UVOD U MREŽNIPRISTUP I ANALIZA

EGO MREŽADr.sc. Srebrenka Letina

Institut za društvena istraživanja u Zagrebu

Projekt: RACOSS (IP-09-2014-9351); 27/04/2016

Sadržaj

I. DIO

■ Što je mrežni pristup?

■ Kratka povijest pristupa

■ Metodologija mrežnog pristupa

■ Važnost mrežnog pristupa i poteškoće

■ Dvije vrste istraživanja

II. DIO

■ Analiza ego mreža

■ Istraživački primjeri

UVOD U MREŽNIPRISTUP

I DIO

Promislimo….

■ Što radimo u tipičnom istraživanju u društvenim znanostima?

■ Nezavisnost opažanja -> dekontekstualizacija – analogija sa biologom i mašinom za

mljevenje mesa.

■ “Zapadna” kultura –, individualnost i nezavisnost – važne vrijednosti,

fundamentalna atribucijska pogreška.

■ S druge strane:

– Intuitivno smo itekako svjesni važnosti “veza”

– Živimo u sve kompleksnijem i bržem svijetu, svi smo hiperpovezani.

“Sometimes, if you want to change a man's

mind, you have to change the mind of the man

next to him first.”

Meghan Whalen Turner,

“I think the next [21st] century will be the century of complexity. We

have already discovered the basic laws that govern matter and

understand all the normal situations. We don’t know how the laws fit

together…”

Stephen W. Hawking

Mrežni pristup

■ Što nije mrežni pristup – uobičajna kriva shvaćanja

■ Društvene mreže su grupe međusobno direktno ili nedirektno povezanih entiteta kojiimaju neki zajednički atribut (svojstvo).

■ Mreže mogu biti neformalne i formalne.

■ Postoje različite vrste mreža među pojedincima: obiteljske, prijateljske, poslovne…

■ Social Network Analysis (SNA) uključuje skup metoda, mjernih koncepata, i teorijakoje omogućuju empirijsko mjerenje društvenih struktura.

■ Omogućuje nekoliko razina analize: monadne, dijadne, različite razine grupa u jednoj mreži, više mreža simultano, više vrsta veza u istoj mreži – i kombinacije tihrazina

Analiza društvenih mreža se fokusira na “odnose

među društvenim entitetima, te na obrasce I

implikacije tih odnosa” (Wasserman & Faust,

1994, p.3)

ALI, u interesu nisu samo

društvene veze, već i interakcija

između veza I atributa

pojedinaca

Osnovni koncepti

• čvorovi (rubovi) tzv. akteri – mogu biti pojedinci, timovi (npr. sportski), organizacije, države itd.

- veze (bridovi) – procjena odnosa, neka teoretski relevantna veza s obzirom na predmet istraživanja.

■ Skup dijadnih veza iste vrste među akterima.

■ Čvorovi (akteri) – imaju attribute, ponašanja, stavove, motivaciju, osobnost

■ Veza je vrsta specifičnog odnosa. Veze mogu biti: (ne)prijateljstvo, povjerenje, financijska razmjena, suradnja, verbalna komunikacija, kontakt očima, ratovi, e-mail korespondencija, prostorna udaljenost ….

■ Ishodi na (barem) dvije razine: pojedinca i mreže

Pojedinci(čvorovi, akteri)

Veze(bridovi)

Po čemu je mrežni pristup specifičan?

■ SNA uzima u obzir kontekst u kojem se entitet (npr. pojedinac) nalazi.

■ Predstavlja interdisciplinarni pristupmjerenju društvenih struktura i okolineunutar koje pojedinac funkcionira.

■ Mrežna perspektiva je holistička, sistemska i neredukcionistička, naglašavavažnost elemenata koji čine neki sustav, ali i način na koji su oni spojeni.

■ SNA je integrirani skup teoretskihkoncepata i analitičkih metoda.

DEFINIRAJUĆA SVOJSTVA:

■ (1) uključuje intuiciju da su veze izmeđudruštvenih aktera važne;

■ (2) temelji se na skupu i analizi podatakao društvenim relacijama koje povezujeaktere;

■ (3) u velikoj mjeri se oslanja na grafičkeprikaze u svrhu prikazivanja i otkrivanjaobrazaca veza;

■ (4) razvija ili koristi matematičke iračunalne modele za opis i objašnjavanjetih obrazaca.

…nadalje…

■ Fokusira se na odnos među akterima, ne samo na njihove atribute.

■ Međuzavisno gledište, a ne atomističko (individualno) društvenih procesa i njihovog

učinka na pojedinca i grupu.

■ Struktura međuodnosa utječe na važne ishode pojedinih entiteta, ali i čitave grupe

(mreže).

ZAŠTO SU MREŽE VAŽNE?

■ U društvenim znanostima je postalo intutivno da se pitanja društvene strukture, difuzije i

utjecaja promatraju kroz prizmu mreža

■ Ljudi i/ili oganizacije su povezani relacijama različite vrste.

■ Društveno je po definiciji relacijsko. Ako želimo razumijeti društvene fenomene, moramo

razumijeti društvene relacije.

Nije svaka mreža – društvena mreža

Komunikacija među rukovoditeljima London undergound

U društvenoj mreži se događaju socijalni procesi

i društvena mreža ima svojstva koja izranjaju iz

tih lokalnih procesa (“emergence”)

Network science – znanost o mrežama■ Scopus: "social network analysis" OR "network science" OR "network

theory" OR "network approach"

Network Science - posebna

disciplina u nastajanju koja

prelazi tradicionalne

disciplinarne granice.

