تحلیل شبکه های اجتماعی از صفر تا صد — راهنمای جامع

یک «شبکه اجتماعی» (Social Network)، ساختار اجتماعی تشکیل شده از افراد (یا سازمان‌ها) است. تحلیل شبکه‌‌های اجتماعی، رویکردی است که در آن شبکه را به صورت مجموعه‌ای از «گره‌ها» (Nodes) و روابط میان آن ها در نظر می‌گیرند. گره‌ها، اشخاص و در واقع بازیگران درون شبکه هستند و روابط میان آن‌ها به صورت اتصالاتی بین گره‌ها نمایش داده می‌شود. ساختار شبکه‌های اجتماعی که ساختارهایی مبتنی بر گراف است، معمولا بسیار پیچیده‌اند. انواع گوناگونی از روابط مانند دوستی، همکاری، خویشاوندی، علاقمندی و مبادلات مالی ممکن است بین گره‌ها وجود داشته باشد. در واقع «تحلیل شبکه‌های اجتماعی» (Social Network Analysis | SNA) یک استراتژی برای بررسی ساختارهای اجتماعی با استفاده از نظریه‌های شبکه و گراف است.

پژوهش‌های انجام شده در حوزه تحلیل شبکه‌های اجتماعی نشان می‌دهد که شبکه‌ها می‌توانند در سطوح مختلفی از جمله شبکه‌های اجتماعی خانوادگی، همکاری و دوستی شکل بگیرند. این شبکه‌ها نقش بسیار مهم و حیاتی در مسائل جهان واقعی دارند. بورگاتی در تعریف چیستی تحلیل شبکه‌های اجتماعی می‌گوید: «تحلیل شبکه‌های اجتماعی نگاشت و سنجش روابط و جریان‌های میان افراد، گروه‌ها، سازمان‌ها، رایانه‌ها یا دیگر موجودیت‌ها است». در تحلیل شبکه‌های اجتماعی، ساختارهای شبکه شده با اصطلاحات گره‌ها (بازیگران، افراد، راس‌ها یا موارد درون شبکه) و «یال‌ها» (Edges) (روابط یا تعامل‌ها) که گره‌ها را به یکدیگر متصل می‌کنند مشخصه‌سازی می‌شوند.

برای مثالی از ساختارهای اجتماعی که توسط شبکه‌های اجتماعی ارائه می‌شوند می‌توان از شبکه‌های دوستی، آشنایی، خویشاوندی و شبکه سرایت بیماری‌ها نام برد. این شبکه‌ها معمولا با استفاده از Sociogram‌ها که در آن‌ها، گره‌ها به عنوان نقاط و روابط به صورت خطوط بین گره‌ها هستند نمایش داده می‌شوند. تحلیل شبکه‌های اجتماعی به عنوان یک روش کلیدی در جامعه‌شناسی مدرن مطرح است و پژوهشگران متعددی در حوزه‌های مردم‌شناسی، زیست‌شناسی، مطالعات ارتباطات، اقتصاد، جغرافیا، تاریخ، علم اطلاعات، مطالعات سازمانی، علوم سیاسی، روانشناسی اجتماعی، مطالعات توسعه و زبان‌شناسی اجتماعی به آن پرداخته‌اند.

فیلم آموزش تحلیل شبکه های اجتماعی با نرم افزارهای گفی Gephi و پاژک Pajek در فرادرس

کلیک کنید

دو شکل اصلی از تحلیل شبکه‌های اجتماعی عبارتند از تحلیل‌های شبکه‌های «اِگو» (Ego) و شبکه جهانی. در مطالعات اگو، شبکه یک فرد تحلیل می‌شود. شبکه اگو شامل یک گره کانونی با عنوان اگو، گره‌هایی که به طور مستقیم به این گره کانونی متصل شده و آلتر نامیده می‌شوند و گره‌های بین آلترها است. لازم به ذکر است هر آلتر در یک شبکه اگو، خود دارای شبکه اگو است. در تحلیل شبکه جهانی سعی بر یافتن همه روابط بین مشارکت‌کنندگان در شبکه است. شکل زیر شبکه الگو گره قرمز رنگ را نشان می‌دهد.

