DEA 4.2 Análisis de redes sociales

Suena:

Je t’aime, moi non plus por Serge Gainsbourg
(http://grooveshark.com/s/Je+T+aime+Moi+Non+Plus/394L4H?src=5)

_

4.2.1 Análisis de redes sociales, cuestiones metodológicas
4.2.2 Nomenclatura
4.2.3 Indicadores de centralidad
4.2.4 Paquete de software de investigación
4.2.4.1 UCINET®
4.2.4.2 NETdraw
4.2.5 Un pequeño ejemplo práctico

_

Tras haber focalizado el contexto en el que vamos a plantear la investigación, comentaremos el método que pensamos testar: el Análisis de Redes Sociales –ARS-; describiendo en el siguiente epígrafe 5 el particular de investigación: erretrés.

_

_

Circuito de difusión de la organización erretrés y su entorno en clusters
tal como la visualizamos en la investigación de este DEA

Estudiar las organizaciones desde una perspectiva reticular, como pretendemos, requiere un par de supuestos y afectan al marco y los esquemas que empleamos:

Supone entender la sociedad –o las organizaciones, comunidades y sociedades- como una estructura de vínculos entre personas , más que como un conjunto de individuos y sus carácterísticas ¹ (Reynoso 2008 16).

Esta diferencia afecta al modo de comprensión estadística tradicional en los estudios sociológicos y la representación de dinámicas de sus procesos y fenómenos, como es el caso de la “curva de Bell” de la distribución normal ² (Reynoso 2008 27) frente a la distribución por ley de potencia comentado supra ³ (ver pág. 87); y a los artefactos tecnológicos empleados en la investigación.

Por ejemplo; como veremos infra, frente a las matrices rectangulares convencionales en el estudio estadístico nos encontramos con matrices cuadradas de relaciones.

«Conventional» sociological data consists of a rectangular array of measurements. The rows of the array are the cases, or subjects, or observations. The columns consist of scores (quantitative or qualitative) on attributes, or variables, or measures. Each cell of the array then describes the score of some actor on some attribute. In some cases, there may be a third dimension to these arrays, representing panels of observations or multiple groups.

The fundamental data structure is one that leads us to compare how actors are similar or dissimilar to each other across attributes (by comparing rows). Or, perhaps more commonly, we examine how variables are similar or dissimilar to each other in their distributions across actors (by comparing or correlating columns).

«Network» data (in their purest form) consist of a square array of measurements. The rows of the array are the cases, or subjects, or observations. The columns of the array are — and note the key difference from conventional data — the same set of cases, subjects, or observations. In each cell of the array describes a relationship between the actor  ⁴ (Introduction to Social Network Methods Hanneman / Riddley 2005 1).

Asimismo, las herramientas de investigación que vamos a testar agregan, al trabajo con matrices de datos, una capacidad de visualización de los mismos; apoyándose en las facultades gestálticas, sincrónicas y simétricas de la visión ⁵ (Reynoso 2008 16) que se dibujan ante un esquema disponible que posibilita el análisis estructural de una comunidad (1953:95-96) ⁵ (Moreno cit. en Reynoso 2008 17), en sus diversos modos de visualización de los datos representados.

Reynoso ⁶ (Reynoso 2008 Cap. 5) propone un relato del desarrollo histórico del aparato matemático y los modos de visualización que han configurado las técnicas digitales de investigación que vamos a conocer en este epígrafe.

Como comentamos supra ⁷ (ver pág. 84) la teoría de grafos de Euler está como sustrato de la teoría de redes en la que se integran las metodologías de análisis a emplear. El desarrollo de las visualizaciones comenzó con Moreno y sus sociogramas.

_

_

1. Sociogramas de Moreno, que trabajo con el joven Lazarsfeld.

Estudios en la Harvard Business School
2. Movimiento de Relaciones Humanas de Elton Mayo. Por ejemplo la investigación en la factoría Hawthorne, en cuyo diseño trabajo William Lloyd Warner que convirtió los diseños de investigación de Elton Mayo en estudios de relaciones entre individuos o grupos ⁸ (Reynoso  2008 18)
3. Conrad Arensberg y Eliot Chapple, que trabajaron con la metodología de Warner en Yankee City, aportaron mediciones formales de la interacción y herramientas matemáticas. Chapple (1940) llegó a construir una máquina de escribir especial, llamada “cronógrafo de interacción” para registrar las interacciones mediante observación directa ⁹ (Ibid.)

