L’analisi delle reti sociali

L’analisi delle reti sociali

L’analisi delle reti sociali è un po’ come studiare una mappa di tutte le amicizie e le connessioni tra le persone in una scuola. Immagina che ogni studente sia un punto su un grande foglio, e ogni volta che due studenti sono amici, disegni una linea tra di loro. Alla fine, avrai una mappa piena di punti e linee che mostrano chi è amico di chi.

Questa “mappa” ti aiuta ad identificare chi è molto popolare: sono i punti con molte linee. Significa che molte persone sono loro amiche.
Quando vedi molti punti tutti collegati tra loro, si tratta di un gruppetto di amici.
A volte un punto ha linee che vanno a gruppi diversi. Questa persona è come un ponte tra due gruppi di amici diversi.

Gli scienziati usano l’analisi della rete sociale per studiare non solo le amicizie, ma anche come le informazioni o le idee si diffondono tra le persone, come funzionano le aziende, e anche come si connettono tra loro i computer su internet.

L’analisi della rete sociale (Social Network Analysis, SNA) è un approccio teorico e metodologico che si focalizza sullo studio delle strutture sociali attraverso l’uso di reti e concetti di teoria dei grafi. Il suo obiettivo è di identificare e analizzare i modelli di relazioni tra gli individui, i gruppi, le organizzazioni o anche interi sistemi sociali.

La SNA si basa sulla teoria dei grafi, una branca della matematica discreta che studia le proprietà e le strutture dei grafi, rappresentati come un insieme di nodi (o vertici) e archi (o collegamenti).

In una rete sociale, i nodi corrispondono agli attori sociali (persone, gruppi, organizzazioni) e gli archi rappresentano le relazioni o i legami tra di essi (amicizia, comunicazione, lavoro collaborativo, ecc.).

Una componente essenziale dell’SNA è lo studio delle misure di centralità, che valutano l’importanza dei nodi all’interno di una rete.

Misure di centralità

Le misure di centralità in una rete sociale sono un po’ come trovare i giocatori più importanti in una squadra di calcio, ma invece di guardare chi fa più gol, guardiamo chi è più “centrale”.

Degree Centrality: Immagina di contare a quante persone un giocatore passa la palla durante una partita. In una rete sociale, contiamo quante connessioni (amici) ha una persona. Più connessioni ha, più è “centrale”. È come il giocatore che passa la palla a molti compagni di squadra.

Closeness Centrality: Con questa misura guardiamo quanto velocemente un giocatore può passare la palla a tutti gli altri giocatori nel campo. In una rete sociale, significa quanto velocemente una persona può raggiungere tutte le altre persone attraverso le sue connessioni. Se una persona è vicina a tutti, è come un giocatore che può passare la palla velocemente a tutti i compagni.

Betweenness Centrality: Pensa a un giocatore che spesso passa la palla tra due giocatori che altrimenti non si passerebbero la palla direttamente. In una rete sociale, è una persona che si trova “in mezzo” a molte connessioni. Questa persona è importante perché aiuta a collegare gruppi di amici che altrimenti non sarebbero collegati.

Eigenvector Centrality: È come guardare non solo quanti passaggi fa un giocatore, ma anche quanto sono importanti i giocatori a cui passa la palla. In una rete sociale, significa che una persona è considerata importante se è connessa a molte altre persone importanti.

Queste misure aiutano a capire chi sono le persone più influenti o importanti in una rete di amicizie o connessioni.

Cricche, cerchie e comunità

Ora pensa ad una scuola. Ci sono gruppi di studenti che passano molto tempo insieme, come il gruppo dei giocatori di calcio, il gruppo di quelli che amano la musica, o il gruppo dei bravi in matematica. Anche se fanno parte della stessa scuola, all’interno hanno i loro piccoli gruppi con interessi o attività in comune.

Gli scienziati cercano di scoprire questi gruppetti all’interno di una rete sociale più grande. Ecco alcuni tipi di sottogruppi che possono trovare:

Cricche: Sono come gruppi di amici che sono tutti amici tra loro. In una cricca, ogni persona è direttamente collegata a tutte le altre persone nel gruppo.

Cerchie: Questi sono gruppi un po’ più rilassati rispetto alle cricche. Non tutti devono essere amici diretti con tutti, ma c’è comunque un forte senso di appartenenza e connessione tra di loro.

Comunità: Questi sono gruppi più grandi che possono avere molte cricche e cerchie al loro interno. Sono come grandi gruppi nella scuola con interessi comuni, ma al loro interno ci sono più piccoli gruppetti.

Ponte: A volte, una persona agisce come un “ponte” tra due sottogruppi diversi. È come uno studente che fa parte sia del gruppo di musica che del gruppo di matematica e aiuta a collegare questi due gruppi.

Capire questi sottogruppi aiuta a vedere come le persone si raggruppano in base ai loro interessi, ruoli, o attività e come queste piccole comunità interagiscono all’interno di una rete sociale più grande.

Omofilia e assortatività nelle reti sociali

Immagina una scuola dove ci sono diversi tipi di studenti: alcuni amano lo sport, altri adorano la musica, alcuni sono appassionati di scienza, e così via.

