martes, 31 de mayo de 2016

Twitter político en Argentina: Un ejemplo

Campaña sucia y Twitter
LA GRIETA ES UN ALGORITMO
Por Ernesto Calvo - Revista Anfibia


Daniel Scioli acusó a Mauricio Macri de orquestar una campaña sucia en su contra a través de perfiles falsos y robots. Un análisis de los 280 mil tuits que se escribieron sobre las inundaciones en la Provincia de Buenos Aires demuestra que la campaña sucia existió, pero su efecto no alteró la manera en que circularon los mensajes en las redes sociales. En la Argentina 2015, Twitter no solo refleja la polarización sino que la crea a través de sus algoritmos: oficialistas y opositores viven en barrios separados y casi nunca se cruzan.


Ya lo dijo Von Clawsewitz en su clásico texto de 1832: “Twitter es la continuación de la política por otros medios”. Trascendidos, primicias y filtraciones de todo tipo coexisten con información dudosa o demostrablemente falsa; para la exasperación de políticos, periodistas y celebridades del deporte y el arte. Los agravios e insultos molestan por igual a las diez cuentas falsas de Messi y a las tres del Cuervo Tinelli, así como a los múltiples Sciolis, Lanatas y Larretas que compiten por las preferencias de los tuiteros Argentinos. Efectivamente, las redes sociales tienen sus personajes oscuros y sus barrios complicados. Regiones de la web por donde difícilmente se atrevan a salir a caminar los buenos ciudadanos que mantienen sus cuentas verificadas y sus computadoras en orden.

Este mundo de mensajes dudosos e identidades esquivas entró de lleno en la campaña electoral la semana pasada, cuando Daniel Scioli denunció al gurú electoral de Mauricio Macri, Jaime Durán Barba. Según la denuncia presentada ante la Dirección Electoral, el Frente Cambiemos orquestó una campaña sucia en Twitter para sacar rédito electoral de las inundaciones de la segunda semana de agosto y que afectaron con particular virulencia a la Provincia de Buenos Aires. Al parecer, según consta en la denuncia, alrededor de 50 mil cuentas fueron utilizadas para diseminar información injuriosa y/o falsa. Trolls, fakes y bots se ocuparon, respectivamente, de mentir, ironizar desde el anonimato y diseminar de forma compulsiva información que, se supone, atentaría contra las reglas de la competencia electoral.

Estas críticas, por supuesto, no son nuevas. La proliferación de trolls, fakes y bots tiene una larga tradición en Twitter, inundando las redes sociales a lo largo de conflictos tan diversos como fueron la Primavera Arabe, #Ferguson, #Baltimore, #Nisman y #Ayotzinapa. En mi libro “Anatomía política de Twitter en Argentina: Tuiteando #Nisman” (que saldrá en septiembre), transcribo la queja de un ex-directivo de Twitter, quien en un memo interno afirmaba: “Estoy francamente avergonzado de cuán pobremente hemos lidiado con este problema [trolls, fakes y bots] durante mi estadía como jefe de Operaciones [de Twitter]”.

En efecto, si bien las redes sociales democratizaron la diseminación y el acceso a la información, también crearon un universo de patologías informativas que son sistemáticamente utilizados para hacer negocios y para hacer política. Desde la venta de “seguidores” para aumentar la popularidad de usuarios hasta el bullying compulsivo y sistemático a través de identidades falsas o mercenarios informáticos.

A pesar de las críticas generalizadas a los trolls, fakes y bots, existe una pregunta central cuya respuesta no es tan sencilla de responder: ¿sirve hacer campaña negativa en Twitter para aumentar el apoyo entre los votantes? La respuesta, como muestro a continuación, pareciera ser un “no mucho”. Poco a poco la evidencia se va acumulando, mostrando que no todos los usuarios reciben la misma información, no muchos dan crédito a esta información y la mayoría de ellos son informáticamente “ciegos” a las operaciones twitteras.

Las inundaciones y la cámara de eco

Para evaluar el efecto de las redes sociales, y su uso electoral, lo primero que es necesario entender es que la magnitud de la información producida en la red es extraordinaria. Entre el 12 y el 15 de Agosto se publicaron más de 280 mil tuits sobre las inundaciones de la Provincia de Buenos Aires. Estos cientos de miles de tuits contaron con la participación de más de 100 mil cuentas de usuarios. Es decir, del evento mediático #inundados participaron alrededor del doble del número de cuentas denunciado ante la dirección electoral. Estas cuentas, todo indica, tuvieron más usuarios que fakes, más fakes que trolls y más trolls que bots. Todas patologías que tienen su propia “huella digital” en internet.

A su vez, si bien el número de tuits relativos a las inundaciones es significativo, representa tan sólo una pequeña fracción de los más de 500 millones de tuits que se publican cada día en todo el mundo. Puestos en contexto, tan sólo un 0.014% de los tuits producidos durante esos cuatro días se refirieron al tema de las inundaciones.

