Mostrando entradas con la etiqueta Node XL. Mostrar todas las entradas
Mostrando entradas con la etiqueta Node XL. Mostrar todas las entradas

jueves, 14 de mayo de 2020

22 paquetes de software gratuitos para ARS

22 herramientas gratuitas de análisis de redes sociales

Por Varun Kumar || RankRed



Las herramientas de análisis de redes sociales facilitan el análisis cualitativo o cuantitativo de las redes sociales al describir las características de la red mediante representación visual o numérica. Generalmente usa la teoría de redes o gráficas para examinar las estructuras sociales. Los componentes principales son los nodos (personas) y los bordes que los conectan. Algunos de ellos también realizan análisis predictivos. A continuación, hemos enumerado algunos de los software de análisis de redes sociales más efectivos que están disponibles de forma gratuita.


22. AllegroGraph




AllegroGraph es una base de datos de gráficos desarrollada para almacenar triples RDF. Es una base de datos OLTP totalmente transaccional, que almacena datos estructurados en gráficos en lugar de en tablas. Incluye una biblioteca de análisis de redes sociales y un componente de almacenamiento para el proyecto TwitLogic que tiene como objetivo llevar la web semántica a los datos de Twitter.

21. Commetrix



Commetrix es un software dinámico de visualización y análisis de redes que proporciona un acceso exploratorio fácil y completo a los datos de la red. Crea un rico mapa de red experto, sistemas de recomendación a partir de registros de comunicación, y se enfoca en analizar patrones evolutivos de comunicación electrónica como correo electrónico, voz sobre IP y mensajería instantánea.

20. Socilab



Socilab es una herramienta en línea que le permite visualizar y analizar la red de LinkedIn utilizando métodos derivados de la investigación científico-social. Muestra una serie de medidas de red extraídas de la investigación sociológica en redes profesionales, y barras de percentiles que comparan sus medidas de red agregadas con usuarios anteriores. Además, hay una función de mensajería que le permite escribir y enviar un mensaje a los contactos seleccionados de LinkedIn.

19. Cuttlefish



Cuttlefish es una aplicación de banco de trabajo de red que permite la visualización de datos de red, edición de gráficos, manipulación interactiva del diseño y visualización de procesos.

Para representar los datos de la red, la herramienta utiliza el formato extendido Cuttlefish que define los datos de la red en términos de bordes, vértices, pesos e información visual como formas, colores y etiquetas. El otro formato de archivo es el formato Cuttlefish Evolution que define los cambios que ocurren en una red. También es compatible con formatos de archivo más antiguos, incluidos GraphML y ​​Pajek.

18. Social Network Visualizer



Esta es una herramienta fácil de usar multiplataforma que le permite dibujar redes sociales con unos pocos clics en un lienzo virtual. Cargue datos de campo de un archivo (en formato compatible) o rastree Internet para crear una red social de páginas web conectadas.

Social Network Visualizer calcula grafos estándar y métricas de cohesión de la red (como densidad, excentricidad, coeficiente de agrupamiento, etc.), rutinas matriciales e índices de centralidad y prestigio. Además, admite algoritmos rápidos para la detección comunitaria, el análisis de equivalencia estructural, la carga y edición de redes multirrelacionales y la creación aleatoria de redes utilizando varios modelos de generación de redes aleatorias.

17. JUNG



JUNG significa Java Universal Network / Graph Framework. Esta aplicación Java proporciona un lenguaje extensible para el análisis, modelado y visualización de datos que podrían representarse como un gráfico o una red. JUNG admite numerosos tipos de gráficos (incluidas las hipergrafías) con cualquier propiedad.

Permite visualizaciones personalizables e incluye algoritmos de teoría de gráficos, análisis de redes sociales y minería de datos. Sin embargo, está limitado por la cantidad de memoria asignada a Java.

16. Tulip




Tulip se dedica al análisis y visualización de datos relacionales. Permite el desarrollo de algoritmos, técnicas de interacción, visualización específica de dominio, codificaciones visuales y modelos de datos. También permite la reutilización de componentes, lo que hace que el marco sea eficiente para la creación de prototipos de investigación y el desarrollo de aplicaciones para el usuario final.

15. Statnet


Statnet es un conjunto de paquetes R que realizan una amplia gama de tareas de gestión de datos, visualización y análisis estadístico de redes. Este marco analítico se basa en el modelo de gráfico aleatorio de familia exponencial y proporciona herramientas para la estimación, evaluación, simulación y visualización de redes del modelo.

Además, el modelado estadístico incluye modelos dinámicos y de sección transversal, espacio latente y modelos de clúster latente.

14. Netlytic




Netlytic es un analizador de texto basado en la nube y visualizador de redes sociales que puede resumir automáticamente grandes conjuntos de datos de texto y visualizar redes sociales a partir de conversaciones en sitios de redes sociales como Twitter, YouTube, foros en línea y comentarios de blogs. La herramienta está desarrollada principalmente para que los investigadores identifiquen componentes clave e influyentes y descubran cómo fluye la información en una red.

13. NetworkX




NetworkX es un paquete de Python para crear, manipular y estudiar la estructura de la dinámica y las funciones de redes complejas. Incluye muchos algoritmos, métricas y generadores de gráficos. La herramienta es capaz de construir gráficos aleatorios de forma incremental y es capaz de encontrar camarillas, subgráficos y núcleos k. Además, puede explorar adyacencia, grado, diámetro, centro, radio y dibujar redes en 3 dimensiones.

12. Cytoscape




Cytoscape se utiliza para visualizar redes complejas e integrarlas con cualquier tipo de datos de atributos. La herramienta es muy amplia en funciones: le permite personalizar la visualización de datos de la red, filtrar la red para seleccionar subconjuntos de nodos, buscar nodos y bordes de destino, y diseñar la red en dos dimensiones a partir de diferentes algoritmos de diseño de red que incluyen cíclico, árbol, borde- peso, fuerza dirigida y más.

11. Subdue



Subdue descubre patrones estructurales y relacionales en datos que representan entidades y relaciones. Utiliza la metodología de longitud de descripción mínima para identificar patrones que disminuyen el número de bits necesarios para describir el gráfico de entrada después de ser comprimido por el patrón.

Subdue también puede realizar numerosas tareas de aprendizaje, como aprendizaje supervisado y no supervisado, agrupamiento y aprendizaje de gramática gráfica. Además del análisis de redes sociales, se ha aplicado con éxito en Bioinformática, lucha contra el terrorismo, aviación y minería de estructuras web.


10. Graphviz




Este software de visualización de gráficos representa información estructural como un diagrama de gráficos abstractos y redes. Graphviz tiene muchos programas de diseño gráfico adecuados para la visualización de redes sociales. Toma la descripción de gráficos en un lenguaje de texto simple y crea diagramas en formatos útiles, como PDF para incluir en otros documentos, mostrar en un navegador de gráficos interactivo o SVG para páginas web.

Además, tiene diferentes características útiles para diagramas concretos, por ejemplo, opciones para fuentes, color, estilos de línea, diseño de nodo tabular, formas personalizadas e hipervínculos.

9. NetMiner



NetMiner viene con un período de prueba de 14 días. Se utiliza para el análisis y la visualización de vastos datos de red basados ​​en el análisis de redes sociales. Las características como transformación de datos, visualización de datos de red, gráficos y lenguaje de script Python lo ayudan a detectar patrones y estructuras subyacentes de la red.

8. SocioViz




SocioViz es una plataforma de análisis de redes sociales para periodistas digitales, investigadores sociales y especialistas en marketing de medios. Le permite analizar cualquier tema, término o hashtag, identificar personas influyentes clave, opiniones y contenidos y exportar los datos en formato Gephi para su posterior análisis.

7. UNISoN



UNISoN es una aplicación Java que puede analizar mensajes para guardarlos en un archivo en formato Pajek para el análisis de redes sociales. Genera redes utilizando el autor de cada publicación. Si alguien interactúa con una publicación, se crea un enlace unidireccional del autor de la publicación al autor del mensaje al que está respondiendo. Además, hay un panel de vista previa que muestra la red visualmente.

6. NetworKit




NetworKit es una plataforma en crecimiento para el análisis de redes a gran escala, desde miles hasta miles de millones de bordes. Implementa un algoritmo gráfico eficiente, la mayoría de ellos son paralelos para utilizar la arquitectura multinúcleo. Se supone que deben calcular medidas estándar de análisis de red, como coeficientes de agrupación, secuencias de grados y medidas de centralidad. Además, su objetivo es admitir una variedad de formatos de entrada y salida.

5. GraphStream




GraphStream está diseñado para el modelado y análisis de gráficos dinámicos. Le permite crearlos, importarlos, exportarlos, darles forma y visualizarlos. En lugar de solo un conjunto de aristas y nodos, los gráficos se definen como un "flujo de eventos gráficos". Los eventos indican cuándo cambia un borde, nodo o componente asociado. Por lo tanto, un gráfico no se describe como una representación fija, sino por toda la historia en evolución de los elementos del gráfico.

