识别通过模拟社会网络干预促进身体活动的影响因素:基于代理的建模研究

简介

背景

的使用引起了越来越多的兴趣社会网络干预促进健康行为。社会网络干预基于创新扩散理论[1]并利用人际影响来促进和促成期望的行为改变[2］．一些研究使用社会网络干预来促进学校环境中的健康行为[3.］．例如，“停止在学校吸烟试验”研究培训了有影响力的代理人，以鼓励中学生不要吸烟[4］．其他研究训练影响因子来刺激同伴增加健康行为，比如多喝水[5]或更积极地运动[6，7］．

社会网络干预的一个最重要的假设是，一些同伴扮演着角色榜样的角色，可能是群体行为的重要决定因素[8］．让这些重要的同伴参与干预可能是有益的，因为他们可以被用作社会网络中其他成员的例子;它们可以帮助确保干预信息在社交网络中的个人之间传播。在这种干预中，健康行为通过他们的网络关系在同学之间传播[1从而减少抵抗。因此，在大多数社会网络干预中，参与者的子集被选择为影响代理传播:开始一种思想或行为的传播影响代理可以是自愿的，也可以由研究人员指定，但许多社交网络干预依赖于社交网络内的同行提名来确定影响代理[2］．参与者在一些问题上提名同龄人(例如，“谁是你的朋友?”)。在这些提名的基础上，10%至17.5%的个人被接洽成为影响代理人[2］．影响者接受训练，采用和传播一种新的或改进的健康行为，或在他们的社交网络中非正式地传播干预信息。然而，目前还不清楚网络中哪些人是最有效的影响力代理人。换句话说，确定影响因子的最佳选择标准是什么?

这个问题的理想解决方案是用不同的标准来选择影响因子，进行大规模的现场实验。然而，这将是一项昂贵的工作，这可能是这个问题仍然没有答案的原因。幸运的是，计算机科学的进步使我们能够通过使用计算模型来模拟假设的社会网络干预[9，10］．这种当代方法是干预研究设计过程中向前迈出的一大步。计算模型是一种很有前途的方法，可以理解社会影响与驱动某些健康行为的其他因素之间复杂的相互作用[11］．例如，研究人员可以收集基线数据，模拟广泛的干预措施，并选择行为变化最大的干预策略或最具成本效益的干预策略。此外，计算模型可用于与关键利益相关者协商，以确定优先事项，建立对干预措施的预期，并尽早解决有关实施的问题。最后，模拟使研究人员能够制定可以在体内测试的数据驱动假设。因此，计算模型是旨在改变行为的研究人员和从业者工具箱中有价值的补充。

基于代理的模型(ABMs)被用来模拟社会网络中个体之间的互动，因此适合社会网络干预的理论基础机制。影响代理的行为对与其共享连接的个人产生影响。为了制定有效的社会网络干预措施，有必要了解行为如何在社会网络中传播，以及什么影响了预期行为的传播。ABMs是一个有用的工具，因为它们使研究人员能够在模拟环境中进行实验。在之前的研究中，ABMs被用来确定识别重要影响者的有效方法[10，12-14］．此外，ABM模拟已越来越多地被探索作为解决健康研究问题的替代方法。此外，先前的研究表明，ABMs可用于模拟身体活动行为[15-17]或肥胖[18，19)在社交网络中。

这项研究的目的是测试在社会网络干预中确定影响因子的哪种选择标准会导致社会网络中身体活动的最大增加。通过模拟社会网络干预，并观察干预对学校班级内体育活动的影响，使用ABM来检验不同的影响因子选择标准。在本研究中，我们依赖于我们之前研究的方法和模型规范[20.]来建立社会网络并实现计算模型。利用Beheshti开发的先前验证过的模型[12]和Giabbanelli等人[21]，本研究所采用的计算模型应用于在MyMovez项目(22］．该模型考虑了两个因素作为个人行为改变的决定因素:班级的社会影响和个人的社会环境(更多信息见[20.])。在该模型中，影响代理的行为对与其有关系的人产生影响:影响代理的影响从一个连接扩散到另一个连接。这被称为社交网络影响力．此外，本研究中使用的ABM考虑了物理环境的影响是促进健康行为的潜在重要因素。

