ניתוח רשתות חברתיות

מתוך המכלול, האנציקלופדיה היהודית
(הופנה מהדף חקר רשתות חברתיות)
קפיצה לניווט קפיצה לחיפוש
Gnome-edit-clear.svg
יש לערוך ערך זה. ייתכן שהערך סובל מבעיות ניסוח, סגנון טעון שיפור או צורך בהגהה, או שיש לעצב אותו, או מפגמים טכניים כגון מיעוט קישורים פנימיים.
אתם מוזמנים לסייע ולערוך את הערך. אם לדעתכם אין צורך בעריכת הערך, ניתן להסיר את התבנית.
יש לערוך ערך זה. ייתכן שהערך סובל מבעיות ניסוח, סגנון טעון שיפור או צורך בהגהה, או שיש לעצב אותו, או מפגמים טכניים כגון מיעוט קישורים פנימיים.
אתם מוזמנים לסייע ולערוך את הערך. אם לדעתכם אין צורך בעריכת הערך, ניתן להסיר את התבנית.
Sna large.png
- תרשים רשת חברתית המציג רשת הקשרים בין חברי קבוצה בפייסבוק.

ניתוח רשתות חברתיותאנגלית: SNA או Social Network Analysis) היא גישה מדעית לחקר קשרים חברתיים, מרמת הפרט ועד מבנים חברתיים שההיגיון מאחוריה הוא שכדי להבין תופעה חברתית, אין די בבחינת מאפייני היחידים הקשורים לתופעה, אלא יש לבחון את מיקומם במבנה החברתי. את הקשרים ניתן להציג בתרשים הנקרא 'סוציוגרם' בו הפרטים, השחקנים או הגורמים (נקרא גם: צמתים) מוצגים כנקודות, והקשרים (נקרא גם: קשתות) מוצגים כקווים. גישה זו משתמשת במושגים הלקוחים מתורת הגרפים המתמטית וממדע הרשתות.

מתוך ניתוח הקשרים בין הגורמים השונים ברשת, ניתן ללמוד על מרכזיותו של כל אחד מהם, על היררכיה בקבוצה, על הצפיפות של הקבוצה ועוד. חקר רשתות חברתיות נועד גם להבין תופעות שאינן נראות לעין ברמת הצומת הבודד ורק ניתוח רשתי של התופעה חושף אותה. למשל מהו המרחק הממוצע (מינימלי, מקסימלי) בין חברי רשת, כיצד בנויה הרשת (רשת כוכב, רשת תאית, רשת שהתפלגות קשריה היא מסוג "זנב ארוך" ועוד).

ניתוח הרשת החברתית מאפשר ניתוח סטטי בודד (Snapshot) אך גם ניתוח דינמי של השתנות הרשת.

אחד מיתרונות השימוש בניתוח רשתות חברתיות הוא שהשיטה מאפשרת מחקר ללא הנחה מוקדמת לגבי אופי ומהות החברים בקבוצה, על ידי שימוש במדדי הרשת כגורם מכווין לשאילת השאלות.

למרות השוני הרב בין סוגי הקשרים החברתיים, מדע הרשתות מאפשר לזהות תופעות שפועלות בצורה זהה בכל רשת חברתית ובכל רשת "עולם אמיתי" באשר היא, כלומר, בכל רשת הקיימת בטבע.

היסטוריה

שורשיו התאורטיים של חקר הרשתות החברתיות מונחים בעבודתם של סוציולוגים מוקדמים כגון גאורג זימל ואמיל דורקהיים, שכתבו אודות החשיבות שבעיון בדפוסי יחסים שמחברים בין סוכנים חברתיים. העוסקים במדעי החברה החלו להשתמש במושג "רשתות חברתיות" באיבה של המאה ה-20 כשכוונתם לכל מערכת יחסים מסובכת בין חברי מערכות חברתיות מכל קנה מידה שהוא, מהרמה הבין-אישית ועד לבין-לאומית. בשנות השלושים של המאה ה-20, יעקב מורנו והלן ג'נינגס הנהיגו לראשונה שיטות ניתוח רשתי בסיסיות. מורנו היה בין הראשונים להשתמש בסוציוגרם כשמיפה קשרי חברות בין תלמידים בבתי ספר יסודיים בארצות הברית. בשנת 1954 החל ג'ון ארונדל ברנס לעשות שימוש במושג דרך קבע כשם לדפוסי קשרים, כאשר הוא כולל בתוכו רעיונות שעד אז היו שכיחים הן בקרב הציבור והן בתחום מדעי החברה: קבוצות (דוגמת שבט או משפחה) וקטגוריות חברתיות (כמו מגדר ושיוך אתני). מלומדים וביניהם רונלד ברט, קתלין קארלי, מארק גרנובטר (אנ'), דייוויד קראקהרדט, אדוארד Laumann, Anatol רפופורט, בארי ולמן, דאגלס ר לבן, הריסון לבן התרחב השימוש השיטתי רשת חברתית ניתוח. גם במחקר של ספרות, ניתוח רשת הוחל על ידי Anheier, Gerhards ורומו,[1] Wouter דה Nooy,[2] ו-Burgert Senekal.[3]