4. NodeXL




NodeXL es una plantilla de código abierto para Microsoft Excel para análisis y visualización de redes. Le permite ingresar una lista de borde de red en una hoja de trabajo, hacer clic en un botón y visualizar su gráfico, todo en el entorno familiar de la ventana de Excel.

La herramienta admite la extracción de correo electrónico, YouTube, Facebook. Red social Twitter, WWW y Flickr. Puede manipular y filtrar fácilmente los datos subyacentes en formato de hoja de cálculo.

3. R




El lenguaje de programación R está repleto de numerosos paquetes relevantes para el análisis de redes sociales: igraph para análisis de red genérico, red para manipular y mostrar objetos de red, sna para realizar análisis sociométrico, tnet para realizar análisis de red ponderada o longitudinal, Bergm para análisis bayesiano para exponencial modelos de gráficos aleatorios, redes para simular redes bipartitas con marginales fijos y muchos más.

2. Gephi



Gephi suele ser un software de exploración y manipulación de gráficos escrito en Java. Proporciona una manera fácil de crear conectores de datos sociales para mapear organizaciones comunitarias y redes de mundo pequeño. Junto con el análisis de redes sociales, realiza análisis exploratorios de datos y enlaces, y análisis de redes biológicas. Quizás la herramienta de análisis gratuita más avanzada.


El software te ayuda a explorar y comprender gráficos. Puede interactuar con las figuras, manipular las estructuras, el color y la forma para revelar propiedades ocultas. La arquitectura flexible y de tareas múltiples le permite trabajar con datos complejos y producir resultados visuales valiosos. Además, hay un motor de renderizado 3D capaz de mostrar grandes redes en tiempo real, solo para acelerar la exploración.

1. Pajek



Pajek se utiliza para el análisis y visualización de grandes redes que contienen hasta mil millones de vértices. El programa realiza esto utilizando seis tipos de datos: gráficos, vértices, vectores (propiedades de vértices), clúster (subconjunto de vértices), permutación (reordenamiento de vértices) y jerarquía (estructura de árbol general en vértices).

domingo, 2 de febrero de 2020

Sobre las redes sociales de Sócrates

Seis grados de Sócrates: las redes sociales de los antiguos griegos

AIA Central Arizona Society




Título: Seis grados de Sócrates: las redes sociales de los antiguos griegos
Ponente: Diane Harris Cline, Universidad George Washington
Cuándo y dónde: jueves 27 de febrero de 2020, 6pm, campus de ASU Tempe, edificio ART, sala 246



En esta conferencia ricamente ilustrada, utilizamos el Análisis de redes sociales (ARS) para examinar las redes sociales del siglo V a. C. en Atenas, incluidos Pericles, Sócrates, los alfareros y pintores de Atenas, los trabajadores que construyeron el Partenón y más. El ARS es una herramienta analítica relativamente nueva que se puede aplicar cuando uno quiere ver las relaciones en una red, desde lugares hasta cosas y personas, y que utiliza datos de arqueología, epigrafía o textos antiguos. Los resultados se pueden mostrar dramáticamente en imágenes que arrojan nueva luz sobre nuestra comprensión: aprendemos, por ejemplo, que los antiguos griegos tenían redes sociales estrechas que ayudaron a difundir rápidamente nuevas ideas y que contribuyeron a la creatividad e innovación para las que ahora están justificadamente famoso.



Diane Harris Cline es profesora asociada de historia y clásicos de la Universidad George Washington, donde recibió varios premios de enseñanza. Tiene sus títulos de la Universidad de Princeton (Ph.D.) y la Universidad de Stanford, y ha sido dos veces becaria Fulbright. Sus áreas de especialización son la historia de la antigua Grecia, las redes sociales y la epigrafía: “Estudio la innovación y la creatividad en la Atenas clásica a través de las redes sociales. Mi investigación implica la aplicación de la metodología de Análisis de redes sociales a la historia social de la antigua Grecia ". En 2016, el Dr. Cline publicó The Greeks: An Illustrated History de National Geographic, y los artículos recientes incluyen" La red social de Sócrates "(Boletín de investigación de CHS 7, 2019).


Para un versión imprimible del flyer, Haga clic aquí

martes, 18 de junio de 2019

Cómo, con qué, para qué: Herramientas para investigar datos de Twitter

Uso de Twitter como fuente de datos: una visión general de las herramientas de investigación en redes sociales (2019)

LSE Impact Blog




Twitter y otras plataformas de redes sociales representan un recurso grande y en gran parte sin explotar para datos y pruebas sociales. En esta publicación, Wasim Ahmed actualiza su serie recurrente en el Blog de Impacto, para ofrecerle los últimos desarrollos en métodos y metodologías digitales para investigar Twitter y otras plataformas de medios sociales.

Esta publicación se basa en las ediciones de 2015 y 2017 de esta publicación, captura tendencias y eventos clave que están configurando la investigación en redes sociales para los científicos sociales y proporciona una colección de métodos y herramientas de investigación para el análisis de datos de redes sociales.

Desde la edición de 2017 de esta publicación de blog, he visto usos aún más únicos e interesantes de los datos de las redes sociales en una amplia variedad de disciplinas de investigación, como sociología, informática, medios y comunicación, ciencia política e ingeniería, solo por mencionar pocos. Las plataformas de medios sociales generan una gran cantidad de datos diariamente sobre una variedad de temas y, en consecuencia, representan una fuente clave de información para cualquiera que busque estudiar la sociedad del siglo XXI.

Twitter sigue siendo la plataforma más popular para la investigación académica, ya que aún proporciona sus datos a través de una serie de interfaces de programación de aplicaciones (API). En contraste, las consecuencias de la "violación de datos" de Cambridge analytica han llevado a ciertas plataformas de redes sociales a limitar los datos proporcionados a través de sus interfaces de programación de aplicaciones. Sin embargo, aunque puede que no sea posible obtener datos de todas las plataformas de redes sociales, aún es posible realizar una investigación cualitativa y cuantitativa, como entrevistas y encuestas, con miembros de comunidades en línea.

Los estudios en redes sociales se pueden encuadrar a partir de una amplia variedad de teorías, construcciones y marcos conceptuales de una amplia variedad de disciplinas y recomendaría echar un vistazo a este documento: Social media research: Theories, constructs, and conceptual frameworks, que resume muy bien algunos de estos enfoques.

También hay una serie de enfoques de investigación que se pueden utilizar como Netnography y Digital Ethnography, que proporcionan marcos para realizar investigaciones en el mundo en línea. La netnografía, por ejemplo, puede basarse en la descarga de datos directamente desde una plataforma de redes sociales, anotando observaciones personales de una comunidad en línea y entrevistando a usuarios de redes sociales. Además, también hay una serie de métodos específicos para el análisis de datos de redes sociales que se resumen en la Tabla 1 a continuación.



Tabla 1: Resumen de los métodos de investigación

La Tabla 2 a continuación proporciona una descripción general de las herramientas para recuperar datos de redes sociales


Tabla 2: Una revisión de las herramientas para 2019
*Algunas herramientas pueden permitir el acceso a otras plataformas y la capacidad de importar sus propios datos.

Recientemente, también se ha vuelto cada vez más difícil para los académicos acceder a datos históricos de Twitter con una serie de servicios para académicos que están llegando a su fin. Esto ha dado lugar a servicios como los proporcionados por ScrapeHero, que permiten a los usuarios obtener datos históricos de Twitter de forma gratuita mediante el uso de web scraping. Sin embargo, esta forma de recuperar Twitter no es recomendable.

Para investigar otras plataformas en Internet, como foros web, blogs y otras plataformas de medios sociales, existen herramientas como Scrape Storm, que es un raspador de web visual basado en la inteligencia artificial y pretende poder recuperar datos de casi cualquier plataforma.

También hay una serie de aplicaciones avanzadas de análisis de datos y estadísticas que se pueden usar para analizar datos de redes sociales, como:

Estos paquetes deben investigarse al decidir qué aplicación se utilizará para un proyecto. También me gustaría mencionar la lista de herramientas de Iniciativas de Métodos Digitales, y la lista de herramientas de la Universidad Ryerson de su Laboratorio de Medios Sociales. Para recuperar datos de Twitter también vale la pena revisar el DMI-TCAT (gratis). SAGE Ocean publicó recientemente una revisión adicional de 100 herramientas de redes sociales.

Para el análisis de imágenes, recomendaría revisar la visión de Google Cloud AI y también existen herramientas como Instaloader que le permiten descargar fotos de Instagram de cuentas públicas. Se realizó un estudio realmente interesante en Instagram y se analizó el hashtag #CheatMeal utilizando el análisis de contenido temático y se puede acceder aquí.

