Social network analysis что это
Автор: Дарья Мальцева.
Книга «Social Network Analysis: Methods and Applications» Стэнли Вассермана и Кэтрин Фауст, написанная в 1994 году, заслужила имя «Библии сетевого анализа», поскольку является настольной книгой любого сетевого аналитика. В Google Scholar эта книга процитирована 28 369 раз!
Работа «Social Network Analysis: Methods and Applications» описывает различные аспекты методологии анализа социальных сетей с упором на ее практическом применении. Как пишут сами авторы книги в ее описании,
«это справочник, которым могут пользоваться те, кто хочет получить всесторонний обзор сетевых методов, либо же исследователи, которые собрали сетевые данные и хотят найти наиболее подходящий метод для их анализа».
Будучи первой книгой, представляющей всеобъемлющее описание методологии сетевого анализа и ее применения на практике, эта работа является учебником, по которому учились и учатся уже несколько поколений сетевых аналитиков.
Книга довольно объемна как по количеству страниц (более 600), так и по содержанию:
Первая часть – «Сети, отношения и структура» — посвящена представлению анализа социальных сетей как дисциплины в социальных и поведенческих науках. Рассматриваются исторические и теоретические основания сетевого анализа и основные концепты, которыми он оперирует, а также различные аспекты сетевых данных – существующие типы сетей, особенности сбора и измерения данных, вопросы выборки и ограничения исследуемых популяций. Также приводятся описания «классических» наборов данных, часто используемых в качестве примеров сетевых исследований – связи между топ-менеджерами и клубами Галашкевича, сети флорентийских семей Паджетта, данные о торговле между странами, и др.
Во второй части книги представлены математические основания анализа социальных сетей: теория графов, социометрия и алгебра. Подробно рассматриваются способы репрезентации сетевых данных: направленные и ненаправленные графы, имеющие разные связи, разный вес связи и модальность, мульти- и гипер-графы, а также их представление в виде матриц и расчет базовых метрик.
Третья часть «Структурные и пространственные характеристики» рассказывает о таких характеристиках сети и ее отдельных участников как централизация и центральность, структурный баланс и транзитивность, сплоченность, клики, подгруппы. Отдельное внимание уделяется сетям аффилиаций и анализу между акторами и событиями.
Четвертая глава описывает роли и позиции в сети и рассказывает про структурную эквивалентность и позиционный анализ, блокмоделинг и использование алгебры для изучения отношений, сетевых позициях и ролях.
В пятой части описаны методы работы с диадами и триадами, а шестая часть посвящена статистическим моделям диадических интеракций – анализу сетей с отношениями одного и нескольких типов, а также стохастическим блокмоделям.
В заключение в книге делаются выводы относительно дальнейших направлений развития сетевого анализа (изучения статистических моделей, множественных отношений, динамичесих и лонгитюдных сетевых моделей, эго-сетей, сбора данных и выборки), а также содержится описание компьютерных программ и доступных наборов для анализа данных.
Систематизация материала и глубина анализа делают эту работу полезной как начинающим сетевым исследователям, так и тем, кто работает в этой области уже продолжительное время.
Азы социально-сетевого анализа (Social Network Analysis 101)
От переводчика. Автор этой публикации — Майкл Ву (Michael Wu), ведущий аналитик компании Lithium, специализирующийся в изучении социальных взаимодействий и онлайн-сообществ.
Чтобы понять, что такое «социально-сетевой анализ» (Social Network Analysis, SNA), нужно понимать, что такое «социальная сеть» и что такое «социальный граф». Говоря просто, социально-сетевой анализ — это способ изучения социальных сетей, а социальная сеть — это набор сущностей, между которыми есть определенные отношения. Социальные сети существуют с тех пор, как люди начали бродить по земле. По правде говоря, подобные структуры есть не только у людей, но и у социальных животных (например, у волков, львов, дельфинов, мышей и даже муравьев).
Безусловно, прежде всего нас интересуют такие сущности как люди, и такие отношения между ними как дружба (как на Facebook), совместная работа (как на LinkedIn), родство, общение и некоторые другие социальные взаимодействия. А в контексте SNA мы можем под социальным графом понимать просто визуализацию всего этого (я не собираюсь нагонять скуку формальным определением графа). В таком социальном графе каждая точка (или узел, или вершина) изображает человека, а ребро между двумя точками (людьми) изображает отношения между ними. А так как между людьми существует множество самых разных отношений, точно также существует множество разных социальных графов, изображающих эти отношения. Я покажу это на конкретном примере.
Репрезентативная социальная сеть и её социальный граф
Давайте предположим, что у меня, Майкла (Michael), очень маленькая социальная сеть, состоящая всего из семи друзей (смотри рис. 1). Предположим далее, что у меня очень простая жизнь, в которой я поддерживаю всего три типа социальных отношений: у меня есть коллеги по работе (обозначенные красными ребрами), собутыльники (синие ребра) и партнеры по бадминтону (зеленые ребра).