כניסת אתרי הרשתות החברתיות כדוגמת פייסבוק איפשרו לבצע ניתוח רשתות חברתיות על נתוני עתק (Big Data) של מיליוני צמתים וקשרים ברשת דבר שמאפשר הרחבה של תאוריות סוציולוגיות, פסיכולוגיות והתנהגותיות לתחום העולם הדיגיטלי.

דוגמאות למחקרים מפורסמים בתחום חקר הרשתות החברתיות

מדדים בניתוח רשתות חברתיות

את המדדים ניתן לסווג למדדים ברמת הצמת/ים, מדדים ברמת הקשת/ות, מדדים ברמת הקבוצה/קהילה ומדדים ברמת הרשת כולה.

מדדי צמתים

הצבע (אדום = 0, כחול = מקסימום) מצביע על כל צומת לפי הריכוזיות.

מרכזיות (אנ'): מכמתת את חשיבותו והשפעתו (במובנים שונים) של צומת מסוים או של קבוצה מסוימת בתוך רשת. המדדים הנפוצים לצומת בהם נעשה שימוש בניתוח רשתות חברתיות.[5]:

  • דרגה או Degree - מספר הקשרים הנכנסים לצומת מתוך צמתים אחרים ברשת
  • דרגה נכנסת - מספר הקשרים הנכנסים לצומת מתוך צמתים אחרים ברשת
  • דרגה יוצאת - מספר הקשרים היוצאים מהצומת ומחברים אותו לצמתים אחרים ברשת
  • דרגה ממושקלת – סכום הקשרים של הדרגה היוצאת והנכנסת.
  • Betweenness Centrality - מודד עד כמה צומת מסוים מקשר בין צמתים אחרים, שאילולא הוא היה מחבר אותן, צמתים אלו לא היו מקושרים זה עם זה. נמדד על ידי חישוב סך כל המסלולים הקצרים העוברים דרך הצומת ברשת.

בהקשר חברתי מדד זה יכונה "גשריות": גשר (אנ'): אדם אשר קשריו החלשים ממלאים חור מבני (אנ'), ומספקים את הקשר היחידי בין שני פרטים או גושים. מושג זה כולל גם את המסלול הקצר ביותר כאשר המסלולים הארוכים מדי אינם יעילים כתוצאה מחשש לעיוות המסר או כשל במסירתו.[6]

  • Closeness Centrality - מודד עד כמה צומת קרוב בממוצע לכל שאר הצמתים ברשת.,
  • מדד וקטור עצמי (Eigenvector Centrality) - מודד עד כמה הצומת מקושר לצמתים אחרים בעלי דרגה גבוהה.

מדדי קשרים

כיוון הקשר
קיימים קשרים חד כיווניים, שקיומם מצביע על קשר בין שחקן א' ל-ב' אך אינו מצביע בהכרח על קיום קשר בין ב' לא', ולעומתם קשרים דו כיווניים, המצביעים על הדדיות בין שני הצמתים. האם קשר הוא בעל כיוון, תלוי במציאות אותה ממדל הקשר. כמו כן לעיתים במציאות צומת יוכל ליצור קשר עם עצמו (Self loop) ולעיתים המציאות מחייבת שצומת אינו יכול ליצור קשר עם עצמו (לדוגמה דרוג במבחן סוציומטרי).
סימן הקשר
יש רשתות בהן בין השחקנים השונים מתקיימים יחסים חיובים ו/ או יחסים שלילים באותה העת. במצבים אלו חשוב לעשות הבחנה לגבי סימן הקשר האם הוא חיובי או שלילי (Friend או Foe). רשתות אלו נקראות רשתות מסומנות (Signed Graph) ונעשה בהן שימוש להצגת מערכות יחסים שליליות וחיוביות.

הסימול ברשתות אלו הוא סמל חיובי לצד קשר מייצג קשר חיובי (ידידות, ברית, אהבה) ואילו סמל שלילי מייצג יחס שלילי (שנאה, כעס). ניתן להשתמש בגרף סימנים כזה כדי לחזות מראש את התפתחות הרשת בעתיד. לפי תאוריית האיזון, מערכת מאוזנת מוגדרת כמעגל (מערכת שבה כל ניתן להגיע מכל צומת לעצמו) שבו מכפלת כלל הסימנים חיובית, ומערכת בלתי מאוזנת היא מעגל בו אותה מכפלה היא שלילית. לפי תאוריית האיזון, מערכת בלתי מאוזנת היא בעלת סבירות גבוהה יותר לשינוי דעת חלק מהחברים בה ביחס לחברים אחרים. לדוגמה, אם A ו-B מקיימים בניהם קשר חיובי ו-B ו-C גם הם מקיימים יחס חיובי, אבל C ו-A מקיימים יחס שלילי, קיים סבירות גבוהה שהמערכת תהפוך לבלתי יציבה, לדוגמה אם רק בין A ל-B ישנו יחס חיובי ואילו ל-A ול-B יחס שלילי ל-C. אם כן, ניתן להשתמש בקונספט של מערכות יציבות ובלתי-יציבות ככלי לניבוי עתידה של רשת.[7]

חוזק הקשר
נהוג להבחין בין קשרים חזקים ברשת לבין קשרים חלשים. קשרים חזקים משקפים מציאות בה בין שני צמתים מתקיימים יחסים קרובים או אינטנסיביים. קשרים חלשים הם קשרים בין שני צמתים המשקפים מציאות בה קשר בין שני אנשים הוא לא אינטנסיבי או במהותו אינו חזק.

בהקשר מחקר חברתי, קשר חזק נקשר להומופיליה קרבה וטרנסיטיביות. קשר חלש נקשר עם גשרים. את עוצמת הקשר מבטאים על ידי מתן ציון מספרי לקשר. עוצמת הקשר ברשת יכולה להיות מנורמלת (בין 0 ל-1) או יכולה להופיע כעוצמה לא מנורמלת (המספר הממשי לדוגמה: כמות השיחות בין 2 אנשים בטלפון). מולטיפלקסיות: מספר האופנים שבהם מתקיים קשר. למשל, לזוג אנשים שקיימת ביניהם חברות ובנוסף לכך הם גם חולקים מקום עבודה משותף יש מולטיפלקסיות של 2. הוצעה תלות בין חוזק הקשר לבין מולטיפלקסיות שלו. הומופיליה: המידה שבה פרטים ייצרו קשרים עם הזולת אם הוא דומה להם, לעומת מצב שבו הוא שונה מהם. דמיון מוגדר כשוויון מגדר, גיל, עיסוק, סביבה חינוכית, מעמד, ערכים או כל מאפיין בולט אחר. סגירת משולשים (Triadic Closure): מדד של השלמות של שלישיות המקיימות ביניהם יחסים. ההנחה של פרט שקיימת בקבוצה בה הוא חבר מעגליות רשתית (כלומר, שחבריו מיודדים) נקראת טרנזיטיביות, והיא תוצר של הצורך של הפרט או המצב בסגירת-מעגל קוגניטיבית. קרבה (Propinquity): נטייה של פרטים ליותר קשרים עם פרטים אחרים שקרובים אליהם גאוגרפית.

מדדי רשת

צפיפות (תורת הגרפים) (אנ'): היחס בין כמות הקשרים הישירים ברשת לבין המספר המרבי של קשרים אפשריים כאלה.[8][9] כלומר, מספר הקשרים שיש לפרט, חלקי המספר המרבי של קשרים שיכולים להיות למשתתף. לדוגמה, אם ישנם 20 משתתפים, המכנה יהיה 19, דהיינו המספר הגבוה ביותר של קשרים פוטנציאליים למשתתף. צפיפות של 100% (במקרה דנן 19\19) היא הצפיפות הרבה ביותר האפשרית. צפיפות של 5% משמעותה שקיים רק קשר אחד מתוך ה-19 האפשריים. מרחק: המספר המזערי ביותר של קשרים שנצרכים על מנת לחבר בין שני פרטים, כפי שהרעיון הופץ על ידי סטנלי מילגרם בניסוי העולם קטן ובמושג של שש דרגות של הפרדה. חורים מבניים: חוסר בקשרים בין שני חלקים של רשת. זיהוי וניצול של חור כזה עשוי להעניק ליזם (אנ') יתרון תחרותי. המושג הזה פותח על ידי רונלד בורט (Ronald_Stuart_Burt) ולפעמים הוא מוצג כתפישה אלטרנטיבית של הון חברתי.

  • מדדים נאיביים כגון: מספר הצמתים, מספר הקשרים, מספר הקשרים ההדדיים, מספר הקשרים העצמיים (צומת מקושר לעצמו)
  • מודולריות - מדד הבודק עד כמה הרשת ניתנת להגדרה על ידי קהילות.
  • ניתן לעשות שימוש במדד הממוצע של הצמתים ברשת (למשל Betweenness ממוצע או Closeness ממוצע על פני כל הרשת וכדומה).

