Skip to content
Назад к результатам поиска

Социальный сетевой анализ

Автор метода
Moreno, J.L.; formalized by Wasserman & Faust
Год
1934 (sociometry); 1994 (modern formalization)
Тип
Structural/relational analysis framework
Семейство
Network science

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Социальный сетевой анализ (ССА) — это структурный метод, который отображает и измеряет отношения и потоки между людьми, группами, организациями или другими сущностями, моделируемыми как узлы, соединенные связями (ребрами).

Вместо того чтобы фокусироваться на индивидуальных атрибутах, ССА выявляет, как структура связей влияет на поведение, влияние, информационные потоки и результаты в системе.

Интуиция метода

Традиционные исследования рассматривают единицы (людей, организации) как независимые случаи. ССА рассматривает связи между ними как основную единицу анализа. То, с кем вы связаны — и насколько центральное место вы занимаете в сети отношений — определяет, какую информацию вы получаете, какое влияние вы имеете и формируются ли вокруг вас группы. Нанося на карту сеть, исследователи могут увидеть невидимые структуры: брокеров, соединяющих несвязанные кластеры, влиятельные узлы, изолированные периферии и тесно связанные сообщества, которые действуют как эхо-камеры.

История

Социальный сетевой анализ восходит к социометрии Джейкоба Морено в 1930-х годах и реляционной социологии Георга Зиммеля. Основы теории графов были разработаны в 1950-х–1970-х годах Бавеласом, Харари и их коллегами. Область была консолидирована новаторским учебником Вассермана и Фауста 1994 года и основанием журнала Social Networks. Рост онлайн-платформ и данных цифровых следов после 2000 года вызвал взрывной рост, сделав ССА основным методом в вычислительных социальных науках.

Когда применять

Используйте ССА, когда исследовательский вопрос является принципиально реляционным — о том, как связи, потоки или структурные позиции влияют на результаты — и когда реляционные данные (связи между акторами) могут быть собраны или реконструированы. Он хорошо подходит для изучения распространения информации, паттернов сотрудничества, иерархий влияния, организационных структур, сетей цитирования и социальной сплоченности. Не используйте ССА, когда у вас есть только атрибутивные данные (нет данных о связях), когда границу сети невозможно разумно определить, когда выборка слишком разрежена для получения значимых метрик, или когда исследовательский вопрос касается атрибутов на индивидуальном уровне, а не реляционной структуры.

Ограничения и замечания

  • Определение границы сети имеет значение и часто является теоретически неоднозначным.
  • Сбор реляционных данных обременителен; генераторы имен на основе опросов страдают от смещения припоминания и неответов.
  • Многие метрики ССА предполагают полные сетевые данные; отсутствующие связи искажают оценки центральности.
  • Стандартные метрики ССА рассматривают узлы как независимые, нарушая предположение о независимости, требуемое классическими статистическими тестами.
  • Большие сети требуют вычислительных ресурсов и специализированного программного обеспечения (например, igraph, NetworkX, Gephi).

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Улавливает структурные явления — брокерство, сплоченность, центральность — невидимые для методов, основанных на атрибутах.
  • Применимо к различным областям: социальные, организационные, библиометрические, биологические и цифровые сети.
  • Богатый набор метрик и моделей позволяет проводить как описательный, так и инференциальный анализ.
  • Естественно интегрируется с инструментами визуализации, которые интуитивно передают сложную структуру.
  • Применимо как к малым (основанным на опросах), так и к очень большим (вычислительным) сетям.
  • Совместимо с продольными и многоуровневыми расширениями для динамических или мультиплексных сетей.

Применение

  • Картографирование сетей организационной коммуникации и обмена знаниями.
  • Идентификация влиятельных распространителей и узких мест в исследованиях диффузии информации.
  • Библиометрический анализ и анализ сетей соавторства в наукометрии.
  • Обнаружение сообществ на онлайн-платформах и в данных цифровых следов.
  • Эпидемиологическое отслеживание контактов и моделирование распространения заболеваний.
  • Картографирование цепочек поставок и межорганизационных зависимостей.

Как это работает

Как это работает

1

Исследователь определяет границу сети (какие акторы включены) и тип изучаемой связи — дружба, сотрудничество, цитирование, поиск совета, обмен информацией. Это концептуальное решение является существенным: разные определения связей порождают структурно разные сети даже при одних и тех же акторах.

2

Данные об отношениях собираются посредством опросов (на основе списков или свободного припоминания имен), архивных записей (соавторство, журналы электронной почты, данные транзакций) или прямого наблюдения. Результатом является список упорядоченных или неупорядоченных пар, часто с весами связей или временными метками.

3

Связи и акторы кодируются как граф G = (V, E), где V — множество узлов, а E — множество ребер. Граф может быть неориентированным или ориентированным, бинарным или взвешенным. Матрица смежности или список ребер являются входными данными для всех последующих вычислений.

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

Метрики на уровне узлов — степень, посредничество, близость, центральность по собственному вектору, коэффициент кластеризации — вычисляются для характеристики структурной позиции каждого актора. Метрики на уровне графа — плотность, диаметр, средняя длина пути, транзитивность — описывают глобальные свойства сети.

5

Алгоритмы обнаружения сообществ (например, Louvain, Girvan-Newman) или блочное моделирование идентифицируют подгруппы. ERGM или QAP-регрессия проверяют гипотезы о формировании связей. Структуры ядро-периферия и бипартные разложения выявляют макроуровневую структуру.

6

Структурные выводы интерпретируются в свете содержательного вопроса. Высокая центральность по посредничеству может указывать на брокерство или контроль доступа; плотные кластеры могут указывать на сплоченность или избыточность. Визуализация (силовые диаграммы, хордовые диаграммы) помогает в представлении результатов.

Частые ошибки

  • Рассмотрение значений метрик (например, центральности по посредничеству) как значимых без проверки соответствия границы и определения связи исследовательскому вопросу.
  • Применение обычной регрессии к сетевым данным без учета диадической зависимости (вместо этого используйте QAP, ERGM или многоуровневые модели).
  • Интерпретация эстетики визуализации — размещение узлов в силовых диаграммах произвольно — как отражение реальных расстояний или важности.
  • Смешение плотности со сплоченностью или центральности с важностью без теоретического обоснования.
  • Игнорирование пропущенных данных: даже 10–20% пропущенных связей могут существенно изменить рейтинги центральности.

Часто задаваемые вопросы

Каков минимальный размер сети для осмысленного ССА?

Строгого минимума нет, но очень маленькие сети (менее ~15 узлов) дают нестабильные рейтинги центральности, чувствительные к изменению одной связи. Описательный ССА может работать на малых сетях; инференциальные методы, такие как ERGM, требуют больших сетей (обычно 30+ узлов) для стабильных оценок.

Могу ли я использовать ССА с неполными или выборочными сетевыми данными?

Отсутствующие связи представляют серьезную угрозу для достоверности. Стратегии включают анализ чувствительности, импутацию на основе прогнозирования связей или дизайн эго-сетей, которые не требуют полных сетевых данных. Сообщайте о степени отсутствия данных и проверяйте устойчивость ключевых выводов.

Как выбрать между различными мерами центральности?

Выбор должен быть теоретически обоснован. Центральность по степени отражает прямую активность или подверженность; центральность по посредничеству отражает брокерство и контроль над потоками; центральность по близости отражает скорость достижения других; центральность по собственному вектору отражает влияние через связи с высоким статусом. Каждая отвечает на свой структурный вопрос.

Как статистически проверить гипотезы в ССА?

Стандартная регрессия нарушает предположение о независимости. Используйте методы, основанные на перестановках (корреляция и регрессия QAP) для гипотез на уровне связей или экспоненциальные модели случайных графов (ERGM) для гипотез о структурных свойствах на уровне сети. Для продольных данных подходят стохастические модели акторов (SAOM).

Является ли визуализация тем же, что и анализ?

Нет. Сетевая визуализация — это инструмент коммуникации; размещение узлов в силовых алгоритмах определяется эстетическими критериями, а не структурной важностью. Всегда сообщайте количественные метрики вместе с визуализациями.

Похожие методы

Источники

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

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

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