sábado, 31 de mayo de 2014

Redes de distancia léxica

Distancia léxico entre las lenguas de Europa

por Teresa Elms

Red de distancia léxica entre las principales lenguas de Europa




Este grafo muestra la distancia léxica - es decir, el grado de divergencia global vocabulario - entre los principales idiomas de Europa.

El tamaño de cada círculo representa el número de hablantes de ese idioma. Los círculos del mismo color pertenecen al mismo grupo lingüístico. Todos los grupos, excepto para ugrofinesa (en amarillo) son a su vez miembros de la familia de lenguas indoeuropeas.

Inglés es un miembro del grupo germánico (azul) dentro de la familia indoeuropea. Pero gracias a 1066, Guillermo de Normandía, y todo eso, alrededor del 75 % del vocabulario moderno Inglés viene del francés y latín (es decir, las lenguas romances, en naranja) en lugar de las fuentes germánicas. Como resultado, Inglés (lengua germánica) y francés (una lengua romance) son en realidad más cerca el uno al otro en términos léxicos que rumano (una lengua romance) y francés.

¿Por qué es Inglés todavía se considera una lengua germánica? Por dos razones. En primer lugar, el más utilizado el 80% de las palabras en inglés provienen de fuentes germánicas , no las fuentes latinas. ¡Esos famosos monosílabos anglosajones viven! En segundo lugar, la sintaxis del Inglés, aunque simplifica mucho desde sus orígenes en inglés antiguo, sigue siendo reconocible germánica. La conquista normanda añadió vocabulario francés a la lengua, y por medio de pidginización podría decirse que quitó algunas gramática germánica, pero no agregó la gramática francesa.

Los datos originales de investigación para el gráfico viene de K. Tyshchenko ( 1999 ), La Metateoría de Lingüística. (Publicado en ruso.)

Etymologykon

jueves, 29 de mayo de 2014

Infografía: Difusión en los medios sociales

6 Mitos del intercambio social (infografía)

Compartir redes sociales botones en sitios web representan menos del 30 por ciento de todo el intercambio y enlaces compartidos el jueves consiguen el compromiso de pico y el tráfico de más larga duración.


Sólo dos de los resultados de un estudio RadiumOne centrado en el comportamiento intercambio Esos son . RadiumOne es una plataforma de publicidad de empresas que opera el intercambio Post-social y plataforma de acortamiento de URL - que naturalmente genera una gran cantidad de datos sobre lo que comparten las personas, cómo se comparten, y qué tipo de intercambio es el más eficaz.

Si bien es apenas un observador desinteresado, RadiumOne dice que los acortadores de URL ofrecen dominios de vanidad como resultado un aumento del volumen de intercambio - un aumento del 25 por ciento - en comparación con acciones simples de la norma, las direcciones URL largas.

Otro dato interesante: Los enlaces compartidos entre semana recibe casi el 50 por ciento más de participación que los enlaces compartidos en el fin de semana. Es evidente que estamos buscando distracciones mientras se trabaja, pero demasiado ocupados con nuestro propio negocio para mirar gatos lindos y fotos divertidas en el fin de semana.

Aquí está toda la información , en forma de infografía:



Venture Beat

martes, 27 de mayo de 2014

Breve intro de Node XL

NodeXL - Accesible Análisis de Grafos de Red parte 1
Esta es la primera entrada del blog de ​​una serie sobre una de las herramientas de análisis gratuitas más impresionantes que se encuentra alrededor - NodeXL .


NodeXL, Qué es NodeXL? NodeXL es un complemento gratuito libre de plantilla para Excel 2007-2013 que es lo que le permite explorar Grafos de Red.
¿Por qué las redes son tan importantes? Debido a que todo está interconectado - cada persona está hablando con otra persona, creando así una red global de las relaciones, cada equipo está conectado a otro ordenador en Internet, y sobre todo - cada átomo tiene una relación con otros átomos - creando así probablemente la red más grande.

 Todo el mundo es seguir hablando de que las redes sociales (como Facebook o Twitter) son algunas de las cosas más importantes que sucedieron desde la creación de Internet, pero todavía es muy difícil obtener un panorama más amplio de lo que sucede en algún tema o evento específico. Usted podría estar interesado en saber que los nodos son los más importantes de la red (que es una misma pregunta muy interesante, ya que la importancia se puede ver desde muchos ángulos diferentes).
Ha sido una tarea muy difícil de averiguar nada sin la participación de una serie de especialistas que estén en condiciones de desarrollar un proceso de ETL conjunto; necesitaríamos una serie de especialistas que desarrollan una solución de visualización para poder mostrar los datos encontrados y para permitir al usuario final para jugar con los resultados.

Difícil y costoso .

Hasta hace un par de años.

Hasta NodeXL .

Creado por la Fundación de Investigación de Medios de Comunicación Social (y más precisamente por Mark Smith, quien pasó varios años en la Investigación de Microsoft), esta gran herramienta gratuita le permite comprender una red dada.

Las visualizaciones de NodeXL 
Si desea crear algunas presentaciones visuales impresionantes que prueben su análisis , lo puede hacer en un par de minutos utilizando NodeXL .

Estar constantemente desarrollado y actualizado, NodeXL soporta un número de diferentes redes de las que permite importar información directamente sin salir del mundo de Excel. Entre las redes apoyadas se encuentran: Twitter, Flickr, Youtube, Facebook (plug-in adicional requerido), Exchange (plug-in adicional), Wikipedia (plug-in adicional) y mucho más. Todo sobre el soporte para el estándar GraphML parece ser una de las característica más importante en el mundo actual de la apertura y la interoperabilidad.

Antes de empezar con las funcionalidades reales de esta herramienta, me gustaría hablar de un sitio web impresionante que contiene cientos (si no miles) de los ejemplos del mundo real de análisis - NodeXL Graph Gallery. Visite este sitio para ver qué se puede hacer y para inspirarse antes de explorar todas las opciones posibles que NodeXL está ofreciendo.

Armado con una actualización automática con el fin de acompañar a todas las redes sociales apoyados cambios en la API, prácticamente no hay cosas que hay que estar haciendo con el fin de mantener la herramienta hasta la fecha.

NodeXL pretende convertirse en la pintura de visualizadores de red y, sinceramente, creo que es en la muy buena manera de cumplir con su misión.

