Análisis dinámico de redes: Introducción

Análisis dinámico de redes

Un ejemplo de diagrama de red multi-entidad, multi-red dinámico

El análisis dinámico de redes (DNA o ADR en español) es un campo científico emergente que reúne el análisis tradicional de redes sociales (ARS), el análisis de enlaces (LA), la simulación social y los sistemas multiagente (MAS) dentro de la ciencia de redes y la teoría de redes. Hay dos aspectos de este campo. El primero es el análisis estadístico de los datos de ADR. El segundo es la utilización de la simulación para abordar problemas de dinámica de red. Las redes de ADR varían de las redes sociales tradicionales en que son redes más grandes, dinámicas, multimodo y multiplex, y pueden contener distintos niveles de incertidumbre. La principal diferencia entre el ADR y el ARS es que el ADR tiene en cuenta las interacciones de las características sociales que condicionan la estructura y el comportamiento de las redes. El ADR está ligado al análisis temporal, pero el análisis temporal no está necesariamente relacionado con el ADR, ya que los cambios en las redes a veces resultan de factores externos que son independientes de las características sociales que se encuentran en las redes. Uno de los casos más notables y más antiguos en el uso del ADR está en el estudio del monasterio de Sampson, donde tomó instantáneas de la misma red de diferentes intervalos y observó y analizó la evolución de la red. [1] Un estudio temprano de la dinámica de la utilización del enlace en redes complejas a gran escala proporciona evidencia de centralidad dinámica, motivos dinámicos y ciclos de interacciones sociales. [2] [3]

Las herramientas estadísticas de ADR generalmente están optimizadas para redes a gran escala y admiten el análisis simultáneo de múltiples redes en las que existen múltiples tipos de nodos (multinodo) y múltiples tipos de enlaces (multiplex). Las redes multi-nodo multiplex se conocen generalmente como meta-redes o redes de alta dimensión. Por el contrario, las herramientas estadísticas de ARS se centran en datos únicos o, como máximo, en dos modos y facilitan el análisis de un solo tipo de enlace a la vez.

Las herramientas estadísticas de ADR tienden a proporcionar más medidas al usuario, porque tienen medidas que usan datos extraídos de múltiples redes simultáneamente. Los modelos espaciales latentes (Sarkar y Moore, 2005) [4] y la simulación basada en agentes se utilizan a menudo para examinar redes sociales dinámicas (Carley et al., 2009). [5] Desde la perspectiva de la simulación por computadora, los nodos en el ADR son como átomos en la teoría cuántica, los nodos pueden ser tratados, aunque no necesariamente, como probabilísticos. Mientras que los nodos en un modelo de ARS tradicional son estáticos, los nodos en un modelo de ADR tienen la capacidad de aprender. Las propiedades cambian con el tiempo; los nodos se pueden adaptar: los empleados de una empresa pueden aprender nuevas habilidades y aumentar su valor para la red; o capturar a un terrorista y tres más se ven obligados a improvisar. El cambio se propaga de un nodo al siguiente y así sucesivamente. El ADR agrega el elemento de la evolución de una red y considera las circunstancias bajo las cuales es probable que ocurra el cambio.



Hay tres características principales para el análisis de red dinámico que lo distinguen del análisis de red social estándar. En primer lugar, en lugar de simplemente usar las redes sociales, el ADR examina las meta redes. En segundo lugar, los modelos basados ​​en agentes y otras formas de simulación se utilizan a menudo para explorar cómo las redes evolucionan y se adaptan, así como el impacto de las intervenciones en esas redes. En tercer lugar, los enlaces en la red no son binarios; de hecho, en muchos casos representan la probabilidad de que haya un enlace.

Meta-red

Una meta-red es una red multimodo, multivínculo y multinivel. El modo múltiple significa que hay muchos tipos de nodos; por ejemplo, personas y ubicaciones de nodos. Multi-link significa que hay muchos tipos de enlaces; por ejemplo, amistad y consejo. Varios niveles significa que algunos nodos pueden ser miembros de otros nodos, como una red compuesta por personas y organizaciones y uno de los enlaces es quién es miembro de la organización.

