DEA 4.2.5 Análisis de la Moda de pertenencia; un pequeño ejemplo práctico

Suena:

La Javanaise por Serge Gainsbourg
(http://grooveshark.com/s/La+Javanaise/3vJZ3W?src=5)
_

4.2.5 Análisis de la moda de pertenencia; un pequeño ejemplo práctico

Para poder explicar la funcionalidad del análisis de redes sociales lo mejor será implicar lo comentado mediante un ejemplo.

_

corujeira_dea_ARS1

_

Planteamos una actividad en un contexto educativo en el que un grupo de estudiantes van a investigar mediante las técnicas ARS. Un aula es un escenario particular en el que podemos aplicar la investigación en redes sociales para múltiples tipos de relación, por ejemplo de reconocimiento, de influencia, de amistad, etcétera.

Lo primero que vamos a hacer será segmentar el grupo en pequeños grupos de investigación, más por la gestión de la experiencia que por cuestiones de análisis. Por ejemplo, un grupo de 70 estudiantes puede organizarse en 14 equipos de investigación de 5 estudiantes. Esta segmentación puede ser sintetizada en la investigación gracias a las capacidades del algebra de matrices comentada supra. Si buscamos las matrices de relación en cada equipo podemos sumarlas para una red general del grupo.

_

corujeira_dea_ARS2

_

Lo primero que debemos de decidir es la relación que vamos a investigar, el caso puede definirse según los intereses de investigación: centralidad de discursos políticos en la red de estudiantes jóvenes universitarios, estructura informal de celebridad (ver supra pág. 78) en el grupo de estudiantes, intermediación de mitos socioculturales en la publicidad, etcétera.

En el caso de ejemplo nos centraremos en la relación entre usuarios y marcas desde una perspectiva de la moda de pertenencia.

_

corujeira_dea_ARS3

_

Como recopilación de datos hacemos una encuesta en cada equipo de las marcas de ropa que llevan puesta ese día: camiseta, pantalón, calzado, etcétera.

UCINET:

_

corujeira_dea_ARS4

_

El siguiente procedimiento es generar una matriz en UCINET, en el segundo icono del interface está el botón para diseñar la tabla. Haz click y emerge una ventana con la matriz en blanco.

_

corujeira_dea_ARS5

_

Lo primero, en las primeras celdas de columnas y filas debemos tener los agentes de la matriz, en nuestro caso usuarios y marcas. La matriz es cuadrada por lo que columnas y filas tienen los mismos miembros. En el menú Labels/Copy… puedes hacerlo de modo automático.

_

corujeira_dea_ARS6

_

La matriz cuadrada que hemos generado en UCINET puede ser adaptada mediante los cuadros de texto que definen el tamaño de la matriz, está marcado en la imagen. Sobre ello está la descripción de la celda actualmente seleccionada. En investigaciones con redes de mayor tamaño, es un atajo para localizar celdas concretas (relaciones).

_

_

Implementamos en la matriz las interacciones que hemos registrado en las encuestas. Por ejemplo si Elia  lleva 4 prendas de Zara, la celda fila Elia / columna Zara se agrega un 4.

_

corujeira_dea_ARS7

_

_

Guardamos la matriz que hemos generado en una carpeta en la que tenemos los documentos de la investigación. Es importante mantener el orden en los archivos digitales de la investigación, ya que trabajamos con la interacción de archivos entre dos software del paquete.

Pasamos ahora a NETDRAW, para trabajar con las matrices como visualización de redes.

NETDRAW:

_

corujeira_dea_ARS8

_

corujeira_dea_ARS9

_

Lo primero es abrir la matriz de UCINET en Netdraw, para ello acudimos al menú File/open/ucinet database/network.

_

corujeira_dea_ARS10

_

La ventana emergente que se abre nos permite localizar en nuestro computador el archivo que hemos generado en UCINET.

_

corujeira_dea_ARS11

_

Cuando se abre el archivo en NetDraw nos muestra la primera Gestalt que forma la red. En esta visualización aparece la estructura por cercanía de los miembros.

