ARS 101: Redes libres de escala

Redes libre de escala

Wikipedia

Una red libre de escala es una red cuyo grado de distribución sigue una ley de potencias, al menos asintóticamente. Es decir, la fracción de P (k) de nodos en la red que tiene conexiones a otros nodos k vale para grandes valores de k como



donde  es un parámetro cuyo valor es típicamente en el intervalo 2 < <3, aunque en ocasiones puede estar fuera de estos límites. [1] [2]

Muchas redes se conjeturaron que ser libre de escala, incluyendo los enlaces de la World Wide Web, redes biológicas, y las redes sociales, aunque la comunidad científica está todavía discutiendo estas afirmaciones como datos más sofisticadas técnicas de análisis disponibles. [3] Los enlaces preferenciales y el modelo de fitness se han propuesto como mecanismos para explicar grado distribuciones de ley de potencia conjeturado en redes reales.

Historia

En los estudios de las redes de citas entre trabajos científicos, Derek de Solla Price mostró en 1965 que el número de enlaces a documentos, es decir, el número de citas que reciben-tenía una distribución de cola pesada siguiendo una distribución de Pareto o ley de potencia, y por tanto, que la red de citas es libre de escala. Él sin embargo no utilizar el término "red libre de escala", que no fue acuñado hasta algunas décadas después. En un trabajo posterior en 1976, Price también propone un mecanismo para explicar la aparición de leyes de potencia en redes de citación, que él llamó "la ventaja acumulada", pero que es hoy más conocido bajo el nombre del archivo adjunto preferencial.

El reciente interés en las redes libres de escala se inició en 1999 con la obra de Albert-László Barabási y sus colegas en la Universidad de Notre Dame, que mapea la topología de una parte de la World Wide Web, [4] encontrando que algunos nodos, a la que llamaron "centros ", tenían muchas más conexiones que otros, y que la red en su conjunto tenía una distribución de ley potencial del número de enlaces que conectan a un nodo. Después de encontrar que algunas otras redes, incluyendo algunas redes sociales y biológicos, también tenían grado distribuciones de cola pesada, Barabási y colaboradores acuñaron el término "red libre de escala" para describir la clase de las redes que presentan un grado de distribución de ley de potencia. Amaral et al. mostró que la mayoría de las redes del mundo real se pueden clasificar en dos grandes categorías de acuerdo a la decadencia de la distribución de grado P (k) para grandes k.

Barabási y Albert propusieron un mecanismo generativo para explicar la aparición de las distribuciones de poder de la ley, que llamaron "conexión preferencial" y que es esencialmente el mismo que el propuesto por precio. Soluciones analíticas para este mecanismo (también similar a la solución de precio) fueron presentados en 2000 por Dorogovtsev, Mendes y Samukhin [5] y de forma independiente por Krapivsky, Redner y Leyvraz, y más tarde probado rigurosamente por el matemático Béla Bollobás. [6] En particular, sin embargo, este mecanismo sólo produce un subconjunto específico de las redes en la clase libre de escala, y muchos mecanismos alternativos se han descubierto desde entonces. [7]

La historia de las redes libres de escala también incluye algunos desacuerdos. A nivel empírico, la naturaleza libre de escala de varias redes se ha puesto en duda. Por ejemplo, los tres hermanos Faloutsos creído que Internet tenía un grado de distribución de ley de potencia sobre la base de datos de traceroute; sin embargo, se ha sugerido que ésta es una ilusión capa 3 creado por routers, que aparecen como nodos de alto grado al tiempo que oculta la estructura de capas 2 interna de los sistemas autónomos que interconectan. [8] En el plano teórico, se han propuesto mejoras a la definición abstracta de escala libre. Por ejemplo, Li et al. (2005) ofreció recientemente una potencialmente más precisa "libre de escala métrica". Brevemente, sea G un grafo con el conjunto de borde E, y denota el grado de un vértice v (es decir, el número de aristas incidentes a ) por . definidos como




Esto se maximiza cuando los nodos de alto grado están conectados a otros nodos de alto grado. Ahora definir


,
donde Smax es el valor máximo de s (H) para H en el conjunto de todos los grafos con grado de distribución idénticas a G. Esto da una métrica entre 0 y 1, donde un grafo G con el pequeño S (G) es "escala rica ", y un grafo G con S (G) cerca de 1 es" libre de escala ". Esta definición recoge la noción de auto-similitud implícita en el nombre de "libre de escala".


