trưa thực tế, những buổi nghỉ giải lao và những bữa tiệc tối tại đó người ta bàn luận tin tức. Trong những cuộc gặp gỡ này, người ta thay đổi quan điểm của mình theo số đông cục bộ, trừ khi phải đối mặt với sự phân chia quan điểm ngang ngửa nhau trong nội bộ nhóm. Trong trường hợp thứ hai, người ta có khả năng ủng hộ quan điểm đem lại ít thay đổi nhất hoặc phù hợp với thành kiến từ trước của họ (Eur. Phys. J. B 25 403). Bởi thế, sau một số cập nhật và tranh cãi không ngớt, các quan điểm chuyển sang ủng hộ tình trạng nước đôi hoặc quan điểm phù hợp với thành kiến đã có từ trước.
Một quan điểm khởi sinh trong thiểu số có thể nhanh chóng lây lan miễn là nó trên một ngưỡng cơ sở nào đó. Galam đề xuất ngưỡng này ngay trên 23% cho các nhóm gồm bốn người. Nói cách khác, mặc dù một số nhóm bốn người ban đầu không có ai giữ quan điểm thiểu số, nhưng sau một loạt cập nhật một người sẽ đi tới chia rẽ nhóm, gây ra sự chuyển dịch sang tình trạng thiểu số. Và sau mỗi cập nhật, tỉ lệ người giữ quan điểm thiểu số sẽ tăng lên. Rồi nhanh chóng đi tới điểm kết. “Trong mọi trường hợp, số lượng cập nhật đều nhỏ hơn 10,” Galam nói. Tuy nhiên, việc phiên dịch sang thời gian thực sẽ đòi hỏi phải hiểu rõ tốc độ của mỗi cập nhật, nó sẽ tăng lên khi càng tiến gần đến kì bầu cử, chẳng hạn. Một cập nhật có thể là từ vài ba ngày cho đến một hai tuần.
Trong cuộc bầu cử tổng thống Mĩ năm 2016, bằng chứng cho thấy những phát biểu táo bạo của Donald Trump mặc dù ban đầu bị đa số cử tri xem là tởm lợm nhưng chúng đã kích đúng chỗ những thành kiến tiềm ẩn hay vô thức của họ. (Ảnh: Suzi Altman/Zma Wire/Shutterstock)
Trong trường hợp bầu cử tổng thống Mĩ năm 2016, Galam cho biết yếu tố chiếm ưu thế là “thành kiến ghẻ lạnh” của mọi người. Ông cho rằng những phát biểu táo bạo của Trump, mặc dù thoạt đầu khiến đa số cử tri thấy tởm lợm, nhưng chúng đã đánh trúng những thành kiến tiềm ẩn hay vô thức của họ. Trước tiên, nhiều người ủng hộ Trump quay sang Hillary Clinton, phản đối những phát biểu hết sức khinh miệt của ông, dẫn tới việc giảm số người ủng hộ. Nhưng sự xúc phạm ban đầu đó dẫn tới những tranh cãi công khai hơn, làm tự động tăng thêm số điểm cục bộ. Ở những thời khắc này, “chuyện xảy ra giống như việc lật một đồng xu vậy, nhưng với đồng xu ngả về một thành kiến nổi trội,” Galam nói. Sau đó nhiều cử tri bắt đầu ngả sang Trump.
Tuy nhiên, mô hình thật sự đòi hỏi một sự ủng hộ tối thiểu dành cho Trump phải trên giá trị điểm lật tương ứng. “Để ở lại trên ngưỡng đó, phải vừa có thể điều chỉnh thực tế vô thức bằng cách kích đúng những thành kiến ghẻ lạnh xưa cũ, với cái giá là đánh mất sự ủng hộ, song vẫn giữ được một số người nòng cốt vốn OK với thành kiến đó,” Galam giải thích. Mặc dù giá trị ngưỡng có thể thấp chừng 17%, nhưng yêu cầu thứ hai không phải ở đâu cũng thỏa mãn, điều đó giải thích vì sao Trump không chiến thắng ở tất cả các bang của Mĩ.
