Extracting behavioural properties from face-to-face interactions temporal networks: a measure of egonet persistency

Résumé Technique : Extraction de Propriétés Comportementales à partir d'Interactions en Face-à-Face via des Réseaux Temporels

Énoncé du Problème
L'analyse des réseaux temporels nécessite des méthodes robustes pour comprendre comment les individus répètent leurs interactions sociales au fil du temps. Bien que les interactions répétées soient connues pour façonner la diffusion de l'information et la structure sociale, les mesures existantes de la persistance des égonets confondent souvent les régularités comportementales authentiques avec des effets structurels, tels que le degré du nœud. Les nœuds à haut degré présentent intrinsèquement une grande similitude dans leurs voisinages à travers différentes périodes temporelles, créant un biais qui rend difficile la distinction entre les corrélations temporelles significatives et le mélange aléatoire. De plus, il existe un manque d'observables interprétables qui quantifient directement la persistance de l'interaction égocentrique en tenant compte à la fois de l'identité des contacts et de l'intensité de l'interaction.

Méthodologie
Les auteurs introduisent le Critère de Persistance du Voisinage (NPC - Neighbourhood Persistency Criterion), un cadre statistiquement fondé conçu pour quantifier la persistance de l'égonet à travers le temps. La méthodologie se déroule en trois étapes :

1. Mesures de Similitude : Le cadre calcule d'abord deux métriques de similitude classiques pour le réseau égocentrique d'un individu entre deux périodes ($T$ et $T'$) :

   • Indice de Jaccard ($\lambda_J$) : Mesure le chevauchement des identités de contacts, indépendamment de la force de l'interaction.
   • Similitude Cosinus ($\lambda_{cos}$) : Incorpore les poids d'interaction (durée totale), capturant si l'intensité des interactions est préservée aux côtés de l'identité.

2. Normalisation Statistique via des Modèles Nuls : Pour corriger le biais introduit par le degré du nœud et la topologie du réseau, les auteurs appliquent deux modèles nuls spécifiques par randomisation :

   • $P[k]$ : Recâble le réseau tout en préservant les degrés des nœuds. Cela sert de modèle nul pour l'indice de Jaccard afin de contrôler les corrélations topologiques.
   • $P[L, p(w)]$ : Conserve la topologie du réseau mais redistribue aléatoirement les poids d'interaction selon la distribution empirique. Cela sert de modèle nul pour la similitude cosinus afin de contrôler les corrélations entre la topologie et l'intensité de l'interaction.

3. L'Observable NPC ($\alpha$) : Les auteurs définissent un observable standardisé, $\alpha$, basé sur l'écart de la similitude observée par rapport à la médiane de la distribution nulle ($\mu_l$).

   • $\alpha$ varie de $[-1, 1]$.
   • $\alpha = 1$ indique une forte préférence pour le réengagement avec les mêmes individus.
   • $\alpha = -1$ indique une forte évitement des interactions répétées.
   • $\alpha \approx 0$ indique aucune déviation par rapport aux schémas d'interaction aléatoires.
   • Cette formulation permet une interprétation probabiliste continue des déviations comportementales, distinguant les déviations positives des déviations négatives.

4. Réduction de Dimension et Catégorisation Comportementale : Pour caractériser la dynamique individuelle à travers plusieurs périodes temporelles, les auteurs analysent la cohérence temporelle des valeurs de $\alpha$. Reconnaissant que l'écart-type est sensible aux valeurs aberrantes et que les individus peuvent alterner leurs stratégies, ils emploient la Moyenne Tronquée de Dispersion utilisant la méthode de Tukey (TMDT) avec un percentile $q=12\%$. Cette métrique ($TMDT_{12}$) quantifie la cohérence intra-individuelle du comportement, distinguant les schémas stables des schémas à haute variabilité (alternance de stratégies).

Application des Données
Le cadre a été appliqué à des réseaux d'interactions en face-à-face à haute résolution collectés lors de quatre conférences de recherche en sciences sociales computationnelles (WS16, ICCSS17, ECSS18, ECIR19) en utilisant la plateforme SocioPatterns. Les données ont été agrégées en fenêtres d'activité contiguës (par exemple, pauses café, déjeuner, sessions de posters) afin de capturer des événements socialement significatifs tout en filtrant les contacts sporadiques de courte durée.

Résultats Clés

• Compromis Exploration–Exploitation : L'analyse de $\alpha$ par rapport à $TMDT_{12}$ révèle une structure comportementale commune à tous les événements. Les participants tombent généralement dans des catégories distinctes :
  • Exploitants Stables : Individus avec une faible dispersion et un $\alpha$ élevé (proche de 1), maintenant un ensemble constant de contacts.
  • Explorateurs Stables : Individus avec une faible dispersion et un $\alpha$ proche de 0, changeant fréquemment de partenaires sans structure claire.
  • Éviteurs : Un petit groupe avec une faible présence et un évitement systématique des contacts précédents ($\alpha \approx -1$).
  • Changeurs (Switchers) : Individus présentant une haute dispersion, indiquant une alternance entre les stratégies d'exploration et d'exploitation à travers les pauses.
• Identité vs Intensité : Il existe une forte corrélation entre $\alpha_J$ et $\alpha_{cos}$, mais les participants ont tendance à être légèrement plus persistants dans le maintien de l' identité du contact que dans le maintien de la durée spécifique de ces interactions.
• Absence de Déterminisme Socio-Démographique : Crucialement, l'étude a trouvé aucune association systématique significative entre ces dynamiques comportementales (cohérence ou variabilité) et les attributs socio-démographiques stables (âge, genre) ou les traits auto-rapportés. Bien que des tendances faibles existent (par exemple, les participants plus jeunes montrant une persistance légèrement plus élevée dans certains contextes), les résultats suggèrent que les stratégies d'interaction sont façonnées principalement par des facteurs contextuels (structure de l'événement, planification, objectifs immédiats) plutôt que par des traits individuels stables.

Signification et Revendications
L'article affirme que le cadre NPC fournit un outil flexible et interprétable pour étudier la persistance de l'égonet dans les réseaux temporels. Sa principale signification réside dans :

1. Découplage du Comportement et de la Structure : En utilisant des modèles nuls adaptés, le NPC parvient à séparer les régularités comportementales authentiques des artefacts structurels comme le degré du nœud.
2. Typologie Comportementale Nuancée : Il permet l'identification d'archétypes comportementaux distincts (exploration vs exploitation) et la quantification de leur stabilité temporelle, allant au-delà des simples mesures agrégées.
3. Aperçu Contextuel : L'application aux données de conférences remet en question l'hypothèse selon laquelle les stratégies d'interaction sont des traits individuels fixes, soulignant plutôt le rôle du contexte situationnel dans le façonnement des dynamiques sociales.

Les auteurs concluent que bien que le NPC offre une méthode robuste pour analyser les réseaux temporels, les travaux futurs devraient explorer les schémas de persistance au niveau quotidien et étendre le cadre à la persistance au niveau du lien pour capturer des structures temporelles plus fines.