Archivo de la categoría: Ucinet

UCM Teoría de la comunicación en Publicidad

Hola amigos,

estoy preparando unos talleres en la Universidad Complutense de Madrid.

Les subo el primer boceto.

_

Objetivos generales:

  • Trasmitir a los estudiantes las competencias básicas del análisis en redes sociales
  • Transmitir a los estudiantes las competencias básicas del análisis informacional de los mensajes
  • Transmitir a los estudiantes las competencias básicas en la estructuración factorial de espacios de configuración semántico/estéticos
  • Introducir a los estudiantes en las nociones de relevancia creativa
  • Generar una topología informacional de la comunicación pública de marca en ciertos ámbitos de la publicidad española de 2013
  • Proponer nuevos modos de contextualización publicitaria en la sociedad reticular

Contenidos generales:

  • Teoría de redes
  • Teoría informacional de la percepción
  • Teoría de la relevancia
  • Teoría comunicacional de la creatividad

Metodologías de investigación implicadas:

  • ARS
  • Análisis de la arquitectura informacional de un referente
  • Diferencial semántico
  • Constelación de atributos
  • Estructura factorial de un espacio de configuración semántico

Timing:

  • 5 sesiones de 2 horas

Equipo:

  • 70 estudiantes (14 grupos de laboratorio de 5 miembros)
  • Un facilitador (pueden apuntarse más)

Esquema pormenorizado

Sesión 0: Charla informal

  • Presentación de José Corujeira
  • Utilidad del concepto (por qué hacemos esto)
  • Utilidad de la herramienta (por qué lo hacemos así)
  • Finalidad, (a donde queremos llegar y que nos va aportar)
  • Objetivos. Claros, concretos y factibles.
  • Perfil Basadur

Metodología en el aula:

  • Exposición magistral (80%)
  • Puesta en común de opiniones del grupo (20%)

Sesión 1: ANÁLISIS DE LA CENTRALIDAD DE MARCAS EN LA MODA DE PERTENENCIA DEL GRUPO DE ESTUDIANTES DE UCM

Objetivos:

  • Comentar a los alumnos las nociones fundamentales del Análisis de Redes Sociales (ARS)
  • Transmitir a los alumnos las nociones básicas de trabajo con software de ARS.
  • Realizar un análisis de redes sociales aplicada a la moda de pertenencia de los estudiantes.

Contenidos:

  • Indicadores de centralidad en red: conectividad, intermediación.
  • Coeficiente de clustering.

Metodología en el aula:

  • Exposición magistral (35%).
  • Puesta en común de opiniones del grupo (15%).
  • Laboratorio de investigación en redes (50%).

Metodología de investigación implementada:

  • ARS

Actividades:

  • El docente expone la presentación de la técnica ARS
  • En grupos de 5 los estudiantes generan una lista de marcas que llevan en ese momento en el aula
  • En grupos de 5 los estudiantes generan una matriz de UCINET en la que relacionan personas y marcas
  • En grupos de 5 los estudiantes importan la matriz de UCINET a Netdraw
  • En grupos de 5 los estudiantes analizan los indicadores de centralidad de la red de marcas/usuarios de su grupo
  • 2 grupos de 5 estudiantes cada uno suman mediante UCINET  las matrices generadas
  • Cada equipo de 2 grupos importan la matriz de UCINET a Netdraw
  • Cada equipo de 2 grupos visualizan los indicadores de centralidad de la red de marcas/usuarios de su grupo
  • 2 equipos de dos grupos  de cinco estudiantes cada uno suman mediante UCINET las matrices generadas
  • Esas dos matrices se suman finalmente en la matriz de usuarios marcas de los estudiantes en el aula, aportando una red de la moda de pertenencia del conjunto de estudiantes.
  • En grupos de 5 visualizan el custering la moda de pertenencia en la clase.
  • Cada estudiante analiza la egoNet de la marca de referencia que elija de la red.

