Быть брокером. Не на рынке, а в жизни

Один из недавних постов был о том, как не бояться заводить новые знакомства, и он набрал большое количество просмотров. Понимаем, что тема животрепещущая. Как и обещали, продолжаем серию постов про нетворкинг и в этот раз расскажем про то, как быть хорошим сетевым брокером.

Что такое нетворкинг мы уже разобрались, но кто такие брокеры? На ум приходит что-то, связанное с биржей, финансами, нервными мужчинами в галстуках. На самом деле, слово "брокер" также очень активно используется и в исследованиях социальных сетей. Быть брокером в сети - это значит объединять несколько не связанных между собой групп. Например, у меня есть два практически не связанных между собой круга общения. Первый я условно называю "люди из социальных наук" (социологи, психологи, экономисты), а второй я называю "люди из искусства" (художники, кураторы, фотографы). Очень часто я оказываюсь в ситуации, когда знакомый из группы "люди из искусства" спрашивает у меня что-то эдакое социологическое: как сделать исследование, что про определенную тему думают социологи, что уже изучалось в этой теме. Если я разбираюсь в этой теме, я с радостью помогаю сама, но часто советую кого-то их моих знакомых, принадлежащих группе "люди из социальных наук". Эти группы между собой очень редко пересекаются и, если одна группа вдруг заинтересуется экспертизой другой группы, то будет искать брокера, кого-то между, и в этой ситуации я играю роль этого сетевого брокера. Пример того, как это выглядит в самой структуре социальной сети - на картинке.

Пример брокера в структуре сети. Источник изображения.

Быть брокером полезно. Было большое количество исследований, показавших, что брокеры - очень важные связующие мостики в социальных сетях. Они передают идеи из одного круга в другой, у них есть доступ к разнообразным знаниям и ресурсам, они могут помогать как другим в своем окружении, так и самим себе. Брокерство связано и с личным успехом, например, на рынке труда эти люди быстрее находят работу, активнее продвигаются и зарабатывают больше. Конечно, если мы варимся в очень маленьком закрытом кругу людей, мы ничего не получаем нового извне. Если мы находимся между разными кругами - мы быстрее узнаем и передаем новую информацию.

Итак, хватит теории. Как же стать брокером и как взывать к помощи брокеров, если такие в окружении имеются? А они, несомненно, имеются у всех в окружении, нужно только присмотреться. Вот список идей и советов, которые мы собрали:

*** Если у вас есть различные группы друзей, то можно наконец их связать, если даже вам кажется, что они абсолютно несовместимы. Есть риск того, что они передерутся, но результат ведь никогда невозможно предугадать. Вполне вероятно, что кто-то из них найдет общий язык и они смогут помочь друг другу. Если один из ваших друзей поможет другому из противоположного круга, они будут вам благодарны, и вы почувствуете свою "сетевую власть".

*** Внимательно относиться к просьбам других, насколько бы сложно это не было. Например, часто друзья и знакомые говорят вам, что они ищут работу, квартиру, друга. В идеальном случае, вы удивительным образом сразу же вспоминаете, что недавно видели у кого-то пост про жилье, или по одной из почтовых рассылок приходило письмо о новой вакансии, или ваша подруга тоже на днях жаловалась, что совсем нет подходящих парней вокруг. В вашем мозгу происходит щелчок, вы тут же связываете этих людей или пересылаете им важно письмо. Это все идеальная картина, но наш мозг несовершенен, и мы часто пропускаем между ушей  такие просьбы. Есть небольшой трюк, помогающий такие просьбы запоминать лучше, особенно если они были сформулированы в письменной форме. Однажды я читала совет о том, что если вам кто-то пишет с просьбой, то лучше всего отвечать на такие сообщения, используя определенную фразу, которая вам запомнится. Например, в ходе переписки написать "буду держать в курсе", "обязательно дам знать!" или что-то наподобие. Потом, когда вы в один день получите письмо с очень хорошей вакансией или узнаете, что ваша соседка сдает квартиру, можно забить в поисковик почты или мессенджера эту кодовую фразу. Вы сразу увидите все переписки с людьми, которым обещали таким образом помочь. Может быть, кому-то из этого списка эта информация будет полезна и вы ее перешлете. В итоге, помогая другим, они когда-то помогут вам, и, к тому же будут бесконечно благодарны, что вы о них вспомнили в трудный момент.

*** Сходить на событие, которое напрямую не связано с вашей работой или интересами. Например, вы ничего не знаете про космос, но скоро будет научно-популярная конференция про это. Можно сходить туда не только для того, чтобы узнать что-то новое, но и для того, чтобы познакомиться с людьми, с которыми вы в обычной жизни, скорее всего, не встретитесь. А они, скорее всего, ничего не знают про вас и людей из вашего круга. Если удастся с ними пообщаться, то вы станете для них брокером в другой мир, также как они будут брокерами для вас. Например, никто не знает, но может быть через год они захотят сделать какое-то социальное исследование о представлениях о космосе. Скорее всего, с другими социологами они не дружат, и вспомнят про вас, если вы им запомнитесь.

*** Eсть также известный совет, который часто дублируется в разных советах по нетворкингу для людей из бизнеса. Но он требует более детального подхода к изучению своей собственной социальной сети. Нужно сделать таблицу, в которой в одном столбце написать имя знакомого вам человека; во втором имя человека, который вас с ним познакомил; в третьем - кого вы познакомили с этим человеком. Пример приведен на рисунке.

Пример таблицы с брокерами. В первом столбце - имя человека, во втором - кто вас с этим человеком познакомил (это и есть брокеры), в третьем - с кем вы познакомили этого человека. В этой сети - Мария Сергеева очевидный брокер. Все имена и связи вымышлены.

