Skip to content
Voltar aos resultados

Análise de Redes Sociais

Proposto por
Moreno, J.L.; formalized by Wasserman & Faust
Ano
1934 (sociometry); 1994 (modern formalization)
Tipo
Structural/relational analysis framework
Família
Network science

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A Análise de Redes Sociais (SNA) é um método estrutural que mapeia e mede relações e fluxos entre pessoas, grupos, organizações ou outras entidades modeladas como nós conectados por laços (arestas).

Em vez de focar em atributos individuais, a SNA revela como o padrão de conexões molda o comportamento, a influência, o fluxo de informações e os resultados dentro de um sistema.

A intuição por trás do método

A pesquisa tradicional trata as unidades (pessoas, organizações) como casos independentes. A SNA trata as conexões entre elas como a unidade primária de análise. A quem você está ligado — e quão central você está na teia de relacionamentos — molda as informações que você recebe, a influência que você tem e se grupos se formam ao seu redor. Ao desenhar um mapa de uma rede, os pesquisadores podem ver estruturas invisíveis: corretores que conectam clusters desconectados, hubs influentes, periferias isoladas e comunidades unidas que atuam como câmaras de eco.

História

A análise de redes sociais remonta à sociometria de Jacob Moreno na década de 1930 e à sociologia relacional de Georg Simmel. Os fundamentos da teoria dos grafos foram desenvolvidos nas décadas de 1950–1970 por Bavelas, Harary e colegas. O campo foi consolidado pelo livro didático marcante de Wasserman e Faust de 1994 e pela fundação do periódico Social Networks. O surgimento de plataformas online e dados de rastreamento digital após 2000 desencadeou um crescimento explosivo, tornando a SNA um método central na ciência social computacional.

Quando usar

Use a SNA quando a questão de pesquisa é fundamentalmente relacional — sobre como as conexões, fluxos ou posições estruturais moldam os resultados — e quando dados relacionais (laços entre atores) podem ser coletados ou reconstruídos. É bem adequada para estudar a difusão de informações, padrões de colaboração, hierarquias de influência, estruturas organizacionais, redes de citação e coesão social. Não use a SNA quando você tem apenas dados de atributos (sem dados de laços), quando o limite da rede não pode ser razoavelmente definido, quando a amostra é muito esparsa para produzir métricas significativas, ou quando a questão de pesquisa é sobre atributos em nível individual, em vez de estrutura relacional.

Limitações e considerações

  • A especificação do limite da rede é consequente e frequentemente teoricamente ambígua.
  • A coleta de dados relacionais é onerosa; geradores de nomes baseados em pesquisa sofrem de viés de recordação e não-resposta.
  • Muitas métricas da SNA assumem dados de rede completos; laços ausentes distorcem as estimativas de centralidade.
  • As métricas padrão da SNA tratam os nós como independentes, violando a suposição de independência exigida pelos testes estatísticos clássicos.
  • Grandes redes exigem recursos computacionais e software especializado (por exemplo, igraph, NetworkX, Gephi).

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Captura fenômenos estruturais — corretagem, coesão, centralidade — invisíveis para métodos baseados em atributos.
  • Aplicável a diversos domínios: redes sociais, organizacionais, bibliométricas, biológicas e digitais.
  • Rico conjunto de métricas e modelos permite análises descritivas e inferenciais.
  • Integra-se naturalmente com ferramentas de visualização que comunicam a estrutura complexa de forma intuitiva.
  • Aplicável a redes pequenas (baseadas em pesquisa) e muito grandes (computacionais).
  • Compatível com extensões longitudinais e multicamadas para redes dinâmicas ou multiplexas.

Aplicações

  • Mapeamento de redes de comunicação organizacional e compartilhamento de conhecimento.
  • Identificação de disseminadores influentes e gargalos em estudos de difusão de informações.
  • Análise de redes bibliométricas e de coautoria em cientometria.
  • Detecção de comunidades em plataformas sociais online e dados de rastreamento digital.
  • Rastreamento de contatos epidemiológicos e modelagem da propagação de doenças.
  • Mapeamento da cadeia de suprimentos e dependência interorganizacional.

Como funciona

Como funciona

1

O pesquisador especifica o limite da rede (quais atores são incluídos) e o tipo de laço a ser estudado — amizade, colaboração, citação, busca de conselhos, troca de informações. Essa decisão conceitual é substantiva: diferentes definições de laços produzem redes estruturalmente diferentes, mesmo com os mesmos atores.

2

Dados relacionais são coletados por meio de pesquisas (geradores de nomes baseados em lista ou de recordação livre), registros de arquivo (coautoria, logs de e-mail, dados de transação) ou observação direta. O resultado é uma lista de pares ordenados ou não ordenados, frequentemente com pesos de laços ou carimbos de data/hora.

3

Laços e atores são codificados como um grafo G = (V, E), onde V é o conjunto de nós e E é o conjunto de arestas. O grafo pode ser não direcionado ou direcionado, binário ou ponderado. A matriz de adjacência ou lista de arestas é a entrada para todos os cálculos subsequentes.

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

Métricas de nível de nó — grau, intermediação, proximidade, centralidade de autovetor, coeficiente de agrupamento — são calculadas para caracterizar a posição estrutural de cada ator. Métricas de nível de grafo — densidade, diâmetro, comprimento médio do caminho, transitividade — descrevem propriedades globais da rede.

5

Algoritmos de detecção de comunidade (por exemplo, Louvain, Girvan-Newman) ou modelagem de blocos identificam subgrupos. ERGMs ou regressão QAP testam hipóteses sobre a formação de laços. Decomposições de núcleo-periferia e bipartidas revelam a estrutura em nível macro.

6

Os achados estruturais são interpretados à luz da questão substantiva. Alta centralidade de intermediação pode indicar corretagem ou gatekeeping; clusters densos podem indicar coesão ou redundância. A visualização (layouts de força-dirigida, diagramas de cordas) auxilia na comunicação dos resultados.

Erros comuns

  • Tratar valores métricos (por exemplo, centralidade de intermediação) como significativos sem validar que o limite e a definição do laço correspondem à questão de pesquisa.
  • Aplicar regressão ordinária a dados de rede sem considerar a dependência diádica (use QAP, ERGM ou modelos multinível em vez disso).
  • Interpretar a estética da visualização — o posicionamento dos nós em layouts de força-dirigida é arbitrário — como reflexo de distâncias ou importância reais.
  • Confundir densidade com coesão ou centralidade com importância sem fundamentação teórica.
  • Ignorar dados ausentes: mesmo 10–20% de laços ausentes podem alterar substancialmente as classificações de centralidade.

Perguntas frequentes

Qual é o tamanho mínimo de rede para uma SNA significativa?

Não há um mínimo estrito, mas redes muito pequenas (menos de ~15 nós) produzem classificações de centralidade instáveis, sensíveis a mudanças de um único laço. A SNA descritiva pode funcionar em redes pequenas; métodos inferenciais como ERGM exigem redes maiores (tipicamente mais de 30 nós) para estimativas estáveis.

Posso usar a SNA com dados de rede incompletos ou amostrados?

Laços ausentes são uma séria ameaça à validade. As estratégias incluem análise de sensibilidade, imputação por predição de laços ou designs de rede ego que não exigem dados de rede completos. Relate a extensão da ausência e teste a robustez das principais conclusões.

Como escolho entre diferentes medidas de centralidade?

A escolha deve ser teoricamente motivada. A centralidade de grau captura atividade direta ou exposição; a centralidade de intermediação captura corretagem e controle sobre fluxos; a centralidade de proximidade captura a velocidade de alcançar outros; a centralidade de autovetor captura influência através de conexões de alto status. Cada uma responde a uma questão estrutural diferente.

Como testo hipóteses estatisticamente na SNA?

A regressão padrão viola a suposição de independência. Use métodos baseados em permutação (correlação e regressão QAP) para hipóteses em nível de laço, ou Modelos de Grafo Aleatório Exponencial (ERGMs) para hipóteses estruturais em nível de rede. Para dados longitudinais, Modelos Estocásticos Baseados em Atores (SAOMs) são apropriados.

A visualização é o mesmo que a análise?

Não. A visualização de rede é uma ferramenta de comunicação; o posicionamento dos nós em algoritmos de força-dirigida é determinado por critérios estéticos, não por importância estrutural. Sempre relate métricas quantitativas juntamente com as visualizações.

Métodos relacionados

Fontes

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

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

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