Диссертация (1137237), страница 13
Текст из файла (страница 13)
Становлением потока предлагается называть эволюционный процесс,отражающий не только изменчивость информационного ресурса площадки, но иего устойчивость. Исходя из диалектического характера двухупомянутыхкатегорий, здесь предлагается говорить о становлении потока, об егоустойчивости в смысле закономерной изменчивости. Закономерная изменчивость– означает – неслучайная изменчивость. Отсюда задача – установлениезакономерности, а затем и моделирование систем на основании установленнойзакономерности.85Логично также сделать замечания, касающиеся определения скоростиперемещения системы на новый слой. Выше было отмечено, что период временимежду переходами из одного состояния сетевого сообщества в другое, какправило, не является постоянной величиной, поскольку переход в качественноновое состояние может произойти в непредвиденный момент времени.
Такиепроцессы принято называть случайными процессами с непрерывным временем[1]. Исследователь [1] также отмечает, что для таких процессов «вероятностьперехода в точно произвольный момент времениравна нулю» и предлагаютописывать переход с помощью параметра «интенсивности перехода»определяется как предел отношения вероятности переходапромежуток времени, котораясистемы заиз одного состояния в другое к длине этого промежутка[1]:(Указанная формула достаточно корректна для определения интенсивностиперехода при развитии простых или организационно структурированныхобъектов. Однако сети принадлежат к другому по порядку формализации классу,и поэтому здесь в большей степени важна не вероятностная интенсивностьперехода, а характер распределения параметрических вероятностей, посколькуэффективность управления зависит именно от точности моделирования этогохарактера по эволюционной площадке.
Здесь следует также отметить, чтонормальное распределение, являясь «пиковым» не может быть признанооптимальным по целевому применению, эволюционный переход не может бытьпереходом по точке и даже по ее окрестности. Это должен быть переход поплощади. Поэтому целевой функцией при моделировании должна быть функцияравномерного распределения вероятностей.863.4.Анализ режимов движения в пространстве состоянийРежим движения характеризует функционирование сетевого сообщества стечением времени.Исследователи выделяют 5 режимов движения системы в пространстве [2]:равновесный, периодический, переходный, апериодический и эргодическийрежим.К системам с равновесным режимом сетевые сообществ отнести нельзя всвязи с тем, что их состояние постоянно меняется.
Но, с учетом моделитекстурированного 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 сетевоесообщество также может оказаться в момент перемещения между двумя слоями.Для отнесения к классу систем с периодическим режимом в процессефункционирования сетевых сообществах нельзя выделить равные промежуткивремени перехода между состояниями вследствие непредсказуемости поведенияакторов (выделение таковых будет являться случайным совпадением, иличастным случаем).Эргодический режим предполагает наличие заданного состояния, к которомус течение времени сколь угодно близко может подойти система.
А в сетевомсообществе некоторого заданного состояния может и не оказаться. Но,рассмотрение такого режима имеет место в случае, если применяетсяуправляющее воздействие с целью получения определенного результата. Т.е. врезультате некоторой последовательности управляющих воздействий, системавсе-таки может быть приведена в заданное состояние.
Но такой вариант такжеявляется частным случаем.Такимобразом,проанализировавданнуюклассификациюрежимовдвижения, следует отметить, что такую систему как сетевое сообщество в общемслучае наиболее корректно можно отнести к классу систем с апериодическим87режимом, поскольку обладает переменным периодом перехода из одногосостояния в другое и последующие.3.5.Экспериментальное исследование режимов движения в пространствесостоянийИсследование динамического поведения сетевых сообществ может бытьсделано на базе специализированных инструментов и методов.Процесс межслойного перехода и порядок движения сообщества впространстве рассмотрены на примере сети Twitter.Методологическая база исследования основана на положениях теорииграфов, а также методах сетевых технологий.
В качестве инструментапрактического анализа и визуализации использовалось программное обеспечениеNodeXL. Этот инструмент позволяет работать с данными с целью их анализа.С помощью данного инструмента предметно исследовалась реакция акторовна события, в частности, соревнование по бобслею в рамках Олимпийских игр2014 (как одно из наиболее популярных событий), которое гипотетическипредполагалось как импульсное событие, способное повлечь за собой образованиенового слоя.Сеть Twitter обладает акторно-информационной структурой. Акторнаякомпонента представлена аккаунтами – акторами, которые могут быть связанымежду собой и осуществлять различные действия, которые представляют собойреакцию на внешние воздействия, т.е.
события, происходящие в сети и реальнойжизни.Информационная составляющая отражает данные о событиях, происходящихв сети и реальном мире. Эти данные могут поступать из внешней средынапрямую, т.е. вноситься как новости о событиях реального мира, или жекосвенно – т.е. формироваться в результате обсуждения в сети событий,происходящих в реальном мире.88Состояние сети Twitter постоянно меняется под влиянием происходящихсобытий.В ходе эксперимента, через равные промежутки времени (т.е. до, в течение ипосле наступления события) на основе полученных данных были построеныграфы, вершинами которых являются аккаунты пользователей, чьи недавниетвиты содержали ключевое слово «bobsleigh» (бобслей).
В каждом случае былиустановлены равные ограничения на количество твитов. Здесь ребра графахарактеризуют отношения между пользователями («replies-to», «mentions» идругие); петлей обозначаются твиты, которые не вызвали ретвит и не былиотвеченными. Для построенных графов были проанализированы следующиеметрики: количество вершин и ребер (Total Edges and Vertices), связанныхкомпонентов (Connected Components), диаметр графа (Geodesic Distance),плотность графа (Graph Density), коэффициент кластеризации (ClusteringCoefficient), а также меры степени промежуточности (Betweenness Centrality),близости (Сloseness Centrality) и собственных векторов (Eigenvector Centrality)[83].В итоге, наибольший интерес для ранжирования вершин представилипоказатели Betweenness Centrality (Centrality () и Eigenvector[74].
Betweenness Centrality и Eigenvector Centralityявляются мерой центрированности той или иной вершины в сети.С практической точки зрения, можно отметить следующее: вершины свысоким коэффициентом Betweenness Centrality обладают большим потенциаломдля становления актора информационным брокером в своей сети. КоэффициентEigenvector Centrality в свою очередь позволяет оценить наиболее перспективныеузлы для начала распространения информации, т.к. оценивается количество икачество связей данного узла с остальной сетью. По результатам анализа метрикбыли построены графы, отражающие состояние сети в разные моменты времени.89Поскольку в настоящее время при рассмотрении социальных сетей речь чащевсего идет о больших данных, то актуальны исследования рандомных выборок вразные срезы времени.Рассмотренныепримерыхарактеризуютпорядокдвижениясетевогосообщества как системы в пространстве состояний.
Это также являетсяотражением динамики реакции акторов с эволюцией события под воздействиемроста интереса к нему.Веб-страницы новостных агентств и новости социальных сетей находятсясреди наиболее цитируемых интернет-страниц независимо от эволюции события.Метрика, характеризующая наиболее упоминаемые элементы в графе (TopMentioned inEntireGraph) оказаласьоднимизсамыхинтересныхинепредсказуемых параметров в анализируемом примере.Изначальнопредполагалось,чтонаиболеепопулярнымиокажутсяспортивные события. Но анализ наиболее упоминаемых элементов, а такжесоответствующих акторов сети показал, что особое место среди этих элементовзанимают маркетинговые страницы.
Сравнение наиболее часто упоминаемыххэштегов также отражает характер движения сообщества.По результатам проведенного кейс-стади можно сделать следующие выводыо типах порядка движения сетевого сообщества:1.Порядокдвижениянеможетсчитатьсяравновесным.Сетевоесообщество может находиться в равновесном (стационарном) состоянии только втот момент, когда оно располагается на определенной эволюционной площадке.2.Порядок движения является апериодическим и находится под влияниембольшого количества разнообразных событий, происходящих в мире, которыеотражаются средствами массовой информации.3.Сетевое сообщество не может считаться системой с периодическимпорядком движения.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