Si estamos interesados en leer uno de estos 280 mil tuits, entre los 500 millones producidos diariamente, ¿cuál deberíamos leer primero? Como muchos de los lectores seguramente saben, las redes sociales como Facebook, Instagram o Twitter, analizan nuestro comportamiento en la red así como la información de nuestras cuentas para decidir qué tipo de información ofrecernos. Esto es necesario cuando se producen millones de tuits por día. Si indicamos que nos gustó una publicación de Aníbal Fernandez, Twitter nos ofrece una publicación de Cristina Fernandez. Si retuiteamos una publicación de Gabriela Michetti, Twitter nos ofrece un tuit de Mauricio Macri. En la medida en que Twitter busca maximizar nuestro placer informativo, todas las actividades que depositamos en nuestros muros son utilizadas para definir qué tipo de publicaciones desearíamos ver. Es decir, la información que recibimos es un eco de aquello que depositamos en Twitter. Tanto favs como retuits son procesados por algoritmos que después ofrecen nuevas publicaciones (o nuevos productos) en nuestros muros.

El resultado de estos mecanismos informativos es que cada uno de nosotros recibe distintas publicaciones y ve distintos tipos de información en sus muros. En efecto, cada uno de nosotros vive en un mundo virtual en el cual todos somos mayoría. Quienes comulgan con la oposición viven en un mundo tuitero que se encuentra saturado de opositores. Quienes comulgan con el gobierno viven en un mundo oficialista.

¿Y dónde viven los trolls, los fakes y los bots? En los barrios que los reciben y que repiten sus mensajes. Es decir, en comunidades donde lo que ellos dijeron ha sido fav y ha sido retuit. Por tanto, la culpa no es del troll sino del que le da de comer. Pero como ocurre con los perros de la calle, los trolls vuelven a quienes los alimentaron, dado que Twitter considera estas actividades al decidir qué publicaciones pone en nuestro muro.

Cuando vayas a Twitter haz lo que Twitter hace

También nosotros podemos ver distintas realidades oficialistas y opositoras en Twitter, para entender el modo en que la polarización se propaga por las redes sociales. Es decir, podemos analizar cómo se diseminan distintos tipos de mensajes políticos entre comunidades de usuarios, utilizando las mismas herramientas que explican la formación de comunidades tuiteras.

Consideremos por ejemplo los 280 mil tuits relativos a la inundación, los cuales fueron capturados por Ailin Accinti de la Universidad de San Martín entre el 12 y el 15 de Agosto. Entre estos mensajes, existen 205.353 publicaciones que retuitean información producida por otros usuarios. Por ejemplo, el 13 de Agosto @elkaiser63 publicó este tuit:




Este tuit fue retuiteado por más de dos mil usuarios, los cuales también intercambiaron información con otros usuarios de la red. Desde fakes como @elkaiser63, pasando por medios de comunicación tradicionales como Télam o La Nación, hasta políticos como Aníbal Fernández, la comunidad de Twitter se ocupó de transmitir información y, al hacerlo, reveló sus afinidades políticas.



Mucho ruido y pocas nueces


El cuadro 1 sintetiza los retuiteos de los principales medios relativos a la inundación, 12 al 15 de agosto, y nos muestra porqué Daniel Scioli no debería estar preocupado respecto de la “campaña sucia” en Twitter. Para elaborar la red se incluyeron102.853 cuentas de usuarios y 280.590 tuits y 205,353 retuits. Las líneas describen retuits de los mensajes enviados desde las cuentas de @lanacioncom, @clarincom, @AgenciaTelam y @C5N, y los círculos describen usuarios de Twitter cuyo tamaño depende del número de retuits. A diferencia de las inundaciones, que cubrieron la totalidad de la provincia, los mensajes opositores en Twitter sólo circularon por barrios opositores. Los tuits producidos desde la cuenta @lanacioncom o @ElisaCarrioArg sólo fueron retuiteados por la comunidad opositora. A la vez, muy pocos tuits de Télam fueron retuiteados desde el campo opositor así como muy pocos tuits de La Nación y Clarín fueron retuiteados desde el oficialismo. En cada una de estas comunidades, distintos medios periodísticos “fueron mayoría”.