Mientras que diferentes investigadores usan diferentes modos, los modos comunes reflejan quién, qué, cuándo, dónde, por qué y cómo. Un ejemplo simple de una meta-red es la formulación de PCANS con personas, tareas y recursos. [6] Una formulación más detallada considera personas, tareas, recursos, conocimiento y organizaciones. [7] La herramienta ORA fue desarrollada para soportar el análisis meta-red. [8]

Problemas ilustrativos en los que las personas en el área de ADN trabajan

• Desarrollar métricas y estadísticas para evaluar e identificar el cambio dentro de las redes y entre ellas.
• Desarrollar y validar simulaciones para estudiar el cambio de red, la evolución, la adaptación, la decadencia. Ver simulación por computadora y estudios organizacionales
• Desarrollar y probar la teoría del cambio de red, la evolución, la adaptación, la descomposición [9]
• Desarrollar y validar modelos formales de generación y evolución de redes
• Desarrollo de técnicas para visualizar el cambio de red en general o a nivel de nodo o grupo
• Desarrollar técnicas estadísticas para ver si las diferencias observadas en el tiempo en las redes se deben simplemente a muestras diferentes de una distribución de enlaces y nodos o cambios a lo largo del tiempo en la distribución subyacente de enlaces y nodos
• Desarrollar procesos de control para redes a lo largo del tiempo
• Desarrollar algoritmos para cambiar distribuciones de enlaces en redes a lo largo del tiempo
• Desarrollar algoritmos para rastrear grupos en redes a lo largo del tiempo
• Desarrollar herramientas para extraer o localizar redes de varias fuentes de datos, como textos
• Desarrollar mediciones estadísticamente válidas en redes a lo largo del tiempo
• Examinar la solidez de las métricas de red bajo varios tipos de datos faltantes
• Estudios empíricos de redes multi-modo multibloque de periodos múltiples
• Examinar las redes como fenómenos probabilísticos variables en el tiempo
• Pronosticar el cambio en las redes existentes
• Identificando rastros a través del tiempo dada una secuencia de redes
• Identificar los cambios en la criticidad del nodo dada una secuencia de redes, todo lo demás relacionado con las redes multimodo multi-link multi-time
• Estudiar caminatas aleatorias en redes temporales [10]
• La cuantificación de las propiedades estructurales de las secuencias de contacto en redes dinámicas, que influyen en los procesos dinámicos [11]
• Evaluación de la actividad encubierta [12] y redes oscuras [13]
• Análisis de citas [14]
• Análisis de redes sociales [15]
• Evaluación de los sistemas de salud pública [16]
• Análisis de los resultados de seguridad hospitalaria [17]
• Evaluación de la estructura de la violencia étnica a partir de datos de noticias [18]
• Evaluación de grupos terroristas [19]
• Deterioro social en línea de las interacciones sociales [20]
• Visualización de grandes redes financieras a lo largo del tiempo [21]
• Modelado de las interacciones en el aula en las escuelas [22]