Sesión 2: ANÁLISIS DE LOS INDICADORES DE CENTRALIDAD EN LOS CUALIFICADORES DE LA PUBLICIDAD DE REFERENCIA EN DOMINICALES DE PRENSA

  • Revisar las nociones fundamentales del Análisis de Redes Sociales (ARS), revisar las nociones básicas de trabajo con software de ARS.
  • Realizar un análisis de redes sociales aplicada a la comunicación publicitaria en productos editoriales (revistas dominicales de El País, el Magazine de El Mundo, una revista aportada por el / la alumno/a)
  • Actividad extraescolar: (realizar una investigación en profundidad de las marcas que aparecen en las revistas del fin de semana entre sesiones)

Contenidos:

  • Indicadores de centralidad en red: conectividad, intermediación; clustering.
  • Vector propio

Metodología en el aula:

  • Exposición magistral (10%).
  • Puesta en común de opiniones del grupo (40%).
  • Laboratorio de investigación en redes (50%).

Metodología de investigación implementada:

  • ARS

Actividades:

  • El docente revisa lo aprendido en la sesión anterior.
  • En grupos de 5 los estudiantes generan un listado de marcas que aparecen en las revistas dominicales que han traído al aula
  • En grupos de 5 los estudiantes generan una matriz de UCINET en la que relacionan revistas y marcas
  • En grupos de 5 los estudiantes importan la matriz de UCINET a Netdraw
  • En grupos de 5 los estudiantes visualizan los indicadores de centralidad de la red de marcas/revistas de su grupo
  • El docente introduce la noción de Vector propio.
  • Los estudiantes se organizan en equipos por interés en la identidad de alguna de las marcas a análisis
  • Cada estudiante genera un listado de adjetivos que relaciona con la marca
  • Cada equipo de análisis de marca consensua y comunica a los compañeros la lista de adjetivos (6) de la marca analizada
  • Cada grupo de 5 consensua una lista de los adjetivos de análisis de marcas a implementar en UCINET
  • En grupos de 5 los estudiantes genera una matriz en UCINET de relación entre revistas y adjetivos (según la presencia de marcas)
  • En grupos de 5 los estudiantes exportan de UCINET los indicadores cuantitativos del vector propio de la imagen de referencia de la publicidad en cada uno de los medios a través de los adjetivos relativos a las marcas que publicita.

Ejercicio de análisis extraescolar

  • Cada estudiante analiza los dominicales y  observa la relación entre marcas  y adjetivos (de la sesión 2)
  • Cada estudiante  genera una matriz en UCINET de relación entre marcas y adjetivos
  • Cada estudiante genera la representación de la red de adjetivos y marcas mediante Netdraw
  • Cada estudiante analiza los indicadores de centralidad de cualificadores de referencia en la comunicación publicitaria en ese fin de semana: conectividad, intermediación, vector propio

 

Sesión 3: ARQUITECTURA DE LOS MENSAJES PUBLICITARIOS EN LA COMUNICACIÓN PÚBLICA EN DOMINICALES DE PRENSA

  • Transmitir a los alumnos los procedimientos del Diferencial semántico.
  • Realización de un Diferencial semántico de las marcas de referencia aparecidas en las revistas del análisis (de la sesión 2).
  • Comentar a los alumnos las nociones fundamentales de la Arquitectura informacional de un referente
  • Transmitir a los alumnos los procedimientos de la Constelación de atributos.
  • Realizar una constelación de atributos de algunos de los anuncios empleados de moda de referencia

Contendidos

  • Diferencial semántico
  • Modo semántico y modo estético, niveles de originalidad (cantidad de información)
  • Coronas categoriales y periferia de componentes estéticos y semánticos

Metodología en el aula:

  • Exposición magistral (25%).
  • Puesta en común de opiniones del grupo (15%).
  • Laboratorio de investigación en comunicación visual (60%).

