редактировать событие: Сетевые сообщества (социо-технические и социо-семантические сети)

Текст:

== Аннотация == Мастер-класс основан на событиях, которые происходили с участниками совместной сетевой деятельности в сетевых сообществах. Мы исследовали цифровые следы, которые оставляли участники совместной деятельности в электронных библиотеках при создании совместные статей и разметке этих статей общими ключевыми словами; в различных категориях вики проектов при создании и редактировании совместных статей; в студиях и коллекциях различных сообществах обучения программированию при создании и видоизменении кода проектов; внутри школьных доменов при совместном создании, редактировании и использовании документов, презентаций, таблиц и диаграмм; в цифровых образовательных репозиториях при создании, запуске, копировании и видоизменении сценариев уроков. Во всех случаях мы использовали общую схему сетевого анализа, когда связи между агентами деятельности возникают в результате совместного создания или редактирования цифровых объектов. ; Ключевые слова: : сетевой анализ, сетевые сообщества, большие данные == Введение == Сетевой анализ, используемый в социальных науках, является модификацией исследовательского инструментария, который применяется в самых разных областях: в биологии, экономике, логистике, физике и т. д. Эта модификация носит официальное название «Social Network Analysis» («анализ социальных сетей»), однако во многих работах социальных аналитиков его обозначают просто как «[[сетевой анализ]]». Это направление современной вычислительной (или, как часто используя кальку с английского языка говорят «компьютерной») социологии, посвященное описанию и анализу связей, возникающих в ходе социального взаимодействия (в первую очередь – коммуникации) и приводящих к образованию единой структуры – социальной сети. При использовании методов SNA ключевым является описание характеристик, выражающих плотность, интенсивность и пространственную координацию социальных связей. Благодаря этому становится возможным выделять в рамках исследования структурные единицы в системе социальных отношений («узлы», «блоки», «клики», «кусты»). Причем в качестве результатов проведенного анализа могут быть предъявлены не только явно обозначенные участниками рассматриваемой социальной группы взаимодействия и отношения, и выявленные в результате сетевого анализа скрытые связи. Это позволяет брать в качестве объекта анализа не только явно выявленную сеть прямых отношений участников, но и сеть опосредованных социальных взаимодействий, в рамках которой [[актор]]ы (от аctor – деятель), также называемые «агентами», взаимодействуют с некоторыми общими объектами, и сеть связей возникает благодаря учету этих взаимодействий. Предметом сетевого анализа является структура связей и отношений между людьми и объектами, входящими в разнообразные и разномасштабные общности. Традиционно для обозначения отдельного элемента социальной сети используют понятие «узел», если речь идет об исследованиях прикладного математического характера, или «[[актор]]», если подразумевается социологические исследования. Построение карт сетевых отношений между [[актор]]ами различной природы основывается на сетевых характеристиках узлов и рёбер. С точки зрения формального математического описания социальная сеть, образованная n акторами представляет собой граф <math>G=(V,E)</math> в котором множество <math>V={1,2,…,n}</math> представляет конечное множество вершин (агентов), а множество E содержит ребра, отображающие их взаимодействие. Сетевая плотность - общая характеристика сетевой структуры равная соотношению имеющихся и максимально возможных связей в социальной группе. Показатель кластеризации характеризует степень взаимодействия между собой ближайших соседей рассматриваемого актора и представляет собой локальную характеристику сети. В большинстве сетей, если актор А соединен с актором В, а актор В с актором С, то существует большая вероятность, что акторы А и С соединены – друзья наших друзей, обычно, также являются и нашими друзьями. Параметр центральности актора является одним из наиболее часто востребованных при использовании методов SNA. Содержательный смысл расчета показателя центральности состоит в определении того, насколько неравномерно распределена власть-влияние в смысле, определяемом выбранными видами связей в социальной группе, представленной графом. Таким образом, C_D=0 тогда и только тогда, когда отсутствует преимущество в центральности любого актора, а C_D=1 единственно возможно, тогда, когда доминирует единственная вершина. Показатель централизации также