Zum Inhalt springen
Zurück zu den Suchergebnissen

Analyse sozialer Netzwerke

Eingeführt von
Moreno, J.L.; formalized by Wasserman & Faust
Jahr
1934 (sociometry); 1994 (modern formalization)
Typ
Structural/relational analysis framework
Familie
Network science

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

Schriftgröße

Was leistet sie?

Die Analyse sozialer Netzwerke (SNA) ist eine strukturelle Methode, die Beziehungen und Flüsse zwischen Personen, Gruppen, Organisationen oder anderen Entitäten abbildet und misst, die als Knotenpunkte modelliert und durch Verbindungen (Kanten) miteinander verbunden sind.

Anstatt sich auf individuelle Attribute zu konzentrieren, deckt SNA auf, wie das Muster der Verbindungen Verhalten, Einfluss, Informationsfluss und Ergebnisse innerhalb eines Systems prägt.

Die Intuition hinter der Methode

Traditionelle Forschung behandelt Einheiten (Personen, Organisationen) als unabhängige Fälle. SNA behandelt die Verbindungen zwischen ihnen als primäre Analyseeinheit. Wer mit wem verbunden ist – und wie zentral man im Beziehungsgeflecht sitzt – prägt, welche Informationen man erhält, wie viel Einfluss man hat und ob sich Gruppen um einen bilden. Durch die Erstellung einer Netzwerkarte können Forscher unsichtbare Strukturen erkennen: Vermittler, die getrennte Cluster überbrücken, einflussreiche Knotenpunkte, isolierte Peripherien und eng verbundene Gemeinschaften, die als Echokammern fungieren.

Geschichte

Die Analyse sozialer Netzwerke hat ihre Wurzeln in Jacob Morenos Soziometrie in den 1930er Jahren und Georg Simmels relationaler Soziologie. Graphentheoretische Grundlagen wurden in den 1950er–1970er Jahren von Bavelas, Harary und Kollegen entwickelt. Das Feld wurde durch das wegweisende Lehrbuch von Wasserman und Faust (1994) und die Gründung der Zeitschrift Social Networks gefestigt. Der Aufstieg von Online-Plattformen und digitalen Spuren nach 2000 löste ein explosives Wachstum aus, das SNA zu einer Kernmethode der computergestützten Sozialwissenschaften machte.

Wann wird sie eingesetzt?

Nutzen Sie SNA, wenn die Forschungsfrage grundlegend relational ist – darüber, wie Verbindungen, Flüsse oder strukturelle Positionen Ergebnisse prägen – und wenn relationale Daten (Verbindungen zwischen Akteuren) gesammelt oder rekonstruiert werden können. Sie eignet sich gut für die Untersuchung von Informationsdiffusion, Kooperationsmustern, Einfluss-Hierarchien, Organisationsstrukturen, Zitationsnetzwerken und sozialer Kohäsion. Verwenden Sie SNA nicht, wenn Sie nur Attributdaten (keine Verbindungsdaten) haben, wenn die Netzwerkgrenze nicht sinnvoll definiert werden kann, wenn die Stichprobe zu spärlich ist, um aussagekräftige Metriken zu liefern, oder wenn die Forschungsfrage individuelle Attribute und nicht die relationale Struktur betrifft.

Grenzen und Hinweise

  • Die Spezifikation der Netzwerkgrenze ist bedeutsam und oft theoretisch mehrdeutig.
  • Die Erhebung relationaler Daten ist aufwendig; umfragebasierte Namensgeneratoren leiden unter Erinnerungsverzerrungen und Non-Response.
  • Viele SNA-Metriken setzen vollständige Netzwerkdaten voraus; fehlende Verbindungen verzerren Zentralitätsschätzungen.
  • Standard-SNA-Metriken behandeln Knoten als unabhängig, was die für klassische statistische Tests erforderliche Unabhängigkeitsannahme verletzt.
  • Große Netzwerke erfordern Rechenressourcen und spezialisierte Software (z. B. igraph, NetworkX, Gephi).

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

Stärken

  • Erfasst strukturelle Phänomene – Vermittlung, Kohäsion, Zentralität –, die für attributbasierte Methoden unsichtbar sind.
  • Anwendbar auf diverse Domänen: soziale, organisationale, bibliometrische, biologische und digitale Netzwerke.
  • Umfangreiche Suite von Metriken und Modellen ermöglicht sowohl deskriptive als auch inferentielle Analysen.
  • Integriert sich natürlich mit Visualisierungswerkzeugen, die komplexe Strukturen intuitiv kommunizieren.
  • Anwendbar auf kleine (umfragebasierte) und sehr große (computergestützte) Netzwerke.
  • Kompatibel mit Längs- und Mehrschicht-Erweiterungen für dynamische oder multiplexe Netzwerke.

Anwendungen

  • Abbildung von Kommunikations- und Wissensaustauschnetzwerken in Organisationen.
  • Identifizierung einflussreicher Verbreiter und Engpässe in Studien zur Informationsdiffusion.
  • Bibliometrische und Ko-Autorenschafts-Netzwerkanalyse in der Scientometrie.
  • Gemeinschaftserkennung in Online-Sozialplattformen und digitalen Spuren.
  • Epidemiologische Kontaktverfolgung und Modellierung von Krankheitsausbreitungen.
  • Abbildung von Lieferketten und interorganisationalen Abhängigkeiten.

So funktioniert es

So funktioniert es

1

Der Forscher legt die Grenze des Netzwerks fest (welche Akteure einbezogen werden) und die Art der zu untersuchenden Verbindung – Freundschaft, Zusammenarbeit, Zitation, Ratssuche, Informationsaustausch. Diese konzeptionelle Entscheidung ist substanziell: Unterschiedliche Verbindungsdefinitionen ergeben strukturell unterschiedliche Netzwerke, selbst bei denselben Akteuren.

2

Relationale Daten werden durch Umfragen (Roster-basiert oder freie Namensgeneratoren), Archivaufzeichnungen (Ko-Autorenschaft, E-Mail-Protokolle, Transaktionsdaten) oder direkte Beobachtung erhoben. Das Ergebnis ist eine Liste geordneter oder ungeordneter Paare, oft mit Verbindungsgewichten oder Zeitstempeln.

3

Verbindungen und Akteure werden als Graph G = (V, E) kodiert, wobei V die Menge der Knoten und E die Menge der Kanten ist. Der Graph kann ungerichtet oder gerichtet, binär oder gewichtet sein. Die Adjazenzmatrix oder die Kantenliste ist die Eingabe für alle nachfolgenden Berechnungen.

Formel
G = (V, E) \text{ where } V = \text{nodes}, E = \text{edges}
4

Knotenbezogene Metriken – Grad, Zwischenzentralität, Nähe, Eigenvektorzentralität, Clusterkoeffizient – werden berechnet, um die strukturelle Position jedes Akteurs zu charakterisieren. Graphbezogene Metriken – Dichte, Durchmesser, durchschnittliche Pfadlänge, Transitivität – beschreiben globale Netzwerkeigenschaften.

5

Algorithmen zur Gemeinschaftserkennung (z. B. Louvain, Girvan-Newman) oder Blockmodellierung identifizieren Untergruppen. ERGM oder QAP-Regression testen Hypothesen über die Entstehung von Verbindungen. Kern-Peripherie- und bipartitive Zerlegungen decken Makrostrukturen auf.

6

Strukturelle Befunde werden im Lichte der inhaltlichen Fragestellung interpretiert. Hohe Zwischenzentralität kann Vermittlung oder Gatekeeping anzeigen; dichte Cluster können Kohäsion oder Redundanz anzeigen. Visualisierung (kraftbasierte Layouts, Akkorddiagramme) unterstützt die Kommunikation von Ergebnissen.

Häufige Fallstricke

  • Behandlung von Metrikwerten (z. B. Zwischenzentralität) als bedeutsam, ohne zu validieren, dass die Grenz- und Verbindungsdefinition zur Forschungsfrage passen.
  • Anwendung von Ordinary Regression auf Netzwerkdaten ohne Berücksichtigung der dyadischen Abhängigkeit (verwenden Sie stattdessen QAP, ERGM oder Mehrebenenmodelle).
  • Interpretation von Visualisierungsästhetik – die Knotenplatzierung in kraftbasierten Layouts ist willkürlich – als Spiegelung realer Distanzen oder Wichtigkeit.
  • Vermischung von Dichte mit Kohäsion oder Zentralität mit Wichtigkeit ohne theoretische Begründung.
  • Ignorieren fehlender Daten: Selbst 10–20 % fehlende Verbindungen können Zentralitätsrankings erheblich verändern.

Häufig gestellte Fragen

Was ist die minimale Netzwerkgröße für eine sinnvolle SNA?

Es gibt keine strikte Mindestgröße, aber sehr kleine Netzwerke (weniger als ca. 15 Knoten) ergeben instabile Zentralitätsrankings, die empfindlich auf einzelne Verbindungsänderungen reagieren. Deskriptive SNA kann auf kleinen Netzwerken funktionieren; inferentielle Methoden wie ERGM erfordern größere Netzwerke (typischerweise 30+ Knoten) für stabile Schätzungen.

Kann ich SNA mit unvollständigen oder stichprobenartigen Netzwerkdaten verwenden?

Fehlende Verbindungen sind eine ernste Bedrohung für die Validität. Strategien umfassen Sensitivitätsanalysen, Imputation durch Link-Vorhersage oder Ego-Netzwerk-Designs, die keine vollständigen Netzwerkdaten erfordern. Berichten Sie das Ausmaß der fehlenden Daten und testen Sie die Robustheit der wichtigsten Schlussfolgerungen.

Wie wähle ich zwischen verschiedenen Zentralitätsmaßen?

Die Wahl sollte theoretisch motiviert sein. Gradzentralität erfasst direkte Aktivität oder Exposition; Zwischenzentralität erfasst Vermittlung und Kontrolle über Flüsse; Nähezentralität erfasst die Geschwindigkeit, mit der andere erreicht werden; Eigenvektorzentralität erfasst Einfluss durch Verbindungen zu hochrangigen Akteuren. Jede beantwortet eine andere strukturelle Frage.

Wie teste ich Hypothesen statistisch in SNA?

Standardregression verletzt die Unabhängigkeitsannahme. Verwenden Sie permutationsbasierte Methoden (QAP-Korrelation und -Regression) für Hypothesen auf Verbindungsebene oder Exponential Random Graph Models (ERGMs) für Hypothesen über die Netzwerkstruktur. Für Längsschnittdaten sind Stochastic Actor-Based Models (SAOMs) geeignet.

Ist Visualisierung dasselbe wie Analyse?

Nein. Netzwerkvisualisierung ist ein Kommunikationswerkzeug; die Knotenplatzierung in kraftbasierten Algorithmen wird durch ästhetische Kriterien bestimmt, nicht durch strukturelle Wichtigkeit. Berichten Sie immer quantitative Metriken neben Visualisierungen.

Verwandte Methoden

Quellen

  1. Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.

    ISBN: 978-0-521-38707-1
    Kopiert.
  2. Scott, J. (2017). Social Network Analysis (4th ed.). SAGE Publications.

    ISBN: 978-1-4739-5515-1
    Kopiert.