Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
UVOD U MREŽNIPRISTUP I ANALIZA
EGO MREŽADr.sc. Srebrenka Letina
Institut za društvena istraživanja u Zagrebu
Projekt: RACOSS (IP-09-2014-9351); 27/04/2016
Sadržaj
I. DIO
■ Što je mrežni pristup?
■ Kratka povijest pristupa
■ Metodologija mrežnog pristupa
■ Važnost mrežnog pristupa i poteškoće
■ Dvije vrste istraživanja
II. DIO
■ Analiza ego mreža
■ Istraživački primjeri
UVOD U MREŽNIPRISTUP
I DIO
Promislimo….
■ Što radimo u tipičnom istraživanju u društvenim znanostima?
■ Nezavisnost opažanja -> dekontekstualizacija – analogija sa biologom i mašinom za
mljevenje mesa.
■ “Zapadna” kultura –, individualnost i nezavisnost – važne vrijednosti,
fundamentalna atribucijska pogreška.
■ S druge strane:
– Intuitivno smo itekako svjesni važnosti “veza”
– Živimo u sve kompleksnijem i bržem svijetu, svi smo hiperpovezani.
“Sometimes, if you want to change a man's
mind, you have to change the mind of the man
next to him first.”
Meghan Whalen Turner,
“I think the next [21st] century will be the century of complexity. We
have already discovered the basic laws that govern matter and
understand all the normal situations. We don’t know how the laws fit
together…”
Stephen W. Hawking
Mrežni pristup
■ Što nije mrežni pristup – uobičajna kriva shvaćanja
■ Društvene mreže su grupe međusobno direktno ili nedirektno povezanih entiteta kojiimaju neki zajednički atribut (svojstvo).
■ Mreže mogu biti neformalne i formalne.
■ Postoje različite vrste mreža među pojedincima: obiteljske, prijateljske, poslovne…
■ Social Network Analysis (SNA) uključuje skup metoda, mjernih koncepata, i teorijakoje omogućuju empirijsko mjerenje društvenih struktura.
■ Omogućuje nekoliko razina analize: monadne, dijadne, različite razine grupa u jednoj mreži, više mreža simultano, više vrsta veza u istoj mreži – i kombinacije tihrazina
Analiza društvenih mreža se fokusira na “odnose
među društvenim entitetima, te na obrasce I
implikacije tih odnosa” (Wasserman & Faust,
1994, p.3)
ALI, u interesu nisu samo
društvene veze, već i interakcija
između veza I atributa
pojedinaca
Osnovni koncepti
• čvorovi (rubovi) tzv. akteri – mogu biti pojedinci, timovi (npr. sportski), organizacije, države itd.
- veze (bridovi) – procjena odnosa, neka teoretski relevantna veza s obzirom na predmet istraživanja.
■ Skup dijadnih veza iste vrste među akterima.
■ Čvorovi (akteri) – imaju attribute, ponašanja, stavove, motivaciju, osobnost
■ Veza je vrsta specifičnog odnosa. Veze mogu biti: (ne)prijateljstvo, povjerenje, financijska razmjena, suradnja, verbalna komunikacija, kontakt očima, ratovi, e-mail korespondencija, prostorna udaljenost ….
■ Ishodi na (barem) dvije razine: pojedinca i mreže
Pojedinci(čvorovi, akteri)
Veze(bridovi)
Po čemu je mrežni pristup specifičan?
■ SNA uzima u obzir kontekst u kojem se entitet (npr. pojedinac) nalazi.
■ Predstavlja interdisciplinarni pristupmjerenju društvenih struktura i okolineunutar koje pojedinac funkcionira.
■ Mrežna perspektiva je holistička, sistemska i neredukcionistička, naglašavavažnost elemenata koji čine neki sustav, ali i način na koji su oni spojeni.
■ SNA je integrirani skup teoretskihkoncepata i analitičkih metoda.
DEFINIRAJUĆA SVOJSTVA:
■ (1) uključuje intuiciju da su veze izmeđudruštvenih aktera važne;
■ (2) temelji se na skupu i analizi podatakao društvenim relacijama koje povezujeaktere;
■ (3) u velikoj mjeri se oslanja na grafičkeprikaze u svrhu prikazivanja i otkrivanjaobrazaca veza;
■ (4) razvija ili koristi matematičke iračunalne modele za opis i objašnjavanjetih obrazaca.
…nadalje…
■ Fokusira se na odnos među akterima, ne samo na njihove atribute.
■ Međuzavisno gledište, a ne atomističko (individualno) društvenih procesa i njihovog
učinka na pojedinca i grupu.
■ Struktura međuodnosa utječe na važne ishode pojedinih entiteta, ali i čitave grupe
(mreže).
ZAŠTO SU MREŽE VAŽNE?
■ U društvenim znanostima je postalo intutivno da se pitanja društvene strukture, difuzije i
utjecaja promatraju kroz prizmu mreža
■ Ljudi i/ili oganizacije su povezani relacijama različite vrste.
■ Društveno je po definiciji relacijsko. Ako želimo razumijeti društvene fenomene, moramo
razumijeti društvene relacije.
Nije svaka mreža – društvena mreža
Komunikacija među rukovoditeljima London undergound
U društvenoj mreži se događaju socijalni procesi
i društvena mreža ima svojstva koja izranjaju iz
tih lokalnih procesa (“emergence”)
Network science – znanost o mrežama■ Scopus: "social network analysis" OR "network science" OR "network
theory" OR "network approach"
Network Science - posebna
disciplina u nastajanju koja
prelazi tradicionalne
disciplinarne granice.