Gdje se sve mrežni pristup koristi?- Svugdje.

■ Širenje i sve veća upotreba mrežnog pristupa u brojnim disciplinama:

– informacijskim znanostima,

– matematici,

– komunikologiji,

– inženjeringu,

– upravljanju i organizacijskim znanostima,

– ekonomiji,

– političkim znanostima,

– psihologiji,

– antropologiji,

– javnom zdravstvu,

– medicini,

– fizici,

– statistici,

– sociologiji,

– zoologiji (ponašanje životinja),

– biologiji

– povijesti…

Primjeri tema■ Prijateljske mreže adolescenata

■ Arheološke mreže

■ Društvene mreže (DM) životanja

■ Promjene u DM i resursima kroz život

■ Suradnja i koordinacija

■ Komunikacijske mreže

■ Kvalitativne analize mreža

■ Kognitivne socijalne structure

■ LGBTQ mreže i zdravlje

■ Spol i DM

■ Negativne veze

■ Mreže i religija

■ Online mreže

■ DM i klimatske promjene

■ Političke DM

■ Organizacijske mreže

■ “Mračne” (kriminalne) mreže

■ Dinamika višerazinskih mreža

■ Etika u analizi DM

■ Teorija igara i mreže

■ Geografski i društveni proctor

■ Zdravlje, zdravsteva skrb i zajednice

■ Zarazne bolesti, ovisnosti i mreže

■ Inovacija i difuzija

■ Matematički modeli

■ Mrežne analize u obrazovnom kontekstu

■ Mreže i tržište

■ Migracije i mreže

■ Semantičke mreže

■ Socijalni capital

■ Znanstvena suradnja

■ Kolektivna akcija i društveni pokreti

Kako je nastao mrežni pristup? (I)

Još 1908. sociology Georg Simmel je govorio o

važnosti dijada i trijada.

New York

Times,

3,

travnja,1933,

Moreno -

sociogrami

MORENO

SIMMEL

Kako je nastao mrežni pristup? (II)

■ 1954. antropolog John Barnes počinje koristiti termin “social network”

■ Psihologija:

– sociometrija i sociogrami (razvojni psiholozi, Moreno – H. Jennings, 1934)

– Interakcija grupa s okolinom (Lewin) -> teorija vektora i topološki modeli

– Hawthorne studije ((Warner, Mayo, Roethlisberger & Dickson, 1932 –

“bank wiring room”))

– “teorija ravnoteže” (Heider,1944)

– “Mali svijet” Travers & Milgram, 1966

MILGRAM

HEIDER

LEWIN

…nastavak…

■ Antropologija

– ‘50-te, konflikti u grupama (Barnes, Bott, White)

■ Sociologija

– Teorija snage slabih veza (Granovetter, 1973)

■ Mathematika - “točke i linije” (teorija grafova)

– ‘60-te, Cartwright & Harary

– ‘60-te, Erdos & Renyi - teorija slučajnih mreža

■ Fizika

– Barabasi et al.(2002)

– Watts & Strogatz (1998)

– Newman (2001)

GRANOVETTER

ERDOS

BARABASI

Neke osnovne ideje mrežnog pristupa

Samo-organizirajući društveni

procesi

Mali svijet

Preferencijalno povezivanje

Teorija snage slabih veza

Socijalni capital

Difuzija/ zaraza/ socijalni utjecaj

Centralnost (popularnost, vodstvo)

Mrežne mjere: pozicija pojedinca i

karakteristike cijele mreže

Detekcije grupa

Mrežna dinamika

Karakteristike učinkovitih meža

Intervencije utemeljene na

poznavanju mreže

Statistički modeli mreža (ERGMs,

SOAMs, REMs…)

Lokalni samo-organizirajući procesi u društvenim mrežama

Formiranje veza u se događa prema nekoliko principa:

■ Reciprocitet (“ruka ruku mije”)

■ Tranzitivnost (“prijatelj mog prijatelja je i moj prijatelj”)

■ Popularnost (“kud svi…”)

■ Posredovanje (“zavadi pa vladaj”)

■ Grupiranje

■ Homofilija (“birds of a feather flock together”)

■ MEĐUTIM, NIJE NUŽNO DA SE TI PRINCIPI SLIJEDE, NASUMIČNOST (STOHASTIČNOST) JE VAŽAN ELEMENT U NASTANKU I RAZVOJU MREŽE.

Samo-organijziraući sustav:

postojanje nekih lokalnih

struktura može potaknuti

formiranje drugih struktura

Mali svijet – Travers & Milgram (1969)

NE

MA

• Slanje “pošiljke” - prosječna

duljina puta iznosila je 5,9 -

posredovalo je oko 6 osoba.

• Dodds i sur. (2003) su na

velikom uzorku napravili

replikaciju koristeći e-mail

poruke i dobili da je duljina puta

od 5 do 7 koraka.

Živimo u malom svijetu jer nas od svakog dijeli/ spaja tek nekoliko posrednika. Otuda

potječu izrazi „mali svijet“ i „6 stupnjeva razdvojenosti“

Erdosev broj

Kevin Bacon game

Ovdje govorimo o vezama poznanstva i

velikim mrežama

Mali svijet i drugi modeli

Brojna istraživanja su pokazala da je struktura malog svijeta dobra za

nastanak novih inovativnih ideja.

Ali, mnoge stvarne mreže nemaju strukturu malog svijeta.

Osim toga – mreže u vremenu rastu.

Model preferencijalnog povezivanja (Barabasi et al., 2001) –

predviđa postojanje aktera s nerazmjerno mnogo veza (tzv.

nerazmjerne mreže).

Metodologija mrežnih istraživanja

■ Neki specifični koraci istraživanja kod mrežnog pristupa i metodološke odluke

vezane uz njih. Koraci u istraživanju

Operacionalizacija veze

Uloga mrežnih varijabli

Uključenje atributa aktera u analizu

Određivanje vrste mrežnog nacrta

Definiranje populacije, granica, te

način uzorkovanja

Prikupljanje podataka

Vizualizacija podataka

Određivanje razina analize

Statističke analize

Definiranje “veze”

■ Na istoj grupi pojedinaca moguće je mjeriti nekoliko različitih odnosa, npr. od kontakta očima, verbalne komunikacije, stupnja sviđanja, pa sve do formalnih oblika suradnje.

■ Bitno je da se za procjenu odnosa koristi teoretski relevantna veza

VRSTE VEZA:

■ Mjera kojom se veza opisuje može biti binarna (veza ili postoji ili je nema) ili kvantitativna

(npr. broj susreta, broj zajedničkih radova). Ako nas zanima snaga veze (npr. koliko su

česte interakcije) može se koristiti npr. skala Likertovog tipa.

– Veze mogu imati i predznak (negativni ili pozitvni): važnost negativnih veza

■ Odnos može biti definiran na jedan od dva načina, kao usmjerena veza ili neusmjerena

veza. Može se gledati i smjer odnosa (tko inicira odnos).

Primjeri veza

• Srodstvo

Majka

Krvna veza…

• “Uloge”

Šef od …

Prijatelj od …

• Komunikacija, percepcija

Priča s …

Poznaje …

• Afektivni odnosi

–Vjeruje

–Sviđa, voli

• Interakcija

–Daje savjete

–Prima savjete

–Ima seksualne odnose s

• Afilijacija

–Pripadanje istoj grupi/klubu

–Dio iste (poslovne) jedinice

• Između organizacija, država, itd.

Kupuje / prodajePosjedujeSurađuju

Prikupljanje podataka

Odabir odgovarajuće metode prikupljanja podataka,

mogući su razni načini:

■ Intervjui, samoiskazni podaci

■ Opažanje

■ Podaci o članstvu

■ Arhivski podaci

■ Eksperimenti

■ Problem izvedbe, etičnosti i izvještavanja o rezultatima

Ljudi nisu najpouzdaniji izvor

informacija o svojim

kontaktima:

-Selektivno pamćenje

-Niz kognitivnih distorzija,

pristranosti

Strukture mreže – Bavelas, Levitt 1950-te, MIT: crveni čvorovi su centralni

Prikupljanje podataka samoiskazima

■ Možemo zaključivati samo o relacijama među skupom aktera koje smo ispitivali, zato je važno uhvatiti što veći dio aktera u mreži.

■ Problem otpada ispitanika – s težim posljedicama nego u drugim vrstamaistraživanja.

Neke općenite smjernice:

a) Formulacija pitanja:

• Otvorena lista - dosjećanje imena: zbog umora – manji broj kontakata

• Check lista – obično veći broj kontakata

c) Obično se postavljaju ograničenja na ~5 nominacija. To će uzrokovati pristranost u dobivenoj

mreži – neće biti tzv. “sociometrijskih zvijezda”, ali je ponekad jedini način provedbe.

d) Najbolje je pitati o konkretnim odnosima – npr. S kime ste razgovarali u proteklih… dana?; nego

pitati o stavovima – npr. Tko vam se sviđa?

Pita se samo za kontakte ispitanika, ne za kontakte među drugima – kognitivna društvena struktura

(CSS, Krackhardt, 1987)

Dva pristupa

■ Ako se mreže promatraju kao kognicije u umovima promatrača, onda se podaci

dobiveni od ispitanika mogu smatrati valjanima.

■ Ako se mrežu shvaća kao obrazac konkretnih interpersonalnih odnosa, onda je bolje

podatke prikupiti drugim navedenim metodama (opažanjem ili korištenjem arhivskih

podataka).

■ Prvi na veze gleda kao na prizme, a potonji ih vidi kao cijevi (eng. pipes) ili ceste, a

oba mogu biti korisna u različitim kontekstima, ovisno o istraživačkim pitanjima.

Mrežni pristup NE zanimaju samo veze

■ Mogu se prikupiti podaci o nekim karakteristikama aktera u svrhu određivanjasličnosti unutar grupa, ili kao eksplanatorni faktori, poput:

dob

spol

socioekonomski status

prihodi

obrazovanje

rezidencijalno porijeklo

zanimanje

nacionalnost

osobine ličnosti

radna učinkovitost (produktivnost)

Analiza mrežnih podataka

Softveri specijalizirani za analizu mreža, npr.:

■ UCINET 6 - NetDraw (Borgatti, Everett, & Freeman, 2002),

■ Pajek (Batagelj & Mrvar, 64. verzija 2011),

■ Gephi,

■ R,

■ Python (modul Igraph)

■ …

Ishodi analiza - deskriptiva

Svojstva mreže:

■ Veličina

■ Gustoća

■ Tranzitivnost (koeficijent grupiranja)

■ Broj komponenti

■ Prosječna duljina puta

■ Prosječni stupanj centralnosti

Pozicija pojedinca u mreži:

■ Centralnost (stupanj)

■ Posredništvo (betweeness)

■ Blizina (closeness)

■ Eigenvektor centralnost

■ …

Strukture mreža

mogu biti različite:

Višerazinske mogućnosti SNA analiza■ Vrste istraživanja mreža klasificirane prema smjeru kauzalnosti i razini

analize (Borgatti i sur., 2013)

• Individualna razina

(mikro)

– Kako pozicija

pojedinca u mreži

utječe na različite

ishode?

• Sistemska razina (makro)

– Kako struktura čitave

mreže utječe na

različite ishode?

Mrežne varijable kao

nezavisne/ eksplanatorne

Mrežne varijable kao

zavisne/ ishodi

Razina čvora

(mikrorazina)

Centralnost u mreži

povjerenja za predviđanje

napredovanja

Individiualan atribut za

predviđanje tko će biti

centralan u mreži

Razina mreže

(makrorazina)

Duljina (kratkoća) putova

u mreži komunikacije

grupe za predviđanje

sposobnosti grupe u

rješavanju problema

Vrsta organizacijske

kulture (naglasak na

kooperaciji ili

kompeticiji) za

predviđanje strukture

mreže povjerenja

NEKE DRUŠTVENEMREŽE

primjeri

Zašto su važne čitave mreže? Lokalni pogled

Zašto su važne čitave mreže? Globalni pogled

izvor: Borgatti

Suradnja među

odvjetnicima u

firmi (Lazega,

1999)

Suradnja među

znanstvenicima

(različite boje –

različiti odjeli):

neusmjerena mreža

Socijalna interakcija

među delfinima

Usmjerene kreditne

veze među

bankama u Firenci

1427 god. (Padgett

& McLean, 2011)

Promjena mreža:

inicijalna mreža

“tko zna koga po

imenu” na

radionici

Promjena mreža:

krajnja mreža “tko

zna koga po

imenu” na

radionici

Prijateljstva u

srednjoj školi

(Lusher, 2011)

Prijateljstva u

srednjoj školi

(Moody, 2001)

Boje: bijelci/

afroamerikanci/

ostalo

Seksualni odnosi

Colorado Spring

(Morris, Moody i dr.)

Boje: Žuto (Ž) / Plavo

(M)

Multirelacijske

mreže: Industrija

prijevoza i

proizvodnje (S. Italija)

Brazilska politička

arena 1992 (Mische,

2007)

Dvije ego mreže

(tamnije veze

prezentiraju

snažnije veze )

Y

X

Y

X

indegree outdegree

Mjere centralnosti na primjerima

Mjere centralnosti na primjerima

Mreže koautorstva po poljima

Pokazatelj Psihologija Sociologija Odgojne znanosti

N čvorova (n) 218 170 371

N veza (L) 422 159 488

Gustoća (g) 0.019 0.011 0.007

Dijametar (d) 9 10 15

Pokazatelj Psihologija Sociologija Odgojne znanosti

N čvorova u najvećoj

komponenti (%)

179

(82,1%)

74

(43,5%)

213

(57,4%)

N izoliranih

čvorova (%)

33

(15,1%)

72

(42,4%)

98

(26,4%)

N izoliranih dijada 3 9 14

N ostalih komponenti (n>2) 1 3 6

Pokazatelj Psihologija Sociologija Odgojne znanosti

Prosječan stupanj centralnosti (M i Mdn) 3,872 (3) 1,871 (1) 2,631 (2)

Koeficijent grupiranja (C) 0,34 0,23 0,26

Za slučajne mreže (n=100) 0,016 0,006 0,005

Prosječna duljina najkraćeg puta (l) 3,914 3,246 4,644

Za slučajne mreže (n=100) 4,042 6,292 5,855

Psihologija Sociologija Odgojne znanosti

Ishodi analiza – inferencijalna statistika

■ Ne mogu koristiti standardni statistički postupci koji polaze od pretpostavke o nezavisnosti pojedinih opažanja - povećanje vjerojatnosti pogreške tipa I.

■ Trebaju nam statistički postupci koji eksplicitno uzimaju o obzir zavisnost podataka.

■ Najčešće korišteni:

– Quadratic Assigment Procedure (QAP) ili MRQAP

– Exponential Random Graph Models (ERGMs)

– Stochastic Actor Oriented Models (SAOMs)

– Relational Event Models (REMs)

i Agent based modelling (ABMs)

■ Posebni softveri, računalno zahtjevno, višefazni proces, problem konvergencije(degenerativnosti) modela (ali statistička snaga mnogo veća nego u tipičnim nemrežnimistraživanjima).

Koji su “prigovori” mrežnom pristupu?

■ Nedovoljno teoretski usmjeren, samo metodološki pristup – Metodologija je

specifična i salijentna, ali nije samo skup analitičkih metoda – sadrži (i bazira se na)

mnoge teorije.

■ Statičan pristup – U podjednakoj mjeri kao i drugi pristupi – longitudinalne podatke

je u svim istraživanjima teško prikupiti.

■ Ne priznaje važnost djelovanja pojedinca – Danas to nikako nije slučaj!

Karakteristike aktera i djelovanje pojedinca se smatraju poželjnim elementima

istraživanja i teorija u SNA.

Kilduff i Brass (2010) zaključuju da jedna od najvećih prednosti mrežnog pristupa što nudi

posve novi pogled na mnoge društvene fenomene na različitim razinama.

NE zanemaruje se višesmjerna i dinamična priroda društvenih odnosa - Procesi na razini

pojedinca se obično kombiniraju i dovode do složenih sistema koji imaju neintuitivna svojstva

(Mason, 2010).

Problemi kod istraživanja cjelovitihmreža

■ Kod većih mreža, prikupljanje podataka je teško, dugotrajno i skupo.

■ Određivanje granica mreže je uvijek problematično.

■ Potrebno je maksimalizirati stopu valjanih odgovora (problem povjerljivosti

podataka, nemogućnost anonimnosti…).

■ Missing data – mogu se tretirati posebnim procedurama.

■ Etička pitanja: nema anonimnosti, a neki smatraju da je I etičko pitanje smijemo li

prikupljati informacije o drugima (u mreži) bez njihove dozvole.

Trebate li zaista mrežni pristup za svoje istraživanje?

Jesu li odnosi važni i ključni za vaš predmet istraživanja?

Zašto je zahtjevno provesti mrežnoistraživanje?

■ Poznavanje predmeta istraživanja i metode – mnoge znanstvene discipline se baverazličitim relacijskim fenomenima, relevantna istraživanja i analitičke mogućnosti suu brzom i konstantnom rastu

■ Definiranje granica mreže – lakše u organizacijskim istraživanjima

■ Proces prikupljanja podataka – problemi izvedbe i etičnosti

■ Obrada podatka – zahtijeva posebne softvere

■ Statističke analize – distribucije nisu normalne, uzorci nisu slučajni, međuzavisnostmjerenja – zahtijeva korištenje nestandardnih, novih (i često složenih) postupaka –npr. permutacijski testovi

■ Pitanje generalizabilnosti

Dvije osnovne vrste istraživačkih nacrta

Analiza ego(centričnih) mreža

■ Kvantifikacija interakcije izmeđupojedinca (ego) i svih drugih osoba(altera) povezanih direktno sa njime.

■ Može ispitivitai jedan ili višedruštvenih konteksta u kojima se pojedinac nalazi.

■ Od interesa su razna svojstva ego mreža I njihova povezanost s važnimishodima za pojedinca.

Analiza cijelih(sociocentričnih) mreža

■ Kvantifikacija interakcija unutar

dobro definirane grupe ljudi (jedan

kontekst).

■ Često se fokusira na identificiranje

globalnih strukturalnih obrazaca.

■ Većina istraživanja provedenih u

organizacijama.

Postoje dvije vrste analiza društvenih mreža. Odražavaju različite vrste podataka i razine

analize. Ponekad se istovremeno koriste.

ANALIZA EGO MREŽAII DIO

Naše istraživanje

■ Lewis, Ross i Holden (2012), i Lewis (2013) razlikuju dvije vrste suradnje:

– Konkretna - istraživači zajedno osmišljavaju i provode istraživanje, te zajednički objavljuju rezultate tog istraživanja. Takva suradnja je vidljiva i mjerljiva jer rezultira vidljivim ishodima.

– Ekspresivna - odnosi se na diskusiju, razmjenu ideja i informacija, intelektualnoj povratnoj informaciji i komentiranju istraživačkog rada.

■ Te dvije vrste suradnje nisu međusobno isključive, i gotovo svi znanstvenici su uključeni u ekspresivnu suradnju.

■ Odnos između njih nije jednoznačan, i jedna može proizlaziti iz druge.

■ Ova distinkcija je simplifikacija, ali je korisna jer naglašava da suradnja ima različita značenja i adresira ograničenja kod mjerenja suradnje preko publikacija jer ne pretpostavlja da su sve suradnje vidljive, te da postoje i drugi načini na koje se suradnja može konceptualizirati i mjeriti.

Analiza ego mreža

■ Kombinira perspektivu znanosti o mrežama sa podacima iz “tipičnih” istraživanja u

društvenim znanostima.

■ Više naziva za “ego” mreže: OSOBNE, PERSONALNE, EGOCENTRIČNE… - EGONETS

Ego mreže (egonets)

■ Jedinstvene su, ne postoji dvoje ljudi s istom ego mrežom (kako god je definirali).

■ Pretpostavlja se da razlike u ego mrežama utječu na stavove, ponašanja i stanja.

■ Na mnoge varijable od interesa društvenim znanstvenicima utječe socijalni kontekst

koji ego mreže opisuju.

– Osobnost

– Dobrobit

– Društvena podrška

– Ponašanja i stanja vezana uz zdravlje (pretilost, konzumacija opijata i droga,

rizična ponašanja, depresija, itd.)

Koraci u istraživanju

■ 1. Identificiranje populacije

– Uzorkovanje, ostavrivanje pristupa

■ 2. Određivanje izvora podataka

– Ankete, intervjui, opažanja, arhivski podaci (čestisu mješoviti nacrti)

■ 3. Prikupljanje podataka

– Konstrukcija instrumenta (on-line ili papir-olovka, oboje imaju prednosti i nedostatke)

Vizualna pomagala kod ispitivanja ego mreža

Istraživanja ego mreža

■ Svaki ispitanik daje informacije o:

- Njima važnim ljudima u određenom kontekstu (alterima) – NISU POTREBNA STVARNA ILI POTPUNA IMENA! – ANONIMNOST SAČUVANA.

- Vlastitim atributima (tzv. Ego pitanja: TO SU ZV, NV, ILI KONTROLNE VARIJABLE)

- Atributima altera (tzv. Alter pitanja, npr. dob, spol, SES, itd.)

- Kvaliteti odnosa sa (ili mišljenje o) alterima (tzv. Ego-alter pitanja, npr. učestalost komunikacije, bliskost, trajanje odnosa)

- Odnosima među alterima (tzv. Alter-alter pitanja, npr. Poznaju li se i koliko često komuniciraju)

■ Ego je svijet za sebe. Svaka ego mreža je tretirana kao odvojeni slučaj. – VEZE IZMEĐU EGA ILI ALTERA RAZLIČITIH EGO MREŽA SE NE ISPITUJU.