Что из себя представляет моя социальная жизнь? У меня есть коллеги по Литиуму (Фил и Джо, которые также являются коллегами друг для друга). А перед тем, как я пришел работать в Литиум, я работал с Джеком и Райаном в Калифорнийском университете в Беркли. А еще до этого я работал с Райаном и Доном в Национальной библиотеке Лос-Аламоса. Райан пришел в Беркли вместе со мной получать степень кандидата наук (PhD), таким образом мы с ним пересеклись на двух работах. Вот почему Райан также работал вместе с Джеком и Доном, но которые не являются коллегами друг для друга.
Другая часть моей социальной жизни связана с моими собутыльниками. Я часто ходил выпивать с Дагом, Адамом и Райаном во время аспирантуры. Однако Райан и Даг никогда не оставались друг с другом наедине и никогда никуда не ходили вместе. Когда я пришел в Литиум, я узнал, что Фил и Джек часто выпивают вместе, но я никогда ни с кем из них не делал этого.
Наконец, я люблю бадминтон. Везде, где я работал, я находил себе партнера по бадминтону. Я играл с Джо в Литиуме, с Джеком в Беркли, и с Доном в Лос-Аламосе. Райан тоже играет в бадминтон — с Филом и Дагом. Однако они играют гораздо лучше меня, поэтому я никогда ни с кем из них не играл.
Если вообразить себе всех моих семерых друзей на Facebook, то наш граф дружбы выглядел бы так, как показано на рисунке 2a. Черные грани обозначают дружбу, а точнее людей, которые знакомы друг с другом. Но если вы захотите увидеть мою профессиональную сеть, тогда мой социальный граф будет выглядеть так, как показано на рисунке 2b. В этом случае, красные ребра обозначают мои взаимоотношения с коллегами по работе. Обратите внимание, что Адам и Даг не включены в мою профессиональную сеть (между нами нет красных ребер), потому что мы никогда не работали вместе.
Граф моих собутыльников показан на рисунке 2c (где синие ребра обозначают тот факт, что мы выпиваем вместе) и включает в себя Дага, Адама и Райана, так как я никогда не выпивал ни с кем из моих других друзей. И несмотря на то, что Джек и Фил выпивают вместе, я никогда не делал этого с ними, поэтому между нами нет синих ребер. Таким образом, Джек и Фил оказываются в абсолютно отдельной сети выпивох.
И наконец, граф моих партнеров по бадминтону показан на рисунке 2d, где зеленые грани обозначают взаимоотношения, основанные на совместной игре в бадминтон. Только Джек, Джо и Дон включены в мою бадминтонную сеть. У Райана же своя собственная сеть, состоящая из Фила и Дага, и никто из них не включен в мою сеть.
Чтение и интерпретация социального графа
Заметьте, мы построили четыре различных социальных графа из одной и той же социальной сети, состоящей из восьмерых человек. Задавая, что будут обозначать грани, мы получаем свой особый граф со своими особыми метриками. Например, если мы решим, что грани должны обозначать совместное веселое времяпрепровождение, мы построим еще один, совсем другой социальный граф, который будет выглядеть как пересечение моего графа собутыльников и графа партнеров по бадминтону (безусловно, работа в Литиуме тоже доставляет много веселья, но я сейчас всё упрощаю). Таким образом, благодаря тому, что между людьми существует много разных отношений, много разных социальных графов может быть построено.
Поэтому, самое важное, что надо сделать перед интерпретацией любого социального графа, это понять, какого типа отношения обозначают его грани. Это, пожалуй, даже более важно, чем понимание, что обозначают вершины. В SNA сущности, обозначаемые вершинами, обычно всегда будут людьми, а вот 99% всех метрик графа будут сильно зависеть от его граней. Поэтому, если изменяется измеряемое отношение, изображаемое гранями, метрики также будут меняться.
Например, простейшей метрикой графа является степень центральности (degree centrality), показывающая, сколько связей есть у вершины. Так, всего существует 7 черных граней (рисунок 2a), т.е. у меня есть 7 друзей. При этом красных граней всего 5 (рисунок 2b), т.е. у меня 5 коллег. Моя степень центральности на графе собутыльников равна 3 (рисунок 2c), у мня всего 3 собутыльника. Степень центральности может быть посчитана для всех людей на графе. Например, степень центральности Райана на графе партнеров по бадминтону равна 2 (рисунок 2d).
