Redes de sustancias medievales revelan medicamentos bioactivos

El texto medieval de minería de datos revela ingredientes médicamente bioactivos.

Según los investigadores, los boticarios medievales usaban recetas con propiedades antibacterianas significativas.

por Emerging Technology from the arXiv 




El Lylye of Medicynes es un manuscrito del siglo XV que reside en la Biblioteca Bodleian de Oxford, Inglaterra. Es una traducción al inglés medio de un tratado latino anterior sobre enfermedades, que contiene estudios de casos y recetas de tratamientos. Era un texto influyente que se creía que originalmente pertenecía a Robert Broke, un boticario personal del monarca inglés Enrique VI.

El Lylye of Medicynes es muy familiar para los historiadores que estudian tratamientos médicos medievales. Hace tiempo que saben que algunas recetas contienen ingredientes, como la miel, con propiedades antibióticas.

Pero la cuestión más amplia de la eficacia de la medicina medieval en general es mucho más difícil de estudiar. "La farmacopea utilizada por los médicos y los laicos en la Europa medieval se ha descartado en gran medida como placebo o superstición", dice Erin Connelly de la Universidad de Pennsylvania y colegas de la Universidad de Warwick en el Reino Unido.

Ahora esa vista parece que va a cambiar. Connelly y compañía dicen que las recetas medievales siguen un patrón racional de tratamiento que resiste el control médico moderno. Su evidencia proviene de la extracción de datos de los patrones de ingredientes en el Lylye of Medicynes, que revela redes de sustancias en las recetas con importantes propiedades bioactivas.

En primer lugar, algunos antecedentes. El Lylye of Medicynes contiene 360 ​​recetas, cada una en un formato estándar que comienza con el tipo de remedio (un jarabe de ungüento o yeso, por ejemplo), luego especifica la fase de la enfermedad cuando debe aplicarse y termina con una lista de ingredientes. .

La minería de datos de este texto no es tarea fácil. Las recetas mencionan más de 3,000 ingredientes para el tratamiento de 113 condiciones diferentes. De estas condiciones, 30 describen síntomas tales como fractura de piel, purulencia, enrojecimiento, corteza negra, mal olor, calor o ardor, etc., que se traducen en síntomas de infecciones externas.

Un desafío es que el texto a menudo se refiere a los mismos ingredientes usando diferentes palabras y ortografías. Por ejemplo, la hierba hinojo se conoce como fenel, feniculi, feniculum, marathri, maratri y maratrum. Todos estos deben ser condensados ​​bajo el mismo título.

Sin embargo, varias partes de una planta pueden contener diferentes ingredientes activos, y esto también debe tenerse en cuenta. Por lo tanto, la raíz de hinojo, el jugo de hinojo y las semillas de hinojo deben incluirse por separado. El equipo también corrigió las variantes de ortografía a mano.

Una vez estandarizados los ingredientes, el equipo estudió las redes que formaron. Para ello, crearon un nodo para cada ingrediente y dibujaron conexiones entre ellos si aparecían en la misma receta. Cuanto más a menudo estos ingredientes aparecían juntos, más fuerte se hacía esta conexión. Una vez montada la red, los investigadores utilizaron un algoritmo estándar para buscar comunidades dentro de la red.

Los hallazgos hacen para la lectura interesante. "Los resultados muestran claramente la existencia de una estructura jerárquica dentro de las recetas", dicen los investigadores.

Cada comunidad en la red está compuesta por comunidades más pequeñas, todas con un núcleo común de ingredientes. Por ejemplo, un núcleo de ingredientes consiste en aloe vera más "sarcocolla nutria", una goma de uno de varios árboles persas mezclados con leche materna.

Varios ingredientes individuales juegan un papel importante en la red. Estos incluyen miel, vinagre y flores de granada.

El siguiente paso del equipo fue buscar recetas emblemáticas que exploten combinaciones de ingredientes. Luego buscaron en la literatura médica moderna la evidencia de que esas recetas podrían haber funcionado.

Por ejemplo, una receta en el tratado es un enjuague bucal descrito como un tratamiento para "pústulas, úlceras, apostemas (hinchazón / inflamación), cáncer, fístula, herpestiomenus (gangrena) y carbúnculo (carbunclo; ebullición supurativa)".

Esta mezcla se hace con "sumac, galle, psidia (la corteza de la granada o la corteza del árbol), balaustia, masilla (resina exudada del árbol de la masilla, Pistacia lentiscus), olibanum, hony y vinagre" probablemente mezclada con nitrito o leche materna.

