Дюшаны и Микеланджело в социальных исследованиях

Часто в социальных науках ученые выстраивают дизайн исследования, будто они Микеланджело. У Микеланджело есть идея сделать Давида, и он его делает, он не ищет кусок мрамора, который бы напоминал Давида. Иными словами, у таких исследователей есть теория, и они проверяют, насколько она жизнеспособна в реальном мире.
Есть также и другого рода социальные исследователи, которые действуют скорее как Марсель Дюшан. Дюшан берет уже существующую вещь из повседневности и переделывает ее в объект искусства. Эти исследователи сначала наблюдают какое-то явление в реальной жизни, и только потом пытаются его объяснить. Это сравнение разных типов исследователей - пример из новой книги "Бит по биту" о вычислительных социальных науках.
Такой пример, несомненно, достаточно грубо разбивает социальных исследователей на две группы. Мэтью Салганик, автор книги и профессор в Принстонском университете, пишет, что в эпоху цифровых исследований в социальных науках будут и те, и другие, Дюшаны не заменят Микеланджело, чего многие опасаются.

Фонтан Марселя Дюшана как аналогия readymade подхода к социальным исследованиям. Пример из книги "Бит по биту" М. Салганика, автор фото А. Стиглих, 1917. Источник: Wikimedia Commons.

Давид Микеланджело как пример custommade подхода к социальным исследованиям. Пример из книги "Бит по биту" М. Салганика. Источник.

После известной статьи в журнале Wired о конце социальной теории представления исследователей о социальных исследованиях слегка пошатнулись. Эта статья вышла еще десять лет назад, в 2008 году, и очень точно очертила перемены, которые начали происходить в социальных науках в то время. Перемены заключались в том, что раньше процесс научного исследования был таков: мы выдвигаем гипотезы, тестируем их и получаем результаты, которые подтверждают или опровергают наши изначальные предположения (напоминает Микеланджело, правда?). Сегодня же набор данных настолько массивен и возможностей для их анализа так много, что времени и желания на то, чтобы изучать теорию, выдвигать гипотезы и только так, постепенно, шаг за шагом двигаться к результатам, нет. Такой подход от данных к теории также сравнивается с философией Гугла, который не знает точно, почему одна страница лучше другой, но если статистика посещений говорит об этом, уже этого для многих простых задач достаточно. Алгоритмы могут без подробного изучения того, что же на самом деле происходит, предложить человеку соответствующую рекламу или переводить с одного языка на другой. Конечно, они иногда ошибаются, но как иначе работать с огромным массивом данных?

Иллюстрация М. Бантьеса "Все модели ложные, но некоторые полезны" к статье в Wired 23 июня 2008 года о конце теории. Источник

Действительно, кого сегодня волнует, почему люди что-то делают? Важно то, что они это делают, и мы можем это зафиксировать и измерить даже в тех случаях, когда они ошибаются, врут или забывают. Например, известно, что в опросах люди склонны выбирать социально желательные пункты, даже если опрос анонимный. В то же время, ответы на некоторые сенситивные вопросы можно сравнить с их индикаторами в поисковых запросах. Можно посмотреть, какое количество людей признает, что они гомосексуальны и ищет соответствующее порно; сравнить, что люди говорят о количестве сексуальных контактов и как обсуждают онлайн то, что партнер больше не хочет секса; что люди говорят о расизме, и что они на самом деле ищут по этой теме, формируя запросы таким образом, что все мусульмане становятся террористами.

Конечно, было много критики этой статьи из Wired и последующая дискуссия, в которой было признано, что все это - непозволительное упрощение того, как действительно работают социальные ученые. Большинство исследователей работают в колесе теории и данных, где мы мечемся между теорией и результатами, постоянно возвращаясь то к одному, то к другому. Эти дискуссии не прошли стороной, и некоторые исследователи сегодня говорят, что они занимаются вычислительными социальным науками, давая понять, что они отличаются от более классических подходов. Иными словами, они все в душе немного Дюшаны. Но чем они отличаются от классических социальных исследователей?
Первый признак, который приписывается вычислительным социальным наукам - это интерес к изучению социальных законов. Эти исследователи часто интересуются универсальными паттернами человеческого поведения, и именно по этой причине в вычислительных социальных науках так много физиков. Наглядный пример - это степенной закон в социальных сетях. Если мы посмотрим на популярность акторов (на распределение центральностей) в социальной сети, то мы увидим интересную закономерность. В этой сети будет очень мало чрезвычайно популярных акторов и достаточно много - непопулярных. Например, если подумать о своих друзьях и ближайших знакомых, можно по пальцам пересчитать 2-3 людей, которые действительно имеют невообразимо большое количество друзей и знакомых. Остальные, скорее всего, связаны на среднем уровне - они не сетевые звезды, но имеют достаточно количество друзей и знакомых, чтобы не чувствовать себя совсем одинокими. Это универсальный социальный закон, и многие исследователи из вычислительных социальных наук это доказали - распределение центральностей в социальных сетях устроено именно так. Если бы распределение друзей было случайно, то оно бы имело форму нормального распределения, когда все в среднем в одинаковой степени знают друг друга, и нет сетевых звезд или совсем одиноких людей.