Estudios en el Laboratorio de Redes del Instituto Tecnológico de Massachusetts.
4, 5. El trabajo de Alexander Bavelas ayuda a comprender mejor las raíces gestálticas de la teoría de campo de Kurt Lewin; cambiando la perspectiva geométrica de sus mapas por grafos topológicos como los contemplados en las técnicas actuales.

_

_

Figura 7 – Mapa lewiniano y grafo de Bavelas correspondiente ¹⁰ (Reynoso 2008 21)

4. Asimismo Bavelas desarrolló antes que nadie estadísticas de centralidad que todavía integran el repertorio analítico de los principales modelos y de los paquetes de software más utilizados ¹¹ (Reynoso 2008 20)
6. Cartwright y Harary le conceden una dimensión sociológica a la moderna teoría de grafos formulada por König; incidentalmente, este último, profesor de Paul Erdös, uno de los padres de la teoría de redes ER comentada supra ¹² (ver pág. 84)

De autores como Moreno, Bavelas y Cartwright, así como de las notaciones gráficas de los matemáticos, se derivó la notación que comúnmente se utiliza en teoría de redes sociales ¹³ (Reynoso 2008 22) y de las técnicas ARS que vamos a conocer.

ARS supone así un trabajo con componentes y relaciones que denominamos nodos y vínculos respectivamente; y con un conjunto de algoritmos de análisis y representación organizadores de ambos aspectos en estructuras reticulares.

La función que le daremos entenderá de agentes comunicativos e intercambios de mensajes; y tratará, mediante el potencial de las herramientas, el calcular indicadores de centralidad -(Información) oculta tras la interacción a través de mensajes- que permitan la descripción de la organización objeto de estudio; siguiendo un paradigma estructuralista de la comunicación como el comentado sobre Moles ¹⁴ (ver supra epígrafe 3.2.5)

Mediante esta aplicación metodológica integramos -en este punto del DEA- en el Método de Renovación de la teoría de Moles en curso, el Método de Aplicación de una Teoría comentado supra ¹⁵ (ver pág. 11 y sig.); a modo de ejercicio escolar o un problema de clase en matemáticas especiales.

4.2.1 Análisis de redes sociales, cuestiones metodológicas

María Isabel Sánchez Balmaseda  en su tesis Análisis de redes sociales e historia: una metodología para el estudio de redes clientelares ¹ (Sánchez Balmaseda 1995) propone unos planteamientos metodológicos a tener en cuenta al enfrentarse a una investigación en redes sociales, ya que según se opte por unas u otras de las diferentes alternativas ante las que el analista de redes se encuentra (por ejemplo, con respecto a qué tipo de relación que se va utilizar para la construcción de la red, cómo establecer sus limites etc…), así se ajustará mejor la metodología a la investigación particular de cada uno ² (Sánchez Balmaseda 1995 18):

• Cualidades de los vínculos
• Niveles de análisis
• Recolección de datos
  -Selección de datos
  Especificación de límites
  Muestreo
  – Fuentes de datos

Siguiendo dichos planteamientos el análisis de redes que empleamos en el objeto de investigación supone:

Cualidades de los vínculos.

La relación que vamos a investigar en este DEA, siguiendo la tipología propuesta por Knoke y Kuklinski (1982, 15-16) ³ (Ibid.) es la de relaciones de comunicación, [e]n las redes de comunicación se estudia la transmisión de mensajes entre los actores. Aquí caben estudios acerca de la forma de transmisión de rumores o de ideas innovadoras ⁴ (Ibíd.)

Las relaciones se intentarán mantener dentro de los límites comentados, pero se atenderá a someras implicaciones en relaciones multiplex ⁵ (Sánchez Balmaseda 1995 21), como pueden ser las establecidas por el rol de los agentes en la organización.

En la forma de las relaciones optaremos por relaciones valoradas, en las que mediante protocolos de registro y obtención de datos incluimos intensidad de relaciones por duración, por ejemplo ⁶ (ver infra 5.3); y un registro para relaciones con signo ⁷ (ver infra 5.2).

Dado el objeto de interés en nuestra investigación, y el objetivo de obtener un grafo dirigido, buscamos las relaciones direccionadas, añadiendo una punta de flecha a cada línea, de tal manera que la dirección de la flecha indica la dirección de la relación ⁸ (Sánchez Balmaseda 1995 30)

Niveles de análisis.

El estudio, por las características solicitadas al investigador ⁹ (ver infra 5.1), pretende   detectar la estructura informal de la organización a estudio y el stress comunicacional que soportan determinados nodos como cuellos de botella  ¹⁰ (Louise Clark  2006 5) de los procesos.