为了进一步研究abm对社会网络干预的适用性，本研究考察了社会网络干预的模拟有效性是否依赖于几个网络特征。我们基于瓦伦特的观点，即干预主义者不仅应该将网络作为干预工具，还应该从现有的社会网络信息中学习，以创建更好的、有意义的干预。20.］．此外，Giabbinelli等[21]得出结论，有微观层面的网络结构有待研究，这涉及到使代理人更能适应变化。其他研究还指出，如果忽视社会网络的影响，干预措施的效果可能会较差[23］．因此，我们调查了社会网络(阶层)的特征是否会影响基于网络的健康干预的有效性。

本研究中的分析是基于MyMovez26个学校班级数据集。这提供了一个难得的机会来模拟学校课堂上的社交网络健康干预，该干预基于一个全面的现实世界数据集，包含真实的社交网络和体育活动数据。参与者提交的多个社会计量学提名被用来定义班级同龄人之间的加权关系，从而构建社会网络。使用身体活动和社会环境数据来定义每个代理人每天的状态。

在本研究中，我们确定了两组假设。首先，我们比较了不同条件下的结果，以确定在社会网络干预中最有效的影响因子的选择标准。干预措施的有效性是通过基线和模拟1年后的身体活动差异来衡量的。其次，本研究考察了不同阶层的网络特征(即密度和集中度)是否会影响社会网络干预的有效性。

这项研究是社会科学家和计算机科学家合作研究的产物，目的是将研究结果转化为准备基于网络的干预措施的适用建议。社会科学和计算机科学研究界从截然不同的角度研究社会网络和基于网络的健康干预。由于社会和计算机科学研究界之间的强有力合作，社会网络健康干预的设计和实施方式可能会出现重大改进。

选择影响代理

为了评估计算模型的预测有效性，模拟干预与无干预条件进行了比较。基于社会网络理论和以往社会网络干预的总体积极结果[4-6，24]，我们预期干预条件下的身体活动比不干预条件下的增加更大。

随后，我们研究了选择战略性放置的影响代理，并与随机分配的影响代理进行了比较。学者们详细阐述了个人在社会网络中的不同角色和地位(概述见[25])。影响代理人通常被定义为最中央在网络中[3.］．这意味着这些人在网络中占据着突出的位置。中心性是衡量个人相对于其社交网络的地位的指标，但有一些定义和算法用于定义和衡量中心性[3.，25］．这些定义都假设，在某种程度上，处于社会网络的中心意味着一个人更有影响力。因此，我们假设将中心个体作为影响代理人(不管使用的定义如何)应该会增加社会网络干预的有效性。因此，我们将第一个假设定义如下:

H2:在基于中心性的模拟社会网络干预中，身体活动的增加比在模拟随机影响因子干预中更高。

正如弗里曼[25]的讨论中，对于中心性的共同定义或应该如何衡量中心性，没有达成共识。中心性有三种广泛使用的定义:程度中心性、中介中心性和紧密中心性[3.，26］．

入度中心

在社会网络干预文献中最常用的中心性测量是入度中心．度内中心性是基于个人获得同行提名的数量(值得注意的是，当研究人员使用影响模型而不是提名模型时，这被称为度外中心性)。同行提名越多，在度中心性越高。因此，具有高度中心性的个体可以被视为信息的重要渠道[25］．在学校环境中，最常见的程度中心影响代理是最受欢迎的儿童或青少年，并在网络中聚集在一起。因此，干预可能会影响到那一小群人，而不会影响到网络中的重要子群体或外围节点(这些人可能从干预中受益最大)。此外，受欢迎的同龄人可能不愿意改变自己的行为或扮演影响者的角色[27］．受欢迎的同龄人对网络中的社会规范有很大的贡献，偏离既定的社会规范可能会对他们的社会地位产生负面影响。因此，Borgatti [26，28]认为，另外两种类型的中心性可能对促进健康行为更为重要:中介中心性和亲密中心性。

中间性中心

中介中心性侧重于影响主体在社会网络中作为信息守门人的作用。这些影响因素对于将不同的个人、群体或子群体联系在一起非常重要，被称为影响因素桥．更具体地说，中介中心性是基于个体在其他两个对等点之间的最短路径上的链接的频率。这意味着这个人控制着网络中其他对等点之间的信息流。这样的个体可以通过在扩散过程中扣留或扭曲信息来影响网络。如果中介中心代理没有被选择来传播干预信息，整个子群体可能被拒绝参与干预[25］．特别是，Borgatti认为，当目标是破坏网络传播不健康行为的能力时，应该使用中介中心代理[28］．通过将这些个体从社交网络中移除，残余网络具有最小的凝聚力，因此将最大程度地减少网络中负面行为的传播。在实践中，将这些人从网络中移除，而是增加他们的体育活动，以防止潜在的负面行为(低体育活动)在社交网络中传播，这是不可实现的。