Распределение центральности в случайных графах и реальных социальных сетях. На графике слева мы видим нормальное распределение, то есть все акторы в среднем имеют одинаковое количество связей. На графике справа мы видим распределение по степенному закону, то есть в сети есть небольшая доля акторов с очень большим количеством связей, но большинство имеет достаточно малое количество связей. Рисунок с сайта Network Science

В то же время, вычислительные социальные науки часто критикуют за чрезмерную описательность. Редко можно встретить глубокий анализ социальных процессов, которые стоят за обнаруженным социальным законом или закономерностью. Например, почему все люди имеют разное число друзей? Одно из простых объяснений в том, что кто-то более общительный, а кто-то - менее, у людей разные потребности в общении с окружающим миром, разные психологические характеристики. Также, общество так устроено, что не у всех есть доступ ко всем возможным ресурсам социальной сети. Может быть, каждый хотел бы быть сетевой звездой, чтобы при любом трудном случае можно было быстро активизировать свои контакты и попросить о помощи. Это невозможно, потому что наши связи - это также результат социального неравенства. Например, предположим, что в школьный класс переводится ученица, которая отличается по национальности, социальному положению и успеваемости от всего остального класса. Как бы она не старалась завязать хорошие отношения со всем классом, скорее всего, это ей будет даваться сложно, ввиду изначального социального неравенства по другим характеристикам. Можно придумать еще несколько объяснений того, почему в социальных сетях мы наблюдаем сетевой закон. Но часто исследователи из вычислительных социальных наук забывают о том, что социальные законы намного интереснее интерпретировать, чем просто наблюдать.
Второй признак вычислительных социальных наук - это расширение набора методов, которые допустимо использовать в социальных науках. Как правило, это изучение социальных законов с использованием вычислительных подходов и новых для социальных наук методов. Это агентное моделирование, машинное обучение, сетевой анализ, онлайн-эксперименты. Большинство работ в этой области используют данные о поведении людей из онлайна, например, это перемещения по городу, выбор жилья на Airbnb, лайки и комментарии, сеть связей в онлайн сети.
В целом, для вычислительных социальных наук важно то, что социальный мир - это результат интеракций между людьми. Изучая поведение людей, мы можем что-то понять в целом об обществе. В свою очередь, это общество и определяет наши паттерны интеракций друг с другом. Получается такой же замкнутный круг “микро-макро”, как и колесо “теория-данные”. Напоследок, советуем посмотреть короткое видео о так называемой “лодке Колмана”, которая разъясняет, где микро-, а где макроуровни, и как все это удивительным образом переплетено в нашем непростом социальном мире.

Что еще почитать на тему:
* Книгу "Бит по биту" можно читать онлайн на сайте самой книги.
* Совсем недавно вышла статья, поясняющая различия между вычислительными социальными науками и аналитической социологией: можно почитать полный текст по этой ссылке.
* Как пример работ, которые используют подход вычислительных социальных наук, можно почитать свежую статью про то, как совы и жаворонки (те, кто поздно или рано встает) по-разному дружат, и про то, что существует число Данбара для мест, которые мы посещаем.

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.

Загадка семи мостов, анархические социограммы и кумовство норвежских рыбаков: к истории сетевых исследований

Представляем гостевой пост от Егора Лавренчука - нашего коллеги и друга. Егор преподаватель, кандидат философских наук. Главный философ у себя в подъезде, любитель считать падающие звезды.

***

Принято считать, что сетевой подход зародился в начале XX века вместе с философскими идеями Георга Зиммеля. Его концепция «количественности» отношений в крупных индустриальных центрах в дальнейшем определила возникновение концепта «социальная сеть».