Por ello se investiga a nivel de la Red completa y Red egocéntrica o personal –en nuestro caso denominada egoNet- de determinados agentes.

Recolección de datos.

Las descripciones pormenorizadas sobre la recolección de datos y procedimientos de registro se tratarán en cada particular infra ¹¹ (ver 5.2 y 5.3).

Como esquema partimos de una perspectiva nominalista al limitar la investigación, en la que se toma en cuenta el marco conceptual del investigador, esto es, los límites no vienen dados por la realidad, sino que se adecúan a los propósitos analíticos del investigador ¹² (Sánchez Balmaseda 1995 33); como estrategias para la especificación de límites atenderemos a Atributos de los actores, Relaciones sociales y Participación en eventos ¹³ (Laumann et al (1983, 22—24) Cit en Sánchez Balmaseda 1995 34 y sig.)

La recolección de datos provendrá en un particular de la Observación directa ¹⁴ (ver 5.3) y en el otro de los Documentos de archivo ¹⁵ (ver 5.2).

4.2.2 Nomenclatura

El diccionario funcional en el análisis de redes sociales es muy amplio y las definiciones son especializadas en muchos de sus términos, especialmente en el vocabulario de indicadores cuantitativos y muchos de los algoritmos de análisis.

En la nomenclatura que recogemos en este epígrafe se muestra una sucinta lista no exhaustiva de términos que sirven para comprender los aspectos tratados en la investigación.

• Centralidad: medida posible de un vértice en dicho grafo, que determina su importancia relativa dentro de éste ¹ (wikipedia centralidad). La centralidad se determina para un nodo dependiendo de indicadores como son: conectividad o degree, intermediación o betweenness, cercanía o closeness, etcétera; que definimos infra.
• Cluster: un cluster es un grupo conectado de hubs y nodos que comparten relaciones, en nuestro caso relativas a flujos de información. En una red puede haber diversos conjuntos de clusters disipando información del proceso en distintos patrones.
• Diámetro de una red: el camino corto más grande entre cualquier par de vértices  [nodos] que conforman la red ² (Análisis, comparativa y visualización de redes sociales online representadas como grafos Néstor Martínez Arqué 2011 28).
• Hub: es un nodo con un número muy elevado de vínculos, con relación al conjunto de nodos de la red; un nodo de conectividad significativa.
• Layout: modo de asignación de valores para mostrar una visualización. Por ejemplo el layout Spring Embedding de Netdraw evita solapamiento de nodos en una visualización en red, mientras que el layout circle localiza los nodos en una forma elíptica.

_

_

Aplicación de layout Spring Embedding (izqu.) y Circle

• Matriz: normalmente en redes son tablas de doble entrada cuadradas en las que se recogen las interacciones entre componentes.
• Nodo -o vértice en grafos-: Cada uno de los puntos que se representan en la imagen es por ejemplo una persona de una organización que está en la red. En nuestro caso cada nodo corresponde a una persona de la organización o una institución de su entorno.
• Vínculo: es la representación gráfica de una relación entre nodos. Pueden ser dirigidos en los que se marca el agente y paciente de la relación. En nuestro caso son las interacciones comunicativas registradas, sea mediante un correo en la investigación de red de emails o mediante una interacción presencial en el estudio durante la observación sistematizada.
• Tamaño de una red: [u]sually the size of a network is indexed simply by counting the number of nodes ³ (Hanneman / Riddley 2005 95).

4.2.3 Indicadores de centralidad

La determinación de la centralidad de la red, como hemos comentado iniciada por las aportaciones de Bavelas, es uno de los objetivos de la investigación en redes.

Con ello se determina en la representación los nodos con mayor influencia de la configuración: sea esto por su elevada conectividad, por su importancia en la distribución en la red, sea por su agrupación en los conjuntos de la organización y sus relaciones.

Por su relevancia en la investigación definimos para un nodo:

• Conectividad, degree: grado de un vértice [o nodo] es el número de conexiones asociadas a él ¹ (Néstor Martínez Arqué 2011 26).

En los grafos dirigidos, como el que vamos a trabajar en este DEA, es posible diferenciar entre InDegree, o número de conexiones entrantes, y OutDegree o conexiones salientes de cada nodo.

