1.2: Вузли

Last updated
Save as PDF

Page ID: 67496

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

Мережеві дані визначаються акторами і відносинами (або «вузлами» і «ребрами»). Вузли або актори, що входять до складу мережевих даних, здавалося б, досить прямолінійні. Інші емпіричні підходи в соціальних науках також думають з точки зору випадків або предметів або елементів зразка тощо. Існує одна різниця з більшістю мережевих даних, однак, це робить велику різницю в тому, як такі дані зазвичай збираються - і види зразків і популяцій, які вивчаються.

Мережевий аналіз фокусується на стосунках між акторами, а не окремими суб'єктами та їх атрибутами. Це означає, що актори, як правило, не відбираються самостійно, як у багатьох інших видах досліджень (найчастіше, опитуваннях). Припустимо, ми вивчаємо дружби, наприклад. Джон був обраний, щоб бути в нашому зразку. Коли ми запитуємо його, Джон ідентифікує сім друзів. Нам потрібно вистежити кожного з цих семи друзів і запитати їх про їхні дружби, а також. Сім друзів є в нашому зразку, тому що Джон (і навпаки), тому «елементи зразка» більше не є «незалежними».

Вузли або суб'єкти, що входять до немережевих досліджень, як правило, є результатом незалежної вибірки ймовірностей. Мережеві дослідження набагато частіше включають всіх суб'єктів, які відбуваються в межах деяких (зазвичай природних) кордонів. Часто мережеві дослідження взагалі не використовують «зразки», принаймні у звичайному розумінні. Швидше за все, вони, як правило, включають всіх акторів у певному населенні чи популяціях. Звичайно, популяції, включені в мережеве дослідження, можуть бути вибіркою деякого більшого набору популяцій. Наприклад, коли ми вивчаємо закономірності взаємодії між учнями в класі, ми включаємо всіх дітей в класі (тобто вивчаємо всю чисельність аудиторії). Сам клас, хоча, можливо, був обраний методами ймовірності з населення класів (скажімо, всі ті, хто в школі).

Використання цілих популяцій як способу вибору спостережень у (багатьох) мережевих дослідженнях робить важливим, щоб аналітик чітко ставився до кордонів кожної популяції, що підлягає вивченню, і як окремі одиниці спостереження повинні бути обрані в межах цієї популяції. Мережеві набори даних також часто включають кілька рівнів аналізу, з суб'єктами, вбудованими на найнижчому рівні (тобто мережеві конструкції можуть бути описані за допомогою мови «вкладених» конструкцій).

Популяції, зразки та межі

Аналітики соціальних мереж рідко черпають зразки в своїй роботі. Найчастіше мережеві аналітики виявлять деяку чисельність населення і проводять перепис (тобто включають всі елементи населення як одиниці спостереження). Мережевий аналітик може вивчити всі іменники та об'єкти, що зустрічаються в тексті, всіх осіб на дні народження, всіх членів групи спорідненості, організації, району або соціального класу (наприклад, землевласники в регіоні або роялті).

Методи дослідження обстеження зазвичай використовують зовсім інший підхід до вирішення питання, які вузли вивчати. Список складається з усіх вузлів (іноді стратифікованих або кластеризованих), а окремі елементи вибираються методами ймовірності. Логіка методу трактує кожного індивіда як окрему «реплікацію», яка, в певному сенсі, взаємозамінна з будь-якою іншою.

Оскільки мережеві методи зосереджені на стосунках між суб'єктами, актори не можуть бути відібрані самостійно, щоб бути включені як спостереження. Якщо один актор виявляється обраним, то ми також повинні включити всіх інших акторів, з якими наше его має (або може мати) зв'язки. Як результат, мережеві підходи, як правило, вивчають цілі популяції за допомогою перепису, а не за вибіркою (ряд винятків з цього приводу ми обговоримо найближчим часом, під темою вибіркових зв'язків).

Популяції, які вивчають мережеві аналітики, надзвичайно різноманітні. З одного боку, вони можуть складатися з символів у текстах або звуків у вербалізаціях; з іншого боку, нації у світовій системі держав можуть становити населення вузлів. Мабуть, найбільш поширеними, звичайно, є популяції окремих осіб. Однак у кожному випадку елементи популяції, що підлягають вивченню, визначаються шляхом потрапляння в певну межу.