"Всякое достигнутое [городом] в его развитии расширение служит основанием для дальнейшего, не одинакового, но более значительного расширения; к каждой нити, выпряденной из процесса его развития, прирастают как бы сами собой новые нити... Тут именно количественность жизни непосредственно переходит в качественность, в характер"

 – писал он в работе «Большие города и духовная жизнь». Этот принцип впоследствии сформулирует Роберт Мёртон, назвав его «Эффект Матфея».
Между тем в научное употребление термин «социальная сеть» вошел не в начале XX в., с подачи Г. Зиммеля, а только через 50 лет. Британский антрополог Джеймс Барнс, изучая взаимоотношения жителей рыбацкого поселения Бремнес, расположенного на западной границе Норвегии, введёт понятие «социальная сеть», чтобы дать определение неформальным отношениям рыбаков (которые у нас принято назвать кумовством).

"Я провел 1952 и часть 1953 года в Норвегии, изучая то, что представлял себе как исследование малых групп. Вскоре я обнаружил, что люди, с которыми работал, обладали культурными ценностями, которые делали их восприятие общности отличным от привычного нам представления. Их социальный мир кишел различными формальными организациями, но большинство жителей опирались в принятии решений на личные связи, которые часто переступали через рамки формальных отношений. Я постарался собрать и зафиксировать их отношения, назвав это сетью."

– почти через 30 лет вспоминает Дж. Барнс в интервью для This Week’s Citation Classic.

Рыбаки. Источник изображения

Автор концепта не приобрел популярности в научных кругах в связи с предложенной идеей и отошел от исследований социальных сетей, занявшись социологией знания. Получил он свои «дивиденды славы» только спустя десятилетия. Гораздо известнее и влиятельнее в 1960-х был его коллега, также представитель Манчестерской антропологической школы, – Джеймс Клайд Митчелл, который впоследствии стал одним из учредителей Международной ассоциации исследователей социальных сетей (INSNA).

Сегодня мы наблюдаем множество удивительных и значимых открытий, которые совершают, используя сетевой подход, представители INSNA и их коллеги. Но базовые сетевые законы были открыты в экспериментах, авторы которых уже практически забыты. Один из таких авторов – американский социальный психолог Алекс Бейвлас. В 1948 году он основал Лабораторию сетевых групп в Массачусетском технологическом институте. Вместе со своими студентами, одним из которых был выдающийся психолог, соавтор «эксперимента о централи» – Харольд Левитт. А. Бейвлас и Х. Левитт поставили задачу изучить, каким образом способы коммуникации между людьми влияют на групповую структуру организаций.

Вплоть до 1950-х годов в исследовательской среде доминировала точка зрения, что коммуникация в организациях протекает или вдоль формальных линий структуры, или по направлению вверх – от сотрудников к их менеджерам и далее к руководству организации. Однако после Второй мировой войны ученые стали признавать, что существуют и другие типы потоков коммуникации в организациях. Проблема, с которой столкнулся А. Бейвлас, заключалась в том, чтобы измерить эти «неформальные» потоки коммуникации.

Наиболее известный эксперимент А. Бейвласа, направленный на её решение, был следующим: пять человек играют в игру, целью которой является решение задачи с помощью общения. В начале игры каждому участнику дают уникальную часть информации; для того, чтобы получить полный ответ, игроки должны объединить все эти части вместе. Участники эксперимента размещались в кабинах, расположенных так, чтобы они могли общаться друг с другом. Коммуникация продолжалось до тех пор, пока загадка не решалась. Цель каждого игрока – получить ответ первым.

Схемы расположения в эксперименте А. Бейвласа. Наверху слева направо - колесо, круг, штурвал. Внизу слева направо - цепь, игрек. Источник изображения.

А. Бейвлас проследил, как участники достигали этой цели, и выявил наиболее эффективные стратегии. Для этого он расставил кабины в порядке, имеющем различную сетевую топологию, и сравнил результаты для каждой из получившихся структур. Результаты эксперимента его очень удивили. Предполагалось, что разные модели коммуникации по-разному будут влиять на выполнение участниками поставленных задач. Сетевая структура в этих экспериментах обычно обеспечивалась искусственным разделением групп на такие подгруппы, где сообщения могли передаваться только в определенных направлениях и через определенные позиции. Эти структуры довольно часто упоминаются в социологической литературе: «круг», «колесо», «штурвал», «игрек», «цепь».

А. Бейвлас изначально полагал, что структура «круга» будет самой эффективной для решения проблемы, а «штурвал» будет наименее эффективным. Но оказалось всё наоборот. В итоге экспериментаторы пришли к заключению, что центральность является наиболее важным аспектом организационной коммуникации: чем более централизована организация, тем эффективней в ней происходит коммуникация. Центральный узел в такой структуре выступает интегратором, направляющим информационные потоки от одного узла к другому. А. Бейвлас в работе "Communication patterns in task-oriented groups" назвал это свойство сетей – «центральность по близости», определив его как естественную метрику расстояния между всеми парами узлов в связанных графах.
Однако последующие эксперименты продемонстрировали, что эффективность коммуникации зависит не только от централизации сетевой структуры (в действительности все оказалось не так однозначно). В эксперимент было внесено дополнительное условие – сложность выполняемой задачи. В итоге эксперимент показал, что тогда как централизованные организации могут эффективнее выполнять простые задачи, более сложные задачи нуждаются в децентрализованном подходе.