Veze u ovom nacrtu nisu

usmjerene. Istraživanja su

pokazala da je 49 do 60%

nominacija recipročno.

Istraživanje ego mreža - nastavak

■ Tipična istraživačka pitanja: povezanost individualnih karakteristika i ishoda s društvenom okolinom pojedinca.

■ Ovaj nacrt posebno koristan kad nas zanima više od jednog društvenog konteksta u kojem je pojedinac smješten.

■ Ego mreže su izvor:

– Informacija

– Društvene potpore

– Pristupa resursima

– Normativnog utjecaja

– Društvenog pritiska

– Itd.

■ Sve to može utjecati na ponašanje ega.

Prikupljeni podaci

■ Analiza ego mreža obično rezultira sa 3 seta podataka:

Ispitanik

(ego)

VAR_1 VAR_2 VAR_3 …

Alter _ID Ego VAR_1 VAR_2 VAR_3

1 1

2 1

3 2

Ego_1 Alter_1 Alter_2 Alter_3

Alter_1

Alter_2

Alter_3

EGO PODACI

ALTER PODACI

ALTER-ALTER PODACI

Softveri: Egonet, E-Net,

R egonet, UCInet

Dio analiza se može provesti u

Tipično korištenim softverima (npr. SPSS)

vizualizacije

Primjer: Istraživanje važnih ljudi u životu

■ U ovom dijelu bi vas htjeli doznati tko su važni ljudi u vašem životu. Molimo vas da u

svakoj od 7 skupina navedite inicijale osoba koji odgovaraju određenoj skupini.

Pritom je moguće da netko pripada u više skupina.

Prijatelji iz srednje škole Prijatelji s kojima ste studirali

Ljudi s kojima radite Ljudi s kojima se družite (odlazite u

izlaske, kino, zabave, shopping)

Članovi uže obitelji, I članovi daljnje

obitelji s kojima ste u kontaktu

(npr. rođaci, tete)

Ljudi iz društva/kluba kojima

pripadate

Ostali važni ljudi (npr. partner)

To je primjer “generatora

imena”, postoje i drugi

načini ispitivanja ego

mreža:

• Generator pozicija

• Generator resursa

Ali onda postaje malo kompliciranije…

Ispitanik treba odgovoriti

o postojanju veze između svih

svojih altera –

N altera * (N altera -1)

pitanja/2

Društveno okruženje kliničkih pacijenata(Pattison, Robins, Judd & Jackson, 2002)

Što nas može zanimati o ego mrežama(varijable)

■ Veličina mreže (isto što i centralnost ega)

■ Struktura mreže

■ Kompozicija mreže, heterogenost mreže, homofilija

■ Prosiječna snaga veze

■ “Kvaliteta” mreže – prosjek/medijan/maks alterovih atributa (npr. prihoda) – “Vrijediš onolikokoliko vrijedi tvoja mreža” (teorija socijalnih resursa/kapitala, Lin)

NEKE MJERE:

E-I indeks

Gustoća

Ograničenje (redundantnost)

Blauov infeks heterogenosti

Teorija snage snažnih veza■ Mnogi utjecaji i promjene ne ovise samo o novim informacijama za koje slabe veze

mogu biti prednost - za značajne utjecaje ključnije su snažne veze.

■ Krackhardt (1992) - za prijenos složenih znanja važne su jake veze - „snaga snažnih veza“.

•Snažne veze među

organizacijskim jedinicama

pospješuju transfer složenih

znanja, dok su slabe veze

dovoljne za manje složena

znanja.

•Važne su i zato jer su indikator

društvenog kapitala, te mogu

biti pokazatelj odnosa

povjerenja, dobre reputacije i

stabilnosti mreže

A

B

C

?

Teorija snage slabih veza

■ Granovetter (1973) – pronalazak posla

Povezivanje mikro i makro razine

Ljudi učinkovitije nalaze posao preko

slabih veza (poznanika) nego preko

snažnih veza (prijateljstva): 27.8% vs.

16.7%

James

Izvor: Burt (2001)

A

C

B

Robert6

7

5

1

32

4

Robert će biti uspješniji od Jamesa:

-Ima pristup većem broju različitih informacija

-“tertius gaudens” – situacija u kojoj jedna osoba profitira zbog

nepostojanja veze (ili postojanja konflikta) između dvije druge

osobe

Tko ima bolju poziciju u mreži? – prema SH teoriji

Digresija: različite vrste posredništva■ Koju ulogu ima čvor (akter) B?

■ OVISI O SMJERU VEZE

KoordinatorPoveznik (“veza”) Predstavnik

Gatekeeper Savjetnik

Izvor: Borgatti, 2005

Strukturalne pukotine vs. Socijalno zatvaranje (kohezija)

• (A) Coleman:

U zatvorenim grupama je pospješeno povjerenje i suradnja

(empirijski dokazi na uzorcima srednjoškolaca koji su napustili školovanje)

• (B) Burt:

Strukturalne pukotine dovode do poduzetničkih prilika

(empirijski dokazi na uzorcima američkih rukovoditelja)

B

A

COLEMAN

BURT Implicitna hipoteza:

Na prilike ega utječu veze koje postoje, ili ne postoje, između

onih sa kojima je ego povezan.

Burt vs. Coleman

Burt smatra:

Strukturalne pukotine bolje predviđaju uspjeh pojedinca od kohezivnih (zatvorenih) grupa - Ego dobiva brojne kompetitivne prednosti i veći povrat uloženog ako njegove slabe i direktne veze prelaze preko strukturalnih pukotina, jer time služe kao mostovi među drugim pojedincima.

Mnogo strukturalnih pukotina: moć, informacije, sloboda

Istraživanja: brže napredovanje, veće plaće, bolje evaluacije neovisno o karakteristikama posla (i stažu) koji bi se mogli povezati s ljudskim kapitalom.

Coleman smatra:

Kohezivne grupe su dobre jer se informacije šire brzo unutar grupe.

… i pospješuje povjerenje – strah od loše reputacije smanjuje vjerojatnost opurtunističkog ponašanja.

- Snažne ego veze omogućuju međusobno pomaganje i osjećaj odgovornosti, te društvenu kontroludevijantnih ponašanja.

VS.

Opisi nekih mjera

Mjere strukture ego mreža

Efektivna veličina Broj altera minus prosječni stupanj centralnosti altera unutar ego

mreže, ne brojeći veze prema egu.

Učinkovitost (eng.

efficiency)

Efektivna veličina podijeljena s brojem altera u ego mreži.

Ograničenja (eng.

constraint)

Mjeri koliko je ego povezan s alterima koji su povezani s njegovim

drugim alterima, odnosno koliko veze ega vode natrag na iste

kontakte.

E-I indeks Mjeri homofiliju/heterofiliju – tendenciju ega da se povezuje s

alterima koji su mu slični s obzirom na neke atribute. Na razini

cjelovite mreže se može koristiti sofisticiranija mjera Q.

j q

jqiqmp1

2

q

qjiqijij pppC

Efektivna veličina/

opažena veličina

Ključno za moć i učinkovitost je, prema Burtu, u posjedovanju neredundantnih kontakata. Veza je redundantna ako vas povezuje s nekime s kime ste već posredno povezani.

Najučinkovitije mreže su one u kojima svaka veza void u posve drugi socijalni svijet.

Redundanta &

ograničena ego

mreža

Lokalno

redundanta ego

mreža

Učinkovita ego

mreža

Ograničenja

Visoko Nisko

Burtove strukturalne pukotine

Kako mjerimo koheziju?

■ Isto kao gustoću kod cjelovitih mreža, samo bez ega (egonet minus ego).

e

2

31

45

1 2 3 4 5

1

2

3

4

5

1 1

1 1

1

2

31

45

gustoća=[n veza(n veza -1)/2]=.0.5

Prednosti istraživanja ego mreža u odnosu na istraživanja cjelovitih mreža

■ Podatke je lakše prikupiti, (kao u tipičnom istraživanju u društvenim znanostima).

■ Anonimnost ega i altera može biti očuvana.

■ Ispitanici – (“focal individual” u ego mreži) mogu biti izabrani po slučaju.

■ Moguća primjena standardnih statističkih postupaka s kojom je većina znanstvenika

upoznata.

■ Daje informacije lokalnom mežnom kontekstu, što može biti od primarnog interesa.

Neke poteškoće istraživanja ego mreža

■ Upitnici su često vremenski zahtjevni za ispitanike, posebno kad ego ima mnogoaltera ((N altera * (N – 1))/2).

– Neki put je moguće mrežne koncepte ispitati koristeći “obična” (proxy) pitanja, npr. “Da li je većina vaših suradnika iz iste znanstvene discipline?”

■ Nije moguće zaključivati o globalnoj strukturi iz ego mreža – nema načina da znamokako se ego mreže različitih ljudi preklapaju.

■ Tretira svaku ego mrežu kao nezavisnu, što može biti (i često je) netočno.

■ Nije moguće odrediti kako pozicija u širom kontekstu utječe na karakteristikelokalne ego mreže.

■ Oslanja se na ispitanikovu sposobnost točnog dosijećanja: postoje osobne isituacijski izazvane pristranosti u dosjećanju altera i točno dosjećanje ovisi o energiji i interesu ispitanika.

Pr. istraživanja – znanstvenici iz tri polja društvenih znanosti u RH (1992 - 2012)

h

h

Mrežne varijable M Mdn SD Cv Maks. rez. Asimetričnost

Broj svih veza 12,61 6 21,586 1,71 212 4,399

Stupanj u polju 2,81 2 3,441 1,4 25 2,241

Broj vanjskih veza 9,23 3 19,554 2,12 204 4,992

Maks. Snaga veze 3,34 2 4,192 1,26 37 3,61

Efektivna veličina 9,31 3,86 14,858 1,60 132,27 3,716

“Prosječna” ego mreža

Primjeri mreža

■ Primjeri mreža znanstvenika s barem 5 (iznad medijana) objavljena

rada u vremenskom periodu od 1992. do 2012.

78

Ego mreže najproduktivnijih

Karakteristike ego mreža najproduktivnijih:

• vrlo veliki broj suradnika/koautora

• učestale su interdisciplinarne suradnje - uključuju i suradnje sa znanstvenicima iz druga dva polja

• postojanje „snažnih“ veza

• postojanje višeautorskih radova, međunarodne suradnje

• sve mreže su kompleksne mreže koje sadrže i kohezivnu grupu koautora i nepovezane suradnike (strukturalne pukotine)

79

PsihologijaSociologijaOdgojne znanosti

Pr. istraživanja – Melbourne University

■ Lewis, Letina i Woelert (2016) su na malom uzorku znanstvenika sveučilišta u

Melbourneu iz tri polja znanosti (humanističke znanosti –H; društvene znanosti – SS

i prirodne znanosti - S) analizirali bibliometrijske podatke iz centralne e-baze

sveučilišta u Melbourneu i podatke o ekspresivnim mrežama dobivene intervjuom.

