Análisis de sentimiento: Demócratas enojados en Facebook

Las reacciones de Facebook a los mensajes de los demócratas se enfurecieron mucho después de que Trump fuera elegido

Nikhil Sonnad || Quartz

En la política, hay un sentido de que los partidarios de la oposición están más enojados que los que favorecen a los gobernantes. ¿Pero es eso realmente cierto? Después de todo, siempre hay algo de lo que enfadarse en política, sin importar quién esté en el poder.

Aquí hay algunos datos que lo respaldan, cortesía de un nuevo informe del Pew Research Center: después de la elección de Donald Trump, las reacciones a los enlaces publicados por los demócratas del Congreso se hicieron mucho más enojado.



Para obtener estos datos, Pew recopiló y analizó 450,000 publicaciones en Facebook de miembros del Congreso. Al recopilar estas publicaciones, Pew pudo analizar cómo los usuarios de Facebook respondieron a ellas, gracias a la función de "reacciones" lanzada por la plataforma a principios de 2016. Y eso apoya firmemente la teoría de una oposición enojada.

Como muestra el cuadro anterior, unos meses antes de la elección de Trump, la ira republicana era alta, mientras que los demócratas parecían relativamente tranquilos. Inmediatamente después de las elecciones, los demócratas superan a los republicanos en términos del porcentaje de reacciones que están "enojadas", y esa proporción continúa creciendo mientras que la del partido que ahora gobierna sigue siendo bastante estable. Estas son reacciones específicas a publicaciones que se vinculan con noticias nacionales, lo que significa que las personas probablemente expresen su enojo hacia las noticias, no la persona que las publica.

Otro objetivo del estudio de Pew fue averiguar si las noticias con las que se relacionan los congresistas se dividen en líneas partidistas. Son. "Casi la mitad de los enlaces a los medios nacionales de noticias que los miembros del Congreso compartieron en Facebook fueron a medios de comunicación vinculados predominantemente por miembros de una sola de las partes", escriben. Breitbart, por ejemplo, estuvo vinculado a casi 700 veces por los republicanos, y exactamente cero veces por los demócratas. Para el Huffington Post, eran demócratas, 1.100 y republicanos, 89.

Los datos respaldan la idea de que los partidarios del partido de la oposición en general están más molestos por las noticias nacionales, pero la magnitud de la ira entre los demócratas es excepcionalmente alta durante la época de Trump. La proporción de reacciones "enojadas" a los mensajes de los republicanos nunca superó el 10%, incluso durante el final de la presidencia de Barack Obama. Sin embargo, alcanzó casi el 20% de los puestos demócratas en los meses posteriores a la elección de Trump, junto con un ligero aumento en los puestos republicanos también.

Entonces, según Facebook, Estados Unidos se enoja cada vez más y los demócratas son los más enojados del grupo.

El clima afecta lo que posteamos en Facebook y Twitter

Estudio de miles de millones de twittes demuestra que escribimos mensajes más felices cuando el clima es bueno

El estado de ánimo de todos mejora cuando el clima es bueno, ¿verdad? En realidad, la evidencia a gran escala para probar esto nunca se ha recopilado, hasta ahora.
por Emerging Technology del arXiv


¿Cómo influye el clima en nuestras emociones? A primera vista, la respuesta parece trivial: hay mucha evidencia anecdótica que sugiere que los humanos prefieren los días cálidos y soleados en lugar de los fríos y húmedos, y que tenemos una disposición más soleada como resultado.

Pero cuando se trata de evidencia empírica difícil, hay poco en el camino para respaldar esto. Esta evidencia es difícil de recopilar porque es difícil medir el estado de ánimo en la escala necesaria para llegar a conclusiones estadísticamente significativas.

Hoy eso cambia gracias al trabajo de Patrick Baylis en la Universidad de Stanford y algunos amigos que han llevado a cabo la mayor investigación sobre la relación entre las condiciones meteorológicas y el estado de ánimo. Y dicen que el clima tiene un impacto significativo, la primera vez que esto se ha observado en esta escala.



El método del equipo es directo. Comienzan por suponer que un indicador razonable del estado de ánimo humano es la forma en que nos expresamos a través de las redes sociales como Facebook y Twitter. En otras palabras, usamos frases más positivas cuando somos felices y más negativas cuando estamos deprimidos.

En los últimos años, se ha vuelto sencillo medir el sentimiento de los mensajes en las redes sociales contando el número de palabras positivas y negativas que contienen. Así que Baylis y compañía simplemente midieron el sentimiento en las publicaciones de redes sociales geolocalizadas y luego estudiaron cómo esto variaba con el clima en estos lugares.

Lo que le da gravitas a este estudio es la escala del emprendimiento. Baylis y compañía midieron el sentimiento en 3.500 millones de publicaciones en redes sociales de decenas de millones de personas en Facebook y Twitter entre 2009 y 2016. Estas personas eran todas de una de las 75 áreas metropolitanas de los EE. UU.

Midieron el sentimiento positivo o negativo expresado en cada mensaje y luego lo compararon con los datos meteorológicos diarios de cada ubicación.

Los resultados hacen una lectura interesante. El equipo encontró un aumento significativo en el sentimiento negativo cuando el clima es demasiado frío o demasiado caluroso o cuando está demasiado húmedo, demasiado húmedo y nublado.

Y el tamaño del efecto es significativo. Para descubrir qué tan significativo, el equipo midió el cambio en el sentimiento asociado con eventos específicos, como el terremoto de agosto de 2014 en Oakland y San Francisco, el ataque terrorista de San Bernardino en 2015, y así sucesivamente.

Luego compararon este cambio en el sentimiento con el clima frío y descubrieron que eran similares en magnitud.

