式可视化了围绕特定主题标签和个体用户互动的推特活动数据，以分析用户之间建立的网络。这一分析使他能够确定主题标签网络的变化，包括贡献者参与的变化和整个主题标签社区对新事物的反应，例如新参与者加入和新信息生成时的状态。这项研究聚焦于推特是如何成为特定话题的对话空间(话题由关键词前的主题标签指定)。
对于那些对自身使用社交媒体生产的元数据类型感兴趣的人来说，有很多工具能够允许他们从自己的电子邮件、脸书或领英账户中抓取自己的数据，并产生统计数据、图表和其他数据可视化，以此来展示他们与谁相关联、这些人如何在各种网络中相关联以及某一个体与他人的交互频率的数据。为此，我使用了领英地图(LinkedIn Maps)工具，来查看它生成了什么数据。该工具使用了我在领英上的通讯录，生成了一个多彩的网络集群图像，显示了我的联系人之间是如何关联的。这是一次有趣的实践，它展示了我的联系人中谁认识谁，以及集群是如何区分和重叠的。不足为奇，这些集群主要是围绕地理特征和研究领域建构的。例如，英国社会学家紧密聚集在一起，我的澳大利亚学术同行和我的大学同事也是如此。在集群分布图中，我还发现了几个我不知道有什么联系的人。
在一个更复杂的涉及视觉图像使用的项目中，霍克曼和曼诺维奇（Hochman and Manovich，2013）分析了上传到照片共享社交媒体平台Instagram中的图像。在他们的“视觉大数据”研究中，他们利用来自全球 13 个城市的 230 万张 Instagram 图像，识别出这些城市的“视觉标志”。他们的研究旨在分析 Instagram的使用模式，以利用元数据的技术和真实图像的视觉内容，来揭示当地的社会和文化事件。他们将这种方法称为“数据民族志”(data ethnography)，因为他们能够在针对成千上万幅图像的大规模分析以及揭示个体用户模式的细致分析间转换自如。例如，他们分析了用户在飓风“桑迪”
数字社会学
59
68