Fallas en redes analizadas a través de redes neuronales

Descubren cómo evitar fallas en redes a partir de analizar conexiones cerebrales
Científicos del CONICET formulan una teoría que predice la robustez de las redes naturales y que podría ayudar al armado de redes artificiales.



Andrés Babino, becario doctoral en FCEN, UBA-CONICET. Foto: CONICET FOTOGRAFÍA

Mariano Sigman y Andrés Babino, investigador independiente y becario doctoral, respectivamente, del Departamento de Física de la Facultad de Ciencias Exactas y Naturales de la Universidad de Buenos Aires (UBA-CONICET) lograron, a partir de analizar conexiones cerebrales, determinar de qué manera deberían estructurarse las redes artificiales para prevenir fallas catastróficas.

El trabajo, realizado en conjunto con investigadores de Brasil, Estados Unidos y España y publicado en la revista Nature Physics, logró demostrar por qué las redes naturales conservan su robustez, algo que la teoría fallaba en predecir.

Hasta el momento la teoría de red de redes pronosticaba errores catastróficos en las redes naturales que no se evidencian en la práctica. Desde las redes neuronales hasta las interacciones ecológicas, todas mantienen su robustez por selección natural, explica Babino.

Las claves principales de esta robustez son, como grafica Sigman, por un lado que la comunicación de las redes es mediada por nodos centrales - hubs – y que al conectarse se da el fenómeno de redundancia, es decir una duplicación de los datos y elementos que utiliza la red para que la falla de una no implique la caída del conjunto. “Esto produce redes de menos rango –mismo numero de cables con menos nodos conectados-, pero representa mayor robustez en cada conexión”, agrega.

Cuando conectan dos redes que aisladas son robustas, las debilidades de una red pueden propagarse a las zonas fundamentales de la otra y lograr penetrar en sitios que estaban protegidos, por ejemplo indica Sigman, “la red de datos y la red eléctrica que dependen una de otra y si se cortan los datos, la distribución de energía se interrumpe”, agrega.



Para llegar a estas conclusiones, el grupo de trabajo analizó conexiones cerebrales de una base de datos públicos, recabados de distintos estudios neurológicos –set de datos-. Uno es el de Resting State -estado de reposo- en el que los sujetos son sometidos a resonancia magnética funcional con los ojos cerrados y se les pide que no piensen en nada. “En ese estado mental presentan un patrón de activación cerebral estereotipado y comprobamos que tiene las propiedades predichas por esta nueva teoría”, dice Babino.

“También se verifica en otro set de datos, llamado de tarea dual -dual task-, en el que el sujeto tiene que hacer dos cosas al mismo tiempo, con imágenes y sonidos, eso genera una red atencional distinta, un patrón de activación distinta. Y esta nueva red, también satisface la predicción de la teoría”, concluye.

Este nuevo modelo que analizó conexiones cerebrales puede permitir estudiar nuevos set de datos de otras redes neuronales, o de redes de ecología –redes tróficas-, y utilizarse para el armado de redes robustas humanas que alejen la posibilidad de las fallas catastróficas.

Por María Bocconi
Sobre investigación:
 • Saulo Reis, City College of New York y Universidade Federal do Ceará.
• Yanqing Hu, City College of New York.
• Andrés Babino, Becario post-doctoral, UBA.
• José Andrade, Universidade Federal do Ceará.
• Santiago Canals, Instituto de Neurociencias de Alicante, España.
• Mariano Sigman, Investigador independiente. UBA.
• Hernám A. Makse, City College of New York.

Conicet

Redes de difusión por idioma

Muchos libros están traducidos dentro y fuera de idiomas Comentarios tales como Inglés, alemán y ruso, árabe, pero tiene menos traslaciones relativas a sus múltiples altavoces. (Las flechas entre círculos representan traducciones; el tamaño del círculo de una lengua es proporcional a la cantidad de personas que lo hablan.)