亲密关系中心

亲密中心性关注的是影响因子在网络中的触及范围和干预在网络中的传播速度。亲密中心性表示个体与网络中所有其他节点之间的距离。更具体地说，接近中心个体平均拥有到网络中所有其他对等点的最短路径。这意味着干预将以最少的链接到达整个网络，这使得干预消息最有效。因此，Borgatti认为，当目标是促进积极的健康行为时，亲密度中心影响剂应该被使用。28］．积极的干预信息将以最有效的方式传达给社会网络的所有成员，并且不排除干预信息中的集群或子群体。这种方法符合这样一种观念:为了减肥，提倡健康的行为(如体育活动)比劝阻消极的行为(如看电视)更有效[29］．因为模拟的社会网络干预需要促进身体活动(即积极行为)，我们将第二个假设定义如下:

H2:基于亲密中心性的模拟社会网络干预的身体活动增加要高于基于程度中心性和中介中心性的模拟社会网络干预。

网络的特点

除了测量个体层面的网络属性，社会网络分析还可以用来描述群体层面的网络属性。了解群体层面的网络信息对于创建更好、更有意义的干预措施非常重要[30.，31］．因为所有阶层的网络属性都是独一无二的，社会网络干预应该牢记网络的结构。密度而且集中是影响社会网络干预有效性的两个最重要的网络特征[32］．

密度

社交网络的密度是衡量网络内聚力的指标，可以定义为参与者之间的联系数量与网络中所有可能的联系数量之间的比率。这意味着密集的阶级在个体之间有相对较多的联系，因此具有高度的内聚性。图1提供2类社会网络的例子。节点颜色表示个体的程度中心性。红色表示较高的度，蓝色表示较低的度。节点之间的关系基于6个提名问题进行加权，参与者可以提名无限数量的同伴。左边的网络图1这是一个高密度的教室，因为90%的可能的联系都是连接的。正确的网络在中心性上得分很低，因为所有可能的联系中只有46%是连接的。

高密度的网络意味着更多的同伴互动，因此在社交网络中传播干预的机会最大化[33］．我们预计这也适用于促进身体活动的社交网络干预;因此，我们将第三个假设定义如下:

H3:高密度班级的模拟社会网络干预效果要高于低密度班级。

‎ 查看此图

集中

集中网络的分布描述了个体的分布中心网络中参与者的度量。与中心性相反，中心化是一种网络层面的度量。Freeman将中心化描述为社交网络中提名分配的偏态[25］．中心化定义了互动集中在少数个人身上的程度，而不是在所有对等点中平均分布的程度[32］．这意味着在高度集中的网络中，有一个明显的中心个体亚群。网络集中度可以计算为所有的中心性度量(即，在度，中间和紧密中心性)。

图2是其中两个类中的程度集中的示例。节点颜色与个体的中心性成正比。红色表示较高的度，蓝色表示较低的度中心性。左边的网络图2是具有高度集中化的类的示例。可以直观地观察到，在左边的社交网络中有一个人(ID 2892)比其他同学获得了更多的提名。因此，该类在程度集中度上得分较高，ID 2892应该是该类有效的影响因子。相比之下，右边的网络的程度集中度较低，因为它有一个很大的子群体，这些人的程度中心性很高。同样的原则也适用于中介集中化和紧密集中化。

先前的研究表明，中心化在友谊网络和儿童欺凌之间的关系中起着调节作用[34］．更具体地说，班级的集中程度可以预测受欢迎程度是否与男孩的攻击性行为有关。然而，社会网络干预在集中的班级中是否比在提名分布均匀的班级中更有效，此前尚未有研究。我们认为，高度集中化的阶级更适合进行社交网络干预，因为影响因素更明显，因此更容易被研究者发现。集中类中的这些影响代理相对于非集中类中的影响代理会对网络产生更大的影响。因此，我们将最后3个假设定义如下:

