1.1: Вступ - Чим відрізняються дані соціальних мереж?

Last updated
Save as PDF

Page ID: 67497

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

З одного боку, насправді немає нічого про дані соціальної мережі, що є все, що незвично. Аналітики соціальних мереж дійсно використовують спеціалізовану мову для опису структури та змісту наборів спостережень, які вони використовують. Але мережеві дані також можуть бути описані та зрозумілі, використовуючи ідеї та концепції більш звичних методів, таких як дослідження перехресних опитувань.

З іншого боку, набори даних, які розробляють аналітики соціальних мереж, зазвичай виглядають зовсім інакше, ніж звичайний прямокутний масив даних, настільки звичний для обстеження. дослідники та статистичні аналітики. Відмінності є досить важливими, оскільки вони змушують нас по-іншому поглянути на наші дані - і навіть змушують нас по-іншому думати про те, як застосовувати статистику.

«Звичайні» дані суспільствознавства складаються з прямокутного масиву вимірювань. Рядки масиву - це випадки, або предмети, або спостереження. Стовпці складаються з балів (кількісних або якісних) за атрибутами, або змінними, або мірами. Простий приклад показаний на малюнку 1.1. Кожна комірка масиву потім описує рахунок деякого актора (рядка) на якийсь атрибут (стовпець). У деяких випадках до цих масивів може бути третій вимір, що представляє панелі спостережень або кілька груп.

Малюнок 1.1. Приклад прямокутного масиву даних
*Ім'я*	*Секс*	*Вік*	*В Ступінь*
Боб	Чоловічий	32	2
Керол	Жіноча	27	1
Тед	Чоловічий	29	1
Аліса	Жіноча	28	3

Фундаментальна структура даних - це та, яка змушує нас порівнювати, як актори схожі або несхожі один на одного через атрибути (шляхом порівняння рядків). Або, можливо, частіше, ми вивчаємо, як змінні схожі або несхожі один на одного у своїх розподілах між суб'єктами (шляхом порівняння або співвіднесення стовпців).

«Мережеві» дані (в чистому вигляді) складаються з квадратного масиву вимірювань. Рядки масиву - це випадки, або предмети, або спостереження. Стовпці масиву - і відзначають ключову відмінність від звичайних даних - однаковий набір випадків, предметів або спостережень. У кожній клітинці масиву описується зв'язок між акторами. Простий приклад показаний як малюнок 1.2, який описує мережу дружніх відносин між чотирма людьми.

Малюнок 1.2. Приклад квадратного масиву мережевих даних
Хто кому повідомляє, що подобається?
	Вибір:
Вибір:	Боб	Керол	Тед	Аліса
Боб	—	0	1	1
Керол	1	—	0	1
Тед	0	1	—	1
Аліса	1	0	0	—

Ми могли б подивитися на цю структуру даних так само, як і з атрибутом даних. Порівнюючи ряди масиву, ми можемо побачити, які актори схожі на яких інших акторів, в яких вони вибирають. Подивившись на колонки, ми можемо побачити, хто схожий на кого з точки зору вибору іншими. Це корисні способи перегляду даних, оскільки вони допомагають нам побачити, які актори мають подібні позиції в мережі. Це перший основний акцент мережевого аналізу: бачити, як актори розташовані або «вбудовані» в загальну мережу.

Але мережевий аналітик також, ймовірно, розгляне структуру даних по-другому - цілісно. Аналітик може зауважити, що в матриці приблизно рівні числа одиниць і нулів. Це говорить про те, що існує помірна «щільність» симпатії в цілому. Аналітик також може порівняти клітинки вище і нижче діагоналі, щоб побачити, чи є взаємність у виборі (наприклад, Боб обрав Теда, Тед вибрав Боба?). Це другий основний акцент мережевого аналізу: бачення того, як вся модель індивідуального вибору породжує більш цілісні закономірності.

Цілком можна думати про набір мережевих даних в тих же умовах, що і «звичайні дані». Можна розглядати рядки як просто список випадків, а стовпці як атрибути кожного актора (тобто відносини з іншими акторами можна розглядати як «атрибути» кожного актора). Дійсно, багато методів, які використовуються мережевими аналітиками (наприклад, обчислення кореляцій та відстаней) застосовуються точно так само, як і до звичайних даних.

Хоча можна описати мережеві дані як просто особливу форму звичайних даних (і вона є), мережеві аналітики дивляться на дані деякими досить принципово різними способами. . Замість того, щоб думати про те, як зв'язки актора з іншими акторами описують атрибути «его», мережеві аналітики замість цього бачать структуру зв'язків, всередині якої актор вбудований. Актори описуються своїми відносинами, а не атрибутами. І самі відносини настільки ж фундаментальні, як і актори, яких вони з'єднують.

Основна відмінність між звичайними та мережевими даними полягає в тому, що звичайні дані фокусуються на суб'єктах та атрибутах; мережеві дані зосереджені на акторах та стосунках. Різниця в акценті є наслідком вибору, який дослідник повинен зробити при прийнятті рішення про дизайн дослідження, при проведенні відбору проб, розробці вимірювань та обробці отриманих даних. Справа не в тому, що інструменти дослідження, що використовуються мережевими аналітиками, відрізняються від інструментів інших соціологів (вони в основному не є). Але спеціальні цілі та акценти мережевих досліджень вимагають деяких різних міркувань.

У цьому розділі ми розглянемо деякі проблеми, які виникають при проектуванні, вибірці та вимірюванні для аналізу соціальних мереж. Наша дискусія буде присвячена двом частинам мережевих даних: вузлів (або акторів) та ребер (або відносин). Спробуємо показати деякі способи, якими мережеві дані схожі, і відрізняються від більш звичних акторів даними атрибутів. Ми познайомимо з деякою новою термінологією, яка полегшує опис особливостей мережевих даних. Нарешті, ми коротко обговоримо, як відмінності між даними мережі та атрибутами актора є наслідковими для застосування статистичних інструментів.