새 일자리 소식은 왜 친한 친구가 아니라 얼굴만 아는 사람에게서 올까: 약한 유대의 힘
새 일자리 소식은 가장 친한 친구에게서 올 것 같습니다. 그런데 친한 친구들은 대개 서로도 아는 사이라 같은 소식만 돌고 돕니다. 이 모델에서는 서로 가까운 이웃끼리만 이어진 300명의 원에 먼 사람과 이은 선 약 18개(전체 연결의 2%)를 보태자, 소식이 90%에 퍼지는 시간이 58턴에서 16턴으로 줄어듭니다. 친구 무리는 거의 그대로인데 세상이 갑자기 작아집니다. 원 위의 사람을 눌러 그 사람부터 소식을 시작해 보세요.
모델은 이렇게 움직입니다
- 원 위의 사람들이 각자 양옆 가까운 이웃 몇 명(기본 6명)과 이어져 있습니다. 서로 이웃의 이웃이라 친구 무리가 촘촘하게 겹칩니다. 소식은 이 무리를 따라 한 걸음씩 번져서 반대편까지 가는 데 오래 걸립니다.
- 이어진 선마다 확률 p로 한쪽 끝을 원 어디든 무작위 먼 사람으로 바꿉니다. 이것이 얼굴만 아는 사이, 곧 약한 연결입니다(보라색 선). p가 0이면 약한 연결이 없고, 1이면 모든 선이 무작위입니다.
- 소식은 한 사람에서 시작합니다. 매 턴 소식을 아는 사람이 아직 모르는 이웃에게 전달 확률(기본 50%)로 전합니다. 90%가 알 때까지 걸린 턴을 재고, 여러 번 돌려 평균을 냅니다.
- 평균 거리는 두 사람 사이 최단 경로의 평균 걸음 수, 친구 무리의 촘촘함(군집계수)은 내 친구 둘이 서로도 친구일 비율의 평균입니다.
직접 돌려보기
① 소식이 퍼지는 모습
원 위의 점이 사람, 가까운 이웃끼리는 회색 선, 먼 사람과 이은 약한 연결은 보라색 선입니다. 남색 점은 소식을 안 사람이고 진할수록 먼저 안 사람입니다. 소식이 약한 연결을 건너뛰면 그 선이 굵어집니다. 점을 누르면 그 사람부터 다시 시작합니다.
② 거리는 급히 줄고 무리는 그대로
가로는 약한 연결의 비율(로그 눈금), 세로는 약한 연결이 없을 때를 100%로 놓은 값입니다. 파랑(평균 거리)은 1%만 되어도 절반 아래로 떨어지는데, 노랑(친구 무리의 촘촘함)은 거의 그대로입니다. 이 간격이 작은 세상입니다.
③ 소식이 퍼지는 속도 비교
턴마다 소식을 아는 사람의 비율입니다(8번 평균). 회색은 약한 연결이 없을 때, 나머지는 약한 연결이 늘어난 경우이고, 검은 굵은 선이 지금 설정입니다. 점선은 90%입니다.
④ 약한 연결이 얼마나 필요할까
90%가 알 때까지 걸리는 턴을 약한 연결 비율별로 그렸습니다. 처음 몇 개가 가장 크게 줄여 주고, 그 뒤로는 점점 덜 줄어듭니다.
이 결과가 말하는 것, 말하지 않는 것
말하는 것:
- 친한 무리 안에서는 같은 소식만 돌고, 먼 사람과 이은 선이 몇 개만 있어도 소식이 무리 밖으로 훨씬 빨리 퍼져요.
- 연결의 2%만 먼 사람으로 바꿔도 소식이 90%에 닿는 시간이 58턴에서 16턴으로 줄었는데, 친구 무리의 촘촘함은 94%로 거의 그대로였어요.
- 그래서 친한 사이는 무리 안을 채우고 먼 연결은 무리 밖으로 건너 주는 역할로 나눠 볼 수 있어요. 새 소식이 얼굴만 아는 사람에게서 오는 이유로 설명되곤 해요.
- 그렇다면 소식이 무리 밖으로 잘 퍼지려면? 이 모델에선 친한 연결을 다 바꿀 필요 없이 몇 개만 먼 사람으로 바꾸면 됐어요. 1%만 바꿔도 58→22턴이었고, 그 뒤론 효과가 줄었어요(5%: 11.8턴).