تاریخچه تحلیل شبکه‌های اجتماعی

تحلیل شبکه‌های اجتماعی ریشه‌های نظری در کارهای جامعه‌شناسان اولیه مانند «گئورگ زیمل» (Georg Simmel) و «امیل دورکیم» (Émile Durkheim) که در رابطه با اهمیت مطالعه الگوهای روابطی که بازیگران اجتماعی را به یکدیگر متصل می‌کند آثار مکتوبی منتشر کرده‌اند دارد.

فیلم آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی Text Mining در فرادرس

کلیک کنید

دانشمندان اجتماعی مفهوم «شبکه‌های اجتماعی» را از اوایل قرن بیستم به منظور اشاره ضمنی به مجموعه‌های پیچیده از روابط بین اعضای سیستم‌های اجتماعی در همه مقیاس‌ها از بین‌شخصی گرفته تا بین‌المللی استفاده کردند. در سال۱۹۳۰ میلادی، «جاکوب مورنو» (Jacob L. Moreno) و «هلن جنگینز» (Helen Jennings)، روش‌های تحلیلی پایه‌ای را برای شبکه‌های اجتماعی معرفی کردند.

در سال ۱۹۵۴، «جی‌ای بارنز» (John Arundel Barnes)، از اصطلاحات گروه‌های محدود (مانند قبایل و خانواده‌ها) و دسته‌های اجتماعی (مانند جنسیت و قومیت) استفاده کرد. پژوهشگرانی مانند «رونالد برت» (Ronald Burt)، «کاتلین کارلی» (Kathleen Carley)، «مارک گرانوتر» (Mark Granovetter)، «دیوید کراکخاردت» (David Krackhardt)، «ادوارد لوامان» (Edward Laumann)، «آناتول راپوپورت» (Anatol Rapoport)، «بری ولمن» (Barry Wellman)، «داگلاس آروایت» (Douglas R. White) و «هریسون وایت» (Harrison Whit)، استفاده از تحلیل‌های سیستماتیک شبکه‌های اجتماعی را گسترش دادند. امروزه تحلیل‌های شبکه‌های اجتماعی در رشته‌های آکادمیک گوناگون کاربرد پیدا کرده است.

سنجه‌ها

در تحلیل شبکه‌های اجتماعی برخط، مفاهیم، اصطلاحات و سنجه‌هایی وجود دارد که در پژوهش‌های گوناگون و توسط دانشمندان این حوزه استفاده شده‌اند. سه دسته اصلی از این سنجه‌ها، «ارتباطات» (Connections)، «توزیع‌ها» (Distributions) و «بخش‌بندی» (Segmentation) هستند.

فیلم آموزش تحلیل شبکه های اجتماعی با نرم افزار نود ایکس ال NodeXL در فرادرس

کلیک کنید

از این سنجه‌ها برای اندازه‌گیری مسائل گوناگونی که در گراف ساختاری مربوط به شبکه‌های اجتماعی برخط به وقوع می‌پیوندد بهره ‌می‎برند. آشنایی با این مفاهیم به منظور تحلیل شبکه‌های اجتماعی الزامی است. در ادامه هر یک از این دسته‌ها توضیح داده شده است.

ارتباطات: این دسته از سنجه‌ها به مفاهیم و اصطلاحات مربوط به ویژگی‌های ارتباطات میان بازیگران در یک شبکه اجتماعی برخط می‌پردازند. «هوموفیلی» (Homophily)، رابطه متقابل، Multiplexity، بسته بودن شبکه و قرابت از این جمله هستند. اینکه بازیگران تا چه میزان با دیگر بازیگران شبیه یا غیرشبیه خود رابطه ایجاد می‌کنند را هوموفیلی گویند.