H4a:基于程度中心性的模拟社会网络干预在高度集中化的班级中比在低集中化的班级中更有效。

H4b:基于中介中心性的模拟社会网络干预在中介中心性高的班级比中介中心性低的班级效果更好。

H4c:基于亲密度中心性的模拟社会网络干预在高亲密度中心性的班级比低亲密度中心性的班级效果更好。

‎ 查看此图

方法

参与者和操作步骤

该研究使用的数据来自MyMovez项目(22]，是一项针对21所中小学儿童及青少年(8-12岁及12-15岁)的大规模交叉顺序队列研究[22］．在该项目中，参与者收到一部装有研究应用程序的智能手机，他们每天在应用程序上收到问卷调查，还有一个手腕上的加速度计(Fitbit Flex)。这种加速度计已被证明是测量体力活动的可靠方法。35，36］．对于本研究，前4波MyMovez项目采用:2016年2月至3月(第1波)、2016年4月至5月(第2波)、2016年6月至7月(第3波)和2017年2月至3月(第4波)。为了确保从每个教室的代表性样本中识别出影响因素，只包括参与学生人数超过60%的班级。结果是26个班，460名参与者(平均年龄10.81岁，SD 1.28;男性=51.5%[237/460])。

措施

体育活动

在每一波测试中，参与者连续7天将加速度计戴在非惯用手上。第一天和最后一天被排除在外，因为这是部分天(分发和归还加速度计)，结果是5天完整的数据。此外，不超过1440分钟(24小时)的天数和步数少于1000的天数被排除在外，因为这些是部分天数的数据(例如，由空电池或不磨损时间引起的)。

每波的平均体力活动是通过计算至少3天有效数据的平均每天步数来计算的。如果参与者每波的有效数据少于3天，则采用与van Woudenberg等人研究中相同的策略计算每日步数[7]，采用单次多层(预测平均匹配)imputation [37］．缺失的数据是根据同一参与者的其他身体活动数据、星期几、测量周期、性别和年龄来估算的。参与者平均每天累积10505步(SD 5.730)。

身体活动测量必须缩放以适应ABM。在先前使用相同的ABM进行的研究中，体育活动的平均值设定为1.53 [12］．因此，我们通过将步数除以10,000，再乘以1.53，计算了一个名为体育活动水平(PAL)的新变量。我们数据集的PAL平均值为1.50，最小值为0.45，最大值为4.27。

家庭富裕

需要测量社会环境的影响作为ABM的第二个输入参数。以家庭富裕程度量表(FAS)作为衡量社会经济地位的指标[23］．FAS是一种自我报告的衡量家庭富裕程度的方法，是评估青少年社会经济地位的有效工具[38］．参与者被问及一系列问题(例如，“你家有几辆车?”以及“你多久去荷兰以外的地方度假一次?”)。所有答案(范围0-13)相加(平均值)_FAS4.01, SD 1.52)，反射，并除以项目数(alpha=.41)来拟合模型。这导致了一个环境变量(env)，其值介于0至2之间env价值反映了较低的家庭富裕程度。

社会经济的提名

在每一波中，参与者根据Starkey等人的研究，通过6个社会计量问题来提名来自同一班级的同龄人。24］．参与者在一天中的随机时间收到问题，并通过在研究智能手机上的列表中点击他们的名字来提名同行。他们被要求提名至少一名其他同行，并且没有给出被提名同行的上限(注意，自我提名是不可能的)。有关问题的概述，请参见多媒体附件1［4，39，40］．

中心

个体层面的社会网络特征用Python3计算[41networkx2.1 [42］．有关中心性度量的概述，请参见表1．个体的中介中心性与程度中心性或亲密中心性无相关性，但程度中心性与亲密中心性有相关性(r₄₅₇= 0.58;P<措施)。

密度和集中化

每一类计算密度和3个集中措施。密度的计算方法是将社交网络中存在的纽带数量除以所有可能的纽带数量，得出一个从0(非内聚网络)到1(高内聚网络)的数字。度内集中度、间性集中度和封闭性集中度计算采用igraph包在统计计算包RStudio [43]，结果为0 (noncentralized网络)至1 (非常集中的网络)．在不同的网络规模下，将密度和集中度评分归一化。有关密度和集中度评分的概述，请参见表1．

设计

社交网络

在社会计量学提名的基础上，构建每个教室的定向社会网络。一个有方向性的社会网络包括代表一个类中的参与者的节点和代表两个节点之间(加权的)连接的边边缘)．

权重的定义是，一名参与者对另一名参与者的提名数之和，除以提名问题的总数。因为2个参与者可以互相提名，所以网络中的边是有方向的(用边的箭头表示)。当参与者在多个社会计量问题上提名同伴时，每个边缘都与一个连接的重量范围从0(0项提名)到1(全部6项提名)。一个参与者给另一个同行的提名越多，边缘的连接权重就越强。重复的提名被省略了(因为参与者可以在不同的浪潮中就相同的项目提名相同的同行)，导致在所有4个浪潮中最多有6个同行被提名。

