Suena:
(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).
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
_
Informational Design 