Otro campo en rápido desarrollo de la investigación en redes sociales se centra en la ética. Es importante realizar una investigación ética en redes sociales y recientemente publiqué un capítulo de libro de acceso abierto, que examina el uso de Twitter como fuente de datos y brinda una descripción general de los desafíos éticos, legales y metodológicos. Se puede acceder al capítulo aquí.

Debido a una serie de solicitudes, también he empezado a realizar eventos de capacitación regulares (consulte la lista aquí) con la posibilidad de asistencia virtual. El primero de estos eventos se llevó a cabo en la Escuela de Economía y Ciencias Políticas de Londres el 17 de mayo de 2019 y nuestro hashtag # SMRM19 contiene una gran cantidad de material informativo, ya que el evento fue tweeteado en vivo.

jueves, 28 de febrero de 2019

La red social de Sócrates (vía NodeXL)

La red social de Sócrates [1]

Publicado por Diane Harris Cline


Identificador persistente con cita: Harris Cline, Diane. "La red social de Sócrates". CHS Research Bulletin 7 (2019). http://nrs.harvard.edu/urn-3:hlnc.essay:ClineD.The_Social_Network_of_Socrates.2018

Para ampliar una figura, haga clic directamente en la imagen.

La hoja de cálculo mencionada a continuación está disponible para descargar.

En los últimos años, el análisis de redes sociales se ha convertido en una herramienta para analizar una amplia gama de redes sociales, no solo dentro de las redes sociales (Facebook, Twitter) sino en todos los entornos imaginables. [2] Hay varias razones para que los historiadores antiguos estudien las redes sociales. Nos interesan los patrones generativos que comienzan una red a partir del primer par de relaciones, nos interesa comprender mejor por qué algunas ideas se difunden a través de las redes y otras no se entienden. Nos interesa la estructura de la red y sus subcomunidades, y para la historia, queremos entender mejor las relaciones sociales del período de tiempo de nuestra especialidad. A nivel macro, tenemos curiosidad acerca de cómo las nuevas ideas y cambios se filtran y, en última instancia, transforman una sociedad lo suficiente como para dar a una era o período de tiempo un nuevo nombre.

Cómo construir una red social para la biografía histórica.


Una cosa que el análisis de redes sociales hace muy bien es identificar grupos dentro de un grupo más grande. Utilizo el análisis de redes sociales para comprender las diversas comunidades en la mitad de la quincena de Atenas y ver a quién conocía Sócrates y encontrar a quienes tenía vínculos más cercanos. Suspenda por el momento las cuestiones de si los diálogos de Platón son ficticios o fácticos, y si realmente todas estas personas existieron. Este puede ser un estudio de la red social de la construcción imaginaria de Sócrates de Platón en lugar de la Sócrates de mediados del siglo V real. Este es un experimento para ver si el mundo pintado por Platón se mantiene unido. El mundo social de Sócrates, según lo informado por Platón, tiene cohesión.

El análisis de redes sociales mapea y mide el tejido de la sociedad, revela los subconjuntos dentro del conjunto y nos permite identificar quién tiene el mayor prestigio, o quiénes sirvieron como centros, corredores, puentes o conectores entre los grupos dentro de la red. El primer paso en el método es reunir las fuentes a partir de las cuales construir la base de datos. Para la red social de Sócrates, decidí usar todos los diálogos y cartas de Platón. Para empezar, busqué menciones de individuos que tenían relaciones sociales con Sócrates y entre ellos.


Figura 1. Construyendo la base de datos

En una hoja de cálculo, registré estas relaciones, anotando quiénes eran las parejas, la cita, de qué ciudad o aldea eran y cuál era su papel en la vida de Sócrates en el momento del diálogo: si eran conocidos, estudiantes o compañeros Filósofos, o padres de alumnos, y así sucesivamente. El mínimo que se necesita para registrar es simplemente los dos nombres en la relación, pero la documentación es importante para justificar y volver a investigar esas relaciones más adelante. Recolecté esta información yendo página por página a través de los diálogos de Platón, recolectando pares de nombres de personas vinculadas entre sí socialmente y grabándolas en una hoja de cálculo con dos columnas. Luego busqué a cada persona en Debra Nails, The People of Plato [3] para asegurarme de que había desambiguado a quienes compartían el mismo nombre. La hoja de cálculo con estos pares de nombres que tienen algún tipo de relación se denomina "lista de enlace" en el Análisis de redes sociales y es la columna vertebral del análisis (fig. 1). [4]

Para demostrar el método para recopilar los pares de nombres, veamos un breve texto, el Simposio de Xenophon.

Una tarde, hace unos 2450 años (421/420 aC), Sócrates caminaba por una calle de Atenas con algunos amigos, incluidos los estudiantes y sus familiares. Al acercarse a ellos había otro grupo de personas que Sócrates conocía, incluyendo a Calias, uno de los hombres más ricos de Atenas, que había invitado a un filósofo de otra ciudad para que diera algunas conferencias y se reuniera con sus hijos y sus compañeros de estudios. Cuando se acercan, Calias se detiene e invita a Sócrates a unirse a él para cenar y asistir a un simposio. Al principio, de mala gana, Sócrates y sus compañeros finalmente se unen al grupo de Callias y todos se dirigen juntos. ¿El resultado? El Simposio de Jenofonte lo registra. Cuando miremos los primeros párrafos, le pido que imagine en su mente la lista de enlaces que tendría que hacer para registrar estas relaciones.
La ocasión fue una carrera de caballos en el gran festival panatenaico. Callias, el hijo de Hipóntero, que era amigo y amante del niño Autolycus, había traído al muchacho, él mismo ganador de la pankration, para ver el espectáculo. Tan pronto como la carrera de caballos terminó, Callias procedió a acompañar a Autolycus y su padre, Lycon, a su casa en el Pireo, a la que también asistió Niceratus. Pero al ver a Sócrates junto con algunos otros (Critobulus, Hermogenes, Antisthenes y Charmides), le ordenó a un asistente que dirigiera la fiesta con Autolycus, mientras él mismo se acercaba al grupo, exclamando: "Una oportunidad feliz me lleva por su camino, simplemente cuando estoy a punto de entretener a Autolycus y su padre en una fiesta. El esplendor del entretenimiento será mucho mayor, no necesito decirle, si mi salón debe alegrarse con dignidad como ustedes, que han alcanzado la pureza de alma, en lugar de los generales y los comandantes de caballería y una multitud de cazadores de lugares. . "Whereat Socrates:" ¿Cuándo habrás terminado con tus burlas, Calias? ¿Por qué? Porque te has gastado sumas de dinero en Protágoras, Gorgias y Prodicus, y muchos otros, para aprender sabiduría, debes desprecialarnos a los pobres, que somos pensadores autodidactas en filosofía comparados contigo. ? ”“ Hasta ahora, sin duda ”(replicó Calias),“ aunque tenía muchas cosas sabias que decir, me he guardado mi sabiduría; pero si solo me honra con su compañía hoy, prometo presentarme de otra manera; verás que soy una persona de poca importancia después de todo ”. Sócrates y los demás, al tiempo que agradecían cortésmente a Callias por la invitación, al principio no estaban dispuestos a unirse a la cena; pero la molestia del otro para que se desanimara fue tan evidente que al final se convenció al grupo para que acompañara a su anfitrión. Después de un intervalo dedicado al ejercicio gimnástico (y posterior unción de las extremidades) por parte de algunos, mientras que otros tomaron un baño, los invitados fueron presentados al maestro de la casa. Jenofonte, Simposio 1.1-8 [5]


Figura 2. Extracto de la recopilación de datos para el Simposio de Xenophon

A partir de estos pasajes podemos desarrollar un buen comienzo en la lista de enlaces. La Figura 2 muestra el comienzo de la lista de enlaces para los primeros tres párrafos de lo que acabamos de leer.


Figura 3. Métricas generales para el Simposio de Xenophon

Una vez que se completa la lista de enlaces, cortamos y pegamos los pares de nombres (dos columnas) en el programa ARS. En este caso, utilizando NodeXL, podemos ver las métricas generales de la red (Figura 3). Para todo el Simposio de Xenophon, tenemos 36 actores, 53 aristas, en un componente conectado. Esto último significa que todos están conectados de alguna manera dentro de la red, sin díadas o tríadas por sí mismos. Las métricas de la red también nos dicen que la red tiene una distancia geodésica máxima de 7 y un diámetro promedio de 3.13. Esto significa que la mayoría de los nodos periféricos están a una distancia de siete saltos entre sí, pero en promedio solo se necesitan tres saltos (3.13) para que las personas se encuentren entre sí o para que la información se difunda a través de la red.

