Redes sociales y complejidad

8.644 visualizaciones

Publicado el

Tecnicas de redes y grafos aplicadas a la cultura, la sociedad y el tejido urbano

Publicado en: Tecnología
  • Sé el primero en comentar

Redes sociales y complejidad

  1. 1. Redes y complejidad Carlos Reynoso Universidad de Buenos Aires http://carlosreynoso.com.ar 1
  2. 2. Objetivos• Ingresar a las teorías de la complejidad via redes, uno de los temas de mayor impacto antropológico• Revisar elementos de teoría de complejidad y caos• Ilustrar rupturas epistemológicas esenciales• Demarcar y establecer distancia con teorías no estrictamente complejas, o “complejas” en sentido estadístico – Morin, Capra, autopoiesis, investigación social de segundo orden 2
  3. 3. “No hay nada tan Agenda práctico como una buena teoría” Kurt Lewin• Redes complejas – Teoría de grafos • Leonhard Euler – Redes aleatorias • Erdös – Rényi – Teoría y análisis tradicional • Sociometría (Jacob Levi Moreno) • Escuela de Cambridge: Boissevain, Mitchell, Bott – Pequeños mundos • Stanley Milgram • Brett Tjaden – Kevin Bacon • Watts – Strogatz – Redes independientes de escala • Barabási• Síntesis de desafíos epistemológicos 3
  4. 4. ¿Por qué redes?• Muchos problemas de pueden redefinir en términos de redes – Relaciones interétnicas, difusión de información crítica (p. ej. políticas del agua), campañas sanitarias, el proceso del 11/3 en España• Propagación de rumores, enfermedades, modas• Relaciones de clientelismo, compadrazgo, parentesco• Circulación de bienes, transacciones• Relaciones interpersonales, segregación, ghettos, exclusión• Implementación de programas de política cultural en antropología aplicada• Técnica antropológica - ¿Qué técnicas dominan los antropólogos? 4
  5. 5. ¿Por qué redes?– El Análisis de Redes Sociales (ARS, SNA) permite razonar de maneras más precisas y consistentes– Está suficientemente probado que el uso de conceptos “sensibilizadores” como “grupo” o “rol social” obstruye el razonamiento formal– Antropología: Mitchell, Bott, Barnes (1950s) • La descripción de la organización social en términos de instituciones (economía, religión, política, parentesco) no es suficiente para comprender la conducta de los individuos en sociedades complejas– “No es posible construir teorías explicativas rigurosas utilizando metáforas” (Leinhardt) 5
  6. 6. Redes socialesde segundo orden 6
  7. 7. RS como espacio del acontecimiento• 20D argentino (2001), 11M español (2004) – Analógico el primero, digital el segundo – Escaladas, retroalimentación y esquismogénesis• 2004/6→ RS como espacio de acción de las tribus urbanas• RS como espacio de oportunidades de las operaciones de mercadeo – Redes de texto y significado: Algoritmos de Google, Amazon… – Web mining, graph mining y la red semántica• RS como objeto de la etnografía multisituada• RS como clave en la gestión social y política – Redes parentales y construcción de la identidad – Contrainsurgencia, narcotráfico, trata de personas, la “primavera árabe”, redes criminales (caso Candela), terrorismo → 7
  8. 8. Domesticación metodológica de las Redes del Terror• Familias florentinas, mineros de Kapferer, complotados del 11-S, vínculos de pequeños mundos en pos de Osama bin Laden… 8
  9. 9. Redes sociales9
  10. 10. Indicadores metodológicos (1/3) 10
  11. 11. Indicadores metodológicos (2/3) 11
  12. 12. Indicadores metodológicos (3/3) 12
  13. 13. Constantes emanadas de los indicadores• Estadísticas para descubrimiento de patrones, no al servicio de la prueba de hipótesis• Uso de modelos estadísticos para fines de correlación y aproximación de curvas – Reconocimiento de rostros• Descubrimiento de patrones en organización de datos – Modelo de “aprendizaje” de caja negra – ¿Cuánto hace que la antropología perdió sus teorías de aprendizaje? – El Número de Dunbar y otras intuiciones abandonadas • ¿Cuánto puede medir una red de amigos?• Conjuntos reticulares: Espacios multidimensionales no sujetos a supuestos de distribución normal 13
