Leyendo e interpretando redes

Aprender a leer e interpretar las visualizaciones de datos de grafos de red 
Nodus Labs




   

Los grafos de red se utilizan a menudo en varios artículos de visualización de datos: desde análisis de redes sociales a los estudios de Twitter sentimiento. Las imágenes se ven muy bonitos y tienen una gran cantidad de ideas interesantes, pero rara vez es lo que incluyen explicaciones de cómo se hacían esas deducciones interesantes en el primer lugar.

A fin de aprovechar todo el potencial de los gráficos de la red, es importante conocer la metodología básica para leerlos. Como esto va a llegar mucho más allá del impacto visual inicial y también servirán como poderosas herramientas de creación de ideas. Aprender a pocos conceptos básicos acerca de los grafos puede ayudar a uno obtener rápidamente una visión general de toda la multiplicidad, obtener ideas sobre las comunidades, encontrar los nodos más influyentes, y detectar las lagunas en los datos existentes.

Paso 1: Bases de conectividad de un grafo

El primer paso es decidir la base es la conectividad. Una red es un gráfico de nodos y sus relaciones. Por eso es importante para decidir qué puede ser la base para esas relaciones. Por ejemplo, cuando la visualización de una red social se puede decidir que un nodo es un usuario y las relaciones entre ellos son los enlaces a "seguir" entre los usuarios. Sin embargo, también podría ser interacciones o el hecho de que visitaron el mismo evento.

Esta base será la perspectiva desde la cual se estudiará la multiplicidad, lo que es importante para decidir el uno (o varios más) que proporcionará información interesante. Está bien si es algo subjetivo, siempre y cuando está claro que es sólo una perspectiva de partida para un estudio adicional.

Para nuestro ejemplo vamos a utilizar un gráfico de la red de texto de los resultados de búsqueda de Google para la consulta "visualización de datos". En este gráfico los nodos son las palabras y sus conexiones son co-ocurrencias de las palabras cerca uno del otro. Si las palabras son uno junto al otro están conectados con un peso más fuerte. Si las palabras aparecen en el mismo fragmento de texto a partir de resultados de búsqueda, pero separados por una o dos palabras también serán conectados, pero la conexión es más débil. Si las palabras son más allá de 3 palabras de uno al otro, no están conectados. (Lea más sobre esta base la conectividad en nuestro trabajo en el análisis de redes de texto)



El gráfico de arriba es una captura de pantalla de los nodos y sus conexiones alineado al azar. Este tipo de visualización en realidad no ofrecen demasiada información útil. Así que el segundo paso consiste en aplicar un diseño que hará que los datos del gráfico legible.

Paso 2: Diseño de Grafo de Force Atlas y Comunidades

Con el fin de hacer que el gráfico legible, los nodos tienen que ser alineados en una forma ordenada. Lo que esta orden puede ser depende de los objetivos del estudio. Normalmente, nos interesa conocer la estructura de la multiplicidad - ya sea compuesta de muchos elementos inconexos o si todos los elementos están conectados entre sí (es decir, pertenezcan al componente gigante). Otra idea importante que el diseño gráfico proporcionará es la estructura de la comunidad de la gráfica: ¿cuáles son los nodos que están conectados más densamente entre sí que con el resto de la red. Estructura de la comunidad de Graph ofrecerá una buena idea de si la multiplicidad es homogénea o heterogénea (que consta de multiplicidades distintas que interactúan entre sí).

Hay muchos diferentes diseños para los gráficos: Yifan Hu, clockwise layout, Force Atlas. En este ejemplo se usará el Force Atlas layout algorithm utilizado en Gephi graph visualization suite y también implementado en Sigma.Js javascript graph visualization library.
El principio básico de diseño gráfico Fuerza Atlas es que empuja los nodos más conectados a la periferia de la gráfica, la alineación de los nodos conectados a ellos en torno a esos nodos más conectados.



Mirando este gráfico ya podemos ver la estructura básica de la comunidad. Los nodos que están más estrechamente conectados entre sí que con el resto de la red pertenecen a la misma "comunidad" y podemos ver que hay alrededor de 3 comunidades diferentes en el gráfico anterior.