Ese es un resultado fascinante. "Encontramos evidencia sustancial de que las condiciones meteorológicas menos ideales se relacionan con un sentimiento empeorado", dicen Baylis y compañía. "En la medida en que el sentimiento de las expresiones sirve como un proxy válido para las emociones subyacentes, encontramos alguna evidencia observacional de que el clima puede alterar funcionalmente los estados emocionales humanos".

Eso tiene implicaciones para todo tipo de personas. Los hallazgos podrían usarse para afinar las campañas de marketing a fin de tener en cuenta los cambios en el estado de ánimo relacionado con el clima. También puede permitir que los proveedores de contenido ajusten mejor su salida al estado emocional de su público. Y los asistentes inteligentes como Siri, Alexa y Google Assistant podrían usarlo para adaptar sus mensajes a las necesidades de sus propietarios.

¡Cosas interesantes!

Ref: arxiv.org/abs/1709.00071 : Weather Impacts Expressed Sentiment

1709 00071

Lire plus de publications sur Calaméo

ARS aplicado a las organizaciones

¿Qué es el análisis de redes sociales?

Department of Health


Los organigramas formales raramente reflejan la forma en que realmente sucede el trabajo en una organización. En cambio, el personal a menudo trabaja en unidades y divisiones, con amigos y colegas que conocen y les gusta o con quienes ya han trabajado en el pasado.

Al utilizar el Análisis de redes sociales (ARS), las organizaciones pueden buscar estas conexiones existentes y aprovecharlas para crear equipos más efectivos que disfrutan trabajando juntos.

Piense en la última vez que necesitaba ayuda con un concepto desconocido o una pieza de software: ¿Fuiste a través organigrama de su empresa para resolver su problema hablando con su supervisor, o qué se llama a la persona en el lado del cubo en busca de ayuda?

El ARS se centra en las relaciones entre los actores, en lugar de los atributos o características de un actor como en otros tipos de análisis. Los atributos de una persona no se componen de sus habilidades o conocimientos en ARS; en cambio, nos preocupa saber a quién conoce y con quién ya trabaja.

Probablemente ya use ARS hasta cierto punto, sin darse cuenta: ARS busca estas conexiones informales dentro de una comunidad, y ayuda a las organizaciones a comprender cómo aprovecharlas mejor para lograr resultados.

Cómo usar el análisis de red: mapeo de su organización

El Análisis de redes sociales es particularmente útil dentro de una organización que experimenta cuellos de botella materiales o informativos, a menudo porque una sola persona posee el conocimiento para contribuir a un informe o la autoridad para firmar una acción.

1. Encuesta a tu personal

¿Con quién trabajan habitualmente en general o trabajan en un proyecto en particular? Si tuvieran que elegir dos o tres personas (y no más) de quienes dependía un proyecto en particular, ¿a quién elegirían?

2. Mapee de conexiones de personal

Trace las conexiones utilizando un bolígrafo y papel o software adecuado para SNA. Usa flechas para indicar direcciones de dependencia. También puede usar diferentes colores para indicar diferentes atributos como tipo de empleado, unidad de trabajo o nivel de conocimiento sobre un tema en particular.

Es probable que descubra que el trabajo no está teniendo lugar de manera reflejada en un organigrama tradicional y jerárquico. En cambio, los bolsillos de los empleados probablemente trabajen juntos, en unidades y divisiones, para alcanzar metas y resultados:

Ejemplo: Organización vs. Jerarquía



Imagen: Orgnet.com: gestión de la Organización del siglo XXI (PDF)

Puede utilizar esta información para encontrar cuellos de botella en la información o el flujo de materiales, o silos donde la comunicación está completamente ausente, pero sería beneficioso.

3. Encuentra agrupaciones naturales, conexiones y cuellos de botella

Después de mapear las redes de colaboración existentes, puede encontrar lugares para crear redundancias para evitar los cuellos de botella, o colocar personas estrechamente conectadas en un equipo de proyecto próximo para maximizar la eficiencia y la colaboración.

Líderes de opinión vía ARS

Encontrando líderes de opinión utilizando el análisis de redes sociales

Por Jean-Francois Hivon || Shared Visions


El análisis de redes sociales (o ARS) es el estudio de las relaciones sociales entre individuos que usan la teoría de redes. Nuestras redes sociales incluyen a nuestras familias, equipos, organizaciones, comunidades, ciudades en las que vivimos, hasta nuestras naciones. Juegan un papel fundamental para determinar cómo se resuelven los problemas, cómo creamos cambios en las organizaciones e impactan en el grado en que las personas, los equipos y las organizaciones obtienen sus resultados.

Las normas sociales (como su cultura) y su éxito en la implementación de cambios en su organización o comunidad están muy influenciadas por un grupo selecto de personas que Everett Rogers llamó sus primeros adoptantes también conocidos como sus líderes de opinión.

Rogers propone que los adoptantes de cualquier cambio nuevo se clasifiquen como innovadores (2.5%), adoptantes tempranos (13.5%), mayoría temprana (34%), mayoría tardía (34%) y rezagados (16%), basados ​​matemáticamente en la curva de campana. Estas categorías proporcionan un lenguaje común para las personas influyentes del cambio. La disposición y la capacidad de cada adoptante para adoptar un cambio depende de su conocimiento, interés, evaluación, prueba y adopción. Las personas pueden clasificarse en diferentes categorías para diferentes cambios, es decir, un agricultor puede ser uno de los primeros en adoptar nuevos equipos o métodos agrícolas, pero un adoptante tardío de innovaciones biológicas o Facebook.

Crear un cambio duradero y sostenible en las organizaciones requiere que exploremos y aprovechemos al máximo nuestras redes sociales al identificar e involucrar a los líderes de opinión en el cambio necesario para crear los resultados que realmente queremos. Al hacer esto, podemos generar un sentido de presión social (o motivación) como una de las muchas estrategias para cambiar los comportamientos necesarios para lograr resultados.

El análisis de redes sociales (ARS) es un campo de rápido crecimiento. El software avanzado que está siendo producido por una variedad de organizaciones puede ayudarlo a mapear a sus líderes de opinión, entender el flujo de información en su organización y poner a prueba escenarios de "qué pasa si" en sus proyectos. Hace poco estuve en contacto con las personas que crearon InFlow Software, uno de los principales creadores de software de ARS. Para mostrarle cómo ARS puede ser beneficioso para influir en el cambio en su organización, considere la siguiente imagen (© 2008, Valdis Krebs). Este es un mapa de una red social que identifica cómo los médicos se buscan entre sí para discutir nuevos tratamientos médicos. Es decir, si el médico A consulta al médico B para obtener consejo / opinión / experiencia, se saca una flecha del nodo A al nodo B. El patrón de conexiones entre los médicos del entorno (representado por los cuadrados azul y rojo) ayuda a determinar la influencia de ese persona.

¿Quiénes son los principales líderes de opinión en la comunidad? ¿Y a quién influyen? ¡Este diagrama muestra que necesita más de un líder de opinión para llegar a toda la comunidad! Esto es cierto para la mayoría de las organizaciones, razón por la cual un ARS robusto puede ser una base importante para crear cambios dentro de su organización.


Naturalmente, para determinar la influencia, las personas miran a las personas con más conexiones sociales. Al observar el diagrama, el médico 048 parece tener la mayor influencia dentro de la comunidad, seguido por 013 y 081, y luego 078 (marcado con un círculo en azul claro). Este análisis básico no siempre es exacto.

El software de ARS utiliza algoritmos más sofisticados que tienen en cuenta los enlaces directos e indirectos en la red. Este enfoque proporciona una evaluación más precisa de quién realmente influye en el pensamiento y la práctica en toda la comunidad.

Hacer un análisis más sólido de la red social dentro de su organización también puede revelar expertos ocultos, o aquellos que pueden no tener muchas conexiones, pero influir fuertemente en otros líderes de opinión.

El análisis de redes sociales puede ayudarlo a comprender el patrón de interacción humana dentro de su organización. Estos patrones son importantes para comprender al planear y ejecutar estrategias para superar problemas persistentes y resistentes en una organización y lograr los objetivos de la organización. El ARS tiene dos compromisos subyacentes

1. Está guiado por una teoría formal organizada en términos matemáticos
2. Se basa en el análisis sistemático de datos empíricos

El ARS ha crecido rápidamente desde la década de 1970 y jugó un papel importante en el comportamiento organizacional, las relaciones interorganizacionales, la propagación de enfermedades contagiosas, la salud mental, el apoyo social, la difusión de la información y la organización social de los animales. (ver a Lin Freeman).

Literatura de ARS aplicada a sistemas socioecológicos

Lista de lectura: Utilización del análisis de redes sociales (ARS) en estudios socioecológicos

HENRIK ERNSTSON ||  Resilience Science

Se utiliza el análisis de redes sociales (ARS) para analizar los sistemas socioecológicos y los problemas en el manejo de los recursos naturales está creciendo. Para aquellos interesados ​​en leer en este campo, pensé en compartir una lista de lectura que estoy preparando para un curso de doctorado en ARS que daré en la Universidad Estatal de Arizona en relación con la Conferencia de Resiliencia 2011. El curso solo está abierto para estudiantes de ASU, pero para aquellos interesados, puede leer más en mi blog In Rhizomia [www.rhizomia.net]. Si está interesado en analizar el análisis de redes en estudios socio-ecológicos, hay, como mencioné anteriormente en este blog, una lista electrónica llamada NASEBERRY a la que puede unirse (envíeme un correo electrónico a henrik.ernstson [AT] stockholmresilience). su.se y hágamelo saber).



Ejemplo de literatura sobre ARS en NRM (debe completarse y podría cambiar)

Esta es una lista de lectura selectiva para aquellos interesados ​​en comenzar a utilizar el análisis de redes sociales (ARS) en estudios socioecológicos.

El primer buen estudio empírico que utiliza el análisis de redes sociales en el campo socioecológico es el de Schneider et al. (2003) sobre redes colaborativas en la gestión del estuario. Junto con Örjan Bodin y Beatrice Crona, resumimos un conjunto de argumentos sobre el valor de ARS para los estudios de MRN en Bodin, Crona y Ernstson (2006), mientras que un resumen de los estudios empíricos se realizó más tarde (Bodin y Crona 2009). Christina Prell, Klaus Hubacek, Mark Reed y otros han publicado sobre la selección de partes interesadas y el aprendizaje social (Prell et al., 2009), y Saduiel Ramírez-Sánchez ha estudiado la pesca en México (Ramírez-Sánchez y Pinkerton, 2009). Un buen estudio para los interesados ​​en los procesos dinámicos de política es por Sandström y Carlsson (2008). Recientemente, Andrés Marín y Fikret Berkes realizaron una interesante aplicación que utiliza el análisis de redes en dos modos para las pesquerías en pequeña escala en Chile (Marín y Berkes, 2010). (En un próximo libro editado por Bodin y Prell, varios de estos autores contribuyen con capítulos, y algunos de nuestros capítulos podrían reemplazar algunos de los artículos en la lista de lectura final del curso).