Figura 4. La red social del Simposio de Jenofonte.

Este extracto del Simposio de Xenophon ilustra varias características del análisis de redes sociales. Los dos grupos que se reúnen en la calle son grupos, y cuando se fusionan en la casa de Callias, se unen en un componente conectado. En la Figura 4 anterior, tenemos la red compuesta para todo el Simposio de Xenophon. El tamaño de los nodos es proporcional al número de vínculos (o "medida de centralidad de grado") de cada actor. Los colores significan a qué grupo de actores individuales pertenecen. Comenzando desde el centro del cuadro, tenemos el gran grupo azul oscuro alrededor de Sócrates, delimitado por Antistenes en la parte inferior, Zeuxippus a la izquierda y Critobulus a la derecha. El segundo grupo en verde se enfoca en Calias, ubicado directamente a la izquierda de Sócrates, y cuyo grupo incluye los cinco nodos debajo de él. Un tercer grupo tiene un punto focal en Niceratus I, uno de los invitados, situado en la parte superior izquierda de Calias en verde oscuro. Niceratus I es el centro de una estrella de seis puntos, dos de los cuales son Callias y Lycon. Ambos tienen vínculos directos con Sócrates, pero Niceratus no, por lo que se encuentra a dos grados de separación, dependiendo de un camino que pase por Lycon o por Calias. Los animadores de la noche forman su propio grupo en el extremo derecho del sociograma en azul claro, con Critobulus y Philip the Jester actuando como puentes. Ese grupo tiene ocho miembros, pero el hombre de Syracusan y Philip el bufón desempeñan los roles más importantes en la red, conectando a tres actores cada uno.

Ahora es el momento de discutir los límites de nuestras redes y cómo discernir si una persona pertenece al conjunto de datos o no. Todos los lazos no son iguales. Algunos solo se reunieron en la fiesta, otros son miembros de la familia, pero otros son estudiantes de Sócrates. Debido a la variedad de vínculos, llamaríamos a esto una red multiplex. Si bien Sócrates, Calias y sus amigos se encuentran con los artistas, es probable que no mantengan una relación duradera con ellos. Hay que tomar decisiones difíciles. Esta es una red de ego con el propósito de descubrir la red social de Sócrates. ¿Las relaciones con los artistas de la noche (contratados por Calias y presentes en su casa) son realmente parte de la red social de Sócrates? ¿Son relaciones significativas o son simplemente interacciones fugaces? Tales juicios deben basarse en el propósito del estudio: si el propósito del Análisis de redes sociales es mapear a todos los que aparecen en el Simposio de Xenophon's, deberíamos incluirlos, pero si estamos utilizando este texto como una de las muchas fuentes para el Con el fin de buscar a aquellos que estaban más cerca de Sócrates o que son al menos parte de su red personal de ego, podríamos elegir excluirlos.

Este es el método para construir la lista de enlaces. [6]

Resultados

Para toda la red que construí utilizando todo Plato, obtenemos una lista de enlaces que tiene 481 filas o relaciones entre 186 personas. Sócrates está en el centro, y donde vemos líneas rojas tenemos una relación de primer salto o de primer grado entre él y su conocido. A continuación, tenemos algunas de las personas más conocidas y sus vínculos destacados en .gif. Observe el agrupamiento a medida que avanzamos por la red. Los filósofos, sofistas y personas que aparecen en los diálogos como interlocutores tienden a estar en el lado izquierdo y en la parte superior. Los socráticos están situados más a la derecha y debajo de Sócrates.


Figura 5. La red social de Sócrates.


Figura 6. La red social de Sócrates se muestra para mostrar el núcleo y la periferia

Aquí, en las Figuras 5 y 6, observamos la red mediante un algoritmo de diseño que nos permite explorar el núcleo y la periferia de la red. Los enlaces de las relaciones de primer grado de Sócrates están en rojo (fig. 6), y tiene 120 relaciones directas. Hay unos pocos nodos que forman un tercer grado fuera de Sócrates, visibles al mirar un nodo de primer grado en rojo, y luego trazar los lazos a un nodo azul que debe ser de un segundo grado por lo menos. Un ejemplo es Heroscamander en el extremo izquierdo, conectado a Sócrates a través de Laches y Nicias de Tebas.


Figura 7. La red social de Sócrates, mostrada como una onda sinusoidal.

En la Figura 7, tenemos una vista de la red utilizando un diseño de onda sinusoidal, nuevamente con Sócrates iluminado en rojo. Esto nos permite tener una idea de la densidad y la cohesión de los lazos. Buscando los nodos que no tienen enlaces rojos, descubrimos a las personas de segundo grado, que aparecen en los diálogos como un amigo de un amigo desde la perspectiva de Sócrates.


Figura 8. Pantalla usando color para mostrar hombres (azul oscuro) y mujeres (rojo)

Las mujeres no son comunes en la red de Sócrates, de hecho, solo hay siete (aunque una de ellas es "mujeres sin nombre en el hogar de Sócrates"). Podemos demostrar esto mediante el uso de colores. En la Figura 7, el azul se usa para hombres y el rojo para mujeres, para que podamos identificar rápidamente sus posiciones en la red. Cuando como grupo se encienden, los vemos extendidos a través de la red, conectados entre sí (con la excepción de Perictione). Este podría ser un buen lugar para mencionar que incluí a Diotima, y ​​probablemente a otras personas que pueden no ser personas reales, pero parece estar aislada y su presencia no está distorsionando nuestros resultados de manera significativa.

Métricas


Además de las visualizaciones, en NodeXL y en todos los programas de análisis de redes sociales, obtenemos algunas mediciones para la red en su conjunto y para cada individuo dentro de ella. Aprendemos, por ejemplo, que la distancia geodésica promedio de la red es seis, lo que significa que, como máximo, toma seis saltos desde el origen hasta otro nodo en la periferia. Otra forma de decirlo es que a lo sumo hay seis grados de separación. El promedio está por debajo de tres saltos, sin embargo, calculado en 2.6. Este es un grupo muy cercano, también llamado "un mundo pequeño".

Podemos ver los puntajes de cada individuo en la red. El programa calcula la posición de cada nodo y la utilidad estructural relativa en términos de su grado, centralidad de Intermedio y centralidad del vector propio, además de otras medidas. Ahora veremos cada uno de estos para ver qué significan.


Figura 9. Visualización de NodeXL resaltando las estadísticas de Sócrates, ordenadas por puntajes de centralidad de grado

NodeXL presenta dos paneles simultáneamente, los datos y la visualización. La figura 9 tiene a cada persona en una fila con sus puntuaciones. La primera columna sombreada más oscura en la ventana izquierda proporciona el puntaje de Grado de una persona (número de vecinos), y si miramos la fila con las estadísticas solo para Sócrates (fila 3), nos dice cuántos vínculos tiene Sócrates, 121. Recuerde Que en toda la red tenemos 481 aristas, por lo que sus conocidos también se conocen. La siguiente columna nos muestra sus puntuaciones en Betweeness Centrality, 14,784. A lo largo de los múltiples caminos para llegar de una persona a otra a través de la red, Sócrates se encuentra en el camino en gran medida, proporcionando un atajo a través de la red. [7] Pero como podemos ver en la Figura 10, donde se seleccionan los veinte mejores puntajes, muchas personas desempeñan esta función de puente o agente para conectar a las personas en toda la red. El uso de SNA implica principalmente la búsqueda de patrones. En la Figura 10 hay más rojo en la parte superior de la red de lo que vimos en Grado Centralidad (Fig. 9) que estaba principalmente en la parte inferior.


Figura 10. Visualización de NodeXL resaltando las estadísticas de Sócrates, ordenadas por las puntuaciones de centralidad de intermediación.

A continuación nos fijamos en la columna Centralidad del autovector. Este puntaje no solo cuenta el número de vínculos, sino que los pondera, de modo que entendamos hasta qué punto cualquier actor está vinculado a otras personas con puntajes altos. A menudo se usa como una forma aproximada de juzgar el prestigio de alguien, o la proximidad al poder. Sócrates obtiene la puntuación más alta de todos, 0.061. En la Figura 11 vemos a los diez mejores anotadores en la centralidad de Eigenvector, y notamos qué tan cerca están abrazando a Sócrates (su nodo no fue seleccionado para que pudiéramos ver a los otros más claramente). En su mayoría están en la parte inferior hacia la izquierda en el sociograma. Al comparar los tres cuadros en las Figuras 9, 10 y 11, vemos a diferentes personas que desempeñan diferentes roles dentro de la red, cada uno de los cuales podría estudiarse más a fondo. Las estadísticas pueden conducir a vías para el descubrimiento.



