domingo, 31 de diciembre de 2017

Análisis de sentimiento: Demócratas enojados en Facebook

Las reacciones de Facebook a los mensajes de los demócratas se enfurecieron mucho después de que Trump fuera elegido




Nikhil Sonnad || Quartz

En la política, hay un sentido de que los partidarios de la oposición están más enojados que los que favorecen a los gobernantes. ¿Pero es eso realmente cierto? Después de todo, siempre hay algo de lo que enfadarse en política, sin importar quién esté en el poder.

Aquí hay algunos datos que lo respaldan, cortesía de un nuevo informe del Pew Research Center: después de la elección de Donald Trump, las reacciones a los enlaces publicados por los demócratas del Congreso se hicieron mucho más enojado.



Para obtener estos datos, Pew recopiló y analizó 450,000 publicaciones en Facebook de miembros del Congreso. Al recopilar estas publicaciones, Pew pudo analizar cómo los usuarios de Facebook respondieron a ellas, gracias a la función de "reacciones" lanzada por la plataforma a principios de 2016. Y eso apoya firmemente la teoría de una oposición enojada.

Como muestra el cuadro anterior, unos meses antes de la elección de Trump, la ira republicana era alta, mientras que los demócratas parecían relativamente tranquilos. Inmediatamente después de las elecciones, los demócratas superan a los republicanos en términos del porcentaje de reacciones que están "enojadas", y esa proporción continúa creciendo mientras que la del partido que ahora gobierna sigue siendo bastante estable. Estas son reacciones específicas a publicaciones que se vinculan con noticias nacionales, lo que significa que las personas probablemente expresen su enojo hacia las noticias, no la persona que las publica.

Otro objetivo del estudio de Pew fue averiguar si las noticias con las que se relacionan los congresistas se dividen en líneas partidistas. Son. "Casi la mitad de los enlaces a los medios nacionales de noticias que los miembros del Congreso compartieron en Facebook fueron a medios de comunicación vinculados predominantemente por miembros de una sola de las partes", escriben. Breitbart, por ejemplo, estuvo vinculado a casi 700 veces por los republicanos, y exactamente cero veces por los demócratas. Para el Huffington Post, eran demócratas, 1.100 y republicanos, 89.

Los datos respaldan la idea de que los partidarios del partido de la oposición en general están más molestos por las noticias nacionales, pero la magnitud de la ira entre los demócratas es excepcionalmente alta durante la época de Trump. La proporción de reacciones "enojadas" a los mensajes de los republicanos nunca superó el 10%, incluso durante el final de la presidencia de Barack Obama. Sin embargo, alcanzó casi el 20% de los puestos demócratas en los meses posteriores a la elección de Trump, junto con un ligero aumento en los puestos republicanos también.

Entonces, según Facebook, Estados Unidos se enoja cada vez más y los demócratas son los más enojados del grupo.

viernes, 29 de diciembre de 2017

El clima afecta lo que posteamos en Facebook y Twitter

Estudio de miles de millones de twittes demuestra que escribimos mensajes más felices cuando el clima es bueno

El estado de ánimo de todos mejora cuando el clima es bueno, ¿verdad? En realidad, la evidencia a gran escala para probar esto nunca se ha recopilado, hasta ahora.
por Emerging Technology del arXiv


¿Cómo influye el clima en nuestras emociones? A primera vista, la respuesta parece trivial: hay mucha evidencia anecdótica que sugiere que los humanos prefieren los días cálidos y soleados en lugar de los fríos y húmedos, y que tenemos una disposición más soleada como resultado.

Pero cuando se trata de evidencia empírica difícil, hay poco en el camino para respaldar esto. Esta evidencia es difícil de recopilar porque es difícil medir el estado de ánimo en la escala necesaria para llegar a conclusiones estadísticamente significativas.

Hoy eso cambia gracias al trabajo de Patrick Baylis en la Universidad de Stanford y algunos amigos que han llevado a cabo la mayor investigación sobre la relación entre las condiciones meteorológicas y el estado de ánimo. Y dicen que el clima tiene un impacto significativo, la primera vez que esto se ha observado en esta escala.



El método del equipo es directo. Comienzan por suponer que un indicador razonable del estado de ánimo humano es la forma en que nos expresamos a través de las redes sociales como Facebook y Twitter. En otras palabras, usamos frases más positivas cuando somos felices y más negativas cuando estamos deprimidos.

En los últimos años, se ha vuelto sencillo medir el sentimiento de los mensajes en las redes sociales contando el número de palabras positivas y negativas que contienen. Así que Baylis y compañía simplemente midieron el sentimiento en las publicaciones de redes sociales geolocalizadas y luego estudiaron cómo esto variaba con el clima en estos lugares.

Lo que le da gravitas a este estudio es la escala del emprendimiento. Baylis y compañía midieron el sentimiento en 3.500 millones de publicaciones en redes sociales de decenas de millones de personas en Facebook y Twitter entre 2009 y 2016. Estas personas eran todas de una de las 75 áreas metropolitanas de los EE. UU.

Midieron el sentimiento positivo o negativo expresado en cada mensaje y luego lo compararon con los datos meteorológicos diarios de cada ubicación.

Los resultados hacen una lectura interesante. El equipo encontró un aumento significativo en el sentimiento negativo cuando el clima es demasiado frío o demasiado caluroso o cuando está demasiado húmedo, demasiado húmedo y nublado.

Y el tamaño del efecto es significativo. Para descubrir qué tan significativo, el equipo midió el cambio en el sentimiento asociado con eventos específicos, como el terremoto de agosto de 2014 en Oakland y San Francisco, el ataque terrorista de San Bernardino en 2015, y así sucesivamente.

Luego compararon este cambio en el sentimiento con el clima frío y descubrieron que eran similares en magnitud.

Ese es un resultado fascinante. "Encontramos evidencia sustancial de que las condiciones meteorológicas menos ideales se relacionan con un sentimiento empeorado", dicen Baylis y compañía. "En la medida en que el sentimiento de las expresiones sirve como un proxy válido para las emociones subyacentes, encontramos alguna evidencia observacional de que el clima puede alterar funcionalmente los estados emocionales humanos".

Eso tiene implicaciones para todo tipo de personas. Los hallazgos podrían usarse para afinar las campañas de marketing a fin de tener en cuenta los cambios en el estado de ánimo relacionado con el clima. También puede permitir que los proveedores de contenido ajusten mejor su salida al estado emocional de su público. Y los asistentes inteligentes como Siri, Alexa y Google Assistant podrían usarlo para adaptar sus mensajes a las necesidades de sus propietarios.

¡Cosas interesantes!

Ref: arxiv.org/abs/1709.00071 : Weather Impacts Expressed Sentiment

miércoles, 27 de diciembre de 2017

ARS aplicado a las organizaciones

¿Qué es el análisis de redes sociales?

Department of Health


Los organigramas formales raramente reflejan la forma en que realmente sucede el trabajo en una organización. En cambio, el personal a menudo trabaja en unidades y divisiones, con amigos y colegas que conocen y les gusta o con quienes ya han trabajado en el pasado.

Al utilizar el Análisis de redes sociales (ARS), las organizaciones pueden buscar estas conexiones existentes y aprovecharlas para crear equipos más efectivos que disfrutan trabajando juntos.

Piense en la última vez que necesitaba ayuda con un concepto desconocido o una pieza de software: ¿Fuiste a través organigrama de su empresa para resolver su problema hablando con su supervisor, o qué se llama a la persona en el lado del cubo en busca de ayuda?

El ARS se centra en las relaciones entre los actores, en lugar de los atributos o características de un actor como en otros tipos de análisis. Los atributos de una persona no se componen de sus habilidades o conocimientos en ARS; en cambio, nos preocupa saber a quién conoce y con quién ya trabaja.

Probablemente ya use ARS hasta cierto punto, sin darse cuenta: ARS busca estas conexiones informales dentro de una comunidad, y ayuda a las organizaciones a comprender cómo aprovecharlas mejor para lograr resultados.



Cómo usar el análisis de red: mapeo de su organización

El Análisis de redes sociales es particularmente útil dentro de una organización que experimenta cuellos de botella materiales o informativos, a menudo porque una sola persona posee el conocimiento para contribuir a un informe o la autoridad para firmar una acción.

1. Encuesta a tu personal

¿Con quién trabajan habitualmente en general o trabajan en un proyecto en particular? Si tuvieran que elegir dos o tres personas (y no más) de quienes dependía un proyecto en particular, ¿a quién elegirían?

2. Mapee de conexiones de personal

Trace las conexiones utilizando un bolígrafo y papel o software adecuado para SNA. Usa flechas para indicar direcciones de dependencia. También puede usar diferentes colores para indicar diferentes atributos como tipo de empleado, unidad de trabajo o nivel de conocimiento sobre un tema en particular.

Es probable que descubra que el trabajo no está teniendo lugar de manera reflejada en un organigrama tradicional y jerárquico. En cambio, los bolsillos de los empleados probablemente trabajen juntos, en unidades y divisiones, para alcanzar metas y resultados:

Ejemplo: Organización vs. Jerarquía



Imagen: Orgnet.com: gestión de la Organización del siglo XXI (PDF)

Puede utilizar esta información para encontrar cuellos de botella en la información o el flujo de materiales, o silos donde la comunicación está completamente ausente, pero sería beneficioso.


3. Encuentra agrupaciones naturales, conexiones y cuellos de botella

Después de mapear las redes de colaboración existentes, puede encontrar lugares para crear redundancias para evitar los cuellos de botella, o colocar personas estrechamente conectadas en un equipo de proyecto próximo para maximizar la eficiencia y la colaboración.

lunes, 25 de diciembre de 2017

Líderes de opinión vía ARS

Encontrando líderes de opinión utilizando el análisis de redes sociales

Por Jean-Francois Hivon || Shared Visions


El análisis de redes sociales (o ARS) es el estudio de las relaciones sociales entre individuos que usan la teoría de redes. Nuestras redes sociales incluyen a nuestras familias, equipos, organizaciones, comunidades, ciudades en las que vivimos, hasta nuestras naciones. Juegan un papel fundamental para determinar cómo se resuelven los problemas, cómo creamos cambios en las organizaciones e impactan en el grado en que las personas, los equipos y las organizaciones obtienen sus resultados.

Las normas sociales (como su cultura) y su éxito en la implementación de cambios en su organización o comunidad están muy influenciadas por un grupo selecto de personas que Everett Rogers llamó sus primeros adoptantes también conocidos como sus líderes de opinión.

Rogers propone que los adoptantes de cualquier cambio nuevo se clasifiquen como innovadores (2.5%), adoptantes tempranos (13.5%), mayoría temprana (34%), mayoría tardía (34%) y rezagados (16%), basados ​​matemáticamente en la curva de campana. Estas categorías proporcionan un lenguaje común para las personas influyentes del cambio. La disposición y la capacidad de cada adoptante para adoptar un cambio depende de su conocimiento, interés, evaluación, prueba y adopción. Las personas pueden clasificarse en diferentes categorías para diferentes cambios, es decir, un agricultor puede ser uno de los primeros en adoptar nuevos equipos o métodos agrícolas, pero un adoptante tardío de innovaciones biológicas o Facebook.

Crear un cambio duradero y sostenible en las organizaciones requiere que exploremos y aprovechemos al máximo nuestras redes sociales al identificar e involucrar a los líderes de opinión en el cambio necesario para crear los resultados que realmente queremos. Al hacer esto, podemos generar un sentido de presión social (o motivación) como una de las muchas estrategias para cambiar los comportamientos necesarios para lograr resultados.

El análisis de redes sociales (ARS) es un campo de rápido crecimiento. El software avanzado que está siendo producido por una variedad de organizaciones puede ayudarlo a mapear a sus líderes de opinión, entender el flujo de información en su organización y poner a prueba escenarios de "qué pasa si" en sus proyectos. Hace poco estuve en contacto con las personas que crearon InFlow Software, uno de los principales creadores de software de ARS. Para mostrarle cómo ARS puede ser beneficioso para influir en el cambio en su organización, considere la siguiente imagen (© 2008, Valdis Krebs). Este es un mapa de una red social que identifica cómo los médicos se buscan entre sí para discutir nuevos tratamientos médicos. Es decir, si el médico A consulta al médico B para obtener consejo / opinión / experiencia, se saca una flecha del nodo A al nodo B. El patrón de conexiones entre los médicos del entorno (representado por los cuadrados azul y rojo) ayuda a determinar la influencia de ese persona.

