[論文レビュー] The temporal dynamics of group interactions in higher-order social networks

Iacopo Iacopini, Márton Karsai+1 more|arXiv (Cornell University)|Jun 16, 2023

Opinion Dynamics and Social Influence参考文献 81被引用数 5

ひとこと要約

本稿は、大学の学生と幼稚園児の間で得られた接近データを用いて、高次社会的ネットワークにおけるグループ相互作用の時間的ダイナミクスを調査する。研究では、長時間にわたるグループの形成や、対称的なグループの集積・解体といった、強固な実証的パターンを再現する動的ハイパーグラフモデルを提案する。その結果、グループの形成と解体は、文脈に依存しない普遍的なメカニズムに従うことが示された。

ABSTRACT

Representing social systems as networks, starting from the interactions between individuals, sheds light on the mechanisms governing their dynamics. However, networks encode only pairwise interactions, while most social interactions occur among groups of individuals, requiring higher-order network representations. Despite the recent interest in higher-order networks, little is known about the mechanisms that govern the formation and evolution of groups, and how people move between groups. Here, we leverage empirical data on social interactions among children and university students to study their temporal dynamics at both individual and group levels, characterising how individuals navigate groups and how groups form and disaggregate. We find robust patterns across contexts and propose a dynamical model that closely reproduces empirical observations. These results represent a further step in understanding social systems, and open up research directions to study the impact of group dynamics on dynamical processes that evolve on top of them.

研究の動機と目的

• 現実世界の状況における社会的グループの形成、進化、解体を規定するメカニズムを理解すること。
• 大学や幼稚園といった異なる社会的文脈において、グループダイナミクスに共通する時間的パターンを同定すること。
• グループサイズの遷移や持続時間の統計といった、実証的なグループ相互作用パターンを再現できる動的ハイパーグラフモデルを開発すること。
• 個人レベルの意思決定（例：グループ間の移動）が、集団的なグループレベルのダイナミクスにどのように寄与するかを調査すること。
• 時間的記憶、バースト性、階層的構造が、グループレベルの行動に与える影響を評価すること。

提案手法

• 時間分解能を持つ2つの接近ベースのデータセットの実証的分析：Copenhagen Network Study（大学の学生）とDyLNet（幼稚園児）、両者ともに時間的に分解された相互作用を含む。
• 時間分解能を持つ遷移行列を用いて、ノードがτ時間ステップ後にサイズkのグループから離脱する確率を計算する。
• 最大部分群のサイズを、グループ形成の前とグループ解体の後で分析し、集積および解体行列を構築する。
• パラメータε（グループ形成率）、α（記憶効果）、n₀（初期グループサイズ）を有する動的ハイパーグラフモデルを構築。T=2000ステップの間、ノードをランダムな順序で活性化させる。
• グループサイズの実証的分布とノード遷移行列のモデル予測分布との間のKullback–Leibler発散を同時に最小化することで、モデルのフィッティングを実施する。
• 複雑なグループ相互作用の実装とシミュレーションに、XGI Pythonライブラリを用いる。

実験結果

リサーチクエスチョン

• RQ1 グループサイズと持続時間は時間経過とともにどのように変化するか。また、大学や幼稚園といった異なる社会的文脈において、普遍的な時間的パターンを示すか。
• RQ2 グループの集積および解体の統計的性質は何か。また、階層的または対称的なダイナミクスを示すか。
• RQ3 個人レベルのグループ遷移（例：グループ間の移動）は、一貫した確率的パターンに従うか。
• RQ4 動的ハイパーグラフモデルは、長時間にわたるグループの形成（long-gets-longer効果）やサイズ依存の遷移確率といった、実証的なグループダイナミクスを再現できるか。
• RQ5 人間の相互作用における時間的記憶とバースト性は、グループ構造の時間的進化にどのように影響を与えるか。

主な発見

• グループに滞在した時間が長くなるほど、そのグループから離脱する確率は低下し、両データセットの全グループサイズにおいて、強固な「長時間滞在効果」が確認された。
• グループの集積と解体のダイナミクスは、概ね対称的であり、グループ形成の前とグループ解体の後で、類似した統計的パターンが観察された。
• モデルは実証的なグループサイズ分布とノード遷移行列をうまく再現できており、KL発散を最小化する最適なパラメータ選択が達成された。
• グループ遷移確率は文脈に依存せず、大学と幼稚園の両設定で一貫した遷移パターンを示した。
• モデルが実証的なダイナミクスを再現できたことから、微視的な個人の意思決定（例：グループ間の移動）が、マクロなグループレベルの時間的パターンを生み出しうることが示唆された。
• 実証的なグループ持続時間は、脱退確率がパワーローのようになる減衰を示しており、グループ相互作用における強い記憶効果が裏付けられた。