Bugün öğrendim ki: Yapılan çalışmalar, kültürel yeniliğin minimum bir nüfus büyüklüğü gerektirebileceğini öne sürüyor; çünkü çok küçük gruplarda yeni fikirler yayılmak yerine kolayca kaybolabiliyor.
Tüm Dünya'yı (hatta uzayı) fethetmedeki başarımız, nesiller boyunca araçları ve teknikleri paylaşma, sürdürme ve iyileştirme kapasitemize bağlanmıştır; bu olgu kümülatif teknolojik kültür (bundan sonra KTK olarak kısaltılacaktır, bkz. Boyd ve Richerson (1988), Derex (2022) ve Tomasello ve diğerleri (1993)) olarak adlandırılır. KTK, teknik bilginin aktarılmasıyla yönlendirilir. Bunun, başkalarını veya fiziksel dünyayı gözlemleme veya başka bir birey veya onun ürünleriyle etkileşim yoluyla öğrenme anlamına gelen sosyal öğrenme ile desteklendiği genel kabul görmektedir (Boyd ve diğerleri 2011; Derex 2022; Heyes 1994). KTK uzun süredir insanlarla ilişkilendirilmiş olsa da (Tomasello 1999), güncel araştırmalar, insan dışı hayvanlarda kümülatif kültür ve hatta KTK örnekleri ortaya çıkarmıştır (Boesch ve diğerleri 2020; Jesmer ve diğerleri 2018; Mesoudi ve Thornton 2018; Sasaki ve Biro 2017; Whiten 2021). Bu durum, KTK'nin münhasıran insani bir özellik olduğu yönündeki geleneksel inancı zorlamaktadır. Bununla birlikte, evrim tarihimizdeki KTK'mizin kökeni sorusu devam etmektedir.
Bulmacanın bir kısmı, KTK'nin altında yatan insan bilişsel kapasitelerinde yatmaktadır. Bu konudaki ana hipotez, KTK'nin ortaya çıkmasının yüksek doğrulukta bir bilgi iletim mekanizması tarafından mümkün kılındığını varsaymaktadır. Bu mekanizma, bir yenilik ortaya çıkıp onu iyileştirene kadar KTK'nin sürdürülmesine olanak tanır [sıçrama tahtası hipotezi olarak anılır (Tennie ve diğerleri 2009; Tomasello 1999; Tomasello ve diğerleri 1993)]. Bu hipotez, yüksek doğrulukta iletimi destekleyebilecek insan sosyal bilişsel becerilerine odaklanmaktadır [örneğin, zihin teorisi, bundan sonra ZT olarak anılacaktır, başkalarında niyetleri ve zihinsel durumları tespit etme ve atfetme yeteneği (Piaget 1932; Premack ve Woodruff 1978; Whiten 1991)]. Sosyal bilişsel becerilerin KTK'deki rolü kabul edilmekle birlikte, son çalışmalar hem sosyal hem de asosiye iletim olaylarının altında yatan sosyal olmayan bilişsel becerilerin anlaşılmasının önemini vurgulamıştır (Osiurak ve diğerleri 2021; Osiurak ve diğerleri 2022; Osiurak ve Reynaud 2020; Singh ve diğerleri 2021; Vale ve diğerleri 2021; Whiten 2022). Böyle bir açıklama, teknik akıl yürütme hipotezidir (Osiurak ve Reynaud, 2020), bu hipotez, deneyim yoluyla kazanılan (yani hem sosyal hem de asosiye öğrenme) fiziksel dünyaya yönelik özel bir nedensel akıl yürütme biçimi olan teknik akıl yürütmenin (bundan sonra TA olarak kısaltılacaktır), insanların araçları anlamasına, yapmasına ve kullanmasına olanak tanıdığını öne sürer. Her iki hipotezden gelen iddialar, KTK'nin altında yatan bilişsel faktörlerin incelenmesinde büyük ilerlemeler sağlasa da, bu araştırmanın hala ilk aşamalarında olduğumuzu ve bu konuda daha çok şey yapılması gerektiğini belirtmek gerekir (Heyes 2018, 2023).
Bulmacanın diğer parçası ise KTK'nin hayati katkıda bulunan demografik faktörlerde yatmaktadır. Son yirmi yılda araştırmacılar, daha büyük popülasyonların daha fazla KTK'yi teşvik ettiğini öne sürerek nüfus büyüklüğünü temel bir belirleyici olarak odaklamıştır (Shennan 2001). Henrich'in (2004) dönüm noktası niteliğindeki bir çalışması, nüfus büyüklüğünü kültürel karmaşıklık ile ilişkilendirmiştir. Bu modele göre, daha büyük popülasyonlar kültürel karmaşıklığı artırırken, daha küçük popülasyonlar kültürel karmaşıklıkta bir düşüşe yol açar (örneğin, bir popülasyonda daha az araç). Bu bulgular, Avustralya'dan ayrıldıktan sonra Tazmanya'daki eser kaybı gibi kültürel değişimleri yorumlamak için uygulanmıştır (Henrich 2004, 2016). Çok sayıda takip eden çalışma bu bulguları temel almış, popülasyon yapısını, araç takımı büyüklüğünü, öğrenme yanlılığını araştırmış ve bulguları arkeolojik kayıtlar ve laboratuvar deneyleriyle doğrulamıştır (Andersson ve Read 2016; Aoki 2018; Baldini 2015; Derex ve diğerleri 2013; Kempe ve Mesoudi 2014; Kline ve Boyd 2010).
KTK'de nüfus büyüklüğü hipotezinin on yıldır süren baskınlığına rağmen, son zamanlarda zorluklar ortaya çıkmıştır. Henrich'in modelini destekleyen arkeolojik çalışmalar sınırlılıklarla karşı karşıyadır; ani iklim değişikliği gibi faktörler Tazmanya'daki araç kaybını açıklayabilir (Andersson ve Read 2016; Vaesen ve diğerleri 2016). Ayrıca, ampirik çalışmalar nüfus büyüklüğü ile KTK arasında sınırlı bir bağlantı göstermektedir (Buchanan ve diğerleri 2015; Collard ve diğerleri 2013; Vaesen 2012). Ek olarak, mikro-toplum paradigmalarını kullanan çeşitli çalışmalar [fiziksel bir sistemi iyileştirmeleri istenen birey zincirleri, ayrıntılı bir açıklama için bkz. Caldwell ve Millen (2008)], gösterici sayısının artmasının daha büyük bir KTK'ye yol açmadığını (Caldwell ve Millen 2010) ve hatta hiç KTK olmamasına yol açabileceğini göstermiştir (Fay ve diğerleri 2019). Son olarak, bazı çalışmaların nüfus büyüklüğünün etkisini gösterdiğini, ancak bunun yalnızca küçük ölçekli popülasyonlarda anlamlı olacağını belirtmek önemlidir (Andersson ve Törnberg 2016; Ben-Oren ve diğerleri 2023; Vaesen ve diğerleri 2016).
