Las redes sociales como quinto poder...
¿Es para tanto? ¿Vos que opinás?
Este blog reúne material del curso de posgrado "Análisis de redes sociales" dictado en la Universidad Nacional del Sur (Argentina).
jueves, 31 de octubre de 2013
miércoles, 30 de octubre de 2013
ARS 101: Cohesión estructural
Cohesion estructural
Cohesión estructural es la concepción sociológica [1] [2] de una definición formal útil y medida de la cohesión en los grupos sociales. Se define como el número mínimo de los actores en una red social que necesitan ser removidos de desconectar el grupo. Por tanto, es idéntica a la cuestión de la conectividad de nodo de un grafo dado. La versión de corte vértice del teorema de Menger también demuestra que el número de desconexión es equivalente a un grupo de tamaño máximo con una red en la que cada par de personas tiene al menos este número de caminos separados entre ellos. También es útil saber que los grafos k-cohesivos (o k-componentes) son siempre un subgrafos de un k-núcleo, a pesar de un k-núcleo no siempre es k-cohesiva. Un k-núcleo es simplemente un subgrafo en el que todos los nodos tienen por lo menos k vecinos pero no necesitan siquiera estar conectados entre si. Los límites de la estructura endogámica en un grupo de parentesco son un caso especial de la cohesión estructural.
El anillo de 6 nodos en el grafo tiene conectividad 2 o un nivel 2 de la cohesión estructural porque se necesita la eliminación de dos nodos para desconectarlo.
El componente de 6 nodos (1 conectado) tiene incrustado un 2-componente, los nodos 1-5
Una camarilla o clique de 6 nodos se encuentra a 5-componente, de cohesión estructural 5
Wikipedia
Cohesión estructural es la concepción sociológica [1] [2] de una definición formal útil y medida de la cohesión en los grupos sociales. Se define como el número mínimo de los actores en una red social que necesitan ser removidos de desconectar el grupo. Por tanto, es idéntica a la cuestión de la conectividad de nodo de un grafo dado. La versión de corte vértice del teorema de Menger también demuestra que el número de desconexión es equivalente a un grupo de tamaño máximo con una red en la que cada par de personas tiene al menos este número de caminos separados entre ellos. También es útil saber que los grafos k-cohesivos (o k-componentes) son siempre un subgrafos de un k-núcleo, a pesar de un k-núcleo no siempre es k-cohesiva. Un k-núcleo es simplemente un subgrafo en el que todos los nodos tienen por lo menos k vecinos pero no necesitan siquiera estar conectados entre si. Los límites de la estructura endogámica en un grupo de parentesco son un caso especial de la cohesión estructural.
Ejemplos
Algunos ejemplos ilustrativos se presentan en la galería a continuación:El anillo de 6 nodos en el grafo tiene conectividad 2 o un nivel 2 de la cohesión estructural porque se necesita la eliminación de dos nodos para desconectarlo.
El componente de 6 nodos (1 conectado) tiene incrustado un 2-componente, los nodos 1-5
Una camarilla o clique de 6 nodos se encuentra a 5-componente, de cohesión estructural 5
Referencias
- Moody, James; White, Douglas (2003). "Structural Cohesion and Embeddedness: A Hierarchical Concept of Social Groups." (PDF). American Sociological Review 68 (1): 1–25. Consultado el 2006-08-19.
- White, Douglas, Frank Harary (2001). "The Cohesiveness of Blocks in Social Networks: Node Connectivity and Conditional Density." (libro). Sociological Methodology 2001 (Blackwell Publishers, Inc., Boston, USA and Oxford, UK.) 31 (1): 305–359.doi:10.1111/0081-1750.00098. Consultado el 2012-08-13.
Wikipedia
martes, 29 de octubre de 2013
Que revela nuestra red de Facebook de nuestra vida amorosa
Lo que tu lista de amigos de Facebook revela acerca de su vida amorosa
Por Leo Mirani - Quartz
Facebook puede aislar a su cónyuge o pareja sobre la base de su red de amigos. En un artículo fascinante que se publicará el año que viene, el científico social de Facebook Lars Backstrom y el profesor Jon Kleinberg de la Universidad Cornell revelan cuánto conocimiento se puede extraer de la estructura de una red, lo que demuestra tanto el valor de lo que el establishment de la seguridad estadounidense trata de tranquilizarnos diciéndonos que "sólo son metadatos" y revelando la configuración de privacidad de Facebook barrocas como las prendas basadas en la fe de la ropa nueva del emperador.
