Distintas redes de coautorazgo en patentamiento distinguen a Apple de Google

La diferencia real entre Google y Apple
Google y Apple son empresas hiper-exitosas, pero trazando sus patentes uno tiene firmas de innovación completamente diferentes.
Mark Wilson - Fast CoDesign




Steve Jobs se ha concedido 347 patentes en la última década, muchos concedidos póstumamente. Por el contrario, Google Sergey Brin y Larry Page sólo tienen un 27 combinado en el mismo período.

Es una estadística reveladora sobre cómo Apple y Google funcionan de manera diferente. Apple está impulsado principalmente por una estructura de desarrollo centralizada, derivada de su fabuloso estudio de diseño, mientras que Google tiene un enfoque más distribuido y de código abierto para los nuevos productos. Y para obtener una imagen real de cómo esto funciona de manera organizativa, el Periscopic, un estudio de visualización de datos con sede en Portland, creó una serie de visualizaciones personalizadas para Co.Design, que compara las "firmas de innovación" en los últimos 10 años de patentes presentadas en Apple y Google .



Izquierda: Apple, Derecha: Google

Para entender lo que estás viendo, sé que cada gota es un inventor de patentes, y como muchas patentes tienen múltiples inventores, cada línea es un enlace entre un inventor y los co-inventores.

Desde este punto de vista, Apple se parece a una gran bola de juguete redondos, mientras que Google es una red celular monótona más parecido a los Borg. Y mientras que usted puede decir tan mucho de la estructura de una compañía de apenas sus patentes, Periscopic cree que ha manchado una narración clara en las imágenes.

"En los últimos 10 años Apple ha producido 10.975 patentes con un equipo de 5.232 inventores, y Google ha producido 12.386 con un equipo de 8.888", escribe Wes Bernegger, explorador de datos en Periscopic. Esos números son, francamente, bastante similares en términos de proporción. "La diferencia más notable que vemos es la presencia del grupo de super inventores altamente conectados y experimentados en el núcleo de Apple en comparación con la estructura de innovación más uniformemente dispersa en Google", continúa. "Esto parece indicar un sistema de control centralizado de arriba hacia abajo, en Apple, frente a potencialmente más independencia y empoderamiento en Google".

Apple (detalle)

La teoría tiene mucho sentido. El laboratorio de diseño secreto de Apple, liderado por Jonathan Ive, ha dado a luz a los muy pocos productos de la compañía, muy rentables. Y dentro de la huella de innovación de Apple, verás Ive, junto con los nombres de básicamente todos los diseñadores sub-celebrados en el círculo interno, incluyendo Eugene Whang, Christopher Stringer, Bart Andre y Richard Howarth, que ahora lidera el desarrollo de hardware en Apple y Es en gran parte responsable del diseño de cada iPhone que hayas visto.


Google (detalle)

Google, por otro lado, tiene una estructura organizativa relativamente plana de muchos pequeños equipos llenos de personas con poder. (La compañía incluso intentó borrar toda la gestión en 2002, pero desde que se restableció la idea.) Todo esto se puede ver en su firma de innovación, por supuesto. Por patentes, los Googlers parecen bastante iguales, dispersos relativamente uniformemente.

Dicho esto, Bernegger insiste en que en realidad hay más "conectividad y colaboración" en Apple que en Google. "El número promedio de inventores que figuran en una patente de Apple es de 4.2. En Google, es 2.8", explica. "Estos efectos combinados significan que un inventor en Apple ha producido, en promedio, más del doble de patentes que uno en Google. Nueve contra cuatro".

No podrían parecer más diferentes, pero mirar más de cerca la estructura de la patente, y se puede detectar una gran similitud entre las dos empresas. A saber, tanto Apple y Google tienen un anillo de membrana que rodea toda la estructura. ¿Quiénes son estos fabricantes de patentes que desarrollan cosas en relativo aislamiento? ¿Y cómo están afiliados con las empresas?




En el caso de Google, tenemos una pista. Uno de los inventores más grandes de la compañía vive allí, en la periferia, desconectado de otros productos. Ese inventor es Kia Silverbrook, que vendió la compañía 269 patentes concedidas en cámaras e impresoras en 2013. Obviamente las patentes que se han adquirido recientemente, más bien que desarrolladas en casa, carecerían de las interconexiones con otros empleados que centralizan las burbujas más grandes. Además, estos anillos exteriores podrían representar las contribuciones de cualquier cosa, desde invenciones únicas de un empleado al azar, hasta las contribuciones secretas de los laboratorios de skunkworks y de las compañías de shell, trabajando fuera del equipo principal. Pero eso requeriría más investigación para confirmar.


Apple

Mientras que estos gráficos fueron hechos específicamente para esta historia, provienen de PatentsView, un visualizador Periscopic ayudó a desarrollar para los institutos americanos para la investigación y el USPTO. Es un sistema accesible al público que transforma la base de datos de patentes que hemos tenido durante años -una base de datos de búsqueda de Internet temprana que extrae algunas exploraciones de patentes en formato JPEG- en una red visible de conexiones. Usted puede mirar las patentes dentro de las empresas, como se ha visto anteriormente, o clasificar por creador o tema, también.

"Nuestra intención detrás de PatentsView era crear interfaces que pudieran inspirar al público a explorar datos de patentes", dice el cofundador de Periscopic, Dino Citraro. "Parte de eso fue hacer un acceso simplificado a los datos de patentes para personas como abogados de patentes que necesitan investigarlo, pero queríamos abrazar este esfuerzo de gobierno abierto y decir, 'Esta es información pública, es interesante. '"

De hecho, Apple y Google sólo puede ser un comienzo. Probablemente podría escribir un libro sobre las estructuras organizativas corporativas revelado en PatentsView -información que ha sido pública durante un siglo, pero que sólo ahora es fácilmente transparente ahora.