Bu nedenle, KTK'nin nasıl gelişebileceğini açıklamak için diğer demografik faktörler öne sürülmüştür. Nitekim, popülasyon yapısı ile bu popülasyondaki bireyler arasındaki bağlantılar önemli faktörler olarak kabul edilmektedir (Creanza ve diğerleri 2017; Derex ve Boyd 2016; Kolodny ve diğerleri 2015; Lehmann ve diğerleri 2011). Daha spesifik olarak, bireylerin popülasyonun geri kalanıyla etkileşim kurmaktan çok kendi akranlarıyla tercihen etkileşim kurduğu kısmen bağlantılı popülasyonlar, herkesin birbiriyle etkileşim kurduğu tamamen bağlantılı popülasyonlara göre daha büyük bir KTK vermektedir (Ben-Oren ve diğerleri 2023; Derex ve diğerleri 2018). Başka bir faktör ise, bireyleri belirli özellikleri veya bireyleri kopyalamaya yönlendiren sosyal öğrenme stratejileridir [bir inceleme için bkz. Kendal ve diğerleri (2018)]. Örneğin, Henrich'in (2004) modelinde güçlü bir başarı yanlılığı (yani en başarılı bireyi kopyalama) varsayılırken, diğerleri tarafsız sosyal öğrenme altında (yani rastgele kopyalama) nüfus büyüklüğünün KTK ile korele olmadığını göstermiştir (Andersson ve Törnberg 2016; Bentley ve O’Brien 2011). Bir popülasyonda yeniliğin ortaya çıkma hızının, nüfus büyüklüğünün etkisi üzerinde büyük bir kontrol gösterdiği belirtilmiştir; yenilik hızı, nüfustaki birey sayısını artırmanın faydasını belirler (Baldini 2015; Fogarty ve diğerleri 2017; Kobayashi ve Aoki 2012). Son olarak, son çalışmalar, basit nüfus büyüklüğü yerine, popülasyon büyüklüğü ile popülasyonun bağlantılılığı arasındaki ilişki olarak tanımlanan etkin nüfus büyüklüğünü kullanmaya başlamıştır (Derex ve Mesoudi 2020). Bu ayrımın KTK'yi anlamak için kritik olduğunu göstermişlerdir (Deffner ve diğerleri 2022).
Çalışmamız, bu bulmacanın her iki parçasını, yani KTK'nin bilişsel ve demografik yönlerini birleştirmeyi amaçlamaktadır. Bunu yapmak için, çeşitli bilişsel faktörlerin KTK üzerindeki etkisini keşfetmek amacıyla mikro-toplum paradigmasına dayalı bir hesaplamalı model (Bluet ve diğerleri 2022) kullandık. Bu modeli genişleterek, bir popülasyonu simüle etmek için birden fazla iletim zincirini aynı anda çalıştırdık. Bu yaklaşımın önemini göstermek için öncelikle nüfus büyüklüğünün KTK üzerindeki etkisinin doğrusal olmadığını gösteren, son literatürdeki bilinen sonuçları yeniden ürettik. Ardından, bu doğrusal olmayan ilişkinin ardındaki nedenleri, yeniliklerin dinamiklerine, ortaya çıkışlarına ve bunları etkileyen bilişsel faktörlere odaklanarak inceledik. Son olarak, yenilik hızı ile nüfus büyüklüğü arasındaki bağlantıyı araştırdık. Sonuçlarımız, nüfus büyüklüğünü artırmanın yalnızca küçük popülasyonlarda KTK'yi etkilediğini ve yenilik hızının nüfus büyüklüğünün KTK üzerindeki etkisini kısıtladığını düşündürmektedir.
Burada sunduğumuz model, mikro-toplumun hesaplamalı bir modeline dayanmaktadır (Bluet ve diğerleri 2022). Bu model, her nesilde yalnızca bir bireyden oluşan bir iletim zincirini varsayar (Şekil 1A). Bu modelde, tek bir teknoloji, bu teknolojiyi iyileştirmeyi amaçlayan bireyler arasında aktarılır. Bu amaca ulaşmak için bireyler, teknolojinin altında yatan mekanizmalar hakkında öncüllerinden üç sosyal öğrenme biçiminden birini kullanarak (yani tersine mühendislik, gözlem veya öğretim) öğrendiler. Bu öğrenme süreci, bireylerin iki bilişsel becerisine bağlıdır: teknik akıl yürütme, nesnelerin fiziksel özellikleri hakkında akıl yürütme yeteneği (Osiurak 2014; Osiurak ve Reynaud 2020) ve zihin teorisi, kendinize ve başkalarına zihinsel durumları atfetme yeteneği olarak tanımlanır (Harris 1991; Mead ve Mead 1985; Piaget 1932). Bu modelden, iletim zinciri yapısını ve yalnızca öğretimi (Bluet ve diğerleri (2022) modelinde en iyi performans gösteren ve en güvenilir sosyal öğrenme biçimi) tutuyoruz.1
Bu modeli, bir popülasyonu simüle etmek için birden fazla iletim zincirini paralel olarak çalışacak şekilde genişletiyoruz (Şekil 1B). Bir popülasyon, genel bir teknolojinin (örneğin, her zincirin bir yayı olan belirli bir varyasyonu) TC varyantına sahip olan NC zincirinden (nüfus büyüklüğüne benzer) C oluşur. Her bireyin popülasyonun ebeveyn kuşağındaki diğer herhangi bir bireyden sosyal olarak öğrenebildiği çapraz öğrenen bir popülasyon varsayıyoruz (Şekil 1C). Modelin genel akışı şu şekildedir. İlk olarak, modele yeni bir nesil tanıtılır. Her birey belirli bir zincire C atanır ve ilgili zincirinden TC teknolojisini miras alır. İki bilişsel becerilerinin değerleri daha sonra hesaplanır. Zihin teorileri normal bir dağılımdan çekilirken, teknik akıl yürütmeleri büyük ölçüde miras aldıkları TC teknolojisinden türetilen teknolojik çevrelerinin kalitesine dayanır (bireyler bölümünde daha fazlası (b)). Ebeveyn kuşağının teknolojisi TC'den türetilen bu teknolojik çevrenin kalitesi (TE) hakkında daha fazla bilgi. Not: Bu model, üreme veya genetik miras varsaymaz, yalnızca kültürel özelliklerin mirasını varsayar. İkinci olarak, bireyler teknoloji hakkında sosyal olarak öğrenirler ve ebeveyn kuşağındaki rastgele bir bireyi (yani tarafsız sosyal öğrenme) öğretmenleri olarak seçerler. Öğretmenin, bireylerin zincirinde gerçekleşmemiş yenilikler geçirmiş bir Tc teknolojisine sahip olduğu varsayımsal durumda, bu yenilikleri öğrendikleri ve teknolojilerine uyguladıkları varsayılır. Bu olguya sosyal olarak edinilmiş yenilik adını veriyoruz. Üçüncüsü, bireyler öğretimlerini uygular ve zincirlerinin teknolojisini (yani miras aldıkları teknolojiyi) değiştirirler. Son olarak, fiziksel çevreyle kendi kişisel deneyimleri yoluyla kendileri yenilik yapma fırsatı bulabilirler. Bu yeniliklere asosiye yenilikler adını veriyoruz. Ardından, yeni bir birey nesli modele tanıtıldığı için süreç NG nesil G boyunca tekrarlanır.