Gdje se sve mrežni pristup koristi?- Svugdje.
■ Širenje i sve veća upotreba mrežnog pristupa u brojnim disciplinama:
– informacijskim znanostima,
– matematici,
– komunikologiji,
– inženjeringu,
– upravljanju i organizacijskim znanostima,
– ekonomiji,
– političkim znanostima,
– psihologiji,
– antropologiji,
– javnom zdravstvu,
– medicini,
– fizici,
– statistici,
– sociologiji,
– zoologiji (ponašanje životinja),
– biologiji
– povijesti…
Primjeri tema■ Prijateljske mreže adolescenata
■ Arheološke mreže
■ Društvene mreže (DM) životanja
■ Promjene u DM i resursima kroz život
■ Suradnja i koordinacija
■ Komunikacijske mreže
■ Kvalitativne analize mreža
■ Kognitivne socijalne structure
■ LGBTQ mreže i zdravlje
■ Spol i DM
■ Negativne veze
■ Mreže i religija
■ Online mreže
■ DM i klimatske promjene
■ Političke DM
■ Organizacijske mreže
■ “Mračne” (kriminalne) mreže
■ Dinamika višerazinskih mreža
■ Etika u analizi DM
■ Teorija igara i mreže
■ Geografski i društveni proctor
■ Zdravlje, zdravsteva skrb i zajednice
■ Zarazne bolesti, ovisnosti i mreže
■ Inovacija i difuzija
■ Matematički modeli
■ Mrežne analize u obrazovnom kontekstu
■ Mreže i tržište
■ Migracije i mreže
■ Semantičke mreže
■ Socijalni capital
■ Znanstvena suradnja
■ Kolektivna akcija i društveni pokreti
Kako je nastao mrežni pristup? (I)
Još 1908. sociology Georg Simmel je govorio o
važnosti dijada i trijada.
New York
Times,
3,
travnja,1933,
Moreno -
sociogrami
MORENO
SIMMEL
Kako je nastao mrežni pristup? (II)
■ 1954. antropolog John Barnes počinje koristiti termin “social network”
■ Psihologija:
– sociometrija i sociogrami (razvojni psiholozi, Moreno – H. Jennings, 1934)
– Interakcija grupa s okolinom (Lewin) -> teorija vektora i topološki modeli
– Hawthorne studije ((Warner, Mayo, Roethlisberger & Dickson, 1932 –
“bank wiring room”))
– “teorija ravnoteže” (Heider,1944)
– “Mali svijet” Travers & Milgram, 1966
MILGRAM
HEIDER
LEWIN
…nastavak…
■ Antropologija
– ‘50-te, konflikti u grupama (Barnes, Bott, White)
■ Sociologija
– Teorija snage slabih veza (Granovetter, 1973)
■ Mathematika - “točke i linije” (teorija grafova)
– ‘60-te, Cartwright & Harary
– ‘60-te, Erdos & Renyi - teorija slučajnih mreža
■ Fizika
– Barabasi et al.(2002)
– Watts & Strogatz (1998)
– Newman (2001)
GRANOVETTER
ERDOS
BARABASI
Neke osnovne ideje mrežnog pristupa
Samo-organizirajući društveni
procesi
Mali svijet
Preferencijalno povezivanje
Teorija snage slabih veza
Socijalni capital
Difuzija/ zaraza/ socijalni utjecaj
Centralnost (popularnost, vodstvo)
Mrežne mjere: pozicija pojedinca i
karakteristike cijele mreže
Detekcije grupa
Mrežna dinamika
Karakteristike učinkovitih meža
Intervencije utemeljene na
poznavanju mreže
Statistički modeli mreža (ERGMs,
SOAMs, REMs…)
Lokalni samo-organizirajući procesi u društvenim mrežama
Formiranje veza u se događa prema nekoliko principa:
■ Reciprocitet (“ruka ruku mije”)
■ Tranzitivnost (“prijatelj mog prijatelja je i moj prijatelj”)
■ Popularnost (“kud svi…”)
■ Posredovanje (“zavadi pa vladaj”)
■ Grupiranje
■ Homofilija (“birds of a feather flock together”)
■ MEĐUTIM, NIJE NUŽNO DA SE TI PRINCIPI SLIJEDE, NASUMIČNOST (STOHASTIČNOST) JE VAŽAN ELEMENT U NASTANKU I RAZVOJU MREŽE.
Samo-organijziraući sustav:
postojanje nekih lokalnih
struktura može potaknuti
formiranje drugih struktura
Mali svijet – Travers & Milgram (1969)
NE
MA
• Slanje “pošiljke” - prosječna
duljina puta iznosila je 5,9 -
posredovalo je oko 6 osoba.
• Dodds i sur. (2003) su na
velikom uzorku napravili
replikaciju koristeći e-mail
poruke i dobili da je duljina puta
od 5 do 7 koraka.
Živimo u malom svijetu jer nas od svakog dijeli/ spaja tek nekoliko posrednika. Otuda
potječu izrazi „mali svijet“ i „6 stupnjeva razdvojenosti“
Erdosev broj
Kevin Bacon game
Ovdje govorimo o vezama poznanstva i
velikim mrežama
Mali svijet i drugi modeli
Brojna istraživanja su pokazala da je struktura malog svijeta dobra za
nastanak novih inovativnih ideja.
Ali, mnoge stvarne mreže nemaju strukturu malog svijeta.
Osim toga – mreže u vremenu rastu.