Слева - централизованная сеть, справа - децентрализованная. Источник изображения.

        Результаты этих экспериментов не так важны для сетевого подхода, они во многом совпадали с экспериментами психолога Якоба Морено (о котором речь пойдет далее), но было несколько ключевых отличий, которые стали критическими для развития современного сетевого анализа.
         Во-первых, в подходе Бейвласа-Левитта под социальной сетью понималась уже не совокупность людей, а их позиции. Таким образом, конечная модель отношений между позициями выглядела как основа структуры. То есть, важно не то, какие в группе находятся люди (мужчины или женщины, с высшим образованием или без него и т.д.), а как они связаны между собой, с какой структурой. В таком подходе топология связей имеет первостепенное значение, по отношению к личностным характеристикам участников группы.
      Во-вторых, связи между позициями обозначали потоки информационных ресурсов, а не отношения, как у Я. Морено. По Я. Морено, группе приписывались определенные позиции, а выборы (как позитивные, так и негативные) указывались стрелками. Таким образом, строилась «структура» предпочтений в группе. Он назвал такие схемы структурами притяжения или отталкивания.
        В 1934 году Я. Морено опубликовал монографию «Кто выживет?». В этой работе психолог, в частности, описал эксперимент, проведенный им в школе для трудных подростков-девочек. В столовой пансионата он предложил девочкам пересесть за столы так, как им больше нравится. В итоге получилось, что «восьмеро бегут к одному и тому же столу, к девушке, с которой они все страстно желают сидеть вместе. Остальные распределяются по немногим притягивающим их "звездам" и одна - остается в изоляции, то есть вообще без выборов, без внимания» (цитата из работы Р. А. Золотовицкого).

Примеры социограмм из работы Я. Морено "Кто выживет?". Источник изображения.

        Я. Морено зафиксировал получившуюся в результате перестроения новую структуру, назвав её анархической социограммой. После чего он провел социометрический тест (раздал анкеты с различными провокационными вопросами), на основе которого предложил новое распределение – более равномерное, но при этом учитывающее выборы, сделанные изначально воспитанницами школы. Он составил таблицы, куда внёс все диспозиции взаимных выборов девочек, распределяя их на несколько уровней. После этого он продолжил эксперимент уже в жилых комнатах кампуса. Эти таблицы (социограммы) стали первыми моделями социальных графов, применяемыми на практике.
        Вы, конечно, возразите, вспомнив статью математика Леонарда Эйлера, опубликованную в 1736 году, где он описывает задачу семи мостов Кёнигсберга: можно ли пройти каждый мост по одному разу и вернуться в исходное место? В этой статье Л. Эйлер впервые применяет теорию графов, показывая, что для положительно решения задачи нужно, чтобы у каждой вершины её степень (число выходящих из вершины рёбер) была чётной. Но в оправдание своего тезиса я замечу, что для исследования общества модель графов Л. Эйлером не применялась.

Иллюстрация задачи Л. Эйлера "Семь мостов Кенигсберга". Источник изображения.

Возвращаясь в ХХ век, перейдем от психологии к социологии, ведь по настоящему «расцвел» сетевой подход именно в рамках этой дисциплины. В 1970-х годах группа исследователей Гарвардского университета под руководством социолога Харрисона Уайта «взяла на щит» сетевую модель общества, заложив такую дисциплину как Анализ социальных сетей. Показательно, что статья Марка Грановеттера (ученика Х. Уайта) «Сила слабых связей», опубликованная в 1973 году, до сих пор остается наиболее цитируемым текстом о социальных сетях.
        Осмелюсь предположить, что такую популярность она приобрела благодаря своей лаконичности и математической точности. В статье М. Грановеттер вводит новые варианты описания социальных сетей (такие, например, как исключённая триада), обозначая их математическими символами, и элегантно оперирует ими для анализа информационной диффузии. Кроме того, он приводит дайджест наиболее значимых сетевых исследований. Так, автор апеллирует к эксперименту еще одного выпускника Гарвардского университета – психолога Стенли Милгрема.
       Разрабатываемая С. Милгремом (и его коллегами) гипотеза «6-ти рукопожатий» заключалась в том, что каждый житель Земли опосредованно знаком с любым другим жителем через цепочку общих знакомых, в среднем состоящую из пяти человек. Для её проверки исследователи решили географически ограничиться США. Они отправили конверты с буклетами, в которых содержалось обращение с просьбой передать через своих знакомых и родственников это послание конкретному человеку, а также отметки о том, кто и кому их до этого отправлял. Те письма, которые дошли до своего адресата, подтвердили, что в среднем каждый конверт прошёл через пять получателей.