Modeli örneklendirmek gerekirse, yay kullanan bir avcı-toplayıcı popülasyonunu hayal edelim, burada herkes birbirini tanıyor. Her çocuk doğduğunda ailesinin yayını miras alır ve büyürken onun altında yatan mekanizmalar hakkında bilgi edinir. Kendi yaylarını yapma yaşına geldiklerinde, çocuklar popülasyondaki herhangi birinden bir avlanma bölümüne giderek öğrenme fırsatına sahip olurlar. Bu öğrenme aşamasından sonra eve dönerler ve öğrendiklerini ailelerinin yayı üzerinde uygularlar, mevcut özellikleri değiştirmeyi (değişiklik aşaması) ve başkalarında gördükleri yenilikleri uygulamayı (sosyal olarak edinilmiş yenilik) içerir. Son olarak, yaylarına uygulamak için yeni fikirler yeşerten doğal bir olaya tanık olabilirler (asosiye yenilik).
Teknoloji
Modelde, bir teknoloji T, n adet bağımsız özellikten oluşur, öyle ki $T=\left\{{{trait}}_{1},\,{{trait}}_{2},\ldots ,\,{{trait}}_{n}\right\}$, her özelliğin bir kalitesi ve bir sınırı vardır. Kalite, özelliğin verimliliğini temsil eder ve başlangıç değeri 1'dir. Her özelliğin kalitelerinin toplamının, teknolojinin T kalitesini oluşturduğu varsayılır, kalite(T) olarak gösterilir:
$${quality}\left(T\right)=\mathop{\sum }\limits_{i=1}^{n}{quality}\left({{trait}}_{i}\right).$$
Limit, bir özelliğin mevcut durumunda ulaşabileceği maksimum potansiyel kaliteyi temsil eder ve keyfi bir doğal sayı olarak ayarlanır ($\left({limit}\left({{trait}}_{i}\right)=2\right)$ aksi belirtilmedikçe). Sınırların, yenilikler her özelliğin sınırlarını artırdığı için nesiller boyunca hareket edebileceğini unutmayın (yenilik hakkında daha fazla bilgi için (e) yenilik bölümüne bakın). Kalite gibi, T'nin limiti, limit(T) olarak hesaplanır:
$${limit}\left(T\right)=\mathop{\sum }\limits_{i=1}^{n}{limit}\left({{trait}}_{i}\right).$$
Bireyler
Modelde, bir birey I iki bilişsel beceriye sahiptir: zihin teorisi ve teknik akıl yürütme (bundan sonra sırasıyla ToM ve TR olarak anılacaktır). ToM'leri ToMI ile gösterilir ve [0, 1] aralığında yer alan, $\mu =\frac{1}{2}$ ve ${sd}=\frac{1}{6}$ olan kesik bir Gauss dağılımından çekilir. Modelde, TR'leri TRI ile gösterilir ve kesik bir Gauss dağılımından çekilir ancak [0, TE] aralığında yer alır, $\mu =\frac{{TE}}{2}$ ve ${sd}=\frac{{TE}}{6}$'dır, burada TE, bireylerin göründüğü teknolojik ortamın kalitesini temsil eden teknolojik çevre kısaltmasıdır. Bu değerin temel olarak zincirlerinin teknolojisinden TC oluştuğu varsayılır. Ancak, aktarılan teknolojinin TC'nin bireyin TE'sini oluşturan tek teknoloji olmadığını hayal edebiliriz. Bunu hesaba katmak için, [$\left[-\frac{{quality}\left({T}_{C}\right)}{10},\,\frac{{quality}({T}_{C})}{10}\right]$ aralığında tekdüze bir dağılımdan çekilen bir gürültü değişkeni $\varepsilon$ ekleriz. $\varepsilon$, her teknolojinin bireyin TE'sinde ana teknoloji TC'ye kalite açısından yakın olması gerektiği varsayımıyla quality(TC)'ye dayanır (örneğin, ebeveynin sahip olduğu her yay, miras aldıkları yaya benzer olmalıdır). Bu da şuna yol açar:
$${TE}={quality}\left({T}_{C}\right)+\varepsilon .$$
Model, bireyin TE'sinin TR becerilerini şekillendirdiğini varsayar çünkü teknoloji açısından zengin bir ortam, bir bireyin hem sosyal hem de asosiye öğrenme yoluyla teknik akıl yürütmesini artırma şansının daha yüksek olduğu anlamına gelir (Osiurak ve diğerleri 2022; Osiurak ve Reynaud 2020). quality(TC)'deki bir artışın TE'de bir artışa yol açacağı ve bunun da bireylerin TR becerilerinde bir artışa yol açacağı doğrudur. Daha zengin bir teknolojik ortamın teknik akıl yürütme becerileri açısından daha iyi bireylere yol açacağı varsayılır. Bireyin teknolojik ortam üzerindeki genel ustalığını yansıtmak için, TR becerilerinin TE'ye oranını, $\frac{{{TR}}_{I}}{{TE}}$ kullanırız.
Her bir birey I, aynı zamanda teknolojinin TC'sinin her bir $\left({{trait}}_{C,i}\right)$'sinin altında yatan mekanizmalar hakkındaki anlayışına göre de tanımlanır, öyle ki $I=\,\left\{{{cog}}_{1},\,{{cog}}_{2},\ldots ,{{cog}}_{n}\right\}$, her cogi belirli bir $\left({{trait}}_{C,i}\right)$'ye karşılık gelir. Örneğin, bir yayın uzunluğunun gerildiğinde depolanan enerjiyi nasıl etkilediğinin anlaşılması cog1'de, ip için kullanılan malzemenin etkisi ise cog2'de depolanabilir. Her bir $\left({{cog}}_{i}\right)$ 0 (hiç bilgi yok) ile $\left({{trait}}_{C,i}\right)$'nin limiti (bir $\left({{trait}}_{C,i}\right)$'nin tam anlaşılması) arasında bir değer alabilir. Her bir $\left({{cog}}_{i}\right)$'yi başlatmak için, önce rastgele bir tane yedekle değiştirerek rastgele seçer ve ardından $\left[0,{limit}\left({{trait}}_{C,i}\right)\right]$ aralığında bir değer atarız. Bu işlem, TRI ile temsil edilen bilgi havuzu tükenene kadar tekrarlanır, öyle ki
$$\mathop{\sum }\limits_{i=1}^{n}{{cog}}_{i}=\,{{TR}}_{I}.$$
Bu, anlayışın heterojen bir dağılımına yol açar, öyle ki bazı $\left({{cog}}_{i}\right)$'ler TRI'nin çoğunu merkezileştirirken, diğer $\left({{cog}}_{i}\right)$'ler çok sınırlı kalır. $\left({{cog}}_{i}\right)$'lerin bu şekilde tahsis edilmesinin popülasyonumuzda daha çeşitli bir bilgi manzarası sağladığını ve bazı bireylerin belirli bir $\left({{trait}}_{C,i}\right)$ konusunda uzmanlaşmasına olanak tanıdığını savunuyoruz.