Ahora, de todas estas medidas, me pareció que si pudiéramos encontrar a las personas que obtuvieron el puntaje más alto en la centralidad del vector propio de los 186 vértices con vínculos de primer grado, esos serían los asociados más íntimos de Sócrates. Antes de conocer los resultados de NodeXL, veamos algunas pruebas textuales.

Este primer pasaje que nombra a los asociados más cercanos de Sócrates es de Memorabilia de Jenofonte, 1.2.48: [8]

Pero Criton era un verdadero asociado de Sócrates, como lo fueron Chaerophon, Chaerecrates, Hermogenes, Simmias, Cebes, Phaedondas y otros que lo acompañaron no para que pudieran brillar en las cortes o la asamblea, sino para convertirse en caballeros y ser capaces de cumplir con su deber por casa y familia, y por parientes y amigos, y por ciudad y ciudadanos. De estos, ni uno, en su juventud o vejez, hizo mal o incurrió en censura.

Lo más frustrante es la frase "y otros" que deja la lista incompleta.

Una segunda cita proviene de la Apología 33b-34a de Platón, que se pone en la boca de Sócrates mientras está en juicio por su vida.

[33b] Pero, ¿por qué entonces a algunas personas les encanta pasar mucho tiempo conmigo? Habéis oído la razón, hombres de Atenas; porque te dije toda la verdad; es porque les gusta escuchar cuando se examina a los que piensan que son sabios y no lo son; porque es divertido ... [33d] Y hay muchos de ellos presentes, a quienes veo; Primero Crito aquí, que es de mi edad y mi propio deme y padre de Critobulus, que también está presente; luego está Lysanias el Sphettian, padre de Aeschines, que está aquí; y también Antiphon de Cephisus, padre de Epigenes. Luego están otros cuyos hermanos se unieron a mis conversaciones, Nicostratus, hijo de Theozotides y hermano de Theodotus (ahora Theodotus está muerto, por lo que no pudo detenerlo por ruegos), y Paralus, hijo de Demodocus; Theages era su hermano; y [34a] Adeimanto, hijo de Aristo, cuyo hermano es Platón aquí; y Aeantodorus, cuyo hermano Apollodorus está presente. Y te puedo mencionar muchos otros ... [9]

El tercer pasaje relevante proviene de la Vida de los Eminentes Filósofos de Diogenes Laertius 2.5.47.

De los que le sucedieron y se llamaron Socráticos, los principales fueron Platón, Jenofonte, Antistenes y, de los diez nombres en la lista tradicional, los más distinguidos son Aeschines, Faedo, Euclides, Aristipo. Primero debo hablar de Jenofonte; Antisthenes vendrá después entre los cínicos; después de Jenofonte, tomaré a los socráticos propiamente dichos, y así pasaré a Platón. Con Platón comienzan las diez escuelas: él mismo fue el fundador de la Primera Academia.

Ojalá supiéramos los "diez en la lista tradicional", pero esos están perdidos. Este pasaje se enfoca en los filósofos que estaban más cerca de Sócrates y continuaron su trabajo, no necesariamente el más íntimo con él socialmente durante su vida.

Podemos comparar estas listas de nombres lado a lado en una hoja de cálculo (Figura 12), y luego agregar una columna con la lista de personas con los puntajes más altos de Eigenvector generados por el análisis de la red social. De los trece mejores con las puntuaciones más altas de centralidad del autovector, todos los nombres, excepto tres, también aparecen en una de las otras listas. Los tres que son exclusivos de la lista de Eigenvector son casos muy interesantes. Ctesippus, por ejemplo, está presente en tres de los diálogos de Platón, y Debra Nails s.v. Ctesipo señala que es probable que él sea alguien que Platón conocía y estaba en el círculo íntimo de Sócrates. [10] Menexenus es el interlocutor en el diálogo del mismo nombre. Y se sabía que Alcibíades (así como Critobulus) estaban enamorados o intimando con Sócrates. [11]


Figura 12. Cuatro relatos diferentes de quiénes eran los hombres más cercanos a Sócrates.


Figura 13. Los diez mejores hombres con las puntuaciones más altas de centralidad del autovector en la red de Sócrates

En la Figura 13 tenemos a las personas con las puntuaciones más altas de vectores propios, y resulta que también se conocen entre sí, formando una camarilla muy grande. Son el núcleo del grupo llamado Socratics, formado por estudiantes actuales y antiguos y amigos cercanos. Muchos de ellos aparecen en los diálogos de Platón, y estuvieron presentes junto a la cama de Sócrates a su muerte. Ctesipo es la anomalía aquí, anotando la más alta de todas (Figura 11); Nails notó que sabemos poco sobre él, ni siquiera su patronímico. También observó que él conecta dos grupos de personas en dos diálogos, Lysis y Euthydemus. En términos de SNA, esto lo convierte en un puente dentro de la red que conecta dos grupos y eleva su puntaje de vector propio porque conoce a más personas con puntajes altos.

Las otras relaciones de Sócrates

Hemos identificado a aquellos cuyos puntajes sugieren que son los más íntimos con Sócrates, pero quizás es más importante ver cómo se mezcló y cruzó a todo tipo de comunidades. En público, Sócrates era famoso por ir al centro de la ciudad, el Ágora y hablar con la gente, con un grupo de jóvenes observando, escuchando y, a veces, riendo. Esta es una de las razones por las que fue acusado de corromper al joven y juzgado en el tribunal en 399 a. Tome este ejemplo de un pasaje en Memorabilia de Jenofonte: [12]

Además, Sócrates vivió a la intemperie; para la madrugada fue a los paseos públicos y campos de entrenamiento; en la mañana fue visto en el mercado; y el resto del día pasó justo donde se reunía la mayoría de la gente: generalmente estaba hablando, y cualquiera podía escuchar. Xen Mem. 1.10

Los ajustes que se acaban de describir son lugares donde Sócrates tenía un interlocutor principal, un zapatero como Simon [13], por ejemplo, pero donde otros podían observar, escuchar y aprender indirectamente. La figura 14 muestra cuánta gente asociada con Sócrates que no fue intelectual o filósofo, y el gran círculo de la izquierda son personas que se encuentran en esa categoría.


Figura 14. Grupos por atributo con Sócrates y sus lazos de un grado.


Figura 15. Grupos en la red de Sócrates y sus vínculos. Sócrates no se muestra.

En la tabla de la Figura 14 vemos a Sócrates en el centro inferior en un círculo entre sus amigos y seguidores, los Sócratas. Cada círculo aquí no se basa en un análisis de clúster sino en mi lista de atributos, que representa diferentes roles. La figura 15 excluye los vínculos de Sócrates, ya que reduce la capacidad de estudiar las relaciones de todos los demás. Desde la esquina inferior derecha, en amarillo, hay algunos estudiantes (de profesores distintos de Sócrates), luego un círculo justo encima de ellos en el extremo derecho en rojo está formado por filósofos extranjeros, y sobre ellos en verde están los sofistas, y luego los socráticos en la oscuridad. Aparecen verdes en el centro inferior. En el círculo superior derecho, en azul claro, hay intelectuales, personas como Calias, el rico anfitrión del simposio que conocimos al principio, o personas que eran hombres de estado como Pericles u hombres que enseñaban materias distintas al oratorio o la filosofía. En el círculo más grande de la izquierda en azul están las personas con las que Sócrates se asoció, que no eran ninguna de esas cosas, y para nuestra sorpresa, constituyen el componente más grande. Se podría decir que son personas de la vida cotidiana. Cuando Sócrates presentó a las personas entre sí, estaba generando vías para el flujo de información. Se desempeñó como el conector, facilitador y tejedor de redes de la comunidad, o puente y agente en términos de Análisis de redes sociales, ayudando a la red a alcanzar su estado de máxima eficiencia.
Conclusión

Con el análisis de redes sociales, es emocionante poder visualizar lo invisible, mirar más allá de lo familiar y hacer preguntas que no se pudieron responder antes. El análisis de redes sociales es una herramienta que recién se está introduciendo en las humanidades digitales, pero ya está claro que nos ofrece oportunidades para pensar de manera diferente sobre el mundo antiguo.

Sócrates introdujo el elenchus, o el arte del diálogo, a la filosofía y la educación a mediados del siglo quinto antes de Cristo. Hay algo sobre el diálogo que es muy social, que requiere dos interlocutores que crean un enlace al participar en este tipo de conversación especial. Platón en Meno 80d hace que Sócrates diga: "Quiero examinar y buscar junto con ustedes lo que podría ser". La investigación filosófica es un acto inherentemente social para Sócrates. No podía filosofar solo.



Bibliografía


Borgatti, S. P., Everett, M. G. and Johnson, J. C. 2013. Analyzing Social Networks. London.

Cherven, K. 2013. Network Graph Analysis and Visualization with Gephi. Birmingham.

Cline, D. H . 2012. “Six Degrees of Alexander: Social Network Analysis as a Tool for Ancient History.” Ancient History Bulletin 26.1-2: 59-70.