Если потратить на такую таблицу какое-то количество времени, то можно понять, как ваше окружение (часть его, потому что сложно вспомнить о взаимоотношениях всех ваших друзей) между собой связано, и кто в нем - основные брокеры. Самый важный столбец - второй, где и будут брокеры вашей сети. Считается, что если во втором столбце преобладает "я", то, во-первых, поздравляем, вы очень активный и общительный человек, во-вторых, все-таки не поздравляем, потому что скорее всего ваши сети достаточно однообразны. Известно, что мы стараемся завязывать контакты с похожими людьми, что очень приятно для нас, но может быть не всегда полезно для того, чтобы черпать что-то новое из своей сети. Если мы сами знакомимся с людьми, скорее всего, мы их подсознательно тщательно отбираем. Если же все-таки в этом столбце преобладаете не вы, а есть один-два других человека, то они и есть ваши брокеры. Однако, поняв, кто это, не нужно расслабляться, нужно тоже стать брокером для других. Для этого и нужен третий столбец - для того, чтобы вы также знакомили людей из вашего окружения друг с другом.

*** Нужно активно пользоваться своими брокерами. Например, не бояться просить других людей представлять вас. Например, у вас есть хорошая подруга, у которой много друзей-джазменов. А они ох как вам нравятся! Если вы попросите ее вас познакомить с ними, то ей будет приятно (потому что она чувствует свою сетевую власть, что обычными словами называется "ей приятно, что просят ее совета и помощи"), а также вам полезно, потому что вы войдете в этот круг, который был до этого для вас закрыт. Если вас представляют, то ваш статус сразу же в новом кругу становится немного выше, потому что вас представил кто-то им уже знакомый. Соответственно, большинство джазменов решат, что вам, скорее всего, можно доверять. Вам не нужно будет знакомиться самим, так как за вас это сделает ваш брокер. Очень удобно.

Что еще почитать на эту тему:

• Советы по нетворкингу: о том, как пользоваться силой своих слабых связей
• Наш старый пост про разные типы брокеров: с ними все не так просто
• Воспоминания политолога об отвязных 1970х и о том, с кем лучше всего знакомиться на вечеринках

Как не бояться знакомиться с людьми: Очень научные советы по нетворкингу

Поговорим про важную проблему - как разговаривать с незнакомыми людьми. Нет, сформулируем иначе - как разговаривать с незнакомыми людьми, которые вам гипотетически могут быть полезны. Сделаем ситуацию еще сложнее - это люди не просто полезны, они ещё и выглядят очень серьезными, важными и недоступными. А вы при этом тут же становитесь самым интровертным в мире интровертом, и не можете пересилить себя и заговорить.

Умение находить контакт с другими для завязывания полезных профессиональных или социальных связей называется страшным иностранным словом нетворкинг (в оригинале - networking). Так как русской аналогии этого понятия мы не нашли, оставим, как есть - нетворкинг (о ужас для чьих-то нежных ушей). Итак, зачем нужен нетворкинг, как им заниматься и завести полезные контакты, и как в этом может помочь анализ социальных сетей как направление в социальных науках - об этом в серии постов о нетворкинге. Первый пост - о силе слабых связей и о том, как этой могучей силой пользоваться во благо себе.

Мы все знаем, что чем больше у нас знакомых и друзей, тем проще нам решить множество личных и профессиональных проблем. Все эти полезные знакомые каким-то образом заводятся, но как - это часто загадка или воля случая (пример: нас с Васей случайно познакомили общие друзья, а потом он помог мне найти работу). Случай, казалось бы, играет большую роль в заведении большого количества контактов. При этом есть люди, которые не очень-то полагаются на случай и будто бы специально работают над тем, чтобы завести как можно больше нужных знакомств. На любом событии они стараются завязать знакомство с самыми интересными людьми, тут же стремятся обменяться онлайн-контактами (потому что визитки - уже старомодно), без страха подходят и заговаривают с кем-то и чувствуют себя при этом прекрасно и комфортно. Такие "супер-нетворкеры" могут по понятным причинам раздражать, но, если подумать рационально, в таком поведении есть толк и польза. Эти люди подсознательно или сознательно знают, что больше знакомств - это и больше возможностей.

Такое стремление завести как можно больше не очень близких знакомств объясняется силой слабых связей. Этот термин впервые озвучил Марк Грановеттер еще в 1973 году. Его статья - до сих пор самая цитируемая работа по социологии, а идея о силе слабых связей не померкла с буйных 70-х. Грановеттер пишет, что социальные связи условно можно разделить на сильные и слабые. Сильные - это связи с близкими друзьями и, вероятно, также с некоторыми коллегами, семьей, соседями. Одним словом, это отношения с близкими людьми, которые могут поддержать в трудную минуту и очень хорошо нас знают. Слабые связи - это разнообразные (и более многочисленные) связи с не такими близкими людьми. Это и позабытые школьные друзья, и бывшие коллеги, и даже продавец в магазине, где каждый вечер годами вы покупаете продукты.