Una de las primeras aplicaciones urbanas que utilizó ARS en estudios socioecológicos fue mi estudio de los movimientos sociales y la protección de los ecosistemas urbanos en Estocolmo (Ernstson et al., 2008) (Véase también la conexión con la teoría cultural y los datos cualitativos (utilizando ANT) en Ernstson y Sörlin (2009).). Esto ha llevado a una articulación de "acción colectiva transformativa" en un próximo capítulo (Ernstson aceptó). Junto con colegas, utilizamos la teoría de redes sociales para comprender la gobernanza adaptativa mediante la síntesis de varios estudios de casos urbanos en Estocolmo (Ernstson et al., 2010) que podrían ser útiles para todos los interesados ​​en la gobernanza a múltiples escalas y el aprendizaje social. Una inspiración para mí cuando se trata de áreas urbanas, movimientos sociales y redes sociales siempre ha bin Mario Diani (ver, por ejemplo, Diani (1992), Diani y McAdam (2003), y Diani y Bison (2004). Más estudios socio-ecológicos urbanos usando ARS son próximos, en parte como resultado de cuando di este curso en 2009 en Ciudad del Cabo. Estudiantes de eso.)

Las referencias mencionadas anteriormente pueden servir como punto de entrada al curso (las marcadas con * a continuación son menos centrales), pero deben complementarse con las siguientes del campo ARS: la revisión breve pero efectiva de Borgatti et al. (2009), el clásico de Granovetter (1973) y el útil libro de texto y manual de ARS para UCINET de Hanneman y Riddle (2005) (descargable gratis, ver abajo). Otros buenos libros de texto son Scott's (2000) y Degenne and Forsé (1999). Para aquellos que se ponen serios (!), Una lectura obligatorio es todavía el "libro de recetas" de ARS de Wasserman y Faust (1994). Sin embargo, la lista de lectura exacta aún puede cambiar.

Referencias

(Aquellos marcados con * en la lista indican que inicialmente puede omitir estos. Aquellos marcados con ** tienen notas al final).



Bodin, Ö., B. Crona, and H. Ernstson. 2006. Social networks in natural resource management: What is there to learn from a structural perspective? Ecology and Society 11:r2. URL: http://www.ecologyandsociety.org/vol11/iss2/resp2/

Bodin, Ö. and B. I. Crona. 2009. The role of social networks in natural resource governance: What relational patterns make a difference? Global Environmental Change 19:366-374. URL: http://dx.doi.org/10.1016/j.gloenvcha.2009.05.002

Borgatti, S. P., A. Mehra, D. J. Brass, and G. Labianca. 2009. Network analysis in the social sciences. Science 323:892-895. [Longer pre-publication pdf version can be found on Stephen Borgatti's homepage here.]

Crona, B. and Ö. Bodin. 2006. WHAT you know is WHO you know? Communication patterns among resource users as a prerequisite for co-management. Ecology and Society 11:7. URL: http://www.ecologyandsociety.org/vol11/iss2/art7/

**Degenne, A. and M. Forsé. 1999. Introducing Social Networks. Sage Publications, London. [Review for this book can be found here.]

*Diani, M. 1992. The concept of social movement. Sociological Review 40:1-25.

*Diani, M. and I. Bison. 2004. Organizations, coalitions and movements. Theory and Society 33:281-309.

*Diani, M. and D. McAdam, editors. 2003. Social Movements and Networks: Relational Approaches to Collective Action. Oxford University Press, Oxford.

Ernstson, H. accepted. Transformative collective action: a network approach to transformative change in ecosystem-based management. Page Ch 11 in Ö. Bodin and C. Prell, editors. Social Networks and Natural Resource Management: Uncovering the Social Fabric of Environmental Governance. Cambridge University Press, Cambridge.

Ernstson, H., S. Barthel, E. Andersson, and S. T. Borgström. 2010. Scale-crossing brokers and network governance of urban ecosystem services: The case of Stockholm, Sweden. Ecology and Society:in press.

*Ernstson, H. and S. Sörlin. 2009. Weaving protective stories: connective practices to articulate holistic values in Stockholm National Urban Park. Environment and Planning A 41:1460–1479.

Ernstson, H., S. Sörlin, and T. Elmqvist. 2008. Social movements and ecosystem services – the role of social network structure in protecting and managing urban green areas in Stockholm. Ecology and Society 13:39. URL: http://www.ecologyandsociety.org/vol13/iss2/art39/

Granovetter, M. 1973. The strength of weak ties. American Journal of Sociology 76:1360-1380.

**Hanneman, R. A. and M. Riddle. 2005. Introduction to Social Network Methods. University of California (published in digital form at http://faculty.ucr.edu/~hanneman/), Riverside, CA.

Marín, A. and F. Berkes. 2010. Network approach for understanding small-scale fisheries governance: The case of the Chilean coastal co-management. Marin Policy in press.

Prell, C., K. Hubacek, and M. Reed. 2009. Stakeholder Analysis and Social Network Analysis in Natural Resource Management. Society & Natural Resources 22:501-518.

Ramirez-Sanchez, S. and E. Pinkerton. 2009. The impact of resource scarcity on bonding and bridging social capital: the case of fishers’ information-sharing networks in Loreto, BCS, Mexico. Ecology and Society 14:22.

Sandström, A. and L. Carlsson. 2008. The performance of policy networks: the relation between network structure and network performance. Policy Studies Journal 36:497-524.

Schneider, M., J. Scholz, M. Lubell, D. Mindruta, and M. Edwardsen. 2003.Building consensual institutions: networks and the National Estuary Program. American Journal of Political Science 47:143-158.

**Scott, J. 2000. Social Network Analysis. A handbook. 2 edition. Sage Publications, London.

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

** Como libro de texto, elige Scott o Degenne y Forsé. Hanneman and Riddle también puede usarse como libro de texto, pero también es un manual instructivo para UCINET.

Descargue Hanneman and Riddle 2005 aquí (es gratis): http://faculty.ucr.edu/~hanneman/nettext/
o aquí.