Para interpretar estos datos: este gráfico de los resultados de búsqueda de Google para la petición de "visualización de datos" muestra que hay cerca de 3 diferentes grupos distintos de palabras que tienden a coexistir junto a la otra. Así que las personas que usan esta consulta de búsqueda se presentarán con 3 tipos diferentes de material en Google.

El siguiente paso es acercar y analizar los nodos reales en el gráfico.

Paso 3: Ranqueando los nodos en el grafo

En este momento todos los nodos en el gráfico son del mismo tamaño, así que todos tienen el mismo aspecto. Es posible ver que los nodos tienen más conexiones que otros, pero no es muy fácil de distinguir en el gráfico. Así que puede ser útil para variar el tamaño de los nodos por el número de conexiones que tiene: el más grande de los nodos, más conexiones que tienen. También vamos a fije etiquetas a los nodos, por lo que la imagen resultante es mucho más informativo.



Se puede observar que los nodos que van por el número de conexiones que tienen muestra los nodos más conectados en la gráfica, o - en este ejemplo - las palabras más importantes en los resultados de búsqueda. A diferencia de las nubes de etiquetas vemos esas palabras en su contexto - al lado de las otras palabras que se utilizan con, aumentando enormemente el valor informativo de la gráfica.

La comunidad más conectada en la parte superior se compone de esas palabras, que aparecen junto con más frecuencia que otros en los resultados de búsqueda de Google para "la visualización de datos":
información (también: formato, aprender)
técnica (también: método, visual)
interactivo (también: herramienta, crear)

Los nodos más conectados en la segunda comunidad son:
html (también: css, javascript)
comprensión (también: negocios)
visualizar

Y en la tercera comunidad:
visualización
competencia

Lo que esta información nos dice es que cuando la gente busca "visualización de datos" en Google lo más probable es encontrar artículos sobre diversas herramientas y técnicas para crear visualizaciones interactivas y aprender algo de la información que tienen.

Otro tema importante en los resultados de búsqueda de Google para "la visualización de datos" son las bibliotecas de javascript que trabajan con HTML y CSS para visualizar los datos.

Como se puede ver, se trata de un análisis muy útil de los resultados de búsqueda de Google que puede ser utilizado para fines de SEO o incluso para escribir este mismo artículo (a saber lo que la gente está buscando y lo que encuentran).

(Los términos de búsqueda reales, "datos" y "visualización" fueron excluidos de la gráfica, ya que se pueden conectar a casi todos los nodos que reduce el valor informativo de esta imagen. "Visualización", el deletreo británico de "visualización", hospedado en la periferia de la gráfica.)

Paso 4: Identificar las brechas

Ahora que los temas más destacados se identifican en el texto, también podemos ver lo que falta en los datos que hemos obtenido. Para hacer eso tenemos que buscar entre las comunidades y los nodos, en los huecos. Nos muestran lo que falta, en este caso - de los resultados de búsqueda de Google para "la visualización de datos".



Los vacíos estructurales son los espacios vacíos entre los grupos de nodos interconectados en la gráfica. Su interpretación depende de la conectividad de la base utilizada en el gráfico. Por ejemplo, en las redes sociales brechas estructurales indican áreas de potencial de arbitraje entre las diferentes comunidades. En esta red de texto de los resultados de búsqueda de Google de brechas estructurales indican que hay una falta de artículos que hablan tanto sobre técnicas de visualización, así como varias bibliotecas específicas que podrían usarse para hacer esas visualizaciones. Tratamos de cumplir con esta brecha mencionando Gephi y Sigma utilizada en este estudio de caso. Sin embargo, hay muchas buenas bibliotecas más, como D3.js biblioteca JavaScript para visualizar los documentos basados ​​en datos y una suite Node.XL para la visualización de gráficos de redes.

Si estás interesado en trabajar con datos red social, puede utilizar la aplicación netvizz que importa Facebook gráfico social o Twecoll importar conexiones de Twitter.
Si usted está interesado en trabajar con visualizaciones de red de texto, puede utilizar InfraNodus (para importar fragmentos de datos como la búsqueda de Google o notas de Evernote) o Textexture (para textos largos) y entonces el resto de los datos exportados en Gephi o Node.XL .

