STaRS : Système de Traçabilité et d'Analyse des Réseaux Systémiques

STaRS : Système de Traçabilité et d’Analyse des Réseaux Systémiques Auteur : Kevin Fradier Date : Janvier 2026 Licence : © 2026 Kevin Fradier — Creative Commons Attribution - Pas d’Utilisation Commerciale - Pas de Modification 4.0 International (CC BY-NC-ND 4.0) Résumé STaRS est un cadre computationnel multi-domaine visant à détecter et visualiser la mémoire systémique, l’incertitude temporelle, la disparition/extinction de motifs, et la cartographie des contributions nodales dans tout système représenté par une matrice d’interactions. Le protocole est : Universel : applicable à réseaux sociaux, biologiques, neuronaux, écologiques ou symboliques Testable et falsifiable : chaque module produit des mesures objectives et comparables Multi-domaine : STaRS-TIME, STaRS-EXT, STaRS-MAP L’objectif est de fournir un outil opérationnel qui trace et visualise l’histoire et la dynamique d’un système sans aucune hypothèse métaphysique. 1. Modules Module Fonction principale STaRS-TIME Mesure de l’incertitude temporelle des motifs STaRS-EXT Mesure de l’extinction/disparition de motifs sous perturbation STaRS-MAP Cartographie multi-domaine des contributions nodales 2. Définitions opérationnelles Motif local : cycle ou sous-structure fermée dans le réseau Invariant global : moyenne des signatures locales de motifs Contribution nodale : somme pondérée de la participation d’un nœud aux motifs Stabilité : invariance sous perturbations stochastiques Robustesse : intervalle de confiance statistique sur les mesures Incertitude temporelle (TIME) : variabilité de l’invariant dans le temps Extinction (EXT) : effondrement ou disparition des motifs significatifs 3. Code Python import numpy as np import networkx as nx from scipy.stats import bootstrap import matplotlib.pyplot as plt class STaRS: """Système de Traçabilité et d’Analyse des Réseaux Systémiques""" def __init__(self, M, min_size=3, max_size=6): self.M = np.array(M, dtype=float) self.min_size = min_size self.max_size = max_size self.motifs = [] self.local_values = [] self.node_map = None # ----- Extraction de motifs ----- def extract_motifs(self): G = nx.from_numpy_array(self.M) raw = nx.cycle_basis(G) self.motifs = [m for m in raw if self.min_size