Dynamique dopinions sur réseaux Amblard F.*, Deffuant G.* *C emagref-LISC.
-
Upload
felicien-cormier -
Category
Documents
-
view
108 -
download
0
Transcript of Dynamique dopinions sur réseaux Amblard F.*, Deffuant G.* *C emagref-LISC.
Dynamique d’opinions sur réseaux
Amblard F.*, Deffuant G.*
*Cemagref-LISC
2
Contexte : Modélisation de l’adoption de nouvelles pratiques agricoles
+???
Décision = Évaluation économiquevs. Opinion sociale
3
Modèle d’influence proportionnelle à l’accord relatif (RA)
n agents i Opinion oi (distribution uniforme [–1 ; +1]) Incertitude ui (initialement la même pour tous) Segment d’opinion [oi - ui ; oi + ui]
Interactions par paires (Sélection aléatoire) L’influence dépend du recouvrement entre les segments
d’opinion Pas d’influence si ils sont trop éloignés Les agents sont influencés à la fois en opinion et en
incertitude Plus ils sont certains, plus ils sont convaincants
Agent i
uioi
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
4
Modèle RA
hijui
oj
oi
Influence de l’agent i sur l’agent j :• Recouvrement = hij
• Partie non-recouverte = 2.ui- hij
• Accord = recouvrement – partie non-recouverte
2.(hij – ui)
• Accord relatif ρij = Accord/segment
ρij = (hij – ui) / ui
(note : )Agent i
Agent j
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
5
Modèle RA
Modifications de l’opinion et de l’incertitude proportionnelles à “l’accord relatif”
si
Les agents les plus certains sont plus influents
ρij = (hij – ui) / ui
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
Population complètement connectée
7
Exemple pour u=0.5 pour tous
Convergence & clustering
8
Variation du nombre de clusters en fonction de u (r²=0.99)
0
2
4
6
8
10
12
0 2 4 6 8 10 12
W/2U
clus
ters
' num
ber
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
9
Introduction des extrémistes
U: incertitude initiale des agents modérés
ue: incertitude initiale des extrémistes ue < U
pe : proportion initiale d’extrémistes
δ : déséquilibre entre extrémistes positifs et négatifsu
o-1 +1
U
ue
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
10
Convergence centrale
(pe = 0.2, U = 0.4, µ = 0.5, = 0, ue = 0.1, N = 200).
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
11
Convergence vers les deux extrêmes
( pe = 0.25, U = 1.2, µ = 0.5, = 0, ue = 0.1, N = 200)
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
12
Convergence vers un seul extrême
(pe = 0.1, U = 1.4, µ = 0.5, = 0, ue = 0.1, N = 200)
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
13
Attracteurs instables : pour les mêmes valeurs des paramètres convergence centrale
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
14
Exploration systématique
Indicateur y (Derrida & Flyvbjerg, 1986)
y = p’+2 + p’-
2
p’+ (resp. p’- ) = prop. d’agents modérés attirés par l’extrême positif (resp. negatif) Convergence centrale => y = 0 Convergence vers deux extrêmes => y
= 0.5 Convergence vers un seul extrême => y
= 1.0
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
15
δ = 0, ue = 0.1, µ = 0.2, N=1000 (repl.=50)
blanc => convergence centrale
orange => convergence vers deux extrêmes
marron => convergence simple extrême
Influence des réseaux sociaux sur la dynamique…
17
Voisinage de Von Neumann
Représentation des variations moyennes de y0,
2
0,4
0,6
0,8 1
1,2
1,4
1,6
1,8 2 0,025
0,075
0,125
0,175
0,225
0,275
Y
U
Pe
Average Y for Ue=0,1 Delta=0 Mu=0,2 N=2500 with Von Neumann Neighbourhood on a grid
0,45-0,6
0,3-0,45
0,15-0,3
0-0,15
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
18
Choix d’une topologie small-world
Principe: on part d’une structure régulière à laquelle on ajoute un bruit pour le déplacement aléatoire des liens
Le modèle de Watts (1999) permet d’aller de graphes réguliers ( faible à gauche) à des graphes aléatoires ( élevé à droite)
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
19
Pour un point particulier de l’espace (U, pe) correspondant à une convergence vers un seul extrême (U=1.8, pe=0.05)
Nous faisons varier
le degré moyen k et
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
20
00,1
0,20,3
0,40,5
0,60,7
0,80,9
1
2
4
8
16
32
64
128
256
beta
k
0,9-1
0,8-0,9
0,7-0,8
0,6-0,7
0,5-0,6
0,4-0,5
0,3-0,4
0,2-0,3
0,1-0,2
0-0,1
00,1
0,20,3
0,40,5
0,60,7
0,80,9
1
2
4
8
16
32
64
128
256
beta
k
0,50-0,60
0,40-0,50
0,30-0,40
0,20-0,30
0,10-0,20
0,00-0,10
y moyen sur 50 réplications pour chaque couple (,k)
21
00,1
0,20,3
0,40,5
0,60,7
0,80,9
1
2
4
8
16
32
64
128
256
beta
k
0,9-1
0,8-0,9
0,7-0,8
0,6-0,7
0,5-0,6
0,4-0,5
0,3-0,4
0,2-0,3
0,1-0,2
0-0,1
Distribution de ypour k=128
22
0,1
0,3
0,5
0,7
0,92
4
8 16
32
64 128 256
0
10
20
30
40
50
nb simulations
Y
k
Distribution de y pour = 0.8
00,1
0,20,3
0,40,5
0,60,7
0,80,9
1
2
4
8
16
32
64
128
256
beta
k
0,9-1
0,8-0,9
0,7-0,8
0,6-0,7
0,5-0,6
0,4-0,5
0,3-0,4
0,2-0,3
0,1-0,2
0-0,1
23
Prochaine étape
Tester l’influence de la manière dont les extrémistes sont répartis sur le réseau
Workshop Systèmes Complexes et SHSMarseille, 23-24 Mars 2004
24
Indicateur d’assortativité
Différents types de nœuds Est-ce que les nœuds sont plutôt connectés à
des nœuds du même type ?
r dissortativité r < 0 < r assortativité
25
Fonction de Ripley
Statistiques spatiales Proportion d’individus similaires se
trouvant à la distance d ? Espace => graphe Distance euclidienne => distance
géodésique
26
Pour l’exploration
Répartir des extrémistes sur un graphe pour : Une valeur donnée de l’indice d’assortativité
Construction heuristique Répartition aléatoire On modifie aléatoirement une partie de la répartition Si on s’approche de la valeur souhaitée on garde
sinon on rejette Jusqu’à ce qu’on atteigne une valeur satisfaisante
27
Autre perspective
Confrontation à des expériences en socio-psychologie (Moscovici & Doise)