¿Quiénes son los principales líderes de opinión en la comunidad? ¿Y a quién influyen? ¡Este diagrama muestra que necesita más de un líder de opinión para llegar a toda la comunidad! Esto es cierto para la mayoría de las organizaciones, razón por la cual un ARS robusto puede ser una base importante para crear cambios dentro de su organización.


Naturalmente, para determinar la influencia, las personas miran a las personas con más conexiones sociales. Al observar el diagrama, el médico 048 parece tener la mayor influencia dentro de la comunidad, seguido por 013 y 081, y luego 078 (marcado con un círculo en azul claro). Este análisis básico no siempre es exacto.

El software de ARS utiliza algoritmos más sofisticados que tienen en cuenta los enlaces directos e indirectos en la red. Este enfoque proporciona una evaluación más precisa de quién realmente influye en el pensamiento y la práctica en toda la comunidad.

Hacer un análisis más sólido de la red social dentro de su organización también puede revelar expertos ocultos, o aquellos que pueden no tener muchas conexiones, pero influir fuertemente en otros líderes de opinión.

El análisis de redes sociales puede ayudarlo a comprender el patrón de interacción humana dentro de su organización. Estos patrones son importantes para comprender al planear y ejecutar estrategias para superar problemas persistentes y resistentes en una organización y lograr los objetivos de la organización. El ARS tiene dos compromisos subyacentes

  1. Está guiado por una teoría formal organizada en términos matemáticos
  2. Se basa en el análisis sistemático de datos empíricos

El ARS ha crecido rápidamente desde la década de 1970 y jugó un papel importante en el comportamiento organizacional, las relaciones interorganizacionales, la propagación de enfermedades contagiosas, la salud mental, el apoyo social, la difusión de la información y la organización social de los animales. (ver a Lin Freeman).

sábado, 23 de diciembre de 2017

Literatura de ARS aplicada a sistemas socioecológicos

Lista de lectura: Utilización del análisis de redes sociales (ARS) en estudios socioecológicos

HENRIK ERNSTSON ||  Resilience Science

Se utiliza el análisis de redes sociales (ARS) para analizar los sistemas socioecológicos y los problemas en el manejo de los recursos naturales está creciendo. Para aquellos interesados ​​en leer en este campo, pensé en compartir una lista de lectura que estoy preparando para un curso de doctorado en ARS que daré en la Universidad Estatal de Arizona en relación con la Conferencia de Resiliencia 2011. El curso solo está abierto para estudiantes de ASU, pero para aquellos interesados, puede leer más en mi blog In Rhizomia [www.rhizomia.net]. Si está interesado en analizar el análisis de redes en estudios socio-ecológicos, hay, como mencioné anteriormente en este blog, una lista electrónica llamada NASEBERRY a la que puede unirse (envíeme un correo electrónico a henrik.ernstson [AT] stockholmresilience). su.se y hágamelo saber).



Ejemplo de literatura sobre ARS en NRM (debe completarse y podría cambiar)

Esta es una lista de lectura selectiva para aquellos interesados ​​en comenzar a utilizar el análisis de redes sociales (ARS) en estudios socioecológicos.

El primer buen estudio empírico que utiliza el análisis de redes sociales en el campo socioecológico es el de Schneider et al. (2003) sobre redes colaborativas en la gestión del estuario. Junto con Örjan Bodin y Beatrice Crona, resumimos un conjunto de argumentos sobre el valor de ARS para los estudios de MRN en Bodin, Crona y Ernstson (2006), mientras que un resumen de los estudios empíricos se realizó más tarde (Bodin y Crona 2009). Christina Prell, Klaus Hubacek, Mark Reed y otros han publicado sobre la selección de partes interesadas y el aprendizaje social (Prell et al., 2009), y Saduiel Ramírez-Sánchez ha estudiado la pesca en México (Ramírez-Sánchez y Pinkerton, 2009). Un buen estudio para los interesados ​​en los procesos dinámicos de política es por Sandström y Carlsson (2008). Recientemente, Andrés Marín y Fikret Berkes realizaron una interesante aplicación que utiliza el análisis de redes en dos modos para las pesquerías en pequeña escala en Chile (Marín y Berkes, 2010). (En un próximo libro editado por Bodin y Prell, varios de estos autores contribuyen con capítulos, y algunos de nuestros capítulos podrían reemplazar algunos de los artículos en la lista de lectura final del curso).

Una de las primeras aplicaciones urbanas que utilizó ARS en estudios socioecológicos fue mi estudio de los movimientos sociales y la protección de los ecosistemas urbanos en Estocolmo (Ernstson et al., 2008) (Véase también la conexión con la teoría cultural y los datos cualitativos (utilizando ANT) en Ernstson y Sörlin (2009).). Esto ha llevado a una articulación de "acción colectiva transformativa" en un próximo capítulo (Ernstson aceptó). Junto con colegas, utilizamos la teoría de redes sociales para comprender la gobernanza adaptativa mediante la síntesis de varios estudios de casos urbanos en Estocolmo (Ernstson et al., 2010) que podrían ser útiles para todos los interesados ​​en la gobernanza a múltiples escalas y el aprendizaje social. Una inspiración para mí cuando se trata de áreas urbanas, movimientos sociales y redes sociales siempre ha bin Mario Diani (ver, por ejemplo, Diani (1992), Diani y McAdam (2003), y Diani y Bison (2004). Más estudios socio-ecológicos urbanos usando ARS son próximos, en parte como resultado de cuando di este curso en 2009 en Ciudad del Cabo. Estudiantes de eso.)

Las referencias mencionadas anteriormente pueden servir como punto de entrada al curso (las marcadas con * a continuación son menos centrales), pero deben complementarse con las siguientes del campo ARS: la revisión breve pero efectiva de Borgatti et al. (2009), el clásico de Granovetter (1973) y el útil libro de texto y manual de ARS para UCINET de Hanneman y Riddle (2005) (descargable gratis, ver abajo). Otros buenos libros de texto son Scott's (2000) y Degenne and Forsé (1999). Para aquellos que se ponen serios (!), Una lectura obligatorio es todavía el "libro de recetas" de ARS de Wasserman y Faust (1994). Sin embargo, la lista de lectura exacta aún puede cambiar.


Referencias

(Aquellos marcados con * en la lista indican que inicialmente puede omitir estos. Aquellos marcados con ** tienen notas al final).



Bodin, Ö., B. Crona, and H. Ernstson. 2006. Social networks in natural resource management: What is there to learn from a structural perspective? Ecology and Society 11:r2. URL: http://www.ecologyandsociety.org/vol11/iss2/resp2/

Bodin, Ö. and B. I. Crona. 2009. The role of social networks in natural resource governance: What relational patterns make a difference? Global Environmental Change 19:366-374. URL: http://dx.doi.org/10.1016/j.gloenvcha.2009.05.002

Borgatti, S. P., A. Mehra, D. J. Brass, and G. Labianca. 2009. Network analysis in the social sciences. Science 323:892-895. [Longer pre-publication pdf version can be found on Stephen Borgatti's homepage here.]

Crona, B. and Ö. Bodin. 2006. WHAT you know is WHO you know? Communication patterns among resource users as a prerequisite for co-management. Ecology and Society 11:7. URL: http://www.ecologyandsociety.org/vol11/iss2/art7/

**Degenne, A. and M. Forsé. 1999. Introducing Social Networks. Sage Publications, London. [Review for this book can be found here.]

*Diani, M. 1992. The concept of social movement. Sociological Review 40:1-25.

*Diani, M. and I. Bison. 2004. Organizations, coalitions and movements. Theory and Society 33:281-309.

*Diani, M. and D. McAdam, editors. 2003. Social Movements and Networks: Relational Approaches to Collective Action. Oxford University Press, Oxford.

Ernstson, H. accepted. Transformative collective action: a network approach to transformative change in ecosystem-based management. Page Ch 11 in Ö. Bodin and C. Prell, editors. Social Networks and Natural Resource Management: Uncovering the Social Fabric of Environmental Governance. Cambridge University Press, Cambridge.

Ernstson, H., S. Barthel, E. Andersson, and S. T. Borgström. 2010. Scale-crossing brokers and network governance of urban ecosystem services: The case of Stockholm, Sweden. Ecology and Society:in press.

*Ernstson, H. and S. Sörlin. 2009. Weaving protective stories: connective practices to articulate holistic values in Stockholm National Urban Park. Environment and Planning A 41:1460–1479.

Ernstson, H., S. Sörlin, and T. Elmqvist. 2008. Social movements and ecosystem services – the role of social network structure in protecting and managing urban green areas in Stockholm. Ecology and Society 13:39. URL: http://www.ecologyandsociety.org/vol13/iss2/art39/

Granovetter, M. 1973. The strength of weak ties. American Journal of Sociology 76:1360-1380.

**Hanneman, R. A. and M. Riddle. 2005. Introduction to Social Network Methods. University of California (published in digital form at http://faculty.ucr.edu/~hanneman/), Riverside, CA.

Marín, A. and F. Berkes. 2010. Network approach for understanding small-scale fisheries governance: The case of the Chilean coastal co-management. Marin Policy in press.

Prell, C., K. Hubacek, and M. Reed. 2009. Stakeholder Analysis and Social Network Analysis in Natural Resource Management. Society & Natural Resources 22:501-518.

Ramirez-Sanchez, S. and E. Pinkerton. 2009. The impact of resource scarcity on bonding and bridging social capital: the case of fishers’ information-sharing networks in Loreto, BCS, Mexico. Ecology and Society 14:22.

Sandström, A. and L. Carlsson. 2008. The performance of policy networks: the relation between network structure and network performance. Policy Studies Journal 36:497-524.

Schneider, M., J. Scholz, M. Lubell, D. Mindruta, and M. Edwardsen. 2003.Building consensual institutions: networks and the National Estuary Program. American Journal of Political Science 47:143-158.

**Scott, J. 2000. Social Network Analysis. A handbook. 2 edition. Sage Publications, London.

Wasserman, S. and K. Faust. 1994. Social Network Analysis: Methods and Applications. Cambridge University Press, Cambridge.

** Como libro de texto, elige Scott o Degenne y Forsé. Hanneman and Riddle también puede usarse como libro de texto, pero también es un manual instructivo para UCINET.

Descargue Hanneman and Riddle 2005 aquí (es gratis): http://faculty.ucr.edu/~hanneman/nettext/
o aquí.

jueves, 21 de diciembre de 2017

Intervención en redes sociales en programas de pobreza

Guía práctica para ONGs del análisis de redes sociales

Duncan Green  ||  Oxfam GB



El Análisis de Redes Sociales (ARS) ha estado apareciendo un poco en mi bandeja de entrada mental. Primero estaba mi cubierta IRCLectura de Navidad - Física Social, por Alex Pentland. Luego vino la publicación de ayer de algunos networkers dentro de Oxfam. Así que aquí hay algunos pensamientos adicionales, basados ​​en una gran guía para ARS por parte del Comité Internacional de Rescate.

La complejidad y el pensamiento sistémico parecen llevar a las personas a dos conjuntos divergentes de conclusiones. Un campamento dice que "la planificación y los kits de herramientas son una mierda, se mantienen fieles a la observación y respuesta a cualquier contexto dado y funcionan desde el instinto, el juicio y la respuesta rápida".

Otro grupo grita '¡Guau, un nuevo conjunto de herramientas!' El problema con el primero es cómo garantizar el rigor y la responsabilidad, cuando todos simplemente toman decisiones de acuerdo con su 'instinto' (¿y si el instinto de alguien es desastrosamente erróneo?) el problema con el segundo es que puede crear exactamente el tipo de seducción pero falsa certeza que los enfoques de complejidad y sistemas critican en otros lugares (marcos lógicos, etc.).

