Higher-order modeling of face-to-face interactions

Résumé technique : Modélisation d'ordre supérieur des interactions en face à face

Énoncé du problème
Les interactions en face à face constituent la forme la plus fondamentale de contact social humain. Bien que les données à haute résolution aient révélé des caractéristiques spatio-temporelles universelles de ces interactions — telles qu'une activité par rafales (bursty activity), une hétérogénéité des comportements et l'absence d'une échelle de durée de contact caractéristique — les modèles mathématiques existants sont insuffisants pour capturer leur pleine complexité. Les modèles actuels basés sur des agents reposent principalement sur des relations dyadiques (par paires) ou sur des réseaux temporels se concentrant sur les liens et les composantes connexes. Ces approches ne parviennent pas à caractériser les interactions au sein de groupes plus larges, traitant les interactions de type plusieurs-vers-plusieurs comme de simples collections de contacts un-à-un. De plus, les approches de réseaux d'ordre supérieur existantes manquent souvent de mobilité spatiale, tandis que les modèles d'agents mobiles actuels ne parviennent pas à capturer l'évolution spatio-temporelle et la dynamique spécifique de la formation et de la dissolution des groupes.

Méthodologie : Le Modèle d'Attractivité de Groupe (GAM - Group Attractiveness Model)
Pour remédier à ces limitations, les auteurs proposent le Modèle d'Attractivité de Groupe (GAM), un cadre basé sur des agents où des agents mobiles interagissent en formant des groupes de tailles variables. Le modèle opère dans un environnement carré avec des conditions aux limites périodiques et inclut les mécanismes clés suivants :

• Attractivité de l'agent : Chaque agent $i$ possède une valeur d'attractivité intrinsèque $a_i$, échantillonnée selon une distribution uniforme $[0,1]$, représentant la probabilité que d'autres interagissent avec lui.
• Attractivité du groupe : L'attractivité d'un groupe $g$, notée $a_g$, est définie comme le produit de l'attractivité de ses membres : $a_g = \prod_{j \in g} a_j$. Cette formulation implique que l'attractivité du groupe varie de manière non linéaire avec la taille ; les groupes plus importants sont, en moyenne, moins attractifs que les plus petits.
• Dynamique d'interaction : À chaque étape de temps, un agent actif considère les groupes se trouvant dans une distance $d$. La probabilité $p_i(t)$ d'interagir avec un groupe voisin est proportionnelle à l'attractivité moyenne de ces groupes.
  • Si un agent choisit d'interagir, il rejoint le groupe (augmentant la taille du groupe de un) ou rejoint son groupe existant.
  • S'il choisit de ne pas interagir (avec une probabilité $1 - p_i(t)$), il se déplace dans une direction aléatoire.
  • Un groupe ne persiste dans le temps que si tous ses membres décident d'interagir entre eux.
• États d'activité : Les agents peuvent être actifs ou inactifs. Les agents inactifs ne se déplacent pas et n'interagissent pas, mais peuvent devenir actifs avec une certaine probabilité, modélisant ainsi l'entrée ou la sortie d'individus d'un contexte social.
• Extension par homophilie : Le modèle est étendu pour inclure des préférences homophiliques en associant des attributs aux agents (par exemple, le genre). Les probabilités d'interaction sont modulées par des matrices d'homophilie ($H^{(2)}, H^{(3)}$, etc.), qui dictent la probabilité qu'un agent rejoigne un groupe en fonction des attributs des membres existants.

Le modèle a été testé contre treize ensembles de données à haute résolution (incluant SocioPatterns, les expériences de l'Utah et l'étude de réseau de Copenhague). Les interactions de groupe ont été reconstruites à partir de données de contacts dyadiques en identifiant les étapes de temps où toutes les paires dyadiques possibles parmi $s$ individus étaient présentes.

Résultats clés
Les auteurs ont comparé le GAM à un modèle d'attractivité (AM - Attractiveness Model) de référence (individuel) qui ne rend compte que des relations dyadiques. Les résultats démontrent :

1. Distribution de la taille des groupes : Le GAM reproduit avec succès la distribution empirique des groupes uniques de différentes tailles à travers divers contextes sociaux. En revanche, l'AM surestime considérablement le nombre de groupes de grande taille.
2. Corrélation des comptes de groupes : Le modèle capture avec précision la corrélation de Pearson élevée entre le nombre de groupes de taille deux et de taille trois auxquels les individus participent. L'AM sous-estime systématiquement cette corrélation, échouant à reconnaître que les groupes ne sont pas simplement des collections de paires.
3. Burstiness hiérarchique : Les données empiriques montrent que les distributions de durée de contact sont à queue large et hiérarchisées, les groupes plus petits présentant des distributions plus larges (durent plus longtemps) que les groupes plus grands. Le GAM reproduit cette structure hiérarchique. L'AM échoue ici, prédisant que les groupes plus grands sont plus stables que les plus petits.
4. Homophilie d'ordre supérieur : Lorsqu'il est étendu pour inclure des attributs de genre, le GAM capture des modèles de mélange complexes au niveau des groupes. Par exemple, dans l'ensemble de données « HS11 », le modèle révèle que si les hommes font preuve d'homophilie dans les interactions par paires, les femmes présentent une homophilie plus forte dans les groupes de trois. Le GAM surpasse le Modèle de Social-Attractiveness (SAM), qui repose uniquement sur l'homophilie par paires pour inférer le mélange des groupes, en prédisant correctement la fraction de triades uniques dans différentes configurations de genre.

Signification et revendications
L'article affirme que les interactions d'ordre supérieur sont essentielles pour décrire avec précision les contacts humains en face à face. La principale contribution est la démonstration que la modélisation de la dynamique de groupe via un mécanisme d'« attractivité de groupe » permet de reproduire des propriétés statistiques (distribution, corrélation, persistance) et des caractéristiques structurelles (burstiness hiérarchique, homophilie d'ordre supérieur) que les modèles dyadiques ne peuvent répliquer.

Les auteurs positionnent le GAM comme un outil pour étudier comment les dynamiques de groupe microscopiques influencent les phénomènes sociaux macroscopiques, tels que la propagation d'épidémies, la contagion sociale et l'émergence de la ségrégation. Ils reconnaissent des limites, notant que le modèle actuel est markovien (manquant d'effets de mémoire), suppose un mécanisme unique pour rejoindre/quitter les groupes, et ne distingue pas les différents types de groupes sociaux ou de contextes. Cependant, ce travail fournit un cadre fondamental pour aller au-delà des approches par paires afin de comprendre le comportement collectif des systèmes sociaux complexes.