🔬 physics

Extracting behavioural properties from face-to-face interactions temporal networks: a measure of egonet persistency

Dieses Paper führt das Neighbourhood Persistency Criterion (NPC) ein, ein statistisch fundiertes Framework zur Quantifizierung der Egonet-Persistenz in temporalen Netzwerken, das einen gemeinsamen Exploration–Exploitation-Trade-off bei Face-to-Face-Interaktionen über Konferenzen hinweg offenlegt und zeigt, dass diese Interaktionsstrategien stärker durch kontextuelle Faktoren als durch soziodemografische Merkmale getrieben werden.

Ursprüngliche Autoren: Gabriel Maurial, Elisa Klüger, Mathieu Génois

Veröffentlicht 2026-06-29

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Gabriel Maurial, Elisa Klüger, Mathieu Génois

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie befinden sich auf einer großen, geschäftigen Konferenz. Sie haben ein paar Stunden Zeit zum Netzwerken, aber der Raum ist voller hunderter Menschen. Sie stehen vor einer ständigen Wahl: Bleibe ich bei den Menschen, die ich bereits kenne und mit denen ich ein tiefgründiges Gespräch führe, oder wandere ich umher und lerne so viele neue Gesichter wie möglich kennen?

In dieser Arbeit geht es darum, herauszufinden, wie Menschen diese Entscheidung im Laufe der Zeit treffen und wie man sie misst, ohne von der Mathematik getäuscht zu werden.

Das Problem: Die „Popularitätsfalle“

Forscher haben versucht zu messen, wie „beständig“ der soziale Kreis einer Person ist. Sie fragen: Bleibt diese Person immer wieder bei ders-elben Gruppe oder wechselt sie ständig?

Aber es gibt einen Haken. Wenn Sie eine sehr beliebte Person sind, die mit allen im Raum spricht, sieht Ihr sozialer Kreis zufällig „beständig“ aus, selbst wenn Sie nur zufällig Leute treffen. Es ist so, als würde man sagen, dass eine Person, die einen riesigen Eimer besitzt, „mehr Wasser hält“ als jemand mit einem Becher, selbst wenn der Becher bis zum Rand voll und der Eimer nur halb leer ist. Die alte Mathematik konnte nicht zwischen echter Loyalität und einfach nur sehr beschäftigt zu sein unterscheiden.

Die Lösung: Das „Neighbourhood Persistency Criterion“ (NPC)

Die Autoren entwickelten ein neues Werkzeug namens NPC (Neighbourhood Persistency Criterion). Betrachten Sie dies als einen sozialen „Lügendetektor“, der das Rauschen herausfiltert.

Es vergleicht zwei Dinge:
- Mit wem Sie gesprochen haben (Identität).
- Wie lange Sie mit ihnen gesprochen haben (Intensität).
Es nutzt eine „Kontrollgruppe“ (Das Nullmodell):
Bevor das Computerprogramm eine Person beurteilt, simuliert es, was passieren würde, wenn alle im Raum einfach zufällig umherwandern würden, wobei sie ihre gleiche Anzahl an Gesprächen beibehalten, aber die Partner tauschen.
Der Score:
- Wenn eine Person öfter mit denselben Leuten spricht, als es das zufällige Umherwandern vorhersagen würde, erhält sie einen hohen Score (Der „Entdecker“, der seinen Stamm gefunden hat).
- Wenn sie mit weniger Leuten spricht, als der Zufall vorhersagt (aktiv alte Freunde vermeidet), erhält sie einen niedrigen Score (Der „Vermeider“).
- Wenn sie genau wie das zufällige Umherwandern agiert, erhält sie eine Null (Der „Zufalls-Mixer“).