상세 설명
말하는 것: 사람 300명, 가까운 이웃 6명, 전달 확률 50%에서 약한 연결이 없을 때 소식이 90%에 닿는 데 평균 58.1턴(40번 평균)이 걸렸습니다. 약한 연결 1%에서는 22.0턴, 2%(연결 900개 중 약 18개)에서는 16.2턴으로 3.6배 빨랐고, 5%에서는 11.8턴, 전부 무작위(100%)일 때는 6.2턴이었습니다. 평균 거리는 약한 연결이 없을 때 25.4걸음이었다가 1%에서 44%(11.2걸음), 2%에서 33%(8.4걸음)로 줄었지만, 친구 무리의 촘촘함은 같은 구간에서 각각 97%, 94%로 거의 그대로였습니다. 전달 확률 20%에서도 103.6턴에서 31.1턴으로, 사람 500명에서도 96.8턴에서 18.1턴으로 줄었습니다.
말하지 않는 것:
- 직접 보여 준 쪽은 먼 연결이 소식을 빨리 퍼뜨린다는 거예요. 약한 연결이 일자리를 얻는 데 더 낫다는 건 생각해 볼 점이고, 이 시뮬레이션이 보여 준 건 아니에요.
- 이 모델은 모든 연결의 힘이 같다고 가정해요. 실제 약한 연결은 덜 믿고 덜 전할 수 있고, 친한 친구가 더 적극적으로 도와주는 경우도 있어요.
- 실제 관계망에서 소식과 일자리 정보가 얼마나 전해지는지는 조사로 확인해야 해요.
상세 설명
말하지 않는 것: 실제 사회를 재현한 것이 아닙니다. 이 모델은 모두가 같은 수의 이웃을 갖고, 약한 연결이 똑같이 소식을 전한다는 이 프로젝트의 단순화된 가정으로 만들었습니다. 현실의 약한 연결은 덜 믿고, 덜 자주 연락하고, 소식을 덜 전할 수 있는데 여기서는 그 차이를 두지 않았습니다. 또 그라노베터의 주장은 일자리 정보가 나에게 닿는 경로에 관한 것입니다. 이 모델은 소식이 퍼지는 속도만 보여 줄 뿐 일자리를 얻는 데 약한 유대가 더 낫다는 것을 증명하지 않으며, 이후 연구 결과도 엇갈립니다. 친한 친구가 더 적극적으로 도와주는 경우도 있습니다.
이론적 근거와 구현 메모
- 모델의 뿌리: 작은 세상 네트워크는 Watts & Strogatz (1998), "Collective dynamics of 'small-world' networks", Nature 393, 440-442에서 나왔고, 약한 유대라는 생각은 Granovetter (1973), "The Strength of Weak Ties", American Journal of Sociology 78(6), 1360-1380에서 나왔습니다. 가까운 이웃으로 이뤄진 격자에 무작위 연결 몇 개만 섞어도 평균 거리가 크게 줄어듭니다.
- 핵심 가정과 수식: 원 위의 n명이 각자 가까운 이웃 k명과 이어진 상태에서 시작해 연결마다 확률 p로 끝을 무작위로 바꿉니다. 이론적으로 p = 0에서 평균 거리는 약
n/(2k), 군집계수는C(0) = 3(k−2)/(4(k−1))이고, p가 작을 때 군집계수는C(p) ≈ C(0)(1−p)3로 근사됩니다(Barrat & Weigt, 2000). 슬라이더 p, k, n이 각각 이 식의 p, k, n입니다. - 이 프로젝트의 단순화: 원 논문은 평균 거리와 군집계수만 다루고 소식 퍼짐은 이 프로젝트가 덧붙인 것입니다. 전달 확률, 한 사람에서 시작, 모든 연결이 같은 힘이라는 가정, 90% 기준, 사람 수 300과 이웃 6명은 이 프로젝트가 정한 값입니다. 연결의 세기나 신뢰는 모델에 없습니다.
- 이론값과 시뮬레이션: p = 0에서 시뮬레이션의 평균 거리는 25.4걸음으로 근사 n/(2k) = 25.0과 비슷했고, 군집계수는 0.600으로 이론값 0.600과 같았습니다. p = 2%에서 군집계수는 0.566으로 C(0)(1−p)3 = 0.565와 맞았고, p = 20%에서도 0.322 대 0.307로 가까웠습니다(p가 클수록 근사가 어긋나 50%에서는 0.095 대 0.075). 소식 퍼짐은 이론값이 없어 시뮬레이션만으로 확인했습니다(
node tools/validate-weakties.js). - 더 읽을거리: Granovetter (1973), "The Strength of Weak Ties", American Journal of Sociology 78(6); Watts & Strogatz (1998), Nature 393; Barrat & Weigt (2000), "On the properties of small-world network models", European Physical Journal B 13.
- 시뮬레이션은 시드 난수(mulberry32)를 쓰고 같은 시드면 같은 결과가 나옵니다. 평균 거리는 일부 출발점에서 너비 우선 탐색으로 구한 평균이고, ②와 ④는 설정마다 네트워크 6개, ③은 8개, 상단 숫자 카드는 14개를 만들어 평균을 냅니다.
- 검증은
node tools/validate-weakties.js로 할 수 있습니다.