Características


La característica más notable en una red libre de escala es la commonness relativa de vértices con un grado que excede en gran medida de la media. Los nodos de más alto grado son a menudo llamados "centros", y se cree que servir a propósitos específicos en sus redes, aunque esto depende en gran medida en el dominio.


Red aleatoria (a) y de la red libre de escala (b). En la red libre de escala, se destacan los centros más grandes.

La propiedad libre de escala se correlaciona fuertemente con la robustez de la red para el fracaso. Resulta que los principales centros son seguidos de cerca por los más pequeños. Estos centros más pequeños, a su vez, son seguidos por otros nodos con un grado aún más pequeño y así sucesivamente. Esta jerarquía permite un comportamiento tolerante a fallos. Si se producen errores al azar y la gran mayoría de los nodos son aquellos con pequeño grado, la probabilidad de que un cubo se vería afectada es casi insignificante. Incluso si se produce un concentrador de fallo, la red generalmente no perder su conexión, debido a los cubos restantes. Por otro lado, si elegimos un par de cubos grandes y sacarlos de la red, la red se convierte en un conjunto de grafos más bien aislados. Por lo tanto, los centros son una fuerza y una debilidad de las redes libres de escala. Estas propiedades se han estudiado analíticamente utilizando la teoría de la percolación por Cohen et al. [9] [10] y por Callaway et al. [11]


Grado de distribución compleja red de azar y sin escala

Otra característica importante de las redes libres de escala es la distribución coeficiente de agrupamiento, que disminuye a medida que el grado nodo aumenta. Esta distribución también sigue una ley de potencias. Esto implica que los nodos de bajo grado pertenecen a muy densas sub-grafos y los sub-grafos están conectados entre sí a través de concentradores. Considere una red social en la que los nodos son las personas y los vínculos son relaciones tener conocidos entre las personas. Es fácil ver que la gente tiende a formar comunidades, es decir, pequeños grupos en los que todo el mundo sabe todo el mundo (se puede pensar en tal comunidad como un grafo completo). Además, los miembros de una comunidad también tienen algunas relaciones conocimiento con personas fuera de esa comunidad. Algunas personas, sin embargo, están conectados a un gran número de comunidades (por ejemplo, celebridades, políticos). Esas personas pueden ser considerados los centros responsables del fenómeno del mundo pequeño.

En la actualidad, las características más específicas de las redes libres de escala varían de acuerdo con el mecanismo generativo utilizado para crearlos. Por ejemplo, las redes generadas por la unión preferencial típicamente colocan los vértices de alto grado en el medio de la red, conectándolos entre sí para formar un núcleo, con nodos progresivamente menor grado que componen las regiones entre el núcleo y la periferia. La eliminación aleatoria de incluso una fracción grande de vértices impactos de la conexión global de la red muy pequeños, lo que sugiere que tales topologías podría ser útil para la seguridad, mientras que los ataques dirigidos destruye la conexión muy rápidamente. Otras redes libres de escala, que ponen los vértices de alto grado en la periferia, no presentan estas propiedades. Del mismo modo, el coeficiente de agrupamiento de las redes libres de escala puede variar significativamente dependiendo de otros datos topológicos.

Una característica final se refiere a la distancia media entre dos vértices en una red. Como con la mayoría de las redes desordenadas, como el modelo de red de mundo pequeño, esta distancia es muy pequeña en relación a una red altamente ordenada, como un grafo de celosía. En particular, un grafo de ley de potencias no correlacionados que tiene 2 <γ <3 tendrá un diámetro d ultrapequeño~ ln ln N, donde N es el número de nodos de la red, como se ha demostrado por Cohen y Havlin. El diámetro de una red libre de escala creciente podría considerarse casi constante en la práctica.

