Диссертация (1145030), страница 17
Текст из файла (страница 17)
442 p.2Хойслинг Р. Социальные процессы как сетевые игры. Социологические эссе по основным аспектам сетевойтеории / Пер. с нем. М.: Логос-Альтера, 2003. С. 36.3Аберкромби Н., Хилл С., Тернер Б.С. Социологический словарь: Пер. с англ. 2-е изд., перераб. и доп. М.:Экономика, 2004. С. 420.59структуру»1.Наиболее важными для прикладных исследований являются отношения или связимежду узлами, так как именно они характеризуют место роль того или иного узла в сети.
Болеетого, описание структуры сети при помощи методов визуализации, и в частностикартографирования, дает исследователям объективную картину реальности. Таким образом,изучение отношений между узлами приобретает критически важное значение. Сюда входяттакие параметры, как сила (количество взаимодействий) и направленность связей (влияние).
Взависимости от потребностей и точности исследования определяются критически важныепараметры связи. Для одних исследований направленность связи практически не имеетзначения, для других – это очень важно, так как позволяет предсказывать, например, путираспространения политической информации, если исследование относится к теме политическихкоммуникаций и анализу устройства бюрократических и административных структур.Поскольку узлы и отношения между ними являются предметом изученияматематической теории графов, постольку в обиход исследователей, использующих сетевойметод, широко вошли такие понятия, как вершина и ребро. Собственно, любая социальная сетьс точки зрения этой теории является графом, то есть комбинацией конечного числа вершин иребер. Вот как об этом пишут отечественные исследователи Д.
А. Губанов, Д. А. Новиков и А. Г.Чхартишвили: «Формально социальная сеть представляет собой граф G(N, E), в котором N = {1,2, … , n} – конечное множество вершин (агентов) и E – множество ребер, отражающихвзаимодействие агентов»2 [Губанов, Новиков, Чхартишвили, с. 4]. Подобная формализациядолжна способствовать научной строгости и призвана освободить политические исследованияот политической ангажированности и предвзятости.С точки зрения математики, социальные сети предстают в виде графов.
Графы в этомслучае выступают совокупностями множеств узлов (вершин) и связей (ребер) между ними. Вспециальной литературе по дискретной математике широко распространен термин «орграф»(организованный граф), который является графом с направленным влиянием, то есть таким, гдеодни узлы оказывают одностороннее влияние на других или испытывают взаимное влияниедруг на друга. В случае, если влияние оказывается в одну сторону, то это обозначаютстрелочкой в одну сторону, а если влияние двухстороннее, то это обозначают либо стрелочкамив обоих направлениях, либо линией без стрелочек. Таким образом, представленную выше вкачестве примера сеть коммуникаций внутри полицейского участка, как и любой другой1Там же.Губанов Д.
А., Новиков Д. А., Чхартишвили А. Г. Социальные сети: модели информационного влияния,управления, противоборства. М.: Физматлит, 2010. С. 4.260бюрократический орган, можно визуализировать в виде графа, а точнее в виде орграфа.Практическое использование орграфов нашло применение в первую очередь при решениетранспортных проблем.
Собственно, первая задача, над решением которой задумалисьматематики и которая дала толчок развитию дискретной математики, была связана с загадкойКенигсбергских мостов. В этой задаче фигурировали семь мостов Кенигсберга, через которыенадо было пройти, при этом не пересекая один и тот же мост дважды 1. Именно поэтомуважнейшей характеристикой орграфов выступает достижимость, то есть принципиальнаявозможность попасть с одной вершины на другую.
Соединимость и достижимость выступаютсоставными частями важнейшей характеристики любого графа и соответственно любойсоциальной сети – связности. Связность графа характеризует то, насколько хорошо вершинысвязаны между собой, то есть, можно ли, к примеру, из одной из них связаться с любой другой.В идеальном случае из одного узла сети можно попасть (пусть не на прямую) в любой другойузел.Далее, важнейшей характеристикой графа является его плотность. Этот параметрхарактеризует граф с точки зрения того, связаны ли узлы между собой напрямую.
Поэтомумаксимально плотный граф обладает максимально возможной связностью. Вместе с тем графможет распадаться на несколько плотно «сцепленных» между собой клик (кланов или облаков)вершин. При этом плотность всего графа будет относительно высокой, а вот его связность – нет.Социальные сети в реальном мире имеют тенденцию к формированию в них групп, сильносвязанных между собой, которые можно назвать кланами или кликами. В соответствующейспециальной литературе этот эффект получил название эффекта кластеризации. Попадая в такойкластер индивид неизбежно знакомится и заводит связи с остальными членами клана.
Так,например, происходит, когда люди переезжают в другой дом, меняют профессию или обретаютсемью. Данный эффект намного превышает простую статистическую вероятность, что делаетанализ социальных сетей весьма нетривиальной задачей.Более того, в процессе применения сетевого анализа в социальных наукахисследователи пришли к заключению, что большое значение играет такое понятие, какцентральность2. Это понятие применяется как к сетям в целом, так и к отдельным вершинам.Наибольшую ценность в социальных науках имеет понятие промежуточной центральности(англ.
Betweeness centrality – И. Б.) или центральности как посредничества. Как пишет Г. В.Градосельская, «главную идею этого подхода можно сформулировать следующим образом:áктор тем более централен, чем больше количество других áкторов, между которыми он1Харари Ф. Теория графов. М.: Мир, 1973. 300 с.Freeman L. C. Centrality in Social Networks: Conceptual Clarification // Social Networks. 1979. № 1. P. 35-41.261находится (чем больше маршрутов он контролирует)»1.В последние годы относительно большое распространение в научной литературеполучили исследования так называемых нейронных сетей. Использование методов анализанейронных сетей в социальных науках базируется на практическом применении некоторыхбазовых принципов работы человеческого мышления.
Дело в том, что человеческий мозг«состоит из огромного множества простых элементов – нейронов, число которыхприблизительно равняется 1011 – количеству звезд Млечного пути. Каждый нейрон связан снесколькими тысячами других нейронов с помощью нервных волокон, через которыепередаются электрические импульсы. Таким образом, мозг человека содержит приблизительно1015 взаимосвязей»2. Кроме самого факта того, что человеческий мозг можно представить ввиде графа с огромным количеством вершин, важно учесть и то обстоятельство, что, во-первых,связи между нейронами разные (например, выделяют дендриты – нервные волокнаобеспечивающие входящую информацию, а также аксоны – поддерживающие исходящийсигнал), а, во-вторых, что конфигурация этих связей, как и роль отдельных узлов, ещенедостаточно изучены.А.
С. Ахременко в своей работе приводит примеры задач, которые можно решать припомощи искусственных нейронных сетей, а также несколько случаев успешного примененияискусственных нейронных сетей в политике. В частности, для прогнозирования результатоввыборов президента США была поставлена задача отобрать из большого числа независимыхпеременных ограниченный набор факторов, оказывающих наибольшее влияние на выборы.
«Врезультате было получено всего пять значимых факторов:- уровень конкуренции при выдвижении от правящей партии;- наличие существенных социальных волнений во время правления действующегопрезидента;- спад или депрессия в год выборов;- значительность изменений, совершенных действующим президентом в политике;- активность третьей партии в год выборов»3.Таким образом, сетевой подход предоставляет новый инструмент для исследованиясетевых политических коммуникаций.
Рассмотрим несколько примеровполитическихисследований с использованием сетевого анализа. Мы предлагаем начать с коллективнойработы «Сетевой анализ комитетов в палате представителей Конгресса США 4. Некоторые1Градосельская Г. В. Указ. соч. С. 69.Ахременко А. С. Указ. соч. С. 267.3Ахременко А. С. Указ. соч. С. 276.4Porter M. A., Mucha P.
J., Newman M. E. J., Warmbrand C. M., Levin S. A. A Network Analysis of Committees in the262результаты этого исследования визуализированы на рис. 1. Они основаны на анализе членствадепутатов в различных комитетах и субкомитетах в 2001-2002 гг. Поскольку один депутат имеетправо принимать участие в нескольких комитетах, постольку за силу связи между комитетамибыло принято нормализированное участие депутатов в работе двух комитетов.
Например, если вработе двух комитетов не принимают участие хотя бы один из депутатов, то это значит, чтомежду ними нет связи. Чем больше одних и тех же депутатов работает в двух комитетах, темсильнее связь между ними и тем ближе они находятся на карте. Данный подход не исследуетнаправления отношений, ограничиваясь анализом структуры палаты представителей. Врезультате этого исследования выяснилось, что в палате представителей формируютсянастоящие кластеры, то есть замкнутые группы комитетов, в которых значительное количествочленов совпадают. Так, например, произошло с комитетами, занимающихся проблемамиконтрразведки и разведки.