返回首頁
當前位置: 主頁 > 教育技術學 > 理論研究 >

社會網絡分析指針及其意義研究概述

時間:2011-06-17 01:18來源:知行網www.aotfjk.live 編輯:麥田守望者

一 .社會網絡分析相關指針描述及意義。

(一)網絡個體屬性相關指針
1.可達性(Reachability)
指節點能夠連接到每一個其他節點的難易程度,可用任意兩節點之間交流所需經過的連線數來表征,以節點間的平均距(AverageDistance)表示。Watts等人發現許多大型社會網絡中的任何兩個節點之間的平均距離都很小,最著名的就是“六度分割理論”。這種節點間的可達性被許多研究者用來驗證小世界現象。
2.中心性分析
2.1點度中心度(Centrality)
絕對點度中心度:是在一個網絡圖中與某一個點直接相連的其他點的個數,個數多說明與他人的聯系緊密,反映這個點在該網絡中處于中心地位。絕對點度中心度體現了節點在網絡中的權利地位及影響分布,中心度越高的節點越處于核心地位,能夠有效控制及影響網絡中其他行動者之間的活動;相反,中心度越低的節點越處于邊緣地位,很少參與互動交流,對其他節點的影響很小。
操作步驟:沿“Network” →“Centrality” →“Degree”路徑,“Treat data as symmetric”選擇是否對圖形進行“對稱化”處理。
相對點度中心度:對于規模不同的網絡僅僅從絕對點度中心度的角度來分析時有局限的,因為規模不同所體現點的核心地位是不同的。Freeman提出了相對點度中心度的測量(絕對點度中心度與圖中該點的最大可能度數之比)。例如:一個具有n個點的網絡中,某一個點的絕對中心度為k,那么它的相對中心度為:k/(n-1)。對于有向網絡,記點X的相對中心度為C,C=(X的點出度+X的點入度)/2(n-1),其中n是網絡的規模。在對局部中心度進行測量時,并不涉及整個網絡有沒有核心點的問題,因為點的度數僅僅反映了點在局部環境中與其它點的關系而已。
點度中心勢:星形網絡的中心勢為100%。中心勢越接近于1,說明網絡越具有集中趨勢
2.2中介中心度(Betweenness Centrality)
該概念測量的是一個點在多大程度上位于圖中其他點的“中間”,即該節點在多大程度上是其他節點的“中介”,這樣的節點具有“經紀人”或“守門人”的作用。中介中心度表征著某個節點對網絡中資源控制的程度,某節點中介中心度越高,說明該節點越多地占據資源和信息流通的關鍵位置。
計算原理:結點j與k之間存在的測地線數目(最短路徑)用Gjk表示,第三個點i能夠控制此兩點的交往能力用Pjk(i)表示(即表示i處于j與k測地線上的概率),點j與k之間存在經過i的測地線數目用Gjk(i),則中介度:Pjk(i) = Gjk(i)/Gjk 。如果要計算c的中介中心度,則把其相應于圖中所有的點對的中介度加在一起記CABi。則結點c的相對中介中心度(nBetweenness)為:2CABi/(n2-3n+2)(無方向性圖形);CABi/(n2-3n+2)(具方向性圖形)。
操作步驟:“Network”中選取“Centrality”,再選擇“Freeman Betweenness”,再選取“Node Betweenness ”。
2.3接近中心度(cloneseness centrality
是指某結點到其他結點最短距離之和。接近中心性越小,表示該點在網絡中越處于核心地位,表示該結點不受其他結點控制的能力越強。在實際分析過程中,網絡必須是完全相連的,因為若某個結點與其他結點沒有連接,那么這個結點的接近中心性最小,根據結論該點處于核心地位,這顯然與接近中心性相背離,因此在處理前必須將網絡轉化為完全相連圖。
操作步驟:“Network”中選取“Centrality”,再選擇“closeness”。
2.4 特征向量中心性(eigenvector)
特征向量已經成為刻畫行動者中心度以及網絡中心勢的一種標準化測度,它的目的是在網絡整體結構的意義上,找到網絡中最核心的成員,同時也可以測量出“特征量中心勢”指數。
操作步驟:Network→Centrality→Eigenvector 需要注意的是,數據必須是無方向性的(對稱的),對于有方向性的數據會自動按無方向來處理。
中心性分析小結:弗里曼認為,如果我們研究關注的是交往活動,那么可以采用度數為基礎的測度;如果研究對交往的控制,可利用中介中心度;如果分析相對于信息傳遞的獨立性或有效性,可采用接近中心度。需要注意的一點是,僅僅適用于二值圖網絡的測量
3.角色分析
結構同型性:假設有r中關系,i和j這兩個人是結構同型性的,就是任意一個k,在任何關系r上,i指向k,那么j也會指向k;如果k指向i,那么k也會指向j。具有結構同型性的人扮演了相同的角色。
l 操作步驟:計算阿基米德距離進行結構同型性分析。Network→Role&Position,然后選擇Structural,再選擇Profile,選中要分析的數據文件,然后選擇“Euclidean Distance”,的出來結果可以表明結點在結構同型中是最接近的,數值越小,說明結構越同型,兩個人扮演類似的角色。
(二)網絡整體屬性相關指針
1.密度(Density)
用來描述網絡中各個節點關聯的緊密程度,數學上以網絡中節點間實際擁有的連接數與最多可能擁有的連接數的比例來表達。一個網絡中密度越高,越接近1,則說明網絡成員間的聯系越緊密,信息在成員間流通的速度和效率就越高,成員之間交流的通道越順暢。
2.小團體(subgroup)
小團體就是團體中一小群人關系特別緊密,以至于形成了一個次級團體,小團體可以比擬為一個個的派系。
2.1 通過K-plex分析小團體
根據k-叢的概念,如果一個2-叢的規模為n,那么該叢中的成員就與至少n-2個其他成員有直接關系。如第一個叢中包含三個成員,那么其中每個成員都和至少1個其他成員有直接關系,其中K值越小,最小的小團體結點數越大則條件越嚴格。
操作步驟:Network→Subgroups→K-Plex
2.2 通過繪圖分析小團體
將網絡轉換為強連帶的關系。
操作步驟:Transform→Symmetric→在method中選擇“minimum” 即一對結點中的雙向關系,兩個1才是1,兩個中有一個為0,則為0。
3.凝聚子群分析
凝聚子群是滿足乳腺條件的一個行動者子集合,即在此集合中行動者之間具有對較強的,直接的,緊密的,進場的或積極地關系。一個K-叢就是滿足如下條件的一個凝聚子群,即在這樣的一個子群中,每個點都至少與除了K個點之外的其他點直接相連。下表給除了學者們在k取值上的經驗。

K
網絡最低規模
2
4
3
5
4
7
K
2k-1

操作步驟:(針對二值網絡)
A 分析成分:NetWork→Regions→Commpoment 進行成分分析。若能為我們提供相應的信息,則分析結束;若不能,則進行下面的分析,分析前必須先對數據進行對稱化處理。
B 派系分析:NetWork→Subgroups→Cliques
C 找出K-叢,這一步要在上述派系分析失敗的基礎上進行。通過設定k值及派系的規模來分析K-叢。
凝聚子群分析
------分隔線----------------------------
標簽(Tag):社會網絡分析
------分隔線----------------------------
推薦內容
猜你感興趣
湖南刘雪龙黑彩