Analiza wielowarstwowych sieci społecznych
- Autor metody
- Kivela, M.; Boccaletti, S. et al.
- Rok
- 2014
- Typ
- Structural network analysis framework
- Rodzina
- Network science
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Analiza wielowarstwowych sieci społecznych rozszerza klasyczne metody analizy jednowarstwowych sieci na sytuacje, w których aktorzy są połączeni za pomocą wielu, odrębnych typów więzi — takich jak przyjaźń, współpraca zawodowa i interakcje online — jednocześnie.
Modelując każdy typ relacji jako oddzielną warstwę i jawnie reprezentując połączenia między warstwami, uchwycono złożoność strukturalną, którą ukryłaby pojedyncza, zagregowana sieć.
Intuicja stojąca za metodą
W życiu codziennym ludzie są osadzeni w nakładających się sieciach: kolega jest jednocześnie przyjacielem, kontaktem na Twitterze i współautorem. Zredukowanie wszystkich tych więzi do jednego grafu prowadzi do utraty informacji o tym, które więzi działają w jakim kontekście. Analiza wielowarstwowa zachowuje te rozróżnienia, układając typy relacji jako warstwy i łącząc węzeł każdej osoby między warstwami. Pozwala to badaczom zadawać pytania typu: którzy aktorzy są centralni w każdej warstwie, lub jak wpływ propaguje się z jednego typu więzi na inny?
Historia
Formalne ramy matematyczne dla sieci wielowarstwowych zostały skonsolidowane w parze wpływowych artykułów z 2014 roku autorstwa Kiveli i współpracowników oraz Boccalettiego i współpracowników, które zunifikowały wcześniejsze prace nad sieciami multipleksowymi, sieciami zależnymi i modelami sieci-sieci. Podejście wywodzi się z fizyki i nauki o złożoności, a od tego czasu zostało szeroko przyjęte w socjologii, badaniach organizacyjnych, studiach komunikacyjnych i epidemiologii, gdzie wiele typów relacji jest normą, a nie wyjątkiem.
Kiedy stosować
Używaj analizy wielowarstwowych sieci społecznych, gdy aktorzy są osadzeni w wielu, jakościowo odrębnych typach relacji, o których sądzisz, że mają niezależne efekty strukturalne, i gdy ich agregacja w pojedynczy graf zaciemniłaby ważne różnice. Jest to odpowiednie dla zbiorów danych z wyraźnymi tożsamościami warstw — na przykład, więzi online kontra offline, sieci przyjaźni kontra sieci doradztwa, lub komunikacja międzyplatformowa. Preferuj analizę jednowarstwowych sieci społecznych, gdy mierzony jest tylko jeden typ relacji, gdy zbiór danych jest bardzo mały (mniej niż około 30 węzłów), lub gdy pytanie badawcze nie zależy od rozróżnienia typów więzi. Metoda wymaga oprogramowania obsługującego obiekty grafów wielowarstwowych (np. MuxViz, R igraph z atrybutami warstw, narzędzia oparte na NetworkX) i znajomości przez badacza koncepcji centralności wielowarstwowej.
Ograniczenia i uwagi
- Wymaga kompletnych lub prawie kompletnych danych we wszystkich warstwach; brak jednej warstwy wprowadza systematyczne błędy.
- Koszt obliczeniowy rośnie wraz z liczbą warstw i węzłów, co sprawia, że bardzo duże sieci wielowarstwowe są kosztowne w analizie.
- Interpretacja jest bardziej złożona niż w przypadku analizy jednowarstwowej; komunikowanie wyników odbiorcom nietechnicznym wymaga ostrożności.
- Standaryzowane konwencje dotyczące oprogramowania i raportowania wciąż dojrzewają w porównaniu do klasycznej analizy sieci społecznych.
- Małe sieci (poniżej ok. 30 węzłów) często dają niestabilne oszacowania centralności i społeczności w ustawieniu wielowarstwowym.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Uchwycenie pełnej złożoności życia społecznego poprzez zachowanie odrębnych typów relacji zamiast ich spłaszczania.
- Umożliwienie porównania pozycji strukturalnych między warstwami, ujawniając aktorów, którzy są centralni w niektórych kontekstach, a peryferyjni w innych.
- Wykrywanie społeczności między warstwami identyfikuje stabilne grupy społeczne, które utrzymują się w wielu typach relacji.
- Metryki sprzężenia międzywarstwowego kwantyfikują, jak silnie różne konteksty relacyjne współokreślają pozycję społeczną.
- Możliwość rozszerzenia na warianty czasowe i kierunkowe, co czyni ją stosowalną do szerokiego zakresu pytań z zakresu nauk społecznych.
Zastosowania
- Badania organizacyjne analizujące jednocześnie więzi doradcze, przyjacielskie i podległościowe wśród pracowników.
- Badania sieci społecznych online-offline łączące interakcje specyficzne dla platformy z relacjami twarzą w twarz.
- Modelowanie epidemiologiczne rozprzestrzeniania się chorób w warstwach kontaktów zawodowych, domowych i transportowych.