مشابهت می‌تواند از منظر جنسیت، نژاد، سن، شغل، پیشرفت تحصیلی، موقعیت، ارزش‌ها یا مشخصه‌های برجسته دیگر تعریف شود. هوموفیلی، Assortativity نیز نامیده می‌شود. وجود انواع متعدد از فرم‌های رابطه میان دو نفر را Multiplexity گویند. به‌عنوان مثالی از Multiplexity می‌توان به دو بازیگر که علاوه بر رابطه دوستی، رابطه همکاری نیز دارند اشاره کرد.

Multiplexity با قدرت روابط میان افراد ارتباط دارد. رابطه متقابل از دیگر اصطلاح‌هایی است که در تحلیل شبکه‌های اجتماعی به کار می‌رود و مفهوم آن این است که دو بازیگر به طور متقابل دوستان یا تعامل‌های دیگری نیز دارند. بسته بودن شبکه، سنجه‌ای برای کامل بودن سه‌تایی‌های روابط میان افراد است. به رابطه‌ای که طی آن شخصی که با یک بازیگر رابطه دارد، با بازیگری که بازیگر دوم با آن ارتباط دارد رابطه داشته باشد تعدی گویند. تمایل بازیگران به داشتن روابط بیشتر با بازیگرانی در فواصل جغرافیایی کمتر را «قرابت» (Propinquity) گویند.

توزیع‌ها: سنجه‌های مربوط به پراکندگی بازیگران و ارتباطات میان آن‌ها در شبکه در بحث توزیع مورد بررسی قرار می‌گیرد. «پل» (Bridge)، «مرکزیت» (Centrality)، «چگالی» (Density) شبکه، «چاله ساختاری» (Structural holes) و گراف همکاری از جمله تعاریف مربوط به توزیع در شبکه هستند. به فردی که روابط ضعیف او یک چاله ساختاری را با فراهم کردن تنها پیوند بین دو فرد یا خوشه پر می‌کند پل می‌گویند. پل‌ها نقش مهمی در تحلیل‌های ساختاری شبکه‌های اجتماعی دارند. پل، هنگامی که مسیرهای طولانی به دلیل ریسک بالای اعوجاج یا شکست در تحویل مناسب نیستند کوتاه‌ترین مسیری است که انتخاب می‌شود.

فیلم آموزش تحلیل شبکه های اجتماعی با نرم افزارهای گفی Gephi و پاژک Pajek در فرادرس

کلیک کنید

مرکزیت به گروهی از سنجه‌ها گفته می‌شود که هدف آن‌ها تعیین کمیت «اهمیت» یا «نفوذ» یک گره مشخص (یا گروه) درون شبکه است. برخی از روش‌های معمول اندازه‌گیری «مرکزیت» شامل «مرکزیت میانی» (betweenness centrality)، «مرکزیت نزدیکی» (closeness centrality)، «ویژه‌بردار مرکزیت» (eigenvector centrality)، «مرکزیت آلفا» (alpha centrality) و «مرکزیت درجه» (degree centrality) است.

نسبت روابط مستقیم موجود در یک شبکه به‏ کل عدد ممکن را چگالی شبکه گویند. کمترین میزان روابط مورد نیاز برای ارتباط دو بازیگر مشخص را «فاصله» (Distance) گویند. در رابطه با فاصله بازیگران، «نظریه شش درجه جدایی» (six degrees of separation) توسط «استنلی میلگرام« (Stanley Milgram) مطرح شد که از طریق آن اثبات می‌شود هر دو شخص دلخواه روی کره زمین با شش واسطه یا کمتر به هم مربوط می‌شوند. این نظریه، مقدمه نظریه دیگری به نام «دنیای کوچک» (small world) است که مفهومی مشابه دارد. مفهوم شش درجه جدائی این نیست که به طور الزامی هر دو نفر حتما با پنج یا شش واسطه به یکدیگر مرتبط می‌شوند، بلکه گروه کوچکی از انسا‌ن‌ها هستند که همچون پیوندی تمام آدم‌هایی را که در شبکه‌های مختلف قرار دارند به یکدیگر متصل می‌کنند، این افراد اتصالگر نامیده می‌شوند.