מדדי קבוצות וקהילות

שימוש בניתוח רשתות חברתיות מאפשר לזהות 'מעגלים חברתיים' על בסיס הקשרים של הצמתים המייצגים את הפרטים בקבוצה ולזהות את מידת הליכוד שלה גוש מלוכד. קבוצה המגיעה ללכידות מקסימלית מוגדרת כ'קליקות' (Clique), כלומר, לכל פרט יש קשר ישיר לכל פרט אחר בקבוצה.

לכידות
המידה שבה פרטים מקושרים ישירות אחד למשנהו על ידי קשרים ליכודיים.

לכידות קבוצתית מתייחסת למספר המינימלי של צמתים שבהיעדרם תתפרק הקבוצה.[11] מדדים נוספים לקהילות:

  • Reciprocity (הדדיות) - עד כמה הקשרים בין חברי הקהילה הם הדדיים,
  • Density (צפיפות) - עד כמה מנוצל פוטנציאל הקשרים של כל חברי הקהילה לדבר עם כולם.
  • ניתן לעשות שימוש במדד הממוצע של הצמתים בקהילה (למשל Betweenness ממוצע או Closeness ממוצע על פני כל הקהילה וכדומה).

ויזואליזציה של רשתות

ייצוג ויזואלי של רשתות חברתיות הוא חשוב מפני שהוא מסייע להבין אינטואיטיבית את הנתונים שנאספו על אודות הרשת, וכן להנגישם בצורה נוחה למתבונן. מספר רב של שיטות וטכניקות להצגה ויזואלית של מידע שהושגה באמצעות ניתוח רשת הוצג לאורך השנים. תוכנות מחשב ניתוחיות מציעות כלים לוויזואליזציה כזו. הרשתות נחקרות על ידי פריסתן בדרכים שונות, ועל ידי הוספת ערכי צבע, גודל ותכונות מתקדמות אחרות לצמתים השונים. ייצוג ויזואלי של רשתות הוא אמנם כלי רב-עצמה ושימושי למי שמעוניין להציג מידע מורכב וסבוך, אבל יש לתת את הלב לכך שהצגת רשתות באמצעות ייצוג ויזואלי בלבד עלולה להוביל לחוסר-דיוק או לפספוס של תכונות רשתיות שהיו נתפסות באמצעות ניתוח כמותי.

יישומים של ניתוח רשתות חברתיות

חקר הרשתות החברתיות מנוצל ומצוי בטווח רחב של יישומים מעשיים, ודיסציפלינות. חלק מאותם יישומים כולל צירוף וכריית מידע, בניית מודלים להפצת רשתות, בניית מודלים של רשתות, ניתוח תכונות והתנהגויות של משתמשים, תמיכת משאבים בתחזוקת הקהילה, ניתוח של אינטראקציה מבוססת מיקום, שיתוף וסינון חברתיים, פיתוח מערכות המלצה וחיזוי קישורים ורזולוציית ישות. במגזר הפרטי, עסקים משתמשי בחקר רשתות חברתיות כדי לתמוך בפעילויות כגון ניתוח ואינטראקציה על הלקוח, ניתוח פיתוח מערכות מידע, שיווק וצרכי בינה עסקית. דוגמאות לשימושים במגזר הציבורי הן: פיתוח אסטרטגיות למחוברות מנהיגים, ניתוח של מחוברות ושל חשיפה למדיה של פרטים וקבוצות, ופתרון בעיות קהילתי. דוגמאות נוספות לשימוש בניתוח רשתות חברתיות: הפצת ממים, רשתות הכרויות, תרשימי שיתוף-פעולה (collaboration graphs), קרבה, העברת מחלות, התפשטות מחלות דרך בני זוג.

