🔬 physics

Direct and Indirect Influence on Likes in Social Media

En utilisant un ensemble de données à grande échelle de VKontakte, cette étude révèle que la probabilité qu'un utilisateur aime une publication est principalement dictée par la contagion sociale directe et indirecte provenant de voisins actifs dans un rayon de deux degrés de séparation, la diversité structurelle de ces connexions actives servant de prédicteur significatif de l'engagement.

Auteurs originaux : Ivan Kozitsin, Anton V. Proskurnikov

Publié 2026-06-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ivan Kozitsin, Anton V. Proskurnikov

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez votre fil d'actualité comme une place de village immense et animée. Vous vous tenez au milieu et vous voyez une nouvelle affiche (une publication) sur un mur. La question que cette étude pose est la suivante : Qu'est-ce qui vous décide à coller un autocollant « J'aime » sur cette affiche ?

La plupart des gens supposent qu'il s'agit simplement de vos amis proches. Si votre meilleur ami aime la publication, vous pourriez l'aimer aussi. Mais cette recherche, menée sur le réseau social russe VKontakte (similaire à Facebook), creuse plus loin pour voir si vos « amis d'amis » (vos connexions de second degré) et la structure de votre cercle social jouent également un rôle.

Voici le détail de leurs découvertes en utilisant des analogies simples :

1. L'« Écho » des amis d'amis

Considérez votre réseau social comme une pièce remplie de gens.

Amis directs (Distance 1) : Ce sont les personnes qui se tiennent juste à côté de vous. S'ils applaudissent, vous l'entendez immédiatement.
Amis d'amis (Distance 2) : Ce sont les personnes qui se tiennent à côté de vos amis. Elles sont un peu plus éloignées.

L'étude a révélé que même si vos amis directs n'ont pas encore applaudi, entendre les applaudissements des personnes qui se tiennent à côté d'eux vous rend beaucoup plus susceptible d'applaudir à votre tour.

C'est comme une rumeur qui se propage. Vous n'avez peut-être pas entendu la nouvelle de la bouche de votre meilleur ami, mais si vous entendez trois personnes différentes du cercle de votre ami en parler, vous commencez à vous dire : « Oh, cela doit être important », et vous vous joignez à eux. Les chercheurs ont découvert que cette influence de « seconde main » est très forte, même si vos amis directs restent silencieux.

2. La « Pièce bondée » contre la « Foule diversifiée »

Les chercheurs ont examiné comment vos amis sont connectés entre eux.

Le scénario de la « Clique » : Imaginez que tous vos amis qui ont aimé la publication sont tous les meilleurs amis les uns des autres. Ils sont dans un cercle très serré. S'ils l'aiment tous, c'est comme entendre le même message répété par le même groupe de personnes.
Le scénario de la « Diversité » : Imaginez que vos amis qui ont aimé la publication proviennent de groupes de personnes totalement différents (écoles, loisirs ou quartiers différents) qui ne se connaissent pas entre eux.

L'étude a révélé que la diversité compte plus que le simple nombre de « J'aime ». Si vous recevez un signal de « J'aime » de cinq groupes différents et sans lien entre eux, vous êtes beaucoup plus susceptible d'aimer la publication que si vous recevez cinq « J'aime » provenant d'un seul groupe soudé. C'est la différence entre entendre une chanson jouée par un seul groupe dans une petite salle et l'entendre jouée par cinq groupes différents dans cinq villes différentes.

3. La métrique du « Super-connecteur » (L'indice $m^*$ )

Les chercheurs ont inventé une nouvelle façon de mesurer l'influence, qu'ils appellent l'Indice Induit Étendu.

L'ancienne méthode : Ils comptaient combien de vos amis actifs avaient des amis actifs.
La nouvelle méthode (La découverte de l'étude) : Ils ont compté le nombre maximum d'amis actifs trouvés parmi tous vos amis, même ceux qui n'ont pas encore aimé la publication.

Considérez cela comme un système d'alarme incendie.

L'ancienne méthode vérifiait seulement si les personnes qui criaient actuellement « Au feu ! » avaient des voisins qui criaient également.
La nouvelle méthode vérifie si quiconque dans votre cercle immédiat a un voisin qui crie « Au feu ! », que la personne à côté de vous soit en train de crier ou qu'elle se contente de rester là.

Ils ont découvert que cette « Nouvelle méthode » était le meilleur prédicteur de votre décision de cliquer sur « J'aime ». Elle capture le « buzz » dans tout le quartier, et pas seulement chez les personnes qui crient actuellement.

4. Le rebondissement surprenant : Trop d'amis directs peut être préjudiciable

C'est la découverte la plus contre-intuitive.
Lorsque les chercheurs ont examiné les chiffres bruts, le fait d'avoir plus d'amis directs qui ont aimé la publication vous rendait plus susceptible de l'aimer. Cependant, une fois qu'ils ont pris en compte la « Foule diversifiée » et le « Buzz de seconde main », quelque chose d'étrange s'est produit : avoir trop d'amis directs qui ont aimé la publication a en réalité diminué vos chances de l'aimer.