Ejemplos

Aunque muchas redes del mundo real se cree que son libres de escala, las pruebas a menudo no son concluyentes, debido principalmente a la conciencia el desarrollo de más rigurosas técnicas de análisis de datos. [3] Como tal, la naturaleza libre de escala de muchas redes sigue siendo debatido por la comunidad científica. Algunos ejemplos de redes afirmaban ser libre de escala incluir:

• Las redes sociales, incluidas las redes de colaboración. Dos ejemplos que han sido estudiados extensamente son la colaboración de agentes de la película en el cine y la co-autoría por los matemáticos de papeles.
• Hay muchos tipos de redes de ordenadores, incluyendo el Internet y la Webgrafía de la World Wide Web.
• Algunas redes financieras tales como las redes de pago interbancario [12] [13]
• Las redes de interacción proteína-proteína.
• Las redes semánticas. [14]
• Redes de aerolíneas.

La escala topología libre ha sido también encontrado en superconductores de alta temperatura [15] Las cualidades de un superconductor de alta temperatura -. Un compuesto en el que los electrones obedecen las leyes de la física cuántica, y desembocan en perfecta sincronía, sin fricción - aparecen ligados a la fractal arreglos de átomos de oxígeno aparentemente al azar y la distorsión de celosía. [16].

Referencias

1. Onnela, J. -P.; Saramaki, J.; Hyvonen, J.; Szabo, G.; Lazer, D.; Kaski, K.; Kertesz, J.; Barabasi, A. -L. (2007). "Structure and tie strengths in mobile communication networks". Proceedings of the National Academy of Sciences 104 (18): 7332–7336. arXiv:physics/0610104. Bibcode:2007PNAS..104.7332O. doi:10.1073/pnas.0610245104. PMC 1863470. PMID 17456605. 
2. Choromański, K.; Matuszak, M.; MiȩKisz, J. (2013). "Scale-Free Graph with Preferential Attachment and Evolving Internal Vertex Structure". Journal of Statistical Physics 151 (6): 1175. Bibcode:2013JSP...151.1175C. doi:10.1007/s10955-013-0749-1. 
3. Clauset, Aaron; Cosma Rohilla Shalizi; M. E. J Newman (2007-06-07). "Power-law distributions in empirical data". 0706.1062. arXiv:0706.1062. Bibcode:2009SIAMR..51..661C. doi:10.1137/070710111.
4. Barabási, Albert-László; Albert, Réka. (October 15, 1999). "Emergence of scaling in random networks". Science 286 (5439): 509–512. arXiv:cond-mat/9910332. Bibcode:1999Sci...286..509B. doi:10.1126/science.286.5439.509. MR 2091634. PMID 10521342.
5. Dorogovtsev, S.; Mendes, J.; Samukhin, A. (2000). "Structure of Growing Networks with Preferential Linking". Physical Review Letters 85 (21): 4633–4636. arXiv:cond-mat/0004434. Bibcode:2000PhRvL..85.4633D. doi:10.1103/PhysRevLett.85.4633. PMID 11082614. 
6. Bollobás, B.; Riordan, O.; Spencer, J.; Tusn�Dy, G. (2001). "The degree sequence of a scale-free random graph process". Random Structures and Algorithms 18 (3): 279–290. doi:10.1002/rsa.1009. MR 1824277. 
7. Dorogovtsev, S. N.; Mendes, J. F. F. (2002). "Evolution of networks". Advances in Physics 51 (4): 1079. doi:10.1080/00018730110112519. 
8. Willinger, Walter; David Alderson; John C. Doyle (May 2009). "Mathematics and the Internet: A Source of Enormous Confusion and Great Potential". Notices of the AMS (American Mathematical Society) 56 (5): 586–599. Retrieved 2011-02-03.