• Cercanía, closeness: suma o promedio de las distancias más cortas de un nodo hacia los demás. En una red de flujo esta medida se puede interpretar como el tiempo de llegada a destino de algo que fluye a través de la red. También puede interpretarse como la rapidez que tomará la propagación de la información desde un nodo a todos los demás ² (wikipedia Centralidad)
• Intermediación, betweenness: cuantifica el número de veces que un nodo esta en el camino entre otros nodos como puente. Muy relévate con relación a las teorías como las comentadas de Moles o de Csíkszentmihályi; la medida de intermediación y el control de los micromedios: en un proceso de difusión, si el valor de intermediación de un nodo es alto entonces puede actuar como un broker; y si es suficientemente alto como para controlar el flujo de información, entonces puede actuar como un guardián ³ (Ibíd.).
• Centralidad de vector propio, eigenvector: mide el factor de influencia de un nodo en la red; si está el nodo bien conectado a otros nodos bien conectados. Los nodos más centrales en este sentido corresponden a centros de grandes grupos cohesivos. Mientras que en el caso de la centralidad de grado, cada nodo pesa lo mismo dentro de la red, en este caso la conexión de los nodos pesa de forma diferente ⁴ (Ibíd.).

Por su relevancia en la investigación debemos conocer también:

• Coeficiente de clustering: cuantifica qué tanto está agrupado un nodo con sus vecinos. El clustering de un nodo i es el ratio del número de enlaces existentes sobre todos los enlaces posibles entre sus vecinos ⁵ (Néstor Martínez Arqué 2011 27).

Se denomina a este coeficiente también como transitividad (wikipedia Coeficiente de agrupamiento).

• Distribución de grado: distribución de probabilidad de un grado en un grafo ⁶ (Ibíd.). Como comentamos supra encontramos la topología Poison –curva de Bell, relacionada con las redes ER-; la exponencial; y las redes libres de escala ⁷ (Ibíd.).

El Degree nos permite conocer la densidad del flujo de datos por la red, la máxima cantidad de datos en los nodos. El Betweenness nos permite conocer cuáles son los nodos por los que pasa rápidamente la información en la red. Son grandes puentes entre grupos de nodos en los que suceden múltiples acciones.

La centralidad mediante sus indicadores nos permite comprender el flujo de información y los cuellos de botella de la red a analizar, así como trazar configuraciones visuales de modos de agrupamiento.

_

_

Evolución del indicador degree en dos semanas de investigación en erretrés

El aparato matemático que sustenta los indicadores es procesado por los softwares que se emplean en la investigación, por lo que es posible acceder al estudio de redes sin una formación matemática especializada.

4.2.4 Paquete de software de investigación

Existen en la red múltiples aplicaciones informáticas que sirven para la investigación en redes sociales. En el particular de la investigación en este DEA se han empleado dos programas: Ucinet ® y NetDraw.

4.2.4.1 UCINET® ¹ (https://sites.google.com/site/ucinetsoftware/home)

Es un programa que permite trabajar con matrices en las que implementar los resultados del registro que queremos analizar. Permite el álgebra de matrices de manera simple y fácil de manejar, como puede ser la suma, resta, reorganización, etcétera.

Las matrices son el sustento de la investigación.

_

_

Imagen de una matriz de Ucinet ®

4.2.4.2 NETdraw ¹ (http://www.analytictech.com/downloadnd.htm)

Es un programa que permite la visualización de las matrices en estructuras reticulares, aportando el procesamiento de algoritmos de análisis, modos de visualización cualificadores gráficos en nodos, vínculos o configuraciones, cálculo de indicadores de centralidad y coeficientes de clustering, etcétera.

Netdraw proporciona la Gestalt que dibujan las matrices de Ucinet ®

_

_

Imagen del interface de NetDraw

Comentando el valor de las técnicas que vamos a tratar, Reynoso afirma: después de una larga siesta interpretativa y posmoderna, al fin tenemos entre manos un enorme paquete de nuevas técnicas susceptibles de ser comunicadas, enseñadas y aprendidas. Como muy pocos, este paquete se ha convertido en un objeto óptimo de reflexión e intercambio. Se trata de técnicas que crean hábito, y de las que quienes las han probado con algún grado de éxito no encuentran fácil desembarazarse ²  (Reynoso 2008 23).

