哥本哈根网络研究中用于探索社会传染的剂量-反应函数与替代模型

网络上的传播动态与复杂传染过程是复杂人类与自然系统中临界转变、 tipping points 及其他非线性现象涌现的重要机制。越来越多的时序网络数据正变得可用，用以研究行为、观点、思想、疾病与创新的此类传播过程，检验关于其具体属性的假设。为此，我们在此提出一种基于剂量-反应函数与假设检验的方法，使用替代数据模型，该模型随机化经验数据的大多数方面，同时保留与传染、群体或同质性动态相关的特定结构。我们针对自适应投票模型生成的合成时序网络传播数据演示了该方法。此外，我们将其应用于哥本哈根网络研究的经验时序网络数据。该数据集提供了参与研究的数百名大学生在三个月内的物理近距离接触网络。我们研究了健康相关行为“定期去健身房”在该网络上的潜在传播动态。基于层次化替代数据模型，我们发现该方法既未提供该数据集中剂量-反应型网络传播过程影响的显著证据，也未提供同质性的显著证据。锻炼行为的经验动态可能更好地由个体特征（如对该行为的倾向及维持它的持久性）、影响整个群体的外部影响以及非平凡网络结构来描述。所提方法具有通用性，也有望应用于其他时序网络数据集与关注特征。