Öğrenme
Bireylerin bir kez öğrendiğini ve öğretmenlerini ebeveyn kuşaktan rastgele seçtiğini varsayıyoruz. Bu, bazı bireylerin doğrudan ebeveynlerinden (yani teknolojiyi miras aldıkları kişiden) öğrenebileceği, ancak çoğu bireyin zincirleri C dışındaki birinden öğreneceği anlamına gelir, bu da birçok insanın ebeveynlerinden ziyade okulda bir öğretmenden nasıl öğrendiğine benzer. Modelimizde öğrenme, Bluet ve diğerleri (2022) tarafından öğretim için kullanılan öğrenme denkleminin değiştirilmiş bir versiyonu kullanılarak tanımlanır, bu denklemin önceki modelden nasıl değiştirildiğine dair daha fazla ayrıntı için bkz. Ek Materyal S1: Bluet ve diğerleri (2022) modelinin basitleştirilmesi]
$${{cog}}_{i}^{{\prime} }={{cog}}_{i}+\left({\Delta }_{{RE}}* \frac{{{TR}}_{I}}{{TE}}\right)+\,\left({\Delta }_{{OBS}}* \frac{{{TR}}_{I}}{{TE}}\right)+\,\left({\Delta }_{{TCH}}* \frac{{{TR}}_{I}}{{TE}}* \,\left({{ToM}}_{T}\right)\right),$$
(1)
burada $\left({{cog}{\prime} }_{i}\right)$ öğrenme sürecinden sonraki yeni anlayışı $\left({{trait}}_{C,i}\right)$'yi temsil eder, her $\Delta$ her bir $\left({{trait}}_{C,i}\right)$ için bireyin zaten bildiğine kıyasla öğrenilebilecek bilgi miktarını temsil eder ve $\left({{ToM}}_{T}\right)$ öğretmenin ZT'sini temsil eder. Bu öğrenme denkleminde, üç farklı sosyal öğrenme bileşeni rol oynar: tersine mühendislik (RE), gözlem (OBS) ve öğretim (TCH). Bir bireyin bir yay avlanma bölümünü gözlemlemesini içeren örneğimizi tekrar ele alalım. Deneyimli bir avcıyı izlerken, birey yayı inceleyebilir ve yapısı hakkında hayati içgörüler çıkarmak için tersine mühendislik uygulayabilir. Avdan sonra, gözlemci deneyimli avcının av sonuçlarına göre yayı inceleyip geliştirdiğini görebilir, bu da iletim zinciri literatürüne uygun gözlemi göstermektedir (Caldwell ve Millen 2009; De Oliveira ve diğerleri 2019; Fay ve diğerleri 2019; Osiurak ve diğerleri 2016). Tüm avlanma bölümü boyunca, birey aynı zamanda deneyimli avcıyla iletişim kurma fırsatına da sahip olur ve bu avcı yayı nasıl geliştirebileceği konusunda öğretim sağlayabilir.
Böylece, $\Delta_{RE}$, öğretmenin teknolojisinin gözlemlenmesiyle verilen bilgiyi temsil eder ve şu şekilde verilir:
$${\Delta }_{{RE}}={quality}\left({{teacher}.{trait}}_{C,i}\right)-{{individual}.{cog}}_{i}.$$
Bu denklem, bireylerin öğretmenlerinin teknolojisinin belirli bir $\left({{trait}}_{C,i}\right)$'sini ne ölçüde anladığını yansıtır. $\Delta_{OBS}$, öğretmenin kendi teknolojisini geliştirmesini gözlemleyerek kazanılan bilgiyi temsil eder ve şu şekilde verilir:
$${\Delta }_{{OBS}}={quality}\left({{teacher}.{T}}_{C,i}\right)-{quality}\left({teacher}.{T}_{C,i-1}\right),$$
burada $\left({{teacher}.T}_{C,i}\right)$ öğretmenin teknolojisini, ve $\left({{teacher}.T}_{C,i-1}\right)$ ise öğretmenin değişiklikten önceki teknolojisini (yani miras aldığı teknolojiyi) temsil eder.
Son olarak, $\Delta_{TCH}$, öğretmenin ve bireyin $\left({{cog}}_{i}\right)$'si arasındaki doğrudan karşılaştırmayı temsil eder ve şu şekilde verilir:
$${\Delta }_{{TCH}}={{teacher}.{cog}}_{i}-\,{{individual}.{cog}}_{i}.$$
Her $\Delta$'nın, $\Delta < 0$ ise 0 olarak ayarlandığını varsayıyoruz. Gerçekten de, bir bireyin bir özellik hakkında öğretmeninden daha iyi bir anlayışa sahip olması durumunda, basitçe hiçbir şey öğrenmediğini varsayarız. Üç öğrenme türü de, öğrenen kişinin TR'sinden etkilenir, bu da yukarıda bahsedilen $\frac{{{TR}}_{I}}{{TE}}$ ile temsil edilir. TR becerilerinin CCE üzerindeki etkisi, iletim zinciri paradigmasını kullanan çok sayıda deneyle öne sürülmüştür [(Osiurak ve diğerleri 2016; Osiurak, De Oliveira, ve diğerleri 2020; Osiurak ve diğerleri 2021), bir inceleme için bkz. Osiurak ve Reynaud (2020), alternatif bir bakış açısı için bkz. Derex ve diğerleri (2019)]. Öğretmenin ZT'si $\left({{ToM}}_{T}\right)$'ye gelince, bu, bireyin öğretme yeteneğiyle karşılaştırılabilir ve yalnızca öğretim öğrenme biçimini etkiler. Nitekim, ZT'nin (veya daha genel olarak zihinsel süreçlerin) öğretimde önemli bir rol oynayabileceği defalarca öne sürülmüştür (Herrmann ve diğerleri 2007; Tomasello 1999; Tomasello ve diğerleri 1993, 2005). İletim zincirleri bağlamında, CCE'yi etkileyebilecek olan özellikle öğretmenin ZT'sidir (Osiurak ve diğerleri 2020).
Teknolojinin değiştirilmesi
Öğrenme aşaması bittikten sonra, bireyler öğrendiklerine göre teknolojilerini değiştirirler. Bir teknolojinin TC her bir $\left({{trait}}_{C,{i}}\right)$'si için, bir değiştirme faktörü $\beta_i$ şu şekilde hesaplanır:
$${\beta }_{i}=\,{\beta }_{{down}}+\left({\beta }_{{up}}-{\beta }_{{down}}\right)* \,\frac{{{cog}}_{i}{\prime} }{{{trait}}_{C,i}},$$
(2)
burada ${\beta }_{{up}}=1.2$ ve ${\beta }_{{down}}=0.6$'dır [bu değerler keyfi olarak seçilmiştir, ancak bir parametre taraması ${\beta }_{{up}}$ ve ${\beta }_{{down}}$ için farklı değerlere karşı sonuçlarımızın sağlam olduğunu göstermektedir, daha fazla bilgi için bkz. Ek Materyal S2: Parametre taraması]. Böylece, değiştirme sonrası TC'nin yeni kalitesi şu şekilde verilir:
$${quality}\left({T}_{C}\right)=\mathop{\sum }\limits_{i=1}^{n}{qualitiy}\left({{trait}}_{C,i}\right)* {\beta }_{i}.$$
Yenilik
Son olarak, bireylerin asosiye yenilik olarak adlandırılan yenilik yapma fırsatı olabilir, bu olasılık ${p}_{{innovation}}$'dır. Bu fırsatı yakalamak için iki kriterden birinin karşılanması gerektiğini varsayıyoruz:
TR kriteri: bireyin TR becerileri TE'ye göre gelişmiş olmalıdır, özellikle $\frac{{{TR}}_{I}}{{TE}} > 0.8$.