  14. 14. Número de Dunbar• Círculos de 5, 15, 35, 80, 150 – Familia y amigos íntimos – Amigos cercanos – Colegas y conocidos – Miembros del club u organización – Nuestra aldea personal• ¿Cómo varían los números con las redes sociales de segundo orden? 14
  15. 15. Diagnóstico• Fracaso de la predicción de pautas globales en ciencias sociales – Nadie (¿excepto Daniel Bell?) predijo la Web – Descrédito de la cuádruple “s” (synchronous single society study) – Nadie previó la necesidad del pasaje de lo local a lo global • Geertz: “Local knowledge” en 1983!! – A pesar del bombo de la hermenéutica, nadie había elaborado formalmente la semántica – “Emergencia”, “no linealidad” y “sensitividad extrema a las condiciones iniciales” como coartadas• Necesidad de integrar modelos de complejidad 15
  16. 16. Mitos recurrentes del ARS• La dimensión visual de las redes y las relaciones presentes en las matrices revelan estructuras no accesibles de otro modo• La conceptualización del ARS clarifica los términos relacionales de la ciencia social discursiva – Replicación de saberes conocidos – Respuestas decepcionantes a preguntas imprecisas – Falsa impresión de simplificación de las relaciones esenciales• Los nodos de las redes corresponden a entidades sustantivas, las aristas corresponden a relaciones (verbos), los valores del vínculo reflejan propiedades (adjetivos) – La prisión del lenguaje 16
  17. 17. Modelo canónico • Stanley Wasserman & Katherine Faust. Social Network Analysis: Methods and applications. Cambridge, Cambridge University Press, 1994. 17
  18. 18. Fallas en el modelo canónico• Análisis estructural estático, en vez de modelado dinámico• Naturaleza cuantitativa de los indicadores fundamentales• Sesgo del cálculo estadístico hacia supuestos de normalidad (muestreo aleatorio y NHST incluido) – El muestreo “normaliza” la distribución – Teoremas del límite central• Distribuciones normales o de Bernoulli, en vez de Cauchy o ley de potencia• Pequeños mundos como metodología, antes que como propiedad significativa• Sociofísica a nivel ontológico, en vez de epistemológico• Falta de examen adecuado del clustering, la fuerza de los vínculos débiles, los fenómenos de percolación, la evolución de redes (principio de San Mateo), las aplicaciones de grafos, el tratamiento de outliers, los problemas de robustez, etc 18
  19. 19. Redes y estadísticas de la normalidad – Por qué no• Las estadísticas paramétricas se basan en el muestreo aleatorio y la independencia de datos• En las redes los datos no son independientes por definición• Problema de Galton, no resuelto• Autocorrelación espacial – Primera ley de la geografía (Tobler)• Falta de robustez de la media• Los indicadores de cantidad (p. ej. densidad de población, ingreso per capita) no son indicadores de calidad – Calcuta, principado de Mónaco, Park Avenue; Bill Gates y su mayordomo• Existencia irreductible de distribuciones alejadas de la normalidad 19 – Dinámicas alejadas del equilibrio
  20. 20. Secuencia histórica 20
  21. 21. Teoría de grafos• Leonhard Euler, 1736• Los 7 puentes de Königsberg• Primer teorema de la teoría de grafos: no se pueden recorrer los 7 puentes – Reemplazó áreas de tierra por nodos y puentes por vínculos (links) – Se encuentra solución universal – El primer grafo fue un multigrafo (admite más de una línea entre 2 puntos) 21