L'analogie : Imaginez que vous essayez d'écouter une conversation dans une pièce bruyante.

Si vos amis sont dans des coins différents de la pièce (Diversité), vous entendez la nouvelle de partout.
Si tous vos amis sont regroupés dans un tout petit coin (Forte activité directe, Faible diversité), l'algorithme de la plateforme (la « machine à bruit ») pourrait penser : « Oh, cette personne ne s'intéresse qu'à ce coin précis », et arrêter de lui montrer des publications provenant du reste de la pièce.
Comme votre attention est limitée, vous manquez le signal plus large. L'étude suggère que lorsque vos amis directs sont trop concentrés, la plateforme peut restreindre votre vision, vous rendant moins susceptible de réagir à la publication.

5. La règle des « Trois degrés »

Il existe une idée célèbre en sociologie selon laquelle l'influence peut voyager jusqu'à trois degrés de séparation (vous -> ami -> ami de l'ami -> ami de l'ami de l'ami).

Le verdict de l'étude : Dans cet ensemble de données spécifique, la « magie » s'est arrêtée à deux degrés.
L'influence de vos amis d'amis (Distance 2) était forte et claire.
L'influence de vos amis d'amis d'amis (Distance 3) était trop faible pour être détectée. C'est comme essayer d'entendre un murmure venant de trois pièces plus loin ; à ce stade, le signal a disparu.

Résumé

Cette publication nous dit que sur les réseaux sociaux, qui aime une publication importe moins que d'où viennent ces personnes qui l'aiment.

L'influence de seconde main est réelle : Vos amis d'amis peuvent vous pousser à aimer quelque chose, même si vos amis directs ne l'ont pas fait.
La diversité l'emporte : Recevoir un « J'aime » de nombreux cercles sociaux différents est un déclencheur plus fort que de recevoir de nombreux « J'aime » d'un seul et même groupe.
L'algorithme joue un rôle : Le système de classement de la plateforme amplifie probablement ces effets, en vous montrant le contenu avec lequel votre réseau élargi interagit, mais il peut masquer certains contenus si votre cercle immédiat est trop « aggloméré ».

L'étude conclut que pour comprendre pourquoi nous cliquons sur « J'aime », nous devons regarder au-delà de nos amis immédiats et considérer le réseau complexe et diversifié de connexions qui nous entoure.

Résumé Technique : Influence directe et indirecte sur les « J'aime » dans les réseaux sociaux

Énoncé du problème
Cette étude examine les mécanismes de contagion sociale au sein des réseaux sociaux en ligne, en se concentrant spécifiquement sur le comportement de « mention de j'aime » (liking) des utilisateurs de la plateforme VKontakte (VK). Alors que la littérature existante documente largement l'influence des voisins directs (distance $d=1$ ) sur l'adoption de comportements, l'étendue de l'influence indirecte des amis d'amis (distance $d=2$ ) capable de façonner indépendamment le comportement des utilisateurs reste moins bien comprise, particulièrement dans les environnements à grande échelle dotés de curation de contenu algorithmique. Un défi central dans ce domaine consiste à distinguer l'influence sociale réelle des facteurs de confusion tels que l'homophilie (la tendance des individus similaires à se connecter) et l'exposition médiée par la plateforme (où les algorithmes font remonter du contenu basé sur la structure du réseau plutôt que sur une interaction directe de l'utilisateur). Les auteurs visent à déterminer si la probabilité qu'un utilisateur aime une publication dépend de l'activité des voisins de second ordre, même en contrôlant l'activité des amis directs.

Méthodologie
Les auteurs ont utilisé un ensemble de données à grande échelle comprenant environ 290 000 utilisateurs de la plateforme VKontakte, en se concentrant spécifiquement sur la composante géante connectée des utilisateurs de la région de Tomsk, en Russie. Le jeu de données comprend les liens d'amitié et les enregistrements chronologiques des « j'aime » sur 308 publications d'actualités locales, totalisant 36 286 mentions de « j'aime » (19 599 provenant d'utilisateurs au sein de la composante du réseau analysée).

L'analyse emploie une combinaison de statistiques descriptives et de modélisation par régression logistique. Les composantes méthodologiques clés incluent :

Métriques de réseau : L'étude définit et analyse plusieurs métriques pour quantifier l'activité du voisinage :
- $k_1$ : Le nombre d'amis directs actifs ( $d=1$ ).
- $k_2$ : Le nombre d'amis d'amis actifs ( $d=2$ ).
- $s$ : L'indice de diversité structurelle, défini comme le nombre de composantes connexes parmi les amis actifs.
- $m$ (Indice induit) : Le nombre maximal de voisins actifs parmi les voisins directs actifs d'un nœud focal (suivant Xie et al., 2022).
- $m^*$ (Indice induit étendu) : Une nouvelle métrique définie comme le nombre maximal d'amis actifs à travers tous les voisins immédiats d'un nœud focal, que ces voisins soient eux-mêmes actifs ou non.
Analyse de régression : Les auteurs ont estimé une séquence de modèles de régression logistique pour prédire la probabilité qu'un utilisateur aime une publication. Ces modèles intègrent progressivement des covariables incluant $k_1$ , la densité des liens parmi les amis actifs ( $\rho_1$ ), la diversité structurelle ( $s$ ), ainsi que diverses formulations de l'activité de second ordre ( $k_2$ , $m$ , $m^*$ ).
Contrôles et filtrage : Pour garantir l'inférence causale concernant le facteur temporel, l'analyse a appliqué un filtrage chronologique, mesurant l'état du voisinage actif immédiatement avant le « j'aime » d'un utilisateur. Des tests de robustesse ont été effectués en stratifiant les données par degré nodal et par coefficients de clustering local.