He hecho una serie de presentaciones en este increíble herramientas en Portugal, Arabia Saudita, Ucrania, Alemania, Dinamarca, Escocia, Irlanda y EE.UU. (PASS Summit 2013), y sé que hay suficiente gente de todo el mundo, que están mostrando esta herramienta para amigos y en las comunidades locales PASS, además de presentarlo a los clientes.
¿Por qué estoy haciendo esto? Porque yo soy un creyente en esta herramienta y yo personalmente veo las ventajas que trae a cada uno.

Nikoport

lunes, 26 de mayo de 2014

Similaridad de coseno en blogs

Prediciendo temas centrales en un Blog Corpus desde una Perspectiva de Redes 
Srayan Datta
http://arxiv.org/abs/1405.2386

En centrado en el contenido de Internet de hoy en día, los blogs se están convirtiendo cada vez más popular e importante desde una perspectiva de análisis de datos. De acuerdo a Wikipedia, había más de 156 millones los blogs públicos en Internet a partir de febrero de 2011. Los blogs son un reflejo de nuestra sociedad contemporánea. Los contenidos de las diferentes entradas del blog son importantes desde las perspectivas sociales, psicológicos, económicos y políticos. El descubrimiento de los temas importantes en la blogosfera es un área que todavía necesita mucho explorar. Tratamos de llegar a un procedimiento utilizando medidas probabilístico modelado tema y centralidad de red, que identifica los temas centrales en un corpus blog.

domingo, 25 de mayo de 2014

Grafo de preferencias raciales en un sitio de citas

Las preferencias raciales incómodas reveladas por las citas en línea
Por Ritchie Rey @ RitchieSKing




Los datos que se muestran arriba provienen de la aplicación de citas deFacebook, Are You Interested (AYI) ¿Está usted interesado?, que funciona así: Los usuarios en busca de alguien para una cita o para el sexo volteando a través de los perfiles de otros usuarios y , para cada uno, haga clic en "sí " (Me gusta lo que veo) o "skip" (muéstrame el siguiente perfil). Cuando la respuesta es "sí", el otro usuario es notificado y tiene la oportunidad de responder. Es muy similar a otra aplicación de citas, Tinder.

La figura muestra qué porcentaje de personas que respondieron a un "sí ", basada en el género y el origen étnico de las dos partes (los datos son sólo para parejas de distinto sexo de las personas). Como era de esperar, la mayoría de "sí de" quedan sin respuesta, pero hay patrones: Por ejemplo, las mujeres asiáticas respondieron a los hombres blancos que le dieron "yes" a ellos el 7,8 % de las veces, más a menudo de lo que respondieron a cualquier otra raza. Por otro lado, los hombres blancos respondieron a las mujeres negras 8,5 % de las veces - con menos frecuencia que las mujeres blancas, latinas o asiáticas. En general, los hombres respondieron a las mujeres cerca de tres veces más frecuentemente que las mujeres respondieron a los hombres.

Desafortunadamente los datos revelan ganadores y perdedores. Todos los hombres, excepto los asiáticos prefieren mujeres asiáticas mientras que todos menos las mujeres negras prefiere a los blancos. Y tanto los hombres y mujeres negros consiguieron las tasas de respuesta más bajas para sus respectivos géneros.

Tal vez lo más sorprendente es que los hombres, en todos los grupos raciales prefieren otra raza sobre los suyas.

AYI analizó unos 2,4 millones de interacciones intencionados heterosexuales cada vez que un usuario hace clic en "sí " o "saltar" para llegar a estas estadísticas. Sus usuarios sesgan mayores de Tinder's - alrededor de dos tercios de los usuarios AYI son mayores de 35 años, según un portavoz .

Quartz

viernes, 23 de mayo de 2014

¿Cómo hacer que alguien retweetée tus mensajes?

La Ciencia Secreta de los Retweets
Hay un secreto para persuadir a los extraños que retweeten tus mensajes. Y un algoritmo de aprendizaje automático que lo ha descubierto.

MIT Technology Review



Si envía un tweet con un extraño pedirles que retweet, es probable que no te sorprendas si te ignoran por completo. Pero si usted envía un montón de tweets como este, tal vez algunos podrían llegar a ser transmitidos.

¿Por qué? ¿Qué hace que alguien retweetee la información de un extraño? Esa es la pregunta que se plantea hoy por Kyumin Lee de la Universidad Estatal de Utah en Logan y unos pocos amigos desde el centro de investigación Almaden de IBM en San José.

Estos chicos dicen que mediante el estudio de las características de los usuarios de Twitter, es posible identificar a los extraños que tienen más probabilidades de transmitir su mensaje a otros. Y al hacer esto, los investigadores dicen que han sido capaces de mejorar la tasa de retweeteo de los mensajes enviados por extraños hasta 680 por ciento.

Entonces, ¿cómo lo hacen? La nueva técnica se basa en la idea de que algunas personas son más propensas a tweetear que otros, sobre todo en ciertos temas y en determinados momentos del día. Así que el truco es encontrar a estos individuos y orientarlos cuando es probable que sean más eficaces.

Así que el enfoque era sencillo. La idea es estudiar los individuos en Twitter, examinado sus perfiles y su comportamiento de twitteo del pasado, buscando pistas que podrían ser más propensos a retweetear ciertos tipos de información. Después de haber encontrado a estas personas, envíe sus tweets a ellos.

Esa es la teoría. En la práctica, es un poco más complicado. Lee y coautores querían probar la respuesta de la gente a dos tipos de información: noticias locales (en San Francisco) y tweets acerca de la gripe aviar, un problema importante en el momento de su investigación. Entonces crearon varias cuentas de Twitter con unos cuantos seguidores, específicamente para transmitir este tipo de información.

A continuación, se seleccionan las personas a recibir sus tweets. Para los programas de noticias locales, se buscaron los usuarios de Twitter geolocalizados en el área de la Bahía , la búsqueda de más de 34 mil de ellos y la elección de 1900 de forma aleatoria.

A continuación, un enviaron el mismo mensaje a cada usuario del formato:

"@ SFtargetuser " Un hombre murió y otros tres resultaron heridos en un tiroteo ... http://bit.ly/KOl2sC " Plz RT esta noticias de seguridad"

Así que el tweet incluye el nombre del usuario, un título corto, un enlace a la historia y una solicitud de retweet.

De estas 1.900 personas, 52 retweetearon el mensaje que recibieron. Eso es un 2,8 por ciento.