Was sie fanden: Der „Exploration vs. Exploitation“-Tanz

Die Forscher wendeten dieses Werkzeug auf Daten von vier verschiedenen akademischen Konferenzen an und verfolgten dabei die Face-to-Face-Interaktionen bis auf die Sekunde genau. Hier ist, was sie entdeckten:

Die „Steady Eddies“: Manche Menschen haben einen sehr konsistenten Stil. Entweder bleiben sie den ganzen Tag bei einer kleinen, vertrauten Gruppe (hohe Beständigkeit) oder sie suchen ständig nach neuen Leuten (niedrige Beständigkeit).
Die „Switcher“: Viele Menschen passen in keine Schublade. Sie verbringen vielleicht den Vormittag mit dem Entdecken (neue Leute kennenlernen) und den Nachmittag mit dem Ausnutzen (die Bindungen zu den neu kennengelernten Personen vertiefen). Ihr Verhalten ändert sich je nach Pause oder Sitzung.
Die „Vermeider“: Eine winzige Gruppe vermeidet aktiv Menschen, die sie bereits getroffen haben, und sucht ständig nach frischen Gesichtern.

Die große Überraschung:
Die Autoren untersuchten das Alter, das Geschlecht und den Hintergrund der Teilnehmer, um zu sehen, ob diese Verhaltensweisen „Persönlichkeitsmerkmale“ sind.

Ergebnis: Fast nichts.
Bedeutung: Ein „Steady Eddie“ oder ein „Switcher“ zu sein, hat nichts damit zu tun, wer man ist (seine Persönlichkeit oder sein Alter). Es geht darum, wo man ist und was man gerade tut. Ein 25-Jähriger kann auf der einen Konferenz ein „Steady Eddie“ und auf einer anderen ein „Switcher“ sein, abhängig vom Zeitplan, den Kaffeepausen oder den spezifischen Zielen für diesen Tag.

Die „Eimer vs. Becher“-Analogie für Zeit

Die Studie fand auch einen subtilen Unterschied zwischen dem, mit wem man spricht, und der Dauer des Gesprächs.

Es ist einfacher, mit der gleichen Gruppe von Menschen weiterzusprechen (den Eimer mit denselben Freunden voll zu halten).
Es ist schwieriger, die Zeitmenge, die man mit jedem Freund verbringt, exakt gleich zu halten.
Analogie: Man kann vielleicht den ganzen Tag mit seinen drei besten Freunden zusammenbleiben (hoher „Wer“-Score), aber man verbringt vielleicht 20 Minuten mit dem einen, 5 Minuten mit dem anderen und 40 Minuten mit dem dritten (niedriger „Zeit“-Score). Die Arbeit zeigt, dass diese beiden Verhaltensweisen nicht immer perfekt übereinstimmen.

Das Fazit

Diese Arbeit liefert uns ein besseres Lineal, um soziales Verhalten zu messen. Sie beweist, dass Menschen bei großen Veranstaltungen nicht einfach nach ihrer „Persönlichkeit“ handeln. Stattdessen balancieren sie ständig einen Kompromiss aus: Grabe ich tief bei den Menschen, die ich kenne, oder werfe ich ein weites Netz aus, um neue Verbindungen zu knüpfen?

Das Werkzeug, das sie gebaut haben (NPC), hilft uns, diesen Tanz klar zu sehen und zeigt uns, dass unsere sozialen Strategien oft eine Reaktion auf den Moment sind und kein fester Bestandteil dessen, wer wir sind.

Technisches Resümee: Extraktion von Verhaltensmerkmalen aus Face-to-Face-Interaktionen mittels temporaler Netzwerke

Problemstellung
Die Analyse temporaler Netzwerke erfordert robuste Methoden, um zu verstehen, wie Individuen soziale Interaktionen über die Zeit hinweg wiederholen. Während wiederholte Interaktionen bekanntlich die Informationsdiffusion und Sozialstruktur prägen, vermengen bestehende Maße der Egonet-Persistenz echte verhaltensbedingte Regelmäßigkeiten mit strukturellen Effekten, wie etwa dem Knotengrad. Hochgradige Knoten weisen inhärent eine hohe Ähnlichkeit in ihren Nachbarschaften über verschiedene Zeitperioden hinweg auf, was einen Bias erzeugt, der es schwierig macht, zwischen bedeutsamen temporalen Korrelationen und zufälliger Mischung zu unterscheiden. Zudem mangelt es an interpretierbaren Observablen, die die egozentrische Interaktionspersistenz direkt quantifizieren und dabei sowohl die Identität der Kontakte als auch die Intensität der Interaktion berücksichtigen.

Methodik
Die Autoren führen das Neighbourhood Persistency Criterion (NPC) ein, ein statistisch fundiertes Framework, das darauf ausgelegt ist, die Egonet-Persistenz über die Zeit zu quantifizieren. Die Methodologie gliedert sich in drei Stufen:

Ähnlichkeitsmaße: Das Framework berechnet zunächst zwei klassische Ähnlichkeitsmetriken für das egozentrische Netzwerk eines Individuums zwischen zwei Zeitperioden ( $T$ und $T'$ ):
- Jaccard-Index ( $\lambda_J$ ): Misst die Überschneidung der Kontaktidentitäten, unabhängig von der Interaktionsstärke.
- Cosinus-Ähnlichkeit ( $\lambda_{cos}$ ): Bezieht Interaktionsgewichte (Gesamtdauer) mit ein und erfasst somit, ob neben der Identität auch die Intensität der Interaktionen gewahrt bleibt.
Statistische Normalisierung via Nullmodelle: Um den durch den Knotengrad und die Netzwerktopologie induzierten Bias zu korrigieren, wenden die Autoren zwei spezifische Nullmodelle mittels Randomisierung an:
- $P[k]$ : Verdrahtet das Netzwerk neu, während die Knotengrade erhalten bleiben. Dies dient als Nullmodell für den Jaccard-Index, um topologische Korrelationen zu kontrollieren.
- $P[L, p(w)]$ : Behält die Netzwerktopologie bei, verteilt jedoch die Interaktionsgewichte zufällig gemäß der empirischen Verteilung neu. Dies dient als Nullmodell für die Cosinus-Ähnlichkeit, um Korrelationen zwischen Topologie und Interaktionsintensität zu kontrollieren.
Die NPC-Observable ( $\alpha$ ): Die Autoren definieren eine standardisierte Observable, $\alpha$ , basierend auf der Abweichung der beobachteten Ähnlichkeit vom Median der Nullverteilung ( $\mu_l$ ).
- $\alpha$ reicht von $[-1, 1]$ .
- $\alpha = 1$ deutet auf eine starke Präferenz für die erneute Interaktion mit denselben Individuen hin.
- $\alpha = -1$ deutet auf eine starke Vermeidung wiederholter Interaktionen hin.
- $\alpha \approx 0$ deutet auf keine Abweichung von zufälligen Interaktionsmustern hin.
- Diese Formulierung ermöglicht eine kontinuierliche, probabilistische Interpretation der Verhaltensabweichung und unterscheidet zwischen positiven und negativen Abweichungen.
Dimensionale Reduktion und Verhaltens-Kategorisierung: Um die Dynamik von Individuen über mehrere Zeitperioden hinweg zu charakterisieren, analysieren die Autoren die temporale Konsistenz der $\alpha$ -Werte. Da die Standardabweichung anfällig für Ausreißer ist und Individuen Strategien abwechseln können, verwenden sie den Trimmed Mean Dispersion using Tukey's method (TMDT) mit einem Perzentil von $q=12\%$ . Diese Metrik ( $TMDT_{12}$ ) quantifiziert die intra-individuelle Konsistenz des Verhaltens und unterscheidet zwischen stabilen Mustern und hoher Variabilität (wechselnde Strategien).

