Clustering in co-evolving opinion dynamics: reduced SPDE models

1. Énoncé du problème

L'article aborde deux limitations critiques des modèles basés sur les agents (MBA) existants pour la dynamique des opinions :

1. Écart empirique : Les modèles traditionnels reposent souvent sur des interactions sociales simplifiées et manquent de lien avec des données empiriques réelles.
2. Complexité computationnelle : La simulation de grandes populations d'agents (MBA) ou de modèles continus d'état complet (comme l'équation de Dean–Kawasaki) devient prohibitivement coûteuse en calcul à mesure que le nombre d'agents ($N$) augmente.

Le défi spécifique consiste à modéliser les phénomènes de regroupement (consensus, polarisation, fragmentation) dans des systèmes où la dynamique des opinions et la dynamique sociale co-évoluent. Dans de nombreux scénarios réels, les opinions influencent les liens sociaux (rétroaction), et la proximité sociale influence la formation des opinions. Capturer les fluctuations stochastiques nécessaires à l'évolution à long terme des regroupements tout en réduisant la dimensionnalité de l'espace d'état constitue le problème central.

2. Méthodologie

Les auteurs proposent un nouveau cadre d'Équations aux Dérivées Partielles Stochastiques (EDPS) réduites qui comble le fossé entre les MBA microscopiques et les descriptions macroscopiques continues.

A. Modèles basés sur les agents (MBA) sous-jacents

L'étude considère un système fermé de $N$ agents avec deux variables d'état :

• Espace social ($X_t \in \mathbb{T}^d$) : Représente les attributs socio-démographiques ou les positions idéologiques.
• Espace des opinions ($\theta_t \in \mathbb{R}$) : Représente la position sur un sujet spécifique.

Deux systèmes dynamiques spécifiques sont analysés :

1. Modèle sans rétroaction (NF) : La dynamique sociale évolue indépendamment des opinions, mais la proximité sociale entraîne des changements d'opinion.
2. Modèle à rétroaction (F) : Un couplage bidirectionnel où les opinions influencent les interactions sociales (par exemple, les agents ayant des vues opposées se repoussent dans l'espace social), créant une boucle de rétroaction.

B. Stratégie de réduction de modèle

Au lieu de dériver des équations à partir de la limite de champ moyen (MFL) puis d'ajouter du bruit, les auteurs dérivent des EDPS réduites directement à partir du MBA en utilisant des densités empiriques définies uniquement sur l'espace social :

• Densité empirique ($\rho$) : $N^{-1} \sum \delta(x - X^i_t)$ (distribution spatiale).
• Densité pondérée par l'opinion ($j$) : $N^{-1} \sum \theta^i_t \delta(x - X^i_t)$ (analogue à la quantité de mouvement/flux).
• Moments d'ordre supérieur : Pour le cas sans rétroaction, une hiérarchie de densités (par exemple, $K = N^{-1} \sum (\theta^i_t)^2 \delta(x - X^i_t)$) est introduite pour fermer les termes de bruit.

Techniques clés de dérivation :

• Cas sans rétroaction : Les auteurs appliquent la formule d'Itô aux densités empiriques. Puisque les termes de bruit impliquent des moments d'ordre supérieur de $\theta$, ils introduisent une hiérarchie de densités. Crucialement, ils soutiennent que pour un grand $N$, les termes de bruit dans la hiérarchie peuvent être supprimés (car ils évoluent avec $N^{-1/2}$), aboutissant à un système fermé sans avoir besoin de l'« ansatz mono-cinétique » (qui suppose une relation déterministe entre position et opinion). Cela préserve les fluctuations stochastiques.
• Cas à rétroaction : La présence de termes non linéaires comme $\text{sgn}(\theta^i_t \theta^j_t)$ empêche une fermeture directe. Les auteurs emploient un ansatz mono-cinétique directement au niveau du MBA : $f(x, \theta, t) = \rho(x, t)\delta(\theta - u(x, t))$, où $u = j/\rho$. Cela permet d'exprimer les termes de dérive non linéaires en fonction de $\rho$ et $j$. Bien que cela introduise une « erreur de fermeture », il conserve la nature stochastique du système.

