Higher-order modeling of face-to-face interactions

Resumo Técnico: Modelagem de ordem superior de interações face a face

Definição do Problema
As interações face a face constituem a forma mais fundamental de contato social humano. Embora dados de alta resolução tenham revelado características espaço-temporais universais dessas interações — como atividade em surtos (bursty activity), heterogeneidade no comportamento e a ausência de uma escala de duração de contato característica — os modelos matemáticos existentes são insuficientes para capturar toda a sua complexidade. Os atuais modelos baseados em agentes baseiam-se primordialmente em relações diádicas (pareadas) ou redes temporais focadas em ligações e componentes conectados. Essas abordagens falham em caracterizar interações dentro de grupos maiores, tratando interações de muitos-para-muitos meramente como coleções de contatos um-para-um. Além disso, as abordagens de redes de ordem superior existentes frequentemente carecem de mobilidade espacial, enquanto os modelos atuais de agentes móveis não conseguem capturar a evolução espaço-temporal e a dinâmica específica de formação e dissolução de grupos.

Metodologia: O Modelo de Atratividade de Grupo (GAM)
Para abordar essas limitações, os autores propõem o Modelo de Atratividade de Grupo (GAM), um framework de agentes baseados em agentes onde agentes móveis interagem ao formar grupos de tamanhos variados. O modelo opera em um ambiente quadrado com condições de contorno periódicas e inclui os seguintes mecanismos principais:

• Atratividade do Agente: Cada agente $i$ possui um valor de atratividade intrínseca $a_i$, amostrado de uma distribuição uniforme $[0,1]$, representando a probabilidade de outros interagirem com ele.
• Atratividade do Grupo: A atratividade de um grupo $g$, denotada por $a_g$, é definida como o produto da atratividade de seus membros: $a_g = \prod_{j \in g} a_j$. Esta formulação implica que a atratividade do grupo escala de forma não linear com o tamanho; grupos maiores são, em média, menos atraentes do que grupos menores.
• Dinâmica de Interação: Em cada passo de tempo, um agente ativo considera grupos dentro de uma distância $d$. A probabilidade $p_i(t)$ de interagir com um grupo vizinho é proporcional à atratividade média desses grupos.
  • Se um agente escolhe interagir, ele se junta ao grupo (aumentando o tamanho do grupo em um) ou retorna ao seu grupo existente.
  • Se um agente escolhe não interagir (com probabilidade $1 - p_i(t)$), ele se move em uma direção aleatória.
  • Um grupo persiste no tempo apenas se todos os seus membros decidirem interagir entre si.
• Estados de Atividade: Agentes podem estar ativos ou inativos. Agentes inativos não se movem nem interagem, mas podem tornar-se ativos com uma certa probabilidade, modelando indivíduos entrando ou saindo de um contexto social.
• Extensão de Homofilia: O modelo é estendido para incluir preferências homofílicas ao associar agentes a atributos (ex: gênero). As probabilidades de interação são moduladas por matrizes de homofilia ($H^{(2)}, H^{(3)}$, etc.), que ditam a probabilidade de um agente se juntar a um grupo com base nos atributos dos membros existentes.

O modelo foi testado contra treze conjuntos de dados de alta resolução (incluindo SocioPatterns, experimentos de Utah e o Copenhagen Network Study). As interações de grupo foram reconstruídas a partir de dados de contato diádicos identificando passos de tempo onde todos os díades possíveis entre $s$ indivíduos estavam presentes.

Principais Resultados
Os autores compararam o GAM contra um modelo de atratividade (AM) de base (individual), que considera apenas relações diádicas. Os resultados demonstram:

1. Distribuição do Tamanho do Grupo: O GAM reproduz com sucesso a distribuição empírica de grupos únicos de diferentes tamanhos em vários contextos sociais. Em contraste, o AM superestima significativamente o número de grupos maiores.
2. Correlação de Contagens de Grupos: O modelo captura com precisão a alta correlação de Pearson entre o número de grupos de tamanho dois e tamanho três em que os indivíduos participam. O AM subestima sistematicamente essa correlação, falhando em reconhecer que grupos não são meras coleções de pares.
3. Burstiness Hierárquica: Dados empíricos mostram que as distribuições de duração de contato são de cauda larga e organizadas hierarquicamente, com grupos menores exibindo distribuições mais amplas (durando mais tempo) do que grupos maiores. O GAM reproduz essa estrutura hierárquica. O AM falha aqui, prevendo que grupos maiores são mais estáveis do que grupos menores.
4. Homofilia de Ordem Superior: Quando estendido para incluir atributos de gênero, o GAM captura padrões de mistura complexos ao nível de grupo. Por exemplo, no conjunto de dados "HS11", o modelo revela que, enquanto homens exibem homofilia em interações pareadas, as mulheres exibem uma homofilia mais forte em grupos de três. O GAM supera o Social-Attractiveness Model (SAM), que depende exclusivamente de homofilia pareada para inferir a mistura de grupos, ao prever corretamente a fração de tríades únicas em diferentes configurações de gênero.

Significância e Alegações
O artigo afirma que as interações de ordem superior são essenciais para descrever com precisão os contatos humanos face a face. A principal contribuição é a demonstração de que a modelagem da dinâmica de grupo através de um mecanismo de "atratividade de grupo" permite a reprodução de propriedades estatísticas (distribuição, correlação, persistência) e características estruturais (burstiness hierárquica, homofilia de ordem superior) que modelos diádicos não conseguem replicar.

Os autores posicionam o GAM como uma ferramenta para investigar como a dinâmica microscópica de grupos influencia fenômenos sociais macroscópicos, como a propagação de epidemias, contágio social e a emergência de segregação. Eles reconhecem limitações, observando que o modelo atual é Markoviano (carece de efeitos de memória), assume um único mecanismo para entrar/sair de grupos e não distingue entre diferentes tipos de grupos sociais ou contextos. No entanto, o trabalho fornece um framework fundamental para ir além das abordagens pareadas para compreender o comportamento coletivo de sistemas sociais complexos.