86
3.4.Анализ режимов движения в пространстве состояний
Режим движения характеризует функционирование сетевого сообщества с течением времени.
Исследователи выделяют 5 режимов движения системы в пространстве [2]:
равновесный, периодический, переходный, апериодический и эргодический режим.
К системам с равновесным режимом сетевые сообществ отнести нельзя в связи с тем, что их состояние постоянно меняется. Но, с учетом модели текстурированного пространства состояний, в равновесном (или стационарном)
состоянии сетевое сообщество может находиться в определенный временной срез,
т.е. на одном из слоев моделируемой текстуры. В переходном режиме сетевое сообщество также может оказаться в момент перемещения между двумя слоями.
Для отнесения к классу систем с периодическим режимом в процессе функционирования сетевых сообществах нельзя выделить равные промежутки времени перехода между состояниями вследствие непредсказуемости поведения акторов (выделение таковых будет являться случайным совпадением, или частным случаем).
Эргодический режим предполагает наличие заданного состояния, к которому с течение времени сколь угодно близко может подойти система. А в сетевом сообществе некоторого заданного состояния может и не оказаться. Но,
рассмотрение такого режима имеет место в случае, если применяется управляющее воздействие с целью получения определенного результата. Т.е. в
результате некоторой последовательности управляющих воздействий, система все-таки может быть приведена в заданное состояние. Но такой вариант также является частным случаем.
Таким образом, проанализировав данную классификацию режимов движения, следует отметить, что такую систему как сетевое сообщество в общем случае наиболее корректно можно отнести к классу систем с апериодическим
87
режимом, поскольку обладает переменным периодом перехода из одного
состояния в другое и последующие.
3.5.Экспериментальное исследование режимов движения в пространстве
состояний
Исследование динамического поведения сетевых сообществ может быть сделано на базе специализированных инструментов и методов.
Процесс межслойного перехода и порядок движения сообщества в пространстве рассмотрены на примере сети Twitter.
Методологическая база исследования основана на положениях теории графов, а также методах сетевых технологий. В качестве инструмента практического анализа и визуализации использовалось программное обеспечение
NodeXL. Этот инструмент позволяет работать с данными с целью их анализа.
С помощью данного инструмента предметно исследовалась реакция акторов на события, в частности, соревнование по бобслею в рамках Олимпийских игр
2014 (как одно из наиболее популярных событий), которое гипотетически предполагалось как импульсное событие, способное повлечь за собой образование нового слоя.
Сеть Twitter обладает акторно-информационной структурой. Акторная компонента представлена аккаунтами – акторами, которые могут быть связаны между собой и осуществлять различные действия, которые представляют собой реакцию на внешние воздействия, т.е. события, происходящие в сети и реальной жизни.
Информационная составляющая отражает данные о событиях, происходящих в сети и реальном мире. Эти данные могут поступать из внешней среды напрямую, т.е. вноситься как новости о событиях реального мира, или же косвенно – т.е. формироваться в результате обсуждения в сети событий,
происходящих в реальном мире.
88
Состояние сети Twitter постоянно меняется под влиянием происходящих событий.
В ходе эксперимента, через равные промежутки времени (т.е. до, в течение и после наступления события) на основе полученных данных были построены графы, вершинами которых являются аккаунты пользователей, чьи недавние твиты содержали ключевое слово «bobsleigh» (бобслей). В каждом случае были установлены равные ограничения на количество твитов. Здесь ребра графа характеризуют отношения между пользователями («replies-to», «mentions» и
другие); петлей обозначаются твиты, которые не вызвали ретвит и не были отвеченными. Для построенных графов были проанализированы следующие метрики: количество вершин и ребер (Total Edges and Vertices), связанных компонентов (Connected Components), диаметр графа (Geodesic Distance),
плотность графа (Graph Density), коэффициент кластеризации (Clustering Coefficient), а также меры степени промежуточности (Betweenness Centrality),
близости (Сloseness Centrality) и собственных векторов (Eigenvector Centrality) [83].
В итоге, наибольший интерес для ранжирования вершин представили
показатели Betweenness |
Centrality ( |
|
|
) и Eigenvector |
|
|
|||
Centrality ( |
[74]. Betweenness |
Centrality и Eigenvector Centrality |
||
являются мерой центрированности той или иной вершины в сети.
С практической точки зрения, можно отметить следующее: вершины с высоким коэффициентом Betweenness Centrality обладают большим потенциалом для становления актора информационным брокером в своей сети. Коэффициент
Eigenvector Centrality в свою очередь позволяет оценить наиболее перспективные узлы для начала распространения информации, т.к. оценивается количество и качество связей данного узла с остальной сетью. По результатам анализа метрик были построены графы, отражающие состояние сети в разные моменты времени.
89
Поскольку в настоящее время при рассмотрении социальных сетей речь чаще всего идет о больших данных, то актуальны исследования рандомных выборок в разные срезы времени.
Рассмотренные примеры характеризуют порядок движения сетевого сообщества как системы в пространстве состояний. Это также является отражением динамики реакции акторов с эволюцией события под воздействием роста интереса к нему.
Веб-страницы новостных агентств и новости социальных сетей находятся среди наиболее цитируемых интернет-страниц независимо от эволюции события.
Метрика, характеризующая наиболее упоминаемые элементы в графе (Top Mentioned in Entire Graph) оказалась одним из самых интересных и непредсказуемых параметров в анализируемом примере.
Изначально предполагалось, что наиболее популярными окажутся спортивные события. Но анализ наиболее упоминаемых элементов, а также соответствующих акторов сети показал, что особое место среди этих элементов занимают маркетинговые страницы. Сравнение наиболее часто упоминаемых хэштегов также отражает характер движения сообщества.
По результатам проведенного кейс-стади можно сделать следующие выводы
отипах порядка движения сетевого сообщества:
1.Порядок движения не может считаться равновесным. Сетевое сообщество может находиться в равновесном (стационарном) состоянии только в тот момент, когда оно располагается на определенной эволюционной площадке.
2.Порядок движения является апериодическим и находится под влиянием большого количества разнообразных событий, происходящих в мире, которые отражаются средствами массовой информации.
3.Сетевое сообщество не может считаться системой с периодическим порядком движения. Это связано с непредсказуемым возникновением различных событий, а также непредсказуемым поведением акторов сетевого сообщества.
90
4.Порядок движения сетевого сообщества нельзя считать переходным.
Однако оно может находиться в переходном состоянии в момент перемещения между двумя слоями текстуры. Подобную ситуацию в настоящей работе предлагается описывать в рамках принципов «черного ящика».
5. Эргодический порядок движения также не может корректно описывать перемещение сетевого сообщества в текстурированном пространстве состояний,
поскольку для сетевого сообщества, в общем случае, сложно прийти к предварительно установленному состоянию. Это дополнительно усложняется,
если учитывать особенности больших данных и вытекающие из них проблемы.
Однако, все-таки можно выделить отдельные частные случаи. Например, если рассмотреть корпоративные сетевые сообщества, в которых акторы могут находится под влиянием достаточно сильных управленческих воздействий,
которые направлены на достижение определенных результатов с целью развития компании.
С практической стороны анализ показывает, что маркетинговые страницы занимают специальное место среди аккаунтов, зарегистрированных в сети.
Различные компании, индивидуальные проекты или продукты, известные музыканты и кинозвезды имеют аккаунты в различных социальных сетях.
Значение представленности бренда в социальных сетях возрастает с течением времени. Соответственно, маркетинг в социальных сетях составляет все большую и большую часть тех или иных маркетинговых кампаний.
Для привлечения интереса пользователей недостаточно просто разместить на странице рекламную информацию о продукте или услугах. Особенно важно продумать стратегию поддержания аккаунта и стратегию его наполнения. Анализ показывает, что компании часто передают информацию с новостных страниц для того, чтобы поддерживать интерес пользователя. Это ведет к дополнительному распространению информации.
Полученные результаты анализа метрик и визуализации также иллюстрируют процесс перехода рассматриваемых сетей из эгоцентриванного