לתחום יישומים בתחומים כגון: אנתרופולוגים, ביולוגים, דמוגרפים, חוקרי תקשורת, כלכלנים, גאוגרפים, היסטוריונים, מידענים, מדעי המדינה, פסיכולוגיה חברתית, מדעי ההתפתחות, בלשנים חברתיים, מדעי המחשב, זואולוגיה[12] ויישומים בהתמודדות עם הלבנת הון וטרור.[13] קיימים שימושים לחקר רשתות חברתיות גם בתחומי המודיעין, סיכול ריגול, אכיפת חוק וביטחון פנים. שימוש בטכניקה זו מאפשרת לחוקרים לזהות קבוצות חשאיות או סמויות, כגון רשת ריגול, משפחת פשע מאורגן או כנופיית רחוב. הסוכנות לביטחון לאומי בארצות הברית (NSA) משתמשת בתוכניות מעקב המוניות חשאיות במחשבים על מנת למצוא את המידע הדרוש לניתוח כזה על תאי טרור ועל קבוצות נוספות שנחשבות בעלות חשיבות לביטחון הלאומי. הסוכנות מגיע לעומק שלושה צמתים במהלך ניתוח זה. לאחר שהמיפוי הראשוני של הרשת מבוצע, נעשית אנליזה שמטרתה לקבוע את מבנה הרשת ולקבוע, למשל, מי הם המנהיגים. דבר זה מאפשר לצבא או לכוחות ביטחון פנים לכוון סיכולים ממוקדים שמטרתם לחסל או לשבות חברים בעלות ערך גבוה בתפקיד הנהגתי כשיטה להפריע לפעילות השוטפת של הארגון. הסוכנות התחילה לבצע גם ניתוח רשתות חברתיות על הקלטות של שיחות טלפוניות, המכונה מטא-דאטה, זמן מועט לאחר אירועי ספטמבר 11.[14][15]

תת-תחום של ניתוח רשתות חברתיות בנושא התנהגות ארגונית נקרא ניתוח רשתות ארגוניות (או: ONA - Organizational Network Analysis).

דוגמאות למחקרים

  • חקר מערכת הסחר הבינלאומית, כאשר הניתוח ישתמש במדינות כצמתים ברשת ובהיקפי סחר כקשרים. ניתוח כזה יכול להראות על גושים של מדינות ועל היררכיה בין הגושים ובתוכם.
  • חקר רשתות של האקרים והבנת דפוסי ההתנהגות ואת הקשרים הנסתרים בין פרטים ומדינות בתחום זה.
  • חקר קבוצת תמיכה - הצמתים יהיו החברים בקבוצה והקשרים יהיו בהתאם לתשובתם לשאלה 'ממי את/ה מקבל/ת ולמי את/ה מעניק/ה תמיכה בקבוצה'. רשת כזו יכולה לשמש לניתוח דפוסים של מתן תמיכה ויעילות של קבוצות תמיכה.

ייחוד שאלות מחקר רשתיות

שאלות רשת בשונה מחקר גרפים, מוכוונות אל המציאות ממנה נובעת הרשת. שאלת רשת טובה עוזרת להבין טוב יותר את המציאות אותה היא ממדלת. ניתן לחלק את שאלות הרשת לשלוש רמות: הבנת הצמתים ברשת (מיקרו) , הבנת הקהילות ברשת(מזו) והבנת הרשת כולה (מאקרו).

ברמת הצומת - לבד ממציאת הצמתים בולטים על פי הגדות מדדי הצמתים שונים, שאלת רשת הינה שאלה אשר קושרת בין "תכונות" אובייקט כפי שהיא מתקיימות במציאות לבין התכונות הרשתיות של אותו אובייקט כאשר הוא ממודל כצומת ברשת שאנו מקימים. נניח שאנו מבצעים תצפיות על קשרי חברות בחברה עסקית ואנו ממדלים את הקשרים הנירקמים בפינת הקפה במקום העבודה. שאלה רשתית ברמת הצומת תהיה "האם רוב העובדים אשר מתחילים את השיחות בפינת הקפה (הא.נשים יהיו הצמתים ברשת והקשרים בין הצמתים הינם השיחות), הינם גברים או נשים"? - מבחינה רשתית מנסים למצוא שונות מובהקת ברמות הOutdegree של הנשים מול הגברים בחברה- בכל הנוגע לשיחות-מכונת-הקפה. השאלה אינה רק בונה את הרשת אלא שואלת עליה שאלה הלקוחה מתוך המציאות, שאלה המעניינת אותנו כחוקרים.

ברמת חקר הקהילות ברשת - לבד מזיהוי ומיפוי קהילות ומעקב אחר קשריהן הפנימיים והחיצוניים על פני זמן - שאלה רשתית שואפת לקשור בין זהות הקהילה (והחברים בקהילה) כפי שמצאו אלגוריתמים למציאת קהילות (כגון: ניומן, לוביין וליידן) לבין מכנה משותף "דמוגרפי" של חברי הקהילה שנמצאה.

ברמת חקר הרשת כולה - ניתן לחקור את השתנות הרשת ואת המדדים המרכזיים שאנו בוחרים לחקור בה (כגון Reciprocity, Density, Diameter) והשתנותם לאורך ציר הזמן. כמו כן ניתן להשוות בין שתי רשתות אשר נגזרות ממציאות דומה ולברר באמצעות ניתוח הרשת את המציאות. לדוגמא האם ה Diameter של רשת הממדלת את קשרי החברות בשכבת גיל מסויימת בבית ספר משכבה סוציואקונומית גבוהה, גבוה בצורה מובהקת מה Diameter של רשת הממדלת את קשרי החברות בשכבת גיל מסויימת בבית ספר משכבה סוציואקונומית בינונית-נמוכה.