¿Quieres influir en el mundo? Mapa revela los mejores lenguajes para hablar

Por Michael Erard - Science Magazine


Hable o escriba en Inglés, y el mundo lo va a escuchar. Hable o escriba en Tamil o portugués, y usted puede tener más dificultades para hacer llegar su mensaje. Ahora, un nuevo método para la cartografía de cómo fluye la información en todo el mundo Identifica los mejores lenguajes de difundir sus ideas a lo largo y ancho. Un consejo: Si usted está pensando en una segunda lengua, intente español en lugar del chino.

El estudio fue impulsado por una conversación acerca de un libro no traducida, dice Shahar Ronen, un administrador de programas Microsoft quién Massachusetts Institute of Technology (MIT) tesis de maestría fue la base de la nueva obra. A bilingües altavoces Hebreo-Inglés de Israel, de la cifra de su asesor MIT, César Hidalgo (sí un altavoces español-inglés), sobre un libro escrito en hebreo quién la traducción en Inglés de la que aún no era consciente. "Tuve la oportunidad de cubrir un espacio de cierta cultura Porque yo era multilingüe", afirma Ronen. Empezó a pensar acerca de cómo crear un mapas de todo el mundo de cómo las personas multilingües transmiten información e ideas.

Ronen y co-autores del MIT, la Universidad de Harvard, la Universidad del Noreste y Universidad de Aix-Marsella abordar el problema mediante la descripción de las tres redes globales basadas en tweeters bilingües de idiomas, traducciones de libros y ediciones de Wikipedia multilingües. El libro traza la traducción de la red cuántos libros han sido traducidos a otros idiomas. Por ejemplo, el libro hebreo, traducido del hebreo al Inglés y alemán, estaría representada en líneas apuntando desde un nodo del hebreo a los nodos de Inglés y Alemán. Esa red se basa en 2,2 millones de traducciones de libros impresos publicados en más de 1.000 lenguas. Como en todas las redes, el espesor de las líneas representa el número de conexiones entre nodos. Para tweets, los investigadores utilizaron 550 millones de tweets por 17 millones de usuarios en 73 idiomas. En esa red, si un usuario tweets en, digamos, el hindi, así como en Inglés, los dos idiomas están conectados. Para construir la red Wikipedia, los investigadores siguieron ediciones en hasta cinco idiomas realizados por los editores, se excluyen cuidadosamente bots.

En las tres redes, Inglés tiene la mayoría de las transmisiones desde y hacia otras lenguas y es el centro más céntrico, informó el equipo en línea hoy en las Actas de la Academia Nacional de Ciencias. Pero los mapas revelan también "un halo de centros intermedios," De acuerdo con el documento, comentarios como el francés, alemán y ruso, la que sirven la misma función en una escala diferente.

Por el contrario, algunas lenguas con grandes poblaciones de altavoces, Comentarios como el mandarín, el hindi y árabe, se encuentran en estas redes son relativamente aislado. Esto significa que un menor número de comunicaciones en Comentarios esos idiomas alcanzan los hablantes de otras lenguas. Mientras tanto, un idioma como el holandés hablado por 27 millones de personas, puede ser una parte desproporcionadamente grande de conducto, en comparación con un idioma como el árabe, el cual cuenta con la friolera de 530 millones de hablantes de lengua materna y segunda. Esto es porque los holandeses son muy multilingüe y muy en línea.

  Los mapas de la red muestran lo que ya se sabe, la confirmación instantánea: Si usted desea conseguir sus ideas a cabo, se puede llegar a una gran cantidad de personas a través del idioma Inglés. Sin embargo, los mapas muestran cómo los hablantes También en idiomas dispares benefician de ser indirectamente vinculados a través de lenguas grandes y pequeños cubos. En Twitter, por ejemplo, las ideas en Filipino pueden teóricamente se mueven a la esfera de habla coreana a través malayo, mientras que el camino más probable para las ideas para ir de turco para malayalam (hablado en la India por 35 millones de personas) es a través de Inglés. Comentarios Estas redes se revelan en detalle en la página web del estudio.