Metodología de investigación implementada:

  • Diferencial semántico
  • Constelación de atributos semántico/estéticos

Actividades:

  • El docente expone la técnica de diferencial semántico
  • A gran grupo se seleccionan 3 marcas a analizar
  • En grupos de 5 los estudiantes generan una lista de adjetivos bipolares (relación marca1-marca2; marca1-marca3; marca2-marca3) de las marcas seleccionadas
  • 2 grupos de 5 estudiantes cada uno realizan un diferencial semántico a partir de las listas de adjetivos bipolares del otro grupo
  • El docente expone la arquitectura informacional del referente
  • En grupos de 5 los estudiantes generan un mapa de los conceptos de “estilos de vida” relacionados con las marcas y los adjetivos propuestos en el diferencial semántico
  • En grupos de 5 los estudiantes generan sobre el mapa previo un mapa de referentes estéticos a cada concepto del corpus que se maneja de dominicales
  • El docente expone la técnica de Constelación de atributos
  • En grupos de 5 los estudiantes generan la constelación de atributos estéticos de la comunicación publicitaria de las marcas a análisis

Sesión 4, aquí tal vez podemos hacer dos opciones:

A- Si los estudiantes tienen intereses científicos: TOPOLOGÍA INFORMACIONAL DE LA COMUNICACIÓN PUBLICITARIA

  • Revisar las nociones fundamentales de las técnicas realizadas
  • Transmitir a los alumnos los procedimientos de la Estructura Factorial o EPA
  • Realizar una representación topológica de la información del campo de la publicidad en los ámbitos analizados

Metodología en el aula:

  • Exposición magistral (25%)
  • Puesta en común de opiniones del grupo (15%)
  • Laboratorio de investigación en análisis factorial de contenidos (60%)

Metodología de investigación implementada:

  • EPA

B- Si los estudiantes tienen intereses creativos: NUEVOS ARQUITECTURAS PUBLICITARIAS EN LA COMUNICACIÓN DIGITAL

  • Revisar los resultados de las constelaciones de atributos y la arquitectura informacional del referente de las marcas de referencia
  • Juego de síntesis en mensajes publicitarios. Contextualización: retóricas, arquitecturas informacionales: fondo/forma, Parte/todo, Escala, Metáfora.

Metodología en el aula:

  • Exposición magistral (5%)
  • Puesta en común de opiniones del grupo (25%)
  • Laboratorio de propuestas publicitarias (70%)

No desarrollo las actividades hasta que decidamos la estrategia investigadora/creativa de la experiencia.

Sesión 5: Presentación de resultados

  • Aplicación por parte de los estudiantes de conocimientos aprendidos
  • Comunicar públicamente por parte de los estudiantes de  sus resultados
  • Somera ampliación teórica

Contenidos:

  • Depende de la opción que seleccionemos para la sesión 4
  • Teoría de la relevancia creativa

Metodología en el aula:

  • Exposición magistral (5%)
  • Puesta en común de opiniones del grupo (95%)
  • Laboratorio de investigación en análisis factorial de contenidos (0%)

Actividades:

  • Cada grupo de 5 expone su análisis o síntesis.

Para perfil basadur (si realmente interesa hacerlo):

http://www.basadur.com/howwedoit/TheBasadurProfile/tabid/83/Default.aspx

Para las técnicas de constelación de atributos, diferencial semántico y EPA: https://josemcorujeira.wordpress.com/2013/01/31/3-2-4-metodologias-de-investigacion-implicaciones-para-la-garantia-de-tecnicas-creativas-en-el-ambito-del-design-thinking/

Tratados en profundidad en Técnicas de investigación en comunicación social, elaboración y registro de datos. Gaitán y Piñuel 1998

Para el análisis de redes sociales: https://josemcorujeira.wordpress.com/2013/02/12/dea-4-2-analisis-de-redes-sociales/

Anuncios
Etiquetado

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

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.

_

DEA_corujeira_corujeira7

_

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.

_

DEA_corujeira_reynoso3

_

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.

_

DEA_corujeira_reynoso4

_

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.

_

DEA_corujeira_4

_

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.

_

DEA_corujeira_corujeira8

_

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.

_

DEA_corujeira_5

_

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 ®

_

DEA_corujeira_6

_

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

_

Anuncios