Biografía: Mark Newman (UK)

Mark E.J. Newman 
Wikipedia
Santa Fe Institute

Mark Newman es un físico británico y profesor extraordinario de física de la Universidad de Michigan, Anatol Rapoport, así como un miembro externo de la facultad del Instituto Santa Fe. Es conocido por sus contribuciones fundamentales a los campos de redes complejas y sistemas complejos, para lo cual fue galardonado con el Premio Lagrange 2014. La investigación del profesor Newman se centra en la física estadística y la teoría de sistemas complejos, centrándose principalmente en sistemas en red, incluyendo redes sociales, biológicas y de ordenadores, que se estudian mediante una combinación de métodos empíricos, análisis y simulación por ordenador. Entre otros temas, él y sus colaboradores han trabajado en modelos matemáticos de estructura de red, algoritmos informáticos para analizar datos de redes y aplicaciones de la teoría de redes para una amplia variedad de problemas específicos, incluyendo la propagación de enfermedades a través de las poblaciones humanas y la difusión de computadoras Virus entre ordenadores, patrones de colaboración de científicos y empresarios, redes de citas de artículos científicos y casos de derecho, algoritmos de navegación de redes y diseño de bases de datos distribuidas, y la robustez de las redes ante el fallo de sus nodos.

El profesor Newman también tiene un interés de investigación en la cartografía y fue, junto con sus colaboradores, uno de los desarrolladores de un nuevo tipo de proyección cartográfica o "cartograma" que puede usarse para representar datos geográficos variando los tamaños de estados, países o regiones .

El profesor Newman es el autor de varios libros, incluyendo un libro de texto reciente sobre teoría de la red y un libro popular de la cartografía.

Carrera 

Mark Newman creció en Bristol, Inglaterra y obtuvo un título de grado y un doctorado en física de la Universidad de Oxford, antes de trasladarse a los Estados Unidos para realizar investigaciones primero en la Universidad de Cornell y más tarde en el Instituto Santa Fe, un instituto privado de investigación En el norte de Nuevo México dedicado al estudio de sistemas complejos. En 2002 Newman se trasladó a la Universidad de Michigan, donde actualmente es el Profesor de Física Universitario Distinguido de Anatol Rapoport y profesor en el Centro de Estudios de Sistemas Complejos de la Universidad.

Investigación 

Newman es conocido por sus investigaciones sobre redes complejas y en particular por trabajar en patrones de colaboración de científicos, teoría aleatoria de gráficas, mezcla asociativa, estructura comunitaria, teoría de percolación y epidemiología de redes. También fue co-inventor, con Michael Gastner, de un método para generar mapas o cartogramas de ecualización de densidad, que constituye la base del sitio web de Worldmapper. Su trabajo ganó atención después de las elecciones presidenciales de 2004 en Estados Unidos, cuando se utilizó como base para un mapa ampliamente difundido de los resultados electorales, que ajustó el tamaño de los estados en función de su población para dar una idea más precisa de cuántos votantes votaron por cada uno Partido. [2] [3]

Los métodos basados ​​en la red de Newman se han aplicado a una variedad de campos, incluyendo la psicología, la sociología, la economía y la biología. Los mismos métodos básicos han predicho con exactitud una amplia variedad de resultados, desde las relaciones entre organismos en un ecosistema hasta asociaciones entre organizaciones terroristas [4]. Newman también ha estudiado el riesgo de incendios forestales [5] y el comportamiento social de los delfines en Nueva Zelandia [6], así como la estructura de la propia comunidad científica [7].

Newman ha trabajado en distribuciones de poder-ley en sistemas complejos, incluyendo en la distribución de la riqueza, los tamaños de las ciudades, y la frecuencia de las palabras en las lenguas (véase la Ley de Zipf). Con los colaboradores Aaron Clauset y Cosma Shalizi, Newman desarrolló métodos estadísticos para analizar las distribuciones de la ley de poder y las aplicó al estudio de una amplia gama de sistemas, confirmando o negando la existencia de comportamientos de poder-ley previamente reclamados. ]

El artículo de Newman "The structure and function of complex networks" [10] recibió la mayoría de las citas de cualquier papel en matemáticas entre 2001 y 2011. [11]

Premios y honores 

En 2007, Newman fue elegido como miembro de la American Physical Society (APS). [12] En 2011 y 2012, recibió un Premio de Reconocimiento de Profesores y un Premio de Excelencia en Educación, ambos de la Universidad de Michigan. En 2014, fue elegido miembro de la Asociación Americana para el Avance de la Ciencia (AAAS), recibió el premio Lagrange 2014 de la Fundación ISI y fue el quinto receptor del premio ZACHARY Karate Club CLUB. En 2016, fue elegido como Simons Fellow en Física Teórica y recibió una beca Guggenheim. [14]

Publicaciones elegidas

Libros

• J. J. Binney; A. J. Fisher; N. J. Dowrick & M. E. J. Newman (1992). The Theory of Critical Phenomena. Oxford: Oxford University Press.
• M. E. J. Newman & G. T. Barkema (1999). Monte Carlo Methods in Statistical Physics. Oxford: Oxford University Press. ISBN 0-19-851796-3.
• Mark Newman; Albert-László Barabási & Duncan J. Watts (2006). Structure and Dynamics of Networks. Princeton, NJ: Princeton University Press.
• Daniel Dorling, Mark Newman & Anna Barford (2008). The Atlas of the Real World. London: Thames & Hudson Ltd. ISBN 978-0-500-51425-2.
• M. E. J. Newman (2010). Networks: An Introduction. Oxford: Oxford University Press. ISBN 0-19-920665-1.