El cuadro 2 toma uno de los tuits más difundidos durante las inundaciones, publicado desde la cuenta @Lanataenel13, que afirmaba: “Que Scioli sea candidato, es un insulto al país. Debería ser destituido, como Aníbal Ibarra después de Cromañón”. En el gráfico, los círculos describen usuarios de Twitter cuyo tamaño depende del número de retuits, mientras que los óvalos son grupos de usuarios que siguen a las distintas cuentas.. Sobre un total de 1.539 retuits entre el 12 y el 15 de agosto, tan sólo una veintena fueron realizados por usuarios conectados a la comunidad oficialista. ¡Tan sólo alrededor de un 1,2%! Es decir, los mensajes “destituyentes” sólo circularon por barrios opositores, en donde la oposición es mayoría. Mientras tanto, los mensajes oficialistas sólo circularon por barrios oficialistas, en donde el oficialismo es mayoría.   Ni tanto troll, ni tanto efecto   Un análisis de los tuits relativos a la inundación muestra que tanto el gobierno como la oposición han construido sus narrativas sobre pilares poco sólidos. Si bien el sciolismo afirmó que alrededor de 50.000 cuentas usadas eran trolls, fakes o bots; en los días posteriores a la inundación la tuitosfera estuvo dominada informativamente por viejos conocidos de la política Argentina: @ElisaCarrioArg, @Lanataenel13, @lanacioncom, @clarincom. Estos usuarios han sido activos opositores al gobierno y, si bien los primeros dos son usuarios administrados, la actividad opositora de estas cuentas no opera como una cuenta troll (como ejemplo de una cuenta troll puede verse al falso Tinelli, @cuervotiinelli, con doble i). Otras cuentas como la de @elkaiser63, si bien son anónimas, se encuentran bien establecidas y en el pasado tomaron posiciones más cercanas al gobierno. Tampoco existe evidencia de que la diseminación de información fuese llevada adelante mediante bots, dado que de las 100 mil cuentas que tuitearon sobre las inundaciones la gran mayoría carece de los identificadores de repetición que caracterizan a las cuentas automatizadas.   Sin embargo, los tuits publicados durante el período de las inundaciones también muestran un alto grado de concentración de la información en unos pocos actores cercanos a la oposición. Alrededor de un 1% de los usuarios produjo más del 40% del contenido relativo a las inundaciones que circuló entre el 12 y el 15 de Agosto. Este contenido fue en su gran mayoría opositor, se difundió entre comunidades de usuarios opositores y no estuvo orientado a atender a las necesidades de los damnificados.   La estabilidad de las comunidades en Twitter   Los argentinos cambian muy gradualmente a sus amigos en Twitter y tienen núcleos de seguidores estables en las distintas redes sociales. Como consecuencia, las comunidades informativas que observamos al analizar los diálogos tuiteros de las inundaciones no son muy distintas a las comunidades que caracterizaron al caso #Nisman, a las comunidades de #eleccionesargentinas o de #niunamenos. Aun cuando la gente percibe a Twitter como un espacio democrático y desregulado, donde las ideas circulan libremente, la producción masiva de información y su diseminación personalizada ha formado comunidades estables. Cada uno de nosotros vive en estas comunidades, donde nuestros valores y preferencias son también los valores y preferencias de cuantos nos rodean. Los algoritmos que trabajan bajo el capot de Twitter son un mecanismo de formación de comunidades que ha probado ser muy exitoso pero que, al mismo tiempo, homogeneiza a grupos de usuarios que viven en distintos mundos informativos. La polarización avanza también en las redes sociales: aquí y ahora, en nuestra propia esquina de Twitter, todos somos mayoría.    

Agradezco la colaboración de Ailin Accinti en la recolección de tuits. Todo el procesamiento de retuits se realizó en R 3.0 utilizando el paquete igraph. El procedimiento es descripto en detalle en el libro que saldrá en septiembre: Calvo, Ernesto. 2015. “Anatomía política de Twitter en Argentina: Tuiteando #Nisman” (Capital Intelectual: Argentina).




sábado, 28 de mayo de 2016

Inteligencia artificial: Cómo funcionan las redes neuronales

Revelando las capas ocultas de aprendizaje profundo
Una simulación de visualización de la red neuronal interactiva ofrece ideas sobre cómo aprenden las máquinas
Por Amanda Montañez - Scientific American



Crédito: Daniel Smilkov y Shan Carter

En un artículo reciente de la revista Scientific American titulado “Springtime for AI: The Rise of Deep Learning,”, el informático Yoshua Bengio explica por qué las redes neuronales complejas son la clave de la verdadera inteligencia artificial como la gente ha imaginado tiempo. Parece lógico que la manera de hacer que las computadoras tan inteligentes como los seres humanos es que programarlos para comportarse como los cerebros humanos. Sin embargo, teniendo en cuenta lo poco que sabemos de cómo funciona el cerebro, esta tarea parece más que un poco desalentador. Entonces, ¿cómo el aprendizaje profundo trabajo?
Esta visualización por Jen Christiansen explica la estructura básica y la función de las redes neuronales.


Gráfico de Jen Christiansen; PunchStock 

Evidentemente, estos llamados "capas ocultas" juegan un papel clave en la descomposición de componentes visuales para decodificar la imagen en su conjunto. Y sabemos que hay una orden de cómo actúan las capas: desde la entrada hasta la salida, cada capa se encarga de información cada vez más compleja. Pero más allá de eso, las capas ocultas, como su nombre indica, son todo un misterio.
Como parte de un proyecto de colaboración reciente llamado tensor de flujo, Daniel Smilkov y Shan Carter crearon una zona de juegos de redes neuronales, que tiene como objetivo desmitificar las capas ocultas, pues permite a los usuarios interactuar y experimentar con ellos.