Trưng cầu ý kiến, đại dữ liệu và các mô hình thống kê
Nếu Galesic cho lời bình phẩm về công trình trước đây trong lĩnh vực vật lí xã hội học, thì chính nhiều mô hình đã được thiết kế biệt lập không hề tham khảo đến các phép đo thực tế về các nhóm xã hội thực. Bà đã tiến hành khảo sát riêng theo chiều dọc về quan điểm công chúng Mĩ để kiểm tra mô hình của bà, khảo sát 94 người trong bốn làn sóng vào năm 2016. Những người tham gia được hỏi về niềm tin của họ về súng, khủng bố và vắc xin, và nghiên cứu theo dõi quan điểm của họ thay đổi như thế nào trong bốn làn sóng đó. Galesic chia nhóm các thông tin về mạng lưới con người và giá trị ban đầu của họ để đem lại một hiểu biết định lượng về khả năng họ sẽ thay đổi quan điểm của mình. Mô hình thu được có thể tái hiện kiểu thay đổi lòng tin thực tế tìm thấy trong nghiên cứu trên.
Trong đợt bầu cử tổng thống Mĩ 2016 và Pháp 2017, Galesic đã hỏi những người tham gia không những họ sẽ bỏ phiếu cho ai, mà còn cả những cá nhân khác trong vòng kết nối xã hội của họ dự định sẽ bỏ phiếu cho ai. Sử dụng thông tin này tính được khả năng để một cá nhân nào đó sẽ thay đổi suy nghĩ của mình. Bổ sung thêm thông tin này thật sự làm tăng độ chuẩn xác của các dự đoán (Nature Human Behaviour 2 187) và Galesic còn sử dụng phương pháp này cho các cuộc bầu cử giữa nhiệm kì ở Mĩ năm 2018, dự đoán đảng Dân Chủ dẫn trước đảng Cộng Hòa 9%. Con số này hóa ra rất sát với thực tế đảng Dân Chủ dẫn trước 8,6% và là một dự đoán tốt hơn so với việc chỉ hỏi mọi người về chính họ (12%).
Các nhà vật lí và nhà khoa học máy tính còn xem xét dữ liệu truyền thông xã hội, nó đang được khai thác cùng với học máy để đưa ra các dự đoán chính xác về lựa chọn của con người và các dự định bỏ phiếu. Trên thực tế, cách này cung cấp thông tin nhanh hơn và rẻ tiền hơn so với trưng cầu ý kiến. Chẳng hạn, trước kì bầu cử tổng thống Mĩ năm 2016, Makse đã phân tích hơn 170 triệu dòng tweet, sử dụng kết hợp phân tích mạng, xử lí ngôn ngữ tự nhiên và học máy (Scientific Reports 8 8673). Các kết quả tỏ ra giống đến bất ngờ với Trung bình Trưng cầu Quốc gia của tờ New York Times – kết hợp hàng trăm trưng cầu độc lập, nhưng trước 10 ngày – mà không cần thời gian trễ để hoàn thành khảo sát.
Theo Makse, phương pháp này có những hạn chế của nó. “Đúng là bạn đang suy luận thống kê, nhưng bạn không biết tại sao lại thế – nó là một hộp đen, bạn sẽ không biết được điều gì về xã hội hết. Nếu bạn muốn thật sự làm thay đổi tình huống, thì bạn cần làm với vật lí học và đi tìm hiểu cơ chế.” Như lời ông bổ sung thêm, “Đối với một nhà vật lí, đi tìm các quy luật cơ bản ẩn sau những dự đoán đó thì vui hơn nhiều.”
