Saltar al contenido
Noticias de tecnologia

Mapeo de nuestras amistades en el tiempo y el espacio: el futuro del análisis de redes sociales

Mapeo de nuestras amistades en el tiempo y el espacio: el futuro del análisis de redes sociales

¿Qué cosas nuevas podríamos descubrir si el análisis de redes sociales tomara tiempo y espacio en cuenta, además de las conexiones crudas entre las personas? En la mayoría de los casos, el análisis de redes sociales hoy en día se limita a descubrir conexiones de amigos, líderes y perfiles de la comunidad, personas influyentes y recomendaciones de amigos personales, de una manera estática o instantánea. Si se pudieran tener en cuenta nuevos factores, específicamente los cambios en el tiempo y el espacio, entonces el análisis de redes sociales podría descubrir cosas como el surgimiento o decadencia del liderazgo, cambios en la confianza a lo largo del tiempo, migración y movilidad dentro de comunidades particulares en línea. Esa es una información muy valiosa que la web social apenas ha comenzado a abordar.

Ese es el tema de discusión en un nuevo artículo de Shashi Shekhar y el asistente de investigación Dev Oliver, científicos de datos espaciales de la Universidad de Minnesota, titulado Modelado computacional de redes sociales espacio-temporales: un enfoque de gráficos agregados en el tiempo (PDF). El artículo se destacó en el blog GIS and Science today. Hemos extraído y contextualizado los puntos clave a continuación.

El impacto del espacio y el tiempo en las redes

El espacio y el tiempo son factores importantes para determinar las diversas conexiones de amigos que forman diferentes personas. O, como lo expresaron Shekhar y Oliver, “las limitaciones espacio-temporales (p. Ej., Espacio geográfico, viajes, horarios y [daily] ciclos) juegan un papel importante en la determinación de la homofilia de referencia debido a razones como la oportunidad y la minimización de costos y esfuerzos “.

En otras palabras, si no prestamos atención a la forma en que el espacio y el tiempo influyen en nuestras vidas, si solo vemos quién sabe a quién y quién charla sobre qué, entonces tendremos una comprensión muy directa del mundo. El ciclo diurno hacia adentro y hacia afuera (!) Las empresas y los usuarios de software parecen requerir más claridad que eso en el futuro.

Considere el siguiente diagrama, por ejemplo, del artículo de Shekhar y Oliver. Puede parecer un poco intimidante, pero si lo sigue paso a paso de izquierda a derecha, no lo es. Hoy podríamos mirar a un grupo de cuatro participantes en alguna red y ver el marco de tiempo final de las conexiones (t10). Puedes ver quién sabe quién y quién no sabe quién. Pero imagínese si se tuviera en cuenta el tiempo como es aquí. Puede ver cómo se desarrolló esta mini-red en particular desde las primeras conexiones, hasta el punto final. Esa es una comprensión mucho más rica de este grupo.

Mire al pobre Nodo 3, por ejemplo, en la parte inferior del cuadrado. Les tomó más tiempo pasar de Visitante a Amigo que a cualquier otra persona, en cada una de las relaciones que formó el Nodo 3. El nodo 2 en la parte superior, por otro lado, parece amigable y efectivo para construir relaciones sólidas rápidamente.

Los servicios de análisis de redes sociales ven estas diferencias en la forma en que las personas ya interactúan y ven la forma en que los cambios en las relaciones espaciales los afectan, pero es un campo muy incipiente.

“Vemos el efecto espacio-temporal manifestado en los datos de Twitalyzer durante conferencias, ferias comerciales y eventos en vivo (por ejemplo, SXSW)”, dice Eric Peterson, creador del servicio profesional de análisis de Twitter Twitalyzer.

“Los resultados son bastante obvios en nuestros datos: las personas que exhiben un nivel de Impacto, Influencia y Compromiso por lo demás ‘normal’ en nuestros datos salen ‘fuera de serie’.