Para obtener la información de la gripe aviar, Lee y coautores buscaron por personas que ya habían enviado a Twitter noticias acerca de la gripe aviar, buscando sobre 13.000 de ellos y eligiendo 1900 al azar. De éstos, 155 retweetearon el mensaje que recibieron, una tasa de retweet de un 8,4 por ciento.

Pero Lee y coautores encontraron una forma de mejorar significativamente estos tipos de retweet. Volvieron a las listas originales de los usuarios de Twitter y recogieron información pública disponible sobre cada uno de ellos, tales como su perfil personal, el número de seguidores, la gente que los siguió, sus 200 Tweets más recientes y si se retweeteaban el mensaje que había recibido.

A continuación, el equipo utilizó un algoritmo de aprendizaje automático (machine learning) para buscar correlaciones en estos datos que pueden predecir si alguien tenía más probabilidades de retweets. Por ejemplo, se analizó si las personas con cuentas mayores eran más propensos retweet o cómo la relación de amigos a los seguidores influyó en la probabilidad retweet, o incluso cómo los tipos de palabras negativas o positivas que utilizaron en los tweets anteriores mostró ningún enlace. También buscaron en el momento del día en que la gente era más activo en twitteando .

El resultado fue un algoritmo de aprendizaje de máquina capaz de captar usuarios que tenían más probabilidades de hacer retweets en un tema en particular.

Y los resultados muestran que es sorprendentemente eficaz. Cuando el equipo envió tweets de locales de información a las personas identificadas por el algoritmo, el 13,3 por ciento retweetió que, en comparación con sólo el 2,6 por ciento de las personas escogidas al azar.

Y tienen mejores resultados cuando cronometrados petición para que coincida con los períodos en los que la gente había sido más activo en el pasado. En ese caso, la tasa de retweet se elevó a 19,3 por ciento. Eso es una mejora de más del 600 por ciento.

Del mismo modo, la tasa de información de la gripe aviar se elevó de 8,3 por ciento para los usuarios elegidos al azar a un 19,7 por ciento para los usuarios elegido por el algoritmo.

Eso es un resultado importante que los vendedores, los políticos, las organizaciones de noticias se miraba con envidia.

Una pregunta interesante es cómo pueden hacer esta técnica de aplicación más general. Se plantea la posibilidad de una aplicación que permite a cualquier persona para entrar en un tema de interés y que a su vez crea una lista de las personas con más probabilidades de retweet en ese tema en las próximas horas.

Lee y colegas no mencionan ningún plan de este tipo. Pero si no lo explotan, entonces seguramente habrá otros que lo hará.

Ref : arxiv.org/abs/1405.3750 : Who Will Retweet This? Automatically Identifying and Engaging Strangers on Twitter to Spread Information

lunes, 19 de mayo de 2014

Facebook y el ostracismo social

¿Por qué los amigos no dejan a sus amigos de Facebook sin ponerle Me Gusta?
The Huffington Post
por Carina Kolodny


¿Alguna vez ha publicado un estado de Facebook que obtuvo muy pocos o ninguno gustos o comentarios? ¿Se pasó el resto del día la sensación rechazado, solo e infeliz como resultado?

Eso está bien. De hecho, según la ciencia, es totalmente normal.

Investigadores de la Universidad de Queensland en Australia han descubierto que cuanto más Me Gusta y comentarios de Facebook recibe una persona, más probable es que se sientan bien consigo mismos. Por desgracia, parece lo contrario demuestra ser cierto también: Cuantos menos Me Gusta y comentarios su estado recibe, peor en general se va a sentir.

Los hallazgos fueron publicados en la edición de marzo de The Social Influence Journal, una publicación académica revisada por pares.

Para el estudio, "Threats To Belonging On Facebook: Lurking And Ostracism", los investigadores dividieron a 79 estudiantes de pregrado de la Universidad de Queensland en dos grupos. Un grupo de estudiantes se dirigió a publicar un estado de Facebook que los investigadores se aseguraron obtendría cero gustos o comentarios en secreto lo que es invisible para el público. El otro grupo publicó los estados que los investigadores aseguraron que recibiría un superávit de gustos y comentarios.

Luego, los investigadores pidieron a los participantes sobre su sentido de inclusión, pertenencia, autoestima, control, sentido de la existencia con sentido e interés percibido. El grupo que experimentó una mayor interacción Facebook obtuvieron calificaciones más altas en todas las categorías.

No te preocupes: Para asegurarse de que ninguno de los sujetos de la investigación fue a su casa sintiéndose menos estelar, los investigadores dijeron los participantes al final del estudio que los estados que obtuvo cero respuestas fueron realmente programados para ser invisible.

Según el informe, "Esto se hizo para asegurar que los participantes no se salga de la habitación afectada negativamente por el ostracismo que puedan haber experimentado."

La necesidad de las relaciones interpersonales y la validación social está bien documentada. Pero el estudio no se unen a una creciente lista de otros que corroboran la hipótesis de que nuestras necesidades interpersonales nos han seguido desde el mundo real en nuestras vidas digitales.

Al igual que en el aula o sala de juntas, la importancia de la popularidad es muy real en las redes sociales . Así que recuerda : Mientras que los sitios como Facebook nos dan un lugar más para socializar, sino que también proporcionan una plataforma más para sentirse marginado también.

domingo, 18 de mayo de 2014

ARS 101: Algoritmo Kamada-Kawai



Algoritmo de Kamada y Kawai

En su artículo, Kamada y Kawai proponen que, en algunos casos, la reducción del número de cruces de enlaces que posee una grafo no es un buen criterio estético para implementar un algoritmo de diseño de redes. Afirman que el saldo total de la disposición que se relaciona con las características individuales de la grafo es tan importante, o pueden considerarse más importante que la reducción de los cruces de eje en el gráfico dado un escenario particular. Kamada Kawai y calcula el saldo total del grafo, como la suma cuadrada de las diferencias entre la distancia ideal y la distancia real para todos los vértices mediante el cálculo:


por algún par de nodos i y j, donde  es la distancia ideal entre los vértices correspondientes a la ruta más corta entre los vértices, X es el conjunto de coordenadas 2D o 3D y  Kamada Kawai y eligen , donde como Cohen en [4] optó  o 1. Elegir  parece producir el mejor diseño como se evidencia en [ 3,23 ]. Kamada Kawai y utilizan el método de Newton-Raphson [10] para optimizar con respecto a un solo vértice. Al iterativamente realizar la solución para cada vértice se reduce el estrés en general.


