Evolutionary Dynamics in Complex Systems : From Cultural Popularity to Biological and Strategic Phenomena = 복잡계에서의 진화 동역학 : 문화적 현상에서 생물학적 및 전략적 상호작용까지

국문 초록 (Abstract)

복잡계（complex systems）는 많은 개체들 사이의 상호작용으로부터 거시적인 집단 행동이 나타나는 시스템을 의미한다. 복잡계는 사회 시스템, 생물학적 시스템, 문화적 현상 등 매우 다양한 분야에서 나타나지만, 확률적 동역학, 개체 간 상호작용, 그리고 집단 행동과 같은 공통적인 특징을 가진다. 이러한 특성으로 인해 복잡계는 경험적 데이터 분석, 확률적 시뮬레이션, 그리고 이론적 모델링 등 다양한 방법을 통해 연구되어 왔다.

본 학위논문은 이러한 접근 방법들을 바탕으로 복잡계에서 나타나는 여러 형태의 진화 동역학을 탐구한다. 특정한 하나의 시스템에만 집중하기보다는, 개체 간 상호작용이 어떻게 다양한 분야에서 집단적인 패턴을 만들어 내는지를 분석하였다. 본 논문에서 다루는 시스템은 온라인 스트리밍 플랫폼에서의 콘텐츠 소비 동역학, 포식자–피식자 시스템에서의 집단 사냥 행동, 그리고 성비 진화 문제에 이르기까지 다양한 분야를 포함한다.

경험적 데이터 분석의 예로, 본 논문은 여러 국가의 Netflix TV 프로그램 일간 Top-10 순위 데이터를 활용하여 글로벌 콘텐츠 소비 동역학을 분석하였다. 커뮤니티 탐지 분석을 통해 유사한 시청 패턴을 보이는 국가 집단을 확인하였으며, 이를 통해 문화 소비 동역학에서 전 세계적인 동조 현상과 지역적 다양성이 동시에 나타남을 보였다. 또한 Shannon entropy, mutual information, Kullback–Leibler divergence와 같은 정보이론적 지표를 이용하여 콘텐츠 인기도의 시간적 관계와 방향성을 분석하였다.

포식자–피식자 시스템에서는 확률적 시뮬레이션을 통해 개체 간 상호작용과 집단 사냥 행동의 진화를 분석하였다. 여러 포식 전략을 도입한 결과, 집단 전체의 사냥 효율은 낮더라도 이기적인 전략이 개체 수준의 이득으로 인해 집단 내에서 우세해질 수 있음을 확인하였으며, 이는 개체 수준과 집단 수준의 이득 사이에서 사회적 딜레마를 유발하였다. 반면, 집단 선택（groupselection）과 같은 진화 메커니즘 아래에서는 협력적인 사냥 전략이 진화할 수 있음도 확인하였다. 더 나아가, 신경망 기반의 포식 전략을 도입하여 기존의 규칙 기반 전략보다 더욱 유연하고 다양한 행동 동역학을 탐구하였다.

마지막으로, 게임이론적 틀을 이용하여 편향된 성비의 진화를 연구하였다. 고전적인 Fisher의 성비 이론은 넓은 조건에서 출생 성비가 1:1로 수렴함을 예측한다. 그러나 본 논문에서 제안한 모델은 이전에 태어난 자식의 성별에 따라 추가 출산 여부가 결정될 경우, 전체 출생 성비는 1:1에서 벗어날 수 있음을 보였다. 또한 자식의 수가 전략에 의존적인 상황에서는 진화적 적합도를 단순한 손자 수의 기댓값이 아니라, 자손이 성공적으로 짝짓기에 참여할 가능성을 기준으로 평가해야 함을 제시하였다.

종합적으로 본 논문은 경험적 데이터 분석, 확률적 시뮬레이션, 그리고 이론적 접근을 통해 복잡계에서 나타나는 집단 동역학을 어떻게 이해할 수 있는지를 보여준다.

다국어 초록 (Multilingual Abstract)

Complex systems research investigates how large-scale collective behaviors emerge from interactions among many individuals. Although complex systems arise in diverse fields, they often exhibit common features such as stochastic dynamics, interactions among individuals, and collective behaviors. Because of these characteristics, complex systems have been studied using a wide range of approaches, including empirical data analysis, stochastic simulations, and theoretical modeling.

