Amplificación de cascadas por asortatividad

Las correlaciones de grado amplifican el crecimiento de las cascadas en las redes

Xin-Zeng Wu, Peter G. Fennell, Allon G. Percus, Kristina Lerman

Las redes facilitan la propagación de cascadas, permitiendo que una perturbación local se filtre a través de interacciones entre nodos y sus vecinos. Investigamos cómo la estructura de la red afecta la dinámica de una cascada en expansión. Contabilizando la distribución conjunta de grados de una red dentro de un marco de funciones generadoras, podemos cuantificar cómo las correlaciones de grados afectan tanto el inicio de las cascadas globales como la propensión de los nodos de clase de grado específica para desencadenar grandes cascadas. Sin embargo, no todas las correlaciones de grados son igualmente importantes en un proceso de expansión. Presentamos una nueva medida de grado de surtido que da cuenta de las correlaciones entre los nodos relevantes para una cascada de propagación. Mostramos que el punto crítico que define el inicio de las cascadas globales tiene una relación monótona con esta nueva medida de surtido. Además, mostramos que la elección de los nodos para sembrar las cascadas más grandes se ve fuertemente afectada por las correlaciones de grados. Contrariamente a la sabiduría tradicional, cuando la sutitud de grados es positiva, es más probable que los nodos de bajo grado generen las cascadas más grandes. Nuestro trabajo sugiere que puede ser posible adaptar los procesos de difusión manipulando la estructura de orden superior de las redes.



(o arXiv:1807.05472v1 [physics.soc-ph] para esta versión)

1807 05472

Leer más publicaciones en Calaméo

Red de comunicación de redes de colaboración en innovación 2012

Analizando la Red de Comunicación del Seminario 2012 de COINs

Swarm Creativity


En este seminario, cerca de 50 estudiantes de las cinco universidades MIT / SCAD / Aalto University / Universidad de Colonia / Universidad de Bamberg trabajaron juntos durante cinco meses en equipos multinacionales de proyectos virtuales como COIN (Collaborative Innovation Networks). Se formaron diez equipos que varían en tamaño de tres a seis estudiantes de al menos dos ubicaciones, que trabajan en un proyecto relacionado con los medios sociales y el análisis de redes sociales (sitio web de 2012 cursos). Se les pidió a los estudiantes que registraran toda su comunicación por correo electrónico relacionada con el proyecto en un buzón ficticio. Esto nos permitió construir un espejo virtual de la comunicación continua dentro y entre los equipos. Al final del curso, cada equipo presentó sus resultados a sus compañeros de clase en una reunión virtual. Cada una de las diez presentaciones fue clasificada por los estudiantes en las tres categorías "calidad de presentación, calidad del contenido y creatividad". La comparación del espejo virtual de la comunicación con las calificaciones de los compañeros y los instructores nos permitió identificar los patrones de comunicación que conducen a la salida de trabajo mejor clasificada.

Analisis cualitativo

Mirando la red del grupo a continuación, los diferentes equipos pueden ser claramente reconocidos. La comunicación de cada equipo se muestra en un color diferente, por lo general los miembros del equipo se agrupan como una COIN, con colaboradores externos y otros estudiantes en posiciones más periféricas.



El análisis del índice de contribución entre los miembros del equipo muestra que los miembros del mismo equipo tienden a mostrar un comportamiento similar con respecto a la proporción de correos electrónicos enviados a los correos electrónicos recibidos. Los grupos de puntos del mismo color son miembros del mismo grupo, en general encontramos que los equipos de mayor rendimiento tienden a comunicarse más activamente, con relaciones de envío / recepción más similares.



La superficie social temporal indica creatividad, ya que hay un grupo relativamente grande de miembros de la clase de alto intervalo que cambia constantemente a lo largo del tiempo, en trabajos anteriores encontramos que este es un predictor confiable de la creatividad.