He aquí cómo funciona: Backstrom y Kleinberg recogieron una muestra aleatoria de alrededor de 1,3 millones de usuarios de Facebook con la lista de su cónyuge o algún tipo de relación de pareja en sus perfiles. Eso les dio un conjunto de datos con unos 8600 millones enlaces que contienen 379 millones de nodos, o puntos donde los vínculos se superponen. El modo de larga data de la encuesta sobre la estructura de una red es la noción de "arraigo", o la medición de la fuerza con dos personas están conectadas por el número de amigos que tienen en común. En esa medida, su amigo más cercano puede llegar a ser un amigo de la universidad.
Los autores utilizaron un nuevo método para encontrar conexiones más importantes. Ellos propusieron la medida de "dispersión." En lugar de buscar únicamente en la fuerza de las conexiones, la dispersión mira cómo otros puntos en una red se superponen con círculos discretos. En la ilustración de arriba, los amigos hacia la parte superior y la parte superior derecha estarían altamente integrados. Pero el único nodo en el centro de la parte inferior izquierda del diagrama está más conectado con un círculo más amplio de amigos . Es una idea elegante y muy intuitiva: Su cónyuge no puede ser tan gruesa con sus amigos del trabajo o de la escuela, pero es probable que se solape con muchos más grupos separados. El análisis de una red para la dispersión produce resultados dos veces más precisas sobre el arraigo en la búsqueda de pareja romántica de un usuario determinado, encuentra el documento.
Los autores también encuentran algo de verdad en lo que podría parecer evidente: Una relación romántica que muestra altos niveles de dispersión es más probable que persista. En otras palabras, las personas que introducen a sus parejas a toda clase de amigos tienden a permanecer juntos. Backstrom y Kleinberg miraron un subconjunto de 400 mil usuarios que dicen estar "en una relación" y encontraron que los que en gran medida los niveles de dispersión fueron significativamente menos probabilidades de haber cambiado su estado a "solo" 60 días más tarde.
Las cosas se vuelven un poco más complicadas cuando los autores no lo sabe ya si un usuario está en una relación. Sin embargo, el análisis de una muestra aleatoria de 129 mil usuarios, casi la mitad de los cuales eran solteros, predijo con exactitud si una persona estaba en una relación del 60% del tiempo. Lo que se eleva al 68 % si se consideran también los factores demográficos.
¿Qué significa para los usuarios de Facebook? Al averiguar quién es más importante para usted, Facebook puede producir un mejor "servicio de noticias." Más relevante, pero no es sólo Facebook el que pueden utilizar esta información. Aunque la configuración de privacidad se volvió a dispararse por "opacos", muchas de las aplicaciones que se conectan a su cuenta tiene acceso a tu lista de amigos. En efecto, los mismos efectos se pueden acceder fuera de Facebook, por ejemplo, de la libreta de teléfonos inteligente, a la que la mayoría de aplicaciones de solicitud de acceso. Como escriben los autores, "los aspectos cruciales de nuestra vida cotidiana pueden ser codificados en la estructura de red entre nuestros amigos, siempre y cuando mire esta estructura bajo la lente correcta." En otras palabras, sólo el pertenecer a una red revela tanto como lo que puede contarle.
“Romantic Partnerships and Dispersion of Social Ties: A Network Analysis of Relationship Status on Facebook” will be presented at the 17th conference on Computer Supported Cooperative Work and Social Computing in Baltimore, Feb 15-19, 2014.
Por Leo Mirani - Quartz
Facebook puede aislar a su cónyuge o pareja sobre la base de su red de amigos. En un artículo fascinante que se publicará el año que viene, el científico social de Facebook Lars Backstrom y el profesor Jon Kleinberg de la Universidad Cornell revelan cuánto conocimiento se puede extraer de la estructura de una red, lo que demuestra tanto el valor de lo que el establishment de la seguridad estadounidense trata de tranquilizarnos diciéndonos que "sólo son metadatos" y revelando la configuración de privacidad de Facebook barrocas como las prendas basadas en la fe de la ropa nueva del emperador.
He aquí cómo funciona: Backstrom y Kleinberg recogieron una muestra aleatoria de alrededor de 1,3 millones de usuarios de Facebook con la lista de su cónyuge o algún tipo de relación de pareja en sus perfiles. Eso les dio un conjunto de datos con unos 8600 millones enlaces que contienen 379 millones de nodos, o puntos donde los vínculos se superponen. El modo de larga data de la encuesta sobre la estructura de una red es la noción de "arraigo", o la medición de la fuerza con dos personas están conectadas por el número de amigos que tienen en común. En esa medida, su amigo más cercano puede llegar a ser un amigo de la universidad.
