تحليل الشبكات ثنائية النمط
- قدّمه
- Breiger, R. L.
- السنة
- 1974
- النوع
- Bipartite graph analysis
- العائلة
- Network science
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
يُعنى تحليل الشبكات ثنائية النمط بدراسة الشبكات المبنية من نوعين متميزين من العُقد — مثل الفاعلين والأحداث، أو المؤلفين والأوراق البحثية، أو الشركات وأعضاء مجالس الإدارة — حيث تكون الروابط موجودة فقط بين الأنواع. من خلال تحليل هذا الهيكل ثنائي الأجزاء مباشرةً أو إسقاطه على شبكات أحادية النمط، يكشف الباحثون عن أنماط الانتماء، والعضويات المشتركة، والازدواجية الهيكلية التي لا تظهر في تحليل الشبكات الاجتماعية أحادية النمط التقليدي.
الفكرة الحدسية وراء الطريقة
تتضمن معظم الشبكات الاجتماعية نوعين من الكيانات: الأشخاص والمجموعات أو الأحداث أو المصنوعات التي ينتمون إليها. إن التعامل مع هذه الكيانات كمجموعة واحدة من العُقد يفرض روابط خاطئة بين، على سبيل المثال، مؤلفين لم يتعاونا قط ولكنهما نشرا في نفس المجلة. يحافظ التحليل ثنائي النمط على فصل المجموعتين، محترمًا ازدواجيتهما الحقيقية. وقد قام عالم الاجتماع رونالد بريجر (Ronald Breiger) بصياغة هذه الفكرة رسميًا في عام 1974: فالعلاقات العضوية تحدد في آن واحد الانتماء المشترك بين الأشخاص والعضوية المشتركة بين المجموعات، وهما منظورين متكاملين لنفس البيانات.
التاريخ
أرست ورقة رونالد بريجر (Ronald Breiger) عام 1974 بعنوان "ازدواجية الأشخاص والمجموعات" (The Duality of Persons and Groups) الأساس النظري لتحليل الشبكات ثنائية النمط من خلال إظهار أن العضوية المشتركة للفاعلين والعضوية المشتركة للمجموعات هما وجهان متكاملان لهيكل انتماء واحد. وقد قام بورغاتي وإيفريت (Borgatti and Everett) بصياغة مجموعة الأدوات التحليلية في ورقتهما عام 1997 في مجلة "الشبكات الاجتماعية" (Social Networks)، موسعين مقاييس المركزية والتماسك لتشمل الرسوم البيانية ثنائية الأجزاء. اكتسب هذا النهج استخدامًا تجريبيًا واسعًا في دراسات تداخل مجالس إدارة الشركات، والتعاون العلمي، والمشاركة في المجتمعات عبر الإنترنت، ويتم تنفيذه الآن بشكل روتيني في حزم البرامج مثل UCINET و igraph و NetworkX.
متى تُستخدم
استخدم تحليل الشبكات ثنائية النمط عندما تسجل بياناتك بشكل طبيعي الانتماءات بين نوعين متميزين من الكيانات: المؤلفين والمنشورات، المرضى والتشخيصات، المديرين ومجالس الإدارة، أو الكلمات والوثائق. إنه الإطار المناسب كلما أردت فهم كيفية تأثير العضوية في مجموعات مشتركة على تشابه الفاعلين، أو كيفية تأثير الفاعلين على تداخل المجموعات. لا تفرض بيانات ثنائية النمط في إطار أحادي النمط دون الإقرار بآثار الإسقاط. تجنبه عندما لا تكون مجموعتا العُقد متميزتين مفاهيميًا، أو عندما تكون مصفوفة الوقوع متفرقة للغاية (معظم الفاعلين ينتمون إلى حدث واحد فقط)، أو عندما يتعلق سؤال البحث بالعلاقات بين الفاعلين التي لا تتوسطها العضوية المشتركة.
الحدود والاعتبارات
- تُحدث الإسقاطات أحادية النمط تضخمًا في الحواف: الأحداث الكبيرة والشعبية تخلق تكتلات بين جميع أعضائها، مما يشوه الكثافة والمركزية.
- تفترض العديد من إجراءات برامج تحليل الشبكات الاجتماعية (SNA) القياسية مدخلات أحادية النمط وتتطلب التكيف أو الحلول البديلة للبيانات ثنائية الأجزاء.
- يتطلب تفسير مجتمعات الفاعلين والأحداث المتزامنة معرفة بالمجال لتسمية المجموعات المكتشفة والتحقق من صحتها.