Los autores señalan que los usuarios que estudiaron, a quienes consideran elite Porque, a diferencia de la mayoría de la gente en el mundo que saben leer y escribir y en línea, no representan a todos los hablantes de una lengua. Sin embargo, "las élites de idiomas globales tienen una cantidad desproporcionada de poder y responsabilidad, Debido a que están dando forma tácita la forma en la que las culturas distantes ver otra llamada ahora, incluso si ésta no es su objetivo", dice Hidalgo. Cuando el conflicto en Ucrania estalló el verano pasado, la mayoría de personas en el mundo conocieron a través de nuevas historias escritas originalmente en Inglés y luego traducidas a otros idiomas. En este caso, "sesgos implícitos o ángulo tomada por los medios ingleses aportan color a la información sobre el conflicto que está disponible para muchas personas que no hablan inglés", dice Hidalgo.

Las redes ofrecen potencialmente orientación a los gobiernos y otras comunidades lingüísticas que quieren cambiar Críticas su papel internacional. "Si yo quiero que mi lengua nacional sea más prominente, entonces yo debería invertir más en la traducción de documentos, alentar a más gente a twittear en Reviews su idioma nacional", afirma Ronen. "Por otro lado, si quiero nuestras ideas a difundir, debemos elegir una segunda lengua que está muy bien conectado."

Para quienes no hablan inglés, la elección del Inglés como segunda o tercera lengua es obvia. Para personas de habla inglesa, el análisis sugiere que sería más ventajoso elegir españoles sobre China, al menos si están extendiendo Comentarios sus ideas a través de la escritura.

El problema de medir la situación relativa de las lenguas del mundo "es muy difícil, ya menudo muy difícil conseguir buenos datos está a punto", dice Mark Davis, presidente y co-fundador del Consorcio Unicode en Mountain View, California, roomates hace la codificación de caracteres para las computadoras del mundo y dispositivos móviles. "Su punto de vista sobre el problema es interesante y útil."

La transmisión cultural que ocurre en el lenguaje hablado demasiado, señala William Rivers, el director ejecutivo del Comité Nacional Conjunto sin fines de lucro para las Lenguas y el Consejo Nacional de Lenguas y Estudios Internacionales en Garrett Park, Maryland. Los datos sobre las interacciones en, digamos, los zocos de Marrakech, donde se habla árabe, Hassaniya, el árabe marroquí, francesa, Tashelhit y otros idiomas, son imposibles de conseguir, pero importante en la transmisión cultural, dice. Y agrega que "a medida que Internet se ha vuelto más accesible a más personas en todo el mundo, se conectan a Internet en Reviews su propio idioma." Cuando lo hacen, ahora saben cómo conectarse a otros idiomas y se mueve Comentarios sus ideas también.

Pnas 2014 Ronen 1410931111

Leer más publicaciones en Calaméo

De qué habla cada ciudad en Twitter (video)

Mapas más fascinantes sobre lo que las personas twitean en Estambul, Baltimore, Barcelona y más
David Troy - TED


¿Qué aspecto tienen las redes sociales en su ciudad o país? David Troy (TED Talk: Social maps that reveal a city’s intersections — and separations) crujidos datos para ver lugares no como barrios, pero a medida que las relaciones entre las personas. Con su proyecto Gente Maps, él grupos de personas por quienes siguen y hablan en Twitter, luego trabaja con colaboradores locales para analizar lo que esas personas hablan de más. ¡El resultado? Mapas no geográficos de fascinantes de interés, y las comunidades de una región.


RIO DE JANEIRO: Rio de Janeiro aparece como una grande, complicada ciudad. Si bien existe una brecha entre lo que podríamos llamar las comunidades ricas y más pobres, hay una gran cantidad de la mezcla en el medio. También hay muchas comunidades diferentes de interés en torno a determinados tipos de música. Con el tiempo, debemos ser capaces de identificar aún más las comunidades y ver dónde están puente y no salvar. Pero, en general, Rio parece que es muy diversa y se mezclan, especialmente entre los jóvenes.