Intervención en redes sociales en programas de pobreza

Guía práctica para ONGs del análisis de redes sociales

Duncan Green  ||  Oxfam GB



El Análisis de Redes Sociales (ARS) ha estado apareciendo un poco en mi bandeja de entrada mental. Primero estaba mi cubierta IRCLectura de Navidad - Física Social, por Alex Pentland. Luego vino la publicación de ayer de algunos networkers dentro de Oxfam. Así que aquí hay algunos pensamientos adicionales, basados ​​en una gran guía para ARS por parte del Comité Internacional de Rescate.

La complejidad y el pensamiento sistémico parecen llevar a las personas a dos conjuntos divergentes de conclusiones. Un campamento dice que "la planificación y los kits de herramientas son una mierda, se mantienen fieles a la observación y respuesta a cualquier contexto dado y funcionan desde el instinto, el juicio y la respuesta rápida".

Otro grupo grita '¡Guau, un nuevo conjunto de herramientas!' El problema con el primero es cómo garantizar el rigor y la responsabilidad, cuando todos simplemente toman decisiones de acuerdo con su 'instinto' (¿y si el instinto de alguien es desastrosamente erróneo?) el problema con el segundo es que puede crear exactamente el tipo de seducción pero falsa certeza que los enfoques de complejidad y sistemas critican en otros lugares (marcos lógicos, etc.).

Me inclino hacia el primer grupo, con escrúpulos, pero me gusta vigilar el segundo, tanto para ver si está siendo sobrevendido, y con la esperanza de que realmente contenga las semillas de un enfoque más riguroso a la complejidad. El Análisis de redes sociales (ARS) parece uno de los enfoques de tipo 2 más prometedores. Me preocupa que se lo conciba principalmente como una herramienta para los grandes con muchos recursos (ver este post en el trabajo de Ben Ramalingam, que provocó un impresionante conjunto de comentarios), así que me alegré de encontrar el excelente IRC. 'Manual de ARS', que proporciona una guía práctica que parece muy adecuada para las capacidades de las ONG.

En 9 páginas, la guía establece cómo ejecutar un ejercicio de mapeo de relaciones, cómo examinar la influencia de los diferentes miembros de la red sobre el tema que se está abordando (más o menos lo mismo que el enfoque de análisis de poder de Oxfam). Luego se explica cómo analizar la red, con algunos ejemplos de un ARS del equipo de IRC en Sierra Leona.

"Para entender las redes sociales no solo es importante analizar las relaciones entre los actores, sino también considerar su ubicación dentro de la red y la estructura general de la red. Las siguientes preguntas pueden ayudar a analizar la estructura de la red:

1. A) ¿Hay actores con un alto número de conexiones?
2. B) ¿Hay algún actor que parezca periférico a la red?
3. C) ¿Qué tan centralizada o interconectada está la red?
4. D) ¿Hay líneas de falla entre partes o partes separadas de la red?
5. E) ¿Hay actores que vinculen partes importantes de la red?

Al tratar de administrar y mitigar los riesgos, los siguientes son problemas comunes a tener en cuenta en su red:



Dependencia: la red puede depender en gran medida de un único actor o una fuente de financiación, lo que puede crear cuellos de botella y problemas de sostenibilidad.

Relaciones disfuncionales / conflictivas: puede haber ciertas relaciones cruciales clave que impidan de alcanzar toda la red. Los nuevos actores o intervenciones también pueden generar conflictos por los recursos o el control.

Marginación: Ciertos actores o grupos de personas pueden ser excluidos o marginados dentro de la red, tal vez debido al género, etnia, estado, ingresos u otros factores. El análisis de las razones detrás de la estructura de la red puede ayudar a descubrir los motivos de la marginación y la mejor forma de superarla.

Desincentivos para el cambio: Ciertos actores pueden tener desincentivos para apoyar el cambio propuesto y pueden intentar oponerse activamente. Preste especial atención aquí a cómo la intervención podría cambiar los flujos de recursos o cambiar los niveles de influencia de cada actor.

Relaciones de mutua apreciación: puede notar que los actores (personas / grupos) que comparten ciertos atributos, como género, edad, educación, origen étnico, religión, estado, tienden a tener muchas relaciones "como yo" y menos relaciones con personas diferentes de ellos mismos Este es un patrón común en muchas redes. Puede valer la pena considerar cómo esto afecta el problema específico y cómo superarlo.

Desafíos estructurales: los riesgos estructurales pueden incluir una red demasiado centralizada o una división estructural dentro de la red.

El equipo de Sierra Leona identificó los riesgos a nivel de la comunidad relacionados con el desincentivo de farmacéuticos, curanderos tradicionales y líderes de la sociedad secreta para apoyar a los trabajadores de salud de la comunidad, que representan una amenaza para sus medios de vida y su estado.

Al tratar de aprovechar las oportunidades, los siguientes son problemas comunes a tener en cuenta en su red:

Analizando la red

Construcción de relaciones críticas: puede haber algunas ganancias muy simples que identifique durante el desarrollo del mapa de la red. Por ejemplo, puedes identificar dos actores que son positivos y tienen influencia, pero estos campeones pueden no estar conectados. Facilitar la construcción de relaciones entre actores clave puede ser beneficioso.

Aproveche el soporte subutilizado: puede identificar a los actores dentro de la red que sean muy positivos acerca del cambio que busca lograr, pero a quienes no se les ha dado un rol o voz suficiente dentro de la intervención propuesta. Dale voz a estos "campeones" y empoderarlos para jugar un papel más central.

Creación de redes dentro de la red: puede haber la posibilidad de que la construcción de coaliciones eleve la voz y la influencia de quienes son positivos acerca del cambio propuesto. Esto se puede hacer mediante acuerdos de asociación más formales o mediante la organización de eventos para brindar una plataforma a quienes comparten sus ambiciones.