Artículos

• M. E. J. Newman (2001). "The structure of scientific collaboration networks". Proceedings of the National Academy of Sciences. 98 (2): 404–409. arXiv:cond-mat/0007214. Bibcode:2001PNAS...98..404N. doi:10.1073/pnas.021544898. PMC 14598. PMID 11149952.
• M. E. J. Newman; S. H. Strogatz; D. J. Watts (2001). "Random graphs with arbitrary degree distributions and their applications". Physical Review E. 64 (2): 026118. arXiv:cond-mat/0007235. Bibcode:2001PhRvE..64b6118N. doi:10.1103/PhysRevE.64.026118.
• M. E. J. Newman (2002). "Assortative mixing in networks". Physical Review Letters. 89 (20): 208701. arXiv:cond-mat/0205405. Bibcode:2002PhRvL..89t8701N. doi:10.1103/PhysRevLett.89.208701. PMID 12443515.
• M. E. J. Newman (2003). "The structure and function of complex networks". SIAM Review. 45 (2): 167–256. arXiv:cond-mat/0303516. Bibcode:2003SIAMR..45..167N. doi:10.1137/S003614450342480.
• M. T. Gastner; M. E. J. Newman (2004). "Diffusion-based method for producing density equalizing maps". Proceedings of the National Academy of Sciences. 101 (20): 7499–7504. arXiv:physics/0401102. Bibcode:2004PNAS..101.7499G. doi:10.1073/pnas.0400280101. PMC 419634. PMID 15136719.
• M. E. J. Newman (2006). "Modularity and community structure in networks". Proceedings of the National Academy of Sciences. 103 (23): 8577–8582. arXiv:physics/0602124. Bibcode:2006PNAS..103.8577N. doi:10.1073/pnas.0601602103. PMC 1482622. PMID 16723398.
• MEJ. Newman (2005), Power laws, Pareto distributions and Zipf's law, Contemporary Physics, Sep/Oct 2005, Vol. 46 Issue 5, p323-351, 29p; doi:10.1080/00107510500052444. http://arxiv.org/PS_cache/cond-mat/pdf/0412/0412004v3.pdf
• Newman, Mark E. J. (June 2003). "The structure and function of complex networks". SIAM Review. 45 (2): 167–256. arXiv:cond-mat/0303516. Bibcode:2003SIAMR..45..167N. doi:10.1137/S003614450342480. Obtenido el 8 de Abril de 2015.
• Clauset, Aaron; Moore, Christopher; Newman, M.E.J. (1 May 2008). "Hierarchical structure and the prediction of missing links in networks". Nature. 453: 98–101. arXiv:0811.0484. Bibcode:2008Natur.453...98C. doi:10.1038/nature06830. Obtenido el 8 de Abril de 2015.
• Newman, M.E.J. (29 May 2006). "Power laws, Pareto distributions and Zipf's law". Contemporary Physics. 46: 323–351. arXiv:cond-mat/0412004. doi:10.1016/j.cities.2012.03.001.
• Clauset, Aaron; Shazili, Cosma Rohila; Newman, M. E. J. (2 Feb 2009). "Power-law distributions in empirical data". SIAM Review. 51: 661–703. arXiv:0706.1062. Bibcode:2009SIAMR..51..661C. doi:10.1137/070710111.

Referencias

1. Mark Newman's home page
2. Ehrenberg, Rachel (7 November 2012). "Red state, blue state". Science News. The Society for Science and the Public. Retrieved 8 April 2015.
3. Fifty shades of purple". Physics World. Institute of Physics. 12 November 2012. Obtenido 8 Abril 2015.
4. Rehmeyer, Julie (2 June 2008). "Communities of communities of...". Science News. The Society for Science and the Public. obtenido 8 Abril 2015.
5. Ball, Phillip (27 February 2002). "COLD safer than HOT". Nature News. Nature. Retrieved 8 April 2015.
6. "Circles of Friends". The Economist. 30 September 2004. Retrieved 8 Abril 2015.
7. Ball, Phillip (12 January 2001). "Science is all about networking". Nature News. Nature. Retrieved 8 April 2015.
8. Newman, M.E.J. (29 May 2006). "Power laws, Pareto distributions and Zipf's law". Contemporary Physics. 46: 323–351. arXiv:cond-mat/0412004. doi:10.1016/j.cities.2012.03.001.
9. Clauset, Aaron; Shazili, Cosma Rohila; Newman, M. E. J. (2 Feb 2009). "Power-law distributions in empirical data". SIAM Review. 51: 661–703. arXiv:0706.1062. Bibcode:2009SIAMR..51..661C. doi:10.1137/070710111.
10. Newman, Mark E. J. (June 2003). "The structure and function of complex networks". SIAM Review. 45 (2): 167–256. arXiv:cond-mat/0303516. Bibcode:2003SIAMR..45..167N. doi:10.1137/S003614450342480. obtenido8 April 2015.
11. "Top institutions in Mathematics". Times Higher Education. 2 June 2011. Obtenido 8 Abril 2015.
12. Curriculum vitae, obtenido 2016-07-01.
13. Zachary Karate Club CLUB prize, obtenido 2016-07-01.
14. Guggenhiem Fellowship, obtenido 2016-07-01.