Model preferencijalnog povezivanja (Barabasi et al., 2001) –
predviđa postojanje aktera s nerazmjerno mnogo veza (tzv.
nerazmjerne mreže).
Metodologija mrežnih istraživanja
■ Neki specifični koraci istraživanja kod mrežnog pristupa i metodološke odluke
vezane uz njih. Koraci u istraživanju
Operacionalizacija veze
Uloga mrežnih varijabli
Uključenje atributa aktera u analizu
Određivanje vrste mrežnog nacrta
Definiranje populacije, granica, te
način uzorkovanja
Prikupljanje podataka
Vizualizacija podataka
Određivanje razina analize
Statističke analize
Definiranje “veze”
■ Na istoj grupi pojedinaca moguće je mjeriti nekoliko različitih odnosa, npr. od kontakta očima, verbalne komunikacije, stupnja sviđanja, pa sve do formalnih oblika suradnje.
■ Bitno je da se za procjenu odnosa koristi teoretski relevantna veza
VRSTE VEZA:
■ Mjera kojom se veza opisuje može biti binarna (veza ili postoji ili je nema) ili kvantitativna
(npr. broj susreta, broj zajedničkih radova). Ako nas zanima snaga veze (npr. koliko su
česte interakcije) može se koristiti npr. skala Likertovog tipa.
– Veze mogu imati i predznak (negativni ili pozitvni): važnost negativnih veza
■ Odnos može biti definiran na jedan od dva načina, kao usmjerena veza ili neusmjerena
veza. Može se gledati i smjer odnosa (tko inicira odnos).
Primjeri veza
• Srodstvo
Majka
Krvna veza…
• “Uloge”
Šef od …
Prijatelj od …
• Komunikacija, percepcija
Priča s …
Poznaje …
• Afektivni odnosi
–Vjeruje
–Sviđa, voli
• Interakcija
–Daje savjete
–Prima savjete
–Ima seksualne odnose s
• Afilijacija
–Pripadanje istoj grupi/klubu
–Dio iste (poslovne) jedinice
• Između organizacija, država, itd.
Kupuje / prodajePosjedujeSurađuju
Prikupljanje podataka
Odabir odgovarajuće metode prikupljanja podataka,
mogući su razni načini:
■ Intervjui, samoiskazni podaci
■ Opažanje
■ Podaci o članstvu
■ Arhivski podaci
■ Eksperimenti
■ Problem izvedbe, etičnosti i izvještavanja o rezultatima
Ljudi nisu najpouzdaniji izvor
informacija o svojim
kontaktima:
-Selektivno pamćenje
-Niz kognitivnih distorzija,
pristranosti
Strukture mreže – Bavelas, Levitt 1950-te, MIT: crveni čvorovi su centralni
Prikupljanje podataka samoiskazima
■ Možemo zaključivati samo o relacijama među skupom aktera koje smo ispitivali, zato je važno uhvatiti što veći dio aktera u mreži.
■ Problem otpada ispitanika – s težim posljedicama nego u drugim vrstamaistraživanja.
Neke općenite smjernice:
a) Formulacija pitanja:
• Otvorena lista - dosjećanje imena: zbog umora – manji broj kontakata
• Check lista – obično veći broj kontakata
c) Obično se postavljaju ograničenja na ~5 nominacija. To će uzrokovati pristranost u dobivenoj
mreži – neće biti tzv. “sociometrijskih zvijezda”, ali je ponekad jedini način provedbe.
d) Najbolje je pitati o konkretnim odnosima – npr. S kime ste razgovarali u proteklih… dana?; nego
pitati o stavovima – npr. Tko vam se sviđa?
Pita se samo za kontakte ispitanika, ne za kontakte među drugima – kognitivna društvena struktura
(CSS, Krackhardt, 1987)
Dva pristupa
■ Ako se mreže promatraju kao kognicije u umovima promatrača, onda se podaci
dobiveni od ispitanika mogu smatrati valjanima.
■ Ako se mrežu shvaća kao obrazac konkretnih interpersonalnih odnosa, onda je bolje
podatke prikupiti drugim navedenim metodama (opažanjem ili korištenjem arhivskih
podataka).
■ Prvi na veze gleda kao na prizme, a potonji ih vidi kao cijevi (eng. pipes) ili ceste, a
oba mogu biti korisna u različitim kontekstima, ovisno o istraživačkim pitanjima.
Mrežni pristup NE zanimaju samo veze
■ Mogu se prikupiti podaci o nekim karakteristikama aktera u svrhu određivanjasličnosti unutar grupa, ili kao eksplanatorni faktori, poput:
dob
spol
socioekonomski status
prihodi
obrazovanje
rezidencijalno porijeklo
zanimanje
nacionalnost
osobine ličnosti
radna učinkovitost (produktivnost)
Analiza mrežnih podataka
Softveri specijalizirani za analizu mreža, npr.:
■ UCINET 6 - NetDraw (Borgatti, Everett, & Freeman, 2002),
■ Pajek (Batagelj & Mrvar, 64. verzija 2011),
■ Gephi,
■ R,
■ Python (modul Igraph)
■ …
Ishodi analiza - deskriptiva
Svojstva mreže:
■ Veličina
■ Gustoća
■ Tranzitivnost (koeficijent grupiranja)
■ Broj komponenti
■ Prosječna duljina puta
■ Prosječni stupanj centralnosti
Pozicija pojedinca u mreži:
■ Centralnost (stupanj)
■ Posredništvo (betweeness)
■ Blizina (closeness)
■ Eigenvektor centralnost
■ …
Strukture mreža
mogu biti različite:
Višerazinske mogućnosti SNA analiza■ Vrste istraživanja mreža klasificirane prema smjeru kauzalnosti i razini
analize (Borgatti i sur., 2013)
• Individualna razina
(mikro)
– Kako pozicija
pojedinca u mreži
utječe na različite
ishode?