En muchos casos, cuando la investigación supone redes de mayor tamaño (con más nodos), la primera visualización puede ser muy compleja dadas las yuxtaposiciones de nodos,  por ello es bueno establecer algunos layOut de visualización modulizados como perspectivas de análisis. Por ejemplo en Spring Embedding, o en Circle, etcétera.

_

corujeira_dea_ARS12

_

Por ejemplo, nos puede ser útil tener una visión amplia que muestre las relaciones claramente. Para ello la visualización en Circle puede ser muy funcional.

En el menú Layout de Netdraw encontramos los algoritmos de visualización, por ejemplo el de Circle, o dentro del submenú Graph-Theoretic layout el de Spring Embedding.

_

corujeira_dea_ARS13

_

En la imagen superior podemos apreciar la misma red con layout Circle. Las cualidades topológicas de la red muestran con relevancia las conexiones de sus relaciones.

Los tipos de visualización de los datos son modos de coordinación de los componentes respecto a los intereses del investigador. Cada visualización, como Gestalt, aporta un campo de Visual Thinking heurístico en el que desarrollar la búsqueda de patrones en la red.

_

corujeira_dea_ARS14

_

Como hemos comentado el análisis de indicadores de centralidad es un aspecto esencial en el ARS, y los aparatos matemáticos son gestionados por el programa.

En el menú Analysis de Netdraw encontramos varias de las herramientas de análisis del programa. Por ejemplo las medidad de la centralidad, los agujeros estructurales, etcétera.

_

corujeira_dea_ARS15

_

En la ventana emergente del menú se pueden seleccionar los indicadores en los que estamos interesados.

_

corujeira_dea_ARS16

_

Una vez que se han procesado los datos, el software nos da una ventana de aviso. Los datos se han agregado a la matriz con la que estamos trabajando en NetDraw.

Estos nuevos datos que maneja el programa desde la matriz pueden ser propiedades de los componentes de la visualización de nuestra red. Por ejemplo podemos atribuir colores por el IndDegree de los miembros de la red.

_

corujeira_dea_ARS17

_

En el menú Properties de NetDraw encontramos los componentes sobre los que podemos actuar. Las opciones sonbre nodos, líneas, fondo, etcétera son múltiples.

_

corujeira_dea_ARS18

_

En la ventana emergente que aparece al seleccionar cambiar el color de los nodos por Atribute-based, podemos seleccionar el atributo que vamos a mostar.

_

corujeira_dea_ARS19

_

En la imagen superior se muestran los nodos por color según su Indegree.

Asimismo podemos afectar a la propiedad de las líneas que representan los vínculos, por ejemplo si queremos ver cuáles son los vínculos más intensos en la red.

Para ello acudimos al menú de NetDraw Properties/Lines/Size/Tie Strength, para hacerlo.

_

corujeira_dea_ARS20

_

corujeira_dea_ARS21

_

En la imagen superior podemos apreciar las relaciones mostradas por intensidad de interacción.

El uso de las visualizaciones de propiedades de nodos, relaciones, etcétera, dependerá siempre de los objetivos de investigación. La relevancia gráfica de los componentes y relaciones debe de servir para localizar y comunicar los fenómenos que deseamos hacer manifiestos mediante la visualización.

Ese es un trabajo de explorador y entomólogo, podríamos decir. O, siguiendo el trabajo de D’Arcy Wentworth Thompson en una búsqueda de pautas topológicas (Bateson 2006 186)

_

corujeira_dea_ARS22

_

Esto es especialmente relevante en los algoritmos de visualización. Cada layout es acceso a una Gestalt que puede implicar una organización de los valores que conforman la red.

Por ejemplo, Layout>Graph Theoretic Layout>MDS  de NetDraw. MDS stands for (non-metric, in this case) “Multi-Dimensional Scaling.” MDS is a family of techniques that is used (in network analysis) to assign locations to nodes in multi-dimensional space (in the case of the drawing, a 2-dimensional space) such that nodes that are “more similar” are closer together. There are many reasonable definitions of what it means for two nodes to be “similar.” […] There are many, many ways of doing MDS, but the default tools chosen in NetDraw can often generate meaningful renderings of graphs that provide insights. NetDraw has several built-in algorithms for generating coordinates based on similarity (metric and non-metric two-dimensional scaling, and principle components analysis) (Hanneman / Riddley 2005 42)

_

corujeira_dea_ARS23

_

En la imagen superior una visualización por Scaling/Ordination.

