Die interne Struktur von Gruppen erschließen durch Integration statistischen Lernens und kausalen Denkens

Das verborgene Geflecht des sozialen Lebens sehen

Betritt man einen neuen Arbeitsplatz, ein Klassenzimmer oder ein Sportteam, erkennt man schnell, wer das Sagen hat, wer enge Freundschaften pflegt und wer andere stillschweigend betreut. Meist sieht man jedoch nur eine Handvoll kurzer Interaktionen. Dieser Beitrag untersucht, wie Menschen aus solch spärlichen und verrauschten Verhaltenshinweisen die unsichtbare soziale Landkarte rekonstruieren, die den Alltag prägt — und zeigt, dass unser Geist offenbar eine überraschend ausgefeilte Form von Datenanalyse und kausalem Schließen im Hintergrund ausführt.

Wie wir Struktur aus spärlichen Hinweisen erkennen

Die Autorinnen und Autoren argumentieren, dass Menschen nicht nur verfolgen, wer mit wem interagiert; wir nutzen eine Kombination aus statistischem Lernen und alltäglicher „Volkssoziologie“, um tiefere Strukturen zu erschließen. Auf der statistischen Seite bemerken wir Muster darin, wie häufig und auf welche Weise Menschen interagieren, und gruppieren Personen mental in Untergruppen anhand dieser Muster. Auf der soziologischen Seite tragen wir intuitive Erwartungen über Beziehungen wie Autorität, Freundschaft und Mentorschaft mit uns — wer tendenziell Befehle erteilt, wer wen gewöhnlich zu sozialen Aktivitäten einlädt und wer wahrscheinlich Rat sucht oder gibt. Durch die Kombination dieser beiden Fähigkeiten können wir nicht nur erahnen, welche Beziehungen existieren, sondern auch, wie sie zukünftiges Verhalten beeinflussen.

Von verrauschten Videos zu verborgenen Sozialkarten

Um diese Idee zu testen, zeigten die Forschenden Online-Teilnehmenden kurze, cartoonartige Videos mit fünf farbigen Figuren, die in einer Büroumgebung interagierten. In jedem Clip näherte sich eine Figur einer anderen, sandte ein Symbol, das einen Befehl, eine soziale Einladung oder eine Bitte um Rat darstellte, und erhielt dann entweder eine positive oder negative Reaktion. Nach nur wenigen solchen Interaktionen sollten die Betrachter beurteilen, welches von mehreren Kandidatendiagrammen die interne Struktur der Gruppe am besten abbildete — zum Beispiel eine bestimmte Befehlskette, ein Muster von Freundschaftscliquen oder ein Mentoring-Netzwerk. Trotz begrenzter Informationen und gelegentlich widersprüchlicher Interaktionen wählten die Menschen konsequent Diagramme, die den zugrundeliegenden Mustern entsprachen, und sie gaben abgestufte Sicherheitsbewertungen ab, wenn mehr als eine Struktur plausibel erschien.

Vorhersagen, was als Nächstes passiert

Das Team prüfte anschließend, ob Menschen diese erschlossenen Strukturen nutzen, um künftiges Verhalten vorherzusagen. In einer zweiten Reihe von Studien sahen die Teilnehmenden erneut Interaktionssequenzen, wurden aber später beispielsweise darüber informiert, dass ein Mitarbeitender nicht im Büro sei und jemand anderes eine Aufgabe vergeben, jemanden nach der Arbeit einladen oder um Rat fragen müsse. Die Teilnehmenden schätzten, wie wahrscheinlich es war, dass jede verbleibende Person ausgewählt würde. Ihre Vorhersagen ließen sich nicht gut durch einfache Regeln wie „wähle, wer am häufigsten interagiert hat“ erklären. Stattdessen stimmten sie eng mit einem Rechenmodell überein, das zunächst eine zugrundeliegende soziale Struktur erschließt und dann fragt, wer angesichts dieser Struktur und alltäglicher Erwartungen zu Befehlen, Einladungen oder Rat am ehesten als Partner in der neuen Situation infrage kommt.

Dem Fluss sozialer Einflussnahme folgen

Ein letztes Experiment machte die Situation realistischer, indem alle drei Interaktionstypen — Befehle, Einladungen und Ratsersuchen — innerhalb derselben Gruppe vermischt wurden. Anschließend wurden die Teilnehmenden gefragt, wer am ehesten die Wochenendpläne einer bestimmten Person beeinflussen könnte: sie dazu zu überreden, eine zusätzliche Schicht zu arbeiten, einen Film zu sehen oder an einem freiwilligen Kurs teilzunehmen. Unterschiedliche Fragen zogen unterschiedliche Beziehungsarten nach sich: Zusätzliche Schichten folgten eher Autoritätslinien, Filmpläne spiegelten Freundschaften wider und Kursentscheidungen reflektierten Mentorschaften. Auch hier wurden die Antworten der Menschen am besten durch ein Modell erfasst, das selektiv auf die jeweils passende Beziehungsart für die jeweilige Entscheidung zurückgriff, statt auf eine Einheitsregel wie „häufigster Kontakt“.

Warum das für das Verständnis sozialer Intelligenz wichtig ist

Zusammen deuten diese Studien darauf hin, dass gewöhnliche Erwachsene rasch reichhaltige innere Karten der Gruppenstruktur aus minimalen Hinweisen aufbauen und diese Karten dann verwenden, um soziales Verhalten zu erklären, vorherzusagen und zu planen. Die Arbeit zeigt, dass wir über das einfache Wissen hinausgehen, wer zu welcher Gruppe gehört: Wir erschließen auch, wer wen überragt, wer mit wem eng verbunden ist und wer wessen Entscheidungen lenkt, selbst wenn die Belege fragmentarisch sind. Alltäglich verwandelt unser Gehirn verstreute Interaktionen in ein Arbeitsmodell der Büropolitik, Freundschaftsnetze und Mentorenketten um uns herum — ein Modell, das mächtig genug ist, unsere Entscheidungen darüber zu steuern, wen wir ansprechen, wem wir vertrauen und wie wir uns einordnen.

Zitation: Davis, I., Jara-Ettinger, J. & Dunham, Y. Inferring the internal structure of groups through the integration of statistical learning and causal reasoning. Nat Commun 17, 1959 (2026). https://doi.org/10.1038/s41467-026-68754-0

Schlüsselwörter: soziale Netzwerke, Hierarchien, statistisches Lernen, kausales Denken, soziale Kognition