Visualizaciòn por Daniel Smilkov y Shan Carter
Clic en la imagen para iniciar la INTERACTIVA

Hay mucho que hacer en esta visualización, y yo estaba recientemente la suerte de escuchar Fernanda Viégas y Martin Wattenberg rompen algunos de los que en su charla de apertura en OpenVisConf. (Fernanda y Martin fueron parte del equipo detrás de Tensor de flujo, que es una herramienta mucho más complejo, de código abierto para el uso de redes neuronales en aplicaciones del mundo real.)
En lugar de algo tan complicado como caras, el patio de recreo red neuronal utiliza puntos de color azul y naranja dispersas dentro de un campo de "enseñar" a la máquina cómo encontrar y patrones de eco. El usuario puede seleccionar diferentes empresas punto-arreglos de diferentes grados de complejidad, y manipular el sistema de aprendizaje mediante la adición de nuevas capas ocultas, así como nuevas neuronas en cada capa. Entonces, cada vez que el usuario pulsa el botón "play", se puede ver como los cambios de fondo degradado de color para aproximarse a la disposición de los puntos de color azul y naranja. A medida que el patrón se hace más compleja, las neuronas y las capas adicionales ayudan a la máquina para completar la tarea con más éxito.


La máquina, resuelve esta disposición directa de la estrategia puntos, utilizando sólo una capa oculta con dos neuronas.

La máquina lucha por decodificar esta forma de espiral más complejo.

Además de las capas de neuronas, la máquina tiene otras características significativas, tales como las conexiones entre las neuronas. Las conexiones aparecen, bien como líneas de color azul o naranja, azul ser positivo, es decir, la salida de cada neurona es el mismo que su contenido y naranja de ser negativo, lo que significa que la salida es lo contrario de los valores de cada neurona. Además, el grosor y la opacidad de las líneas de conexión indican la confianza de la predicción de cada neurona está haciendo, al igual que las conexiones en nuestro cerebro se fortalecen a medida que avanzamos a través de un proceso de aprendizaje.
Curiosamente, a medida que vaya mejor en la construcción de redes neuronales para las máquinas, podemos terminar revelando nueva información sobre el funcionamiento de nuestro propio cerebro. Visualizar y jugar con las capas ocultas parece una gran manera de facilitar este proceso al mismo tiempo hacer el concepto de aprendizaje profundo accesible a un público más amplio.

jueves, 26 de mayo de 2016

Algoritmo de criticidad de enlace usando centralidad de intermediación

Un método mejorado para el descubrimiento de criticidad de enlace en las redes de transporte
Juan Segovia, Eusebi Calle, y Pere Vila`
Instituto de Informática y Aplicaciones (IIIA), Universidad de Girona,
Girona 17071, España
E-mail: {jsegovia, Eusebi, perev}@eia.udg.edu




Resumen - Evaluar cuantitativamente la importancia o criticidad de cada eslabón de una red es de valor práctico para los operadores, ya que esto puede ayudar a aumentar la resiliencia de la red, ofrecer servicios más eficientes, mejorar o algún otro aspecto del servicio. Intermediación es una medida gráfico-teórico de centralidad que se puede aplicar a redes de comunicación para evaluar enlace importancia. Sin embargo, como se ilustra en el presente documento, la definición básica de la centralidad de intermediación produce estimaciones inexactas, ya que no tiene en cuenta algunos aspectos relevantes para la creación de redes, tales como la heterogeneidad en la capacidad del enlace o la diferencia entre nodos pares en su contribución a la tráfico total. Un nuevo algoritmo para descubrir enlace de centralidad en las redes de transporte se propone en este trabajo. Requiere sólo atributos de red y topología estáticas o semi-estáticas, y sin embargo produce estimaciones de buena precisión, que se han verificado a través de extensas simulaciones. Su valor potencial se demuestra por una aplicación de ejemplo. En el ejemplo, el algoritmo de enrutamiento simple de camino más corto se mejora de una manera tal que supera a otros algoritmos más avanzados en términos de bloqueo de relación.



Índice de Términos-enrutamiento en redes GMPLS, enlaza la criticidad, la centralidad de intermediación.

martes, 24 de mayo de 2016

Una (genial) introducción y tutorial al Gephi



Gephi - Introducción al análisis y la visualización de redes

Martin Grandjean

El análisis y visualización de la red parece ser una herramienta interesante para dar al investigador la posibilidad de ver sus datos desde un nuevo ángulo. Debido a que Gephi es una herramienta de análisis de redes de fácil acceso y poderosa, proponemos un tutorial diseñado para permitir que cada uno haga sus primeros experimentos en dos conjuntos de datos complementarios.
Después de una breve introducción sobre la base de ARS y algunos ejemplos que demuestra el potencial de esta herramienta y da un poco de inspiración, este tutorial se divide en 2 principales "ejercicios": una red geográfica de 1000 individuos que enviaron cartas por toda Europa y una red de 2- modos de 100 miembros de 10 instituciones diferentes.




Descargar la versión PDF

1. INTRODUCCIÓN

1.1 Una breve introducción al análisis de redes sociales

Ejemplo de red está hecha de dos componentes: una lista de los actores que componen la red, y una lista de las relaciones (las interacciones entre los actores). Como parte de un objeto matemático, a continuación, los actores serán llamados vértices (nodos, en Gephi), y las relaciones se denotarán como tildes (enlaces, en Gephi).