Las 6 instantáneas de las redes de comunicación de los 10 equipos durante los 5 meses muestran las cuatro fases de Tuckman en la vida de un equipo: formación, asalto, normalización y actuación. Vemos cómo el instructor principal en la imagen más alta a la derecha es más central, pero cómo los equipos comienzan a conectarse en la fila del medio y cómo luego se agrupan equipo por equipo para centrarse en su trabajo en las imágenes de abajo.



La curva de centralidad de intermediación grupal así como el número absoluto de mensajes enviados y recibidos que se muestran a continuación ilustran el mayor tráfico en la fase de formación, asalto y normalización, seguido del tráfico más bajo en la segunda fase de ejecución.



La curva de sentimiento ilustra el mismo fenómeno, con mayor emocionalidad (definida como la suma de positividad y negatividad) en la fase de formación y asalto en la primera mitad del curso. El eje X siempre es días en estas imágenes.

Análisis cuantitativo

En la segunda mitad de este análisis investigamos qué patrones de comunicación serán indicativos de trabajo de alta calidad. El primer patrón es "oscilaciones en las curvas de centralidad intermedia".



La imagen de arriba ilustra el equipo clasificado como el más creativo por los instructores (líneas sombreadas azules, cada línea titulada "Serie X" es la intersección de un actor durante 115 días), y el equipo clasificado menos creativo (líneas sombreadas rojas). Como se puede ver fácilmente, la centralidad de la mayoría de los actores en el equipo de bajo rango ronda las líneas cero: estos actores serán periféricos en la red social de correo electrónico que se muestra en la primera imagen de este documento.



Como ilustran las siguientes correlaciones, la calificación de creatividad del instructor (cada uno de los instructores en cada una de las cinco ubicaciones participantes clasificó las 10 presentaciones) se correlaciona altamente (0,83 **) con la oscilación en la centralidad de la intermediación. Como muestra la imagen de arriba, el equipo calificado como el más creativo tuvo 80 oscilaciones, es decir, traspasos en el liderazgo, en comparación con el equipo de menor calificación con menos de 40 oscilaciones.



Se identificó una correlación similar para la velocidad de respuesta. Cuanto más rápido se comunicaban los miembros de un equipo con el instructor principal, más alto era el rendimiento del trabajo del equipo evaluado por los otros estudiantes.



La correlación entre la calificación entre pares del contenido de un equipo y su balance de comunicación con el instructor principal (Peter) es -0.719 **, es decir, cuanto mayor sea el balance de comunicación, mayor será la comunicación con Peter, mejor será el contenido del equipo.



Mientras más emotivo sea el idioma de un equipo en los correos electrónicos que intercambian, mayor es el contenido calificado por sus compañeros.



La positividad en los correos electrónicos enviados al instructor principal también es altamente predictiva de altas calificaciones en todos los criterios que han sido calificados (Presentación, Contenido, Creatividad).



Las conclusiones para los equipos de alto funcionamiento son por lo tanto:
1. Pase el bastón con frecuencia: cuanto más liderazgo gire entre los miembros del equipo, más creativo será el resultado
2. Comuníquese rápidamente con el instructor y entre los miembros del equipo
3. Use lenguaje emocional: elogie cuando se debe alabanza, pero también diga cuando algo no está bien.

Visualización de grandes redes dinámicas en NodeXL

Visualization of Anomalies in Dynamic Networks with NodeXL from Jacopo Cirrone

Caída de fertilidad afecta la creación de confianza vía redes de parentesco

Fertilidad, parentesco y la evolución de las ideologías de masas

Tamas David-Barrett y Robin I.M.Dunbar


Journal of Theoretical Biology
Volume 417, 21 March 2017, Pages 20-27
https://doi.org/10.1016/j.jtbi.2017.01.015


Resultados principales

• Las redes de parentesco facilitan la acción colectiva a gran escala.
• La caída de la fertilidad produce menos parentesco y una agrupación de parentesco local más fuerte.
• El modelo de linajes de parentesco simula las redes de parentesco y la eficiencia de la coordinación.
• La caída de la fertilidad crea una crisis ya que muy pocos parientes pueden unirse al proyecto comunitario.
• La transición de la fertilidad desencadena el surgimiento de sistemas culturales que reemplazan a los parientes.

