Advertisement

Netzwerkanalysen in der Soziologiegeschichte

  • Matthias BixlerEmail author
Living reference work entry
  • 96 Downloads
Part of the Springer Reference Sozialwissenschaften book series (SRS)

Zusammenfassung

Der folgende Beitrag bietet interessierten WissenschaftshistorikerInnen einen ersten Überblick über die Möglichkeiten der Sozialen Netzwerkanalyse (SNA) und identifiziert ihre Potenziale für die Wissenschaftsgeschichte. Die Erhebung und Repräsentation von Netzwerkdaten sowie grundlegende Untersuchungsdesigns werden besprochen, einige einfache Strukturmaßzahlen werden eingeführt. Der Beitrag schließt mit einem Abschnitt zu wichtigen Publikationen und Zeitschriften zur Orientierung im Forschungsfeld und einem Ausblick auf die Erschließung neuer Datenquellen.

Schlüsselwörter

Soziologiegeschichte Soziale Netzwerkanalyse Relationale Daten Historische Netzwerkforschung Methodeneinführung Wissenschaftsgeschichte Kommunikationsnetzwerke 

1 Einleitung

Die sozialwissenschaftliche Netzwerkanalyse (SNA) hat sich über die letzten beiden Jahrzehnte von einer Nischendisziplin in den Sozialwissenschaften zu einem interdisziplinären Forschungsfeld entwickelt. Netzwerkansätze sind mittlerweile in unterschiedlichen wissenschaftlichen Bereichen, sowohl Human- als auch Naturwissenschaften, angekommen und werden als fruchtbare Erweiterungen vorhandener Methodenrepertoires genutzt, um neue Einsichten in die jeweiligen Forschungsgegenstände zu gewinnen. Das umfangreiche Methodenspektrum der SNA ist dabei sehr flexibel einsetzbar. Die Bandbreite reicht von explorativen, qualitativen Verfahren mit einem Schwerpunkt auf Visualisierungen bis hin zu komplexen stochastischen Modellen. Dieselben Methoden können oft auf verschiedenen Analyseebenen eingesetzt werden, von kleinen Gruppen bis hin zu Netzwerken mit mehreren Millionen Knoten.

In der Wissenschaftsgeschichte bieten sich Netzwerkansätze insbesondere da an, wo zum einen relativ dichte Datenbestände verfügbar sind und zum anderen nicht die wissenschaftlichen Leistungen von Individuen, sondern die Beziehungen, in die sie eingebettet sind, und die damit zusammenhängenden Interdependenzen im Vordergrund des Interesses stehen. Wenn Wissenschaftshistoriker beispielsweise daran interessiert sind, wie die Produktion von Wissen in den Kontext sozialer Strukturen eingebettet war, wie sich Ideen in historischen scientific communities ausbreiteten oder wie letztere sich in ihrer Struktur über die Zeit entwickelten und welchen sozialen Regeln solche Veränderungen folgten, bietet die SNA ein großes Erkenntnispotenzial, das für solche und weitere Fragestellungen bislang nur wenig ausgeschöpft wurde.

Der folgende Beitrag gibt einen kursorischen Überblick über verschiedene Ansätze der Netzwerkanalyse. Nach einer kurzen Verortung der SNA in der Forschungslandschaft und einer Skizze möglicher Anwendungsfelder in der Wissenschafts- und insbesondere Soziologiegeschichte (2), werden die gängigen Untersuchungsdesigns der Sozialen Netzwerkanalyse vorgestellt (3). In den folgenden Abschnitten werden hierauf aufbauend ein paar der am häufigsten verwendeten Strukturmaßzahlen eingeführt (4) und einige wichtige Ressourcen genannt, die den Einstieg in das Forschungsfeld erleichtern können (5). Dieser Beitrag kann interessierten Wissenschaftshistorikern als erster Zugang zur SNA dienen, das Studium der Netzwerkliteratur jedoch nicht ersetzen. Daher wird über den gesamten Text hinweg auf relevante Grundlagenliteratur sowie weiterführende Literatur verwiesen.

2 Netzwerkperspektiven auf Wissenschaftsgeschichte

Linton Freeman, selbst einer der Akteure, die das Forschungsfeld in seiner Konsolidierungsphase maßgeblich mitgeprägt haben, widmete der Entwicklung der Sozialen Netzwerkanalyse eine eigene wissenschaftssoziologische Monografie (Freeman 2004). Darin fasste er vier Charakteristiken der Netzwerkanalyse zusammen: „Social network analysis is motivated by a structural intuition based on ties linking social actors, it is grounded in systematic empirical data, it draws heavily on graphic imagery, and it relies on the use of mathematical and/or computational models“ (Freeman 2004, S. 3).