Optimizasyon kriteri: teknoloji T neredeyse optimize edilmiş olmalıdır, yani kalitesi sınırlarına yaklaşmaktadır, özellikle $\frac{{quality}\left(T\right)}{{limit}(T)} > \,0.8$.
İlk kriterin gerekçesi, büyük TR becerilerine sahip bireylerin, teknolojiye ilişkin anlayışları popülasyonda üstün olduğu için mevcut teknolojilerine diğer özellikleri entegre etmenin yeni yollarını bulacaklarıdır. İkinci kritere gelince, neredeyse optimize edilmiş bir teknolojinin daha az olası iyileştirme sunacağını, dolayısıyla bireyleri teknolojiyi iyileştirmek için yeni yollar denemeye sevk edeceğini düşünüyoruz. Bu, Derex'in (2022) önerdiği Tip II CCE'nin sömürülmesi ve doğal fenomenlerin sömürülmesi kavramına yakındır; bu, insan KTK'sinin yavaş iyileşme dönemlerinin ve doğal bir fenomenin sömürülmesinden kaynaklanan kısa ve hızlı verimlilik artışlarının bir ardışık düzeni yoluyla evrildiğini öne sürer [gerçek bir ortamdaki benzer bir görüş için bkz. Miu ve diğerleri (2018)].
Bu iki kriterden hiçbiri karşılanmazsa, yenilik olmaz. Buna kaçırılmış fırsat adını veriyoruz. Buna karşılık, en az bir kriteri karşılamak, bireyin yenilik fırsatını yakalamasına ve teknolojiyi iki şekilde değiştirmesine yol açar. İlk olarak, teknoloji yeni bir özellik kazanır, bu da çığır açan yenilik olarak adlandırılır (Kolodny ve diğerleri 2015). İkinci olarak, tüm $\left({{trait}}_{c,{i}}\right)$ özelliklerinin sınırları $\left({limit}({{trait}}_{c,i})\right)$ keyfi bir sayı ile artırılır, bu da yenilikçi bir kombinasyonu temsil eder (Kolodny ve diğerleri 2015).
Daha önce belirtildiği gibi, yeniliklerin sosyal öğrenme yoluyla aktarıldığını varsayıyoruz, bu da sosyal olarak edinilmiş yeniliklere yol açar. Bu nedenle, bir birey, daha gelişmiş bir teknolojiye sahip bir öğretmenden (yani daha fazla özelliğe sahip olan) öğrendiğinde, öğrenen kişi öncelikle yeniliği, kendi teknolojisine asosiye bir yenilikle benzer mekanizmalarla (yani çığır açan yenilik ve yenilikçi kombinasyonla) uygular. Ardından, öğrenen kişi öğretmenin teknolojisinin her bir özelliğinden (hem eski hem de yeni) öğrenmeye çalışır. Yeni eklenen özellikler ve ilgili $\left({{cog}}_{i}\right)$'ler mümkün olan en düşük kaliteyle (yani sırasıyla 1 ve 0 ile) başlayacak ve öğretmenin teknolojisinin ki ile aynı sınıra sahip olacaktır.
Modelin ilk versiyonunda olduğu gibi (Bluet ve diğerleri 2022), model birden fazla simülasyon çalışması üzerinden teknolojinin kalitesini ortalamasını aldık, çünkü model tek bir simülasyon çalışmasını etkileyebilecek çeşitli rastgele unsurlar içermektedir. Aksi belirtilmedikçe, aşağıda sunulan tüm sonuçlar aşağıdaki parametre seti kullanılarak elde edilmiştir: ${\beta }_{{up}}=1.2$, ${\beta }_{{down}}=0.6$, ve ${p}_{{innovation}}=0.01$, ${N}_{C}=200$. Diğer parametre değerleri, önceki modeldeki temel değer olarak tutulmuştur [parametreler ve bunların model üzerindeki etkisi hakkında daha fazla ayrıntı için Bluet ve diğerleri (2022)'ye bakın].
Nüfus büyüklüğü ve yenilik sayısı
Modelimiz, nüfus büyüklüğü arttıkça teknolojinin kalitesinde bir artış göstermektedir (Şekil 2A). Ancak, bu artış logaritmik benzeri bir fonksiyonu izlemektedir. Sonuçlarımız, nüfus büyüklüğündeki bir artışın, daha büyük popülasyonlara göre daha küçük popülasyonlarda teknoloji kalitesini artırmada daha büyük bir etkiye sahip olduğunu göstermektedir. Model ayrıca, bu sınırlamanın en az 100 birey olduğunda daha güçlü olduğunu göstermektedir, yani nesilde teorik olarak bir asosiye yeniliğe yaklaşıldığında ( ${p}_{{innovation}}=0.01$ ile).
Daha büyük bir popülasyon her zaman daha büyük bir teknoloji kalitesiyle sonuçlanmıyorsa, bu, daha büyük popülasyonların zorunlu olarak daha fazla yeniliğe yol açmaması gerçeğine atfedilebilir. Ancak, teknolojinin kalitesinin aksine, toplam yenilik sayısı nüfus büyüklüğü ile doğrusal bir şekilde artar (Şekil 2B). Ayrıca, hem yenilik yapmak için toplam fırsat sayısı hem de kaçırılan fırsat sayısı doğrusal olarak artar (Şekil 2C). Bu, popülasyon büyüdükçe asosiye yenilik için daha fazla fırsat ortaya çıktığı ve bireylerin de bu fırsatların daha fazlasını dönüştürdüğü anlamına gelir. Bu, kaçırılan fırsatların yüzdesinin yaklaşık 20 birey nüfus büyüklüğünde bir asimptota ulaştığını gösteren sonuçlarımızla tutarlıdır (Şekil 2D).
Genel olarak, bu sonuçlar nüfus büyüklüğü ile KTK arasındaki ilişkinin doğrusal olmadığını ortaya koymaktadır. Gerçekten de, bir popülasyonun büyüklüğünü artırmanın KTK üzerindeki etkisi azalan getiriler sunar. Bu sonuç bizi şaşırtıcı bir soruyla baş başa bırakıyor: Neden belirgin şekilde daha fazla yenilik yapan bir popülasyon, daha büyük teknoloji kalitesi göstermiyor? Bu soruyu yanıtlamak için öncelikle nüfus büyüklüğü ile yenilik türü (asosiye yenilik veya sosyal olarak edinilmiş yenilik) arasındaki ilişkiyi keşfedecek ve asosiye yenilik durumunda hangi kriterlerin (TR kriteri ve Optimizasyon kriteri) karşılandığına daha yakından bakacağız. Ayrıca nüfus büyüklüğü ile bireysel teknoloji bilgisi arasındaki ilişkiyi inceleyecek, yeniliklerin popülasyon içindeki yayılımını araştıracak ve asosiye yenilik oranının nüfus büyüklüğü ile ilişkisini dikkate alacağız.