Me inclino hacia el primer grupo, con escrúpulos, pero me gusta vigilar el segundo, tanto para ver si está siendo sobrevendido, y con la esperanza de que realmente contenga las semillas de un enfoque más riguroso a la complejidad. El Análisis de redes sociales (ARS) parece uno de los enfoques de tipo 2 más prometedores. Me preocupa que se lo conciba principalmente como una herramienta para los grandes con muchos recursos (ver este post en el trabajo de Ben Ramalingam, que provocó un impresionante conjunto de comentarios), así que me alegré de encontrar el excelente IRC. 'Manual de ARS', que proporciona una guía práctica que parece muy adecuada para las capacidades de las ONG.

En 9 páginas, la guía establece cómo ejecutar un ejercicio de mapeo de relaciones, cómo examinar la influencia de los diferentes miembros de la red sobre el tema que se está abordando (más o menos lo mismo que el enfoque de análisis de poder de Oxfam). Luego se explica cómo analizar la red, con algunos ejemplos de un ARS del equipo de IRC en Sierra Leona.

"Para entender las redes sociales no solo es importante analizar las relaciones entre los actores, sino también considerar su ubicación dentro de la red y la estructura general de la red. Las siguientes preguntas pueden ayudar a analizar la estructura de la red:

  1. A) ¿Hay actores con un alto número de conexiones?
  2. B) ¿Hay algún actor que parezca periférico a la red?
  3. C) ¿Qué tan centralizada o interconectada está la red?
  4. D) ¿Hay líneas de falla entre partes o partes separadas de la red?
  5. E) ¿Hay actores que vinculen partes importantes de la red?

Al tratar de administrar y mitigar los riesgos, los siguientes son problemas comunes a tener en cuenta en su red:



Dependencia: la red puede depender en gran medida de un único actor o una fuente de financiación, lo que puede crear cuellos de botella y problemas de sostenibilidad.

Relaciones disfuncionales / conflictivas: puede haber ciertas relaciones cruciales clave que impidan de alcanzar toda la red. Los nuevos actores o intervenciones también pueden generar conflictos por los recursos o el control.

Marginación: Ciertos actores o grupos de personas pueden ser excluidos o marginados dentro de la red, tal vez debido al género, etnia, estado, ingresos u otros factores. El análisis de las razones detrás de la estructura de la red puede ayudar a descubrir los motivos de la marginación y la mejor forma de superarla.

Desincentivos para el cambio: Ciertos actores pueden tener desincentivos para apoyar el cambio propuesto y pueden intentar oponerse activamente. Preste especial atención aquí a cómo la intervención podría cambiar los flujos de recursos o cambiar los niveles de influencia de cada actor.

Relaciones de mutua apreciación: puede notar que los actores (personas / grupos) que comparten ciertos atributos, como género, edad, educación, origen étnico, religión, estado, tienden a tener muchas relaciones "como yo" y menos relaciones con personas diferentes de ellos mismos Este es un patrón común en muchas redes. Puede valer la pena considerar cómo esto afecta el problema específico y cómo superarlo.

Desafíos estructurales: los riesgos estructurales pueden incluir una red demasiado centralizada o una división estructural dentro de la red.

El equipo de Sierra Leona identificó los riesgos a nivel de la comunidad relacionados con el desincentivo de farmacéuticos, curanderos tradicionales y líderes de la sociedad secreta para apoyar a los trabajadores de salud de la comunidad, que representan una amenaza para sus medios de vida y su estado.

Al tratar de aprovechar las oportunidades, los siguientes son problemas comunes a tener en cuenta en su red:


Analizando la red

Construcción de relaciones críticas: puede haber algunas ganancias muy simples que identifique durante el desarrollo del mapa de la red. Por ejemplo, puedes identificar dos actores que son positivos y tienen influencia, pero estos campeones pueden no estar conectados. Facilitar la construcción de relaciones entre actores clave puede ser beneficioso.

Aproveche el soporte subutilizado: puede identificar a los actores dentro de la red que sean muy positivos acerca del cambio que busca lograr, pero a quienes no se les ha dado un rol o voz suficiente dentro de la intervención propuesta. Dale voz a estos "campeones" y empoderarlos para jugar un papel más central.

Creación de redes dentro de la red: puede haber la posibilidad de que la construcción de coaliciones eleve la voz y la influencia de quienes son positivos acerca del cambio propuesto. Esto se puede hacer mediante acuerdos de asociación más formales o mediante la organización de eventos para brindar una plataforma a quienes comparten sus ambiciones.

El equipo de Sierra Leona identificó oportunidades para establecer relaciones importantes entre los líderes tradicionales y administrativos y los proveedores de servicios de salud para coordinar mejor el apoyo a los trabajadores de salud de la comunidad ".

Luego usa el ARS para pensar en posibles escenarios:

'El ARS es útil para analizar cómo se ve la red ahora. También puede ser útil para considerar cómo podría cambiar en el futuro. Los participantes pueden desear considerar cómo diferentes escenarios afectarían a la red, por ejemplo:

  • ¿Cómo se vería la red ideal y cómo podría lograrse?
  • ¿Qué pasaría con la red si se reanuda el conflicto?
  • ¿Qué pasaría con la red si el financiamiento finaliza o el IRC se retira?

Si una fuente de financiamiento finaliza o un actor clave se retira, una red funcional (A) puede romperse rápidamente (B). Por lo tanto, es útil considerar qué relaciones invertir en (C). '

Inteligente. ¿Alguna otra herramienta de ARS que la gente pueda recomendar para organizaciones sobreexigidas en el terreno?

Y solo porque recientemente lo volví a ver, aquí está el ecólogo Eric Berlow hablando (muy rápido) sobre el valor de la visualización para encontrar la 'simplicidad que yace al otro lado de la complejidad', usando mi diagrama de complejidad favorito: el mapa mental militar afgano, y muchas otras cosas, todo en 3 minutos.

martes, 19 de diciembre de 2017

Gephi vs Cytoscape para grandes redes

Un nuevo mejor amigo: Gephi para redes a gran escala

Descargar como PDF
AI3

Visualización + Análisis de redes deja a un lado el Cytoscape

Aunque nunca tuve la intención de hacerlo, algunas publicaciones mías de hace unos años sobre 26 herramientas para la visualización de grafos a gran escala han sido algunas de las más populares en este sitio. De hecho, mi recomendación para Cytoscape para ver grafos a gran escala se ubica dentro de los 5 primeros puestos de todos los tiempos en este sitio.

Cuando se realizó ese análisis en enero de 2008, mi empresa estaba en medio de la necesidad de procesar el gran vocabulario de UMBEL, que ahora consta de 28,000 conceptos. Al igual que cualquier otra cosa, la necesidad impulsa la investigación y la demanda, y después de revisar muchos programas de grafos, elegimos Cytoscape, y luego proporcionamos algunas pautas continuas en su uso para fines web semánticos. Hemos continuado utilizándolo productivamente en los años intermedios.

Al igual que con cualquier herramienta, una revisa y selecciona la mejor en el momento de la necesidad. Más recientemente, sin embargo, con el uso cada vez mayor de grandes ontologías por parte de los clientes y el desarrollo de nuestro propio marco de gestión y edición de structOntology, hemos comenzado a chocar con las limitaciones del análisis de redes y grafos a gran escala. Con esta publicación, anunciamos nuestra nueva herramienta favorita para la red semántica Web y el análisis de grafos, Gephi, y explicamos su uso y mostramos un ejemplo actual.


La línea base y las limitaciones de Cytoscape

Hace tres años y medio cuando escribí por primera vez sobre Cytoscape, fue en la versión 2.5. Hoy está en la versión 2.8 y se han mejorado muchos aspectos (incluido su sitio web). Sin embargo, en otros aspectos, el desarrollo se ha desacelerado. Por ejemplo, la versión 3.x se discutió por primera vez hace más de tres años; todavía no está disponible hoy.

Aunque el sistema es de código abierto, Cytoscape también se ha desarrollado en gran parte con fondos de subvención externos. Al igual que otros proyectos financiados de manera similar, una vez y cuando los fondos de las subvenciones disminuyen, también se desacelera el desarrollo. Si bien claramente ha habido una comunidad activa detrás de Cytoscape, comienza a sentirse cansado y un poco largo en el diente. Desde un punto de vista web semántico, algunas de las limitaciones del Cytoscape actual incluyen:

  • Difícil conversión de ontologías existentes: Cytoscape requiere crear una entrada de CSV; había un plug-in anterior de RDFscape que ofrecía una gran promesa de unir el software al RDF y al ámbito de la Web semántica, pero no se mantuvo activo
  • Análisis de red: uno de los primeros y valiosos plug-ins de análisis de redes generalizadas fue NetworkAnalyzer; sin embargo, ese componente no ha visto un desarrollo activo en tres años, y los nuevos módulos dinámicos generalizados adecuados para el análisis de redes sociales (ARS) y las redes del mundo pequeño no han sido aparentes
  • Rendimiento lento y fallas demasiado frecuentes: Cytoscape siempre ha tenido una interfaz peculiar y fallas frecuentes; las versiones posteriores son un poco más estables, pero la usabilidad sigue siendo un desafío
  • Ampliamente respaldado por la comunidad biomédica: desde el principio, Cytoscape fue un proyecto de la comunidad biomédica. La mayoría de los complementos aún pertenecen a ese espacio. Debido al soporte de los formatos OBO (Open Biomedical and Biological Ontologies) y la falta de aceptación por parte de la comunidad web semántica más amplia, el desarrollo basado en RDF y OWL ha estado muy ausente.
  • Aparte de los archivos PDF, la capacidad deficiente para generar grafos de gran tamaño de manera visible
  • Soporte de diseño limitado y bajo rendimiento para muchos de los que se incluyen con el paquete estándar.


Sin lugar a dudas, si estuviéramos haciendo tecnologías semánticas en el espacio biomédico, podríamos desarrollar nuestros propios complementos y contribuir al proyecto Cytoscape para ayudar a superar algunas de estas limitaciones. Pero, como soy un friki de herramientas (consulte mi lista de Sweet Tools con casi 1000 herramientas Web semánticas y relacionadas), decidí consultar el estado actual de las herramientas de visualización a gran escala y ver si alguna había avanzado en algunos de nuestros objetivos sobresalientes.


Elegir Gephi y usarlo

Hay tres clases de herramientas gráficas en el espacio de la tecnología semántica:

  • Navegación y descubrimiento ontológicos, a los que el Relation Browser y RelFinder son ejemplos notables
  • Visualización de la estructura de ontología (y, a veces, edición), como las herramientas GraphViz (OWLViz) o OntoGraf utilizadas en Protégé (o el agradable FlexViz, utilizado nuevamente por la comunidad OBO), y
  • Visualización de grafos a gran escala para obtener una imagen completa y relaciones macro en la ontología.

Se podría argumentar que las dos primeras categorías han recibido la atención de desarrollo más actual. Pero, también diría que la tercera clase es una de las más importantes: para comprender dónde se encuentra uno en un gran espacio de conocimiento, se necesitan herramientas de navegación y visualización a gran escala mucho mejores. Desafortunadamente, esta tercera categoría también es la que parece estar recibiendo la menor atención de desarrollo. (Sin duda, los grafos a gran escala plantean desafíos computacionales y de rendimiento).

En los casi cuatro años desde mi última gran revisión de 26 herramientas en esta categoría, los nuevos participantes parecen bastante limitados. Seguramente he pasado por alto algunos, pero los más notables son Gruff, NAViGaTOR, NetworkX y Gephi [1]. Gruff en realidad parece pertenecer más a la Categoría # 2; No pude encontrar ejemplos de grafos en la escala de miles de nodos. NAViGaTOR es solo biomédico. NetworkX no tiene importación directa de grafos semánticos y, aunque aparentemente algunas bibliotecas RDF pueden usarse para manipular importaciones, los flujos de trabajo alternativos eran demasiado complejos para abordarlos en una evaluación inicial. Esto deja a Gephi como el único nuevo candidato potencial.