Межі популяцій, що вивчаються мережевими аналітиками, бувають двох основних типів. Напевно, найчастіше межі - це ті, що нав'язуються або створені самими акторами. Усі члени класу, організації, клубу, району або громади можуть складати населення. Це природні кластери, або мережі. Отже, в певному сенсі дослідження соціальних мереж часто малюють межі навколо населення, яке апріорі, як відомо, є мережею. Крім того, мережевий аналітик може використовувати більш «демографічний» або «екологічний» підхід до визначення меж населення. Ми можемо провести спостереження, зв'язавшись з усіма людьми, які знаходяться в обмеженій просторовій зоні або які відповідають певному критерію (маючи валовий дохід сім'ї понад 1,000,000 доларів на рік). Тут ми можемо мати підстави підозрювати, що мережі існують, але досліджуваний суб'єкт є абстрактною агрегацією, накладеною слідчим, а не модель інституціоналізованих соціальних дій, яка була ідентифікована та позначена його учасниками.

Мережеві аналітики можуть розширити межі своїх досліджень шляхом тиражування популяцій. Замість того, щоб вивчати один район, ми можемо вивчити кілька. Цей тип конструкції (який може використовувати методи вибірки для вибору популяцій) дозволяє реплікації та тестування гіпотез шляхом порівняння популяцій. Другим, і не менш важливим способом розширення мережевих досліджень є включення декількох рівнів аналізу або модальностей.

Модальність та рівні аналізу

Мережевий аналітик прагне бачити окремих людей, вкладених в мережі віч-на-віч відносин з іншими особами. Часто ці мережі міжособистісних відносин стають «соціальними фактами» і беруть на себе життя. Сім'я, наприклад, - це мережа близьких відносин між сукупністю людей. Але ця конкретна мережа була інституціоналізована та отримала назву та реальність, що перевищує її складові вузли. Особи у своїх трудових стосунках можуть розглядатися як вкладені в організації; у своїх дозвільних відносинам вони можуть бути вкладені в добровільні об'єднання. Околиці, громади і навіть суспільства в різній мірі є соціальними утвореннями самі по собі. І, як соціальні сутності, вони можуть формувати зв'язки з фізичними особами, вкладеними в них, та з іншими соціальними утвореннями.

Часто набори мережевих даних описують вузли і відносини між вузлами для однієї обмеженої сукупності. Якщо я вивчаю моделі дружби між учнями в класі, я роблю дослідження такого типу. Але класна кімната існує в межах школи - яка може розглядатися як мережа, що стосується класів та інших суб'єктів (директорів, адміністраторів, бібліотекарів тощо). І більшість шкіл існує в межах шкільних округів, які можна розглядати як мережі шкіл та інших суб'єктів (шкільні ради, дослідницькі крила, відділи закупівель та кадрів тощо). Можуть бути навіть закономірності зв'язків між шкільними округами (скажімо, шляхом обміну учнями, викладачами, навчальними матеріалами тощо).

Більшість аналітиків соціальних мереж думають про окремих осіб як про вбудовані в мережі, вбудовані в мережі, вбудовані в мережі, вбудовані в мережі. Мережеві аналітики описують такі структури як «мультимодальні». У нашому шкільному прикладі окремі учні і викладачі формують один режим, класи - другий, школи - третій і так далі. Набір даних, який містить інформацію про два типи соціальних суб'єктів (скажімо, осіб та організацій), являє собою дворежимну мережу.

Звичайно, такий вид погляду на природу соціальних структур не є унікальним для аналітиків соціальних мереж. Статистичні аналітики займаються тими ж питаннями, що і «ієрархічні» або «вкладені» конструкції. Теоретики говорять про макромезо-мікро рівнях аналізу, або розробляють схему ідентифікації рівнів аналізу (індивідуальний, груповий, організаційний, співтовариство, інститут, суспільство, глобальний порядок є, мабуть, найбільш часто використовуваною системою в соціології). Однією з переваг мережевого мислення та методу є те, що це природно привертає аналітика зосередитися на декількох рівнях аналізу одночасно. Тобто мережевий аналітик завжди цікавиться тим, як індивід вбудовується в структуру і як структура виходить з мікровідносин між окремими частинами. Здатність мережевих методів відображати такі мультимодальні відносини є, принаймні потенційно, кроком вперед у строгості.

Заявивши, що методи соціальних мереж особливо добре підходять для роботи з декількома рівнями аналізу та мультимодальними структурами даних, слід негайно визнати, що аналіз соціальних мереж рідко насправді використовує багато переваг. Більшість мережевих аналізів рухають нас за межі простого мікро- або макроредукціонізму - і це добре. Мало хто, якщо такі є, набори даних і аналізи, однак, намагалися працювати в більш ніж двох режимах одночасно. І, навіть при роботі з двома режимами, найпоширенішою стратегією є вивчення їх більш-менш окремо (одним винятком з цього є суміщений аналіз двох режимових мереж). У розділі 17 ми розглянемо деякі методи для багаторежимних мереж.