Yenilik türü
Şaşırtıcı olmayan bir şekilde, modelimiz popülasyon küçük olduğunda ve popülasyonun erken nesillerinde sosyal olarak öğrenilen yeniliklere kıyasla daha fazla asosiye yenilik olduğunu göstermektedir (Şekil 3A, B). Erken nesillerde bu, bir asosiye yenilik olana kadar sosyal olarak aktarılamayacağı için olur, bu da sosyal olarak öğrenilen yeniliklerin görülmesini imkansız hale getirir. Daha küçük popülasyonlarda daha az birey, daha az öğrenme etkileşimi anlamına gelir, bu da genel olarak daha az sosyal olarak öğrenilen yenilikle sonuçlanır. Asosiye yenilik oranının çok hızlı bir şekilde toplam yeniliklerin yaklaşık %10'una düştüğünü gözlemliyoruz. Bu sonuçlardan, farklı popülasyon büyüklüklerinde ve farklı nesillerde asosiye yeniliğe yol açan mekanizmaların ne olduğu sorusu kalmaktadır? Bu soruyu ele almak için hem TR kriterinin hem de optimizasyon kriterinin dağılımının yeniden dağılımını incelemeye dalıyoruz.
Asosiye yeniliğin TR kriterine ve Optimizasyon kriterine dayalı yeniden dağılımı, daha küçük popülasyonların, esas olarak TR kriterinde yenilik yapma ile yönlendirilen daha büyük popülasyonlara kıyasla yenilik için optimize edilmiş teknolojiye daha fazla güvendiğini düşündürmektedir (Şekil 4, sol kısım). Ayrıca erken nesillerde asosiye yenilik türünün eşit bir yeniden dağılımını gözlemledik (Şekil 4, alt kısım). Bunun nedeni, bir toplumun erken yaşlarında teknolojinin optimize edilmesinin kolay olması ve dolayısıyla TE değerinin de küçük olması olabilir, bu da herhangi bir bireyin optimize edilmiş bir teknolojiye erişebilmesini sağlarken, aynı zamanda TR açısından da önde olmasını sağlar. Bir diğer ilginç sonuç, büyük popülasyonlar için bile sonraki nesillerde teknoloji tabanlı yeniliklerin küçük bir yeniden ortaya çıkmasıdır (Şekil 4, üst kısım). Bir açıklama, popülasyonların daha ileri aşamalarında, teknolojilerin bireylerin ömürleri boyunca onların altında yatan mekanizmaları yakalaması için çok gelişmiş olmasıdır, bu da popülasyonların optimize edilmiş teknolojiye tekrar daha fazla güvenmeleri gerektiği anlamına gelir.
Nüfus büyüklüğü ile teknolojiye ilişkin bireysel bilgi arasındaki ilişki
Daha sonra nüfus büyüklüğü ile TE'ye kıyasla TR becerisi ile teknolojinin genel optimizasyon durumu arasındaki ilişkiyi inceledik, bu durum teknolojinin kalitesinin limitine oranı olarak tanımlanır, öyle ki $\left({optimization}=\,\frac{{quality}\left(T\right)}{{limit}(T)}\right)$. Model, bireylerin, özellikle daha büyük popülasyonlarda (Şekil 5A), erken ila orta nesillerde en yüksek TR beceri düzeyini sergilediğini, aynı zamanda teknolojinin aynı nesil ve popülasyon büyüklüğü aralığında alt-optimal optimizasyon sergilediğini düşündürmektedir (Şekil 5B). Bu, bu erken nesillerde, bireylerin çevreleri hakkında genel olarak daha iyi bir anlayışa sahip olduklarını, teknolojide birçok iyileştirmeye ve asosiye yeniliğe yol açtığını, bu da onu teorik olarak mükemmel yaptığını [yani limit(T)'yi artırdığını], ancak aynı zamanda optimizasyonunu azalttığını gösterir [çünkü limit(T), quality(T)'den çok daha büyük olacaktır]. Çok küçük popülasyonlar (yani 5 bireyden az) için bu modelin mevcut olmadığını unutmayın. TR becerileri ile optimizasyon arasındaki bu model, teknolojinin genel quality(T)'sinin, bireylerin TRI'lerinin çekildiği TE'nin kalitesini belirlemesiyle açıklanabilir. Ancak modelimiz, TR açısından en kötü popülasyonların bile hala yüksek olduğunu ($\frac{{{TR}}_{I}}{{TE}} > 0.75$) gösterirken, teknoloji optimizasyonunun çok düşük olduğunu ($\frac{{quality}\left(T\right)}{{limit}(T)} < \,0.85$) göstermektedir.
Yüksek vasıflı bireylerin erken patlamalarının ardından teknolojinin kalitesinde küçük ve istikrarlı bir artışın bu modeli, asosiye bir yenilik meydana geldikten sonra asosiye yenilik gereksinimlerini karşılamak için gereken ortalama nesil sayısını araştırdığımızda da mevcuttur (hatırlatma olarak ya $\frac{{{TR}}_{I}}{{TE}}\, > \, 0.8$ ya da $\frac{{quality}\left(T\right)}{{limit}(T)} > \,0.8$, Şekil 6). TR için, sonuçlarımız küçük popülasyonlar için daha yavaş bir yakalama hızı önermektedir (Şekil 6A). Ancak, nesil sayısı çok azdır, çünkü her popülasyon büyüklüğündeki hemen hemen her nesil TR kriterini asosiye yenilik için kolayca karşılar. Bu, ortalama teknoloji optimizasyon hızı için geçerli değildir, bu da 20. nesile kadar nüfus büyüklüğü ile artar (Şekil 6B). Bu değer, sonuçlarımızda çok fazla dalgalanma olduğu için dikkatle alınmalıdır. Bununla birlikte, sonuçlar, daha küçük popülasyonların, kalite açısından daha kötü teknolojiye sahip olsalar da, teknolojilerini daha hızlı optimize ettiklerini göstermektedir.
Yeniliğin yayılması
Daha büyük nüfus büyüklüğünün, yeniliğin sosyal olarak yayılmasını daha zor hale getirdiğini düşünebilirsiniz. Gerçekten de, daha büyük bir popülasyonun tüm üyelerine bilgi iletiminde daha uzun bir süreye sahip olduğunu düşünmek normaldir. Buna rağmen modelimiz, yeniliğin yayılma hızının (yani bir yeniliğin tüm teknolojilere yayılması için gereken nesil sayısının) nüfus büyüklüğünün bir fonksiyonu olarak logaritmik bir eğilim izlediğini göstermektedir (Şekil 7). Dolayısıyla, yeniliğin yayılması, nüfus büyüklüğü ile KTK arasındaki tutarsızlığı açıklayamaz.
Bu gözlem, yayılma mekanizmaları bağlamında şaşırtıcı olmasa da, modelimiz bağlamında araştırılması ilginçtir. Bu sonuç, asosiye yenilik ve sosyal olarak edinilmiş yenilik olmak üzere iki çelişkili güçten kaynaklanmaktadır. Gerçekten de önceki sonuçlarımız, nüfusun artmasının daha fazla bireyin yenilik yapma fırsatına sahip olduğunu ve daha büyük popülasyonlarda bireylerin daha büyük TR becerilerine sahip olduğunu göstermiştir. Öte yandan, daha büyük nüfus büyüklüğü, öğrenme sırasında yenilikler geçiren bir bireyden öğrenme şansının daha nadir olduğu anlamına gelir (bunu, 100 kişilik bir popülasyon için bir bireyin önceki nesilde yenilik yaptığı zinciri bulma %1'lik bir şansı olarak düşünün). Özetle, nüfusun artması daha fazla asosiye yenilik anlamına gelir, ancak bu yeniliğin sosyal olarak öğrenilmesi için popülasyonda bulunması daha uzun sürer.