“La explicación más simple es que hay un efecto de compresión en la red de un individuo cuando está más próximo espacialmente (p. Ej., Puede tomar una bebida e interactuar cara a cara). Cuando esto sucede, especialmente cuando ocurre durante un período corto de tiempo, Las puntuaciones de las personas cambian, sus redes se expanden (normalmente, aunque hemos visto una contracción) y su ‘charla’ (en sus palabras) se vuelve más centrada “.

Preguntas de valor basadas en el tiempo aún sin respuesta para cualquier comunidad

  • ¿Cómo está cambiando la confianza o el liderazgo con el tiempo?
  • ¿Quiénes son los líderes emergentes en un grupo?
  • ¿Cuáles son los cambios recurrentes en un grupo?
  • ¿Cuánto tiempo dura el mandato de un líder en un grupo?
  • ¿Cuánto tiempo se tarda en elevar el nivel de confianza, como cuando una relación cambia de visitante a amigo?

Ahora imagine que ese tipo de análisis temporal y espacial se realiza en redes mucho más grandes, durante períodos de tiempo más extensos.

“Esta dimensión adicional o conjunto de puntos de datos está disponible y, en general, está ampliamente disponible como ‘datos exhaustivos’, por lo que aprovecharla y factorizarla con el resto del gráfico social sería realmente valioso”, dice Eileen Burbidge, un ángel de Londres. inversionista en White Bear Yard y ex gerente de productos en Skype, entre otros puestos.

“Desde el punto de vista de la inversión (es decir, la creación de valor), los datos espacio-temporales tienen el potencial de agregar un elemento de valor, contexto y relevancia a puntos de datos que de otro modo serían ‘planos’.

“Tome LinkedIn, por ejemplo. Lo uso para ver quién en mi red conoce (y podría respaldar) a quién, pero a menudo hago referencias cruzadas / verifico los contactos de una persona por su historial de trabajo para discernir si se estableció un contacto específico en un punto espacio-temporal o en otro. (es decir, relevancia)… La capacidad de incorporar esto en el análisis de redes sociales sería extremadamente valioso ya que el espacio y el tiempo ofrecen un contexto y una relevancia tremendos para las conexiones y relaciones sociales. “

Las partes duras

Ese podría ser el tipo de análisis sofisticado de redes sociales al que aspiran los proveedores de servicios en el futuro y que buscan sus clientes. Sin embargo, identificar algunas oportunidades básicas no significa que será fácil llegar allí.

Shekhar y Oliver dicen que esto apunta a la necesidad de “un papel central para la computación y los modelos computacionales, no solo para escalar a los grandes y crecientes volúmenes de datos, sino también para abordar nuevas cuestiones sociales espacio-temporales relacionadas con el cambio, las tendencias, la duración, la movilidad , y viajar.

“La necesidad de eficiencia computacional entra en conflicto con el requisito de poder expresivo del modelo y equilibrar estos dos objetivos en conflicto es un desafío”.

Si cada momento histórico de nuestra historia conectiva relativa ya no se convierte en datos exhaustivos, sino en puntos en un gráfico, ¡seguro que será un desafío en el departamento de eficiencia computacional! Es de suponer que solo se conservarán los cambios de estado con marca de tiempo.

Escalar ese análisis es un desafío, encontrar nuevas formas de reconocer, contar y aprovechar las historias descubiertas por el análisis de esos datos es un desafío completamente diferente.

Shekhar y Oliver se lanzaron al abismo de ese futuro centrado en los datos con su conclusión: “Damos la bienvenida a la colaboración para identificar conjuntos de datos y casos de uso para evaluar el potencial de TAG [the time aggregated graph model] para abordar cuestiones espacio-temporales sobre las redes sociales ”.

Mucha suerte, chicos, que puedan ayudarnos a abrir esta nueva frontera para todos nosotros. Ciertamente ha articulado algo en lo que mucha gente estará muy interesada en el futuro.

Derecha: Una porción de los brotes de Twitter más cercanos de Veronica Belmont, según Mailana, un sistema sin referencia al tiempo. De Los círculos internos de 10 héroes geek.

Foto de título: Blinded by the Light, del usuario de Flickr Jule_Berlin