Desde un sitio web limpio hasta tutoriales introductorios bien diseñados, las primeras impresiones de Gephi son muy positivas. La prueba real, por supuesto, era hacer que funcionara contra mis pruebas de casos de uso reales. Para eso, utilicé una ontología "grande" para un cliente actual que captura aproximadamente 3000 conceptos diferentes y sus relaciones y más de 100 propiedades. Lo que aquí cuento, desde la primera vez que instalé el programa y complementos y luego configuré, analicé, definí los parámetros de la pantalla y luego publiqué los resultados, me llevó menos de un día desde un comienzo totalmente frío. El programa y el entorno de Gephi es sorprendentemente fácil de aprender, ayudado por algunos excelentes tutoriales e información en línea (ver la sección de conclusión).

El habilitador crítico para poder usar Gephi para esta fuente y para mis propósitos es el complemento SemanticWebImport, desarrollado recientemente por Fabien Gandon y su equipo en Inria como parte del proyecto Edelweiss [2]. Una vez que el complemento está instalado, solo necesita abrir la pestaña SemanticWebImport, darle la URL de su ontología de origen y seleccionar el botón de Inicio (panel central):




Tenga en cuenta que la herramienta SemanticWebImport también tiene la capacidad (panel central) de enviar consultas a un punto final SPARQL, cuyos resultados arrojan un grafo de resultados (parcial) desde la ontología de origen. (Esta característica no se trata más en este documento.) Esta carga de ontología y capacidad de visualización funcionó sin error para las cinco o seis ontologías OWL 2 que probé inicialmente contra el sistema.
Una vez cargada, se puede manipular una ontología (grafo) con una interfaz convencional de IDE de pestañas y vistas. En los paneles de la derecha de arriba estamos seleccionando varias rutinas de análisis de red para ejecutar, en este caso grados promedio. Una vez que se ejecutan una o más de estas opciones de análisis, podemos usar los resultados para agrupar o visualizar el grafo; el panel superior izquierdo muestra el resaltado de la clase de modularidad, que es la forma en que hice el análisis de la comunidad (clustering) de nuestra gran ontología de prueba. (Cuando se ejecuta, también puede asignar colores diferentes a las familias de clúster). También realicé algunos filtros de nodos y propiedades extraños en esta etapa y también instruí al sistema a través del análisis de clasificación para mostrar que los nodos con más conexiones de enlace son más grandes que esos nodos con menos enlaces

En esta coyuntura, también puede configurar la escala para variar las opciones de visualización como lineal o alguna función de potencia. También puede seleccionar diferentes opciones de diseño de grafo (panel inferior izquierdo). Hay muchas opciones de plug-in de diseño para Gephi. Se informa que el complemento de diseño llamado OpenOrd, por ejemplo, puede escalar a millones de nodos.

En este punto, jugué extensivamente con la combinación de filtros, análisis, clusters, particiones y clasificaciones (como se pueden aplicar por separado a nodos y bordes) para: 1) comenzar a comprender la estructura y las características generales del grafo grande; y 2) refinar el aspecto final que quería que tuviera mi grafo publicado.

En nuestro ejemplo, finalmente elegí el diseño estándar de Yifan Hu para hacer que las comunidades (clusters) se agreguen una cerca de la otra en el grafo. Luego apliqué el diseño de Atlas de Fuerza Paralela para organizar los nodos y hacer los espaciamientos más uniformes. El aspecto paralelo de este diseño basado en la fuerza permite que estos cálculos intensos se ejecuten más rápido. El resultado de estos dos diseños en secuencia es entonces lo que se usó para las pantallas de resultados.

Al finalizar este análisis, estaba listo para publicar el grafo. Uno de los mejores aspectos de Gephi es su flexibilidad y control sobre las salidas. A través de la pestaña de Vista previa principal, pude hacer mis configuraciones finales para el grafo publicado:



Los resultados del grafo de los filtros y clústeres y colores procesados ​​anteriormente se muestran en el panel Vista previa de la derecha. En el lado izquierdo, se configuran muchos aspectos de la visualización final, como etiquetas encendidas o apagadas, tamaños de fuente, colores, etc. Vale la pena mirar la figura anterior en tamaño completo para ver algunas de las opciones disponibles.
Las opciones de salida estándar incluyen SVG (imagen vectorial) o archivos PDF, como se muestra en la esquina inferior izquierda, con escala de tamaño de salida mediante barra deslizadora. Además, es posible realizar guardados estándar en una variedad de formatos de archivo o hacer exportaciones específicas.

Una opción de publicación realmente excelente es crear una pantalla con zoom dinámico usando la tecnología Seadragon a través de un complemento Seadragon Web Export por separado. (Sin embargo, debido a las limitaciones de scripts entre sitios debido a problemas de seguridad, solo uso esa opción para sitios específicos. Consulte la siguiente sección para la opción Zoom It, basada en Seadragon, para solucionar esa limitación).

Los resultados hablan por sí mismos

Estoy muy satisfecho con los avances en visualización y análisis proporcionados por Gephi. Usando la alternativa Zoom It [3] a Seadragon incrustado, podemos ver nuestro gran ejemplo de ontología con:


  • Todos los 3000 nodos etiquetados, con conexiones mostradas (aunque debe hacer zoom para ver) y
  • Al hacer zoom (use la rueda de desplazamiento o el ícono +) o la panorámica (al mover el mouse hacia abajo), espere unos segundos para obtener la actualización más clara de la imagen:


Nota: a resolución estándar, si este grafo fuera renderizado en tamaño real, ¡sería más grande que 7 pies por 7 pies cuadrados con zoom completo!

Para comparar las opciones de salida, también puede;



Aún así, algunas mejoras serían bienvenidas

Es notable que Gephi aún solo se presenta a sí mismo como un "alfa". Ya existe una robusta comunidad de usuarios con la promesa de que vendrá mucha más tecnología.

Como alfa, Gephi es notablemente estable y bien desarrollado. Aunque claramente útil como es, mido el estado de Gephi contra mi lista completa de funcionalidades deseadas, con estos elementos aún faltantes:

  • Navegación interactiva y en tiempo real: la capacidad de moverse por el grafo de forma interactiva y emitir consultas y descubrir relaciones
  • Números de nodo enormes: tal vez el complemento OpenOrd en cierta forma solucione esta necesidad. Probaremos Gephi contra UMBEL, que es un orden de magnitud más grande que nuestra gran ontología de prueba
  • Mayor control de nodos y enlaces: Cytoscape aún conserva la ventaja en el grado en que los nodos y los bordes se pueden diseñar gráficamente
  • Edición completa: ser capaz de usar Gephi en un modo de edición sería fantástico; la funcionalidad de edición es bastante sencilla, pero la capacidad de ida y vuelta en los formatos adecuados (BÚHO, RDF o de otro tipo) puede ser el mayor punto de fricción.

En última instancia, por supuesto, como expliqué en una presentación anterior sobre un Paisaje normativo para herramientas de ontología, nos gustaría ver un programa grafo completo vinculado directamente con la API OWL. Algunos intentos iniciales se han realizado con el enfoque de visualización no Gephi GLOW, pero aún se encuentra en fases muy tempranas y se desconocen los compromisos en curso. De manera óptima, sería genial ver un complemento Gephi que se vincule directamente con la API OWL.

En cualquier caso, aunque tal vez el desarrollo de Cytoscape se ha estancado un poco con fines de tecnología semántica, Gephi y su complemento SemanticWebImport han llegado a la vanguardia. Este es un fino conjunto de herramientas que promete utilidad por muchos años por venir.

Algunos enlaces adicionales de Gephi

Para aprender más acerca de Gephi, también vea:



Además, para desarrollos futuros en todo el espectro de visualización de grafos, revise la lista de herramientas de visualización general de Wikipedia de forma periódica.

[1] El paquete de matemática y estadísticas de código abierto R es muy rico, aparentemente con algunas capacidades de visualización de grafos, como el Statnet del proyecto de visualización y análisis de red dedicado. rrdf también puede proporcionar un camino interesante para las importaciones de RDF. R y su familia de herramientas pueden ser bastante prometedoras, pero el compromiso necesario para R parece bastante desalentador. A más largo plazo, R puede representar una ruta de actualización más poderosa para nuestros conjuntos de herramientas generales. Neo4j también es una estrella en ascenso en las bases de datos de grafos, con sus propios componentes de visualización. Sin embargo, dado que no queríamos convertir nuestros almacenes de datos subyacentes, tampoco probamos esta opción.
[2] Erwan Demairy es el principal desarrollador y committer de SemanticWebImport. La primera versión se lanzó a mediados de abril de 2011.
[3] Para presentaciones como esta publicación de blog, Seadragon JavaScript impone algunas restricciones de seguridad contra scripts entre sitios. Para superar eso, la opción que seguí fue:

  • Usar la opción de exportación SVG de Gephi
  • Abrir el SVG en Inkscape
  • Expandir el tamaño del diagrama según sea necesario (con dimensiones bloqueadas para evitar la distorsión)
  • Guardar como PNG
  • Ve a Zoom It y envía el archivo de imagen
  • Elija la función de inserción, y
  • Incruste el enlace proporcionado, que es lo que se muestra arriba.

(Aunque Zoom.it también acepta archivos SVG directamente, encontré el rendimiento

domingo, 17 de diciembre de 2017

Conectividad cerebral e inserción social en una aldea surcoreana


Diferencia de conectividad funcional cerebral en la red completa de una aldea entera: el papel del tamaño de la red social y la integración


Won-tak Joo, Seyul Kwak, Yoosik Youm y Jeanyung Chey
Scientific Reports 7, Article number: 4465 (2017)
doi: 10.1038 / s41598-017-04904-1
Nature

Resumen
Se sabe que las redes sociales protegen la función cognitiva en la vejez. Por primera vez, este estudio examina cómo el tamaño de la red social y la integración de la red social medida por la puntuación k-core se asocian con la conectividad funcional en el cerebro utilizando la red social completa de una aldea completa. De acuerdo con los resultados, el tamaño de la red social tiene asociaciones tanto positivas como negativas con la conectividad funcional; que no muestra un patrón significativo relativo a la distancia entre las regiones cerebrales. Sin embargo, los adultos mayores profundamente integrados en la red completa tienden a mantener una conectividad funcional entre las regiones de larga distancia incluso después de controlar otras covariables, como la edad, el género, la educación y el puntaje de Mini-Mental State Examination. Las estadísticas basadas en red (NBS) también revelaron evidencia sólida y consistente de que la integración de redes sociales tiene asociaciones a nivel de componentes con conectividad funcional entre las regiones cerebrales, especialmente entre los lóbulos prefrontal inferior y occipital / parietal.

Introducción

La asociación entre las redes sociales y la salud cognitiva se ha investigado en estudios de epidemiología. La gran cantidad de literatura indica que la interacción en redes sociales grandes1, 2 o la participación en diversas actividades sociales3, 4 es protectora de la función cognitiva en la vida posterior. En particular, los estímulos cognitivos de entornos socioeconómicos, como la educación o las relaciones sociales, podrían promover redes cognitivas más efectivas, acomodar más lesiones cerebrales sin deterioro cognitivo y, posteriormente, ayudar a mantener una mejor función cognitiva a edades más avanzadas5, 6. Mientras estudios recientes que utilizaron imágenes de resonancia magnética funcional (fMRI) mostraron que la principal causa de deterioro cognitivo en la vida posterior es la destrucción de la conectividad funcional entre regiones cerebrales de interés (ROI) 7, 8, Marques y colegas informaron que los niveles más altos de educación proporcionan redes funcionales cerebrales más eficientes y aliviar los efectos negativos del envejecimiento9. Según sus análisis, los años de educación se asocian positivamente con la conectividad funcional entre los ROI cerebrales distantes, especialmente entre las regiones anterior y posterior, lo que podría ayudar al cerebro a movilizar de manera eficiente sus regiones segregadas. Este estudio tiene como objetivo ampliar el postulado de Marques y sus colegas sobre los efectos de las redes sociales: ¿cómo podrían relacionarse las redes sociales con el cambio en la conectividad funcional cerebral?

