DOI: https://doi.org/10.1016/j.socnet.2026.06.006
تاريخ النشر: 2026-07-02
المؤلف: Rumana Lakdawala وآخرون
الموضوع الرئيسي: تقنيات تحليل الشبكات المعقدة
نظرة عامة
يقدم القسم نظرة عامة على الشبكات الاجتماعية الديناميكية، التي تتميز بأنها تسلسلات من التفاعلات الثنائية على مر الزمن. لقد كان نموذج الحدث العلاقي هو الأداة الرئيسية لتحليل هذه التفاعلات في الأبحاث التجريبية. ومع ذلك، تميل الطرق التقليدية، مثل نموذج الكتلة العشوائية، إلى تجميع التباينات على مستوى الفاعل، مما قد يفرض هيكلًا كامنًا مقيدًا على مصفوفة الجوار، مما قد يؤدي إلى تفسيرات متحيزة.
لتجاوز هذه القيود، يقترح المؤلفون نموذج الحدث العلاقي لفئة ثنائية كامن (DLC-REM) أكثر مرونة يأخذ في الاعتبار التباين غير الملحوظ على المستوى الثنائي. من خلال المحاكاة العددية، يوضحون أن نموذج DLC-REM يقدم إطارًا أكثر عمومية مقارنة بالأساليب على مستوى الفاعل. يتم توضيح قابلية تطبيق النموذج بشكل أكبر من خلال تطبيقه على مجموعة بيانات تتعلق بالصراعات العسكرية بين الدول، مما يظهر إمكانيته في تقديم رؤى أغنى حول التفاعلات الاجتماعية.
مقدمة
تناقش مقدمة الورقة مفهوم الشبكات الاجتماعية الديناميكية كأنماط من التفاعلات الثنائية بين الكيانات، مثل الأفراد أو المؤسسات. تسلط الضوء على قيود نماذج الكتلة التقليدية في الشبكات الثابتة، التي تصنف العقد بناءً على اتصال مشابه ولكن قد لا تمثل بشكل كافٍ تعقيد الشبكات الاجتماعية في العالم الحقيقي. على وجه التحديد، يتم تقييد معلمات نموذج الحدث العلاقي (REM) بواسطة مجموعات المرسلين والمستلمين، مما قد يؤدي إلى سوء توافق النموذج عندما يكون الهيكل الكامن مقيدًا بشكل مفرط.
لمعالجة هذه القيود، يقترح المؤلفون نموذج الحدث العلاقي لفئة ثنائية كامن (DLC-REM)، الذي يصنف الثنائيات بناءً على سلوكيات قابلة للمقارنة بدلاً من الفاعلين الفرديين. يسمح هذا النهج بهيكل أكثر مرونة على مصفوفة الجوار، مما يمكّن من تحديد مستويات مختلفة من العلاقات، مثل “أفضل الأصدقاء” مقابل “الأصدقاء العاديين”، دون زيادة كبيرة في عدد المعلمات التي يجب تقديرها. توضح الورقة تنظيمها، مفصلة الأقسام اللاحقة التي تغطي نظرة عامة على النموذج، والتنفيذ، وتقييم الأداء من خلال المحاكاة العددية، وتحليل ديناميات التفاعل في النزاعات العسكرية بين الدول.
نقاش
يناقش القسم نموذج الحدث العلاقي لفئة ثنائية كامن (DLC-REM)، الذي يوسع إطار نمذجة الحدث العلاقي من خلال دمج الفئات الثنائية الكامنة لالتقاط التباينات في معدلات التفاعل بين الثنائيات. يتم صياغة النموذج باستخدام عملية عد بواسون متعددة المتغيرات غير المتجانسة، حيث يتأثر العدد التراكمي للأحداث لكل ثنائية بعضوية الفئة الكامنة ومجموعة من المتنبئين. يسمح النموذج بالتحليل المتزامن لعدة أحداث تحدث ضمن نفس الفترة الزمنية دون افتراض ترتيب محدد، مما يعزز مرونة تحليل الأحداث العلاقية.