ARABIA SAUDITA: A medida que Arabia Saudita endurece las medidas contra la libertad de prensa, la gente ha estado recurriendo a las redes sociales para comunicarse y organizarse. Este es un mapa temprano de un lugar complicado; podemos ver que las comunidades están dispuestas en un eje de liberal a conservador, con el fútbol en el medio. También podemos ver una subred para el sexo y porno gay, que vemos también en Estambul, otro lugar con la censura en Internet.




SAN FRANCISCO: Ha sido bien informado, que hay tensiones en San Francisco que rodean la afluencia de inversión de capital de riesgo y empresas de tecnología. Este mapa muestra esta brecha. Incluso hay una comunidad que es tan distinta que es claramente identificable como empleados de Twitter - comprensibles, ya que este se muestra las relaciones de Twitter. Este mapa también nos recuerda que estos mapas no son geográficos - que son los mapas de las comunidades de las relaciones, y no están correlacionados geográficamente de cualquier manera, a pesar de la similitud con la forma de la península de San Francisco.




MUNICH: El uso de Twitter en Munich es de aproximadamente 10 a 12 veces menor que la observada en Barcelona o Estambul. Esto puede ser debido a la actitud de Alemania alrededor de la privacidad y de compartir, o puede ser debido a un relativamente alto nivel de vida, la libertad de prensa, y la falta de una comunidad minoritaria que siente la necesidad de trabajar en red entre sí. La mayoría de los usuarios parece ser la promoción de productos, servicios, medios de comunicación, eventos - y FC Bayern.




ESTAMBUL: Estambul tiene una gran población de jóvenes de sexo masculino "poetas" - la mayor cohorte identifiqué en la ciudad. Están hablando de conseguir chicas y la música y ser un chico en este momento, pero pronto van a empezar a querer trabajos reales y comenzar a votar. La gran pregunta para Turquía es donde esos jóvenes se convertirán su energía - con los valores democráticos o puntos de vista fundamentalistas. También tenga en cuenta la clara presencia de una subred "porno gay", que es algo que hemos observado en otros lugares donde se censuran contenidos de Internet. También hay que destacar una subred de "trolls" que parecen existir principalmente a repetir el contenido de otros. Esto puede ser parte de una campaña astroturfing para amplificar ciertos mensajes políticos.



BARCELONA: Barcelona presenta como una pelota de playa de colores, y es quizás la ciudad más "bien redondeado" que hemos trazado. Independencia Catalunyan es un tema candente, por supuesto, al igual que el equipo de fútbol del FCB famoso. Comunidades de Barcelona envuelven cuidadosamente alrededor de lo que parece ser una variada gama de medios de comunicación mayoritarios. Los ratones de biblioteca y los fans de la biblioteca son aún claramente identificable (frente a los aficionados FCB, siento decirlo). Uso de Twitter es bastante alto en Barcelona, tal vez atribuible a la reciente combinación de los cambios económicos y políticos.



BALTIMORE: El mapa Baltimore muestra un patrón de segregación racial bastante extrema. El mapa es en su mayor parte dividida: a la izquierda, sobre todo los afroamericanos y otras personas no blancas, y en la derecha, en su mayoría blancos. Refleja la ciudad dividida que observo todos los días como residente. Debemos tratar de tender un puente mejor estas divisiones.

El más precioso mapa de los tweets

Crean un mapa con cada tuit enviado en los últimos tres años en el mundo

Eric Fischer, responsable de Mapbox, un servicio de creación y publicación cartográfico, ha elaborado un mapa con cada tuit enviado en los últimos tres años y medio en todo el planeta.





Mapbox

Mas evidencia experimental del poder del efecto de pares

La gente alrededor que controlan tu mente: La evidencia más reciente
Es difícil medir la presión de grupo, pero sus efectos son tal vez más poderosa de lo que pensábamos.


Por Jeff Guo - The Washington Post

Así que usted está sentado en un avión, en algún lugar de la parte de atrás. El sudor está aumentando en este guiso humana, y con horror ves que se condensa, recorriendo las gotitas por el cristal de la ventana. Cierras la persiana ciega. Agh!.


Por supuesto, el sentimiento es irracional -estás volando, por en el cielo! -pero todo lo que pasa ahora mismo lo aborreces. La aerolínea, por su tacañería. El asistente de vuelo, para verter que media una lata de Coca-Cola, a continuación, sacando la lata de nuevo. Pero más que nada, te odio sus compañeros de viaje. ¡Odias la humanidad!.

Alguien a tu lado birla su tarjeta de crédito para comprar una película en el vuelo, que a su vez le recuerda el insulto, los preocupados por la guita, de los viajes aéreos.

Y, sin embargo. Después de analizar una base de datos confidencial de pasajeros y de los registros de compra con fecha y hora, un profesor de Stanford descubrió que si a alguien a tu lado compra algo en el avión, que está 30 por ciento más propensos a comprar algo tu también.

Ese es el poder de presión de los compañeros.

En un documento de trabajo reciente, Pedro Gardete miró 65.525 transacciones a través de 1.966 vuelos y más de 257.000 pasajeros. Él analiza los datos en miles de mini-experimentos como este:



Si alguien a tu lado ordenó un aperitivo o una película, Gardete era capaz de ver si más tarde lo hizo, también. En este experimento natural, la persona que se sienta directamente en frente de usted fue objeto de control. Las compras se hicieron sobre una pantalla táctil; esa persona no hubiera sido capaz de ver nada. Si usted compró algo, y la persona delante de usted no lo hizo, la presión de grupo puede haber sido la razón.

Debido a que tenía datos de la reserva, Gardete podría excluir a las personas volando juntos, y controlado para todo tipo de otros factores tales como la elección de asiento. Esto es puramente el efecto de la elección de un extraño - no sólo eso, sino que un extraño al que usted podría estar resentido porque él está sentado a tu lado, y esto es un avión.

Mediante la adición de miles de estos pequeños experimentos, Gardete, profesor asistente de marketing de Stanford, se acercó con una estimación. En promedio, la gente compraba cosas 15 a 16 por ciento de las veces. Pero si usted vio a alguien a tu lado pide algo, sus posibilidades de comprar algo, también, subieron un 30 por ciento, o cerca de cuatro puntos porcentuales.

"Esa magnitud que realmente no esperaba", dice Gardete. "Es una locura, una locura."

La belleza de este trabajo es que se ve en las influencias sociales en una situación controlada. (Lo que es más de una trampa de un asiento de avión?) Estos experimentos naturales son difíciles de conseguir.

Los economistas y los científicos sociales han preguntado durante mucho tiempo sobre el poder de presión de los compañeros, pero es uno de los más difíciles problemas de investigación.

"Efectos sociales en el consumo son muy difíciles de medir", dice Gardete. "Sólo piensa en un supermercado. El número de cosas que suceden en un supermercado son tan grandes que es muy difícil de medir cualquier cosa ".

La investigación educativa ha sido particularmente perseguido por la cuestión de los efectos de pares. Sabemos de primera mano, por supuesto, la influencia que los amigos son. Pero, ¿la composición de un aula a hacer o deshacer el plan de la lección? Son más importantes que sus profesores tus compañeros?

Algunas de las medidas más claras provienen de los dormitorios de la universidad. Si su compañero de cuarto asignado al azar es un ratón de biblioteca, es probable que estudie más. Si son negro y usted es blanco, es probable que se convierte en más de apoyo de la acción afirmativa. Si bebiste tanto en la escuela secundaria, entonces es probable que habilita entre sí y se metan en problemas.

Los efectos de pares son mucho más difíciles de detectar en las aulas, en los que un millón de cosas están sucediendo a la vez. Recientemente, sin embargo, dos investigadores tuvieron una idea inteligente.

Leonardo Bursztyn, profesor asistente en la UCLA, y Robert Jensen profesor de la Universidad de Pennsylvania, repartieron volantes alentando a los chicos del 11º grado a inscribirse a una clase gratuita SAT. El truco: Algunos de los volantes, decía que todos en la clase sabrían quien se había registrado. Algunos de los volantes decían que estas decisiones se mantenían en privado.

En las aulas con altas calificaciones (honours), los niños fueron 25 por ciento más propensos a inscribirse si sabían que sus compañeros los estarían juzgando. En salones de clases sin honores, los niños fueron un 25 por ciento menos propensos a inscribirse.



Los niños en las clases no-honores estaban preocupados por lo que sus amigos pensarían. Así que eran niños en las clases de honor.

Todo esto debe ser un recordatorio de que todas las personas en su vida que la influencia - incluso si es el chico que le dio un codazo sneezy fuera el reposabrazos en su vuelo de regreso de Acción de Gracias.

Social Effects Oct 14

ARS: Cómo detectar comunidades

Cómo detectar comunidades usando Análisis de Redes Sociales


Rob Parkin - Face Group

Introducción

La investigación de medios sociales no es sólo la investigación de mercado cualitativo o cuantitativo traducido en un conjunto de datos diferentes - que tiene sus propios métodos. En este blog somos grandes creyentes en el uso de las propiedades únicas de datos de medios sociales para responder a las preguntas que otros métodos de investigación no pueden conseguir en.

Y lo que es especial acerca de los datos sociales, especialmente en Twitter, es que con las plataformas de análisis suficientemente avanzados (Pulsar!) Que no sólo recoge el mensaje, sino también los metadatos de ese mensaje y su autor. Esto proporciona la información necesaria para analizar cómo se comparte ese mensaje a través de las redes sociales - o, alternativamente, la red de quién sigue a quién. El resultado: la investigación social adecuada que parte de la premisa de que las personas se conectan, no los individuos sólo atomizadas.

En la primera parte de esta serie de blogs presentamos algunas de las posibles aplicaciones para el análisis de redes de investigación de mercado, que revela cómo la visualización de datos de red puede permitir a usted para identificar factores de influencia que tienen en el mundo real que significa en el contexto de los grupos sociales en los que pertenecen .

También hablé de cómo existe influencia en diferentes "subredes" o "grupos sociales", y si hemos de comprender verdaderamente la estructura de estas relaciones entonces es esencial para tomar esto en consideración. Es este punto que el segundo blog en la serie será ampliar. Aquí Voy a mirar a las comunidades: todos sabemos cuáles son, pero ¿qué significan en términos de análisis de redes sociales? ¿Y qué se puede aprender de la identificación de ellos?

¿Por qué buscar comunidades?

Al investigar el papel de los factores de influencia destacamos investigaciones previas llevadas a cabo a la cara de Francesco D'Orazio y Jess Owens: el proyecto How Stuff Spreads. En esta investigación hemos descubierto cómo las comunidades son vitales para impulsar la difusión de la información. Los más comunidades existen en la audiencia, los diferenciales de contenidos virales más lenta, ya que toma tiempo para difundir entre los diferentes grupos.

Así que esa es una de las razones para entender las comunidades de medios sociales - si usted está tratando de difundir una campaña de marca o de un fragmento de contenido, es necesario comprender las audiencias que viaja a través. Diferentes grupos bien pueden beneficiarse de diferentes mensajes dirigidos específicamente a sus necesidades e intereses - no una talla para todos.

La comprensión de las comunidades también es importante para asegurar que su influyente programa es integral: ¿tiene influencia en todos los grupos sociales que usted desea apuntar?

¿Cómo estamos definiendo las comunidades?

Una comunidad es más a menudo se define como un grupo de individuos que viven en la misma ubicación geográfica. También puede ser usado para describir un grupo de personas con una característica común o interés compartido: la comunidad de investigación, por ejemplo dentro de las ciencias sociales, también existe el enfoque que considera a las comunidades como algo socialmente construido y simbólicamente, que descansa sobre una comprensión compartida "Yo soy parte de esta comunidad junto a estas otras personas". El politólogo Prof. Benedict Anderson definió el Estado-nación como una "comunidad imaginada" (1983).

Utilizando el análisis de redes sociales que definimos las comunidades de manera diferente - al ver cómo las personas se conectan entre sí, y la agrupación de éstos en grupos similares.

Por lo tanto, es una medida estadística de la conexión, y no se basa directamente en si estas personas reconocerían a sí mismos como parte de la misma comunidad. Sin embargo, lo que es tan fascinante de detección comunidad en red es que las comunidades que identifica muy a menudo lo hacen tienen significado importante en el mundo real, y pueden ayudarnos a explorar qué es lo que es la definición de las comunidades.

¿Cómo identificar a las comunidades? El uso de un programa de análisis de redes sociales tales como Gephi, podemos utilizar un algoritmo de agrupamiento llamado "modularidad" para detectar patrones ocultos en la red. La modularidad busca grupos de personas que están más densamente conectadas entre sí que sería de esperar si estuvieran conectados por casualidad. . Una red con alta modularidad tiene conexiones densas entre nodos dentro de los grupos, pero las conexiones entre los nodos dispersos en diferentes grupos. Como resultado todos los nodos individuales (personas) en una red pueden ser atribuidos a un grupo específico, como se determina por el algoritmo de la modularidad.

Un ejemplo del mundo real: mi gráfico social Facebook

Vamos a empezar por revisar la red ego de mi gráfico de Facebook que hemos investigado en el blog anterior. En la identificación de personas influyentes en el gráfico que he mencionado que es vital para las personas puntiformes que los conectores clave entre diferentes subredes en el gráfico. Tuve la oportunidad de proporcionar un contexto del mundo real a los datos debido a mi conocimiento personal de todos los individuos en la red. Pero incluso en un pequeño conjunto de datos como este, modularidad nos permite desarrollar una comprensión aún más granular de las relaciones.



Aquí nodos se reparten por la modularidad, con cada nodo que pertenece a un grupo aparte o en la comunidad, y se colorean en consecuencia. Para muchos de los grupos separados y muy distintos en los bordes de la red, no debería ser una sorpresa que estas personas pertenecen a su propia comunidad.

Lo que es interesante es en el componente principal, donde sin el color de codificación que es difícil ver cualquier partición claramente divididas. Pero ahora, ahora tenemos cuatro comunidades diferentes (azul, marrón, púrpura y marrón-ish). Así que la pregunta es, ¿estos 4 grupos diferentes sólo ficciones estadísticas de la estructura de la red? ¿O es que se refieren a nada real sobre las relaciones entre las personas involucradas?

• La comunidad azul se compone de personas que conocí en la escuela, todo alrededor de mi edad (17% de la red).
• La comunidad marrón es gente con la que fui a la escuela, sino que también vivía cerca de donde crecí (9% de la red).
• La comunidad granate también fue a la escuela conmigo, pero todos, al menos, un año mayor que yo (7% de la red).
• La comunidad púrpura es la gente que asistió a la universidad con directamente después de terminar la escuela (también el 17% de la red).

Este es un gran ejemplo de cómo podemos físicas de los segmentos por diferencias muy sutiles, simplemente mediante el análisis de la estructura de las conexiones que compartir.

Pero, ¿cómo podría una red de "conocer" estas cosas acerca de mis amigos? Bueno, todo está basado en las conexiones que tienen entre sí. Las personas que estaban en la misma yeargroup en la escuela son más propensos a conocer unos a otros, y por lo tanto ser amigos en Facebook - así que eso es lo que conecta el mundo real a la relación de la red.

Análisis de redes a gran escala

En rigor que podría haber analizado mi gráfico social Facebook manualmente - Sé que mis amigos son amigos de, después de todo, así que podría haber llegado a la red de forma manual (aunque habría llevado mucho tiempo).

Pero el análisis de redes se hace aún más potente cuando el análisis se escala hasta un nivel en el que el análisis manual es imposible. Utilizando Pulsar para reunir nuestros datos significa que podemos utilizar el análisis de redes para investigar las relaciones en las redes de miles o incluso millones de personas, donde la obtención de una comprensión de las relaciones del mundo real que conforman las comunidades no es ni de lejos tan sencillo.



Volviendo de nuevo a la investigación anterior de FACE en Cómo Videos Go Viral, se puede ver que la modularidad y la partición se ha aplicado en las audiencias de la misma forma en que se aplicó a mi gráfico de Facebook. A continuación se aplica el modelado estadístico de los datos demográficos de cada grupo a entender que estaba en cada uno.

Así que para la paloma real belleza Bocetos vídeo (arriba a la derecha), podemos ver que hay una comunidad con un promedio de 32 años de edad, las mujeres blancas, en los EE.UU. / Nueva York, trabajando en marketing - y otro de chicas adolescentes en Los Ángeles que pueden ser blanco o hispanos, y que estamos en la música pop y la telerrealidad. Y, en efecto, es que la apelación a un público diverso que hizo el anuncio de la paloma tan exitoso y el más visto-en YouTube.

¿Cómo le puede servir esto?

Piense en las comunidades como muy similar a los segmentos identificados en el modelo de segmentación de clientes de la marca. (Con el análisis de los datos demográficos en capas sobre, incluso se podría encontrar que son lo mismo.)

Mientras que las comunicaciones de marketing directo es a menudo personalizados por segmento, históricamente no ha sido algo marcas han hecho en la vida social. Pero, utilizando análisis de redes sociales y también Twitter y Facebook orientación de los anuncios, es posible enviar mensajes específicos a grupos específicos de personas.

Desarrollado por Pulsar TRAC éstas podrían ser las personas que participan en una conversación específica, las personas que comparten una pieza de contenido en línea, o los seguidores de una cuenta en Twitter. Cualquier grupo de personas, en esencia, siempre que podemos definir que la audiencia a través de alguna propiedad de su comportamiento en los medios sociales - como palabra clave, bio usuario, o la ubicación.

Análisis de la comunidad permite a las marcas a entender realmente el comportamiento de su público de una manera que no pueden replicar con fuera de línea, los datos no sociales.

Se permite a las marcas para obtener el máximo beneficio de su alcance influyente y siembra contenido, asegurando que tienen contactos en cada sub-comunidad de su audiencia.

Y una vez que se han identificado las comunidades, no hay margen para un análisis más profundo de cómo cada comunidad interactúa con marcas, el lenguaje que utilizan, y el tema. Esto puede permitir la comercialización totalmente personalizada, permitiendo que las marcas a entender el comportamiento de los medios de comunicación social de cada grupo, y la mejor manera de comunicarse con ellos.

Análisis de red son también grandes herramientas de comunicación - cada vez que ponemos una en la pantalla en una conferencia, las cámaras salen y la gente comienza a tomar fotos. Nos encantaría ver a más empresas a bolsa en su análisis de la red, y que ilustra su público a sus seguidores. Como dijimos antes, la comunidad no es sólo acerca de los intereses compartidos sino un imaginario, un reconocimiento compartido compartida de que "Somos parte de un mismo grupo." Compartiendo las visualizaciones de la comunidad podría ser una herramienta para una marca para crear una verdadera "comunidad de clientes" - ir más allá de los compradores individuales hacia el posicionamiento de su marca como una fuente de sentido e identidad.

Relaciones y educación en una emotiva charla