การวิเคราะห์เครือข่ายทางสังคม
- ผู้เสนอ
- Moreno, J.L.; formalized by Wasserman & Faust
- ปี
- 1934 (sociometry); 1994 (modern formalization)
- ประเภท
- Structural/relational analysis framework
- กลุ่มวิธี
- Network science
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์เครือข่ายทางสังคม (SNA) เป็นวิธีการเชิงโครงสร้างที่สร้างแผนที่และวัดความสัมพันธ์และการไหลเวียนระหว่างบุคคล กลุ่ม องค์กร หรือหน่วยงานอื่น ๆ ที่ถูกจำลองเป็นโหนดที่เชื่อมต่อกันด้วยเส้นเชื่อม (ขอบ) แทนที่จะมุ่งเน้นที่ลักษณะเฉพาะของแต่ละบุคคล SNA จะเปิดเผยว่ารูปแบบของการเชื่อมต่อส่งผลต่อพฤติกรรม อิทธิพล การไหลของข้อมูล และผลลัพธ์ภายในระบบอย่างไร
แนวคิดเบื้องหลังวิธีการ
งานวิจัยแบบดั้งเดิมปฏิบัติต่อหน่วย (บุคคล องค์กร) ในฐานะกรณีที่เป็นอิสระ SNA ถือว่าการเชื่อมต่อระหว่างหน่วยเหล่านั้นเป็นหน่วยวิเคราะห์หลัก การที่คุณเชื่อมโยงกับใคร — และคุณมีตำแหน่งศูนย์กลางเพียงใดในโครงข่ายความสัมพันธ์ — จะกำหนดข้อมูลที่คุณได้รับ อิทธิพลที่คุณมี และไม่ว่ากลุ่มจะก่อตัวรอบตัวคุณหรือไม่ ด้วยการวาดแผนที่เครือข่าย นักวิจัยสามารถมองเห็นโครงสร้างที่มองไม่เห็น: ตัวกลางที่เชื่อมโยงกลุ่มที่แยกจากกัน ศูนย์กลางที่มีอิทธิพล ขอบนอกที่โดดเดี่ยว และชุมชนที่เหนียวแน่นซึ่งทำหน้าที่เป็นห้องเสียงสะท้อน
ประวัติศาสตร์
การวิเคราะห์เครือข่ายทางสังคมมีรากฐานมาจากมานุษยวิทยาทางสังคม (sociometry) ของ Jacob Moreno ในทศวรรษที่ 1930 และสังคมวิทยาเชิงสัมพันธ์ (relational sociology) ของ Georg Simmel รากฐานทฤษฎีกราฟได้รับการพัฒนาในทศวรรษที่ 1950–1970 โดย Bavelas, Harary และคณะ สาขาวิชานี้ได้รับการรวบรวมโดยตำราสำคัญของ Wasserman และ Faust ในปี 1994 และการก่อตั้งวารสาร Social Networks การเพิ่มขึ้นของแพลตฟอร์มออนไลน์และข้อมูลร่องรอยดิจิทัลหลังปี 2000 กระตุ้นให้เกิดการเติบโตอย่างรวดเร็ว ทำให้ SNA เป็นวิธีการหลักในวิทยาศาสตร์สังคมเชิงคำนวณ
ควรใช้เมื่อใด
ใช้ SNA เมื่อคำถามวิจัยเป็นเรื่องความสัมพันธ์เป็นหลัก — เกี่ยวกับว่าการเชื่อมต่อ การไหล หรือตำแหน่งเชิงโครงสร้างส่งผลต่อผลลัพธ์อย่างไร — และเมื่อสามารถรวบรวมหรือสร้างข้อมูลความสัมพันธ์ (เส้นเชื่อมระหว่างนักแสดง) ได้ เหมาะสำหรับการศึกษาการแพร่กระจายของข้อมูล รูปแบบความร่วมมือ ลำดับชั้นอิทธิพล โครงสร้างองค์กร เครือข่ายการอ้างอิง และความเหนียวแน่นทางสังคม อย่าใช้ SNA เมื่อคุณมีเพียงข้อมูลคุณลักษณะ (ไม่มีข้อมูลเส้นเชื่อม) เมื่อไม่สามารถกำหนดขอบเขตเครือข่ายได้อย่างสมเหตุสมผล เมื่อกลุ่มตัวอย่างเบาบางเกินไปที่จะให้การวัดที่มีความหมาย หรือเมื่อคำถามวิจัยเกี่ยวกับคุณลักษณะระดับบุคคลมากกว่าโครงสร้างความสัมพันธ์
