Sosyal Ağ Analizi
- Ortaya koyan
- Moreno, J.L.; formalized by Wasserman & Faust
- Yıl
- 1934 (sociometry); 1994 (modern formalization)
- Tür
- Structural/relational analysis framework
- Aile
- Network science
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Sosyal Ağ Analizi (SAA), insanlar, gruplar, organizasyonlar veya düğüm olarak modellenen ve bağlarla (kenarlar) birbirine bağlanan diğer varlıklar arasındaki ilişkileri ve akışları haritalandıran ve ölçen yapısal bir yöntemdir.
Bireysel özelliklere odaklanmak yerine, SAA, bağlantı örüntüsünün bir sistem içindeki davranışı, etkiyi, bilgi akışını ve sonuçları nasıl şekillendirdiğini ortaya koyar.
Yöntemin mantığı
Geleneksel araştırmalar, birimleri (insanlar, organizasyonlar) bağımsız vakalar olarak ele alır. SAA, aralarındaki bağlantıları birincil analiz birimi olarak kabul eder. Kiminle bağlantılı olduğunuz ve ilişkiler ağında ne kadar merkezi bir konumda bulunduğunuz, hangi bilgiyi aldığınızı, ne kadar etkiye sahip olduğunuzu ve etrafınızda grupların oluşup oluşmadığını şekillendirir. Bir ağın haritasını çizerek, araştırmacılar görünmez yapıları görebilirler: bağlantısız kümeler arasında köprü kuran aracılar, etkili merkezler, izole edilmiş çevreler ve yankı odaları gibi davranan sıkı topluluklar.
Tarih
Sosyal ağ analizi, Jacob Moreno'nun 1930'lardaki sosyometrisine ve Georg Simmel'in ilişkisel sosyolojisine dayanır. Grafik teorik temelleri 1950'ler-1970'lerde Bavelas, Harary ve meslektaşları tarafından geliştirilmiştir. Alan, Wasserman ve Faust'un 1994 tarihli dönüm noktası niteliğindeki ders kitabı ve Social Networks dergisinin kuruluşuyla sağlamlaştırılmıştır. 2000'den sonra çevrimiçi platformların ve dijital iz verilerinin yükselişi, SAA'yı hesaplamalı sosyal bilimlerde temel bir yöntem haline getirerek patlayıcı bir büyüme tetiklemiştir.
Ne zaman kullanılır?
Araştırma sorusu temel olarak ilişkisel olduğunda — bağlantıların, akışların veya yapısal konumların sonuçları nasıl şekillendirdiği hakkında — ve ilişkisel veriler (aktörler arasındaki bağlar) toplanabildiğinde veya yeniden yapılandırılabildiğinde SAA kullanın. Bilgi yayılımı, işbirliği örüntüleri, etki hiyerarşileri, örgütsel yapılar, atıf ağları ve sosyal uyumu incelemek için çok uygundur. Yalnızca nitelik verileriniz olduğunda (bağ verisi yok), ağ sınırı makul bir şekilde tanımlanamadığında, örneklem anlamlı metrikler üretecek kadar seyrek olduğunda veya araştırma sorusu ilişkisel yapıdan ziyade bireysel düzeydeki niteliklerle ilgili olduğunda SAA kullanmayın.
Sınırlar ve dikkat edilmesi gerekenler
- Ağ sınırı belirlemesi önemlidir ve genellikle teorik olarak belirsizdir.
- İlişkisel veri toplama zahmetlidir; anket tabanlı isim jeneratörleri hatırlama yanlılığı ve yanıt vermeme sorunları yaşar.
- Birçok SAA metriği eksiksiz ağ verisi varsayar; eksik bağlar merkezilik tahminlerini bozar.
- Standart SAA metrikleri, düğümleri bağımsız olarak ele alır ve klasik istatistiksel testlerin gerektirdiği bağımsızlık varsayımını ihlal eder.
- Büyük ağlar hesaplama kaynakları ve özel yazılım (örn. igraph, NetworkX, Gephi) gerektirir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Nitelik tabanlı yöntemler için görünmez olan aracılık, uyum, merkezilik gibi yapısal fenomenleri yakalar.
- Çeşitli alanlara uygulanabilir: sosyal, örgütsel, bibliyometrik, biyolojik ve dijital ağlar.
- Zengin metrik ve model paketi, hem tanımlayıcı hem de çıkarımsal analizlere olanak tanır.
- Karmaşık yapıyı sezgisel olarak ileten görselleştirme araçlarıyla doğal olarak bütünleşir.
- Hem küçük (anket tabanlı) hem de çok büyük (hesaplamalı) ağlara uygulanabilir.
- Dinamik veya çok katmanlı ağlar için boylamsal ve çok katmanlı uzantılarla uyumludur.
Uygulama alanları
- Örgütsel iletişim ve bilgi paylaşım ağlarının haritalandırılması.
- Bilgi yayılımı çalışmalarında etkili yayıcıların ve darboğazların belirlenmesi.
- Bilimmetride bibliyometrik ve ortak yazarlık ağı analizi.
- Çevrimiçi sosyal platformlarda ve dijital iz verilerinde topluluk tespiti.
- Epidemiyolojik temas takibi ve hastalık yayılımı modellemesi.
- Tedarik zinciri ve örgütler arası bağımlılık haritalaması.
Nasıl çalışır?
Nasıl çalışır?