Los autores utilizaron un nuevo método para encontrar conexiones más importantes. Ellos propusieron la medida de "dispersión." En lugar de buscar únicamente en la fuerza de las conexiones, la dispersión mira cómo otros puntos en una red se superponen con círculos discretos. En la ilustración de arriba, los amigos hacia la parte superior y la parte superior derecha estarían altamente integrados. Pero el único nodo en el centro de la parte inferior izquierda del diagrama está más conectado con un círculo más amplio de amigos . Es una idea elegante y muy intuitiva: Su cónyuge no puede ser tan gruesa con sus amigos del trabajo o de la escuela, pero es probable que se solape con muchos más grupos separados. El análisis de una red para la dispersión produce resultados dos veces más precisas sobre el arraigo en la búsqueda de pareja romántica de un usuario determinado, encuentra el documento.
Los autores también encuentran algo de verdad en lo que podría parecer evidente: Una relación romántica que muestra altos niveles de dispersión es más probable que persista. En otras palabras, las personas que introducen a sus parejas a toda clase de amigos tienden a permanecer juntos. Backstrom y Kleinberg miraron un subconjunto de 400 mil usuarios que dicen estar "en una relación" y encontraron que los que en gran medida los niveles de dispersión fueron significativamente menos probabilidades de haber cambiado su estado a "solo" 60 días más tarde.
Las cosas se vuelven un poco más complicadas cuando los autores no lo sabe ya si un usuario está en una relación. Sin embargo, el análisis de una muestra aleatoria de 129 mil usuarios, casi la mitad de los cuales eran solteros, predijo con exactitud si una persona estaba en una relación del 60% del tiempo. Lo que se eleva al 68 % si se consideran también los factores demográficos.
¿Qué significa para los usuarios de Facebook? Al averiguar quién es más importante para usted, Facebook puede producir un mejor "servicio de noticias." Más relevante, pero no es sólo Facebook el que pueden utilizar esta información. Aunque la configuración de privacidad se volvió a dispararse por "opacos", muchas de las aplicaciones que se conectan a su cuenta tiene acceso a tu lista de amigos. En efecto, los mismos efectos se pueden acceder fuera de Facebook, por ejemplo, de la libreta de teléfonos inteligente, a la que la mayoría de aplicaciones de solicitud de acceso. Como escriben los autores, "los aspectos cruciales de nuestra vida cotidiana pueden ser codificados en la estructura de red entre nuestros amigos, siempre y cuando mire esta estructura bajo la lente correcta." En otras palabras, sólo el pertenecer a una red revela tanto como lo que puede contarle.
“Romantic Partnerships and Dispersion of Social Ties: A Network Analysis of Relationship Status on Facebook” will be presented at the 17th conference on Computer Supported Cooperative Work and Social Computing in Baltimore, Feb 15-19, 2014.
Etiquetas:
amor,
análisis de redes sociales,
dispersión,
Facebook,
matrimonio,
redes afectivas,
redes sociales digitales,
relación odio-amor,
solapamiento
lunes, 28 de octubre de 2013
Las elecciones por Twitter en Argentina
Elecciones 2013 en Twitter: el termómetro en vivo de los candidatos
Los candidatos jugaron sus últimas cartas también en el mundo virtual
Para conocer la resonancia que tuvo la campaña en las redes sociales, LA NACION monitoreó desde las 16.30 en tiempo real todo lo que sucedió en Twitter en torno a los principales candidatos, que jugaron sus últimas cartas también en el mundo virtual antes de las elecciones del 27 de octubre.
CONTADOR DE TUITS Y BUZZ VOLUME
El contador muestra en tiempo real los tuits totales referidos a las cuentas de los principales candidatos a senadores y diputados por la Capital. Por su parte, el gráfico muestra la evolución de tuits, retuits y menciones de esas cuentas.
TOP TUITS
Ranking en tiempo real que muestra los 5 tuits más retuiteados de las últimas 3 horas. Las cuentas integradas a esta aplicación son @gabimichetti, @sergiobergman, @stolbizer, @elisacarrio, @filmusdaniel, @minsaurralde, @juancabandie, @denarvaez, @sergiomassa, @FernandoSolanas, @geronimovenegas, @lozano_claudio, @claubonara, @itaihagman, @altamirajorge y @nestorpitrola
VS.
