Analisi delle Reti Sociali
- Introdotto da
- Moreno, J.L.; formalized by Wasserman & Faust
- Anno
- 1934 (sociometry); 1994 (modern formalization)
- Tipo
- Structural/relational analysis framework
- Famiglia
- Network science
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'Analisi delle Reti Sociali (SNA) è un metodo strutturale che mappa e misura le relazioni e i flussi tra persone, gruppi, organizzazioni o altre entità modellate come nodi connessi da legami (archi).
Piuttosto che concentrarsi sugli attributi individuali, l'SNA rivela come il pattern delle connessioni modella il comportamento, l'influenza, il flusso di informazioni e gli esiti all'interno di un sistema.
L’intuizione alla base del metodo
La ricerca tradizionale tratta le unità (persone, organizzazioni) come casi indipendenti. L'SNA tratta le connessioni tra di esse come unità primaria di analisi. Chi è collegato a te — e quanto centralmente ti collochi nella rete di relazioni — modella quali informazioni ricevi, quanta influenza hai e se si formano gruppi attorno a te. Disegnando una mappa di una rete, i ricercatori possono vedere strutture invisibili: broker che collegano cluster disconnessi, hub influenti, periferie isolate e comunità coese che agiscono come camere dell'eco.
Storia
L'analisi delle reti sociali risale alla sociometria di Jacob Moreno negli anni '30 e alla sociologia relazionale di Georg Simmel. Le fondamenta della teoria dei grafi furono sviluppate negli anni '50-'70 da Bavelas, Harary e colleghi. Il campo fu consolidato dal libro di testo fondamentale di Wasserman e Faust nel 1994 e dalla fondazione della rivista Social Networks. L'ascesa delle piattaforme online e dei dati di traccia digitale dopo il 2000 ha innescato una crescita esplosiva, rendendo l'SNA un metodo fondamentale nelle scienze sociali computazionali.
Quando usarlo
Utilizzare l'SNA quando la domanda di ricerca è fondamentalmente relazionale — su come le connessioni, i flussi o le posizioni strutturali modellano gli esiti — e quando i dati relazionali (legami tra attori) possono essere raccolti o ricostruiti. È ben adatta allo studio della diffusione delle informazioni, dei pattern di collaborazione, delle gerarchie di influenza, delle strutture organizzative, delle reti di citazione e della coesione sociale. Non utilizzare l'SNA quando si dispone solo di dati attributivi (nessun dato sui legami), quando il confine della rete non può essere definito ragionevolmente, quando il campione è troppo sparso per produrre metriche significative, o quando la domanda di ricerca riguarda attributi a livello individuale piuttosto che la struttura relazionale.
Limiti e considerazioni
- La specificazione del confine della rete è consequenziale e spesso teoricamente ambigua.
- La raccolta di dati relazionali è onerosa; i generatori di nomi basati su sondaggi soffrono di bias di richiamo e non risposta.
- Molte metriche SNA assumono dati di rete completi; legami mancanti distorcono le stime di centralità.
- Le metriche SNA standard trattano i nodi come indipendenti, violando l'assunzione di indipendenza richiesta dai test statistici classici.
- Le reti di grandi dimensioni richiedono risorse computazionali e software specializzati (ad es., igraph, NetworkX, Gephi).
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Cattura fenomeni strutturali — intermediazione, coesione, centralità — invisibili ai metodi basati sugli attributi.
- Applicabile a domini diversi: reti sociali, organizzative, bibliometriche, biologiche e digitali.
- Una ricca suite di metriche e modelli consente analisi sia descrittive che inferenziali.
- Si integra naturalmente con strumenti di visualizzazione che comunicano la struttura complessa in modo intuitivo.
- Applicabile sia a reti piccole (basate su sondaggi) che molto grandi (computazionali).
- Compatibile con estensioni longitudinali e multilivello per reti dinamiche o multiplex.
Applicazioni
- Mappare le reti di comunicazione e condivisione della conoscenza organizzativa.
- Identificare diffusori influenti e colli di bottiglia negli studi sulla diffusione delle informazioni.
- Analisi delle reti bibliometriche e di co-autorialità in scientometria.
- Rilevamento delle comunità nelle piattaforme di social media online e nei dati di traccia digitale.
- Rintracciamento dei contatti epidemiologici e modellazione della diffusione delle malattie.
- Mappatura delle catene di approvvigionamento e delle dipendenze interorganizzative.
Come funziona
Come funziona
Il ricercatore specifica il confine della rete (quali attori sono inclusi) e il tipo di legame da studiare — amicizia, collaborazione, citazione, richiesta di consiglio, scambio di informazioni. Questa decisione concettuale è sostanziale: definizioni di legame diverse producono reti strutturalmente diverse anche con gli stessi attori.