Una pregunta importante es si alguno de esos ingredientes tiene efectos antibacterianos o inmunomoduladores. Para averiguarlo, Connelly y sus colegas los buscaron en la Base de Datos Cochrane de Revisiones Sistemáticas, una biblioteca bien conocida de investigación médica basada en la evidencia.

Resulta que hay buena evidencia de que algunos de esos ingredientes son bioactivos. Se sabe que la miel tiene propiedades antibióticas, y el Servicio Nacional de Salud del Reino Unido la usa regularmente para curar heridas. El vinagre es un buen desinfectante y la leche materna contiene una variedad de componentes antimicrobianos. La bilis (o galle) también se reconoce como un potente bactericida.

Sin embargo, hay poca evidencia de que el aloe, el incienso, la masilla y la sarcocolla tengan efectos curativos. Por ejemplo, una revisión Cochrane de los efectos de curación de la herida del áloe encontró que los estudios relevantes en general eran de baja calidad. Así que el jurado aún está deliberando sobre el poder de esas sustancias.

Sin embargo, la combinación de los ingredientes especificados en un solo enjuague bucal claramente tiene sentido. Aumenta la redundancia, si un ingrediente no funciona, otro podría y "podría aumentar la eficacia contra una especie microbiana objetivo en particular atacando varios objetivos celulares al mismo tiempo, o permitiendo la activación química de moléculas de componentes particulares", dice Connelly. y compañía.

Concluyen que la receta de enjuague bucal, y otras similares, reflejan un enfoque racional para la toma de decisiones médicas.

Eso es un trabajo interesante. Implica que la visión convencional de la medicina medieval como poco más que un hocus pocus necesita ser reconsiderada. "Este trabajo demuestra la posibilidad de usar algoritmos de redes complejas para explorar un conjunto de datos médicos medievales para patrones subyacentes en combinaciones de ingredientes relacionados con el tratamiento de enfermedades infecciosas", dicen los investigadores.

Además, creen que podría haber mucho más por descubrir en los textos medievales, incluida la posibilidad de nuevos agentes antimicrobianos que aún son desconocidos para la ciencia moderna. "El uso de las tecnologías digitales para convertir estos textos en bases de datos susceptibles de minería de datos cuantitativos requiere un enfoque interdisciplinario cuidadoso, pero podría proporcionar una perspectiva completamente nueva sobre la ciencia y la racionalidad medievales", dicen Connelly y coautores.

Ref: https://arxiv.org/abs/1807.07127 : Data Mining a Medieval Medical Text Reveals Patterns in Ingredient Choice That Reflect Biological Activity Against the Causative Agents of Specified Infections

1807 07127

Leer más publicaciones en Calaméo

Facebook y Twitter eliminan miles de cuentas rusas, venezolanas e iraníes

Facebook y Twitter eliminaron miles de cuentas falsas vinculadas a Rusia, Venezuela e Irán

Las cuentas mostraban un comportamiento falso y coordinado en Facebook e Instagram y estaban dirigidas desde Irán; Twitter identificó a Rusia como el origen de otras

Infobae



  Twitter y Facebook anunciaron al mismo tiempo que dieron de baja cuentas falsas vinculadas a Rusia, Venezuela, Irán y Bangladesh.

El último día de enero por la tarde Facebook y Twitter hicieron anuncios simultáneos sobre el mismo problema: ambas plataformas cerraron cuentas falsas vinculadas a Rusia, Venezuela, Irán y Bangladesh.

La empresa de Mark Zuckerberg anunció la suspensión de una red de cuentas que —explicó— mostraban "un comportamiento falso y coordinado en Facebook e Instagram" y estaban "dirigidas desde Irán".

Casi a la vez, Twitter anunció que había suspendido lo que calificó de redes de cuentas "de operaciones extranjeras de información" potencialmente conectadas con Irán, Venezuela y Rusia. En su sitio, la empresa dijo que confirmó que las cuentas vinculadas a Rusia se habían originado en ese país pero que no tenía certeza de que fueran administradas por Internet Research Agency, el grupo vinculado al Kremlin.

 

Más de 1.000 cuentas ubicadas en Venezuela participaron de "una campaña de influencia apoyada por el estado" que apuntó a públicos locales, agregó. También señaló que "identificó y suspendió" 2.617 cuentas maliciosas adicionales en Irán.