מציאת Data למחקר רשתי

  • כאשר רוצים לבחור בסיס נתונים למחקר רשתי יש להקפיד על מספר כללים בסיסים, המשמשים אותנו לבחינה האם Dataset מסויים מתאים לניתוח רשתי:
  • בסיס הנתונים מורכב מאינטרקציות בין פריטים שונים, כאשר קיים ציון זמן (Time Stamp) לכל אינטראקציה
  • איתור של לפחות שתי ישויות בבסיס הנתונים המקיימות ביניהם יחס של רבים לרבים.
  • איתור של תכונות (Features) של הישויות אותן רוצים למדל כ"צמתים" ברשת
  • איתור של תכונות (Features) של הקשר (Link) בין הישויות
  • להלן מספר לינקים (ויש עוד הרבה) לאתרים בהם ניתן למצוא Datasets רשתיים:
  • https://www.aminer.org/data-sna
  • https://snap.stanford.edu/data/
  • https://kateto.net/2016/05/network-datasets/

יישומים בתחום החינוך

בהקשר של למידה שיתופית נתמכת טכנולוגיה, חקר רשתות חברתיות הוא כלי עזר להבנת שיתוף הפעולה בין לומדים במונחים של כמות, תדירות ואורך-זמן, ובנוסף האיכות, הנושא ואסטרטגיות הקשר. יתר על כן, חקר רשתות חברתיות מסוגל להתמקד באספקטים מסוימים של חיבור הרשת, או על הרשת בכללותה. הוא משתמש בהצגה גרפית, מידע כתוב ובנתונים כדי לבחון את הקשרים בתוך רשת למידה שיתופית נתמכת טכנולוגיה (CSCL). בזמן יישום שיטות חקר רשתות חברתיות על CSCL, האינטראקציות בין המשתתפים נחשבות לרשת חברתית. הנושא בו הניתוח מתמקד הוא הקשרים שייצרו המשתתפים, כיצד הם תקשרו ולא כיצד כל משתתף התנהג בינו לבין עצמו. מספר מחקרים יישמו חקר רשתות חברתיות ב-למידה שיתופית נתמכת טכנולוגיה (CSCL) במגוון רחב של הקשרים. בין התוצאות, קורלציה בין נוכחות המורה לבין צפיפות הרשת, התייחסות רצינית יותר להמלצות של משתתפים ריכוזיים יותר, חוסר שכיחות של אינטראקציות בין בני מגדר שונה בתוך רשת, וכן תפקיד שולי יחסית שמשחק המורה ברשת למידה א-סינכרונית.[16] קיימים מספר מחקרים שעשו שילוב של אמצעי מחקר נוספים עם חקר רשתות חברתיות בבחינתם את הCSCL. ניתן להתייחס לזה כתהליך שיוביל לריבוי המהימנות של מחקרים אודות CSCL.

  • שיטה איכותית - עקרונות חקר המקרה האיכותי יוצרות מסגרת מוצקה לאינטגרציה של חקר רשתות חברתיות בחקר חוויית CSCL.[17]
    • מידע אתנוגרפי כגון ראיונות, שאלונים לחניך והשקפה בכיתה מצד שלישי לא משתתף.[18]
    • מקרי בוחן: לבחון באופן מובן בין מצבי CSCL מסוימים ולקשר בין הממצאים לבין מגמות כלליות.
    • ניתוח תוכן מציע מידע על אודות התוכן של ההתקשרות בין חברי הרשת.
  • שיטה כמותית - שיטה זו כוללת ניתוחים סטטיסטיים פשוטים המתארים התרחשויות ומאפשרים לזהות את הגישה של חברים פרטיים בקבוצה שחקר רשתות חברתיות לא הצליח לעקוב אחריהם, כדי להתחקות אחרי נטיות כלליות.
    • קובצי לוג אלקטרוניים מספקים מידע על השימוש שעושים הלומדים בכל שיתוף-פעולה.
    • Multidimensional scaling - מנהל מעקב אחרי דמיון שקיים בין משתתפים, כך שיהיה ניתן להניח מידע דומה ביחד.
    • תוכנות – QUEST, Nud*IST, SAMSA (System for Adjacency Matric and Sociogram-bases Analysis)‎

איסוף הנתונים לניתוח רשתות חברתיות

בייחוד כאשר השימוש בחקר רשתות חברתיות נעשה כדי להנחיל שינוי חברתי, קיימים מספר גישות לליקוט מידע ומיפוי רשתות בשיטות השתתפותיות. כאן, המשתתפים ממפים בעצמם את הרשתות על ידי הוספת קשרים ידנית (באמצעות עט ונייר או מחשב). דוגמה לשיטת עט ונייר לאיסוף מידע השתתפותי הוא, שמאפשרת גם איסוף נתונים לגבי תכונות הפרטים (השפעות ומטרות) היא שיטת Net-Map Toolbox. יתרונותיהן של שיטות מסוג זה הן היכולת של החוקרים לאסוף מידע איכותי ולא רק כמותי, וכן לתחקר את המשתתפים לצורך הבהרה.