Referencias

1. Harrison C. White, 1992, Identity and control: A structural theory of social action. Princeton University Press.
2. Dan Braha, Yaneer Bar‐Yam, 2006, “From centrality to temporary fame: Dynamic centrality in complex networks,” Complexity, 12(2), 59-63.
3. Dan Braha, Yaneer Bar-Yam 2009, Time-dependent complex networks: Dynamic centrality, dynamic motifs, and cycles of social interactions. In Adaptive Networks (pp. 39-50). Springer, Berlin, Heidelberg.
4. Purnamrita Sarkar and Andrew W. Moore. 2005. Dynamic social network analysis using latent space models. SIGKDD Explor. Newsl. 7, 2 (December 2005), 31-40.
5. Kathleen M. Carley, Michael K. Martin and Brian Hirshman, 2009, "The Etiology of Social Change," Topics in Cognitive Science, 1.4:621-650
6. David Krackhardt and Kathleen M. Carley, 1998, "A PCANS Model of Structure in Organization," In proceedings of the 1998 International Symposium on Command and Control Research and Technology, Monterey, CA, June 1998, Evidence Based Research, Vienna, VA, Pp. 113-119.
7. Kathleen M. Carley, 2002, "Smart Agents and Organizations of the Future," The Handbook of New Media. Edited by Leah Lievrouw and Sonia Livingstone (Eds.), Thousand Oaks, CA, Sage, Ch. 12: 206-220.
8. Kathleen M. Carley. 2014. "ORA: A Toolkit for Dynamic Network Analysis and Visualization," In Reda Alhajj and Jon Rokne (Eds.) Encyclopedia of Social Network Analysis and Mining, Springer.
9. Majdandzic, A.; et al. (2013). "Spontaneous recovery in dynamical networks". Nature Physics. doi:10.1038/nphys2819.
10. Michele Starnini, Andrea Baronchelli, Alain Barrat, 2012, Random walks on temporal networks. Phys. Rev. E 85, 056115, http://link.aps.org/doi/10.1103/PhysRevE.85.056115 
11. René Pfitzner, Ingo Scholtes, Antonios Garas, Claudio Juan Tessone, Frank Schweitzer, 2012, "Betweenness Preference: Quantifying Correlations in the Topological Dynamics of Temporal Networks", Physical Review Letters, Vol. 110, May 10, 2013.
12. Carley, Kathleen M., Michael K., Martin and John P. Hancock, 2009, "Dynamic Network Analysis Applied to Experiments from the Decision Architectures Research Environment," Advanced Decision Architectures for the Warfigher: Foundation and Technology, Ch. 4.
13. Everton, Sean, 2012, Disrupting Dark Networks, Cambridge University Press, New York, NY
14. Kas, Miray, Kathleen M. Carley and L. Richard Carley, 2012, "Who was Where, When? Spatiotemporal Analysis of Researcher Mobility in Nuclear Science," In proceedings of the International Workshop on Spatio Temporal data Integration and Retrieval (STIR 2012), held in conjunction with ICDE 2012, April 1, 2012, Washington D.C.
15. Carley, Kathleen. M., Jürgen Pfeffer, Huan Liu, Fred Morstatter, Rebecca Goolsby, 2013, Near Real Time Assessment of Social Media Using Geo-Temporal Network Analytics, In Proceedings of 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), August 25–28, 2013, Niagara Falls, Canada.
16. Merrill, Jacqueline, Mark G. Orr, Christie Y. Jeon, Rosalind V. Wilson, Jonathan Storrick and Kathleen M. Carley, 2012, "Topology of Local Health Officials’ Advice Networks: Mind the Gaps," Journal of Public Health Management Practice, 18(6): 602–608
17. Effken, Judith A.,Sheila Gephart and Kathleen M. Carley, 2013, "Using ORA to Assess the Relationship of Handoffs to Quality and Safety Outcomes," CIN: Computers, Informatics, Nursing. 31(1): 36-44.
18. Van Holt, Tracy, Jeffrey C. Johnson, Jamie Brinkley, Kathleen M. Carley and Janna Caspersen, 2012, "Structure of ethnic violence in Sudan: an automated content, meta-network and geospatial analytical approach," Computational and Mathematical Organization Theory, 18:340-355.
19. Kenney, Michael J., John Horgan, Cale Horne, Peter Vining, Kathleen M. Carley, Michael Bigrigg, Mia Bloom, Kurt Braddock, 2012, Organizational adaptation in an activist network: Social networks, leadership, and change in al-Muhajiroun, Applied Ergonomics, 44(5):739-747.
20. M. Abufouda, K. A. Zweig ."A Theoretical Model for Understanding the Dynamics of Online Social Networks Decay". arXiv preprint arXiv:1610.01538.
21. Heijmans, Ronald; Heuver, Richard; Levallois, Clement; van Lelyveld, Iman (2016). "Dynamic visualization of large financial networks". The Journal of Network Theory in Finance. 2 (2): 57–79. doi:10.21314/JNTF.2016.017. ISSN 2055-7795.
22. Christian Bokhove, 2016, "Exploring classroom interaction with dynamic social network analysis", International Journal of Research & Method in Education, doi:10.1080/1743727X.2016.1192116.

Wikipedia