Skip to content
返回搜索结果

社会网络分析

提出者
Moreno, J.L.; formalized by Wasserman & Faust
年份
1934 (sociometry); 1994 (modern formalization)
类型
Structural/relational analysis framework
类别
Network science

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

社会网络分析(SNA)是一种结构化方法,它将人、群体、组织或其他实体建模为由边(连线)连接的节点,并据此绘制和测量它们之间的关系和流动。SNA不关注个体属性,而是揭示连接模式如何塑造系统内的行为、影响力、信息流动和结果。

方法背后的直觉

传统研究将单元(人、组织)视为独立的案例。SNA则将它们之间的连接视为主要的分析单元。你与谁相连——以及你在关系网络中的中心程度——决定了你接收到的信息、拥有的影响力以及围绕你形成的群体。通过绘制网络图,研究人员可以看到无形的结构:连接不相关群体的中介者、有影响力的中心节点、孤立的边缘群体以及充当回声室的紧密社区。

历史学

社会网络分析可以追溯到20世纪30年代Jacob Moreno的社会测量学和Georg Simmel的关系社会学。图论基础在20世纪50-70年代由Bavelas、Harary及其同事发展。该领域由Wasserman和Faust于1994年出版的里程碑式教科书以及《社会网络》期刊的创刊而巩固。2000年后在线平台和数字痕迹数据的兴起引发了爆炸式增长,使SNA成为计算社会科学的核心方法。

何时使用

当研究问题本质上是关系性的——关于连接、流动或结构位置如何影响结果——并且可以收集或重建关系数据(参与者之间的连接)时,使用SNA。它非常适合研究信息扩散、合作模式、影响力层级、组织结构、引用网络和社会凝聚力。当只有属性数据(无连接数据)、网络边界无法合理定义、样本过于稀疏以至于无法产生有意义的指标,或者研究问题是关于个体属性而非关系结构时,不要使用SNA。

局限与注意事项

  • 网络边界的指定具有重要意义,且常常在理论上存在模糊性。
  • 关系数据的收集负担很重;基于调查的姓名生成器存在回忆偏差和无应答问题。
  • 许多SNA指标假设网络数据是完整的;缺失的连接会扭曲中心性估计。
  • 标准的SNA指标将节点视为独立的,这违反了经典统计检验所需的独立性假设。
  • 大型网络需要计算资源和专业软件(例如,igraph、NetworkX、Gephi)。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 捕捉属性方法无法看到的结构现象——中介、凝聚、中心性。
  • 适用于不同领域:社会、组织、文献计量、生物和数字网络。
  • 丰富的指标和模型套件允许描述性和推断性分析。
  • 与可视化工具自然集成,直观地传达复杂结构。
  • 适用于小型(基于调查)和超大型(计算)网络。
  • 与纵向和多层扩展兼容,用于动态或多重网络。

应用

  • 绘制组织沟通和知识共享网络。
  • 识别信息扩散研究中的有影响力的传播者和瓶颈。
  • 文献计量学和科学计量学中的作者合作网络分析。
  • 在线社交平台和数字痕迹数据中的社区检测。
  • 流行病学接触追踪和疾病传播建模。
  • 供应链和组织间依赖性映射。

使用方式

使用方式

1

研究者指定网络的边界(包含哪些参与者)以及要研究的连接类型——友谊、合作、引用、咨询、信息交换。这个概念决策是实质性的:即使参与者相同,不同的连接定义也会产生结构上不同的网络。

2

关系数据通过调查(名单式或自由回忆式姓名生成器)、档案记录(合著、电子邮件日志、交易数据)或直接观察收集。结果是一系列有序或无序的配对,通常带有连接权重或时间戳。

3

连接和参与者被编码为一个图 G = (V, E),其中 V 是节点集,E 是边集。图可以是无向的或有向的,二元的或加权的。邻接矩阵或边列表是所有后续计算的输入。

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

计算节点级指标——度、中介度、紧密度、特征向量中心性、聚类系数——以表征每个参与者的结构位置。图级指标——密度、直径、平均路径长度、传递性——描述全局网络属性。

5

社区检测算法(例如,Louvain、Girvan-Newman)或块建模识别子群体。ERGMs 或 QAP 回归检验关于连接形成的假设。核心-周边和二分分解揭示宏观结构。

6

结构性发现根据实质性问题进行解释。高的中介中心性可能表明中介或守门作用;密集的聚类可能表明凝聚力或冗余。可视化(力导向布局、弦图)有助于结果的沟通。

常见陷阱

  • 在未验证边界和连接定义是否与研究问题匹配的情况下,将指标值(例如,中介中心性)视为有意义的。
  • 在不考虑二元依赖性的情况下对网络数据应用普通回归(应使用QAP、ERGM或多层模型)。
  • 解释可视化美学——力导向布局中的节点放置是任意的——如同反映真实距离或重要性。
  • 在没有理论依据的情况下,将密度与凝聚力或中心性与重要性混淆。
  • 忽略缺失数据:即使10-20%的连接缺失也会显著改变中心性排名。

常见问题

社会网络分析的最小网络规模是多少?

没有严格的最小值,但非常小的网络(少于约15个节点)会产生不稳定的中心性排名,对单个连接的变化很敏感。描述性SNA可以在小型网络上进行;ERGM等推断性方法需要更大的网络(通常30+个节点)才能获得稳定的估计。

我可以使用不完整或抽样网络数据进行SNA吗?

缺失连接是有效性的严重威胁。策略包括敏感性分析、链接预测插补或不需要完整网络数据的自我网络设计。报告缺失的程度并检验关键结论的稳健性。

我如何选择不同的中心性度量?

选择应基于理论动机。度中心性捕捉直接活动或暴露;中介中心性捕捉中介和对流动的控制;紧密度中心性捕捉到达他人的速度;特征向量中心性捕捉通过高地位连接获得的影响力。每种都回答不同的结构问题。

我如何用统计方法检验SNA中的假设?

标准回归违反了独立性假设。对于连接层面的假设,使用置换检验方法(QAP相关和回归);对于网络层面的结构假设,使用指数随机图模型(ERGMs)。对于纵向数据,随机参与者模型(SAOMs)是合适的。

可视化等同于分析吗?

不是。网络可视化是一种沟通工具;力导向算法中的节点放置由美学标准决定,而非结构重要性。始终在可视化旁边报告定量指标。

相关方法

参考文献

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

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

    ISBN:978-1-4739-5515-1
    已复制。