Reflexiones sobre ecologías y espacios del aprendizaje, análisis del aprendizaje y análisis de redes sociales, visualización de datos, Big Data y otros temas emergentes

Categoría: redes (Página 1 de 5)

El análisis de redes urbanas para una optimización de ciudades nodales y ubicuas.

La ciudad es un organismo fascinante que en en nuestro entorno tecno-social y de visión expandida por la cantidad de datos que produce y capas que soporta hace posible un futuro esperanzador para que sea el eje de grandes nichos para la innovación y de un desarrollo sostenible a través de una ciudad ubicua, más allá de concepto romo de smart cities.

En una dimensión de complejidad hay un tipo de redes que nos dan sentido al flujo desordenado como son las redes espaciales.

Algunos de los principios geográficos que describen A. Reggiani y P. Nijkamp (2009) a través de la ley de simplicidad geográfica de W. Tobler en 1970 en la que establece que todo espacio está relacionado con todos los demás, y las cosas cercanas están más relacionadas que las cosas lejanas. La solidez de esta ley tiene que ser reconsiderada a la luz de los recientes avances en la teoría de la complejidad y de la redes espaciales con dispositivos tecnológicos. En particular, los últimos descubrimientos en la teoría de redes muestran cómo – para determinadas tipologías de redes – las cosas distantes pueden estar relacionados a través de «hubs» o «ego» (nodos preferenciales o atractores) en redes espaciales de lugares urbanos. Las redes espaciales parecen ejercer un impacto dinámico en un espacio organizado. Son muy importantes para desarrollar investigaciones de carácter dinámico en el tiempo (análisis de redes de carácter dinámico e interdisciplinar)

Una red espacial es una red de elementos espaciales. En el espacio físico (que normalmente incluye el espacio urbano  y sus elementos “incrustados” como edificios, parques, transportes, personas) las redes espaciales se derivan de los mapas y de los espacios abiertos en el contexto urbano o la construcción. Uno podría pensar en el «mapa espacial» como la imagen negativa del mapa estándar, con el espacio abierto en los edificios de fondo o las paredes. El mapa del espacio se rompe en unidades, la mayoría de carácter simple, como por ejemplo los segmentos de una carretera o las cuadras de varios edificios. Los segmentos de una carretera (son los nodos del grafo) pueden estar vinculados a una red a través de sus intersecciones (los bordes de un grafo).Un ejemplo común de una red espacial, el análisis de redes de transporte, revierte esto y trata a los tramos de carretera como los bordes y las intersecciones de las calles como nodos en el gráfico.

 En términos más generales, la red territorial «del término ha llegado a ser usado para describir cualquier red en la que los nodos se encuentran en un espacio equipado con una métrica. Para la mayoría de las aplicaciones prácticas, el espacio es la distancia entre dos dimensiones (2D) y la métrica es la distancia euclídea habitual. Esta definición implica, en general, que la probabilidad de encontrar un vínculo entre dos nodos disminuye con la distancia. Las redes de transporte y de movilidad (entraría las nuevas redes con móviles o celulares ad hoc), Internet, redes de telefonía móvil, redes eléctricas, redes sociales y contactos, redes neuronales, son ejemplos donde el espacio es relevante y donde la topología por sí sola no contiene toda la información. Son redes que se vierten y se “visualizan” sobre una plataforma topológica. El mapa como elemento de base y lo rizomático como visión deleuziana. Caracterizar y comprender la estructura y la evolución de las redes espaciales es crucial para muchos campos que van desde el urbanismo a la epidemiología.

 

Una consecuencia importante del espacio en las redes es que hay un costo asociado a la longitud de las aristas (identificado con lo relacional en las grandes ciudades), que a su vez tiene efectos dramáticos en la estructura topológica de estas redes. Las limitaciones del espacio no sólo afectan a la estructura y propiedades de estas redes, sino también a los procesos que tienen lugar en estas redes, como las transiciones de fase, las caminatas al azar, la sincronización que se ha estudiado por parte de  Watts y Strogatz (Collective dynamics of small-world networks,1998). Otros aspectos a tratar en las redes espaciales es la navegación (el closeness y las rutas geodésicas a microescala), la resiliencia y la propagación-meme de una enfermedad en una red espacial de una ciudad.

Una definición de la red espacial se deriva de la teoría del espacio y las sintaxis que pueden adscribirse (quedan abiertas ya que está en proceso de escritura constante). Puede ser muy difícil decidir lo que es un elemento espacial, sobre todo si están en espacios complejos que implican grandes áreas abiertas o muchos caminos interconectados. Los creadores de la sintaxis espacial, Bill Hillier y Juliana Hanson con su libro “The social logic of space” (1989) utilizando líneas axiales y espacios convexos como elementos espaciales. Libremente, una línea axial es la ‘línea más larga de la vista y el acceso a través de espacios abiertos, y un espacio convexo el «polígono convexo al máximo» que se puede dibujar en el espacio abierto (en el análisis de redes podemos relacionarlo con los caminos geodésicos entre todos los pares posibles). Cada uno de estos elementos se define por la geometría de los límites locales en diferentes regiones del mapa espacial. La descomposición de un mapa en un espacio se realiza en un conjunto completo de líneas en intersección o superposición de espacios axiales convexos que produce el mapa axial o la superposición del mapa convexo respectivamente. Definiciones algorítmica de estos mapas existen, lo que permite el mapeo de un mapa del espacio en forma arbitraria a una red susceptible de grafo matemático que se llevarán a cabo de una manera relativamente bien definido. Los mapas axiales se utilizan para analizar las redes urbanas (Urban Networks), donde el sistema en general, comprende los segmentos lineales, mientras que los mapas convexos son más a menudo utilizados para analizar los planes de construcción donde los patrones de espacio suelen ser más convexos, sin embargo los dos mapas, tanto el convexo como el axial, se puede utilizar en cualquier situación.

Análisis de Redes Urbanas

El análisis de redes urbanas tiene sus orígenes en la misma Teoría de Grafos. En el siglo XVIII el matemático y físico suizo Leonhard Paul Euler planteó el problema de los puentes de Königsberg y teniendo una vertiente matemática para interpretar algoritmicamente muchos de los problemas e intersección de los datos que emanan las grandes ciudades (Blanchard, 2009). Está relacionado y algoritmicamente mejorable a través de redes de flujos matemáticos y el enroutamiento heurístico que tienen algunos de los dispositivos como los GPS.

El MIT distribuye una toolbox (tiene más de un año, llamada Urban Network Analysis, 2012) de libre acceso y de código abierto como plug-in para ArcGIS, permite a los diseñadores y planificadores urbanos calcular cinco tipos de medidas de análisis urbano en redes espaciales:

Reach (alcance o distancia); Gravity (Gravedad); Betweenness (intermediación); Closeness (cercanía) y Straightness (Rectitud).

La medida de alcance, por ejemplo, se puede utilizar el número de destinos de un tipo en particular y que llega a un punto determinado por medio de la circulación en la ciudad (En ARS:  es el grado en que cualquier miembro de una red puede llegar a otros miembros de la misma red. Un actor es «accesible» por otro, si hay un conjunto de conexiones a través de la las cuales  podemos encontrar desde el actor fuente al actor “diana”, sin importar cuántas otras personas se encuentran entre ellos. Si los datos son asimétricos o dirigidos, es posible que un actor A pueda llegar a un actor B, pero que B no pueda llegar a A.

Por ejemplo, la medida de intermediación (betweenness) se puede utilizar para cuantificar el número potencial de transeúntes en cada edificio.

Las herramientas incorporan tres características importantes que hacen análisis de redes especialmente adecuado para las redes urbanas de una ciudad. En primer lugar, representan la geometría y las distancias en las redes de entrada, distinguiendo enlaces más cortos de los enlaces más largos, como parte de los cálculos de análisis.

En segundo lugar, la diferencia de las herramientas de software anteriores es que operan con dos elementos de red (nodos y los bordes), las herramientas Urban Network Analysis (UNA) incluyen un tercer elemento de red – los edificios – que se utilizan las unidades espaciales de análisis para todas las medidas. Dos edificios vecinos en los mismos segmentos de la calle por lo que pueden obtener resultados diferentes de accesibilidad (Reach).

Y en tercer lugar, las herramientas UNA opcionalmente permiten edificios que se ponderan en función de sus características particulares – más voluminosos, más pobladas, o de los edificios más importantes de lo contrario pueden ser especificados para tener un efecto proporcionalmente mayor en los resultados de análisis, con resultados más precisos y fiables para algunas de las medidas especificadas arriba.

La caja de herramientas ofrece un potente conjunto de opciones de análisis para cuantificar la forma centralizada de cada edificio que se sitúa en un entorno urbano y la facilidad con que un usuario puede acceder a los diferentes servicios de cada lugar. Se introduce una nueva metodología para el seguimiento del crecimiento y el cambio de las ciudades en el mundo que se urbaniza rápidamente y ofrece apoyo analítico a sus diseñadores y responsables políticos. Puede que también sea una fuente de información en la analítica del ciudadano y ligado a los dispositivos móviles que les da una posición precisa y en relación con el Internet de las cosas. Por ejemplo: los taxis serán «objetos» reconocibles en cualquier área de la ciudad y tomado información de su conductor, horas que lleva navegando, distancia desde donde estás, accesibilidad y tiempo que tarda según las variables de tráfico. etc., y todo ello sobre la «plataforma» de un mapa. Usando este análisis de redes urbano nos dará una mayor conciencia y posibilidades desde una perspectiva comunitaria de carácter ubicuo (Giuffre, 2013). El imaginario topológico de una ciudad será inmensamente rico y las redes urbanas será un elemento importante en el nuevo ecosistema urbano junto con los datos generados a nivel masivo.

El vídeo que se creó en el MIT para la presentación de este toolbox de ArcGIS:

Urban Network Analysis from City Form Lab on Vimeo.

Referencias bibliográficas:

Ardekani, S. A., Williams, J. C., & Bhat, S. (1992). Influence of urban network features on quality of traffic service. Transportation Research Record, (1358). Retrieved from http://trid.trb.org/view.aspx?id=371462
Bailey, T. C. (1995). Interactive spatial data analysis. Harlow Essex, England; New York, NY: Longman Scientific & Technical ; J. Wiley.
Barthélemy, M. (2011). Spatial networks. Physics Reports, 499(1–3), 1–101. doi:10.1016/j.physrep.2010.11.002
Becker, R. A., Caceres, R., Hanson, K., Loh, J. M., Urbanek, S., Varshavsky, A., & Volinsky, C. (2011). A Tale of One City: Using Cellular Network Data for Urban Planning. IEEE Pervasive Computing, 10(4), 18 –26. doi:10.1109/MPRV.2011.44
Blanchard, P. (2009). Mathematical analysis of urban spatial networks. Berlin: Springer. Retrieved from http://public.eblib.com/EBLPublic/PublicView.do?ptiID=418348
Blokland, T., & Savage, M. (Eds.). (2012). Networked Urbanism. Ashgate.
Breaking down learner isolation:  How social network analysis informs design  and facilitation for online learning. (n.d.).
Calabrese, F., Colonna, M., Lovisolo, P., Parata, D., & Ratti, C. (2011). Real-Time Urban Monitoring Using Cell Phones: A Case Study in Rome. IEEE Transactions on Intelligent Transportation Systems, 12(1), 141 –151. doi:10.1109/TITS.2010.2074196
Campbell, T. (2012). Beyond Smart Cities: How Cities Network, Learn and Innovate. London: Routledge.
Cheng, J., Clercq, F. L., & Bertolini, L. (2005). Understanding urban networks through accessibility (ERSA conference paper No. ersa05p797). European Regional Science Association. Retrieved from http://ideas.repec.org/p/wiw/wiwrsa/ersa05p797.html
Crucitti, P., Latora, V., & Porta, S. (2006). Centrality measures in spatial networks of urban streets. Physical Review E, 73(3), 036125. doi:10.1103/PhysRevE.73.036125
Deakin, M., & Waer, H. A. (Eds.). (2012). From Intelligent to Smart Cities (1st ed.). Routledge.
Duany, A., Speck, J., & Lydon, M. (2009). The Smart Growth Manual (1st ed.). McGraw-Hill Professional.
DuPuy, G. (2008). Urban Networks: Network Urbanism. Techne Press.
Entwisle, B., Rindfuss, R. R., Walsh, S. J., Evans, T. P., & Curran, S. R. (1997). Geographic information systems, spatial network analysis, and contraceptive choice. Demography, 34(2), 171–187. doi:10.2307/2061697
Eubank, S., Guclu, H., Kumar, V. S. A., Marathe, M. V., Srinivasan, A., Toroczkai, Z., & Wang, N. (2004). Modelling disease outbreaks in realistic urban social networks. Nature, 429(6988), 180–184. doi:10.1038/nature02541
Expert, P., Evans, T. S., Blondel, V. D., & Lambiotte, R. (2011). Uncovering space-independent communities in spatial networks. Proceedings of the National Academy of Sciences, 108(19), 7663–7668. doi:10.1073/pnas.1018962108
Gastner, M. T., & Newman, M. E. J. (2006). The spatial structure of networks. The European Physical Journal B – Condensed Matter and Complex Systems, 49(2), 247–252. doi:10.1140/epjb/e2006-00046-8
Gerla, M., & Kleinrock, L. (2011). Vehicular networks and the future of the mobile internet. Computer Networks, 55(2), 457–469. doi:10.1016/j.comnet.2010.10.015
Glaeser, E. L. (2011). Triumph of the City: How Our Greatest Invention Makes Us Richer, Smarter, Greener, Healthier, and Happier (First Edition.). Penguin Press HC, The.
Haas, T. (Ed.). (2012). Sustainable Urbanism and Beyond: Rethinking Cities for the Future. Rizzoli.
Häkli, J., & Minca, C. (2009). Social Capital and Urban Networks of Trust. (C. Minca & J. Hakli, Eds.). Farnham: Ashgate. Retrieved from http://www.ashgate.com/isbn/9780754673194
Herrmann, C., Barthélemy, M., & Provero, P. (2003). Connectivity distribution of spatial networks. Physical Review E, 68(2), 026128. doi:10.1103/PhysRevE.68.026128
Hillier, B., & Hanson, J. (1989). The Social Logic of Space (Reprint.). Cambridge University Press.
Horton, F. E. (1968). Geographic studies of urban transportation and network analysis. Evanston, Ill.: Dept. of Geography, Northwestern University.
Jiang, B., & Claramunt, C. (2004). Topological analysis of urban street networks. Environment and Planning B: Planning and Design, 31(1), 151 – 162. doi:10.1068/b306
Johnson, C., & Gilles, R. P. (2000). Spatial social networks. Review of Economic Design, 5(3), 273–299. doi:10.1007/PL00013690
Khurana, U., Nguyen, V.-A., Cheng, H.-C., Ahn, J., Chen, X., & Shneiderman, B. (2011). Visual Analysis of Temporal Trends in Social Networks Using Edge Color Coding and Metric Timelines. In Privacy, security, risk and trust (passat), 2011 ieee third international conference on and 2011 ieee third international conference on social computing (socialcom) (pp. 549 –554). Presented at the Privacy, security, risk and trust (passat), 2011 ieee third international conference on and 2011 ieee third international conference on social computing (socialcom). doi:10.1109/PASSAT/SocialCom.2011.212
Larsen, J. U. and K. A. J. (2012). Mobilities, Networks, Geographies. Ashgate.
Lennartsson, J., Håkansson, N., Wennergren, U., & Jonsson, A. (2012). SpecNet: A Spatial Network Algorithm that Generates a Wide Range of Specific Structures. PLoS ONE, 7(8), e42679. doi:10.1371/journal.pone.0042679
Lynch, K. (1960). The Image of the City. The MIT Press.
Maguire, D. J., Goodchild, M. F., & Batty, M. (Eds.). (2005). GIS, Spatial Analysis, and Modeling. ESRI Press.
Nijkamp, P. (1993). Stability and complexity in spatial networks. Amsterdam [etc.]: Tinbergen Institute.
Peng, C., Jin, X., Wong, K.-C., Shi, M., & Liò, P. (2012). Collective Human Mobility Pattern from Taxi Trips in Urban Area. PLoS ONE, 7(4), e34487. doi:10.1371/journal.pone.0034487
Porta, S., Crucitti, P., & Latora, V. (2005). The Network Analysis of Urban Streets: A Primal Approach. arXiv:physics/0506009. doi:10.1016/j.physa.2005.12.063
Reggiani, A & Nijkamp, P. (Ed) (2009). Complexity and spatial networks: in search of simplicity. Berlin; Heidelberg: Springer-Verlag.
Ryder, T. B., Horton, B. M., Tillaart, M. van den, Morales, J. D. D., & Moore, I. T. (2012). Proximity data-loggers increase the quantity and quality of social network data. Biology Letters. doi:10.1098/rsbl.2012.0536
Santos Soares, M. dos. (2007). Scenario analysis of a network of traffic signals designed with Petri nets. Urban transport XIII : urban transport and the environment in the 21st century., 289–297.
Sassen, S. (Ed.). (2002). Global Networks, Linked Cities (1st ed.). Routledge.
Scellato, S. (2012). Spatial Social Networks: Measurement, Analysis and Applications Second Year Report & Dissertation Schedule. Retrieved from http://www.cl.cam.ac.uk/~ss824/pub/papers/second_report.pdf
Seghers, J. (n.d.). Urban Network Analysis: tracking and planning urban environments. the Human City Project. Blog. Retrieved May 27, 2013, from http://humancityproject.wordpress.com/2013/01/14/urban-network-analysis-tracking-and-planning-urban-environments/
Sevtsuk, A. (2012). Urban network analysis. A new toolbox for ArcGIS. Revue internationale de géomatique Revue internationale de géomatique, 22(2), 287–305. Retrieved from http://www.sutd.edu.sg/cmsresource/idc/papers/2012_Urban_Network_Analysis_A%20New%20Toolbox_for_ArcGIS.pdf
Simplicity in complex spatial systems : introduction / Aura Reggiani and Peter Nijkamp –pt. A, Complexity, evolution, a. (n.d.).
Spatial network. (2013, March 19). In Wikipedia, the free encyclopedia. Retrieved from http://en.wikipedia.org/w/index.php?title=Spatial_network&oldid=491038418
STNA: Spatio-Temporal Network Analysis. (n.d.). Retrieved December 3, 2012, from http://www.cl.cam.ac.uk/research/srg/netos/spatialtemporalnetworks/
Taylor, P. J. (2004). World city network: a global urban analysis. London; New York: Routledge.
Taylor, P. J. (2011). Global Urban Analysis: A Survey of Cities in Globalization. Routledge.
Torres, J. A. (2011, September 28). Urban Network Analysis. Advanced Analytics & Data Mining. Retrieved from http://www.jatorres.net/blog/urban-network-analysis/
Transport network. (2012, October 16). In Wikipedia, the free encyclopedia. Retrieved from http://en.wikipedia.org/w/index.php?title=Transport_network&oldid=470935534
Urban Network Analysis. (2012). Retrieved from http://vimeo.com/44728530
Urban Network Analysis: A Toolbox for ArcGIS 10 / 10.1. (2013). City Form Lab: Better Design through Research. Retrieved from http://cityform.mit.edu/projects/urban-network-analysis.html
Urban Networks: La misión fundamental de Urban Networks es la transformación creativa de las ciudades y los territorios. (n.d.). Blog. Retrieved from http://urban-networks.blogspot.com.es/
Viotti, P., Liuti, G., & Di Genova, P. (2002). Atmospheric urban pollution: applications of an artificial neural network (ANN) to the city of Perugia. Ecological Modelling, 148(1), 27–46. doi:10.1016/S0304-3800(01)00434-3
Virginia Polytechnic Institute and State University., D. of U. A. and P. (1987). The Urban network. The Urban network.
Williams, J. C., Mahmassani, H. S., & Herman, R. (1987). Urban traffic network flow models. Transportation Research Record, (1112). Retrieved from http://trid.trb.org/view.aspx?id=278349
Wineman, J. D., Kabo, F. W., & Davis, G. F. (2009). Spatial and Social Networks in Organizational Innovation. Environment and Behavior, 41(3), 427–442. doi:10.1177/0013916508314854
Wyatt, R. G. (1980). Network analysis in urban planning. Melbourne: University of Melbourne, Faculty of Architecture, Building and Town & Regional Planning.
Yiu, M. L., & Mamoulis, N. (2004). Clustering objects on a spatial network. In Proceedings of the 2004 ACM SIGMOD international conference on Management of data (pp. 443–454). New York, NY, USA: ACM. doi:10.1145/1007568.1007619

La difusión de las ideas en las organizaciones y la importancia de los vínculos débiles [emprendimientos]

Pensando desde una perspectiva de psicología social, para la mayoría de nosotros, las redes sociales [en conceptualización amplia] son relativamente pequeñas y constan de unas 5 personas, algunos hablan de 3 como constitución. Serían propiamente círculos íntimos unas 5 personas. Con 15 personas se trataría de las muy cercanas. Ya con 50, sería con las que nos comunicamos regularmente, 150 con las que mantenemos relaciones sociables estables (Se trata del número de Dunbar: La razón es que representa la máxima (teórica) número de personas que una persona razonablemente puede interactuar. Como muchos blogs puede una persona leer, seguir y responder? Tal vez en torno a 150, si Dunbar es correcta. Lo que significa que si tenemos 170 blogs, a continuación, los blogs no constituyen un «núcleo» – la gente comienza a ser selectivo sobre qué blogs se está leyendo, y diferentes subcomunidades (e interactivos) se pueden formar.). Y con 500 personas que apenas conocemos, pero que podemos reconocer (esto está inscrito en lo que podemos llamar según Mark Granovetter los “vínculos débiles” weak ties o como le llamaba “la fuerza de los vínculos débiles”).
El coworking en estos centros como hubBOG fortalece aún más estos vínculos débiles. En un trabajo de Steve King y Carolyn Ockels, concretamente Emergent Research,  establece una serie de criterios después de haber entrevistado a más de 100 miembros de espacios de cotrabajo durante 9 meses:
1) El cotrabajo o coworking expone a los miembros de sus espacios a gente nueva y a nuevas experiencias, y lo que hace es expandir su red de vínculos débiles. Alenta la interacción comunitaria con eventos, reuniones sociales y comidas como la que estamos celebrando hoy.
2) Estos autores afirman que es más fácil aprovechar las redes de vínculos débiles basadas en el cotrabajo o coworking. Hay que entender lo contrario a las relaciones que se establecen en los sitios de redes sociales tipo G+ o Facebook, donde los coworkers comprenden que el trabajo en red es parte de ser miembros de un espacio en red y por eso aquí tiene su gran importancia el medio. Este medio se le da un valor (añadido) para lograr un fin.
3) Los administradores de la comunidad fomentan la formación de redes de vínculos débiles. Estas comunidades de coworking deben tener un administrador o facilitador que ayude a la gente a conectarse entre sí. Y los miembros de estas comunidades  suelen acudir a estos manager o facilitadores para resolución de problemas y para el incremento de las posibilidades en la red.

La expansión de las redes de vínculos débiles orientadas a negocios en espacios como HubBOG en Bogotá es un beneficio poderoso del coworking. Los trabajadores desde sus casas (teletrabajo) suelen decirnos que es más complicado crear y hacer crecer sus redes comerciales. El coworking, con su estructura en red generando comunidades de apoyo y afinidad empresarial y con contacto físico (esto no quita para crear espacios virtuales y video conferencencias para remarcar estrategias y generar un content marketing. Supone la solución algunos de los problemas del trabajo de consultores aislados y freelancers.

Habría que diferenciar por otro lado lo que entendemos por grupos y comunidades para establecer las estrategias de trabajo de la empresa en cuestión.
Por ejemplo según nos cuenta Paul Adams en Grouped, la mayoría de la gente tiene de 4 a 6 grupos [inmersos en redes y a veces en estructura de cliqués o de carácter homofílico] independientes de menos de 10 amigos, y por lo general estos no se superponen. Todos nosotros conectamos de forma única múltiples grupos de personas. La importancia de este hecho radica en que, para que nuestras ideas se extiendan, necesitamos contar con estos grupos de amigos conectados. Hay que estudiar en una estructura de red la difusión por medio de la visualización de esta red y ver cuales son las personas que pueden interconectar los grupos (no las personas influyentes en la que siempre hemos creído) y para su expansión e innovación. Lo que llama R. S. Burt agujeros estructurales (Structural holes) en uno de sus libros más importantes: Structural holes: the social structure of competition.
Me ha parecido muy interesante lo que dice con una serie de ideas sobre la innovación y la creatividad (dos formas distintas de mejorar y ser mas «competitivos») están en los márgenes o confines de la propia centralidad del trabajo, está en la heterogeneidad de las redes, en las dinámicas establecidas y que no generen cliquismo de manera constante.

Por eso creemos que al difundir las ideas desde la perspectiva comercial y de negocios, la estructura de la red es más importante que las características de los individuos siguiendo los parámetros de Paul Adams.
Por todo ello, los individuos y los hubs (esos concentradores) son muy importantes a la hora de difundir ideas. Hay dos tipos de concentradores:
1) Los más avezados e innovadores y que son un número reducido de personas abiertas a nuevas ideas, que son adaptadores de procesos rápidos y lo pasan a un número limitado de personas.
2) Los seguidores (replicantes de ideas) y que tienen un número más elevado de conexiones y, aunque a menudo adoptan ideas mucho más tarde que los innovadores, son más importantes para alcanzar poblaciones masivas y usar las técnicas virales. Por eso los “influyentes” no son tan importantes en la difusión de las ideas como se creía hasta ahora.
La importancia del análisis de las redes y la visualización de estas es fundamental para sobrevivir a las masivas interacciones provocadas por los sitios de redes sociales.. Entenderlas y visualizarlas es importante para mantener un negocio “competitivo” en el siglo XXI.
Este post está escrito para el almuerzo de networking en una de las grandes incubadoras de negocios en Bogotá: hubBOG. Te esperamos mañana, viernes 18 de enero de 2013.
Ha sido un post espontáneo, a partir de algunas de las ideas de este blog.

La ciencia de las redes [mapa conceptual]

La ciencia de las redes es un campo interdisciplinario y académico que estudia las redes complejas, como las redes de ingeniería, redes de información, redes biológicas, cognitivas, redes semánticas y redes sociales. El campo se basa en las teorías y métodos de la teoría de grafos, incluyendo las matemáticas, la mecánica estadística de la física, la visualización de datos y la minería de datos en las ciencias de la computación,en el modelado de inferencia estadística, y en la estructura social en el campo de sociología. El National Research Council define a la ciencia de la red como «el estudio de las representaciones de la red de los fenómenos físicos, biológicos y sociales que conducen a modelos de predicción de estos fenómenos».

Veamos un mapa mental de la ciencia de las redes en construcción:


Crear su propio mapa mental a MindMeister

Tópicos emergentes para la investigación en redes sociales

Este es un trabajo de clasificación que he ido desarrollando e invirtiendo tiempo para dilucidar y comprender mejor mi labor como asesor en redes sociales en organizaciones y universidades en países iberoamericanos. He intendado dar una serie de tópicos a través de las investigaciones hechas desde los años 50 del siglo pasado. Algunos de los tópicos (hibridados e interdisciplinares) que suelen ser uso frecuente en datos tomados de redes sociales.:

Análisis estadístico de redes sociales: uno de los trabajos pioneros en este campo es el experimento de Milgram. Creo que es uno de los primeros trabajos de un análisis amplio de datos con propiedades estructurales a gran escala. Es la investigación más frecuente y común.  La conducta de la conectividad de los nodos se examina para ver si la mayor parte de los nodos tienen pocas conexiones, con muchos “hubs” o si los grados están distribuidos más igualmente. Se examina el comportamiento del agrupamiento de los nodos en redes sociales típicas. Otro tema importante en este tópico son las características temporales típicas de las redes sociales. Por ejemplo, examinando cómo varía la estructra a medida que crece la red. Dado que la red evoluciona a lo largo del tiempo, se puede añadir a la red nuevas entidades, aunque ciertas propiedades del grafo puedan continuar retenidas a pesar de esto. También se examina la conducta y distribución de las componentes del grafo.

Caminos aleatorios y sus aplicaciones en redes sociales: la clasificación jerárquica en redes [ranking] es uno de los métodos mejor conocidos en la búsqueda en web. Empezando con bien conocido algoritmo PageRank de Google para clasificar documentos web, el principio más amplio se puede aplicar para buscar y clasificar entidades y actores en las redes sociales. El algoritmo de PageRank usa técnicas aleatorias para el proceso de clasificación. La idea es que el enfoque del camino aleatorio [trayectorias vitales de las que hablo en #eduvida y que tienen sus algunso marcos teóricos como aprendizaje experiencial y aprendizaje biográfico de Peter Alheit) se usa en la red  en orden a estimar la probabilidad de visitar cada nodo. Esta probabilidad se estima como el PageRank. Claramente, los nodos que están estructuralmente bien conectados tienen un PageRank alto y también son, naturalmente, de gran importancia. Las técnicas de camino/trayectoria aleatoria también se puden usar para personalizar el proceso de cálculo del PageRank polarizando el rango hacia tipos particulares de nodos y sus influencias.

Otro aspecto de investigación es la serindipia que emerge en el análisis de las trayectorias en redes sociales dinámicas.

Detección de comunidad en redes sociales: uno de los problemas más importantes en el contexto del análisis de redes sociales es el de la detección de comunidades. El     problema de la detección de comunidad está próximamente relacionado con el clustering e intenta determinar las regiones de una red que son más densas en términos de la conducta de enlaces (clusters específicos por sus relaciones). El tópico está relacionado con el problema genérico de la partición del grafo, que particiona la red en regiones densas basadas en el comportamiento del enlace. Sin embargo, habitualmente las redes sociales son dinámicas y esto conduce a algunos temas únicos desde el punto de vista de la detección de la comunidad. En tales casos, el contenido se puede aprovechar en ordenar a determinar grupos de actores con intereses similares. Se han creado una serie de algoritmos importantes sobre el problema de la detección de comunidad en redes sociales de larga escala. También es factible para al investigación de detección de comunidades en medios sociales [slides].

Clasificación de los nodos en las redes sociales: En muchas aplicaciones, algunos de los nodos de la red social pueden ser etiquetados y puede ser conveniente para usar el atributo y la información estructural en la red social con vistas a propagar estas etiquetas. Por ejemplo, en una aplicación de marketing (todavía existen), se puede conocer a ciertos nodos por estar interesados en un producto particular, y puede ser deseable utilizar el atributo y la información estructural en la red a fin de conocer otros nodos que también pueden estar interesados en el mismo producto. Las redes sociales también contienen una rica información sobre el contenido y la estructura de la red, que pueden ser aprovechados para este fin. Por ejemplo, cuando dos nodos en una red social están vinculados entre sí, es probable que las etiquetas del nodo también se correlacionen. Por lo tanto, la estructura de los vínculos se puede utilizar para propagar las etiquetas entre los diferentes nodos. En este caso para mi, el contenido y los atributos pueden ser utilizados con el fin de mejorar aún más la calidad de la clasificación hecha.

La evolución en las redes sociales dinámicas: Las redes sociales son  entidades intrínsecamente dinámicas por su naturaleza. Nuevos miembros se unen a ellas, antiguos miembros dejan de participar, emergen nuevos enlaces a medida que se construyen nuevos contactos, y los enlaces se hacen obsoletos a medida que los miembros dejar de interactuar con algún otro, etc.. Esto conduce a cambios en la estructura de la red social como un todo y de las comunidades que hay en ella. En este contexto surgen dos cuestiones importante:

  • ¿Cuáles son las leyes que rigen los cambios a largo plazo en la red social a través del tiempo?, Y también una pregunta subsidiaria de la anterior como ¿cuáles se observan con frecuencia en las clases de las redes sociales a gran escala?
  • (b) ¿Cómo evoluciona una comunidad dentro de una plataforma social a lo largo del tiempo? ¿Qué cambios pueden ocurrir y cómo capturarlos y presentarlos?

Análisis de la influencia social: Dado que las redes sociales están diseñadas principalmente sobre la base de las interacciones entre los diferentes participantes, es natural que estas interacciones pueden dar lugar a que los diferentes actores influyan el uno al otro en términos de su comportamiento. Un ejemplo clásico de esto sería una aplicación de marketing viral en la que utilizamos los mensajes entre los participantes interconectados en una red social con el fin de propagar la información a través de las diferentes partes de la red. En este contexto surgen una serie de preguntas naturales:

(a) ¿Cómo podemos modelar la naturaleza de la influencia entre los actores?
(b) ¿Cómo podemos modelar la propagación de la influencia?
(c) ¿Quiénes son los actores más influyentes para la propagación de la influencia?
A mi modo de ver, estos temas proporcionan un profundo conocimiento de la naturaleza del análisis de la influencia en las redes sociales. Hay herramientas específicas para este propósito, pero el análisis de redes sociales es la forma de tratarlo de una forma más holísitica y personalizando el análisis.

Descubrimiento de expertos en las redes: Las redes sociales se pueden utilizar como una herramienta con el fin de identificar a los expertos para una determinada tarea. Por ejemplo, teniendo en cuenta las actividades de los candidatos dentro de un contexto ( casos como la autoría de un documento o responder a una pregunta). Primero describimos los métodos para evaluar el nivel de conocimientos de cada uno de ellos. A menudo, los expertos están organizados en redes que corresponden a redes sociales o estructuras organizativas en una determinada empresa. Muchas de las tareas complejas requieren a menudo la experiencia colectiva de más de un experto. En estos casos, es más realista requerir un equipo de expertos o incluir la externalización con una firma de asesoria que puedan colaborar hacia un objetivo común.

Predicción de enlace en las redes sociales: gran parte de la investigación en minería de redes sociales se centra en el uso de los enlaces a fin de obtener información interesante sobre la red social, tal como las comunidades subyacentes o de subgrupos, o el etiquetado de los nodos con etiquetas de clase y personales (ejemplo de los hashtags). Sin embargo, en la mayor parte de las aplicaciones de redes sociales, los enlaces son dinámicos y pueden variar considerablemente con el tiempo. Por ejemplo, en una red social, los vínculos de amistad se crean continuamente a lo largo del tiempo. Por lo tanto, una pregunta natural es determinar o predecir futuros vínculos en la red social como campo emergente en estos años. El proceso de predicción puede utilizar tanto la estructura de la red como la información del atributos en los nodos diferentes.

Privacidad en las redes sociales: Las redes sociales contienen una gran información sobre el individuo en función de sus intereses, información demográfica, información de los vínculos de amistad y otros atributos. Esto puede conducir a la divulgación de diferentes tipos de información en la red social, como la revelación de la identidad, la divulgación de atributos y la divulgación de la información del vínculo.

Visualización de Redes Sociales (network visualization): a medida que las redes sociales se hacen más grandes y más complejas, el razonamiento acerca de las dinámicas sociales a través de simples estadísticas es muy complicado y no muy intuitivo. La visualización proporciona una forma natural de resumir la información con el fin de hacer que sea mucho más fácil de entender. Los últimos años han sido testigos de una convergencia de análisis de redes sociales y la visualización, junto con la interacción, que está cambiando la manera en que los analistas entienden y caracterizan las redes sociales. En el capítulo 11, se discute  el objetivo principal de la visualización en el contexto de la comprensión del usuario y de la interacción. El capítulo también analiza cómo diferentes metáforas están dirigidas hacia la aclaración de diferentes aspectos de las redes sociales, como la estructura y la semántica. Se describen una serie de métodos, en donde los análisis y la visualización se entrelazan para proporcionar una mejor comprensión de la estructura y dinámicas sociales.