9. Cohen, Reoven; K. Erez, D. ben-Avraham and S. Havlin (2000). "Resilience of the Internet to Random Breakdowns". Phys. Rev. Lett. 85: 4626–8. arXiv:cond-mat/0007048. Bibcode:2000PhRvL..85.4626C. doi:10.1103/PhysRevLett.85.4626.
10. Cohen, Reoven; K. Erez, D. ben-Avraham and S. Havlin (2001). "Breakdown of the Internet under Intentional Attack". Phys. Rev. Lett. 86: 3682–5. arXiv:cond-mat/0010251. Bibcode:2001PhRvL..86.3682C. doi:10.1103/PhysRevLett.86.3682. PMID 11328053.
11. Callaway, Duncan S.; M. E. J. Newman, S. H. Strogatz and D. J. Watts (2000). "Network Robustness and Fragility: Percolation on Random Graphs". Phys. Rev. Lett. 85: 5468–71. arXiv:cond-mat/0007300. Bibcode:2000PhRvL..85.5468C. doi:10.1103/PhysRevLett.85.5468.
12. De Masi, Giulia; et. al (2006). "Fitness model for the Italian interbank money market". Physical Review E 74: 066112. doi:10.1103/PhysRevE.74.066112.
13. Soramäki, Kimmo; et. al (2007). "The topology of interbank payment flows". Physica A: Statistical Mechanics and its Applications 379 (1): 317–333. Bibcode:2007PhyA..379..317S. doi:10.1016/j.physa.2006.11.093.
14. Steyvers, Mark; Joshua B. Tenenbaum (2005). "The Large-Scale Structure of Semantic Networks: Statistical Analyses and a Model of Semantic Growth". Cognitive Science 29 (1): 41–78. doi:10.1207/s15516709cog2901_3.
15. Fratini, Michela, Poccia, Nicola, Ricci, Alessandro, Campi, Gaetano, Burghammer, Manfred, Aeppli, Gabriel Bianconi, Antonio (2010). "Scale-free structural organization of oxygen interstitials in La2CuO4+y". Nature 466 (7308): 841–4. arXiv:1008.2015. Bibcode:2010Natur.466..841F. doi:10.1038/nature09260. PMID 20703301.
16. Poccia, Nicola, Ricci, Alessandro, Campi, Gaetano, Fratini, Michela, Puri, Alessandro, Di Gioacchino, Daniele, Marcelli, Augusto, Reynolds, Michael, Burghammer, Manfred, Saini, Naurang L., Aeppli, Gabriel Bianconi, Antonio, (2012). "Optimum inhomogeneity of local lattice distortions in La2CuO4+y". Proc. Natl. Acad. Sci. U.S.A. 109 (39): 15685–15690. arXiv:1208.0101. doi:10.1073/pnas.1208492109.

Liderazgo de red y sus diferencias con el liderazgo tradicional

¿Cómo es el liderazgo de red diferente de liderazgo de la organización y por qué es la comprensión de esta importante diferencia?
por Claire Reinelt




El liderazgo de red, a diferencia de los enfoques convencionales de liderazgo, es colectivo, distribuido, de abajo hacia arriba, de facilitación y emergente. El modelo individual de liderazgo históricamente asociado con organizaciones fuertes es más, directiva, de arriba hacia abajo, y transaccional. A medida que expandimos nuestra mentalidad de liderazgo para entender el liderazgo como un proceso colectivo, más personas están cuestionando los supuestos de liderazgo que están incrustados en las estructuras y procesos organizacionales tradicionales. Si bien la publicación de Leadership and Networks contrastará red y dirección de la organización como una forma útil de destacar nuevos modelos de liderazgo emergente en un entorno conectado, creemos que estas distinciones se vuelven menos importantes como las organizaciones y comunidades adoptar enfoques de liderazgo que son más relacional y colectiva .

El Instituto Monitor proporciona un gráfico que caracteriza a las diferencias entre los líderes de la organización y el liderazgo de la red.

LIderazgo organizacional	Liderazgo de red
Posición, autoridad	Rol, conducta
Individual	Colectiva
Control	Facilitadora
Directiva	Emergente
Transaccional	Relacional, conectado
Jerárquica	De abajo hacia arriba

Fuente: Monitor Institute Slideshare, Social Networks for Social Change (p.72)

El liderazgo de red y la dirección de la organización siempre han coexistido, aunque durante gran parte de la dirección de la organización del siglo 20 fue la forma privilegiada para organizar los recursos y la gestión de la entrega de bienes y servicios. Incluso en el sector social, formas de organización prevalecieron. Las estructuras de liderazgo jerárquicas crearon una forma de rendición de cuentas que hacen los inversores se sientan más seguros con sus inversiones. El dinero fue invertido en el desarrollo de líderes sin fines de lucro que tendrían mayor capacidad para gestionar y dirigir organizaciones efectivas. Esto llevó a algunos logros notables de liderazgo, pero al mismo hubo consecuencias no deseadas.

Muchas personas y comunidades no se beneficiaron de las formas en que se organizan y distribuyen los recursos; y en algunos casos, un gran daño estaba hecho (especialmente en las comunidades de color y comunidades de bajos ingresos). Estas comunidades utilizaron sus propios activos para satisfacer sus necesidades de la mejor manera posible con poco apoyo público o filantrópico, y de hecho, cuando se dispuso que el apoyo que a menudo no lograron abordar las desigualdades estructurales que existían en la comunidad y las disparidades menudo exacerbados. Los programas de liderazgo no eran, en su mayor parte, diseñado para salvar las diferencias, construir capital social, o frente a las desigualdades estructurales.

Al comienzo del siglo 21 estamos reconociendo cada vez más y ver el poder de los enfoques de la red. Con el auge de la Web y la mayor capacidad de las personas, los recursos y las ideas de auto-organizarse, nuevas formas de organización, se hacen posibles. La campaña de Obama es un excelente ejemplo. El uso de herramientas basadas en la web y la organización comunitaria, los partidarios fueron capaces de conectar, contribuir y colaborar mucho más fácil, eficiente y rápido que nunca. La campaña invertido en la creación de la plataforma de colaboración (mybarackobama.com) pero su uso fue impulsado por sus partidarios.

Muchas organizaciones están aprendiendo a "trabajar wikily" con mayor apertura, la transparencia, la descentralización de las decisiones y la acción distribuida (Instituto Monitor) y son por lo tanto una mejor posición para adaptarse a entornos dinámicos y cambiantes y responder a las crisis (Heifetz et. Al). Dicho esto, sin embargo, muchas organizaciones están encontrando un reto de adoptar un enfoque de red de nuestro liderazgo y programas de liderazgo no están apoyando a líderes de la organización para desarrollar esas habilidades.

A medida que expandimos nuestra mentalidad de liderazgo para entender el liderazgo como un proceso colectivo, más personas están cuestionando los supuestos de liderazgo que están incrustados en las estructuras y procesos organizacionales tradicionales. Por ejemplo, son estructuras de contabilidad y presentación de informes jerárquicos de la manera más eficaz para garantizar la rendición de cuentas en todas las circunstancias? Cuando pueda confiar y la calidad de las relaciones establecidas entre las personas en grupos sea una mejor base para la rendición de cuentas que el ejercicio de la autoridad? ¿Las organizaciones de la mejores de para catalizar un nuevo liderazgo y divulgación de la innovación? Cuando podrían redes crear más oportunidades de liderazgo y aumentar el alcance de nuevas ideas y prácticas? Formas de red de liderazgo coexisten cada vez más con las formas de organización. ¿Cómo nos convertimos más inteligentes acerca de cómo utilizar estas formas de manera apropiada? ¿Cómo pueden los líderes de la organización crear más espacio para las formas de red de liderazgo? ¿Cómo pueden los programas de liderazgo apoyar a los líderes de la organización para el desarrollo de competencias de liderazgo de la red?

Leadership Learning Community

La actividad en Twitter nos habla del desempleo en España

La "huella" de Twitter  revela patrones de desempleo
La minería de datos de Twitter revela sorprendentes detalles sobre los indicadores socioeconómicos, pero a una fracción del costo de los métodos de recopilación de datos tradicionales, dicen los sociólogos computacionales.

MIT Technology Review



El comportamiento humano está estrechamente ligada a la condición social y económica. Por ejemplo, la forma en que un individuo se desplaza alrededor de una ciudad se ve influenciada por su trabajo, sus ingresos y su estilo de vida.

Así que no debería ser una sorpresa que la situación económica también podría reflejarse en los patrones de comportamiento de los medios sociales. De hecho, eso es exactamente lo que, dice Alejandro Llorente en la Universidad Autónoma de Madrid en España y unos pocos amigos. Hoy en día, estos chicos demuestran que el amplio patrón de tweets a través de ciudades y condados en España revela detalles fascinantes acerca de las tasas de desempleo en estas áreas.

Estos chicos comenzaron con una base de datos de 19,6 millones de tweets geolocalizados en España publicados entre noviembre de 2012 y junio de 2013. Llorente y colegas querido correlacionar estos tuits con las regiones de la actividad económica, pero estos no son fáciles de determinar. Eso es debido a que no se corresponden bien a los límites administrativos en España, que reflejan las fronteras históricas y políticas, más que las económicas.

Así que el equipo analizó la velocidad a la que se intercambian mensajes entre regiones utilizando un algoritmo estándar de detección de la comunidad. Esto reveló 340 áreas independientes de la actividad económica, que coinciden en gran medida con otras medidas de la distribución geográfica y económica. "Este resultado muestra que la movilidad de los tweets geolocalizados detectado y las comunidades obtenidos son una buena descripción de las zonas económicas", dicen.

Por último, se analizaron los datos de desempleo en cada una de estas regiones y luego minado su base de datos para las correlaciones con Twitter actividad.

Los resultados muestran diferencias claras entre las regiones con desempleo alto y bajo. Por ejemplo, la tasa de twitteando entre las 9 am y el mediodía de lunes a viernes es significativamente mayor en las zonas de alto desempleo. Estos tuits tienen más probabilidades de contener palabras tales como trabajo o el desempleo. Y los mensajes son también más propensos a contener errores de ortografía, quizás reflejando un menor nivel de educación entre los desempleados.

"Demostramos que las características de comportamiento relacionados con el desempleo pueden ser recuperados de los gases de escape digitales dejado por la red de microblogging Twitter," decir Llorente y compañía.

Eso es importante porque este tipo de análisis es rápido y sencillo en comparación con los métodos tradicionales de recolección de datos, como las encuestas. Estos son caros, tanto es así que algunos países han considerado abandonar en tiempos de dificultades económicas para ahorrar dinero.

Por tanto, la posibilidad de que los datos de Twitter pueden proporcionar una visión general rápida y barata de desempleo es una alternativa interesante. Lo que es más, permite que los gobiernos y los responsables de las políticas para monitorear los cambios en la población, más o menos en tiempo real.

"La inmediatez de las redes sociales también puede permitir a los gobiernos a medir y comprender mejor el efecto de las políticas, los cambios sociales, los desastres naturales o hechos por el hombre en el estado económico de las ciudades en casi en tiempo real", dicen Llorente y coautores, y agregó que su técnicas deben estar en cualquier lugar aplicable en el mundo.

Trabaja como esto muestra cómo la naturaleza de la recopilación de datos económico está cambiando. Va a ser interesante ver lo rápido que los gobiernos y otras organizaciones a adaptarse.

