การวิเคราะห์เครือข่ายสังคมแบบถ่วงน้ำหนัก
- ผู้เสนอ
- Barrat, A.; Opsahl, T. et al.
- ปี
- 2004–2010
- ประเภท
- Network analysis framework
- กลุ่มวิธี
- Network science
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์เครือข่ายสังคมแบบถ่วงน้ำหนัก (Weighted Social Network Analysis - WSNA) เป็นการขยายขอบเขตของการวิเคราะห์เครือข่ายสังคมแบบดั้งเดิม (Social Network Analysis - SNA) โดยการกำหนดค่าตัวเลข หรือน้ำหนัก ให้กับความสัมพันธ์ระหว่างผู้แสดง (actors) เพื่อสะท้อนความเข้มแข็งของความสัมพันธ์ ความถี่ของการมีปฏิสัมพันธ์ หรือการไหลของทรัพยากร แทนที่จะพิจารณาการเชื่อมโยงทั้งหมดว่ามีความสำคัญเท่ากัน WSNA ช่วยเปิดเผยว่าใครดำรงตำแหน่งที่มีอิทธิพลพิเศษ โดยอาศัยความเข้มข้น ไม่ใช่เพียงแค่การมีอยู่ของความสัมพันธ์นั้นๆ
แนวคิดเบื้องหลังวิธีการ
SNA แบบดั้งเดิมตั้งคำถามว่า ใครเชื่อมโยงกับใคร? ส่วน WSNA เพิ่มเติมว่า เชื่อมโยงกัน 'มากน้อยเพียงใด'? ผู้ร่วมงานสองคนที่เขียนบทความร่วมกันสิบฉบับ ย่อมมีตำแหน่งเชิงโครงสร้างที่แตกต่างจากผู้ร่วมงานสองคนที่อ้างอิงถึงกันเพียงครั้งเดียว น้ำหนักจะเข้ารหัสความแตกต่างนั้น จากนั้นมาตรวัดความเป็นศูนย์กลาง (centrality measures) และอัลกอริทึมการตรวจจับกลุ่ม (community-detection algorithms) ทุกตัวจะถูกปรับให้ปฏิบัติต่อการเชื่อมโยงที่มีค่าสิบ ว่ามีความสำคัญเป็นสิบเท่าของการเชื่อมโยงที่มีค่าหนึ่งอย่างแท้จริง ซึ่งจะให้ผลการจัดอันดับและการจัดกลุ่มที่สอดคล้องกับอิทธิพลที่แท้จริงและความเหนียวแน่นของกลุ่มได้ดียิ่งขึ้น
ประวัติศาสตร์
การจัดการเครือข่ายถ่วงน้ำหนักอย่างเป็นทางการในสาขาฟิสิกส์และวิทยาศาสตร์เครือข่ายได้รับการก่อตั้งโดย Barrat, Barthélemy, Pastor-Satorras, และ Vespignani (2004) ซึ่งได้นำเสนอความแข็งแรงของโหนดและค่าสัมประสิทธิ์การรวมกลุ่มแบบถ่วงน้ำหนักสำหรับเครือข่ายเชิงประจักษ์ขนาดใหญ่ Opsahl, Agneessens, และ Skvoretz (2010) ได้นำแนวคิดเหล่านี้เข้ามาสู่การวิเคราะห์เครือข่ายสังคมอย่างชัดเจน โดยการทำให้มาตรวัดระดับขั้นและระยะทางเส้นทางที่สั้นที่สุดเป็นรูปแบบทั่วไปด้วยพารามิเตอร์น้ำหนักที่ปรับได้ ทำให้ WSNA กลายเป็นเครื่องมือมาตรฐานสำหรับนักสังคมวิทยาและนักวิจัยด้านองค์กร
ควรใช้เมื่อใด
