Análise de Rede Bidirecional
- Proposto por
- Breiger, R. L.
- Ano
- 1974
- Tipo
- Bipartite graph analysis
- Família
- Network science
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A análise de rede bidirecional examina redes construídas a partir de dois tipos distintos de nós — como atores e eventos, autores e artigos, ou empresas e membros de conselho — conectados apenas entre os tipos.
Ao analisar essa estrutura bipartida diretamente ou projetá-la em redes unidirecionais, os pesquisadores descobrem padrões de afiliação, pertencimentos compartilhados e dualidade estrutural que são invisíveis na análise de rede social unidirecional padrão.
A intuição por trás do método
A maioria das redes sociais envolve dois tipos de entidades: pessoas e os grupos, eventos ou artefatos aos quais pertencem. Tratar esses como um único conjunto de nós força conexões falsas entre, digamos, dois autores que nunca coautuaram, mas ambos publicaram na mesma revista. A análise bidirecional mantém ambos os conjuntos separados, respeitando sua verdadeira dualidade. O sociólogo Ronald Breiger formalizou essa percepção em 1974: laços de pertencimento definem simultaneamente co-afiliação pessoa-a-pessoa e co-pertencimento grupo-a-grupo, duas perspectivas complementares sobre os mesmos dados.
História
O artigo de Ronald Breiger de 1974 'The Duality of Persons and Groups' estabeleceu a base teórica para a análise de rede bidirecional, mostrando que a co-participação de atores e a co-participação de grupos são duas visões complementares de uma única estrutura de afiliação. Borgatti e Everett formalizaram o conjunto de ferramentas analíticas em seu artigo de 1997 na Social Networks, estendendo as medidas de centralidade e coesão para grafos bipartidos. A abordagem ganhou amplo uso empírico em estudos de interconexões de conselhos corporativos, colaboração científica e participação em comunidades online, e é rotineiramente implementada em pacotes de software como UCINET, igraph e NetworkX.
Quando usar
Use análise de rede bidirecional quando seus dados registram naturalmente afiliações entre dois tipos distintos de entidades: autores e publicações, pacientes e diagnósticos, diretores e conselhos corporativos, ou palavras e documentos. É o arcabouço apropriado sempre que você quiser entender como a participação em grupos comuns molda a similaridade entre atores, ou como atores moldam a sobreposição de grupos. Não force dados bidirecionais em um arcabouço unidirecional sem reconhecer os artefatos de projeção. Evite-o quando os dois conjuntos de nós não forem conceitualmente distintos, quando a matriz de incidência for extremamente esparsa (a maioria dos atores afiliada a apenas um evento), ou quando a questão de pesquisa se referir a relações entre atores que não são mediadas por pertencimento compartilhado.
Limitações e considerações
- Projeções unidirecionais introduzem inflação de arestas: eventos grandes e populares criam cliques entre todos os seus membros, distorcendo a densidade e a centralidade.
- Muitas rotinas de software AS padrão assumem entrada unidirecional e requerem adaptação ou soluções alternativas para dados bipartidos.
- A interpretação de comunidades simultâneas de atores e eventos requer conhecimento de domínio para rotular e validar os grupos detectados.
- Matrizes de incidência esparsas (atores afiliados a poucos eventos) produzem projeções fragmentadas com alavancagem analítica limitada.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Preserva a dualidade genuína de atores e grupos sem colapsar a estrutura em uma projeção unidirecional com perdas.
- Revela posições estruturais — como intermediários entre grupos de outra forma separados — que são invisíveis na análise unidirecional.
- Aplicável diretamente a dados de afiliação ubíquos: autoria, interconexões de conselhos, co-participação em eventos, co-ocorrência de tags.
- Métricas nativas de grafos bipartidos (por exemplo, coeficiente de agrupamento bipartido) evitam os artefatos de densidade inflada das projeções.
- Teoricamente fundamentado no princípio da dualidade de Breiger, que fornece orientação interpretativa clara.
- Compatível com extensões ponderadas e direcionadas para dados de afiliação mais ricos.
Aplicações
- Redes de coautoria científica derivadas de matrizes de incidência autor-por-artigo.
- Pesquisa em governança corporativa: redes de interconexão diretor-por-conselho.
- Estudos de afiliação política: redes legislador-por-comitê ou político-por-doador.
- Comunidades online: redes de participação usuário-por-fórum ou usuário-por-hashtag.
- Análise bibliométrica: matrizes de afiliação palavra-chave-por-documento ou revista-por-artigo.
- Saúde pública: redes de exposição paciente-por-diagnóstico ou contato-por-local.