4.2.5 Un pequeño ejemplo práctico

_

Siguiente:

4.2.5 ANÁLISIS DE LA MODA DE PERTENENCIA; UN PEQUEÑO EJEMPLO PRÁCTICO

Anterior:

DEA 4. METODOLOGÍA DE INVESTIGACIÓN 4.1 FOCALIZACIÓN EN EL OBJETO

_

DEA 3.3.3 Creativity Scale Free Network

Suena:

Tu veux ou tu veux pas por Brigitte Bardot
(http://grooveshark.com/s/Tu+Veux+Ou+Tu+Veux+Pas/3IoLhX?src=5)

_

_

Graphing the history of philosophy. Simon Raper ¹
-Red de Wikipedia-
(http://drunks-and-lampposts.com/2012/06/13/graphing-the-history-of-philosophy/)

En 1998, 31 años después de la publicación de Sociodinámica de la cultura, Albert-László Barabási, Eric Bonabeau, Hawoong Jeong y Réka Albert hicieron un descubrimiento crucial. Internet es una Scale Free Network.

En la investigación sobre Internet, donde esperaban encontrar una red aleatoria descubrieron un orden implicado ² (Bohm / Peat 2007): la totalidad de la Web se sustentaba en unas pocas páginas altamente conectadas, que en el modelo se identificaron como hubs; la gran mayoría de los nodos, comprendiendo más del 80% de las páginas, tenía poquísimos vínculos, menos de cuatro ³ (Reynoso 2007 45).

Este descubrimiento comprende cómo la teoría de Moles ha sido superada por el desarrollo del pensamiento científico ⁴ (como veremos infra  7.1.1). La Cultura en Mosaico que visiona desde su estética estadística, azarosa, aleatoria; ha quedado integrada finalmente por algún sentido de articulación  –poniendo en orden a nivel formal el desorden existente a nivel real ⁵ (Martín Serrano 1977 38 cit. Franco 2011 5)- que se muestra en las redes libres de escala –redes LE-.

La web -modelo prototípico de comunicación que el sentido común podría entender en mosaico-está realmente auto-organizada; ya que las redes LE obedecen leyes de escala que son características de los sistemas que se auto-organizan ⁶ (Reynoso 2007 46). No es una red aleatoria.

Esta intuición ya la planteaba Moles en las metodologías de investigación que hemos comentado ⁷ (ver supra 3.2.4), pero su apego a un estructuralismo comunicacional le remitían a la aleatoriedad en la que desembocaba; a una entropología ⁸.

_

_

Map o interacting proteins ⁹
(Scale Free Networks Barabási, Bonabeau pág. 59
http://www.barabasilab.com/pubs/CCNR-ALB_Publications/200305-01_SciAmer-ScaleFree/200305-01_SciAmer-ScaleFree.pdf )

Mas esa intuición, esa Gestaltung de Moles, puede ser derivada a una hipótesis en la que la cultura se auto-organiza, como vemos supra en la visualización de la red de la filosofía según la base de datos de Wikipedia realizada por Simon Raper.

Y este patrón puede ser isomorfo en múltiples fenómenos denominados complejos.

Tras la primera comprobación, comenzó a hacerse evidente que las redes de este tipo aparecían en los contextos lógicos y materiales más disímiles: relaciones sexuales, citas bibliográficas entre miembros de la comunidad académica, colaboraciones en reportes de investigación, alianzas tecnológicas, relaciones entre actores de cine, sinapsis neuronales, contactos entre personas en una organización, cadenas alimentarias, conexiones entre organismos vinculados al metabolismo o proteínas reguladoras, propagación de enfermedades y virus informáticos ¹⁰ (Barabási y Bonabeau 2003; Liljeros y otros 2003 cit. en Reynoso 2007 46)

Esa intuición de Moles – que le llevó a las investigaciones de Orgood sobre el intercambio de citas bibliográficas entre miembros de la comunidad académica, y su coeficiente de interacción ¹¹ (ver supra pág. 71)- puede ser una intuición operativizable y de la que rescatar, en sus restos, una descripción del cómo aplicando ciertas reglas de ensamblado o de eliminación, localicemos aspectos esenciales para nuestro caso de la creatividad.

¿Es la creatividad aleatoria, o es un proceso complejo en el que las redes de ítems se auto-organizan?; puede entonces ser una dicotomía cargable de plausibilidad para plantear cuestiones previamente esbozadas ¹² (ver supra págs. 66, 69).

¿Es el producto creativo, más que una ontología de profundidad en el sujeto o el objeto, un efecto de superficie ¹³ (Lógica del sentido Deleuze 9 y sig.) reticular?, atractor extraño.

Pero, ¿cómo aproximar un objeto desde el marco que conocemos hacia esta actualización del lenguaje y las formas con las que explicamos la realidad empírica, manteniendo unas diferencias directrices que hagan una diferencia significativa?