Dakyns, H. G. 1897. The Works of Xenophon. London.

Hamilton, E., and Cairns, H. 1961, 1980. The Collected Dialogues of Plato, Including the Letters. Princeton.

Hansen, D. Shneiderman, B. and Smith, M. A. 2011. Analyzing Social Media Networks with NodeXL: Insights from a Connected World. Burlington, MA.

Nails, D. 2002. The People of Plato: A Prosopography of Plato and Other Socratics. Indianapolis.

Nails, D. 2017. The People of Plato: A Prosopography of Plato and Other Socratic: Errata and Addenda, January 2017 downloaded from https://msu.edu/~nails/pop.pdf on December 28, 2018.

Newman, M. 2010. Networks: An Introduction. Oxford.

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

Xenophon. 1923. Trans. E. C. Marchant. Cambridge, MA. 1923, downloaded from https://ebooks.adelaide.edu.au/x/xenophon/x5sy/chapter1 on December 15, 2018.

viernes, 15 de febrero de 2019

Agrupamientos en redes familiares con NodeXL

Agrupamiento de NodeXL para los partidos de los parientes de mi mamá

Genes and Roots

Publiqué los resultados del agrupamiento de NodeXL de mi padre hace unas semanas (aquí). Como lo prometí, ahora estoy publicando los resultados del agrupamiento NodeXL de mi madre, centrándome en solo algunos de los aspectos más intrigantes (¿desconcertantes?). (Puedes leer un paso a paso sobre cómo usar NodeXL para agrupar tus coincidencias de Ancestry aquí, en el blog de Shelley Crawford).

Las coincidencias de mamá para este ejercicio de agrupación se limitaron a aquellas con 15 cM o más compartidas; simplemente se desordena si incluyo a todos hasta 6 cM.

También en la foto de abajo, he apagado la pantalla para todos los grupos con menos de 4 personas. (Los algoritmos de NodeXL se agruparán en grupos de dos, mientras que otros algoritmos como la herramienta de agrupación compartida de Jonathan Brecher usan tres como mínimo).



Veamos primero el "Grupo 13", el grupo en la parte inferior en azul marino que se ve como 2 grupos separados para mí. (No entiendo completamente cómo funciona el algoritmo). A continuación se muestra el grupo 13, ampliado y con los enlaces intergrupos desactivados, para que pueda ver el grupo de manera más detallada. Claramente, solo una coincidencia enlaza a las dos mitades de este grupo. Por lo tanto, no están relacionados tan estrechamente como uno podría pensar.



Las fotos adicionales a continuación confirman esa teoría. A la izquierda, "Cousin X" está resaltado; Puedes ver que "X" comparte una coincidencia con solo 2 personas (además de mi madre). A la derecha, se resalta "Primo B". "Primo B" solo coincide con otros en un subgrupo, y nadie en el otro subgrupo.



Otro grupo que se ve intrigante es uno de la prima de mi madre, "Sally Sue" (alias), que está bastante relacionada con mamá. (Se puede decir que está más estrechamente relacionada con mi madre por el tamaño del cuadrado azul. Estos partidos se parecen a un centro y radios. "Sally Sue" está en el centro con el cuadrado más grande; los otros están más relacionados con mi madre. (Aparte de eso, la opción de ajustar el tamaño de los cuadrados o puntos por la cantidad de cM compartida está disponible en la herramienta NodeXL, pero no es automática).

El grupo "Sally Sue", que se muestra a continuación con los enlaces externos eliminados, es uno en el que coincide con todas las personas de su grupo, pero cada una de ellas solo coincide con ella (o, no se muestra, al menos una persona en un grupo diferente).



El último grupo que es interesante se muestra a continuación. Esta prima, llamémosla Jane, parece estar en el grupo "incorrecto". Si bien tiene coincidencias en su propio grupo, tiene muchas más coincidencias en un grupo diferente.



Una razón por la que esto podría suceder es que Jane y mamá podrían compartir el ADN en, por ejemplo, el cromosoma 1 (posiblemente con otros en su grupo); los primos en el otro grupo podrían compartir el ADN con mamá en, digamos, el cromosoma 9, y luego compartir el ADN con Jane en el cromosoma 4. No lo sabemos con seguridad, ya que no tenemos información de segmento.

Sin embargo, desde que agrupé las coincidencias de mi madre en NodeXL y comencé el borrador de esta publicación, usé la herramienta de agrupación compartida de Jonathan Brecher, que agrupa a "Jane" con la agrupación donde tiene la mayoría de sus coincidencias.

A primera vista, eso tiene más sentido. Sin embargo, ver a "Jane" en un grupo separado (como se muestra a continuación) podría ser útil para darse cuenta de que puede estar conectada en un ancestral diferente a mi madre que la mayor parte de sus coincidencias. Esto sugiere que debo tener cuidado al analizar el árbol de Jane y los apellidos ancestrales, en relación con las coincidencias en el otro grupo.

De hecho, estoy descubriendo que es útil agrupar tus coincidencias de ADN compartidas con más de una herramienta, ya que cada una usa diferentes algoritmos. (Más sobre otros métodos de agrupación en una publicación posterior).

martes, 25 de septiembre de 2018

Análisis de marcas en Twitter con NodeXL

Cómo realizar un análisis de marca de redes sociales de Twitter utilizando NodeXL


NodeXL


La ciencia de la red proporciona métodos poderosos para resolver problemas centrales en el espacio de marketing de redes sociales. Las visualizaciones y el análisis de las redes sociales son métodos útiles para identificar y evaluar rápidamente a personas influyentes y contrastar la forma de la conversación en torno a diferentes temas y marcas.



Hasta hace poco, estos métodos requerían habilidades avanzadas de desarrollo de software, pero las herramientas de análisis de redes están evolucionando y ahora están surgiendo soluciones de señalar y hacer clic que pueden identificar rápidamente subgrupos y segmentos de mercado y describir los temas y los recursos de alto valor en cada uno. Los conceptos clave de red como "betweenness" y "centrality" pueden proporcionar información que va más allá de los conteos de cosas como me gusta, seguidores o respuestas.

Una perspectiva de red mira a las redes sociales como una "colección de conexiones" y revela la forma emergente de la multitud. La investigación de Pew ha demostrado que hay un pequeño conjunto de estructuras de redes sociales que comúnmente aparecen en muchas formas de plataformas de medios sociales que permiten la "respuesta".

Los patrones de centro y rayo divididos, unificados, fragmentados, agrupados y entrantes y salientes son comunes en las redes sociales. Estas formas pueden informar las estrategias de las redes sociales al reconocer la forma actual y posiblemente deseada de la conversación al tiempo que proporcionan nuevos KPI para guiar la transición.

Esta es una guía paso a paso para crear un análisis de marca de redes sociales con NodeXL Pro.

Cada marca involucrada en las redes sociales necesita
  • Identifica los jugadores clave en su ecosistema social.
  • Realice análisis de la competencia e inteligencia de campaña.
  • Generar identificación de campaña - [filtrando el ruido, luego identificando + analizando tweets con la mayor interacción, o mediante hashtag (s) específicos]
  • Produzca información del contenido, para contenido / marketing social, para saber qué temas son de mayor interés para orientar la creación de contenido relacionado y relevante

NodeXL Pro (el complemento Network Discovery Discovery and Exploration para la conocida hoja de cálculo de Microsoft Office Excel ™) de la Social Media Research Foundation puede analizar sistemáticamente las redes sociales para revelar información procesable. En esta guía usaremos NodeXL Pro para mapear temas en Twitter, incluidas las discusiones sobre una marca, producto y problema.

NodeXL se puede utilizar para explorar tres mapas distintos de red de medios sociales que utilizan diferentes perspectivas de datos para obtener una variedad de valiosos conocimientos:


Red ego Red de marca Red de comunidades
Creado de tweets publicados por la cuenta de la marca. Basado en todas las menciones de la marca en los tweets actuales. Basado en los tweets actuales conteniendo el nombre de la cuenta de la marca.