Was die SNA von den meisten anderen sozialwissenschaftlichen Forschungsansätzen unterscheidet, ist, dass sie den sozialen Beziehungen der untersuchten Akteure eine größere Bedeutung zuschreibt, als ihren individuellen Eigenschaften. Wurde das Handeln sozialer Akteure lange Zeit hauptsächlich über individuelle Eigenschaften wie z. B. internalisierte Normen und Werte, sozioökonomischen Status oder psychologische Persönlichkeitsmerkmale erklärt, ist es mit relationalen Forschungsansätzen möglich, sie vor dem Hintergrund ihrer sozialen Strukturen zu betrachten und einzuordnen. Ihre große Stärke liegt darin, dass sich z. B. Handlungsmöglichkeiten und Restriktionen oder der Fluss von Informationen und Ressourcen in vielen Fällen nur über das Beziehungsnetzwerk, in das die Akteure eingebettet sind, adäquat verstehen lassen. Schon früh wurden entsprechende theoretische Ansätze formuliert, wie z. B. Mark Granovetters Theorie der Stärke schwacher Beziehungen, die auch außerhalb der Netzwerkforschung einige Popularität erlangte. Hierbei wird davon ausgegangen, dass gerade schwache Beziehungen eine besondere Rolle bei der Verbreitung von Informationen spielen, da sie lokale Brücken zwischen dichteren Bereichen eines Netzwerkes bilden und so weniger redundante Informationen transportieren (Granovetter 1973).

Mit diesem Perspektivenwechsel wurde die Netzwerkanalyse in den 1970ern und 1980ern systematisch als Gegenentwurf zum in den US-amerikanischen Sozialwissenschaften vorherrschenden Strukturfunktionalismus und der eng damit verbundenen Surveyforschung entworfen (Wellman 1988). Als Reaktion auf lauter werdende Kritik an strukturdeterministischen Tendenzen der SNA öffnete sie sich mit Beginn der 1990er-Jahre in einem cultural turn auch nach und nach für Ideen der Kultursoziologie und interpretative Ansätze (Mische 2011; White 2008). Heute ist die SNA zu einem vielfältigen Paradigma geworden, in dem auch qualitative Verfahren einen festen Platz eingenommen haben (Domínguez und Hollstein 2014; Hollstein und Straus 2006).

Die SNA stellt sowohl das theoretische als auch das methodische Rüstzeug dafür bereit, wissenschaftshistorisch interessante Strukturen systematisch zu untersuchen. Entsprechende Analysen stammen jedoch bisher weit öfter aus dem sozialwissenschaftlichen als aus dem historischen Kontext. Interessante Fragestellungen für die Wissenschaftsgeschichte im Allgemeinen und Soziologiegeschichte im Speziellen drehen sich z. B. darum, wie sich Ideen in einer scientific community verbreiteten, wer wann strukturelle Schlüsselpositionen inne hatte und damit Kontrolle über Ideen und Ressourcen ausüben konnte, inwiefern verschiedene wissenschaftliche „Schulen“ getrennt voneinander bestanden haben oder doch miteinander verflochten waren und schließlich wie sich all dies auf die Produktion und Reproduktion von Wissen und die Transformation wissenschaftlicher Strukturen ausgewirkt hat. Da sich wissenschaftliche (und auch vorwissenschaftliche) Felder in mehrfacher Hinsicht als Kommunikationssysteme begreifen lassen, kommt der Analyse von Kommunikationsstrukturen zwischen Wissenschaftlern und Gelehrten ein großer Stellenwert zu.1 Gerade Zitationsanalysen scheinen für die Wissenschaftsgeschichte prädestiniert zu sein, denn „[d]as Beziehungsgeflecht von Wissenschaftlern in beliebigen Forschungsbereichen, die wechselseitigen Einflüsse und Kritiken bis hin zur Entstehung neuer Ideen oder gar ganzer Forschungsgebiete lassen sich (…) im Prinzip anhand der Zitierungen nachvollziehen“ (Weingart 2003, S. 33). Auch die Analyse informeller Fachkommunikation mithilfe der SNA, z. B. in Form von Korrespondenznetzwerken, kann sehr aufschlussreich sein (Stuber et al. 2008).

Kaum überraschend entstanden die frühesten netzwerkanalytischen Studien wissenschaftlicher Felder innerhalb der Gemeinde der Netzwerkforscher selbst. Insbesondere eine ist seitdem immer wieder aufgegriffen und reanalysiert worden (Freeman 1984, 2004; Freeman und Freeman 1980): Im Zuge des Tests eines frühen digitalen Kommunikationssystems (ähnlich der E-Mail), mit dem im Jahr 1978 die PCs mehrerer Forscher miteinander vernetzt wurden, wurden per Fragebogen zu zwei Zeitpunkten Daten zu verschiedenen Beziehungen unter den beteiligten Netzwerkforschern erhoben. Dieses Netzwerk von 32 Forschern gilt in der Netzwerkforschung heute als klassisch und ist mehrfach publiziert und reanalysiert worden (z. B. abgedruckt in Wasserman und Faust 1994, S. 745 ff.). Die Daten sind auch online frei verfügbar2 und eignen sich gut, um sich z. B. mit neuer Analyse- und Visualisierungssoftware vertraut zu machen. Aufgrund dieses Feldexperimentes ist uns die Kernstruktur eines Forschungsfeldes, das zu dieser Zeit erst im Entstehen begriffenen war, erhalten. Die erste Untersuchung der Daten selbst zeigte, wie sich die Einführung computervermittelter Kommunikation auf die Beziehungsstruktur in einer Gruppe von Wissenschaftlern ausgewirkt hat. Mit der Einführung des elektronischen Austauschsystems verdichtete sich das Netzwerk, und die Bedeutung der Statushierarchie verlagerte sich von der Individualebene auf die Ebene von kleineren Gruppen (Freeman und Freeman 1980).