This thesis explores several types of evolutionary dynamics in complex systems using these approaches. Rather than focusing on a single type of system, this thesis examines how interactions among individuals generate collective patterns across different domains. The systems studied in this thesis range from global content consumption on online streaming platforms to collective hunting behaviors and the evolution of sex ratios.

As an example of empirical data analysis, this thesis investigates global content consumption dynamics using daily Netflix Top-10 TV show rankings from multiple countries. Community detection analyses reveal groups of countries with similar viewing patterns, reflecting both global synchronization and regional diversity in cultural consumption dynamics. Information-theoretic measures such as Shannon entropy, mutual information, and Kullback-Leibler divergence are further used to examine temporal relationships and directional patterns in content popularity.

Interactions among individuals are further investigated through stochastic simulations of predator–prey systems. By introducing several predator chasing strategies, the simulations show that selfish behaviors can dominate populations despite lower collective hunting efficiency, leading to a social dilemma between individual-level and group-level benefits. At the same time, cooperative hunting strategies can emerge under evolutionary mechanisms such as group selection. The framework is further extended using neural-network-based predator strategies, allowing more flexible and diverse behavioral dynamics than predefined rule-based strategies.

Finally, a game-theoretic framework is used to investigate the evolution of biased sex ratios. Classical Fisherian theory predicts that the equilibrium birth sex ratio approaches 1:1 under broad conditions. In contrast, the model proposed in this thesis shows that the overall birth sex ratio can deviate from equality when reproductive continuation depends on the sex of previously born offspring. The results further suggest that, when reproductive dynamics depend on strategy, evolutionary fitness should be evaluated based on the expected mating opportunities of offspring rather than the expected number of grandchildren.

Overall, this thesis demonstrates how empirical analysis, stochastic simulations, and theoretical approaches can be used to investigate collective dynamics in complex systems.

목차 (Table of Contents)

• 1 Introduction 1
• 2 Theoretical Background 5
• 2.1 Data-Driven Approaches to Social Dynamics 5
• 2.1.1 Complex Network and Community Detection 5
• 2.1.2 Information-Theoretic Framework 7
• 2.2 Evolutionary Dynamics and Game Theory 9
• 2.2.1 Game Theory and Evolutionarily Stable Strategy 9
• 2.2.2 Evolution of Cooperation and Social Dilemma 13
• 3 Netflix Content Consumption Dynamics 18
• 3.1 Introduction 18
• 3.2 Data 20
• 3.3 Cross-Country Analysis of Netflix Content Consumption 20
• 3.3.1 Data 20
• 3.3.2 Method 21
• 3.3.3 Identification of Similar Consumption Groups 32
• 3.3.4 Impact of Major Content-Producing Countries 38
• 3.3.5 Global Trends in Content Production 42
• 3.3.6 Discussion 45
• 3.4 Information-Theoretic Analysis of Netflix TV Show Popularity 47
• 3.4.1 Data 47
• 3.4.2 Shannon Entropy 48
• 3.4.3 Mutual Information 52
• 3.4.4 Kullback–Leibler (KL) Divergence 55
• 3.4.5 Discussion 73
• 3.5 Conclusion 75
• 4 Predator–Prey Dynamics 78
• 4.1 Introduction 78
• 4.2 Social Dilemma in Collective Hunting 80
• 4.2.1 Strategy 81
• 4.2.2 Model and Simulation Procedure 86
• 4.2.3 Results 89
• 4.2.4 Discussion 100
• 4.3 Neural-Network-Based Chasing Strategies 103
• 4.3.1 Strategy 104
• 4.3.2 Model and Simulation Procedure 108
• 4.3.3 Results 111
• 4.3.4 Possible Extensions 123
• 4.3.5 Discussion 127
• 4.4 Conclusion 129
• 5 Sex Ratio Evolution 131
• 5.1 Introduction 131
• 5.2 Sex-Dependent Reproductive Strategies and Evolutionary Stability 133
• 5.2.1 Theoretical Analysis 133
• 5.2.2 Simulation with Continuation Probabilities 143
• 5.2.3 Simulation with Biological Rates 151
• 5.3 Conclusion 156
• 6 Conclusion 158
• References 161