  22. 22. Teoría de grafos• Un grafo contiene un circuito de Euler si se pueden trazar los arcos sin levantar la pluma y sin dibujar más de una vez cada arco, finalizando en el vértice en que se inició• Contiene un camino de Euler si [idem] finalizando en cualquier vértice• Un grafo con todos los vértices pares contiene un circuito de Euler• Un grafo con dos vértices impares y algunos pares contiene un camino de Euler• Un grafo con más de dos vértices impares no contiene ningún circuito ni camino de Euler 22
  23. 23. Teoría de grafos• Euler: Propiedades de grafos• La solución no depende del ingenio que se tenga para encontrar la solución• Origen de la teoría de redes (estáticas) en matemáticas, sociología, antropología, ingeniería, economía, biología, etc • Bott, Barnes, Meyer, Boissevain, Mitchell, Wasserman-Faust 23
  24. 24. Grafos contra la intuición• Red primal o dual• El modelo reticular es de menor productividad que la percepción intuitiva 24
  25. 25. Grafos contra la intuición• Esquinas como nodos, calles como uniones: Modelo fundamentalmente ínutil• Planeamiento de recorridos, asignación de recursos, organización de agendas: implica la misma problemática de el dilema de los cuatro colores 25
  26. 26. 26
  27. 27. 27
  28. 28. Grafos como herramienta contraintuitiva• Teoría de Ramsey – Problemas de pequeña escala son insolubles / intratables / indecidibles – Pero: el orden estructural es inevitable – Qué cantidad de personas se requiere en un sistemas para que hayan n cliques de n miembros – Solución contraria a la intuición: R(3,3)=6, R(4,4)=18 pero R(5,5) no será calculable jamás 28
  29. 29. Grafos como herramienta contraintuitiva• Juego del Sim: http://www.cut-the-knot.org/Curriculum/Combin 29
  30. 30. Survey de número de Ramsey• http://www.combinatorics.org/Surveys/ds1/sur.pdf 30
  31. 31. Grafos como herramienta contraintuitiva• El grafo como figura permite captar patrones pero no es fácilmente analizable• Matriz de incidencia – Álgebra lineal 31
  32. 32. Grafos: de bipartitos a unipartitos 32 • Barrat, p. 27
  33. 33. Isomorfismo• Erdös-Rényi, 200 nodos Energía - Kamada-Kawai 33 Circular
  34. 34. Grafos isomorfosFruchterman-Reingold Fish Eye 34
  35. 35. Optimización de grafos Usualmente mediante metaheurísticas• Davidson & Harel (1992) – Simulated annealing 35
  36. 36. Nexos con programación lineal• Leonid Kantorovich [1912-1986] – Optimización de métodos de la industria soviética• George Dantzing [1914-2005] – Creador del método simplex – Resolución de problemas pendientes• No existe aún la programación no lineal 36
  37. 37. Historia• Jacob Levy Moreno 1930s, sociometría – Moreno, 1889-1974 – Alumno de Jung – También psicodrama, role playing – Algo desprestigiado ahora• Alex Bavelas – MIT, 1948, Laboratorio de redes – Seguidor de Kurt Lewin y Moreno• Bavelas-Leavitt – Estadísticas de centralidad• John Barnes, 1954 – “Red social”• Escuela de Manchester (Max Gluckman) – Antropología urbana (Barnes, Clyde Mitchell, Elizabeth Bott) 37
  38. 38. Sociometría• Desarrollo de la dimensión visual• Sociomatrices, sociogramas 38
  39. 39. Evolución• Sociograma moreniano, grafo lewiniano, grafo de Bavelas 39
  40. 40. Escuela de Harvard (1920-30s)• Elton Mayo – Modelos de red de Lloyd Warner (alumno de Radcliffe-Brown)• Efecto Hawthorne 40
  41. 41. Las redes sociales en el tiempo• 1920s – Sociogramas y sociomatrices• 1940s – Escuela de Harvard• 1950s – Escuela de Manchester – Sociedades complejas – Erdös-Rényi – Percolación• 1960s – Mark Granovetter – Stanley Milgram• 1990s – Wasserman & Faust - UCINET• 1997 – Barabási – Ley de Pareto en la Web y la Internet• 2001 – Bruce Kapferer – Las redes sociales como “caballos muertos” – http://www.anthrobase.com/Txt/S/Smedal_Kapferer_01.htm – Otras traiciones disciplinares: • Pérdida de las técnicas comparativas, del análisis del parentesco y del concepto de cultura • Interdisciplinariedad con espacios del conocimiento a un solo grado de separación • Advenimiento y triunfo de una concepción discursiva de la complejidad• 2005 – Redes sociales virtuales – Las redes como espacio de mercado 41• 2010 – John Barnes no figura en Wikipedia (exc. en sueco)
