Het interne structuur van groepen afleiden door statistisch leren en causaal redeneren te integreren

Het verborgen web van sociaal leven zien

Loop een nieuwe werkplek, klaslokaal of sportteam binnen en je krijgt snel een gevoel van wie de leiding heeft, wie hechte vrienden zijn en wie anderen stilletjes begeleidt. Toch zie je meestal slechts een handvol korte uitwisselingen. Dit artikel onderzoekt hoe mensen, uit zulke schaarse en rumoerige glimpjes van gedrag, erin slagen de onzichtbare sociale kaart te reconstrueren die het dagelijks leven vormgeeft — en laat zien dat onze geest mogelijk een verrassend verfijnde vorm van data-analyse en causaal redeneren achter de schermen uitvoert.

Hoe we structuur aflezen uit schaarse aanwijzingen

De auteurs stellen dat mensen niet alleen bijhouden wie met wie omgaat; we gebruiken een combinatie van statistisch leren en alledaagse “folk-sociologie” om diepere structuren af te leiden. Aan de statistische kant merken we patronen op in hoe vaak en op welke manieren mensen met elkaar omgaan, en we clusteren individuen mentaal in subgroepen op basis van die patronen. Aan de sociologische kant dragen we intuïtieve verwachtingen mee over relaties zoals autoriteit, vriendschap en mentorship — wie meestal opdrachten geeft, wie doorgaans iemand uitnodigt om iets te ondernemen, en wie geneigd is advies te zoeken of te geven. Door deze twee vermogens te combineren, kunnen we niet alleen raden welke relaties bestaan, maar ook hoe ze toekomstig gedrag beïnvloeden.

Van rumoerige video’s naar verborgen sociale kaarten

Om dit idee te testen toonden de onderzoekers online deelnemers korte, stripachtige video’s van vijf gekleurde figuren die in een kantooromgeving interactie hebben. In elke clip benaderde één figuur een andere, zond een symbool dat een opdracht, een sociale uitnodiging of een verzoek om advies voorstelde, en ontving vervolgens een positieve of negatieve reactie. Na slechts een paar van zulke interacties werd van kijkers gevraagd te beoordelen welk van meerdere kandidaatdiagrammen het beste de interne structuur van de groep weergeeft — bijvoorbeeld een bepaalde commandoketen, een patroon van vriendschapsgroepen of een mentorennetwerk. Ondanks beperkte informatie en soms tegenstrijdige interacties kozen mensen consequent diagrammen die bij de onderliggende patronen pasten, en ze gaven genuanceerde zekerheid aan wanneer meer dan één structuur plausibel leek.

Voorspellen wat er daarna gebeurt

Het team onderzocht vervolgens of mensen deze afgeleide structuren gebruiken om toekomstig gedrag te voorspellen. In een tweede reeks studies keken deelnemers opnieuw naar interactiesequenties, maar kregen later bijvoorbeeld te horen dat een werknemer afwezig was en een andere een taak moest toewijzen, iemand na het werk uitnodigen of om advies vragen. Deelnemers beoordeelden hoe waarschijnlijk het was dat elke overgebleven collega gekozen zou worden. Hun voorspellingen werden niet goed verklaard door eenvoudige regels zoals “kies wie het vaakst heeft gecommuniceerd.” In plaats daarvan sloten ze nauw aan bij een computationeel model dat eerst een onderliggende sociale structuur afleidt en vervolgens, gegeven die structuur en alledaagse verwachtingen over opdrachten, uitnodigingen of advies, bepaalt wie in de nieuwe situatie de meest voor de hand liggende partner is.

De stroom van sociale invloed volgen

Een laatste experiment maakte de situatie realistischer door alle drie de interactietypen — opdrachten, uitnodigingen en adviesvragen — binnen dezelfde groep te mengen. Daarna werd deelnemers gevraagd wie het makkelijkst iemands weekendplannen zou kunnen beïnvloeden: overtuigen om een extra dienst te draaien, een film te gaan zien of een optioneel vak te volgen. Verschillende vragen riepen verschillende soorten relaties op: extra diensten volgden vaak autoriteitslijnen, filmplannen volgden vriendschap en studiekeuzes weerspiegelden mentorship. Opnieuw werden de antwoorden van mensen het beste verklaard door een model dat selectief vertrouwde op het passende type relatie voor elke beslissing, in plaats van een universele regel zoals “meest frequente contact.”

Waarom dit ertoe doet voor het begrip van sociale intelligentie

Gezamenlijk suggereren deze studies dat gewone volwassenen snel rijke interne kaarten van groepsstructuur opbouwen uit minimale bewijzen, en die kaarten vervolgens gebruiken om sociaal gedrag te verklaren, te voorspellen en te plannen. Het werk toont aan dat we verder gaan dan alleen weten wie bij welke groep hoort: we leiden ook af wie boven wie staat, wie met wie nauw verbonden is en wie wiens keuzes begeleidt, zelfs wanneer het bewijsmateriaal fragmentarisch is. In alledaagse termen zetten onze hersenen voortdurend verspreide interacties om in een werkend model van de kantoordynamiek, vriendschapsnetwerken en mentorship-ketens om ons heen — een model krachtig genoeg om onze beslissingen te sturen over wie we benaderen, wie we vertrouwen en hoe we erbij passen.

Bronvermelding: 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

Trefwoorden: sociale netwerken, hiërarchieën, statistisch leren, causaal redeneren, sociale cognitie