Algoritmo para la detección de estructuras núcleo-periferia en redes

Identificación de la estructura núcleo-periferia en redes

Xiao Zhang, Travis Martin, y M. E. J. Newman,


Archivo PDF en Arxiv.org

Resumen

Muchas redes se pueden descomponer útilmente en un núcleo denso más una estructura periférica, ligeramente conectada. Aquí se propone un algoritmo para realizar una descomposición de este tipo en redes empíricas de datos utilizando métodos de inferencia estadística. Nuestro método se ajusta a un modelo generativo de la estructura núcleo-periferia a los datos observados utilizando una combinación de un algoritmo de maximización de valor esperado para calcular los parámetros del modelo y un algoritmo de propagación de creencia para calcular la descomposición en sí. Encontramos que el método es eficiente, escalando fácilmente a redes con un millón o más nodos y lo probamos en una variedad de redes, incluyendo ejemplos del mundo real, así como puntos de referencia generados por computadora, para lo cual identifica con éxito la estructura núcleo-periferia conocida con baja tasa de error. También demostrar que el método es inmune a la transición de detectabilidad observada en el problema de detección de la comunidad relacionada, que impide la detección de la estructura de la comunidad cuando la estructura es demasiado débil. No existe tal transición para la estructura núcleo-periferia, que es detectable, aunque con algún error estadístico, no importa cuán débil sea.


Fig. 3 (izquierda): División núcleo-periferia de una representación de 1470 nodos de Internet a nivel de sistemas autónomos [16].
Los nodos colocados en el núcleo por nuestro análisis se dibujan más grandes y en azul; Los nodos en la periferia son más pequeños y en amarillo. La red fue construida a partir de los datos del Proyecto Rutas de Oregón y representa una instantánea más antigua, elegida para el tamaño relativamente pequeño de la red. Nuestros métodos pueden aplicarse fácilmente a redes más grandes, pero un tamaño menor hace que la visualización de los resultados sea más clara.
FIG. 4 (derecha): División núcleo-periferia de una red de hipervínculos entre blogs políticos tomados de [35]. La red se separa naturalmente en comunidades conservadoras y liberales, claramente visibles como los dos grupos en este cuadro. Dentro de cada grupo nuestro algoritmo encuentra un núcleo y una periferia separados indicados por los nodos azules y amarillos respectivamente.

1409 4813

Usando filtros en Gephi

Uso de Filtros en Gephi

 

Por Clément Levallois

• DESCARGAR UN ARCHIVO DE RED PARA PRACTICAR

Descargue este archivo zip y descomprímalo en su computadora.

O utilice este enlace directo: https://tinyurl.com/gephi-tuto-3

Debe encontrar el archivo miserables.gexf en él. Guárdelo en una carpeta que recordará (o cree una carpeta especialmente para este pequeño proyecto).

• DESCRIPCIÓN DEL ARCHIVO / DE LA RED

Este archivo contiene una red que representa "quién aparece junto a quién" en la novela del siglo XIX Les Misérables de Victor Hugo [1].

Un enlace entre los caracteres A y B significa que aparecen en la misma página o párrafo de la novela.

El nombre del archivo termina con ".gexf", lo que significa que es un archivo de texto donde se almacena la información de la red (nombre de los personajes, sus relaciones, etc.) siguiendo algunas convenciones.

• ABRIR LA RED EN GEPHI
• Abra Gephi. En la pantalla de bienvenida que aparece, haga clic en Abrir archivo de grafo (Open Graph File)
• Encuentra miserables.gexf en tu computadora y ábrala

Figura 1. pantalla de bienvenida --> abrir gráfico


Se abrirá una ventana de informe que le dará información básica sobre la red que abrió:


Figura 2. ventana de informe

Esto le dice que la red consta de 74 caracteres, conectados por 248 enlaces.

Los enlaces no están dirigidos, lo que significa que si A está conectado a B, entonces es lo mismo que B conectado a A.

El informe también nos dice que la gráfica no es dinámica: significa que no hay evolución o cronología, que no "se mueve en el tiempo".

Haga clic en Aceptar para ver el gráfico en Gephi.


Figura 3. La red que usaremos

DANDO UN SENTIDO DE LOS ATRIBUTOS EN EL LABORATORIO DE DATOS

Podemos cambiar al laboratorio de datos para ver los datos subyacentes:



Figura 4. Cambio al laboratorio de datos


Vemos que los nodos de la red tienen muchos atributos. En particular, cada uno tiene un Género y una medida de lo central que son:


Figura 5. Atributos de nodos.

Esta es la lista de aristas (relaciones) en la red. Observe que tienen un "peso" (una "fuerza").


Figura 6. Atributos de bordes

DESCUBRIMIENTO DEL PANEL DEL FILTRO

En la vista general, asegúrese de que se muestre el panel Filtro:


Figura 7. Visualización del panel Filtro.

Cómo funciona el panel Filtro:

Figura 8. Flujo de trabajo de los filtros

Un ejemplo: ocultando enlaces con un peso inferior a 2

Figura 9. Cómo utilizar los filtros.

Cuando haya terminado de usar un filtro en la zona, haga clic derecho en él y seleccione "eliminar".

COMBINANDO 2 FILTROS

Un filtro se aplica DESPUÉS de este otro:

El primer filtro a ser aplicado es ANIDADO (colocado dentro) del segundo como un "subfiltro"

¿Qué filtro debe colocarse dentro de cuál? Echemos un vistazo a diferentes ejemplos:

1. CASO CUANDO LA COLOCACIÓN DE FILTROS NO HACE NINGUNA DIFERENCIA

Objetivo: Mantener en pantalla sólo los personajes femeninos que tienen un empate (un borde, una relación) de al menos fuerza 2.

→ coloque el filtro "peso del borde" dentro del filtro "Género":


Figura 10. Filtro en el atributo Género

Figura 11. Filtro sobre el peso del enlace


Figura 12. Mantener sólo personajes femeninos con al menos 2 lazos

En este caso, era equivalente a:

• Anidar el filtro "Género" dentro del filtro "Peso del borde" o
• Anida el filtro "Peso del borde" dentro del filtro "Género"

→ El resultado fue el mismo (la red en pantalla es idéntica en ambos casos)

2. CASO CUANDO LA COLOCACIÓN DE FILTROS HACE UNA DIFERENCIA

 Aquí, queremos visualizar:

• Sólo los nodos que tienen menos de 10 relaciones <1>
• Y entre éstos, sólo aquellos que forman la "isla principal" de la red (queremos esconder pequeños grupos separados de nodos) <2>

1. En términos técnicos, nodos con un grado de menos de 10.
2. En términos técnicos, estamos buscando el componente gigante

Figura 13. Filtro en grado

Figura 14. Filtro en el componente gigante

Veremos que la colocación en los filtros de la zona marcará la diferencia.

Primero, coloquemos el filtro en el componente gigante dentro del filtro en grado:


Figura 15. Filtros en una configuración


En este primer caso,

• Sólo se hizo visible el componente gigante de la red.

→ Puesto que la red era apenas una "isla" conectada grande para comenzar con, no cambió una cosa.

• Entonces, todos los personajes con más de 10 relaciones donde se ocultan

→ esto oculta los nodos que se conectaban con muchos otros, de modo que terminamos con muchos grupos, desconectados unos de otros.

Ahora, en su lugar, colocando el grado de filtro dentro del filtro en el componente gigante:

Orden de filtro 2 es


Figura 16. Mismos filtros en otra configuración

En este segundo caso,

• A partir de la red completa, todos los caracteres con más de 10 relaciones donde se eliminan.

→ esto creó una red hecha de muchos grupos de nodos desconectados

• Entonces se aplica el filtro de componentes gigantes,

→ que tenían por efecto ocultar pequeños grupos, para mantener en la vista solamente el grupo más grande de nodos conectados.

Advertencia

En resumen: tenga cuidado al aplicar varios filtros a la vez, esto podría tener un efecto sobre la lógica del filtrado.

Tres maneras de rastrear sitios de noticias falsas

Tres maneras en que los investigadores digitales pueden arrojar luz sobre la política de información de la era "post-verdad"

Liliana Bounegru |  The Impact Blog - London School of Economics

Los medios digitales desempeñaron un papel prominente en las recientes elecciones presidenciales de Estados Unidos, con plataformas de medios sociales que canalizaban universos de la cultura política, arraigados en el populismo y la política post-verdad, en la corriente principal del discurso político de Estados Unidos. Mientras tanto, los mecanismos tradicionales, desde los sondeos hasta los principales medios de comunicación, no lograron capturar adecuadamente el sentimiento público en torno a los acontecimientos políticos. ¿Son necesarios nuevos instrumentos para comprender el tejido socio-técnico del panorama político post-verdad? ¿Y qué pueden hacer los investigadores digitales para contribuir? Liliana Bounegru describe ejemplos de enfoques que se están desarrollando en la Iniciativa de Métodos Digitales que esperan ayudar a los investigadores digitales, periodistas de datos, grupos de la sociedad civil y otros que buscan aumentar la comprensión pública de estos fenómenos.


Como dicta la tradición de Washington, la víspera de la inauguración vio una multitud de pelotas y galas donde los partidarios, donantes, organizadores y recaudadores de fondos de Donald Trump vestidos con traje de gala se reunieron para reconocer los esfuerzos de la campaña y celebrar la victoria. Y si bien estos eventos suelen celebrar los esfuerzos de los que participan en la recaudación de contribuciones de campaña, golpeando en las puertas y organizar manifestaciones - este año vio el reconocimiento de un tipo diferente de trabajo político para llevar a la rubia millonaria a la Casa Blanca. El "DeploraBall", organizado por el Club Nacional de Prensa, una auto-descripción de la "reunión de los trolls", elogió las movilizaciones para "meméalo en la presidencia". En otra parte, el dueño de un sitio web que generó noticias falsas ampliamente difundidas sobre las elecciones presidenciales afirmó que su sitio ayudó a que Trump fuera elegido, con una investigación de BuzzFeed News que indicaba que las noticias falsas efectivamente generaban más participación que noticias reales en Facebook.

Estas afirmaciones son ilustrativas del papel prominente que los medios digitales han desempeñado en relación con las elecciones presidenciales de Estados Unidos, tanto en la práctica como en la imaginación pública. Tal vez lo más distintivo son las formas en que las plataformas de medios sociales han actuado como motores para canalizar universos anteriores de la cultura política, arraigados en el populismo de derecha y la política posterior a la verdad, en la corriente principal de la política estadounidense.

A la luz de una victoria de Trump que parece haber tenido éxito en el aprovechamiento de estos motores digitales (de una manera que fue notablemente diferente en la campaña electoral de Obama en 2008), también hay una percepción de que los mecanismos tradicionales han fracasado en capturar el sentimiento público alrededor de políticas Eventos, desde encuestas y revisiones a los principales medios de comunicación. ¿Cómo podemos explicar el fracaso de estos instrumentos para capturar el atractivo popular que Trump generó? ¿Son necesarios nuevos instrumentos para comprender el tejido socio-técnico del panorama político post-verdad? ¿Y qué pueden aportar los investigadores digitales a la comprensión pública de estos fenómenos?

El mes pasado, un grupo de investigadores de nuevos medios, estudiantes de periodismo, diseñadores gráficos y programadores se reunieron en la Universidad de Amsterdam. El grupo trató de abordar estas cuestiones mediante el desarrollo de formas de reorientar creativamente las huellas digitales de las plataformas en línea al servicio de la investigación social y cultural crítica. El objetivo era arrojar luz sobre estas emergentes culturas mediadas digitalmente, así como sus formas asociadas de acción política. ¿Cuándo los ojos se vuelven nerviosos hacia las próximas elecciones europeas en 2017, se puede apalancar la investigación digital crítica alrededor de las elecciones estadounidenses para entender las emergentes formas de política de información - y la incorporación de formaciones de derecha en otros países antes de que se abran las urnas? A continuación se presentan algunos ejemplos notables de enfoques de nuestra investigación en curso en la Iniciativa de Métodos Digitales que esperamos pueda ayudar a los investigadores digitales, periodistas de datos, grupos de la sociedad civil y otros que buscan aumentar la comprensión pública de estos fenómenos.

1. Mapeo de sitios falsos de noticias a través de patrones de vinculación y firmas de seguimiento

Mientras que la noción de "noticias falsas" domina las discusiones a raíz de los resultados electorales de EE.UU., lo que cuenta como noticias falsas y para quien está lejos de ser resuelto. Un enfoque para entender este problema es usar patrones de vinculación y firmas de rastreo para perfilar ecosistemas falsos de noticias. Un análisis de cómo los sitios web etiquetados como enlace de noticias falsas entre sí pueden revelar las diversas esferas de información hiperpartidista y desinformación que comprenden falsos espacios de noticias en diferentes idiomas.



Figura 1: Mapa de red de sitios web en inglés etiquetados como "noticias falsas" agrupadas de acuerdo con sus patrones de vinculación generados con la herramienta Issue Crawler. Fuente: https://wiki.digitalmethods.net/Dmi/WinterSchool2017FakeNewsSites.

De forma similar, los rastreadores web, como los anuncios y los análisis, también se pueden utilizar para asignar esferas de información errónea. Un análisis de la naturaleza de los rastreadores presentes en los sitios de noticias falsos con el tiempo puede arrojar luz sobre los fundamentos económicos y modelos de negocio subyacentes a estos sitios, así como los tipos de datos de usuario que capturan.

Figura 2: El aumento de ad trackers (nodos azules) en un conjunto de sitios falsos de noticias en inglés entre 1999 y 2016. Datos recopilados con el archivo de Internet Wayback Machine Link Ripper y la herramienta TrackerTracker y visualizados con Gephi. Fuente: https://wiki.digitalmethods.net/Dmi/WinterSchool2017FakeNewsSites.

2. Mapeo de las infraestructuras y tácticas del alt-right online

Otro enfoque haría visibles las infraestructuras a través de las cuales los grupos de alt-right se organizan en línea y las tácticas que implementan. Aquí uno podría idear métodos para capturar y analizar datos de los populares alt-right espacios (como el subreddit, The_Donald). Los proyectos pueden tratar de determinar cómo se coordinan las formas de acción política, como las "bombas de Google", para manipular los resultados de la búsqueda a fin de favorecer a algunos candidatos y dañar a otros. Un vistazo a las técnicas de las nuevas formaciones de derecha puede ser evidenciado mediante la comparación de fuentes y plataformas que aparecen en los puestos superiores en espacios populares en línea - como estos ejemplos de The_Donald.


Figura 3: Mapa de la red de los individuos y frases dirigidos a ser asociados con sus nombres a través de las bombas de Google coordinadas en /r/The_Donald. Fuente: https://wiki.digitalmethods.net/Dmi/WinterSchool2017TrumpAltRight



Figura 4: Red de nombres de dominio co-occurring en los puestos superiores y comentarios asociados en / r / The_Donald. Fuente: https://wiki.digitalmethods.net/Dmi/WinterSchool2017TrumpAltRightActivism

3. Entender las burbujas de filtro más allá de Facebook

Otros acercamientos pueden mirar para ampliar el estudio de burbujas del filtro más allá de noticias políticas en Facebook. Este fue el foco de un proyecto interactivo de Wall Street Journal que permite a los lectores navegar por las burbujas políticas liberales y conservadoras de las noticias políticas en Facebook, lado a lado. Una forma de avanzar en este trabajo sería desarrollar enfoques para demarcar las burbujas de filtro de elecciones creadas por los partidarios de Trump y Clinton en Twitter a través del uso de hashtags. Esto puede servir para ilustrar las fuentes de los medios de comunicación específicas y compartidas por los diferentes campos políticos en los medios de comunicación social, a fin de informar las comunicaciones y las actividades de divulgación de los medios en relación con las elecciones.


Figura 5: Mapa de red de fuentes de medios compartidos en frases y hashtags convencionales utilizados por los partidarios de Trump y Clinton en Twitter. Fuente: https://wiki.digitalmethods.net/Dmi/WinterSchool2017BeyondTheBubbleInside

Por último, uno podría buscar un terreno común entre estos diferentes campos políticos y burbujas en Facebook, mediante el mapeo de redes de Me Gusta; Es decir, redes de gustos entre páginas de Facebook. Por ejemplo, en el caso de las elecciones estadounidenses, identificar las páginas que les gustan tanto las páginas liberales como conservadoras de Facebook utilizadas en el Blue Feed del Wall Street Journal, Red Feed puede formar la base de un "Purple Feed", que mostraría el contenido de las páginas que Son apreciados y compartidos por ambos grupos.

A medida que nos preparamos para otra dura ronda de elecciones en varios países europeos, este tipo de investigación digital crítica podría convertirse en un lugar de colaboración entre los diferentes actores interesados ​​en promover la comprensión pública del tejido socio-técnico de la política "post-verdad". Para ello, será necesario dotar a los ciudadanos y grupos de la sociedad civil preocupados por el ascenso de la nueva derecha de los medios para entender y responder a las alianzas, prácticas, fuentes de información y formas de significación que están surgiendo en los medios de comunicación que nos rodean.

Este blog se basa en proyectos de investigación realizados en la Escuela de Invierno de Métodos Digitales 2017 en la Universidad de Amsterdam. Más detalles se pueden encontrar en el sitio web de la Iniciativa de Métodos Digitales.

Nota: Este artículo da las opiniones del autor, y no la posición del Blog de Impacto LSE, ni de la London School of Economics. Por favor, revise nuestra política de comentarios si tiene alguna duda sobre cómo publicar un comentario a continuación.

Anuncio: 1° Congresso Internacional de Redes Sociais (Portugal)

Para más información haga clic Universidade de Évora

Pretende-se com este Congresso conhecer, discutir, aprofundar e disseminar dinâmicas e práticas de utilização de redes sociais em projetos de intervenção social e organizacional, bem como, discutir, analisar e disseminar experiências e projetos que tenham como base a teoria e metodologia de análise de redes sociais.

As finalidades são as seguintes:

• Potenciar a criação e o fortalecimento de redes de trabalho cooperativo entre analistas de redes sociais
• Dar a possibilidade aos estudantes de mestrado e doutoramento do polo, de outros polos do CICS.NOVA e de outras IES portuguesas e estrangeiras, de submeter-se ao crivo crítico entre pares e com especialistas na área.
• Divulgar trabalhos realizados por investigadores do CICS.NOVA na área da ARS
• Divulgar trabalhos realizados por investigadores de outros centros de investigação na área da ARS
• Aprofundar a discussão teórica e metodológica sobre a ARS
• Divulgar ferramentas/metodologias de estudo/aplicação da ARS a vários objetos.
• Discutir tendências e desafios teóricos e metodológicos da ARS.
• Aprofundar a discussão teórica e metodológica sobre projetos de intervenção social que tenham por base redes sociais.
• Discutir práticas de intervenção social e organizacional

Destinatários:
Analistas e investigadores de Redes Sociais
Técnicos da intervenção social
Estudantes de várias áreas científicas
Docentes dos vários níveis de ensino
Técnicos de organizações sociais (empresas, ONG, municípios, etc.).

Datas Importantes

Data de realização: 01 e 02 de junho de 2017
Data limite de sumissão de resumos: 28 de fevereiro
(Notificação de autores: até 20 de março)
Data limite de inscrições: 31 de maio de 2017

Programa

(Programa provisório)Dia 1 de junho

9.30 – 10.00	Sessão de Abertura
10.00 – 11.00	Conferência de Abertura (auditório)
11.30 – 12.30	Apresentação de Comunicações 1
Almoço Livre
14.00 – 15.45	Mesa redonda (auditório): “Potencialidades, tendências e desafios teóricos e metodológicos da análise de redes sociais”
16.15 – 18.00	Apresentação de Comunicações 2
18.00	Visita à cidade e prova de vinhos alentejanos*
20.00	Jantar do Congresso*

*Incluído no valor da inscrição

Dia 2 de junho

9.30 – 11.00	Apresentação de Comunicações 3
11.30 – 12.30	Mesa redonda (auditório): “Redes sociais e construção de territórios inclusivos, justos e decentes”
Almoço Livre
14.00 – 15.45	Apresentação de Comunicações 4
16.15 – 18.00	Conferência de Encerramento

Hints: Ampliando la memoria de Gephi para procesar redes grandes

Cómo ampliar las capacidades de procesamiento de Gephi

Grupo de Facebook Gephi

Consulta al grupo

¿Cómo calcular la modularidad en redes grandes? Mi red tiene 240 mil nodos y 57 millones de enlaces. La exploración funciona bien, pero cuando intento calcular la modularidad consigo el mensaje de la memoria.
¿Hay una forma menos intensiva de recursos para calcular la modularidad fuera de Gephi? ¿O es Gephi ya la opción más eficiente y necesito actualizar mi equipo o usar algún servicio en la nube?
Actualización: Aumentar el límite de memoria más allá de la RAM disponible funcionó. Más soluciones en los comentarios.

Respuesta 1

El kit de herramientas de Gephi sería más indicado aquí. En otras palabras, usted necesita la codificación sin una interfaz gráfica de usuario creo.

• Gephi Toolkit

Respuesta 2

No es una idea muy especial, pero ampliar la RAM con un poco más de GB también podría ayudar.

• Ya se ha actualizado a 32 GB y no quedan huecos. Probablemente mejorará la computadora antes de reemplazar los memorias DDR3.

Respuesta 3

1. Puede intentar subir la memoria en el archivo de configuración de Gephi en etc / gephi.conf simplemente estableciendo el límite de memoria a 100 GB o incluso más alto. Incluso si usted no tiene esa cantidad de RAM instalada físicamente en su computadora, los cálculos de modularidad pueden ser terminados en un tiempo razonable. He publicado algunos detalles anteriormente en este post:

2. Podría probar el software iGraph. Sin embargo, se requiere experiencia en programación. Tiene bibliotecas C / C ++, Python y R disponibles. Se debe googlear "igraph louvain". En todos los paquetes de R / C / Python hay múltiples algoritmos de computación de modularidad - el método de Lovaina es el mejor. Sin embargo, cada biblioteca utiliza un nombre diferente para el método. En el paquete Python se llama community_multilevel, en C es igraph_community_multilevel, y en R cluster_louvain.

No he usado iGraph yo mismo pero parece bueno. Examinar la documentación también muestra que puede importar y exportar el formato de archivo de Gephi (GEXF al menos, probablemente otros también).

Google más acerca de iGraph + Gephi si tiene experiencia en programación.

3. Usted puede google para "Louvain método modularidad" para más implementaciones - He visto algunas implementaciones simples de C antes. El mayor problema suele ser la conversión entre diferentes formatos de archivo. Es extremadamente frustrante sólo para convertir archivos de entrada a un formato correcto, a continuación, la salida puede ser uno o más archivos. Entonces estos necesitan convertir de nuevo a Gephi. No es un enfoque recomendado!

El parámetro que utilizaría en etc / gephi.conf es "-Xmx100G". Obviamente es bueno entender cómo funciona la memoria del ordenador - no es sólo un número mágico para resolver todos los problemas de memoria.

La modificación de tutoriales de ejemplo de Gephi Toolkit también es bastante fácil si tienes experiencia previa en programación. Ya ha encontrado las partes necesarias en la sección de ejemplo. Ahora solo tendrías que conseguirlo para compilar y ejecutar - que puede ser tedioso si ocurren errores extraños. Después de la compilación de éxito + ejecutarlo debería ser bastante fácil incluso para un programador principiante para copiar y pegar los ejemplos de código relevantes de los ejemplos de Gephi Toolkit y obtener un ejecutable ejecutable Java sin cabeza. ¡Buena suerte!

Respuesta 4

Sólo se está quedando sin memoria porque el tiempo de ejecución de Java está limitando el tamaño de montón máximo. Una vez que el límite de memoria se eleva - incluso por encima de la RAM física instalada - el algoritmo puede ejecutarse. Si la memoria física se agota, el sistema operativo utilizará pagefile / swapfile / paging virtual que a menudo hace las cosas más lentas. La lentitud es causada por el sistema operativo escribiendo y leyendo cosas del disco en lugar de RAM. Hoy en día con rápidas SSD unidades esto no es necesariamente tan malo de un problema. Incluso si el disco era disco duro antiguo, el procesamiento podría continuar aunque sea más lento. Es fácil comprobar si funciona o no modificando el parámetro Xmx en etc / gephi.conf.

Respuesta 5

Haciendo swap es seguro, y sí las SSDs son agradables, pero aún órdenes de magnitud más lento que RAM. Sería bueno tener un análisis de la memoria necesaria antes de cambiar la configuración, si se tarda minutos, horas o lo que sea para ejecutar el cálculo. No tengo ni idea de la complejidad espacial de Louvain, ni de cuánto Gephi / JVM usa para vértices y aristas en este caso, o en general

Respuesta 6

¿Es su red ponderada o no - es decir, ¿tienen los enlaces con peso o fuerza? La cantidad de enlaces parece alta en contraste con la cantidad de nodos.

Si puede simplificar la red cortando algunos de los enlaces, podría ser más factible calcular la modularidad. Simplemente eliminando los enlaces con poco peso (enlaces irrelevantes) podría simplificar la red, pero aún así mantener la estructura de la comunidad subyacente intacta.

Recuerde que el algoritmo de modularidad no es óptimo en ningún caso. Simplificar la red eliminando los enlaces no significa necesariamente "perder información" de ella.

Háganos saber si descubre una manera de gestionar esa red.

• Es una red de seguidores de Twitter, por lo que los enlaces no están ponderados. Lo que hice para que funcione, sólo estaba utilizando los enlaces de las personas que siguen menos de 1 000 cuentas. 
• Pero quiero hacerlo funcionar con los enlaces de las personas que siguen hasta 10 000 cuentas.
  Yo uso la modularidad para dividir la red en más pequeños ya que esto funcionó bastante bien en el pasado. Pero siempre estoy abierto a mejores métodos

Respuesta 7

Una idea más sobre la computación modular en grandes redes. Encontré un plugin / tutorial para insertar datos en la base de datos de gráficos Neo4j y luego usar un plugin para calcular la modularidad en él. Los detalles están en el algoritmo Smart Local Moving (SLM), pero la implementación incluye también el algoritmo de maximización de la modularidad de Louvain.

Hay un tutorial para hacer esto aquí

Gephi tiene plugin de integración de Neo4j - podría ser incorporado en realidad. De esta manera usted podría ser capaz de calcular la modularidad en la base de datos Neo4j e importar los datos de Neo4j a Gephi a través de la consulta.

• Como solución rápida establecí el límite de memoria a 200G. Actualizaré el aquí cómo fue. Para el futuro examinaré Gephi Toolkit y Neo4j. Gracias a todos.

Respuesta 8

Aumentar el límite de memoria mucho más allá (200 GB) de la RAM disponible (32 GB) trabajado. Lo dejé correr durante la noche, así que no sé cuánto tiempo tomó, pero fue menos de 10 horas. Se escribió 550GB a la SSD.
Especificaciones para los interesados:
- i5 4670k con una velocidad de reloj de 4,5 GHz
- 32 GB de RAM a 1866 GHz
- Samsung 850 EVO 500GB SSD