Mediante la aproximación y minimizar la tensión en la ecuación [*], el método de Kamada - Kawai conserva el equilibrio total de un grafo, y produce diseños con pequeñas cantidades de los cruces de enlace.


Visualization of the Kamada-Kawai layout algorithm from Computational Legal Studies on Vimeo.

Referencias

Tomihisa Kamada, Satoru Kawai. An Algorithm for Drawing General Undirected Graphs. Information Processing Letters, 31:7-15, 1988.

Monash University

viernes, 16 de mayo de 2014

Sen (2014): Los superdifusores de información en redes

La ciencia emergente de superspreaders (y cómo saber si usted es uno de ellos)
Nadie ha descubierto la manera de detectar los esparcidores más influyentes de información en una red real. Ahora que parece que va a cambiar con consecuencias importantes, sobre todo para los propios superspreaders.




¿Quiénes son los esparcidores de información más influyentes en una red? Esa es una pregunta que los vendedores, los bloggers, los servicios de noticias e incluso los gobiernos les gustaría contestar. Entre otras cosas porque la respuesta podría proporcionar formas de promover productos de forma rápida, para aumentar la popularidad de los partidos políticos por encima de sus rivales y para sembrar la rápida difusión de noticias y opiniones.

Así que no es sorprendente que los teóricos de redes han pasado algún tiempo pensando en la mejor manera de identificar a estas personas y comprobar cómo la información que reciben podría extenderse alrededor de una red. De hecho, se han encontrado una serie de medidas que punto los llamados super difundidores (superspreaders), personas que difunden información, ideas o incluso la enfermedad de manera más eficiente que cualquier otro.

Pero hay un problema. Las redes sociales son tan complejos que los científicos de la red no han sido capaces de poner a prueba sus ideas en el siempre ha sido muy difícil de reconstruir la estructura exacta de las redes de Twitter o Facebook, por ejemplo - que el mundo real. En su lugar, han creado modelos que imitan a las redes reales de ciertas maneras y probado sus ideas sobre estos en su lugar.

Pero hay cada vez más pruebas de que la información no se propaga a través de redes reales de la misma manera como lo hace a través de estos idealizados queridos. La gente tiende a transmitir la información sólo cuando están interesados ​​en un tema y cuando están activos, factores que son difíciles de tener en cuenta en un modelo puramente topológica de una red.

Así que la pregunta de cómo encontrar los superspreaders permanece abierta. Eso parece que va a cambiar gracias a la obra de Sen Pei en la Universidad de Beihang en Pekín y algunos amigos que han realizado el primer estudio de superspreaders en redes reales.

Estos muchachos han estudiado la forma en los flujos de información en torno a las diversas redes que van desde la red de blogs Livejournal a la red de la publicación científica en la Sociedad Americana de Física de, así como en los subgrupos de las redes de Twitter y Facebook. Y han descubierto que el indicador clave que identifica superspreaders en estas redes.

En el pasado, los científicos de la red han desarrollado una serie de pruebas de matemáticas para medir la influencia que tienen los individuos sobre la difusión de información a través de una red. Por ejemplo, una medida es simplemente el número de conexiones de una persona tiene a otras personas en la red, una propiedad conocida como su grado. La idea es que las personas más altamente conectados son los mejores en la difusión de información.

Otra medida utiliza el famoso algoritmo PageRank que Google desarrolló para el ranking de páginas web. Esto funciona mediante la clasificación de alguien más altamente si están conectados a otras personas de alto rango.

Luego está "centralidad de intermediación", una medida de la cantidad de los caminos más cortos a través de una red de pasar a través de un individuo específico. La idea es que estas personas son más capaces de inyectar información en la red.

Y, finalmente, es una propiedad de los nodos de una red conocida como su k-núcleo. Esto se determina mediante la poda de forma iterativa las periferias de una red para ver lo que queda. El k-núcleo es el paso en el que dicho nodo o persona está podados desde la red. Obviamente, los más conectados sobrevivir a este proceso, el más largo y tener la puntuación más alta de k-núcleo.

La pregunta que Sen y colegas dispuso a contestar era cuál de estas medidas mejor escogidos fuera superspreaders de información en las redes reales.

Comenzaron con LiveJournal, una red de blogs en ​​los que los individuos mantienen listas de amigos que representan vínculos sociales con otros usuarios de LiveJournal. Esta red permite a la gente a volver a publicar la información de otros blogs y utilizar una referencia de los enlaces de vuelta al post original. Esto permite que Sen y co para recrear no sólo la red de vínculos sociales entre los usuarios de LiveJournal, sino también la forma en que la información se transmite entre ellos.

Sen y colegas recogen todas las entradas del blog de ​​febrero 2010 a noviembre 2011, un total de más de 56 millones entradas. De ellos, unos 600.000 contienen enlaces a otros mensajes publicados por los usuarios de LiveJournal.

Los datos revelan dos importantes propiedades de difusión de la información. En primer lugar, sólo unos 250.000 usuarios participan activamente en la difusión de información. Esa es una pequeña fracción del total.

Más importante aún, se encontraron con que la información no siempre se difunden a través de la red social. El encontró que la información podría extenderse entre dos usuarios de LiveJournal a pesar de que no tienen ninguna relación social.

Eso es probablemente porque encuentran esta información fuera del ecosistema LiveJournal, quizás a través de búsquedas en la web o/a través de otras redes. "Sólo 31,93 % de los puestos de propagación se puede atribuir a los vínculos sociales observables", dicen.

Eso está en marcado contraste con los supuestos detrás de muchos modelos de red social. Estos simulan la forma en los flujos de información, asumiendo que viaja directamente a través de la red de una persona a otra, como una enfermedad que se transmite por contacto físico.

El trabajo de Sen y colegas sugiere que las influencias fuera de la red son cruciales también. En la práctica, la información a menudo se extiende a través de varias fuentes aparentemente independientes dentro de la red al mismo tiempo. Esto tiene importantes implicaciones para la forma en superspreaders se pueden observar.

Sen y compañía dicen que una persona grados -el número de otras personas que él o ella están conectados no- es un buen predictor de la difusión de la información como los teóricos han pensado. "Nos parece que el grado de que el usuario no es un indicador confiable de influencia en todas las circunstancias", dicen.

