#1EXTRAIR, MINERAR E VISUALIZAR CONTROVÉRSIAS EM REDES SOCIAIS

Rede VemPrarua: junho a outubro de 2013

Prof. Dr. Fábio MaliniUniversidade Federal do Espírito Santo

curso naCâmara dos DeputadosLaboratório Hacker

#1objetivos

Prof. Dr. Fábio Malini :: curso Câmara dos Deputados

Compreender os Termos e Medidas básicos utilizados na análise de redes sociais.

Extração de redes para analisar as métricas dentro de uma rede social.

Capacitação no uso do software Gephi e em análise semântica de controvérsias na rede.

#1objetivos

Prof. Dr. Fábio Malini :: curso Câmara dos Deputados

Compreender os Termos e Medidas básicos utilizados na análise de redes sociais.

Realização de atividade prática para consolidar o conhecimento teórico adquirido.

Capacitação no uso do software Gephi e em análise semântica de controvérsias na rede.

#1.1Termos e definições na análise de redes sociais.

Prof. Dr. Fábio Malini UFES

- Nó. Representado, numa rede, por pontos. Em redes sociais, os nós representam o nome do perfis.

fabiomalini

ufeslabic

ufesonline

francisodre

#1.1Termos e definições na análise de redes sociais.

Prof. Dr. Fábio Malini UFES

- Aresta. Representado, numa rede, por linhas. Em redes sociais, as linhas revelam as ações dos perfis: compartilhamento (RTs) ou comentários (ATs) de uma mensagem.

fabiomalini

ufeslabic

#1.1Nós e arestas.

A B

uma aresta(RTs, Shares, Replies, Ligação...)

Nóshumanos ou bots

Nós e arestas possuem atributos. Ex: conteúdo de um tweet é atributo de uma aresta.

Rede direcional Rede não-direcional

5

O peso da rede(valor atribuído nas arestas)

#1.1arestas.Importante:As arestas podem ser de tipo Simples ou de tipo Ponderada.

simples: quando a ligação não possui peso

ponderada: quando diferentes arestas possuem pesos distintos.

5

3

1Quando o peso da aresta entre dois nós é forte, conceituamos a relação de “laços fortes”.

#1.1Clusters.

É um conjunto de nós fortemente conectado.

Cluster 04

Cluster 02Cluster 03

Cluster 01

Clusters, em termos sociais, são grupos de interesses comuns. São estruturas de afinidades. Perspectividades.

#1.1Grafo.

Cluster 04

Cluster 02Cluster 03

Cluster 01

É a representação gráfica de uma rede interativa.

Ele pode ser:- Direcional ou dirigido: quando um nó possui ligação com outro não necessariamente recíproca (ex: Instagram, Twitter);

- Não direcional ou não dirigido: quando a ligação entre dois nós é necessariamente recíproca (ex: Facebook e Orkut).

MEDIDAS NA ANÁLISE DE REDES SOCIAIS

#1.1Estatísticas

As medidas ajudam no entendimento dos papéis sociais (em sentido amplo, nas subjetivações) constituído pela ação dos perfis nas redes sociais.

#1.1Estatísticas

GRAU MÉDIODefine o peso dos nós de acordo com a quantidade de suas conexões.

Grau de entrada: número de conexões que um nó recebe de outro.

Grau de saída: número de conexões que sai de um nó para outro.

#1.1Estatísticas

GRAU PONDERADO MÉDIO

Similar ao grau médio, mas, para a sua medida, utiliza-se dos pesos das arestas em seu algoritmo para então definir o peso dos nós.

A recebeu 50 Retweets de B

C recebeu 10 Retweets de B, 10 de D, 5 de E, 5 de F,

João recebeu doação de R$ 50 mil da empresa Slide.

Maria recebeu doação de R$ 50 mil reais de 50 empresas diferentes, no valor de R$ 1 mil.

Qual é a diferença de GRAU e GRAU PONDERADO MÉDIO?

João e Maria possuem o mesmo Grau. Mas Maria possui um valor maior em seu grau Ponderado Médio, por conta da diversidade de suas relações.

A3

1

B

C10

2

1

6

Qual dos nós possuirá maior GRAU MÉDIO?

1

2

2

EF

D

( ) A( ) B( ) C( ) D( ) E( ) F

A3

1

B

C10

2

1

6

Qual dos nós possuirá maior GRAU PONDERADO MÉDIO?

1

2

2

EF

D

( ) A( ) B( ) C( ) D( ) E( ) F

A3

1

B

C10

2

1

6

Qual dos nós possuirá maior GRAU PONDERADO MÉDIO DE ENTRADA?

1

2

2

EF

D

( ) A( ) B( ) C( ) D( ) E( ) F

( ) A( ) B( ) C( ) D( ) E( ) F

Qual dos nós possuirá maior GRAU DE SAÍDA?

A3

1

B

C8

1

1

41

1

2

EF

D

2

A3

1

B

C8

1

1

41

1

2

EF

D

2

GRAU de entrada: é uma medida de popularidade.

GRAU de saída: é uma medida de intensidade informativa.

#1.2Extraindo dados para identificar o grau de um nó numa rede social.

Prof. Dr. Fábio Malini UFES

Crawl: importado do inglês, o verbo “crawlear” (“to crawl”) neste contexto significa minerar/coletar dados da web, de mídias, de redes sociais etc.

Prof. Dr. Fábio Malini UFES

FlockerWebapp que age como estruturador de redes de retweets em tempo real. Permite exportar o grafo criado para GEXF, PNG e SVG.http://flocker.outliers.es/

NetvizzAplicativo do Facebook de fácil utilização que possibilita extrair redes de amigos, páginas e grupos a que o usuário está conectado.https://apps.facebook.com/netvizz/

#1.2Crawlers

Prof. Dr. Fábio Malini UFES

NodeXLExtensão para o Microsoft Excel que permite extrair dados de redes comoFacebook, Flickr, Twitter e Youtube, assim como posterior exportação para Gephi.http://nodexl.codeplex.com/

GNIPPermite extrair dados da rede do Twitter. É o único que não possui limite de tempo de publicação do tweet nem limite de requisições ao servidor.http://gnip.com/

#1.2Crawlers

Prof. Dr. Fábio Malini UFES

YourTwapperKeeperPermite a configuração de diferentes keywords para monitoração,captura e armazenamento de tweets em tempo real. Necessita de instalação.https://github.com/540co/yourTwapperKeeper

#1.2Crawlers

TELA DO YTKAS PRIMEIRAS EXTRAÇÕES DO LABIC/UFES E CIBERCULT E MEDIALAB / UFRJ(processo de pesquisa Cartografia das Controvérsias políticas na internet – CNPq/CAPES)

Prof. Dr. Fábio Malini UFES

Analisando um arquivo de grafos no Twitter: o caso do #MarcoCivil.

#1.3Atividade Prática

Muito Obrigado!E até breve!

fabiomalini@gmail.comhttp://labic.net27 4009 2752