Resumen

Las sociedades humanas tradicionales se organizan en torno al parentesco y utilizan redes de parentesco para generar proyectos comunitarios a gran escala. Esto es posible gracias a una combinación de reconocimiento de parentesco lingüístico, un rasgo exclusivamente humano, que está mediado por la fiabilidad de los parientes como colaboradores. Cuando la fecundidad efectiva disminuye, esto resulta en dos efectos simultáneos en las redes sociales: hay menos parientes en los que se puede confiar, y el efecto limitante de la agrupación de parentesco local se vuelve más fuerte. Para capturar este fenómeno, utilizamos un modelo de linajes de parentesco para construir poblaciones con un rango de niveles de fertilidad combinados con un modelo de sincronía conductual para medir la eficiencia de la acción colectiva generada en redes de parentesco dentro de las poblaciones. Nuestros hallazgos sugieren que, siempre que la cooperación efectiva dependa del parentesco, la caída de la fertilidad crea una crisis cuando resulta en muy pocos parientes para unirse al proyecto comunitario. Concluimos que, cuando las sociedades cambien a pequeñas redes de parentesco efectivas, debido a la caída de la fertilidad, el aumento de la distancia relativa a los parientes debido a la urbanización o la alta mortalidad debida a guerras o epidemias, solo podrán permanecer cohesivas socialmente si reemplazan las redes de parentesco desaparecidos con alternativas cuasi-familiares basadas en la membresía de gremios o clubes.

La caída de la fertilidad crea brecha en la confianza: el cambio de la estructura de la red social en la transición demográfica.

Resumen ampliado

En los últimos 70 años, la fertilidad global ha disminuido. Con esta caída en la fertilidad, el número de familiares en la misma generación también ha disminuido. El Prof. Tamás Dávid-Barrett dio una conferencia sobre la brecha de confianza creada por las tasas más bajas de fertilidad y los cambios en la estructura de las redes sociales.

Las sociedades humanas tradicionales se basaron en dos soluciones biológicas para reducir la conducción libre y promover la acción colectiva: mecanismos de selección de parentesco y redes de parentesco sociales muy agrupadas. Como humanos, utilizamos las dos soluciones: interactuamos con otros mientras preferimos interactuar con aquellos con los que estamos relacionados.

Cuando disminuye la fertilidad, también disminuye el número de parientes en la misma generación, lo que significa que tenemos más amigos que hermanos. El cambio en los datos demográficos también tiene cambios en la estructura de las redes sociales: las reducciones de clusters locales, la distancia gráfica promedio disminuye, aumentando el conjunto del contacto social indirecto a dos pasos de distancia.


Ejemplos de grafos de parentesco, con reconocimiento de parentesco hasta primo hermano (θ = 2). Panel (a): caso de alta fertilidad (κ = 7), panel (b): caso de baja fertilidad (κ = 2.5). Fuente: https://www.sciencedirect.com/science/article/pii/S0022519317300152#f0015

Los cambios en la estructura de las redes sociales también disminuyen la velocidad a la que se extiende la reputación en la red, debido a la disminución de la fertilidad y al aumento del tamaño del grupo social. Por lo tanto, la transición demográfica debilita las dos soluciones biológicas de la reducción del free-rider: hay menos familiares para coordinar la acción social a lo largo de las líneas de parentesco, y la reputación se extiende lentamente.



La proporción de descendientes dentro de toda la población (a) una generación hacia abajo y (b) cinco generaciones hacia abajo, como una función del rango percentil de riqueza en la generación base. Línea azul: κ = 2.5, línea roja: κ = 7.0. Promedio de 20,000 repeticiones de simulación; tamaño del grupo: 200 en la generación base. Tenga en cuenta que el extremo superior de la curva azul es de pendiente descendente: esto se debe a que los miembros del grupo con la clasificación más alta comparten un número mayor de ancestros comunes que los miembros del grupo de rango medio.