Ref: arxiv.org/abs/1411.3140 Social Media Fingerprints Of Unemployment

1411 3140v2

Sociabilidad y redes sociales de murciélagos

Análisis de redes sociales y el estudio de la sociabilidad de los murciélagos
Joseph S. Johnson [1], Jessica N. Kropczynski [2] y Michael J. Lacki [1]

1. Department of Forestry, University of Kentucky, Lexington, KY, 40546, USA
2. Department of Sociology, University of Kentucky, Lexington, KY, 40546, USA



Muchas especies de murciélagos son conocidos por ser gregarias, formando grupos sociales mixtos o de un solo sexo comúnmente conocidos como colonias.
El número de estudios de investigación de la sociabilidad en los murciélagos está aumentando rápidamente, con estudios que van desde descripciones básicas de la cantidad de hombres y mujeres dentro de los grupos sociales a los estudios que utilizan análisis de redes sociales. Estudios de sociabilidad en los murciélagos están tomando cada vez más diversos enfoques para la recopilación de datos, análisis e interpretación, dejando a los investigadores con una variedad de puntos de vista sobre cómo llevar a cabo la investigación futura. Estas perspectivas son difíciles de sintetizar, pero una comprensión integrada de los trabajos pioneros en este campo deben ayudar a los investigadores construir sobre lo que ya se sabe sobre la sociabilidad en los murciélagos y formular nuevas hipótesis. En esto que ofrecemos una revisión de las metodologías utilizadas para medir las interacciones sociales, relaciones y estructura de los murciélagos. Revisamos los supuestos, fuentes de sesgo, las fortalezas y las limitaciones de estos métodos. Hacemos hincapié en que, si bien todos los métodos revisados son muy adecuados para la evaluación de las interacciones y relaciones sociales, cada método impactará análisis de la estructura social y debe ser considerado cuidadosamente. Animamos además el uso de análisis de redes sociales como marco para conceptualizar, diseñar y analizar los estudios de murciélagos sociabilidad. No somos partidarios de una metodología de análisis de red única, como el análisis de redes iscontinually en evolución y no una técnica es muy adecuado para todas las preguntas de investigación. En su lugar, se recomienda varias medidas específicas de red creemos que son apropiados para los diferentes tipos de preguntas de investigación y los conjuntos de datos y discutir las fortalezas y limitaciones de los análisis populares.



Redes de dos modos (A) y un modo de (B) mapean una colonia de verano de murciélagos orejones de Rafinesque (Corynorhinus rafinesquii) y sus refugios diurnos de Kentucky, EE.UU.. Los murciélagos (círculos abiertos) y dormideros (cuadrados rellenos) están incluidas en el mapa de la red de dos modos, mientras que sólo los murciélagos (círculos abiertos - mujeres; cuadrados rellenos - varones) están incluidas en el mapa de un solo modo. Los mapas de la red tales como estos pueden ser utilizados para ayudar a generar hipótesis acerca de la estructura de red que se pueden probar usando análisis de redes sociales.

Redes sociales de murciélagos

Leer más publicaciones en Calaméo

Aprovechando las redes de influencia

Navegando por las redes de influencia



Nuestra comprensión de la influencia de las comunidades y organizaciones está experimentando cambios radicales gracias a la sabiduría emergente de las ciencias sociales de la red. También ahora estamos viendo los cambios sin precedentes en los paisajes de influencia en todos los niveles en todo el mundo.

Los dos actores clave en cualquier ámbito de influencia son los decisores y las personas influyentes. Los decisores son las personas que tienen el voto final o dicen sobre las acciones finales. Su poder se puede suponer, asignado, nombrado, o se apropió en las elecciones. En el caso de las elecciones cívicas, cada uno con un voto y la voz puede ser a la vez un partido decisivo y factor de influencia.

Influyentes son aquellos que escuchan decisores por elección o por obligación. Los influyentes tienen el poder de moldear y desafían lo decisores saben, sentir y hacer. En las redes de influencia, influencia también influyen otros factores de influencia real y potencial. Podemos pensar en cualquier decisión que surge de las redes de influencia.

Cada decisión tiene su propia red de influencia. Algunas personas participan en múltiples y continuos redes de influencia en función de sus intereses, pasiones y posiciones formales e informales dentro de las redes. Su voz amortigua, desafíos, refuerza y amplifica otras voces en la red.