Araştırmacı, ağın sınırını (hangi aktörlerin dahil edildiğini) ve incelenecek bağ türünü (arkadaşlık, işbirliği, atıf, tavsiye arama, bilgi alışverişi) belirler. Bu kavramsal karar esastır: farklı bağ tanımları, aynı aktörlerle bile yapısal olarak farklı ağlar üretir.
İlişkisel veriler anketler (liste tabanlı veya serbest çağrışım isim jeneratörleri), arşiv kayıtları (ortak yazarlık, e-posta günlükleri, işlem verileri) veya doğrudan gözlem yoluyla toplanır. Sonuç, genellikle bağ ağırlıkları veya zaman damgaları içeren sıralı veya sırasız çiftlerin bir listesidir.
Bağlar ve aktörler, V'nin düğüm kümesi ve E'nin kenar kümesi olduğu bir G = (V, E) grafiği olarak kodlanır. Grafik yönsüz veya yönlü, ikili veya ağırlıklı olabilir. Komşuluk matrisi veya kenar listesi, sonraki tüm hesaplamaların girdisidir.
Formül
G = (V, E) \text{ where } V = \text{nodes}, E = \text{edges}Her aktörün yapısal konumunu karakterize etmek için düğüm düzeyinde metrikler — derece, aradalık, yakınlık, özvektör merkeziliği, kümelenme katsayısı — hesaplanır. Grafik düzeyinde metrikler — yoğunluk, çap, ortalama yol uzunluğu, geçişlilik — küresel ağ özelliklerini tanımlar.
Topluluk tespit algoritmaları (örn. Louvain, Girvan-Newman) veya blok modelleme alt grupları tanımlar. ERGM'ler veya QAP regresyonu, bağ oluşumu hakkındaki hipotezleri test eder. Çekirdek-çevre ve iki parçalı ayrıştırmalar makro düzeyde yapıyı ortaya koyar.
Yapısal bulgular, esas soru ışığında yorumlanır. Yüksek aradalık merkeziliği aracılık veya kapı bekçiliği anlamına gelebilir; yoğun kümeler uyumu veya fazlalığı gösterebilir. Görselleştirme (kuvvet yönlendirmeli düzenler, akor diyagramları) sonuçların iletişimine yardımcı olur.
Sık yapılan hatalar
- Sınırın ve bağ tanımının araştırma sorusuyla eşleştiğini doğrulamadan metrik değerlerini (örn. aradalık merkeziliği) anlamlı kabul etmek.
- Diyadik bağımlılığı hesaba katmadan ağ verilerine sıradan regresyon uygulamak (bunun yerine QAP, ERGM veya çok düzeyli modeller kullanın).
- Görselleştirme estetiğini yorumlamak — kuvvet yönlendirmeli düzenlerde düğüm yerleşimi keyfidir — gerçek mesafeleri veya önemi yansıttığını düşünmek.
- Yoğunluğu uyumla veya merkeziliği önemle teorik bir temele oturtmadan karıştırmak.
- Eksik verileri göz ardı etmek: %10-20'lik eksik bağlar bile merkezilik sıralamalarını önemli ölçüde değiştirebilir.
Sık sorulan sorular
Anlamlı bir SAA için minimum ağ boyutu nedir?
Kesin bir minimum yoktur, ancak çok küçük ağlar (~15 düğümden az), tek bağ değişikliklerine duyarlı, kararsız merkezilik sıralamaları verir. Tanımlayıcı SAA küçük ağlarda çalışabilir; ERGM gibi çıkarımsal yöntemler, kararlı tahminler için daha büyük ağlar (genellikle 30+ düğüm) gerektirir.
Eksik veya örneklenmiş ağ verileriyle SAA kullanabilir miyim?
Eksik bağlar geçerlilik için ciddi bir tehdittir. Stratejiler arasında duyarlılık analizi, bağlantı-tahmin imputasyonu veya tam ağ verisi gerektirmeyen ego-ağ tasarımları bulunur. Eksiklik derecesini raporlayın ve temel sonuçların sağlamlığını test edin.
Farklı merkezilik ölçüleri arasında nasıl seçim yaparım?
Seçim teorik olarak motive edilmelidir. Derece merkeziliği doğrudan aktiviteyi veya maruz kalmayı yakalar; aradalık merkeziliği aracılığı ve akışlar üzerindeki kontrolü yakalar; yakınlık merkeziliği başkalarına ulaşma hızını yakalar; özvektör merkeziliği yüksek statülü bağlantılar aracılığıyla etkiyi yakalar. Her biri farklı bir yapısal soruyu yanıtlar.
SAA'da hipotezleri istatistiksel olarak nasıl test ederim?
Standart regresyon bağımsızlık varsayımını ihlal eder. Bağ düzeyindeki hipotezler için permütasyon tabanlı yöntemler (QAP korelasyonu ve regresyonu) veya ağ düzeyindeki yapısal hipotezler için Üstel Rastgele Grafik Modelleri (ERGM'ler) kullanın. Boylamsal veriler için Stokastik Aktör Tabanlı Modeller (SAOM'lar) uygundur.
Görselleştirme analizle aynı mıdır?
Hayır. Ağ görselleştirmesi bir iletişim aracıdır; kuvvet yönlendirmeli algoritmalarda düğüm yerleşimi yapısal önemle değil, estetik kriterlerle belirlenir. Görselleştirmelerin yanı sıra her zaman nicel metrikleri raporlayın.
İlgili yöntemler
Kaynaklar
Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
ISBN: 978-0-521-38707-1Kopyalandı.Scott, J. (2017). Social Network Analysis (4th ed.). SAGE Publications.
ISBN: 978-1-4739-5515-1Kopyalandı.