Lo que es más, el algoritmo PageRank es a menudo ineficaz en este tipo de red también. "Contrariamente a la creencia común, aunque PageRank es eficaz en el ranking de páginas web, hay muchas situaciones en las que no puede localizar superspreaders de información en la realidad", dicen.

Por el contrario, la propiedad del k-núcleo es relativamente bueno en encontrar superspreaders. "Nos encontramos constantemente que los mejores esparcidores están situados en el k-núcleo", dicen.

Lo que es interesante aquí es que Sen y colegas encontraron resultados similares cuando examinaron la red de divulgación científica en revistas de la Sociedad Americana de Física, así como en los subgrupos de las redes en Twitter y Facebook. Los usuarios de estas redes diferentes mostraron el mismo comportamiento de difusión de información.

Pero antes de que la conclusión de que el problema de encontrar superspreaders está ahora resuelto, hay un factor adicional que debe tenerse en cuenta. La medida k-núcleo es una propiedad global de la red sólo puede ser calculada teniendo en cuenta la estructura de toda la red.

Eso no es muy conveniente cuando se trata de grandes redes, como Facebook y Twitter, que son también los más valiosos para los vendedores, políticos, etc.

Así Sen y colegas han desarrollado todavía otra medida de la influencia que funciona casi tan bien como la medida k-núcleo, pero es mucho más fácil de calcular en el uso de subconjuntos de toda la red.

Su método consiste en sumar los grados de los vecinos más cercanos de una persona y decir que esto es casi tan bueno como la puntuación de k-núcleo para predecir superspreaders.

En otras palabras, tomar cada uno de sus amigos más cercanos, cuente el número de conexiones que tienen y luego añadir a todos ellos juntos. Si sus amigos más cercanos están altamente conectadas, lo más probable es que usted es un superspreader.

Si es así, hay algunas personas que les gustaría llegar a conocerte mejor -vendedores, políticos, gobiernos, etc. Con superspreaders ser tan valiosas materias primas, lo que será interesante ver cómo evoluciona el mercado para ellos y sus servicios.

Ref:  arxiv.org/abs/1405.1790 : Searching For Superspreaders Of Information In Real-World Social Media

MIT Technology Review

martes, 13 de mayo de 2014

Facebook libera a mujeres islámicas en Irán

Mujeres iraníes se quitan el velo islámico en Facebook

Mujeres iraníes se quitan el velo islámico en Facebook Créditos: EFELa web llamada ´La libertad cautelosa de las mujeres en Irán´ ya contiene decenas de fotos de mujeres iraníes con el cabello suelto y sin el velo islámico de uso obligatorio.



Decenas de mujeres iraníes han colgado en una página de Facebook su foto al aire libre y sin el velo islámico, de uso obligado en el país, en una campaña en la que exigen libertad para elegir su atuendo.

En sus primeros cuatro días de vida la página ha recibido más de 30.000 "me gusta" y es sujeto de miles de conversaciones en la red social.

"La libertad cautelosa de las mujeres en Irán", se llama la web (en farsi), con el subtítulo "Disfruta del viento en tu pelo" y la matización en su portada de que no está afiliada a ningún grupo político.

"Esta página expresa las preocupaciones de las mujeres de Irán", dice la presentación de la web anónima, que explica que "todas las chicas y mujeres iraníes están atrapadas en el lugar donde nacieron por limitaciones sociales y reglamentos que las impiden ser libres en la elección de su vestimenta".

Algunas de las protagonistas de las imágenes posan con gafas oscuras o en posiciones con las que no se las pueda reconocer, pero son muchas también las que dan la cara y se quitan el velo en lugares públicos claramente iraníes para recoger y difundir ese instante de libertad.

La página fue abierta por la periodista y escritora iraní Masih Alineyad, exiliada en Londres y conocida crítica del régimen iraní.

Los comentarios son, hasta ahora, mayoritariamente positivos, con muchas mujeres destacando su añoranza por la pequeña felicidad de dejar que el aire les acaricie el cabello.

"Qué bello que tu pelo pueda bailar en el aire", dice una joven.

La mayoría de varones que comentan también apoyan las imágenes y, los que no lo hacen, reciben su rapapolvo.

La página de Facebook ha recibido rápidamente críticas de los sectores más conservadores.

La agencia de noticias Fars, cercana a los Guardianes de la Revolución, publicaba en la víspera un artículo en el que tachaba a Alinejad de "anti-revolucionaria que escapó con ayuda de los británicos y colabora con medios anti-iraníes" y aseguró que la página que ha abierto en Facebook llama a las mujeres "a quitarse el hiyab en Irán" con el fin de "fomentar la cultura de no respetar nada".

EFE
RPP

lunes, 12 de mayo de 2014

Redes de calles londinenses en la Historia

Visualizando la evolución de Londres desde la época romana hasta la actualidad
JENNY XIEMAY

Una nueva animación del centro de Bartlett de la Universidad College de Londres para el Análisis Espacial Avanzado ilustra cómo Londres ha cambiado desde la época romana hasta nuestros días.

La extracción de miles de registros georeferenciados, "Animación de la Evolución de Londres" clasifica la información por periodos, con nuevos segmentos de carretera a aparecer en gris y "edificios y estructuras legalmente protegidas" a aparecer en amarillo.

Algunas capturas de pantalla a continuación destacan el desarrollo de la red vial durante unos épocas específicas. Se quedan por el vídeo de 7 minutos y obtendrá una apreciación más profunda por mucho tiempo, la larga historia de la ciudad.








The Atlantic

domingo, 11 de mayo de 2014

ARS 101: Redes sociales en italiano

La web de la amistad
Por Alessandro Zonin
Social Network Analysis

La web de la amistad, tal vez este iba a ser el título de la charla que di el pasado 23 de febrero en Verona. Verona fue el primer evento TEDx Verona en la ciudad de Verona, donde nací y vivo actualmente en Milán después de un paréntesis importante.

Mi charla estaba diciendo la metodología del Análisis de Redes Sociales de sus raíces históricas y sus aplicaciones modernas .

En los 10 minutos que he disfrutado de una breve revisión de la historia de la disciplina a partir de sus orígenes matemáticos, citando a Euler y la teoría de grafos, mediante el sociograma de Jacob Levi Moreno, hasta las aplicaciones modernas a los datos de sociales red ; datos que generamos a diario de una manera espontánea, interactuar con nuestros amigos y con nuestros contactos digitales.