Интерпретация метрик графа также зависит от взаимосвязи граней. Так, мы не можем узнать о том, сколько у меня коллег, глядя на граф друзей (рисунок 2a), потому что отношения с коллегами по работе не отображаются на графе друзей. И даже если мы предположим, что каждый, с кем я работаю, становится моим другом, опираясь только на граф друзей, мы можем только сказать, что у меня может быть любое число коллег, от нуля до семи. Поэтому, никогда не делайте выводов или заключений о существующих отношениях, основываясь на графе, в котором эти отношения не выражены явным образом в его гранях. Поступая так, вы будете просто гадать по кофейной гуще или делать случайные предположения.
В следующих публикациях на примере конкретных живых данных мы попробуем применить методы социально-сетевого анализа для выявления и измерения социального влияния внутри социальных сетей.
СОДЕРЖАНИЕ
История
Метрики
Размер: количество участников в данной сети.
Подключения
Мультиплексность: количество форм содержания, содержащихся в галстуке. Например, два человека, которые являются друзьями и которые также работают вместе, будут иметь мультиплексность 2. Мультиплексность связана с прочностью отношений и также может включать перекрытие положительных и отрицательных сетевых связей.
Взаимность / взаимность: степень, в которой два участника отвечают взаимностью друг другу в дружбе или другом взаимодействии.
Propinquity : склонность актеров иметь больше связей с географически близкими людьми.
Распределения
Плотность : доля прямых связей в сети по отношению к общему количеству.
Расстояние: минимальное количество связей, необходимых для соединения двух конкретных участников, как это популяризировано экспериментом Стэнли Милгрэма с маленьким миром и идеей «шести степеней разделения».
Сегментация
Группы идентифицируются как « клики », если каждый человек напрямую связан с каждым другим человеком, « социальные круги », если прямой контакт менее строгий, что неточно, или как структурно сплоченные блоки, если требуется точность.
Коэффициент кластеризации : мера вероятности того, что два ассоциированных узла являются ассоциированными. Более высокий коэффициент кластеризации указывает на большую «кликовидность».
Моделирование и визуализация сетей
Визуальное представление социальных сетей важно для понимания сетевых данных и передачи результата анализа. Были представлены многочисленные методы визуализации данных, полученных с помощью анализа социальных сетей. Многие аналитические программы имеют модули для визуализации сети. Исследование данных осуществляется путем отображения узлов и связей в различных макетах и присвоения узлам цветов, размера и других дополнительных свойств. Визуальные представления сетей могут быть мощным методом передачи сложной информации, но следует проявлять осторожность при интерпретации свойств узлов и графиков только на основе визуальных отображений, поскольку они могут искажать структурные свойства, лучше улавливаемые с помощью количественного анализа.
Потенциал социальных сетей
Коэффициенты SNP выполняют две основные функции:
Практическое применение
Приложения безопасности
Приложения для текстового анализа
В других подходах текстовый анализ выполняется с учетом сети слов, одновременно встречающихся в тексте (см., Например, семантическую оценку бренда ). В этих сетях узлы представляют собой слова, и связи между ними взвешиваются на основе их частоты совместного появления (в пределах определенного максимального диапазона).
Интернет-приложения
Анализ социальных сетей также применяется для понимания онлайн-поведения отдельных лиц, организаций и между веб-сайтами. Анализ гиперссылок можно использовать для анализа связей между веб-сайтами или веб-страницами, чтобы изучить, как информация течет, когда люди перемещаются по сети. Связи между организациями были проанализированы с помощью анализа гиперссылок, чтобы выяснить, какие организации входят в проблемное сообщество.
Интернет-приложения для социальных сетей
В компьютерном совместном обучении
Ключевые термины
Переменные входящей и исходящей степени связаны с центральностью.
Уникальные возможности
Исследователи используют анализ социальных сетей при изучении компьютерного совместного обучения отчасти из-за уникальных возможностей, которые он предлагает. Этот конкретный метод позволяет изучать модели взаимодействия в рамках сетевого обучающего сообщества и может помочь проиллюстрировать степень взаимодействия участников с другими членами группы. Графика, созданная с помощью инструментов SNA, обеспечивает визуализацию связей между участниками и стратегий, используемых для общения внутри группы. Некоторые авторы также предполагают, что СНС предоставляет метод простого анализа изменений в моделях участия членов с течением времени.
Другие методы, используемые вместе с СНС
Хотя многие исследования продемонстрировали ценность анализа социальных сетей в области совместного обучения с компьютерной поддержкой, исследователи предположили, что одной SNA недостаточно для достижения полного понимания CSCL. Сложность процессов взаимодействия и бесчисленное количество источников данных затрудняют для SNA возможность проведения глубокого анализа CSCL. Исследователи указывают, что СНС необходимо дополнить другими методами анализа, чтобы сформировать более точную картину опыта совместного обучения.
СОДЕРЖАНИЕ
История
Метрики
Размер: количество участников в данной сети.
Подключения
Мультиплексность: количество форм содержания, содержащихся в галстуке. Например, два человека, которые являются друзьями и которые также работают вместе, будут иметь мультиплексность 2. Мультиплексность связана с прочностью отношений и также может включать перекрытие положительных и отрицательных сетевых связей.