En este punto del DEA -tras haber dedicado una relativa extensión al marco teórico de Abraham Moles- empezamos un proceso de profundidad ¹⁴ (ver supra pág. 37) en esa superficie; mediante el método de renovación de la teoría comentado supra ¹⁵ (ver pág. 12).

Entonces, apoyados en ese aspecto concreto esbozado en la propuesta de Moles, y con la advertencia comentada en la página anterior; redes.

Pregunta. ¿Podría explicar en pocas palabras la importancia de la Ciencia de las Redes?
Respuesta. Tanto los sistemas sociales como los biológicos son redes. No puedes entender la sociedad sin saber quién habla con quién, quién influye a quien, quien manda sobre quién y no puedes entender una célula si no sabes qué genes está conectados. La siguiente pregunta es ¿Cómo podemos usar la información de esa red para entenderlas? Lo que hemos aprendido en los últimos diez años es que una vez que conocemos los vínculos entre los elementos tenemos muchos datos para conocer el sistema. En un sistema social es interesante saber quién se relaciona con quién para, por ejemplo, iniciar una campaña para influir sobre alguien. Igualmente si las farmacéuticas conocen la interconexión entre las moléculas tendrán un punto de partida muy sólido para desarrollar sus medicinas. La red no es lo único, pero conocerla es indispensable para conocer el sistema. ¹⁶ (László Barabási: «Las redes sociales ayudan a que el mundo sea cada vez más predecible» El País 15 NOV 2011 http://tecnologia.elpais.com/tecnologia/2011/11/15/actualidad/1321351264_850215.html)

_

_

Redes según Paul Baran
Centralizada – Descentralizada – Distribuida

Primero la cronología del caso.

Carlos Reynoso en su texto Redes libres de escala en ciencias sociales: Significado y perspectivas ¹⁷, propone, entre otros, 5 hitos en la evolución la Teoría de Redes que vamos a integrar.

_

_

(1) El fundamento matemático, sustrato en la teoría de grafos que nace con Euler y el problema de los puentes de Königsberg –ciudad nunca abandonada por Kant- hacia 1736; (2) los trabajos de la sociometría de Moreno, comentados supra ¹⁸ (ver pág. 72 y sig.), representado por uno de sus primeros sociogramas autógrafos de 1932; (3) los trabajos en organizaciones laborales desde los estudios del fundador del Movimiento de Relaciones Humanas, Elton Mayo ¹⁹ (Reynoso 2007 17), como la investigación de Fritz Roethlisberger y William J. Dickson en la famosa factoría Hawthorne de la Western Electric en Cicero, Illinois, entre 1927 y 1933 ²⁰ (Ibíd.); (4) la descripción de las redes ER –aleatorias- por Erdös y Rényi desde la década de 1950; y, actualmente (5) las Scale Free Network objeto de nuestro interés.

_

_

Random versus Scale-Free Networks ²¹
(Ibid. Nota ⁷ de 3.3.3 pág. 53)

Debemos inicialmente caracterizar las redes LE; y para poder conocer su caracterización el modo más simple es compararlas con las redes ER.

En términos informacionales podríamos decir que mientras en las redes aleatorias hay una organización de conectividad de cierta simetría, en la de las scale free network hay un desequilibrio negentrópico.

RANDOMNETWORKS, which resemble the U.S. highway system (simplified in left map), consist of nodes with randomly placed connections […] with most nodes having approximately the same number of links. In contrast, scale-free networks, which resemble, the U.S. airline system (simplified in right map) contain hubs (red) nodes with a very high number of links. In such networks […] most nodes have just a few connections and some have a tremendous number of links ²² (Ibid.)

El desequilibrio significativo que demarca las redes LE –some nodes have a tremendous number of connections to other nodes, whereas most nodes have just a handful  ²³ (Barabasi / Bonabeau 2003 52)- frente a las ER en las que los nodos tienen aproximadamente un mismo número de conexiones, supone características particulares.

Reynoso resalta, entre otros, tres aspectos esenciales que diferencian redes LE de redes ER: el efecto de los pequeños mundos, el umbral de percolación y la robustez ²⁴ (Reynoso 2007 48)

Por ejemplo, Internet es una red robusta pero frágil. Destruyendo el 80% de los nodos de menor conectividad seguirá funcionando; pero es muy sensible a los ataques selectivos que desconecten un hub importante de la red.

Podríamos afirmar que mientras mantiene una gran flexibilidad en la razón de sus nodos pequeños, la desaparición de un hub desencadena una catástrofe generalizada ²⁵ (Thom 2008 118)

In general, scale-free networks display an amazing robustness against accidental failures, a property that is rooted in their inhomogeneous topology. The random removal of nodes will take out mainly the small ones because they are much more plentiful than hubs. And the elimination of small nodes will not disrupt the network topology significantly, because they contain few links compared with the hubs, which connect to nearly everything. But a reliance on hubs has a serious drawback: vulnerability to attacks ²⁶ (Barabasi / Bonabeau 2003 56)

Otro de los aspectos comentados por Reynoso, el umbral de percolación cero ²⁷ (Reynoso 2007 48) de las redes LE, es relevante al caso tratado por Moles de la difusión del mensaje cultural.

Mientras en las teorías clásicas de la difusión, de las epidemias por ejemplo, se pensaba que debe superase ese umbral de percolación mínimo para extenderse un virus -ya que de otro modo terminará extinguiéndose- la investigación en las redes libres de escala demuestran lo contrario.

Recently, though, Romualdo Pastor Satorras of the Polytechnic University of Catalonia in Barcelona and Alessandro Vespigniani of the International Center for Theoretical Physics in Trieste, Italy, reached a disturbing conclusion. They found that in a scale-free network the threshold is zero. That is, all viruses, even those that are weakly contagious, will spread and persist in the system ²⁸ (Ibíd.)

Reynoso comenta que esta característica viral, buscada actualmente en múltiples modos de comunicación pública -[v]iral marketing campaigns, for instance, often specifically try to target hubs to speed the adoption of a product ²⁹ (Barabasi / Bonabeau 2003 58)- ha contradicho, en la investigación reciente, el modelo clásico de difusión del flujo de los dos pasos popularizado por Paul Lazarsfeld, Elihu Katz y sus colegas ³⁰ (Reynoso 2007 48).

En algunos escenarios, ciertamente, los formadores de opinión son responsable de dramáticos efectos de cascada; pero los modelos matemáticos recientes parecen comprobar que esas instancias son más la excepción que la regla: en la mayor parte de los casos, los influenciadores son sólo un poco más importantes que los individuos comunes (Watts y Dodds 2007). ³¹ (Ibíd.)

Este particular puede tener relevancia en la teoría de los micromedios de Sociodinámica de la cultura, y en el modelo sistémico de Csíkszentmihályi.

El último aspecto es sobradamente conocido por el experimento de Milgram. En 1967, Stanley Milgram ideó una nueva manera de probar la teoría, llamada el problema del pequeño mundo, que justifica su conocida expresión de seis grados de separación.

Si alguien tiene cien o mil conocidos (un número realista) y cada uno de éstos tiene otros tantos, cualquier miembro de la población humana estará entre unos ocho y unos diez pasos de distancia geodésica de cualquier otro. Esta es la esencia de la idea de los mundos pequeños ³² (Reynoso 2007 42); es un caso que vemos de manera aproximada en una red como puede ser LinkedIn.

¿Es la creatividad aleatoria, o es un proceso complejo en el que las redes de ítems se auto-organizan?

Resulta atractivo conjeturar ^x (Popper  1991) sobre hasta dónde dichos aspectos se pueden aplicar a lo que vamos limitando como creatividad en este texto. Sea entender como hubs o clusters de sentido las zonas de conexiones fáciles propuestas por Moles para su constelación de atributos, la trama misma de nuestro espíritu, atributo esencial de lo que hemos llamado moblaje del cerebro ³³ (ver supra pág. 68); sea su descripción de la celebridad desde los  umbrales de percolación cero ³⁴ (ver supra pág. 78) para explicar la difusión de innovaciones en nuestra red global; sea desde la descripción de un habitus de pequeño mundo, abierto a la conexión posible de lo distante a seis grados de separación, en las correlaciones de largo alcance  ³⁵ (Prigogine 1999 28).

Ley de potencia

Una relación de ley de potencia entre dos magnitudes escalares x e y es una relación que se puede escribir de este modo

y = ax^k

donde a (la constante de proporcionalidad) y k (el exponente de la ley de potencia) son constantes. Puede decirse que este exponente es la característica principal de la distribución, pues describe de qué manera cambia ésta como función de la variable subyacente. Por ejemplo, si el número de ciudades de cierto tamaño decrece en proporción inversa a su tamaño, el exponente es 1. Si decrece inversamente al cuadrado el exponente es 2, y así sucesivamente (Reynoso 2007 49)

Las redes ER presuponen distribuciones normales o Gaussianas (para mediciones continuas), o distribuciones de Poisson (para mediciones discretas) (Reynoso 2007 27), mientras que la distribución representativa de las LE es por ley de potencia.

_

_

Random versus Scale-Free Networks

La inclinación de esa línea mide la dimensión fractal y, según afirman muchos, la complejidad del sistema (Reynoso 2007 49).

_

_

Human Centered Design de IDEO pág. 41

Este nuevo modo de entender la distribución de fenómenos, entre los que se puede contar la difusión de mensajes, afecta al propio modo de entender sociológico. Las curvas normales son aún una forma de representación supuesta en los marcos teóricos de metodologías del Design Thinking como la que vemos supra; pero la preceptiva estadística de las ciencias sociales presupone erróneamente que esta clase de distribución es dominante.

Tratando el asunto Reynoso comenta.

[C]omo puede verse en ambas puntas de la curva, siempre hay muy pocos individuos altísimos y muy pocos también de bajísima estatura, o poquísimos genios y gente de poca inteligencia (o como se los llame). La diferencia entre los ejemplares extremos y el pico sería de menguada magnitud: cuatro o cinco órdenes como mucho, jamás del orden de los miles o los millones (Sornette 2006: 94). Dicho de una forma algo más rigurosa, aún en el extremo de aleatoriedad absoluta de una ley gaussiana, las desviaciones de la media mayores a unas pocas desviaciones estándar son muy raras, como si hubiera límites precisos a los grados de libertad del mismo azar. Desviaciones mayores a 5, por ejemplo, nunca se ven en la práctica. Es absolutamente obvio que una entidad caracterizada por este constreñimiento refleja muy pocas características de la vida real (Reynoso 2007 28).

Por lo tanto no hay una medida típica, ni hay valores promedios que describan el conjunto; para la estadística tradicional, esos sistemas son casi intratables. Por añadidura, las redes LE obedecen leyes de escala que son características de los sistemas que se auto-organizan (Reynoso 2007 28).

In that sense, the system has no «scale.» The defining characteristic of such networks is that the distribution of links, if plotted on a double-logarithmic scale [right graph), results in a straight line (Barabasi / Bonabeau 2003 53).

Un caso de la misma lógica  descrito por Moles lo comentamos anteriormente con respecto a los precios de las ediciones de lujo de la Divina Comedia de Dalí relacionado con el número de ejemplares (ver supra pág. 78) al aplicar el principio de Pareto (Reynoso 2007 52); o en la ley de Zipf (Ibid.)

_

_

Estructura de mundo pequeño y una distribución de ley de potencia,
que ilustra la red de co-ocurrencia de un fragmento de Moby Dick.
(Reynoso 2007 55)

Esta distribución está entre las leyes más frecuentes que describen la invariancia de escala en muchos fenómenos materialmente disímiles (Reynoso 2007 49); la cuestión a partir de este punto del DEA será buscar el modo de encontrar estos patrones en lo que describimos como creatividad, y los límites que dicha renovación puede tener al definir una didáctica comunicacional de la innovación.

Hemos intentado en los capítulos previos desambiguar ciertos modos de hablar de creatividad; conociendo el sistema conceptual de Kant, el de Csíkszentmihályi y el de Moles, este último tratado en extensión para poder encontrar los matices de su teoría en los que ubicarnos en una perspectiva de la complejidad.

Desde las facultades del Genio y su Gusto a la evolución memética. Describiendo modos en los que comprender la creatividad en un marco comunicacional en el que entender la transmisión de originalidad mediante el uso de la palabra información.

Como hemos comentado las palabras son ambiguas; y la información como palabra demandará ser desambiguada en el proceso que se desarrolla en este DEA.

Por ahora, desde este punto del texto en el que nos asomamos a la experiencia metodológica de esta investigación, mantenemos los límites que hemos delineado en dichos sistemas conceptuales y funciones descritas.

En el próximo capítulo, partiendo de la descripción de circuitos de difusión cultural hecha por Moles en Sociodinámica de la cultura, testaremos, mediante la investigación de una organización creativa referencial del ámbito del diseño contemporáneo en España -erretrés-, el Análisis de redes sociales (ARS).

_

Siguiente:

DEA 4. METODOLOGÍA DE INVESTIGACIÓN 4.1 FOCALIZACIÓN EN EL OBJETO

Anterior:

DEA 3.2.5 EPISTEMOLOGÍA

_

Ejemplo de diagnóstico usando Análisis de Redes Sociales (ARS) pincha aquí