Facebook, por su parte, anunció en su sitio que cerró "783 páginas, grupos y cuentas por participar en comportamientos falsos y coordinados vinculados con Irán". En algunos casos, ilustró, "reutilizaban contenidos de los medios estatales iraníes" y se dirigían a "gente en todo el mundo, aunque más especialmente en Medio Oriente y el sudeste asiático".

Se trató de "operaciones relacionadas entre sí y localizadas, que utilizaron tácticas similares al crear redes de cuentas para confundir a otros sobre quiénes eran y qué hacían", describió la denuncia.

Los cientos de cuentas de origen ruso suspendidas en Twitter enviaron en conjunto casi un millón de mensajes, en su mayoría sobre política estadounidense. Se especula que trataron de intervenir en la opinión de los votantes durante las elecciones parlamentarias de noviembre de 2018, sobre las cuales tuitearon más de 73.000 veces, según la red social, con hashtags como #MAGA e #IslamIsTheProblem.

Redes familiares y desempeño en el Cabildo de Buenos Aires

Political Power from Elite Family Networks in Colonial Buenos Aires

del Valle L.C., Larrosa J.M.C. (2019) Political Power from Elite Family Networks in Colonial Buenos Aires. In: Diebolt C., Rijpma A., Carmichael S., Dilli S., Störmer C. (eds) Cliometrics of the Family. Studies in Economic History. Springer, Cham

• DOI https://doi.org/10.1007/978-3-319-99480-2_8
• Publisher Name Springer, Cham
• Print ISBN 978-3-319-99479-6
• Online ISBN 978-3-319-99480-2

Análisis multinivel estructural en la formación de normas

Un enfoque estructural multinivel hacia la formación de canones

Deparment of Network and Data Science





¿Cuál es el mecanismo subyacente del proceso durante el cual un grupo de trabajo se considera valioso, auténtico y digno de defensa, mientras que otros permanecen sin apoyo y se pasan por alto?

Júlia Perczel, candidata a doctorado en el Departamento de Redes y Ciencia de Datos, investiga esta pregunta desde un enfoque multinivel para comprender mejor las propiedades estructurales de la formación de canon en el mundo del arte.

Al examinar el campo de la construcción del canon, estudia la interrelación entre el proceso de formación y la identidad de los artistas de Europa Central y del Este, así como la narrativa de la colección sobre la región (CEE).

Júlia trabaja con big data que contiene la información de las colecciones y la exposición de los artistas en tres museos destacados: la Tate, el MoMA y el Centro Pompidou.

El análisis del ranking de artistas ha demostrado que cuanto más alto es el rango de un artista, más completa es su bibliografía, por lo que son visibles y notorios, lo que conduce a una ventaja acumulada de estos artistas que ya tienen un rango más alto. Ocupar una posición central en el mundo del arte significa ser central en múltiples sentidos. Por lo tanto, para comprender las relaciones núcleo-periferia, uno tiene que reflexionar sobre la configuración y las prácticas que (re) produce estas jerarquías. Prestar mucha atención a la objetividad de los datos es crucial para minimizar los sesgos enraizados en su contexto y naturaleza histórica, por lo que se puede evitar reproducir la estructura de poder que produce el sesgo en primer lugar.

De este modo, Júlia toma la perspectiva del museo para extraer información encapsulada por el conjunto de artistas de cada colección y realizó un análisis verdaderamente multinivel en la representación de interacción a nivel micro, meso y macro.

En el nivel micro, se centró en los artistas de la CEE en las tres colecciones de museos mencionadas anteriormente; específicamente, en las interacciones entre artistas e instituciones para explorar cómo se forma la identidad de artistas y lugares a través de eventos transformadores.

En el nivel meso, Júlia tiene como objetivo conectar cada museo con los lugares en los que sus artistas expusieron para cartografiar los cánones locales. En otras palabras, explora cómo las interacciones a nivel micro se suman para representar narrativas distintivas. Finalmente, en el nivel macro, se examinan las interacciones de colección-colección para revelar cómo los cánones locales contribuyen al conflicto y la cooperación en un sentido estructural.

Empleando este enfoque estructural-relacional, Júlia conecta teóricamente y vincula la teoría de campos operacionalmente multinivel con el discurso sobre la estructura de significado en la formación artística canónica.

Esta investigación única requiere viajes emocionantes a través de instituciones y prácticas sociales, políticas y culturales integradas en el espacio, el tiempo y los diferentes contextos para comprender cómo funciona la formación de canon.