 Изображение сильных и слабых связей. В центре - сильные связи эго: близкие друзья, семья, коллеги. За пределами центрального круга - слабые связи: знакомые и знакомые знакомых. Источник изображения

Слабых связей, несомненно, у нас намного больше, чем сильных, и в их количестве и заключается их сила. Люди из группы "слабых связей" являются своего рода "мостиками" в другие социальные миры, они вне нашего близкого окружения, вне наших сильных связей, но, будучи мостиками, они могут дать нам столько всего прекрасного извне. Мы и наши близкие проводим вместе много времени и много общаемся, поэтому шанс получить от них какую-то эксклюзивную новую информацию, будем говорить прямо, ничтожно мал. Но ведь любим мы их не за это. А вот именно слабые связи дают нам уникальный доступ к большему количеству разнообразных ресурсов. Грановеттер показывает на примере поиска работы, что люди чаще находят работу при помощи именно слабых связей, а не сильных. То есть, Петю на работу устроил не его дядя, а бывший спарринг-партнер Пети по спортивному клубу скинул вакансию. После исследования Грановеттера было несколько работ, так или иначе повторяющих дизайн оригинального исследования на разных выборках и на онлайн сетях, и результаты остались такими же, что подтверждает гипотезу о том, что сила слабых связей работает в случае разных социальных сред.

Теория это хорошо, но что же на практике? У слабых связей очевидно есть сила, но как ее пробудить с практической точки зрения? Вот несколько простых шагов, которые можно сделать прямо сейчас для включения в мир удивительного нетворкинга:

1 - Открыть свою любимую социальную сеть (Фейсбук, Вконтакте, Твиттер, Инстаграм, что-то еще по желанию) и пролистать список друзей. С кем вы давно не общались, а с кем вовсе не знакомы лично? Может, стоит написать этим людям и предложить встретиться?

2 - На событии (конференция, выставка, презентация, концерт) с большим количеством людей, заговорить с кем-то, с кем менее всего страшного. Возможная тема для начала: "Как вам это событие? Что понравилось или не понравилось?" Дальше разговор может пойти или не пойти. Забудьте про разговоры о погоде, мы не в прошлом веке! В таких случаях особенно удобно заговорить в местах скопления людей (у гардероба, у бара, у стенда), где люди все равно вынуждены ждать и им нечего делать. Самое приятное - разговор будет ограничен во времени (выдадут пальто, нальют кофе) и через несколько минут можно будет с чистой совестью распрощаться с собеседником, если станет ясно, что разговор не пошел.

- У меня есть сотни друзей в Фейсбуке, которых я никогда не встречал в жизни.
- Когда я был молод, мы называли их "воображаемые друзья"
Источник изображения

3 - Предложить кому-то, с кем вы никогда толком не общались, но работаете уже годами вместе, пообедать вместе, сходить выпить кофе или просто заговорить! Можно открыть много интересного об этом человеке и его мире. Намного лучше, если этот человек из другого отдела, так как его круг общения может оказаться намного более разнообразным.

4 - Использовать свои сильные связи для нахождения слабых тоже может быть полезно. Скорее всего, у вас схожее окружение, но не всегда может быть так. Можно попросить хорошую подругу познакомить с ее знакомой, которая занимается чем-то совершенно невообразимо далеким от вас.

5 - Вечеринка с приглашением близких и не очень близких друзей! И пусть все приводят кого-то из своих знакомых. Для всего этого очевидно понадобится большой дом, что проблематично... Но чем меньше пространство, тем лучше сближаются люди.

Кто с Марса, кто с Венеры

Если у человека спросить: "Кто Ваши близкие друзья? С кем Вы общаетесь больше всего? С кем Вы разговаривали сегодня?", то у него, скорее всего, наступит ступор. Что значит мои близкие друзья? Считать ли продавцов в магазине моими сегодняшними контактами? Что значит "много общаться"? Часто исследователи задают такие сложные вопросы в анкетах, и участникам часто бывает тяжело вспомнить такие мелочи, как случайные каждодневные контакты, они забывают указать кого-то важного, а также у каждого свои представления о том, кто настоящий друг, а кто нет. В результате, мы получаем неполные данные и можем сделать на основе их ложные выводы.

В последнее время появилось много работ, в которых социальные связи людей измеряются намного более точно. У людей больше не спрашивают, с кем они общаются или общались сегодня, это за них делают наши верные друзья - машины и техника. Часто можно увидеть работы, в которых людей просили поставить на телефон специальное приложение, отслеживающее их передвижения, или просили ходить целыми днями с чипами, которые отслеживают их передвижения и контакты. Конечно, все это делается с согласия самих людей.
Например, этим летом я была на школе по вычислительным социальным наукам, и всех участников и лекторов просили ходить с бейджами, в которые был вшит чип. Чипы измеряли близость в пространстве, и если два чипа находятся очень близко друг к другу на протяжении какого-то времени (например, люди начали разговаривать между собой), то это фиксируется как контакт. Это был сбор данных в рамках исследования SocioPatterns. SocioPatterns собирает данные на конференциях, в школах, музеях, больницах и подобного рода местах, где участники находятся в одном пространстве и общаются друг с другом. Они выкладывают эти данные в открытый доступ и собирают их преимущественно для того, что изучать распространение эпидемий по сетям контактов. На видео ниже - пример того, как люди коммуницируют на конференции.

       Также мы недавно писали про еще одно исследование, в котором людей просили поставить приложение, фиксирующее их звонки и сообщения и отслеживающее активность (загорается экран телефона - человек активен, экран не горит долгое время, например, ночью - человек не активен и, скорее всего, спит). На основе таких данных были показаны различия в общительности между совами и жаворонками, то есть теми, чья активность приходится на вечернее и ночное время, и теми, кто рано встает, но уже к вечеру вовсе не способен работать. Выяснилось, что у сов больше друзей, но жаворонки больше времени тратят на каждого нового друга.

На днях были опубликованы результаты еще одного подобного исследования, в котором изучаются различия в общительности между мужчинами и женщинами. В этом случае, помимо установки специального приложения на телефон, люди также заполняли анкету о психологических чертах. Например, это такие черты, как склонность к нарциссизму, открытости, экстраверсии. Около тысячи студентов, которые приняли участие в исследовании, дали доступ к нескольким типам социальных сетей: дружба в фейсбуке, сеть звонков и сообщений, близость в пространстве.