Взаимность / взаимность: степень, в которой два участника отвечают взаимностью друг другу в дружбе или другом взаимодействии.
Propinquity : склонность актеров иметь больше связей с географически близкими людьми.
Распределения
Плотность : доля прямых связей в сети по отношению к общему количеству.
Расстояние: минимальное количество связей, необходимых для соединения двух конкретных участников, как это популяризировано экспериментом Стэнли Милгрэма с маленьким миром и идеей «шести степеней разделения».
Сегментация
Группы идентифицируются как « клики », если каждый человек напрямую связан с каждым другим человеком, « социальные круги », если прямой контакт менее строгий, что неточно, или как структурно сплоченные блоки, если требуется точность.
Коэффициент кластеризации : мера вероятности того, что два ассоциированных узла являются ассоциированными. Более высокий коэффициент кластеризации указывает на большую «кликовидность».
Моделирование и визуализация сетей
Визуальное представление социальных сетей важно для понимания сетевых данных и передачи результата анализа. Были представлены многочисленные методы визуализации данных, полученных с помощью анализа социальных сетей. Многие аналитические программы имеют модули для визуализации сети. Исследование данных осуществляется путем отображения узлов и связей в различных макетах и присвоения узлам цветов, размера и других дополнительных свойств. Визуальные представления сетей могут быть мощным методом передачи сложной информации, но следует проявлять осторожность при интерпретации свойств узлов и графиков только на основе визуальных отображений, поскольку они могут искажать структурные свойства, лучше улавливаемые с помощью количественного анализа.
Потенциал социальных сетей
Коэффициенты SNP выполняют две основные функции:
Практическое применение
Приложения безопасности
Приложения для текстового анализа
В других подходах текстовый анализ выполняется с учетом сети слов, одновременно встречающихся в тексте (см., Например, семантическую оценку бренда ). В этих сетях узлы представляют собой слова, и связи между ними взвешиваются на основе их частоты совместного появления (в пределах определенного максимального диапазона).
Интернет-приложения
Анализ социальных сетей также применяется для понимания онлайн-поведения отдельных лиц, организаций и между веб-сайтами. Анализ гиперссылок можно использовать для анализа связей между веб-сайтами или веб-страницами, чтобы изучить, как информация течет, когда люди перемещаются по сети. Связи между организациями были проанализированы с помощью анализа гиперссылок, чтобы выяснить, какие организации входят в проблемное сообщество.
Интернет-приложения для социальных сетей
В компьютерном совместном обучении
Ключевые термины
Переменные входящей и исходящей степени связаны с центральностью.
Уникальные возможности
Исследователи используют анализ социальных сетей при изучении компьютерного совместного обучения отчасти из-за уникальных возможностей, которые он предлагает. Этот конкретный метод позволяет изучать модели взаимодействия в рамках сетевого обучающего сообщества и может помочь проиллюстрировать степень взаимодействия участников с другими членами группы. Графика, созданная с помощью инструментов SNA, обеспечивает визуализацию связей между участниками и стратегий, используемых для общения внутри группы. Некоторые авторы также предполагают, что СНС предоставляет метод простого анализа изменений в моделях участия членов с течением времени.
Другие методы, используемые вместе с СНС
Хотя многие исследования продемонстрировали ценность анализа социальных сетей в области совместного обучения с компьютерной поддержкой, исследователи предположили, что одной SNA недостаточно для достижения полного понимания CSCL. Сложность процессов взаимодействия и бесчисленное количество источников данных затрудняют для SNA возможность проведения глубокого анализа CSCL. Исследователи указывают, что СНС необходимо дополнить другими методами анализа, чтобы сформировать более точную картину опыта совместного обучения.
Анализ социальных сетей
Содержание
Определение
Анализ социальных сетей представляет собой специальную методологию и набор способов исследования, позволяющих изучать в формализованном виде связи между участниками социальных сетей (акторами).
Анализ социальных сетей (social network analysis, SNA) — направление современной компьютерной социологии, которое занимается описанием и анализом возникающих в ходе социального взаимодействия и коммуникации связей (сетей) различной плотности и интенсивности.
Сеть социальных взаимодействий — это сеть, состоящая из так называемых социальных акторов (актор — от англ. actor (деятель, личность) — термин используется в русскоязычной литературе и имеет более широкое значение, чем русское слово «лицо», то есть это может быть не только человек или юридическое лицо, но и совокупность организаций или целая страна) и наборов взаимосвязей между ними.
При анализе социальных сетей внимание уделяется связям, а не самим действующим лицам. Как правило, социальная сеть описывается графом или матрицей взаимоотношений.