Las epidemias de ideas se inician desde centros prestigiosos

En ciencia, algunas ideas son más contagiosas que otras

Un modelo de enfermedad infecciosa muestra que las ideas de instituciones prestigiosas tienen más probabilidades de propagarse más lejos

Por Viviane Callier |  Scientific American






Al igual que las enfermedades infecciosas, las ideas en el mundo académico son contagiosas. Pero por qué algunas viajan a lo largo y ancho, mientras que otras igualmente buenas permanecen en relativa oscuridad, ha sido un misterio. Ahora, un equipo de científicos informáticos ha utilizado un modelo epidemiológico para simular cómo las ideas pasan de una institución académica a otra. El modelo mostró que las ideas que se originaron en instituciones prestigiosas causaron "epidemias" más grandes que ideas igualmente buenas de lugares menos prominentes, explica Allison Morgan, un científico informático de la Universidad de Colorado Boulder y autor principal del nuevo estudio.

“Esto implica que donde nace una idea, se determina cuán lejos se propaga, manteniendo constante la calidad de la idea”, dice el autor principal Aaron Clauset, también en Boulder.

Esto no solo es injusto: "revela una gran debilidad en la forma en que hacemos ciencia", dice Simon DeDeo, profesor de ciencias sociales y de la decisión en la Universidad Carnegie Mellon, que no participó en el estudio. Hay muchas personas altamente capacitadas con buenas ideas que no terminan en instituciones de primer nivel. "Están produciendo buenas ideas y sabemos que esas ideas se están perdiendo", dice DeDeo. "Nuestra ciencia, nuestra beca, no es tan buena debido a esto".
Anuncio

Los investigadores de Colorado analizaron un conjunto de datos existentes de contrataciones de profesores de informática en América del Norte, así como una base de datos de publicaciones de estas contrataciones. Primero observaron cómo cinco grandes ideas en informática se extendieron a nuevas instituciones. Descubrieron que la contratación de un nuevo miembro de la facultad representaba este movimiento un poco más de un tercio del tiempo, y en el 81 por ciento de esos casos, las transmisiones se realizaban desde universidades de mayor o menor prestigio. Luego, el equipo simuló la difusión de ideas utilizando un modelo de enfermedad infecciosa y descubrió que el tamaño de una idea "epidémica" (medido por el número de instituciones que publicaron estudios sobre una idea después de que se originó) dependía del prestigio de la institución de origen. . Los hallazgos fueron publicados en línea en octubre pasado en EPJ Data Science.

El modelo de los investigadores sugiere que "puede haber una serie de ideas bastante buenas que se originan en el medio del paquete, en términos de universidades", dice Clauset. DeDeo está de acuerdo. Hay mucho trabajo bueno que sale de lugares menos famosos, dice: "Puedes aprender mucho de ellos y puedes aprender cosas que otras personas no saben porque ni siquiera prestan atención".

ARS 101: Amistad, redes y distribución de frecuencia de grados

Cómo la matemática de las redes puede ayudarte a hacer amigos

Estudiar la estructura de las amistades existentes en su comunidad puede ayudarlo a forjar las mejores conexiones al formar un nuevo círculo de amigos.


8



Patrick Honner | Quanta Magazine



Cuando comienzas en una nueva escuela o trabajo, o te mudas a una nueva ciudad, ¿cómo haces para hacer nuevos amigos? Podrías adoptar un enfoque activo, forjando conexiones estratégicas con los niños populares y los que hacen movimientos. O podría dejar las cosas al azar, confiando en agrupaciones y asociaciones aleatorias. Sea cual sea su enfoque, comprender la estructura de las amistades existentes en su nueva comunidad puede ayudarlo a hacer las mejores conexiones, que en última instancia definirán su círculo de amigos.

Imagínese mudarse a una ciudad nueva y extraña, Regulartown, que tiene una regla extraña: todos pueden tener a lo sumo cuatro amigos, y todos quieren maximizar sus amistades. ¿Cómo será la estructura de las amistades en Regulartown? Para explorar esta pregunta, usaremos un objeto matemático llamado red.

En pocas palabras, una red es un conjunto de objetos, llamados "nodos", y las conexiones entre ellos. Las redes son matemáticamente versátiles: pueden representar computadoras y los cables que las conectan, los autores y sus colaboraciones, o los estados de un cubo de Rubik y los movimientos que los transforman, esencialmente cualquier conjunto de conexiones, reales o abstractas. Para estudiar amistades en Regulartown, crearemos una red donde los nodos son personas y las conexiones son las amistades entre ellos.