ใช้ WSNA เมื่อข้อมูลมีข้อมูลความเข้มแข็งของความสัมพันธ์ตามธรรมชาติ เช่น ปริมาณอีเมล การทำธุรกรรมทางการเงิน จำนวนการทำงานร่วมกัน ความใกล้ชิดที่รายงานจากการสำรวจ และเมื่อการปฏิบัติต่อความสัมพันธ์ทั้งหมดว่าเท่าเทียมกันจะทำให้สูญเสียความแปรปรวนที่สำคัญในการวิเคราะห์ มีประโยชน์อย่างยิ่งในการศึกษาการแพร่กระจาย การจัดสรรทรัพยากร และอิทธิพลในองค์กร เครือข่ายความร่วมมือ และชุมชนออนไลน์ อย่าใช้เมื่อไม่มีน้ำหนัก ขาดการประมาณค่าอย่างเป็นระบบ หรือเมื่อคำถามวิจัยเกี่ยวข้องเพียงแค่การเข้าถึงได้ (reachability) หรือการเชื่อมต่อแบบไบนารี ในกรณีเหล่านั้น SNA แบบธรรมดาหรือมาตรวัดความเป็นศูนย์กลางแบบไบนารีจะเหมาะสมกว่าและมีเหตุผลสนับสนุนได้ง่ายกว่า
ข้อจำกัดและข้อควรพิจารณา
- ต้องการข้อมูลน้ำหนักเชิงตัวเลขที่น่าเชื่อถือ น้ำหนักที่เป็นลำดับขั้นหรือไม่ชัดเจนจะทำให้ตัวชี้วัดคลาดเคลื่อน
- การตีความมีความซับซ้อนมากขึ้น โหนดที่มีความสัมพันธ์น้อยแต่มีน้ำหนักมากจะแตกต่างจากโหนดที่มีความสัมพันธ์มากแต่น้ำหนักปานกลาง ในลักษณะที่ขึ้นอยู่กับบริบทการวิจัย
- การปรับมาตรฐานน้ำหนักระหว่างแหล่งข้อมูลหรือช่วงเวลาที่แตกต่างกันต้องอาศัยการให้เหตุผลอย่างรอบคอบ
- ต้นทุนการคำนวณสำหรับอัลกอริทึมเส้นทางที่สั้นที่สุดแบบถ่วงน้ำหนักจะเพิ่มขึ้นตามขนาดเครือข่าย
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จับความเข้มแข็งของความสัมพันธ์และความเข้มข้นของการมีปฏิสัมพันธ์ เผยให้เห็นเส้นทางที่เคลื่อนไหวมากที่สุดของเครือข่าย
- การจัดอันดับความเป็นศูนย์กลางแบบถ่วงน้ำหนักสามารถคาดการณ์อิทธิพลที่แท้จริง การไหลของทรัพยากร และการแพร่กระจายของข้อมูลได้ดีกว่าแบบไบนารี
- การตรวจจับกลุ่มแบบถ่วงน้ำหนักสามารถค้นหากลุ่มที่มีปฏิสัมพันธ์กันอย่างหนาแน่น ซึ่งการวัดความเหนียวแน่นแบบไบนารีอาจมองข้ามไป
- เข้ากันได้กับเครื่องมือ SNA มาตรฐาน (igraph, NetworkX, Gephi) ผ่านพารามิเตอร์น้ำหนักอย่างง่าย
- สามารถปรับขนาดให้รองรับเครือข่ายขนาดใหญ่ได้โดยไม่ต้องเปลี่ยนแปลงวิธีการพื้นฐาน
การประยุกต์ใช้
- เครือข่ายการสื่อสารในองค์กร: การระบุผู้ประสานงานหลักตามปริมาณอีเมลหรือการติดต่อในการประชุม
- ความร่วมมือทางวิทยาศาสตร์: การจัดอันดับนักวิจัยตามความเข้มข้นของการทำงานร่วมกัน แทนที่จะนับจำนวนการทำงานร่วมกันดิบ
- เครือข่ายทางการเงิน: การติดตามความเสี่ยงเชิงระบบผ่านการไหลของการให้กู้ยืมระหว่างธนาคารแบบถ่วงน้ำหนัก
- ชุมชนออนไลน์: การตรวจจับกลุ่มย่อยที่เหนียวแน่นตามความเข้มข้นของการมีปฏิสัมพันธ์ของผู้ใช้
- ระบาดวิทยา: การสร้างแบบจำลองการแพร่กระจายของโรคตามเครือข่ายการสัมผัสที่ถ่วงน้ำหนักตามระยะเวลาการสัมผัส
- การขนส่งและโลจิสติกส์: การเพิ่มประสิทธิภาพเส้นทางในเครือข่ายที่น้ำหนักของเส้นเชื่อมแสดงถึงความจุหรือต้นทุน
วิธีการทำงาน
วิธีการทำงาน