3 Netzwerkdaten und Untersuchungsdesigns

Ein Netzwerk wird allgemein „definiert als eine Menge von Knoten und zwischen ihnen verlaufende Kanten“ (Jansen 2013, S. 58). Aufgrund der inhaltlichen Abstraktheit dieser Definition können nicht nur soziale Netzwerke, sondern viele verschiedene komplexe Systeme als Netzwerkstrukturen abgebildet werden. Verkehrsnetze oder Elektrizitätsnetze sind nur zwei von vielfältigen Beispielen (Watts 2003). Dies macht viele, wenn nicht alle empirische Verfahren der SNA auch disziplinübergreifend sehr flexibel einsetzbar. Auch für die Wissenschaftsgeschichte ist nicht nur die Betrachtung von interpersonalen Beziehungen, sondern auch von Netzwerkstrukturen aufgrund bibliometrischer Daten, semantischer Netzwerke aus Texten und Textbausteinen, von Zugehörigkeiten oder vernetzten wissenschaftlichen Institutionen als kollektive Akteure besonders lohnenswert. In der Netzwerkforschung steht heute ein umfangreiches Arsenal an Theorien und Methoden zur Verfügung, aus dem sich ForscherInnen auch eklektisch bedienen können, um verschiedenste Fragestellungen zu bearbeiten. Im Folgenden werden einige grundlegende Ansätze und Methoden vorgestellt.

Lange Zeit gab es nur wenig Einführungsliteratur, die für ForscherInnen ohne Vorkenntnisse in der quantitativen Datenanalyse leicht zugänglich war. Dies hat sich in den letzten Jahren zusehends geändert (siehe z. B. Borgatti et al. 2013; Kadushin 2012; Scott 2013). Gerade auch im deutschsprachigen Raum sind in den letzten Jahren mehrere zugängliche, sehr umfangreiche Sammelbände mit einführenden Texten und Überblicksartikeln erschienen (Stegbauer 2008; Stegbauer und Häussling 2010). In der ‚Reihe Netzwerkforschung‘ werden seit 2008 regelmäßig aktuelle deutschsprachige Monografien und Sammelbände veröffentlicht. Diese umfassen sowohl Methodenhandbücher als auch theoretische und empirische Studien. Das bereits angeführte Methodenhandbuch von Wasserman und Faust (1994) gilt für die Grundlagen noch immer als wichtiges Standardwerk. Dazu sind in jüngerer Zeit die Sammelbände von Carrington et al. (2005) und Carrington und Scott (2011) erschienen, die die weitere methodologische Entwicklung seit Mitte der 1990er abdecken.

In empirischen Netzwerkanalysen wird in der Regel eine von zwei grundlegenden Untersuchungsanlagen verfolgt (siehe Abb. 1). Bei der Analyse egozentrierter Netzwerke (a) stehen jeweils ein einzelner Akteur (Ego) und seine direkten Kontakte (Alteri) im Fokus des Forschungsinteresses. Um zu generalisierbaren Ergebnissen zu kommen, wird hier häufig mit größeren (Zufalls-)Stichproben von Egonetzwerken gearbeitet und die interessierenden Strukturmerkmale im Aggregat betrachtet. Bei der Analyse von Gesamtnetzwerken wird dagegen die Beziehungsstruktur eines Sets von Akteuren innerhalb festgelegter Grenzen untersucht. Man unterscheidet Gesamtnetzwerke weiter nach der Anzahl der definierten Akteursklassen. Bei unimodalen Netzwerken (b) sind Akteure ein und derselben Klasse miteinander vernetzt. Ein Freundschaftsnetzwerk unter SchülerInnen oder ein Kooperationsnetzwerk zwischen Wissenschaftlern lässt sich beispielsweise so repräsentieren. Bimodale Netzwerke (c) – sogenannte Two-Mode-Netzwerke – umfassen zwei Klassen von Akteuren, wobei Akteure der ersten Klasse nur Beziehungen zu Akteuren der zweiten Klasse eingehen können, von letzteren jedoch keine Beziehungen ausgehen. Zum Beispiel lassen sich die Teilnahme von ForscherInnen (1) an Konferenzen und Tagungen (2) oder die Publikationen von WissenschaftlerInnen (1) in bestimmten Zeitschriften (2) auf diese Weise abbilden. Welches Design im Einzelfall sinnvoll ist, hängt von der Fragestellung ab, die es zu beantworten gilt. Viele der verfügbaren Strukturmaßzahlen und Auswertungsverfahren lassen sich in derselben oder in leicht abgewandelter Form sowohl auf egozentrierte Netzwerke als auch auf Gesamtnetzwerke anwenden. An dieser Stelle wird deutlich, dass die SNA bei aller Interdisziplinarität als Forschungsfeld und der Heterogenität ihrer inhaltlichen Fragestellungen ein ganzheitliches Paradigma darstellt, dem ein grundlegendes, forschungsleitendes Verständnis von sozialen Strukturen zugrunde liegt (vgl. Abschn. 2).
Abb. 1

Grundlegende Untersuchungsdesigns in der SNA. (Quelle: eigene Darstellung)