TEDx Verona Social Network Analysis Zonin Facebook Twitter

La charla terminó mostrando una aplicación para el mundo de la enseñanza de las ciencias , que describe una experiencia de participación de profesores y estudiantes en un jardín de infantes .

Bueno, lo que particularmente impresionó al público y ha sido repetidamente tomado en las redes sociales fue sólo el último paso; cuando les dije cómo los alumnos de una guardería han sido capaces de representar a la red de sus amigos (sólo la web) utilizando una valla y un ovillo de hilo, que se pasó de mano en mano hasta que cubra todas las relaciones de amistad entre la las personas presentes; la manera del sociograma Moreno, pero dejando a los jugadores la libertad para actuar con independencia de sus lazos de amistad.


TEDx Verona Social Network Analysis zonin Ciencias de la Educación

Para aquellos que deseen aprender aquí está el video completo (10 minutos) de mi charla y seguir los enlaces a las otras intervenciones del día (lo recomiendo).

sábado, 10 de mayo de 2014

Usando ARS para un programa de liderazgo

¿Cómo un Análisis de Redes Sociales (ARS ) puede ayudar a los programas de desarrollo de liderazgo?
Enviado por Deborah Meehan


En los últimos meses la comunidad de aprendizaje del liderazgo ha tenido la oportunidad de colaborar con la Fundación de Salud de occidental y central de Nueva York para llevar a cabo un análisis de redes sociales de su red de graduados Health Leadership Fellows Program. Dado que muchos programas de liderazgo podrían beneficiarse de un ARS, queríamos compartir ejemplos sobre cómo el HLFP será capaz de utilizar los mapas de redes sociales:

  1. El ARS se complementan una evaluación, proporcionando una representación visual de las formas en que las relaciones cultivadas a través del programa continúan como fuente de aprendizaje entre iguales, el apoyo mutuo y la colaboración que están tratando de producir mejores resultados de salud.
  2. El ARS proporcionará la red con una mejor comprensión de sus fortalezas y oportunidades para la activación de aprendizaje y acción.

Acerca del programa: El objetivo del programa de Liderazgo en Salud Fellows ( HLF) es ampliar una red de líderes cualificados que aprender a conducir en colaboración, tanto dentro como fuera de sus organizaciones y convertirse en defensores de una mejor prestación de atención de salud, especialmente para las personas mayores y niños de las comunidades de la pobreza. El programa se graduó 99 Salud Liderazgo Fellows en sus primeros 3 cohortes, actualmente está operando su cuarta cohorte de 40 becarios y pronto lanzará una quinta cohorte. La colaboración es un sello distintivo del programa y un SNA puede ser particularmente eficaz en la creación de una imagen de la magnitud de la colaboración en red.
Acerca de Análisis de Redes Sociales: Un Análisis de Redes Sociales es una forma de representar visualmente y medir las relaciones sociales dentro de una red. De acuerdo a junio de Holley en su libro "The Network Weaver Handbook" Las redes son conjuntos de relaciones y los patrones que crean. Estos patrones influyen en la calidad de la comunicación y la posibilidad de la colaboración y la innovación. Mapas revelan los patrones de relación y sus consecuencias " .

Cómo nos fuimos sobre el proyecto: LLC contrató a Ken Vance Borland, Director Ejecutivo del Instituto de Planificación para la Conservación debido a su experiencia con el software SNA y la cartografía. También entiende el 'y qué' de la producción de mapas, que es ayudar a la gente en la red aprenden a utilizar la información contenida en los mapas para hacer su red más fuerte. Juntos hemos desarrollado una encuesta que salió a las cuatro primeras cohortes. Un grupo consultivo de los Health Leadership Fellows puso a prueba la encuesta, nos dio comentarios sobre las preguntas y ayudó a movilizar a otros compañeros de su cohorte para completar la encuesta.

Los becarios que tomaron la encuesta se proporcionaron los nombres de todos los que tomaron la encuesta y se les pidió para comprobar nombres de otros compañeros con los que habían desarrollado una nueva relación, los recursos y la información compartida y colaborado en proyectos relacionados con la salud . Además , los encuestados se les pidió una serie de preguntas demográficas acerca de donde trabajaban , su cohorte , los temas se centraron en su trabajo y sus profesiones. Estas preguntas hicieron posible no sólo para producir mapas de que estaba colaborando sino ver también cómo las personas se conectan a través de sus regiones o sus cohortes. Para obtener datos buenos y confiables de un SNA es importante tener por lo menos un índice de participación del 75%. El programa de Health Leadership Fellows tiene una impresionante tasa de respuesta del 89%.

La lectura de mapas de red:

En los mapas de la red debajo de los puntos de colores son los nodos que representan semejantes. Como explica la clave, los diferentes colores te dicen si fueran compañeros en cohortes 1, 2, 3, o 4. Los nodos también se puede utilizar para representar a las organizaciones o ideas. Las líneas entre los nodos son un enlace que conecta los dos compañeros y en este caso indican que una relación beneficiosa se ​​ha desarrollado entre esos tipos, por ejemplo. Están compartiendo información o colaborar. Usted puede ver que los becarios de la misma cohorte tienden a ser conectados más de cerca , esto se llama un clúster. Sin embargo, existe un buen nivel de conectividad entre los diferentes clúster que indica que los becarios se forman los grupos 2 y 3 se conectan a las otras cohortes en su trabajo.



La densidad de líneas en el medio del mapa de arriba muestra un fuerte núcleo de personas que se conectan y se comunican regularmente. También hay un número de nodos en la periferia de este núcleo que indican que se trata de tipos que pueden tener conexiones con otras redes y ser capaces de aportar nuevos recursos e ideas a la red. Desde un punto de la red soporte teoría esto es una red fuerte. Desde el punto de vista de evaluación de los mapas nos dice que los becarios de las cohortes anteriores están bien conectados y colaborar.

Uso de Mapas para fortalecer una red :

Los dos mapas siguientes son especialmente útiles para los tejedores de la red. El programa de Health Leadership Fellows tiene una organización para ayudar a apoyar la red de los becarios, la Fellows Action Network (FAN). El ventilador puede utilizar el mapa en un número de maneras. Los nodos por debajo indicar qué compañeros tienen el deseo de iniciar una nueva colaboración con un compañero en particular en el futuro. Los nombres se han eliminado de este mapa para su uso en el artículo de boletín de noticias . Sin embargo, los mapas originales tienen los nombres unidos a cada modo. Como te ves en este mapa y ver que Joe le gustaría colaborativa con Sally puedes buscar oportunidades para hacer esas introducción y el soporte de nuevas colaboraciones. Por ejemplo , es posible ver en un mapa que Terry ya está colaborando tanto con Joe y Sally y pedir Terry para ayudar a hacer la introducción. Todos los becarios puede mirar estos mapas y encontrar gente que quiere trabajar con ellos.