Comparación de la actividad en Twitter en torno a las cuentas de @minsaurralde y @sergiomassa. Se incluyen las menciones, tuits y retuits de ambos candidatos.
RANKING
Las cuentas de los principales candidatos en Capital, ordenadas en función de la cantidad de menciones registradas en Twitter.
viernes, 25 de octubre de 2013
ARS 101: Clique
Clique
En teoría de grafos, un clique en un grafo no dirigido G es un conjunto de vértices V tal que para todo par de vértices de V, existe una arista que las conecta. En otras palabras, un clique es un subgrafo en que cada vértice está conectado a cada otro vértice del grafo. Esto equivale a decir que el subgrafo inducido por V es un grafo completo. El tamaño de un clique es el número de vértices que contiene.
El Problema del clique, que consiste en dado un grafo, decidir si existe en él un clique con un tamaño particular, es NP-completo.
Lo opuesto de un clique es un conjunto independiente, en el sentido que cada clique corresponde a un conjunto independiente del grafo complemento.
El grafo completo K5. En un subgrafo como éste, los vértices forman un clique de tamaño 5. |
El Problema del clique, que consiste en dado un grafo, decidir si existe en él un clique con un tamaño particular, es NP-completo.
Lo opuesto de un clique es un conjunto independiente, en el sentido que cada clique corresponde a un conjunto independiente del grafo complemento.
Los nodos 1,2 y 5 forman un clique |
Origen del nombre
El término proviene de la palabra inglesa clique, que define a un grupo de personas que comparten intereses en común. En esta analogía, las personas serían los vértices; las relaciones de interés, las aristas; y el hecho de que todas compartan un mismo interés, el grafo completo, es decir, el clique en si.Referencias
El término "clique" en Wolfram MathWorldjueves, 24 de octubre de 2013
ARS 101: Centralidad de PageRank
PageRank
Google ordena los resultados de la búsqueda utilizando su propio algoritmo PageRank. A cada página web se le asigna un número en función del número de enlaces de otras páginas que la apuntan, el valor de esas páginas y otros criterios no públicos.
PageRank es una marca registrada y patentada1 por Google el 9 de enero de 1999 que ampara una familia de algoritmos utilizados para asignar de forma numérica la relevancia de los documentos (o páginas web) indexados por un motor de búsqueda. Sus propiedades son muy discutidas por los expertos en optimización de motores de búsqueda. El sistema PageRank es utilizado por el popular motor de búsqueda Google para ayudarle a determinar la importancia o relevancia de una página. Fue desarrollado por los fundadores de Google, Larry Page (apellido, del cual, recibe el nombre este algoritmo) y Sergey Brin, en la Universidad de Stanford.
PageRank confía en la naturaleza democrática de la web utilizando su vasta estructura de enlaces como un indicador del valor de una página en concreto. Google interpreta un enlace de una página A a una página B como un voto, de la página A, para la página B. Pero Google mira más allá del volumen de votos, o enlaces que una página recibe; también analiza la página que emite el voto. Los votos emitidos por las páginas consideradas "importantes", es decir con un PageRank elevado, valen más, y ayudan a hacer a otras páginas "importantes". Por lo tanto, el PageRank de una página refleja la importancia de la misma en Internet.
Algoritmo
El algoritmo inicial del PageRank lo podemos encontrar en el documento original donde sus creadores presentaron el prototipo de Google: “The Anatomy of a Large-Scale Hypertextual Web Search Engine":2
Donde:
- es el PageRank de la página A.
- d es un factor de amortiguación que tiene un valor entre 0 y 1.
- son los valores de PageRank que tienen cada una de las páginas i que enlazan a A.
- C(i) es el número total de enlaces salientes de la página i (sean o no hacia A).
Algunos expertos aseguran que el valor de la variable d suele ser 0,85.3 Representa la probabilidad de que un navegante continúe pulsando links al navegar por Internet en vez de escribir una url directamente en la barra de direcciones o pulsar uno de sus marcadores y es un valor establecido por Google. Por lo tanto, la probabilidad de que el usuario deje de pulsar links y navegue directamente a otra web aleatoria es 1-d.4 La introducción del factor de amortiguación en la fórmula resta algo de peso a todas las páginas de Internet y consigue que las páginas que no tienen enlaces a ninguna otra página no salgan especialmente beneficiadas. Si un usuario aterriza en una página sin enlaces, lo que hará será navegar a cualquier otra página aleatoriamente, lo que equivale a suponer que una página sin enlaces salientes tiene enlaces a todas las páginas de Internet.