Daten für netzwerkanalytische Studien in den Gegenwartswissenschaften werden meist über standardisierte Befragungen erhoben. Dazu wird jeder Akteur nach seinen Beziehungen zu anderen Akteuren mit einem oder mehreren sogenannten Namensgeneratoren befragt. Ein Namensgenerator ist eine Frage, auf diese hin ein Befragter die Namen seiner Kontakte wiedergibt, mit denen er in einer bestimmten Beziehung steht (z. B. Freundschaft, Kommunikation, Kooperation, usw.). Bei der Erhebung egozentrierter Netzwerke werden im nächsten Schritt über sogenannte Namensinterpretatoren weitere Informationen über die Alteri erfragt, da diese meist in der gleichen Stichprobe nicht auch befragt werden. Die Standardisierung der Erhebung gewährleistet die notwendige Vergleichbarkeit der Daten über alle Akteure eines Netzwerkes oder einer Stichprobe hinweg. Seltener dagegen kommen andere Methoden wie z. B. die Beobachtung oder die Inhaltsanalyse von Dokumenten zum Einsatz (Marsden 1990, 2005, 2011). In qualitativ angelegten Studien wird zudem mit partizipatorischen Erhebungsdesigns gearbeitet, indem im Rahmen von offenen oder teilstandardisierten Interviews zusammen mit den Befragten Netzwerkkarten ihrer persönlichen Netzwerke angefertigt werden (vgl. Schönhuth et al. 2013).

Eine Schwierigkeit, mit der speziell historiographische Studien oft konfrontiert sind, besteht darin, dass die interessierenden historischen Akteure nicht mehr direkt befragt werden können. In diesem Falle müssen mit Blick auf das jeweils verfügbare Material alternative Erhebungstechniken entwickelt werden. Generell lässt sich festhalten, dass die Extraktion relationaler Daten aus historischen Quellen mit abnehmendem Standardisierungsgrad der Quellen schwieriger wird (Bixler und Reupke 2016). Am einfachsten ist es, wenn Quellen als geschlossener Bestand in standardisierter Form vorliegen, z. B. als einheitliche Dokumente in einem Archiv, als Jahrbuch- oder Registereinträge, vollständige Bibliografien, Zeitschriftenbestände, usw. Für manche Fragestellungen bieten Prosopographien einen vereinfachten Zugang zu größeren Datenmengen.3 Gerade in wissenschaftshistorischen Studien können auch Briefwechsel von großem Interesse sein.4 Diese enthalten – lässt man den eigentlichen Inhalt der Briefe zunächst außen vor – zumindest die relationale Information, dass sie von mindestens einem Absender an mindestens einen Adressaten gerichtet sind (Kommunikationsbeziehung). Liegen Briefkorpora für mehrere Wissenschaftler und Gelehrte vor, lassen sich diese über einen bestimmten Zeitraum zu größeren Netzwerkstrukturen zusammenfügen, die z. B. die Kommunikation in einem wissenschaftlichen Feld abbilden können. So untersuchten Stuber et al. (2008) das Korrespondenznetzwerk der führenden europäischen Botaniker des 18. Jahrhunderts, inklusive ihrer Mitgliedschaften in Gelehrtengesellschaften und Akademien anhand überlieferter Briefwechsel.

Die Berechnung von Maßzahlen zur Beschreibung von Netzwerkstrukturen ist selbst bei kleineren Netzwerken so aufwendig, dass sie ohne Analysesoftware nicht sinnvoll zu bewältigen ist. Daher ist es auch für historische Projekte mehr als zweckmäßig, die Daten elektronisch von Anfang an so zu erfassen, dass sie direkt analysierbar sind oder mit wenig Aufwand in ein analysierbares Format übertragen werden können. Zwei gängige Repräsentationsformen sind dabei die sogenannte Edgelist und die Soziomatrix (auch Adjazenzmatrix). Beide enthalten jeweils Informationen über Paare von Akteuren. In Edgelisten sind alle Akteurspaare, zwischen denen eine Beziehung besteht, simpel untereinander aufgelistet. Dieses Format hat den großen Vorteil, dass Informationen über nicht vorhandene Beziehungen nicht gespeichert werden. Dies kann bei Netzwerken mit sehr vielen Akteuren eine große Platzersparnis bedeuten. Soziomatrizen sind so beschaffen, dass alle Akteure eines Netzwerkes sowohl auf der x-Achse als auch auf der y-Achse in derselben Reihenfolge angeordnet sind. Jede Zelle einer Matrix enthält die Information über die Existenz oder das Fehlen einer Beziehung zwischen zwei Akteuren (Dyade). Abb. 2 zeigt die Soziomatrizen für die obigen Beispielnetzwerke. Ähnlich einem Koordinatensystem wird die Beziehung eines Akteurs zu einem anderen durch eine 1 in demjenigen Feld angezeigt, in dem sich Reihe und Spalte der entsprechenden Akteure kreuzen. Für Akteurspaare, zwischen denen keine Beziehung besteht, steht im entsprechenden Feld eine 0. Die Diagonale wird hierbei meist ignoriert, da diese selbstreflexive Beziehungen repräsentiert, die für viele Fragestellungen keinen Sinn machen. Matrizen sind in den meisten Fällen binär, enthalten also nur Nullen und Einsen. Sind zusätzlich Unterschiede in der Stärke der Beziehungen von Interesse, werden diese üblicherweise als ganze Zahlen repräsentiert (gewichtete Beziehungen). Diese können sich an vom Forscher gebildeten Kategorien orientieren (z. B. Beziehungsstärke 1, 2, 3) oder direkt die Daten repräsentieren (z. B. Anzahl der in einem bestimmten Zeitraum versendeten Briefe als Indikator für die Stärke einer Kommunikationsbeziehung).
Abb. 2