В целом предметом статистического анализа является структура связей и отношений (то есть повторяющиеся, регулярные паттерны коммуникаций и обмена) между людьми, входящими в разнообразные и разномасштабные общности. Математический аппарат, используемый для анализа, позволяет изучать с помощью взаимосвязанных данных и переменных свойства связей и отношений. Кроме того, с его помощью возможно параллельно исследовать данные разного уровня: поведение отдельных участников, различных подгрупп, особенности позиций в общности и свойства сети в целом. С самого начала анализ проводился на междисциплинарной основе и объединял психологов, антропологов, социологов, математиков, специалистов по коммуникации.
Анализ социальных сетей фактически есть способ формальной репрезентации данных о связях участников (акторов) с помощью социометрической матрицы, которая представлена в виде таблицы, элементы которой численно выступают как сила связи между актором в i-й строке и актором в j-м столбце. Такой матрице может быть сопоставлен граф — множество вершин и связей между акторами. Связи эти могут быть ненаправленными (ребра) и направленными (дуги). Граф с заданными дугами называется ориентированным. Вершины, соединенные ребром, являются смежными. Последовательность смежных вершин составляет цепь; последовательность же вершин, соединенных дугами, называется путем. Направление связей между вершинами цепи не имеет значения. Число ее ребер — это длина. Длина самой короткой цепи, связывающей две вершины, называется расстоянием между вершинами (без учета направления связей). Что касается пути, то число дуг, составляющих его, называется длиной направление связей существенно). Длину самого короткого пути, связывающего две вершины, называют расстоянием между ними (с учетом направления связей). Таким образом, любую социальную сеть можно математически изобразить в виде графа. При этом она бывает как в режиме онлайн (в Интернете), так и реальной системой связей между людьми: в качестве примера исследователи очень часто используют сети, представляющие родственные и брачные отношения в аристократических семьях.
История
Барабаши и Уотс рассказывают о своих работах:
Ключевые понятия и измерения
Общие понятия
Традиционно для обозначения отдельного элемента социальной сети используют понятие «узел», если речь идет об исследованиях прикладного математического характера, или «актор», если подразумевается социологические исследования. В целом узел и актор по сути представляет собой отдельного человека (в социальных сетях), выступающего субъектом связей с другими индивидами.
Сетевые метрики
Плотность
Плотность – это отношение числа имеющихся рёбер графа к максимально возможному количеству рёбер данного графа. Плотность – распространённая метрика, она используется в первую очередь при сравнении графов одного размера, или при сравнении графа с самим собой во времени. Вычисляется она по формуле:
Например, если в системе 924 участника и между ними установлены 2561 связь, то плотность равна
Для NetLogo в ситуации, когда есть участники и связи между ними, рассчитывается по формуле
Коэффициент кластеризации
Кластеризация – это локальная характеристика сети. Она характеризует степень взаимодействия между собой ближайших соседей данного узла. В большинстве сетей, если узел А соединен с узлом В, а узел В – с узлом С, то существует большая вероятность, что узел А соединен с узлом С (друзья наших друзей обычно также являются и нашими друзьями).
Коэффициент кластеризации данного узла есть вероятность того, что два ближайших соседа этого узла сами есть ближайшие соседи.
Коэффициент С соответствует отношению реального числа связей между его соседями и их потенциально возможного числа. Для узла i Ci = Ei/[ki(ki-1)/2], где Ei реальное число связей, ki – степень узла, а в знаменателе записано суммарное число потенциально возможных связей между непосредственными соседями узла i (при котором сеть или еѐ часть превращается в полный граф).
Коэффициент кластеризации может быть усреднен для любой части сети или для сети в целом, становясь ее интегральной характеристикой: C = 1/n ΣCi.
Коэффициент кластеризации – это метрика, которая является более эффективной, чем плотность, и её всё чаще используют в общественных науках. Коэффициент кластеризации – степень, определяющая насколько узлы стремятся к кластеризации. Например, в сети друзей это вероятность того, что 2 моих друга являются друзьями между собой. То есть это некоторая оценка фрагментированности сети. При высокой кластеризации можно ожидать, что вирус будет распространяться лишь в определенной подгруппе (кластере). При низкой кластеризации высока вероятность быстрого распространения вируса по всей сети
Локальный коэффициент кластеризации
Коэффициент локального объединения в кластеры (коэффициент кластеризации) является мерой того, насколько хорошо связанны связаны между собой соседи данного узла. Локальный коэффициент кластеризации рассчитывается как число связей межу соседями данного узла / возможное число связей между соседями.
Reports the local clustering coefficient of the turtle. The clustering coefficient of a node measures how connected its neighbors are. It is defined as the number of links between the node’s neighbors divided by the total number of possible links between its neighbors.
nw:clustering-coefficient takes the directedness of links into account. A directed link counts as a single link whereas an undirected link counts as two links (one going one-way, one going the other).