Los hallazgos de Dávid-Barrett sugieren que han surgido diferentes mecanismos para llenar la brecha de confianza cuando las sociedades hacen la transición a redes de parentesco pequeñas y efectivas. Para seguir siendo socialmente cohesivos, las sociedades reemplazan las redes de parentesco que desaparecen con un sistema alternativo que facilita la acción colectiva, y en algunos casos, la brecha se llena con la ley o la membresía de gremios o clubes.


Network Data Science

Análisis dinámico de redes: Introducción

Análisis dinámico de redes

Un ejemplo de diagrama de red multi-entidad, multi-red dinámico

El análisis dinámico de redes (DNA o ADR en español) es un campo científico emergente que reúne el análisis tradicional de redes sociales (ARS), el análisis de enlaces (LA), la simulación social y los sistemas multiagente (MAS) dentro de la ciencia de redes y la teoría de redes. Hay dos aspectos de este campo. El primero es el análisis estadístico de los datos de ADR. El segundo es la utilización de la simulación para abordar problemas de dinámica de red. Las redes de ADR varían de las redes sociales tradicionales en que son redes más grandes, dinámicas, multimodo y multiplex, y pueden contener distintos niveles de incertidumbre. La principal diferencia entre el ADR y el ARS es que el ADR tiene en cuenta las interacciones de las características sociales que condicionan la estructura y el comportamiento de las redes. El ADR está ligado al análisis temporal, pero el análisis temporal no está necesariamente relacionado con el ADR, ya que los cambios en las redes a veces resultan de factores externos que son independientes de las características sociales que se encuentran en las redes. Uno de los casos más notables y más antiguos en el uso del ADR está en el estudio del monasterio de Sampson, donde tomó instantáneas de la misma red de diferentes intervalos y observó y analizó la evolución de la red. [1] Un estudio temprano de la dinámica de la utilización del enlace en redes complejas a gran escala proporciona evidencia de centralidad dinámica, motivos dinámicos y ciclos de interacciones sociales. [2] [3]

Las herramientas estadísticas de ADR generalmente están optimizadas para redes a gran escala y admiten el análisis simultáneo de múltiples redes en las que existen múltiples tipos de nodos (multinodo) y múltiples tipos de enlaces (multiplex). Las redes multi-nodo multiplex se conocen generalmente como meta-redes o redes de alta dimensión. Por el contrario, las herramientas estadísticas de ARS se centran en datos únicos o, como máximo, en dos modos y facilitan el análisis de un solo tipo de enlace a la vez.

Las herramientas estadísticas de ADR tienden a proporcionar más medidas al usuario, porque tienen medidas que usan datos extraídos de múltiples redes simultáneamente. Los modelos espaciales latentes (Sarkar y Moore, 2005) [4] y la simulación basada en agentes se utilizan a menudo para examinar redes sociales dinámicas (Carley et al., 2009). [5] Desde la perspectiva de la simulación por computadora, los nodos en el ADR son como átomos en la teoría cuántica, los nodos pueden ser tratados, aunque no necesariamente, como probabilísticos. Mientras que los nodos en un modelo de ARS tradicional son estáticos, los nodos en un modelo de ADR tienen la capacidad de aprender. Las propiedades cambian con el tiempo; los nodos se pueden adaptar: los empleados de una empresa pueden aprender nuevas habilidades y aumentar su valor para la red; o capturar a un terrorista y tres más se ven obligados a improvisar. El cambio se propaga de un nodo al siguiente y así sucesivamente. El ADR agrega el elemento de la evolución de una red y considera las circunstancias bajo las cuales es probable que ocurra el cambio.