La calidad de la pagina y el numero de posiciones que ascienda se determina por una "votación" entre todas las demás páginas de la World Wide Web acerca del nivel de importancia que tiene esa página. Un hiperenlace a una página cuenta como un voto de apoyo. El PageRank de una página se define recursivamente y depende del número y PageRank de todas las páginas que la enlazan. Una página que está enlazada por muchas páginas con un PageRank alto consigue también un PageRank alto. Si no hay enlaces a una página web, no hay apoyo a esa página específica. El PageRank de la barra de Google va de 0 a 10. Diez es el máximo PageRank posible y son muy pocos los sitios que gozan de esta calificación, 1 es la calificación mínima que recibe un sitio normal, y cero significa que el sitio ha sido penalizado o aún no ha recibido una calificación de PageRank. Parece ser una escala logarítmica. Los detalles exactos de esta escala son desconocidos.
Una alternativa al algoritmo PageRank propuesto por Jon Kleinberg, es el algoritmo HITS.
Manipulación
Debido a la importancia comercial que tiene aparecer entre los primeros resultados del buscador, se han diseñado métodos para manipular artificialmente el PageRank de una página. Entre estos métodos hay que destacar el spam, consistente en añadir enlaces a una cierta página web en lugares como blogs, libros de visitas, foros de Internet, etc. con la intención de incrementar el número de enlaces que apuntan a la página.
A principios del 2005 Google implementó un nuevo atributo para hiperenlaces
rel="nofollow"
como un intento de luchar contra el spam. De esta forma cuando se calcula el peso de una página, no se tienen en cuenta los links que tengan este atributo.Antecedentes
PageRank ha tomado su modelo del Science Citation Index (SCI) elaborado por Eugene Garfield para el Instituto para la Información Científica (ISI) en los Estados Unidos durante la década del 50. El SCI pretende resolver la asignación objetiva de méritos científicos suponiendo que los investigadores cuyo factor de impacto (número de publicaciones y/o referencias bibliográficas en otros trabajos científicos) es más alto, colaboran en mayor medida con el desarrollo de su área de investigación. El índice de citación es un elemento determinante para seleccionar qué investigadores reciben becas y recursos de investigación.
Bibliografía
- Langville, Amy N.; Meyer, Carl D. (2006). Google's PageRank and Beyond: The Science of Search Engine Rankings. Princeton University Press. ISBN 0-691-12202-4.
- Page, Lawrence; Brin, Sergey; Motwani, Rajeev y Winograd, Terry (1999). The PageRank citation ranking: Bringing order to the Web.
- Richardson, Matthew; Domingos, Pedro (2002). «The intelligent surfer: Probabilistic combination of link and content information in PageRank». Proceedings of Advances in Neural Information Processing Systems 14.
- Cheng, Alice; Friedman, Eric J.. «Manipulability of PageRank under Sybil Strategies». Proceedings of the First Workshop on the Economics of Networked Systems (NetEcon06).
- Altman, Alon; Tennenholtz, Moshe. «Ranking Systems: The PageRank Axioms». Proceedings of the 6th ACM conference on Electronic commerce (EC-05).
Notas al pie de página
- Jump up↑ http://www.google.com/patents?vid=6285999
- Jump up↑ "The Anatomy of a Large-Scale Hypertextual Web Search Engine" (en inglés)
- Jump up↑ Introducción al PageRank de Google
- Jump up↑ Sergey Brin y Lawrence Page (1998). «The anatomy of a large-scale hypertextual Web search engine (Sección 2.1.1 Description of PageRank Calculation)» pág. 107-117.
- Jump up↑ Barry Schwartz. «First Google Toolbar PageRank Update Of 2011».
Enlaces externos
- Method for node ranking in a linked database: la patente originaria de PageRank.
