Zum Inhalt springen
Zurück zu den Suchergebnissen

Multilayer Social Network Analysis

Eingeführt von
Kivela, M.; Boccaletti, S. et al.
Jahr
2014
Typ
Structural network analysis framework
Familie
Network science

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Multilayer Social Network Analysis erweitert klassische einlagige Netzwerkmethoden auf Kontexte, in denen Akteure gleichzeitig durch mehrere, unterschiedliche Arten von Verbindungen – wie Freundschaft, berufliche Zusammenarbeit und Online-Interaktion – miteinander verbunden sind.

Durch die Modellierung jeder Beziehungsart als separate Schicht und die explizite Darstellung von Verbindungen zwischen den Schichten erfasst sie eine strukturelle Komplexität, die ein einziges aggregiertes Netzwerk verbergen würde.

Die Intuition hinter der Methode

Im täglichen Leben sind Menschen in überlappende Netzwerke eingebettet: Ein Kollege ist auch ein Freund, ein Twitter-Kontakt und ein Co-Autor. Beim Zusammenführen all dieser Verbindungen in einem einzigen Graphen geht die Information verloren, welche Verbindungen in welchem Kontext bestehen. Die Multilayer-Analyse bewahrt diese Unterscheidungen, indem sie die Beziehungstypen als Schichten stapelt und die Knoten jedes Individuums über die Schichten hinweg verbindet. Dies ermöglicht es Forschern, Fragen zu stellen wie: Welche Akteure sind in jeder Schicht zentral, oder wie breitet sich Einfluss von einer Verbindungsart auf eine andere aus?

Geschichte

Der formale mathematische Rahmen für Multilayer-Netzwerke wurde in zwei einflussreichen Arbeiten von Kivela et al. und Boccaletti et al. aus dem Jahr 2014 konsolidiert, die frühere Arbeiten zu multiplexen Netzwerken, interdependenten Netzwerken und Netzwerk-von-Netzwerken-Modellen vereinigten. Der Ansatz entwickelte sich aus der Physik und der Komplexitätswissenschaft und wurde seitdem in der Soziologie, der Organisationsforschung, den Kommunikationswissenschaften und der Epidemiologie weit verbreitet, wo multiple Beziehungstypen die Norm und nicht die Ausnahme darstellen.

Wann wird sie eingesetzt?

Verwenden Sie Multilayer Social Network Analysis, wenn Akteure in mehreren, qualitativ unterschiedlichen Beziehungstypen eingebettet sind, von denen Sie glauben, dass sie unabhängige strukturelle Auswirkungen haben, und wenn deren Zusammenfassung zu einem einzigen Graphen wichtige Variationen verdecken würde. Sie eignet sich für Datensätze mit klaren Schichtidentitäten – zum Beispiel Online- versus Offline-Verbindungen, Freundschafts- versus Beratungsnetzwerke oder plattformübergreifende Kommunikation. Bevorzugen Sie Single-Layer SNA, wenn nur ein Beziehungstyp gemessen wird, wenn der Datensatz sehr klein ist (weniger als etwa 30 Knoten) oder wenn die Forschungsfrage nicht von der Unterscheidung von Verbindungstypen abhängt. Die Methode erfordert Software, die Multilayer-Graph-Objekte unterstützt (z. B. MuxViz, R igraph mit Schichtattributen, NetworkX-basierte Tools) und Vertrautheit des Forschers mit Multilayer-Zentralitätskonzepten.

Grenzen und Hinweise

  • Erfordert vollständige oder nahezu vollständige Daten über alle Schichten hinweg; das Fehlen einer Schicht führt zu systematischen Verzerrungen.
  • Die Rechenkosten steigen mit der Anzahl der Schichten und Knoten, was die Analyse sehr großer Multilayer-Netzwerke teuer macht.
  • Die Interpretation ist komplexer als bei Single-Layer SNA; die Kommunikation von Ergebnissen an nicht-technische Zielgruppen erfordert Sorgfalt.
  • Standardisierte Software- und Berichtsstandards sind im Vergleich zur klassischen SNA noch in der Entwicklung.
  • Kleine Netzwerke (weniger als ca. 30 Knoten) liefern im Multilayer-Kontext oft instabile Zentralitäts- und Gemeinschaftsschätzungen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Erfasst die volle Komplexität des sozialen Lebens, indem unterschiedliche Beziehungstypen erhalten bleiben, anstatt sie zu vereinfachen.
  • Ermöglicht den Vergleich von strukturellen Positionen über Schichten hinweg und deckt Akteure auf, die in einigen Kontexten zentral und in anderen peripher sind.
  • Die Gemeinschaftserkennung über Schichten hinweg identifiziert robuste soziale Gruppierungen, die über mehrere Beziehungstypen hinweg bestehen.
  • Inter-Schicht-Kopplungsmetriken quantifizieren, wie stark unterschiedliche Beziehungskontexte die soziale Position mitbestimmen.
  • Erweiterbar auf zeitliche und gerichtete Varianten, wodurch sie auf eine breite Palette von sozialwissenschaftlichen Fragen anwendbar ist.

Anwendungen

  • Organisationsforschung, die gleichzeitig Beratungs-, Freundschafts- und Berichtswege unter Mitarbeitern untersucht.
  • Online-Offline-Sozialnetzwerkstudien, die plattformspezifische Interaktionen mit persönlichen Beziehungen verknüpfen.
  • Epidemiologische Modellierung der Krankheitsausbreitung über Kontaktnetze von Kollegen, Haushalten und Transportmitteln.
  • Politikwissenschaftliche Forschung zur Koalitionsbildung über legislative, mediale und Lobby-Netzwerke.
  • Wissenschaftsstudien, die Schichten von Co-Autorschaft, Zitaten und institutioneller Zugehörigkeit kombinieren.
  • Kommunikationswissenschaftliche Studien zur gleichzeitigen Verfolgung der Informationsdiffusion über mehrere Social-Media-Plattformen hinweg.

So funktioniert es

So funktioniert es

1

Jede unterschiedliche Art von sozialer Beziehung wird als separate Schicht kodiert: ein Graph, dessen Knoten aus derselben Menge von Akteuren bestehen, dessen Kanten jedoch nur diesen Beziehungstyp widerspiegeln. Schichten können Kommunikationskanäle, zeitliche Momentaufnahmen oder qualitativ unterschiedliche Verbindungstypen wie Ratsuche versus emotionale Unterstützung darstellen.

2

Kanten, die als interschichtige Kopplungen bezeichnet werden, verbinden die Darstellung jedes Akteurs über die Schichten hinweg und modellieren die Tatsache, dass dieselbe Person an mehreren Beziehungskontexten teilnimmt. Die Kopplung kann kategorial sein (derselbe Akteur, andere Schicht) oder gewichtet, um die Stärke der Abhängigkeit zwischen den Schichten widerzuspiegeln.

3

Standard-Zentralitätsmaße – Grad, Betweenness, Eigenvektor – werden auf den Multilayer-Kontext verallgemeinert und liefern schichtspezifische und aggregierte Werte. Maße wie Multilayer PageRank oder Vielseitigkeit ermöglichen den Vergleich der Bedeutung von Knoten im Gesamtsystem und nicht nur innerhalb einer einzelnen Schicht.

4

Algorithmen zur Gemeinschaftserkennung, die für Multilayer-Netzwerke angepasst wurden, identifizieren Gruppen von Akteuren, die innerhalb derselben Gemeinschaft über mehrere Schichten hinweg gleichzeitig dicht verbunden sind. Dies zeigt, ob soziale Gruppierungen über Beziehungstypen hinweg konsistent sind oder kontextabhängig fragmentiert sind.

5

Die Ergebnisse werden sowohl auf Schichtebene als auch für das gesamte Multilayer-System interpretiert. Forscher untersuchen, welche Schichten die Gesamtstruktur des Netzwerks bestimmen, identifizieren Akteure, die Schichten verbinden, und testen, ob Muster, die in einer Schicht beobachtbar sind, in anderen repliziert werden.

Häufige Fallstricke

  • Die Wahl der Schichten wird als unwesentlich behandelt – die Schichtdefinition ist eine inhaltliche theoretische Entscheidung, die alle nachfolgenden Ergebnisse beeinflusst.
  • Das Ignorieren der Stärke der interschichtigen Kopplung und die Annahme von Unabhängigkeit zwischen den Schichten ohne empirische Rechtfertigung.
  • Die Verwendung von aggregierter (zusammengefasster) Zentralität als einziges Ergebnis und das Weglassen der schichtspezifischen Analyse.
  • Das Nichtunterscheiden zwischen multiplexen Netzwerken (gleiche Knoten, unterschiedliche Kantentypen) und multiskalaren Netzwerken (Knoten auf verschiedenen hierarchischen Ebenen), die unterschiedliche Modelle erfordern.
  • Das Berichten von Gemeinschaftszuweisungen ohne Validierung der Stabilität durch Permutationstests oder Robustheitsprüfungen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem Multilayer- und einem Multiplex-Netzwerk?

Ein Multiplex-Netzwerk ist ein Spezialfall eines Multilayer-Netzwerks, bei dem dieselbe Menge von Knoten in jeder Schicht vorkommt und interschichtige Kanten jeden Knoten nur mit seinem eigenen Gegenstück in anderen Schichten verbinden. Multilayer-Netzwerke sind allgemeiner und erlauben unterschiedliche Knotensätze pro Schicht und beliebige interschichtige Verbindungen.

Welche Software kann ich für Multilayer Social Network Analysis verwenden?

MuxViz bietet eine grafische Benutzeroberfläche für Multilayer-Visualisierung und -Zentralität. Die R-Pakete igraph und multinet sowie Python-Bibliotheken wie pymnet unterstützen die programmatische Erstellung und Analyse von Multilayer-Netzwerken.

Wie entscheide ich, welche Schichten einzuschließen sind?

Die Schichtauswahl sollte von der Theorie geleitet werden: Nur Beziehungstypen einbeziehen, die konzeptionell unterschiedlich und für die Forschungsfrage relevant sind. Das Hinzufügen redundanter oder stark korrelierter Schichten verbessert selten die Einsicht und erhöht die analytische Komplexität.

Kann Multilayer SNA fehlende Daten in einer Schicht verarbeiten?

Teilweise fehlende Daten können durch Gewichtung von Schichten oder durch Verwendung von Imputationsstrategien berücksichtigt werden, aber die systematische Abwesenheit einer ganzen Schicht für eine Teilmenge von Akteuren führt zu Verzerrungen. Sensitivitätsanalysen, die problematische Akteure oder Schichten ausschließen, werden dringend empfohlen.

Ist Multilayer-Zentralität über Studien hinweg vergleichbar?

Nicht direkt, da die Zentralitätswerte von der Anzahl und Art der enthaltenen Schichten abhängen. Berichten Sie immer die Schichtstruktur neben den Zentralitätswerten und vergleichen Sie relative Ränge anstelle von Rohwerten über Studien hinweg.

Verwandte Methoden

Quellen

  1. Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203–271.

    DOI-Referenz öffnen
    Kopiert.
  2. Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122.

    DOI-Referenz öffnen
    Kopiert.