называют «центральность группы». В последние годы активно развивается Science of [[Team Science]] - наука о командных научных исследованиях. Эта область представляет одно из направлений гуманитарных вычислительных наук, цифровой и сетевой социологии. «Командная наука» исследует поведение людей в современных командах сложных технологических средах, которые во многом определяют то, как протекает совместная работа и совместное обучение. При этом для анализа положения конкретного агента, как правило, используются сетевые характеристики, перечисленные выше. Степень центральности показывает, кто является наиболее активным узлом в сети. Измеряется количеством связей с другими узлами в сети. Центральность (в любой из интерпретаций) показывает, насколько данный узел близок по отношению к другим узлам в сети. В соответствие с теорией сетей большое количество взаимодействий узла может не только изменить позицию узла в сети, но также и изменить позиции других узлов. == Сообщества авторов совместных статей в электронных библиотеках == * [[:Категория:Dataset]] «[[Командная наука]]» исследует поведение людей в современных командах сложных технологических средах, которые во многом определяют то, как протекает совместная работа и совместное обучение. научный подход предполагает, что несколько человек работают на достижение общей научной цели. При этом размер команд может варьировать от пар участников (диад), до крупных команд, в состав которых входят более мелкие команды. Развитие командной науки ([[Team Science]]) стало возможным благодаря накоплению огромных массивов библиографических данных и разработке инструментов, которые сделали работу с такими данными доступными для широкого круга исследователей. В отношении неявных научных групп разработаны методы исследования, как правило, включающие библиографический и сетевой анализ, которые приводят к выделению графов, объединяющих ученых, принадлежащих к одной группе. Мы использовали методы библиографического анализа баз данных научного цитирования Web of Science, Scopus и ACM Digital Library В качестве средства библиографического анализа был выбран VOS viewer - средство, которое динамично развивается с 2009 года и используется для выявления и визуального представления сетевых отношений как между авторами, так и между ключевыми словами публикаций. В первом примере качестве основного источника данных для библиометрического анализа взаимоотношений авторов, связанных с тематикой вычислительного мышления мы использовали материалы цифровой библиотеки ассоциация вычислительной техники ([[ACM Digital Library]]) – dl.acm.org {{#ask: [[ACM Digital Library]] | ?Description }} * [[Computational thinking (ACM)]] Выбор этого источника связан с тем, что цифровая библиотека в течение почти семидесяти лет целенаправленно собирает работы, связанные с использованием компьютеров в различных сферах человеческой деятельности и здесь ожидаемо можно проследить историю обсуждения понятия «вычислительное мышление», различные подходы к вычислительному мышлению. Поисковый запрос к цифровой библиотеке ACM «computational thinking» с ограничением временного периода 2002 – 2022 выглядит следующим образом: * [All: “computational thinking”] AND [Publication Date: (2002 To 2022)] Запрос позволил получить 1680 записей в формате BIB о публикациях по теме вычислительного мышления. Обработка – слияние данных, проверка записей и удаление дубликатов осуществлялось в библиографическом менеджере Zotero [5,6], поскольку он поддерживает различные формы работы с исходными текстами публикаций, обеспечивает экспорт из различных библиотек и импорт в различные системы анализа и представления библиографических данных. После удаления дубликатов число записей составило 1645. Для выявления и визуального представления сетевых отношений как между авторами, так и между ключевыми словами публикаций мы использовался пакет VOS viewer, предварительно экспортировав данные в формат RIS. === Сеть понятий === * Просмотр датасета при помощи VOS viewer - https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1Lepd7ONR7lrDYy6S4HvnYYb0wpXicGsb {{#widget:iframe |url=https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1Lepd7ONR7lrDYy6S4HvnYYb0wpXicGsb |width=800 |height=800 }} === Связи авторов === * https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1iRge_3lB6v0yTtFPFR0EE61fr-EKhROO {{#widget:iframe |url=https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1iRge_3lB6v0yTtFPFR0EE61fr-EKhROO |width=800 |height=800 }} Первая группировка, окрашенная в свело-зелёный цвета, ключевой фигурой которой на схеме является Александр Репеннинг (блочные языки программирования, масштабируемый игровой дизайн, теория зоны ближайшего потока). Рядом с первой группой расположена вторая группа, так же окрашенная в светло-зелёный цвет. Ключевым игроком в этой группе на схеме является Ясмин Кафаи. Исходно авторы этой группы связаны с MIT Media Lab, разработкой различных версий программной среды [[Logo]], наиболее успешным примером которой является среда [[Scratch]]. Через связующего игрока Карен Бренна эта группа связана c оранжевый кластером, в центре которого находится Диана Франклин. Необходимо отметить, что связующим игроком, объединяющим оранжевый кластер с другими расположенными ниже группировками, является создатель языка [[NetLogo]] Ури Виленский. Формат статьи не позволяет читателям самостоятельно исследовать группировки авторов, но это можно сделать при помощи интерактивного апплета, который доступен по адресу: * https://app.vosviewer.com/?json=https://drive.google.com/uc?id=1iRge_3lB6v0yTtFPFR0EE61fr-EKhROO == Сообщества авторов совместных вики-страниц == Внутри вики и вики-подобных систем коллективного редактирования гипертекстов, каждый автор может создавать и редактировать любую страницу. Действия над страницей разнообразны: проверить содержание, поправить форматирование, добавить иллюстрации, классифицировать страницу при помощи категорий. Вся история изменений страницы записывается в историю версий. Современные вики площадки, использующие в качестве своего движка MediaWiki открывают исследователям доступ к своим данным через [[MediaWiki API]]. Процесс формирования запросов облегчается присутствием на площадках специальных API песочниц, где исследователи могут тренироваться делать свои запросы к системе [[MediaWiki]]. Как правило, результаты запроса возвращаются в виде [[JSON]] файла, который можно представить в виде схемы при помощи языка [[PlantUML]] {{#ask: [[PlantUML]] | ?Description }} # Digida - [[Служебная:ApiSandbox]] # WikiPedia https://ru.wikipedia.org/wiki/Служебная:ApiSandbox Для некоторых вики площадок возможность визуального анализа взаимоотношений участников, совместно редактирующих статьи, была предусмотрена в рамках дизайна самой площадки. Например, для проекта letopisi.org мы разработали специальное расширение – extension, которое позволяет увидеть связи между статьями и авторами для любой страницы и категории страниц. Для этого достаточно на странице или категории нажать на вкладку wikigramma и получить и диаграмму и код этой диаграммы на языке dot пакета [[Graphviz]]. {{#ask: [[Graphviz]] | ?Description }} Код диаграммы можно редактировать и анализировать в сетевых сервисах, как это показано на рисунке <graphviz> digraph W { layout = "neato"; node[fontsize="10", fontcolor="black", nodesep=2, shape="none", style=""] ; edge [arrowhead=normal, arrowsize=0.5]; // size=",8" ; U_10 -> P_2 U_101 -> P_5 U_13 -> P_3 U_14 -> P_2 U_16 -> P_1 U_16 -> P_4 U_16 -> P_5 U_17 -> P_1 U_18 -> P_3 U_22 -> P_4 U_22 -> P_5 U_24 -> P_3 U_24 -> P_4 U_25 -> P_2 U_26 -> P_1 U_26 -> P_4 U_27 -> P_2 U_28 -> P_1 U_28 -> P_4 U_30 -> P_5 U_31 -> P_2 U_32 -> P_5 U_33 -> P_2 U_36 -> P_1 U_36 -> P_4 U_37 -> P_2 U_38 -> P_2 U_44 -> P_5 U_50 -> P_5 U_51 -> P_4 U_51 -> P_5 U_53 -> P_3 U_53 -> P_4 U_54 -> P_5 U_57 -> P_3 U_57 -> P_4 U_58 -> P_2 U_6 -> P_3 U_6 -> P_4 U_61 -> P_3 U_61 -> P_4 U_63 -> P_2 U_67 -> P_5 U_68 -> P_5 U_7 -> P_3 U_7 -> P_4 U_72 -> P_1 U_73 -> P_5 U_78 -> P_3 U_79 -> P_5 U_82 -> P_5 U_84 -> P_3 U_84 -> P_4 U_84 -> P_5 U_85 -> P_2 U_87 -> P_2 U_88 -> P_2 U_89 -> P_1 U_89 -> P_4 U_89 -> P_5 U_90 -> P_1 U_90 -> P_3 U_90 -> P_4 U_90 -> P_5 U_91 -> P_4 U_93 -> P_1 U_93 -> P_3 U_95 -> P_2 U_96 -> P_5 U_97 -> P_2 } </graphviz> {{#widget:iframe |url=https://dreampuf.github.io/GraphvizOnline |width=900 |height=800 }} == Сообщества авторов кода программ == Среди сообществ, авторы которых обмениваются кодом программ, наиболее известен [[GitHub]] с его с возможностью хранить репозиторий проекта и все его изменения. {{#ask: [[GitHub]] | ?Description }} Для открытых проектов, а все бесплатные проекты на GitHub открыты по умолчанию, для любого участника существует возможность создания новой собственной версии репозитория. В этом случае этот участник становится новым хозяином и может развивать проект как собственный. На основании общих, но видоизмененных принципах GitHub, построены и разнообразные репозитории обучающего кода в таких системах совместной деятельности как [[Scratch]], [[Snap!]], [[StarLogo Nova]], [[NetLogo]], и целый ряд других. Основные действия участников: размещение (публикация) кода, создание