• Sistemska razina (makro)
– Kako struktura čitave
mreže utječe na
različite ishode?
Mrežne varijable kao
nezavisne/ eksplanatorne
Mrežne varijable kao
zavisne/ ishodi
Razina čvora
(mikrorazina)
Centralnost u mreži
povjerenja za predviđanje
napredovanja
Individiualan atribut za
predviđanje tko će biti
centralan u mreži
Razina mreže
(makrorazina)
Duljina (kratkoća) putova
u mreži komunikacije
grupe za predviđanje
sposobnosti grupe u
rješavanju problema
Vrsta organizacijske
kulture (naglasak na
kooperaciji ili
kompeticiji) za
predviđanje strukture
mreže povjerenja
NEKE DRUŠTVENEMREŽE
primjeri
Zašto su važne čitave mreže? Lokalni pogled
Zašto su važne čitave mreže? Globalni pogled
izvor: Borgatti
Suradnja među
odvjetnicima u
firmi (Lazega,
1999)
Suradnja među
znanstvenicima
(različite boje –
različiti odjeli):
neusmjerena mreža
Socijalna interakcija
među delfinima
Usmjerene kreditne
veze među
bankama u Firenci
1427 god. (Padgett
& McLean, 2011)
Promjena mreža:
inicijalna mreža
“tko zna koga po
imenu” na
radionici
Promjena mreža:
krajnja mreža “tko
zna koga po
imenu” na
radionici
Prijateljstva u
srednjoj školi
(Lusher, 2011)
Prijateljstva u
srednjoj školi
(Moody, 2001)
Boje: bijelci/
afroamerikanci/
ostalo
Seksualni odnosi
Colorado Spring
(Morris, Moody i dr.)
Boje: Žuto (Ž) / Plavo
(M)
Multirelacijske
mreže: Industrija
prijevoza i
proizvodnje (S. Italija)
Brazilska politička
arena 1992 (Mische,
2007)
Dvije ego mreže
(tamnije veze
prezentiraju
snažnije veze )
Y
X
Y
X
indegree outdegree
Mjere centralnosti na primjerima
Mjere centralnosti na primjerima
Mreže koautorstva po poljima
Pokazatelj Psihologija Sociologija Odgojne znanosti
N čvorova (n) 218 170 371
N veza (L) 422 159 488
Gustoća (g) 0.019 0.011 0.007
Dijametar (d) 9 10 15
Pokazatelj Psihologija Sociologija Odgojne znanosti
N čvorova u najvećoj
komponenti (%)
179
(82,1%)
74
(43,5%)
213
(57,4%)
N izoliranih
čvorova (%)
33
(15,1%)
72
(42,4%)
98
(26,4%)
N izoliranih dijada 3 9 14
N ostalih komponenti (n>2) 1 3 6
Pokazatelj Psihologija Sociologija Odgojne znanosti
Prosječan stupanj centralnosti (M i Mdn) 3,872 (3) 1,871 (1) 2,631 (2)
Koeficijent grupiranja (C) 0,34 0,23 0,26
Za slučajne mreže (n=100) 0,016 0,006 0,005
Prosječna duljina najkraćeg puta (l) 3,914 3,246 4,644
Za slučajne mreže (n=100) 4,042 6,292 5,855
Psihologija Sociologija Odgojne znanosti
Ishodi analiza – inferencijalna statistika
■ Ne mogu koristiti standardni statistički postupci koji polaze od pretpostavke o nezavisnosti pojedinih opažanja - povećanje vjerojatnosti pogreške tipa I.
■ Trebaju nam statistički postupci koji eksplicitno uzimaju o obzir zavisnost podataka.
■ Najčešće korišteni:
– Quadratic Assigment Procedure (QAP) ili MRQAP
– Exponential Random Graph Models (ERGMs)
– Stochastic Actor Oriented Models (SAOMs)
– Relational Event Models (REMs)
i Agent based modelling (ABMs)
■ Posebni softveri, računalno zahtjevno, višefazni proces, problem konvergencije(degenerativnosti) modela (ali statistička snaga mnogo veća nego u tipičnim nemrežnimistraživanjima).
Koji su “prigovori” mrežnom pristupu?
■ Nedovoljno teoretski usmjeren, samo metodološki pristup – Metodologija je
specifična i salijentna, ali nije samo skup analitičkih metoda – sadrži (i bazira se na)
mnoge teorije.
■ Statičan pristup – U podjednakoj mjeri kao i drugi pristupi – longitudinalne podatke
je u svim istraživanjima teško prikupiti.
■ Ne priznaje važnost djelovanja pojedinca – Danas to nikako nije slučaj!
Karakteristike aktera i djelovanje pojedinca se smatraju poželjnim elementima
istraživanja i teorija u SNA.
Kilduff i Brass (2010) zaključuju da jedna od najvećih prednosti mrežnog pristupa što nudi
posve novi pogled na mnoge društvene fenomene na različitim razinama.
NE zanemaruje se višesmjerna i dinamična priroda društvenih odnosa - Procesi na razini
pojedinca se obično kombiniraju i dovode do složenih sistema koji imaju neintuitivna svojstva
(Mason, 2010).
Problemi kod istraživanja cjelovitihmreža
■ Kod većih mreža, prikupljanje podataka je teško, dugotrajno i skupo.
