Skip to content
بازگشت به نتایج جست‌وجو

تحلیل شبکه اجتماعی

معرفی‌شده توسط
Moreno, J.L.; formalized by Wasserman & Faust
سال
1934 (sociometry); 1994 (modern formalization)
نوع
Structural/relational analysis framework
خانواده
Network science

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل شبکه اجتماعی (SNA) یک روش ساختاری است که روابط و جریان‌ها بین افراد، گروه‌ها، سازمان‌ها یا سایر موجودیت‌هایی را که به صورت گره‌هایی متصل به هم (یال‌ها) مدل‌سازی شده‌اند، ترسیم و اندازه‌گیری می‌کند.

SNA به جای تمرکز بر ویژگی‌های فردی، نشان می‌دهد که چگونه الگوی اتصالات، رفتار، نفوذ، جریان اطلاعات و نتایج را در یک سیستم شکل می‌دهد.

شهود پشت روش

تحقیقات سنتی واحدها (افراد، سازمان‌ها) را به عنوان موارد مستقل در نظر می‌گیرد. SNA اتصالات بین آن‌ها را به عنوان واحد اصلی تحلیل در نظر می‌گیرد. اینکه شما به چه کسی متصل هستید - و چقدر مرکزی در تار عنکبوتی روابط قرار دارید - شکل‌دهنده اطلاعاتی است که دریافت می‌کنید، میزان نفوذ شما و اینکه آیا گروه‌ها در اطراف شما شکل می‌گیرند. با ترسیم نقشه یک شبکه، محققان می‌توانند ساختارهای نامرئی را ببینند: واسطه‌هایی که خوشه‌های جدا شده را به هم متصل می‌کنند، مراکز تأثیرگذار، حاشیه‌های منزوی و جوامع نزدیک که به عنوان اتاق‌های پژواک عمل می‌کنند.

تاریخ

تحلیل شبکه اجتماعی به جامعه‌شناسی یعقوب مورنو در دهه ۱۹۳۰ و جامعه‌شناسی رابطه‌ای گئورگ زیمل بازمی‌گردد. مبانی نظری گراف در دهه‌های ۱۹۵۰-۱۹۷۰ توسط باولاس، هاراری و همکاران توسعه یافت. این حوزه با کتاب درسی برجسته واسرمن و فاست در سال ۱۹۹۴ و تأسیس مجله Social Networks تثبیت شد. ظهور پلتفرم‌های آنلاین و داده‌های ردپای دیجیتال پس از سال ۲۰۰۰ باعث رشد انفجاری شد و SNA را به یک روش اصلی در علوم اجتماعی محاسباتی تبدیل کرد.

چه زمانی استفاده شود

هنگامی که سؤال تحقیق اساساً رابطه‌ای است - در مورد چگونگی شکل‌دهی اتصالات، جریان‌ها یا موقعیت‌های ساختاری به نتایج - و زمانی که داده‌های رابطه‌ای (اتصالات بین بازیگران) قابل جمع‌آوری یا بازسازی هستند، از SNA استفاده کنید. این روش برای مطالعه انتشار اطلاعات، الگوهای همکاری، سلسله مراتب نفوذ، ساختارهای سازمانی، شبکه‌های استناد و انسجام اجتماعی مناسب است. زمانی که فقط داده‌های صفتی دارید (بدون داده‌های اتصال)، زمانی که مرز شبکه به طور منطقی قابل تعریف نیست، زمانی که نمونه برای ارائه معیارهای معنی‌دار بسیار پراکنده است، یا زمانی که سؤال تحقیق در مورد ویژگی‌های سطح فردی به جای ساختار رابطه‌ای است، از SNA استفاده نکنید.

