Betweenness Centrality

10.5.1 Ego Network

En vanlig användning av Twitter är att hålla kontakten med sitt personliga sociala nätverk – familj, kollegor, bekanta och så vidare. En del av dina vänner och följare på Twitter kommer med all säkerhet att tillhöra personer som du står nära, medan andra kan vara avlägsna bekanta eller till och med helt främmande personer. Vi kallar mängden av en Twitteranvändares vänner och följare för hans eller hennes ”egocentriska nätverk”. När vi talar om en Twitteranvändares egocentriska nätverk kallas användaren ofta för ”ego” och hans eller hennes vänner och följare för ”alters” (men vi använder fortfarande termen ”vän” eller ”följare” när vi talar om ett av dessa förhållanden specifikt). Vi kommer att använda termerna ”ego” och ”alter” i det här avsnittet.

Vissa band i det egocentriska nätverket är ömsesidiga – ego följer alter och alter följer ego, så att båda kan vara medvetna om varandras statusuppdateringar. Forskning om ömsesidiga band inom samhällsvetenskapen tyder på att sådana band oftare finns mellan nära vänner och familj än mellan avlägsna bekanta. I enlighet med denna forskning antar vi i det här avsnittet att ett nätverk med många ömsesidiga band indikerar en uppsättning starka sociala relationer, där båda personerna är intresserade av varandras uppdateringar, medan ett nätverk med många envägsband indikerar svaga sociala band, där egot kanske inte ens känner följaren, som i fallet med Twitterkändisar.

En annan indikator på starka band i ett socialt nätverk är ”slutna triader”, som är band mellan två alterner till ett ego. Liksom när det gäller ömsesidiga band visar forskningen om slutna triader att det finns fler slutna triader i täta samhällen med starka sociala band än i lösa samhällen med svaga sociala band. I enlighet med denna forskning antar vi att ett ego med många slutna triader bland sina alters är mer sannolikt inbäddat i en tät gemenskap, där alla känner varandra. Däremot är det troligare att ett ego med få slutna triader mellan sina alters är ensamt eller inte alls en individ. Till exempel kan Twitterkonton för affärsmarknadsförare ha många följare som är intresserade av deras produkter, men dessa följare känner ofta inte varandra.

Analysen av egocentriska nätverk kan ofta leda till användbara resultat om man vill använda Twitter som en utvecklings- eller annonsplattform. Täta grupper kan till exempel vara mycket mer benägna att anta en produkt tillsammans eller inte alls, medan glesa egocentriska nätverk med många envägsförbindelser kan påverkas kraftigt av beteendet hos ”navet” i nätverket – Twitteranvändaren med många följare men få vänner. Särskilt analysen av kändisars egocentriska nätverk på Twitter ger oss en inblick i hur dagens rika och berömda använder sociala medier för att nå ut till tusentals (om inte miljontals) beundrande fans.

Med hjälp av NodeXL kan du undersöka den relativa närvaron eller frånvaron av ömsesidiga band och slutna triader i ditt egocentriska Twitter-nätverk. De flesta egocentriska nätverk är en blandning av starka och svaga sociala band, så att en sammanfattning av ömsesidiga band och triader i en enda siffra ofta leder till felaktiga slutsatser om din sociala krets. Istället kan en visualisering av ditt sociala nätverk ge dig insikter om dina nära kontra avlägsna band och interaktionerna mellan dina nära vänner och bekanta.

Många Twitteranvändare sänder ut händelser i sina liv, från det triviala (matvanor) till det viktiga, till exempel researrangemang, större livshändelser och så vidare. Dessa händelser är på kort sikt synliga för alla användarens följare, som utgör en del av hennes egocentriska nätverk. I mycket små egocentriska nätverk (t.ex. när användarens följare är begränsade till familjen) är denna form av sändning användbar för att hålla kontakten med släktingar som har rest utomlands eller flyttat bort. Många aktiva användare har dock ganska stora egocentriska nätverk, och deras tweets går ofta ut till personer som är helt ointresserade av dem. Samtidigt gör det stora antalet följare som en Twitter-användare samlar på sig det svårt att hålla reda på vem som läser tweetsen. NodeXL gör det relativt enkelt att identifiera olika grupper i dina egocentriska nätverk, t.ex. dina följare som är dina kollegor jämfört med de som är din familj. Du kan dra nytta av den nya funktionen Twitter Lists för att organisera dessa grupper i praktiska listor som du kan följa och referera till i dina tweets.

Ovanför rutan finns ett textfält för den Twitter-användare vars egocentriska nätverk du vill samla in. I det här exemplet använder vi ett av våra egna Twitterkonton -@vlad43210. Under textfältet ligger tre kryssrutor: Lägg till en kant för följare, svar till och omnämnanden i tweets. Se till att endast kryssrutan Follows är markerad, de andra två är mer relevanta för informationsnätverk, vilket vi kommer att undersöka senare. Se också till att kryssrutan ”get both friends and followers” (få både vänner och följare) är markerad så att du kan samla in data om alla alters, inte bara vänner eller följare.

