[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,91 +2,161 @@
|
||||
id: wiki-2026-0508-memetics
|
||||
title: Memetics
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-MEME-001]
|
||||
aliases: [Meme Theory, Cultural Evolution, Dawkins Memetics]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.86
|
||||
tags: [auto-reinforced, memetics, culture, information-replicators, evolutionary-Psychology, internet-culture]
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [memetics, cultural-evolution, evolutionary-theory, information-theory]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: conceptual
|
||||
framework: evolutionary-theory
|
||||
---
|
||||
|
||||
# [[Memetics|Memetics]]
|
||||
# Memetics
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "문화의 유전자: 인간의 뇌에서 뇌로 복제되고 변이하며 살아남는 지식, 믿음, 유행의 기본 단위(Meme)이자, 생물학적 진화를 넘어 정보 지배의 원리를 통해 인류의 문명을 설명하는 진화론적 사회학."
|
||||
## 매 한 줄
|
||||
> **"매 cultural unit propagates 의 selection-replication-mutation 의 동일 logic"**. Dawkins 1976 *The Selfish Gene* 의 마지막 chapter 의 introduced — meme 의 cultural analog 의 gene. 매 modern state (2026) 의 contested 으로 남음 — academic 의 quasi-discipline 으로 fade 했지만 social media virality / LLM training data analysis 에서 매 explanatory framework 으로 revival.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
밈학(Memetics)은 문화적 정보의 복제와 전파를 연구하는 학문입니다. (리처드 도킨스 제안)
|
||||
## 매 핵심
|
||||
|
||||
1. **3대 조건 (생존의 법칙)**:
|
||||
* **Longevity**: 정보를 담은 매체가 얼마나 오래가는가?
|
||||
* **Fecundity (번식력)**: 얼마나 빠르고 널리 퍼지는가?
|
||||
* **Copy-fidelity**: 원본의 핵심 메시지가 변함없이 전달되는가?
|
||||
2. **왜 중요한가?**:
|
||||
* 특정 아이디어나 유행이 왜 소멸하고 왜 폭발적으로 유행하는지를 '적자생존'의 관점에서 이해하게 함으로써, 마케팅, 정치, 사회 운동의 메커니즘을 통찰하게 함.
|
||||
### 매 정의
|
||||
- **Meme**: 매 cultural information unit (idea, behavior, style) 의 host-to-host transmission 가능.
|
||||
- **Replicator**: 매 self-copying entity — gene 의 cultural counterpart.
|
||||
- **Memeplex**: 매 co-replicating memes 의 cluster (e.g., religion = belief + ritual + identity meme bundle).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 문화적 비유 정책으로 여겨졌으나, 현대 정책은 SNS와 알고리즘 덕분에 '초고속 대량 복제와 변이 정책'이 현실화되며 실시간으로 세상을 바꾸는 물리적 힘 정책으로 인정받음(RL Update).
|
||||
- **정책 변화(RL Update)**: AI가 사람들의 선호 정책을 학습하여 인위적으로 '바이럴 밈 정책'을 생성하거나 제어하는 '인공지능 기반 밈 제어 정책'이 부상 시대를 예고함.
|
||||
### 매 Darwinian 3-step
|
||||
- **Variation**: 매 transmission 의 mutations (mishearing, reinterpretation).
|
||||
- **Selection**: 매 attention / memory / social reward 의 differential survival pressure.
|
||||
- **Heredity**: 매 high-fidelity copying 의 (vs. paraphrase) winning long-term.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Information-Society|Information-Society]], [[Innovation|Innovation]], [[Instinct|Instinct]], [[Gestalt Psychology|Gestalt Psychology]], [[Knowledge synthesis|Knowledge synthesis]]
|
||||
- **Modern Tech/Tools**: Viral marketing, Internet memes, Algorithmic feed [[Optimization|Optimization]] (TikTok, X).
|
||||
---
|
||||
### 매 응용
|
||||
1. **Internet virality** — 매 K-factor (replication rate) 의 explicit modeling.
|
||||
2. **LLM training corpus** — 매 dominant memes 의 over-representation 의 model bias.
|
||||
3. **Disinformation analysis** — 매 hostile memeplex 의 spread dynamics.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 K-factor 의 simulation (epidemiological meme spread)
|
||||
```python
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
def simulate_meme_spread(N=10000, beta=0.3, gamma=0.1, days=60, seed=42):
|
||||
"""SIR-style meme spread. beta = transmission rate, gamma = forget rate."""
|
||||
rng = np.random.default_rng(seed)
|
||||
S, I, R = N - 1, 1, 0
|
||||
history = []
|
||||
for day in range(days):
|
||||
new_inf = rng.binomial(S, 1 - np.exp(-beta * I / N))
|
||||
new_rec = rng.binomial(I, gamma)
|
||||
S -= new_inf
|
||||
I += new_inf - new_rec
|
||||
R += new_rec
|
||||
history.append((day, S, I, R))
|
||||
return history
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
hist = simulate_meme_spread()
|
||||
peak_day = max(hist, key=lambda x: x[2])
|
||||
print(f"Peak adoption day {peak_day[0]}, infected={peak_day[2]}")
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 매 meme fitness 의 measurement (engagement-weighted)
|
||||
```python
|
||||
def meme_fitness(impressions: int, shares: int, completion_rate: float, novelty: float) -> float:
|
||||
"""Composite fitness — higher means stronger replicator."""