Социальные сети из статьи Psylla et al (2017). А - сеть личной коммуникации, B - сеть в Фейсбук, С - сеть звоноков. Оранжевые узлы - женщины, голубые узлы - мужчины. Оранжевая связь - связь между двумя женщинами, голубая связь - между двумя мужчинами, серая - связь между разными полами. Размер узла обозначает популярность в сети, толщина связей - частоту интеракций. В сети А видно, как студенты разбиты на учебные группы.

Итак, насколько все-таки мужчины и женщины различаются по своей общительности? Выяснилось, что во всех типах социальных сетей у женщин значительно большее число контактов, то есть они звонят, переписываются, дружат в Фейсбук и общаются в реальной жизни с большим количеством людей, чем мужчины. Помимо того, что женщины популярны в сети студентов (это результат того, что у них много контактов), они также намного чаще занимают позиции брокеров. Что это такое? Это такая позиция в социальных сетях, когда человек связывает несколько не связанных между собой групп. В случае студентов это, например, случай, когда женщина общается и со своей группой, и с несколькими другими группами одновременно. Мужчина, который не занимает позицию брокера, будет общаться только с одной подгруппой друзей. Несмотря на то, что в таком случае у него будут крепкие дружеские связи с этими людьми и поддержка от них, он может много го лишиться. Известно, что быть брокером в социальных сетях полезно. Ты очень быстро получаешь и передаешь информацию, всегда находишься в курсе того, что происходит во всей социальной сети. Второй интересный результат касается гомофилии, или схожести формировать связи с себе подобными. Выяснилось, что принцип гомофилии присутствует в большей степени в социальных сетях женщин. Они скорее будут формировать связи с другими женщинами, чем с мужчинами. Мужчины же общаются в одинаковой степени и с мужчинами, и с женщинами.

В этой работе есть еще несколько результатов о различиях в психологических чертах и передвижениях мужчин и женщин, но мы остановились на результатах всего лишь о социальных взаимоотношениях. Подробнее о  результатах можно почитать в самой статье. По результатам такого сравнения, исследователи предлагают классификатор, позволяющий очень точно угадывать, мужчина это или женщина по набору психологических черт, социальным контактам и паттернам передвижения. Если вы нарциссичны и у вас высокая самооценка, то вы, скорее всего, мужчина. Если вы дружите с себе подобными, эмоциональны и добросовестны, то вы, скорее всего, женщина.

7 известных баз данных про социальные сети

Сетевые базы данных можно достаточно просто выстроить на основе известных фильмов, книг, исторических событий и даже на основе своих собственных дружеских связей. Это просто и увлекательно, а также намного интереснее изучать, как связаны люди, если мы этих людей знаем. Например, когда появился последний эпизод Звездных войн этой зимой, научные блоггеры тут же проанализировали сети в этом фильме. Например, в этом посте и в этом посте Эвелина Габасова показывает, как связаны друг с другом герои на протяжении всего фильма, выкладывая свой код в открытый доступ.

Помимо того, что работать с известными данными намного любопытнее, часто приходится учиться новому, а это также приятно делать на уже много раз изученных данных. В этом посте мы сделали подборку из наиболее часто используемых баз данных, с которых  просто начинать изучение сетевого анализа и на них просто демонстрировать его базовые идеи.

Сеть флорентийских семей

(Florentine Families Network)

Пожалуй, это самая известная база данных, без которой не обходится ни один базовый учебник по сетевому анализу. Данные представляют собой 16 известных флорентийских семей XV века и брачные и деловые связи между ними, собранные из исторических источников. Брачная связь определялась как присутствующая, если члены одной семьи состояли были женаты или замужем за членами другой семьи. Деловая связь определялась как присутствующая, если члены одной семьи давали кредиты, займы или были в деловых партнерствах с членами другой семьи. Дополнительно есть данные о властности семьи: богатство семьи, количество мест в городском совете, общее количество деловых и брачных связей.

Сеть брачных связей флорентийских семей XV века. На рисунке проиллюстрированы различные меры сетевых центральностей. Источник изображения.

Эта база данных, как правило, используется при изучении центральностей. Из истории мы знаем, что самыми влиятельными были семьи Медичи и Строцци, но в ходе анализа мы узнаем, что ключевые акторы в сети — не всегда те, о которых мы думаем изначально.

Базу данных можно скачать отсюда. Почитать подробнее: Padgett, J. F., & Ansell, C. K. (1993). Robust Action and the Rise of the Medici, 1400-1434. American Journal of Sociology, 1259-1319.

Клуб каратэ Захария

(Zachary's karate club)

Это данные о 34 членах университетского клуба каратэ и дружеских связях между ними, собранные Уэйном Захарием в 1970-х. Дополнительно, есть данные о количестве ситуаций, когда между членами клуба происходили взаимодействия в клубе и вне его.

Данные часто используются для демонстрации идеи сетевых сообществ, так как первоначально перед У. Захарием стояла цель разрешить конфликтную ситуацию. В клубе было 2 человека (преподаватель и администратор), между которыми произошел конфликт, который разделил клуб на 2 сообщества. Половина участников сформировала новый клуб вокруг преподавателя, другая половина ушла в другой клуб или вовсе бросила заниматься этим видом спорта.

Сеть клуба каратэ Захария. Администратор клуба под номерм 1, инструктор - под номером 33. Сеть разбита на 2 сетевых сообщества согласно кластеризации, предложенной в работе Weinan & Vanden-Eijnden (2008).