Galam tán thành rằng vật lí thống kê có thể cung cấp những cái nhìn độc đáo từ bên trong, đặc biệt khi nó xuất hiện cùng với các hiệu ứng phi tuyến và “các biến đổi pha”. “Đại dữ liệu sẽ không cho bạn thấy một sự thay đổi bất ngờ nhanh chóng trước khi nó xảy ra vì trước đó nó chưa xuất hiện – bạn cần một lí thuyết để làm điều đó.” Galam nhìn nhận sức mạnh độc đáo của vật lí xã hội học là khả năng của nó dự đoán kiểu hành vi phi tuyến mà việc trưng cầu ý kiến sẽ không bao giờ dự đoán được và thường gây ra những biến đổi chính trị hoặc xã hội to lớn. “Tôi nghĩ một ngày nào đó chúng ta sẽ có thể dự đoán trên nền tảng chắc chắn, những hiện tượng tập thể như là bầu cử, hay một phong trào xã hội trên cấp thời gian sự kiện một vài tuần hoặc một vài tháng,” ông nói.
Khi các mô hình vật lí xã hội học phát triển thêm, chúng sẽ có thể dự báo kiểu hành vi phi tuyến mà việc trưng cầu ý kiến không bao giờ dự đoán được. (Ảnh: Shutterstock/Sandor Szmutko)
Cùng với Taksu Cheon, một nhà vật lí đến từ Đại học Công nghệ Kochi ở Nhật Bản, Galam đã thành công trong việc tích hợp toàn bộ các mô hình của ông thành một phương trình cập nhật duy nhất. “Nay chúng tôi đã có đủ hết các thông số, thành ra tôi có được một kiểu công thức phổ quát,” Galam nói. “Nó đem lại cho tôi – với bất kì tỉ lệ cá nhân cứng rắn nào, bất kì ràng buộc, bất kì phân bố thành kiến nào và với bất kì nhóm thương thảo lớn nhỏ – điểm lật tương quan, cái rốt lại sẽ chi phối kết quả cuối cùng, cho nên đây là một bước tiến mạnh về phía trước.” Mọi kết cục động lực học quan điểm khả dĩ nay được bao gộp trong một sơ đồ pha nhúng trong một không gian tham số sáu chiều (arXiv:1901.09622).
Và trong khi những nhận thức vòng kết nối xã hội đã cải thiện dự báo, Galesic cho biết họ còn một bước nữa thôi là có thể dự đoán cách mỗi cá nhân tham gia khảo sát có thể sẽ hành xử. “Đó là tiền phương tối hậu trong khoa học xã hội, đó là cố gắng dự đoán hành vi con người,” bà nói. Vậy nếu điều này là có thể, thì nó cho chúng ta biết gì về sự tự do ý chí của mình? Có lẽ các quan điểm của chúng ta không được hình thành tự do như chúng ta nghĩ. “Chúng ta đang đưa vào xét động lực học những thứ chúng ta không nhìn thấy,” Galam nói. “Chỉ bằng cách nhận ra những quyết định ẩn tàng của chúng ta, mai này chúng ta sẽ đạt tới nhiều tự do ý chí hơn, vậy nên đây là lí do tôi cho là rất quan trọng để thúc đẩy theo hướng vật lí xã hội học.”
Còn với Galesic, bà nghĩ kiểu nghiên cứu này thật sự có thể giúp chúng ta có nhiều tự do hơn. “Nếu các mô hình này cho thấy rằng các liên hệ xã hội của chúng ta và các giá trị đạo đức đã có từ trước của chúng ta ảnh hưởng đến khả năng chúng ta tin tưởng vào một mẩu thông tin có tiềm năng hữu ích nào đó, thì chúng ta sẽ phải tuần tự xác định lại chúng ta sẽ giao tiếp với ai và chúng ta tin tưởng vào điều gì.”
Bài của Rachel Brazil trên tạp chí Physics World, tháng 1/2020.
Bản dịch của Thuvienvatly.com
![[ebook] Lỗ đen, lỗ sâu và cỗ máy thời gian](/bai-viet/images/2020/06/loden2.png)
