{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"ae053936-f6b1-488b-8973-bb2332d1be14","title":"数字技术研究","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787308182003","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"ae053936-f6b1-488b-8973-bb2332d1be14","id":"ae053936-f6b1-488b-8973-bb2332d1be14","uuid":"ae053936-f6b1-488b-8973-bb2332d1be14","title":"数字技术研究","normalized_title":"数字技术研究","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787308182003","isbns":["9787308182003"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":790,"navigation_url":"https://workshop.closeclaw.top/ai/book/ae053936-f6b1-488b-8973-bb2332d1be14","title_url":"https://workshop.closeclaw.top/ai/title/%E6%95%B0%E5%AD%97%E6%8A%80%E6%9C%AF%E7%A0%94%E7%A9%B6","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/ae053936-f6b1-488b-8973-bb2332d1be14/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/ae053936-f6b1-488b-8973-bb2332d1be14/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/ae053936-f6b1-488b-8973-bb2332d1be14","page_url":"https://workshop.closeclaw.top/api/ai/books/ae053936-f6b1-488b-8973-bb2332d1be14/page","search_url":"https://workshop.closeclaw.top/api/ai/books/ae053936-f6b1-488b-8973-bb2332d1be14/search"},"page":{"printed_page":"244 / 368","pdf_page":392,"physical_index":392,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"b6260a6a6d62bfdeea299d626c400f6507219d92f906f74c0c1079f32386c29c"},"chapter":"第16章 在线社区分析中的行为踪迹数据","content":"虽然社交网络分析方法在社会科学领域的应用已有相当长的时间(Wellman，1997b)，但嵌入在在线社区中的通信数据可用性，仍旧将这种分析方法与数据类型进行了自然匹配。阿达米克和格兰斯(AdamicandGlance，2005)运用社交网络分析方法来分析政治博客间的联系，以弄清楚跨意识形态类帖子在持不同政见的博客间出现的可能性有多大。韦尔泽等人(Welseretal.，2011)考察了维基百科的编辑之间的沟通方式如何随编辑类型而有所差异。在这些案例中，研究人员能够从博客或维基百科页面的共同参与等关系中归结出社交网络。社交网站能提供社交网络分析所需要的更丰富的数据源，因为这些网站就是围绕清晰表达自身社交网络的用户来设计的，往往反映了他们线下生活中的真实社交网络(Lampe,Ellison and Steinfield,2006)。\n\n运用社交网络分析与行为踪迹数据来理解社会进程的一个绝佳案例是由巴克什等人(Bakshy et al.，2012)完成的。他们使用社交网络分析考察了Facebook网络中信息分散的作用，以此确定在该网络中的不同人如何成为信息在该网络中扩散的关键环节(Bakshyetal.，2012)。研究人员感兴趣的，是信息如何通过Facebook用户网中的成员而得以扩散。他们设计了一个用于2.3亿名Facebook用户的实验条件，在这种条件下，人们能看到朋友分享URL的信息；而在其他条件下则不行。在这种情况下，因变量是分享者的好友是否也会将URL发布在自己的“信息流”当中，即依时间顺序排列的用户帖子。关系强度被用作自变量，通过分析用户在网站上与转发自己内容的其他用户之间的互动频率进行测量。他们发现，整体而言，弱关系(发帖者与转发者没有经常性的互动)对于宣传网站上的URL作用更大。这一案例表明，从行为踪迹数据中得出的社交网络测度可用作自变量，用以解释社会结果，在本例中是指社会影响对于信息扩散的作用。本例中所讲的行为数据是从Facebook用户群中得出的，展现了访问此类大型网络的力量。在这种行为踪迹数据获取方式出现之前，社交网络分析受到限制，主要是因为用其他方法获取的网络数据量不足。即便是获得了大量数据，在进行社交网络分析时仍然要与研究问题仔细匹配。在以上案例中，研究人员只能描述Facebook网站上的传播模式，因而也解释不了同类信息是如何从Facebook分享到其他渠道，如Twitter、电子邮件或面对面交流中的。\n\n用社交网络分析来理解行为踪迹数据已经非常普遍，近期出版的好几本教科书都旨在帮助研究人员将社交网络分析技巧运用于行为踪迹数据(Easley and Kleinberg,2010; Hansen, Shneiderman and Smith,2011; MongeandContractor,2003)。然而，也有人指出，研究人员在将社交网络分析运用于行为踪迹数据时需当心其合理性，包括这些网络中行为者间联系的完整性与意义(Howison,Wiggins and Crowston,2011)。\n\n数字技术研究(世哲手册)\n\n244\n\n368","previous_page":391,"next_page":393}