فقدان رابطه بین دو بخش از یک شبکه را چاله ساختاری گویند که مفهوم آن توسط «رونالد برت» (Ronald Burt)، جامعه‌شناس، ایجاد شده است. یافتن چاله‌های ساختاری و استفاده از آن‌ها می‌تواند مزیت رقابتی ایجاد کند. قدرت روابط میان افراد بر اساس شدت عواطف، صمیمیت و روابط متقابل آن‌ها سنجیده می‌شود. رابطه قوی به هوموفیلی، قرابت و تعدی وابسته است، در حالی‌که روابط ضعیف به پل‌ها مربوط می‌شوند. گراف همکاری برای نمایش روابط خوب و بد بین افراد شبکه، قابل استفاده است. یک یال مثبت بین دو گره حاکی از یک رابطه مثبت (دوستی، اتحاد) و یک یال منفی بین دو گره حاکی از یک رابطه منفی (نفرت، خشم) است.

گراف‌های اجتماعی علامت‌دار برای پیش‌بینی سیر تکاملی گراف در آینده، استفاده می‌شوند. در شبکه‌های اجتماعی علامت‌دار، مفهوم حلقه‌های «متوازن» (balanced) و «نامتوازن» (unbalanced) وجود دارد. یک حلقه متوازن به عنوان حلقه‌ای معرفی می‌شود که همه علامت‌ها در آن مثبت هستند. گراف‌های متوازن نشانگر گروهی از افراد هستند که احتمال تغییر ایده آن‌ها درباره دیگر افراد داخل گروه وجود ندارد. چرخه نامتوازن نشانگر گروهی از افراد است که احتمال تغییر عقیده آن‌ها درباره دیگر افراد حاضر در گروه زیاد است.

فیلم آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی Text Mining در فرادرس

کلیک کنید

به عنوان مثال، یک گروه متشکل از سه فرد B ،A و C در صورتی که A و B رابطه مثبتی داشته باشند و B و C نیز رابطه مثبتی داشته باشند، اما A و C دارای رابطه منفی باشند، یک حلقه نامتوازن است. این گروه گرایش زیادی به تغییر آهسته به سوی یک حلقه متوازن دارند. با استفاده از مفهوم حلقه‌های متوازن و نامتوازن، تکامل گراف‌های شبکه‌های اجتماعی قابل پیش‌بینی است.

بخش‌بندی: از این دسته سنجه‌ها می‌توان برای یافتن بخش‌های گوناگون در ساختار شبکه‌های اجتماعی استفاده کرد. این بخش‌ها ویژگی‌های خاصی داشته و وجود آن‌ها می‌تواند معنای خاصی در شبکه داشته باشد و در ‌واقع توپولوژی‌های مختلف قابل کشف در شبکه هستند. گروه‌هک‌ها یا به اصطلاح دار و دسته‌ها، هنگامی ایجاد می‌شوند که یک فرد به‌طور مستقیم با هر فرد دیگری ارتباط داشته باشد. در صورتی‏که تاکیدی بر وجود رابطه مستقیم میان هر دو بازیگر وجود نداشته باشد،‌ از مفهوم حلقه‌های اجتماعی استفاده می‌شود. احتمال ناهنجار بودن حلقه‌های اجتماعی نسبت به گروهک‌ها کمتر است.

به احتمال رابطه داشتن دو بازیگر مرتبط با یک گره، ضریب خوشه‌بندی گویند. یک ضریب خوشه‌بندی بالا حاکی از وجود یک گروهک بزرگ است. گروهک‌ها معمولا به عنوان ناهنجاری در شبکه محسوب می‌شوند. درجه اتصال مستقیم بازیگران به یکدیگر را انسجام گویند. میزان انسجام ساختاری بستگی به تعداد اعضایی دارد که اگر از گروه حذف شوند، اتصال کل گروه از بین می‌رود.

مدل‌سازی و بصری‌سازی شبکه

یکی از چالش‌های مهم در تحلیل شبکه‌های اجتماعی برخط ارائه مدلی است که قادر به توصیف ساختار، رویدادها و نگاشت‌هایی باشد که در شبکه‌های اجتماعی به وقوع می‌پیوندد. مدل‌های مختلفی با این منظور ارائه شده‌اند که مدل‌های ساختاری و مدل‌های فضایی-زمانی از شاخص‌ترین آن‌ها هستند.

فیلم آموزش تحلیل شبکه های اجتماعی با نرم افزارهای گفی Gephi و پاژک Pajek در فرادرس

کلیک کنید

در مدل ساختاری به جای داشتن مقادیر دودویی، هر یال بین کاربران در گراف اجتماعی به عنوان تابع فراوانی تعاملات بین آن‌ها در نظر گرفته می‌شود. مدل‌سازی ساختاری در شبکه‌های اجتماعی با استفاده از نظریه گراف انجام می‌شود. اگرچه گراف‌ها ارائه مناسبی برای تحلیل ویژگی‌های فضایی شبکه‌های اجتماعی برخط هستند، گاه نیاز است جنبه زمانی شبکه نیز برای ارائه فرآیند نگاشت در شبکه در نظر گرفته شود، لذا از مدل‌های فضایی-زمانی استفاده می‌شود.

جنبه زمانی شبکه‌های اجتماعی برخط دارای پیچیدگی‌های زیادی است اما می‌تواند منبع ارزشمندی از اطلاعات شبکه باشد. ارائه بصری از شبکه مدل شده برای درک داده‌های شبکه حائز اهمیت است و بسیاری از نرم‌افزارهای تحلیل شبکه‌های اجتماعی، ماژول‌هایی برای بصری‌سازی شبکه دارند.

نظریه گراف در مدل‌سازی شبکه

«نظریه گراف» (Graph Theory)، شاخه‌ای از ریاضیات است که مباحث مربوط به گراف‌ها را مورد بررسی قرار می‌دهد و در واقع شاخه‌ای از توپولوژی است که با جبر و نظریه ماتریس‌ها مرتبط است. گراف، مجموعه‌ای از راس‌ها است که به وسیله مجموعه‌ای از زوج‌های مرتب (یال‌ها) به یکدیگر متصل می‌شوند. روش‌های محاسبات و مفاهیم خاصی در حوزه گراف‌ها وجود دارند.

فیلم آموزش نظریه گراف و کاربردها در فرادرس

کلیک کنید

از نظریه گراف، برای مصورسازی شبکه‌های اجتماعی استفاده می‌شود. بازیگران در شبکه‌های اجتماعی همان راس‌های گراف و روابط میان آن‌ها یال‌های گراف است. گراف شبکه می‌تواند بدون جهت، یک جهتی، دو جهتی و یا وزن‌دار باشد. توپولوژی شبکه که به‌وسیله گراف ترسیم شده است، می‌تواند اطلاعات مهم و قابل توجهی از آنچه در شبکه به وقوع پیوسته و می‌پیوندد ارائه کند.

در شکل زیر گراف یک شبکه اجتماعی خیالی با ۱۶۵ گره و ۱۸۵۱ یال که به وسیله نظریه گراف مدل‌سازی شده نشان داده شده است. گره با بالاترین درجه مرکزیت در شکل به رنگ زرد نمایش داده شده است.

چرایی و کاربردهای تحلیل

توجه به شبکه‌های اجتماعی برخط توسط رسانه‌ها، کسب‌و‌کارها و عموم مردم، انگیزه بسیار خوبی برای پژوهش در این حوزه است. دلایل قابل توجه دیگری برای علاقمندی پژوهشگران به این مبحث نیز وجود دارد که در ادامه آمده‌اند. همه روزه حجم انبوهی از داده‌ها در شبکه‌های اجتماعی برخط تولید می‌شوند که بخشی از آن ها به صورت رایگان در دسترس پژوهشگران هستند.