En muchos estudios previos, las mediciones de las redes sociales se basaron principalmente en autoinformes sobre las relaciones sociales o la cantidad de apoyo social de los encuestados. En este estudio, recopilamos la información de interacción social de todos los adultos mayores que residen en un municipio rural en Corea del Sur, lo que nos permite examinar la estructura global de las redes sociales en todo un pueblo10. Teniendo en cuenta los resultados de la exploración fMRI en estado de reposo en 64 adultos mayores sanos sin datos de patología cerebral y redes sociales, investigamos cómo la conectividad funcional cerebral se asocia con el tamaño de la red social y la integración en el municipio.

Resultados

Descripción de los participantes

La Tabla 1 presenta las estadísticas descriptivas de los participantes y los coeficientes de correlación por parejas entre las variables. De 64 participantes, la muestra incluye 42 (66%) mujeres de una edad promedio de 71.39 y con un puntaje promedio de Examen de estado minimales (MMSE) de 26.50. Teniendo en cuenta que se necesitan seis años para completar la escuela primaria en Corea del Sur, el promedio de años de educación (6.14) es bastante bajo, pero refleja con precisión las características educativas de la población rural coreana.

Tabla 1: Estadística descriptiva de los participantes (n = 64).

VariableMediaSDMinMaxCorrelaciones de a pares
[1][2][3][4][5]
[1] Mujer0.660.4801
[2] Puntaje MMSE 26.502.771630−0.179
[3] Edad71.396.395984−0.116−0.272*
[4] Años de educacion6.143.68020−0.477*0.516*−0.175
[5] Tamaño de la red social6.225.43028−0.1230.1050.072−0.094
[6] Inserción de red social embeddedness (continuo)3.732.2307−0.0420.009−0.013−0.1350.846*
[7] Inserción de red social
  (bajo = 0, alto = 1)
0.440.5001−0.0910.115−0.134−0.0860.765*
Se evaluaron dos índices de redes sociales utilizando la red completa de Township K en Corea del Sur (los detalles sobre la construcción de datos de redes sociales se describen en la sección de métodos). Primero, el tamaño de la red social se midió por el número de conexiones sociales que los participantes tenían en la red completa. En segundo lugar, la integración de redes sociales se midió mediante la puntuación k-core11. Un grupo k-core se compone de personas que tienen al menos k conexiones sociales con otras personas del mismo grupo. Dado que uno puede pertenecer a varios grupos de núcleos k anidados desde k baja hasta k alta, toma el valor más alto de k como su puntuación de k-core. Por ejemplo, A en la Fig. 1 pertenece a tres tipos de grupos k-core (un grupo de 1 núcleo compuesto por las 10 personas en el gráfico, un grupo de 2 núcleos de 7 personas y un grupo de 3 núcleos de 4 personas) ), por lo tanto, el puntaje k-core de A es 3, correspondiente al máximo de k. Por otro lado, el puntaje k-core de B es 2 ya que B no es miembro del grupo de 3 núcleos. Aunque B tiene el mismo tamaño de redes sociales que A (3), B no puede contener 3 conexiones sociales cuando c y d (que tienen solo dos conexiones sociales en el grupo de 2 núcleos) están excluidos del grupo de 3 núcleos. En este caso, A es más probable que A pertenezca al núcleo de los grupos sociales y, por lo tanto, esté más profundamente inmerso en las redes de las personas. Dado que la integración de redes sociales es originalmente una medida discreta, consideramos tanto una forma continua como una binaria (dividida en la mediana,> 3) cuando realizamos los análisis.

Figura 1

Un grafo de red hipotético de 10 personas. La integración de la red social se midió mediante la puntuación k-core, el valor más alto de k entre los grupos k-core a los que pertenecían las personas. Un grupo k-core consiste en personas que tienen al menos k conexiones sociales con miembros del grupo. Aunque los tamaños de red social de A y B son los mismos (3), solo A puede ser un miembro del grupo de 3 núcleos y tiene un puntaje de k-core más alto que B (3 vs. 2).


La Figura 2 ilustra la red completa de Township K, que consta de 830 residentes, incluidos 64 participantes de este estudio (de color azul). Como se ve en la figura, los participantes con puntuaciones más altas de integración de redes sociales (círculos de mayor tamaño) están conectados a comunidades de más individuos y las densas conexiones sociales podrían fomentar estímulos sociales más consistentes y fuertes en el cerebro a través del apoyo emocional y los desafíos cognitivos. . La correlación entre el tamaño de la red social y la integración de redes sociales es muy alta (0,846), lo que sugiere que los individuos que estaban más profundamente integrados en las redes de los poblados generalmente mantenían conexiones sociales con más residentes del municipio.

Figura 2

Una red completa de 830 personas en Township K. Un círculo representa a cada individuo, y una línea de conexión social entre individuos. Un tamaño más grande representa una puntuación más alta de integración de redes sociales. Las muestras finales para este estudio (n = 64) están coloreadas en azul.


En las siguientes secciones, examinamos las asociaciones entre la conectividad funcional y las características individuales (incluidas las redes sociales) utilizando dos tipos de pruebas estadísticas. En primer lugar, consideramos la conectividad funcional dentro de cada par de ROI por separado como una variable predicha del modelo lineal generalizado (GLM) para probar las asociaciones de nivel de pares. En segundo lugar, probamos si hubo un cambio colectivo en la conectividad funcional de los ROI utilizando las estadísticas basadas en la red (NBS) 12. NBS detecta componentes de ROI funcionalmente conectados a partir de análisis a nivel de par y prueba la importancia de las asociaciones a nivel de componente comparando los resultados con los de las redes funcionales cerebrales simuladas (los análisis estadísticos se presentan en detalle en la sección de métodos). Todos los análisis se realizaron utilizando tres conjuntos diferentes de ROI del etiquetado automático anatómico (AAL) atlas13, el atlas14 probabilístico de Harvard-Oxford (HO) y el atlas15 de Dosenbach. En este documento, los resultados del atlas AAL se discutieron principalmente, y los de atlas HO y Dosenbach se presentaron en el suplemento en línea.

Asociaciones de nivel de par con conectividad funcional

La Figura 3 ilustra las diferencias a nivel de par en la conectividad cerebral por edad, años de educación, tamaño de la red social e integración social. Como se ve en la Fig. 3a, la vejez se asoció negativamente con la conectividad funcional general entre los pares de ROI, cuya distribución por distancia fue ligeramente sesgada a la izquierda. Sin embargo, se encontraron correlaciones positivas entre la edad y la conectividad funcional en algunos pares. Las asociaciones con años de educación en la figura 3b no mostraron ningún patrón distintivo por la distancia entre las regiones del cerebro, y solo un par permaneció con un umbral fuerte de p <0,001. En cuanto al tamaño de la red social en la figura 3c, observamos asociaciones tanto positivas como negativas con varios pares de ROI. Si bien la distancia entre los pares de ROI se distribuyó uniformemente, observamos correlaciones positivas con la conectividad cerebral centrada en la circunvolución temporal media izquierda en el nivel de p <0,001. La Figura 3d muestra que la mayoría de las asociaciones entre la conectividad funcional y la integración de redes sociales fueron positivas, y se distribuyeron principalmente en regiones de larga distancia entre los lóbulos frontal y occipital. Patrones similares se observan en la figura 3e que los participantes con alta integración de redes sociales tenían una conectividad funcional más fuerte entre los ROI distales que los participantes con puntajes de incrustación inferior a la mediana. Sin embargo, al considerar una forma binaria, los ROI se identificaron a partir de pares entre los lóbulos frontal y parietal.


Figura 3


Asociaciones de nivel de par entre la conectividad funcional y las características individuales. Los puntos azules / rojos representan asociaciones negativas / positivas significativas en los umbrales de p <0,01, p <0,005 o p <0,001. Los diagramas de dispersión en la primera fila son representaciones matriciales de asociaciones con conectividad funcional entre ROI de 90 por 90 cerebros. Los diagramas de dispersión y los histogramas en la segunda fila ilustran las asociaciones por la distancia entre los ROI del cerebro. (a) La edad se asoció negativamente con la conectividad funcional general. (b) Años de educación y (c) tamaño de la red social mostró asociaciones con conectividad funcional entre solo unos pocos pares de ROI al nivel de p <0.001, que no mostró ninguna tendencia en la distancia entre los ROI. (d) Incorporación de redes sociales (continuo) y (e) Integración de redes sociales (bajo = 0, alto = 1) mostró asociaciones positivas con la conectividad funcional, especialmente entre los ROI de larga distancia en el cerebro.


Los resultados de los atlas HO y Dosenbach fueron similares a los del atlas AAL (los resultados se presentaron en las Figuras Suplementarias S6 y S7). La edad tuvo fuertes asociaciones negativas con la conectividad funcional entre muchos ROI de larga distancia y fuertes asociaciones positivas con un pequeño número de ROI de corta distancia. Los pares de ROI asociados negativamente tenían una distribución más sesgada a la izquierda por distancia que los del atlas AAL. El tamaño de la red social no mostró un patrón distintivo, mientras que la integración de la red social tuvo fuertes asociaciones positivas con los ROI de larga distancia cuando se usaron ambos atlas. Curiosamente, los años de educación tuvieron fuertes asociaciones positivas con los ROI de corto y mediano rango cuando se utilizaron los atlas HO y Dosenbach que el atlas AAL. La mayoría de esos pares estaban entre los lóbulos temporales y occipitales.

Asociaciones de nivel de componente con conectividad funcional

La Tabla 2 presenta los resultados de la prueba NBS destinados a descubrir cualquier diferencia a nivel de componente por edad, años de educación, tamaño de red social e integración social (las listas de ROI en componentes detectados por NBS se presentan en la Tabla Suplementaria S1 a S4, y la los gráficos de red basados ​​en el algoritmo Kamada-Kawai16 se encuentran en las Figuras Suplementarias S1 a S3). Los componentes asociados negativamente con la edad en todos los umbrales tenían una extensión significativamente mayor (el número de pares de ROI) e intensidad (la medida ponderada por la fuerza de las asociaciones) que las redes simuladas al nivel de pNBS <0.05, excepto la intensidad en un umbral de p <0,005 y para la extensión en un umbral de p <0,001. La conectividad funcional media de los componentes detectados por NBS mostró asociaciones negativas con la edad después de controlar por género, puntaje MMSE, tamaño de red social e inserción de redes sociales. En cuanto a los años de educación, no pudimos observar ninguna asociación significativa a nivel de componente de NBS. En cuanto al tamaño de la red social, el componente se asoció positivamente en un umbral de p <0,001 y tuvo una extensión e intensidad significativamente mayores que las redes simuladas. Como se muestra en la Fig. 4, los componentes incluyeron los pares de ROI entre el lóbulo temporal (amígdala derecha, circunvolución fusiforme izquierda y circunvolución temporal media izquierda) y el lóbulo occipital (fisura calcarina, circunvolución lingual y circunvolución occipital inferior izquierda). La conectividad funcional media de los componentes detectados por NBS en un umbral de p <0,001 también mostró una asociación positiva con el tamaño de la red social después de controlar otras características individuales.

Tabla 2

VariablesAsociaciónEstadísticaUmbral del Componente
p < 0.01p < 0.005p < 0.001
Tamaño(pNBS)Tamaño(pNBS)Tamaño(pNBS)
EdadExtent86(0.011)28(0.031)4(0.083)
Intensity35.9(0.011)8.0(0.057)2.1(0.044)
Años de educación+Extent19(0.229)8(0.228)1(0.628)
Intensity4.7(0.331)0.9(0.590)0.0(0.625)
Tamaño de la red social+Extent12(0.347)8(0.225)6(0.042)
Intensity9.4(0.156)6.7(0.081)2.5(0.037)
Inserción de red social embeddedness (continuo)+Extent48(0.051)32(0.024)9(0.017)
Intensity24.7(0.030)14.5(0.020)3.7(0.016)
Inserción de red social  (bajo = 0, alto = 1)+Extent73(0.016)47(0.010)12(0.010)
Intensity36.6(0.011)20.9(0.010)3.8(0.017)
Figura 4

Las asociaciones de nivel de componente entre conectividad funcional y tamaño de red social / edad. Se presenta una figura del cerebro para el componente completo y ocho figuras separadas para la conectividad regional de los lóbulos frontal / temporal / parietal / occipital izquierdo / derecho para cada umbral. El componente más grande asociado negativamente con la edad en los umbrales de p <0,01 o p <0,005 tuvo una extensión e intensidad significativamente mayores que las redes simuladas, pero no al nivel de p <0,001. En cuanto al tamaño de la red social, el componente solo al nivel de p <0.001 tuvo una intensidad significativamente mayor que las redes simuladas. La conectividad funcional promedio entre los ROI en cada componente fue menor para aquellos con mayor edad, y mayor para aquellos con las redes sociales más grandes después de controlar otras covariables.


