روش تحلیل شبکه: استفاده از رویکرد شبکه‌های کل در مطالعة اجتماعات متن باز

نویسندگان

1 دانشیار گروه علوم اجتماعی دانشگاه الزهرا (س)

2 دانشجوی دکتری، دانشگاه ملی استرالیا

چکیده

تحلیل شبکه برای مطالعه ساخت اجتماعی، مجموعه‌ای از نظریه ها، مفاهیم، روش‌ها، تکنیک‌ها و ابزارها را ارائه می‌کند. در این مقاله روش تحلیل شبکه اجتماعی با رویکرد شبکه‌ کل[1] مطالعه می‌شود. در این مقاله پس از مرور نظریه شبکه‌های اجتماعی، تحلیل شبکه به‌عنوان روش تحقیق مطالعه می‌شود. برای این کار، نوع داده‌های شبکه‌ای، شیوه‌های جمع‌آوری و اصول و شاخص‌های مورد نیاز برای تحلیل و تفسیر آنها توضیح داده شده است. برای روشن‌تر شدن این روش و نحوه استفاده از آن، نمونه‌ای از تحقیق انجام شده روی اجتماعات توسعه‌دهندگان نرم‌افزارهای آزاد یا متن باز با رویکرد شبکه‌های کل ارائه شده است. در این نمونه تحقیق، علاوه بر توضیح شیوه تحلیل شبکه، نحوه استخراج اطلاعات شبکه‌های آنلاین نیز بیان شده است. در مجموع مقاله نشان می‌دهد که چگونه می‌توان از تحلیل شبکه برای مطالعه ساخت استفاده کرد.
 



[1]. Whole network approach 

کلیدواژه‌ها


مقدمه

یکی از مسائل مهمی که همواره در جامعه‌شناسی مورد توجه بوده بررسی الگوهای روابط عناصر در سطوح مختلف جامعه است: روابط بین مردم، نهادها، سازمان‌ها، دولت‌ها و غیره (برکوویتز، 1982؛ وسرمن، 1994؛ ولمن، 1998). تحلیل شبکة اجتماعی با هدف تحلیل این روابط از دهة 1940 در انسان‌شناسی باب شد و مورد استفاده قرار گرفت و بعدها در جامعه‌شناسی آمریکایی و کانادایی تکامل و توسعه یافت (ولمن، 1988). اساس تحلیل شبکه این عقیده است که «برای توضیح سازمان‌دهی اجتماعی نباید از محرک‌های درونی یا نیروهای خارجی انتزاعی استفاده کرد، بلکه می‌توان ساختار روابطی را که محدودکننده یا تواناکننده هستند مورد بررسی قرار داد» (همان). در واقع، هدف تحلیل شبکه، مطالعة ساخت است و به همین منظور مجموعه‌ای از نظریه‌ها‌، مفاهیم، اصول روشی، تکنیک و ابزار را ایجاد کرده است.

در این مقاله ضمن معرفی شبکه‌های اجتماعی، به بررسی روش تحلیل شبکه با رویکرد شبکه‌های کل می‌پردازیم. در ابتدا نظریة شبکه را به­طور مختصر توضیح می‌دهیم و سپس این رویکرد را به‌عنوان شیوة تحقیق بیان می‌کنیم. برای روشن‌ترشدن این روش و نحوة استفاده از آن نمونه‌ای از تحقیق انجام شده روی اجتماعات توسعه‌دهندة نرم‌افزارهای آزاد/ متن باز[1] با رویکرد شبکه‌های کل ارائه می‌شود و با استفاده از آن مسائل مختلف این روش توضیح داده می‌شود. شبکه‌های توسعه‌دهندة نرم‌افزارهای آزاد/ متن باز مبتنی بر اینترنت و با واسطه هستند. بنابراین، در این مقاله علاوه بر توضیح شیوة تحلیل شبکه‌های کل، نحوة استخراج این شبکه‌ها در فضای آنلاین نیز بیان خواهد شد.

 

نظریة تحلیل شبکه

تحلیل شبکه‌های اجتماعی در چند دهة اخیر اهمیت زیادی پیدا کرده است. این رویکرد که بیشتر به صورت مجموعة روش‌ها، ابزارها و تکنیک‌های تحقیق تجربی ظهور کرد امروز تبدیل به رهیافتی نظری و نظریه‌ای جامعه‌شناختی شده است و برخی از دانشمندان علوم اجتماعی معتقدند  که تحلیل شبکه چیزی فراتر از نوعی روش با مجموعه‌ای از فنون و ابزار تحلیلی است (ولمن، 1988؛ برکوویتز، 1988). با اینکه ریشه‌های این نظریه به تحقیقات اولیة جامعه‌شناسان مانند آثار دورکیم در زمینة انسجام اجتماعی یا مطالعات انسان‌شناختی می‌رسد، حضور و استفاده از آن به‌عنوان مجموعه‌ای از دیدگاه‌ها، قواعد و ابزار تحقیقی منسجم نسبتاً تازه و در حال تکامل است.

ولمن و برکوویتز در کتاب خود تا حدودی تحلیل شبکه و تحلیل ساختاری را مترادف درنظر می‌گیرند و معتقدند که ساختارگرایی باعث ایجاد تغییرات زیادی در جامعه‌شناسی در جهت دورشدن از سنت‌های فلسفی و روان‌شناختی شده است. البته آن‌ها بیان می‌کنند که تحلیل شبکه از جهات زیادی با ساختارگرایی غالب جامعه‌شناسی (نگاه اشتراوسی) متفاوت است. در این نگاه ساختارها چیزهایی ورای افراد یا ساخت‌های ذهنی یا فرهنگی نیستند، بلکه ساختار چیزی عینی و قابل مشاهده در روابط بین افراد جامعه است. این نوع نگاه به ساختار آن‌ها را تاحدودی از جامعه‌شناسی کلان دور و به جامعه‌شناسی خرد نزدیک می‌کند، هرچند که با نگاه خردبینانه (مانند نظریة کنش متقابل) و روان‌شناسانه به جامعه نیز خودداری می‌کنند و معتقدند این کار را باید به روان‌شناسی واگذار کرد. «از دیدگاه تحلیل شبکه، جزء اصلی ساخت اجتماعی نوعی گروه در حال کارکرد است که با شبکة تعاملی خود در زمان و مکان جاری است. چرا که این نوع واحدها هستند که عینیت دارند و حائز نوعی منزلت هستی‌شناختی می‌باشند» (چلبی، 1373).

با اینکه این نظریه با نظریه‌‌های دیگر مانند ساختارگرایی، نظریات زیمل در مورد فرم و محتوا، نظریة مبادله (معادل منابع و جریان آن در شبکه‌ها- گرانووتر، لین)، نظریات دورکیم در مورد انسجام اجتماعی، نظریات کنش پارسونز، نظریة نظام جهانی والرشتاین، نظریات گروه‌ها و اجتماعات و... نزدیکی زیادی دارد (همان)، تفاوت اساسی‌اش با همة این نظریه‌‌ها تأکید آن بر تحقیق تجربی واقعیت جامعه، که همان روابط بین افراد است، می‌باشد. به نظر ریتزر «در زمینة پیوندهای این نظریه با جریان اصلی جامعه‌شناسی باید گفت که نظریه‌پردازان شبکه به فلسفه‌پردازی دربارة ساختارها چندان علاقه‌ای ندارند، بلکه بیشتر به بررسی دقیق تجربی، روش‌شناختی و حتی ریاضیاتی انواع شبکه‌ها علاقه‌مندند» (1384: 576). شاید به همین دلیل باشد که این دیدگاه بیشتر مجموعه‌ای از قواعد و تکنیک‌های روش‌شناختی دانسته شده تا رویکردی نظری.

تحلیل شبکه بر بررسی تجربی ساختار اجتماعی به‌عنوان روابط و پیوندها بین کنشگران تأکید خاصی دارد و برای رسیدن به این هدف اصول، روش‌ها، تکنیک‌ها، ابزارها و حتی موارد تحلیلی خاصی را پیشنهاد می‌کند. این رویکرد به مطالعة جریان منابع و نحوة دسترسی افراد به این منابع نهفته در شبکه‌ها، که اطلاعات یکی از مهم‌ترین آن‌هاست، علاقة خاصی دارد. مواردی مانند بررسی شبکه‌های غیررسمی و تأثیرات آن‌ها در سازمان‌ها، روابط بین‌الملل، بیماری‌های واگیردار، شبکه‌های تروریستی یا بزهکاران، شبکه‌های بانفوذ در جریان‌های اقتصادی یا سیاسی، شبکه‌های افراد، انواع حمایت‌هایی که برای آن‌ها فراهم می‌کنند و تأثیر حمایت‌ها در زندگی آن‌ها و... از موارد مورد مطالعة این رویکرد هستند.

 

روش تحلیل شبکه

تحلیل شبکه، برای مطالعة ساخت، مجموعه‌ای از روش‌ها، اصول، تکنیک‌ها و ابزارها را عرضه می‌کند. در ادامه به بررسی این مجموعه می‌پردازیم.