基于代理模型

计算模型可以定义为“对给定现实的抽象和简化表示，这些现实要么已经存在，要么只是计划中的。”通常定义模型是为了研究和解释观察到的现象或预见未来的现象" [44］．

abm是一种特殊的计算模型，用于在公共环境中模拟代理之间的通信，以了解它们的行为。在这项研究中，我们依赖于Giabbanelli等人开发的先前验证过的ABM [21]并经过几次改编而丰富起来[12，20.］．

Giabbanelli的21模型被使用，因为它解释了社会网络与环境因素的相互作用，不像早期的社会网络干预的相关计算模型。在这个模型中，个体在身体活动方面相互影响，这也可能取决于主体的物理环境。他们对合成社会网络和现实社会网络的因素分析表明，环境是体重变化的一个关键参数(他们感兴趣的健康行为)。这个特别的模型很受欢迎，因为它是收藏的一个很好的补充MyMovez数据。许多先前的研究使用了包含多个参数的更复杂的模型，但它们基于合成数据集。本研究的目的是使用从真实的人际关系和行为中收集的数据，该模型与观测数据吻合良好。

ABM模拟了体育活动在社会网络(班级)中的传播，也就是说，模拟了干预效果在班级中的传播。我们假设身体活动在人际关系中扩散，并依赖于物理环境。在我们的例子中，每个代理(类中的参与者)在运行模拟之前被分配了2个输入参数——PAL和env参数。对每一种社会网络干预策略和每个班级都进行了为期一年的模拟。在模拟的每一步(以一天为单位)中，根据社会影响和环境影响为每个agent推导出PAL值。社会影响来自于与代理有联系的所有同伴。环境影响是agent的家庭富裕程度的影响，用。表示env．ABM没有对关系间扩散的概率做出假设。

每个模拟步骤都可能更新代理的PAL，并分3个阶段计算，类似于Giabbanelli等人提出的[21］．首先，计算社会影响参数，来自青少年的同伴(依赖于同伴的PAL和连接权重)。第二，社会影响与代理人的环境影响(即env)结合在一个单一的参数，称为社会环境影响。第三，将社会环境影响参数与预定义阈值进行比较，以确定agent的PAL是否会被修改或保持不变。

看到多媒体附件2参阅使用过的ABMs的详细说明。多媒体附件2给出了ABM的数学表示，并给出了关于模型阈值的更多信息[45］．

干预措施

基于4种社会网络干预策略和一个对照条件(无干预)，共创建5个条件。在以中心性为基础的干预条件下(即中心性、中间性和亲密性中心性)，中心性最高的前15%的参与者被指定为影响因子。当高于和低于临界值的参与者具有相同的中心性得分时，这些案例中的随机参与者被分配为影响因子。在随机代理在干预条件下，从教室的所有参与者中随机选择15%的影响因素。为了减少在随机代理条件下选择一组特定的影响代理可能产生的影响，模拟了100个干预措施，并在之后取平均值以提供单个结果值。在控制条件，没有模拟干预。

所有的干预措施都是基于这样一个假设，即社会网络干预措施的培训课程能够在干预开始时增加影响者的身体活动。因此，所有影响因子的初始PAL均根据先前行为干预的结果人为增加了17% [12，46］．在影响因子PAL增加后，干预模拟运行365天(0-364天)。卫生干预措施的有效性表示为成功率，一个类的PAL从开始(第0天)到结束(第364天)的增长百分比。

伦理批准和同意参与

研究参与者的父母中有一位知情同意MyMovez项目。研究程序由内梅亨大学伦理委员会批准(ECSW2014-100614-222)。

结果

模拟体育活动

这些模拟被用来观察体育活动在班级同龄人中的分布情况，并确定不同干预措施的成功率。图3说明了1年期间所有不同模拟干预的类的平均PAL的轨迹。脱颖而出的是什么?图3所有的模拟干预都增加了网络的平均物理活动。然而，在增加身体活动方面的干预措施之间存在差异。所有情况下干预成功率的详细概述可以在多媒体．