■ Određivanje granica mreže je uvijek problematično.
■ Potrebno je maksimalizirati stopu valjanih odgovora (problem povjerljivosti
podataka, nemogućnost anonimnosti…).
■ Missing data – mogu se tretirati posebnim procedurama.
■ Etička pitanja: nema anonimnosti, a neki smatraju da je I etičko pitanje smijemo li
prikupljati informacije o drugima (u mreži) bez njihove dozvole.
Trebate li zaista mrežni pristup za svoje istraživanje?
Jesu li odnosi važni i ključni za vaš predmet istraživanja?
Zašto je zahtjevno provesti mrežnoistraživanje?
■ Poznavanje predmeta istraživanja i metode – mnoge znanstvene discipline se baverazličitim relacijskim fenomenima, relevantna istraživanja i analitičke mogućnosti suu brzom i konstantnom rastu
■ Definiranje granica mreže – lakše u organizacijskim istraživanjima
■ Proces prikupljanja podataka – problemi izvedbe i etičnosti
■ Obrada podatka – zahtijeva posebne softvere
■ Statističke analize – distribucije nisu normalne, uzorci nisu slučajni, međuzavisnostmjerenja – zahtijeva korištenje nestandardnih, novih (i često složenih) postupaka –npr. permutacijski testovi
■ Pitanje generalizabilnosti
Dvije osnovne vrste istraživačkih nacrta
Analiza ego(centričnih) mreža
■ Kvantifikacija interakcije izmeđupojedinca (ego) i svih drugih osoba(altera) povezanih direktno sa njime.
■ Može ispitivitai jedan ili višedruštvenih konteksta u kojima se pojedinac nalazi.
■ Od interesa su razna svojstva ego mreža I njihova povezanost s važnimishodima za pojedinca.
Analiza cijelih(sociocentričnih) mreža
■ Kvantifikacija interakcija unutar
dobro definirane grupe ljudi (jedan
kontekst).
■ Često se fokusira na identificiranje
globalnih strukturalnih obrazaca.
■ Većina istraživanja provedenih u
organizacijama.
Postoje dvije vrste analiza društvenih mreža. Odražavaju različite vrste podataka i razine
analize. Ponekad se istovremeno koriste.
ANALIZA EGO MREŽAII DIO
Naše istraživanje
■ Lewis, Ross i Holden (2012), i Lewis (2013) razlikuju dvije vrste suradnje:
– Konkretna - istraživači zajedno osmišljavaju i provode istraživanje, te zajednički objavljuju rezultate tog istraživanja. Takva suradnja je vidljiva i mjerljiva jer rezultira vidljivim ishodima.
– Ekspresivna - odnosi se na diskusiju, razmjenu ideja i informacija, intelektualnoj povratnoj informaciji i komentiranju istraživačkog rada.
■ Te dvije vrste suradnje nisu međusobno isključive, i gotovo svi znanstvenici su uključeni u ekspresivnu suradnju.
■ Odnos između njih nije jednoznačan, i jedna može proizlaziti iz druge.
■ Ova distinkcija je simplifikacija, ali je korisna jer naglašava da suradnja ima različita značenja i adresira ograničenja kod mjerenja suradnje preko publikacija jer ne pretpostavlja da su sve suradnje vidljive, te da postoje i drugi načini na koje se suradnja može konceptualizirati i mjeriti.
Analiza ego mreža
■ Kombinira perspektivu znanosti o mrežama sa podacima iz “tipičnih” istraživanja u
društvenim znanostima.
■ Više naziva za “ego” mreže: OSOBNE, PERSONALNE, EGOCENTRIČNE… - EGONETS
Ego mreže (egonets)
■ Jedinstvene su, ne postoji dvoje ljudi s istom ego mrežom (kako god je definirali).
■ Pretpostavlja se da razlike u ego mrežama utječu na stavove, ponašanja i stanja.
■ Na mnoge varijable od interesa društvenim znanstvenicima utječe socijalni kontekst
koji ego mreže opisuju.
– Osobnost
– Dobrobit
– Društvena podrška
– Ponašanja i stanja vezana uz zdravlje (pretilost, konzumacija opijata i droga,
rizična ponašanja, depresija, itd.)
Koraci u istraživanju
■ 1. Identificiranje populacije
– Uzorkovanje, ostavrivanje pristupa
■ 2. Određivanje izvora podataka
– Ankete, intervjui, opažanja, arhivski podaci (čestisu mješoviti nacrti)
■ 3. Prikupljanje podataka
– Konstrukcija instrumenta (on-line ili papir-olovka, oboje imaju prednosti i nedostatke)
Vizualna pomagala kod ispitivanja ego mreža
Istraživanja ego mreža
■ Svaki ispitanik daje informacije o:
- Njima važnim ljudima u određenom kontekstu (alterima) – NISU POTREBNA STVARNA ILI POTPUNA IMENA! – ANONIMNOST SAČUVANA.
- Vlastitim atributima (tzv. Ego pitanja: TO SU ZV, NV, ILI KONTROLNE VARIJABLE)
- Atributima altera (tzv. Alter pitanja, npr. dob, spol, SES, itd.)
- Kvaliteti odnosa sa (ili mišljenje o) alterima (tzv. Ego-alter pitanja, npr. učestalost komunikacije, bliskost, trajanje odnosa)
- Odnosima među alterima (tzv. Alter-alter pitanja, npr. Poznaju li se i koliko često komuniciraju)
■ Ego je svijet za sebe. Svaka ego mreža je tretirana kao odvojeni slučaj. – VEZE IZMEĐU EGA ILI ALTERA RAZLIČITIH EGO MREŽA SE NE ISPITUJU.
Veze u ovom nacrtu nisu
usmjerene. Istraživanja su
pokazala da je 49 do 60%
nominacija recipročno.
Istraživanje ego mreža - nastavak
■ Tipična istraživačka pitanja: povezanost individualnih karakteristika i ishoda s društvenom okolinom pojedinca.
■ Ovaj nacrt posebno koristan kad nas zanima više od jednog društvenog konteksta u kojem je pojedinac smješten.
■ Ego mreže su izvor:
– Informacija
– Društvene potpore
– Pristupa resursima
– Normativnog utjecaja
– Društvenog pritiska
– Itd.
■ Sve to može utjecati na ponašanje ega.
Prikupljeni podaci
■ Analiza ego mreža obično rezultira sa 3 seta podataka:
Ispitanik
(ego)
VAR_1 VAR_2 VAR_3 …
Alter _ID Ego VAR_1 VAR_2 VAR_3
1 1
2 1
3 2
Ego_1 Alter_1 Alter_2 Alter_3
Alter_1
Alter_2
Alter_3
EGO PODACI
ALTER PODACI
ALTER-ALTER PODACI
Softveri: Egonet, E-Net,
R egonet, UCInet
Dio analiza se može provesti u
Tipično korištenim softverima (npr. SPSS)
vizualizacije
Primjer: Istraživanje važnih ljudi u životu
■ U ovom dijelu bi vas htjeli doznati tko su važni ljudi u vašem životu. Molimo vas da u
svakoj od 7 skupina navedite inicijale osoba koji odgovaraju određenoj skupini.
Pritom je moguće da netko pripada u više skupina.
Prijatelji iz srednje škole Prijatelji s kojima ste studirali
Ljudi s kojima radite Ljudi s kojima se družite (odlazite u
izlaske, kino, zabave, shopping)
Članovi uže obitelji, I članovi daljnje
obitelji s kojima ste u kontaktu
(npr. rođaci, tete)
Ljudi iz društva/kluba kojima
pripadate
Ostali važni ljudi (npr. partner)
To je primjer “generatora
imena”, postoje i drugi
načini ispitivanja ego
mreža:
• Generator pozicija
• Generator resursa
Ali onda postaje malo kompliciranije…
Ispitanik treba odgovoriti
o postojanju veze između svih
svojih altera –
N altera * (N altera -1)
pitanja/2
Društveno okruženje kliničkih pacijenata(Pattison, Robins, Judd & Jackson, 2002)
Što nas može zanimati o ego mrežama(varijable)
■ Veličina mreže (isto što i centralnost ega)
■ Struktura mreže
■ Kompozicija mreže, heterogenost mreže, homofilija
■ Prosiječna snaga veze
■ “Kvaliteta” mreže – prosjek/medijan/maks alterovih atributa (npr. prihoda) – “Vrijediš onolikokoliko vrijedi tvoja mreža” (teorija socijalnih resursa/kapitala, Lin)
NEKE MJERE:
E-I indeks
Gustoća
Ograničenje (redundantnost)
Blauov infeks heterogenosti
Teorija snage snažnih veza■ Mnogi utjecaji i promjene ne ovise samo o novim informacijama za koje slabe veze
mogu biti prednost - za značajne utjecaje ključnije su snažne veze.
■ Krackhardt (1992) - za prijenos složenih znanja važne su jake veze - „snaga snažnih veza“.
•Snažne veze među
organizacijskim jedinicama
pospješuju transfer složenih
znanja, dok su slabe veze
dovoljne za manje složena
znanja.
•Važne su i zato jer su indikator
društvenog kapitala, te mogu
biti pokazatelj odnosa
povjerenja, dobre reputacije i
stabilnosti mreže
A
B
C
?
Teorija snage slabih veza
■ Granovetter (1973) – pronalazak posla
Povezivanje mikro i makro razine
Ljudi učinkovitije nalaze posao preko
slabih veza (poznanika) nego preko
snažnih veza (prijateljstva): 27.8% vs.
16.7%
James
Izvor: Burt (2001)
A
C
B
Robert6
7
5
1
32
4
Robert će biti uspješniji od Jamesa:
-Ima pristup većem broju različitih informacija
-“tertius gaudens” – situacija u kojoj jedna osoba profitira zbog
nepostojanja veze (ili postojanja konflikta) između dvije druge
osobe
Tko ima bolju poziciju u mreži? – prema SH teoriji
Digresija: različite vrste posredništva■ Koju ulogu ima čvor (akter) B?
■ OVISI O SMJERU VEZE
KoordinatorPoveznik (“veza”) Predstavnik
Gatekeeper Savjetnik
Izvor: Borgatti, 2005
Strukturalne pukotine vs. Socijalno zatvaranje (kohezija)
• (A) Coleman:
U zatvorenim grupama je pospješeno povjerenje i suradnja
(empirijski dokazi na uzorcima srednjoškolaca koji su napustili školovanje)
• (B) Burt:
Strukturalne pukotine dovode do poduzetničkih prilika
(empirijski dokazi na uzorcima američkih rukovoditelja)
B
A
COLEMAN
BURT Implicitna hipoteza:
Na prilike ega utječu veze koje postoje, ili ne postoje, između
onih sa kojima je ego povezan.
Burt vs. Coleman
Burt smatra:
Strukturalne pukotine bolje predviđaju uspjeh pojedinca od kohezivnih (zatvorenih) grupa - Ego dobiva brojne kompetitivne prednosti i veći povrat uloženog ako njegove slabe i direktne veze prelaze preko strukturalnih pukotina, jer time služe kao mostovi među drugim pojedincima.
Mnogo strukturalnih pukotina: moć, informacije, sloboda
Istraživanja: brže napredovanje, veće plaće, bolje evaluacije neovisno o karakteristikama posla (i stažu) koji bi se mogli povezati s ljudskim kapitalom.
Coleman smatra:
Kohezivne grupe su dobre jer se informacije šire brzo unutar grupe.
… i pospješuje povjerenje – strah od loše reputacije smanjuje vjerojatnost opurtunističkog ponašanja.
- Snažne ego veze omogućuju međusobno pomaganje i osjećaj odgovornosti, te društvenu kontroludevijantnih ponašanja.
VS.
Opisi nekih mjera
Mjere strukture ego mreža
Efektivna veličina Broj altera minus prosječni stupanj centralnosti altera unutar ego
mreže, ne brojeći veze prema egu.
Učinkovitost (eng.
efficiency)
Efektivna veličina podijeljena s brojem altera u ego mreži.
Ograničenja (eng.
constraint)
Mjeri koliko je ego povezan s alterima koji su povezani s njegovim
drugim alterima, odnosno koliko veze ega vode natrag na iste
kontakte.
E-I indeks Mjeri homofiliju/heterofiliju – tendenciju ega da se povezuje s
alterima koji su mu slični s obzirom na neke atribute. Na razini
cjelovite mreže se može koristiti sofisticiranija mjera Q.
j q
jqiqmp1
2
q
qjiqijij pppC
Efektivna veličina/
opažena veličina
Ključno za moć i učinkovitost je, prema Burtu, u posjedovanju neredundantnih kontakata. Veza je redundantna ako vas povezuje s nekime s kime ste već posredno povezani.
Najučinkovitije mreže su one u kojima svaka veza void u posve drugi socijalni svijet.
Redundanta &
ograničena ego
mreža
Lokalno
redundanta ego
mreža
Učinkovita ego
mreža
Ograničenja
Visoko Nisko
Burtove strukturalne pukotine
Kako mjerimo koheziju?
■ Isto kao gustoću kod cjelovitih mreža, samo bez ega (egonet minus ego).
e
2
31
45
1 2 3 4 5
1
2
3
4
5
1 1
1 1
1
2
31
45
gustoća=[n veza(n veza -1)/2]=.0.5
Prednosti istraživanja ego mreža u odnosu na istraživanja cjelovitih mreža
■ Podatke je lakše prikupiti, (kao u tipičnom istraživanju u društvenim znanostima).
■ Anonimnost ega i altera može biti očuvana.
■ Ispitanici – (“focal individual” u ego mreži) mogu biti izabrani po slučaju.
■ Moguća primjena standardnih statističkih postupaka s kojom je većina znanstvenika
upoznata.
■ Daje informacije lokalnom mežnom kontekstu, što može biti od primarnog interesa.
Neke poteškoće istraživanja ego mreža
■ Upitnici su često vremenski zahtjevni za ispitanike, posebno kad ego ima mnogoaltera ((N altera * (N – 1))/2).
– Neki put je moguće mrežne koncepte ispitati koristeći “obična” (proxy) pitanja, npr. “Da li je većina vaših suradnika iz iste znanstvene discipline?”
■ Nije moguće zaključivati o globalnoj strukturi iz ego mreža – nema načina da znamokako se ego mreže različitih ljudi preklapaju.
■ Tretira svaku ego mrežu kao nezavisnu, što može biti (i često je) netočno.
■ Nije moguće odrediti kako pozicija u širom kontekstu utječe na karakteristikelokalne ego mreže.
■ Oslanja se na ispitanikovu sposobnost točnog dosijećanja: postoje osobne isituacijski izazvane pristranosti u dosjećanju altera i točno dosjećanje ovisi o energiji i interesu ispitanika.
Pr. istraživanja – znanstvenici iz tri polja društvenih znanosti u RH (1992 - 2012)
h
h
Mrežne varijable M Mdn SD Cv Maks. rez. Asimetričnost
Broj svih veza 12,61 6 21,586 1,71 212 4,399
Stupanj u polju 2,81 2 3,441 1,4 25 2,241
Broj vanjskih veza 9,23 3 19,554 2,12 204 4,992
Maks. Snaga veze 3,34 2 4,192 1,26 37 3,61
Efektivna veličina 9,31 3,86 14,858 1,60 132,27 3,716
“Prosječna” ego mreža
Primjeri mreža
■ Primjeri mreža znanstvenika s barem 5 (iznad medijana) objavljena
rada u vremenskom periodu od 1992. do 2012.
78
Ego mreže najproduktivnijih
Karakteristike ego mreža najproduktivnijih:
• vrlo veliki broj suradnika/koautora
• učestale su interdisciplinarne suradnje - uključuju i suradnje sa znanstvenicima iz druga dva polja
• postojanje „snažnih“ veza
• postojanje višeautorskih radova, međunarodne suradnje
• sve mreže su kompleksne mreže koje sadrže i kohezivnu grupu koautora i nepovezane suradnike (strukturalne pukotine)
79
PsihologijaSociologijaOdgojne znanosti
Pr. istraživanja – Melbourne University
■ Lewis, Letina i Woelert (2016) su na malom uzorku znanstvenika sveučilišta u
Melbourneu iz tri polja znanosti (humanističke znanosti –H; društvene znanosti – SS
i prirodne znanosti - S) analizirali bibliometrijske podatke iz centralne e-baze
sveučilišta u Melbourneu i podatke o ekspresivnim mrežama dobivene intervjuom.