_

corujeira_dea_ARS24

_

Es también relevante el uso de herramientas de análisis. En el menú Analysis/Subgroup encontramos las herramientas con las que procesar los coeficientes de custering.  Por ejemplo la opción Girvan Newman.

Los valores de agrupamiento procesados se pueden adoptar como visualización en las representaciones de la red. Por ejemplo, en la imagen infra  en layout Scaling/ordination los nodos están coloreados por los dos clusters que define la operación, en rojo y azul.

_

corujeira_dea_ARS25

_

corujeira_dea_ARS26

_

NetDraw nos permite acceder a los valores que definene cada nodo, para ello solo hay que pinchar con botón derecho sobre el nodo a inspeccionar y seleccionar del menú emergente la opción Attributes.

En la imagen infra vemos los valores asignados a el nodo Zara de la red, con los indicadores de centralidad y factores de clustering.

_

corujeira_dea_ARS27

_

UCINET:

_

corujeira_dea_ARS28

_

Para el trabajo con indicadpres cuantitativos es conveniente trabajar desde el software UCINET, que nos permite exportar documentos de texto con los valores de la red.

Para ello, abrimos la matriz desde el menú Network, por ejemplo para obtener los indicadores de Degree de la red.

_

corujeira_dea_ARS29

_

corujeira_dea_ARS30

_

Los datos cuantitativos calculados por los software de investigación son amplios y permiten articular desde ellos amplios campos de fenómenos.

Las capacidades de algebra de matrices, los indicadores que manifiestan y las capacidades gestálticas que posibilitan las herramientas del ARS pueden ser condiciones que posibiliten mayores o más amplios niveles de análisis.

Por ejemplo, a la investigación sobre moda de pertenencia se puede incorporar una investigación de modas de referencia; simplemente debemos de establecer una recogida de datos adecuada, implementar en la matriz existente los datos de relaciones entre marcas y usuarios, sumar matrices y generar los indicadores que configuren nuestros objetivos de investigación.

¿Cuál es la marca con más conectividad?, ¿cuál la que tiene más influencia?, ¿cuál la que establece mayores procesos de intermediación? Los indicadores de centralidad de la red nos pueden ser útiles en el momento de establecer una topología de la identidad del grupo en relación a las marcas como campo de investigación.

Los algoritmos de clustering y las distribuciones de escalas multidimensionales aplicadas desde este sencillo ejercicio a componentes de los discursos gráficos, por ejemplo, puede ser acceso a un proceso de preparación creativa de un proyecto de diseño de primera índole.

Estas páginas previas sirven de ejemplo, o como manual introductorio, que nos permite entender como diseñar una investigación empleando las técnicas ARS a un objeto.

En el siguiente epígrafe nos ocupamos de cómo emplear esta base metodológica en un particular de los circuitos de difusión cultural en micromedio.

_

siguiente:

DEA 5. 5.1 ERRETRES 5.2 METODOLOGÍA DE LA INNOVACIÓN Y LA AUTO-ORGANIZACIÓN

anterior:

DEA 4.2 ANÁLISIS DE REDES SOCIALES

_

Etiquetado

2 pensamientos en “DEA 4.2.5 Análisis de la Moda de pertenencia; un pequeño ejemplo práctico

  1. […] 4.2.5 ANÁLISIS DE LA MODA DE PERTENENCIA; UN PEQUEÑO EJEMPLO PRÁCTICO […]

  2. […] DEA 4.2.5 ANÁLISIS DE LA MODA DE PERTENENCIA; UN PEQUEÑO EJEMPLO PRÁCTICO […]

Los comentarios están cerrados.

A %d blogueros les gusta esto: