Circadian Modulation of Semantic Exploration in Social Media Language

Résumé Technique : Modulation Circadienne de l'Exploration Sémantique dans le Langage des Médias Sociaux

Énoncé du Problème
Bien qu'il soit connu que la cognition humaine présente une forte modulation circadienne affectant l'attention, l'affect et la prise de décision, l'influence de ces rythmes biologiques sur le comportement sémantique de haute dimension reste mal comprise. Les analyses antérieures à grande échelle des médias sociaux ont établi des rythmes quotidiens dans l'expression émotionnelle et la fréquence des mots (par exemple, l'affect positif culminant le matin), mais il n'est pas clair si ces fluctuations reflètent des changements dans l'exploration sémantique — la flexibilité cognitive à traverser de nouvelles idées plutôt qu'à s'en tenir à des expressions familières. De plus, la recherche existante n'a pas suffisamment distingué la variabilité sémantique au niveau individuel de la diversité sémantique au niveau de la population, ni déterminé si l'exploration sémantique est simplement un substitut de l'humeur ou une dimension cognitive distincte.

Méthodologie
Les auteurs ont analysé un corpus à grande échelle de 2 921 362 soumissions Reddit de janvier à décembre 2024, en se concentrant sur quatre pays ayant des volumes de soumissions élevés : les États-Unis, l'Inde, le Royaume-Uni et le Canada. L'étude a employé un pipeline technique à plusieurs étapes :

1. Prétraitement des Données et Géolocalisation : Les soumissions ont été filtrées pour exclure le contenu NSFW, les bots et le texte non anglais. L'attribution géographique a été réalisée via une stratégie hiérarchique (domaines de premier niveau d'URL, noms de subreddits, ownert de l'auteur, et reconnaissance d'entités nommées) pour assigner les publications à des villes et fuseaux horaires spécifiques. Les horodatages ont été convertis en heure civile locale, tenant compte de l'heure d'été (DST).
2. Plongement Sémantique (Embedding) : Le texte (titre + corps du texte) a été plongé à l'aide du modèle transformer pré-entraîné sentence-transformers/all-mp-base-v2 pour générer des vecteurs de haute dimension normalisés.
3. Métriques d'Entropie : Deux mesures complémentaires de l'exploration sémantique ont été dérivées de l'entropie de l'information de Shannon :
   • Entropie Sémantique Locale ($H_{local}$) : Calculée pour les publications individuelles à l'aide d'une distance de $k$-plus proches voisins ($k=10$) dans l'espace de plongement ($H_{local}(x_i) = \log(r_k(x_i))$). Cela mesure à quel point une publication spécifique est distincte des autres dans le même créneau horaire, reflétant l'exploration au niveau individuel.
   • Entropie Sémantique Globale ($H_{global}$) : Calculée comme l'entropie différentielle de la distribution de tous les plongements au sein d'une heure spécifique pour un pays, en utilisant le déterminant de la matrice de covariance ($H_{global} = \frac{1}{2}\log((2\pi e)^d \det(\Sigma))$). Cela mesure l'étendue globale de l'espace sémantique couvert par la population.
4. Sentiment et Validation : Le sentiment a été quantifié via l'analyseur VADER. Pour valider la mesure de l'entropie sémantique par rapport aux rythmes établis, les auteurs ont numérisé les profils d'écart type de l'usage des mots d'émotion positive et de tristesse d'une étude antérieure sur Twitter (Dzogang et al., 2017).
5. Modélisation Statistique : La rythmicité circadienne a été évaluée à l'aide de modèles de cosinor de 24 heures à composante unique. L'entraînement saisonnier a été analysé en corrélant les pics/creux d'entropie avec les heures de lever et de coucher du soleil. L'analyse de cluster (HDBSCAN) et l'ajustement de loi de puissance ont été utilisés pour examiner l'organisation temporelle des sujets sémantiques.

Résultats Clés

• Rythmicité Circadienne Robuste : Les quatre pays ont présenté une rythmicité de 24 heures significative pour l'entropie sémantique locale ($P_{fdr} < 0,001$). Le pic d'exploration sémantique (acrophase) s'est systématiquement produit dans les heures du petit matin (environ 3h00–5h00 heure locale), avec des valeurs de $R^2$ comprises entre 0,73 et 0,78.
• Entraînement Saisonnier : Aux États-Unis, le moment du creux de l'entropie sémantique était positivement corrélé aux heures de coucher du soleil ($r=0,68$), suggérant que les indices de lumière saisonniers (photopériode) peuvent entraîner la phase de l'activité sémantique.
• Dissociation du Sentiment : La relation entre l'exploration sémantique et le sentiment était faible et incohérente. Bien que l'entropie sémantique soit corrélée à la variabilité de l'usage des mots liés à la tristesse (de l'étude de référence), elle ne corrélerait pas avec les scores de sentiment moyens. Dans certains pays, la corrélation était négative ; dans d'autres, positive. Cela indique que l'exploration sémantique capture une dimension cognitive distincte de la valence affective.
• Dissociation Temporelle (Locale vs Globale) : Une dissociation temporelle systématique a été observée :
  • L'entropie locale (exploration individuelle) culmine tôt le matin.
  • L'entropie globale (diversité de la population) culmine plus tard dans la journée (environ 14h00–17h00), suivant de près le volume total de soumissions.
• Dynamique du "Rich-Get-Richer" (Le riche devient plus riche) : Le gain marginal de l'entropie sémantique globale par publication supplémentaire a diminué de manière significative au fil de la journée. Les premières publications contribuent substantiellement à la diversité sémantique, tandis que les publications ultérieures montrent des rendements décroissants, s'accumulant au sein de clusters établis. Cela suit une distribution de loi de puissance ($P(s) \sim s^{-1,60}$), indiquant que la population s'engage de plus en plus avec les hubs sémantiques existants plutôt qu'en explorant de nouvelles régions.

Contributions Clés

1. Quantification de l'Exploration Sémantique : L'étude introduit une méthode pour quantifier les compromis exploration-exploitation sémantique dans le langage naturel en utilisant des plongements de transformers et des mesures d'entropie, allant au-delà de la simple fréquence des mots.
2. Modèles Circadiens à Échelle Spécifique : Elle démontre que les rythmes circadiens opèrent différemment au niveau individuel (exploration du petit matin) par rapport au niveau de la population (accumulation/exploitation de l'après-midi), révélant un processus quotidien en deux étapes.
3. Indépendance de l'Affect : Le travail fournit des preuves que la diversité sémantique n'est pas simplement un sous-produit des fluctuations de l'humeur, mais représente un processus cognitif distinct, potentiellement lié aux systèmes neuromodulateurs régulant la flexibilité cognitive.
4. Cohérence Transnationale : Les conclusions établissent que ces modèles sémantiques circadiens sont robustes à travers diverses cultures et géographies, suggérant une propriété générale de la dynamique cognitive humaine.

Signification et Revendications
L'article affirme que les rythmes biologiques circadiens s'étendent au domaine sémantique, influençant non seulement ce que les gens disent, mais aussi la diversité avec laquelle ils expriment leurs idées. Le pic d'exploration sémantique locale observé tôt le matin s'aligne sur les modèles diurnes connus des systèmes neuromodulateurs, spécifiquement le tonus dopaminergique, qui est associé à la flexibilité comportementale et à l'exploration lors des états d'éveil.

Les auteurs postulent que la structure temporelle du langage sur les réseaux sociaux reflète un mécanisme cognitif fondamental : la journée commence par une phase d'exploration sémantique large (haute entropie locale), suivie d'une phase de consolidation où la communauté étend collectivement l'espace sémantique mais se concentre de plus en plus sur des sujets établis (haute entropie globale, rendements marginaux décroissants). Ce modèle est cohérent avec les dynamiques de réseau de type "rich-get-richer" et suggère que la biologie circadienne façonne l'architecture fondamentale de la communication humaine et de la flexibilité cognitive dans des contextes naturels.