Сейчас есть традиция вручать статуэтку клуба Захария ученому, который на любой сетевой конференции представляет работу на основе этих данных.

Базу данных можно скачать отсюда. Почитать подробнее: Zachary, W. W. (1977). An information flow model for conflict and fission in small groups. Journal of Anthropological Research, 452-473.

Сеть поддержки в «Гарри Поттере»

(Harry Potter support network)

Эти данные основаны на известной серии детских книг о Гарри Поттере — волшебнике, который учится в магической школе. Исследователи, на основе текстов всех 7 книг, сделали сети поддержки 64 учеников в школе (например, Гермиона помогает Гарри делать домашнее задание) и собрали информацию об атрибутах (пол, год обучения и факультет).

Особенность базы данных в том, что она лонгитюдная (всего 7 волн) и ее можно использовать при изучении лонгитюдных сетевых методов. Как это делать в R, мы уже писали в одном из постов как раз на примере данных из Гарри Поттера.

Базу данных можно скачать отсюда. Почитать подробнее: Bossaert, G., & Meidert, N. (2013). “We are only as strong as we are united, as weak as we are divided” A dynamic analysis of the peer support networks in the Harry Potter books. Open Journal of Applied Sciences. 3(2), 174-185.

Стэнфордская коллекция больших сетевых данных

(Stanford Large Network Dataset Collection)

Здесь представлены различные данные по онлайн-социальным сетям, например, по Фейсбуку, Твиттеру. Особенность этих баз данных в том, что они представляют собой большие графы, что полезно при изучении онлайн-сетей, которые, конечно, состоят из сотен и тысяч узлов, а не из пары десятков. Часть из них выложена Ю. Лесковцом, о котором мы писали в этом посте и используется на Coursera-курсе "Mining Massive Datasets". Данные можно скачать отсюда.

Южные женщины

(Southern Women)

Это база данных состоит из 18 женщин с юга Америки, которые в 1930 участвовали в 14 социальных событиях. Она часто используется как пример бимодальной сети. Напомним, что бимодальная сеть — это сеть с двумя различными уровнями, которые состоят из акторов разного рода. Например, люди и организации, женщины и клубы. В обычных же сетях (одномодальных) у нас акторы принадлежат одному роду. Например, в клубе каратэ Захария у нас есть только люди, а в сети флорентийских семей — только семьи.

Сеть женщин, посещающих события из базы данных Southern Women. Источник изображения.

Данные можно скачать отсюда или отсюда. Почитать подробнее: Davis, A., Gardner, B. B., & Gardner, M. R. (2009). Deep South: A social anthropological study of caste and class. Univ of South Carolina Press.

Сети соавторства физиков

(Condensed matter collaborations)

Это серия баз данных, собранная Марком Ньюманом с сайта препринтов Condensed Matter E-Print Archive. База данных была впервые представлена за период с 1995 по 1999, затем были ее обновления включая 2003 и 2005 гг. Эта база данных используется для изучения сетей соавторства, также на основе ее были протестированы различные алгоритмы нахождения сообществ для больших сетей.

Данные можно скачать отсюда Почитать подробнее: 1) Newman, M. (2001). The structure of scientific collaboration networks. Proc Natl Acad Sci. 98, 404-409; 2) Duch, J., & Arenas, A. (2005). Community detection in complex networks using extremal optimization. Physical review E, 72(2), 027104.

Сеть серферов

(Windsurfers on a beach)

Это данные о группе из 43 серферов в Калифорнии, которые, по наблюдениям исследователей, были разделены на несколько сетевых сообществ. Линтон Фриман с коллегами сначала наблюдали за взаимоотношениями серферов и кодировали их. Затем они взяли интервью, где у каждого серфера спрашивали, как он или она считают, как связаны люди в этом клубе. База данных часто используется для работы с когнитивной социальной структурой (cognitive social structure) и для работы с пропущенными данными в сетевых исследованиях.

Серферы на пляже. Источник изображения.

Данные можно скачать отсюда. Почитать подробнее: 1) Freeman, L. C., Freeman, S. C., & Michaelson, A. G. (1988). On human social intelligence. Journal of Social and Biological Structures, 11(4), 415-425; 2) Freeman, L. C., Freeman, S. C., & Michaelson, A. G. (1989). How humans see social groups: A test of the Sailer-Gaulin models. Journal of Quantitative Anthropology, 1(3), 229-238.

И это еще не все

Также большое количество открытых сетевых данных можно найти на следующих сайтах:

• Базы данных на странице Марка Ньюмана. Здесь можно найти большинство стандартных баз данных, а также данных, специфических для программного обеспечения (для Pajek, UCINET);
• Базы данных на странице Линтона Фримана. Один из самых полных списков стандартных данных, на которых хорошо обучаться;
• Базы данных на странице Тома Снайдерса. Большое количество лонгитюдных данных о школьниках и их поведении;
• Базы данных на странице Альберта-Ласло Барабаши. Небольшой список больших сетевых данных.

Что такое гомофилия

В этом посте поговорим про гомофилию – одну из важнейших и самых известных сетевых особенностей. Самое простое определение гомофилии – это склонность людей со схожими характеристиками общаться друг с другом.

Сложно понять, откуда все-таки пошло распространение этой идеи. Есть мнение, что первыми были Лазарсфельд и Мертон (1954), которые впервые в современном социологическом смысле употребили термин «гомофилия». В то же время, МакПерсон с коллегами в своей классической работе «Рыбак рыбака видит издалека: гомофилия в социальных сетях» (2001) пишут, что эта идея встречается еще у Платона и Аристотеля. В истоках копаться всегда тяжело, поэтому не будем останавливаться на этом в подробностях, а лучше опишем, в каких случаях наблюдается гомофилия и что сейчас интересного в этой теме.