La integración de redes sociales mostró evidencia significativa para las asociaciones de nivel de componente de NBS. Al considerar una forma continua, los componentes más grandes cuya conectividad funcional entre los pares de ROI se asociaron positivamente con la integración de la red social en los tres umbrales de p <0,01, p <0,005 yp <0,001 tenían una extensión e intensidad significativamente mayores que las redes simuladas. Como se ve en la figura 5, el componente más grande en el nivel de p <0.001 estaba compuesto por pares de ROI desde el lóbulo frontal derecho (circunvolución frontal inferior derecha, ínsula derecha) hasta el lóbulo occipital (cuneus, circunvolución occipital superior y medio circunvolución occipital). Al considerar una forma binaria, los componentes más grandes de todos los umbrales también fueron significativamente más grandes que las redes simuladas. En la figura 6, puede encontrar que el componente más grande en el nivel de p <0.001 se centró en la ínsula izquierda, la circunvolución cingulada, el núcleo caudado y el lóbulo parietal (precúneo, circunvolución parietal superior izquierda). La conectividad funcional media de los componentes detectados por NBS en todos los umbrales mostró asociaciones positivas con la integración de redes sociales después de controlar por género, puntaje MMSE, años de educación y tamaño de red social (ver Tabla Suplementaria S5). Al considerar otros modelos después de excluir outliers17, las asociaciones entre la conectividad funcional media y la edad, el tamaño de la red social y la integración de redes sociales mostraron las mismas direcciones que los modelos originales (presentados en la Tabla complementaria S6, Figuras S4 y S5). Además, probamos los efectos de interacción de la edad con la educación, el tamaño de la red social o la integración de la red social, pero no se observaron resultados significativos (presentados en la Tabla Suplementaria S7).


Figura 5






Asociaciones de nivel de componente entre conectividad funcional e integración de redes sociales (bajo = 0, alto = 1). Se presenta una figura del cerebro para el componente completo y ocho figuras separadas para la conectividad regional de los lóbulos frontal / temporal / parietal / occipital izquierdo / derecho para cada umbral. El componente más grande positivamente asociado con la integración de redes sociales en los umbrales de p <0,01, p <0,005 o p <0,001 tuvo una extensión e intensidad significativamente mayores que las redes simuladas. La conectividad funcional promedio entre los ROI en cada componente fue más alta para aquellos con una alta integración de redes sociales que una baja integración de redes sociales.

De acuerdo con los resultados del análisis a nivel de componentes utilizando el atlas HO (ver Tablas suplementarias S8, S12-14 y Figuras S8-13), los componentes asociados negativamente con la edad en todos los umbrales tenían una extensión e intensidad significativamente mayores que las redes simuladas. Sin embargo, a diferencia de los resultados del atlas AAL, los años de educación tuvieron asociaciones significativas y positivas a nivel de componentes con conectividad funcional, especialmente entre el temporal (circunvolución temporal superior derecha, corteza fusiforme occipital temporal izquierda) y los lóbulos occipitales (circunvolución lingual izquierda, corteza intracalcarina , corteza cuneal, corteza supracalcarina). En cuanto al tamaño de la red social, no se detectó ningún componente a partir de análisis a nivel de componente. En cuanto a la integración de redes sociales, una forma binaria tenía asociaciones fuertes y positivas a nivel de componentes con pares de ROI entre la circunvolución frontal inferior derecha y el lóbulo occipital (corteza occipital lateral derecha), y las circunvoluciones cingulares y parietales (lóbulo parietal superior izquierdo, precune corteza) / lóbulos occipitales (corteza occipital lateral derecha). Aunque una forma continua de inserción de redes sociales fue marginalmente significativa en los umbrales de p <0,01 yp <0,005, las asociaciones fuertes a nivel de componentes se identificaron principalmente a partir de pares de ROI entre los lóbulos frontal derecho y occipital. Sin embargo, los análisis a nivel de los componentes que utilizan el atlas de Dosenbach no identificaron ningún componente asociado con los principales predictores en todos los umbrales (véase la Tabla Suplementaria S10). Los efectos de interacción entre la edad y otros predictores principales no fueron significativos cuando se consideraron los atlas de HO o de Dosenbach (ver tablas complementarias S9 y S11).


Discusión

La conectividad funcional del cerebro a menudo se ilustra como una pequeña red mundial, donde i) las regiones cerebrales próximas están agrupadas funcionalmente, y ii) la conectividad entre diferentes ROI permite que esos clústeres se sincronicen de manera eficiente18. Se considera que la conectividad de larga distancia en el cerebro, que suele unir agrupamientos segregados de regiones cerebrales, desempeña un papel importante para hacer que el cerebro sea un mundo pequeño pero eficiente. Los estudios en pacientes con enfermedad de Alzheimer mostraron que la estructura mundial pequeña se destruye no por la interrupción de la conectividad local, sino por la conectividad a larga distancia entre las regiones anterior (lóbulo prefrontal) y posterior (lóbulos parietal y occipital) 19,20,21. De manera similar, los estudios de envejecimiento de la población también demuestran que la vejez se correlaciona con una disminución de la conectividad a larga distancia en redes de modo predeterminado y redes de atención7, lo que resulta en una función cerebral menos eficiente22 con redes funcionales más integradas localmente pero segregadas globalmente8. Aunque este estudio no adoptó directamente los índices para el mundo pequeño, los resultados proporcionan evidencia sólida de que las redes sociales, especialmente la integración de redes sociales en la red global de la comunidad, se asocia positivamente con la conectividad funcional entre las regiones antero-posteriores.

Las pruebas de nivel de pareja en este estudio muestran que la vejez se correlaciona con la disminución de la conectividad funcional, especialmente entre las regiones de larga distancia, que son coherentes con los resultados de los estudios previos7, 9. Si bien varios modelos proporcionaron correlaciones positivas con la conectividad funcional entre lóbulos temporales y occipitales, los resultados de las pruebas a nivel de par en el nivel de educación y el tamaño de la red social son inconsistentes cuando se utilizan diferentes atlas cerebrales. Mientras tanto, la integración de la red social tiene asociaciones consistentes y positivas con la conectividad funcional entre pares de ROI de larga distancia de todas las pruebas de nivel de pareja que utilizan diferentes umbrales y atlas cerebrales. Dado que la disminución de la conectividad por edad se encontró principalmente entre los lóbulos parietal / temporal izquierdo y derecho, la inserción de redes sociales puede no compensar directamente la desventaja del envejecimiento. Sin embargo, si la conectividad entre las regiones posterior-anterior proporciona rutas alternativas para las redes funcionales entre las regiones del cerebro, podría compensar indirectamente el proceso de envejecimiento cognitivo.

Los resultados de las pruebas a nivel de componentes proporcionaron una sólida evidencia de asociaciones entre la conectividad funcional y la integración de la red social, especialmente entre la corteza prefrontal inferior y los lóbulos occipital / parietal, al utilizar atlas AAL y HO. Por otra parte, las asociaciones positivas con regiones distales del cerebro se observaron consistentemente en los dos atlas diferentes. Por otro lado, todos los análisis a nivel de componentes basados ​​en el atlas de Dosenbach no proporcionaron ningún resultado significativo. Para ser identificado como un componente de las pruebas a nivel de componente, los pares de ROI deberían i) tener una fuerte asociación con el predictor en las pruebas de nivel de pareja, y ii) compartir algunos ROI comunes como uniones de esos pares. Mientras que las pruebas de nivel de pareja utilizando el atlas de Dosenbach seleccionaron muchos pares de ROI de larga distancia, no se identificaron como un componente porque no tenían uniones comunes, sino solo ROI vecinos. Dado que el atlas de Dosenbach fue el atlas más detallado entre los tres que utilizamos, el cerebro podría dividirse en regiones tan pequeñas como para tener puntos en común entre los pares de ROI. Además, los diferentes resultados de atlas también podrían surgir de efectos de volumen parcial. Con el fin de abordar este problema, llevamos a cabo el procedimiento de eliminación de ruidos implementado en la caja de herramientas de Conn, por lo que regresamos parcialmente al efecto inducido en la materia blanca y el área del tejido del fluido cerebroespinal. Dado que estos procedimientos se realizaron antes de la extracción de los valores de la serie temporal de ROI y el cálculo de conectividad, esperamos que las confusiones de volumen parcial se ajusten de forma moderada. A pesar de que no hay evidencia de apoyo del atlas de Dosenbach, los resultados de otros atlas fueron suficientes para implicar la importancia de la integración de redes sociales en la conectividad funcional de los adultos mayores.

La ventaja de las redes sociales bien organizadas se puede explicar de dos maneras. En primer lugar, nuestros resultados implican que las redes sociales podrían proporcionar estímulos cognitivos similares a los de la experiencia educativa, y estos estímulos cognitivos ayudan a promover la conectividad funcional entre los ROI distantes. Como se muestra en el estudio de Marques y colegas, las estimulaciones crónicas de las experiencias educativas se relacionan con una conectividad funcional más fuerte entre los ROI posteriores a la anterior, lo que podría compensar las redes funcionales localizadas de las personas mayores9. Se observaron resultados similares en el estudio de tomografía de emisión de positrones en estado de reposo en muestras urbanas coreanas: los participantes con educación superior tuvieron puntajes de conectividad funcional más pequeños, que se midieron por la relación del coeficiente de agrupamiento con la longitud promedio de camino entre los ROI23. . Si bien los análisis de la educación con diferentes atlas cerebrales proporcionaron resultados inconsistentes, las redes sociales tenían asociaciones fuertes y robustas con la conectividad funcional a larga distancia del cerebro. Considerando que el 71.46% (576 de 814) de los participantes respondieron que se graduaron solo en la escuela primaria o que no tenían ninguna experiencia de educación formal en la primera ola de este proyecto10, poca variación en la educación podría socavar sus efectos sobre el cerebro. Por otro lado, las redes sociales bien organizadas son probablemente más esenciales para generar actividades cognitivas en contextos socioeconómicos urbanos. En segundo lugar, las redes sociales podrían estar relacionadas con la conectividad funcional a través de cambios estructurales en el cerebro24. Los estudios han informado que la exposición crónica al glucocorticoide elevado causado por el estrés de la vida induce inflamación y enfermedades cardiovasculares25, potencialmente relacionada con la disminución del volumen del hipocampo y la corteza prefrontal26, y la integridad de la sustancia blanca del cerebro27. Teniendo en cuenta que el apoyo social de las redes alivia la angustia emocional de los acontecimientos de la vida28, nuestros resultados podrían derivarse en parte de la estructura cerebral desfavorecida de las personas con redes sociales deficientes.

La principal fortaleza de este estudio proviene de la amplia información sobre las relaciones sociales entre todos los residentes mayores en el municipio. La integración de redes sociales solo se puede medir dentro de una red completa de todas las personas de interés. Descubrimos que la mayor contribución de la red social no depende del tamaño de la red, sino que depende de la integración de la red. Los adultos mayores con posiciones profundamente integradas aprovechan tres tipos distintos de recursos. En primer lugar, dado que pertenecen a un grupo central muy cohesionado, todos sus amigos sociales tienden a compartir los mismos valores, actitudes y comportamientos, por lo tanto, proporcionarán diversos tipos de apoyo de forma coherente y coordinada: amigos en el grupo con alta El puntaje de k-core coordinará sus acciones para ayudar a otros amigos en el grupo y puede proporcionar una valiosa y consistente ayuda. Los grupos con un alto puntaje de k-core también pueden brindar ayuda y compartir actividades de una manera más sólida. Dado que todos los miembros tienden a ser amigos entre sí, incluso cuando un par de miembros se enferman o se vuelven hostiles, todo el círculo de la amistad puede mantenerse con relativa facilidad y, por lo tanto, aun así brindar el mismo valioso apoyo mutuo. Por último, dado que es más probable que actúen juntos como un solo grupo, mantienen su función cognitiva para enfrentar el desafío de coordinar múltiples acciones de diferentes personas. Creemos que esos beneficios de la integración de redes sociales podrían ayudar a los adultos mayores a acumular un mejor apoyo social y más estímulos cognitivos en el cerebro, lo que en consecuencia puede activar la conectividad funcional entre los ROI cerebrales.