فیلم آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی Text Mining در فرادرس

کلیک کنید

در دسترس بودن داده‌ها و سهولت دستیابی به داده‌های اغلب شبکه‌های اجتماعی برخط، یکی از دلایل اصلی گرایش به پژوهش در این حوزه است. محتوای متنی تولید شده در شبکه‌های اجتماعی منابع تالیفی متفاوتی دارد، به این خصوصیت چندمولفه‌ای بودن می‌گویند. این ویژگی،‌ تنوع داده‌های گردآوری شده و اطلاعات تولید شده را افزایش می‌دهد لذا شبکه‌های اجتماعی برخط به عنوان مخزنی غنی از متن برای پردازش زبان طبیعی هستند.

هر کاربر منحصر به فرد که در شبکه مشارکت دارد عاملی محسوب می‌شود که قادر به تصمیم‌گیری و تعامل با دیگر کاربران است. تعامل کاربران و پویایی تعامل‌های پیچیده منجر به وقایع ناشناخته‌ای می‌شود که توجه پژوهشگران متعددی را به خود جلب کرده است. تولید مداوم داده‌ها در شبکه‌های اجتماعی و به عبارتی پویایی زمانی آن این امکان را فراهم می‌کند که تحلیل فرآیندهای فضایی-زمانی و تحولاتی مانند تکامل موضوع و بسیج جمعی انجام شود.

در کنار تولید مستمر، داده‌ها در شبکه‌های اجتماعی به صورت آنی و در لحظه تولید می‌شوند و کاربران شبکه در زمان واقعی، هم به محرک‌های داخلی و هم به محرک‌های خارجی پاسخ می‌دهند. به دنبال توسعه فناوری، که منجر به افزایش دسترسی مردم به وسایل ارتباطی و اطلاعاتی شده، محتوای شبکه‌های اجتماعی برخط به صورت مجازی در هر لحظه و هر زمان قابل تولید هستند. دسترسی‌پذیری بالا و امکان تعیین منطقه جغرافیایی ارسال داده‌ها که یکی از ویژگی‌های موجود در بسیاری از شبکه‌های اجتماعی است، امکانات جالب توجه و جدیدی را برای تحلیل فراهم می‌کند.

تحلیل شبکه‌های اجتماعی به طور گسترده در پهنه وسیعی از کاربردها و رشته‌ها استفاده می‌شود. برخی از کاربردهای تحلیل شبکه شامل مدل‌سازی انتشار شبکه، مدل‌سازی شبکه و نمونه‌برداری، تحلیل خصیصه‌ها و رفتار کاربران، پشتیبانی منابع، تحلیل‌های تعاملات مبتنی بر موقعیت، اشتراک‌گذاری اجتماعی، توسعه «سیستم‌های توصیه‌گر» (recommender systems) و پیش‌بینی پیوند می‌شود.

فیلم مجموعه آموزش داده کاوی و یادگیری ماشین – مقدماتی تا پیشرفته در فرادرس

کلیک کنید

در بخش خصوصی و کسب‌و‌کارها از تحلیل شبکه‌های اجتماعی برای فعالیت‌های پشتیبانی مانند تحلیل مشتریان و تعاملات آن‌ها، توسعه سیستم‌های اطلاعاتی، بازاریابی و هوش تجاری استفاده می‌کنند. از تحلیل‌های شبکه‌های اجتماعی همچنین در سازمان‌های ضدجاسوسی و فعالیت‌های اجرای قانون استفاده می‌شود. این تحلیل‌ها به پژوهشگران امکان می‌دهد که سازمان‌های مخفی مانند حلقه‌های جاسوسی، جرایم سازمان‌یافته خانوادگی یا باندهای خیابانی را شناسایی کنند.

اگر نوشته بالا برای شما مفید بوده، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:

• مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی
• آموزش تحلیل شبکه‌های اجتماعی با نرم افزار نودایکس‌ال (NodeXL)
• مجموعه آموزش‌های یادگیری ماشین و بازشناسی الگو
• آموزش اجتماع‌یابی (جامعه‌شناسی) در شبکه‌های پیچیده
• مجموعه آموزش‌های شبکه‌های عصبی مصنوعی
• مجموعه آموزش‌های هوش محاسباتی
• مجموعه آموزش‌های برنامه نویسی پایتون (Python)
• آموزش برنامه‌نویسی R و نرم‌افزار R Studio

^^