          На чем строится гомофилия

Существует известный набор факторов, схожесть по которым ведет к формированию связей. Это:

• раса и этничность
• пол
• возраст
• религия
• образование, работа и социальный класс

Гомофилия по этим признакам изучена в большом количестве работ, и в них мы можем быть уверены.

В то же время, гомофилия не формируется сама по себе. Как правило, существуют институциональные или географические факторы, которые способствуют созданию гомофильных связей. К примеру, люди, которые проживают на небольшом расстоянии друг от друга, работают в одной организации или каждое утро сталкиваются в кафе за покупкой кофе, скорее всего, со временем познакомятся и сформируют социальные связи.

          Пример сети с гомофилией

Можно привести большое количество работ, в которых была обнаружена гомофилия. Для наглядности приведем пример одной из известных сетевых визуализаций. 

Сеть дружбы американских школьников на основе данных из работы Дж. Муди (2011). Цвет узлов обозначает расу школьников. Источник рисунка.

       Эта визуализация основана на данных из работы Джеймса Муди "Раса, школьная интеграция и дружеская сегрегация в Америке" (2011), в которой он изучал, как формируются дружеские связи среди американских школьников. Мы видим, что сеть принимает форму кольца, где есть связующие узлы, однако все равно видно, что учащиеся одной расы склонны дружить друг с другом.

          Структурная гомофилия

Помимо гомофилии по атрибутам узлов в сети (например, пол или возраст узла), также известна гомофилия по сетевому положению узлов (например, популярность узла). Ньюман с коллегами предлагают понятие «ассортативности» сети (например, в этой и этой работах), которая показывает, насколько узлы со схожими показателями популярности/активности/центральности склонны формировать связи друг с другом. В многочисленных работах было показано, что узлы со схожим положением в сети будут с большей вероятностью связаны друг с другом. Например, известно, что популярные люди дружат с такими же популярными.

Слишком похожи?

Одно из любопытных направлений исследований гомофилии сегодня — это ее многогранность и изменчивость. Традиционно гомофилия изучается по схожести на основании одного признака. К примеру, исходя из исследований организаций мы знаем, что люди одного пола склонны формировать связи дружбы или помощи на работе. В то же время, мало работ, в которых изучается совместное влияние схожести по нескольким характеристикам на формирование связей. Может быть, люди одновременно одного пола и этнической группы с большей вероятностью будут дружить, чем если бы они были только одного пола?

Этим вопросом задались исследователи Пер Блок и Томас Грунд, статья которых была опубликована в 2014 году в журнале Network Science. Они проанализировали динамические данные о дружеских связях школьников из 11 европейских и американских баз данных и обнаружили необычную особенность. Школьники с одной общей характеристикой склонны формировать и продолжать дружеские связи. Школьники с двумя и более общими характеристиками не склонны формировать и развивать связи во временем. Вероятно, быть очень похожими — это плохо для дружбы? Люди, у которых  много схожих характеристик, не могут обогатить друг друга, поэтому им становится неинтересно общаться. В результате, для образования дружбы должны быть какие-то схожие характеристики, но их не должно быть слишком много, так как с полным "близнецом" общаться неинтересно. Исследователи именно так и объясняют свои результаты, в то же время обращая внимание на то, что многомерная гомофилия требует дальнейшего изучения и на других выборках.

Как развиваются социальные сети: пример в RSiena

Зачем изучать динамику социальных сетей?

В последние годы тема эволюции сети стала одной из основополагающих в сетевом анализе. Основное достоинство динамических исследований в том, что они позволяют понять структуру причинно-следственных связей в сети. Приведем простой пример: двое друзей-подростков любят фаст фуд. В сетевом анализе склонность людей со схожими характеристиками или поведением образовывать между собой связи называется гомофилией. Можно сказать, что между этими подростками наблюдается гомофилия: они оба любят эту еду.

Однако статическая перспектива не позволяет ответить на вопрос о том, каким образом гомофилия формируется. Рассмотрим, как могло так случиться, что наши любители фаст фуда подружились:

1) Каждый из них любил гамбургеры, затем они познакомились и подружились на основе общей любви к этой еде,

2) Оба подростка изначально дружили, и один из них все время ходил в Макдональдс и ел гамбургеры, а его друг постепенно перенял эту привычку.
        В первом случае речь идет о социальной селекции – выборе друга на основании схожих интересов. Во втором случае – о социальном влиянии – изменении поведения под влиянием поведения друга. Ответить на вопрос о том, что стало первопричиной гомофилии (то есть какой из вариантов развития событий был более реалистичным), можно, рассмотрев динамику социальной сети.

Иллюстрация социального влияния и социальной селекции

       Изучение динамики соцсетей позволяет не только разделять селекцию и влияние, но и выявлять ключевые структурные механизмы формирования сетей (например, правда ли, что в этой сети люди формируют связи с друзьями друг друга?), изучать взаимосвязь структурных и не структурных характеристик (правда ли, что популярные пользователи онлайн сетей — это знаменитости, или, наоборот, знаменитости становятся популярными в любой онлайн сети?).

Для изучения эволюции социальной сети все чаще используют стохастическое акторно-ориентированное моделирование (САОМ). Этот метод реализован в пакете RSiena. Предпосылки САОМ достаточно просты – каждый человек понимает свою позицию в социальной системе и меняет свои социальные связи (и поведение) для того, чтобы улучшить эту позицию с течением времени. Например, для улучшения своей позиции в рабочем коллективе сотрудник может пытаться создать хорошие отношения с руководством и коллегами.