ข้อจำกัดและข้อควรพิจารณา
- การกำหนดขอบเขตเครือข่ายมีความสำคัญและมักมีความคลุมเครือทางทฤษฎี
- การรวบรวมข้อมูลความสัมพันธ์เป็นภาระหนัก การใช้เครื่องมือสร้างชื่อจากการสำรวจประสบปัญหาอคติจากการจำและการไม่ตอบสนอง
- การวัด SNA จำนวนมากสมมติว่าข้อมูลเครือข่ายสมบูรณ์ เส้นเชื่อมที่ขาดหายไปทำให้การประมาณค่าความเป็นศูนย์กลางบิดเบือน
- การวัด SNA มาตรฐานปฏิบัติต่อโหนดว่าเป็นอิสระ ซึ่งละเมิดข้อสมมติฐานความเป็นอิสระที่จำเป็นสำหรับการทดสอบทางสถิติแบบดั้งเดิม
- เครือข่ายขนาดใหญ่ต้องการทรัพยากรคอมพิวเตอร์และซอฟต์แวร์เฉพาะทาง (เช่น igraph, NetworkX, Gephi)
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จับปรากฏการณ์เชิงโครงสร้าง — การเป็นตัวกลาง ความเหนียวแน่น ความเป็นศูนย์กลาง — ที่มองไม่เห็นด้วยวิธีการที่อิงตามคุณลักษณะ
- สามารถนำไปใช้กับหลากหลายสาขา: เครือข่ายทางสังคม องค์กร บรรณานุกรม ชีววิทยา และดิจิทัล
- ชุดการวัดและแบบจำลองที่หลากหลายช่วยให้สามารถวิเคราะห์ทั้งเชิงพรรณนาและเชิงอนุมาน
- บูรณาการเข้ากับเครื่องมือสร้างภาพที่สื่อสารโครงสร้างที่ซับซ้อนได้อย่างชาญฉลาด
- สามารถนำไปใช้กับเครือข่ายขนาดเล็ก (จากการสำรวจ) และขนาดใหญ่มาก (จากการคำนวณ)
- เข้ากันได้กับการขยายผลแบบตามเวลา (longitudinal) และแบบหลายชั้น (multilayer) สำหรับเครือข่ายแบบไดนามิกหรือแบบหลายมิติ (multiplex)
การประยุกต์ใช้
- การสร้างแผนที่เครือข่ายการสื่อสารและการแบ่งปันความรู้ในองค์กร
- การระบุผู้แพร่กระจายที่มีอิทธิพลและคอขวดในการศึกษาการแพร่กระจายของข้อมูล
- การวิเคราะห์เครือข่ายบรรณานุกรมและการเป็นผู้เขียนร่วมในสาขาวิทยาศาสตร์สารสนเทศ (scientometrics)
- การตรวจจับชุมชนในแพลตฟอร์มโซเชียลออนไลน์และข้อมูลร่องรอยดิจิทัล
- การติดตามการสัมผัสทางระบาดวิทยาและการสร้างแบบจำลองการแพร่กระจายของโรค
- การสร้างแผนที่ห่วงโซ่อุปทานและการพึ่งพาอาศัยกันระหว่างองค์กร
วิธีการทำงาน
วิธีการทำงาน
นักวิจัยกำหนดขอบเขตของเครือข่าย (นักแสดงที่รวมอยู่) และประเภทของเส้นเชื่อมที่จะศึกษา — มิตรภาพ การทำงานร่วมกัน การอ้างอิง การขอคำแนะนำ การแลกเปลี่ยนข้อมูล การตัดสินใจเชิงแนวคิดนี้มีความสำคัญ: การกำหนดเส้นเชื่อมที่แตกต่างกันจะสร้างเครือข่ายที่มีโครงสร้างแตกต่างกัน แม้จะมีนักแสดงคนเดียวกันก็ตาม
ข้อมูลความสัมพันธ์ถูกรวบรวมผ่านการสำรวจ (แบบรายการหรือการเรียกคืนชื่อแบบอิสระ) บันทึกจากเอกสาร (การเป็นผู้เขียนร่วม บันทึกอีเมล ข้อมูลธุรกรรม) หรือการสังเกตโดยตรง ผลลัพธ์คือรายการของคู่ลำดับหรือไม่ลำดับ มักมีน้ำหนักเส้นเชื่อมหรือเวลา