Konkretne (koautorske mreže)

povijest komunikacijske znanosti i

kulturne studije

anatomija i neuroznanostbotanika

Kako su se prikupili podatci o ekspresivnim mrežama?

■ Pitanje u intervjuu vezano uz ekspresivne mreže:

■ Over the last five years, who have you discussed your research interests and ideas with the most (up to 10 people)?

Name Location Discipline Level/

Position

Male/

Female

Colleague (C) only OR

Friend and Colleague (F)

Konkretna vs. ekspresivna suradnja& preklapanje

7.698.62

8 8.07

1.95

4.85

2.53.17

H S SS TOTAL

number of discussion partners

overlap between discussion partners and co-authors

Preklapanje konkretne i ekspresivne

mreže (razlike su statistički značajne)

Deskriptiva ekspresivnih mreža popodručju

H S SS

N 246 224 216

Personal closeness 67.5 64.7 59.7

Gender homophily 60.6 55.8 56.5

Level homophily 20.3 26.3 21.3

Discipline homophily 46.3 50 46.3

Geographic proximity

(same city) 31.7 36.6 35.6

0

10

20

30

40

50

60

70Personal closeness

Gender homophily

Level homophilyDiscipline homophily

Geographic proximity

(same city)

Humanities Science Social Science

Sličan obrazac rezultata za sva tri područja kad je jedinica analize pojedini alter.

Ali kad su alteri agregirani s obzirom naego…

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8Personal closeness

Gender homophily

Level homophilyDiscipline homophily

Geographic proximity

(same city)

Humanities Science Social science

H S SS

N 32 26 27

Personal closeness 0.8 0.73 0.5

Gender homophily 0.57 0.6 0.6

Level homophily 0.17 0.2 0.2

Discipline homophily 0.32 0.6 0.5

Geographic proximity (same

city) 0.35 0.33 0.33

Čini se da postoji različiti obrazac rezultata po područjima kada je jedinica analize ego, npr. samo

50% altera u ekspresivnoj mreži su i prijatelji i kolege egu u društvenim znanostima.

Podaci ego mreža imaju višerazinskustrukturu

■ Npr. 20 ispitanika (ega), svaki ima 45 altera – ukupno 900 dijada.

■ Tri načina analize:

– Disagregirana analiza – jedinica analize: alteri

– Agregirana analiza – jedinica analize: ego mreža

– Višerazinska analiza (razina 1: alter i alter-ego parovi; razina2: ego) – jedinica analize: veze u ego mreži.

■ Moguće ERGM/SIENA za svaku ego mrežu, a zatim meta-analizasvih ego-mreža.

ego

alter

■ Ovisno o istraživačkom pitanju – na raspolaganju su mnogi i različiti statistički postupci

■ Preporuča se kombiniranje nekoliko metoda za najbolji uvid

Longitudinalne analize ego mreža: potencijalna istraživačka pitanja

■ Feld i dr. (2007):

Razina analize

Vrste promjene

Postojanje veza Vrsta veza koje postoje

Veza Koje veze nastaju, a koje

nestaju

Kako se karakteristike veza

mijenjaju

Ego mreža Širenje i sužavanje

mreže

Promjene u generalnim

svojstvima ego mreža

Predviđanje odlaska na drugosveučilište

■ Postoji li prediktivna vrijednost ego mreža za ishod ostanka ili odlaska sa sveučilišta?

■ Znanstvenici koji su otišli sa sveučilišta u Melbourneu su imali ego mreže koje su u većoj mjeriimale altere istog spola, manje altera koji su iz iste znanstvene discipline, te manje altera kojisu I kolege i prijatelji.

■ Ali, nismo mogli kontrolirati spol, područje znanosti, premali uzorak…

stayed at

UoM

80%

Moved from

UoM

20%

stayed at UoM Moved from UoM

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70Gender homophily

Personal closeness

Discipline homophilyLevel homophily

Geographic proximity

(same city)

stayed at UoM Moved from UoM

Pitanja?

LITERATURA

■ On line izvori i materijali sa predavanja. Autori: Lusher, Robins, Borgatti, Valente, Luis Molina, Lubbers…

■ Letina, S. (U tisku): Uvod u analizu društvenih mreža: koautorstvo znanstvenika iz tri polja društvenih znanosti od 1992. do 2012. Hrvatska sveučilišna naklada.

■ Lewis, J. M., Letina, S., & Woelert, P. (2016). Understanding the structures and effects of research collaboration. Melbourne School of Government – Incubator Research Project Grants – Research Report.

Udžbenici o DM:

■ Borgatti, S. P., Everett, M. G., & Johnson, J. C. (2013). Analyzing social networks. Los Angeles; London: SAGE Publications.

■ Prell, C. (2012). Social Network Analysis: History, Theory and Methodology. SAGE Publications Ltd.

■ Scott, J. (2012). Social Network Analysis. Third edition. Sage publications.

■ Robins, G. (2015). Donig Social Network Research. Network-based research design for socialscientists. Sage Publications.

O analizi ego mreža:

■ Crossley, N., Bellotti, E., Edwards, G., Everett, M.G., Koskinen, J., Tranmer, M., 2015. Social Network Analysis for Ego-nets. Sage Publications Ltd., London.

Hvala na pažnji!

Kontakt: srebrenka@idi.hr

Što je zajedničko Facebooku,

financijskom sustavu, Internetu, društvu i

ljudskom mozgu?

“Sve je povezano, sve je mreža."