El multiplicador de Preti y la conducta inapropiada

Un modelo matemático de la opresión: el multiplicador de Petrie 
Un modelo matemático simplificado muestra por qué usted no necesita una mayoría mal tener una minoría oprimida

Jon Butterworth - The Guardian



Estoy oprimido. Tengo el tipo de mente que reproduce repetidamente cualquier menor, ligera insensibilidad o insulto que sufro y me distrae de mi trabajo y mina mi confianza. A medida que me he hecho mayor, he mejorado al limitar el daño, pero mi memoria todavía está llena de pequeñas minas terrestres desagradables que aparecen de vez en cuando, se activa por algún evento, lugar o asociación similar.

Por suerte para mí, este tipo de incidentes son raros, así que no importa lo mucho que me construyo en mi cabeza, puedo generalmente funcionan bastante bien en un departamento de física grande en una importante universidad. Así que no estoy muy oprimida, de verdad. Es sólo una parte de la vida, la forma en que las personas son.

La rareza de incidentes tiene mucho que ver con el hecho de que soy un miembro de la etnia y el género dominante en mi entorno de trabajo. Si usted está en una minoría, se dan de cabeza con estas cosas más a menudo, por una serie de razones, entre ellas: la mayoría tiende a establecer una norma de conducta que no es necesariamente lo más cómodo para usted como lo es para ellos; nadie es perfecto; y cuando se comporta menos-que-perfecta, la gente suele explotar características como el género, la etnia o la sexualidad. El punto es que, incluso si se supone que todas las personas son igualmente propensas a comportarse menos que perfectamente - o "ser un poco mierda", se podría decir - una población asimétrica conduce a la experiencia asimétrica.

Este efecto ha sido nombrado el "multiplicador de Petrie", que se muestra en el contexto del sexismo en un entorno dominado por los hombres (la industria de la tecnología, originalmente). Asumamos los hombres y mujeres tienen la misma probabilidad de ser sexistas, que obviamente es una forma de ser una mierda. Me gusta pensar en el promedio de personas "de porquería" en una población determinada de ser distribuidos simétricamente, tal vez en una curva de Gauss. Además, cada persona en esa población tiene su propia distribución de personal también, incluso con las personas mejor educadas siendo ocasionalmente basura, e incluso el individuo más mierdero suele comportarse bien. Por supuesto, todo el mundo puede cambiar con el tiempo, y cambiar su distribución de una manera u otra. Y mucho del comportamiento de mierda podría ser completamente sin intención.

Vamos a decir que tenemos 20% de mujeres y 80% hombres en el área de Tecnología. Y que el 20% de las personas hacen comentarios inapropiados u otros movimientos sexistas hacia las personas del sexo opuesto. Así que el 20% de los hombres hacen comentarios sexistas a las mujeres, y el 20% de las mujeres hacen comentarios sexistas a los hombres.
Vamos a empezar con 50 personas. Aquí hay una foto, donde las plazas más oscuras son las personas que hacen comentarios sexistas y los círculos más claros son las personas que no lo hacen. El rosa es para los hombres, y azul para las mujeres. Dadas las proporciones de 20%, tenemos 40 hombres y 10 mujeres, y 8 de los 40 hombres a veces hacen comentarios sexistas hacia las mujeres, mientras que 2 de los 10 la mujer, hacen comentarios sexistas a los hombres. No puedo enfatizar lo suficiente que no hay diferencia en el sexismo entre los géneros.

Mira el siguiente diagrama, de entrada en el blog original Ian Gent publicitar epónimo invención de Karen Petrie. Las flechas representan comentarios sexistas de una persona a otra. Las mujeres tienen las mismas probabilidades de hacer comentarios sexistas que los hombres, y los objetivos se distribuyen al azar entre el sexo opuesto:


Multiplicador de Petrie - Fotografía: Ian Gent / Wikimedia Commons

Así que el comportamiento es el mismo para ambos sexos. Los hombres no son más mierda en promedio que las mujeres. Pero mire la diferencia en la experiencia. Muchos hombres no reciben comentarios sexistas en absoluto. Todas las mujeres reciben algunos, y algunos reciben mucho. El blog de Gent tiene una versión animada y una exposición más detallada de la manifestación - Recomiendo darle una mirada abajo.



Dado que las mujeres constituyen alrededor del 20% de la población en los departamentos de física del Reino Unido, y las minorías étnicas una fracción aún menor, el multiplicador de Petrie se aplica claramente a mi lugar de trabajo, y aquellos de nosotros el privilegio de estar en la mayoría necesidad de esforzarse para suprimir las colas de mierda de nuestras distribuciones.

Esto no quiere decir que toda la opresión sea casual, justo abajo a la gente que son de vez en cuando y de forma aleatoria sean un poco mierda. Es evidente que hay misoginia abierta, racismo y el resto de conductas inapropiadas por ahí también. Pero, quizás especialmente en el Día Internacional de la Mujer, vale la pena ensayar la demostración matemática innegable de por qué, en cualquier sociedad u organización que se esfuerza por lograr la igualdad real de oportunidades, las minorías serán siempre necesitan una consideración especial.

La red de escuchas telefónicas del caso Nisman

Las llamadas del caso Nisman

Las escuchas telefónicas del caso Nisman que se han hecho públicas fueron transformadas en una red social asociando los números entrantes y salientes.


Las líneas intervenidas se corresponde con los números 1132384699 y 1162240263 para las llamadas salientes.

http://chusmearemos.sicarul.com/#/

Redes temáticas de códigos JEL en las reuniones de la AAEP

Redes temáticas por código JEL en los Reuniones Anuales de la AAEP


Solo para trabajos coautorados. Los nodos representan los códigos JEL a dos dígitos de los trabajos presentados en las reuniones anuales de la Asociación Argentina de Economía Política desde 1964 hasta 2014. El tamaño de los nodos es proporcional a la centralidad de autovector. El agrupamiento fue creado por el algoritmo de Clauset-Newman-Moore. ¿No es bello?

Los tres códigos con mayor centralidad de grado son: C2 (modelos de ecuación simple - variables simple), Q1 (agricultura) y F1 (comercio).

Los tres códigos con mayor centralidad de intermediación son: Q1 (agricultura), F1 (comercio) y H7 (gobierno local y estatal - relaciones intergubernamentales).

Los agrupamientos presentados en red circular


Los tres códigos con mayor centralidad de autovector son: C2 (modelos de ecuación simple - variables simple), E3 (Precios, fluctuaciones económicas y ciclos) y E2 (Consumo, ahorro, producción, inversión, mercados laborales y economía informal).

Los tres códigos con mayor centralidad de Pagerank son: Q1 (agricultura), F1 (comercio) y I3 (Bienestar y pobreza).




Los agrupamientos presentados en algoritmo de energía de Harel-Koren Fast Multiscale


Sin embargo cuando se agrupan los ejes temáticos (sin el uso de algoritmos de agrupación) por los diferentes campos temáticos (sólo por letra) queda una figura mas confusa pero más explicable.



Hay una fuerte interrelación temática entre los trabajos coautorados.

Maridaje negativo en la redes de ingredientes de la cocina india

Data Mining de recetas indias revelan un fenómeno de nuevo maridaje 
Mediante el estudio de la red de vínculos entre recetas de la India, los informáticos han descubierto que la presencia de ciertas especias hace una comida mucho menos probable que contiene ingredientes con sabores en común.




La hipótesis del maridaje es la idea de que los ingredientes que comparten los mismos sabores debe combinarse bien en recetas. Por ejemplo, el cocinero inglés Heston Blumenthal descubrió que el chocolate blanco y el caviar comparten muchos sabores y llegar a ser una buena combinación. Otras combinaciones inusuales que parecen confirmar la hipótesis son las fresas y los guisantes, los espárragos y la mantequilla y el chocolate y queso azul.

Pero en los últimos años los investigadores han comenzado a cuestionar qué tan bien esta hipótesis sostiene en diferentes cocinas. Por ejemplo, el maridaje parece ser común en las cocinas de América del Norte y Europa occidental, pero ausente en la cocina del sur de Europa y Asia Oriental.

Hoy en día, Anupam Jain y sus amigos en el Instituto Indio de Tecnología de Jodhpur dicen que el efecto contrario ocurre en la cocina india. En esta parte del mundo, los alimentos con sabores comunes son menos propensos a aparecer juntos en la misma receta. Y la presencia de ciertos condimentos hacen que el efecto negativo maridaje aún más fuerte.

Jain y colegas comenzaron su trabajo mediante la descarga de más de 2.500 recetas de cocina en línea una base de datos llamada TarlaDalal.com. Estas recetas vienen de ocho sub-cocinas, incluyendo bengalí, gujarati, punjabi, y sur de la India, que en conjunto abarcan vastas geografías, climas y culturas en el subcontinente indio.

En conjunto, estas recetas contienen 194 ingredientes diferentes. La receta contiene en promedio siete ingredientes pero algunos puede contener hasta 40. En particular, el sub-cocina Mughlai tiene muchas recetas con excepcionalmente gran número de ingredientes, probablemente debido a su herencia real.

Jain y coautores a continuación, crearon una red de sabor en el que los ingredientes están vinculados si aparecen juntos en la misma receta. La red puede entonces ser estudiada por fenómeno interesante, como los efectos de agrupamiento.

La pregunta que el equipo se dispuso a contestar era en qué medida maridaje es positivo o negativo. En otras palabras, ¿comparten ingredientes compuestos de sabor se producen en la misma receta con más frecuencia que si los ingredientes fueron escogidos al azar.

Los resultados son una lectura interesante. Jain y colegas concluyen que la cocina india se caracteriza por un fuerte maridaje negativo. No sólo eso, sino que la fuerza de esta correlación negativa es muy superior a cualquier cosa se informó anteriormente.

También encontraron que los ingredientes específicos afectan dramáticamente maridaje. Por ejemplo, la presencia de la pimienta de cayena fuertemente incita modelo de reparto del sabor de la cocina india hacia el emparejamiento negativo. Otros ingredientes que tienen un efecto similar incluyen el pimiento verde, el cilantro, el garam masala, tamarindo, jengibre, canela y así sucesivamente.

En otras palabras, las especias hacen que el efecto negativo maridaje más potente, un fenómeno nunca antes visto. "Nuestro estudio revela que las especias ocupan una posición única en la composición de ingredientes de la cocina india y juegan un papel importante en la definición de su perfil característico," dicen Jain y co.

Ese resultado tiene algunos corolarios interesantes. En muchas cocinas, especias agregan sabor, sino también prevenir deterioro de los alimentos al matar ciertos tipos de bacterias. Jain y co decir este papel medicinal debe haber tenido un efecto significativo en la forma en que las recetas evolucionado desde la eliminación de estos ingredientes tendría impactos en la salud tenido. "Llegamos a la conclusión de que la evolución de la cocina impulsada por las creencias medicinales habría dejado su firma en recetas tradicionales de la India", dicen.

El resultado también tiene implicaciones para el futuro de los alimentos. De la misma manera que los cocineros occidentales buscan ingredientes poco comunes que comparten los mismos sabores, maridaje negativo también puede conducir al desarrollo de nuevas combinaciones de sabores y recetas de comida india. "Nuestro estudio podría potencialmente conducir a métodos para la creación de nuevas recetas de autor de la India, alteraciones de recetas saludables y sistemas de recomendación receta", concluyen Jain y coautores.

Más allá de eso, este trabajo muestra cómo la ciencia poderosa red se ha convertido en el análisis de aspectos dispares de la vida cotidiana. El tratamiento de las recetas como las redes ha resultado ser una herramienta poderosa que está cambiando la manera en que pensamos acerca de la comida y la forma en que consumimos.

Ref: arxiv.org/abs/1502.03815 : Spices Form The Basis Of Food Pairing In Indian Cuisine

1502 03815

Lire plus de publications sur Calaméo

El experimento de Asch, la presión de grupos y los enriedos

La envidia y el síndrome de Solomon
Formamos parte de una sociedad que tiende a condenar el talento y el éxito ajenos
La envidia paraliza el progreso por el miedo que genera no encajar con la opinión de la mayoría
Uno de los mayores temores del ser humano es diferenciarse del resto y no ser aceptado

BORJA VILASECA - El País


ILUSTRACIÓN DE JOSÉ LUIS ÁGREDA

En 1951, el reconocido psicólogo estadounidense Solomon Asch fue a un instituto para realizar una prueba de visión. Al menos eso es lo que les dijo a los 123 jóvenes voluntarios que participaron –sin saberlo– en un experimento sobre la conducta humana en un entorno social. El experimento era muy simple. En una clase de un colegio se juntó a un grupo de siete alumnos, los cuales estaban compinchados con Asch. Mientras, un octavo estudiante entraba en la sala creyendo que el resto de chavales participaban en la misma prueba de visión que él.

Haciéndose pasar por oculista, Asch les mostraba tres líneas verticales de diferentes longitudes, dibujadas junto a una cuarta línea. De izquierda a derecha, la primera y la cuarta medían exactamente lo mismo. Entonces Asch les pedía que dijesen en voz alta cuál de entre las tres líneas verticales era igual a la otra dibujada justo al lado. Y lo organizaba de tal manera que el alumno que hacía de cobaya del experimento siempre respondiera en último lugar, habiendo escuchado la opinión del resto de compañeros.

La conformidad es el proceso por medio del cual los miembros de un grupo social cambian sus pensamientos, decisiones y comportamientos para encajar con la opinión de la mayoría”
(Solomon Asch)

La respuesta era tan obvia y sencilla que apenas había lugar para el error. Sin embargo, los siete estudiantes compinchados con Asch respondían uno a uno la misma respuesta incorrecta. Para disimular un poco, se ponían de acuerdo para que uno o dos dieran otra contestación, también errónea. Este ejercicio se repitió 18 veces por cada uno de los 123 voluntarios que participaron en el experimento. A todos ellos se les hizo comparar las mismas cuatro líneas verticales, puestas en distinto orden.

Cabe señalar que solo un 25% de los participantes mantuvo su criterio todas las veces que les pre­­guntaron; el resto se dejó influir y arrastrar al menos en una ocasión por la visión de los demás. Tanto es así, que los alumnos cobayas respondieron incorrectamente más de un tercio de las veces para no ir en contra de la mayoría. Una vez finalizado el experimento, los 123 alumnos voluntarios reconocieron que “distinguían perfectamente qué línea era la correcta, pero que no lo habían dicho en voz alta por miedo a equivocarse, al ridículo o a ser el elemento discordante del grupo”.

A día de hoy, este estudio sigue fascinando a las nuevas generaciones de investigadores de la conducta humana. La conclusión es unánime: estamos mucho más condicionados de lo que creemos. Para muchos, la presión de la sociedad sigue siendo un obstáculo insalvable. El propio Asch se sorprendió al ver lo mucho que se equivocaba al afirmar que los seres humanos somos libres para decidir nuestro propio camino en la vida.

La luz de Nelson Mandela
ILUSTRACIÓN DE JOSÉ LUIS ÁGREDADespués de 27 años en la cárcel y ser elegido en 1994 presidente electo de Sudáfrica, Nelson Mandela compartió con el mundo entero uno de sus poemas favoritos, escrito por Marianne Williamson: “Nuestro temor más profundo no es que seamos inadecuados. Nuestro temor más profundo es que somos excesivamente poderosos. Es nuestra luz, y no nuestra oscuridad, la que nos atemoriza. Nos preguntamos: ¿quién soy yo para ser brillante, magnífico, talentoso y fabuloso? En realidad, ¿quién eres para no serlo? Infravalorándote no ayudas al mundo. No hay nada de instructivo en encogerse para que otras personas no se sientan inseguras cerca de ti. Esta grandeza de espíritu no se encuentra solo en algunos de nosotros; está en todos. Y al permitir que brille nuestra propia luz, de forma tácita estamos dando a los demás permiso para hacer lo mismo. Al liberarnos de nuestro propio miedo, automáticamente nuestra presencia libera a otros”.

Más allá de este famoso experimento, en la jerga del desarrollo personal se dice que padecemos el síndrome de Solomon cuando tomamos decisiones o adoptamos comportamientos para evitar sobresalir, destacar o brillar en un grupo social determinado. Y también cuando nos boicoteamos para no salir del camino trillado por el que transita la mayoría. De forma inconsciente, muchos tememos llamar la atención en exceso –e incluso triunfar– por miedo a que nuestras virtudes y nuestros logros ofendan a los demás. Esta es la razón por la que en general sentimos un pánico atroz a hablar en público. No en vano, por unos instantes nos convertimos en el centro de atención. Y al exponernos abiertamente, quedamos a merced de lo que la gente pueda pensar de nosotros, dejándonos en una posición de vulnerabilidad.

El síndrome de Solomon pone de manifiesto el lado oscuro de nuestra condición humana. Por una parte, revela nuestra falta de autoestima y de confianza en nosotros mismos, creyendo que nuestro valor como personas depende de lo mucho o lo poco que la gente nos valore. Y por otra, constata una verdad incómoda: que seguimos formando parte de una sociedad en la que se tiende a condenar el talento y el éxito ajenos. Aunque nadie hable de ello, en un plano más profundo está mal visto que nos vayan bien las cosas. Y más ahora, en plena crisis económica, con la precaria situación que padecen millones de ciudadanos.

Detrás de este tipo de conductas se esconde un virus tan escurridizo como letal, que no solo nos enferma, sino que paraliza el progreso de la sociedad: la envidia. La Real Academia Española define esta emoción como “deseo de algo que no se posee”, lo que provoca “tristeza o desdicha al observar el bien ajeno”. La envidia surge cuando nos comparamos con otra persona y concluimos que tiene algo que nosotros anhelamos. Es decir, que nos lleva a poner el foco en nuestras carencias, las cuales se acentúan en la medida en que pensamos en ellas. Así es como se crea el complejo de inferioridad; de pronto sentimos que somos menos porque otros tienen más.

“Ladran, luego cabalgamos”
(dicho popular)

Bajo el embrujo de la envidia somos incapaces de alegrarnos de las alegrías ajenas. De forma casi inevitable, estas actúan como un espejo donde solemos ver reflejadas nuestras propias frustraciones. Sin embargo, reconocer nuestro complejo de inferioridad es tan doloroso, que necesitamos canalizar nuestra insatisfacción juzgando a la persona que ha conseguido eso que envidiamos. Solo hace falta un poco de imaginación para encontrar motivos para criticar a alguien.

El primer paso para superar el complejo de Solomon consiste en comprender la futilidad de perturbarnos por lo que opine la gente de nosotros. Si lo pensamos detenidamente, tememos destacar por miedo a lo que ciertas personas –movidas por la desazón que les genera su complejo de inferioridad– puedan decir de nosotros para compensar sus carencias y sentirse mejor consigo mismas.

¿Y qué hay de la envidia? ¿Cómo se trasciende? Muy simple: dejando de demonizar el éxito ajeno para comenzar a admirar y aprender de las cualidades y las fortalezas que han permitido a otros alcanzar sus sueños. Si bien lo que codiciamos nos destruye, lo que admiramos nos construye. Esencialmente porque aquello que admiramos en los demás empezamos a cultivarlo en nuestro interior. Por ello, la envidia es un maestro que nos revela los dones y talentos innatos que todavía tenemos por desarrollar. En vez de luchar contra lo externo, utilicémosla para construirnos por dentro. Y en el momento en que superemos colectivamente el complejo de Solomon, posibilitaremos que cada uno aporte –de forma individual– lo mejor de sí mismo a la sociedad.

Cómo cambian las personas más importantes según la cultura (de Wikipedia)

La Antropología Computacional revela cómo las personas más importantes de la historia varían según la cultura
Personas que hacen Data Mining en Wikipedia revela algunas diferencias sorprendentes en la forma en culturas orientales y occidentales identifican figuras importantes en la historia, dicen los antropólogos computacionales.
MIT Technology Review



El estudio de las diferencias entre las culturas se ha visto revolucionado por la Internet y el comportamiento de las personas en línea. De hecho, este fenómeno está detrás del nacimiento de la nueva ciencia de la antropología computacional.

Una ventana especialmente fructífera en las almas de diferentes culturas es Wikipedia, la enciclopedia en línea multitud de fuentes con más de 31 millones de artículos en 285 idiomas diferentes. Una categoría importante consiste en artículos sobre personas importantes. Y no cualquiera puede aparecer. Wikipedia tiene criterios específicos que las personas notables deben cumplir para la inclusión mérito.

Así que una pregunta interesante es cómo las personas más importantes varían de una versión de idioma de Wikipedia a otra. Es evidente que estas diferencias deben surgir de las fuerzas culturales que determinan la notabilidad (o notoriedad) en diferentes partes del mundo.

Hoy en día, Peter Gloor en el Instituto de Tecnología de Massachusetts en Cambridge y algunos compañeros dicen que han calculado las personas más importantes en cuatro versiones lingüísticas diferentes de Wikipedia-Inglés, alemán, chino y japonés. Y dicen diferencias importantes surgen, no sólo en los nombres que aparecen, pero en el más amplio de maquillaje de las listas.

El objetivo del equipo es crear una red social de todas las personas que aparecen en alguna versión lingüística de Wikipedia. Empiezan por la descarga de los artículos para todas las personas de un prominente total de 800.000 en la versión en Inglés, por ejemplo.

Ellos junto extraen las fechas de nacimiento y muerte y trabajan fuera que la gente estaba vivo al mismo tiempo. Posteriormente, se examinan los enlaces en cada página para determinar quien señala a quién. Esto permite Gloor y co que elabore una red de vínculos entre las personas que vivían en el mismo tiempo para cada año entre 3000 y 1950 antes de Cristo.

Por ejemplo, las personas más importantes en el año 0 incluyen el historiador griego y biógrafo Plutarco que está vinculado a los contemporáneos como Adriano, César y Nerón. Sin embargo, los vínculos de la página de Plutarco a personas que vivieron antes o después de él se ignoran.

Por último, Gloor y co clasifican las personas en estas redes de importancia utilizando el famoso algoritmo PageRank. Este es el mismo algoritmo que Google utiliza para clasificar las páginas en sus páginas de búsqueda. Su acción consiste en la clasificación de las entradas más altamente si son señaladas por otras entradas que también los primeros puestos.

Las listas resultantes son una lectura interesante. Las versiones más largas contienen 50 entradas pero incluso las primeras entradas revelan algunas diferencias interesantes entre las diferentes versiones lingüísticas.

Los cinco primeros en la versión en Inglés son George W Bush, William Shakespeare, el biógrafo victoriano Sidney Lee, Jesús y Carlos II de Inglaterra.

Los cinco primeros en alemán son: Adolf Hitler, Johan Goethe, Aristóteles, el Papa Benedicto XVI y Platón.

En la versión china son: Mao Zedong, a principios del siglo 20 emperador y general Yuan Shikai, el cantante taiwanés Jay Chou, el guerrero samurái del siglo 16 Oda Nobunaga y el gobernante japonés del siglo 16 Tokugawa Ieyasu.

Y en japonés: el biógrafo del siglo 20 Ikuhiko Hata, el gobernante japonés del siglo 16 Tokugawa Ieyasu, el guerrero japonés del siglo 16 Toyotomi Hideyoshi, Adolf Hitler y el guerrero samurai del siglo 16 Oda Nobunaga.

Estas listas muestran las personas más importantes de todos los tiempos en estas culturas, decir Gloor y co. Hay varias características notables que distinguen este del oeste. Por ejemplo, la parte superior 50 de la versión japonesa contiene sólo los guerreros y los políticos al igual que los 10 de la versión china. Por el contrario, cerca de la mitad de los diez primeros y top 50 son científicos, artistas o líderes religiosos en las versiones occidentales.

Del mismo modo que llama la atención es la prevalencia de cifras de otras partes del mundo. Los líderes no son en inglés constituyen el 80 por ciento de las entradas de la lista de idiomas Inglés. Por el contrario, sólo un puñado de líderes que no son chinos aparecen en la versión en idioma chino.

Un artefacto de la forma en que estas listas se compilan es el papel de los historiadores. Los biógrafos Sidney Lee y Ikuhiko Hata son tanto prominente debido a los enlaces desde sus páginas a los contemporáneos que han escrito sobre. Eso les da claramente una importancia exagerada en este ranking.

Sin embargo, la clasificación proporcionan una interesante visión de las fuerzas que dan forma al sentido cultural de importancia en todo el mundo. "Sondeo de la perspectiva histórica de muchos diferentes Wikipedias en lengua específica ofrece una vista de rayos X profundamente en los fundamentos históricos de la comprensión cultural de los diferentes países", dicen Gloor y co.

Fascinante trabajo y claramente hay más oro que se extrae de la cada vez más rico mineral culturales en la Wikipedia.

Ref: arxiv.org/abs/1502.05256 Cultural Anthropology Through the Lens of Wikipedia - A Comparison of Historical Leadership Networks in the English, Chinese, Japanese and German Wikipedia