Иллюстрация идеи 6 рукопожатий. Источник изображения.

М. Грановеттер произвёл расчеты, основанные на неопубликованных данных о расе участников этого эксперимента, и пришел к выводу, что слабые межрасовые связи оказались более эффективными при передаче ресурсов. Так как в 50% случаев, когда белый описывал темнокожего как знакомого, цепочка оказывалась завершённой; но когда белый отправлял буклет темнокожему другу, показатель завершения падал до 26%.

Впоследствии этот эксперимент повторялся различными исследовательскими группами. Самое «свежее» исследование провела команда Facebook. Они пришли к выводу, что радиус сети пользователей этой площадки равняется 3,5. Кстати, вскоре после этого в Facebook повторили эксперимент и М. Грановеттера, описанный в «Слабых связях».

Исследуя случайную выборку специалистов, вспомогательного персонала и управленцев, недавно сменивших работу, М. Грановеттер пришел к выводу, что для них слабые связи оказались важным источником возможной мобильности (смены работы). Исследование Facebook также показало, что слабые связи важны при поиске работы, потому что они более многочисленны, но единственная сильная связь будет полезней, чем единственная слабая связь.

В 1980-1990-х академический интерес к сетевому подходу подогревало возникновение виртуального мира и зарождающихся в нем онлайн-сообществ. В этой теме «пальмовую ветвь» можно отдать еще одному ученику Харрисона Уайта – канадскому социологу, основателю INSNA, Бари Веллману. В его концепции архаичные модели сообществ, которые он назвал «little boxes communities» (плотно связанные группы людей), трансформировались под воздействием массового использования новых видов транспорта и как следствие, возрастающей мобильности населения. «Door-to-door» коммуникация, характерная для архаичных сообществ уступила место «place-to-place» коммуникации, когда члены сообществ продолжали общаться, преодолевая расстояния.
       Так, например, если вы учились в школе в одном городе, а переехали учиться в университет в другой, после чего нашли работу в третьем городе и уехали снова, вы будете встречаться с вашими школьными и университетскими друзьями, приезжая к ним время от времени. В этом случае, по Б. Веллману, вы станете членом нескольких «glocalized networks» (под глокализацией понимается комбинация глубоких локальных и широких глобальных взаимодействий). Третий этап в развитии сообществ наступил в эпоху онлай-общения. Б. Веллман называет это «сетевым индивидуализмом» со свойственной ему «person-to-person» коммуникацией.

Ключевые исследователи социальных сетей. Фото из архива автора.

        Описание выдающихся работ, опубликованных в 2000-х, может очень сильно увеличить эту статью, а мне бы хотелось остановиться всё-таки на тех исследованиях, которые представляют собой разнообразные с дисциплинарной точки зрения подходы, не посвящая большую её часть Web Science и Big Data. Есть, правда, несколько сетевых исследователей XXI века, упомянуть которых просто необходимо. Прежде всего, я бы отметил физика Ладу Адамик, о которой в этом блоге уже писали. Она известна, например, исследованием использования Твиттера во время выборов в США в 2010 году.
        Ещё хотелось бы упомянуть психолога Николаса Кристакиса и политолога Джеймса Фаулера, опубликовавших работу «Связанные одной сетью». Эта книга произвела фурор благодаря их теории о том, что лишний вес и счастье, а также курение могут передаваться по каналам социальных сетей. Помимо этого, у них есть работа о том, что такое поведение, как развод также передается по социальным сетям. Если наши друзья разводятся, то эта участь также может с большой вероятностью ожидать и нас. Об этом исследовании авторы этого блога также написали один из наиболее увлекательных постов.

Думаю, следует также отметить дану бойд, опубликовавшую статью «Why Youth (Heart) Social Network Sites», где анализируется влияние социальных сетей интернета на личности подростков. На этом пока остановлюсь, так как более подробное рассмотрение современных авторов заслуживает отдельной статьи.

***

В заключение хотелось бы сказать, что для написания этой статьи были использованы материалы учебного курса «Социальные сети в междисциплинарном аспекте», который я читаю магистрам ГАУГНа. Также хочу поблагодарить своих коллег Софию Докуку и Диляру Валееву за предложение опубликовать этот текст на их замечательном ресурсе «Asocial Networks».