Datenanwendung
Das Framework wurde auf hochauflösende Face-to-Face-Interaktionsnetzwerke angewendet, die an vier Computational Social Science Konferenzen (WS16, ICCSS17, ECSS18, ECIR19) unter Verwendung der SocioPatterns-Plattform gesammelt wurden. Die Daten wurden in zusammenhängende Phasen hoher Aktivität (z. B. Kaffeepausen, Mittagspausen, Poster-Sessions) aggregiert, um sozial bedeutsame Ereignisse zu erfassen und gleichzeitig kurzlebige, spurelose Kontakte herauszufiltern.

Zentrale Ergebnisse

Explorations–Exploitations-Trade-off: Die Analyse von $\alpha$ $α$ gegenüber $TMDT_{12}$ $T M D T_{12}$ offenbart eine gemeinsame Verhaltensstruktur über alle Events hinweg. Die Teilnehmer lassen sich im Allgemeinen in distinkte Kategorien einteilen:
- Stabile Exploiter (Ausbeuter): Individuen mit geringer Dispersion und hohem $\alpha$ (nahe 1), die ein konsistentes Set an Kontakten beibehalten.
- Stabile Explorer (Entdecker): Individuen mit geringer Dispersion und $\alpha$ nahe 0, die häufig Partner wechseln, ohne eine klare Struktur aufzuweisen.
- Vermeider (Avoiders): Eine kleine Gruppe mit geringer Anwesenheit und systematischer Vermeidung früherer Kontakte ( $\alpha \approx -1$ ).
- Switcher (Wechsler): Individuen mit hoher Dispersion, was auf ein Wechselspiel zwischen Explorations- und Exploitationsstrategien über verschiedene Pausen hinweg hindeutet.
Identität vs. Intensität: Es gibt eine starke Korrelation zwischen $\alpha_J$ und $\alpha_{cos}$ , wobei die Teilnehmer dazu neigen, die Kontaktidentität etwas beständiger zu wahren als die spezifische Dauer dieser Interaktionen.
Mangel an sozio-demografischer Determiniertheit: Entscheidend ist, dass die Studie keinen signifikanten systematischen Zusammenhang zwischen diesen Verhaltensdynamiken (Konsistenz oder Variabilität) und stabilen sozio-demografischen Attributen (Alter, Geschlecht) oder selbstberichteten Merkmalen fand. Obwohl schwache Trends existieren (z. B. zeigten jüngere Teilnehmer in einigen Kontexten eine etwas höhere Persistenz), legen die Ergebnisse nahe, dass Interaktionsstrategien primär durch kontextuelle Faktoren (Event-Struktur, Zeitplanung, unmittelbare Ziele) und weniger durch stabile individuelle Merkmale geformt werden.

Bedeutung und Ansprüche
Das Paper behauptet, dass das NPC-Framework ein flexibles und interpretierbares Werkzeug zur Untersuchung der Egonet-Persistenz in temporalen Netzwerken darstellt. Seine primäre Bedeutung liegt in:

Entkopplung von Verhalten und Struktur: Durch die Nutzung maßgeschneiderter Nullmodelle trennt NPC erfolgreich echte Verhaltensregelmäßigkeiten von strukturellen Artefakten wie dem Knotengrad.
Nuancierte Verhaltenstypologie: Es ermöglicht die Identifizierung distinkter Verhaltensarchetypen (Exploration vs. Exploitation) und die Quantifizierung deren temporaler Stabilität, wodurch einfache Aggregatmaße überwunden werden.
Kontextueller Einblick: Die Anwendung auf Konferenzdaten stellt die Annahme infrage, dass Interaktionsstrategien feste individuelle Eigenschaften sind, und hebt stattdessen die Rolle des situativen Kontextes bei der Gestaltung sozialer Dynamiken hervor.

Die Autoren kommen zu dem Schluss, dass NPC zwar eine robuste Methode zur Analyse temporaler Netzwerke bietet, zukünftige Arbeiten jedoch tägliche Persistenzmuster untersuchen und das Framework auf die Link-Ebene erweitern sollten, um feinere temporale Strukturen zu erfassen.