Aquí a la izquierda, una muy simple grafo social dirigido, con las dos listas explicitadas. Dos atributos están unidos a los nodos: una etiqueta (su "nombre") y un atributo numérico (en este caso, una distinción entre niños y niñas). En la lista de aristas, las entradas de "Fuente" y "destino" se refieren a los identificadores de los nodos (Id).

En nuestro ejemplo, el atributo determina el color de los nodos. El tamaño de un nodo depende del valor de su "grado centralidad" (el número de conexiones). Las medidas de centralidad son indicadores esenciales para analizar la posición de un actor en una red. Vienen en muchas variaciones, como se muestra a la derecha (A = centralidad de grado, el número de conexiones; B = centralidad de proximidad, la cercanía a toda la red; C = centralidad de intermediación, nodos puentes; D = Centralidad del vector propio, respecto a los nodos bien conectados ).


1.2 Visualizaciones Gephi: algunos ejemplos hechos a mano

Esto es por las pruebas que se aprende. Ejemplos de lo que es posible hacerlo pueden ayudar a conceptualizar nuestras propias redes.























































2. SET UP

2.1 Descarga e instalación del software
Gephi1The software puede ser libremente descargado desde aquí:


▲ Gephi está trabajando en una versión anterior de Java. En un equipo Apple que ejecuta una versión reciente de OS X (10.7 Lion y más), para ser capaz de ejecutar Gephi, usted tiene que descargar e instalar una versión anterior de Java (Java 6 en lugar de su Java 7 u 8), encontrarlo aquí. Algunos problemas de compatibilidad también pueden presentarse con algunas configuraciones de Microsoft. Encontrará más Recursos sobre este tema en los foros de Gephi / Gephi Facebook grupo / otros sitios web (véase, en particular para Mac aquí, y aquí para Windows). Después de varios intentos, no dude en dejar un comentario aquí!

2.2 Algunas extensiones


plugins

plugins
Con el fin de ir más allá de las funciones básicas del software, vamos a trabajar con tres plugins adicionales: GeoLayout, NoverlapLayout y Multimode Networks Transformation. Encontrará los plug-ins en el menú Herramientas. Actualizar la lista y seleccionar los plugins solicitados. Vas a tener que reiniciar Gephi poco después de la descarga (plugins aparecen sólo después de un reinicio).

2.3 Acerca de los conjuntos de datos


Dataset1 (captura de pantalla)
Vamos a utilizar dos conjuntos de datos (datos diferentes para explorar diferentes características):
Dataset 1
1.000 nodes / 14.116 edges (1-mode, directed)
 Set 1 EDGES Set 1 NODES
Dataset 2
110 nodes / 142 edges (2-mode, undirected)
 Set 2 EDGES Set 2 NODES
Dependiendo de su navegador, puede que tenga que "guardar como" los archivos del escritorio.

3. PARTE 1: MAPEANDO CARTAS EN EUROPA

3.1 Importación de los datos en Gephi


Importar la configuración de nodos

Ejecutar el software en su ordenador y crear un "nuevo proyecto" en la ventana de inicio. En el Laboratorio de Datos, haga clic en "Importar hoja de cálculo" para abrir la ventana de importación e importar el primer archivo.
Gephi4

Importación de nodos

Especifica que la separación entre las columnas se expresa por un punto y coma y no se olvide de informar a Gephi que el archivo se importa es que contienen los nodos. A continuación, pulse "siguiente" y rellenar el formulario de configuración de importación como se propone. La "configuración de importación" paso es muy importante: Gephi reconocerá algunas de las columnas debido a su cabecera, pero siempre se tendrá que comprobar que el software será capaz de comprender la naturaleza de los datos. En nuestro ejemplo, asegúrese de informar a Gephi que nuestras latitudes y longitudes son una variable "doble" (no un "entero").


Importación de enlaces

Ajustes de importación de enlaces

Siga el mismo procedimiento, pero con el archivo "enlaces" descargado antes y llenar los formularios de la siguiente manera: especificar el punto y coma e informar Gephi que está importando los enlaces. Rellena los últimos campos y desactive "nodos crear perdidos", debido a que ya les ha importado.

3.2 Visualización de grafos de un modo

La acción tiene lugar ahora en el panel general. El software produce una visión general de la gráfica, espacializado al azar y totalmente ilegible.


Ajustes de tamaño

Tamaño de Nodos '

Vamos a dar a los nodos de un tamaño proporcional a su grado (número de conexiones). En el panel de clasificación de la columna de la izquierda (arriba), seleccione "nodos" y el "diamante rojo", a continuación, seleccione "Grado" en el menú de rodadura y entre el valor mínimo y máximo (proponemos 10-100). Verá que la distribución de grado dentro de su corpus es de entre 3 y 209: al menos un nodo está conectado a más de 200 otros (y el nodo menos conectado está conectado a 3 de ellos). Tenga en cuenta que si quieres un resultado visualmente correcta, usted tiene que utilizar el enlace "spline" para editar la forma de la curva de selección: lineal doble del radio de un nodo es más del doble de la zona debido a la función de potencia.

Espacialización


Fruchterman Reingold

Fruchterman Reingold

Esa es la parte principal! Vamos a empezar con una espacialización que da más espacio a la gráfica, pero la mantienen en un área decidido: Fruchterman Reingold, con los mismos valores que en este modelo (20.000 - 10 - 10). Esta visualización dispone nodos de una manera gravitacional (atracción-repulsión, de hecho, como imanes). Ya sea posible distinguir las comunidades (partes más densamente conectada de la red). Deje funcionar la función hasta que se estabilice el gráfico. Utilice la pequeña lupa azul (parte inferior izquierda del panel gráfico) para volver a centrar el zoom.


ForceAtlas 2

ForceAtlas 2

A continuación, proponemos el uso de la Fuerza Atlas 2 (otro algoritmo de diseño) para dispersar a grupos y dar espacio en torno a nodos más grandes. Tenga cuidado, los parámetros que introducir alterar significativamente el aspecto final (proposición: Check "evitar el solapamiento" y el cambio "Escala" a 50). Deje funcionar la función hasta que el gráfico se estabiliza en su mayoría. Podemos aplicar la fuerza Atlas 2 directamente sin aplicar Fruchterman Reingold antes, pero como el "diseño aleatorio" desde el principio ... es un diseño al azar, es mejor para desenredar la red antes de sumitting a una fuerte fuerza-algoritmo.

3.3 Representación final y medidas de centralidad 

Grado ponderada


Distribución de grado ponderada

Vamos a añadir un poco más de información a nuestro gráfico dando a los nodos nuevos atributos, que influyen en su color. En el laboratorio de datos, seleccione la tabla de enlaces, y ordenarlos según su wheight. Algunos enlaces tienen un wheight de 3, un 2 y un poco de 1. Esto significa que tenemos que tener en cuenta estas diferencias mediante el cálculo del grado ponderada de los nodos. También observar que este gráfico se dirige: los enlaces tienen un origen y un destino, una dirección mostrada por una pequeña flecha en la pantalla de vista general. Por lo tanto, el grado tendremos que calcular tiene que distinguir las conexiones de entrada y de salidas. En el panel de Estadística, haga clic en "Grado Promedio Ponderado" para calcular estos valores para cada nodos. Se obtiene un informe que muestra la distribución de las medidas de tesis.


Color de nodos 

En grado ponderado

Ahora que las tesis se calculan los valores, nuevos atributos están disponibles en el panel de clasificación. Seleccione el icono de "color", y eligió "ponderado en grados" a los nodos de color de acuerdo con el número de aristas entrantes. Un pequeño consejo visual: utilizar un color oscuro para valores pequeños y un color claro para los nodos altamente conectados, a fin de que los pequeños nodos visible en el gráfico final (los nodos conectados bien en general son más visibles).
Resultado: los nodos más grandes (= con un alto grado) no siempre los que tienen el mayor peso en grados son: si se considera una ventaja como una carta escrita entre 2 personas, quienes están escribiendo mucho, no son necesarios los que están recibiendo mucho. Es interesante dar diferentes atributos a los nodos de tamaño y color, para compararlas. Por supuesto, puede exportar estos datos para llevar a cabo un análisis completo estadística, gráficos de dispersión, etc. (las medidas se realizan se añade automáticamente a la tabla de nodos). Tenga en cuenta que si ha utilizado el "spline" para ajustar nodes'size antes, este ajuste está siendo usado por defecto aquí y debe ser modificado (sin interferir con ustedes opción anterior para el tamaño).

Etiqueta de nodos 


Configuración de las etiquetas

Vamos a volver a estas medidas y características adicionales después, pero vamos a tratar de finalizar nuestra obra, por ahora, dando una etiqueta para los nodos. En la parte inferior derecha de la pantalla gráfica, se puede encontrar una pequeña señal que le permite developp un nuevo panel. En la etiqueta, elija "nodos" para añadir sus etiquetas a sus nodos y establecer su tipo de letra, color y tamaño. Si es necesario, por ejemplo, si sus datos no tienen ninguna columna "Etiqueta", haga clic en "Configurar" para establecer el contenido de la columna que desea ser visualizado (el "ID" se puede utilizar como una etiqueta, es decir).

Finalización del grafo

Ir a "Vista previa" para recortar los detalles finales. A diferencia de en las etapas anteriores, el cambio de configuración en este menú es reversible, y no afectan a la estructura del grafo.


