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

Sintesi Tecnica: Estrazione di Proprietà Comportamentali dalle Interazioni Faccia a Faccia tramite Reti Temporali

Definizione del Problema
L'analisi delle reti temporali richiede metodi robusti per comprendere come gli individui ripetano le interazioni sociali nel tempo. Sebbene le interazioni ripetute siano note per influenzare la diffusione delle informazioni e la struttura sociale, le misure esistenti della persistenza dell'egonet tendono a confondere le reali regolarità comportamentali con effetti strutturali, come il grado del nodo. I nodi ad alto grado esibiscono intrinsecamente un'alta similarità nei loro vicinati attraverso diversi periodi temporali, creando un bias che rende difficile distinguere le significative correlazioni temporali dal mescolamento casuale. Inoltre, vi è una mancanza di osservabili interpretabili che quantifichino direttamente la persistenza dell'interazione egocentrica tenendo conto sia dell'identità del contatto che dell'intensità dell'interazione.

Metodologia
Gli autori introducono il Criterio di Persistenza del Vicinato (NPC - Neighbourhood Persistency Criterion), un framework statisticamente fondato progettato per quantificare la persistenza dell'egonet attraverso il tempo. La metodologia procede in tre fasi:

1. Misure di Similarità: Il framework calcola innanzitutto due metriche classiche di similarità per la rete egocentrica di un individuo tra due periodi temporali ($T$ e $T'$):

   • Indice di Jaccard ($\lambda_J$): Misura la sovrapposizione nelle identità dei contatti, indipendentemente dalla forza dell'interazione.
   • Similarità del Coseno ($\lambda_{cos}$): Incorpora i pesi delle interazioni (durata totale), catturando se l'intensità delle interazioni viene preservata insieme all'identità.

2. Normalizzazione Statistica tramite Modelli Nulli: Per correggere il bias introdotto dal grado del nodo e dalla topologia della rete, gli autori applicano due specifici modelli nulli tramite randomizzazione:

   • $P[k]$: Riconfigura la rete preservando i gradi dei nodi. Funge da modello nullo per l'indice di Jaccard per controllare le correlazioni topologiche.
   • $P[L, p(w)]$: Mantiene la topologia della rete ma ridistribuisce casualmente i pesi delle interazioni secondo la distribuzione empirica. Funge da modello nullo per la similarità del coseno per controllare le correlazioni tra topologia e intensità dell'interazione.

3. L'Osservabile NPC ($\alpha$): Gli autori definiscono un osservabile standardizzato, $\alpha$, basato sulla deviazione della similarità osservata dalla mediana della distribuzione nulla ($\mu_l$).

   • $\alpha$ varia nell'intervallo $[-1, 1]$.
   • $\alpha = 1$ indica una forte preferenza per il riengaggiare con gli stessi individui.
   • $\alpha = -1$ indica un forte evitamento di interazioni ripetute.
   • $\alpha \approx 0$ indica nessuna deviazione dai modelli di interazione casuali.
   • Questa formulazione permette un'interpretazione probabilistica continua della deviazione comportamentale, distinguendo tra deviazioni positive e negative.

4. Riduzione della Dimensionalità e Categorizzazione Comportamentale: Per caratterizzare la dinamica individuale attraverso molteplici periodi temporali, gli autori analizzano la consistenza temporale dei valori di $\alpha$. Riconoscendo che la deviazione standard è sensibile agli outlier e che gli individui possono alternare strategie, utilizzano la Media Troncata con Dispersione tramite il metodo di Tukey (TMDT) con un percentile $q=12\%$. Questa metrica ($TMDT_{12}$) quantifica la coerenza intra-individuale del comportamento, distinguendo tra modelli stabili e alta variabilità (strategie alternate).

Applicazione dei Dati
Il framework è stato applicato a reti di interazione faccia a faccia ad alta risoluzione raccolte in quattro conferenze di Computational Social Science (WS16, ICCSS17, ECSS18, ECIR19) utilizzando la piattaforma SocioPatterns. I dati sono stati aggregati in finestre contigue di alta attività (ad esempio, pause caffè, pranzo, sessioni poster) per catturare eventi socialmente significativi filtrando al contempo i contatti spuri a breve durata.

Risultati Chiave

• Trade-off Esplorazione–Sfruttamento: L'analisi di $\alpha$ rispetto a $TMDT_{12}$ rivela una struttura comportamentale comune per tutti gli eventi. I partecipanti generalmente rientrano in categorie distinte:
  • Sfruttatori Stabili (Stable Exploiters): Individui con bassa dispersione e alto $\alpha$ (vicino a 1), che mantengono un set costante di contatti.
  • Esploratori Stabili (Stable Explorers): Individui con bassa dispersione e $\alpha$ vicino a 0, che cambiano frequentemente partner senza una struttura chiara.
  • Evitatori (Avoiders): Un piccolo gruppo con bassa partecipazione e un sistematico evitamento dei contatti precedenti ($\alpha \approx -1$).
  • Switcher (Alternanti): Individui con alta dispersione, indicando un'alternanza tra strategie di esplorazione e sfruttamento durante le pause.
• Identità vs. Intensità: Esiste una forte correlazione tra $\alpha_J$ e $\alpha_{cos}$, ma i partecipanti tendono a essere leggermente più persistenti nel mantenere l'identità del contatto rispetto al mantenimento della specifica durata di tali interazioni.
• Assenza di Determinismo Socio-Demografico: Crucialmente, lo studio ha riscontrato nessuna associazione sistematica significativa tra queste dinamiche comportamentali (consistenza o variabilità) e attributi socio-demografici stabili (età, genere) o tratti auto-riferiti. Sebbene esistano deboli tendenze (ad esempio, i partecipanti più giovani mostrano una persistenza leggermente maggiore in alcuni contesti), i risultati suggeriscono che le strategie di interazione siano modellate principalmente da fattori contestuali (struttura dell'evento, programmazione, obiettivi immediati) piuttosto che da tratti individuali stabili.

Significatività e Rivendicazioni
L'articolo sostiene che il framework NPC fornisce uno strumento flessibile e interpretabile per studiare la persistenza dell'egonet nelle reti temporali. La sua principale significatività risiede nel:

1. Separare il Comportamento dalla Struttura: Utilizzando modelli nulli su misura, l'NPC separa con successo le regolarità comportamentali genuine dagli artefatti strutturali come il grado del nodo.
2. Tipologia Comportamentale Sfumata: Permette l'identificazione di distinti archetipi comportamentali (esplorazione vs. sfruttamento) e la quantificazione della loro stabilità temporale, andando oltre le semplici misure aggregate.
3. Intuizione Contestuale: L'applicazione ai dati delle conferenze sfida l'assunto che le strategie di interazione siano tratti individuali fissi, evidenziando invece il ruolo del contesto situazionale nel plasmare le dinamiche sociali.

Gli autori concludono che, sebbene l'NPC offra un metodo robusto per l'analisi delle reti temporali, il lavoro futuro dovrebbe esplorare i modelli di persistenza a livello giornaliero ed estendere il framework alla persistenza a livello di legame per catturare strutture temporali più fini.