Como funciona
Como funciona
Os dados brutos são codificados como uma matriz de incidência binária ou ponderada B de tamanho (atores × eventos/grupos), onde uma entrada é igual a um (ou seu peso) quando um ator pertence ao evento ou grupo correspondente. Nenhuma aresta é desenhada entre dois atores ou dois eventos; todos os laços cruzam a fronteira do tipo, produzindo um grafo bipartido.
Para aplicar medidas padrão de AS (Análise de Redes Sociais), o grafo bipartido é projetado em um ou ambos os conjuntos de nós. Multiplicar B por sua transposta resulta em uma matriz de co-afiliação ator-a-ator cuja entrada A_{ij} conta quantos grupos os atores i e j compartilham. Uma projeção análoga resulta em uma matriz de sobreposição de grupos. Essas projeções unidirecionais permitem cálculos familiares de centralidade e agrupamento.
Fórmula
A_{ij} = \sum_{k} B_{ik} B_{jk}Centralidades de grau, intermediação e proximidade são calculadas diretamente no grafo bipartido (usando algoritmos adaptados para topologia bipartida) ou nos grafos unidirecionais projetados. Medidas de centralidade nativas de grafos bipartidos evitam as distorções introduzidas pela projeção, como densidades artificialmente infladas em eventos grandes.
Algoritmos de detecção de comunidades adaptados para grafos bipartidos — como a maximização de modularidade bipartida — identificam subconjuntos coesos de atores e eventos simultaneamente. Alternativamente, algoritmos clássicos como o Louvain podem ser aplicados à rede unidirecional projetada, embora com alguma perda de informação estrutural.
A rede bipartida observada é comparada com modelos nulos — tipicamente um modelo de configuração que preserva a sequência de graus de ambos os conjuntos de nós — para determinar se as comunidades detectadas, os rankings de centralidade ou os padrões de agrupamento excedem o acaso. A significância estatística pode ser avaliada por meio de testes de permutação ou aproximações analíticas.
Erros comuns
- Projetar para um modo e, em seguida, aplicar AS padrão sem divulgar ou corrigir artefatos de projeção.
- Tratar a contagem de co-afiliação como uma medida direta de força de laço sem normalizar o tamanho do evento (normalização Jaccard ou cosseno é preferível).
- Usar projeções não ponderadas quando dados de frequência ou intensidade de afiliação estão disponíveis, descartando variação significativa.
- Aplicar algoritmos de modularidade projetados para redes unidirecionais a um grafo bipartido sem usar versões apropriadas para grafos bipartidos.
- Ignorar o modelo nulo: relatar agrupamento ou centralidade observada sem comparar com uma linha de base aleatória que preserva a sequência de graus.
Perguntas frequentes
Devo analisar o grafo bipartido diretamente ou projetá-lo primeiro?
A análise bipartida direta preserva mais informações estruturais e evita artefatos de projeção. A projeção para um modo é conveniente para aplicar ferramentas AS familiares, mas infla a densidade e pode criar cliques espúrios entre membros de eventos grandes. Quando viável, use algoritmos nativos de grafos bipartidos e relate os resultados da projeção apenas como uma verificação suplementar.
Como lidar com a heterogeneidade do tamanho do evento em projeções?
Eventos grandes geram arestas entre todos os seus membros, aumentando artificialmente as contagens de co-afiliação. Normalize a matriz projetada usando o índice Jaccard (afiliações compartilhadas divididas pela união) ou similaridade de cosseno antes de calcular a centralidade, para corrigir as diferenças na popularidade do evento.
Qual software suporta análise de rede bidirecional?
igraph (R e Python), NetworkX (Python), UCINET e Gephi suportam grafos bipartidos. A função bipartite.projection() do igraph e o módulo bipartite do NetworkX lidam nativamente com projeção e métricas específicas de grafos bipartidos.
Posso aplicar detecção de comunidades a uma rede bidirecional?
Sim, mas use algoritmos projetados para grafos bipartidos, como a modularidade bipartida de Barber, em vez de Louvain ou Girvan-Newman padrão, que assumem estrutura unidirecional. A detecção de comunidades bipartidas atribui pertencimentos a co-comunidades a ambos os conjuntos de atores e eventos simultaneamente.
A análise bidirecional é apropriada para conjuntos de dados muito pequenos?
Com menos de cerca de 20 atores ou eventos, os rankings de centralidade e as partições de comunidade tornam-se altamente sensíveis a pontos de dados individuais. Testes de significância baseados em permutação são especialmente importantes em tamanhos pequenos, e os resultados devem ser interpretados com cautela.
Métodos relacionados
Fontes
Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.
Abrir referência DOICopiado.Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.
Abrir referência DOICopiado.