- Badania politologiczne dotyczące tworzenia koalicji w sieciach legislacyjnych, medialnych i lobbingowych.
- Badania naukowe łączące warstwy współautorstwa, cytowań i afiliacji instytucjonalnej.
- Badania komunikacyjne śledzące dyfuzję informacji jednocześnie w wielu platformach mediów społecznościowych.
Jak to działa
Jak to działa
Każdy odrębny typ relacji społecznej jest kodowany jako oddzielna warstwa: graf, którego węzłami są te same zbiory aktorów, ale którego krawędzie odzwierciedlają tylko ten typ relacji. Warstwy mogą reprezentować kanały komunikacji, migawki czasowe lub jakościowo różne typy więzi, takie jak poszukiwanie rad w porównaniu do wsparcia emocjonalnego.
Krawędzie zwane sprzężeniami międzywarstwowymi łączą reprezentację każdego aktora między warstwami, modelując fakt, że ta sama osoba uczestniczy w wielu kontekstach relacyjnych. Sprzężenie może być kategoryczne (ten sam aktor, inna warstwa) lub ważone, aby odzwierciedlić siłę zależności międzywarstwowej.
Standardowe miary centralności — stopień, pośrednictwo, własne — są uogólniane na ustawienie wielowarstwowe, generując wyniki specyficzne dla warstwy i zagregowane. Miary takie jak PageRank wielowarstwowy lub wszechstronność pozwalają na porównanie ważności węzłów w całym systemie, a nie w ramach pojedynczej warstwy.
Algorytmy wykrywania społeczności zaadaptowane do sieci wielowarstwowych identyfikują grupy aktorów, którzy są gęsto połączeni w ramach tych samych społeczności w wielu warstwach jednocześnie. Ujawnia to, czy grupy społeczne są spójne w różnych typach relacji, czy też są fragmentaryczne w zależności od kontekstu.
Wyniki są interpretowane zarówno na poziomie warstwy, jak i w całym systemie wielowarstwowym. Badacze analizują, które warstwy napędzają ogólną strukturę sieci, identyfikują aktorów łączących warstwy i sprawdzają, czy wzorce obserwowalne w jednej warstwie powtarzają się w innych.
Częste pułapki
- Traktowanie wyboru warstw jako nieistotnego — definicja warstwy jest merytoryczną decyzją teoretyczną, która kształtuje wszystkie dalsze wyniki.
- Ignorowanie siły sprzężenia międzywarstwowego i zakładanie niezależności między warstwami bez empirycznego uzasadnienia.
- Używanie zagregowanej (złożonej) centralności jako jedynego wyniku i pomijanie analizy specyficznej dla warstwy.
- Niedokonywanie rozróżnienia między sieciami multipleksowymi (te same węzły, różne typy krawędzi) a sieciami wielopoziomowymi (węzły na różnych poziomach hierarchicznych), które wymagają różnych modeli.
- Raportowanie przypisań społeczności bez walidacji stabilności za pomocą testów permutacji lub sprawdzeń odporności.
Najczęściej zadawane pytania
Jaka jest różnica między siecią wielowarstwową a multipleksową?
Sieć multipleksowa jest szczególnym przypadkiem sieci wielowarstwowej, w której ten sam zbiór węzłów występuje w każdej warstwie, a krawędzie międzywarstwowe łączą każdy węzeł tylko z jego własnym odpowiednikiem w innych warstwach. Sieci wielowarstwowe są bardziej ogólne i pozwalają na różne zbiory węzłów na warstwę oraz dowolne połączenia międzywarstwowe.
Jakiego oprogramowania mogę użyć do analizy wielowarstwowych sieci społecznych?
MuxViz zapewnia interfejs graficzny do wizualizacji i analizy centralności wielowarstwowej. Pakiety R igraph i multinet, a także biblioteki Pythona, takie jak pymnet, obsługują programistyczne tworzenie i analizę sieci wielowarstwowych.
Jak zdecydować, które warstwy uwzględnić?
Wybór warstw powinien być kierowany teorią: uwzględniaj tylko typy relacji, które są koncepcyjnie odrębne i istotne dla pytania badawczego. Dodawanie zbędnych lub silnie skorelowanych warstw rzadko poprawia wgląd i zwiększa złożoność analityczną.
Czy analiza wielowarstwowych sieci społecznych może sobie poradzić z brakującymi danymi w jednej warstwie?
Częściowe braki danych można uwzględnić poprzez ważenie warstw lub stosowanie strategii imputacji, ale systematyczny brak całej warstwy dla podzbioru aktorów wprowadza błędy. Zdecydowanie zaleca się analizy wrażliwości, które wykluczają problematycznych aktorów lub warstwy.
Czy centralność wielowarstwowa jest porównywalna między badaniami?
Nie bezpośrednio, ponieważ wartości centralności zależą od liczby i typu uwzględnionych warstw. Zawsze raportuj strukturę warstw obok wartości centralności i porównuj względne rankingi, a nie surowe wyniki między badaniami.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.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.
Otwórz odnośnik DOISkopiowano.