- تنتج مصفوفات الوقوع المتفرقة (الفاعلون المرتبطون بعدد قليل جدًا من الأحداث) إسقاطات مجزأة ذات قدرة تحليلية محدودة.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يحافظ على الازدواجية الحقيقية للفاعلين والمجموعات دون انهيار الهيكل إلى إسقاط أحادي النمط يؤدي إلى فقدان البيانات.
- يكشف عن المواقع الهيكلية — مثل الوسطاء بين المجموعات المنفصلة — التي تكون غير مرئية في التحليل أحادي النمط.
- قابل للتطبيق مباشرة على بيانات الانتماء المنتشرة: التأليف المشترك، تداخل مجالس الإدارة، الحضور المشترك للأحداث، التواجد المشترك للعلامات.
- المقاييس الأصلية للشبكات ثنائية الأجزاء (مثل معامل التكتل ثنائي الأجزاء) تتجنب آثار الكثافة المتضخمة الناتجة عن الإسقاطات.
- مؤسس نظريًا على مبدأ الازدواجية لبريجر (Breiger's duality principle)، والذي يوفر توجيهًا تفسيريًا واضحًا.
- متوافق مع الامتدادات المرجحة والموجهة لبيانات الانتماء الأكثر ثراءً.
التطبيقات
- شبكات التأليف العلمي المشترك المستمدة من مصفوفات وقوع المؤلفين حسب الأوراق البحثية.
- أبحاث حوكمة الشركات: شبكات تداخل المديرين حسب مجالس الإدارة.
- دراسات الانتماء السياسي: شبكات المشرعين حسب اللجان أو السياسيين حسب المانحين.
- المجتمعات عبر الإنترنت: شبكات مشاركة المستخدمين حسب المنتديات أو المستخدمين حسب الهاشتاجات.
- التحليل الببليومتري: مصفوفات انتماء الكلمات المفتاحية حسب الوثائق أو المجلات حسب المقالات.
- الصحة العامة: شبكات تعرض المرضى حسب التشخيص أو الاتصال حسب الموقع.
كيف يعمل
كيف يعمل
تُرمّز البيانات الخام كمصفوفة وقوع (incidence matrix) ثنائية أو مرجحة B بحجم (فاعلين × أحداث/مجموعات)، حيث تساوي القيمة المدخلة واحدًا (أو وزنها) عندما ينتمي الفاعل إلى الحدث أو المجموعة المقابلة. لا تُرسَم أي حواف بين فاعلين أو حدثين؛ فجميع الروابط تعبر حدود النوع، مما ينتج عنه رسم بياني ثنائي الأجزاء.
لتطبيق مقاييس تحليل الشبكات الاجتماعية (SNA) القياسية، يُسقط الرسم البياني ثنائي الأجزاء على إحدى مجموعتي العُقد أو كلتيهما. ينتج عن ضرب B في منقولتها مصفوفة انتماء مشترك بين الفاعلين (actor-by-actor co-affiliation matrix) حيث يمثل المدخل A_{ij} عدد المجموعات التي يشترك فيها الفاعلان i و j. وينتج عن إسقاط مماثل مصفوفة تداخل بين المجموعات (group-by-group overlap matrix). تتيح هذه الإسقاطات أحادية النمط حسابات المركزية والتكتل المألوفة.
الصيغة
A_{ij} = \sum_{k} B_{ik} B_{jk}تُحسب مركزية الدرجة (Degree)، والبينية (betweenness)، والقرب (closeness) إما مباشرةً على الرسم البياني ثنائي الأجزاء (باستخدام خوارزميات مكيفة للطبولوجيا ثنائية الأجزاء) أو على الرسوم البيانية أحادية النمط المسقطة. تتجنب مقاييس المركزية الأصلية للشبكات ثنائية الأجزاء التشوهات التي يسببها الإسقاط، مثل الكثافات المتضخمة بشكل مصطنع في الأحداث الكبيرة.
تحدد خوارزميات الكشف عن المجتمعات المكيفة للرسوم البيانية ثنائية الأجزاء — مثل تعظيم المعيارية ثنائية الأجزاء (bipartite modularity maximisation) — مجموعات متماسكة من الفاعلين والأحداث في آن واحد. بدلاً من ذلك، يمكن تطبيق الخوارزميات الكلاسيكية مثل لوفان (Louvain) على الشبكة أحادية النمط المسقطة، على الرغم من فقدان بعض المعلومات الهيكلية.
تُقارن الشبكة ثنائية الأجزاء المرصودة بنماذج العدم (null models) — عادةً نموذج تكوين (configuration model) يحافظ على تسلسل درجات كلتا مجموعتي العُقد — لتحديد ما إذا كانت المجتمعات المكتشفة، أو تصنيفات المركزية، أو أنماط التكتل تتجاوز الصدفة. يمكن تقييم الدلالة الإحصائية عبر اختبارات التبديل (permutation tests) أو التقريبات التحليلية.
الأخطاء الشائعة
- الإسقاط إلى نمط واحد ثم تطبيق تحليل الشبكات الاجتماعية (SNA) القياسي دون الكشف عن آثار الإسقاط أو تصحيحها.
- التعامل مع عدد الانتماء المشترك كمقياس مباشر لقوة الرابط دون تطبيع لحجم الحدث (يُفضل تطبيع جاكارد أو جيب التمام).
- استخدام إسقاطات غير مرجحة عندما تكون بيانات تكرار الانتماء أو شدته متاحة، مما يؤدي إلى تجاهل التباين الهادف.
- تطبيق خوارزميات المعيارية المصممة للشبكات أحادية النمط على رسم بياني ثنائي الأجزاء دون استخدام إصدارات مناسبة للشبكات ثنائية الأجزاء.
- تجاهل نموذج العدم: الإبلاغ عن التكتل أو المركزية المرصودة دون مقارنتها بخط أساس عشوائي يحافظ على تسلسل الدرجات.
الأسئلة الشائعة
هل يجب أن أحلل الرسم البياني ثنائي الأجزاء مباشرة أم أسقطه أولاً؟
يحافظ التحليل المباشر ثنائي الأجزاء على مزيد من المعلومات الهيكلية ويتجنب آثار الإسقاط. الإسقاط إلى نمط واحد مناسب لتطبيق أدوات تحليل الشبكات الاجتماعية (SNA) المألوفة ولكنه يضخم الكثافة ويمكن أن يخلق تكتلات زائفة بين أعضاء الأحداث الكبيرة. عندما يكون ذلك ممكنًا، استخدم الخوارزميات الأصلية للشبكات ثنائية الأجزاء وأبلغ عن نتائج الإسقاط كفحص تكميلي فقط.
كيف أتعامل مع عدم تجانس حجم الحدث في الإسقاطات؟
تولد الأحداث الكبيرة حوافًا بين جميع أعضائها، مما يعزز بشكل مصطنع أعداد الانتماء المشترك. قم بتطبيع المصفوفة المسقطة باستخدام مؤشر جاكارد (Jaccard index) (الانتماءات المشتركة مقسومة على الاتحاد) أو تشابه جيب التمام (cosine similarity) قبل حساب المركزية، لتصحيح الاختلافات في شعبية الأحداث.
ما هي البرامج التي تدعم تحليل الشبكات ثنائية النمط؟
تدعم كل من igraph (R و Python)، و NetworkX (Python)، و UCINET، و Gephi الرسوم البيانية ثنائية الأجزاء. تتعامل دالة bipartite.projection() في igraph ووحدة bipartite في NetworkX مع الإسقاط والمقاييس الخاصة بالشبكات ثنائية الأجزاء بشكل أصلي.
هل يمكنني تطبيق الكشف عن المجتمعات على شبكة ثنائية النمط؟
نعم، ولكن استخدم الخوارزميات المصممة للرسوم البيانية ثنائية الأجزاء، مثل معيارية باربر ثنائية الأجزاء (Barber's bipartite modularity)، بدلاً من لوفان (Louvain) أو جيرفان-نيومان (Girvan-Newman) القياسية، التي تفترض هيكلًا أحادي النمط. يخصص الكشف عن المجتمعات ثنائية الأجزاء عضويات مجتمعية مشتركة لكل من مجموعات الفاعلين والأحداث في آن واحد.
هل التحليل ثنائي النمط مناسب لمجموعات البيانات الصغيرة جدًا؟
مع أقل من حوالي 20 فاعلًا أو حدثًا، تصبح تصنيفات المركزية وتقسيمات المجتمع حساسة للغاية لنقاط البيانات الفردية. اختبارات الدلالة القائمة على التبديل مهمة بشكل خاص في الأحجام الصغيرة، ويجب تفسير النتائج بحذر.
طرق ذات صلة
المصادر
Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.
افتح مرجع DOIتم النسخ.Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.
افتح مرجع DOIتم النسخ.