Bu ticaretin yenilik yayılım mekanizmalarındaki etkisini hesaplamalı bir modelini yaptık ve sonuç, modelde görülenle niteliksel olarak aynıdır (Ek Materyal S3: Yenilik hesaplamalı modeli), bu sonucun modelimizin yenilik dinamikleri tarafından açıklandığını düşündürmektedir.
Yenilik hızı
${p}_{{innovation}}$ değerini değiştirirken, modelimiz nüfus büyüklüğünün etkisinin, literatürde daha önce belirtildiği gibi asosiye yenilik oranı tarafından kısıtlandığını göstermektedir (Baldini 2015; Fogarty ve diğerleri 2017; Kobayashi ve Aoki 2012). Gerçekten de sonuçlarımız, asosiye yenilik oranı düşük olduğunda nüfus büyüklüğünün teknoloji kalitesini doğrusal olarak artırdığını göstermektedir (Şekil 8A). Ancak, ${p}_{{innovation}}$ değeri arttıkça, nüfus büyüklüğünün etkisi azalır (Şekil 8B-D). Bu etki azalmasının, nüfus büyüklüğünün her nesilde bir asosiye yeniliğe eşit olduğu eşiğe yaklaşıldığında hızla gerçekleştiğini gözlemliyoruz (yani ${p}_{{innovation}}=0.01$ için yaklaşık 100 birey, ${p}_{{innovation}}=0.05$ için 20 ve ${p}_{{innovation}}=0.10$ için 10).
Burada, sosyal bilgi iletiminin mikro ölçekli bir modelleme çerçevesinden demografik faktörlerin KTK üzerindeki etkisini simüle eden bir KTK modeli sunuyoruz. Bu model, mikro-toplumun önceki bir modeline (Bluet ve diğerleri 2022) dayanmaktadır, bu paradigma laboratuvarda KTK'yi incelemek için kullanılır (Caldwell ve Millen 2008; Derex ve diğerleri 2019; Osiurak ve diğerleri 2022; Osiurak ve diğerleri 2020; Osiurak ve diğerleri 2020; Osiurak ve diğerleri 2016). Bu modeli kullanarak bir popülasyon oluşturmak için, bireylerin herhangi bir bireyden öğrenebildiği paralel iletim zincirlerini çalıştırmak üzere genişlettik. Bu kurulum, laboratuvar deneylerinde de incelenmiştir ve nüfus büyüklüğünü artırmanın daha iyi bir KTK'ye yol açtığını göstermiştir (Derex ve Boyd 2016; Kempe ve Mesoudi 2014). Ancak, daha büyük grup boyutlarının daha büyük bir KTK'ye yol açmadığı diğer iletim zinciri deneyleri tarafından çelişkili sonuçlar sağlanmıştır (Caldwell ve Millen 2010; Fay ve diğerleri 2019).
Sonuçlarımız, daha büyük nüfus boyutlarının doğrusal bir şekilde daha büyük bir KTK ile ilişkili olmadığını göstererek bu son çalışmalarla tutarlıdır. Daha spesifik olarak, KTK nüfus büyüklüğü ile artsa da, bu etki popülasyon büyüdükçe sınırlı hale gelir, bu da popülasyondaki ek bireylerin katkılarının öncelikle daha küçük popülasyonlar için önemli olduğunu göstermektedir. Bu sonuçlar, nüfus büyüklüğünün etkisinin yalnızca popülasyon küçük olduğunda görüldüğünü gösteren literatürle uyumludur (Andersson ve Törnberg 2016; Ben-Oren ve diğerleri 2023; Vaesen ve diğerleri 2016). Ayrıca, birden fazla çalışma, nüfus büyüklüğü ile arkeolojik araç kaydı arasında bir ilişki olmadığını göstermektedir (Andersson ve Read 2016; Buchanan ve diğerleri 2015; Collard ve diğerleri 2013; Schiffels ve Durbin 2014; Vaesen 2012). Modelimiz, bunun daha büyük popülasyonlarda yenilik sürecinin yavaşlamasından kaynaklanmadığını öngörmektedir, çünkü yenilik sayısı nüfus büyüklüğü ile doğrusal olarak değişmektedir. Ayrıca, büyük popülasyonlarda daha fazla kaçırılmış fırsattan kaynaklanmamaktadır, çünkü model, ortalama asosiye yenilik kaybının nüfus büyüklüğü arttıkça azaldığını göstermektedir. Son olarak, daha büyük popülasyonlar daha yavaş yenilik yayılması anlamına gelmez. Gerçekten de modelimiz, yenilik yayılma hızının logaritmik olarak arttığını göstermektedir. Böylece, daha büyük popülasyonların neden daha büyük KTK ile bağlantılı olmadığı, ancak daha az popülasyondan önemli ölçüde daha fazla yenilik yaptığı sorusu açık kalmaktadır. Genel olarak, bu sonuçlar KTK'nin altında yatan mekanizmalar hakkında bilgiler sunmakta ve mikro ölçekli modelleme çerçevemizin demografik faktörleri keşfetmedeki etkinliğini vurgulamaktadır.
Modelimiz, bireylerin kendileri yenilik yapmak yerine, bunu yapan az sayıdaki bireyin asosiye yeniliklerine güvendiğini göstermektedir. Bu, Roger'ın 1988 tarihli makalesinde ifade ettiği serbest binici sorununa benzer (Rogers 1988). Modelinde Roger, sosyal öğrenme sıklığı arttıkça popülasyonun genel uygunluğunun azaldığını gösterir. Gerçekten de sosyal öğrenme asosiye öğrenmeden daha az maliyetli olduğundan, bir birey başkalarından öğrenmeye çalışmalıdır. Ancak, her birey bunu yaparsa, hiç kimse popülasyona yeni bilgi getirmeyecek ve dolayısıyla popülasyonun uygunluğu azalacaktır. Bu sorun, sosyal öğrenme yanlılığını entegre ederek çözüldü (Boyd ve Richerson 1995; Kameda ve Nakanishi 2003). Böylece, daha büyük popülasyonlarda nüfus büyüklüğünün etkisinin daha az olduğunu gösteren sonuçlarımız, modelde tarafsız sosyal öğrenme varsayıldığı için açıklanabilir. Sosyal öğrenme yanlılığını entegre eden bir model, nüfus büyüklüğünün bir fonksiyonu olarak KTK'de doğrusal bir artışa yol açabilir. Bununla birlikte, prestij yanlılığının (inceleme için Henrich ve Gil-White (2001) için Kendal ve diğerleri (2018)) sosyal öğrenme yanlılıklarının çıkarımının literatürde hala tartışmalı olduğunu not etmek önemlidir (Chellappoo 2021).