פוטנציאל רישות חברתי

פוטנציאל רישות חברתית הוא מקדם מספרי שניתן להגיע אליו באמצעות אלגוריתמים, כדי לייצג הן את הגודל של הרשת החברתית של פרט מסוים, והן את היכולת שלו להשפיע על הרשת. מילה נרדפת שקרובה במשמעותה, היא משתמש אלפא, אדם עם מקדם פוטנציאל רישות חברתית גבוה. קיימות שתי פונקציות עיקריות למקדמי פוטנציאל רישות חברתית:

  1. מיון וסיווג הפרטים בהתאם לפוטנציאל שלהם.
  2. שקילת הפרטים במחקרים שיווקיים.

על ידי חישוב הפוטנציאל של משיבים ושיווק ישירות לבעלי מקדם גבוה, החוזק והרלוונטיות של מחקר שיווקי שמשמש לשיווק ויראלי, מוגבר.

משתנים שמשמשים לחישוב מקדם הפוטנציאל כוללים בין היתר: השתתפות בפעילויות ברשת החברתית, חברות בקבוצות, תפקידי מנהיגות, זיהוי, הוצאה לאור\עריכה\תרומה למדיה שאינה אלקטרונית, הוצאה לאור\עריכה\תרומה למדיה אלקטרונית (אתרי מרשתת, בלוגים) ותדירות הפצת מידע בקרב הרשת בעבר. ראשי התיבות SNP) Social Networking Potential) וחלק מהאלגוריתמים הראשונים שנעשה בהם שימוש כדי לכמת את הפוטנציאל של פרט מסוים, תוארו במדריך "חקר הפרסום הולך ומשתנה". ע"ע שיווק ויראלי.[19] הספר הראשון שדן בשימוש המסחרי של משתמשי אלפא בקרב לקוחות טלקומוניקציה היה "3G Marketing" של אהונן, קאספר ומלקו ב-2004. הספר הראשון שדן במשתמשי אלפא באופן יותר נרחב בהקשר של שיווק חברתי היה Communities Dominate Brands (קהילות שולטות במותגים) של קהונן ומור ב-2005. ב-2012 ניקולא גרקו מהקולג' האוניברסיטאי של לונדון העביר שיחת TEDx (אנ') בנושא ההקבלה בין פוטנציאל הרשת החברתית לבין אנרגיה פוטנציאלית שמשתמשים יוצרים ושבה חברות צריכות לעשות שימוש. הוא טען ש-SNP הוא הנכס החדש שכל חברה צריכה לשאוף אליו כמטרה. [20]

ניתוח רשתות חברתיות בישראל

בין החוקרים העוסקים בחקר רשתות חברתיות במוסדות האקדמיים בישראל: פרופ' שיזף רפאלי, בעבר ראש מרכז שגיא לחקר האינטרנט באוניברסיטת חיפה; וכיום נשיא מכללת שנקר; פרופ' דפנה רבן, מרצה בכירה בבית הספר לניהול והחוג לניהול מידע וידע באוניברסיטת חיפה; פרופ' אילן תלמוד, החוג לסוציולוגיה ואנתרופולוגיה באוניברסיטת חיפה, פרופ' ברוך ברזל במחלקה למתמטיקה באוניברסיטת בר-אילן פרופ' גלעד רביד המחלקה להנדסה, תעשייה וניהול, אונ' באר שבע, דר' אוסנת מוקרין, הפקולטה למדעי החברה, אוניברסיטת חיפה וד"ר עמית רכבי, הפקולטה לכלכלה ומנהל עסקים במרכז האקדמי רופין ועמית מחקר במרכז פדרמן לחקר הסייבר באוניברסיטה העברית.

ראו גם

קישורים חיצוניים

הערות שוליים

  1. ^ Anheier, H.K.; Gerhards, J.; Romo, F.P. (1995). "Forms of capital and social structure of fields: examining Bourdieu's social topography". American Journal of Sociology. 100 (4): 859–903. doi:10.1086/230603.
  2. ^ De Nooy, W (2003). "Fields and networks: Correspondence analysis and social network analysis in the framework of Field Theory". Poetics. 31 (5–6): 305–27. doi:10.1016/s0304-422x(03)00035-4.
  3. ^ Senekal, B. A. 2012. Die Afrikaanse literêre sisteem: ʼn Eksperimentele benadering met behulp van Sosiale-netwerk-analise (SNA), LitNet Akademies 9(3)
  4. ^ ראו בויקיפדיה האנגלית, Zachary's karate club.
  5. ^ Opsahl, Tore; Agneessens, Filip; Skvoretz, John (2010). "Node centrality in weighted networks: Generalizing degree and shortest paths". Social Networks. 32 (3): 245–251. doi:10.1016/j.socnet.2010.03.006. אורכב מ-המקור ב-2018-02-26. נבדק ב-2018-03-23.
  6. ^ Granovetter, M. (1973). The strength of weak ties. American Journal of Sociology. Vol. 78. pp. 1360–1380. doi:10.1086/225469.
  7. ^ Cartwright, D.; Frank Harary (1956). "Structural balance: a generalization of Heider's theory" (PDF). Psychological Review. 63 (5): 277–293. doi:10.1037/h0046049. Link from en:Stanford University.
  8. ^ "Social Network Analysis". Field Manual 3-24: Counterinsurgency (PDF). Headquarters, Department of the Army. pp. B–11 – B–12.
  9. ^ Xu, Guandong; et al. (2010). Web Mining and Social Networking: Techniques and Applications. Springer. p. 25. ISBN 978-1-4419-7734-2.
  10. ^ Hanneman, Robert A.; Riddle, Mark (2011). "Concepts and Measures for Basic Network Analysis". The Sage Handbook of Social Network Analysis. SAGE. pp. 346–347. ISBN 978-1-84787-395-8.
  11. ^ Pattillo, Jeffrey; et al. (2011). "Clique relaxation models in social network analysis". In Thai, My T.; Pardalos, Panos M. (eds.). Handbook of Optimization in Complex Networks: Communication and Social Networks. Springer. p. 149. ISBN 978-1-4614-0856-7. מקדם התקבצות (אנ'): מדד לסבירות ששני צמתים המקושרים לצומת מסוים יהיו מקושרים גם כן בין עצמם. מקדם גבוה יותר פירושו רמה יותר גבוהה של 'קליקיות'.[10]
  12. ^ קשר משפחתי, באתר קשר משפחתי, ‏2021-07-15
  13. ^ Ivaldi M.; Ferreri L.; Daolio F.; Giacobini M.; Tomassini M.; Rainoldi A. "We-Sport: from academy spin-off to data-base for complex network analysis; an innovative approach to a new technology". J Sports Med and Phys Fitnes. 51 (suppl. 1 to issue 3). The social network analysis was used to analyze properties of the network We-Sport.com allowing a deep interpretation and analysis of the level of aggregation phenomena in the specific context of sport and physical exercise.
  14. ^ "NSA Using Social Network Analysis". 12 במאי 2006. נבדק ב-19 ביולי 2013. {{cite web}}: (עזרה)
  15. ^ "NSA has massive database of Americans' phone calls". 11 במאי 2006. נבדק ב-19 ביולי 2013. {{cite web}}: (עזרה)
  16. ^ Aviv, R.; Erlich, Z.; Ravid, G.; Geva, A. (2003). "Network analysis of knowledge construction in asynchronous learning networks". Journal of Asynchronous Learning Networks. 7 (3).
  17. ^ Johnson, Karen E. (1996-01-01). "Review of The Art of Case Study Research". The Modern Language Journal. 80 (4): 556–557. doi:10.2307/329758. JSTOR 329758.
  18. ^ Martı́nez, A.; Dimitriadis, Y.; Rubia, B.; Gómez, E.; de la Fuente, P. (2003-12-01). "Combining qualitative evaluation and social network analysis for the study of classroom social interactions". Computers & Education. Documenting Collaborative Interactions: Issues and Approaches. 41 (4): 353–368. doi:10.1016/j.compedu.2003.06.001.
  19. ^ (Hrsg.), Sara Rosengren (2013). The Changing Roles of Advertising. Wiesbaden: Springer Fachmedien Wiesbaden GmbH. ISBN 9783658023645. נבדק ב-22 באוקטובר 2015. {{cite book}}: (עזרה)
  20. ^ "technology" "Watch "TEDxMilano - Nicola Greco - on math and social network" Video at TEDxTalks". TEDxTalks.
Logo hamichlol 3.png
הערך באדיבות ויקיפדיה העברית, קרדיט,
רשימת התורמים
רישיון cc-by-sa 3.0