El equipo de Sierra Leona identificó oportunidades para establecer relaciones importantes entre los líderes tradicionales y administrativos y los proveedores de servicios de salud para coordinar mejor el apoyo a los trabajadores de salud de la comunidad ".

Luego usa el ARS para pensar en posibles escenarios:

'El ARS es útil para analizar cómo se ve la red ahora. También puede ser útil para considerar cómo podría cambiar en el futuro. Los participantes pueden desear considerar cómo diferentes escenarios afectarían a la red, por ejemplo:

• ¿Cómo se vería la red ideal y cómo podría lograrse?
• ¿Qué pasaría con la red si se reanuda el conflicto?
• ¿Qué pasaría con la red si el financiamiento finaliza o el IRC se retira?

Si una fuente de financiamiento finaliza o un actor clave se retira, una red funcional (A) puede romperse rápidamente (B). Por lo tanto, es útil considerar qué relaciones invertir en (C). '

Inteligente. ¿Alguna otra herramienta de ARS que la gente pueda recomendar para organizaciones sobreexigidas en el terreno?

Y solo porque recientemente lo volví a ver, aquí está el ecólogo Eric Berlow hablando (muy rápido) sobre el valor de la visualización para encontrar la 'simplicidad que yace al otro lado de la complejidad', usando mi diagrama de complejidad favorito: el mapa mental militar afgano, y muchas otras cosas, todo en 3 minutos.

Gephi vs Cytoscape para grandes redes

Un nuevo mejor amigo: Gephi para redes a gran escala

Descargar como PDF
AI3

Visualización + Análisis de redes deja a un lado el Cytoscape

Aunque nunca tuve la intención de hacerlo, algunas publicaciones mías de hace unos años sobre 26 herramientas para la visualización de grafos a gran escala han sido algunas de las más populares en este sitio. De hecho, mi recomendación para Cytoscape para ver grafos a gran escala se ubica dentro de los 5 primeros puestos de todos los tiempos en este sitio.

Cuando se realizó ese análisis en enero de 2008, mi empresa estaba en medio de la necesidad de procesar el gran vocabulario de UMBEL, que ahora consta de 28,000 conceptos. Al igual que cualquier otra cosa, la necesidad impulsa la investigación y la demanda, y después de revisar muchos programas de grafos, elegimos Cytoscape, y luego proporcionamos algunas pautas continuas en su uso para fines web semánticos. Hemos continuado utilizándolo productivamente en los años intermedios.

Al igual que con cualquier herramienta, una revisa y selecciona la mejor en el momento de la necesidad. Más recientemente, sin embargo, con el uso cada vez mayor de grandes ontologías por parte de los clientes y el desarrollo de nuestro propio marco de gestión y edición de structOntology, hemos comenzado a chocar con las limitaciones del análisis de redes y grafos a gran escala. Con esta publicación, anunciamos nuestra nueva herramienta favorita para la red semántica Web y el análisis de grafos, Gephi, y explicamos su uso y mostramos un ejemplo actual.

La línea base y las limitaciones de Cytoscape

Hace tres años y medio cuando escribí por primera vez sobre Cytoscape, fue en la versión 2.5. Hoy está en la versión 2.8 y se han mejorado muchos aspectos (incluido su sitio web). Sin embargo, en otros aspectos, el desarrollo se ha desacelerado. Por ejemplo, la versión 3.x se discutió por primera vez hace más de tres años; todavía no está disponible hoy.

Aunque el sistema es de código abierto, Cytoscape también se ha desarrollado en gran parte con fondos de subvención externos. Al igual que otros proyectos financiados de manera similar, una vez y cuando los fondos de las subvenciones disminuyen, también se desacelera el desarrollo. Si bien claramente ha habido una comunidad activa detrás de Cytoscape, comienza a sentirse cansado y un poco largo en el diente. Desde un punto de vista web semántico, algunas de las limitaciones del Cytoscape actual incluyen:

• Difícil conversión de ontologías existentes: Cytoscape requiere crear una entrada de CSV; había un plug-in anterior de RDFscape que ofrecía una gran promesa de unir el software al RDF y al ámbito de la Web semántica, pero no se mantuvo activo
• Análisis de red: uno de los primeros y valiosos plug-ins de análisis de redes generalizadas fue NetworkAnalyzer; sin embargo, ese componente no ha visto un desarrollo activo en tres años, y los nuevos módulos dinámicos generalizados adecuados para el análisis de redes sociales (ARS) y las redes del mundo pequeño no han sido aparentes
• Rendimiento lento y fallas demasiado frecuentes: Cytoscape siempre ha tenido una interfaz peculiar y fallas frecuentes; las versiones posteriores son un poco más estables, pero la usabilidad sigue siendo un desafío
• Ampliamente respaldado por la comunidad biomédica: desde el principio, Cytoscape fue un proyecto de la comunidad biomédica. La mayoría de los complementos aún pertenecen a ese espacio. Debido al soporte de los formatos OBO (Open Biomedical and Biological Ontologies) y la falta de aceptación por parte de la comunidad web semántica más amplia, el desarrollo basado en RDF y OWL ha estado muy ausente.
• Aparte de los archivos PDF, la capacidad deficiente para generar grafos de gran tamaño de manera visible
• Soporte de diseño limitado y bajo rendimiento para muchos de los que se incluyen con el paquete estándar.

Sin lugar a dudas, si estuviéramos haciendo tecnologías semánticas en el espacio biomédico, podríamos desarrollar nuestros propios complementos y contribuir al proyecto Cytoscape para ayudar a superar algunas de estas limitaciones. Pero, como soy un friki de herramientas (consulte mi lista de Sweet Tools con casi 1000 herramientas Web semánticas y relacionadas), decidí consultar el estado actual de las herramientas de visualización a gran escala y ver si alguna había avanzado en algunos de nuestros objetivos sobresalientes.