Чем выше локальный коэффициент кластеризации, тем выше вероятность того, что участник данный участник входит в состав устойчивой группы и обладает социальными компетенциями, необходимыми для использования объектов, созданные другими участниками, и создания объектов, нужных другим участникам.
Глобальный коэффициент кластеризации
Коэффициент кластеризации – это значения кластеризации для всех узлов графа. Когда коэффициент кластеризации высокий – это означает, что граф чрезвычайно плотно сгруппирован вокруг нескольких узлов; когда он низкий – это значит, что связи в графе относительно равномерно распространены среди всех узлов.
The global clustering coefficient measures how much nodes tend to cluster together in the network in general. It is defined based on the types of triplets in the network. A triplet consists of a central node and two of its neighbors. If its neighbors are also connected, it’s a closed triplet. If its neighbors are not connected, it’s an open triplet. The global clustering coefficient is simply the number of closed triplets in a network divided by the total number of triplets. It can be calculated from the local clustering coefficient quite easily with the following code
transitivity(g, type=»local») order(transitivity(g, type=»local»))
Насколько узлам свойственно объединяться в кластеры
Возвращает список бикомпонентных кластеров в текущем сетевом контексте. Бикомпонента (a maximal biconnected subgraph)- часть сети, которая не может быть разъединена благодаря удалению только одного связующего узла (шарнира). Чтобы рассыпать граф необходимо удалить хотя бы 2 узла. Бикомпонента (Strongly connected component) — максимальный по включению вершин сильно связный подграф орграфа.
Reports the list of bicomponent clusters in the current network context. A bicomponent (also known as is a part of a network that cannot be disconnected by removing only one node (i.e. you need to remove at least two to disconnect it). The result is reported as a list of agentsets, in random order. Note that one turtle can be a member of more than one bicomponent at once.
В исследовании школьной сети с GoogleApps было выделено 2 заметных бикомпоненты:
В первой бикомпоненте более 280 узлов
Компонента слабой связности
Reports the list of «weakly» connected components in the current network context. A weakly connected component is simply a group of nodes where there is a path from each node to every other node. A «strongly» connected component would be one where there is a directed path from each node to every other. The extension does not support the identification of strongly connected components at the moment.
The result is reported as a list of agentsets, in random order. Note that one turtle cannot be a member of more than one weakly connected component at once.
Degree
Мера скорости передачи информации. Как долго будет происходить передача информации от данного узла к другим связанным узлам. Инверсия суммы кратчайших расстояний между каждым узлом и каждым другим узлом в сети. Близость показывает, насколько просто одному узлу связаться с другим узлом. Чем меньше узлов-посредников между текущем узлом и другими узлами, тем ниже показатель близости и выше степень близости. Если узел централен, то он может быстро взаимодействовать с другими узлами.
Центральность (Близость к центру)
Для анализа связей в социальной сети используют различные индивидуальные и групповые показатели, позволяющие оценить степень заметности и влияния акторов друг на друга. Собственно идея центральности вершин в графе, их значения появилась одной из первых в методологии анализа социальных сетей, и напрямую может быть увязана с первыми попытками Дж. Морено выявить самых популярных участников в группе («социометрических звезд»). Позднее эта мера заметности актора в сети стала называться центральностью.
Близость к центру или Степень центральности (Degree centrality) – показывает, кто является наиболее активным узлом в сети. Измеряется количеством связей с другими узлами в сети. Центральность показывает, насколько данный узел близок по отношению к другим узлам в сети. В соответствие с теорией сетей большое количество взаимодействий узла может не только изменить позицию узла в сети, но также и изменить позиции других узлов.
Мера центральности описывает выдающееся положение конкретного узла по сравнению с другими узлами. Средняя мера центральности также известна как централизованная оценка и указывает, насколько плотен граф по отношению к каждому узлу. Есть три показателя центральности: центральность по степени, центральность по близости и центральность по посредничеству.
Центральность по степени
Смысл этой меры основан на допущении, что тот, кто обладает большим количеством связей (отношений) с другими, занимает центральное положение в локальной общности.
Центральность по степени – это отношение количества связей определённого узла к общему количеству других узлов. В случае направленной сети существует две отдельных меры ЦС: входящая (indegree) и исходящая (outdegree). Входящая указывает число связей, направленных к узлу, а исходящая – число связей, направленных от узла. Если ЦС = 1, это указывает на то, что определённый узел связан со всеми остальными узлами сети, в то время как ЦС = 0 указывает на то, что узел изолирован. Так как многие интернет-сети являются направленными, есть определённый смысл в том, чтобы использовать входящую и исходящую центральность по степени. Высокая исходящая центральность по степени указывает на то, что узел является «властным»; это такой тип человека или сайта, который может быстро распространить информацию среди других людей. Высокая входящая центральность по степени указывает, что узел – «знаменитость»; это значит, что за таким типом человека или сайта будет следить много людей. Google.com имеет миллиарды внешних ссылок на другие сайты. Это – власть. YouTube.com имеет относительно немного ссылок на другие сайты, однако, много людей размещают ссылки на YouTube или встраивают его контент на собственные страницы. Это – известность.