بالإضافة إلى ذلك، يمكن تعزيز نموذج DLC-REM بنموذج مصاحب لربط احتمالات عضوية الفئة الكامنة بالمتغيرات القابلة للملاحظة، مما يسهل تحديد المتنبئين لعضوية الفئة. يبرز القسم أيضًا العلاقة بين DLC-REM ونماذج الكتلة العشوائية (SB-REM)، مشيرًا إلى أنه بينما يمكن اعتبار SB-REM حالة خاصة من DLC-REM، فإن الأخير يقدم مرونة أكبر في المعلمات وتكوينات الشبكة. يتم مناقشة تنفيذ نموذج DLC-REM، بما في ذلك استخدام خوارزمية EM لتقدير المعلمات ومعايير مثل AIC وBIC لتحديد العدد الأمثل للفئات الكامنة. يختتم القسم بالإشارة إلى المحاكاة العددية التي تظهر قدرة النموذج على استعادة الهياكل الحقيقية للفئات ومزاياه على الأساليب التقليدية لنموذج الكتلة.
DOI: https://doi.org/10.1016/j.socnet.2026.06.006
Publication Date: 2026-07-02
Author(s): Rumana Lakdawala et al.
Primary Topic: Complex Network Analysis Techniques
Overview
The section presents an overview of dynamic social networks, characterized as sequences of dyadic interactions over time. The relational event model has been the primary tool for analyzing these interactions in empirical research. However, traditional methods, such as the stochastic block model, tend to cluster variations at the actor level, which can impose a restrictive latent structure on the adjacency matrix, potentially leading to biased interpretations.
To overcome these limitations, the authors propose a more flexible dyadic latent class relational event model (DLC-REM) that accounts for unobserved heterogeneity at the dyadic level. Through numerical simulations, they demonstrate that the DLC-REM offers a more general framework compared to actor-level approaches. The model’s applicability is further illustrated through its application to a dataset concerning militarized interstate conflicts, showcasing its potential to yield richer insights into social interactions.
Introduction
The introduction of the paper discusses the conceptualization of dynamic social networks as sequences of dyadic interactions among entities, such as individuals or institutions. It highlights the limitations of traditional block-models in static networks, which categorize nodes based on similar connectivity but may not adequately represent the complexity of real-world social networks. Specifically, the relational event model (REM) parameters are constrained by the clusters of senders and receivers, potentially leading to poor model fit when the latent structure is overly restrictive.
To address these limitations, the authors propose the Dyadic Latent Class Relational Event Model (DLC-REM), which classifies dyads based on comparable behaviors rather than individual actors. This approach allows for a more flexible structure on the adjacency matrix, enabling the identification of varying levels of relationships, such as “best friends” versus “normal friends,” without significantly increasing the number of parameters to estimate. The paper outlines its organization, detailing subsequent sections that cover the model’s overview, implementation, performance assessment through numerical simulations, and an analysis of interaction dynamics in militarized disputes among countries.
Discussion
The section discusses the Dyadic Latent Class Relational Event Model (DLC-REM), which extends the relational event modeling framework by incorporating dyadic latent classes to capture variations in interaction rates among dyads. The model is formalized using a non-homogeneous multivariate Poisson counting process, where the cumulative count of events for each dyad is influenced by latent class membership and a set of predictors. The model allows for the simultaneous analysis of multiple events occurring within the same time interval without assuming a specific order, enhancing the flexibility of relational event analysis.
Additionally, the DLC-REM can be augmented with a concomitant model to relate latent class membership probabilities to observable variables, facilitating the identification of predictors for class membership. The section also highlights the relationship between DLC-REM and Stochastic Block Models (SB-REM), noting that while SB-REM can be viewed as a special case of DLC-REM, the latter offers greater flexibility in parameterization and network configurations. The implementation of the DLC-REM is discussed, including the use of the EM algorithm for parameter estimation and criteria such as AIC and BIC for determining the optimal number of latent classes. The section concludes with a mention of numerical simulations that demonstrate the model’s ability to recover true class structures and its advantages over traditional block-model approaches.