Siempre hay gente en las redes de influencia que pueden hablar o escribir mucho, pero tienen poca influencia real dentro de la red. Su falta de influencia es una función de su tener visibilidad, la credibilidad, la conciencia o las monedas de influencia de la red inadecuada.

Las monedas de influencia que le dan su poder de influencia incluyen datos, conocimientos, preguntas, recursos, poder posicional, seguidores influyentes y aliados, influencia de la marca, sobornos y amenazas.

Estas monedas tienen poder sólo en la medida en que un factor de influencia tiene la visibilidad y la credibilidad suficiente. Los más visibilidad y credibilidad de influencia tienen, más poder que tienen para dar forma a lo que decisores saben, sienten y hacen.

El poder real que tienen influencia sobre los decisores y otras personas influyentes en cualquier contexto depende de varios principios.

• No todas las monedas de influencia tienen el mismo peso a cada partido decisivo diferente
• Los influenciadores sólo tienen poder con decisores mientras están en el proceso de formación de sus conclusiones para las decisiones
• Los influyentes tienen un alcance diferente del poder en función de cada contexto influencia
• No todos los decisores son influenciadores
• Los lazos fuertes pueden tanto aislar y acelerar el alcance y la velocidad de la influencia en las redes
• El potencial de crecer el alcance de la influencia de uno es igual al alcance de los miembros indecisos y receptivos en las redes de una cuenta con la visibilidad y la credibilidad
• El más colaborativo y conectado dentro ya través de las redes de influencia son, el poder más colectivo que tienen
• Si sabemos que personas influyentes directos e indirectos de un Decider son, podemos tener una idea de lo que podrían saber, sentir y hacer
• Si la mayoría de los factores de influencia directa de un Decider se encuentran todavía en el proceso de formación de sus conclusiones en un proceso de decisión, influencia indirecta de la final puede tener más poder sobre las opiniones de la final que sus influyentes directos

Allí muchas implicaciones recurribles a estos principios.

Si usted quiere tener más influencia con los decisores, saber que aún están formando sus conclusiones e interactuar con ellos y los que directa o indirectamente influyen en ellos.

Si usted desea aumentar el poder potencial de su influencia, por lo que todo lo que pueda para mejorar su visibilidad red influencia, credibilidad, de sensibilización y de influencia de la red monedas.

Averigüe qué monedas exactas tienen más poder con decisores e influenciadores dados los contextos de las decisiones y de las redes que estés navegando específicos. No asuma las mismas monedas funcionan en diferentes contextos.

Si usted quiere apoyar a aquellos que comparten sus puntos de vista o posiciones, colaborar con ellos para crear monedas más compartidas y escalados de visibilidad, credibilidad, de sensibilización y de influencia de la red.

Pase más tiempo amplificar sus mensajes y contribuciones de tratar de amortiguar los que se opongan o pregunta.

Cuanto más conoces a sus redes de influencia, más fácilmente podrás añadir efectiva influencia que se da cuenta de sus pasiones y compromete sus puntos fuertes.

Tratar de identificar e influir en las macro-influenciadores receptivas, las personas que tienen una mayor influencia de la media en todos los sectores clave de las redes.

Crear más conectores en las redes que se pueden conectar influyentes potenciales receptivos con fuerte visibilidad, una fuerte credibilidad, las monedas fuertes influenciadores.

Network Weaving

Lazos familiares y corrupción en el quebrado ayuntamiento de Valdemoro

La gran familia de Valdemoro
La quiebra económica y política del Ayuntamiento de la localidad madrileña reposa sobre una red de familiares y amigos tejida durante años. La gestión, basada en el ‘ladrillazo’ y la privatización, ha provocado una deuda de 100 millones
GRÁFICO Las relaciones familiares en el Ayuntamiento de Valdemoro

 

El País

Identificando medidas de centralidad en diferentes redes sociales (conocidas)

Identifying Centrality Metrics for Different Types of SN

Leer más publicaciones en Calaméo