Подробнее о методе можно прочитать в обзорной статье (а еще здесь и здесь). По этой ссылке можно ознакомиться с эмпирическими исследованиями, выполненными с использованием САОМ. О том, как работать с пакетом RSiena, подробно написано в мануале.

Если Вы планируете использовать САОМ в своих исследованиях, то стоит подписаться на рассылку пользователей RSiena. Там Вы не только сможете узнать много полезного о САОМ, но и всегда будете в курсе новинок – главный разработчик RSiena Том Снайдерс регулярно сообщает новости о развитии модели и новшествах пакета, размещает информацию о конференциях, воркшопах и вакансиях в сфере социальных сетей.

Немного магии

Разобраться в САОМ лучше всего на примере. Рассмотрим, каким образом происходила эволюция социальной сети помощи по выполнению домашних заданий в Хогвартсе. Для тех, кто не понимает о чем речь, Хогвартс — это магическая школа, в которой учился Гарри Поттер и его друзья из книги Джоан Роулинг. Джоэль Боссаэрт и Надин Маэдерт в своей работе собрали информацию о помощи при подготовке домашних заданий из первых 6 книг о Гарри Поттере. Так как в седьмой книге главные герои не стали посещать школу, информации об обучении в ней почти не было.

Источник изображения

 Рассмотрим на примере, как была собрана информация о сетях помощи:

"Гарри, Рон и Гермиона сидели у окна — Гермиона проверяла их домашние задания по заклинаниям. Она никогда не давала им списывать, — «Как же вы тогда чему-нибудь научитесь?» — но зато согласилась проверять их домашние работы, и таким образом они все равно узнавали от нее правильные ответы" (Джоан Роулинг, Гарри Поттер и философский камень, гл. 11)

С сетевой точки зрения этот фрагмент можно интерпретировать следующим образом: 1) Гермиона помогает Гарри; 2) Гермиона помогает Рону. Все данные по помощи в «Гарри Поттере» размещены в открытом доступе по ссылке.

В этом посте мы хотим понять, как изменяются сети помощи от второй к четвертой книге. Мы не рассматриваем другие книги, так как это потребовало бы использования процедур по восполнению пропущенных данных (composition change). Со всеми процедурами можно ознакомиться в мануале.

Итак, проводим анализ эволюции социальной сети. Для этого необходимо загрузить пакет RSiena (версия 1.1-289) отсюда. Более ранние версии использовать не рекомендуется.

In [ ]:

# Для работы нам понадобится пакет RSiena
library(RSiena)
library(parallel)

In [ ]:

# Скачаем данные с сайта: http://www.stats.ox.ac.uk/~snijders/siena/
# Сами данные на вкладке Data Sets,
# Cкачаем архив в нашу рабочую директорию и распакуем

# Загружаем данные из 2 и 4 книги
book2 <- as.matrix(read.table("hpbook2.txt"))
book4 <- as.matrix(read.table("hpbook4.txt"))

In [ ]:

# Посмотрим на заголовки наших данных
head(book2)
# Они у нас представлены в формате матрицы, где 1 - есть связь, 0 -нет связи

Out[ ]:

V1	V2	V3	V4	V5	V6	V7	V8	V9	V10		V55	V56	V57	V58	V59	V60	V61	V62	V63	V64
0	0	0	0	0	0	0	0	0	0	⋯	0	0	0	0	0	0	0	0	0	0
0	1	1	0	0	0	0	0	0	0	⋯	0	1	0	0	0	0	0	0	0	0
0	1	1	0	0	0	0	0	0	0	⋯	0	0	0	0	0	0	0	0	0	0
0	0	0	0	0	0	0	0	0	0	⋯	0	0	0	0	0	0	0	0	0	0
0	0	0	0	0	0	0	0	0	0	⋯	0	0	0	0	0	0	0	0	0	0
0	0	0	0	0	0	0	0	0	0	⋯	0	0	0	0	0	0	0	0	0	0

In [ ]:

# Прикрепляем атрибуты участников сети
# Это год обучения, пол и факультет
hp.attributes <- as.matrix(read.table("hpattributes.txt", header=TRUE))
head(hp.attributes)

Out[ ]:

id	schoolyear	gender	house
1	1989	1	4
2	1989	2	1
3	1989	2	1
4	1991	1	3
5	1991	1	4
6	1989	1	4

In [ ]:

# Соединяем все социальные сети в один объект
# Каждая сеть состоит из 64 узлов и их всего две
support <- sienaDependent(array(c(book2,book4),  dim=c(64, 64, 2)))

# Даем названия интересующим нас атрибутам акторов
schoolyear <- coCovar(hp.attributes[,2])
gender     <- coCovar(hp.attributes[,3])
house      <- coCovar(hp.attributes[,4])

In [ ]:

# Формируем модель, которую назовем Хогвартс
# Она состоит из двух сетей помощи и наших атрибутов
Hogwarts  <- sienaDataCreate(support, schoolyear, gender, house)
Hogwarts
Hogwarts_effects <- getEffects(Hogwarts)

In [ ]:

# Спецификация модели: добавляем эффекты
# Добавляем два эффекта для транзитивности («друг моего друга – мой друг»)
Hogwarts_effects <- includeEffects(Hogwarts_effects, transTies)

In [ ]:

# Добавляем эффект популярности и активности
# (с течением времени популярные акторы становятся еще популярнее,
# а активные - еще активнее)
# Также добавляем эффект социальной селекции по полу
# (ученики склонны завязывать связи с учениками их пол)
Hogwarts_effects <- includeEffects(Hogwarts_effects,
                                   egoX,
                                   altX,
                                   simX,
                                   interaction1="gender")

In [ ]:

# Добавляем социальную селекцию по курсу
# (ученики одного года обучения склонны помогать друг другу)
Hogwarts_effects <- includeEffects(Hogwarts_effects,
                                   simX,
                                   interaction1="schoolyear")

In [ ]:

# Добавляем социальную селекцию по факультету
# (ученики одного факультета склонны помогать друг другу)
Hogwarts_effects <- includeEffects(Hogwarts_effects,
                                   sameX,
                                   interaction1="house")

In [ ]:

# Алгоритм оценки
Algorithm <- sienaAlgorithmCreate(projname="Hogwarts", cond=FALSE)

In [ ]:

# Результаты!
Results <- siena07(Algorithm, data=Hogwarts, effects=Hogwarts_effects,
                   useCluster=TRUE, initC=TRUE, nbrNodes=4, batch=TRUE)
Results

Out[ ]:

Estimates, standard errors and convergence t-ratios

                                       Estimate   Standard   Convergence 
                                                    Error      t-ratio   
  1. rate basic rate parameter support 27.9679  ( 6.9952   )   -0.0356   
  2. eval outdegree (density)          -6.9758  ( 0.8677   )   -0.0010   
  3. eval reciprocity                   3.0151  ( 0.7645   )    0.0032   
  4. eval transitive ties               3.9098  ( 0.7999   )    0.0112   
  5. eval schoolyear similarity        -0.2482  ( 0.9284   )    0.0251   
  6. eval gender alter                 -1.8397  ( 2.4986   )    0.0773   
  7. eval gender ego                   -2.3509  ( 2.5949   )    0.0127   
  8. eval gender similarity            -1.8568  ( 2.4702   )   -0.0557   
  9. eval same house                    0.4713  ( 0.8268   )    0.0109   

Overall maximum convergence ratio: 0.1874. Total of 2160 iteration steps.

После получения результатов первым дело нужно оценить сходимость модели. В настоящий момент она определяется по двум параметрам:
1) общая t-статистика (Overall maximum convergence ratio) должна быть меньше 0.25;
2) t-статистики (convergence t-ratio) для каждой из переменных должны быть по абсолютному значению меньше 0.1.

         В нашем случае общая t-статистика 0.23, а максимальная t-статистика переменной 0.072, то есть модель сходится и можно приступить к интерпретации полученных результатов.

В отличие от большинства моделей (линейная модель, обобщенная линейная модель, ERG модели и т.д.), в RSiena нет указаний значимости переменных. P-значимость каждой из переменных вычисляется исходя из z-распределения – нужно разделить значение оценки (Estimate) на ошибку (SE). В случае, если отношение больше 2 (точнее 1.96, но на глаз удобнее делить на 2), то этот эффект оказывает значимое влияние на эволюцию социальной сети на уровне 5%.

Посмотрим, что получилось у нас:

• Параметр "rate basic parameter support" показывает, насколько значимы изменения в нашей сети произошли за период наблюдений. Мы видим, что сеть сильно изменилась. 
• Эффект "eval outdegree (density)" значим и отрицателен. Это говорит о том, что акторы не стремятся формировать связи. Если же связи формируются, то они склонны быть взаимными и транзитивными. 
• Взаимность "eval reciprocity" значима и положительна. Мы можем с уверенностью сказать, что если Гарри помогает Рону, то и Рон с большой вероятностью будет помогать Гарри. 
• Транзитивность "eval transitive ties" тоже значима и положительна. Это значит, что если Гермиона помогает Гарри, а Гарри помогает Рону, то в один прекрасный день Гермиона начнет помогать Рону. 
• Эффект схожести по курсу обучения "eval school year similarity" оказывается незначимым. То есть ребята с других курсов мало помогают друг другу в учебе. Эффекты, связанные с полом "eval gender alter", "eval gender ego" и "eval gender similarity", оказываются незначимыми. То есть поведение мальчиков и девочек в сети помощи не имеет значимых различий. Кроме того, мы не наблюдаем сегрегации по полу. Иными словами, и юноши, и девушки в одинаковой степени помогают друг другу, нет явных тенденций.
•  Наконец, эффект факультета "eval same house" также оказывается незначимым. С одной стороны это удивительный результат, так как по логике книги учащиеся из одного факультета гораздо чаще общаются между собой и обычно вместе работают над заданиями. Однако в нашу выборку практически не входит конкретная информация о том, сколько кто и кому помогал на факультете Слизерина. Так что незначимая оценка эффекта может быть связана с тем, что мы полностью сконцентрированы на Гриффиндоре и в данных нет достаточной вариации.

Ограничения САОМ

Хотя САО модели и стали сегодня крайне популярны в сетевом анализе, не стоит забывать и об ограничениях данного метода. Во-первых, в рассматриваемой социальной сети должны происходить изменения, но они не должны быть очень существенными. Коэффициент Жаккара для двух сетей должен быть в интервале от 0,3 до 0,6. То есть с помощью RSiena нельзя моделировать ни формирование сети с нуля, ни очень незначительные изменения в сети. Во-вторых, размер социальной сети не должен превышать 2-3 сотен вершин. В большинстве эмпирических работ, сделанных в RSiena, размер соцсетей и вовсе не превышает даже ста вершин. В-третьих, социальные связи не должны быть единичными «событиями», это должны быть регулярные взаимоотношения. То есть, моделируя социальную сеть общения в Твиттере, в качестве единичного наблюдения нельзя брать один единственный ретвитт.

По этим причинам, в большинстве своем исследования с использованием САОМ проводятся на данных о дружбе и помощи учащихся, а также на данных о взаимодействиях сотрудников организаций. Ну или на данных о школах волшебников!