версий, оценивание, комментирование. Так же как и для [[MediaWiki]] для [[Scratch]] поддерживается [[API]], что позволяет исследователям получать по запросу информацию, в виде [[JSON]] файла, который можно представить в виде схемы при помощи языка [[PlantUML]]. Например, на рисунке представлен результат запроса * https://api.scratch.mit.edu/studios/4902931 [[Файл:Scratch Studio Hakatons.png]] Мы провели сетевой анализ взаимоотношений участников нескольких скретч-студий на основе их действий по публикации и комментированию проектов. Кроме того, что мы можем работать с данными студии о проектах, мы можем работать с данными отдельных участников и устанавливать между ними связи на основании того, кто из них кого отслеживает. == Сообщества авторов документов внутри школьных доменов == В качестве источника данных о действиях учителей в школьной сети можно использовать записи о действиях с документами в доменах Google Apps для образования. В данном примере мы получили их в виде таблицы приблизительно в 90 000 записей. Каждая запись при этом представляет собой информацию о действии, совершенном пользователем (участником, зарегистрированном в домене), по отношению к объекту, хранящемуся в домене, имеющему конкретный идентификационный номер и конкретного автора. При анализе использовались 2 типа действий субъекта: создание и редактирование. На рисунке представлена позиция, которая сложилась на компьютерной карте совместной деятельности внутри школьной информационной системы после 4-х тысяч действий, совершенных участниками. <center> [[Файл:Figure07.png]] </center> == Сообщества авторов сценариев уроков в сетевых репозиториях == В последнем пример представляем совместную деятельность участников московской электронной школы созданию и повторному использованию сценариев уроков. Принципы анализа совместной деятельности внутри этого образовательного репозитория описаны в статье «Незримый колледж МЭШ». Для обработки данных, их визуализации и проведения статистического анализа мы использовали возможности языка [[R]]. В данной статье представлена процедура выделения участников из фракции реципрокного копирования сценариев уроков. Исходно датасет содержал данные о действиях 64 тысяч учителей, которые сотрудничают внутри репозитория цифровых объектов Московской электронной школы. Последовательная фильтрация заключалась в том, что мы выделили тех, кто создавал собственные сценарии, а среди них отобрали тех, кто связан взаимными связями через взаимное копирование учебных сценариев. В результате мы получили граф из 145 отдельных компонентов и из этого графа отобрали только главный компонент. <center> [[Файл:Giant copies.png]] </center> Главный компонент содержит 1174 узла и 17928 связей, а на остальные 144 компоненты приходится всего 378 узлов и 3421 связь. Для того, чтобы объяснить объединение 75 % учителей, копирующих друг у друга сценарии уроков, в составе гигантской компоненты, мы использовали модель формирования команд [[Team Assembly (model)]] внеся в неё изменения, отражающие специфику репозитория московской электронной школы. Во-первых, мы снизили минимальное число участников, необходимое для образования команды с трех до двух, поскольку в [[МЭШ]] часто наблюдаются группы-диады. Во-вторых, мы увеличили время пребывания агента в активном состоянии до того, как он покинет рабочую среду в силу своего возраста. После этих изменений мы поставили эксперимент со следующими условиями, записанными в BehaviorSpace: <syntaxhighlight lang="Logos" line> ["max-downtime" 800] ["team-size" 2] ["p" [10 5 75]] ["q" 52] </syntaxhighlight> === Формирование команд === <netlogo model="TeamAssembly" /> === Формирование гигантской компоненты [[МЭШ]] === <netlogo model="Giant_MESH" /> === SSMN === Данная модель представляет собой агент-ориентированную реализацию концепции мутуалистических социо-семантических сетей, основанную на работе St-Onge et al. (2022) "Socio-semantic networks as mutualistic networks". Модель моделирует взаимодействие между социальными сообществами (учителя) и семантическими объектами (образовательные сценарии) по аналогии с экологическими сетями опыления растений насекомыми. В экологическом контексте пчелы посещают цветы для получения нектара, одновременно опыляя растения. В нашей модели учителя (users) выступают как "посещающие виды" (аналог пчел), образовательные сценарии (balls) - как "посещаемые виды" (аналог растений). Учителя "посещают" сценарии для использования в своей педагогической деятельности, а сценарии получают развитие через повторное использование. <netlogo model="MutualisticNetwork" /> ----

Записать страницу Отменить