Soziomatrizen zu den Beispielnetzwerken in Abb. 1. (Quelle: eigene Darstellung)

Eine weitere konzeptionelle Entscheidung, die für die Analysemöglichkeiten eines Netzwerkes weitreichende Folgen hat, betrifft das Verständnis von Beziehungen als gerichtet oder ungerichtet. In einem Netzwerk aus gerichteten Beziehungen ist die Reihenfolge, in der ein Akteurspaar betrachtet wird, relevant. Jeder Akteur kann dabei zum einen als Sender, zum anderen als Empfänger von Beziehungen verstanden werden. So ist es z. B. möglich, dass in einem Korrespondenznetzwerk ein Akteur einem anderen regelmäßig Briefe sendet, diese allerdings nicht oder nur selten beantwortet werden. Für ungerichtete Beziehungen wird diese Unterscheidung nicht getroffen. Verwandtschaftsbeziehungen sind ein Beispiel hierfür. Soziomatrizen von ungerichteten Netzwerken sind symmetrisch, d. h. sie sind entlang ihrer Diagonalen gespiegelt. In Visualisierungen sind sie üblicherweise daran zu erkennen, dass die Kanten ohne Pfeilspitzen dargestellt werden.

4 Grundlegende Strukturmaßzahlen

Die Analyse sozialer Netzwerke kann verschiedene Erkenntnisziele verfolgen. Neben der eigentlichen Strukturanalyse geht es häufig auch darum herauszufinden, aufgrund welcher Bedingungen die Struktur eines Netzwerks überhaupt erst entstanden ist. Neueste stochastische Modelle ermöglichen es dabei, vom Auftreten bestimmter Netzwerkkonfigurationen auf das Gelten von sozialen Normen zu schließen (z. B. eine Reziprozitätsnorm aus dem überproportionalen Auftreten wechselseitiger Beziehungen) (Lusher et al. 2013; Snijders et al. 2010). Bei der Beschäftigung mit historischen Netzwerken geht es vielfach zunächst erst einmal darum, ein Netzwerk aus überlieferten Informationen zu gewinnen und seine Struktur erstmals zu beschreiben. In einem nächsten Schritt kann das Handeln der historischen Akteure, die Diffusion von Ideen und anderes vor dem Hintergrund der Möglichkeiten und Restriktionen, die Netzwerkstrukturen eröffneten, (re-)interpretiert werden. Dies ist insbesondere auch für größere Netzwerke interessant, die sich aus heutiger Sicht, sozusagen aus einer Vogelperspektive, analysieren lassen, den Zeitgenossen jedoch lediglich teilweise bekannt oder bewusst sein konnten.

Um sich einen ersten Überblick über die Struktur eines einmal erfassten Netzwerks zu verschaffen, ist eine Visualisierung hilfreich. Für tiefere Einblicke steht eine Vielzahl von Strukturmaßzahlen zur Verfügung, von denen hier nur einige wenige genannt werden können. Sie beziehen sich auf zwei unterschiedliche Analyseebenen: Einerseits gibt es Maße, die strukturelle Eigenschaften ganzer Netzwerke (oder von Teilstrukturen) repräsentieren und andererseits solche, die die Position einzelner Akteure in einer Struktur charakterisieren und miteinander vergleichbar machen.

Die Netzwerkdichte ist eine von mehreren Möglichkeiten, die Anzahl der Beziehungen in einem Netzwerk auszudrücken. Sie ist definiert als der Anteil der tatsächlich vorhandenen Beziehungen an allen theoretisch möglichen Beziehungen in einem Netzwerk (Wasserman und Faust 1994, S. 101). Es handelt sich dabei also um ein standardisiertes Maß mit Werten innerhalb der Grenzen von 0 (keine einzige Beziehung vorhanden) und 1 (jeder Akteur ist mit jedem anderen verbunden). Wollte man die Dichte anhand einer (binären) Soziomatrix mit der Hand berechnen, könnte man demnach einfach alle Einsen zählen und das Ergebnis durch die Gesamtzahl der vorhandenen Felder (ohne die Diagonale) teilen (für das Netzwerk in Abb. 1b ergibt sich so z. B. eine Dichte von ca. 0,17). Wieder anders gewendet, drückt die Dichte die Wahrscheinlichkeit dafür aus, dass zwei rein zufällig aus dem Netzwerk gezogene Akteure durch eine Beziehung miteinander verbunden sind. Die inhaltliche Interpretation der Dichte ist stark von der betreffenden Beziehungsart und dem Kontext abhängig, aus dem das Netzwerk stammt. So kann ein dichtes Geflecht von Beziehungen in einem Kommunikationsnetzwerk die schnelle Verbreitung von Informationen begünstigen und dem einzelnen Akteur dadurch Vorteile bringen. Es ist jedoch genauso denkbar, dass dieses Netzwerk aufgrund derselben Eigenschaft ein hohes Maß an sozialer Kontrolle auf den Einzelnen ausüben kann, da die Nachricht über einen Fehltritt die anderen Akteure ebenso schnell erreicht.

Auf der Ebene einzelner Akteure haben die Zentralitätsmaße eine herausragende Bedeutung (vgl. hierzu Freeman 1978/79, mit mathematischer Definition). Wie zentral ein Akteur in einem Netzwerk ist, lässt sich je nach Kontext und Fragestellung auf verschiedene Weise ausdrücken. Der einfachste Fall stellt hierbei die Degree-Zentralität dar. Sie ergibt sich für jeden Akteur aus der Gesamtzahl seiner direkten Beziehungen. Die Degree-Zentralität beruht auf der simplen Annahme, dass ein Akteur in einem Netzwerk umso wichtiger ist, je mehr direkte Beziehungen er zu anderen hat. Diese geben ihm die Möglichkeit zur Einflussnahme oder können ihm Zugang zu Informationen oder anderen Ressourcen verschaffen. Liegen gerichtete Beziehungen vor, existiert die Möglichkeit, Statusunterschiede und andere Asymmetrien zwischen Akteuren noch einmal zu unterscheiden. So kann die Anzahl der eingehenden Beziehungen (Indegree-Zentralität) als Indikator für die Popularität oder das Prestige eines Akteurs gewertet werden, die Anzahl der ausgehenden Beziehungen (Outdegree-Zentralität) als Indikator für seine Aktivität im Netzwerk. Gerade wenn es um Informationen und Ressourcen geht, kann jedoch ein anderes Zentralitätsmaß, die Betweenness-Zentralität, aussagekräftiger sein. Die Betweenness-Zentralität eines Akteurs ergibt sich aus der Anzahl der kürzesten Pfade zwischen den jeweils anderen Akteuren, die über ihn als Mittelsmann führen. Im Gegensatz zur Degree-Zentralität bezieht sie sich also auf indirekte Kontakte und wird gerne als Indikator für das Ausmaß an Kontrolle herangezogen, das ein Akteur auf den Informations- oder Ressourcenfluss in seiner Netzwerkumgebung ausüben kann.

Die genannten Strukturmaßzahlen gehören fast schon zum Standardrepertoire für eine Netzwerkanalyse und sind nur einige wenige Beispiele aus dem reichhaltigen Fundus, der in Softwarepaketen zur Netzwerkanalyse schon lange verfügbar ist. Weitere häufig verwendete Indizes beziehen sich z. B. auf das Ausmaß an wechselseitigen Beziehungen (reciprocity), die Tendenz zur Bildung von dichten Clustern (transitivity, clustering coefficient) oder die mittlere Nähe eines Akteurs zu allen anderen (closeness).

5 Die Soziale Netzwerkanalyse als Forschungsfeld

Seit 1979 sind Netzwerkforscher weltweit im International Network for Social Network Analysis (INSNA) 5 organisiert. Die Jahrestagung der INSNA, die Sunbelt Conference, findet seit 1981 statt.6 In das Konferenzgeschehen sind traditionell mehrere dutzend Workshops eingebunden, in denen für jeden Wissensstand, vom Anfänger bis zum Experten, Kenntnisse verschiedenster quantitativer und qualitativer Methoden und Visualisierungstechniken für eine ganze Reihe verschiedener Softwarelösungen, bis hin zu Programmiersprachen, vermittelt werden. Aktuell findet sie im Wechsel jeweils auf dem nordamerikanischen und dem europäischen Kontinent statt. In den Jahren, in denen die Sunbelt Conference in Nordamerika abgehalten wird, findet zudem seit 2014 in Europa zeitversetzt die EUSN-Konferenz mit einem ähnlich breiten Angebot an Workshops und thematischen Sessions statt.

Dass die SNA im Vergleich zu anderen Forschungsfeldern erst seit vergleichsweise kurzer Zeit organisiert ist, lässt sich auch an der relativ kleinen Zahl an einschlägigen Periodika erkennen. Mit Connections und Social Networks existieren zwei Zeitschriften, in denen bereits seit Ende der 1970er-Jahre der Hauptteil der einschlägigen Artikel publiziert wird. Im Jahr 2000 trat das Journal for Social Structure hinzu, das wie die erstgenannten eng mit der INSNA verbunden ist. 2002 ist mit RedesRevista hispana para el análisis de redes sociales das erste europäische Journal für Netzwerkforschung erschienen, in dem Artikel insbesondere in spanischer und englischer Sprache publiziert werden. Gerade in jüngster Zeit sind mit Social Network Analysis and Mining (2011), Network Science (2013) und dem Journal of Complex Networks (2013) drei weitere Zeitschriften entstanden, die der Netzwerkforschung gewidmet sind. Dies kann als Zeichen für die schnelle Ausbreitung des Feldes angesehen werden. Des Weiteren werden im American Journal of Sociology und in der American Sociological Review regelmäßig netzwerkanalytische Studien veröffentlicht. Tatsächlich wurden viele der am weitesten rezipierten theoretischen und empirischen Arbeiten in einem dieser traditionsreichen, allgemein ausgerichteten soziologischen Zeitschriften publiziert und zählen dort zu den meistzitierten Artikeln, allen voran Granovetters obengenannte Studie (vgl. Lazer et al. 2009 mit weiteren Beispielen).