C. Implémentation numérique

Les EDPS réduites sont résolues en utilisant des schémas aux différences finies pour la discrétisation spatiale et le schéma d'Euler–Maruyama pour l'intégration temporelle. Les performances sont comparées à :

1. Des simulations complètes de MBA ($N=1000$).
2. Des EDPS complètes de Dean–Kawasaki (espace d'état complet).
3. Des EDPS linéarisées (où le bruit est approximé en utilisant la densité moyenne).

3. Contributions clés

1. Nouvelles EDPS réduites : La première dérivation de modèles EDPS réduits spécifiquement pour les dynamiques sociales et d'opinions co-évoluantes, capturant à la fois la dérive et les fluctuations stochastiques.
2. Réduction directe MBA-EDPS : Une méthodologie qui contourne la limite déterministe de champ moyen, permettant aux modèles réduits de capturer les fluctuations microscopiques essentielles à la formation de regroupements et à la métastabilité.
3. Gestion des boucles de rétroaction : Un traitement spécifique du mécanisme de rétroaction non linéaire (liens sociaux dépendants de l'opinion) utilisant un ansatz mono-cinétique sur les variables réduites, quantifiant l'erreur de fermeture associée.
4. Application empirique : Application réussie du modèle à l'ensemble de données de l'Enquête sociale générale (GSS) (données de la population américaine de 1972 à 2016), démontrant la capacité du modèle à reproduire les tendances réelles de polarisation et de regroupement.

4. Résultats

• Précision : Les EDPS réduites (EDPS-NF et EDPS-F) reproduisent avec précision le comportement macroscopique de regroupement des MBA sous-jacents. Les métriques utilisées incluent la fréquence des regroupements, le paramètre d'ordre de regroupement ($Q_C$) et le paramètre de dispersion des opinions ($Q_O$).
  • Dans le cas sans rétroaction, l'accord est excellent sur toutes les métriques.
  • Dans le cas à rétroaction, le modèle est hautement précis lorsque l'« erreur de fermeture » est faible (c'est-à-dire lorsque les agents en proximité sociale proche partagent des signes d'opinion similaires). La précision diminue légèrement sur de longues échelles de temps à mesure que les regroupements fusionnent et que les signes d'opinion se mélangent, mais le modèle capture toujours mieux la dynamique générale que les alternatives linéarisées.
• Efficacité computationnelle :
  • Les EDPS réduites sont environ 100 fois plus rapides que l'équation complète de Dean–Kawasaki.
  • Contrairement aux MBA, où le coût computationnel évolue de manière super-linéaire avec $N$ en raison des interactions par paires, les EDPS continues sont indépendantes de $N$, les rendant évolutives pour les grandes populations.
• Données réelles : Lorsqu'appliquées aux données GSS (modélisant l'affiliation à un parti politique et l'idéologie), les EDPS ont reproduit avec succès la tendance observée vers un regroupement dominant unique (polarisation/consolidation) d'ici 2016, correspondant à la fois aux tendances de la simulation MBA et aux données empiriques.

5. Importance

• Évolutivité pour le Big Data : Le cadre proposé fournit un outil computationnellement efficace pour analyser des données sociales à grande échelle où les simulations complètes basées sur les agents sont irréalisables.
• Capturer la stochasticité : En conservant les termes de bruit dans le modèle réduit, l'approche capture des phénomènes collectifs à long terme (comme la métastabilité et la fusion de regroupements) que les modèles d'EDP déterministes manquent.
• Lier la théorie et la réalité : L'application réussie à l'ensemble de données GSS valide le cadre théorique par rapport à des données empiriques réelles, offrant une méthode robuste pour étudier la co-évolution des structures sociales et de l'opinion publique.
• Perspectives futures : L'article souligne que, bien que les modèles actuels fonctionnent bien, le développement de schémas numériques stables pour les rapports de densité ($j/\rho$) dans les régions de faible densité reste un défi ouvert. Les travaux futurs pourraient étendre cela aux interactions d'ordre supérieur et au bruit multiplicatif.

En résumé, ce travail établit un pont mathématique rigoureux entre les interactions d'agents microscopiques et les modèles continus stochastiques macroscopiques, offrant un outil puissant et efficace pour étudier la dynamique complexe de la formation des opinions et du regroupement social.