Narzędzia użytkownika

Narzędzia witryny


laboratorium-ucinet-2

Analiza sieci społecznościowych w narzędziu UCI*Net (część II)

Druga część ćwiczenia stanowi kontynuację części pierwszej. W drugiej części studenci wyznaczają miary centralności węzłów w sieci, badają modularność sieci, a także analizują konsensus triad i sieci egocentryczne.

opisywanie struktury sieci

W ćwiczeniu wykorzystujemy zbiór CampNet. Dane zostały pobrane od 18 uczestników letniego warsztatu naukowego organizowanego w USA. Pod koniec warsztatu uczestnicy wskazali 3 osoby, z którymi spędzili najwięcej czasu. Drugi zbiór danych to CampAttr opisujący poszczególne węzły. Dostępne atrybuty to: gender (1=kobieta, 2=mężczyzna), role (1=student, 2=nauczyciel), oraz miara pośrednictwa. Zbiór danych został zebrany przez Steva Bograttiego, Russa Bernarda i Berta Pelto podczas trzytygodniowego warsztatu NSF Summer Institute for Ethnographic Research Methods w 1992 roku. W trakcie warsztatu uczestnicy byli zakwaterowani w tym samym hotelu i bardzo często przebywali razem. Wszyscy uczestnicy studiowali/pracowali w tym samym departamencie.

1. Rozpoczynamy od zaznajomienia się ze zbiorem danych campnet. Użyj ikony z literą D aby wyświetlić zawartość zbioru danych, wykorzystaj także program NetDraw do prostej wizualizacji zbioru danych.

2. Przejdź do Network→Cohesion→Density→(new) Density Overall, wskaż CampNet jako wejściowy zbiór danych i pozostawiając wartości pozostałych parametrów kliknij przycisk OK. W wyniku uzyskasz informację o gęstości sieci (ang. density) i liczbie relacji w zbiorze danych.

3. UCI*Net umożliwia także wyznaczenie gęstości w sieci partycjonowanej według wskazanego atrybutu (wewnątrz partycji i między partycjami). Przejdź do Network→Cohesion→Density→Density by Groups i wybierz CampNet jako wejściowy zbiór danych. Wybierz CampAttr jako zbiór danych zarówno dla wierszy, jak i kolumn partycji. Upewnij się, że opcje dla partycji są ustawione na column i Gender. Wybierz Sum (frequencies) jako metodę agregacji.

Kliknij OK. Zobaczysz w wyniku gęstość wewnątrz każdej partycji oraz gęstość i liczbę połączeń między partycjami. Spróbuj zinterpretować uzyskane wyniki.

4. Możemy także wyznaczyć odległości między dowolnymi węzłami w sieci. Odległość geodezyjna to najkrótsza droga między dowolnymi dwoma węzłami. Przejdź do Network→Cohesion→Geodesic Distances i wskaż CampNet jako zbiór wejściowy. Kliknij OK. W wyniku otrzymasz informacje o odległościach w sieci.

5. Sprawdź, które węzły są osiągalne z których miejsc w sieci. W tym celu przejdź do Network→Cohesion→Reachability i wygeneruj raport dla zbioru CampNet.

6. W kolejnym kroku przeprowadzimy analizę głównego komponentu i peryferiów sieci. Przejdź do Network→Core/Periphery→Continuous, wskaż CampNet jako zbiór wejściowy i kliknij przycisk OK.

Zbiór danych nie wskazuje na istnienie struktury jądra sieci i obszarów peryferyjnych. Wszystkie węzły mają tę samą wartość „jądrowości”, co wyraźnie wskazuje na strukturę ściśle zdecentralizowaną.

zadanie samodzielne

Ćwiczenie samodzielne wykorzystuje zbiór KAPTAIL. W 1972 roku Bruce Kapferer obserwował interakcje zachodzące w fabryce tekstylnej w Zambii na przestrzeni 10 miesięcy. Badania Kapferera skupiały się na obserwacji sposobów tworzenia koalicji między pracownikami w trakcie negocjacji o wyższe stawki. Zbiór danych składa się z czterech macierzy kwadratowych reprezentujących kolejno: interakcje związane z wykorzystaniem narzędzi i pomocą w pracy (macierze KAPFTI1 i KAPFTI2 odnotowują sytuację w dwóch punktach czasowych), oraz interakcje społeczne (macierze KAPFTS1 i KAPFTS2 odnotowują sytuację w dwóch punktach czasowych). Co ciekawe, pierwszy punkt czasowy nastąpił po nieudanym strajku, podczas gdy drugi punkt czasowy nastąpił po udanym strajku).

  • Otwórz zbiór KAPTAIL i zwróć uwagę na macierz KAPFTS1, wyświetl jej strukturę, dokonaj prostej wizualizacji. Postaraj się dostrzec centralistyczną strukturę sieci.
  • Powtórz ćwiczenie z wyznaczeniem węzłów należących do jądra sieci i węzłów leżących na obrzeżach sieci. Zauważ istotne różnice między wynikiem uzyskanym dla zbioru CampNet i wynikiem uzyskanym dla zbioru KAPTAIL. Znajdź w grafie węzły reprezentujące pracowników Chisokone i Zakeyo, porównaj ich lokalizację w grafie i wartość współczynnika coreness.
  • Powtórz analizę, wybierając tym razem dyskretyzację zbioru KAPTAIL zgodnie z wartościami współczynnika coreness. Przejdź do Network→Core/Periphery→Categorical i wskaż KAPTAIL jako zbiór wejściowy. Zapamiętaj, jak nazywa się plik zawierający przypisanie poszczególnych węzłów do klas (core i partition). Przeanalizuj uzyskany wynik, zwróć uwagę na różnicę między gęstością połączeń w jądrze i gęstością połączeń w peryferiach. Zwizualizuj przypisanie węzłów do klas.

miary centralności sieci

Ćwiczenie wykorzystuje zbiór DRUGNET. Zbiór reprezentuje wyniki badań przeprowadzonych na 293 osobach uzależnionych od narkotyków, związki między węzłami reprezentują używanie tych samych igieł. Badanie centralności w zbiorze służy do zidentyfikowania osób, które mogą najszybciej zachorować lub najbardziej rozprzestrzenić chorobę przenoszoną przez krew.