Una forma útil de representar redes es imaginar los nodos como puntos y las conexiones como segmentos de línea, lo que también llamaremos enlaces. Este diagrama de red nos puede dar una idea de su estructura. Entonces, ¿cómo será la red de amistades en Regulartown? En algún momento puede parecer algo como esto:




Cada persona intentará encontrar a sus cuatro amigos y, a medida que nuevas personas se muden a la ciudad, buscarán a alguien con menos de cuatro amigos para conectarse. De esta manera, la red seguirá creciendo con el tiempo, expandiéndose continuamente en los enlaces a medida que se agregan nuevos nodos. (También es posible que se formen camarillas independientes, pero ignoraremos esa posibilidad en nuestro ejemplo).

Los diagramas de redes pueden iluminarse cuando indican una estructura clara. Pero cuando las redes se vuelven grandes o no exhiben el tipo de estructura regular de un Regulartown, los diagramas pueden ser menos útiles. Ayuda a desarrollar diferentes formas de analizar la estructura de una red. Una forma es pensar en la distribución del grado de la red.

En una red, el número de conexiones que tiene un nodo se conoce como el "grado" de ese nodo. Un nodo con un alto grado está conectado a muchos otros nodos; un nodo con un grado bajo está conectado a algunos otros nodos.



El grado de un nodo es una medida importante en una red, pero es local: solo describe la estructura de una red en un solo nodo. Pero al pensar en los grados de todos los nodos a la vez, podemos crear una herramienta útil para comprender la estructura global de una red.

En nuestra red de amistad, el grado de cada nodo es el número de amigos que tiene cada persona. En Regulartown, la mayoría de las personas tendrá cuatro amigos, por lo que la mayoría de los nodos tendrán el grado 4. Los residentes no tendrán más de cuatro amigos, pero algunos tendrán menos, por lo que habrá nodos con los grados 3, 2 o 1. Podemos resumir la distribución de grados como este:



Este histograma transmite información importante sobre la estructura de nuestra red. En este simple ejemplo, puede que no nos diga tanto como nuestro diagrama de red, pero veremos cómo las distribuciones de grado pueden ser herramientas poderosas para comprender diferentes tipos de redes.

Vayamos a una nueva ciudad. En Randomville, las amistades suceden al azar. Dado que la aleatoriedad puede ser un asunto complicado, seamos claros sobre lo que queremos decir: imaginaremos a cada persona de la ciudad como un nodo en una red, lo que hace que cada posible ventaja sea una posible amistad. Para generar una amistad aleatoria, elegiremos uno de esos posibles enlaces al azar y lo dibujaremos, estableciendo una conexión entre esos dos nodos y, por lo tanto, una amistad entre esas dos personas.

¿Cómo sería la red de Randomville? Suponiendo que comencemos con un grupo de nodos y agregamos al azar un grupo de enlaces, la imagen puede verse así:


Puede ser difícil ver la estructura en este diagrama. Pero el grado de distribución de esta red es esclarecedor. Si bien no es fácil calcular directamente, podemos razonar a través de algunas propiedades importantes usando un ejemplo simple.

Imagina que eres una de las 10 personas en Randomville. ¿Cuántas amistades posibles hay? Cada una de las 10 personas podría estar conectada a las otras nueve, por lo que parece que potencialmente podría dibujar 10 × 9 = 90 enlaces. Pero esto en realidad cuenta cada amistad posible dos veces: una para cada amigo. Entonces, el número total de amistades posibles es realmente 90 dividido por 2, o 45.

Ahora digamos que elegimos al azar una amistad, es decir, seleccionamos al azar uno de los 45 enlaces posibles en nuestra red. ¿Cuál es la probabilidad de que se conecte con usted? Bueno, hay nueve enlaces posibles que se extienden desde usted a cada uno de los otros nueve nodos. Dado que nueve de los 45 enlaces se conectan con usted, la probabilidad de que un enlace seleccionado al azar se conecte con usted es de 945 = 15, o 20 por ciento.

Pero este mismo argumento se aplica a todos en Randomville, por lo que cada nodo tiene un 20% de probabilidad de estar conectado al enlace seleccionado al azar. Ahora, a medida que se agregan los enlaces (y los nodos), estas probabilidades cambiarán ligeramente, pero a la larga seguirán siendo aproximadamente las mismas. Esto significa que las amistades se distribuirán de manera bastante uniforme alrededor de Randomville. Habrá algunas variaciones leves aquí y allá, pero tener pocos amigos o muchos amigos será poco probable. En Randomville, es probable que casi todos terminen con algo parecido a un número promedio de amigos.

 Estas características familiares están incorporadas en la distribución de grado "binomial" de una red aleatoria típica.

 

Al observar solo la distribución en grados de esta red, podemos inferir un tipo particular de uniformidad: cuando se trata de conectividad, la mayoría de los nodos son promedio y muy pocos son extremos. Esta es una información útil cuando se trata de entender la estructura de la red. (A medida que se agregan nodos, digamos, cuando nuevas personas vienen a la ciudad, la distribución cambiará ligeramente, pero las características generales persistirán).

Ahora, ninguno de estos dos ejemplos, la regla de la mayoría de los cuatro amigos de Regulartown o las amistades seleccionadas al azar de Randomville, son modelos realistas de amistad. Las personas pueden tener más de cuatro amigos, y tener muchos amigos no es tan inusual como sugiere la distribución binomial. Entonces, ¿qué es un modelo de amistad más realista?

A medida que establezca conexiones con amigos y amigos de amigos, la estructura de sus amistades probablemente compartirá características comunes a otras redes del mundo real como redes de alimentos, interacciones de proteínas e Internet. Estas características caracterizan las llamadas redes "sin escala", un modelo de conectividad que ha llegado a dominar la ciencia de redes en los últimos 20 años. Investigadores de matemáticas, física, economía, biología y ciencias sociales han visto los signos reveladores de redes sin escala en sus campos dispares.



Una compleja red sin escala que representa los metadatos de una red social.
Martin Grandjean

La estructura de las redes sin escala depende del principio simple de "conexión preferencial". La conexión preferencial es una regla de crecimiento de la red rica en riqueza: un nodo con muchas conexiones existentes es más probable que obtenga nuevas conexiones que un nodo con pocas conexiones Conexiones existentes. Las nuevas conexiones muestran una preferencia por los nodos de alto grado.

¿Tiene sentido esto en el contexto de la formación de la amistad? En general, parece razonable argumentar que una persona con muchos amigos tendrá más probabilidades de hacer nuevos amigos. Como ya están conectados a más personas, es más probable que conozcan a nuevas personas a través de esas conexiones existentes. Tener más amigos crea más oportunidades para hacer nuevos amigos. Y el hecho de que ya tengan muchos amigos sugiere que pueden tener algún tipo de capacidad o afinidad para hacer amigos. Esto probablemente atraerá a otros, al igual que los sitios web populares dibujan enlaces de otros sitios y blogs, y las ciudades establecidas invitan a nuevas líneas de ferrocarril y rutas aéreas.

Si bien hay múltiples factores que intervienen en el desarrollo de redes sin escala, muchos consideran que el vínculo preferencial es el más fundamental. Y tiene una consecuencia fascinante en la distribución de un grado de red.



El apego preferencial predice una distribución de grados "de cola gruesa". La mayoría de los nodos en la red serán de grado bajo, pero habrá nodos de grado cada vez más alto. Esto contrasta con las redes de amistad de Regulartown y Randomville, que tenían pocos o ningún nodo de alto grado.

Estos nodos de alto grado, que actúan como centros, son una característica crítica de las redes sin escala. Son las mariposas sociales de las redes de amistad, los bancos en el centro de las economías, los enrutadores centralizados que recorren las líneas regionales de Internet, los Kevin Bacons del mundo en funciones. Los hubs pueden aportar una sensación de pequeño mundo a una red enorme; por ejemplo, dos usuarios seleccionados al azar de los dos mil millones de personas en Facebook son, en promedio, menos de cuatro amigos. Y la cantidad y diversidad de hubs también proporciona a las redes sin escalas resistencia frente a ciertos tipos de fallas: por ejemplo, incluso si fallan muchas conexiones a Internet, los mensajes aún se pueden transmitir, en parte porque todavía habrá muchas formas de llegar y salir de la red. muchos centros (hubs).

Si bien parece haber acuerdo sobre la utilidad de las redes sin escala y sus características de alto nivel, esta área de estudio no está exenta de controversia. Las características matemáticas precisas de estas distribuciones de grados pueden ser difíciles de interpretar. En su libro Linked: The New Science of Networks, el pionero de la ciencia en redes y físico Albert-László Barabási argumentó que las redes que exhiben un apego preferencial tendrán distribuciones de grado que esencialmente siguen una "ley de poder". Las distribuciones de la ley de poder se ven en muchas situaciones físicas, Como las leyes de la inversa al cuadrado de la gravitación y los campos eléctricos. Pueden representarse como funciones de la forma  f(x)=axk, y sus gráficas suelen tener este aspecto:



Las distribuciones de la ley de poder tienen colas gruesas. ¿Pero qué tan gordo? Es decir, ¿cuántos concentradores de cada grado deberíamos esperar en una red de este tipo? Un estudio publicado a principios de este año analizó 1,000 redes del mundo real y concluyó que solo un tercio tenía distribuciones de grado que podrían ser descritas razonablemente por una distribución de ley de poder. Muchas de las redes tenían distribuciones de grado que podrían describirse con mayor precisión utilizando distribuciones "exponenciales" y "log-normal". Pueden tener las características de alto nivel características de las redes sin escala, pero sin la distribución de grado esperada, ¿pueden realmente considerarse sin escala? ¿Y realmente importa?

Importa si queremos conectar nuestras teorías a nuestros datos. ¿Es el apego preferencial realmente el factor principal en la formación de redes sin escala? ¿O hay otros factores que también desempeñan roles sustanciales, factores que pueden impulsar las distribuciones de grados en diferentes direcciones? Responder a estas preguntas y descubrir cuáles son las preguntas correctas que se formulan a continuación, es parte de comprender completamente la naturaleza y la estructura de las redes, cómo se desarrollan y cómo evolucionan.

Y la controversia también nos recuerda que, al igual que nuestras redes, las matemáticas en sí mismas son un conjunto de conexiones en evolución. La investigación contemporánea está desafiando las conjeturas de 20 años en el campo relativamente joven de la ciencia de redes. A medida que las nuevas ideas se unen a la red, nos conectan a las matemáticas del pasado y del futuro. Entonces, cuando se trata de matemáticas, al igual que en las amistades, harás bien en encontrar los centros y maximizar tu título.

Ejercicios

1. ¿Cómo sería una red de amistad si cada persona tuviera exactamente dos amigos?
2. En Regulartown cada persona puede tener hasta cuatro amigos. Es posible que se formen camarillas en Regulartown, pequeños grupos en los que cada persona tiene exactamente cuatro amigos. ¿Cuántas personas podrían estar en tal pandilla? (Sugerencia: la respuesta está relacionada con un sólido platónico).
3. Nuestras redes de amistad confían en que la amistad sea una relación simétrica, es decir, si A es amigo de B, entonces B es amigo de A. ¿Cómo podríamos ajustar nuestro modelo de red para adaptarse a una noción no simétrica de amistad, donde A podría ser amigo de B pero B no ser amigos con A?
4. En Friendville, todos son amigos de todos los demás. Si hay n personas en Friendville, ¿cuántas amistades hay?

Introducción al análisis de redes organizacionales (ONA)

Análisis de redes organizacionales.

Obtenga una visión, conduzca con inteligencia


Visualizar y analizar las relaciones formales e informales en su organización puede ayudarlo a diseñar una estrategia comercial que maximice el intercambio orgánico de información, lo que ayudará a que su empresa sea más sostenible y eficaz.

Delloite

Ver más allá del organigrama

En cada organización, las personas construyen equipos informales de asistencia. Confían en esa persona que siempre sabe "cómo hacemos las cosas aquí". Encuentran a alguien en finanzas que puede responder a cualquier pregunta sobre el presupuesto. Estas conexiones espontáneas y de importancia crítica son el alma de las organizaciones de todo el mundo.

El Análisis de redes organizacionales (ONA) es una forma estructurada de visualizar cómo las comunicaciones, la información y las decisiones fluyen a través de una organización. Las redes organizativas consisten en nodos y vínculos, la base para comprender cómo fluye la información en su organización, puede fluir y debería fluir.

Análisis de red organizacional (ONA) explicado

Cada organización tiene personas (nodos) que sirven como conductos críticos para el intercambio de ideas e información (Figura 1). Una conexión entrega valor cuando se intercambia información necesaria.

• Nodo central: estas son las personas que parecen conocer a todos. Los nodos centrales comparten mucha información e influyen en los grupos rápidamente. Los nodos centrales pueden estar en cualquier lugar en la jerarquía de una organización, a menudo son muy apreciados y están muy comprometidos con las noticias y desarrollos de la compañía.
• Agente de conocimiento: estas personas crean puentes entre grupos. Sin intermediarios de conocimiento, la información y el intercambio de ideas se detienen.
• Periférico: Los periféricos de alto potencial, que son fácilmente pasados ​​por alto y desconectados del resto de la empresa, pueden ser un riesgo para las organizaciones. Los excepcionales programadores de Java que no enseñan a los demás las mejores prácticas no solo estancan el desarrollo del producto, sino que también se convencen fácilmente de llevar sus talentos a otra parte.
• Lazos: Los lazos son las relaciones formales e informales entre nodos. El establecimiento de vínculos relacionales óptimos entre los nodos centrales y los agentes de conocimiento ayuda a garantizar que la información útil se mueva fácilmente entre los grupos y dentro de ellos.

Estos nodos y lazos son los elementos centrales de ONA. La visualización de las relaciones entre nodos y vínculos hace que sea mucho más fácil identificar las conexiones críticas y las posibles barreras al flujo de información y la colaboración. ONA revela dónde los nodos centrales podrían tener el mayor impacto, por ejemplo, en grupos que "no hablan mucho", o donde debería crear conexiones más sólidas para agilizar el intercambio de información y eliminar la redundancia.

Figura 1: actores de muestra

Al identificar y administrar los nodos centrales de manera adecuada, el cambio se puede adoptar de manera más rápida y generalizada, lo que ayuda a limitar las interrupciones costosas mientras la organización está alineada con la estrategia empresarial.

Desbloquea el poder de las redes.

Aumentar la efectividad operacional.

Los organigramas formales a menudo se parecen poco a la red de personas que realmente ejecutan el trabajo. ONA puede ofrecer información valiosa durante el diseño organizativo, facilitando el establecimiento de estructuras futuras que posicionen a los empleados donde puedan brindar el mayor impacto.

Transformar las organizaciones de una manera más inteligente.

Muy a menudo, los líderes identificados en un organigrama no son los verdaderos centros del flujo de información o son percibidos como personas a las que "acudir". Es fácil confiar en la palabra de boca y en las heurísticas de gestión para identificar a las personas para que actúen como agentes de cambio durante la implementación y transformación de una nueva organización. Pero con más frecuencia que no, las personas identificadas a través de estos enfoques no son los líderes "reales". ONA aumenta las posibilidades de que los líderes naturales de su organización estén a bordo y la transformación logre los objetivos previstos.

Usa el talento eficientemente

El trabajo real del día a día no puede ser representado completamente por un título de trabajo o capturado en un chat de organización. ONA puede revelar qué posiciones y unidades están interactuando para realizar el trabajo.

• Claridad funcional: ¿Están todos los recursos de infraestructura de TI alineados con su grupo de TI compartido? ¿Son los empleados de finanzas los únicos que ejecutan actividades de cierre de libros al final del año? La realización de una ONA puede exponer el verdadero costo de los recursos de las actividades, así como el trabajo real realizado bajo cada título de trabajo. ONA proporciona una perspectiva nueva e informada para definir el estado futuro de las funciones y actividades, desde el nivel de departamento hasta el contribuyente individual.
• Definición de roles: ONA muestra dónde comienza, se detiene y se detiene el trabajo. Esto puede proporcionar información valiosa sobre el estado actual y futuro de la toma de decisiones y el gobierno de su organización, y hace que sea más fácil ver cómo integrar a las personas adecuadas en el flujo. Por ejemplo, durante la actividad de fusiones y adquisiciones, los títulos de trabajo inexactos o definidos de manera diferente pueden hacer que los roles parezcan diferentes cuando en realidad son los mismos. A través de ONA, las organizaciones pueden ayudar a identificar la redundancia de roles dentro de una red, potencialmente liberando talento para completar más actividades de valor agregado.

Usar ONA para informar los esfuerzos de diseño de la organización puede ayudar a:

• Aumente la efectividad operativa al construir una organización que está estructurada para aumentar la colaboración y el intercambio de información entre las personas adecuadas.
• Transforme las organizaciones de una manera más inteligente mediante la identificación de líderes formales e informales con los que se puede contar para facilitar el cambio y ayudar a acelerar la realización de los beneficios de la transformación.
• Use el talento de manera más efectiva minimizando la confusión de roles y la redundancia.