I dati relazionali vengono raccolti tramite sondaggi (basati su elenchi o generatori di nomi a richiamo libero), registri d'archivio (co-autorialità, log di email, dati di transazione) o osservazione diretta. Il risultato è un elenco di coppie ordinate o non ordinate, spesso con pesi dei legami o timestamp.
I legami e gli attori sono codificati come un grafo G = (V, E) dove V è l'insieme dei nodi e E è l'insieme degli archi. Il grafo può essere non orientato o orientato, binario o pesato. La matrice di adiacenza o l'elenco degli archi è l'input per tutti i calcoli successivi.
Formula
G = (V, E) \text{ where } V = \text{nodes}, E = \text{edges}Metriche a livello di nodo — grado, intermediazione (betweenness), vicinanza (closeness), centralità dell'autovettore (eigenvector centrality), coefficiente di clustering — sono calcolate per caratterizzare la posizione strutturale di ciascun attore. Metriche a livello di grafo — densità, diametro, lunghezza media del percorso, transitività — descrivono le proprietà globali della rete.
Algoritmi di rilevamento delle comunità (ad es., Louvain, Girvan-Newman) o blockmodeling identificano sottogruppi. ERGM o regressione QAP testano ipotesi sulla formazione dei legami. Decomposizioni core-periphery e bipartite rivelano la struttura a macro-livello.
I risultati strutturali sono interpretati alla luce della domanda sostanziale. Un'elevata intermediazione può indicare intermediazione (brokerage) o gatekeeping; cluster densi possono indicare coesione o ridondanza. La visualizzazione (layout a forza, diagrammi a corda) aiuta la comunicazione dei risultati.
Errori comuni
- Trattare i valori delle metriche (ad es., intermediazione) come significativi senza validare che la definizione del confine e del legame corrisponda alla domanda di ricerca.
- Applicare la regressione ordinaria a dati di rete senza tenere conto della dipendenza diadica (utilizzare invece QAP, ERGM o modelli multilivello).
- Interpretare l'estetica della visualizzazione — il posizionamento dei nodi nei layout a forza è arbitrario — come riflesso di distanze o importanza reali.
- Confondere densità con coesione o centralità con importanza senza fondamento teorico.
- Ignorare i dati mancanti: anche il 10-20% di legami mancanti può alterare sostanzialmente le classifiche di centralità.
Domande frequenti
Qual è la dimensione minima della rete per un'SNA significativa?
Non esiste un minimo rigoroso, ma reti molto piccole (meno di circa 15 nodi) producono classifiche di centralità instabili e sensibili a singole modifiche dei legami. L'SNA descrittiva può funzionare su reti piccole; metodi inferenziali come ERGM richiedono reti più grandi (tipicamente 30+ nodi) per stime stabili.
Posso usare l'SNA con dati di rete incompleti o campionati?
I legami mancanti sono una seria minaccia alla validità. Le strategie includono analisi di sensibilità, imputazione tramite predizione di legami o disegni di reti ego che non richiedono dati di rete completi. Riportare l'entità dei dati mancanti e testare la robustezza delle conclusioni chiave.
Come scelgo tra diverse misure di centralità?
La scelta dovrebbe essere teoricamente motivata. La centralità di grado cattura l'attività o l'esposizione diretta; l'intermediazione cattura il brokerage e il controllo sui flussi; la vicinanza cattura la velocità di raggiungimento degli altri; la centralità dell'autovettore cattura l'influenza attraverso connessioni di alto status. Ognuna risponde a una diversa domanda strutturale.
Come posso testare statisticamente le ipotesi nell'SNA?
La regressione standard viola l'assunzione di indipendenza. Utilizzare metodi basati su permutazione (correlazione e regressione QAP) per ipotesi a livello di legame, o Modelli di Grafi Casuali Esponenziali (ERGMs) per ipotesi strutturali a livello di rete. Per dati longitudinali, sono appropriati i Modelli Stocastici Basati sull'Attore (SAOMs).
La visualizzazione è la stessa dell'analisi?
No. La visualizzazione di rete è uno strumento di comunicazione; il posizionamento dei nodi negli algoritmi a forza è determinato da criteri estetici, non da importanza strutturale. Riportare sempre metriche quantitative accanto alle visualizzazioni.
Metodi correlati
Fonti
Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
ISBN: 978-0-521-38707-1Copiato.Scott, J. (2017). Social Network Analysis (4th ed.). SAGE Publications.
ISBN: 978-1-4739-5515-1Copiato.