Principales contributions

Introduction de l'indice induit étendu ( $m^*$ ) : L'article propose $m^*$ comme une métrique supérieure pour capturer l'influence indirecte par rapport à l'indice induit original $m$ et aux décomptes bruts de nœuds $d=2$ . Contrairement à $m$ , qui est conditionné par les voisins directs actifs, $m^*$ tient compte de l'activité de second ordre accessible via des voisins immédiats inactifs, capturant ainsi des voies d'exposition invisibles pour l'indice original.
Validation empirique de l'influence indirecte : L'étude fournit des preuves empiriques que l'activité de second ordre ( $d=2$ ) est un prédicteur significatif du comportement de « j'aime », persistant même en conditionnant l'analyse sur l'activité des amis directs.
Réévaluation des effets des voisins directs : L'analyse révèle un résultat contre-intuitif : alors que le nombre brut d'amis directs actifs ( $k_1$ ) est positivement associé au « j'aime » dans les statistiques descriptives, son coefficient conditionnel devient négatif dans les modèles incluant la diversité structurelle et les métriques d'activité de second ordre.

Résultats

Influence de second ordre : Il existe une association positive substantielle entre l'activité de second ordre et la probabilité de « j'aime ». L'indice induit étendu $m^*$ est apparu comme le prédicteur unique le plus fort du comportement de « j'aime », surpassant à la fois le décompte brut des amis d'amis ( $k_2$ ) et l'indice induit original ( $m$ ). La relation entre $m^*$ et la probabilité de « j'aime » s'est révélée être presque linéaire.
Effets de seuil : L'indice induit original $m$ a présenté un profil par paliers, avec des augmentations brusques de la probabilité de « j'aime » à $m=1$ et $m=3$ , suggérant de potentiels seuils de renforcement local.
Diversité structurelle : Le nombre de composantes connexes parmi les amis actifs ( $s$ ) était positivement associé à la probabilité de « j'aime » dans les modèles utilisant $m^*$ , soutenant l'hypothèse de la diversité structurelle.
Association négative des voisins directs : Dans les modèles contrôlant la diversité structurelle et l'activité de second ordre, le nombre de voisins directs actifs ( $k_1$ ) a montré une association négative avec la probabilité de « j'aime ». Les auteurs interprètent cela non pas comme un effet de suppression, mais comme l'indication que $k_1$ agit comme un proxy pour la concentration des signaux au sein d'une seule communauté, réduisant potentiellement la diversité structurelle effective perçue par l'utilisateur en raison d'une attention limitée et des algorithmes de classement de la plateforme.
Décroissance avec la distance : Aucune association significative n'a été détectée pour les nœuds à une distance $d \ge 3$ une fois que les activités à $d=1$ et $d=2$ ont été prises en compte.
Démographie : Le genre masculin était généralement associé à une probabilité de « j'aime » plus faible, bien que cet effet varie dans les sous-échantillons présentant un clustering élevé ou un degré élevé. Le degré nodal était positivement associé à la probabilité de « j'aime ».

Signification et affirmations
L'article affirme fournir un support empirique aux mécanismes de percolation induite dans les réseaux sociaux en ligne à grande échelle, démontrant que les voies d'influence indirecte (spécifiquement $d=2$ ) jouent un rôle central dans la diffusion des comportements. Les auteurs postulent que le pouvoir explicatif supérieur de l'indice induit étendu $m^*$ suggère que les mécanismes de visibilité médiés par la plateforme (tels que les algorithmes de recommandation et de classement) exposent les utilisateurs à du contenu approuvé par des amis d'amis, même en l'absence de signaux directs provenant des voisins immédiats.

L'étude conclut que la structure de voisinage d'ordre supérieur est critique pour comprendre la diffusion comportementale sur les plateformes en ligne. Elle suggère que l'hypothèse des « trois degrés d'influence » peut être vérifiée, mais que le signal non local le plus détectable dans cet ensemble de données est concentré à la distance $d=2$ . Les résultats impliquent que la contagion sociale n'est pas seulement une fonction de la pression directe des pairs, mais qu'elle est significativement modulée par la diversité structurelle du réseau et la visibilité des connexions de second ordre médiée par les algorithmes de la plateforme. Les auteurs notent que leur interprétation de l'exposition médiée par la plateforme reste conjecturale en raison de l'absence d'accès aux données internes de classement, mais que les résultats sont cohérents avec de tels mécanismes.