Elegir Gephi y usarlo

Hay tres clases de herramientas gráficas en el espacio de la tecnología semántica:

• Navegación y descubrimiento ontológicos, a los que el Relation Browser y RelFinder son ejemplos notables
• Visualización de la estructura de ontología (y, a veces, edición), como las herramientas GraphViz (OWLViz) o OntoGraf utilizadas en Protégé (o el agradable FlexViz, utilizado nuevamente por la comunidad OBO), y
• Visualización de grafos a gran escala para obtener una imagen completa y relaciones macro en la ontología.

Se podría argumentar que las dos primeras categorías han recibido la atención de desarrollo más actual. Pero, también diría que la tercera clase es una de las más importantes: para comprender dónde se encuentra uno en un gran espacio de conocimiento, se necesitan herramientas de navegación y visualización a gran escala mucho mejores. Desafortunadamente, esta tercera categoría también es la que parece estar recibiendo la menor atención de desarrollo. (Sin duda, los grafos a gran escala plantean desafíos computacionales y de rendimiento).

En los casi cuatro años desde mi última gran revisión de 26 herramientas en esta categoría, los nuevos participantes parecen bastante limitados. Seguramente he pasado por alto algunos, pero los más notables son Gruff, NAViGaTOR, NetworkX y Gephi [1]. Gruff en realidad parece pertenecer más a la Categoría # 2; No pude encontrar ejemplos de grafos en la escala de miles de nodos. NAViGaTOR es solo biomédico. NetworkX no tiene importación directa de grafos semánticos y, aunque aparentemente algunas bibliotecas RDF pueden usarse para manipular importaciones, los flujos de trabajo alternativos eran demasiado complejos para abordarlos en una evaluación inicial. Esto deja a Gephi como el único nuevo candidato potencial.

Desde un sitio web limpio hasta tutoriales introductorios bien diseñados, las primeras impresiones de Gephi son muy positivas. La prueba real, por supuesto, era hacer que funcionara contra mis pruebas de casos de uso reales. Para eso, utilicé una ontología "grande" para un cliente actual que captura aproximadamente 3000 conceptos diferentes y sus relaciones y más de 100 propiedades. Lo que aquí cuento, desde la primera vez que instalé el programa y complementos y luego configuré, analicé, definí los parámetros de la pantalla y luego publiqué los resultados, me llevó menos de un día desde un comienzo totalmente frío. El programa y el entorno de Gephi es sorprendentemente fácil de aprender, ayudado por algunos excelentes tutoriales e información en línea (ver la sección de conclusión).

El habilitador crítico para poder usar Gephi para esta fuente y para mis propósitos es el complemento SemanticWebImport, desarrollado recientemente por Fabien Gandon y su equipo en Inria como parte del proyecto Edelweiss [2]. Una vez que el complemento está instalado, solo necesita abrir la pestaña SemanticWebImport, darle la URL de su ontología de origen y seleccionar el botón de Inicio (panel central):




Tenga en cuenta que la herramienta SemanticWebImport también tiene la capacidad (panel central) de enviar consultas a un punto final SPARQL, cuyos resultados arrojan un grafo de resultados (parcial) desde la ontología de origen. (Esta característica no se trata más en este documento.) Esta carga de ontología y capacidad de visualización funcionó sin error para las cinco o seis ontologías OWL 2 que probé inicialmente contra el sistema.
Una vez cargada, se puede manipular una ontología (grafo) con una interfaz convencional de IDE de pestañas y vistas. En los paneles de la derecha de arriba estamos seleccionando varias rutinas de análisis de red para ejecutar, en este caso grados promedio. Una vez que se ejecutan una o más de estas opciones de análisis, podemos usar los resultados para agrupar o visualizar el grafo; el panel superior izquierdo muestra el resaltado de la clase de modularidad, que es la forma en que hice el análisis de la comunidad (clustering) de nuestra gran ontología de prueba. (Cuando se ejecuta, también puede asignar colores diferentes a las familias de clúster). También realicé algunos filtros de nodos y propiedades extraños en esta etapa y también instruí al sistema a través del análisis de clasificación para mostrar que los nodos con más conexiones de enlace son más grandes que esos nodos con menos enlaces

En esta coyuntura, también puede configurar la escala para variar las opciones de visualización como lineal o alguna función de potencia. También puede seleccionar diferentes opciones de diseño de grafo (panel inferior izquierdo). Hay muchas opciones de plug-in de diseño para Gephi. Se informa que el complemento de diseño llamado OpenOrd, por ejemplo, puede escalar a millones de nodos.

En este punto, jugué extensivamente con la combinación de filtros, análisis, clusters, particiones y clasificaciones (como se pueden aplicar por separado a nodos y bordes) para: 1) comenzar a comprender la estructura y las características generales del grafo grande; y 2) refinar el aspecto final que quería que tuviera mi grafo publicado.

En nuestro ejemplo, finalmente elegí el diseño estándar de Yifan Hu para hacer que las comunidades (clusters) se agreguen una cerca de la otra en el grafo. Luego apliqué el diseño de Atlas de Fuerza Paralela para organizar los nodos y hacer los espaciamientos más uniformes. El aspecto paralelo de este diseño basado en la fuerza permite que estos cálculos intensos se ejecuten más rápido. El resultado de estos dos diseños en secuencia es entonces lo que se usó para las pantallas de resultados.