Längre ner presenteras rullgardinslistan ”Get connections out to X degrees” (få anslutningar ut till X grader). Välj ”1,5” i rullgardinslistan för att samla in alla dina alters, samt alla följ- och vänrelationer mellan dem. Den sistnämnda uppsättningen relationer är nödvändig för att observera förekomsten av slutna triader i ditt egocentriska nätverk. Se sedan till att kryssrutorna ”Add statistic columns to the Vertices worksheet (slower)” och ”Add a Tweet column to the Vertices worksheet” är avmarkerade. Dessa är mycket användbara för att samla in data om Twitteraktivitet i ditt egocentriska nätverk, men i det aktuella exemplet fokuserar vi på relationer, inte aktivitet.

Du kan fokusera på starkare sociala band genom att titta på alster i @vlad43210:s egocentriska nätverk med minst två band till andra personer (båda banden kan vara till samma person) i båda riktningarna, vän eller följare. Alla vi har samlat in uppgifter om kommer att ha minst en koppling till @vlad43210. Alter med minst två kopplingar kommer antingen att ha en koppling till en annan alter till @vlad43210 (vilket visar att de ingår i en sluten triad), eller så kommer de att ha en ömsesidig vän/följare-koppling till @vlad43210. Som vi diskuterade tidigare kan båda dessa faktorer tyda på att det finns ett starkare socialt förhållande mellan @vlad43210 och personen i fråga. I den grafiska framställningen av nätverket kommer alster med två band till andra personer att representeras av hörn med minst två kanter (i båda riktningarna) mellan dem och minst ett annat hörn. För att endast fokusera på dessa hörn måste du först beräkna in- och outgraden. Klicka på knappen ”calculate graph metrics”, markera ”in-degree” och ”out-degree” och klicka på ”Compute Metrics.”

Nu ska vi ställa in vertexens synlighet i grafen baserat på in-degree + out-degree > 1. Vertikaler som passar det här kriteriet har minst två vänner, två följare eller en vän och en följare (som kan vara samma person), vilket är precis vad vi letar efter. För att göra detta lägger du först till en ny kolumn genom att klicka på cellen under etiketten ”Lägg till egna kolumner här” i arbetsbladet Vertices och sedan ställa in cellvärdet som summan av C3 och D3 (motsvarande in- respektive out-degree). Resten av cellerna i kolumnen fylls automatiskt med samma formel. Märk nu den nya kolumnen som ”Sum Degree” genom att redigera kolumnetiketten. Klicka slutligen på Autofyllda kolumner, klicka på rullgardinslistan bredvid ”Vertex Visibility”, klicka på ”Sum Degree”, klicka sedan på knappen bredvid rullgardinslistan och skriv in 1 i textrutan för att ange att du bara vill visa hörn med in-degree + out-degree > 1. Klicka på OK, sedan på Autofyllning och sedan på Uppdatera grafiken. Observera att antalet hörn har blivit mycket mindre och att grafen inte längre ser ut som en stjärna – i stället ser vi @vlad43210 omgiven av två tätt sammankopplade grupper av hörn med ett fåtal kopplingar mellan grupperna.

Du kan nu klicka på hörn i olika kluster för att få en uppfattning om klustren representerar meningsfulla uppdelningar av @vlad43210:s egocentriska Twitter-nätverk. En undersökning av arbetsbladet visar att det lila klustret motsvarar alters som är Vlads akademiska kollegor, medan det gröna klustret motsvarar alters som är hans vänner (i ordets vanliga bemärkelse, inte i Twitter-begreppet användare som @vlad43210 följer). Klustren kan användas för att skapa två listor för Vlads Twitterkonto: en för att kommunicera med hans vänner och en för att kommunicera med hans kollegor.

Du kan också använda begreppen egenvektorscentralitet och betweenness-centralitet, som beskrivits tidigare, för att titta på den relativa betydelsen av aktörerna i @vlad43210:s egocentriska Twitter-nätverk, ur uppmärksamhets- och informationsperspektiv. Som vi diskuterade i avsnitt 10.3.1 är aktörer med hög egenvektorcentralitet i nätverket vänner/följare centrum för uppmärksamhet, medan aktörer med hög betweenness-centralitet i samma nätverk är informationsförmedlare. NodeXL gör det möjligt för oss att visualisera båda dessa storheter samtidigt genom att mappa dem till olika egenskaper hos verkterna i grafen canvas.

Låt oss mappa vertexfärg till egenvektorscentralitet och vertexstorlek till betweenness-centralitet.7 För att göra detta klickar du först på knappen Graph Metrics (grafmetriker) i avsnittet Analysis (analys) i NodeXL:s menyband, kryssar sedan för ”Eigenvector centrality” (egenvektorscentralitet) och ”Betweenness and closeness centralities” (betweenness och closeness-centraliteter) och klickar på ”Compute Metrics”. Klicka sedan på knappen Autofyllda kolumner i NodeXL-menyn, klicka på rullgardinslistan bredvid ”Vertex Color” och välj ”Eigenvector Centrality”, klicka på rullgardinslistan bredvid ”Vertex Size” och välj ”Betweenness Centrality”. Klicka på ”Autofill” och sedan på knappen Refresh Graph (Uppdatera graf) i rutan för grafisk visning för att uppdatera vertexstorlekarna och färgerna i grafen. Gör ytterligare en justering innan du visar grafen – eftersom @vlad43210 per definition befinner sig i centrum av sitt egocentriska nätverk kommer hans betweenness- och egenvektorscentralitet att vara höga, men de kommer inte att berätta något om @vlad43210:s position i hans nätverk. Sätt manuellt @vlad43210:s betweenness- och egenvektorcentraler till 0 i arbetsbladet och tryck på ”Refresh Graph” igen.