สร้างกราฟถ่วงน้ำหนัก G = (V, E, W) โดยที่แต่ละเส้นเชื่อม (i, j) จะมีน้ำหนักเป็นจำนวนจริง w_ij ซึ่งแสดงถึงความเข้มแข็งของความสัมพันธ์ เช่น ความถี่ของการติดต่อ การไหลของเงิน จำนวนการทำงานร่วมกัน หรือการวัดความสัมพันธ์แบบต่อเนื่องอื่นๆ เมทริกซ์ประชิด (adjacency matrix) ที่ได้จึงไม่เป็นเพียงแค่ไบนารีอีกต่อไป โดยค่าที่อยู่นอกแนวทแยงมุมจะเก็บค่าน้ำหนัก
ตัวชี้วัดเครือข่ายมาตรฐานจะถูกทำให้เป็นรูปแบบทั่วไปเพื่อรวมน้ำหนักเข้าไปด้วย ความแข็งแรงของโหนด (node strength) s_i (ผลรวมของน้ำหนักทั้งหมดบนเส้นเชื่อมของโหนด) จะเข้ามาแทนที่ระดับขั้น (degree) แบบไบนารี ค่าความเป็นศูนย์กลางแบบถ่วงน้ำหนัก ทั้งระหว่างกลาง (betweenness) ความใกล้ชิด (closeness) และค่าลักษณะเฉพาะของเวกเตอร์ (eigenvector centrality) จะใช้วิธีการคำนวณระยะทางเส้นทางที่สั้นที่สุดจากค่าผกผันของน้ำหนัก เพื่อให้ความสัมพันธ์ที่เข้มแข็งถูกนับเป็นระยะทางที่สั้นกว่า ค่าสัมประสิทธิ์การรวมกลุ่มแบบถ่วงน้ำหนัก (weighted clustering coefficient) จะวัดว่าเพื่อนบ้านของโหนดมีการปฏิสัมพันธ์กันเองมากน้อยเพียงใด
สูตร
s_i = \sum_{j} w_{ij}อัลกอริทึมการตรวจจับกลุ่ม เช่น วิธี Louvain จะปรับฟังก์ชันความเหนียวแน่นแบบถ่วงน้ำหนัก (weighted modularity) Q ให้เหมาะสม ซึ่งจะให้คะแนนกับการเชื่อมโยงที่มีน้ำหนักสูงภายในกลุ่ม และหักคะแนนกับการเชื่อมโยงดังกล่าวระหว่างกลุ่ม ผลลัพธ์ของการแบ่งกลุ่มจะจัดกลุ่มผู้แสดงที่มีความสัมพันธ์ที่เข้มข้น ไม่ใช่เพียงแค่มีความสัมพันธ์ใดๆ
ผลลัพธ์จะถูกตีความในเชิงโครงสร้าง: ศูนย์กลางที่มีความสัมพันธ์เข้มแข็งเป็นผู้ประสานงานของการแลกเปลี่ยนที่เข้มข้น ไม่ใช่เพียงแค่ผู้เชื่อมต่อที่บ่อยครั้ง สถิติความหนาแน่นและความเหนียวแน่นจะถูกคำนวณใหม่บนเมทริกซ์ถ่วงน้ำหนัก การแสดงภาพจะปรับขนาดความหนาของเส้นเชื่อมตามน้ำหนัก ทำให้สถาปัตยกรรมของกราฟย่อยที่มีความสัมพันธ์เข้มแข็งมองเห็นได้ทันที
ข้อผิดพลาดที่พบบ่อย
- การใช้นับจำนวนดิบ (เช่น จำนวนอีเมล) โดยไม่ปรับมาตรฐานตามช่วงเวลาการสังเกตหรือกิจกรรมของโหนด ซึ่งจะทำให้น้ำหนักของนักแสดงที่มีปริมาณมากเกินจริง
- การละเลยการกระจายตัวของน้ำหนัก เมื่อน้ำหนักส่วนใหญ่ใกล้เคียงกัน ตัวชี้วัดแบบถ่วงน้ำหนักจะเพิ่มสัญญาณรบกวนแทนที่จะเป็นสัญญาณ
- การปะปนน้ำหนักกับความสำคัญโดยไม่มีเหตุผลสนับสนุนเชิงเนื้อหาสำหรับรูปแบบการให้น้ำหนัก
- การแสดงภาพเครือข่ายถ่วงน้ำหนักที่หนาแน่นโดยไม่กรองเส้นเชื่อมน้ำหนักต่ำ ซึ่งจะทำให้เกิดกราฟที่อ่านไม่ออก (hairball graphs)
- การใช้วิธีการวัดแบบถ่วงน้ำหนักกับข้อมูลที่เป็นไบนารีโดยธรรมชาติ (เช่น ความสัมพันธ์เชิงโครงสร้างที่เป็นทางการ)
คำถามที่พบบ่อย
ฉันต้องการข้อมูลประเภทใดสำหรับการวิเคราะห์เครือข่ายสังคมแบบถ่วงน้ำหนัก?