  42. 42. Manchester – Las 5 “B” John Arundel Barnes* Jeremy Boissevain Elizabeth Bott 1918-2010 Fredrik Barth Frederick Bailey 42* No se molesten en buscarlo en Wikipedia
  43. 43. Apogeo y decadencia de la Escuela de Manchester Max Gluckman Bruce Kapferer 1911-1975 43
  44. 44. Redes aleatorias• Ray Solomonoff & Anatol Rapoport, 1951 – Desconocido• Paul Erdös y Alfred Rényi, 1950s• Redes aleatorias – Extrañas propiedades – Problema del vino y el rumor – Cuando los nodos tienen en promedio un vínculo cada uno, la fracción del grafo ocupada por el componente más vinculado salta de casi cero a casi uno. – Esta es una transición de fase de desconectada a conectada – El punto en el que esto sucede es el punto crítico (percolación) – La red pasa de varios conglomerados a un componente total – Cualquier cosa que suceda en un nodo afecta al conjunto 44 Pajek – Red aleatoria 25 25 – Fruchterman Rengold 2D
  45. 45. Red ER desconectada (10 / 2) 45 Pajek
  46. 46. Red ER conectada (10 / 3) 46
  47. 47. Redes ER - Abstracción• Homometría (Erdös) 47 Rhythm wheels - Congas
  48. 48. RelacionesEntre ritmos y escalas (conocidas por Erdös)* * Estudios de Toussaint 48
  49. 49. Bembé – Escala mayor 49
  50. 50. Nodal McCo 50
  51. 51. Percolación• Umbral de percolación• Teoría de la difusión de innovaciones – Rogers• Difusión de rumores, enfermedades• Teoría de la comunicación: influencias – Strogatz, Watts: Más que los susceptibles, importan los influyentes• Contrario a la intuición – Estrabón y los monos de España• Procesos idénticos, independientemente del objeto 51
  52. 52. Percolación - 49 52
  53. 53. Percolación - 51 53
  54. 54. Distribución normal• También llamada “gaussiana” (campana de Gauss)• “Curva de campana” (mal llamada curva de Bell – Charles Murray, Richard Herrnstein) 54
  55. 55. Desafío epistemológico # 1-2• Redes aleatorias – Problema tratable – ¿No hay problemas intratables en antropología? • Lévi-Strauss, problema de “cuántas clases”, etc – ¿No hay errores teóricos? (Gottlob Frege)• Definición de problema – Nadie definió jamás un problema (Hopcroft) – Un problema consiste en determinar si una expresión pertenece a un lenguaje • Expresión = Caso • Lenguaje = Elementos de la teoría (p. ej. gramática) – Determinar si el método implicado en la teoría puede dar cuenta del caso – Correspondencias entre expresión y lenguaje • Clases de complejidad (Chomsky), gramáticas culturales → 55
  56. 56. Desafío epistemológico #3• Establecer adecuado nivel de abstracción• Igual que Clifford Geertz, pero al revés• Generalización del problema• Oposición al principio moriniano de abstracción como operación conceptual mutilante• Habilitador de la idea de modelo – Las cosas como son, como punto de partida para pensar las cosas como podrían ser 56
  57. 57. Implicancias• La teoría debe proporcionar las herramientas para resolver el problema• Distintos problemas implican diferentes modelos de resolución (ev. clases de universalidad)• La definición proporcionada no presupone modalidad de inferencia – Deductiva, inductiva, hermenéutica o compleja• Ejemplos – Morin e investigación social de segundo orden: fuerza del azar para resolver problemas • El azar no genera auto-organización requerida • Se debe especificar cómo se resuelve 57
  58. 58. Redes aleatorias - Limitaciones• En la vida real las redes no son necesariamente aleatorias• Las distribuciones empíricas no son al azar• No hay clustering en redes aleatorias – No coincide con vida real: Los amigos de mis amigos suelen ser amigos míos• Redes ER, mal necesario – Si se deja de lado la idealización de las redes al azar, se torna muy difícil probar algo (tratabilidad) 58
