再遇循环论证
听完上述言论，别急着从卡戴珊那里撤资，因为我们实际上并没有进行过这个假想实验。尽管我们研究的是真实世界的数据，而不是计算机模拟数据，但我们在统计模型中仍然做了很多假设。比如，假设营销人员可以说动几千名普通影响者在Twitter上发布相关产品的推文等，但我们很难得知这些人的粉丝是否会像对待正常推文那样做出积极回应。那些被朋友推销过安利产品的人就会知道，在私人交流中打产品广告会多么让人反感。但是，卡戴珊的粉丝可能不会有这样的感受，因此，她在现实生活中用Twitter推销产品的效果可能比实验模型中预测的要好得多。或者说，我们以转发次数来衡量影响力的方法是错误的，而之所以统计转发次数，是因为这是我们可以得到的数据，有总比没有好。但是，人们可能真正关心的是有多少人点击了链接，或者捐了钱给慈善事业，或者购买了产品。也许卡戴珊的粉丝并没有转发广告推文给朋友，却真正采取了行动，如果真是这样，我们再次低估了她的影响力。
我们仍然没有找到明确的答案，也不知道谁具有影响力，或者无论影响者的定义如何，他究竟能完成什么，除非我们能衡量出自己关心的结果的影响力大小，除非有人做了真实实验衡量了不同人的影响力，否则对于每个结果（包括我们自己的结果），我们都应该持怀疑态度。因此，通过以上讨论过的研究结果，无论是小世界实验的结果，网络影响传播模拟研究的结果，还是Twitter上的研究结果，都应该对个别人物法则（将“社会流行”归因于个别特殊之人的作用）等类似观点提出质疑。
事实上，目前我们还不清楚“社会流行”究竟是不是研究社会变化开端的正确方式。尽管我们在Twitter上的研究发现，类似的“流行”事件确实发生了，但它们的数量却极少。在我们研究的7 400万条Twitter信息中，只有几十条信息产生了上千次转发，仅有一两条信息达到了一万次。在一个数千万用户组成的网络中，上万次转发理论上来说似乎并不是一个大数字，但数据显示，即使是这样的数字也很难达到。因此，若是为了实际营销目标，最好放弃那些大型传播链，转而尝试大量小型的传播链。对于实际目标来说，可能普通影响者就会达到不错的效果。但由于他们并不能实现惊人的效果，所以你可能需要很多这样的人。借助大量个体，你也可以通过取均值排除随机性，从而产生持续的积极效果。
除了具体发现以外，这些研究还让我们认识到了常识思维的一个主要缺陷。将个别人物法则描述成一种违反直觉的观点好像有点儿讽刺，因为我们实际上已经习惯了一提到特殊之人，就会自然而然地想到有少数特殊之人做了大量工作。我们认为，认识到人际影响力和社交网络的重要性，就在一定程度上超越了第2章提到的“循环论证”，即“X的发生是因为X就是人们想要的”。但是，当我们试着想象数百万人组成的复杂网络是如何联系在一起的，或者影响力如何通过网络传播的这一更复杂的问题时，我们的直觉会立刻落败。通过有效地将所有部分集中在少数人手中，“特殊之人”的观点（如个别人物法则）将“网络结构如何影响结果”这个问题简化为“是什么驱动了这些特殊之人”。与所有常识性解释一样，这个想法听起来很合理，而且可能是正确的。但是，如果声称“X的发生是因为一些特殊之人让其发生”，那我们只不过是用一种循环论证代替另一种循环论证罢了。
章末总结
社会感染的本质
1. 社会感染＝偶然的影响者＋大量易受影响者。
2. 一旦考虑到传染的作用范围就会发现，影响者的重要性不仅在于他直接影响的个人，还包括那些通过邻居、邻居的邻居等受到间接影响的人。事实上，正是通过感染，意见领袖的影响力才能得以发挥作用。
3. 意见领袖的影响力法则是两个假设的融合。第一，有些人比其他人更具影响力；第二，这些人的影响力可以被一些引发社会潮流的感染过程极大地增强。我们发现，在大多数情况下，极具影响力的人确实比一般人更能引发社会潮流。但是他们的相对重要性远没有个别人物法则中认为的那么大。
4. 当影响通过某种感染性过程传播时，产生的结果更多地取决于网络的整体结构，而不是引发传播的个体的特性。就如同森林火灾一样，只有当风力、温度、湿度和易燃材料等条件同时满足时，大火才会在大片土地上肆虐。社会潮流的兴起同样需要传播网络满足适当条件。
前三章告诉我们，循环论证经常用于解释常识性问题。老师在考试中帮学生作弊，是因为他们受到某些利益的驱使；《蒙娜丽莎》成为世界上最著名的画作之一，是因为它具有成为最著名画作的所有特性；人们不再购买油耗高的汽车，是因为当下社会规范的要求；还有一些特殊之人重振了“暇步士”品牌，是因为有人在其他人之前就开始买这个品牌的鞋了。虽然以上描述可能都是真的，但其实它们告诉我们的只不过是已经发生的事情而已。因为我们总是在知道结果之后，再去反向推导事情发生的原因，所以我们无法确定这些解释有多大的解释能力，或者它们仅仅只是一些简单的描述罢了。
然而，这个问题的有趣之处在于，即使你知道了常识解释中存在循环论证，也仍不清楚它们错在哪里。毕竟，即使在自然科学领域，我们也不一定能弄清楚事情发生的原因。不过，我们可以通过实验室里的实验，或者对系统规律的观察来找到答案。那么，为什么我们不能以同样的方式从历史中学习呢？也就是把历史看成一系列“实验”，在这些“实验”中，某些一般性的因果规律决定着我们观察到的结果。如果把从观察结果中发现的规律系统地总结、提炼，不就能像在自然科学中那样推导出这些规律了吗？比如，假设我们根据艺术作品吸引了多少注意力来评选优秀作品，那么，尽管在20世纪之前人们并不知道《蒙娜丽莎》将成为世界著名的画作，但我们现在做了实验，而且得到了答案。虽然我们还是无法说出是什么特质造就了《蒙娜丽莎》的独一无二，但我们至少有了一些数据。尽管常识解释总是把发生的事情和发生的原因混为一谈，但我们不也是尽可能地像一位优秀的自然科学实验者那样在求证吗？1
从某种意义上来说，我们确实是，而且已经尽力了。虽然在恰当的条件下，从观察和经验中学习是行之有效的，但问题是，为了能够推断出“A导致了B”，我们需要进行多次实验。比如，A是一种降低“坏”胆固醇的新型药物，而B是病人在未来10年患心脏病的概率。如果药品制造商能够证明，服用A药的病人患心脏病的概率比没有服用的病人明显低，那么他们就可以宣称A药可以预防心脏病，否则就不能。但是，每个人只能选择服药或者不服，所以证明药效的唯一方法就是多次进行实验，一个人的经历算作一次。因此，药物实验往往需要很多参与者，每个人将被随机指定是否接受治疗。然后，根据“实验组”和“对照组”的结果差异来衡量药物的作用。疗效越小，实验的规模就需要越大，这样才能排除偶然事件的影响。
在解决日常问题的过程中，我们经常会遇到非常接近药物实验条件的情况。比如，在每天下班开车回家的路上，我们可以尝试不同的路线或不同的出发时间。假设每天路况类似，通过多次重复，我们就能观察出哪条路线的平均通过时间最短，而不需要研究任何复杂的因果关系。同样，无论是在医学、工程，还是军事领域，通过专业培训获得的经验性知识，都以同样的方式发挥着作用——不断重复模拟着学员在未来的职业生涯中可能会遇到的情况。2