Недостатком такой меры является то, что количество социальных контактов зачастую не отражает их качества, а просто свидетельствует о степени общительности индивида.
Если позиция, занимаемая актором-мостом, отличается высокой степенью центральности (degree centrality), то есть он имеет больше прямых связей с акторами, чем другие, он может широко распространять свои коммуникативные темы в тех сплоченных подгруппах, к которым принадлежит, тем самым внося вклад в сближение структуры и состава полей знания соответствующих РКС (распределенная когнитивная система). Чем меньше таких акторов, чем центральнее их позиция, тем больший вклад в обеспечение конгруэнтности полей знания они способны внести. Если же актор-мост в большой мере промежуточно централен (betweenness centrality), то есть чаще других находится на пути от одного актора сети к другому, он может контролировать значительное число информационных потоков между сплоченными подгруппами, членом которых является, а следовательно, ограничивать разнообразие информации. Его ошибки, намеренная дезинформация или необычные, творческие коммуникативные практики способны порождать наиболее отклоняющиеся информационные вариации в полях знания РКС. В случае, когда относительное количество таких акторов и их коммуникаций велико, они усиленно раздражают друг друга и порождают множество отклонений-новаций, а сопряжение между подгруппами сети, по-видимому, усиливается. Если же акторы скорее склонны ограничивать проходящую информацию, то сопряжение, вероятнее всего, будет ослабевать.
Центральность по близости closeness-centrality
Центральность по близости выражает, насколько близко узел расположен к остальным узлам сети. По мнению Фримана, это мера эффективности, так как узел, который является наиболее близким к остальным узлам графа, лучше всех подвержен восприятию новой информации или вируса. Формально центральность по близости выражается как отношение числа других узлов графа к сумме расстояний между определённым узлом и всеми другими. Если БЦ = 1, это означает, что определённый узел связан со всеми другими узлами. Вероятно, что сайты СМИ, которые имеют блог-платформы, такие как Gizmodo.com и DailyKOS.com имеют очень высокий показатель БЦ. Они содержат ссылки на большое количество других сайтов, и многие другие сайты, в свою очередь, ссылаются на них.
Центральность по близости (Closeness centrality) является показателем того, насколько быстро распространяется информация в сети от одного участника к остальным, то есть насколько близок рассматриваемый участник ко всем остальным участникам сети.
Показатель «центральность по близости» (closeness centrality) демонстрирует, насколько легко достичь определенного узла в сети. Если говорить о футболе, то этот показатель позволяет судить, как этот игрок взаимодействует с командой.
Суть его состоит в том, чтобы оценить насколько близок (то есть включен в непосредственное взаимодействие) актор ко всем остальным участникам сети. Для того чтобы иметь высокую степень данного вида центральности, актор должен не просто обладать множеством связей. Важно, чтобы у его друзей и партнеров тоже их было достаточно. Это означает, что актор с высокой степенью центральности по близости через те связи, в которые он включен, получает возможность доступа к большому количеству других участников сети, распространяя свое влияние на них. Не случайно так называемые влиятельные распространители информации имеют высокую степень центральности по близости. Например, если актор знает всех субъектов сети, то степень его центральности будет равна единице
Если речь идет о распространении данных и выявлении информационных потоков в организации, а исследователь заинтересован в поиске акторов, которые могут наиболее эффективно принимать и передавать их, то более всего подходит измерение центральности по близости, поскольку для получения информации нужно быть рядом с остальными. В этом случае акторы, имеющие в среднем более короткую дистанцию до других участников сети, могут наиболее эффективно передавать и получать информацию.
Центральность по посредничеству betweenness-centrality
Групповые показатели центральности
Групповые показатели центральности являются мерами изменчивости или неравенства индивидуальных показателей в графе и показывают насколько различаются акторы по степени индивидуальной центральности. В таком общем понимании групповые индексы по смыслу близки дисперсии (мере разброса). По причинам математического свойства наиболее популярны групповые индексы Фримана по степени, близости или посредничеству. Каждый из этих показателей равен сумме отклонений индивидуальных показателей от максимального наблюдаемого, отнесенной к теоретически возможному максимуму сумм отклонений. Знаменатель получают аналитически. Групповые индексы равны нулю в том случае, когда все индивидуальные показатели равны, и 100, если в графе доминирует одна вершина. В отличие от дисперсии, групповые индексы не зависят от размера графа.
Групповая центральность по посредничеству в NetLogo. Групповая центральность по посредничеству позволяет сравнивать проекты совместной сетевой деятельности независимо от числа участников
Мера центральности по собственному вектору eigenvector-centrality
Центральность по собственному вектору (Eigenvector centrality) демонстрирует зависимость между центральностью участника и центральностями его друзей.
The Eigenvector centrality of a node can be thought of as the amount of influence a node has on a network. In practice, turtles that are connected to a lot of other turtles that are themselves well-connected (and so on) get a higher Eigenvector centrality score.
Черепаха, которая имеет много связей с теми, у кого тоже много связей, имеет высокую центральность по собственному вектору.
Мера центральности по собственному вектору (eigenvector centrality) еще более сложна для вычисления и возможна только с помощью специализированных компьютерных программ. Идея ее измерения основана на принципе «скажи мне, кто твой друг, и я скажу, кто ты». Здесь усилия направлены на то, чтобы найти центральных акторов (то есть с наименьшей удаленностью от других) в условиях глобальной или масштабной, сложной по структуре сети, имеющих множество подгрупп, и преодолеть ограничение моделей, более подходящих для анализа локальных сообществ и сетей.
page-rank
weighted-closeness-centrality
Анализ сплоченных подгрупп
Анализ сплоченных подгрупп. Сплоченность принадлежит к числу основных характеристик социальных групп. В широком смысле она понимается как единство, общность норм и интересов, взаимные симпатии членов группы. Основными индикаторами сплоченности в А.С.С. выступают взаимность и частота контактов акторов, близость и достижимость вершин графа. В разумно больших сетях обычно обнаруживают несколько пересекающихся сплоченных подгрупп. Для аналитика интерес представляют количество, состав, размер, а также степень взаимного пересечения подгрупп. Большинство методов этого раздела разработаны для ненаправленных дихотомических связей, и компьютерные программы анализа сетей приводят социоматрицы к симметричному виду.
Простейшим методом анализа сплоченных подгрупп является идентификация клик. В терминах теории графов это максимальный полный подграф, включающий не менее трех вершин. По определению, все вершины клики связаны между собой, и при добавлении любой другой вершины это свойство теряется. Следует иметь в виду, что в отечественной социальной психологии закрепилось определение клики как сплоченной асоциальной группировки. Понятие клики является чрезмерно строгим, а полученные подмножества акторов неустойчивы: удаление или случайное отсутствие одной связи разрушает клику. Чтобы ослабить это ограничение, были разработаны другие меры сплоченности подгрупп. Они основаны либо на понятии достижимости вершин в подграфе, либо на степени вершины (смежность с другими).
Клика порядка n (n-клика) определена как максимальный подграф, в котором наибольшее расстояние между вершинами не превышает заданной величины n. Основным недостатком этого подхода является то, что наикратчайшие пути между членами n-клики могут проходить через посредников, которые сами не принадлежат сплоченной подгруппе. Это обстоятельство может создавать трудности в интерпретации результатов. Скорректированное понятие называется кланом порядка n. Кланы получают исключением из найденных n-клик подгрупп с диметром (наибольшим из самых коротких расстояний между вершинами), превышающим заданное n. Алгоритм поиска клик и кланов заданного порядка обычно приводит к большим подгруппам.
maximal-cliques
Клика, которая не является подмножеством более крупной клики.
Очень показательная картинка, где в центре основная клика цветом 93.
biggest-maximal-cliques
Получено по команде
Далее мы удаляем всех остальных участников и показываем клики
Мосты (Bridges)
Мост — ребро в теории графов, удаление которого увеличивает число компонент связности. Такие рёбра также известны как разрезающие рёбра, разрезающие дуги или перешейки. Эквивалентное определение — ребро является мостом в том и только в том случае, если оно не содержится ни в одном цикле. Узел соединяющий отдельные части сети называется мостом. Удаление моста разрывает структуру и приводит к росту отдельных узлов. Поиск узлов помогает в понимании наиболее важных отношений и независимых групп.
Анализ социальных сетей в Интернете
Литература
e-social science
Применение социального сетевого анализа
см. Сеть и работы Барабаши
SNA & Education
Analysts in this field have established Social Network Analysis (SNA) as an empirical method to study such social networks and the ties between actors in the network. In recent years, research has been carried out to test and demonstrate the applicability of SNA concepts in online community-based learning environments (Preece, 2000; Wellman, 1997). “Social network analysis (SNA) is the study of social relationships between a set of actors. SNA uses various concepts to evaluate different network properties like centrality, connectivity, and cliques etc, each of which pertain to particular dimensions of the network.” (Rajasekaran & Zaphiris, 2003).
As a method for examining interactions, connectedness and information sharing, SNA has commonly been used in sociology and organizational studies, however, there is a growing interest in applying it to the field of education and online learning (de Laat et al, 2004). Even in the academic settings, SNA is primarily used within faculty settings to determine information sharing patterns and social capital networks.