Advertisement

Dynamische Analyse von Netzwerken elektronischer Kommunikation. Kann der Zentralität getraut werden?

  • Matthias Trier
  • Annette Bobrik
Chapter
  • 11k Downloads

Zusammenfassung

Die soziale Netzwerkanalyse identifiziert und untersucht bedeutsame strukturelle Netzwerkmuster und ihre Auswirkungen. Die kürzlich entstandenen Möglichkeiten zur einfachen Erfassung großer Mengen von Netzwerkdaten im Umfeld elektronischer Kommunikation ermöglichen, die dabei eingesetzten analytischen Methoden zu verifizieren und weiter zu entwickeln. Der Fokus dieses Beitrags liegt dabei auf der Untersuchung von Mustern der Entwicklung der Zentralität von Akteuren im Zeitverlauf. Dazu wird zunächst ein Überblick über die Forschung und offenen Fragen zu dieser Messgröße gegeben. Anschließend werden die gängigen Arbeiten zur Netzwerkdynamik in eine Klassifikation eingeordnet, um darauf aufbauend einen neuen Ansatz der ereignisbasierten dynamischen Netzwerkanalyse einzuführen. Dieser ergänzt die gegenwärtigen Methoden der SNA für die Klasse von Netzwerken, deren Strukturen aufgrund vieler über einen betrachteten Zeitraum eintretender Ereignisse entstehen. Die Methode basiert auf der Auswertung einer Vielzahl beliebig kleiner Zeitfenster mit den darin eintretenden Ereignissen und ist eng gekoppelt an einen korrespondierenden dynamischen Netzwerkgraphen. Für eine einfache Verwendung zeitbasierter Messalgorithmen wurde das Analyseinstrumentarium in ein Softwareprogramm implementiert.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Barabási, A.-L.; Albert, R. (1999): Emergence of scaling in random networks. Science 286: 509-512.CrossRefGoogle Scholar
  2. Borgatti, S.C.; Everett, M.G. (2006): A Graph-theoretic perspective on centrality. Social Networks 28: 466-484.CrossRefGoogle Scholar
  3. Carley, K.M. (2003): Dynamic Network Analysis. S. 133-145, in: Breiger; R., Carley, K.M., Pattison, P. (Hrsg.): Dynamic Social Network Modeling and Analysis: Workshop Summary and Papers. Committee on Human Factors, National Research Council. Washington, DC.Google Scholar
  4. DeNooy, W.; Mrvar, A.; Bagatelj, V. (2005): Exploratory Social Network Analysis with Pajek. Cambridge: Cambridge University Press.Google Scholar
  5. DeSanctis, G.; Monge, P. (1998): Communication Processes for Virtual Organizations. Journal of Computer-mediated Communication JCMC 3 (4).Google Scholar
  6. Doreian, P; Stokman F.N. (1997): The Dynamics and Evolution of Social Networks. S. 1-17, in: Doreian, P; Stokman F.N. (Hrsg.): Evolution of Social Networks. Amsterdam: Gordon and Breach.Google Scholar
  7. Freeman, L.C. (1979): Centrality in networks: I. conceptual clarification. Social Networks 1: 215–239.CrossRefGoogle Scholar
  8. Freeman, L.C. (1984): The impact of computer based communication on the social structure of an emerging scientific speciality. Social Networks 6: 201-221.CrossRefGoogle Scholar
  9. Fruchterman, T.M.J., Reingold, E.M. (1991) Graph Drawing by Force-Directed Placement. Software - Practice & Experience 21, 11: 1129-1164.CrossRefGoogle Scholar
  10. Hammer, M. (1980): Predictability of Social Connections over time. Social Networks 2: 165-180.CrossRefGoogle Scholar
  11. Leenders, R.T.A.J. (1997): Longitudinal behavior of network structure and actor attributes: modeling interdependence of contagion and selection. S. 165-184, in: Doreian P., Stokman F.N. (Hrsg.): Evolution of Social Networks. Amsterdam: Gordon and Breach.Google Scholar
  12. Moody J., McFarland D., Bender-DeMoll S. (2005): Dynamic Network Visualization. American Journal of Sociology. American Journal of Sociology 110, 4: 1206-1241.CrossRefGoogle Scholar
  13. Snijders, T.A.B. (2001): The statistical evaluation of social network dynamics. Sociological Methodology: 361-395.Google Scholar
  14. Stegbauer, C.; Rausch, A. (2006): „Moving Structure“ als Analyseverfahren für Verlaufsdaten am Beispiel von Mailinglisten. In: Methoden und Instrumente der Sozialwissenschaften. soFid, Sozialwissenschaftlicher Informationsdienst 2006/1.Google Scholar
  15. Trier, M. (2005): IT-supported Visualization of Knowledge Community Structures. Proceedings of 38th IEEE Hawaii International Conference of Systems Sciences, Hawaii, USA.Google Scholar
  16. Trier, M. (2006): Towards a Social Network Intelligence Tool for visual Analysis of Virtual Communication Networks. S. 331-342, in: Meissner, K.; Engelien, M. (Hrsg.): Virtuelle Organisationen und Neue Medien, TUDpress Verlag.Google Scholar
  17. Trier, M., Bobrik, A. (2007a): Analyzing the Dynamics of Community Formation using Brokering Activities. In: Proceedings of the Third Communities and Technologies Conference, Michigan: Springer (im Erscheinen).Google Scholar
  18. Trier, M.; Bobrik, A. (2007b): Systemanalyse im Wissensmanagement. In: Krallmann, H.; Schönherr, M.; Trier, M. (Hrsg.): Systemanalyse im Unternehmen. 5.Aufl., München: Oldenbourg.Google Scholar
  19. Wasserman, S., Faust, K. (1994): Social Network Analysis: Methods and Applications. Cambridge: Cambridge University Press.Google Scholar
  20. Watts, D.J. (2003): Six Degrees – The Science of a Connected Age. W.W. Norton & Company.Google Scholar

Copyright information

© VS Verlag für Sozialwissenschaften | Springer Fachmedien Wiesbaden GmbH 2010

Authors and Affiliations

  • Matthias Trier
  • Annette Bobrik

There are no affiliations available

Personalised recommendations