คุณต้องการชุดข้อมูลความสัมพันธ์ที่ความสัมพันธ์แต่ละรายการระหว่างผู้แสดงสองคนมีค่าตัวเลข เช่น จำนวนครั้งของการมีปฏิสัมพันธ์ คะแนนความใกล้ชิดที่รายงานจากการสำรวจ การไหลของเงิน หรือการวัดความสัมพันธ์แบบต่อเนื่องอื่นๆ รายการเส้นเชื่อมอย่างง่ายที่มีสามคอลัมน์ (ต้นทาง, ปลายทาง, น้ำหนัก) ก็เพียงพอสำหรับเครื่องมือส่วนใหญ่
ฉันจะเลือกรูปแบบการให้น้ำหนักได้อย่างไร?
รูปแบบการให้น้ำหนักควรมีแรงจูงใจทางทฤษฎี การนับจำนวนเหตุการณ์ดิบเป็นตัวเลือกที่พบบ่อยที่สุด แต่ควรปรับมาตรฐานตามความยาวของหน้าต่างการสังเกต เมื่อน้ำหนักมาจากแบบสำรวจ (เช่น คะแนนความใกล้ชิด 1-5) ให้พิจารณาว่ามาตรวัดนั้นเป็นแบบช่วง (interval) หรือลำดับขั้น (ordinal) ก่อนที่จะนำไปใช้ในการดำเนินการทางคณิตศาสตร์
การวิเคราะห์เครือข่ายสังคมแบบถ่วงน้ำหนักดีกว่าแบบไบนารีหรือไม่?
ไม่เสมอไป มันให้ข้อมูลมากกว่าเมื่อความเข้มแข็งของความสัมพันธ์มีความสำคัญต่อคำถามวิจัย และเมื่อน้ำหนักถูกวัดอย่างน่าเชื่อถือ เมื่อเป้าหมายคือการวิเคราะห์การเข้าถึงได้ หรือเมื่อน้ำหนักวัดได้ไม่ดี การวิเคราะห์แบบไบนารีจะง่ายกว่าและหลีกเลี่ยงการเพิ่มสัญญาณรบกวนจากการวัด
ซอฟต์แวร์ใดรองรับการวิเคราะห์เครือข่ายสังคมแบบถ่วงน้ำหนัก?
igraph (R และ Python), NetworkX (Python) และ Gephi รองรับกราฟถ่วงน้ำหนักโดยธรรมชาติ แพ็กเกจ tnet ใน R ได้รับการออกแบบมาโดยเฉพาะสำหรับเครือข่ายถ่วงน้ำหนักและเครือข่ายสองโหมดตามกรอบแนวคิดของ Opsahl และคณะ
ฉันจะแสดงภาพเครือข่ายถ่วงน้ำหนักโดยไม่ให้เกิดกราฟที่อ่านยากได้อย่างไร?
ใช้เกณฑ์ขั้นต่ำ (threshold) ของน้ำหนักเพื่อเก็บเฉพาะเส้นเชื่อมที่มีค่าสูงกว่าค่าตัดที่สมเหตุสมผล หรือใช้ต้นไม้ทอดข้ามที่น้อยที่สุด (minimum spanning tree) เพื่อรักษาโครงสร้างหลัก ปรับขนาดความหนาและความทึบของเส้นเชื่อมตามน้ำหนัก และใช้อัลกอริทึมการตรวจจับกลุ่มเพื่อกำหนดสีโหนดตามกลุ่ม เพื่อให้โครงสร้างปรากฏให้เห็นอย่างชัดเจน
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Barrat, A., Barthélemy, M., Pastor-Satorras, R., & Vespignani, A. (2004). The architecture of complex weighted networks. Proceedings of the National Academy of Sciences, 101(11), 3747–3752.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วOpsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว