Talleres de autoformación con programas informáticos de análisis de redes sociales

Talleres de autoformación con programas informáticos de análisis de redes sociales Escola Universitària d’Infermeria i de Fisioteràpia «Gimbernat» Escola d’Infermeria Universitat Autònoma de Barcelona Servei de Publicacions Bellaterra, 2006 José Luis Molina (ed., UAB), Águeda Quiroga (UPF), Joel Martí (UAB), Isidro Maya Jariego (US), Ainhoa de Federico (UL1) El autor agradece la ayuda y comentarios recibidos de: Primera edición: octubre de 2006 Edición e impresión: Servei de Publicacions Universitat Autònoma de Barcelona Edifici A. 08193 Bellaterra (Barcelona). Spain [email protected] http://publicacions.uab.es/ Impreso en España. Printed in Spain Depósito legal: B. 46.471-2006 ISBN 84-490-2469-2 Índice Talleres de autoformación con programas de análisis de redes sociales Materials 5 PRESENTACIÓN ........................................................................................................... 7 OPERACIONES BÁSICAS CON UCINET 6........................................................................ 9 Cómo introducir datos de relaciones (reticulares)................................................ 9 Hoja de datos.................................................................................................... 9 Fichero de texto................................................................................................ 11 Cómo convertir matrices de modo 2 en matrices de modo 1 ............................... 12 Completar filas o columnas.............................................................................. 12 Afiliaciones ...................................................................................................... 16 Cómo recodificar matrices.................................................................................... 19 EL ANÁLISIS DE REDES SOCIOCÉNTRICAS CON UCINET 6YNETDRAW ........................... 23 Introducción.......................................................................................................... 23 Descripción del ejercicio práctico ........................................................................ 24 Crear una matriz con Ucinet 6.............................................................................. 26 Graficar una red con Netdraw .............................................................................. 29 Medidas de centralidad......................................................................................... 34 Grado nodal (degree)........................................................................................ 34 Grado de intermediación (betweenness) .......................................................... 37 Cercanía (closenness)....................................................................................... 38 Redes dentro de redes: cliques ......................................................................... 40 Cliques.............................................................................................................. 40 N-clique, N-clan y K-plex................................................................................ 46 EL ANÁLISIS DE REDES PERSONALES CON EGONET Y VISUALIZER ................................. 57 Notas sobre la instalación de Egonet.................................................................... 59 Módulo administrador (Egonet_QB).................................................................... 59 Questions about ego ......................................................................................... 60 Name genearator(s) .......................................................................................... 62 Questions about alters ...................................................................................... 63 Alter tie evaluation........................................................................................... 64 Módulo cliente (Egonet)....................................................................................... 65 La entrevista cualitativa con visualizer ................................................................ 68 Clusters o grupos de la red personal................................................................. 69 Grado de intermediación.................................................................................. 71 Composición: sexo, residencia y otras............................................................. 73 Bibliografía........................................................................................................... 76 EL ANÁLISIS DINÁMICO DE REDES CON SIENA-.............................................................. 77 El programa Siena: especificaciones del modelo ................................................. 78 aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico6Materials Los primeros pasos con Siena: una sesión de trabajo con el programa.............. 79 Un ejemplo de aplicación del programa: la evolución de los intercambios en una lista de correo electrónico ....................................................................... 87 Bibliografía......................................................................................................... 92 Apéndice I. Matrices utilizadas en el apartado los primeros pasos con Siena... 93 EL ANÁLISIS DEL DISCURSO CON VISONE ................................................................... 95 El análisis reticular de textos.............................................................................. 95 El programa Visone ............................................................................................ 96 Panorámica general del programa.................................................................. 97 Cómo crear sociogramas y modificar el aspecto de nodos y vínculos........... 98 Creación de una red discursiva con Visone........................................................ 99 Configuración general.................................................................................... 99 Dibujando nodos y vínculos........................................................................... 100 Visualización y análisis de la red........................................................................ 100 Análisis básicos.............................................................................................. 100 Más posibilidades........................................................................................... 104 Salidas y exportación de resultados.................................................................... 105 Bibliografía ........................................................................................................ 107 Presentación Talleres de autoformación con programas de análisis de redes sociales Materials 7 Este manual intenta llenar un espacio hasta ahora cubierto de forma incompleta: el de la autoformación en las diferentes aplicaciones del Análisis de redes sociales. Los textos teóricos disponibles en castellano empiezan a ser ya suficientes para disponer de una introducción. Sin embargo, los talleres y las matrices de datos, tanto reticulares como atributivos, están limitados prácticamente al web REDES (www.redes-sociales.net). Cada capítulo tiene la voluntad de ser un taller autosuficiente. Es por ello que en ocasiones se pueden encontrar informaciones redundantes, pero siempre necesarias para la realización de la práctica propuesta. Evidentemente este manual está pensado para Windows XP. Operaciones básicas con Ucinet 6 José Luis Molina Departament d’Antropologia Social i Cultural, UAB Talleres de autoformación con programas de análisis de redes sociales Materials 9 La experiencia nos enseña que las dificultades para el análisis de redes sociales residen, más que en cuestiones conceptuales o teóricas, en el aprendizaje de la mecánica de la transformación de datos. Este capítulo está dedicado a la realización de unas pocas prácticas iniciales que permitirán con toda seguridad moverse ágilmente por la variedad de posibilidades analíticas del programa. Cómo introducir datos de relaciones reticulares Si bien a lo largo de este manual se encontrarán referencias a la manera de introducir datos yconstruir matrices, presentamos a continuación una breve síntesis de las dos formas de introducir datos que pueden utilizarse en Ucinet 6. La primera es directamente en una hoja de datos dentro del mismo programa; la segunda es mediante un fichero de texto que creamos en otra aplicación y que luego importamos. Veamos cada una de ellas. Hoja de datos En la Ilustración 1 se presenta la pantalla inicial de Ucinet, en donde hemos resalto el botón que permite activar la matriz de datos de Ucinet 6. Esta matriz es útil para introducir pocos nodos de una forma rápida. Una vez clicado el botón indicado, se desplegará otra pantalla (ver ilustración 2). Haremos una pequeña práctica para introducir una red de solamente 5 nodos. La relación que mediremos es si las personas de la red han sido o no pareja sentimental estable. Dado que la relación «ser Ilustración 1. La hoja de datos (spreadsheet)de Ucinet 6. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico10 Materials pareja de» es simétrica (si A es pareja de B, B es pareja de A) lo primero que haremos será seleccionar la opción de datos simétricos para introducir fácilmente las etiquetas de los nodos, antes de introducir los nombres de los integrantes de esta red. También indicaremos las dimensiones de la matriz: 5 filas y 5 columnas (Ilustración 2). A continuación clicaremos en la celda seleccionada y comenzaremos a escribir los nombres de los integrantes de la red: Penélope, Tom, Nikole, Melanie, Antonio. Una vez escritos copiaremos estas etiquetas de las filas a las columnas con el comando: Labels>Copy rows to columns Acontinuación indicaremos con un «1» si son o han sido (o han dicho que han sido) pareja estable. Como la matriz es simétrica sólo es necesario que indiquemos que Penélope tiene un «1» con Tom, Tom un «1» con Nikole y Melanie un «1» con Antonio. Con el comando Fill>Missings with simmetric counterparts rellenaremos los «1» que faltaban y con el comando Fill>Blanks w/0s rellenaremos con «0» las celdas en blanco. Por último, solamente nos queda guardar la matriz en un fichero (Ilustración 3). File>Save As>prueba Con esto ya tenemos generada una matriz de datos lista para ser analizada. El nombre asignado por Ucinet 6 será prueba.##h Ilustración 2. Hoja de datos de Ucinet 6. Talleres de autoformación con programas de análisis de redes sociales Materials 11 La hoja de datos de Ucinet 6 es compatible con la opción de copiar y pegar de Excel, por lo que en ocasiones puede ser útil trabajar en esa hoja de cálculo, abrir la hoja de datos de Ucinet y pegar la matriz seleccionada previamente. En este caso tenemos que tener cuidado que no queden filas ni columnas en blanco, indicando en el apartado correspondiente el número exacto de ambas. Fichero de texto Cuando en el transcurso de una investigación se recogen datos relacionales, la lista de nodos suele ser de decenas o centenas. Por tanto, es mucho más práctico recoger los datos en otro formato, como por ejemplo Penélope Tom 1 Tom Nikole 1 etc. En lugar de introducir los datos directamente en la matriz, crearemos un fichero de texto, que luego importaremos a Ucinet 6. Ucinet 6 dispone de muchos tipos de formato para los ficheros de texto, pero el más útil es el formato dl. Si quisiéramos incorporamos los datos de la red que hemos realizado anteriormente en este formato deberíamos utilizar algún procesador de texto, y escribir lo siguiente: dl n = 5 format = el1 labels embedded data: Penélope Tom 1 Tom Penélope 1 Ilustración 3. Guardar la matriz generada en la hoja de datos. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico18 Materials Si elegimos «Row» obtendremos un fichero llamado Affiliations.##h de 18 x 18 listo con la siguiente matriz: 111111111 123456789012345678 ELTBCFEPRVMKSNHDOF ------------------ 1 EVELYN 8 6 7 6 3 4 3 3 3 2 2 2 2 2 1 2 1 1 2 LAURA 6 7 6 6 3 4 4 2 3 2 1 1 2 2 2 1 0 0 3 THERESA 7 6 8 6 4 4 4 3 4 3 2 2 3 3 2 2 1 1 4 BRENDA 6 6 6 7 4 4 4 2 3 2 1 1 2 2 2 1 0 0 5 CHARLOTTE 3 3 4 4 4 2 2 0 2 1 0 0 1 1 1 0 0 0 6 FRANCES 4 4 4 4 2 4 3 2 2 1 1 1 1 1 1 1 0 0 7 ELEANOR 3 4 4 4 2 3 4 2 3 2 1 1 2 2 2 1 0 0 8 PEARL 3 2 3 2 0 2 2 3 2 2 2 2 2 2 1 2 1 1 9 RUTH 3 3 4 3 2 2 3 2 4 3 2 2 3 2 2 2 1 1 10 VERNE 2 2 3 2 1 1 2 2 3 4 3 3 4 3 3 2 1 1 11 MYRNA 2 1 2 1 0 1 1 2 2 3 4 4 4 3 3 2 1 1 12 KATHERINE 2 1 2 1 0 1 1 2 2 3 4 6 6 5 3 2 1 1 13 SYLVIA 2 2 3 2 1 1 2 2 3 4 4 6 7 6 4 2 1 1 14 NORA 2 2 3 2 1 1 2 2 2 3 3 5 6 8 4 1 2 2 15 HELEN 1 2 2 2 1 1 2 1 2 3 3 3 4 4 5 1 1 1 16 DOROTHY 2 1 2 1 0 1 1 2 2 2 2 2 2 1 1 2 1 1 17 OLIVIA 1 0 1 0 0 0 0 1 1 1 1 1 1 2 1 1 2 2 18 FLORA 1 0 1 0 0 0 0 1 1 1 1 1 1 2 1 1 2 2 Un simple análisis de f-Groups (una técnica que busca grupos internamente densos y débilmente conectados que está disponible en Network>Subgroups> f-Groups)de esta matriz nos muestra la existencia de dos grupos de mujeres bien definidos (Ilustración 7). Group 1: EVELYN LAURA THERESA BRENDA CHARLOTTE FRANCES ELEANOR RUTH Group 3: VERNE MYRNA KATHERINE SYLVIA NORA HELEN Levels of Ties Among Actors Por otra parte, un análisis de las columnas también puede sernos de utilidad. Procederíamos de la misma forma pero seleccionando «Column» en lugar de «Row». Talleres de autoformación con programas de análisis de redes sociales Materials 19 Cómo recodificar matrices Ucinet 6 dispone de un amplio conjunto de procedimientos para manipular matrices. De todos ellos destacaremos la opción Transform>Recode Este procedimiento consta de dos partes (pestaña «Files» y pestaña «Recode», Ilustración 8). En la pestaña Files,podemos seleccionar el fichero con los datos, las filas y las columnas que queremos recodificar. El botón Lnos permite seleccionar diferentes subconjuntos de filas o columnas, presionando la tecla Crtl y clicando las etiquetas de fila o columna correspondientes. Si no especificamos nada, la remodificación afectará atoda la matriz. Ilustración 7. Análisis de F-Groups de Ucinet 6. Ilustración 8. Opción «Recode» de Ucinet 6. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico20 Materials Por último, en la pestaña Recode podemos especificar un conjunto de reglas de recodificación. Siguiendo con el ejemplo de los jóvenes que se mueven en la noche barcelonesa, podemos introducir el criterio de convertir en «0» todos los desplazamientos de menos de 15 jóvenes y en «1» todos los desplazamientos de 15 o superior (Ilustración 9). Si clicamos la tecla Add dispondremos de las dos reglas definidas. El resultado de la recodificación (matriz Recjovenes) es el siguiente: 111111111122222 123456789012345678901234 ABCDEFGHIJKLMNÑOPQRSTUVW ------------------------ 1A 100000000000000000000000 2B 110001000000000000000000 3C 100000000000000000000000 4D 000100000000000000000000 5E 000011000000000000000000 6F 000001000000000000000000 7G 100001000000000000000000 8H 100000010000000000000000 9I 100000000000000000000000 10 J 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 Ilustración 9. Recodificación de los valores de una matriz. Talleres de autoformación con programas de análisis de redes sociales Materials 21 Si representamos gráficamente la matriz con NetDraw obtendremos una imagen bastante parecida a la que obtuvimos en la ilustración 6 (Ilustración 10). Ilustración 10. Grafo de la matriz recodificada de traslado nocturno de jóvenes en Barcelona. El análisis de redes sociocéntricas con Ucinet 6 y Netdraw Águeda Quiroga UPF Talleres de autoformación con programas de análisis de redes sociales Materials 23 Introducción Este taller tiene como objetivo introducir conceptos básicos del análisis de datos reticulares (o análisis de redes sociales), utilizando UCINET 6 y NetDraw1. Los contenidos de este manual surgen de tres fuentes principales: — Hanneman, Robert A., Introducción a los métodos de análisis de redes sociales. Departamento de Sociología de la Universidad de California Riverside. http://wizard.ucr.edu/~rhannema/netwprks/text/textindex.html Versión en castellano en http://www.redes-sociales.net/materiales. —Molina, José Luis (2001), El análisis de redes sociales. Una introducción. Barcelona: Edicions Bellaterra. — Wasserman, Stanley and Faust, Katherine (1994), Social network Analysis. Methods and Applications. Cambridge MA: Cambridge University Press. Pero ¿qué es el análisis de redes sociales? Veamos una definición: El análisis de redes sociales se ocupa del estudio de las relaciones entre una serie definida de elementos (personas, grupos, organizaciones, países e incluso acontecimientos). Adiferencia de los análisis tradicionales que explican, por ejemplo, la conducta en función de la clase social y la profesión, el análisis de redes sociales incorpora las relaciones y no sólo los atributos de los elementos. (Molina, op.cit:p. 13). La particularidad del análisis de redes sociales radica entonces en el énfasis en las relaciones entre los elementos estudiados, entre sus propiedades relacionales, y no exclusivamente en las características monádicas (atributos individuales) de cada elemento. Como señala Hanneman (op.cit), los datos sociológicos «tradicionales» se representan en una matriz rectangular en donde se inscriben las mediciones. En las filas se ubican los casos u observaciones (personas, organizaciones, países, etc.), y en las columnas, las variables seleccionadas (edad, tipo de organización, población, etc.). En cambio, en el análisis de redes sociales (…) los datos de la ‘red’ (en su forma más pura), constituyen una matriz cuadrada de mediciones. Las filas de la matriz son los casos, sujetos u observaciones. Las columnas son el mismo conjunto de casos, sujetos y observaciones –allí está la diferencia clave con los datos convencionales. En cada celda de la matriz se describe una relación entre los actores (p. 5). 1. Borgatti, S.P. 2002. NetDraw: Graph Visualization Software.Harvard: Analytic Technologies http://www.analytictech.com. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico24 Materials En las tablas 1 y 2 se presenta un ejemplo de los dos tipos de matrices señaladas por Hanneman. La primera se fija en las características de los individuos. La segunda, en las relaciones que mantienen dichos individuos entre sí. Así, se ha marcado con 1 la presencia de la relación de amistad y con 0 su ausencia. Los elementos básicos del análisis de redes sociales son, entonces, los nodos (los puntos que representan a personas, grupos, países, etc.) y la relación o vínculo que nos interesa analizar (amistad, enemistad, parentesco, comercio,etc.) y que se establece entre tales nodos. Descripción del ejercicio práctico Comenzaremos trabajando con un ejemplo sencillo, a fin de introducir los conceptos básicos. Analizaremos las relaciones de conocimiento mutuo de un curso de estudiantes universitarios. Contamos con el listado de estudiantes (nombre y sexo) y la carrera ala que pertenecen. Además, cada uno de ellos ha respondido un cuestionario en el que se les preguntaba a quiénes de los demás integrantes de la clase conocían personalmente antes de iniciar el curso. Así, los nodos serán en este caso los estudiantes, y el vínculo a analizar será la relación de conocimiento previo. Conviene precisar bien a qué propiedad relacional nos referimos. No se trataba en este caso de preguntar quiénes eran amigos de quiénes, ni de si algún estudiante tenía conocimiento indirecto de otro (ambos casos resultan problemáticos por diversas razones). Se trata de la propiedad «conocer a», que en nuestro estudio (y en el cuestionario) se entendía como tener un mutuo conocimiento personal (que no tiene por qué implicar relación continuada, pero sí alguna interacción pasada). Con los datos de las tablas 3 y 4 elaboraremos las matrices que utilizaremos para el análisis Informante Edad Sexo Ocupación FFG 32 Mujer Secretaria administrativa BNM 20 Hombre Estudiante DFP 45 Hombre Funcionario público CCD 37 Mujer Abogada STR 26 Mujer Docente Tabla 1. Matriz con datos sociológicos «convencionales». Tabla 2. Matriz con datos relacionales. ¿Quién es amigo de quién? FFG BNM DFP CCD STR FFG -1 0 0 1 BNM 1 -1 0 0 DFP 0 1 -1 1 CCD 0 0 1 -0 STR 1 0 1 0 - Talleres de autoformación con programas de análisis de redes sociales Materials 25 Tabla 3. Listado de estudiantes. Tabla 4. Resultado del cuestionario. Nombre Sexo (M/F) Carrera Andrés MAntropología Carlos M Arqueología Carme F Arqueología Carmen F Antropología Carol F Arqueología Dolors F Antropología Hugo M Sociología Joan M Antropología José M Psicología Social Julio M Antropología Liliana F Sociología María F Psicología Social Mariano M Arqueología Martha F Arqueología Nuria F Psicología Social Pau M Antropología Xavi M Psicología Social Nombre Conoce a Andrés Carlos, Carmen, Dolors, Joan, Julio, Pau Carlos Carme, Carol, Andrés Carme Carlos, Carol Carmen Andrés, Dolors, Pau Carol Carlos, Carme Dolors Andrés, Carmen, José Hugo Liliana Joan Andrés, Julio, Pau, José José Dolors, Joan, María, Nuria, Xavi Julio Andrés, Joan Liliana Hugo María José, Nuria, Xavi Mariano Martha, Pau Martha Mariano, Pau Nuria José, María Pau Andrés, Carmen, Joan, Martha, Mariano Xavi José, María aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico26 Materials Crear una matriz con Ucinet 6 El primer paso en nuestro análisis de redes del ejemplo planteado consiste en construir una matriz con la información de que disponemos, a fin de poder analizarla y graficarla. Para eso, utilizaremos el programa Ucinet 6. Al iniciar dicho programa Ucinet 6 nos encontramos con la pantalla de la ilustración 1. Al operar en un entorno Windows, el programa presenta características comunes a los programas elaborados para este sistema operativo. Cuenta con una barra de menús desplegables (File, Data, Transform, Tools, Network, Draw, Options, Help)más una serie de iconos de acceso directo. Si nos fijamos en la ilustración 1, veremos que en la parte inferior hay un rectángulo blanco, donde se lee «C:\Documents and Settings\ Propietario\Mis documentos». Esta dirección nos indica el directorio en el que estamos trabajando, y en el que por defecto guardará los archivos. Para definir otra carpeta o directorio se debe hacer seleccionar File> Change Default Folfer Esta operación es importante hacerla en primer lugar. Acontinuación debemos introducir nuestros datos. Para ello activaremos la función «Spreadsheet» (el segundo icono desde la izquierda, ver la Ilustración 2 y siguientes). Antes de continuar con la introducción de datos en la matriz es conveniente realizar una aclaración sobre los tipos de vínculos. Los lazos o vínculos pueden ser orientados ono orientados (por ejemplo, conocimiento previo como una relación no orientada, prestar dinero a alguien como una relación orientada). Pero, por otra parte, también pueden ser o binarios o valorados. Son binarios cuando medimos la ausencia o presencia de la relación. En el caso que estamos analizando, si dos personas se conocen previamente le Ilustración 1. Ucinet 6. damos el valor 1 y si no, 0. Pero también podríamos querer valorar el tipo de relación que tienen dos personas, ponderando el vínculo, por ejemplo, entre 0 si no hay conocimiento, 1 si son apenas conocidos, 2 si son conocidos con una relación continuada, 3 si son amigos y 4 si son amigos muy cercanos. A lo largo de este ejemplo sólo trabajaremos con vínculos no orientados y binarios, pero es importante recordar que se pueden utilizar también vínculos orientados y vínculos valorados, y que dentro de estos existe una gran pluralidad de variantes2. Dado que, como hemos dicho, en nuestro ejemplo los vínculos no son orientados, cambiaremos la función a «Symmetric» (Ilustración 3) e introduciremos los nombres de los estudiantes en las filas y luego los copiaremos en las columnas Labels> Copy rows to columns 2. Para más información sobre los tipos de vínculos y las escalas de medida, véase Hanneman, op.cit,cap 1:17-22. Talleres de autoformación con programas de análisis de redes sociales Materials 27 Ilustración 2. Hoja de datos con los estudiantes. Ilustración 3. Relación existente entre los estudiantes (conocimiento previo). aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico34 Materials Medidas de centralidad Como señala Hanneman (op. cit.) Laperspectiva de redes implica tener en cuenta múltiples niveles de análisis. Las diferencias entre los actores son interpretadas en base a las limitaciones y oportunidades que surgen de la forma en que éstos están inmersos en las redes; la estructura y el comportamiento de las redes está basado en y activado por las interacciones locales entre los actores. (...) Las diferencias en cómo los individuos están conectados puede ser extremadamente útil para entender sus atributos y comportamiento. Muchas conexiones significan amenudo que los individuos se exponen todavía a más y más diversa información. (cap V: p. 3) Podemos realizar una primera aproximación a la estructura de una red social mediante el análisis de tres medidas de centralidad: rango (degree), grado de intermediación (betweenness)ycercanía (closeness). Por medida de centralidad se entiende un conjunto de algoritmos calculado sobre cada red que nos permite conocer la posición de los nodos en el interior de la red y la estructura de la propia red. Veamos qué significa cada una de estas medidas, cómo se calculan y cómo se interpretan. Grado nodal (degree) El grado nodal o rango es el número de lazos directos de un actor (o nodo), es decir con cuántos otros nodos se encuentra directamente conectado. Si volvemos a la figura 23, por ejemplo, podemos observar que Martha está conectada a dos personas: Mariano y Pau. Su rango, entonces es 2. Andrés, en cambio, conoce a seis personas: su rango es 6. En este caso es sencillo calcularlo a simple vista. Pero para trabajar con mayor precisión, utilizaremos Ucinet 6. Desde el menú «Network» seleccionaremos la función «Centrality» y luego «Degree» (Ilustración 13). En la pantalla que se despliega seleccionaremos la matriz que contiene los datos que queremos analizar.En este caso, analizaremos la matriz «estudiantes.##h», la que contiene la información sobre las relaciones de conocimiento entre los estudiantes de la Ilustración 13. Calculando el grado nodal (Degree) con Ucinet 6. Talleres de autoformación con programas de análisis de redes sociales Materials 35 clase. Para ello, haremos click con el ratón en el botón de la fila «imput dataset» (marcado con tres puntos) (Ilustración 14). La primera fila («Input dataset») indica el fichero que utilizará para calcular el rango. La segunda fila («Treat data as symmetric») pregunta si se trata de una matriz simétrica (la relación de A-B vale para B-A) o no. En este caso, la respuesta es «sí». La tercera fila (Include diagonal values?) pregunta si debe tener en cuenta los valores de la diagonal (la relación entre A y A, B y B, C y C, etc.), y responderemos «no». La cuarta fila informa con qué nombre se guardarán los resultados, en el directorio que tengamos predeterminado. Haciendo click en el icono de los tres puntos, se puede definir otro directorio y modificar el nombre del archivo con los datos de salida si así lo deseamos. Una vez realizados los cambios que queremos hacer, hacemos click en «aceptar». Obtenemos la pantalla de la ilustración 15. Vemos la lista de todos los nodos de la red, ordenados de mayor rango (más número de conexiones) a menor rango (menor número de conexiones). Se reproduce en la tabla de la página siguientela información obtenida en las tres primeras columnas (Cuadro 1). La columna «Nrmdegree» indica el rango normalizado, es decir, el porcentaje de conexiones que tiene un nodo sobre el total de la red. El análisis del rango o grado nodal nos indica que la persona más conectada en este grupo, la de mayor centralidad, es Andrés, y que Liliana y Hugo son los menos centrales, con un rango de 1 cada uno. Podríamos suponer que Andrés es la persona que controla mayor cantidad de información. El grado nodal puede ser considerado una medida que permite acceder al índice de accesibilidad a la información que circula por la red. Si, por ejemplo, en el interior del grupo circularan ciertos rumores, los actores con un Ilustración 14. Seleccionando el fichero «estudiantes». Ilustración 15. Resultados del cálculo del grado nodal. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico36 Materials grado nodal más alto tendrán mayores probabilidades de escucharlos y difundirlos. El rango también puede ser interpretado como el grado de oportunidad de influir o ser influido por otras personas en la red. Pongamos por ejemplo el caso de la red que estamos analizando. Supongamos que nos interesa realizar algunas modificaciones en el dictado de la asignatura o que queremos conocer la valoración de los estudiantes sobre su desarrollo. En este caso Andrés (con un grado nodal de 6, el más alto de la red) parece ser un buen informante, alguien que tiene acceso a bastante información de la que cirDegree NrmDegree Andrés 6.0 37.500 Pau 5.0 31.250 José 5.0 31.250 Joan 4.0 25.000 Carlos 3.0 18.750 Dolors 3.0 18.750 Carmen 3.0 18.750 María 3.0 18.750 Carme 2.0 12.500 Nuria 2.0 12.500 Carol 2.0 12.500 Mariano 2.0 12.500 Xavi 2.0 12.500 Julio 2.0 12.500 Martha 2.0 12.500 Liliana 1.0 6.250 Hugo 1.0 6.250 Ilustración 16. Estadísticos descriptivos del cálculo del grado nodal. Cuadro 1. Talleres de autoformación con programas de análisis de redes sociales Materials 37 cula por el grupo. Podemos utilizar el rango también, por ejemplo, como un método de selección de personas para entrevistas o negociaciones. Pero debemos complementar este análisis con las otras medidas de centralidad, para obtener un panorama más completo. Antes de hacerlo, nos referiremos a los estadísticos descriptivos que acompañan la información (Ilustración 16). Los estadísticos descriptivos brindan información sobre los valores que tomó el rango en el conjunto de la red. Vemos que el rango promedio de la red («Mean») es 2.824, y que los valores oscilan entre 1 y 6 (la menor y mayor cantidad de lazos). Incorporaremos esta información al informe de la práctica, de manera muy sencilla: seleccionamos con el ratón el texto y seleccionamos la función «copiar» (Edit>Copy). Pegamos la información en el informe en Word que estamos elaborando (Edición>Pegar). Grado de intermediación (betweenness) El grado de intermediación indica la frecuencia con que aparece un nodo en el tramo más corto (o geodésico) que conecta a otros dos. Es decir, muestra cuando una persona es intermediaria entre otras dos personas del mismo grupo que no se conocen entre sí (lo que podríamos denominar «persona puente»). Veamos cuáles son los valores para el grado de intermediación en nuestra red para localizar un ejemplo. Para calcular el grado de intermediación seleccionamos el menú Network> Centrality>Betweenness>Nodes: En la pantalla que se despliega elegimos la matriz que contiene los datos que vamos aanalizar («estudiantes.##h») y hacemos click en el botón «ok». Obtenemos como resultado el valor del grado de intermediación de cada nodo, ordenados de mayor a menor (Ilustración 17). Ilustración 17. Resultados del cálculo del grado de intermediación. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico38 Materials Se reproducen a continuación los resultados obtenidos: Andrés y José son las personas con un mayor grado de intermediación. Si observamos la figura 23 vemos que Andrés es la persona que conecta al grupo de los antropólogos con uno de los grupos de los arqueólogos (el formado por Carlos, Carme y Carol) yJosé conecta al grupo de los estudiantes de psicología social con los de antropología. Pero Joan, Pau y Carlos también tienen valores altos de grado de intermediación. La relación entre Joan y Pau permite conectar tres grupos: arqueólogos, antropólogos y psicólogos sociales. En el caso de Carlos, su relación con Andrés vincula a Carol y Carme con un grupo mayor. Si esa relación se rompiese, el grupo quedaría aislado. Realizaremos la misma operación que en el caso del rango: seleccionaremos los resultados obtenidos y con la función «copiar» incorporaremos la información en el documento del informe. Cercanía (closenness) El grado de cercanía indica la cercanía de un nodo respecto del resto de la red. Representa la capacidad que tiene un nodo de alcanzar a los demás. Veremos su interpretación a partir de un ejemplo. Para calcularlo, procederemos de la misma manera que en las dos medidas de centralidad anteriores, es decir,apartir del menú «Network» (Network>Centrality> Closenness). Seleccionamos el archivo a analizar y damos click en el botón «ok». El resultado de la operación, al igual que en los casos anteriores, es la lista ordenada de los valores de cercanía, y también el de su opuesto, lejanía (farness)(Ilustración 18). Betweenness nBetweenness Andrés 39.0 32.5 José 34.0 28.3 Joan 25.5 21.2 Pau 24.5 20.4 Carlos 24.0 20.0 Dolors 12.0 20.0 Carmen 1.5 10.0 María 0.5 1.2 Carme 0.0 0.4 Hugo 0.0 0.0 Carol 0.0 0.0 Liliana 0.0 0.0 Mariano 0.0 0.0 Julio 0.0 0.0 Nuria 0.0 0.0 Martha 0.0 0.0 Xavi 0.0 0.0 Talleres de autoformación con programas de análisis de redes sociales Materials 39 Se reproducen a continuación los resultados: Al igual que en las dos medidas de centralidad anteriormente analizadas, Andrés es la persona de la red que cuenta con un grado de cercanía más grande. Tiene una mayor capacidad para acceder al resto de los nodos de la red. Sin embargo, los resultados para el resto de las personas no son iguales a los obtenidos en las mediciones anteriores. Si Farness Closeness Andrés 59.0 27.11 Joan 60.0 26.66 Pau 62.0 25.80 Dolors 63.0 25.39 José 64.0 25.00 Carmen 64.0 25.00 Julio 67.0 23.88 Carlos 68.0 23.52 Mariano 74.0 21.62 Martha 74.0 21.62 Maria 75.0 21.33 Nuria 76.0 21.05 Xavi 76.0 21.05 Carme 80.0 20.0 Carol 80.0 20.0 Liliana 256.0 6.25 Hugo 256.0 6.25 Ilustración 18. Cálculo de la cercanía. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico40 Materials volvemos a los resultados del grado nodal vemos que, por ejemplo, Dolors tenía el mismo rango que Carlos, Carmen y María (conocían a tres personas cada uno). Sin embargo, el grado de cercanía de Dolors es mayor que el de ellos. No sólo es importante el número de personas que conoces, sino quiénes son esas personas, cuál es su grado de conexiones. Si observamos la red vemos que Dolors conoce a Andrés y a José, las dos personas con mayor grado de cercanía de toda la red. De esta manera, su probabilidad de acceder al resto de los nodos es más alta. «Una persona poco conectada con el resto (baja centralidad, bajo grado de intermediación) por el solo hecho de estar conectada con una persona ‘importante’ puede tener una alta cercanía» (Molina, op.cit: p. 79). Finalizaremos ahora el ejercicio, copiando los resultados y llevándolos al informe que hemos elaborado. Redes dentro de redes: cliques Regresemos ahora al gráfico de nuestra red. Una característica que podemos observar a simple vista es que dentro de ella es posible identificar grupos o sub-grafos. Por ejemplo, Carlos, Carme y Carol constituyen un grupo: están relacionados entre ellos (de hecho, tienen se encuentran más vinculados entre ellos que con el resto de la red). Este subgrupo recibe el nombre técnico de clique (si bien, como veremos posteriormente, podríamos hablar de dos acepciones de clique: en sentido «duro» y en sentido «blando»). Un clique (en sentido «blando») es un grupo dentro de una red. El análisis de sub-grafos, o de cliques, es un tipo de aproximación a la estructura de la red, una aproximación de «abajo hacia arriba», como señala Hanneman (op. cit.): La noción [de clique] parte de los vínculos simples para «construir» la red. Un mapa de toda la red puede ser construido examinando los tamaños de los distintos cliques y agrupaciones de tipo de clique, notando sus tamaños y yuxtaposiciones. Este tipo de aproximación, acerca de las subestructuras de las redes, tienden a enfatizar cómo lo macro puede surgir de lo micro. Tienden a enfocar nuestra atención primero en los individuos yen entender cómo están inmersos en la estructura mayor de la red a partir de los grupos yuxtapuestos. Esta idea aparentemente obvia se tiene que destacar porque también es posible aproximarse a la cuestión de la subestructuras de las redes desde una perspectiva de arriba hacia abajo. Ambos aspectos son valiosos y complementarios. (cap V: p. 6) Ucinet permite analizar las subestructuras de la red, a partir de una serie de medidas de agrupamiento, que revisaremos a continuación Cliques Hemos utilizado anteriormente la palabra clique como sinónimo de subgrupo dentro de una red. Pero en sentido estricto se denomina clique a un conjunto de nodos o actores que tienen todos los vínculos posibles entre ellos. Los actores que conforman un clique deben ser más de dos, por lo general se trabajan cliques de tres y más integrantes. Un grupo de nodos que tienen entre ellos todos los vínculos posibles se denomina «subgrafo máximo completo». Pediremos a Ucinet que identifique todos los cliques de más de tres integrantes que se encuentran en nuestra red. Para ello, desde la pantalla inicial de Ucinet seleccionaremos el menú «Network» y luego Subgroups>Cliques (Ilustración 19). Talleres de autoformación con programas de análisis de redes sociales Materials 41 En el cuadro de diálogo que se despliega (que es muy similar a los que utilizamos con las medidas de centralidad) seleccionaremos en primer lugar la matriz en donde se encuentran los datos que queremos analizar (Imput dataset). En este caso es la que hemos estado utilizando hasta ahora (estudiantes.##h). La segunda opción es el número mínimo de integrantes del clique. La opción por defecto es 3 y en este caso la mantendremos. Acontinuación se nos pregunta si queremos que se analice el patrón de superposiciones (Analyze pattern of overlaps). Esto significa que podemos saber cuándo un integrante de un clique pertenece a otros, y con cuales miembros de la red comparte cliques. Es una información muy interesante, que analizaremos con más detalle cuando veamos los resultados. Ignoraremos por ahora el resto de las opciones, ya que es necesario que en primer lugar aprendamos las cuestiones básicas de esta medida (Ilustración 20). Ilustración 19. Localizando cliques en la red. Ilustración 20. Ventana de diálogo de la opción Cliques. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico42 Materials Al hacer click en «OK» obtenemos la pantalla de la ilustración 21. El primer dato que obtenemos es que se han encontrado 8 cliques en nuestra red. Transcribo a continuación los resultados: Ningún clique en nuestra red tiene más de tres integrantes. Podemos decir que esta red está conformada por pequeñas subestructuras con un alto grado de solapamiento (Andrés, por ejemplo, es integrante de la mitad de los cliques). Pero el grado de solapamiento se observa con claridad cuando analizamos la matriz de superposiciones (que transcribo a continuación): Actor-by-Actor Clique Co-Membership Matrix 11111111 12345678901234567 accccdhjjjlmmmnpx ----------------- 1 andres 4 0 0 2 0 1 0 2 0 1 0 0 0 0 0 2 0 2 carlos 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 3 carme 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 4 carmen 2 0 0 2 0 1 0 0 0 0 0 0 0 0 0 1 0 5 carol 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 6 dolors 1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 7 hugo 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 joan 2 0 0 0 0 0 0 2 0 1 0 0 0 0 0 1 0 9 jose 0 0 0 0 0 0 0 0 2 0 0 2 0 0 1 0 1 10 julio 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 11 liliana 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 maria 0 0 0 0 0 0 0 0 2 0 0 2 0 0 1 0 1 13 mariano 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 14 martha 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 15 nuria 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 16 pau 2 0 0 1 0 0 0 1 0 0 0 0 1 1 0 3 0 17 xavi 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 8cliques found 1AndrésCarmenDolors 2AndrésCarmenPau 3 AndrésJoanJulio 4 AndrésJoanPau 5 CarlosCarmeCarol 6 JoséMaríaNuria 7 José María Xavi 8 MarianoMarthaPau Talleres de autoformación con programas de análisis de redes sociales Materials 43 A primera vista, esta matriz puede resultar poco clara. Pero vayamos paso por paso. La matriz de superposiciones (o de «co-membrecía») brinda tres datos: a cuántos cliques pertenece cada actor, con qué actores comparte cliques y cuánto cliques comparte con cada uno de ellos. ¿Cómo debe leerse para obtener esta información? Para saber a cuántos cliques pertenece cada nodo, leeremos la diagonal de la matriz. Así, la información sobre el actor 1 (Andrés) se encuentra en la intersección de la columna 1yla fila 1, la del actor 2 (Carlos), en la intersección de la columna 2 y la fila 2 y así sucesivamente: 11111111 12345678901234567 accccdhjjjlmmmnpx ----------------- 1 andres 40020102010000020 2 carlos 0 1101000000000000 3 carme 0 1 101000000000000 4 carmen 2 0 0 20100000000010 5 carol 0 1 1 0 1000000000000 6 dolors 1 0 0 1 0 100000000000 7 hugo 0 0 0 0 0 0 00000000000 8 joan 2 0 0 0 0 0 0 2010000010 9 jose 0 0 0 0 0 0 0 0 200200101 10 julio 1 0 0 0 0 0 0 1 0 10000000 11 liliana 0 0 0 0 0 0 0 0 0 0 0000000 12 maria 0 0 0 0 0 0 0 0 2 0 0 200101 13 mariano 0 0 0 0 0 0 0 0 0 0 0 0 11010 14 martha 0 0 0 0 0 0 0 0 0 0 0 0 1 1010 15 nuria 0 0 0 0 0 0 0 0 1 0 0 1 0 0 10 0 16 pau 2 0 0 1 0 0 0 1 0 0 0 0 1 1 0 30 17 xavi 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 Ilustración 21. Ventana de datos de los resultados del cálculo de los Cliques. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico50 Materials Aunque la composición es idéntica al caso de N-clique (ya que la definición de Nclique se encuentra incluida en la de N-clan), el procedimiento es diferente Veamos el ejemplo de Andrés. Pertenece al clan Nº 5 por su relación con Carlos, ya que no conoce directamente a Carme o a Carol. Pero no podría invocar a ningún otro actor para pertenecer al clan si este no perteneciera también. N-clan es un modificación menor de N-clique, y como hemos observado en el ejemplo, en muchos casos se obtienen idénticos resultados, pero ambas medidas se complementan, ya que permiten asegurarnos de que los actores que incluimos en un clique realmente pertenecen a él. La última medida que analizaremos es K-plex. Su definición es muy sencilla: un actor puede ser miembro de un clique siempre y cuando tenga vínculos directos con todos excepto K miembros del grupo. Ilustración 25. Ventana de diálogo de N-Clan. Ilustración 26. Resultados N-Cliques. 52-clans found. 1 andres carmen dolors joan jose julio pau 2 dolors joan jose maria nuria xavi 3andres carlos carmen dolors joan julio pau 4andres carmen joan mariano martha pau 5 andres carlos carme carol Talleres de autoformación con programas de análisis de redes sociales Materials 51 Hanneman dice que, si bien (…) el enfoque K-plex parece tener bastante en común con el N-clique, el análisis basado enK-plex a menudo arroja un cuadro bastante diferente de las sub-estructuras del grafo. En vez de las agrupaciones grandes y concatenadas que a veces produce el análisis N-clique, el análisis K-plex tiende a encontrar número relativamente grandes de pequeñas agrupaciones. Esto tiende a llamar la atención sobre yuxtaposiciones y co-presencia (centralización) más que en solidaridad y accesibilidad (cap. V: p. 11). K-plex, entonces, muestra información sobre círculos sociales superpuestos. Veamos qué sucede cuando aplicamos K-plex a nuestros datos. Daremos a K el valor de 2 (un actor será miembro de un clique si conoce a todos menos dos actores del mismo). Seleccionamos el menú Network>Subgroups>K-plex. El cuadro de diálogo es similar a todos los anteriores. Seleccionamos el documento a analizar, determinamos el valor de K (2), declaramos que los grupos deben tener 3 o más integrantes y pedimos la matriz de superposiciones (Ilustración 27). Obtenemos el resultado de la ilustración 28. Ilustración 27. Ventana de diálogo de K-plex. Ilustración 28. Resultados de K-Plex. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico52 Materials Nuestra red consta de 31 K-plex, es decir 31 subgrupos en donde un actor conoce a todos los integrantes menos a dos. Transcribo los resultados de la primera tabla: 31 k-plexes found. 1 andres carlos carme 2 andres carlos carmen 3 andres carlos carol 4 andres carlos dolors 5 andres carlos joan 6 andres carlos julio 7 andres carlos pau 8andres carmen dolors pau 9andres carmen joan pau 10 andres carmen julio 11 andres dolors joan jose 12 andres dolors julio 13 andres joan julio pau 14 andres mariano pau 15 andres martha pau 16 carlos carme carol 17 carmen dolors jose 18 carmen mariano pau 19 carmen martha pau 20 dolors jose maria 21 dolors jose nuria 22 dolors jose xavi 23 joan jose julio 24 joan jose maria 25 joan jose nuria 26 joan jose pau 27 joan jose xavi 28 joan mariano pau 29 joan martha pau 30 jose maria nuria xavi 31 mariano martha pau Talleres de autoformación con programas de análisis de redes sociales Materials 53 Vemos una gran mayoría de K-plexes de tres integrantes (26) y sólo cinco con más de tres. Andrés es el actor que se repite mayor cantidad de veces, como podemos comprobar al mirar la matriz de superposiciones: está presente en 15 grupos. Pero también hay otros actores con participaciones importantes. Al utilizar esta medida, todos los actores aumentan el número de cliques a los que perteneces. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 an ca ca ca ca do hu jo jo ju li ma ma ma nu pa xa ————————————————— 1 andres 15 7141404140011060 2 carlos 7 8212101010000010 3 carme 1 2 201000000000000 4 carmen 4 1 0 70201110011040 5 carol 1 2 1 0 2000000000000 6 dolors 4 1 0 2 0 801510100111 7 hugo 0 0 0 0 0 0 00000000000 8 joan 4 1 0 1 0 1 0 11 620111151 9 jose 1 0 0 1 0 5 0 6 11 10300313 10 julio 4 1 0 1 0 1 0 2 1 50000010 11 liliana 0 0 0 0 0 0 0 0 0 0 0000000 12 maria 0 0 0 0 0 1 0 1 3 0 0 300101 13 mariano 1 0 0 1 0 0 0 1 0 0 0 0 41040 14 martha 1 0 0 1 0 0 0 1 0 0 0 0 1 4040 15 nuria 0 0 0 0 0 1 0 1 3 0 0 1 0 0 30 1 16 pau 6 1 0 4 0 1 0 5 1 1 0 0 4 4 0 12 0 17 xavi 0 0 0 0 0 1 0 1 3 0 0 1 0 0 1 0 3 aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico54 Materials Algo similar observamos al analizar la línea horizontal (o vertical): 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 an ca ca ca ca do hu jo jo ju li ma ma ma nu pa xa ————————————————— 1 andres 15 7141404140011060 2 carlos 78212101010000010 3 carme 12201000000000000 4 carmen 41070201110011040 5 carol 12102000000000000 6 dolors 41020801510100111 7 hugo 00000000000000000 8 joan 4101010 11 6 2 0 1 1 1 1 5 1 9 jose 1001050 6 11 1 0 3 0 0 3 1 3 10 julio 41010102150000010 11 liliana 00000000000000000 12 maria 00000101300300101 13 mariano 10010001000041040 14 martha 10010001000014040 15 nuria 00000101300100301 16 pau 610401051100440120 17 xavi 00000101300100103 Aumenta el número de cliques que se comparten con el resto de integrantes de la red. Pero, siguiendo a Hanneman, eliminaremos los cliques de sólo tres integrantes, ya que nos dan poca información adicional (sólo hace falta conocer a un miembro para formar parte del grupo). Repetiremos el procedimiento, pero esta vez declararemos que el tamaño mínimo del grupo deberá ser de 4 nodos. Trancribo a continuación los resultados obtenidos: Sólo existen cinco sub.grupos que cumplan con las características solicitadas. Y una vez más Andrés es el actor más destacado, con cuatro participaciones. Pero también lo son Joan y Pau, con tres participaciones cada uno. 1 andres carmen dolors pau 2 andres carmen joan pau 3 andres dolors joan jose 4 andres joan julio pau 5 jose maria nuria xavi Talleres de autoformación con programas de análisis de redes sociales Materials 55 11111111 12345678901234567 accccdhjjjlmmmnpx ----------------- 1andres 40020203110000030 2 carlos 00000000000000000 3 carme 0000 0 000000000000 4 carmen 20 0 20101000000020 5 carol 00000000000000000 6 dolors 2 0 0 1 0 2 0 1 1 0 0 0 0 0 0 1 0 7 hugo 00000000000000000 8 joan 30010103110000020 9 jose 1000010 1 200100101 10 julio 10000001010000010 11 liliana 00000000000000000 12 maria 00000000100100101 13 mariano 00000000000000000 14 martha 00000000000000000 15 nuria 0000000010010010 1 16 pau 30020102010000030 17 xavi 00000000100100101 K-plex presenta grupos más «legítimos» en cierto sentido, ya que elimina la presencia de los intermediarios (tengo que conocer directamente a todos los miembros menos ados, en este caso). Al igual que en el caso de las medidas de centralidad, las medidas de agrupamiento son complementarias, y la combinación de ellas nos devuelve una imagen más ajustada de la estructura de la red. Para terminar con este ejercicio, pegaremos los resultados obtenidos en el documento de Word. El análisis de redes personales con Egonet i Visualizer José Luis Molina Departament d’Antropologia social i cultural, UAB Talleres de autoformación con programas de análisis de redes sociales Materials 57 Existen dos perspectivas diferentes para el estudio de las redes sociales: la sociocéntrica yla egocéntrica. La perspectiva sociocéntrica suele identificar para cada contexto institucional una red diferente. Así, si utilizamos como generador de nombres, «señala por favor a quiénes elegirías como representantes de esta lista», o «dime a quién pedirías prestado dinero», la red de respondientes y personas nominadas será diferente en cada caso. Naturalmente, podemos recoger diferentes contextos y combinarlos, pero la perspectiva sigue siendo la misma: un conjunto definido de personas o actores que tienen relaciones entre sí por algún tipo de relación (o contexto institucional) previamente definido. La perspectiva egocéntrica, en cambio, parte de un ego o punto focal y se interroga por todas las relaciones existentes. Naturalmente, de esta forma se recogen (o se deberían recoger) todos los contextos institucionales en los que se mueve ego, es decir, familia, vecinos, compañeros de estudio o trabajo, grupo religioso o cualquier institución relevante para su vida social. Estas instituciones varían según la cultura, naturalmente. Ahora bien, ¿cómo recoger o aproximarse la miríada de interacciones que se producen alrededor de una persona? La respuesta a esta pregunta depende también de la perspectiva adoptada. En general podemos afirmar que las redes personales están constituidas por un centro de lazos fuertes que cambia lentamente a lo largo de la vida y una periferia más amplia y dinámica. El tamaño de esta red varía enormemente en la escala social, de forma que las personas con cargos políticos o administrativos de importancia suelen tener unas redes muy amplias comparadas con las redes de personas marginales en una sociedad. Si atendemos a las relaciones acumuladas a lo largo de una vida (muchas de ellas se olvidan) el resultado es de 3500 personas (Cf. Molina, 2005 para una explicación detallada de los métodos). Si atendemos a las relaciones estables,podemos identificar una media de unas 300 personas, con una desviación típica importante en función de la clase social y el sexo. Si atendemos a las relaciones fuertes e íntimas, el número se puede reducir a menos de una veintena. En la ilustración 1 podemos apreciar estas diferencias. Christopher McCarty (2002) sugiere un cambio en el enfoque del estudio de redes personales, pasando de la estimación del tamaño a la estimación de la estructura de las redes personales. La pregunta es: ¿cuál es el mínimo de número de alteri sobre los que hay que indagar para disponer de una idea aproximada de la estructura de la red personal? McCarty propone que un número entre 30 y 45 personas tiene que ser suficiente si el generador de nombres utilizado permite obtener una lista libre de personas de todas las categorías sociales. Por ejemplo: Por favor, díganos una lista de 40 personas que Ud. conozca. Intente que todas las categorías importantes de personas (parientes, amigos, compañeros, vecinos...) estén representados en la lista. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico58 Materials El generador utilizado tiende a producir lazos íntimos al principio, pero la lista es lo suficientemente larga como para recoger información de diferentes áreas de la estructura de las redes personales, incluidos los lazos débiles. A continuación es necesario indagar sobre quién conoce a quién, aparte de recoger datos atributivos sobre ego y los alteri.Esta parte es la más larga pues una lista de 40 personas implica 780 preguntas de si dos personas se conocen o tienen algún tipo de relación que interese recoger. Para obtener esta información es necesaria la ayuda del programa Egonet. Por último, se presenta un informe a ego sobre su propia red personal. En todos los casos, los informantes se han mostrado sorprendidos por la calidad de la información mostrada sobre sus propias redes. El estudio de las redes personales tiene la inmensa ventaja que permite aplicar los métodos de muestreo de poblaciones (a diferencia del enfoque sociocéntrico) y que los resultados acerca de la composición y la estructura de cada red personal pueden ser convertidos en variables atributivas de los casos y formar parte de los modelos explicativos sobre una variedad de temas (salud, discursos, rendimiento académico, aculturación …). En este ejercicio realizaremos tres actividades. La primera, con el módulo de administración de Egonet, diseñaremos un cuestionario que nos permita aproximarnos a nuestra propia red personal. La segunda actividad consistirá en recoger datos de nuestra red personal (y,en su caso, la de otras personas) y visualizarla y analizarla con Visualizer, el módulo de visualización incorporado en Egonet. La tercera actividad consistirá en exportar los datos recogidos a SPSS. Ilustración 1. Las diferentes estimaciones del tamaño de la red personal. Talleres de autoformación con programas de análisis de redes sociales Materials 59 Notas sobre la instalación de Egonet Puede descargarse una versión de prueba de 60 días de Egonet de la página de MDlogix: http://www.mdlogix.com/egonet.htm#purchasing. Módulo administrador (Egonet_QB) El módulo Administrador de Egonet se llama Egonet_ QB (Egonet QBuilder, administrador de cuestionarios). Una vez clicamos el icono aparece la pantalla que muestra la ilustración 2. Introduciremos, en la versión de prueba, la misma serie de caracteres: nimh yclicaremos Ok.La pantalla que obtendremos será la de la que muestra la ilustración 3. Ilustración 2. Pantalla de identificación de Egonet_QB. Ilustración 3. Pantalla de QBuilder. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico66 Materials Ahora viene la parte más larga de la entrevista, la atribución de variables a los alteri. Una vez cumplimentada esta parte nos aparece el último módulo de relación, indicando cada pareja de nominados (Ilustración 14). Se observará que es posible clicar la opción adecuada o bien teclear el número, lo cual suele ser más rápido. Una vez completado este módulo, el ordenador calcula el gráfico resultante y, después de unos minutos, nos avisa que se han seleccionado todas las relaciones probables. Seleccionamos la opción de «Muy probablemente» y observamos la red personal resultante (Ilustración 15). Ilustración 12. Primera pantalla diseñada previamente con QBuilder. Ilustración 13. Lista de nominados. Talleres de autoformación con programas de análisis de redes sociales Materials 67 El módulo de visualización nos permite analizar la red personal. Un ejemplo de análisis de la red personal mediante combinación de las diferentes variables recogidas se ofrece en el apartado siguiente. Ilustración 14. Módulo cuarto para la relación entre las personas nominadas. Ilustración 15. Visualización de la red personal. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico68 Materials La entrevista cualitativa con Visualizer La visualización de la red personal es un recurso extraordinario para indagar conjuntamente con el informante acerca del significado de los diferentes grupos, posición de personas o distribución de variables de su red personal. En este apartado mostramos un ejemplo tomado de un proyecto de investigación que ilustra las posibilidades que ofrece el módulo de visualización de Egonet. Estas entrevistas pueden grabarse utilizando el mismo ordenador con programas gratuitos con Windows Media Encoder,por ejemplo. En este caso se ha escogido como en nuestro ejemplo anterior la opción «Muy probablemente» (Very likely)yclicando sobre el botón Spring Embedding Layout, el quinto por la izquierda). El resultado es el que muestra la ilustración 16. A continuación vamos a realizar un conjunto de manipulaciones en la visualización que nos permitan introducir un conjunto de variables visuales en la red personal sobre la estructura y composición de su red. Clicando directamente en cada nodo se puede acceder a toda la información introducida sobre el nodo. Así si clicamos encima de Pam tenemos la pantalla que muestra la ilustración 17. Es decir, las variables en la izquierda y su contenido en la derecha de la tabla. Ilustración 16. Ejemplo de red personal. Talleres de autoformación con programas de análisis de redes sociales Materials 69 Clusters o grupos de la red personal En primer lugar pediremos al informante que nos explique la estructura global de su red. Para esto nos ayudará la función Analysis>Partitions-Clusters>Hierarchical Clustering (Ilustración 18). El resultado es el que muestra la pantalla de la ilustración 19. La pantalla con los resultados hay que moverla para poder enseñar los grupos y preguntar por su significado. Cuando hayamos acabado simplemente hay que cerrar la pantalla de datos. Clicando en cualquier punto de la pantalla se vuelve a la situación original. Ilustración 17. Variables atributivas de un alter. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico70 Materials Ilustración 19. Clusters de la red personal numerados. Ilustración 18. Buscando grupos en la red personal. . Talleres de autoformación con programas de análisis de redes sociales Materials 71 Grado de intermediación Vamos a representar en la visualización el grado de intermediación de los nodos con un color. Para ello haremos lo siguiente: Analysis>Node Centrality.Aparece entonces una ventana y seleccionaremos los cuadros de color y la betweeness centrality (Ilustración 20). Aceptamos y obtenemos lo que muestra la ilustración 21. Ahora podemos preguntar sobre los nodos con el tono de color más acusado y también sobre el resto, por supuesto. Ilustración 20. Coloreando la red personal en función del grado de intermediación. . aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico72 Materials Ilustración 21. Red personal que muestra grupos y grado de intermediación. . Talleres de autoformación con programas de análisis de redes sociales Materials 73 Composición: sexo, residencia y otras Acontinuación vamos a mostrar dos variables visuales al mismo tiempo (color y forma, además de la posición) a partir de las variables disponibles sobre la composición de la red personal. De entrada haremos las siguientes selecciones: — Color:residencia actual. — Forma:sexo (triángulo hombres, círculo mujeres) Por supuesto se pueden explorar otras variables, las que sean necesarias en función de los objetivos del estudio. Seleccionamos en primer lugar «Shape by attribute» (Ilustración 22). Elegimos la variable Asex en este caso y seleccionamos las formas adecuadas en Select,seleccionando antes la categoría a cambiar (Ilustración 23). Hacemos lo mismo con la segunda, clicamos en el botón Apply yobtenemos lo que muestra la ilustración 24. Ilustración 22. Red personal con grupos, color a la que se quiere añadir la forma en función de una variable. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico74 Materials Ilustración 23. Añadiendo la forma en función de la variable sexo. . Ilustración 24. . Talleres de autoformación con programas de análisis de redes sociales Materials 75 A continuación seleccionamos el color, y la variable Aliv,que en este caso significa dónde viven actualmente (Ilustración 25). En este caso, la mayor parte de la red vive en los Estados Unidos. Ilustración 25. Red personal con indicación de los grupos, el sexo y la residencia de los alteri. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico82 Materials amigo») y cuáles no («desconocido», «conocido», «enemigo»), ya que SIENA trabaja sólo con relaciones definidas de forma dicotómica. Cuando iniciamos el paso de Transformación de los datos, StOCNET solicita previamente un título para el archivo donde se van a guardar de modo automático los resultados de nuestra sesión. En nuestro caso hemos elegido «Sesion1» (Ilustración 4). 3. El tercer paso de preparación de los datos nos permite seleccionar los casos que vamos a analizar. Podemos seleccionar a todos los actores, o a un subgrupo de actores, ya sea un rango de ellos, o de acuerdo con una variable o atributo. Generalmente seleccionamos «todos» los casos en cuestión (Ilustración 5). 4. Finalmente, introducimos las especificaciones del modelo con el que vamos a analizar los datos. Primero definimos qué datos y variables estarán presentes en nuestro análisis (botón de «data specification»). Y a continuación los efectos que queremos analizar con el mismo (botón de «model specification») (Ilustración 6). Para empezar con un ejemplo sencillo, podemos introducir dos archivos con las Transformation > Ilustración 4. Definición y preparación de los datos. Talleres de autoformación con programas de análisis de redes sociales Materials 83 relaciones entre un pequeño número de actores en dos momentos diferentes. Estarán disponibles aquellos que añadimos en el primer paso. Las matrices a analizar las pasaremos a la ventana «Digraphs in seq. Order». De momento, vamos a prescindir de introducir atributos de los actores (Ilustración 7)… El modelo a analizar lo especificamos a continuación. Señalamos en la columna «u» (de «utility function») los efectos de red que queremos estudiar (la «e» corresSelection > Select All Ilustración 5. Selección de los datos a utilizar en el análisis. Model > Ilustración 6. Especificación del análisis: datos y modelo. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico84 Materials ponde a la función de dotación endowment function). Para el ejemplo, optamos por un modelo simple, con los efectos de la densidad, la reciprocidad, el carácter transitivo y la equivalencia estructural en la evolución de la red (Ilustración 8). Ya sólo queda ejecutar el modelo que hemos definido. ¡Le damos a «Run»! (Ilustración 9). Y esperamos pacientemente las tres fases de estimación de SIENA. El tiempo de estimación del modelo de cambio de una red puede ser bastante largo, dependiendo del número de actores de la red, el número de efectos nuevos implicados en la estimación y la diferencia entre las redes observadas en distintos momentos del tiempo. Dependiendo de la capacidad de computación del ordenador, algunos análisis pueden llegar a durar varios días. Data specification > Digraphs in seq. order Ilustración 7. Selección de los datos de las redes y de los actores. Model Specification > Ilustración 8. Selección de los efectos a contrastar en el modelo. Talleres de autoformación con programas de análisis de redes sociales Materials 85 5. Obtenemos un informe detallado de los resultados.Las potencialidades y límites del análisis longitudinal de redes hay que ir descubriéndolos poco a poco, pero para empezar hay dos apartados de los resultados que nos interesan especialmente. La convergencia del modelo, y la significación de los parámetros estudiados (Ilustración 10). Run > Ilustración 9. El proceso de estimación. Results > Ilustración 10. Ventana que permite acceder a los resultados. La convergencia nos informa de la adecuación general del modelo. La información que aparece organiza en tres columnas consecutivas los promedios, las desviaciones tipo ylos estadísticos «t». Cuando estos últimos están por debajo de 0.2 podemos considerar adecuado el modelo. Por debajo de 0.1 el resultado es muy satisfactorio. Si tenemos valores de 0.3 o mayores, conviene repetir el análisis sin cambiar la especificación del modelo, en general la convergencia mejorará la segunda vez. Convergence information > Information for convergence diagnosis. Averages, standard deviations, and t statistics for deviations from targets: 1. 0.056 8.022 0.007 2. 0.444 10.653 0.042 3. 0.026 53.320 0.000 4. -0.027 1.580 -0.017 Good convergence is indicated by the tstatistics being close to zero. En segundo lugar, valoramos la significación de los parámetros del modelo. En cada caso comprobamos si el valor de estimación (primera columna) es dos o más veces superior al error estándar (segunda columna), que es más o menos el equivalente a un intervalo de confianza del 95%4.En el ejemplo, la reciprocidad y el equilibrio estructural parecen tener un efecto en la evolución de la red analizada. @2 Estimation results. —————————- Regular end of estimation algorithm. Total of 1215 iteration steps. Estimation Results > @3 Estimates and standard errors 0. Rate parameter of conditioning variable 1.287993 ( 0.426689) Other parameters: 1. u: density (outdegree) -1.106880 ( 0.554959) 2. u: reciprocity 1.425366 ( 0.484723) 3. u: transitivity 0.183750 ( 0.267330) 4. u: balance 4.623074 ( 2.239667) 4. Los valores exactos que corresponde a los niveles de significación son respectivamente: si 1.65 <t< 1.96, p < 0.10; si 1.96 < t < 2.53, p < 0.05; si 2.53 < t < 3.29, p < 0.01; y si t > 3.29, p < 0.001. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico86 Materials No hay que olvidar que SIENA es un programa de simulación y que el producto resultante no tiene por qué ser exactamente el mismo en cada aplicación, pese a contar con las mismas especificaciones del modelo. Un modelo con los mismos parámetros puede producir distintos resultados en momentos diferentes. También hay que señalar que los resultados nos informan de la significación de los efectos (que se controlan mutuamente), pero no es posible comparar las magnitudes o el tamaño del efecto. Un ejemplo de aplicación del programa: la evolución de los intercambios en una lista e correo electrónico Veamos un sencillo ejemplo de aplicación de SIENA, analizando la evolución de la red de intercambios de preguntas y respuestas en una lista de correo electrónico. E-Voluntas es una lista de correo sobre «voluntariado, sociedad civil e intervención social». Se trata de un canal para compartir experiencias de intervención e investigación sobre voluntariado. Cuenta con unos 300 subscriptores, de más de 15 países diferentes. Desde su fundación en diciembre de 2002, la participación oscila entre 2 y 14 mensajes por semana, aproximadamente. Analizando quién responde a quién podemos configurar una estructura básica de la participación en la lista (Borgatti & Molina, 2002; Maya Jariego, 2001). Esto significa prescindir de aquellos mensajes en la lista de correo en los que no se da un intercambio persona a persona; haciendo abstracción, además, de que los mensajes en la lista son de carácter público y ponen en relación (potencialmente) al emisor del mensaje con todos los subscriptores de la misma. A pesar de estas limitaciones, la red de mensajes y respuestas permite representar la estructura de las relaciones entre el grupo de actores más activos en la comunidad virtual. Por ejemplo, en la secuencia de sociogramas de la siguiente ilustración (elaborados con Netdraw)podemos comprobar cómo evoluciona la estructura de intercambios entre los participantes5(Ilustración 11). Asimple vista, parece que la lista se desarrolla a través de la formación paulatina de pequeñas agrupaciones, el aumento del número de participantes, la emergencia de líderes y la organización progresiva de una estructura social de participación. Sin embargo, nos interesa conocer de modo más sistemático cuáles son las dinámicas presentes en la evolución de esta red social. Por eso procedemos recopilando los intercambios en EVoluntas, en dos intervalos sucesivos de 16 meses cada uno6.Acontinuación, analizamos con SIENA los dos momentos observados en la evolución de la red. Como recomendación general, resulta práctico comenzar con un modelo simple, incorporando más efectos en sucesivos modelos. Aún no siendo la única forma de proceder, se puede seguir una aproximación exploratoria en la determinación del modelo. 5. Se trata de grafos dirigidos que representan quién responde a quién en E-Voluntas. Cada gráfico representa sucesivamente un intervalo más amplio de observación, con un mayor número de mensajes (es decir, cada intervalo incluye al anterior). Esta estrategia acumulativa sólo ha hemos seguido en la representación gráfica, puesto que SIENA requiere de dos o más observaciones independientes. El nivel de conexión se refleja con la intensidad del lazo (con un trazo más grueso). Con fines exploratorios agrupamos los nodos de acuerdo con el algoritmo de Girvan-Newman (en colores diferentes), reflejando la formación de agrupaciones incipientes. 6. Se trata, de hecho, de los 32 primeros meses de funcionamiento de la lista de correo. El segundo intervalo se empezó aconsiderar a partir de la aplicación de la técnica de Netmirror (Borgatti & Molina, 2002; Santolaya & Maya Jariego, 2004). Netmirror consiste en un procedimiento para representar los intercambios entre un grupo de participantes y proporcionarle feedback sobre sus relaciones. Después de reflejar sus relaciones se espera un aumento de la participación en la lista y una aceleración de la conformación de una estructura centro-periferia. SIENA podría aplicarse con un diseño cuasi-experimental, evaluando si las listas de correo donde se ha aplicado Netmirror (V.gr. E-Voluntas) experimentan cambios que no se observan en los grupos de control (es decir, en otras listas de correo). Sin embargo, para efectos de este capítulo, analizaremos sólo la evolución de la red de E-Voluntas. Talleres de autoformación con programas de análisis de redes sociales Materials 87 aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico88 Materials Por ejemplo, podemos evaluar en un primer paso la incidencia de la densidad y la reciprocidad en la evolución de la red, para incorporar en un segundo paso la tendencia a asociarse en función del género. Después de una primera aplicación podemos prescindir de los efectos no significativos e incorporar otros nuevos. Igual que ocurre con el análisis de regresión, determinados efectos pueden ser significativos cuando añadimos o eliminamos otros. En general, es recomendable iniciar los análisis con una función de velocidad constante, y sin efectos de dotación. Por lo que respecta a la función de utilidad, el modelo debería incluir siempre la densidad (por tratarse de un indicador estructural básico). En nuestro ejemplo seguiremos la pauta más simple. Consideraremos sólo algunos efectos endógenos en la evolución de los intercambios en E-Voluntas: 1. En primer lugar, confeccionamos un modelo con los efectos de (a) la densidad y (b) la reciprocidad. 2. A continuación, y en función de los resultados, comprobaremos la existencia de (c) una lógica transitiva en la evolución de la red («los amigos de mis amigos se convierten en mis amigos»). Ilustración 11. Secuencia de sociogramas mensajes-respuestas en la lista de correo E-Voluntas. (La serie se ordena de izquierda a derecha y de arriba abajo). Diagnóstico de convergencia Resultados de estimación finales Efecto (n = 113) AES S.D. t AES S.E. Función de utilidad Densidad –1.132 11.592 –0.098 –2.782 0.0771 Reciprocidad –0.800 7.984 –0.100 2.022 0.1138 n=número de actores; AES =tamaño del efecto promedio estimado; SE=error estándar; SD=desviación tipo; t=estadístico de significación, tde student. Tabla 2. Resultados del Modelo 1. Como vemos en la tabla 2, el modelo cuenta con un nivel de significación adecuado, con valores de tpor debajo de 0.1 en el diagnóstico de convergencia.Además, los valores de estimación de los dos efectos incluidos en el modelo resultan significativos, como podemos observar en los resultados de estimación finales.Tanto la densidad como la reciprocidad parecen tener un efecto en la evolución de la red. En segundo lugar,para comprobar si la formación de tripletes transitivos afecta al desarrollo de la red, incorporamos la transitividad en el modelo de la tabla 3. En este caso fue necesario someter a estimación en dos ocasiones el modelo para lograr resultados válidos. Como podemos observar,pese a obtener un tamaño del efecto relativamente bajo, la transitividad mostró también un resultado significativo en la evolución de la red. Debemos recordar que los efectos de las distintas variables se controlan recíprocamente, por lo que el Modelo 2 puede tomarse como evidencia de que la reciprocidad y la transitividad están presentes simultáneamente en la evolución de los intercambios en la lista de correo. Teniendo en cuenta las limitaciones de los datos disponibles, se trata –en nuestra opinión– de una conclusión bastante reveladora de los patrones de cambio en la red analizada7. Diagnóstico de convergencia Resultados de estimación finales Efecto (n = 113) AES S.D. t AES S.E. Función de utilidad Densidad –1.456 19.453 –0.075 –2.859 0.086 Reciprocidad –1.744 17.127 –0.102 1.687 0.171 Transitividad –5.486 83.721 –0.066 0.546 0.096 n=número de actores; AES =tamaño del efecto promedio estimado; SE =error estándar; SD =desviación tipo; t=estadístico de significación, tde student. Tabla 3. Resultados del Modelo 2. 7. Para la mayor claridad del ejemplo, hemos prescindido de los cambios en la composición de la lista de correo que se producen entre ambas observaciones. Por otro lado, la incorporación de una tercera observación –controlando los cambios de composición en la listapuede mostrar más claramente el proceso de evolución de la red. Las dos matrices para trabajar este ejemplo están disponibles en el fichero comprimido: <http://revista-redes.rediris.es/siena_ejemplo.zip>. Talleres de autoformación con programas de análisis de redes sociales Materials 89 aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico90 Materials Veamos ahora gráficamente los cambios entre observaciones. Este paso, aunque no corresponde al programa SIENA nos puede servir para interpretar los resultados (Brandes, Kenis & Raab, 2006), y en este capítulo tiene una función ilustrativa. En los primeros 16 meses de funcionamiento de la lista se constituye una red muy centralizada. La dinamización de la comunidad virtual depende de unos pocos participantes. Por ejemplo, el administrador de la lista es el autor del 32 por ciento de los mensajes. Aunque se intuyen algunas agrupaciones, la red parece muy dispersa, con cierta dependencia respecto a tres nodos vertebradores. De hecho, si retiramos los tres nodos con mayor centralidad, la red se disgregaría en ocho componentes separados (Santolaya &Maya Jariego, 2004). Se trata en general de un grupo todavía poco estructurado (Ilustración 12). En el seguimiento, durante los 16 meses siguientes a la primera observación, se obtiene una red más compleja y diversificada. Como observamos en la ilustración 13, se trata de una configuración más densa, pese a contar con mayor número de actores. Además, es posible reconocer algunas agrupaciones incipientes, y hay al menos 7 subscritores destacados por su nivel de participación. Es, en general, un grupo de discusión más activo y organizado que el que observamos en el primer intervalo (Ilustración 13). La información descriptiva apoya estas interpretaciones. Como vemos en la tabla 4, la segunda observación corresponde a una red ligeramente más densa, con un mayor número de tripletes transitivos, y donde ha aumentado la participación, tanto en número de actores como en número de mensajes promedio. Además, entre ambas observaciones parece haber aumentado el número de actores que ocupan el núcleo de los intercambios pregunta-respuesta. Ilustración 12. E-Voluntas en Tiempo 1. Talleres de autoformación con programas de análisis de redes sociales Materials 91 La información descriptiva permite comprobar que a lo largo del tiempo se produce un aumento en la participación en la lista de correo. Así lo reflejan los indicadores de densidad y de centralidad promedio. Sin embargo, el análisis longitudinal con SIENA nos ha servido para poner de manifiesto que la reciprocidad y la transitividad son dos de los factores endógenos que están presentes en la evolución de la red de intercambios. Esta conclusión difícilmente habríamos podido alcanzarla sin la metodología para el análisis longitudinal que proporciona SIENA. E-Voluntas T1 E-Voluntas T2 Densidad de la red 0.009 0.011 Centralidad de grado promedio 0.991 1.286 (average degree) Densidad del subconjunto de actores 1,009 1,148 participantes en cada observación Reciprocidad híbrida 0,18 0,22 Transitividad 74 83 Centro / Periferia cualitativa isidromj, pnavajo, isidromj, pnavajo, fransantolaya, fransantayola, delariva, anna, delariva, mvillareal, aeciruj holgado, felixmata, cvuadinet Los dos primeros indicadores fueron calculados con SIENA para el total de la red (n = 113), mientras que los tres últimos indicadores fueron calculados con UCINET (Borgatti, Everett & Freeman, 2002), con el subconjunto de actores participantes en cada observación (n = 53; y n = 81, respectivamente). Tabla 4. Estadísticos de la red de relaciones en tiempo 1 y en tiempo 2. Ilustración 13. E-Voluntas en Tiempo 2. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico98 Materials Los sociogramas que creemos deberemos guardarlos manualmente desde el menú File>Save as.Los archivos de visone (con formato y extensión .graphml)guardan la información correspondiente a los nodos y vínculos, su formato y su ubicación en el plano. Para abrir un archivo existente deberemos hacerlo desde el mismo programa (menú File>Open). Cómo crear sociogramas y modificar el aspecto de nodos y vínculos Las funciones del ratón son distintas en cada uno de lo que visone llama «Modes», por lo que es recomendable familiarizarse con los mismos para poder moverse mejor por el programa. Los cuatro modos de visone (Analysis,Insertion,Navigation yZoom)se corresponden, respectivamente, con los cuatro últimos iconos de la barra de botones, y también podemos acceder a ellos desde el menú View>Mode. Por defecto, el programa se inicia en el modo Insertion,el que debemos usar para crear nodos y vínculos. Estas funciones se realizan en la ventana principal (área A) con el botón izquierdo del ratón: —Crear un nodo: basta con hacer clic en cualquier lugar de la pantalla y aparecerá un nuevo nodo. —Crear un vínculo entre dos nodos: Señalar un nodo con el botón izquierdo. Al soltar el botón del ratón, el nodo aparecerá sombreado; desplazamos el ratón hasta el nodo de destino y hacemos clic encima (si se hace en un lugar en blanco de la pantalla, se creará un nuevo nodo vinculado al anterior). Podemos aumentar o disminuir el tamaño del sociograma pulsando en la lupa que tenemos en la barra de botones, y activando el modo Zoom podemos focalizar la visualización arrastrando el ratón por un área concreta del sociograma (para volver a visualizar todo el sociograma, menú View/Zomm 100% o, alternativamente, clic en el botón correspondiente o pulsar <enter> en el teclado). También podemos arrastrar nodos concretos y moverlos por la pantalla si activamos el modo Analysis. Pero... ¿y cuando llega el momento en el que tenemos una infinidad de nodos y vínculos que se entrecruzan y no vemos nada? Ningún problema: basta con acudir al menú Layout yescoger uno de los algoritmos de visualización. En cualquier momento (excepto estando en el modo Zoom)podemos acceder a distintas opciones sobre los nodos y los vínculos haciendo clic con el botón derecho (menú contextual). Mediante la opción Edit label podemos cambiar la etiqueta del nodo (que visone introduce por defecto) o añadir, si lo deseamos, una etiqueta al vínculo. Pulsando Properties accederemos a un cuadro de diálogo en el que podemos configurar características y apariencias de cada uno de los elementos; en el caso de los vínculos, varias opciones addicionales nos permiten cambiar la direccionalidad y valor de la relación (Ilustración 3). Claro que, para empezar, lo mejor es configurar globalmente el programa para que los nodos y los vínculos aparezcan, por defecto, con la configuración que más nos interese. Lo veremos en el siguiente apartado. Talleres de autoformación con programas de análisis de redes sociales Materials 99 Creación de una red discursiva con Visone Configuración general Para representar el ejemplo propuesto de red discursiva, primero deberemos cambiar el formato de los nodos para que las etiquetas de texto se puedan leer correctamente. Desde el menú Nodes>Properties,vamos a la pestaña Label y situamos las etiquetas de texto fuera de la figura (en South,por ejemplo). Pulsamos Create template para activar los cambios y Close para salir del cuadro de diálogo.Todos los nodos que generemos ahora tendrán este formato por defecto (y,con la misma lógica, podemos cambiar la forma, el color, etc.). Para este ejemplo no es necesario modificar las opciones por defecto de los vínculos, aunque el procedimiento es análogo (menú: Links>Properties). Todos estos cambios los podemos ir gestionando desde la pestaña Templates de la ventana principal (área C), en la que podemos guardar distintas configuraciones (plantillas) que el programa registra en los archivos de configuración para que se mantengan la próxima vez que entremos (Ilustración 4). Ilustración 3. Menús contextuales de ndos y vínculos. Ilustración 4. Configuración por defecto de los nodos (Nodes>Properties). aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico100 Materials Dibujando nodos y vínculos Una vez definido el formato de los nodos, sólo nos queda dibujarlos en pantalla y vincularlos entre ellos (recordemos que para introducir nodos y vínculos debemos estar en el modo Insertion;en caso de no ser así, deberemos activarlo). Cada clic que hagamos en la pantalla nos creará un nuevo nodo al que visone atribuye un número; deberemos cambiar este número por una etiqueta que corresponda al significado que va a reflejar; basta con señalar el nodo en cuestión con el botón derecho, ir a la opción Edit label y cambiarla. Introducimos todos los nodos del ejemplo y las relaciones entre los mismos. Por defecto, visone está configurado para crear relaciones dirigidas y no valoradas. Si alguna de estas relaciones fuera bidireccional, basta con editar la configuración del vínculo en cuestión (Properties en el menú contextual, señalando el vínculo con el botón derecho). Si, por defecto, queremos que todos los vínculos que creemos sean no dirigidos, bastará con indicárselo así en el menú Links>Properties>General/Direction/Undirected. El grafo nos debe quedar parecido al que muestra la ilustración 5. Visualización y análisis de la red Análisis básicos El menú Layout nos ofrece distintas opciones de visualización, pero en visone destacan sobretodo las rutinas de análisis/visualización contenidas en la pestaña Controls,ala izquierda de la pantalla. Veamos un ejemplo. En primer lugar, analizaremos el grado de entrada (Indegree) marcando la opción correspondiente en Algorithm,yllamaremos «Entrada» a los resultados, escribiéndolo en el espacio correspondiente (Result Attribute). Si hacemos clic en Analyze! no pasa, aparentemente, nada; sin embargo, vayamos ahora a la pestaña Value Grups,eindiquemos al programa que nos proyecte los resultados (Name: Entrada). Observaremos que en la columna «Value» aparecen los distintos valores que toma el Indegree en el sociograma analizado, y en la columna Count,el número de nodos que tienen ese valor. Todavía más: si señalamos un determinado valor con puntero del ratón yhacemos clic, nos señala en la pantalla de qué nodos se trata (Ilustración 6). Ilustración 5. Sociograma. Talleres de autoformación con programas de análisis de redes sociales Materials 101 Seguidamente, indicaremos al programa que queremos que represente este dato variando el ancho de los nodos. Para hacerlo, volvemos a la pestaña Controls y, en el campo Visualization,marcamos la opción Property/Node With yespecificamos que lo que queremos representar son los resultados anteriores: Node Value/Entrada.Pulsamos en Visualize! yobservaremos los cambios en la pantalla. Podemos repetir el mismo procedimiento para el grado de salida: en la pestaña Controls, marcamos Algorithm/Outdegree yescribimos «Salida» en Result Attribute, y hacemos clic en Analyize! Seguidamente, representamos el grado de salida mediante la altura del nodo: Property/Node Height yNode Value/Salida.Clic en Visualize! ynos tiene que quedar un grafo parecido a este: a mayor grado nodal de entrada (indegree), la figura es más ancha; a mayor grado nodal de salida (outdegree), la figura es más alta (Ilustración 7). Ilustración 6. Análisis gráfico desde la pestaña Value Groups. Ilustración 7. Representación del grado nodal en la forma de los nodos. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico102 Materials Otro indicador que nos puede ofrecer información sobre la red textual y que nos permitirá explorar otras potencialidades del programa es la centralidad por intermediación (betweenness). Éste nos indica qué nodos son más estratégicos, al situarse como puente entre unos y otros. Marcamos, en la pestaña Controls,Algorithm/Betweenness,yen Result Attribute escribiremos «Intermediación». Pulsamos Analyze! ynos vamos a la pestaña Value Groups para visualizar los nodos con mayor intermediación (situamos el ratón encima del valor 0,2609 y hacemos clic con el botón izquierdo). Destacaremos estos nodos en rojo: como los tenemos seleccionados, basta con ir al menú Nodes/Properties ycambiar el color. Pulsando Apply veremos como los cambios se reflejan en el grafo (Ilustración 8). Observamos que, en este ejemplo, estos nodos corresponden al mundo relacional («tener amistades» y «tener pareja», ambos con un valor de 0,2609), que se situaría aquí como mediador entre la actividad laboral y el ámbito doméstico. Y supongamos que este «estar en medio» que nos señala la intermediación queremos expresarlo de forma gráfica. Entonces, puede ser interesante realitzar una representación radial del índice, en el que cuanta más intermediación tenga un nodo, más «en medio» de la pantalla se sitúe. Si queremos representar la intermediación de este modo, basta con señalar, en el apartado Visualization de la pestaña Controls,los comandos Property: Radius yNode Value: Intermediación. Obtendremos un grafo parecido al que muestra la ilustración 9. visone 1.1 nos ofrece un índice de centralidad muy interesante para redes textuales, que todavía no ha sido incorporado a la versión 2.0.2, pero que lo será próximamente: el PageRank.PageRank es un indicador introducido y utilizado por la empresa Google (Brin y Page, 1998) para indexar la importancia de las páginas web. Explicado de forma intuitiva: se trata de atribuir puntos a aquellas páginas (nodos) que son enlazadas por otras (cuanto más enlaces lleven a una página, más importante será ésta); a su vez, estos puntos son ponderados por la importancia que tienen las páginas que contienen los enlaces. En una red de significados, el PageRank puede ser interpretado como un indicador de accesibilidad de los nodos, es decir, del grado en que un significado es accedido por el resto; los valores altos de PageRank nos suelen indicar los «puntos de llegada» más centrales de los discursos. En cambio, los valores bajos nos dan buenas pistas de cuales son los «principios motores» de los discursos, aquellas acciones o significados que desencadenan el resto. Veamos como se distribuyen estos valores en el ejemplo (aunque el Ilustración 8. Representación de alta intermediación en el color de los nodos. Talleres de autoformación con programas de análisis de redes sociales Materials 103 análisis ha sido realizado con visone 1.1,este tipo de representación puede obtenerse con otros índices en la versión 2.0 indicando Property/Layer en el campo Visualization) (Ilustración 10). Vemos como los nodos con valor de PageRank más altos (los más accesibles) son TENER PAREJA yCASARSE: se sitúan aquí como nodos finalistas, puntos de llegada del discurso (la propia representación gráfica muestra como parece que todo el discurso «fluye» hacia allí). Los nodos con un PageRank más bajo son los referidos a la actividad laboral, y muestran como ésta es el motor o generador del resto, porque es la que acaba «enlazando» con la boda. Ilustración 9. Representación radial de la intermediación. Ilustración 10. Representación por capas de PageRank. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico104 Materials Más posibilidades Además de los anteriores, el programa permite el cálculo/visualización de otros índices de centralidad. Todos ellos se encuentran definidos en un artículo de los autores disponible en red (Brandes y Wagner, 2003). La nueva versión de visone incorpora también cálculos de agrupación y análisis de subgrupos que no desarrollaremos aquí, pero que pueden aplicarse siguiendo las mismas pautas que se han introducido. Por otro lado, en muchos casos el interés del análisis es poder comparar distintos textos o discursos. Utilizando el mismo método, los grafos adjuntos muestran la estructura discursiva de dos editoriales de periódicos españoles, El Mundo yEl Periódico de Catalunya,sobre el hundimiento de un túnel de metro en Barcelona y el posterior conflicto político que se generó por acusaciones de corrupción entre grupos políticos (la llamada «crisis del 3%»). Se observa cómo para El Mundo,de línea conservadora, la noticia es la crisis política desencadenada en el gobierno de izquierdas, y cómo lo que origina esa crisis son los dos principales fantasmas de este periódico en Cataluña: el gobierno de Maragall (responsable de aprobar las obras que dieron lugar al hundimiento) y la presencia del partido independentista ERC en el mismo (que conlleva nerviosismo y mala gestión de la crisis). El tratamiento de los mismos hechos es bien distinto en El Periódico de Catalunya,defensor de las tesis gubernamentales: la noticia principal es la salida ala luz del cobro de comisiones ilegales por parte del gobierno anterior (la crisis política es sólo un elemento derivado de esta acusación). Para esta editorial los cobros son, en última instancia, los causantes de la reducción de costes de obra que ha provocado el hundimiento; con lo que se justifica que, amparado en la inmunidad parlamentaria, el Gobierno catalán haya hecho estas acusaciones a la oposición (Ilustración 11). *Editoriales del 25/02/2005 (www.elmundo.es) y 27/2/2005 (www.elperiodico.com). Ilustración 11. Comparación de dos editoriales por Degree y PageRank. El Mundo*El Periódico de Catalunya* Talleres de autoformación con programas de análisis de redes sociales Materials 105 El método expuesto aquí, basado en la identificación de vínculos tópicos, es sólo uno de los muchos posibles. Serán los objetivos del análisis y los supuestos metodológicos los que lleven a definir el procedimiento de análisis reticular de textos más pertinente.La siguiente ilustración muestra un mapa conceptual de visone realizado desde el método del Centering Resonance Analysis (Corman y otros, 2002), basado en la proximidad de palabras en el texto. Se trata de un análisis de noticias de Reuters durante el primer día de los atentados del 11-S en Nueva York, basado en un grafo inicial de más de 2400 nodos de los que se extrajeron los 42 más centrales (Batagelj y otros, 2002; citado en Brandes y Wagner, 2003) (Ilustración 12). Salidas y exportación de resultados Las visualizaciones de visone se pueden exportar sin ningún problema a cualquier otro programa. Además de la opción más «artesanal» de copiar el gráfico con cualquier capturador de pantallas y guardarlo en el formato que más nos convenga (BMP, JPG...), podemos exportar la imagen a formatos de alta calidad como Postscript (PS) o Scalable Vector Graphics (SVG), aunque éste último puede presentar en ocasiones problemas de conversión. Estas opciones se encuentran en el menú File>Export. También nos puede interesar exportar los resultados a otros programas de análisis de redes para realizar análisis más detallados. Veremos un ejemplo de exportación hacia Ucinet.Para ello, la opción más recomendable es transformar el formato de visone aDL para abrirlo con Ucinet y, desde ahí, convertirlo a archivos ##D / ##H. Deberemos hacerlo en dos pasos: Ilustración 12. Análisis de las noticias de Reuters en los atentados del 11-S*. *Extraído de Brandes y Wagner (2003), pág. 17. aJ.L. Molina, A. Quiroga, J. Martí, I. Maya, A. de Federico106 Materials 1. Exportación de visone aDL. Después de haber guardado la versión definitiva del archivo en visone,guardarlo en formato DL desde el menú File>Export y, en Files of type,escoger Ucinet DL Files. 2. Importación de formato DL a Ucinet (.##d). Ejecutar Ucinet y, desde la pantalla principal, acceder al menú Data>Import>DL.En el cuadro de diálogo que nos aparece, deberemos explorar e introducir el nombre de archivo DL. Automáticamente, Ucinet atribuirá el mismo nombre al archivo de salida, pero esta vez en el formato propio del programa (Ilustración 13). La matriz está lista para ser analizada con Ucinet (Ilustración 14). Ilustración 13. Importación de datos desde Ucinet. Ilustración 14. Output del fichero de datos importado. Talleres de autoformación con programas de análisis de redes sociales Materials 107 Bibliografía ANSCOMBRE,J.C.; DUCROT,O. (1983). L’argumentation dans la langue. Liège: Mardaga. BATAGELJ,V.; BRANDES,U.; JOHNSON,J.C.; KOBOUROV,S.; KREMPEL,L.; MRVAR,A.; WAGNER, D. (2002) «Analysis and visualization of network data». Sunbelt Social Network Conference XXII, New Orleans, February 2002. BRANDES,U.; KENIS,P.; RAAB,J. (2005). «La explicación a través de la visualización de redes». Redes, Revista Hispana para el Análisis de Redes Sociales. Disponible en: http://revista-redes.rediris.es/html-vol9/vol9_6.htm [marzo 2006]. BRANDES,U.; WAGNER, D. (2003). «Visone. Analysis and Visualization of Social Networks», en Michael Juenger and Petra Mutzel (eds.), Special Issue on Graph Drawing Software, Springer-Verlag, Springer Series in Mathematics and Visualization, Springer-Verlag, págs. 321-340. Disponible en http://i11www.ilkd.uni-karlsruhe. de/algo/people/dwagner/papers/bw-vavsn-03.pdf [marzo 2006]. BRIN,S.; PAGE,L. (1998). «The anatomy of a large-scale hypertextual Web search engine». Computer Networks and ISDN Systems,30(1-7), págs. 107-117. CARLEY, K.(1997). «Network text analysis: The network position of concepts», en Carl W. Roberts (ed.): Text Analysis for the Social Sciences: Methods for Drawing Statistical Inferences from Texts and Transcripts. Mahwah, New Jersey: Lawrence Erlbaum. CORMAN,S.R.; KUHN,T.; MCPHEE,R.D.; DOOLEY, K.J. (2002). «Studying complex discursive systems: Centering resonance analysis of communication». Human Communication Research, 28(2):157–206. LOZARES,C.; VERD,J.M., MARTÍ,J.; LÓPEZ ROLDÁN,P. (2003). «Relaciones, redes y discurso: revisión y propuestas en torno al análisis reticular de datos textuales». Revista Española de Investigaciones Sociológicas, nº 101/03, págs. 175-200. MARTÍ,J. (2000). Formació i ocupació en el discurs dels treballadors. Una proposta metodològica. Bellaterra: UAB. Tesis doctoral.