Auch speziell unter Historikern ist derzeit ein wachsendes Interesse an der Sozialen Netzwerkanalyse festzustellen. Im deutschsprachigen Raum hat sich unter dem Oberbegriff Historische Netzwerkforschung (HNF) in den letzten Jahren eine lebhafte Community gebildet, die sich regelmäßig in Workshops über die neuesten Entwicklungen austauscht. Informationen hierzu finden sich auf dem Webportal historicalnetworkresearch.org . Kürzlich ist aus diesem Umfeld das erste Handbuch erschienen, das direkt an interessierte Historiker gerichtet ist und sich ausschließlich der Netzwerkanalyse mit historischen Daten widmet (Düring et al. 2016).

6 Zusammenfassung und Ausblick

Die Soziale Netzwerkanalyse ist ein junges und hochdynamisches Forschungsfeld und HistorikerInnen haben gerade erst begonnen, die Theorien und Methoden für ihre Fragestellungen zu adaptieren. Sie bietet der Wissenschaftsgeschichte im Allgemeinen und der Soziologiegeschichte im Besonderen jedoch bereits große Potenziale, die bisher nur wenig genutzt werden. Netzwerkstrukturen können als Räume von Möglichkeiten und Restriktionen verstanden werden, wobei für die Analyse von Wissenschaftssystemen insbesondere Kommunikationsstrukturen interessant sind. Je nachdem in welcher historischen Epoche man sich bewegt, kann die Akquise geeigneter Daten dabei eine größere Herausforderung darstellen.

Hier scheint sich jedoch gerade ein Wandel abzuzeichnen. Die fortschreitende Digitalisierung von Publikationen eröffnet der Netzwerkanalyse in der Wissenschaftsgeschichte zukünftig neue Möglichkeiten, große Mengen von Daten schnell zu erfassen und auszuwerten. Zudem hinterlassen neue, medienvermittelte Kommunikationsformen netzwerkanalytisch verwertbare Spuren. Schon jetzt werden vereinzelt Follower-Netzwerke von und zwischen WissenschaftlerInnen und wissenschaftlichen Einrichtungen auf Social-Media-Plattformen zu illustrativen Zwecken visualisiert. So analysierten z. B. Barry Wellman und Kollegen in einer Fallstudie anhand seines eigenen Netzwerkes aus Followern das Potenzial von Twitter als Online-Community (Gruzd et al. 2011). Blogs von WissenschaftlerInnen und deren Verlinkung zu anderen wissenschaftlichen Blogs sind derzeit noch hauptsächlich Gegenstand von weiteren Blog-Beiträgen. Für die Wissenschaftsgeschichte könnten aber auch sie bereits in naher Zukunft eine wertvolle Quelle werden.

Fußnoten

  1. 1.

    Das Verhältnis der SNA zum Systembegriff der Luhmannschen Systemtheorie ist nicht abschließend geklärt. An dieser Stelle muss daher der Hinweis genügen, dass die SNA sich von Beginn an als Gegenposition zum Strukturfunktionalismus im Sinne Talcott Parsons und Robert K. Mertons verstanden hat und bis heute nur wenige VertreterInnen theoretische Bezüge zu Niklas Luhmann herstellen.

  2. 2.
  3. 3.

    Vgl. dazu auch den Beitrag von Werner Reichmann in diesem Band.

  4. 4.

    Vgl. dazu auch den Beitrag von Fabian Link in diesem Band.

  5. 5.

    http://www.insna.org/ [01.03.2015].

  6. 6.