เส้นเชื่อมและนักแสดงจะถูกเข้ารหัสเป็นกราฟ G = (V, E) โดยที่ V คือเซตของโหนด และ E คือเซตของขอบ กราฟอาจเป็นแบบไม่มีทิศทางหรือมีทิศทาง แบบไบนารีหรือแบบถ่วงน้ำหนัก เมทริกซ์ประชิด (adjacency matrix) หรือรายการขอบ (edge list) เป็นอินพุตสำหรับการคำนวณทั้งหมดที่ตามมา
สูตร
G = (V, E) \text{ where } V = \text{nodes}, E = \text{edges}การวัดระดับโหนด — ดีกรี (degree) ความเป็นจุดศูนย์กลางตามการผ่าน (betweenness) ความใกล้ชิด (closeness) ความเป็นศูนย์กลางแบบเวกเตอร์ลักษณะเฉพาะ (eigenvector centrality) สัมประสิทธิ์การรวมกลุ่ม (clustering coefficient) — จะถูกคำนวณเพื่ออธิบายตำแหน่งเชิงโครงสร้างของนักแสดงแต่ละคน การวัดระดับกราฟ — ความหนาแน่น (density) เส้นผ่านศูนย์กลาง (diameter) ความยาวเส้นทางเฉลี่ย (average path length) การถ่ายทอด (transitivity) — อธิบายคุณสมบัติเครือข่ายทั่วโลก
อัลกอริทึมการตรวจจับชุมชน (เช่น Louvain, Girvan-Newman) หรือการสร้างบล็อก (blockmodeling) จะระบุกลุ่มย่อย ERGM หรือการถดถอย QAP ทดสอบสมมติฐานเกี่ยวกับการก่อตัวของเส้นเชื่อม การแยกส่วนแกนกลาง-ส่วนรอบนอก (core-periphery) และการแยกส่วนแบบสองส่วน (bipartite decompositions) เผยให้เห็นโครงสร้างระดับมหภาค
ผลการวิเคราะห์โครงสร้างจะถูกตีความตามคำถามเชิงเนื้อหา ความเป็นจุดศูนย์กลางตามการผ่านที่สูงอาจบ่งชี้ถึงการเป็นตัวกลางหรือการควบคุมการเข้าถึง การรวมกลุ่มที่หนาแน่นอาจบ่งชี้ถึงความเหนียวแน่นหรือความซ้ำซ้อน การสร้างภาพ (การจัดวางแบบแรงขับเคลื่อน (force-directed layouts) แผนภาพคอร์ด (chord diagrams)) ช่วยในการสื่อสารผลลัพธ์
ข้อผิดพลาดที่พบบ่อย
- การปฏิบัติต่อค่าการวัด (เช่น ความเป็นจุดศูนย์กลางตามการผ่าน) ว่ามีความหมายโดยไม่ตรวจสอบว่าขอบเขตและการกำหนดเส้นเชื่อมตรงกับคำถามวิจัยหรือไม่
- การใช้การถดถอยแบบธรรมดา (ordinary regression) กับข้อมูลเครือข่ายโดยไม่คำนึงถึงการพึ่งพาของคู่ (dyadic dependence) (ใช้ QAP, ERGM หรือแบบจำลองหลายระดับแทน)
- การตีความความสวยงามของการสร้างภาพ — การวางตำแหน่งโหนดในการจัดวางแบบแรงขับเคลื่อนนั้นเป็นไปตามอำเภอใจ — ว่าสะท้อนถึงระยะทางจริงหรือความสำคัญ
- การผสมปนเปความหนาแน่นกับความเหนียวแน่น หรือความเป็นศูนย์กลางกับความสำคัญโดยไม่มีพื้นฐานทางทฤษฎี
- การละเลยข้อมูลที่ขาดหายไป: แม้แต่เส้นเชื่อมที่ขาดหายไป 10–20% ก็สามารถเปลี่ยนแปลงอันดับความเป็นศูนย์กลางได้อย่างมาก
คำถามที่พบบ่อย
ขนาดเครือข่ายขั้นต่ำสำหรับการวิเคราะห์ SNA ที่มีความหมายคือเท่าใด?
ไม่มีขั้นต่ำที่แน่นอน แต่เครือข่ายขนาดเล็กมาก (น้อยกว่าประมาณ 15 โหนด) ให้การจัดอันดับความเป็นศูนย์กลางที่ไม่เสถียรซึ่งไวต่อการเปลี่ยนแปลงเส้นเชื่อมเดียว SNA เชิงพรรณนาสามารถทำงานบนเครือข่ายขนาดเล็กได้ วิธีการเชิงอนุมานเช่น ERGM ต้องการเครือข่ายที่ใหญ่ขึ้น (โดยทั่วไป 30+ โหนด) เพื่อให้ได้ค่าประมาณที่เสถียร
ฉันสามารถใช้ SNA กับข้อมูลเครือข่ายที่ไม่สมบูรณ์หรือที่ได้จากการสุ่มตัวอย่างได้หรือไม่?
เส้นเชื่อมที่ขาดหายไปเป็นภัยคุกคามร้ายแรงต่อความถูกต้อง กลยุทธ์รวมถึงการวิเคราะห์ความไว (sensitivity analysis) การเติมข้อมูลด้วยการทำนายลิงก์ (link-prediction imputation) หรือการออกแบบเครือข่ายแบบเอก (ego-network designs) ที่ไม่ต้องการข้อมูลเครือข่ายทั้งหมด ควรรายงานขอบเขตของข้อมูลที่ขาดหายไปและทดสอบความทนทานของข้อสรุปหลัก
ฉันจะเลือกระหว่างมาตรวัดความเป็นศูนย์กลางที่แตกต่างกันได้อย่างไร?
การเลือกควรมีแรงจูงใจทางทฤษฎี ความเป็นศูนย์กลางแบบดีกรี (degree centrality) จับกิจกรรมหรือการเปิดรับโดยตรง ความเป็นจุดศูนย์กลางตามการผ่าน (betweenness centrality) จับการเป็นตัวกลางและการควบคุมการไหล ความใกล้ชิด (closeness centrality) จับความเร็วในการเข้าถึงผู้อื่น ความเป็นศูนย์กลางแบบเวกเตอร์ลักษณะเฉพาะ (eigenvector centrality) จับอิทธิพลผ่านการเชื่อมต่อกับผู้มีสถานะสูง แต่ละมาตรวัดตอบคำถามเชิงโครงสร้างที่แตกต่างกัน
ฉันจะทดสอบสมมติฐานทางสถิติใน SNA ได้อย่างไร?
การถดถอยแบบมาตรฐานละเมิดข้อสมมติฐานความเป็นอิสระ ใช้ระเบียบวิธีแบบการสุ่มตัวอย่างซ้ำ (permutation-based methods) (สหสัมพันธ์ QAP และการถดถอย) สำหรับสมมติฐานระดับเส้นเชื่อม หรือแบบจำลองกราฟสุ่มแบบเอกซ์โพเนนเชียล (Exponential Random Graph Models - ERGMs) สำหรับสมมติฐานเชิงโครงสร้างระดับเครือข่าย สำหรับข้อมูลตามเวลา แบบจำลองนักแสดงสุ่ม (Stochastic Actor-Based Models - SAOMs) เหมาะสม
การสร้างภาพเหมือนกับการวิเคราะห์หรือไม่?
ไม่ การสร้างภาพเครือข่ายเป็นเครื่องมือสื่อสาร การวางตำแหน่งโหนดในอัลกอริทึมแบบแรงขับเคลื่อนถูกกำหนดโดยเกณฑ์ความสวยงาม ไม่ใช่โดยความสำคัญเชิงโครงสร้าง ควรรายงานการวัดเชิงปริมาณควบคู่ไปกับการสร้างภาพเสมอ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
ISBN: 978-0-521-38707-1คัดลอกแล้วScott, J. (2017). Social Network Analysis (4th ed.). SAGE Publications.
ISBN: 978-1-4739-5515-1คัดลอกแล้ว