  59. 59. Redes - Limitaciones del análisis tradicional• Limitado a redes más bien pequeñas – 2 o 3 tipos de vínculos, un tipo de nodos• Modelo estático• No apto para escenarios no deterministas• Se han utilizado elementos gráficos y terminología de teoría de grafos, pero no se han derivado teoremas o deducido afirmaciones susceptibles de verificación• Falta de análisis de propiedades esenciales – Dimensión fractal, ev coeficiente de clustering 59
  60. 60. Frigyes Karinthy [1887-1938]• 1929, Minden masképpen van (Todo es diferente) – Incluye el cuento Lánczsemek (Cadenas)• “Para demostrar que la gente en la tierra está hoy más próxima que nunca, un miembro del grupo sugirió una prueba. Apostó que podía nombrar a cualquier persona entre los mil quinientos millones de habitantes de la tierra, y a través de a lo sumo cinco conocidos, uno de los cuales él conociera personalmente, vincularse con la persona escogida”. 60
  61. 61. Pequeños mundos• Experimentos de Stanley Milgram, 1967 – Otros experimentos de Milgram [1933- 1984]• Cadena de cartas• Tomó al azar el nombre de dos personas de otro estado (Massachusetts) y comenzó enviando 160 cartas a residentes al azar en Kansas y Nebraska – Si conoce al destinatario, envíele carta directamente – Si no lo conoce, envíelo a alguien que piense que es más probable que lo conozca 61
  62. 62. Pequeños mundos• Resultado: volvieron 42 de las 160 cartas, algunas de las cuales requirieron 12 grados.• Pero el promedio de intermediarios fue de 5.5• “Seis grados de separación”: Milgram nunca usó la frase – John Guare (1991): Six degrees of separation – Obra de teatro, luego película (Stockard Channing – No K. Bacon)• Mito urbano: Kevin Bacon – Buscar : Kevin Bacon Oracle – http://www.cs.virginia.edu/oracle – Rod Steiger está mejor ubicado. KB es sólo el 876 en la lista. 62
  63. 63. 63
  64. 64. 64
  65. 65. Algunas precauciones• Los hallazgos de Milgram fueron cuestionados por Judith Kleinfeld (2002)• Parece no haber base empírica para la afirmación de la cadena de cartas – Algunas cadenas son más largas, un porcentaje grande no llega, hay diversas calidades de conectividad vinculadas con la clase social – Los “seis grados” serían un mito urbano – Los antropólogos generamos más mitos de los que desacreditamos• Barabási cree en el experimento, pero Watts no• Factores de apatía hacen que el experimento no sea fácilmente reproducible• El experimento de Milgram es dudoso, pero los seis grados (o algo así) se mantienen 65
  66. 66. Redes de lazos débiles• Mark Granovetter, 1969: Rechazado por American Sociological Review• 1973: “The strength of weak ties”, American Journal of Sociology• Importante para conseguir trabajo, lanzar comunicación a medios, difundir modas 66
  67. 67. Pequeños mundos• Steven Strogatz – Duncan Watts, 1990s• Redes SW• Coeficiente de clustering – Dividir número de vínculos real por potencial – 1.0 : todos se conocen• Modelo alfa – Alfa bajo: cavernícola – Alfa alto: pequeños mundos – Clustering alto o pequeños mundos, pero nada en el medio• Agregando vínculos a grillas regulares (p. ej. 5 vínculos a una red de millón) la conectividad aumenta explosivamente, independientemente del tamaño de la red 67
  68. 68. Pequeños mundos 68
  69. 69. Desafío epistemológico #4• La complejidad involucra no linealidad• No linealidad contradice la intuición• La antropología y los estudios urbanos presumen modelos mecánicos proporcionales, incluso en la perspectiva hermenéutica• Esta visión también articula la epistemología compleja de Edgar Morin – Complejidad como numerosidad – Muchos elementos, muchas relaciones – Indeterminación, azar (esencializado) – Confusión entre contraintuitivo e indeterminado – Ausencia de referencias a caos determinista 69