‎ 查看此图

作为第一步，我们测试了所有条件之间的总体差异。采用线性混合效应模型[47]，成功率为因变量，条件为预测因子，每类随机截取。Mauchly检验表明球形假设不满足(W= 0.00,P<措施,ε= .41点)。因此，所有自由度都是通过使用球形度的Huynh-Feldt估计来校正的。重复测量方差分析表明，模拟干预措施之间存在差异(F_{1.66, 41.42}= 7.72,P=。002年,ε= . 01)。为了研究假设中提出的条件之间的差异，使用了计划对比(Helmert编码方案)。此外，所有P使用Luke建议的Satterthwaite方法对数值进行校正[48］．

选择影响代理

为了检验模型的有效性，使用第一个计划对比，将4种社会网络干预条件与对照条件(无干预)进行比较。对比发现，社交网络干预的成功率(11.28%)高于对照组(9.76%;β= .30;t_{One hundred.}= 3.30;P=措施)。这意味着干预措施在增加身体活动方面比没有干预措施更成功。因此，我们假设ABM是模拟社会网络干预的有效工具。

为了检验第一个假设(H1)，第二个计划对比比较了3个中心性社会网络干预条件(即，在程度、中间和亲密中心性条件)与随机代理条件。中心性社会网络干预条件的平均成功率(11.74%)高于随机代理条件的成功率(9.90%;β= .46;t_{One hundred.}= 3.86;P<措施)。这意味着，在增加身体活动方面，拥有中心影响因子比在网络中随机取样的个体更有效。

为了检验第二个假设(H2)，第三个和第四个计划对比比较了三种中心性社会网络干预条件下的差异。第三个对比是介于性和亲密性中心性条件(11.57%)和程度中心性条件(12.08%)。成功率之间没有差异(beta= - .17;t_{One hundred.}=−1.00;P=收)。第四个对比比较了亲密中心性条件和中介中心性条件。亲密中心性条件的成功率(12.16%)高于中介中心性条件的成功率(10.98%;β= .59;t_{One hundred.}= 2.02;P= .046)。这意味着我们没有发现密切中心性条件优于程度中心性条件的证据，但与程度中心性条件和密切中心性条件相比，中介中心性条件在增加网络中的物理活动方面效果较差。

网络的特点

社会网络干预的成功率因阶层而异，如图所示多媒体．少数班级对干预保持中立，甚至出现负面影响(101和129班PAL下降)，而其他班级在模拟特定干预条件的一年内PAL平均增加了>30%。因此，我们研究了类的结构属性(即密度、程度集中化、中介集中化和紧密集中化)对干预成功率的影响。更具体地说，我们将不同的结构特性作为调节因子添加到混合效应模型中。表2显示了4种社会网络干预与4种结构网络属性的相关系数。有关每个类的结构属性的详细概述，请参见多媒体附件4．

第三个假设(H3)预测高密度班级的干预更有效。为了测试班级的密度是否调节了不同干预措施的有效性，同样的混合效应模型添加了密度的相互作用(标准化)。分析表明，密度对成功率没有显著的直接影响(beta=−3.17;t₂₄=−1.58;P=。08)。这意味着高密度班级的成功率并不比低密度班级高。此外，社会网络条件的规划对比与阶层密度的交互作用不显著。这意味着我们没有发现支持假设(H3)的证据，即社会网络干预在高密度班级比低密度班级更有效。

最后3个假设(H4a, H4b和H4c)预测，基于所使用的中心性测量，干预措施在高集中度的班级中更有效。对于这些分析，每个假设的对比都有所改变，以便将焦点中的中心性测量与其他社会网络干预进行对比。对于这3个假设，使用了相同的混合效应模型，并加入了中心化的相互作用效应。

第一个线性混合效应模型研究了程度集中(H4a)，并表明程度集中对成功率有直接影响(beta=5.27;t_9.94= 3.55;P= .002)。从…中可以看出图4社会网络干预在集中度高的班级更有效。这意味着，当这个阶层更集中于某些程度上的中心个体时，社会网络干预更有效。此外，我们还研究了程度集中的相互作用，以及程度中心性条件与其他社会网络干预的计划对比。这种相互作用效果不显著(beta=.15;t_39.76= 1.26;P= . 21)。这意味着在程度中心性条件下，程度集中对成功率的影响并不比在其他社会网络条件下更强。

‎ 查看此图

第二个线性混合效应模型研究了中介集中(H4b)，并表明中介集中对成功没有直接影响(beta=2.22;t_9.94= 1.25;P= 22)。这意味着社会网络干预在中介集中度高的阶层并不比中介集中度低的阶层更有效。此外，相互作用效果不显著(beta=.09;t_39.76= 0.73;P=。45)。这意味着在中介中心性条件下，中介集中对成功率的影响并不比在其他社会网络条件下更强。