محدودیت‌ها و ملاحظات

  • تعیین مرز شبکه پیامدگذار است و اغلب از نظر نظری مبهم است.
  • جمع‌آوری داده‌های رابطه‌ای دشوار است؛ مولدهای نام مبتنی بر نظرسنجی از سوگیری یادآوری و عدم پاسخ رنج می‌برند.
  • بسیاری از معیارهای SNA داده‌های شبکه کامل را فرض می‌کنند؛ اتصالات گمشده تخمین‌های مرکزیت را تحریف می‌کنند.
  • معیارهای استاندارد SNA گره‌ها را مستقل در نظر می‌گیرند و فرض استقلال مورد نیاز آزمون‌های آماری کلاسیک را نقض می‌کنند.
  • شبکه‌های بزرگ به منابع محاسباتی و نرم‌افزارهای تخصصی (مانند igraph، NetworkX، Gephi) نیاز دارند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • پدیده‌های ساختاری - واسطه‌گری، انسجام، مرکزیت - را که برای روش‌های مبتنی بر صفت نامرئی هستند، ثبت می‌کند.
  • قابل اجرا در حوزه‌های متنوع: شبکه‌های اجتماعی، سازمانی، کتاب‌سنجی، بیولوژیکی و دیجیتال.
  • مجموعه غنی از معیارها و مدل‌ها امکان تحلیل توصیفی و استنباطی را فراهم می‌کند.
  • به طور طبیعی با ابزارهای تجسم که ساختار پیچیده را به طور شهودی منتقل می‌کنند، ادغام می‌شود.
  • برای شبکه‌های کوچک (مبتنی بر نظرسنجی) و بسیار بزرگ (محاسباتی) قابل اجرا است.
  • سازگار با افزونه‌های طولی و چند لایه برای شبکه‌های پویا یا چندوجهی.

کاربردها

  • ترسیم شبکه‌های ارتباطی و اشتراک دانش سازمانی.
  • شناسایی منتشرکنندگان تأثیرگذار و گلوگاه‌ها در مطالعات انتشار اطلاعات.
  • تحلیل شبکه‌های کتاب‌سنجی و هم‌نویسندگی در علم‌سنجی.
  • تشخیص جامعه در پلتفرم‌های اجتماعی آنلاین و داده‌های ردپای دیجیتال.
  • ردیابی تماس اپیدمیولوژیک و مدل‌سازی انتشار بیماری.
  • نقشه‌برداری زنجیره تأمین و وابستگی بین سازمانی.

چگونه کار می‌کند

چگونه کار می‌کند

1

محقق مرز شبکه (کدام بازیگران گنجانده شده‌اند) و نوع اتصال مورد مطالعه - دوستی، همکاری، استناد، درخواست مشاوره، تبادل اطلاعات - را مشخص می‌کند. این تصمیم مفهومی اساسی است: تعاریف مختلف اتصال، شبکه‌های ساختاری متفاوتی را حتی با بازیگران یکسان تولید می‌کنند.

2

داده‌های رابطه‌ای از طریق نظرسنجی‌ها (مبتنی بر فهرست یا یادآوری آزاد نام‌ها)، سوابق بایگانی (هم‌نویسندگی، گزارش‌های ایمیل، داده‌های تراکنش) یا مشاهده مستقیم جمع‌آوری می‌شوند. نتیجه فهرستی از جفت‌های مرتب یا نامرتب است، اغلب با وزن‌های اتصال یا مُهرهای زمانی.

3

یال‌ها و گره‌ها به صورت یک گراف G = (V, E) کدگذاری می‌شوند که در آن V مجموعه گره‌ها و E مجموعه یال‌ها است. گراف می‌تواند بدون جهت یا جهت‌دار، دودویی یا وزنی باشد. ماتریس مجاورت یا لیست یال، ورودی تمام محاسبات بعدی است.

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

معیارهای سطح گره - درجه، بینابینی، نزدیکی، مرکزیت ویژه، ضریب خوشه‌بندی - برای توصیف موقعیت ساختاری هر بازیگر محاسبه می‌شوند. معیارهای سطح گراف - تراکم، قطر، طول مسیر متوسط، ترانزیتی - ویژگی‌های جهانی شبکه را توصیف می‌کنند.

5

الگوریتم‌های تشخیص جامعه (مانند Louvain، Girvan-Newman) یا مدل‌سازی بلوکی زیرگروه‌ها را شناسایی می‌کنند. مدل‌های رگرسیون ERGM یا QAP فرضیه‌ها را در مورد تشکیل اتصال آزمایش می‌کنند. تجزیه هسته-پیرامون و دوتایی ساختار کلان را آشکار می‌کنند.

6

یافته‌های ساختاری در پرتو سؤال اساسی تفسیر می‌شوند. مرکزیت بینابینی بالا ممکن است نشان‌دهنده واسطه‌گری یا دروازه‌بانی باشد؛ خوشه‌های متراکم ممکن است نشان‌دهنده انسجام یا افزونگی باشد. تجسم (چیدمان‌های نیروی جهت‌دار، نمودارهای آکورد) به ارتباط نتایج کمک می‌کند.

دام‌های رایج

  • رفتار با مقادیر معیار (مانند مرکزیت بینابینی) به عنوان معنی‌دار بدون تأیید اینکه تعریف مرز و اتصال با سؤال تحقیق مطابقت دارد.
  • اعمال رگرسیون معمولی بر روی داده‌های شبکه بدون در نظر گرفتن وابستگی دوتایی (به جای آن از مدل‌های QAP، ERGM یا چند سطحی استفاده کنید).
  • تفسیر زیبایی‌شناسی تجسم - قرارگیری گره در چیدمان‌های نیروی جهت‌دار اختیاری است - به عنوان بازتاب فواصل واقعی یا اهمیت.
  • تراکم با انسجام یا مرکزیت با اهمیت بدون مبنای نظری اشتباه گرفته می‌شود.
  • نادیده گرفتن داده‌های گمشده: حتی ۱۰ تا ۲۰ درصد اتصالات گمشده می‌تواند رتبه‌بندی مرکزیت را به طور قابل توجهی تغییر دهد.

پرسش‌های متداول

حداقل اندازه شبکه برای SNA معنی‌دار چقدر است؟

حداقل مشخصی وجود ندارد، اما شبکه‌های بسیار کوچک (کمتر از حدود ۱۵ گره) رتبه‌بندی مرکزیت ناپایدار و حساس به تغییرات تک اتصالی را ارائه می‌دهند. SNA توصیفی می‌تواند روی شبکه‌های کوچک کار کند؛ روش‌های استنباطی مانند ERGM برای تخمین‌های پایدار به شبکه‌های بزرگتر (معمولاً ۳۰+ گره) نیاز دارند.

آیا می‌توانم از SNA با داده‌های شبکه ناقص یا نمونه‌برداری شده استفاده کنم؟

اتصالات گمشده یک تهدید جدی برای اعتبار است. استراتژی‌ها شامل تحلیل حساسیت، درون‌یابی پیش‌بینی پیوند، یا طرح‌های خود-شبکه (ego-network) است که به داده‌های کامل شبکه نیاز ندارند. میزان داده‌های گمشده را گزارش دهید و استحکام نتایج کلیدی را آزمایش کنید.

چگونه بین معیارهای مختلف مرکزیت انتخاب کنم؟

انتخاب باید از نظر نظری هدایت شود. مرکزیت درجه فعالیت یا مواجهه مستقیم را ثبت می‌کند؛ مرکزیت بینابینی واسطه‌گری و کنترل جریان‌ها را ثبت می‌کند؛ مرکزیت نزدیکی سرعت رسیدن به دیگران را ثبت می‌کند؛ مرکزیت ویژه نفوذ از طریق ارتباطات با وضعیت بالا را ثبت می‌کند. هر کدام به یک سؤال ساختاری متفاوت پاسخ می‌دهند.

چگونه فرضیه‌ها را از نظر آماری در SNA آزمایش کنم؟

رگرسیون استاندارد فرض استقلال را نقض می‌کند. از روش‌های مبتنی بر جایگشت (همبستگی QAP و رگرسیون) برای فرضیه‌های سطح اتصال، یا از مدل‌های گراف تصادفی نمایی (ERGMs) برای فرضیه‌های ساختاری سطح شبکه استفاده کنید. برای داده‌های طولی، مدل‌های بازیگر تصادفی (SAOMs) مناسب هستند.

آیا تجسم همان تحلیل است؟

خیر. تجسم شبکه یک ابزار ارتباطی است؛ قرارگیری گره در الگوریتم‌های نیروی جهت‌دار توسط معیارهای زیبایی‌شناختی تعیین می‌شود، نه اهمیت ساختاری. همیشه معیارهای کمی را در کنار تجسم‌ها گزارش دهید.

روش‌های مرتبط

منابع

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

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

    شابک: 978-1-4739-5515-1
    کپی شد.