تحلیل شبکه های اجتماعی به صورت خلاصه و عملیاتی
چرا کپسولیم …. ؟
می 30, 2022
دوره تخصصی تحلیل شبکه های اجتماعی (SNA)
ژوئن 7, 2022
مقدمه
شبکه های اجتماعی یا به عبارتی رسانه های اجتماعی بخش کوچکی از شبکه انسانی و خلقت هستند که ما بیشتر آن را به همان ابزار هایی که در شبکه های اجتماعی مرسوم میشناسیم در نظر میگیریم.
تحلیل شبکه های اجتماعی که به اختصار SNA (Social Network Analysis) نام دارد.
تعریف شبکه
تعریف شبکه مجموع ای از دو یا چند عضو را در نظر بگیرید که میان تعدادی از آن‌ها ارتباط یا وابستگی وجود دارد؛ مثلاً مجموعه کامپیوترهای متصل به اینترنت، مجموعه انسا های یک شهر، مجموعه تلفن های موبایل در یک شبکه مخابراتی، مجموعه شهرها و روستاهای یک کشور. این مجموعهٔ اعضا و ارتباطات داخلی آن ها را یک شبکه یا Network می نامند. معمولاً هر یک از اعضای شبکه را با اصطلاح گره (Node) یا رأس (Vertex) توصیف میکنند. هر یک از خطوط ارتباطی میان اعضا را هم یال (Edge) یا پیوند (Link) می‌نامند.
تحلیل شبکه اجتماعی چیست و به چه کار می‌آید؟
اولین نکته‌ای که باید به خاطر داشته باشیم این است که دانشمندان مدت‌ها پیش از ظهور پلتفرم‌های دیجیتال امروزی (مانند فیسبوک، اینستاگرام، توییتر و لینکدین) به شبکه های اجتماعی توجه داشته‌اند. همان‌طور که در درس تعریف شبکه های اجتماعی اشاره کردیم، جامعه‌شناسان از نخستین گروه‌هایی بودند که به شبکه های اجتماعی علاقه‌مند شدند. تحلیل‌گران سیاسی هم از جمله نخستین گروه‌هایی بودند که به نتیجه رسیدند تحلیل شبکه های اجتماعی برای آن‌ها مفید است. چون میتواند به پیشبینی دقیق‌‌تر نتایج انتخابات کمک کند. ضمن اینکه قبل از برگزاری انتخابات هم با تشخیص افراد تأثیرگذار میتوان به سراغ ایشان رفت و آن‌ها را به نشر اطلاعات و اخبار مورد نظر یک کاندیدا، ترغیب، تشویق و یا تطمیع کرد. اپیدمولوژیست‌ها گروه دیگری بودند که به نتیجه رسیدند تحلیل شبکه های اجتماعی میتواند برای بررسی بیماری‌های واگیردار کاربرد داشته باشد. اما همهٔ این افراد و گروه‌ها برای تحلیل شبکه های اجتماعی با یک محدودیت جدی روبه‌رو بودند. آن‌ها باید به سراغ تک‌تک انسان‌ها می‌رفتند و با آن‌ها حرف می‌زدند. مهم‌ترین و موثرترین ابزارشان پرسشنامه بود و می‌دانیم که تهیه، تنظیم و تدوین پرسشنامه‌ها و گفتگو با مردم و درخواست از آن‌ها برای پر کردن پرسشنامه، کاری سنگین و پرهزینه و زمان‌بر است. بنابراین میتوان حدس زد که گسترش فناوری اطلاعات و ظهور پلتفرم‌های دیجیتال رویدادی بسیار تأثیرگذار بود. چون پس از آن با کمترین زحمت و دردسر میشود اطلاعات مربوط به مردم را گردآوری کرد؛ خصوصاً اینکه بخش بزرگی از این اطلاعات به شکل رایگان و داوطلبانه منتشر میشود. با توجه به این توضیحات میتوان ادعا کرد تاریخچه تحلیل شبکه های اجتماعی به قبل و بعد از ظهور این پلتفرم‌ها تقسیم میشود.
شبکه‌هاي اجتماعي به طور عمده از دو ديدگاه قابل بررسي و تحلیل مي‌باشند:
1- تحلیل ساختار (یا تحلیل استاتیک) که بررسی ساختار و توپولوژی گراف شبکه های اجتماعی
2- تحلیل ديناميک (به زبان ساده داینامیک یعنی بررسی در بستر زمان یا تحلیل در بردار زمان).
گراف‌ها به عنوان ساختارهای ریاضی که روابط اشیا با هم را در سطح انتزاع مناسبی نشان می‌دهند به طور گسترده در مدل‌سازی مسائل مختلف مورد استفاده قرار گرفته‌اند. به همین سبب، در اختیار داشتن روش ها و ابزارهایی مناسب برای تحلیل آن‌ها به یک ضرورت مبدل شده است. بررسي‌ها نشان مي‌دهد که اين شبکه ها در خصوصيات مشترک ساختاري به طرز قابل توجّهي اشتراک دارند. تحلیل های با ارزشی به منظور گراف کاوی تا کنون ارائه شده است. ولی معمولا شش دسته الگوریتم زیر بیشترین کاربردرا در تحلیل شبکه های اجتماعی دارند
.- الگوریتم های تشخیص مرکزیت
- الگوریتم های تشخیص انجمن
- الگوریتم های بصری سازی
- الگوریتم های پیشبینی ارتباطات یا لینک
- الگوریتم های نمومه برداری
- تحلیل انتشار
در ادامه یکی از این 6 دسته را معرفی می کنیم:
1- مرکزیت یا (centrality) در تحلیل شبکه های اجتماعی:نحوه اتصال یک نود به نودهای دیگر در یک شبکه اجتماعی میتواند اطلاعاتی راجع به مهم بودن و یا مهم نبودن آن نود در کاربردهای خاص مشخص نماید. بعنوان مثال میتوانیم مشخص کنیم کدام نود در انتشار شایعه بیشترین تاثیر را در یک شبکه اجتماعی دارد. برای سنجش میزان اهمیت، از شاخصهای کمّی استفاده میشود که معیارهای مرکزیت نام دارند. محاسبه این معیارها معمولا روی شبکه های بزرگ طولانی و وقت گیر است و به همین دلیل تحقیقات گسترده ای در دنیا صورت گرفته تا الگوریتمهایی کشف شوند که میزان این محاسبات را تا حد ممکن کاهش دهند و یا اینکه محاسبات را به صورت موازی و توزیع شده بر روی کامپیوترهای مختلف انجام دهند. از مهم ترین معیار های مرکزیت میتوان به موارد زیر اشاره کرد
.- فراوانی درجات گره ها(Degree distribute)
- بینابینی (betweenness)
- نزدیکی (closeness)
- دوری از مرکز(Eccentricity)
- آسیب پذیری (Vulnerability)
- دسترسی گره ها(Reach)
- کارایی گره(Efficiency)
- تنش(Stress)
- قدرت(Power)
- بردار ویژه(Eigen Vector)
- آسیب پذیری گره(Node vulnerability)
- رتبه صفحه(Page rank)
یک دسته بندی مناسب بین روش های مختلف تشخیص مرکزیت می تواند به صورت زیر باشد:
روش‌های مبتنی بر همسایه مانند:
- مرکزیت درجه
- امتیازدهی K-Shell
روش‌های مبتنی بر مسیر مانند:
- مرکزیت نزدیکی
- مرکزیت بینابینی
- حفره ساختاری
روش‌های تکراری یا مبتنی بر ارزش مانند:
- مرکزیت مقادیر ویژه
- PageRank