  70. 70. Redes independientes de escala• Barabási, 1990s• Análisis de Internet y la Web• Hubs y nodos comunes• Propiedades extrañas – Pocos grados de separación – Distribución independiente de escala – Distribución 1/f (ley de potencia) – Grandes diferencias entre extremos • Diferencias de fortuna o comercio exterior versus diferencias de estaturas – Las redes IE son fractales 70
  71. 71. Redes independientes de escala 71 Pajek – 50 – 100 – 5 – 10 – 0.4 – 0.4
  72. 72. Distribuciones 72
  73. 73. Comparación 73 • Barrat, p. 40
  74. 74. Escenarios independientes de escala• Relaciones sexuales, agendas telefónicas• Nexos sintácticos entre palabras en un texto o discurso• Citas bibliográficas entre miembros de la comunidad académica, colaboraciones en reportes de investigación• Clientelismo, influencia• Alianzas tecnológicas• Relaciones entre actores de cine• Sinapsis neuronales• Contactos entre personas de una organización• Cadenas alimentarias• Conexiones entre organismos vinculados al metabolismo o proteínas reguladoras• Propagación de enfermedades y virus informáticos• Alternativa al concepto de epidemiología de las representaciones (Dan Sperber) 74
  75. 75. Cola pesada - Casos 75 • Barrat, p. 39
  76. 76. Redes IE - Explicación• A una red existente se agregan nuevos nodos• Estos se ligan a los que están mejor vinculados• Esta vinculación selectiva se llama el efecto de “el rico se vuelve más rico” o principio de San Mateo (Robert Merton)• Aunque las elecciones individuales son impredecibles, como grupo todo el mundo sigue estrictamente unos pocos patrones• En redes IE el umbral crítico para la propagación de un rumor, enfermedad, etc es cero• Grados de separación – Si la red representa relaciones de dependencia entre géneros musicales, el nexo entre un género y otro exhibe pocos grados de separación• Inmunizar a los hubs es más efectivo que inmunizar a un porcentaje enorme de la población 76
  77. 77. Ley de potencia (power law)• La LP está entre las leyes de escala más frecuentes que describen la invariancia de escala que se encuentra en muchos fenómenos• Invariancia de escala: vinculado con autosimilitud – Es un rasgo de las transiciones de fase en las proximidades de un punto crítico• Una relación de LP entre 2 magnitudes escalares x e y es una relación que se puede escribir• y = axk• Donde a (la constante de proporcionalidad) y k (el exponente de la LP) son constantes77
  78. 78. Propiedades LdP• La característica principal de una distribución de LP es el exponente• El exponente describe de qué manera cambia la distribución como función de la variable subyacente• P. ej. si el número de ciudades de cierto tamaño decrece en proporción inversa al tamaño el exponente es 1 – Si decrece inversamente al cuadrado del tamaño, el exponente es 2, etcétera 78
  79. 79. Ejemplos de relaciones de LdP• La ley de Stefan-Boltzmann y otros principios físicos • La energia irradiada por un cuerpo oscuro por unidad de tiempo es proporcional a la cuarta potencia de su temperatura termodinámica• La corrección gamma que vincula intensidad de la luz con voltaje• La ley de mortalidad de Gompertz (1825) que se usa para cálculo de seguros• La ley de Kleiber que vincula el metabolismo de un animal con su tamaño – Tasa metabólica es potencia ¾ de la masa del animal• La conducta cerca de las transiciones de fase de segundo orden que involucran exponentes críticos [transiciones continuas, sin calor latente]• La ley de Newton (inversamente proporcional al cuadrado de la distancia) 79
  80. 80. Desafío epistemológico # 5• Distribuciones no normales• La estadística intuitiva presupone distribuciones normales• Ciertos parámetros carecen tanto de sentido que muchos estiman inexistentes (p. ej. la media)• En distribuciones 1/f tampoco tiene sentido el muestreo – Teoremas del límite central• Tampoco lo tiene la representación por proporcionalidad (Lomax) 80
  81. 81. Desafío epistemológico #6• Independencia de escala• La parte es similar al todo (homotecia)• Similitud con principio hologramático de Morin – Crítica de la complejidad moriniana en www.antropocaos.com.ar• La relación entre los nodos muy conectados y el resto de los nodos de la red no cambian en función del tamaño• La conectividad de las redes IE no cae proporcionalmente a la caída o desaparición de nodos. Las redes IE se auto-reorganizan 81
  82. 82. Consecuencias empíricas• Epidemiología• Citas bibliográficas• Enfermedades sexuales (1/f !!) [hubs]• Vacunación• Redes de narcotráfico, terrorismo, etc• Redes de influencia, punteros políticos• Implementación de políticas culturales 82
  83. 83. Distribución 1/f• Ley de Pareto• ¿Cuánto mide la costa de Inglaterra?• Ley de Zipf• Ley de Gutenberg-Richter• Criticalidad auto-organizada• Música 83 Coast
  84. 84. Distribuciones 84
  85. 85. 85
  86. 86. 86
  87. 87. 87
  88. 88. Solé & al – Universitat Pompeu Frabra 88Relaciones sintácticas (azul) y de precedencia
  89. 89. Red sintáctica (Igor Mel’cuk, Gramática de dependencia) Red IE de texto complejo (Moby Dick) 89
  90. 90. 90Transición de red en estrella a red IE – Adquisición del lenguaje
  91. 91. 91
  92. 92. 92
  93. 93. 93
  94. 94. Desafío epistemológico # 7• Clases de universalidad• La pauta que conecta (Bateson) – No interesa materialidad de objeto – Identidad de procesamiento de información, aprendizaje, inducción, evolución – Nada hay de biológico en la selección natural• Transdisciplinariedad – Impropiedad del concepto de transdisciplinariedad de Morin – No-transdisciplinariedad de autopoiesis (especificidad biótica)• P. ej. caminos hacia el caos 94
  95. 95. Desafío epistemológico # 8• Carácter visual de la representación – Red de colaboraciones científicas... 95
  96. 96. 96
  97. 97. 97
  98. 98. Herramientas 98
  99. 99. Top SNA Software (Links)• Cytoscape• Gephi• Network Workbench• ORA Netscenes• Pajek• SocNetV• Tulip 99
  100. 100. Agna 100
  101. 101. Cytoscape 101
  102. 102. Cytoscape• Múltiples formatos de importación y exportación• Múltiples layouts de alta calidad gráfica – Formatos usuales además de jerárquicos, Sugiyama, simulación de templado, globos, etc• Visualización de estadísticas, fit con ley de potencia, ploteo y visualización de parámetros• No puede generar redes no vacías 102
  103. 103. Gephi 103
  104. 104. Gephi• Redes hasta 50.000 nodos y 1.000.000 de vínculos• Estadísticas usuales, detección de comunidades, grafos jerárquicos• Variedad moderada pero perfección gráfica de layouts – Yifan Hu con enfriamiento adaptativo, Fruchterman- Rheingold, Force Atlas• Importación de grafos temporales en GEXF• Edición gráfica en ventana de grafos• Infinidad de complementos instalables• Agregación dinámica de plugins 104
  105. 105. JGraphEd 105
  106. 106. Krackplot 106
  107. 107. Network Workbench• Primer ambiente dedicado a redes complejas 107
  108. 108. Network Workbench• Numerosos formatos soportados – GraphML, XGMML, Pajek *.net y *mat, NWB, CSV, Scopus, NSF grant dabatase, Endnote, Bibtex, *.isi – Exportación a Postscript, Gnuplot (PDF)• Numerosas operaciones de preprocesamiento, cientometría y análisis• Modelado de grafos – Aleatorios, WS, scale free, CAN, chord, hipergrid, PRU, TARL, Discrete Network Analysis, etc• Innumerables visualizaciones – GUESS, Gnuplot, JUNG, Tree map, Balloon, Force directed, Kamada-Kawai, Fruchterman-Rheingold, Small World, LaNet, etc• No es fácil modular visualizaciones – En comparación con Gephi o Cytoscape• No tiene prestaciones de edición manual 108