Al finalizar este análisis, estaba listo para publicar el grafo. Uno de los mejores aspectos de Gephi es su flexibilidad y control sobre las salidas. A través de la pestaña de Vista previa principal, pude hacer mis configuraciones finales para el grafo publicado:



Los resultados del grafo de los filtros y clústeres y colores procesados ​​anteriormente se muestran en el panel Vista previa de la derecha. En el lado izquierdo, se configuran muchos aspectos de la visualización final, como etiquetas encendidas o apagadas, tamaños de fuente, colores, etc. Vale la pena mirar la figura anterior en tamaño completo para ver algunas de las opciones disponibles.
Las opciones de salida estándar incluyen SVG (imagen vectorial) o archivos PDF, como se muestra en la esquina inferior izquierda, con escala de tamaño de salida mediante barra deslizadora. Además, es posible realizar guardados estándar en una variedad de formatos de archivo o hacer exportaciones específicas.

Una opción de publicación realmente excelente es crear una pantalla con zoom dinámico usando la tecnología Seadragon a través de un complemento Seadragon Web Export por separado. (Sin embargo, debido a las limitaciones de scripts entre sitios debido a problemas de seguridad, solo uso esa opción para sitios específicos. Consulte la siguiente sección para la opción Zoom It, basada en Seadragon, para solucionar esa limitación).

Los resultados hablan por sí mismos

Estoy muy satisfecho con los avances en visualización y análisis proporcionados por Gephi. Usando la alternativa Zoom It [3] a Seadragon incrustado, podemos ver nuestro gran ejemplo de ontología con:

• Todos los 3000 nodos etiquetados, con conexiones mostradas (aunque debe hacer zoom para ver) y
• Al hacer zoom (use la rueda de desplazamiento o el ícono +) o la panorámica (al mover el mouse hacia abajo), espere unos segundos para obtener la actualización más clara de la imagen:

Nota: a resolución estándar, si este grafo fuera renderizado en tamaño real, ¡sería más grande que 7 pies por 7 pies cuadrados con zoom completo!

Para comparar las opciones de salida, también puede;

• Descargue un PDF de este gran grafo ó
• Descargue un SVG (versión legible de Inkscape) de este gran grafo.

Aún así, algunas mejoras serían bienvenidas

Es notable que Gephi aún solo se presenta a sí mismo como un "alfa". Ya existe una robusta comunidad de usuarios con la promesa de que vendrá mucha más tecnología.

Como alfa, Gephi es notablemente estable y bien desarrollado. Aunque claramente útil como es, mido el estado de Gephi contra mi lista completa de funcionalidades deseadas, con estos elementos aún faltantes:

• Navegación interactiva y en tiempo real: la capacidad de moverse por el grafo de forma interactiva y emitir consultas y descubrir relaciones
• Números de nodo enormes: tal vez el complemento OpenOrd en cierta forma solucione esta necesidad. Probaremos Gephi contra UMBEL, que es un orden de magnitud más grande que nuestra gran ontología de prueba
• Mayor control de nodos y enlaces: Cytoscape aún conserva la ventaja en el grado en que los nodos y los bordes se pueden diseñar gráficamente
• Edición completa: ser capaz de usar Gephi en un modo de edición sería fantástico; la funcionalidad de edición es bastante sencilla, pero la capacidad de ida y vuelta en los formatos adecuados (BÚHO, RDF o de otro tipo) puede ser el mayor punto de fricción.

En última instancia, por supuesto, como expliqué en una presentación anterior sobre un Paisaje normativo para herramientas de ontología, nos gustaría ver un programa grafo completo vinculado directamente con la API OWL. Algunos intentos iniciales se han realizado con el enfoque de visualización no Gephi GLOW, pero aún se encuentra en fases muy tempranas y se desconocen los compromisos en curso. De manera óptima, sería genial ver un complemento Gephi que se vincule directamente con la API OWL.

En cualquier caso, aunque tal vez el desarrollo de Cytoscape se ha estancado un poco con fines de tecnología semántica, Gephi y su complemento SemanticWebImport han llegado a la vanguardia. Este es un fino conjunto de herramientas que promete utilidad por muchos años por venir.

Algunos enlaces adicionales de Gephi

Para aprender más acerca de Gephi, también vea:

• Excelentes tutoriales introductorios sobre inicio rápido, visualización y diseños
• Videos rápidos sobre el uso del complemento SemanticWebImport para DBpedia y programas de la BBC
• Wiki de la comunidad Gephi.

Además, para desarrollos futuros en todo el espectro de visualización de grafos, revise la lista de herramientas de visualización general de Wikipedia de forma periódica.

[1] El paquete de matemática y estadísticas de código abierto R es muy rico, aparentemente con algunas capacidades de visualización de grafos, como el Statnet del proyecto de visualización y análisis de red dedicado. rrdf también puede proporcionar un camino interesante para las importaciones de RDF. R y su familia de herramientas pueden ser bastante prometedoras, pero el compromiso necesario para R parece bastante desalentador. A más largo plazo, R puede representar una ruta de actualización más poderosa para nuestros conjuntos de herramientas generales. Neo4j también es una estrella en ascenso en las bases de datos de grafos, con sus propios componentes de visualización. Sin embargo, dado que no queríamos convertir nuestros almacenes de datos subyacentes, tampoco probamos esta opción.
[2] Erwan Demairy es el principal desarrollador y committer de SemanticWebImport. La primera versión se lanzó a mediados de abril de 2011.
[3] Para presentaciones como esta publicación de blog, Seadragon JavaScript impone algunas restricciones de seguridad contra scripts entre sitios. Para superar eso, la opción que seguí fue:

• Usar la opción de exportación SVG de Gephi
• Abrir el SVG en Inkscape
• Expandir el tamaño del diagrama según sea necesario (con dimensiones bloqueadas para evitar la distorsión)
• Guardar como PNG
• Ve a Zoom It y envía el archivo de imagen
• Elija la función de inserción, y
• Incruste el enlace proporcionado, que es lo que se muestra arriba.

(Aunque Zoom.it también acepta archivos SVG directamente, encontré el rendimiento