Una de las limitaciones en este estudio es su diseño de corte transversal. Es posible que la conectividad funcional ineficiente en el cerebro pueda causar la disminución de la función cognitiva y, en consecuencia, interferir con la participación social y la socialización con los vecinos. A pesar de la limitación, este estudio es, hasta donde sabemos, el primer estudio sobre la asociación entre la conectividad funcional cerebral y las características de las redes sociales utilizando la red global de una comunidad completa. Los estudios futuros que usan datos longitudinales con observaciones grandes podrán complementar los hallazgos de este estudio de las siguientes maneras:

i) La relación entre las redes sociales y la estructura del cerebro debe ser investigada. En otro estudio que utilizó los mismos datos presentados en este estudio, se examinó cómo el tamaño de la red social se correlaciona con el volumen regional de materia gris29. Los resultados mostraron que el tamaño de las redes sociales internas -el número de personas que designó al encuestado como miembro de la red- se asoció significativamente con las regiones cerebrales que implican procesamiento de información social (corteza orbitofrontal lateral, amígdala y área de unión temporo-parietal) mientras que todo el cerebro el análisis exploratorio mostró asociación en la región occipital medial. Además, la función de memoria episódica superior mediaba la relación entre la estructura del cerebro y el tamaño de la red social interna. Estos resultados implican que un mayor volumen de cerebro social conduce a una mayor conexión social, que a su vez, también beneficia la salud del cerebro en general. De acuerdo con la acumulación de estudios, una integración funcional más fuerte dentro de la red de la amígdala puede indicar la capacidad de procesar información social que respalde una red social más grande30. Como se observó en parte en esta investigación, el tamaño de la red social se asoció con la red de la amígdala ventrolateral que abarca desde el polo temporal hasta la corteza temporal inferior. Por otro lado, los efectos significativos de la conectividad funcional a través de la conectividad difusa y de larga distancia pueden indicar la integridad de la materia blanca influenciada por la vulnerabilidad de la respuesta inflamatoria27. En este estudio, sin embargo, es difícil precisar la fuente del efecto en la fuerza de conectividad funcional regional. Se supone que, especialmente en los adultos mayores, la función socioafectiva y la función cognitiva se influyen mutuamente31. Si la estructura del cerebro promueve la formación de la conectividad funcional, se puede identificar una ruta longitudinal desde las redes sociales, la estructura del cerebro y la conectividad funcional.

ii) La relación entre las diversas propiedades de las redes sociales y las características del cerebro debe ser estudiada. Las posiciones y el potencial de las personas en las redes sociales se pueden medir de diversas maneras. Por ejemplo, en el estudio de las redes sociales y la estructura cerebral mencionado anteriormente, las redes sociales externas e internas se midieron por separado. No pudimos considerar la dirección de las redes sociales en este estudio ya que añadimos datos sobre las relaciones sociales entre los miembros de la red para obtener más variación en los puntajes del k-core, y para los cuales no había información disponible sobre la dirección. Cuando consideramos el tamaño de la red social interna y externa en lugar de nuestras medidas para el tamaño de la red, NBS aún no detectó ninguna diferencia significativa a nivel de componente por el tamaño de la red en ambas direcciones, mientras que las asociaciones a nivel de componente con la integración de red social controlando cualquier medida del tamaño de la red social. Estos hallazgos no excluyen la posibilidad de efectos de tamaño de red en la conectividad funcional, ya que son prematuros para determinar las rutas causales entre el tamaño de la red y la integración. Los estudios futuros podrán aclarar el proceso de evolución conjunta de las redes sociales y el cerebro.

iii) El objetivo final de los estudios de redes sociales del cerebro es identificar cómo estos procesos resultan en la función cognitiva y la salud de los adultos mayores. En una investigación en curso que utiliza datos de 4 años de los residentes en el mismo municipio con este estudio, se encontraron las asociaciones positivas entre las redes sociales integradas y los puntajes del MMSE. Aunque no se observaron asociaciones transversales entre las puntuaciones de MMSE y la conectividad funcional en este estudio, no está claro cómo la conectividad funcional actual afectará el cambio en las puntuaciones de MMSE y la aparición de enfermedades cerebrales en el futuro. Los datos longitudinales sobre la conectividad funcional permitirán revelar el mecanismo en el que las redes sociales se relacionan con la función cognitiva y la salud a través de la conectividad funcional en el cerebro.


Métodos

Participantes

Las muestras del estudio pertenecían a la tercera ola del Proyecto de Vida Social, Salud y Envejecimiento de Corea (KSHAP). KSHAP es un estudio de cohorte basado en la comunidad sobre salud y redes sociales de adultos mayores de diez aldeas en Township K, Ganghwa-gun, Incheon, Corea del Sur. La primera investigación se realizó entre diciembre de 2011 y marzo de 2012, dirigida a todos los residentes de 60 años o más y sus cónyuges en Township K. La encuesta y el examen de salud se realizaron en los hogares o centros comunitarios de los encuestados, lo que arrojó una tasa de respuesta de 94,65 % (814/860). En la 3ra ola, 591 adultos mayores participaron en la encuesta de seguimiento en febrero de 2014, y 195 de tres aldeas completaron otras pruebas de detección de trastornos neurocognitivos preclínicos en enero y febrero de 2015. Los criterios para el deterioro cognitivo significativo fueron los siguientes: 1) participantes que obtuvieron menos de 1.5 SD en el Mini Examen de estado mental para detección de demencia (MMSE-DS) 32, 2) aquellos que estaban en el percentil 5 en el Índice de memoria a largo plazo o en el Índice de memoria operativa en Escala de memoria anciana33 según la edad y Norma de educación especificada, y 3) Aquellos que tuvieron cambios cognitivos o conductuales significativos en el último año a partir de la entrevista semiestructurada de la Clasificación de Demencia Clínica (CDR) 34. Sesenta y ocho participantes que pasaron las pruebas de detección fueron sometidos a una resonancia magnética funcional en el Centro de Imágenes del cerebro de la Universidad Nacional de Seúl, y 3 fueron excluidos debido al movimiento excesivo de la exploración, la anormalidad neurológica y la confusión de la señal difusa, respectivamente. Después de excluir a un participante más que no completó la encuesta de redes sociales en la 3ra ola, se examinaron 64 observaciones de imágenes cerebrales funcionales y redes sociales en los análisis finales. El estudio fue aprobado y realizado de acuerdo con las directrices y regulaciones pertinentes por la Junta de Revisión Institucional de la Universidad de Yonsei, y todos los participantes proporcionaron un consentimiento informado por escrito para el procedimiento de investigación.

Conectividad funcional cerebral

Los datos de fMRI en estado de reposo se adquirieron en un escáner 3T Siemens Trio. Durante el examen, los participantes recibieron instrucciones de descansar en silencio con los ojos abiertos y no quedarse dormidos. Adquirimos 300 imágenes funcionales EPI contiguas (TR = 2000 ms, TE = 30 ms, FOV = 240 × 240 mm, FA = 79 °, tamaño del vóxel 3 × 3 × 3 mm, espacio = 1 mm, tiempo de adquisición = 10 minutos) . Con el fin de adquirir alta resolución espacial, las regiones cerebelosas se excluyeron en la adquisición. Se obtuvieron imágenes de eco de gradiente rápido (MPRAGE) preparadas magnéticamente y ponderadas en T1 (cortes sagitales, grosor de corte de 1 mm, TR = 2300 ms, TE = 2,36 m, FOV = 256 × 256 mm, FA = 9 °, tamaño de vóxel 1 × 1 × 1 mm³).

El preprocesamiento y eliminación de imágenes se realizó utilizando el software SPM12 (Departamento de Bienvenido de Imaging Neuroscience, Institute of Neurology, Londres, RU) con la caja de herramientas conn 15 (http://www.nitrc.org/projects/conn) para el análisis de conectividad funcional. Las imágenes funcionales se corrigieron por el tiempo y el movimiento del corte. Las imágenes EPI se combaron en el espacio estándar MNI. Las imágenes se suavizaron con un núcleo gaussiano de 8 mm³ de ancho máximo medio. Se descartaron tres participantes con imágenes consecutivas de movimientos de cabeza estimados superiores a 5 mm. Además, las herramientas de detección de artefactos (https://www.nitrc.org/projects/artifact_detect/) se usaron para identificar imágenes atípicas de intensidad de señal y movimiento. Las imágenes con intensidad Z global> valor Z> 9 y movimiento> 2 mm se identificaron como imágenes atípicas (los escanes atípicos promediaron = 4.98, SD = 7.45). Los parámetros de movimiento estimados y las imágenes atípicas se usaron como covariables molestas en la regresión lineal de series de tiempo. Las imágenes potenciadas en T1 se segmentaron en materia gris, sustancia blanca y líquido cefalorraquídeo y se combaron en el espacio estándar MNI. Las señales dentro de la materia blanca y la máscara CSF se regresaron para excluir la señal BOLD de la materia no gris. El filtrado temporal Band-pass (0.008-0.09) se aplicó para excluir la señal de ruido fisiológico. Para cada sujeto, las series temporales medias se extrajeron promediando todos los vóxeles que componen cada región para cada punto de tiempo desde 90 ROI corticales, subcorticales, excluidas las regiones cerebelosas del atlas13 de etiquetado automático anatómico (AAL). Se calcularon los coeficientes de correlación de Pearson entre cada par de regiones y se transformaron en puntuaciones Z de Fisher. Finalmente, se construyeron 64 matrices de conectividad funcional individuales que contienen (90 × (90-1)) / 2 = 4.005 pares de valores de conectividad funcional. Para la verificación de robustez, realizamos los análisis complementarios utilizando matrices de conectividad del atlas probabilístico de Harvard-Oxford (105 ROIs excluyendo el cerebelo) 14 y el atlas de Dosenbach (142 ROIs excluyendo el cerebelo) 15.

Redes sociales

Las variables de redes sociales se crearon con la red completa de la 3ª oleada de KSHAP. Los encuestados enumeraron a los miembros de su red social (un cónyuge, si corresponde, hasta cinco personas que con mayor frecuencia discutieron preocupaciones importantes en los últimos 12 meses, y una persona muy importante, si la hay) con la información sobre nombres reales, sexo, residencia, frecuencia de contacto con miembros de la red (día / año) y frecuencia de contacto entre cada par de miembros de la red10. Para combinar estas redes centradas en los encuestados como una red completa de Township K, las mismas personas que aparecieron en diferentes redes de encuestados se identificaron con base en los siguientes criterios: 1) los que no estaban casados ​​con los encuestados de la encuesta de tercera ola y la vida fuera de Township K se excluyó, 2) al menos dos de cada tres caracteres coreanos en sus nombres coinciden, 3) su sexo era el mismo, 4) su diferencia de edad era menos de cinco años, y 5) sus direcciones pertenecían a el mismo pueblo A partir de este proceso, identificamos 830 individuos únicos en Township K. Se supuso que existían conexiones sociales entre esos individuos si tenían una frecuencia tan frecuente como la mediana (182.5 días por año) o un contacto más frecuente. Finalmente, construimos la red completa de 830 nodos y 1,879 conexiones sociales no dirigidas. El tamaño de la red social y la integración de redes sociales se calcularon usando Pajek.