Otra manera de ayudar a tejer la red es identificar intereses específicos y habilidades establecidas y compañeros que comparten el mismo interés o están en busca de esos conjuntos de habilidades. Por ejemplo, en los mapas las personas que están interesadas en aprender más sobre la promoción y la labor normativa se indican mediante nodos verdes y los que tienen habilidades políticas y estaría dispuesto a enseñar a los demás están indicadas por los nodos azules. A continuación se presentan cuatro ejemplos en los que esta red es muchas ganas de aprender y compartir conocimientos para aumentar la capacidad de los participantes de la red en una serie de áreas críticas.



¿Te gustaría participar en un SNA ? Ken Vance - Borland será el anfitrión de una sesión en Creating Space de este año. Todos los participantes del CS XI recibirán una encuesta para completar esa será nombrar a todos los participantes. Durante CS Ken va a crear mapas que podemos utilizar para entendernos a nosotros mismos como una red y buscar oportunidades para incrementar nuestro aprendizaje y la colaboración.

Leadership Learning Community

sábado, 3 de mayo de 2014

¿Qué se siente ser eliminado de FB?

¿Qué piensa la gente cuando la eliminas de Facebook?
Por: Karelia Vázquez | 28 de abril de 2014


© Gloria Rodríguez
Hacer enemigos es una práctica que algunos practican con gracia y soltura. Para dominar su técnica se debe contar con la combinación apropiada de impulsividad, sangre fría e irresponsabilidad. Así había sido hasta  la creación de Facebook que nos trajo de vuelta a "amigos" que creíamos alejados de nuestra vida para siempre y nos hizo (sobre todo en su primera fase de eufórica ceguera) aceptar en nuestro círculo a compañeros de trabajo, conocidos y vecinos con los que jamás hubiéramos intimado en la vida real.
Entonces llegó también la necesidad de adiestrarse en el arte de deshacerse de tanto amigo repentino. Damos gracias a Marck Zuckerberg que nos lo puso más fácil que en la vida analógica. Aquí no hay que dar la cara y un botón (Unfriend) se encarga del trabajo sucio. A estas alturas se considera una rara avis, una especie en vías de extinción digna de ser exhibida en las universidades, el usuario de Facebook que no se haya beneficiado de las prestaciones del Unfriend y haya continuado con su vida como si nada hubiera pasado.
Ahora, cuando ya somos veteranos en estas lides y se anuncia día sí y día también el anquilosamiento de Facebook (a pesar de que acaba de anunciar que en el primer trimestre de 2014 sus beneficios han crecido un 20% respecto a 2013) dos estudios de la Universidad de Colorado* examinan las fuerzas psicológicas que se esconden detrás de la práctica de borrar amigos en Facebook, y además, investiga qué sienten los damnificados.
Hay que decir que los resultados se consiguieron a través de una encuesta vía Twitter a 1077 adultos. Es decir, que quizás no estemos ante el cuestionario mejor diseñado y tengamos que tomarnos estos resultados con reserva.
Dicho esto, y citando los hallazgos del estudio, los conocidos de la época del instituto son los que tienen más riesgo de ser expulsados de la lista, seguidos por los amigos de amigos, los compañeros de trabajo, y las personas a las que nos une algún interés común (por ejemplo, el gusto por la cerámica o la gastronomía).
Según explica en una nota de prensa Christopher Sibona, coautor del estudio, la razón más frecuente para eliminar a un amigo de Facebook es que publica posts con posturas políticas o religiosas divergentes radicalmente a las nuestras (solo nos gusta que nos digan lo que queremos oir). "Como lo más probable es que tengamos más diferencias con los amigos de la adolescencia que con aquellos que hemos elegido de adultos, esos son los primeros que se purgan".
"Los amigos del instituto no suelen estar al corriente de la evolución de nuestras creencias políticas o religiosas, y puede resultar fácil que se generen discusiones. Y algo propio de los conflictos on line es que escalan y se multiplican mucho más de prisa que en la vida real", razona el coautor en una nota de prensa.
El otro pecado para ser víctima de un Unfriend es publicar estados "poco interesantes".
Mientras estos amigos son eliminados por la naturaleza de sus publicaciones, los compañeros de trabajo caen por cosas que han hecho en la vida real, no por su comportamiento en la red social. "A la  gente del trabajo se le borra por hechos que no tienen que ver con su comportamiento en Facebook sino por acontecimientos del mundo real", explica Sibona. En Facebook solo tiene lugar el pase de cuentas.
¿Y qué sienten los expulsados del Paraíso? Lo primero que tiene que pasar es que lo noten, y eso dependerá de cuán activos sean en la red social y de cuánto contacto hayan mantenido con la persona que los liquida. Pero una vez que están informados, ambos estudios hablan de “efectos secundarios emocionales de la pérdida de una amistad” (virtual) y describen cuatro estados. A saber: sorprendido, molesto/preocupado; divertido/despreocupado; y triste.
El factor que determina el impacto del agravio es cuán cercana fuera la relación en el momento en que el sujeto en cuestión es eliminado de Facebook. "Cuando se trata de un buen amigo, o de alguien muy cercano, las emociones suelen ser la tristeza y la incomodidad con la nueva situación”.
Según el segundo de los estudios hay dos cuestiones que marcan cuánto va a doler el Unfriend al afectado. Uno es como era de esperarse la cercanía que tuviera con quien lo saca de la lista, y la segunda es el control que tenga sobre su lista de amigos y la frecuencia con que la suela monitorizar.
Otros dos factores predicen si el Unfriend va a impactar menos y si el individuo lo va a encajar mejor. A saber: si el acontecimiento es esperado en alguna medida porque se ha hablado con otros amigos, o si ha habido un anuncio previo de la persona que ha decidido enemistarse. En este caso el sentimiento que se describe esta muy cercano al alivio. Si va a pasar, cuanto antes mejor.
Según la investigación, el Unfriend es más frecuente entre personas que han sido amigos o han tenido una relación cercana que entre los conocidos. "A pesar de la preponderancia de los vínculos débiles en las redes sociales, nuestros hallazgos permiten colocar al Unfriend como uno de los actos definitivos que marcan la disolución de una relación, con consecuencias en el mundo real", dice el estudio.
Tiene razón Sibona cuando dice que el coste de mantener "un amigo" en Facebook es muy bajo. No hay que hacer nada, basta con dejarlo estar. "Tomarse el trabajo de buscar el botón de Unfriend y pulsarlo supone hacer un esfuerzo consciente por quitarse a alguien del medio. Y eso duele".
Si quiere poner un poco más de angustia en su existencia, aquí le dejamos la aplicación Unfriender Finder que monitoriza en tiempo real a sus contacto. Gracias a ella podrá detectar inmediatamente quién le ha dado la patada en Facebook.
* Ambos estudios fueron publicados en 2014 durante la 47 Conferencia Internacional de Hawaii de System Sciences.