Hay tres características principales para el análisis de red dinámico que lo distinguen del análisis de red social estándar. En primer lugar, en lugar de simplemente usar las redes sociales, el ADR examina las meta redes. En segundo lugar, los modelos basados ​​en agentes y otras formas de simulación se utilizan a menudo para explorar cómo las redes evolucionan y se adaptan, así como el impacto de las intervenciones en esas redes. En tercer lugar, los enlaces en la red no son binarios; de hecho, en muchos casos representan la probabilidad de que haya un enlace.

Meta-red

Una meta-red es una red multimodo, multivínculo y multinivel. El modo múltiple significa que hay muchos tipos de nodos; por ejemplo, personas y ubicaciones de nodos. Multi-link significa que hay muchos tipos de enlaces; por ejemplo, amistad y consejo. Varios niveles significa que algunos nodos pueden ser miembros de otros nodos, como una red compuesta por personas y organizaciones y uno de los enlaces es quién es miembro de la organización.

Mientras que diferentes investigadores usan diferentes modos, los modos comunes reflejan quién, qué, cuándo, dónde, por qué y cómo. Un ejemplo simple de una meta-red es la formulación de PCANS con personas, tareas y recursos. [6] Una formulación más detallada considera personas, tareas, recursos, conocimiento y organizaciones. [7] La herramienta ORA fue desarrollada para soportar el análisis meta-red. [8]

Problemas ilustrativos en los que las personas en el área de ADN trabajan

• Desarrollar métricas y estadísticas para evaluar e identificar el cambio dentro de las redes y entre ellas.
• Desarrollar y validar simulaciones para estudiar el cambio de red, la evolución, la adaptación, la decadencia. Ver simulación por computadora y estudios organizacionales
• Desarrollar y probar la teoría del cambio de red, la evolución, la adaptación, la descomposición [9]
• Desarrollar y validar modelos formales de generación y evolución de redes
• Desarrollo de técnicas para visualizar el cambio de red en general o a nivel de nodo o grupo
• Desarrollar técnicas estadísticas para ver si las diferencias observadas en el tiempo en las redes se deben simplemente a muestras diferentes de una distribución de enlaces y nodos o cambios a lo largo del tiempo en la distribución subyacente de enlaces y nodos
• Desarrollar procesos de control para redes a lo largo del tiempo
• Desarrollar algoritmos para cambiar distribuciones de enlaces en redes a lo largo del tiempo
• Desarrollar algoritmos para rastrear grupos en redes a lo largo del tiempo
• Desarrollar herramientas para extraer o localizar redes de varias fuentes de datos, como textos
• Desarrollar mediciones estadísticamente válidas en redes a lo largo del tiempo
• Examinar la solidez de las métricas de red bajo varios tipos de datos faltantes
• Estudios empíricos de redes multi-modo multibloque de periodos múltiples
• Examinar las redes como fenómenos probabilísticos variables en el tiempo
• Pronosticar el cambio en las redes existentes
• Identificando rastros a través del tiempo dada una secuencia de redes
• Identificar los cambios en la criticidad del nodo dada una secuencia de redes, todo lo demás relacionado con las redes multimodo multi-link multi-time
• Estudiar caminatas aleatorias en redes temporales [10]
• La cuantificación de las propiedades estructurales de las secuencias de contacto en redes dinámicas, que influyen en los procesos dinámicos [11]
• Evaluación de la actividad encubierta [12] y redes oscuras [13]
• Análisis de citas [14]
• Análisis de redes sociales [15]
• Evaluación de los sistemas de salud pública [16]
• Análisis de los resultados de seguridad hospitalaria [17]
• Evaluación de la estructura de la violencia étnica a partir de datos de noticias [18]
• Evaluación de grupos terroristas [19]
• Deterioro social en línea de las interacciones sociales [20]
• Visualización de grandes redes financieras a lo largo del tiempo [21]
• Modelado de las interacciones en el aula en las escuelas [22]

Referencias

1. Harrison C. White, 1992, Identity and control: A structural theory of social action. Princeton University Press.
2. Dan Braha, Yaneer Bar‐Yam, 2006, “From centrality to temporary fame: Dynamic centrality in complex networks,” Complexity, 12(2), 59-63.
3. Dan Braha, Yaneer Bar-Yam 2009, Time-dependent complex networks: Dynamic centrality, dynamic motifs, and cycles of social interactions. In Adaptive Networks (pp. 39-50). Springer, Berlin, Heidelberg.
4. Purnamrita Sarkar and Andrew W. Moore. 2005. Dynamic social network analysis using latent space models. SIGKDD Explor. Newsl. 7, 2 (December 2005), 31-40.
5. Kathleen M. Carley, Michael K. Martin and Brian Hirshman, 2009, "The Etiology of Social Change," Topics in Cognitive Science, 1.4:621-650
6. David Krackhardt and Kathleen M. Carley, 1998, "A PCANS Model of Structure in Organization," In proceedings of the 1998 International Symposium on Command and Control Research and Technology, Monterey, CA, June 1998, Evidence Based Research, Vienna, VA, Pp. 113-119.
7. Kathleen M. Carley, 2002, "Smart Agents and Organizations of the Future," The Handbook of New Media. Edited by Leah Lievrouw and Sonia Livingstone (Eds.), Thousand Oaks, CA, Sage, Ch. 12: 206-220.
8. Kathleen M. Carley. 2014. "ORA: A Toolkit for Dynamic Network Analysis and Visualization," In Reda Alhajj and Jon Rokne (Eds.) Encyclopedia of Social Network Analysis and Mining, Springer.
9. Majdandzic, A.; et al. (2013). "Spontaneous recovery in dynamical networks". Nature Physics. doi:10.1038/nphys2819.
10. Michele Starnini, Andrea Baronchelli, Alain Barrat, 2012, Random walks on temporal networks. Phys. Rev. E 85, 056115, http://link.aps.org/doi/10.1103/PhysRevE.85.056115 
11. René Pfitzner, Ingo Scholtes, Antonios Garas, Claudio Juan Tessone, Frank Schweitzer, 2012, "Betweenness Preference: Quantifying Correlations in the Topological Dynamics of Temporal Networks", Physical Review Letters, Vol. 110, May 10, 2013.
12. Carley, Kathleen M., Michael K., Martin and John P. Hancock, 2009, "Dynamic Network Analysis Applied to Experiments from the Decision Architectures Research Environment," Advanced Decision Architectures for the Warfigher: Foundation and Technology, Ch. 4.
13. Everton, Sean, 2012, Disrupting Dark Networks, Cambridge University Press, New York, NY
14. Kas, Miray, Kathleen M. Carley and L. Richard Carley, 2012, "Who was Where, When? Spatiotemporal Analysis of Researcher Mobility in Nuclear Science," In proceedings of the International Workshop on Spatio Temporal data Integration and Retrieval (STIR 2012), held in conjunction with ICDE 2012, April 1, 2012, Washington D.C.
15. Carley, Kathleen. M., Jürgen Pfeffer, Huan Liu, Fred Morstatter, Rebecca Goolsby, 2013, Near Real Time Assessment of Social Media Using Geo-Temporal Network Analytics, In Proceedings of 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), August 25–28, 2013, Niagara Falls, Canada.
16. Merrill, Jacqueline, Mark G. Orr, Christie Y. Jeon, Rosalind V. Wilson, Jonathan Storrick and Kathleen M. Carley, 2012, "Topology of Local Health Officials’ Advice Networks: Mind the Gaps," Journal of Public Health Management Practice, 18(6): 602–608
17. Effken, Judith A.,Sheila Gephart and Kathleen M. Carley, 2013, "Using ORA to Assess the Relationship of Handoffs to Quality and Safety Outcomes," CIN: Computers, Informatics, Nursing. 31(1): 36-44.
18. Van Holt, Tracy, Jeffrey C. Johnson, Jamie Brinkley, Kathleen M. Carley and Janna Caspersen, 2012, "Structure of ethnic violence in Sudan: an automated content, meta-network and geospatial analytical approach," Computational and Mathematical Organization Theory, 18:340-355.
19. Kenney, Michael J., John Horgan, Cale Horne, Peter Vining, Kathleen M. Carley, Michael Bigrigg, Mia Bloom, Kurt Braddock, 2012, Organizational adaptation in an activist network: Social networks, leadership, and change in al-Muhajiroun, Applied Ergonomics, 44(5):739-747.
20. M. Abufouda, K. A. Zweig ."A Theoretical Model for Understanding the Dynamics of Online Social Networks Decay". arXiv preprint arXiv:1610.01538.
21. Heijmans, Ronald; Heuver, Richard; Levallois, Clement; van Lelyveld, Iman (2016). "Dynamic visualization of large financial networks". The Journal of Network Theory in Finance. 2 (2): 57–79. doi:10.21314/JNTF.2016.017. ISSN 2055-7795.
22. Christian Bokhove, 2016, "Exploring classroom interaction with dynamic social network analysis", International Journal of Research & Method in Education, doi:10.1080/1743727X.2016.1192116.