Perspectivas de datos de red de Twitter

Tipo de red Datos recolectados Información de la red Información de contenido
Ego red 1.0 grado Tweets publciados en el cuenta de la marca o datos de seguidor Usuarios altamente conectados por el pondedaro del enlace Actividad de Tweet, estrategia de contenido, campañas de hashtag
Ego red 2.0 grado Tweets publicados por usuarios/amigos altamente conectados Posición en la red, densidad, influenciadores y agrupamientos Tópicos relacionados, hashtags, URLs
Red de industria Tweets publicados por una lista seleccionada de competidores Métricas relacioandas con el análisis de redes ego Tópicos relacionados con la industria, items mas mencionados
Red de comunidades Tweets actuales conteniendo el nombre de la cuenta de la marca Agrupamientos, influenciadores, spammers/bots Sentimiento, top items, topicos relacionados
Red de marca Tweets actuales mencionando el nombre de la marca Agrupamientos, influenciadores, spammers/bots Sentimiento, top items, topicos relacionados
Red discursiva Tweets actuales acerca del tópico Agrupamientos, influenciadores, spammers/bots Sentimiento, top items, topicos relacionados

Egored


(NodeXL>Data>Import > From Twitter Users network)



Acerca de: explore una red basada en el material publicado por la cuenta de marca oficial con el importador de la "red de usuarios de Twitter". Los últimos 3.200 tweets (incluidos los retweets y las respuestas) están disponibles en la API pública de Twitter, que es suficiente para revelar contenido reciente y estrategias de red.

Información de la red: ¿Cuáles son las cuentas de usuario más importantes mencionadas en los tweets, retweets y respuestas de la cuenta de marca? ¿Qué tan fuertes son las conexiones hacia esos usuarios?

Información del contenido: ¿Cuáles son los hashtags, URL, palabras y pares de palabras más utilizados? ¿Cuál es el patrón de tiempo de los tweets? ¿Cuántos retweets y me gusta se ganaron?

Red comunitaria


(NodeXL>Data>Import > From Twitter Search network: e.g. @Tesla)



Acerca de: explore los tweets actuales y las conversaciones de los usuarios de Twitter que hablan directamente con la cuenta de marca con el importador de la "red de búsqueda de Twitter". Cada análisis de red es una instantánea única e histórica de las discusiones con la cuenta de marca. Los datos pueden contar historias interesantes sobre la marca, las campañas de marketing o la satisfacción del cliente.

Información de la red: ¿Qué usuarios de Twitter desempeñan un papel importante en las interacciones con la cuenta de marca? ¿Los grupos de usuarios forman grupos alrededor de ciertos temas o hashtags? ¿Cómo se ven estos clusters?

Información del contenido: ¿Cuáles son los hashtags, URL, palabras y pares de palabras más utilizados en toda la red y dentro de los clústeres detectados? ¿Cuál es el sentimiento?


Red de marca


(NodeXL>Data>Import > From Twitter Search network: e.g. Tesla)

Acerca de: explorar quién está hablando actualmente sobre la marca. Esta recopilación de datos amplía la red de la comunidad y mostrará la gama completa de menciones de la marca.

Información de la red: ¿Qué cuentas de usuario juegan un papel importante en las conversaciones sobre la cuenta de marca? ¿Los grupos de usuarios forman clusters? ¿Cómo se ven estos clusters?

Información del contenido: ¿Cuáles son los hashtags, URL, palabras y pares de palabras más utilizados en toda la red y dentro de los clústeres detectados? ¿Sentimiento? ¿Patrón de tiempo?


¿Qué hay en un libro de trabajo NodeXL Pro?




Una red social completa y un análisis de contenido pueden contener hasta 14 hojas de trabajo que se crean durante el proceso de análisis automatizado.



Los enlaces, vértices y hojas de trabajo del grupo están entrelazados entre sí y también con el panel de grafo.

Cada libro de trabajo contiene información importante sobre una faceta o dimensión de una red:

  • La hoja de trabajo Edges muestra las conexiones entre usuarios de Twitter en base a tweets, menciones y respuestas. Además de los contenidos de los tweets, esta hoja de trabajo también proporciona metadatos como la cantidad de retweets, me gusta, fecha de tweet, idioma y dispositivo de origen. Además, se han creado columnas que muestran los resultados del análisis de sentimiento.
  • La hoja de trabajo Vertices proporciona detalles sobre cada usuario mencionado en la hoja de trabajo de enlaces y se puede ordenar por varias métricas de red para llevar las cuentas más influyentes a la parte superior de la tabla. Twitter también proporciona métricas como Seguido, Seguidores, Tweets, Favoritos, Descripción, Ubicación, Sitio web y Fecha de incorporación en Twitter, que pueden ser útiles para un análisis posterior. Además, los conteos de sentimiento de la hoja de trabajo de enlaces se resumen para cada usuario.
  • La hoja de trabajo de Groups contiene detalles sobre cada grupo o clúster en la red, como el número de usuarios y enlaces en un grupo, la densidad de la red del grupo, los elementos de contenido superior y la opinión del grupo.
  • La hoja de trabajo de Overall metrics informa las medidas de resumen que definen las dimensiones principales de una red, como la cantidad de usuarios y las conexiones entre ellos.
  • La hoja de trabajo Twitter Search Network Top Items contiene un resumen formateado del análisis de contenido que muestra las URL, los hashtags, las palabras, los pares de palabras y los usuarios que se mencionan con más frecuencia en cada grupo y la red en general.
  • La hoja de trabajo Time Series contiene un gráfico que informa la actividad de tweets en la red durante minutos, horas, días o meses al analizar la columna de fecha de Tweet en la hoja de trabajo de enlaces.



Estudio de caso: Tesla

Todos los datos relacionados con este análisis se pueden encontrar en la Galería de grafos NodeXL en #nxltsl

Explore la egored

Con el importador de la red de usuarios de Twitter, exploraremos la red del ego de la cuenta de marca de Tesla en Twitter. Eso significa recopilar y analizar los tweets anteriores publicados por la cuenta de marca en sí.

La estructura de red out-hub-spoke resultante muestra todos los usuarios de Twitter conectados a través de tweets por la cuenta de marca Tesla.

Cómo crear un análisis de red de ego:

  • Paso 1: abre NodeXL Pro. 
  • Paso 2: descargue e importe este archivo de opciones de NodeXL Pro para utilizarlo en la automatización (¿cómo automatizar?) 
  • Paso 3: Abra el importador de datos de la red de usuarios de Twitter: Import > From Twitter users network
  • Paso 4: ingrese el controlador de Twitter que prefiera y seleccione las opciones como se muestra en la imagen.





  • Paso 5: haz clic en Aceptar y espera a que termine la automatización. El libro resultante de NodeXL Pro se ve así:





Puede encontrar un resumen del informe y el archivo NodeXL Pro completo:

https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=141201

Antes de profundizar en los datos, es útil echar un vistazo a la hoja de cálculo de análisis de series de tiempo que muestra la actividad de tweets de la cuenta de marca:

Puede ver que los últimos 3.200 tweets se remontan a febrero de 2014: un cambio importante en la actividad de tweets puede observarse después de agosto de 2014. Y también la producción anual ha disminuido de un año a otro: de 541 tweets por año en 2015 a 174 en 2017.

Información de la red:


En los últimos 3.200 tweets, Tesla se ha conectado a 1.913 (= columna fuera de término en la hoja de cálculo de vértices) de otras cuentas de Twitter, lo que arroja una proporción de 0,60 usuarios conectados por tweet, este valor es 0,44 si solo se consideran los 500 tweets anteriores. Este valor se considera promedio en comparación con otras marcas, p. Toyota (0.88), Ford (0.78), Nissan (0.42), Volkswagen (0.01).

La columna de ponderación de enlace en la hoja de cálculo de enlaces muestra la clasificación de la red de los usuarios principales de Twitter conectados. Este ranking no es sorprendentemente dirigido por Elon Musk, seguido por otras cuentas de Tesla y cuentas relacionadas con la industria:




Estos usuarios conectados principales se consideran nodos importantes de la red circundante de la cuenta de marca.

Análisis de red extendido: la red circundante

Para obtener una visión más profunda de las redes que rodean una cuenta de marca, agregue los principales usuarios conectados al importador de la "Twitter Users Network". De esta forma podemos averiguar en qué medida se hace referencia a la marca por sus propias cuentas en red.

Asegúrese de limitar la cantidad de tweets que se recopilarán, más tiempo obtendrá su lista. Terminar con 10k tweets en general es siempre una buena medida para el manejo de datos. Puede usar el mismo archivo de opciones que antes.

Visite esta página para ver las 23 cuentas principales conectadas por Tesla: https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=141965

Información del contenido:

Todos los tweets y las estadísticas de tweets están disponibles en la hoja de cálculo de enlaces. P.ej. al ordenar los enlaces por conteo de retweets de columnas y conteo favorito, podemos identificar los tweets más o menos populares:

Tweet más favorito del 16 de noviembre de 2017: la mayoría de los tweets retuiteados a partir del 25 de abril de 2015:





Varias clasificaciones de contenido están disponibles en la hoja de cálculo Elementos principales de la red, como hashtags incrustados superiores, URL, palabras y pares de palabras. Aquí está el ranking de hashtags usados con mayor frecuencia que reflejan las principales campañas de marketing de la compañía durante los últimos años:

Principales Hashtags in eweet en el grafo entero:

[60] goelectric
[32] modelx
[23] model3
[20] tesla
[14] drivefree
[12] meetmodelx
[10] wallpaperwednesday
[9] teslacharging
[7] supercharger100
[6] earthday

Análisis de red extendido: análisis de principales hashtag

Utilice el importador de "Twitter Search Network" para explorar las conversaciones actuales sobre estos hashtags principales. Aquí hay un análisis completo de la red NodeXL Pro en el hashtag # model3: https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=140941

Explore la red de la comunidad


La red comunitaria actual de una marca se explora con el importador de "Red de búsqueda de Twitter" al ingresar el nombre de la cuenta de marca (incluido el @) en la barra de búsqueda del importador.