Literatur

  1. Bixler, Matthias, und Daniel Reupke. 2016. Von Quellen zu Netzwerken. In Handbuch Historische Netzwerkforschung. Grundlagen und Anwendungen, Hrsg. Marten Düring, Ulrich Eumann, Martin Stark und Linda von Keyserlingk, 101–122. Münster/Hamburg/Berlin/Wien/London: LIT Verlag.Google Scholar
  2. Borgatti, Stephen P., Martin G. Everett, und Jeffrey C. Johnson. 2013. Analyzing social networks. London/Thousand Oaks/New Delhi/Singapore: Sage.Google Scholar
  3. Carrington, Peter J., und John Scott, Hrsg. 2011. The SAGE handbook of social network analysis. Los Angeles: Sage.Google Scholar
  4. Carrington, Peter J., John Scott, und Stanley Wasserman, Hrsg. 2005. Models and methods in social network analysis. Cambridge: Cambridge University Press.Google Scholar
  5. Domínguez, Silvia, und Betina Hollstein, Hrsg. 2014. Mixed methods social networks research. Design and applications. Cambridge: Cambridge University Press.Google Scholar
  6. Düring, Marten, Ulrich Eumann, Martin Stark, und Linda von Keyserlingk, Hrsg. 2016. Handbuch Historische Netzwerkforschung. Grundlagen und Anwendungen. Münster: LIT Verlag.Google Scholar
  7. Freeman, Linton C. 1984. The impact of computer based communication on the social structure of an emerging scientific specialty. Social Networks 6(3): 201–221. doi:10.1016/0378-8733(84)90011-X.CrossRefGoogle Scholar
  8. Freeman, Linton C. 2004. The development of social network analysis. A study in the sociology of science. Vancouver: Empirical Press.Google Scholar
  9. Freeman, Linton C., und Sue C. Freeman. 1980. A semi-visible college: Structural effects on a social networks group. In Electronic communication: Technology and impacts Boulder, Hrsg. M. Henderson und M. McNaughton, 77–85. Colorado: Westview Press.Google Scholar
  10. Freeman, Linton C. 1978/79. Centrality in social networks. Conceptual clarification. Social Networks 1:215–239.Google Scholar
  11. Granovetter, Mark. 1973. The strength of weak ties. American Journal of Sociology 78(6): 1360–1380.CrossRefGoogle Scholar
  12. Gruzd, Anatoliy, Barry Wellman, und Yuri Takhteyev. 2011. Imagining twitter as an imagined community. American Behavioral Scientist 55(10): 1294–1318. doi:10.1177/0002764211409378.CrossRefGoogle Scholar
  13. Hollstein, Betina, und Florian Straus. 2006. Qualitative Netzwerkanalyse. Konzepte, Methoden, Anwendungen. Wiesbaden: VS Verlag für Sozialwissenschaften.CrossRefGoogle Scholar
  14. Jansen, Dorothea. 2013. Einführung in die Netzwerkanalyse. Grundlagen, Methoden, Anwendungen. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  15. Kadushin, Charles. 2012. Understanding social networks. Theories, concepts, and findings. New York: Oxford University Press.Google Scholar
  16. Lazer, David, Ines Mergel, und Allan Friedman. 2009. Co-citation of prominent social network articles in sociology journals. The evolving Canon. Connections 29(1): 43–64.Google Scholar
  17. Lusher, Dean, Johan Koskinen, und Garry Robbins. 2013. Exponential random graph models for social networks. Theory, methods, and applications. Cambridge: Cambridge University Press.Google Scholar
  18. Marsden, Peter V. 1990. Network data and measurement. Annual Review of Sociology 16:435–463.CrossRefGoogle Scholar
  19. Marsden, Peter V. 2005. Recent developments in network measurement. In Models and methods in social network analysis, Hrsg. Peter J. Carrington, John Scott und Stanley Wasserman, 8–30. Cambridge/New York: Cambridge University Press.CrossRefGoogle Scholar
  20. Marsden, Peter V. 2011. Survey methods for network data. In The SAGE handbook of social network analysis, Hrsg. John Scott und Peter J. Carrington, 370–388. London/Thousand Oaks: Sage.Google Scholar
  21. Mische, Ann. 2011. Relational sociology, culture, and agency. In The SAGE handbook of social network analysis, Hrsg. John Scott und Peter J. Carrington, 80–97. London/Thousand Oaks: Sage.Google Scholar
  22. Schönhuth, M., M. Gamper, M. Kronenwett, und M. Stark, Hrsg. 2013. Visuelle Netzwerkforschung. Qualitative, quantitative und partizipative Zugänge. Bielefeld: Transcript.Google Scholar
  23. Scott, John. 2013. Social network analysis. A handbook. Los Angeles/London/New Delhi/Singapore/Washington, DC: Sage.Google Scholar
  24. Snijders, Tom A. B., Gerhard G. van de Bunt, und Christian Steglich. 2010. Introduction to stochastic actor-based models for network dynamics. Social Networks 32(1): 44–60. doi:10.1016/j.socnet.2009.02.004.Google Scholar
  25. Stegbauer, Christian, Hrsg. 2008. Netzwerkanalyse und Netzwerktheorie. Ein neues Paradigma in den Sozialwissenschaften. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  26. Stegbauer, Christian, und Roger Häussling, Hrsg. 2010. Handbuch Netzwerkforschung. Wiesbaden: VS Verlag für Sozialwissenschaften.Google Scholar
  27. Stuber, Martin, Stefan Hächler, Lothar Krempel, und Marion Maria Ruisinger. 2008. Exploration von Netzwerken durch Visualisierung. Die Korrespondenznetze von Banks, Haller, Heister, Linné, Rousseau, Trew und der Oekonomischen Gesellschaft Bern. In Wissen im Netz. Botanik und Pflanzentransfer in europäischen Korrespondenznetzen des 18. Jahrhunderts, Hrsg. Regina Dauser, Stefan Hächler, Michael Kempe, Franz Mauelshagen und Martin Stuber, 347–374. Berlin: Akademie Verlag.Google Scholar
  28. Wasserman, Stanley, und Katherine Faust. 1994. Social network analysis: Methods and applications. Cambridge: Cambridge University Press.CrossRefGoogle Scholar
  29. Watts, Duncan J. 2003. Six degrees. The science of a connected age. New York: Norton.Google Scholar
  30. Weingart, Peter. 2003. Wissenschaftssoziologie. Bielefeld: Transcript.CrossRefGoogle Scholar
  31. Wellman, Barry. 1988. Structural analysis. From method and metaphor to theory and substance. In Social structures. A network approach, Hrsg. Barry Wellman und S. D. Berkowitz, 19–61. Cambridge: Cambridge University Press.Google Scholar
  32. White, Harrison C. 2008. Identity and control. How social formations emerge. Princeton: Princeton University Press.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2016

Authors and Affiliations

  1. 1.IPKMUniversität BremenBremenDeutschland

Personalised recommendations