7. Wybierz Network→Centrality and Power→Multiple measures. Jako zbiór wejściowy wskaż DRUGNET. Obejrzyj uzyskane wyniki. Zauważ, że poszczególne miary zostały znormalizowane aby łatwiej porównywać pozycję poszczególnych węzłów wg różnych miar. Powtórz wyliczenie, tym razem wskazując w oknie pop-up opcję Raw Scores w sekcji Report.

8. W następnym kroku przeanalizujemy korelację między miarami centralności i indywidualnymi profilami poszczególnych wierzchołków. Przejdź do Tools→Similarities (e.g. correlations). Jako analizowany zbiór danych podaj DRUGNET-cent. Kliknij przycisk OK. Przeanalizuj wynikową macierz i spróbuj znaleźć miary centralności które są najsilniej ze sobą skorelowane.

9. Powtórz ćwiczenie. Tym razem jednak przeanalizuj związki między miarami centralności i indywidualnymi węzłami. W oknie pop-up ponownie wskaż zbiór DRUGNET-cent jako dane do analizy. Zmień parametr Compute similarities among na wartość Rows. Zmień też nazwę zbioru wynikowego na DRUGNET-cent-SimRows. Kliknij przycisk OK.

10. Wyświetl wynikowy zbiór danych DRUGNET-cent-SimRows w programie UCI*Net. Zauważ np. że osoby o identyfikatorach 1 i 2 posiadają praktycznie ten sam profil centralności.

11. Niektóre miary oceny sieci nabierają znaczenia w przypadku, gdy dane są w pełni symetryczne. W celu transformacji sieci do postaci symetrycznej wybierz Transform→Symmetrize. W oknie pop-up jako transformowany zbiór podaj DRUGNET. Po przetransformowaniu grafu wyznaczymy miarę centralności zgodnie z kryterium wektora własnego. Wybierz Network→Centrality and Power→Eigenvector. W oknie pop-up wskaż zbiór DRUGNET-Sym. Pozostaw resztę parametrów z wartościami domyślnymi i kliknij OK. Obejrzyj uzyskane wyniki i zidentyfikuj najbardziej centralne węzły na wizualizacji.

sieci egocentryczne

12. Wybierz Network→Ego Networks→Egonet basic measures i jako zbiór wejściowy wskaż CampNet. Zmień nazwę zbioru wynikowego na CampNet-EgoNet. Upewnij się, że parametr Type of ego neighborhood jest ustawiony na UNDIRECTED. Kliknij OK. Wynikowy zbiór przedstawia miary egocentryczne dla każdego węzła w sieci. Definicja każdej miary znajduje się pod koniec pliku logu. Dodatkowo, klikając na przycisk Help w oknie pop-up można przeczytać szczegółowe wyjaśnienie każdej miary.

13. Dzięki analizie sieci egocentrycznych można także sprawdzić, w jaki sposób wartości atrybutów węzłów wpływają na ich pozycję. W pierwszej kolejności przeanalizujemy homofilię. Wybierz Network→Ego Networks→Egonet Homophily. Jako zbiór danych wskaż CampNet, natomiast jako zbiór atrybutów wskaż CampAttr. Wybierz gender jako analizowaną wartość. Zaznacz Outgoing ties only przy definicji sieci egocentrycznej. W wyniku uzyskasz raport pokazujący homofilię każdego węzła pod względem płci.

14. W następnym kroku wybierz Network→Ego Networks→Egonet Composition→Categorical alter attributes. Wskaż CampNet jako zbiór wejściowy, a CamAttr jako zbiór z atrybutami. Jako analizowaną wartość atrybutu wybierz Role. Tym razem do definicji sieci egocentrycznej wykorzystaj zarówno krawędzie wchodzące, jak i wychodzące. Wynik zawiera raport z częstotliwością występowania poszczególnych kategorii w sieciach egocentrycznych dla każdego węzła. Heterogeniczność mierzy różnorodność ról w ramach sieci egocentrycznych, a miara IQV jest znormalizowaną heterogenicznością.

15. Powtórz ćwiczenie, wybierając tym razem atrybut ciągły. Zamiast atrybutu Role wybierz teraz miarę Betweenness. Wynik zawiera średnie, sumy, wartości minimalne, maksymalne, odchylenia standardowe i liczbę krawędzi dla każdego ego.

16. W ostatniej części ćwiczenia zmierzymy dziury strukturalne w sieciach egocentrycznych. Kliknij Network→Ego Networks→Structural Holes i wskaż CampNet jako zbiór podlegający analizie. W wyniku tej operacji otrzymujesz raport zawierający dziury strukturalne w sieciach egocentrycznych. Posłuż się przyciskiem Help aby dowiedzieć się więcej o wyświetlonych miarach.

laboratorium-ucinet-2.txt · ostatnio zmienione: 2017/05/10 20:35 przez mmorzy

Narzędzia strony