|
||||
if impressions == 0:
|
||||
return 0.0
|
||||
share_rate = shares / impressions
|
||||
return share_rate * completion_rate * (1 + 0.5 * novelty)
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# Example: TikTok clip
|
||||
print(meme_fitness(1_000_000, 50_000, 0.78, 0.6)) # → ~0.0507
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 매 memeplex 의 cluster detection (LLM corpus analysis)
|
||||
```python
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
from sklearn.cluster import KMeans
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
def find_memeplexes(documents: list[str], k: int = 8):
|
||||
"""Identify co-occurring meme clusters in a corpus."""
|
||||
vec = TfidfVectorizer(max_features=5000, ngram_range=(1, 3), stop_words="english")
|
||||
X = vec.fit_transform(documents)
|
||||
km = KMeans(n_clusters=k, random_state=42, n_init=10).fit(X)
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
terms = vec.get_feature_names_out()
|
||||
for cluster_id in range(k):
|
||||
center = km.cluster_centers_[cluster_id]
|
||||
top = center.argsort()[-10:][::-1]
|
||||
print(f"Memeplex {cluster_id}: {[terms[i] for i in top]}")
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
# usage: find_memeplexes(reddit_posts, k=12)
|
||||
```
|
||||
|
||||
### 매 mutation rate 의 quantification (paraphrase distance)
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer
|
||||
import numpy as np
|
||||
|
||||
model = SentenceTransformer("all-MiniLM-L6-v2")
|
||||
|
||||
def transmission_fidelity(original: str, retransmissions: list[str]) -> float:
|
||||
"""1.0 = perfect copy, 0.0 = unrelated."""
|
||||
orig_vec = model.encode(original, normalize_embeddings=True)
|
||||
re_vecs = model.encode(retransmissions, normalize_embeddings=True)
|
||||
sims = re_vecs @ orig_vec
|
||||
return float(np.mean(sims))
|
||||
```
|
||||
|
||||
### 매 selfish-meme 의 detector (cost-to-host)
|
||||
```python
|
||||
def selfish_meme_score(replication_rate: float, host_wellbeing_delta: float) -> float:
|
||||
"""High when meme spreads strongly while harming hosts (e.g., conspiracy theories)."""
|
||||
return replication_rate / (1 + max(0, host_wellbeing_delta))
|
||||
|
||||
# Healthy meme (positive impact, low spread): 0.5
|
||||
print(selfish_meme_score(replication_rate=0.5, host_wellbeing_delta=0.5)) # 0.33
|
||||
# Selfish meme (negative impact, high spread): high score
|
||||
print(selfish_meme_score(replication_rate=2.0, host_wellbeing_delta=-0.8)) # 2.0
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 single viral content 의 spread modeling | SIR with measured beta/gamma |
|
||||
| 매 long-term cultural change (years+) | Multi-meme co-evolution + selection landscape |
|
||||
| 매 LLM training bias 분석 | Memeplex cluster detection on corpus |
|
||||
| 매 disinformation campaign 의 detection | Selfish-meme scoring + network propagation graph |
|
||||
|
||||
**기본값**: 매 SIR-style modeling 의 first pass — 매 quantitative grip 후 refinement.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Evolutionary Theory]] · [[Cultural Evolution]]
|
||||
- 변형: [[Cultural Selection]] · [[Information Theory]]
|
||||
- 응용: [[Viral Marketing]] · [[Disinformation Analysis]] · [[LLM Training Bias]]
|
||||
- Adjacent: [[Network Effects]] · [[Behavioral Economics]] · [[Sociolinguistics]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 viral content design / disinformation defense / training corpus 의 bias diagnosis.
|
||||
**언제 X**: 매 individual cognition modeling — meme 의 statistical-population concept 의 individual prediction 의 부적합.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **매 "meme = funny image"**: 매 internet vernacular 의 academic concept 의 confuse.
|
||||
- **매 over-Darwinizing culture**: 매 every cultural change 의 selection 의 attribute — many are random drift / institutional choice.
|
||||
- **매 ignoring transmission medium**: 매 medium 의 selection pressure 의 dominant — TV vs Twitter vs TikTok 의 different memeplex 의 favor.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Dawkins *The Selfish Gene* 1976; Blackmore *The Meme Machine* 1999; Boyd & Richerson *Culture and the Evolutionary Process* 1985).
|
||||
- 신뢰도 A (foundational) — but applied predictions 의 신뢰도 B.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — memetics 의 core theory + simulation/cluster patterns 추가 |
|
||||
|
||||
Reference in New Issue
Block a user