Wikipedia

Blogósfera singapuresa

Imágenes SVG con Pajek

Dr. Steven McDermott

Los nodos / vértices de la Blogosfera de Singapur 1239 representados usando svg export on pajek.


La blogósfera de Singapur


Blogósfera de Singapur: el tamaño del nodo denota la centralidad de la interrelación

Blogósfera de Singapur: el tamaño del nodo denota la centralidad de la interrelación

Emociones atraen amigos a las páginas de Facebook

Emociones atraen amigos cercanos: Análisis de la estructura de red social de las páginas de fans de Facebook

Swarm Creativity


Recientemente nos preguntamos si la estructura de las redes sociales de los fanáticos de una marca, una estrella o una causa nos dice cuán apasionados son los fanáticos. Para ser más precisos, estábamos viendo la estructura de red de la red de amistad de las páginas de fans de Facebook. Esto significa que recopilamos, en la medida de lo que se puede acceder públicamente, la red de amistad de las personas que hicieron clic en el botón "Me gusta" en la página de un fan.
Para empezar, mira la página de fans de nuestra propia conferencia COINs2010 (por cierto, la conferencia será próximamente en Savannah del 7 al 9 de octubre en SCAD, esperamos ver a muchos de ustedes allí).



Los puntos oscuros en la red son los fanáticos de COINs2010, los puntos verdes son sus amigos. Esto significa que para este análisis inicial vimos cuántos y cuán bien conectados están los amigos de un fan de COINs2010. Ignoramos los enlaces directos entre los fanáticos, pero nos concentramos en su red de amistad externa.

 En este primer intento, observamos un total de 15 grupos de fanáticos en 5 categorías, consulte la tabla a continuación:



Nosotros (admitidamente subjetivamente) clasificamos la emotividad de 1 (marcas de producto) a 5 (causas médicas). Encontramos una correlación positiva de 0.33 (aunque no significativa) entre la densidad de la red y la emocionalidad. Esto significa que cuanto más conectados están los amigos de una causa o marca, más emocionados están por su causa. Aún más interesante, encontramos una correlación negativa significativa entre el coeficiente de agrupamiento de -0.57. Esto significa que cuanto más se agrupen los amigos de los fanáticos en subgrupos, menos emocionales son.

Las conclusiones serían que las causas con los partidarios más emotivos tienen una red densa, pero uniformemente repartida, con pocos subgrupos claramente separados.

Con base en este análisis ciertamente muy preliminar, ¿qué medidas puede tomar para promover su causa? La respuesta es simple: ayude a tejer la red de sus seguidores.
1. conexiones del intermediario entre los partidarios
2. luchar contra la fragmentación de los partidarios mediante la conexión de subgrupos
En resumen, ¡ayuda a construir una gran familia feliz!