Minería de datos en los medios sociales: los medios de comunicación social ofrecen una gran cantidad de datos de redes sociales, que se pueden extraer con el fin de descubrir las aplicaciones comerciales útiles. Las técnicas de minería de datos proporcionan a los investigadores y a los profesionales las herramientas necesarias para analizar el gran, complejo y frecuente cambio en los datos de los medios de comunicación social. En algunos libros y blogs ya hablan de tal fenómeno que hasta los marketinianos ven como lo próximo en Social Media. En algunos blogs como «Data Mining: Text Mining, visualization and social media» de Mathew Husrt. Estamos todavía en la época emergente y de entusiasmo. No creo que sea unas técnicas que hagan cambiar los Social Media.

Minería de texto en las redes sociales: las redes sociales contienen una gran cantidad de texto en los nodos en diversas formas. Por ejemplo, las redes sociales puede contener enlaces a posts, blogs y demás artículos de noticias. En algunos casos, los usuarios pueden etiquetarse mutuamente, que es también una forma de datos de texto sobre los enlaces. El uso del contenido puede mejorar enormemente la calidad de las inferencias que se puedan hacer en el contexto de los grafos y redes sociales.

Integración de sensores en redes sociales con datos: muchos teléfonos móviles ofrecen la posibilidad de que los actores interactúen entre sí dinámicamente y en tiempo real, dependiendo de su ubicación y el estado. Tales aplicaciones también dan lugar a la generación de flujos masivos en tiempo real, que se pueden utilizar para hacer inferencias sobre alguien o sobre las propiedades globales de los objetos que se están rastreando. Dado que la información de la ubicación es privada, esto también nos lleva naturalmente a una serie de preocupaciones sobre la privacidad desde una perspectiva del procesamiento.

Análisis de la red multimedia en los medios sociales: muchos modelos de sitios de compartición tales como Flickr y Youtube que ofrecen la posibilidad de compartir los medios de comunicación. Tales medios compartidos se utilizan a menudo junto con las interacciones de los diferentes usuarios, tales como la colocación de etiquetas o comentarios en diferentes imágenes. Tales ricas redes de información basadas en el contexto se pueden extraer mediante una amplia variedad de aplicaciones que aprovechan la combinación de las etiquetas de usuarios y los datos de imagen en el proceso de extracción y recuperación.

Etiquetado social (tagging): gran parte de la interacción entre los usuarios y las redes sociales se produce en forma de etiquetado, en la que los usuarios adjuntan descripciones cortas de los diferentes objetos en la red social, tales como imágenes, texto, vídeo u otros datos multimedia. En el capítulo se 16 ofrece un estudio detallado de los diversos aspectos del etiquetado. Entramos aquí en los modelos de etiquetado, de la semántica de las etiquetas, de las recomendaciones generadas a través de las etiquetas, de las visualizaciones de las etiquetas, de las aplicaciones de las etiquetas, de la integración de diferentes sistemas de etiquetado y los problemas asociados con el uso del etiquetado. Se discuten muchos temas interesantes, como la razón de la gente para etiquetar, lo que influye en la elección de las etiquetas, la forma de modelar el proceso de etiquetado, tipos de etiquetas, diferentes leyes de energía observados en el dominio de etiquetado, cómo se crean las etiquetas se crean y cómo elegir las etiquetas correctas para la recomendación.

Todos estos campos emergentes del análisis de datos de una red social o un medio social se encuentra todavía en su infancia. Hay una enorme cantidad de trabajo por hacer, particularmente en el área de las redes sociales basadas en el contenido y de carácter temporal (introducción el factor tiempo y porpio de redes dinámicas). Algunas líneas de investigación clave para el futuro son las siguientes:
En todo esto encotramos diversidad de procedencia y de los mismos datos para analizar. Esta visión híbrida en los datos será más importante al analizar las redes en el contexto de datos heterogéneos, en los que los enlaces son de tipos diferentes y corresponden a diferentes tipos de relaciones entre los actores. Una generalización del concepto de redes sociales son las redes de información, en la que los nodos pueden ser actores de entidades, y corresponder estos nodos con las relaciones lógicas entre estas entidades. Tales redes son también heterogéneas, por lo que es cada vez más importante diseñar herramientas y técnicas que  puedan analizar eficazamente redes heterogéneas.

Referencias:

Aggarwal, C. C. (2011). Social Network Data Analytics (1st ed.). Springer.
Aggarwal, C. C. (2009). Managing and Mining Uncertain Data. Springer.
Carrington, P. J., Scott, J., & Wasserman, S. (2005). Models and Methods in Social Network Analysis. Cambridge University Press.
Kadushin, C. (2011). Understanding Social Networks: Theories, Concepts, and Findings. Oxford University Press, USA.
Kadushin, C. (2012). Understanding Social Networks:Theories, Concepts, and Findings. New York: Oxford University Press.
Kilduff, M., & Tsai, W. (2003). Social Networks and Organizations. Sage Publications Ltd.
Prell, C. (2011). Social Network Analysis: History, Theory and Methodology. SAGE Publications.
Russell, M. A. (2011). Mining the Social Web: Analyzing Data from Facebook, Twitter, LinkedIn, and Other Social Media Sites (1st ed.). O’Reilly Media.
Scott, J. P., & Carrington, P. (2011). The SAGE Handbook of Social Network Analysis. Sage Publications Ltd.
« Entradas anteriores