Modelimizin bir diğer sonucu da, daha büyük popülasyonlarda bireylerin, teknolojinin zaten optimize edilmiş olması ve dolayısıyla yalnızca asosiye yenilik yoluyla geliştirilebilmesi gerçeğinden ziyade, yenilik yapmak için kendi becerilerine (burada TR) daha fazla güvendiğidir. Bu, asosiye yeniliğin hem teknik akıl yürütmeye hem de teknolojik optimizasyona dayandığı daha küçük popülasyonların aksinedir. İleri nesillerde, daha büyük popülasyonlar için bile asosiye yeniliğin teknolojik optimizasyonuna dayalı bir yeniden ortaya çıkış gözlemlenir. Bunun nedeni, popülasyonun daha ileri aşamalarında, teknolojinin, bireylerin yaşam süreleri boyunca altında yatan mekanizmaları ustalıkla kavramaları için çok gelişmiş olması olabilir, bu literatürde bilinen bir gerçektir (Mesoudi 2011). Bu yoruma paralel olarak, modelimiz bireylerin teknoloji anlayışı açısından en iyi durumda olduklarını daha büyük popülasyonlarda ve gelişimlerinin daha erken aşamalarında göstermektedir. Buna karşılık, popülasyonlar ya daha küçük olduklarında (daha basit teknoloji daha kolay optimize edildiği için) ya da sonraki nesillerde daha optimize edilmiş teknolojiye sahiptir. Bu sonuç, daha küçük popülasyonların daha az çeşitli veya karmaşık teknolojilere sahip olabilmesine rağmen, bunlara daha iyi bir anlayışa sahip olabileceğini, daha büyük, daha gelişmiş popülasyonların ise teknolojileri ve teknikleri geliştirmek için başkalarına daha fazla güvendiğini göstermektedir.
Ayrıca asosiye yenilik oranının nüfus büyüklüğü üzerindeki etkisi için test ettik. Sonuçlarımız, daha yüksek asosiye yenilik oranlarının (yani daha fazla yenilik yapma şansının), nüfus büyüklüğünün KTK üzerindeki etkisiyle azalan bir ilişki içinde olduğunu göstermektedir. Gerçekten de, asosiye yenilik oranını artırmak daha iyi bir KTK'ye yol açsa da, popülasyon büyüklüğü etkisinin asimptotuna daha hızlı ulaşmasına neden olur. Daha önce nüfus büyüklüğünün etkisinin yenilik oranıyla sınırlanmış olabileceği öne sürülmüştür (Baldini 2015; Fogarty ve diğerleri 2017; Kobayashi ve Aoki 2012). Dahası, bu asimptot, modelimizde her nesilde bir asosiye yenilik eşiğine ulaşıldığında ortaya çıkıyor gibi görünmektedir (yani ${p}_{{innovation}}=0.01$ için yaklaşık 100 birey, ${p}_{{innovation}}=0.05$ için 20 ve ${p}_{{innovation}}=0.10$ için 10), bu da yeterli sayıda yenilikçi birey olduğunda, daha iyi bir KTK elde etmek için popülasyon boyutunu artırmaya gerek kalmadığını göstermektedir.
Bu sonuçlar, KTK'deki demografik faktörlerin katılımı konusundaki tartışmaya katkıda bulunurken, modelimizin sınırlamaları olduğunu belirtmek isteriz. İlk olarak, basitlik adına çapraz öğrenen bir popülasyon varsayıyoruz. Ancak, popülasyon yapısının KTK üzerinde bir etkisi olduğu birçok kez gösterilmiştir (Creanza ve diğerleri 2017; Derex ve Boyd 2016; Kolodny ve diğerleri 2015; Lehmann ve diğerleri 2011). Ayrıca, son çalışmalar etkin nüfus büyüklüğünün KTK üzerindeki etkisini göstermiştir (Deffner ve diğerleri 2022; Derex ve Mesoudi 2020). Tamamen çapraz öğrenen popülasyon varsayımımız nedeniyle, etkin nüfus büyüklüğü modelimizde nüfus büyüklüğü ile aynıdır, bu da KTK'yi incelemek için tam olarak çapraz öğrenmeyen bir popülasyonun daha uygun olduğu fikrini pekiştirmektedir. Gelecekteki araştırmaların bu konuda popülasyon yapısına ve bağlantılılığa odaklanması gerektiği bize önemli görünmektedir. İkinci olarak, her bireyin rastgele olarak öğreneceği önceli seçtiği tarafsız sosyal öğrenmeyi varsayıyoruz. Sosyal öğrenme yanlılıklarından kaçınma kararı bizim varsaydığımız bir seçimdir, ancak bu yanlılıkları modele dahil etmek, çeşitli çalışmaların zaten işaret ettiği gibi ilginç sonuçlar verebilir (Acerbi ve Alexander Bentley 2014; Atkisson ve diğerleri 2012; Henrich ve Gil-White 2001; Jiménez ve Mesoudi 2019; Thompson ve Griffiths 2021). Son olarak, gösterdiğimiz gibi, sonuçlarımız yenilikleri modelleme şeklimize ve bunların sosyal olarak aktarılabilir olup olmadığına büyük ölçüde bağlıdır. İlk olarak, bireylerin nasıl yenilik yaptığı, mevcut çalışmanın dayandığı modelden (Bluet ve diğerleri 2022) türetilmiştir ve bu model de yenilik sürecini başarılı olduğu kanıtlanmış başka bir modele (Creanza ve diğerleri 2017; Kolodny ve diğerleri 2015) dayandırmaktadır. İkinci olarak, yeniliklerin sosyal olarak iletildiği varsayımı, bireylerin gözlemledikleri özelliklerin çoğunu aldığı literatürdeki çoğu modelle tutarlıdır (Andersson ve Törnberg 2016; Aoki 2018; Baldini 2015; Ben-Oren ve diğerleri 2023; Creanza ve diğerleri 2017; Henrich 2004; Kobayashi ve Aoki 2012; Miu ve diğerleri 2018; Powell ve diğerleri 2009). Ancak, yeniliğin sosyal öğrenen için herhangi bir maliyet olmaksızın edinilebileceği varsayımı sorgulanabilir. Bu soruna basit çözümler, ya sosyal edinilmiş yenilik için bir maliyet eklemek ya da asosiye yeniliklere benzer şekilde bu tür yenilikler için bir kriter uygulamaktır. Bununla birlikte, yenilik ile nüfus büyüklüğü arasındaki potansiyel ortaya çıkış, yenilik sürecinin bir fonksiyonu olarak araştırılabilir.
İnsanlık, dünyayı fethetmek için büyük ölçüde teknolojilere güvenmiştir ve türümüzün başarısı KTK açıklanmadan açıklanamaz. Modelimiz, nüfus büyüklüğünün başarımızın tek açıklayıcı nedeni olmadığını ve yeniliğin ortaya çıkma, aktarılma şekli ve sıklıklarının KTK üzerinde çok daha büyük bir etkiye sahip olduğunu önermektedir. Bu nedenle, gelecekteki çalışmalar, yeniliğin arkasındaki sürece ve KTK'yi yöneten demografik faktörler üzerindeki etkilerine daha fazla odaklanmalıdır.