واحد تحلیل در اینجا یک رابطه است. رابطة فامیلی بین دو نفر، رابطة همکاری بین افراد یک اداره، ساختار دوستی بین اعضای یک گروه کوچک و غیره. ویژگی جالب توجه رابطه الگوی آن است که جنس، سن، دین، درآمد و... نیست. این‌ها می‌توانند خصوصیات هریک از افراد باشند نه رابطة بین آن‌ها. بنابراین، در این تحلیل‌ها نمی‌توان از تکنیک‌های اندازه‌گیری روش‌های موجود استفاده کرد. به نظر ولمن «در واقع آنچه تحلیل‌های ساختاری را متمایز می‌کند روش‌های تحقیق نیست، بلکه شیوة خاصی است که محققان با آن‌ها سؤالاتی را طرح می‌کنند و به دنبال پاسخشان هستند» (ولمن، 1988: 39). بهتر است برای درک روش تحلیل شبکه روش‌ها را به دو طبقه تقسیم کنیم:

-  روش‌های رابطه‌ای[2]

-  روش‌های طبقه‌بندی (مقوله‌بندی)[3]

این طبقه‌بندی برای شناخت روش تحلیل شبکه می‌تواند مفید باشد. تحلیل شبکه از نوع روش رابطه‌ای است (چلبی، 1373).

 

جدول1. مقایسة روش‌ها

نوع روش خصوصیات

طبقه‌بندی

رابطه‌ای

واحد تحلیل

موجودیت (entitiy)

رابطه

داده‌ها

اسنادی (attributional)

رابطه‌ای (Relational)

جمعیت و نمونه تحقیق

تعریف بر اساس صفات موجودیت‌ها

تعریف بر اساس روابط موجودیت‌ها

تحلیل

تحلیل متغیر

تحلیل اتصال (connection analysis)

فنون

مقوله‌بندی، جدول‌بندی، تحلیل همبستگی، تکنیک‌های چند متغیری

تکنیک گراف، الگوسازی آماری، الگوسازی جبری

چنانچه در جدول مشاهده می‌شود، این دو دسته روش در واحد تحلیل، نوع داده‌های مورد تحلیل، جمعیت و نمونة تحقیق، شیوة تحلیل و فنون تحلیل با هم متفاوت‌اند.

 

انواع شبکه‌ها

به­طورکلی، دو رویکرد برای بررسی شبکه‌های اجتماعی وجود دارد:

1-   رویکرد اجتماعات فردی[4]

2-    رویکرد شبکه‌های کل[5]

در رویکرد شبکه‌های کل، مشاهده‌کنندة خارجی وضعیت را می‌بیند و توضیح می‌دهد. او از بیرون به روابط نگاه می‌کند و کل روابط را مورد بررسی قرار می‌دهد. «اگر از دید شبکة کل به شبکه‌های اجتماعی نگاه کنیم، الگوی ارتباط، شکاف ها و چالش های موجود در شبکه، روابط نقشی برابر بین اعضای نظام، تغییرات در ساختار شبکه در طول زمان و پیوندهای مستقیم و غیرمستقیم بین اعضای آن شبکه یا نظام می‌تواند مورد بررسی قرار گیرد» (باستانی، 1382).

اولین قوت این رویکرد این است که همزمان هم کل سیستم را به صورت یک کل نشان می‌دهد و هم بخش‌های سازندة آن را. «بنابراین، تحلیل‌گران قادرند جریان‌های افقی یا عمودی اطلاعات را پیدا کنند، منبع و مقصد اطلاعات و محدودیت‌های ساختاری موجود در جریان منابع را تشخیص دهند» (ولمن، 1988: 26).

مطالعات شبکة کل در اجتماعات وسیع کاربردی نیست و از نظر تحلیلی مناسب نمی‌باشد. کسانی که از این روش استفاده می‌کنند باید مرزهای یک جمعیت را تعریف کنند و فهرستی از تمام اعضای این جمعیت داشته باشند. علاوه بر این، باید فهرستی از روابط بین اعضای این جمعیت جمع‌آوری شود. بنابراین، تحلیل شبکة کل برای مطالعة واحدهای کوچک‌تر، محدود و مشخص مثل سازمان‌ها و همسایگی‌هایی با حدومرز مشخص و آشکار مناسب‌تر است.

شبکه‌های فردی: بسیاری از تحلیل‌گران شبکة اجتماعی بر مطالعة "شبکه‌های فردی" کوچک‌تر (فرد محور) تمرکز می‌کنند که از دید افراد کانونی که در شبکه قرار دارند تعریف می‌شود. در این مدل تحلیلی به جای آنکه شبکه از نگاه فرد بیرونی مشاهده شود، از درون مورد بررسی قرار می‌گیرد. مطالعات شبکة فردی محققان را قادر می‌سازند که پیوندهای اجتماع را در هر جا که واقع باشند و با هر کس و هر شکلی که ساختار یافته‌اند مطالعه کنند. همچنین، این مطالعات به‌خوبی با جریان اصلی تکنیک‌های تحقیق پیمایش سازگار است (صالحی هیکوئی، 1384 به نقل از باستانی، 2001).

 

جمع­آوری داده­های شبکه

شبکه به صورت مجموعه‌ای از گره‌ها[6] و روابط بین آن‌ها تعریف می‌شود. گره‌ها می‌توانند فرد، گروه، سازمان، کشور و غیره باشند. در واقع، در تحلیل شبکه، مطالعة روابط بین گره‌ها مورد نظر است. این روابط ممکن است جهت‌دار، بدون جهت‌، وزن‌دار یا دوتایی (صفر و یکی) باشد. ساده‌ترین نوع شبکه، شبکة روابط دوتایی بدون جهت‌ است که فقط وجود یا عدم رابطة بین گره‌ها را نشان می‌دهد. با استفاده از وزن رابطه می‌توان آن را بیشتر توصیف کرد. وزن می‌تواند نشان‌دهندة میزان، تکرار یا شدت رابطه باشد. برای مثال، در رابطة بین سازمان‌ها وزن رابطه‌ها ممکن است نشان‌دهندة میزان تماس‌های آن‌ها با هم باشد (وسرمن، 1994؛ اسکات، 1991، گارتون و دیگران، 1999). اگر در شبکه رابطه‌ای جهت‌دار باشد به آن کمان[7] و اگر بدون جهت باشد به آن یال[8] می‌گوییم (هوگان، 2007).

بنابر تعریف شبکه، داده‌های مورد تحلیل در این روش با داده‌های مورد تحلیل در روش‌های دیگر جامعه‌شناختی متفاوت خواهد بود. در اینجا داده‌ها از نوع رابطه هستند. به این معنا که واحد تحلیل در این روش رابطه‌ است و نه فرد. بنابراین، اطلاعات جمع‌آوری شده باید روابط بین افراد (یا گروه‌ها و...) را و نه خود افراد یا گروه‌ها را توصیف کند. به همین دلیل نیز داده‌های جمع‌آوری شده در نهایت به صورت ماتریس‌های دوبعدی نمایش داده می‌شوند (M) که هر خانه از این ماتریس (xij) نشان‌دهندة رابطة بین گره i و گره j است (وسرمن، 1994؛ اسکات، 1991).

داده‌های شبکة اجتماعی شامل دست‌کم یک متغیر ساختاری است که روی مجموعه‌ای از کنشگران اندازه‌گیری شده است. معمولاً مسئلة تحقیق و نظریه‌‌ها تعیین می‌کنند که این متغیرها چه هستند و چه تکنیک‌هایی برای اندازه‌گیری آن‌ها مناسب‌تر است (وسرمن، 1994: 28).بیشتر تکنیک‌های جمع‌آوری داده‌‌ها که در جامعه‌شناسی شناخته شده‌اند، برای جمع‌آوری داده‌ها در تحلیل شبکه نیز مناسب هستند، اما در برخی موارد باید نکاتی رعایت شود و همچنین برخی تکنیک‌ها وجود دارند که مخصوص تحلیل شبکه هستند.در جمع‌آوری داده‌های شبکه، تعیین جمعیت نمونه اهمیت خیلی زیادی دارد. معمولاً تعیین مرزهای شبکه کار دشواری است. اعضای شبکه‌ها همواره در حال کم و زیاد شدن هستند. از طرفی، اینکه چه کسانی به شبکه تعلق دارند، همواره قابل تشخیص نیست.

لومان، مارسدنو پرنسکی (1989) برای تعیین مرزها در مطالعات تحلیل شبکه دو راه ارائه می‌کنند. در روش اول، که آن را روش واقع‌گرا نیز می‌خوانند، مرزها و عضویت کنشگران در آن‌ها را همان در نظر می‌گیریم که خود کنشگران نیز آن را می‌دانند. برای مثال، یک دسته افراد کنار خیابان، گروه اجتماعی بودن خودشان را تأیید می‌کنند. در روش دوم، که آن را روش صوری[9] می‌نامند، مرزهای شبکه با توجه به نظریه‌های مورد استفادة محقق تعیین می‌شوند. برای مثال، محققی در پی یافتن روابط علمی بین دانشمندان یک حوزه است. او می‌تواند همة افرادی را که در پنج سال اخیر مطلبی در آن زمینه به چاپ رسانده‌اند، به‌عنوان جمعیت تحقیق درنظر بگیرد. این افراد ممکن است خود از تعلق به چنین شبکه‌ای اطلاع نداشته باشند. هر دو روش در مطالعات تحلیل شبکه مورد استفاده قرار گرفته‌اند (همان: 31-32).

اما در مواردی تعیین اعضای شبکه خیلی دشوارتر می‌شود. چرا که محقق نمی‌تواند از وجود ویژگی مورد تحقیق خود در افراد اطلاع داشته باشد. در این موارد محقق می‌تواند از روش گلوله برفی[10] (گودمن، 1949 و 1961؛ اریکسون، 1978) استفاده کند. محقق در تعیین جمعیت شبکه باید توجه داشته باشد که اعضای شبکه محدود و قابل شمارش باشند و بنابراین، باید مرزهای شبکه را تعیین کرد یا، در روش گلوله‌برفی، نمونه‌گیری را در جایی خاتمه داد. واحد مشاهده نیز بنابر سؤال تحقیق می‌تواند فرد، افراد، گروه‌ها و... یا رخداد‌ها[11] باشند. یعنی محقق می‌تواند از افراد در مورد شبکه‌شان سؤال کند یا آن را در رخدادها مشاهده کند.