Noti che gli studenti amanti dello sport tendono a trascorrere più tempo insieme, magari giocando a calcio nel cortile della scuola.

Allo stesso modo, quelli che amano la musica spesso si ritrovano insieme in sala musica. Questo è un esempio di omofilia: persone che si raggruppano perché hanno interessi o passioni simili. È come se gli studenti fossero naturalmente attratti da altri con gusti simili.

Ora, pensiamo alla scuola come a una rete, dove ogni studente è un punto e le loro amicizie sono le linee che li collegano. Se misuriamo quanto spesso gli studenti con interessi simili sono amici tra loro, stiamo misurando l’assortatività della scuola. Ad esempio, se la maggior parte degli studenti sportivi ha amici che sono anche sportivi, e lo stesso vale per i musicisti, gli scienziati, ecc., allora diciamo che la scuola ha un’alta assortatività. In pratica, stiamo dando un voto a quanto gli studenti tendono a fare amicizia con altri simili a loro.

l’omofilia è la tendenza delle persone a essere attratte da altre simili a loro, mentre l’assortatività è una misura di quanto questa tendenza si verifica in una rete di relazioni.

Applicazioni

L’analisi delle reti sociali è applicata..

per studiare le relazioni interpersonali e le strutture sociali in sociologia.
per tracciare la diffusione di malattie attraverso le reti sociali in epidemiologia.
per analizzare le alleanze e i gruppi di interesse in scienze politiche.
per scoprire strutture all’interno di reti illecite nell’ambito dei sistemi di sicurezza.
per analizzare le reti di collaborazione interne ed esterne alle aziende in economia e finanza.

Attraverso questi strumenti e teorie, si possono trarre insight significativi sui modelli comportamentali delle persone, la diffusione di informazioni e malattie, la scoperta di comunità all’interno delle reti digitali e le strutture di potere esistenti all’interno di gruppi sociali e istituzioni.

Identificare le comunità nelle reti sociali è importante per diversi motivi. È come quando in una scuola, gli insegnanti cercano di capire quali studenti lavorano bene insieme, quali hanno interessi simili o come si formano i gruppi durante la ricreazione.

Se sai chi sono gli amici stretti o i gruppi su una piattaforma come Facebook, puoi capire meglio come le notizie o le idee si diffondono. È come capire come una novità sul nuovo gioco in cortile si diffonde tra i gruppi di amici a scuola.

Se un algoritmo capisce a quali gruppi appartieni, può suggerirti amici, contenuti, o prodotti che probabilmente ti piaceranno. È come quando un insegnante conosce i tuoi interessi e ti suggerisce un libro che potrebbe piacerti.

Le aziende possono usare queste informazioni per mostrare pubblicità più pertinenti ai vari gruppi.

Algoritmi e intelligenza artificiale

Gli algoritmi trovano queste comunità in modi diversi. Immagina che ogni gruppo di pezzi di un puzzle sia un gruppo di amici. Alcuni algoritmi cercano di vedere quali pezzi (persone) si incastrano meglio insieme (Modularity Optimization), altri cercano di rimuovere i collegamenti più deboli per vedere quali gruppi rimangono (Girvan-Newman), alcuni fanno “passeggiate” attraverso i collegamenti per vedere dove finiscono (Walktrap), e altri cercano di raggruppare le persone basandosi su come interagiscono (Louvain).

L’AI può utilizzare algoritmi di apprendimento non supervisionato per identificare automaticamente le comunità all’interno di una rete sociale senza la necessità di etichette o informazioni predefinite. Ad esempio, i modelli di clustering come il K-means o l’algoritmo di k-medoids possono essere applicati ai dati di rete per raggruppare i nodi in comunità simili.

Puoi approfondire l’argomento dei modelli di clustering leggendo
Il clustering: come l’AI apprende senza troppi “preconcetti”

Le reti neurali possono essere combinate con tecniche di rappresentazione del grafo, come la Graph Convolutional Network (GCN), per apprendere rappresentazioni dei nodi che catturano le informazioni di vicinanza e strutturale delle comunità.

Gli algoritmi genetici sono utilizzati per ottimizzare la struttura delle comunità in una rete sociale. Questi algoritmi simulano i principi dell’evoluzione biologica, producendo iterativamente nuove soluzioni tramite crossover e mutazioni genetiche. I criteri di fitness possono essere definiti in base alla coesione interna delle comunità e alla separazione tra di esse. Gli algoritmi genetici possono generare partizioni ottimali o approssimative delle comunità.

Leggi l’articolo di approfondimento sugli algoritmi genetici
Gli algoritmi genetici: La selezione della soluzione più adatta

L’AI può utilizzare l’apprendimento con rinforzo per identificare le comunità nelle reti sociali. In questo caso, un agente di AI apprende a compiere azioni nel grafo della rete per massimizzare una ricompensa definita in base agli obiettivi di identificazione delle comunità. L’agente può esplorare e sperimentare diverse azioni che influenzano la struttura modulare della rete fino a trovare una partizione soddisfacente.

Leggi anche:
L’Apprendimento per rinforzo: il bastone e la carota in versione algoritmica.