Higher-order modeling of face-to-face interactions

Resumen Técnico: Modelado de orden superior de las interacciones cara a cara

Planteamiento del problema
Las interacciones cara a cara constituyen la forma más fundamental de contacto social humano. Si bien los datos de alta resolución han revelado características espacio-temporales universales de estas interacciones —como la actividad por ráfagas (bursty activity), la heterogeneidad en el comportamiento y la ausencia de una escala característica de duración del contacto—, los modelos matemáticos existentes son insuficientes para capturar su plena complejidad. Los modelos actuales basados en agentes se centran principalmente en relaciones diádicas (por pares) o en redes temporales que se enfocan en enlaces y componentes conectados. Estos enfoques no logran caracterizar las interacciones dentro de grupos más grandes, tratando las interacciones de muchos a muchos simplemente como colecciones de contactos de uno a uno. Además, los enfoques de redes de orden superior existentes suelen carecer de movilidad espacial, mientras que los modelos actuales de agentes móviles no logran capturar la evolución espacio-temporal y la dinámica específica de la formación y disolución de grupos.

Metodología: El Modelo de Atractividad de Grupo (GAM)
Para abordar estas limitaciones, los autores proponen el Modelo de Atractividad de Grupo (GAM, por sus siglas en inglés), un marco basado en agentes donde agentes móviles interactúan mediante la formación de grupos de diversos tamaños. El modelo opera en un entorno cuadrado con condiciones de contorno periódicas e incluye los siguientes mecanismos clave:

• Atractividad del Agente: Cada agente $i$ posee un valor de atractividad intrínseca $a_i$, muestreado de una distribución uniforme $[0,1]$, que representa la probabilidad de que otros interactúen con él.
• Atractividad del Grupo: La atractividad de un grupo $g$, denotada como $a_g$, se define como el producto de la atractividad de sus miembros: $a_g = \prod_{j \in g} a_j$. Esta formulación implica que la atractividad del grupo escala de forma no lineal con el tamaño; los grupos más grandes son, en promedio, menos atractivos que los más pequeños.
• Dinámica de Interacción: En cada paso de tiempo, un agente activo considera los grupos dentro de una distancia $d$. La probabilidad $p_i(t)$ de interactuar con un grupo vecino es proporcional a la atractividad media de dichos grupos.
  • Si un agente elige interactuar, se une al grupo (aumentando el tamaño del grupo en uno) o se reincorpora a su grupo existente.
  • Si un agente elige no interactuar (con una probabilidad $1 - p_i(t)$), se mueve en una dirección aleatoria.
  • Un grupo persiste en el tiempo solo si todos sus miembros deciden interactuar entre sí.
• Estados de Actividad: Los agentes pueden estar activos o inactivos. Los agentes inactivos no se mueden ni interactúan, pero pueden volverse activos con cierta probabilidad, modelando a individuos que entran o salen de un contexto social.
• Extensión de la Homofilia: El modelo se extiende para incluir preferencias homofílicas asociando a los agentes con atributos (por ejemplo, género). Las probabilidades de interacción se modulan mediante matrices de homofilia ($H^{(2)}, H^{(3)}$, etc.), que dictan la probabilidad de que un agente se una a un grupo basándose en los atributos de los miembros existentes.

El modelo fue probado contra trece conjuntos de datos de alta resolución (incluyendo SocioPatterns, experimentos de Utah y el Copenhagen Network Study). Las interacciones grupales se reconstruyeron a partir de datos de contacto diádicos identificando los pasos de tiempo donde todos los díadas posibles entre $s$ individuos estaban presentes.

Resultados Clave
Los autores compararon el GAM contra un modelo de atractividad (AM) de base (individual) que solo tiene en cuenta las relaciones diádicas. Los resultados demuestran:

1. Distribución del Tamaño de los Grupos: El GAM reproduce con éxito la distribución empírica de grupos únicos de diferentes tamaños en diversos contextos sociales. En contraste, el AM sobreestima significativamente el número de grupos más grandes.
2. Correlación de Conteos de Grupos: El modelo captura con precisión la alta correlación de Pearson entre el número de grupos de tamaño dos y de tamaño tres en los que participan los individuos. El AM subestima sistemáticamente esta correlación, al no reconocer que los grupos no son meramente colecciones de pares.
3. Ráfagas Jerárquicas (Hierarchical Burstiness): Los datos empíricos muestran que las distribuciones de duración de contacto tienen colas anchas y están organizadas jerárquicamente, con grupos más pequeños exhibiendo distribuciones más amplias (durando más tiempo) que los grupos más grandes. El GAM reproduce esta estructura jerárquica. El AM falla aquí, prediciendo que los grupos más grandes son más estables que los más pequeños.
4. Homofilia de Orden Superior: Al extenderse para incluir atributos de género, el GAM captura patrones de mezcla complejos a nivel de grupo. Por ejemplo, en el conjunto de datos "HS11", el modelo revela que, mientras los hombres exhiben homofilia en las interacciones por pares, las mujeres exhiben una homofilia más fuerte en grupos de tres. El GAM supera al Modelo de Atractividad Social (SAM), que depende únicamente de la homofilia por pares para inferir la mezcla de grupos, al predecir correctamente la fracción de tríadas únicas en diferentes configuraciones de género.

Significancia y Reivindicaciones
El artículo sostiene que las interacciones de orden superior son esenciales para describir con precisión los contactos humanos cara a cara. La contribución principal es la demostración de que el modelado de la dinámica de grupos a través de un mecanismo de "atractividad de grupo" permite la reproducción de propiedades estadísticas (distribución, correlación, persistencia) y rasgos estructurales (ráfagas jerárquicas, homofilia de orden superior) que los modelos diádicos no pueden replicar.

Los autores posicionan al GAM como una herramienta para investigar cómo las dinámicas de grupo microscópicas influyen en los fenómenos sociales macroscópicos, tales como la propagación de epidemias, el contagio social y la emergencia de la segregación. Reconocen limitaciones, señalando que el modelo actual es de Markov (carece de efectos de memoria), asume un único mecanismo para unirse/abandonar grupos y no distingue entre diferentes tipos de grupos sociales o contextos. Sin embargo, el trabajo proporciona un marco fundacional para ir más allá de los enfoques por pares para comprender el comportamiento colectivo de los sistemas sociales complejos.