Menú de vista previa

En la captura de pantalla, se encuentra una sugerencia de configuración para una buena reproducción (como el establecimiento de la opacidad enlaces a 70% para un mejor contraste con los nodos). Tenga en cuenta que, debido a su gran tamaño, el gráfico puede tardar unos segundos para actualizar después de cada cambio (haga clic en "Actualizar" para aplicar los cambios). Sobre los enlaces curvados: Como convención gráfica, utilizamos enlaces curvos para mostrar la dirección del enlace, siempre gira hacia la derecha. enlaces curvos no son generalmente gráficos no dirigidos.
En la parte inferior de esta columna de vista previa, que encuentre un enlace de exportación. Tenga en cuenta que la exportación en .png produce figura con una resolución pobre. Es posible que desee optar por .svg o .pdf, que tienen la ventaja de ser modificable por su propia imagen / software de dibujo (recomiendo el inkscape programa de código abierto para la manipulación de archivos .svg).

Modularidad

La visualización es sólo un paso, el análisis de redes a menudo necesita otros medios matemáticos para proporcionar al investigador con un resultado satisfactorio. Siéntase libre de explorar el menú "Estadística", por ejemplo, al jugar con medidas en grados, densidad, longitud del camino, modularidad.


Configuración de la modularidad

Una red contiene subdivisiones internas denominadas comunidades. Existen métodos que permiten poner de relieve estas comunidades, que dependen de la comparación de las densidades de los enlaces dentro de un grupo, y desde el grupo hacia el resto de la red (Más información aquí) En la columna de la derecha de la "visión general", haga clic sobre la estadística / modularidad / Ejecutar para mostrar la ventana de la modularidad. Elija una resolución (entre 0,1 y 2), haga clic en OK y cerrarla.


Menú de partición

El siguiente paso se lleva a cabo en el menú Partición situado en la columna izquierda. Seleccione "nodos" y "La modularidad de clase" (menú de rodadura). Usted será entonces capaz de modificar los colores atribuidos a las comunidades detectadas haciendo clic sobre ellos. No dude en repetir esta operación con muchos "Resoluciones"! Si decide hacerlo, debe anular la selección y vuelva a seleccionar "Clase Modularidad" en la columna izquierda, y refrescar el cálculo de color.

Centralidad de intermediación



Diámetro de la red

La centralidad de intermediación mide todos los caminos más cortos entre todos los pares de nodos de la red y luego contar cuántas veces un nodo está en el buen camino más corto entre dos otros. Es una medida muy interesante en el caso de una red de cartas enviadas y recibidas, ya que permite al investigador para detectar a las personas que ocupan una posición intermedia entre las otras dos personas o grupos. En el panel de estadísticas, haga clic en "Diámetro de red".


color de nodos

centralidad de intermediación

Al igual que el ponderarán de grados antes, encontrar una manera de colorido para destacar los nodos que tienen una alta centralidad de intermediación. Rápidamente se parecería que los nodos con un / grado alto grado ponderada no siempre tienen una alta intermediación.

3.4 Geo Layout


Geo Layout

Noverlap
 
Vista previa y exportación

Durante la importación, usted ha notado que cada nodo se le dio una latitud y una longitud. El plug-in Geo Layout le ayudará a mostrar los nodos de una manera geográfica. En el panel Layout, seleccione Geo Layout y darle una escala de 20.000. Asegúrese de que el plugin entender correctamente que "Latitud" como "Latitud" y "Longitud" como "Longitud" y establecer la proyección de "Mercator" (esta proyección deben adaptarse al mapa que vamos a usar después). A medida que los nodos se agrupan ahora en una coordenada geográfica, usted tiene que darles un poco de espacio: utiliza el plugin diseño Noverlap para evitar la superposición de ellos (un margen de 5.0 es suficiente con la escala del mapa elegido).


mapa final

En el panel de vista previa, comprobar el aspecto final de su obra y exportarlo en .svg. A continuación, ser capaz de importar en un mapa de fondo. Si está familiarizado con Inkscape, descargar el mapa que aparece aquí (creado para adaptarse a la escala elegida y la proyección de Mercator). Abrirla, y después de haber importado la red en ella, seleccione la capa de nombres de ciudades y llevarlo a la parte delantera para que sea legible. fondo de la correspondencia
No dudes en probar el mismo mapa con modularidad, el resultado muestra que las comunidades están fuertemente relacionadas con las particularidades geográficas.

4. Parte 2: Grupos y sus miembros

4.1 Importación de los datos en Gephi

Crear un "nuevo proyecto" en la ventana de inicio. Vamos a trabajar en un tipo diferente de conjunto de datos: una red de 2 modos (2 tipos de nodos, comités y personas). En el Laboratorio de Datos, haga clic en "Importar hoja de cálculo" para abrir la ventana de importación e importar el primer archivo.


Importación de nodos

Los nodos 2


Configuración de importación de nodos

Especifica que la separación entre las columnas se expresa por un punto y coma y no se olvide de informar a Gephi que el archivo se importa es que contienen los nodos. A continuación, pulse "siguiente" y rellenar el formulario de configuración de importación como se propone. Informar a Gephi que nuestra variable "gato" es una "cadena" (esta variable será útil para separar los "miembros" y "comités" en un paso más adelante).