El País

viernes, 2 de mayo de 2014

Detección de comunidades: Algoritmo Girvan-Newman

Algoritmo de Girvan - Newman


El algoritmo de Girvan -Newman (el nombre de Michelle Girvan y Mark Newman ) es un método jerárquico utilizado para detectar las comunidades en sistemas complejos. [1]



Intermediación  de enlaces y estructura de la comunidad 

El algoritmo de Girvan -Newman detecta comunidades eliminando progresivamente los enlaces de la red original. Los componentes conectados de la red que queda son las comunidades. En lugar de tratar de construir una medida que nos indica que los enlaces son los más importantes para las comunidades, el algoritmo de Girvan -Newman se centra en los enlaces que son más probable " entre " comunidades.

La intermediación de vértices se ha estudiado en el pasado como una medida de la centralidad y la influencia de los nodos en las redes. Para cualquier nodo i, intermediación vértice se define como el número de caminos más cortos entre pares de nodos que se ejecutan a través de él. Es una medida de la influencia de un nodo sobre el flujo de información entre otros nodos, especialmente en los casos donde el flujo de información a través de una red sigue principalmente el camino más corto disponible. El algoritmo de Girvan - Newman extiende esta definición para el caso de enlaces, la definición de la " intermediación enlace " de un enlace como el número de caminos más cortos entre pares de nodos que se ejecutan a lo largo de ella. Si hay más de una ruta más corta entre un par de nodos, cada ruta se le asigna el mismo peso tal que el peso total de todos los caminos es igual a la unidad. Si una red contiene las comunidades o grupos que están sólo vagamente conectados por unos enlaces entre grupos, entonces todos los caminos más cortos entre las diferentes comunidades deben pasar por una de estas pocas aristas. Por lo tanto, los enlaces de conexión comunidades tendrán alta intermediación enlace (al menos uno de ellos). Mediante la eliminación de estos enlaces, los grupos están separados uno de otro y por lo que la estructura de la comunidad subyacente de la red se revela.

Los pasos del algoritmo para la detección de la comunidad se resumen a continuación


  1. La intermediación de todos los enlaces existentes en la red se calcula primero.
  2. Se elimina el enlace con la más alta intermediación.
  3. La intermediación de todos los enlaces afectados por la eliminación se vuelve a calcular.
  4. Pasos 2 y 3 se repiten hasta que no hay quedan enlaces.

El hecho de que los únicos betweennesses siendo recalculados son sólo los que se ven afectados por la eliminación, puede disminuir el tiempo de ejecución del proceso de simulación ' en las computadoras. Sin embargo, la centralidad de intermediación debe ser recalculado con cada paso, o se producen errores graves. La razón es que la red se adapta a las nuevas condiciones establecidas después de la eliminación enlace. Por ejemplo, si dos comunidades están conectados por más de un enlace, entonces no hay garantía de que todos estos enlaces tendrán alta intermediación. De acuerdo con el método, sabemos que al menos una de ellas tendrá, pero nada más que lo que se sabe. Por recalcular betweennesses después de la eliminación de cada enlace, se asegura que al menos uno de los enlaces restantes entre dos comunidades siempre tendrá un valor alto.

El resultado final del algoritmo de Girvan - Newman es un dendrograma. Cuando se ejecuta el algoritmo de Girvan - Newman, el dendrograma se produce a partir de la parte superior hacia abajo ( es decir, la red se divide en diferentes comunidades con la eliminación sucesiva de enlaces). Las hojas de la dendrograma son nodos individuales.

Referencia

1. Girvan M. and Newman M. E. J., Community structure in social and biological networks, Proc. Natl. Acad. Sci. USA 99, 7821–7826 (2002)

Wikipedia

jueves, 1 de mayo de 2014

Smith: "Tomar una foto de un hashtag.... eso hace NodeXL"

Marc Smith habla en TNW sobre como mapear y medir comunidades online

Ahora vivimos en un mar de tweets, mensajes, blogs y actualizaciones que vienen de una fracción significativa de las personas en el mundo conectado. Nuestras relaciones personales y profesionales ahora se hacen la mayor cantidad de textos, correos electrónicos, llamadas telefónicas, fotos, vídeos, documentos, diapositivas, y el juego como por las interacciones cara a cara. Los medios sociales pueden ser un flujo desconcertante de los comentarios, una manguera de incendios de enormes proporciones del contenido. Con mejores herramientas y algunos conceptos claves de las ciencias sociales, el enjambre de medios sociales de favoritos, comentarios, etiquetas, gustos, clasificaciones y enlaces se pueden poner en un foco más claro para revelar las personas clave, temas y sub-comunidades. A medida que más interacciones sociales se mueven a través de los datos legibles por máquina establece nuevos puntos de vista y las ilustraciones de las relaciones y organizaciones humanas convertido en posible. Pero las nuevas formas de datos requieren nuevas herramientas para recopilar, analizar y comunicar ideas.

Una nueva organización, la Fundación de Investigación de Medios de Comunicación Social (http://www.smrfoundation.org), se ha formado para desarrollar herramientas abiertas y conjuntos de datos abiertos, y para fomentar la beca abierta relacionada con los medios de comunicación social. El enfoque actual de la Fundación es la creación y herramientas que permiten el análisis de redes sociales los medios de comunicación y la visualización de los servicios más utilizados, como email editorial, Twitter, Facebook, Flickr, YouTube y la WWW.