- The Anatomy of a Large-Scale Hypertextual Web Search Engine: el prototipo de Google
Wikipedia
martes, 22 de octubre de 2013
Un mapeo de documentos indexados en Scopus
Scopus Maps
The base map of aggregated citation relations among 19,600 journals in Scopus during 2012 is as follows:
Figure 1: Base map of aggregated citation relations among 19,600 journals included in Scopus 2012; colors correspond to 27 communities distinguished by VOSviewer; This map can be web-started at http://www.Vosviewer.com/Vosviewer.php?map=http://www.leydesdorff.net/scopus12/basemap.txt
One can generate an overlay for any set downloaded from Scopus as follows:
· Search in Scopus (advanced or basic); for example, using the search string ‘TITLE(“humanities computing”) OR TITLE(“computational humanities”) OR TITLE(“digital humanities”) OR TITLE(“ehumanities”) OR TITLE(“e-humanities”)’ provided 114 documents on October 8, 2013;
· Make a possible selection of records among the retrieved documents or tick “All”;
· Click on “Export”;
· Among the output formats, choose the “RIS format (Reference Manager, Procite, Endnote)” and “Specify fields to be exported”;
· Only “Source titles” should be exported; untick all other fields;
· Click on “Export”: the file “scopus.ris” can be saved; for example, for the 114 records mentioned;
· Save the file “scopus.ris” in the same folder as the routine overlay.exe and the file with the mapping information scopus.dbf (right-click for saving this file). One can paste different (e.g., sequential) output files of Scopus into a single file, but the routine expects an input file with the name “scopus.ris”.
· One can now run overlay.exe in that same folder; preferably from the C-prompt; (using the C-prompt, one obtains error messages);
· The file “overlay.txt” (e.g., ehum.txt) is a map file that can be opened in VOSviewer;
· Rao-Stirling diversity is stored in the file “rao.txt” and shown on the screen; overlay.dbf contains the information such as the number of publications in each journal.
The resulting overlay map reads as follows:
Figure 2: Overlay of 114 documents with the search string ‘TITLE(“humanities computing”) OR TITLE(“computational humanities”) OR TITLE(“digital humanities”) OR TITLE(“ehumanities”) OR TITLE(“e-humanities”)’ in Scopus; Rao-Stirling diversity = 0.1244. This map can be web-started at http://www.Vosviewer.com/Vosviewer.php?map=http://www.leydesdorff.net/scopus12/ehum.txt&label_size=1.35
See for more explanation: Loet Leydesdorff, Félix de Moya-Anegón, and Vicente P. Guerrero-Bote, “Journal Maps, Interactive Overlays, and the Measurement of Interdisciplinarity on the basis of Scopus data” (in preparation).
The base map of aggregated citation relations among 19,600 journals in Scopus during 2012 is as follows:
Figure 1: Base map of aggregated citation relations among 19,600 journals included in Scopus 2012; colors correspond to 27 communities distinguished by VOSviewer; This map can be web-started at http://www.Vosviewer.com/Vosviewer.php?map=http://www.leydesdorff.net/scopus12/basemap.txt
One can generate an overlay for any set downloaded from Scopus as follows:
· Search in Scopus (advanced or basic); for example, using the search string ‘TITLE(“humanities computing”) OR TITLE(“computational humanities”) OR TITLE(“digital humanities”) OR TITLE(“ehumanities”) OR TITLE(“e-humanities”)’ provided 114 documents on October 8, 2013;
· Make a possible selection of records among the retrieved documents or tick “All”;
· Click on “Export”;
· Among the output formats, choose the “RIS format (Reference Manager, Procite, Endnote)” and “Specify fields to be exported”;
· Only “Source titles” should be exported; untick all other fields;
· Click on “Export”: the file “scopus.ris” can be saved; for example, for the 114 records mentioned;
· Save the file “scopus.ris” in the same folder as the routine overlay.exe and the file with the mapping information scopus.dbf (right-click for saving this file). One can paste different (e.g., sequential) output files of Scopus into a single file, but the routine expects an input file with the name “scopus.ris”.
· One can now run overlay.exe in that same folder; preferably from the C-prompt; (using the C-prompt, one obtains error messages);
· The file “overlay.txt” (e.g., ehum.txt) is a map file that can be opened in VOSviewer;
· Rao-Stirling diversity is stored in the file “rao.txt” and shown on the screen; overlay.dbf contains the information such as the number of publications in each journal.
The resulting overlay map reads as follows:
Figure 2: Overlay of 114 documents with the search string ‘TITLE(“humanities computing”) OR TITLE(“computational humanities”) OR TITLE(“digital humanities”) OR TITLE(“ehumanities”) OR TITLE(“e-humanities”)’ in Scopus; Rao-Stirling diversity = 0.1244. This map can be web-started at http://www.Vosviewer.com/Vosviewer.php?map=http://www.leydesdorff.net/scopus12/ehum.txt&label_size=1.35
See for more explanation: Loet Leydesdorff, Félix de Moya-Anegón, and Vicente P. Guerrero-Bote, “Journal Maps, Interactive Overlays, and the Measurement of Interdisciplinarity on the basis of Scopus data” (in preparation).
Suscribirse a:
Entradas (Atom)