Konkretne (koautorske mreže)
povijest komunikacijske znanosti i
kulturne studije
anatomija i neuroznanostbotanika
Kako su se prikupili podatci o ekspresivnim mrežama?
■ Pitanje u intervjuu vezano uz ekspresivne mreže:
■ Over the last five years, who have you discussed your research interests and ideas with the most (up to 10 people)?
Name Location Discipline Level/
Position
Male/
Female
Colleague (C) only OR
Friend and Colleague (F)
Konkretna vs. ekspresivna suradnja& preklapanje
7.698.62
8 8.07
1.95
4.85
2.53.17
H S SS TOTAL
number of discussion partners
overlap between discussion partners and co-authors
Preklapanje konkretne i ekspresivne
mreže (razlike su statistički značajne)
Deskriptiva ekspresivnih mreža popodručju
H S SS
N 246 224 216
Personal closeness 67.5 64.7 59.7
Gender homophily 60.6 55.8 56.5
Level homophily 20.3 26.3 21.3
Discipline homophily 46.3 50 46.3
Geographic proximity
(same city) 31.7 36.6 35.6
0
10
20
30
40
50
60
70Personal closeness
Gender homophily
Level homophilyDiscipline homophily
Geographic proximity
(same city)
Humanities Science Social Science
Sličan obrazac rezultata za sva tri područja kad je jedinica analize pojedini alter.
Ali kad su alteri agregirani s obzirom naego…
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8Personal closeness
Gender homophily
Level homophilyDiscipline homophily
Geographic proximity
(same city)
Humanities Science Social science
H S SS
N 32 26 27
Personal closeness 0.8 0.73 0.5
Gender homophily 0.57 0.6 0.6
Level homophily 0.17 0.2 0.2
Discipline homophily 0.32 0.6 0.5
Geographic proximity (same
city) 0.35 0.33 0.33
Čini se da postoji različiti obrazac rezultata po područjima kada je jedinica analize ego, npr. samo
50% altera u ekspresivnoj mreži su i prijatelji i kolege egu u društvenim znanostima.
Podaci ego mreža imaju višerazinskustrukturu
■ Npr. 20 ispitanika (ega), svaki ima 45 altera – ukupno 900 dijada.
■ Tri načina analize:
– Disagregirana analiza – jedinica analize: alteri
– Agregirana analiza – jedinica analize: ego mreža
– Višerazinska analiza (razina 1: alter i alter-ego parovi; razina2: ego) – jedinica analize: veze u ego mreži.
■ Moguće ERGM/SIENA za svaku ego mrežu, a zatim meta-analizasvih ego-mreža.
ego
alter
■ Ovisno o istraživačkom pitanju – na raspolaganju su mnogi i različiti statistički postupci
■ Preporuča se kombiniranje nekoliko metoda za najbolji uvid
Longitudinalne analize ego mreža: potencijalna istraživačka pitanja
■ Feld i dr. (2007):
Razina analize
Vrste promjene
Postojanje veza Vrsta veza koje postoje
Veza Koje veze nastaju, a koje
nestaju
Kako se karakteristike veza
mijenjaju
Ego mreža Širenje i sužavanje
mreže
Promjene u generalnim
svojstvima ego mreža
Predviđanje odlaska na drugosveučilište
■ Postoji li prediktivna vrijednost ego mreža za ishod ostanka ili odlaska sa sveučilišta?
■ Znanstvenici koji su otišli sa sveučilišta u Melbourneu su imali ego mreže koje su u većoj mjeriimale altere istog spola, manje altera koji su iz iste znanstvene discipline, te manje altera kojisu I kolege i prijatelji.
■ Ali, nismo mogli kontrolirati spol, područje znanosti, premali uzorak…
stayed at
UoM
80%
Moved from
UoM
20%
stayed at UoM Moved from UoM
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70Gender homophily
Personal closeness
Discipline homophilyLevel homophily
Geographic proximity
(same city)
stayed at UoM Moved from UoM
Pitanja?
LITERATURA
■ On line izvori i materijali sa predavanja. Autori: Lusher, Robins, Borgatti, Valente, Luis Molina, Lubbers…
■ Letina, S. (U tisku): Uvod u analizu društvenih mreža: koautorstvo znanstvenika iz tri polja društvenih znanosti od 1992. do 2012. Hrvatska sveučilišna naklada.
■ Lewis, J. M., Letina, S., & Woelert, P. (2016). Understanding the structures and effects of research collaboration. Melbourne School of Government – Incubator Research Project Grants – Research Report.
Udžbenici o DM:
■ Borgatti, S. P., Everett, M. G., & Johnson, J. C. (2013). Analyzing social networks. Los Angeles; London: SAGE Publications.
■ Prell, C. (2012). Social Network Analysis: History, Theory and Methodology. SAGE Publications Ltd.
■ Scott, J. (2012). Social Network Analysis. Third edition. Sage publications.
■ Robins, G. (2015). Donig Social Network Research. Network-based research design for socialscientists. Sage Publications.
O analizi ego mreža:
■ Crossley, N., Bellotti, E., Edwards, G., Everett, M.G., Koskinen, J., Tranmer, M., 2015. Social Network Analysis for Ego-nets. Sage Publications Ltd., London.
Hvala na pažnji!
Kontakt: [email protected]
Što je zajedničko Facebooku,
financijskom sustavu, Internetu, društvu i
ljudskom mozgu?
“Sve je povezano, sve je mreža."