برای جمع‌آوری داده‌های شبکه نیز می‌توان از همة تکنیک‌های جمع‌آوری داده، که در جامعه‌شناسی مورد استفاده قرار می‌گیرند، مانند پرسش‌نامه، مصاحبه، مشاهده، اطلاعات آرشیو شده و... استفاده کرد. پرسش‌نامه معمول‌ترین شیوة جمع‌آوری اطلاعات شبکه، مخصوصاً در شبکه‌های فردی، است. در پرسش‌نامه از افراد خواسته می‌شود اعضای شبکة‌ خود، نوع روابط، ویژگی‌های روابط (مدت، میزان، قوت و...) را مشخص کنند. گاهی، از افراد خواسته می‌شود که به صورت روزانه روابط خود را با دیگران ثبت کنند. این اطلاعات به محقق امکان می‌دهد که الگوی شبکة افراد در زمان را به دست آورد. در روش مشاهده، محقق روابط بین کنشگران را مشاهده و ثبت می‌کند. در نهایت، اطلاعات ثبت‌شده، مدت زمان‌هایی از روابط بین جفت کنشگران خواهد بود که با استفاده از آن می‌توان شبکة آن‌ها را به دست‌ آورد. در مواردی، می‌توان با استفاده از تراکنش‌های ثبت‌شده، شبکة روابط بین کنشگران را استخراج کرد. «یک استفادة معمول از این شیوه در جامعه‌شناسی علم، مخصوصاً برای مطالعة الگوهای نقل قول از محققان دیگر است. مثلاً می‌توان با بررسی اینکه "چه کسی به چه کسی ارجاع می‌دهد"، انتشار ابداعات علمی را مطالعه کرد» (بارت، 1978/1979؛ بریگر، 1976؛ وایت و مک‌کن، 1988؛ به نقل از وسرمن، 50-51).

 

نحوة نمایش اطلاعات (سوسیوگرام­ها و ماتریس­ها)

برای نمایش شبکه‌ها دو شیوة‌ اصلی وجود دارد: ماتریس روابط و گراف یا سوسیومتر و سوسیوگرام. در شیوة اول، گره‌ها و روابط بین آن‌ها در ماتریسی نشان داده می‌شوند. در چنین ماتریسی، گره‌ها در سطر اول و ستون اول می‌آیند و اعداد داخل ماتریس نشان‌دهندة روابط بین آن‌ها هستند. این اعداد می‌توانند باینری (صفر و یک) یا وزن‌دار باشند. ماتریس‌های باینری فقط نشان می‌دهند که بین هر دو گره (عضو شبکه) رابطه‌ای وجود دارد یا نه. اما در ماتریس‌های وزن‌دار می‌توان به رابطة بین دو عضو وزنی نیز اختصاص داد. این وزن می‌تواند نشان‌دهندة فراوانی تماس، قوت پیوند، مدت رابطه یا ترکیبی از این شاخص‌ها باشد. گراف‌ها همچنین ممکن است جهت‌دار[12] نیز باشند. در یک گراف جهت‌دار، خطوط روابط جهت‌دار هستند، یعنی از گره‌ای شروع و به گره دیگری ختم می‌شوند.

شیوة نمایش ماتریسی درواقع با سرشت داده‌های شبکه‌ای در ارتباط است. در این شیوه، اعضا و روابط بین آن‌ها به‌صورت ماتریس‌هایی نمایش داده می‌شوند. سطر و ستون اول ماتریس اعضای شبکه و خانه‌های آن روابط بین این اعضا را نشان می‌دهد. بنابراین، خانه‌های ماتریسی ممکن است فقط صفر یا یک باشند (ماتریس باینری) یا مقادیر بیشتر از صفر داشته باشند که وزن رابطه را نشان می‌دهد. در شیوة ماتریسی نیز می‌توان روابط جهت‌دار را نمایش داد. در شبکه‌ای با روابط جهت‌دار، ماتریس روابط متقارن نیست. به این ترتیب، ممکن است رابطة بین گره i وj  با رابطة بین j و i متفاوت باشد. شیوة نمایش ماتریسی برای محاسبات کامپیوتری مناسب است، ولی مطالعه و بررسی شبکه به‌وسیلة ماتریس برای انسان کمی دشوار است (مخصوصاً در ماتریس‌های بزرگ).

شیوة نمایش گرافی مبتنی بر داده‌های ماتریسی است، ولی برای انسان قابل فهم‌تر است. در این شیوه اعضا و ارتباط بین آن‌ها به‌صورت نقاط و خطوط بین آن‌ها رسم می‌شود و درنهایت تصویری از شبکه ارائه می‌کند. ترسیمی خوب از شبکه می‌تواند برخی از مهم‌ترین ویژگی‌های کلی ساختار شبکه را خیلی سریع به مشاهده‌کننده منتقل کند. برخی از این ویژگی‌ها شامل این موارد هستند: آیا همة اعضا با هم ارتباط دارند یا افرادی منزوی و بدون ارتباط نیز وجود دارند؟؛ آیا روابط خیلی کمی بین اعضا وجود دارد؟؛ آیا زیرگروه‌ها یا دسته‌های محلی وجود دارند که به یکدیگر متصل و از بقیه مجزا باشند (مؤلفه‌ها)؟؛ آیا گره‌هایی وجود دارند که روابط خیلی زیاد و برخی دیگر روابط خیلی کمی داشته باشند؟

به نظر وسرمن[13]، نمایش تصویری داده‌ها که گراف یا سوسیوگرام ارائه می‌کند، غالباً به محقق اجازة کشف الگوهایی را می‌دهد که در غیر این صورت احتمالاً پوشیده باقی می‌ماندند (وسرمن ، 1994: 94).

 

شاخص­های مورد استفاده در تحلیل شبکه

ویژگی‌های شبکه‌های اجتماعی به سه دستة ساختی، تعاملی و کارکردی تقسیم می‌شوند که هرکدام شاخص‌هایی دارند. این شاخص‌ها بنابر مسئله و هدف تحقیق انتخاب می‌شوند. «منظور از ویژگی‌های ساختی شبکه ویژگی‌هایی است که بیشتر با ساخت و نه محتوای شبکه ارتباط دارند؛ مانند اندازه، تراکم و ترکیب. ویژگی‌های تعاملی بیشتر به خصوصیات مربوط به روابط بین اعضا مانند فراوانی تماس‌ها، قوت، چندگانگی، نزدیکی، مدت رابطه و... می‌پردازد. در ویژگی‌های کارکردی به کارکردهایی که شبکه برای اعضا دارد، مانند انواع حمایت‌های اجتماعی شبکه، توجه می‌شود»(باستانی، 1385).

هدف ما در این تحقیق فقط بررسی ساخت شبکه است. بنابراین، تنها به بررسی شاخص‌های مربوط به ساخت می‌پردازیم. بیشتر این شاخص‌ها مربوط به شبکه‌های کل هستند. با داشتن ماتریس روابط می‌توان شبکة روابط گره‌های مورد نظر را مطالعه کرد. برای این منظور نیز تا به حال انواع مختلفی از شاخص‌ها با تعاریف گوناگون ایجاد شده‌اند که هریک از آن‌ها جنبه‌ای از ساخت را مورد توجه قرار می‌دهند. در ادامه به توضیح برخی از مهم‌ترین این شاخص‌ها و دلیل استفاده از آن‌ها در تحقیق حاضر می‌پردازیم.

-  اندازة شبکه[14]: تعداد کل پیوندهای موجود در شبکه را نشان می‌دهد.

-  تراکم شبکه[15]: یکی از شاخص‌هایی است که از آن زیاد استفاده می‌شود. این شاخص به صورت نسبت تعداد همة پیوندهای موجود به همة پیوندهای ممکن تعریف می‌شود. این شاخص معرف میزان همبستگی[16] شبکه است (باستانی، 2007). «در یک شبکة به هم پیوسته با تراکم بالا، روابط مستقیم زیادی بین اعضا وجود دارد: این همان وضعیت روستای کوچک قدیمی یا گروه‌های کاری است» (ولمن، 1999). امروزه در شبکه‌هایی که با واسطة ‌کامپیوتر شکل می‌گیرد، امکان وجود چنین شبکه‌های با تراکم بالا خیلی کم شده است.

-  مرکزیت[17]و قدرت: همة جامعه‌شناسان معتقدند قدرت خصوصیت اساسی ساختارهای اجتماعی است. در تحلیل شبکه تحلیل قدرت با مفهوم مرکزیت ارتباط زیادی دارد. شاید مهم‌ترین فرض در رویکرد شبکه‌ این است که قدرت اساساً رابطه‌ای است. یک فرد به تنهایی نمی‌تواند قدرت داشته باشد، چرا که نمی‌تواند بر دیگران مسلط باشد. قدرت یک فرد، وابسته به دیگران است. چون قدرت به ساختار وابسته است؛ بنابراین، می‌تواند خیلی متغیر باشد. اگر سیستمی خیلی کم همبسته باشد (تراکم کم)، قدرت زیادی نمی‌تواند در آن اعمال شود. قدرت هم در سطح کلان و هم در سطح خرد مطرح است. در تحلیل شبکه قدرت در هردوی این سطوح قابل مطالعه و بررسی است، چرا که رویکرد شبکه این دو سطح را به هم پیوند می‌دهد (هنمن و رایدل، 2005: 145).

برای درک بهتر شیوه‌هایی که تحلیل شبکه برای مطالعة قدرت به کار می‌برد، ابتدا توجه شما را به چند سیستم خیلی ساده جلب می‌کنیم. به گراف‌های سه شبکة ساده در شکل‌های زیر توجه کنید:

 

شکل1- شبکة ستاره‌ای[18]

 

شکل2- شبکة خطی[19]

 

 

شکل3- شبکة دایره‌ای[20]

 

از مشاهدة این شکل‌ها برمی‌آید که موقعیت کنشگر A در شبکة ستاره‌ای از همة کنشگران بهتر است. اما چرا این کنشگر موقعیتی بهتر از دیگران در شبکة ستاره‌ای دارد؟ آیا واقعاً همة کنشگران در شبکة دایره‌ای موقعیت ساختاری یکسانی دارند؟ (هنمن و رایدل، 2005: 146).

این سؤالات را می‌توان با توجه به مفهوم مرکزیت در تحلیل شبکه پاسخ داد. این مفهوم شامل چند شاخص است که در ادامه آن‌ها را بیان می‌کنیم.

1)   درجه[21]: ساده‌ترین تعریف از مرکزیت کنشگر این است که کنشگران مرکزی باید فعال‌ترین کنشگران باشند و بیشترین پیوندها را با کنشگران دیگر داشته باشند (وسرمن، 1994: 178). در گراف‌های جهت‌دار دو درجة ورودی[22] و خروجی[23] برای یک گره محاسبه می‌شود که اولی نشان‌دهندة پیوندهای خروجی است و دومی پیوندهای ورودی گره را نشان می‌دهد. تعبیر جامعه‌شناختی این دو شاخص به این صورت است که پیوندهای خروجی به معنای ارائة منابعی به شبکه است (که بیشتر برای اطلاعات مورد استفاده قرار می‌گیرد) و پیوندهای ورودی به معنای دریافت منابع است. «میزان بالای درجة خروجی نشان‌دهندة اقتدار[24] است. به این معنا که این نوع گره‌ها خیلی سریع می‌توانند اطلاعاتی را انتشار دهند. میزان بالای درجة ورودی نیز نشان‌دهندة شهرت[25] فرد است. این به معنای آن است که افراد زیادی به این گره‌ها توجه و مراجعه می‌کنند» (هوگان، 2007).

حال کنشگر A در شبکة ستاره‌ای دارای بالاترین درجه است (البته در اینجا روابط بدون جهت فرض شده‌اند). این کنشگر فرصت‌های بیشتری نسبت به دیگران در شبکه دارد. اگر این کنشگر به منبعی در شبکه نیاز داشته باشد، می‌تواند از طریق روابط زیادی که دارد آن را به دست آورد. چنانچه کنشگری از ارائة منبعی به A خودداری کرد، این کنشگر می‌تواند از طریق پیوندهای دیگرش آن منبع را به دست آورد. اما این مسئله در مورد کنشگران دیگر صادق نیست. آن‌ها فقط یک پیوند و یک راه برای دسترسی به منابع شبکه دارند و بنابراین با محدودیت‌های بیشتری مواجه‌اند. این موقعیت کنشگر A باعث می‌شود که کمتر به کنشگر خاص دیگری وابسته باشد و بنابراین قدرت بیشتری داشته باشد.

در شبکة دایره‌ای همة کنشگران درجات برابری دارند و بنابراین همه موقعیت یکسانی به لحاظ سود و زیان در شبکه دارند. در شبکة خطی، کنشگران انتهایی، A و G، موقعیتی متفاوت با بقیه دارند. در این شبکه این دو کنشگر فرصت‌ها و در نتیجه قدرت کمتری دارند (همان). با استفاده از این شاخص می‌توان گره‌های مرکزی (از نظر درجه) را مشخص کرد. همچنین می‌توان تغییرات این شاخص را در زمان مشاهده کرد که نشان‌دهندة میزان پویایی شبکه در زمان است.

2)   وسط‌بودگی[26]: ممکن است تراکنش بین دو کنشگر در شبکه به کنشگران دیگری وابسته باشد که بین این دو کنشگر قرار گرفته‌اند. این کنشگران می‌توانند روی تراکنش‌های بین این دو کنشگر کنترل داشته باشند. شاخص وسط‌بودگی را می‌توان برای همة کنشگران شبکه تعیین کرد. برای یک کنشگر این شاخص به صورت «تعداد کوتاه‌ترین مسیرهای بین همة اعضا که شامل کنشگر شود» تعریف می‌شود (هوگان، 2007). این شاخص معیاری برای کنترل است. در شبکة ستاره‌ای کنشگر A در وسط همة مسیرها قرار دارد و هیچ کنشگر دیگری در مسیر A با هیچ کنشگر دیگری قرار ندارد. این وسط‌بودگی برای A امکان کنترل روی روابط را فراهم می‌کند. در شبکة خطی کنشگر A در مسیر هیچ دو کنشگر دیگری قرار ندارد و بنابراین قدرت کنترلی کمتری نسبت به کنشگران مرکزی‌تر شبکه دارد. در شبکة دایره‌ای مقدار این شاخص برای همة کنشگران یکسان است. استفاده از این شاخص به ما کمک خواهد کرد گره‌های کنترلی را تشخیص دهیم و آن‌ها را در زمان دنبال کنیم.

-  مؤلفه‌ها[27]: ساده‌ترین مفهوم در زیرگراف‌ها مفهوم مؤلفه است. مؤلفه به صورت بزرگ‌ترین زیرگراف به‌هم‌متصل تعریف می‌شود. در این زیرگراف از هر نقطه‌ای می‌توان به نقطة دیگری در زیرگراف از طریق مسیرهایی دسترسی پیدا کرد، اما به نقاط خارج از مؤلفه مسیری وجود ندارد. یک الگوریتم کامپیوتری برای پیداکردن مؤلفه‌های یک شبکه ممکن است از هر گرهی (تصادفی) در شبکه آغاز کند و همة گره‌هایی که مستقیم یا غیرمستقیم به آن متصل هستند را ثبت کند و می‌تواند این کار را برای هریک از این گره‌ها نیز ادامه دهد. بنابراین، اندازة زیر شبکه از طریق روش گلوله‌برفی افزایش پیدا می‌کند. هنگامی که هیچ گره جدید را نتوان به زیرگراف اضافه کرد، بزرگ‌ترین زیرگراف ممکن حاصل شده است. همین فرآیند را می‌توان برای گره‌های باقی‌ماندة خارج از زیرگراف حاصل شدة قبلی نیز انجام داد. تفسیر مؤلفه‌‌ها به بیان جامعه‌شناسی این است که گره‌های داخل یک مؤلفه می‌توانند به طور مستقیم یا غیرمستقیم با هم ارتباط داشته باشند، اما ایزوله‌ها چنین امکانی ندارند. بنابراین، شکل و اندازة مؤلفه‌ها می‌تواند فرصت‌ها و موانع برقراری ارتباط بین افراد شبکه را نشان دهد (اسکات،1991: 104-105). پس، تعیین مؤلفه‌ها و اینکه آیا شبکة یک مؤلفه به‌هم‌بسته است یا مجموعه‌ای از مؤلفه‌های جدا از هم است، برای درک بهتر ساختار مهم است.

بلوک‌ها و نقاط قطع[28]:نقاط قطع در شبکه گره‌هایی هستند که اگر از شبکه حذف شوند، شبکه به قسمت‌های مجزا تقسیم خواهد شد. چنین کنشگرانی در شبکه اهمیت دارند. آن‌ها می‌توانند به‌عنوان واسطه‌هایی بین گروه‌های مجزا از هم عمل کنند. قسمت‌های مجزایی را که از حذف نقاط قطع ایجاد شده‌اند بلوک می‌نامیم (هنمن و رایدل، 2005: 146). وسرمن نیز تعریف مشابهی برای این شاخص ارائه می‌کند: «در شبکه، گرهی در نقطة قطع قراردارد که با حذف آن تعداد مؤلفه‌های شبکه افزایش پیدا می‌کند» (وسرمن، 1994: 112-113). وی بیان می‌کند که «در شبکة روابط، کنشگری که نقطة قطع است مهم است. از این جهت که اگر چنین کنشگری از شبکه حذف شود، شبکة باقی‌مانده دو زیرمجموعه خواهد داشت که بین آن‌ها نمی‌تواند رابطه‌ای وجود داشته باشد» (همان: 113). همچنین بیان می‌کند که «هرچه تعداد نقاط قطع در شبکه‌ بیشتر باشد، سطح اتصال شبکه بیشتر است. چراکه باید گره‌های زیادی از شبکه حذف شوند تا شبکه اتصالات خود را از دست بدهد» (همان: 115).

-  ایزوله‌ها[29]: گره‌هایی هستند که در هیچ مؤلفه‌ای قرار نمی‌گیرند. ایزوله‌ها در واقع هیچ ارتباطی با دیگران در شبکه ندارند. میزان گره‌های ایزوله در شبکه نشان‌دهندة میزان کنشگران غیرفعالی است که در هیچ رابطه‌ای مشارکت نداشته‌اند.

-  مرکز- پیرامون[30]: این شاخص نشان می‌دهد که کدام گره‌ها به مرکز و کدام به پیرامون تعلق دارند. توسط این شاخص همة اعضا به دو دستة مرکز و پیرامون تقسیم می‌شوند. «دستة مرکزی با هم ارتباط زیادی دارند و تراکم شبکة آن‌ها زیاد است. اما در دستة پیرامونی‌ها، روابط کم و تراکم شبکه هم کم است. کنشگران مرکزی بیشتر می‌توانند کنش‌هایشان را هماهنگ کنند، ولی کنشگران پیرامونی کمتر فرصت این کار را دارند. بنابراین، کنشگرانی که در مرکز هستند از نظر ساختاری این مزیت را دارند که می‌توانند با کنشگران پیرامونی روابط مبادله‌ای داشته باشند» (هنمن و رایدل، 2005).

-  ضریب خوشه‌بندی[31]: ضریب خوشه‌بندی محلی نشان‌دهندة این است که کنشگران اطراف یک کنشگر مورد نظر تا چه حد به هم متصل هستند. این ضریب در کل شبکه از میانگین ضرایب محلی حاصل می‌شود. هنگامی که این مقدار بالا باشد، شبکه در اطراف چند گره خوشه‌بندی شده است و چند خوشة متمرکز داریم. پایین‌بودن این عدد به معنای آن است که پیوندها در کل گره‌های شبکه توزیع شده‌اند (هوگان، 2007). این شاخص معرف همبستگی در شبکه است و با شاخص تراکم شبکه شباهت زیادی دارد، اما از شاخص تراکم گویاتر است. این شاخص تراکم‌های محلی در شبکه را نشان می‌دهد. واتز[32] (1999) و دیگران نشان داده‌اند که در شبکه‌های بزرگ و جهانی غالباً الگوی ساختاری دیده می‌شود که به نظر متناقض می‌رسد. از یک طرف در شبکه‌های خیلی بزرگ (مانند اینترنت) میانگین فاصلة بین دو گره کم است. پدیدة فاصلة شش‌درجه‌ای[33] مثالی برای این مسئله است. بنابراین، اغلب گره‌ها حتی در شبکه‌های خیلی بزرگ ممکن است خیلی به هم نزدیک باشند و میانگین فاصلة بین جفت کنشگران در شبکه‌های واقعی بزرگ اغلب کمتر از این مقدار در گراف‌های تصادفی با همان اندازه است. از طرف دیگر، اغلب کنشگران در همسایگی‌ محلی زندگی می‌کنند که بیشتر کنشگران دیگر نیز به هم متصل هستند. در اغلب شبکه‌های بزرگ، تعداد زیادی از پیوندها در همسایگی‌ محلی گرد هم و به‌ صورت خوشه‌های متراکم درآمده‌‌اند. در این شبکه‌ها تراکم در همسایگان محلی خیلی بیشتر از تراکم گراف‌های تصادفی با همان اندازه است. «یک راه مناسب برای اندازه‌گیری خوشه‌های محلی این است که برای کنشگران، همسایگان محلی (کنشگرانی که مستقیماً به کنشگر مورد نظر متصل هستند) را بررسی و تراکم شبکة همسایگان را اندازه‌گیری کنیم. در نهایت، میانگین مقادیر به دست آمده برای همة کنشگران ضریب خوشه‌بندی در کل شبکه خواهد بود»  (هنمن و رایدل، 2005: 124-125).

 

نمونة مورد تحلیل اجتماعات متن باز

مباحث بیان شده در این مقاله روی دو اجتماع مجازی[34] اعمال شده و با استفاده از آن‌ها شبکة این دو اجتماع تحلیل شده است. این اجتماعات مربوط به دو پروژة متن باز هستند. یک پروژة جهانی (موزیلا فایرفاکس)[35] و یک پروژة ایرانی (مامبو[36] فارسی) برای این دو اجتماع انتخاب شده‌اند که بتوانیم ساخت اجتماعی واقعی آن‌ها را مطالعه و با هم مقایسه کنیم. پروژة فایرفاکس حرفه‌ای‌تر است، اعضای آن از سراسر جهان هستند و طول عمر آن بیشتر است. پروژة مامبو نیز متن باز و جهانی است، ولی ما قسمت ایرانی آن را بررسی می‌کنیم. در اجتماع مامبو ایرانی (مامبولرن)[37] بیشتر به فارسی‌سازی، پشتیبانی و آموزش کاربران ایرانی پرداخته می‌شود. بنابراین بیشتر شبکه‌ای محلی است. به این ترتیب در این قسمت به تحلیل شبکة دو اجتماع متن باز جهانی و محلی می‌پردازیم. این دو شبکه از نظر جهانی- محلی بودن، طول عمر و میزان حرفه‌ای بودن با هم متفاوت هستند. این دو شبکه از سایت‌های این دو اجتماع استخراج شده‌اند.

نرم‌افزارهای آزاد/ متن باز[38] نرم افزارهای رایگانی هستند که علاوه بر محصول نهایی قابل استفاده برای کاربر، متن کد آن نیز به‌صورت باز در اختیار کاربران قرار دارد. این نرم‌افزارها در انحصار شرکت، گروه یا کشور خاصی نیستند و استفاده از آن‌ها یا شرکت در توسعه و تغییر آن‌ها برای تمام مردم جهان آزاد است. برای هر متخصصی در دنیا این امکان فراهم است که محصول نرم‌افزاری خود را آزاد/ متن باز اعلام کند و آن را در اشتراک با دیگران قرار دهد. غالباً این محصول در ابتدا و در هنگامی که متن باز اعلام می‌شود ساده و ناکامل است. چنانچه افراد دیگری به این محصول علاقه‌مند باشند یا به آن نیاز داشته باشند، در توسعة آن مشارکت می‌کنند و گاهی این فرآیند منجر به تولید بهترین محصولات در نوع خود می‌شود: محصولاتی که در بازار می‌توانند بالاترین بها را داشته باشند. در مواردی نیز شرکت‌هایی محصولات خود را متن باز اعلام می‌کنند که در بازار از موقعیت خوبی برخوردارند. آن‌ها با این کار محصولات خود را به رایگان در اختیار مردم قرار می‌دهند و در عوض از مشارکت داوطلبانة مردم (متخصصان) در سراسر دنیا بهره‌مند می‌شوند.

با اینکه عمر این نرم‌افزارها بیش از دو دهه نیست، اما رشد سریعی داشته‌اند و برخی از نرم‌افزارهای تولیدشدة متن باز، مورد استفادة میلیون‌ها نفر در سراسر جهان قرار گرفته و هزاران نفر در حال توسعة آن‌ها هستند. برای مثال، سیستم عامل لینوکس به‌عنوان شناخته‌شده‌ترین محصول آزاد/ متن باز بیشترین مورد استفاده را در ابررایانه‌ها، سرویس‌دهنده‌ها[39] و کاربران خانگی دارد، به طوری که حدود 85 درصد از ابررایانه‌ها، 70 درصد از سرورها و میزان قابل توجهی از کاربران خانگی از لینوکس استفاده می‌کنند.

تقریباً تمام فرآیند توسعه و بهبود این نرم‌افزارها در محیط مجازی و توسط شبکه‌هایی از افراد دور از هم (که معمولاً هیچ رابطة مستقیمی با هم ندارند) انجام می‌شود. آن‌ها از امکانات این تکنولوژی و رسانة جدید (به­طور اخص اینترنت) کاملاً استفاده می‌کنند و همین مسئله (انتخاب فضای مجازی به­عنوان محیط توسعه) به آن‌ها قابلیت بیشتری برای گسترش و همچنین جذب هرچه بیشتر افراد متخصص در سراسر دنیا می‌دهد. این فضا به آن‌ها امکان می‌دهد که بتوانند با یکدیگر در سراسر دنیا (با ساعات و زمان‌های متفاوت) هماهنگ شوند و همچنین امکان کار در ساعات مختلف را به افراد می‌دهد. افراد برحسب ساعات کاری و آزاد خود می‌توانند در پروژه‌ها شرکت کنند، بدون آنکه به روند پیشرفت کار لطمه بزنند و در واقع می‌توان گفت که عده‌ای از متخصصان در سراسر دنیا به صورت داوطلبانه (با هر انگیزه‌ای) حاضرند که ساعاتی از وقت خود را برای همکاری با دیگران (که لزوماً آن‌ها را نمی‌شناسند) برای پیشبرد پروژه‌ها و اهداف مشترک صرف کنند و به عبارت دیگر، مقداری از وقت خود را در اختیار نفع عمومی قرار دهند.

بیشتر این نرم‌افزارها غیرتجاری‌اند و افراد مشارکت‌کننده در آن‌ها نیز منافع مالی مستقیمی از این پروژه‌ها کسب نمی‌کنند (ممکن است منافع مالی غیرمستقیمی برای آن‌ها حاصل شود). به­طور خلاصه می‌توان گفت که این نرم‌افزارها به دست افراد ماهر و علاقه‌مند و به‌صورت داوطلبانه تولید و بررسی می‌شوند و توسعه می‌یابند و استقبال از آن‌ها در استفاده و توسعه روزبه‌روز افزایش می‌یابد.

در دنیا تحقیقاتی در مورد پدیدة نرم‌افزارهای آزاد/ متن باز انجام شده و این پدیده از جنبه‌های مختلف اقتصادی، مدیریتی، سیاسی، تولید دانش و یادگیری، اجتماعی، روان‌شناسی و... مورد بررسی قرار گرفته است. در بیشتر این تحقیقات به بررسی انگیزه‌های روان‌شناختی یا اجتماعی مشارکت‌کنندگان در این اجتماعات پرداخته شده است و این انگیزه‌ها مادی و سودجویانه یا معنوی و خیرخواهانه در نظر گرفته می‌شوند. اما کمتر به ساخت واقعی این اجتماعات توجه شده است. در حالی که از مطالعة ساخت می‌توان ساختار داخلی و قشربندی این اجتماعات را درک کرد و آن را در زمان مورد مطالعه قرار داد (هویسون و همکاران، 2006). در ایران این نرم‌افزارها و اجتماعات متن باز در مراحل اولیة توسعه هستند و با اجتماعات جهانی تکامل‌یافته متفاوت‌اند. مطالعة این اجتماعات در این مراحل و مقایسة آن‌ها با نمونه‌های کامل می‌تواند نشان‌دهندة بیشتر ویژگی‌های آن‌ها باشد. برای مطالعة حاضر اجتماعات مجازی انتخاب شده‌‌اند تا بتوان آن‌ها را در شرایط مشابه‌تری مطالعه و مقایسه کرد.

 

جمع­آوری داده­های شبکه در تحقیق حاضر

رویکرد مورد استفاده در تحقیق حاضر رویکرد شبکة کل است. مشکل استفاده از این رویکرد این است که همواره نمی‌توان به اطلاعات کل شبکه دسترسی داشت. اجتماع مورد تحقیق اجتماعی مجازی است و کلیة تراکنش‌های بین اعضا در فضای مجازی رخ می‌دهد. در این سایت‌ها تمامی مباحث بین اعضا با تاریخ، زمان، نام ارسال‌کنندة پیام و... ثبت می‌شود و قابل دسترسی است و می‌توان با بررسی کارهای انجام‌شدة اعضا روابط بین آن‌ها را مشخص کرد. به این ترتیب که بین دو عضو ارتباطی وجود دارد، اگر، این دو عضو در موضوع مشترکی ارسال داشته باشند. این روابط جهت‌دار و وزن‌دار هستند. به این معنا که هر فردی که در بحثی ارسالی داشته باشد، یک رابطه از طرف این فرد با همة اعضای دیگری که در آن بحث مشارکت کرده‌اند برقرار می‌شود. وزن این روابط نیز نشان‌دهندة تکرار رابطة بین دو عضو است. بنابراین، هرچه دو عضو در مباحث مشترک بیشتری شرکت کنند، وزن رابطة بین آن‌ها بیشتر خواهد شد.

در مورد روش تعیین مرز شبکه و جمعیت تحقیق از روش اول پیشنهادی لومان و دیگران، یعنی روش واقع‌گرا، استفاده کرده‌ایم. اعضای این شبکه از عضویت خود در شبکه آگاهی دارند و با مطالعة اجتماع آنلاین می‌توان همة اعضای شبکه را مشخص کرد. البته تعداد این اعضا در زمان تغییر می‌کند ولی در هر زمانی حدود شبکه قابل تشخیص است. بنابراین، جامعة آماری شامل همة روابط بین اعضا است. این روابط بین اعضایی به وجود آمده که در سایت انجمن مامبولرن، در مورد مسئلة مشترکی بحث کرده‌‌اند. در پروژة فایرفاکس نیز روابط بین اعضایی ایجاد شده که در مباحث مربوط به رفع اشکال پروژة فایرفاکس مشارکت داشته‌اند. هر دو جامعه شامل هزاران یا میلیون‌ها رابطه بین اعضا است که جامعة بزرگی را تشکیل می‌دهد (15600 رابطه در مامبو و 75000 رابطه در فایرفاکس) و تحلیل همة آن‌ها از حدود یک تحقیق خارج است. به همین دلیل باید دورة زمانی پیوسته‌ای را انتخاب کنیم و همة روابط آن دوره را، به‌عنوان نمونه، درنظر بگیریم که در تحقیق حاضر دورة زمانی 1/2008 تا 9/2008 (هشت ماه) برای هردو شبکة مامبولرن و فایرفاکس انتخاب شد. این نمونه برای مامبولرن شامل 15635رابطه (بین 579 نفر) و برای فایرفاکس شامل 53831 رابطه (برای 8438 نفر) است.

تمام مباحث ارسال‌شده در این مدت به دوازده قسمت تقسیم شد. این تقسیم‌بندی بر اساس موضوعات انجام شد. تقسیم‌بندی بر اساس موضوعات بحث، تقسیم‌بندی بر اساس زمان را نیز در خود دارد. چرا که مباحث معمولاً در یک بازة زمانی پیوسته به اتمام می‌رسند. بنابراین، اطلاعات مربوط به روابط بین افراد به دوازده قسمت یعنی دوازده شبکه در طول زمان (هر یک حدوداً بیست ‌روزه) تقسیم شد. در این‌جا واحد تحلیل یک رابطه بین دو عضو در انجمن مامبولرن یا فایرفاکس است که در دورة 1/2008  تا 9/2008 اتفاق افتاده باشد.

در جمع‌آوری داده‌ها از روش بررسی وقایع ثبت شده استفاده شد. به این ترتیب که تراکنش‌های ثبت شدة اعضا مورد بررسی قرار گرفته و شبکة اعضا استخراج شده است. از آن‌جا که این پروژه‌ها اعضای زیادی دارند و روزانه ارسال‌های زیادی انجام می‌دهند، تعیین ماتریس روابط به‌صورت دستی امکان‌پذیر نیست. برای استخراج خودکار اطلاعات برنامه‌نویسی شده و از آن برنامه‌ها استفاده شد. این شیوة استخراج شبکه (استفاده از برنامه‌های خودکار)، کاملاً جدید است و برای شبکه‌های با اندازة بزرگ و ثبت‌شده مناسب است. استخراج داده‌های چنین شبکه‌هایی به‌صورت دستی بسیار وقت‌گیر است و از طرفی احتمال وجود خطا در اطلاعات حاصل زیاد است. با وجود گسترش شبکه‌های جهانی مجازی که اطلاعات آن‌ها آرشیو شده است، این شیوة استخراج اطلاعات هنوز متداول نشده و برای انجام این کار ابزارهای آماده و کاملی وجود ندارد. بنابراین، ممکن است برای هر شبکه‌ای، بنابر ساختار آن، نیاز به برنامه‌نویسی مجدد باشد. غالباً برای استخراج این‌گونه اطلاعات از برنامه‌هایی به زبان پرل،[40] پیتون،[41] یا جاوا استفاده می‌شود. برای انجام این کار در ابتدا با استفاده از برنامه‌های موجود تمامی سایت مورد نظر را دانلود کردیم. سپس با استفاده از برنامه‌های تهیه شده (توسط محقق)، آن‌ها را تجزیه[42] کردیم و اطلاعات را در پایگاه دادة طراحی‌شده ذخیره کردیم. بعد از این مرحله، با استفاده از اطلاعات موجود در پایگاه داده ماتریس روابط بین اعضا تولید شد.

 

نرم­افزار مورد استفاده در تحلیل(یوسینت[43])

بعد از اینکه اطلاعات از سایت استخراج شد و به‌صورت ماتریس روابط درآمد، می‌توان آن‌ها را در نرم‌افزارهای تحلیل شبکه وارد کرد و با استفاده از آن تحلیل شبکه را انجام داد. در حال حاضر، برای تحلیل شبکه نرم‌افزارهایی وجود دارد. یکی از برنامه‌های خوب و رایج یوسینت است که در این تحقیق از آن استفاده شده است. این برنامه انواع شاخص‌های شبکه را محاسبه می‌کند و همچنین از ابزارهای گرافیکی کمکی مانند نت دراو[44] نیز برای نمایش شبکه به‌صورت گرافیکی استفاده می‌کند. بنابراین، با استفاده از این نرم‌افزار می‌توان تحلیل کاملی از شبکه انجام داد. در این تحقیق از یوسینت نسخة 6.199 استفاده شده است.

 

تبدیل داده­های استخراج شده به داده­های شبکه­ای

نرم‌افزار یوسینت داده‌های شبکه را با فرمت‌های مشخصی دریافت می‌کند. داده‌های شبکه‌ای ممکن است توسط پرسش‌نامه یا مصاحبه استخراج شوند. این داده‌ها را باید در فایل‌های کامپیوتری وارد کرد و سپس به فرمت ورودی نرم‌افزار تحلیل شبکه درآورد. یوسینت چهار نوع فایل داده را پشتیبانی می‌کند: خام،[45] اکسل،[46] دی ال[47] و یوسینت 3. فایل‌های خام فایل‌هایی هستند که فقط شامل اعدادند، مانند ماتریس پاسخگوبه متغیر[48] که پاسخ‌های کدشدة عددی مجموعه‌ای از پاسخگویان به مجموعه‌ای از سؤالات را ثبت کرده‌اند. فایل‌های دی ال فایل‌های خام هستند که علاوه بر داده‌های خام، شامل اطلاعاتی در مورد داده‌ها، مانند تعداد سطرها و ستون‌ها، نام‌های متغیرها، نام تحقیق و غیره است. فایل‌های یوسینت مانند فایل‌های دی ال هستند، اما دامنة اطلاعات آن‌ها محدودتر است. فایل‌های اکسل نیز که فایل‌های دادة استاندارد اکسل هستند. در استفاده از یوسینت قویاً توصیه می‌شود که اگر داده‌ها را از ابتدا درست‌ می‌کنید، آن‌ها را به فرمت دی ال تبدیل کنید (بورگاتی، 2002). این داده‌ها را در هر زمانی می‌توان به فرمت‌های دیگر درآورد. دادة ورودی، با هر فرمتی که باشد، خروجی یکسانی ایجاد می‌کند: داده با فرمت یوسینت 6 که می‌تواند ورودی همة عملیات‌های عددی باشد.[49]

نمونه‌ای از فایل دی ال ماتریس کامل درآمده است:

dl n=4 format=fullmatrix

data:

0 1 1 0

1 0 1 1

1 1 0 0

0 1 0 0

 

 

عبارت dl نشان‌دهندة نوع فایل دی ال است و باید اولین کلمة فایل باشد. عبارت n=4 بیانگر ماتریسی با 4 سطر و ستون است. علامت مساوی را می‌توان با جای خالی یا ویرگول جابه‌جا کرد. عبارت format=fullmatrix نیز نشان می‌دهد که داده‌ها به‌صورت ماتریس عادی (برخلاف لیست پیوندی، ماتریس نیمه‌پایینی و...) وارد شده‌اند. این نوع ماتریس پیش‌فرض است و می‌توان این عبارت را حذف کرد. عبارت data: نشان می‌دهد که داده‌ها در ادامه می‌آیند و اطلاعات دیگری در مورد آن‌ها ارائه نمی‌شود. داده‌ها بیانگر رابطه‌های بین اعضا هستند. چنانچه در فایل مثالی مشاهده می‌شود، داده‌ها یک ماتریس 4×4 را تشکیل می‌دهند. این ماتریس متقارن است و اعداد آن صفر یا یک هستند. این ماتریس روابط ساده‌ترین ماتریس‌ها است و شبکه‌های دوتایی ساده (روابط بدون وزن و جهت) را نشان می‌دهد. در مثال، عدد یک به معنای وجود رابطه و عدد صفر به معنای عدم آن است. در این نمونه، اگر به گره‌ها از یک تا چهار شماره بدهیم، ماتریس نشان می‌دهد که گره شماره 1 با گره‌های شماره 2 و 3 رابطه دارد و با گره شمارة 4 رابطه ندارد. همة اعداد روی قطر اصلی ماتریس (که با دو خط از کل ماتریس متمایز شده است) صفر هستند و نشان می‌دهد که گره‌ها با خودشان رابطه ندارند.[50]

در تحقیق حاضر از فایل دی الاستفاده شده است. بعد از اینکه داده‌های شبکه توسط برنامه و به‌صورت خودکار استخراج شدند، در پایگاه داده ذخیره شدند. این داده‌ها سپس به‌صورت فایل‌های متنی درآمدند و در نهایت آن‌ها را به فایل‌های دی ال تبدیل کردیم. این فایل‌ها را به‌عنوان ورودی به برنامة یوسینت وارد کردیم. برنامه فایل‌ها را پردازش می‌کند و به فرمت یوسینتتبدیل و ذخیره می‌کند. از این مرحله به بعد، می‌توان از فایل‌هایی با این فرمت برای عملیات‌ مورد نظر استفاده کرد.

 

ترسیم گراف شبکه

گراف شبکه را می‌توان به شیوه‌های مختلفی رسم کرد. شیوه‌های ترسیم گراف شبکه نام کلی مقیاس‌گذاری چندبعدی[51] را دارند. در ترسیم گراف شبکه مسئلة مهم نقش‌کردن[52] روابط بین کنشگران شبکه به روابط دو یا سه‌بعدی (دوبعدی در صفحه) است. برای این کار نیز از نظریة گراف‌ها استفاده می‌شود. درنهایت، گراف شبکه تصویری شبیه نقشة کشورها در صفحه ارائه می‌کند که در آن کنشگران با هم در ارتباط قرار گرفته‌اند. افراد مختلفی شیوه‌هایی برای رسم گراف‌ شبکه ایجاد کرده‌اند و نرم‌افزار نت دراوشیوه‌های اصلی را پیاده‌ کرده است. در هریک از این شیوه‌ها به ویژگی‌هایی از ساخت اجتماعی توجه می‌شود و کنشگران و روابط بین آن‌ها بر اساس معیاری در صفحه چیده می‌شوند. به این ترتیب، در چند روش مختلف، تصاویر گراف یک شبکه ممکن است کاملاً متفاوت با هم به نظر برسند. اما در این روش‌ها عموماً کنشگرانی که شباهت بیشتری با یکدیگر دارند در کنار هم قرار داده می‌شوند. حال تعیین شباهت در شبکه معیارهای مختلفی پیدا می‌کند.

در تحقیق حاضر از دو شیوة مؤلفه‌های اصلی[53] و اسپرینگ امبدینگ[54] استفاده کرده‌ایم. این دو شیوه اشکال متفاوتی از شبکه‌ها ایجاد کرده‌اند که هرکدام جنبه‌هایی از ساخت شبکه را بیشتر نشان می‌دهند.در شیوة مؤلفه‌های اصلی اعضا به مؤلفه‌هایی تقسیم می‌شوند. در برخی متون این شیوه به نام تحلیل عاملی[55] بیان شده، اما به نظر اسکات تفاوت‌های مهمی بین این دو شیوة تحلیل وجود دارد (اسکات،1991: 56). در شیوة مؤلفه‌های اصلی ماتریس کنشگر- متغیر مورد تحلیل قرار می‌گیرد تا فاکتورها یا مؤلفه‌های مشترک بین متغیرها کشف شوند. روابط بین متغیرها بررسی و متغیرها در مؤلفه‌های جداگانه (مانند تحلیل عاملی) دسته‌بندی می‌شوند. سپس کنشگران براساس دسته‌بندی انجام‌شده در مؤلفه‌هایی قرار داده می‌شوند و روابط بین آن‌ها ترسیم می‌گردد. این متغیرها ممکن است متغیرهای شبکة چندسطحی[56]یا متغیرهای شبکه‌ای (مانند درجه، مرکزیت و ...) باشند (همان: 156-157).

تصویر نهایی‌ای که از شبکه ایجاد می‌شود، نشان‌دهندة مؤلفه‌ها، عناصر آن‌ها و روابط بین آن‌ها است. در تصویری که با استفاده از این شیوه برای شبکة مامبو ایجاد شده است (شکل 4))، کل شبکه جهت‌دار رسم شده است. به­طوری که هرچه در تصویر از چپ به سمت راست حرکت می‌کنیم، از مؤلفه‌های با اهمیت کمتر به مؤلفه‌های اصلی‌تر جابه‌جا می‌شویم. همچنین از تعداد اعضای مؤلفه‌ها کاسته می‌شود و مؤلفه‌های سمت راست اعضای خیلی کمتری نسبت به مؤلفه‌های سمت چپ دارند. دو خطی که بین سه مؤلفه رسم شده‌اند دقیق نیست و فقط برای نشان دادن مؤلفه‌ها رسم شده است.

 

 

 

 

شکل4. شبکه شماره 10 مامبو که با شیوة مؤلفه‌های اصلی ترسیم شده است

 

در روش اسپرینگ امبدینگ فاصلة گره‌ها براساس میزان رابطه‌شان با هم تعیین می‌شود. بنابراین، گره‌های با روابط بیشتر در کنار یکدیگر و به‌صورت دسته‌ای نشان داده می‌شوند. این شیوة ترسیم برای تشخیص دسته‌ها در شبکه به ما کمک می‌کند. این روش از برازش مکرر[57] برای تعیین بهترین آرایش گره‌ها استفاده می‌کند. به این صورت که با آرایش تصادفی گره‌ها در صفحه آغاز می‌کند، میزان نامناسب بودن برازش را تعیین می‌کند، گره‌هایی را در جهتی جابه‌جا و باز بدی برازش را محاسبه می‌کند. اگر این بدی کاهش یافته باشد، جابه‌جایی گره‌ها را در همان جهت ادامه می‌دهد وگرنه جهت را تغییر می‌دهد و باز همین اعمال را تکرار می‌کند تا جایی که کمترین مقدار بدی حاصل شود. این نقطه جایی است که گره‌های با کوتاه‌ترین مسیر به هم نزدیک‌تر رسم شده‌اند (هنمن و رایدل، 2005: 43). شکل نمونه‌ای از شبکة فایرفاکس را نشان می‌دهد که با استفاده از این شیوه رسم شده است.

 

 

شکل5. شبکة فایرفاکس در دوره 10 که با شیوة اسپرینگ امبدینگ رسم شده است.

 

در شکل 5 سعی شده که شبکة نمونه‌ای از اجتماع فایرفاکس دسته‌بندی شود. این دسته‌بندی خیلی دقیق نیست و مرزها کاملاً مشخص نیستند و فقط برای نشان دادن کلیت دسته‌ها ارائه شده است.

نرم‌افزار نت دراو امکانات زیادی برای نشان‌دادن ویژگی‌های ساخت شبکه در گراف ارائه می‌کند. در این نرم‌افزار می‌توان این ویژگی‌ها را محاسبه کرد و سپس آن‌ها را در گراف شبکه با اندازه، رنگ، شکل و... نشان داد. برای مثال، می‌توان اندازة گره‌ها در تصویر را متناسب با درجة[58] کنشگران در شبکه رسم کرد یا رنگ (شکل یا اندازه) گره‌ها را بر اساس مؤلفه‌ای که در آن قرار گرفته‌اند تعیین کرد. همة این ویژگی‌ها را برای روابط نیز می‌توان اعمال کرد. چنانچه در شکل‌های قبل نیز مشاهده می‌شود، اندازة گره‌ها متناسب با درجة آن‌ها در شبکه رسم شده است. در تصویر شبکة مامبو، هرچه از راست به چپ و در شبکة فایرفاکس هرچه از مرکز به پیرامون حرکت کنیم، از اندازة گره‌ها (اهمیتشان در شبکه) کاسته می‌شود.

ذکر این نکته لازم است که تصویر گراف شبکه، با اینکه ارزش زیادی دارد، به تنهایی برای مطالعة ساخت کافی نیست. مخصوصاً در شبکه‌های با گره‌های زیاد، حتماً باید از شاخص‌های عددی نیز استفاده شود. در مطالعة حاضر، شکل‌های شبکه‌ها به همراه شاخص‌های عددی مورد استفاده قرار گرفته‌اند.

 

شاخص­های محاسبه شده در شبکه­های مورد مطالعه

شاخص‌های بیان شده در مقالة حاضر در دو شبکة مامبو و فایرفاکس محاسبه شده و از آن‌ها برای توضیح ساختار شبکه‌ها در زمان و همچنین مقایسة آن‌ها با هم استفاده شده است. در این‌جا نتایج برخی از این شاخص‌ها را به طور خلاصه بیان می‌کنیم. میانگین تراکم شبکة مامبولرن 3.6 و مقدار این شاخص برای شبکة فایرفاکس 2.45 است.[59] این مقادیر نشان می‌دهد که شبکة مامبولرن به طور متوسط از شبکة فایرفاکس تراکم بیشتری دارد. به عبارت دیگر، به طور متوسط نسبت پیوندهای موجود بین اعضا به پیوندهای ممکن در شبکة مامبو بیشتر از این نسبت در شبکة فایرفاکس است. ضریب خوشه‌بندی از شاخص تراکم دقیق‌تر است و مقدار متوسط آن برای شبکة مامبولرن 7.826 و برای شبکة فایرفاکس 4.373 است. این مقادیر نیز نشان می‌دهند که تمرکز پیوندها در اطراف گره‌های مرکزی در شبکة مامبولرن بیشتر از شبکة فایرفاکس است.

مقایسة شاخص درجه و وسط‌بودگی دو شبکه در زمان نشان می‌دهد که در شبکة مامبو اعضایی که بیشترین میزان را در شاخص وسط‌بودگی کسب کرده‌اند، در شاخص درجه نیز بیشترین میزان‌ها را دارا هستند. اما در شبکة فایرفاکس اعضایی که وسط‌بودگی بالایی داشتند از درجة بالایی برخوردار نبودند. این تفاوت می‌تواند ناشی از میزان توسعه‌یافتگی اجتماع متن باز باشد. در شبکة فایرفاکس دسته‌بندی و تقسیم کار بهتری وجود دارد. بنابراین، اعضایی وجود دارند که در مرکز شبکه قرار می‌گیرند و اعضای فعالی هستند، اما لزوماً درجات بالایی ندارند.این اعضا با رأس دسته‌ها در ارتباط هستند، ولی ارتباط زیادی با پیرامونی‌ها ندارند. به همین دلیل نیز درجات آن‌ها کمتر از نفرات اول در جدول درجات است. اما در شبکة مامبو، چون این دسته‌بندی و تقسیم کار کمتر وجود دارد، اعضای فعال اجتماع همان کسانی هستند که به بیشتر درخواست‌ها رسیدگی می‌کنند و بنابراین درجات بالایی نیز دارند.

از مقایسة شاخص مرکز/ پیرامون در دو شبکه در زمان نیز می‌توان این نتیجة کلی را گرفت که اعضای مرکزی در شبکة فایرفاکس در زمان بیشتر از شبکة مامبو ثابت باقی می‌مانند، یا به عبارت دیگر، در شبکة مامبو ورود به مرکز بیشتر از شبکة فایرفاکس امکان‌پذیر است.

 

نتیجه‌گیری

مقالة حاضر به معرفی روش تحلیل شبکه با تمرکز بر رویکرد شبکه‌های کل و نحوة استفاده از این رویکرد پرداخت. از تحلیل شبکة متن باز مامبو و فایرفاکس می‌توان این نتیجة کلی را گرفت: با اینکه این اجتماعات باز هستند و امکان عضویت و فعالیت در آن‌ها برای هر کسی وجود دارد، می‌بینیم که بدون ساختار نیستند. این ساختار بیشتر به مدل شبکه‌ای نزدیک است تا مدل سازمانی (فوکویاما، 1385). این اجتماعات مدل لایه‌ای دارند و این مدل در زمان پایدار باقی می‌ماند. با اینکه اعضای لایه‌ها جابه‌جا می‌شوند و دائماً در حال تغییر هستند و تقریباً در هیچ دو شبکه در دو دورة متوالی آرایش اعضا یکسان نیست، لایه‌ها و ویژگی‌های حاکم بر آن‌ها تقریباً ثابت است.

در اجتماعات متن باز سیستمی برای بازشناسی و حفظ اعتبار افراد وجود دارد. بنابر این سیستم، کارهایی که اعضا در اجتماع انجام می‌دهند، با نام آن‌ها حفظ و منجر به ایجاد اعتبار برای اعضا می‌شود. در برخی از اجتماعات مانند اجتماع مامبو، برای اعضا، درجاتی نیز درنظر گرفته شده است که مطابق با میزان فعالیت آن‌ها در اجتماع تغییر می‌کند. در واقع، می‌توان گفت درجه‌بندی در اجتماع معادل لایه‌بندی در تحلیل شبکه است. اما از آنجا که در تحلیل شبکه کل اعضا و روابط را با هم داریم، این لایه‌بندی در شبکه بیشتر قابل مشاهده است.

آنچه در اجتماعات متن باز اهمیت بیشتری نسبت به لایه‌بندی دارد، امکان جابه‌جایی اعضا در لایه‌ها است. در شبکه‌های مورد مطالعة تحقیق حاضر، شاخص‌های درجه، وسط‌بودگی و مرکز/ پیرامون شبکه‌ها و تغییرات آن‌ها در زمان نشان‌دهندة تغییر در جایگاه‌های اعضا در شبکه است. از بررسی شاخص‌های دو شبکه و مقایسة آن‌ها به طور کلی می‌توان گفت که در شبکة مامبو مرکزیت چند عضو فعال بیشتر از شبکة فایرفاکس است. در شبکة مامبو جابه‌جایی افراد در لایه‌ها و رفتن آن‌ها به مرکز شبکه بیشتر از شبکة فایرفاکس است، اما در شبکة مامبو تعداد افراد مرکزی و فعال که شبکه حول آن‌ها شکل گرفته کمتر است. در شبکة فایرفاکس دسته‌بندی و تقسیم کار مشخص‌تری به چشم می‌خورد و در شبکة مامبو روابط و دسته‌بندی‌ها هنوز نظم و شکل مشخصی ندارند. با اینکه هر دو این پروژه‌ها دسته‌بندی‌های موضوعی دارند که بنابر توانایی‌ها و علایقشان در آن‌ها بیشتر فعالیت می‌کنند، اما این دسته‌بندی در شبکة مامبو در عمل کمتر از فایرفاکس رعایت می‌شود. این مسائل می‌تواند به دلیل تفاوت‌های دو اجتماع از نظر فاز توسعه‌، میزان تکامل، میزان تخصصی بودن مباحث و جهانی- محلی بودن آن‌ها باشد.

در انتها می‌توان نتیجه گرفت که تحلیل شبکه با اصول، روش‌ها، تکنیک‌ها و ابزارهایی که ارائه می‌کند در مطالعة ساخت موفق بوده و با استفاده از آن می‌توان ساخت را تا حد زیادی شناخت.


 

باستانی، سوسن (1382 و1385) جزوة کلاسی درس تحلیل شبکه دوره کارشناسی ارشد، تهران، دانشگاه الزهرا (س).

چلبی، مسعود (1373) «تحلیل شبکه در جامعه‌شناسی»، فصلنامة علوم اجتماعی، دوره دوم، شماره 5 و 6: 9-49.

ریتزر، جورج (1384) نظریة جامعه‌شناسی در دوران مدرن، ترجمة محسن ثلاثی، چاپ نهم، تهران: علمی.

صالحی هیکوئی، مریم (1384) بررسی رابطة بین سرمایة اجتماعی شبکه و اعتماد متقابل بین شخصی و جنسیت، پایان‌نامه دورة کارشناسی ارشد، دانشگاه الزهرا.

فوکویاما، فرانسیس (1385) پایان نظم، ترجمة غلامعباس توسلی، تهران: حکایت قلم نوین.

Bastani, S. (2001) Middle Class Community in Tehran: Social Networks, Social Support and Marital Relationships, Ph.D. Dissertation, University of Toronto, Canada, Toronto.

Bastani, S., (2007) “Family Comes First: An Analysis of Men’s and Women’s Networks in Tehran,” Social Networks, 29: 357- 374..

Borgatti, E. and L. C. Freeman (2002)UCINET 6 for Windows: Software for Social Network Analysis, 1999-2002 Analytic Technologies.

Garton, L., C. Haythornthwaite and B. Wellman (1999) “Studying On-Line Social Network,”,in Steve Jones (ed.),Doing Internet Research, London: Sage Publication.

Goodman, L.A. (1961) "Snowball Sampling",Annals of Mathematical Statistics, 32: 148–17. http://projecteuclid.org/DPubS/Repository/1.0/ Disseminate?view=body&id=pdf_1&handle=euclid.aoms/1177705148.

Granovetter, M. (1983) “The Strength of Weak Ties: A Network Theory Revisited”, Sociological Theory, 1: 201-233.

Hanneman, R. A., and M. Riddle (2005)Introduction to Social Network Methods, Department of Sociology at the University of California, Riverside, http://faculty.ucr.edu/~hanneman/nettext/

Hogan, B. (2007)Using Information Networks to Study Social Behavior: An Appraisal, Oxford Internet Institute: IEEE.

Hogan, B. (2007)Analysing Social Networks Via the Internet, London: Sage publication, http://individual.utoronto.ca/berniehogan/Hogan_SAGE_Internetworks_RC1.pdf.

Howison , J., K. Inoue, and K. Crowston, (2006) Social Dynamics of Free and Open Source Team Communications, School of Information Studies, Syracuse University, USA.

Scott, J. (1991)Social Network Analysis, London: Sage Publication.

Wasserman, S.`and K. Faust (1994)Social Network Analysis Methods and Applications, Cambridge University Press.

Watts, D. J. (2003)Six Degrees: The Science of a Connected Age, New York: Norton & Company.

Wellman, B. (1998) "Structural Analysis: From Method and Metaphor to Theory and Substance",in Structural Analysis: A network Approach, Cambridge University.

Wellman,B., J. Salaff, D. Dimitrova, L. Garton, M. Gulia and C. Haythornthwaite (1996) “Computer Networks as Social Networks: Collaborative Work, Telework, and Virtual Community”, Annual Review of Sociology, 22: 213-38.