Higher-order modeling of face-to-face interactions

Sintesi Tecnica: Modellazione di ordine superiore delle interazioni faccia a faccia

Problematica
Le interazioni faccia a faccia costituiscono la forma più fondamentale di contatto sociale umano. Sebbene i dati ad alta risoluzione abbiano rivelato caratteristiche spazio-temporali universali di queste interazioni — come l'attività bursty (a impulsi), l'eterogeneità del comportamento e l'assenza di una scala caratteristica della durata del contatto — gli esistenti modelli matematici sono insufficienti per catturarne la piena complessità. Gli attuali modelli basati su agenti si affidano principalmente a relazioni diadiche (a coppie) o a reti temporali focalizzate su link e componenti connesse. Tali approcci non riescono a caratterizzare le interazioni all'interno di gruppi più ampi, trattando le interazioni many-to-many semplicemente come collezioni di contatti uno-a-uno. Inoltre, gli attuali approcci di rete di ordine superiore spesso mancano di mobilità spaziale, mentre i modelli di agenti mobili attuali non riescono a catturare l'evoluzione spazio-temporale e le dinamiche specifiche di formazione e dissoluzione dei gruppi.

Metodologia: Il Modello di Attrattività del Gruppo (GAM)
Per affrontare tali limitazioni, gli autori propongono il Group Attractiveness Model (GAM), un framework basato su agenti in cui agenti mobili interagiscono formando gruppi di varie dimensioni. Il modello opera in un ambiente quadrato con condizioni al contorno periodiche e include i seguenti meccani chiave:

• Attrattività dell'Agente: Ogni agente $i$ possiede un valore di attrattività intrinseca $a_i$, campionato da una distribuzione uniforme $[0,1]$, che rappresenta la probabilità che altri interagiscano con esso.
• Attrattività del Gruppo: L'attrattività di un gruppo $g$, indicata con $a_g$, è definita come il prodotto dell'attrattività dei suoi membri: $a_g = \prod_{j \in g} a_j$. Questa formulazione implica che l'attrattività del gruppo scala in modo non lineare con la dimensione; i gruppi più grandi sono, in media, meno attraenti di quelli più piccoli.
• Dinamiche di Interazione: Ad ogni passo temporale, un agente attivo considera i gruppi entro una distanza $d$. La probabilità $p_i(t)$ di interagire con un gruppo vicino è proporzionale alla media dell'attrattività di tali gruppi.
  • Se un agente sceglie di interagire, si unisce al gruppo (aumentando la dimensione del gruppo di uno) o si riunisce al proprio gruppo esistente.
  • Se un agente sceglie di non interagire (con probabilità $1 - p_i(t)$), si muove in una direzione casuale.
  • Un gruppo persiste nel tempo solo se tutti i suoi membri decidono di interagire tra loro.
• Stati di Attività: Gli agenti possono essere attivi o inattivi. Gli agenti inattivi non si muovono né interagiscono, ma possono diventare attivi con una certa probabilità, modellando individui che entrano o escono da un contesto sociale.
• Estensione dell'Omofilia: Il modello è esteso per includere preferenze omofile associando gli agenti ad attributi (ad esempio, il genere). Le probabilità di interazione sono modulate da matrici di omofilia ($H^{(2)}, H^{(3)}$, ecc.), che dettano la probabilità che un agente si unisca a un gruppo in base agli attributi dei membri esistenti.

Il modello è stato testato contro tredici dataset ad alta risoluzione (inclusi SocioPatterns, esperimenti di Utah e il Copenhagen Network Study). Le interazioni di gruppo sono state ricostruite dai dati di contatto diadico identificando i passi temporali in cui tutti i possibili diadi tra $s$ individui erano presenti.

Risultati Chiave
Gli autori hanno confrontato il GAM con un modello di base (individuale) di Attrattività (AM) che tiene conto solo delle relazioni diadiche. I risultati dimostrano che:

1. Distribuzione della Dimensione dei Gruppi: Il GAM riproduce con successo la distribuzione empirica dei gruppi unici di diverse dimensioni in vari contesti sociali. Al contrario, l'AM sovrastima significativamente il numero di gruppi più grandi.
2. Correlazione dei Conteggi dei Gruppi: Il modello cattura accuratamente l'alta correlazione di Pearson tra il numero di gruppi di dimensione due e di dimensione tre in cui gli individui partecipano. L'AM sottostima sistematicamente questa correlazione, non riconoscendo che i gruppi non sono meri collezioni di coppie.
3. Burstiness Gerarchica: I dati empirici mostrano che le distribuzioni della durata del contatto sono a coda larga e gerarchicamente organizzate, con i gruppi più piccoli che esibiscono distribuzioni più ampie (durando più a lungo) rispetto ai gruppi più grandi. Il GAM riproduce questa struttura gerarchica. L'AM fallisce in questo, prevedendo che i gruppi più grandi siano più stabili di quelli più piccoli.
4. Omofilia di Ordine Superiore: Quando esteso per includere attributi di genere, il GAM cattura complessi pattern di mescolamento a livello di gruppo. Ad esempio, nel dataset "HS11", il modello rivela che mentre gli uomini esibiscono omofilia nelle interazioni a coppie, le donne esibiscono un'omofilia più forte nei gruppi di tre. Il GAM supera il Social-Attractiveness Model (SAM), che si affida esclusivamente all'omofilia di coppia per inferire il mescolamento dei gruppi, prevedendo correttamente la frazione di triadi uniche in diverse configurazioni di genere.

Significatività e Rivendicazioni
L'articolo sostiene che le interazioni di ordine superiore sono essenziali per descrivere accuratamente i contatti umani faccia a faccia. Il contributo primario è la dimostrazione che modellare le dinamiche di gruppo attraverso un meccanismo di "attrattività del gruppo" permette di riprodurre proprietà statistiche (distribuzione, correlazione, persistenza) e caratteristiche strutturali (burstiness gerarchica, omofilia di ordine superiore) che i modelli diadici non possono replicare.

Gli autori posizionano il GAM come uno strumento per investigare come le dinamiche microscopiche di gruppo influenzino i fenomeni sociali macroscopici, come la diffusione di epidemie, il contagio sociale e l'emergere della segregazione. Essi riconoscono i limiti, notando che l'attuale modello è Markoviano (manca di effetti di memoria), assume un singolo meccanismo per unirsi/lasciare i gruppi e non distingue tra diversi tipi di gruppi sociali o contesti. Tuttavia, il lavoro fornisce un framework fondamentale per andare oltre gli approcci di coppia per comprendere il comportamento collettivo di sistemi sociali complessi.