  109. 109. Network Workbench• Mundo pequeño WS, 200, Small World 109
  110. 110. ORA 110
  111. 111. ORA• La más amplia colección de visualizaciones, análisis y operaciones• Numerosos formatos de lectura y escritura• Edición en ventana de visualización• Gestión de redes de conocimiento, texto, redes sociales, redes espaciales, propagación de creencias, redes de influencia, distribución estadística, evaluación geo-espacial, localización de subgrupos, lazos simmelianos, detección de patrones espaciales, cuenta de tríadas, semejanza cognitiva 111
  112. 112. Pajek 112
  113. 113. SocNetV 113
  114. 114. SocNetV• Visualizador con algunas prestaciones analíticas – Tamaño máximo no documentado• Creación de mundos pequeños, grafos de Erdös-Rényi, web crawler• Visualización significativa: – Radial o en capas por centralidad, Fruchterman-Rheingold, spring embedder, aleatoria, círculo aleatorio• Estadísticas de simetría, número de cliques, coeficiente de clustering, centro de tríadas• Importación de formatos Pajek, DL, lista de nodos, matriz de adyacencia, GraphML• Exportación de gráficos y datos a Pajek y matriz de adyacencia, GraphML• Edición de grafos levemente impráctica 114
  115. 115. Visone 115
  116. 116. Windisc• TSP con 10 nodos 116
  117. 117. Problemáticas 117
  118. 118. Grafos, redes y ciudades [Ver presentaciones de sintaxis espacial:http://carlosreynoso.com.ar/sintaxis-espacial/ ] 118
  119. 119. Redefinición de grafos de parentesco• ORE-Graphs a P-Graphs (Oystein Ore – D. White) 119
  120. 120. Necesidad de retomar el parentesco• Redefinición de “parentesco” como “familia”• Redefinición de las cuestiones de género• Más allá de las relaciones genealógicas• Genealogías como herramientas de reafirmación identitaria – Haddon – Cambridge – Estrecho de Torres 120
  121. 121. La moda de las redes - Objeto de consultoría:• Team Building• Locating Expertise• Workforce Diversity• Organization Design• Internetwork Design• Diffusion of Innovations• Post-Merger Integration• Investigative Journalism• Knowledge Management• Leadership Development• Mapping Terrorist Networks• Industry Ecosystem Analysis• Discovering Key Opinion Leaders• Network Vulnerability Assessment• Community Economic Development• Discovering Communities of Practice• Analyzing Protein Interaction Networks• Mapping and Measuring Information Flow• Contact Tracing in Contagious Disease Outbreaks 121
  122. 122. Valdis Krebs – Uncloackingterrorist networks, 2002The Network Workbench –Ejemplo de red terrorista 122
  123. 123. Transdisciplina• “Las matemáticas de los físicos abren nuevos caminos hacia regiones antes inexploradas. El crecimiento aleatorio, la teoría de la percolación, las transiciones de fase y la universalidad ... han definido un maravilloso conjunto de problemas abiertos en materia de redes. Pero sin los mapas de la sociología, la economía e incluso la biología para guiarlos, la física bien puede construir caminos que no lleven a ninguna parte” (Duncan Watts). 123
  124. 124. Síntesis• Tratabilidad de problemas• Definición de Problema - Abstracción• No linealidad – Realidad contra-intuitiva• Distribución no-normal, independencia de escala• Clases de universalidad - Transdisciplinariedad• Auto-organización – Dimensión visual• Varios niveles de observación y modelado – Grafos gráficos, matriz de incidencia, laplaciana• Redefinición de saberes disciplinares 124
  125. 125. Referencias• Barabási, Albert-László. 2002. Linked. Plume.• Watts, Duncan. 2003. Six degrees: The science of a connected age. Vintage.• Reynoso, Carlos. 2006. Complejidad y caos: Una exploración antropológica. Sb. 125
  126. 126. Referencias 126
  127. 127. Referencias 127
  128. 128. ¿Preguntas?carlosreynoso@filo.uba.ar 128

×