最后一个线性混合效应模型研究了亲密集中(H4c)，并表明亲密集中对成功率没有直接影响(beta=2.88;t_9.94= 6.66;P=厚)。这意味着在高封闭性集中的班级中，干预措施并不比低封闭性集中的班级更有效。此外，相互作用效应不显著(beta=.11;t_39.76= 0.93;P= 36)。这意味着在亲密中心性条件下，亲密集中对成功率的影响并不比在其他社会网络条件下更强。

鉴于这些结果，我们关于模拟社会网络干预的有效性在高集中度的班级比低集中度的班级更大的假设被否决了。我们只发现社交网络干预在高度集中的教室中更有效的证据，与所使用的社交网络干预类型无关。

讨论

主要研究结果

这项研究的目的是测试在社会网络干预中确定影响因子的哪种选择标准会导致社会网络中身体活动的最大增加。为了检验不同的影响因子选择标准，采用ABM模型模拟不同的社会网络干预选择标准，并观察干预对教室平均体育活动的影响。此外，该研究还调查了社会网络干预是否在某些班级比其他班级更有效，这是基于他们特定的网络特征。

将社会网络干预的总体效果与控制条件进行比较。结果表明，在社会网络干预中，身体活动的增加幅度比对照组更大。这表明，一小群人身体活动的增加有可能扩散到社交网络中的同龄人。因此，ABM得出的结果符合社会网络理论，即行为在社会网络中传播[1，2，3.］．因此，我们假设我们的模型是检验我们假设的有效工具。

此外，以中心为基础的社会网络干预条件比随机影响因子条件的影响更强。这与El-Sayed等人的第一个模型的结果不一致[13]，他得出结论(也是基于对基于文献的参数的模拟)，与随机影响因素相比，有良好联系的影响因素几乎没有或没有附加价值。这种差异可能是两项研究中模型规格不同的结果。此外，El-Sayed等人研究的结果变量[13肥胖症的流行相反，本研究结果与El-Sayed等人为高参数模型的第二组模拟结果一致[13]和张等[10］．这些结果证实了中心个体在其社会网络中占据重要地位的观点[25］．从参与者中随机抽取子样本作为影响因子不如战略定位的影响因子有效。因此，研究者应该根据影响者在社会网络中的位置来仔细选择影响者，如Borgatti [26瓦伦蒂和彭普昂[30.］．当研究人员无法有策略地选择影响因子时，Bahr等人建议增加随机影响因子的百分比，以获得与中心性条件相同的成功率，其中15%的类别作为影响因子[49］．

与预期相反，在程度中心性条件和紧密中心性条件之间没有观察到差异，正如Borgatti [26]和Valente [30.］．一种解释可能是瓦伦特的论点[27程度代理通常是最受欢迎的个体，不愿意改变他们的行为，这在模拟干预中并不成立。在模拟中，在程度中心性条件和接近中心性条件下，人为增加影响因子的体力活动是相同的。与之相比，接近中心性条件与中间中心性条件存在差异。根据Borgatti的[28]推理积极行为应该通过亲密性中心因子来促进，我们观察到亲密性中心条件比中介性中心条件有更高的成功率。这证实了当研究人员想要增加积极行为时，应该选择亲密中心性影响因子的想法。

最后，本研究探讨了班级结构特征对社会网络干预有效性的调节作用。结果表明，班级的密度不影响社会网络干预的成功率。这与社会网络理论不符，该理论认为，创新在高度连接的网络中传播得更快。32］．我们还预计，特定的中心性条件是最有效的，因为类更集中于相关的中心性度量。然而，结果表明，只有程度上的集中化对成功率有直接影响。这意味着，当班级中有少数人获得最多提名时，社交网络干预更有效。随后的分析表明，在程度中心性条件下，这种效应并不比在其他社会网络干预条件下更强。因此，我们可以得出结论，无论选择标准如何，社会网络干预在高度集中化的班级中效果良好。

这项研究推进了社会网络干预领域，并使用abm以多种方式更好地理解干预。这项研究是首次使用模拟来测试社会网络健康干预中影响因子选择标准之间的差异。此外，本研究使用实证数据作为模型的输入。健康干预措施和计算模型之间相互作用的下一步将是用社会网络健康干预措施的经验数据复制这些模拟结果。