Análisis estadístico

Se realizaron dos tipos de análisis estadísticos. Primero, examinamos la relación entre las redes sociales y la diferencia de nivel de pareja en el cerebro. Examinamos 4.005 modelos lineales generalizados (GLM) separados que predicen la conectividad cerebral entre cada par de 90 ROI con cuatro predictores principales (edad, años de educación, tamaño de red social, integración de redes sociales) y covariables (género, puntaje MMSE). Consideramos tanto una forma continua como una binaria (dividida en la mediana,> 3) de la integración de redes sociales, mientras que solo la forma continua se incluyó en los modelos cuando se probaron otros predictores principales. Además, identificamos pares de ROI cuya conectividad funcional tenía fuertes asociaciones con cada predictor principal basado en tres umbrales diferentes (p <0.01, p <0.005 yp <0.001), y exploramos la distribución por distancia euclidiana entre los ROI dentro de cada par. La distancia se dividió por la distancia máxima en el cerebro y se normalizó dentro de un rango de 0 a 1.

En segundo lugar, probamos si las redes sociales estaban asociadas con la diferencia de nivel de componente en la conectividad utilizando Estadísticas basadas en la red (NBS) 12. Dado que las pruebas de nivel de pareja solo se refieren a la relación entre cada par de ROI y los predictores, es difícil captar cómo estas parejas hacen una diferencia colectiva en la conectividad del cerebro, y qué tan grande es esta diferencia. NBS se propuso proporcionar estadísticas para una variación colectiva y realizar una prueba basada en simulación que controla fuertemente la tasa de error familiar a partir de análisis univariantes de masa de ROI cerebrales. En lugar de estadísticas basadas en voxel basadas en un conjunto de voxels vecinos físicamente, NBS adopta un componente de red de ROI funcionalmente conectados y prueba las hipótesis de acuerdo con los siguientes procedimientos. i) Los componentes de red se identifican a partir de pares de ROI seleccionados por pruebas de nivel de par. Si considera cada par de ROI seleccionado como una conexión, podría encontrar componentes de ROI cuyos miembros están directa o indirectamente conectados dentro del componente y separados del exterior. Dado que consideramos cinco predictores principales (incluidas las dos formas de integración de redes sociales) y tres umbrales diferentes (p <0.01, p <0.005 yp <0.001), podríamos identificar 5 × 3 = 15 conjuntos diferentes de pares de ROI y red componentes para cada predictor y umbral. Por ejemplo, si obtiene cuatro pares de ROI [(1, 2), (1, 4), (3, 4), (5, 6)] a partir de pruebas de nivel de par en la integración de redes sociales con un umbral de p < 0.01, puede identificar dos componentes A (1, 2, 3, 4) y B (5, 6). ii) NBS detecta el componente más grande basado en la extensión (el número de pares de ROI) o la intensidad (la medida ponderada por la fuerza de las asociaciones: la intensidad se mide por la diferencia entre la estadística T de la prueba de nivel de pares y el valor crítico para el umbral) de los componentes. En el ejemplo anterior, supongamos que las estadísticas T para redes sociales integradas de las cuatro pruebas de nivel de pareja son las mismas que 4, y el valor crítico para p <0.01 es 2.7 (57 grados de libertad, prueba de dos colas) . Entonces, el alcance de A es 3 [(1, 2), (1, 4), (3, 4)], y la intensidad es 3 × (4 - 2.7) = 3.9. Como la extensión (1) e intensidad (1.3) de B son menores que las de A, A sería el componente más grande en este caso. Si bien el NBS puede identificar los componentes más grandes cuando se usan dos criterios diferentes de extensión e intensidad, no se encontraron casos de este tipo en este estudio. iii) NBS prueba las hipótesis comparando la extensión (o intensidad) del componente más grande con redes cerebrales simuladas. Como teníamos dos estadísticas (extensión o intensidad) para 15 conjuntos de pares de ROI y componentes, informamos 30 resultados diferentes de las pruebas de NBS. Los valores P se calculan a partir de la tasa de casos en los que las redes cerebrales empíricas tienen mayor alcance o intensidad que las redes simuladas. En este estudio, probamos las hipótesis al nivel de p <0.05 utilizando 5.000 matrices cerebrales simuladas. Para diferenciar los valores de p utilizados en los umbrales de los componentes de aquellos en las pruebas de NBS, usamos la notación p para el criterio de umbral y p NBS para las pruebas de NBS. Los componentes se visualizaron utilizando BrainNet Viewer35. Para una comprensión más clara de la estructura de conectividad, presentamos i) una figura para toda la conectividad de cada componente y ocho figuras separadas para la conectividad regional de los lóbulos frontal / temporal / parietal / occipital izquierda / derecha, y ii) gráficos de red adicionales basados ​​en el algoritmo Kamada-Kawai16 en el suplemento en línea. También presentamos los diagramas de dispersión que mostraron distribuciones bivariadas entre la conectividad funcional media de los componentes y los principales predictores, y las líneas de tendencia de los análisis de regresión MCO que predicen la conectividad media de los componentes detectados por el NBS con las covariables. Al considerar una forma binaria de integración de redes sociales, presentamos recuadros rojos con tres barras horizontales que representan los percentiles 5º, 50º y 95º de conectividad funcional media, y puntos rojos para los puntajes pronosticados de conectividad funcional media de análisis de regresión MCO después de controlar otras covariables. Para aliviar los efectos de las observaciones influyentes, excluimos los valores atípicos y volvimos a examinar los modelos de regresión OLS. Los valores atípicos fueron detectados por  |DFBETA|>2/n  (en este estudio, 2/n = 2/64 = 0.25) 17. DFBETA se calcula por la diferencia entre el coeficiente de todas las observaciones y el coeficiente que excluye la i-ésima observación, escalado por el error estándar del coeficiente original.



Referencias


1. Barnes, L. L., De Leon, C. M., Wilson, R. S., Bienias, J. L. & Evans, D. A. Social resources and cognitive decline in a population of older African Americans and whites. Neurology 63, 2322–2326 (2004). CAS  Article  PubMed
2. Holtzman, R. E. et al. Social network characteristics and cognition in middle-aged and older adults. J Gerontol B Psychol Sci Soc Sci59, 278–284 (2004). Article
3. Béland, F., Zunzunegui, M., Alvarado, B., Otero, A. & del Ser, T. Trajectories of cognitive decline and social relations. J Gerontol B Psychol Sci Soc Sci 60, 320–330 (2005). Article
4. Ertel, K. A., Glymour, M. M. & Berkman, L. F. Effects of social integration on preserving memory function in a nationally representative US elderly population. Am J Public Health 98, 1215–1220 (2008). Article  PubMed  PubMed Central
5. Stern, Y. What is cognitive reserve? Theory and research application of the reserve concept. J Int Neuropsychol Soc 8, 448–460 (2002). Article  PubMed
6. Swaab, D. Brain aging and Alzheimer’s disease,“wear and tear” versus “use it or lose it”. Neurobiol Aging 12, 317–324 (1991). CAS  Article PubMed
7. Tomasi, D. & Volkow, N. D. Aging and functional brain networks. Mol Psychiatry 17, 549–558 (2012). Article
8. Sala-Llonch, R. et al. Changes in whole-brain functional networks and memory performance in aging. Neurobiol Aging 35, 2193–2202 (2014). Article  PubMed
9. Marques, P., Soares, J. M., Magalhães, R., Santos, N. C. & Sousa, N. The Bounds Of Education In The Human Brain Connectome. Sci Rep 5, 12812, doi:10.1038/srep12812 (2015). ADS  CAS  Article  PubMed  PubMed Central
10. Youm, Y. et al. Social network properties and self-rated health in later life: comparisons from the Korean social life, health, and aging project and the national social life, health and aging project. BMC Geriatr 14, 102, doi:10.1186/1471-2318-14-102 (2014). Article  PubMed  PubMed Central
11. Wasserman, S. Social network analysis: Methods and applications. (Cambridge university press, 1994).
12. Zalesky, A., Fornito, A. & Bullmore, E. T. Network-based statistic: identifying differences in brain networks. Neuroimage 53, 1197–1207 (2010). Article  PubMed
13. Tzourio-Mazoyer, N. et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. Neuroimage 15, 273–289 (2002). CAS Article  PubMed
14. Smith, S. M. et al. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimage 23, S208–S219 (2004).  Article PubMed
15. Dosenbach, N. U. et al. Prediction of individual brain maturity using fMRI. Science 329, 1358–1361 (2010).  ADS  CAS  Article  PubMed  PubMed Central
16. Kamada, T. & Kawai, S. An algorithm for drawing general undirected graphs. Inform Process Lett 31, 7–15 (1989).  MathSciNet   Article  MATH
17. Belsley, D. A., Kuh, E. & Welsch, R. E. Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. (Wiley, 1980).
18. Watts, D. J. & Strogatz, S. H. Collective dynamics of ‘small-world’networks. Nature 393, 440–442 (1998).  ADS  CAS  Article  PubMed
19. Stam, C., Jones, B., Nolte, G., Breakspear, M. & Scheltens, P. Small-world networks and functional connectivity in Alzheimer’s disease. Cereb Cortex 17, 92–99 (2007).  CAS   Article  PubMed
20. Sanz-Arigita, E. J. et al. Loss of ‘small-world’networks in Alzheimer’s disease: graph analysis of FMRI resting-state functional connectivity. PLoS One 5, e13788, doi:10.1371/journal.pone.0013788 (2010).  ADS  Article  PubMed  PubMed Central
21. Wang, K. et al. Altered functional connectivity in early Alzheimer’s disease: a resting‐state fMRI study. Hum Brain Mapp 28, 967–978 (2007). Article  PubMed
22. Achard, S. & Bullmore, E. Efficiency and cost of economical brain functional networks. PLoS Comput Biol 3, e17, doi:10.1371/journal.pcbi.0030017 (2007).  ADS  Article  PubMed  PubMed Central
23. Kim, J., Chey, J., Kim, S. & Kim, H. The effect of education on regional brain metabolism and its functional connectivity in an aged population utilizing positron emission tomography. Neurosci Res 94, 50–61 (2015). Article PubMed
24. Honey, C. et al. Predicting human resting-state functional connectivity from structural connectivity. Proc Natl Acad Sci 106, 2035–2040 (2009).  ADS  CAS  Article  PubMed  PubMed Central
25. Sapolsky, R. M., Romero, L. M. & Munck, A. U. How do glucocorticoids influence stress responses? Integrating permissive, suppressive, stimulatory, and preparative actions. Endocr Rev 21, 55–89 (2000). CAS  PubMed
26. McEwen, B. S., Nasca, C. & Gray, J. D. Stress effects on neuronal structure: hippocampus, amygdala, and prefrontal cortex. Neuropsychopharmacology 41, 3–23 (2016).  CAS  Article  PubMed
27. Molesworth, T., Sheu, L. K., Cohen, S., Gianaros, P. J. & Verstynen, T. D. Social network diversity and white matter microstructural integrity in humans. Soc Cogn Affect Neurosci 10, 1169–1176 (2015). Article  PubMed  PubMed Central
28. Cobb, S. Social support as a moderator of life stress. Psychosom Med 38, 300–314 (1976). CAS
Article  PubMed
29. Kwak, S., Joo, W., Youm, Y. & Chey, J. Orbitofrontal cortex volume is associated with in-degree social network size among older adults. Working paper (2017).
30. Bickart, K. C., Dickerson, B. C. & Barrett, L. F. The amygdala as a hub in brain networks that support social life. Neuropsychologia63, 235–248 (2014). Article  PubMed  PubMed Central
31. Kensinger, E. A. & Gutchess, A. H. Cognitive aging in a social and affective context: Advances over the past 50 years. J Gerontol B Psychol Sci Soc Sci 72, 61–70 (2017).  Article  PubMed
32. Han, J. W. et al. A Normative Study of the Mini-Mental State Examination for Dementia Screening (MMSE-DS) and Its Short form(SMMSE-DS) in the Korean Elderly. J Korean Geriatr Psychiatry 14, 27–37 (2010).
33. Chey, J. Elderly memory disorder scale. (Hakjisa, 2007).
34. Morris, J. C. The Clinical Dementia Rating (CDR): current version and scoring rules. Neurology 43, 2412–2414 (1993).  CAS  Article  PubMed
35. Xia, M., Wang, J. & He, Y. BrainNet Viewer: a network visualization tool for human brain connectomics. PLoS One 8, e68910, doi:10.1371/journal.pone.0068910 (2013).