Random graph models for temporal processes in social networks
Notice bibliographique
Résumé
We generalize the graphical modeling approach of p* social influence models to develop discrete time models for the temporal evolution of social networks. Plausible general processes pertaining to network evolution are broadly discussed as a basis for across‐time dependence assumptions. Systematic temporal processes are construed as effects that are homogeneous across the network, and that reflect dynamics inherent in a particular social relation. Any one actor cannot control these dynamics, especially given that non‐dyadic configurations may be implicated, for instance, tendencies for various triadic configurations to be constructed or to collapse of over time. Non‐systematic processes, on the other hand, may pertain to the changing nature of a particular dyadic tie, or to change involving a particular sociotemporal neighborhood of the network. Non‐systematic processes are inhomogeneous across time and across the network, and are modeled as random. In constructing p* dependence graphs, systematic temporal processes may be represented, in part, by the perfect dependence assumption, whereby network across‐time dependencies “mirror” within‐time dependencies. We develop temporal perfect dependence models appropriate for Markov random graphs. To disentangle non‐systematic from systematic temporal processes is not straightforward, but the use of the constant tie assumption ‐ whereby ephemeral ties are assumed not to have influence across time ‐is one possible approach. We illustrate these models with three empirical examples: first, with an analysis of the Freeman EIES data; and then with data from a newly formed small training group involving two networks, trust and friendship.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».