这项研究为未来的研究提供了启示，并为社交网络研究者提供了建议。首先，这项研究支持了这样一种观点，即社交网络干预可以是增加课堂体育活动的有效策略。其次，它强调了战略性地选择最核心的个人作为影响代理人的重要性。最后，班级的组成可以影响社会网络干预的有效性。此外，这项研究表明模拟的适用性，以帮助研究人员设计最有效的干预措施。

与以往研究的比较

ABMs以前被用于研究在假设干预后的模拟社会环境中健康行为的传播。例如，在多次肥胖预防活动后，ABM被用于调查人工参与者中肥胖的传播[13］．通过使用观察到的参与者样本的体重指数和添加社会环境因素，abm用于调查肥胖的传播得到了进一步的改进[21］．然而，没有行为数据可用，所以体育活动是基于随机分布的。随后的一项研究通过纳入健康行为变化的个体阈值，改进了前面提到的ABM [12］．我们之前的研究使用了这个模型，但在这里我们将其应用于观察到的行为和社会计量数据[20.］．前文所述的ABMs [12，20.，21]显示了与本研究相同的结果，干预的模拟显示了随着时间的推移而减弱的增加。

在不同的abm的基础上，另外两项研究使用基于代理的模拟来调查不同类型的影响代理在社会网络干预中的有效性[9，10，但两者的目的略有不同。Zhang等的研究[10]只检验了随机选择的和局部中心影响因子之间的差异。他们的结论与本研究的发现一致，即与使用随机影响因素的干预相比，在使用基于中心性的影响因素的干预中，体育活动增加得更多。

Badham等人的研究[9]更符合本研究的研究问题，即研究考察了3种不同类型的中心性测量。然而，模拟的结果是整个网络采用一种行为之前的时间量(迭代次数)。换句话说，Badham等人的研究9]关注的是采用干预措施的速度，而不是模拟干预后行为变化的幅度。尽管结果变量不同，但研究结果与本研究结果具有可比性。更具体地说，最有效的干预措施是那些基于中心性(即，程度、中间性和亲密中心性)的影响因素。虽然Badham等人的研究[9]没有正式测试中心性测量之间的差异，观察到的饱和步骤并不表明它们之间存在差异。

限制

为了解释模拟社会网络干预的结果，必须讨论一些局限性。首先，这项研究是基于这样一个假设，即研究人员能够增加影响因素的身体活动量。然而，这可能并没有反映出训练影响因子变得更加活跃的现场实验。此外，增加有针对性的健康行为只是影响代理培训的一部分。例如，大多数关于社交网络干预的培训课程也侧重于影响者如何以非正式的方式传播健康信息。这种类型的健康促进不是我们使用的ABM的一部分。未来的研究还可以模仿成功培训的其他方面。例如，研究人员可以考虑增加连接的数量或权重，以反映影响代理培训的通信组件。同样，干预的成功率是基于人们如何相互影响的模型中嵌入的假设。在我们的模型中，假设身体活动的增加会随着时间的推移而扩散。 However, adopting a contagion framework, which looks at how many peers should increase in physical activity before the individual’s physical activity increases, might lead to different success rates of the interventions.

其次，采用的ABM有一系列限制。例如，根据模型的数学特征，ABM的结果在模拟中有一个初始增加，并在特定时间后达到平衡状态，如图所示图3．因此，对照组的身体活动也增加了，与通常在年轻人中观察到的减少相反[50］．因此，在解释班级体育活动的绝对增加时，必须谨慎。相反，我们想强调的是，结果集中在选择标准之间的相对差异。此外，ABM结果使我们能够讨论的影响模拟健康干预措施。尽管ABM已被验证并调整到经验数据，但所呈现的模拟效果应谨慎解释。遵循这一限制，在我们的下一项研究中，我们打算对实证数据进行类似的统计分析MyMovez项目可用。

第三，应用分析都是基于课堂层面的数据汇总。然而，我们意识到进行更详细的个人层面分析的重要性，包括个人特征，如性别、性格特征、个人体育活动或在社会网络中的角色。这些个人特征可以调节健康干预的效果。通过包含更多的个人信息，可以更好地指定ABM。采用人格特征可以帮助我们了解个人如何感知和反应同伴行为，以及了解个人对班级行为的贡献。

结论

总之，我们展示了应用社会网络分析和模拟来理解社会网络特征和对同伴影响进行详细模拟的优势。我们建议未来的研究人员尽可能地对同伴的影响进行这样的模拟，之前在现实世界中进行干预，最大限度地提高干预的成功率。这些信息可以帮助设计更有效的社会网络健康干预措施。