ΕπιβλΕπων: Δρ. Κ. Σ. ΧειλΑΣ, ΑναπληρωΤΗΣ ΚαθηγητΗΣ ΤΕΧΝΙΚΕΣ ΚΑΙ ΜΟΝΤΕΛΑ ΑΝΑΛΥΣΗΣ ΚΟΙΝΩΝΙΚΩΝ ΔΙΚΤΥΩΝ: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ FACEBOOK ΕπιβλΕπων: Δρ. Κ. Σ. ΧειλΑΣ, ΑναπληρωΤΗΣ ΚαθηγητΗΣ Διπλωματική Εργασία της Δήμου Δήμητρας Α.Ε.Μ. 163 Σέρρες, Νοέμβριος 2016

Κοινωνικό Δίκτυο Κοινωνικό δίκτυο είναι ένα σύνολο αλληλεπιδράσεων και διαπροσωπικών σχέσεων. Είναι μια κοινωνική δομή που αποτελείται από ένα σύνολο παραγόντων, όπως άτομα ή οργανισμούς. Ο όρος σήμερα χρησιμοποιείται επίσης για να περιγράψει ιστοσελίδες οι οποίες επιτρέπουν την διεπαφή ανάμεσα στους χρήστες (πχ. με σχόλια, φωτογραφίες). Οι πιο ευρέως διαδεδομένες ιστοσελίδες κοινωνικής δικτύωσης είναι : Facebook Twitter Google+ Youtube Blogger LinkedIn Ιnstagram Flickr

Θεωρία Γράφων Τον 18ο αιώνα, ο μαθηματικός Ελβετός Leonard Euler, έδωσε λύση στο πρόβλημα που αντιμετώπιζε η πόλη Κένιγκσπμεργκ (Konigsber), σχετικά με την διάσχιση των επτά γεφυρών της. Πιο συγκεκριμένα, το ερώτημα ήταν το εξής: «Μπορεί κάποιος να ξεκινήσει από ένα σημείο εκκίνησης και να επιστρέψει σε αυτό, διασχίζοντας κάθε γέφυρα μόνο μία φορά;» Οι γέφυρες  ακμές του γράφου. Τα τμήματα της στεριάς  κόμβοι του γράφου. Όσον αφορά την λύση του προβλήματος ο Euler απέδειξε ότι δεν υπάρχει περίπτωση κάποιος να διασχίσει ακριβώς μία φορά την κάθε γέφυρα, γιατί αυτό εξαρτάται από τον βαθμό των κόμβων.

Μαθηματικές Έννοιες Γράφου Ένα γράφημα (γράφος) G είναι ένα σύνολο από κόμβους που ενώνονται μεταξύ τους με ακμές (E) και ορίζεται από τον τρόπο με τον οποίο συνδέονται οι κόμβοι (V). Το γράφημα είναι ένα μαθηματικό μοντέλο για την αναπαράσταση των κοινωνικών δικτύων. V2 V2 V1 V3 V1 V3 Σχηματική απεικόνιση Μη Κατευθυνόμενου Γράφου Σχηματική απεικόνιση Κατευθυνόμενου Γράφου G = (V, E) όπου: V = {v1, v2, v3} E={[v1,v2],[v1,v3],[v3,v2]} G = (V, E) όπου: V = {v1, v2, v3} E={(v1,v2),(v1,v3),(v3,v2)}

Κοινωνικό δίκτυο και Γράφος Το κοινωνικό δίκτυο υπό το πρίσμα του γράφου, αποτελείται από ένα σύνολο κορυφών (κόμβων) και των συσχετίσεων που ορίζονται μεταξύ τους (οι οποίες αναπαρίστανται με τις ακμές του γράφου και δηλώνουν την σχέση μεταξύ των ατόμων). Κόμβοι και σχέσεις μεταξύ των χρηστών (Κάθε άτομο του δικτύου αποτελεί και έναν κόμβο, ενώ κάθε σχέση μεταξύ των ατόμων αναπαριστά μια σύνδεση των κόμβων).

Ανάλυση Κοινωνικού Δικτύου Η ανάλυση κοινωνικών δικτύων (ΑΚΔ) είναι μία τεχνική για τη μέτρηση, απεικόνιση των σχέσεων και των ροών ανάμεσα σε ανθρώπους, ομάδες, επιχειρήσεις, ηλεκτρονικούς υπολογιστές ή οποιεσδήποτε άλλες μονάδες επεξεργασίας και πληροφορίας. Με άλλα λόγια, στην ανάλυση κοινωνικών δικτύων σημαντικό στοιχείο είναι οι σχέσεις και οι δεσμοί μέσα σε ένα δίκτυο, σε αντίθεση με τις παραδοσιακές κοινωνικές επιστημονικές μελέτες, όπου οι ιδιότητες των ατόμων είναι το σημαντικότερο στοιχείο. Η ανάλυση των κοινωνικών δικτύων γίνεται με την βοήθεια τεχνικών και μεθόδων (όπου κάθε σχέση αποτελεί αυτόματη σύνδεση των δύο ατόμων) και αποτυπώνεται γραφικά με κόμβους (Nodes), οι οποίοι αποτελούν τα άτομα και ακμές (edges), που εκφράζουν τις συνδέσεις μεταξύ τους.

Βασικά Χαρακτηριστικά Ανάλυσης Κοινωνικού Δικτύου: Μετρικές Γραφήματος Ένα δίκτυο βέβαια είναι κάτι παραπάνω από κόμβους που συνδέονται με ακμές. Έχει δομή και λειτουργία. Η δομή του δικτύου βασίζεται σε τεχνικές, οι οποίες εστιάζουν στις μετρήσεις των γραφημάτων. Τέτοιες μετρήσεις είναι : Κεντρικότητα (Centrality) με βάση τον/την: α.Βαθμό(Degree): β.Διαμεσότητα (Betweeness): γ.Εγγύτητα (Closeness): Είναι ο αριθμός των ενώσεων Ορίζει κατά πόσο ένα άτομο Ορίζει κατά πόσο κοντά που έχει ένας κόμβος. βρίσκεται μεταξύ άλλων σε βρίσκεται ένα άτομο με (In Degree, Out Degree) ένα δίκτυο. όλα τα υπόλοιπα. Συντελεστής ομαδοποίησης (Clustering coefficient): Είναι ένα μέτρο του βαθμού με το οποίο οι κόμβοι σε ένα γράφημα τείνουν να ενωθούν και να ομαδοποιηθούν. Πυκνότητα (Density): Περιγράφει το μέγεθος της σύνδεσης των κόμβων. Η πυκνότητα ενός γραφήματος ορίζεται ως το πηλίκο του αριθμού των συνδέσεων (ακμών) προς το συνολικό αριθμό των κόμβων του γραφήματος. Διάμετρος (Diameter): Αποτελεί το μεγαλύτερο μονοπάτι μεταξύ δύο κορυφών του δικτύου.

Προγράμματα ανάλυσης δεδομένων κοινωνικών δικτύων: NodeXL Pro και Gephi Είναι εύχρηστο και παρέχεται δωρεάν (εκτός αν κάποιος επιθυμεί πιο εξειδικευμένες λειτουργίες, οπότε πρέπει να αγοραστεί η έκδοση που του χρειάζεται). Προσφέρει άμεση σύνδεση στα δεδομένα του κοινωνικού δικτύου της επιλογής του χρήστη και εφαρμόζεται κυρίως σε μικρά και μεσαία δίκτυα.

Περιβάλλον εργασίας NodeXL Pro Εισαγωγή δεδομένων από group του Facebook Γραφική απεικόνιση δεδομένων group Facebook

Η Εφαρμογή Gephi Το Gephi ένα λογισμικό ανάλυσης κοινωνικών δικτύων. Είναι γραμμένο σε γλώσσα Java στην πλατφόρμα NetBeans . Είναι ένα λογισμικό ανοιχτού κώδικά (open-source) για την οπτικοποίηση και την ανάλυση των μεγάλων δικτύων και γράφων. Εξάγει δηλαδή γραφήματα και μπορεί κάποιος να το «κατεβάσει» δωρεάν. Έχει εφαρμογή σε πολλά δίκτυα, όπως κοινωνικά, βιολογικά, πληροφοριακά. Στόχο έχει την ανάλυση και κατανόηση πολύπλοκων γραφημάτων και διαγραμμάτων. Ο τρόπος λειτουργίας του μπορεί να παρομοιαστεί με άλλο λογισμικό, το Photoshop (το οποίο επεξεργάζεται εικόνες), μόνο του το Gephi επεξεργάζεται δεδομένα. Ο χρήστης της εφαρμογής, έχει την δυνατότητα να αλληλεπιδρά με την απεικόνιση και να χειρίζεται την κατασκευή, τα σχήματα, τα χρώματα. Η απεικόνιση των γραφημάτων, γίνεται σε 3D απεικόνιση (δηλαδή ίδιας τεχνολογίας με τα βιντεοπαιχνίδια).

Πρώτη απεικόνιση δικτύου από group του Facebook

Αλγόριθμος οπτικοποίησης «Force Atlas», με τροποποίηση της επιλογής «Repulsion strength» Επιλογές μορφοποίησης δικτύου

Καρτέλα «Appearance», χαρακτηριστικό «Clustering Coefficient» των κόμβων, που δείχνει ποιοι κόμβοι τείνουν να ενωθούν ή να ομαδοποιηθούν. Καρτέλα «Filters», επιλογή «In Degree Range»: πιο δημοφιλείς κόμβοι του δικτύου.

Αναφορές δικτύου Betweenness Centrality και Closeness Centrality, εκτελώντας την παράμετρο «Network Diameter». Betweenness Centrality: Ο πιο σημαντικός κόμβος Closeness Centrality: Ο πιο κεντρικός κόμβος

Παράθυρο δεδομένων (Data Laboratory). Παράθυρο Preview.

Αρχική Απεικόνιση δύο ομάδων ενός χρήστη του Facebook Σύνδεση των δύο ομάδων μέσω ενός κοινού γνωστού Τα πιο κοινωνικά μέλη των ομάδων

Graph Density: Ένδειξη βαθμού συνεκτικότητας Modularity: Εσωτερική διαίρεση του δικτύου σε μικρότερες ομάδες -> Κλίκες

Συμπεράσματα Συλλογή δεδομένων από κοινωνικό δίκτυο Οπτικοποίηση δεδομένων με διαγράμματα Ανάλυση κόμβων Ανάλυση ακμών Χρήση διαφόρων κριτηρίων, ώστε να γίνει αντιληπτό ποιος χρήστης είναι πιο «σημαντικός», πιο κοινωνικός, πιο ισχυρός (ανάλογα με το τι πληροφορία θέλουμε να αντλήσουμε) στο κοινωνικό δίκτυο που μελετάμε. Μείωση πολυπλοκότητας δικτύου Εξαγωγή συμπερασμάτων – αποτελεσμάτων, ιδιαίτερα κατανοητά στον χρήστη

Ευχαριστώ για την προσοχή σας