Importación de enlaces

Configuración de importación de enlaces

Enlaces 2 
Siga el mismo procedimiento, pero con el archivo "enlaces" descargado antes y llenar los formularios de la siguiente manera: especificar el punto y coma e informar Gephi que está importando los enlaces. Rellena los últimos campos y desactive "nodos crear perdidos", debido a que ya les ha importado.

4.2 Visualización gráfica de dos modos


Tamaño de Nodos 

Tamaño de Nodos

En el panel de clasificación, dará un tamaño de sus nodos (en este caso, de acuerdo con su grado entre 10-50). En una red de 2 modos, la centralidad de grado no puede ser un valor muy interesante, debido al sesgo estructural provocado por las dos categorías diferentes de nodos: en nuestro caso, los "comités" serán, naturalmente, mucho más conectados que los "miembros ". Pero en este primer paso, sólo estamos tratando de distinguir visualmente las 2 categorías.


color de nodos (partición)

El color de los nodos

En el panel de partición, volver a cargar el menú para que aparezcan los atributos de los nodos (subimos un solo atributo: "gato"). Dar un color muy diferente a ambas categorías y aplicarlo en su red.


Force Atlas 2

la red de 2 modos

Fije una distribución

Desplegar la red utilizando el algoritmo Force Atlas 2 (nodo impedir la acumulación y la escala a 50). Su gráfico es ahora visualmente legibles y se ve muy similar a muchas redes de organizaciones.
Para muchos investigadores, esta visualización será ya suficiente para llevar a cabo su análisis. No se olvide de mostrar etiquetas de los nodos si es necesario.

4.3 Proyección a grafo de un modo


Plugin de proyección

Grafo proyectado

Utilice el panel MultiMode Networks Projection (disponible a través del plugin que descargó en el paso 2.2) y "atributos" de carga. Ahora vamos a "proyecto" las instituciones sobre los Miembros: si dos miembros tienen una ventaja vinculándolos con el mismo comité, que ahora tendrá un enlace directo entre ellos (y el comité será evacuado).
Seleccione el tipo de atributo derecho ( "gato"), y establecer la matriz tal como se propone aquí (miembro de la institución / Institución-miembros): Deben ser simétrica con el tipo de nodo que desea mantener al principio y al final.


Red 1-modo de instituciones

Compruebe los botones de "Remove Edges" y "Remove Nodes", con el fin de limpiar el gráfico de los viejos "Committees" nodos y enlaces. Y, por último, haga clic en "Run".
Tenga en cuenta que también se puede proyectar los miembros de las instituciones, con el resultado de que aquí se presenta a la derecha (enlaces son cada vez más grande si muchos miembros estaban conectados en los mismos comités).

4.4 Medidas de centralidad y diseño


Grado ponderada

Tamaño de Nodos 

Calcular la nueva centralidad de grado de los nodos haciendo clic en "Promedio. Grado ponderada "(panel de Estadística). En el panel de clasificación, aplicar esta nueva medida a los nodos, tal como se propone aquí. El nuevo grado puede ser muy diferente de la carrera de la red original de 2 modos: una proyección añadir un montón de enlaces (en particular, cuando una gran cantidad de nodos en los que conectan a unos pocos nodos muy centrales del otro tipo).


Diámetro de la red

Color de nodos

En el panel de estadísticas, haga clic en "Diámetro de red" para calcular la centralidad de intermediación de sus nodos. A continuación, utilice esta medida para dar color a los nodos. En una red de este tipo de personas que trabajan en diferentes comités / instituciones / empresas, saber quién está en la intersección de dos grupos puede ser muy importante para los oficiales de recursos humanos, es decir ..


Color de los nodos


Color de enlaces 

Color de los enlaces

Con el fin de resaltar los enlaces ponderados, darles un color que hará que los enlaces más fuertes más visible en la pantalla final (sugerida aquí: negro para todos los enlaces más grandes que 1).


ForceAtlas 2

Diseño

Espacializar el gráfico una vez más (se mantienen las posiciones de los nodos antes de la proyección de 2-modo para 1-modo), con ForceAtlas 2.


Resultado: una red 1-modo

4.5 Destacando vecinos 


"Herramienta “Paint bucket” 

Este tipo de red se adapta bien a un "Linkedin" del análisis: ¿Quién está en mi red? Quiénes son las personas que voy a ser capaz de llegar a través de ellos (lo que son sus propias conexiones)?




Los vecinos y vecinos de los vecinos
Haga clic en el pequeño bote de pintura, a la izquierda de la zona de gráficos, y jugar con las herramientas en la parte superior de este menú. Primero pintar los "vecinos de los vecinos" (después de haber dado un color neutro para todos los nodos), y luego los "vecinos" de un nodo seleccionado. En nuestro ejemplo, el nodo rojo, miembro de un único comité, se conecta directamente a 10 colegas, que son a su vez se conecta a otros 49 individuos.


5. CONCLUSIÓN

La visualización de datos es un juego, vamos a jugar! Por favor me ayude a mejorar este tutorial al dejar caer un comentario a continuación con los comentarios, sugerencias, enlaces a sus propios resultados, etc.!