Con una cuenta de marca popular en el centro de este análisis, los mapas de red resultantes suelen estar dominados por la estructura de red en el centro y el radio ya que las marcas no hablan mucho, pero al mismo tiempo se les habla mucho.

Cómo crear un análisis de red comunitaria:


Paso 1: descargue e importe este archivo de opciones de NodeXL Pro para utilizarlo en la automatización (¿cómo automatizar?)

Paso 2: abra el importador de datos de la red de búsqueda de Twitter: Import > From Twitter Search network

Paso 3: ingrese @Tesla en la barra de búsqueda y seleccione las opciones como se muestra en la imagen.




Paso 4: haz clic en Aceptar y espera a que se complete la automatización. El libro de trabajo NodeXL Pro resultante puede verse así y ahora está listo para una mayor exploración:



Puede echar un vistazo al informe y descargar el archivo de datos aquí: https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=141668

Información del contenido


El mapa de red creado arriba muestra la visualización de 9,481 tweets recogidos el 8 de febrero de 2018, dos días después del lanzamiento del SpaceX Falcon Heavy que llevaba un Tesla Roadster perteneciente al fundador de SpaceX, Elon Musk. La hoja de trabajo de los elementos principales de Twitter revela el impacto abrumador de este evento en este conjunto de datos cuando se buscan las palabras principales, los pares de palabras y los hashtags. Aquí están los hashtags principales en todo el grafo y dentro de los cuatro grupos principales:

Top Hashtags in Tweet in Entire Graph Entire Graph Count Top Hashtags in Tweet in G1 G1 Count Top Hashtags in Tweet in G2 G2 Count Top Hashtags in Tweet in G3 G3 Count Top Hashtags in Tweet in G4 G4 Count
roadster 974 roadster 884 falconheavy 322 falconheavy 179 starman 9
falconheavy 867 falconheavy 299 spacex 192 spacex 128 spacex 6
spacex 467 space 148 falconheavylaunch 100 tesla 93 mars 5
tesla 263 crypto 140 starman 72 teslaroadster 88 roadster 4
starman 255 spacex 97 tesla 58 starman 57 falconheavy 4
space 214 starman 59 teslaroadster 40 roadster 45 tesla 3
teslaroadster 152 tesla 57 mars 40 teslainspace 33 usaf 3
crypto 143 mars 38 dontpanic 36 model3 24 falconheavycargo 2
falconheavylaunch 126 model3 31 elonmusk 29 space 23 aimhigh 2
model3 117 teslaroadster 17 roadster 28 elonmusk 22 space 2


Información de la red

Grandes grupos de usuarios de Twitter se reúnen en torno a cuatro cuentas centrales de Twitter en esta red: @Tesla (G1), @elonmusk (G2) y @spacex (G3). El Grupo 4 está formado alrededor de un tweet por el Comando Espacial de la Fuerza Aérea Twitter @afspace. Estas cuentas se identifican como las más influyentes al ordenar la hoja de cálculo de vértices por Betweenness Centrality (columna U).

Puede desplazarse hacia abajo para ver la lista completa de usuarios en esta red o desplazarse hacia la derecha para buscar más información sobre cada usuario, como descripción, sitio web, zona horaria, cantidad de tweets, cuentas de seguidores, etc.




Tenga en cuenta que una centralidad de intersección alta no significa automáticamente influencia en la red. Un Out-Degree alto emparejado con un In-Degree bajo puede ser un indicador para bots (re) tweet y por lo tanto no requieren mucha atención.

Puede eliminar estas cuentas de su análisis haciendo clic en Show/Hide > Workbook columns > Visual properties y pegando Skip en la columna Visibility (H). Actualice la ventana del grafo después de eso, o vuelva a ejecutar un análisis completo para ver si la forma de la red cambia después de filtrar el ruido de datos.

Análisis extendido: una serie de análisis de red

Las redes creadas con Twitter Search Network son altamente dinámicas, por eso las actualizaciones periódicas son necesarias, p. identifique líderes de opinión, grupos emergentes de usuarios sobre ciertos temas o monitoree los puntajes de opinión. A continuación, presentamos una serie de informes de NodeXL que contarán diferentes historias:


@Tesla Twitter Community Network 2018-04-30


https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=150028

Palabras positivas: 7.07%
Palabras negativas: 0.85%

El clúster @elonmusk (G1) supera al clúster @Tesla en este mapa y muestra una vez más el enorme impacto de Musk en la marca Tesla.


@Tesla Twitter Community Network 2018-05-07


https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=150922

Palabras positivas: 3.09%
Palabras negativas: 1.91%

Esta instantánea de discusión se tomó unos días después de la cambiante entrevista de Elon Musk sobre el informe financiero del primer trimestre ...


@Tesla Twitter Community Network 2018-05-23


https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=152874

Palabras positivas: 1.56%
Palabras negativas: 1.08%

Este análisis de red se creó dos días después de que Consumer Reports revelara preocupaciones de seguridad sobre el sistema de frenado de Tesla.


@Tesla Twitter Community Network 2018-06-01


https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=153997

Palabras positivas: 3.15%
Palabras negativas: 2.24%

Crear un análisis de red de marca


Al eliminar el @ de la consulta de búsqueda, los resultados de la búsqueda se ampliarán. Encontrará un poco de ruido de fondo en los datos ya que también hay menciones y conversaciones sobre Nikola Tesla. Sin embargo, hay muchas historias de autos de Tesla que se pueden encontrar.

Para crear un análisis de red de marca, siga todos los pasos del análisis de la red de comunicación y el mapa resultante de la red NodeXL Pro tendrá el siguiente aspecto:


Información de la red


La estructura de red dominante de este tipo de análisis es la "Red de marca". El grupo más grande de usuarios son los aislados que se encuentran en G1. El tamaño de este grupo y un gran número de pequeños grupos aislados es una buena medida para el conocimiento de la marca y el alcance de la marca.

El mapa de la red también muestra el alcance global de Tesla, ya que puede ver clusters de idiomas regionales que se pueden explorar más. Aquí hay una descripción general creada a partir de la columna de enlace AG (Idioma):


Análisis extendido: más análisis de red



Otra serie de análisis de Tesla que hemos creado con el importador de la red NodeXL Pro Search:
Tesla Twitter Brand Network 2018-03-26
https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=146166
Palabras positivas: 3.83%
Palabras negativas: 1.41%
El grupo más grande (G1) en esta red se centra en crypto marketplace @vestarin y su anuncio de asociarse con Tesla.



 
Tesla Twitter Brand Network 2018-05-24
https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=152963
Palabras positivas: 2.60%
Palabras negativas: 2.93%

Este análisis de red se creó tres días después de que Consumer Reports revelara preocupaciones de seguridad sobre el sistema de frenado de Tesla .


.
Tesla Twitter Brand Network 2018-06-01
https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=155439
Palabras positivas: 3.12%
Palabras negativas: 1.72%



Crear un análisis de red de la competencia


Hay diferentes formas de recopilar datos comparativos de red. Obviamente, puede comenzar desde el principio y realizar todos los análisis previos en cualquier marca de su elección. Aquí hay un análisis de red que abarca los tweets en torno al vehículo más popular en el mercado estadounidense: el Nissan Leaf:


https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=151748

Otro enfoque es crear una lista de cuentas de marca y utilizar el importador de la "red de usuarios de Twitter" para recolectar datos de la red. Aquí puede descargar un análisis completo de la red NodeXL Pro con datos comparativos de las 52 principales marcas de automóviles:



Una vista alternativa de los mismos datos:



https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=143291

Aquí se puede encontrar una vista más enfocada con solo cuatro competidores directos en el mercado de vehículos eléctricos: @Tesla @NissanElectric, @RenaultZE y @ ChevyElectric:



https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=155520

Un enfoque diferente para comparar marcas es poner varios nombres de cuenta de la competencia en una consulta del importador de la "red de búsqueda de Twitter": @NissanElectric OR @RenaultZE OR @ ChevyElectric OR @Tesla:


https://nodexlgraphgallery.org/Pages/Graph.aspx?graphID=155525

También puede comparar las conversaciones en torno a los hashtags superiores de los vehículos eléctricos más populares: # model3 OR #nissanleaf O # MissionE: