前言：中文期刊网精心挑选了网络分析范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
网络分析范文1
依据当今社会人们普遍的生活方式，提出“碎片化”的概念。在碎片化背景下，移动网络信息技术的迅速发展催生出“碎片化”应用。以某大学本科班级的全体学生为例，利用社会网络分析从结构性,因素性,关联性三个方面探究碎片化时代下群体之间的人际关系，结果显示碎片化时代群体重聚现象显著。
［关键词］
碎片化；社会网络分析；人际关系；重聚；群体
1引言
随着社会的进步，高新技术产业的发展，人们的生活水平不断提高，生活节奏也在日益加快，空间移动与转换频率的增加使得人们有限的时间被划分的越来越细，呈现“碎片化”的特点［1］。移动互联的的兴起让生活变得愈加便捷，“碎片化”应用充实了碎片化时间，即便在不同的时间点、不同的位置，群体间依旧可以相互联系得以重聚。因此研究了碎片化时间与“碎片化”应用相结合，群体之间人际关系的变化。大学生是当代活跃度较高，创新意识较强的群体，本文旨在通过大学生这个典型群体从结构性、因素性、关联性三个方面得出普遍规律。
2碎片化时代的概述
“碎片化”起初出现在20世纪80年代的“后现代主义”的学术研究中，原意为完整的事物被分成零碎的部分。近年来，“碎片化”作为一个新兴词汇在不同的领域的被赋予不同的涵义，在移动互联时代背景下，“碎片化”时间指的是移动化的“等候时间”，包括上／下班途中，出差途中等一些分散的时间。“碎片化”应用是人们在零碎时间内消费时间使用的一种移动应用程序，用户可以在任何位置，状态下进行。“碎片化”应用使用时间是碎片化的，短则一分钟，长则半个小时，应用种类是多样的，“碎片化”应用凭借其良好的体验逐渐渗透在我们的日常生活中［2］。碎片化下的重聚指群体利用应用软件进行交流沟通重新相聚相识的过程。重聚包括两个方面，一是相同群体之间互动性增强，另一方面主要指传统意义上的不同群体按照兴趣，价值观，生活方式等共同的行为方式重新聚集起来。
3社会网络分析研究基础及现状
3．1社会网络分析简介社会网络分析是一种社会学的研究方法，核心概念就是研究人与人之间的关系。随着社交媒体的出现，收集和获取网络数据更加便利，社会网络分析逐渐受到公众和学界的青睐［3］。社会网络数据基本测量包括密度、中心度等。密度是度量客体之间互相联络程度的重要指标，网络密度越大则关系越密切，点度中心度是考察各个节点的相对中心度，即与该点有关系的点的数目。中心度研究集中在各个节点，而中心势考察的是一个整体的内聚性，即整体中心化的程度［4］。
3．2社会网络分析有关人际关系的研究社会网络分析在人际关系的研究主要分为结构性，关联性，因素性三个方面。人际关系网络的结构性主要体现在依据不同的属性划分出不同结构的人际关系，是最基本的关系网络，为进一步量化提供数据及依据，包括情感网、咨询网、情报网、信任网等。Milgram的“六度联结的小世界”充分说明了人际关系的关联性，通过计算平均距离即人们通过多少个中间人建立联系，进而说明人际关系的关联性。人际关系的因素性是研究影响人际关系网络形成的因素，这些因素具有普遍意义［5］。
4碎片化应用对群体影响的研究设计
［6］4．1研究内容本文研究碎片化时代下大学生人际关系的变化，按大学生在关系网络中的结构主要分为情感网和情报网，情感网表现在个体与他人的亲密程度，包括聊天，学习，旅游，休闲娱乐等，情报网主要研究个人获取他人信息时构成的人际关系网络。碎片化时代下，应用涉及生活各个方面，现实的生活需求都会间接转化为应用呈现给群众，现实与虚拟已在无形中产生一种对应关系，通过社会网络分析方法对大学生人际关系结构性进行前后对比，利用数据对人际关系网络的关联性与因素性进行探究，最终验证重聚现象。
4．2研究对象本文选取本专业全体28名同学为研究对象，主要的原因包括：（1）大学是学生步入社会的过渡阶段，这个阶段的群体具有双重特征；（2）大学生是青春与理想兼并的一代，对于信息技术及新鲜事物有较高的兴趣；（3）班级全体同学因为性格等方面不同呈现的人际交往关系具有普遍性。
4．3数据收集与处理
4．3．1情感网数据收集与处理本文数据的收集主要是通过观察、访谈以及材料分析，首先通过微信与班级中的全体同学建立联系，根据日常生活班级人际关系的观察，一对一进行针对性的提问，问题主要基于“碎片化”应用的背景，在现实生活中，与应用相对应的一系列互动包括某人自愿主动性的和某同学去图书馆学习，逛街，看电影，享受美食及旅行等，根据班级全体同学的回答建立28×28矩阵。其次基于碎片化时代下应用的普遍，研究班级同学使用相同休闲娱乐类应用的情况，本研究以手机游戏为例，通过3个微信游戏将全体同学联系在一起，同样建立28×28矩阵，与上一个矩阵进行对比分析。
4．3．2情报网数据收集与处理本文情报网的研究不再局限于班级内部的人际关系，更多探究班级个体与社会之间的关系。主要是从全体同学的角度，班级中的每个个体都可以通过微博这个平台获取自己关注的信息，构成一个人际关系网络，把班级全体同学看成一个相同的社会群体，班级同学所共同关注的对象构成另一群体，实则是研究不同群体在碎片化时代下所呈现的状态，群体内部之间的关系我们在这里不研究。这项数据的收集是通过微博的微关系对班级全体同学关注的对象进行汇总，最初的数目庞大，分析生成的社群图过于复杂，难以发现其规律，于是不断求平均值从最初的100多缩减到20个个体，这20个被关注者至少有7个研究对象关注，具有很强的代表性。
5研究结果分析与讨论
5．1情感网人际网络关系图1表示现实生活中班级同学彼此存在非组织共同活动（唱歌，看电影，逛街）的关系，有两名同学社交关系十分薄弱暂不考虑，此社群图实际是26个样本。从整体角度分析，图一的网络密度为0．1749，该数值较低，说明大学同学共同活动更多以寝室为单位，与其他同学交流互动的机会甚少，存在小群体现象。节点之间的平均距离为2．645，即任意两个人进行沟通平均需要2个人作为媒介，个体之间关联性较弱，同学之间的互动频率低。图2则表示通过碎片化时代下的应用班级同学所形成的密切关系。班级中有4名同学不玩此类游戏，因此样本总数为24。图2的网络密度为0．933，该数值明显高于图1，则表明在碎片化应用的条件下使群体重聚的现象十分显著，同学们互动频率加快，形成了一种密不可分的关系链；节点的平均距离为1．067，任意两个人都存在沟通的机会，每个同学之间都建立了一条交流通道，大学生人际关系网络关联性增强。通过社群图图2，图2的对比分析，可以清晰看出碎片化时代下大学生群体明显的重聚现象。碎片化时代下的应用加强群体的内聚的同时，成员自身的中心度也在不断增加。“核心人物”即点度中心度排名靠前的个体的数量也在不断增加，有利于营造良好的人际关系氛围。
5．2情报网人际网络关系从微博的角度出发，被关注的人更新了一条状态，那么本班同学中同时关注这个人的一些个体也会查看到，这些不同类型的个体可以实现在该被关注的人下发表评论、收藏以及转发等功能，进而引起被关注人的关注，实现不同群体之间的互动交流，从而形成了一个交流环网。该人际关系网络的形成涵盖许多因素包括社会阶层、家庭背景、学历、收入、兴趣爱好等，微博作为一种碎片化时代下的产物促进社会群体重聚。
6结论
根据本文的研究可以看出，碎片化时代背景下，“碎片化”应用使群体重聚现象得以体现，这种重聚是重新聚合，相同群体之间的重聚即通过虚拟促进现实人际关系，虚拟与现实的一致性是我们一直所期待的。不同群体之间的重聚相对复杂，但同时这种重聚更具有现实意义，碎片化时代下人际关系的独到之处正是不同群体的重聚，社会地位、地理位置、经济水平不同的个体都能依据某个特征聚集在一起，社会分化也是群体重聚的过程，重聚也是分化的进一步提升。社会网络分析为重聚现象的提出进行了定量分析，本文所研究的样本较小，只是对这种现象进行初步探索，重聚的形成包括各种因素，后续的研究可以从内因，外因入手搜集更全面的社会网络数据，利用网络动态学，复杂网络理论等进行更深入研究［7］。
主要参考文献
［1］徐冉．“碎”眼看“聚”———以微博为例看碎片化背景下的群体重聚［J］．新闻世界，2011（8）．
［2］常政．移动时代的经济学———碎片化应用［J］．程序员，2011（6）：56－58．
［3］［美］诺克，杨松．社会网络分析［M］．第2版．上海：格致出版社，2012．
［4］［美］斯科特.社会网络分析法［M］．重庆：重庆大学出版社，2007．
［5］申?，周策．社会网络分析法在人际关系中应用的研究综述［J］．中国电力教育，2013（1）．
［6］郭金龙，陆宇杰，许鑫．基于社会网络分析的大学生现实与虚拟社会人际关系研究［J］．现代教育技术，2012，22（12）．
网络分析范文2
关键词：社会网络分析 社会测量法 心理学研究方法
中图分类号：B84 文献标识码：A 文章编号：1007-3973(2010)012-063-02
近年来，社会网络分析法在许多学科领域越来越被广泛使用，尤其在社会学、管理学和心理学中。下文将对社会网络分析做出简要的介绍并讨论其在心理学中的应用。
1 社会网络分析的定义
有些学者认为社会网络指的是社会行动者(social actor)及其间的关系的集合。意思是社会是由多个点(社会行动者)和各点之间的连线(行动者之间的关系)组成的。这里的行动者可以是个人、组织或家庭等，行动者之间的关系(ties)常代表一些具体的内容或者实质性的现实发生的关系(刘军，2004)。
此外，社会网络分析(socialnetwork analysis)也是研究的一种工具，是将社会网络作为研究对象的一种特殊工具，它可以对人与人之间、群体之间、组织之间的关系进行描述，并对其价值进行估量。
2 从社会测量法到社会网络分析法
一般认为社会网络分析起源于莫雷诺创立的社会测量法，但也有人认为它发端于二三十年代英国人类学。但英国人并没有利用好数学工具，而美国的莫雷诺却用数学的方法将社会网络量化计量，所以莫雷诺的社会测量法才是社会网络分析的起源。斗转星移，今天的学者看莫雷诺的社会计量法也存在着严重的丧失信息的问题：它无法区分两种得分一样的被试的关系的真实面目。(庞丽娟，1994；方晓义，2000)举个例子，表1是应用社会计量方法呈现的被试互相选择的结果。
可以看出在总计栏中有三个人被1个人选中，有两个人被2个人选中，有两个人被6个人选中，有两个人被O个人选中。在社会计量法中，有2个人被群体所接纳水平的数量指标最高，意味着他们最受欢迎。(金盛华，]995年)但是我们却不知道这两个人在群体中是否处于相同的重要地位，他们是否处于同一个小团体中。即使我们用社会测量法的图形法将其图示化，也不能明确的了解这个群体到底是什么结构，有几个小团体，最受欢迎的两个人是团体中的领导还是什么其他的人物。但社会网络分析法就能回答上述的问题，见图1。
这是一些行动者的社会网络分析图，显然图中显示Dia-ne是被别人选择最多者，社会测量法会指明他是最受欢迎的人。但实际他却不是整个群体中最重要的人。Fernando，Garth虽然被选择人数不如Diane，但他们在整个群体中发挥了重要的作用。因为他们比任何人都拥有更短的路径接触到其他人，他们的优势地位能监控整个网络的信息流，他们能最快地知道发生了什么事情(,2008)。所以社会网络分析法在发展中不断的弥补了社会测量法的缺陷，成为了人际关系研究的主流方法。60年代至今，随着新的矩阵分析等数学方法的兴起和众多学者的努力，社会网络分析从一种研究方法拓展为一种理论框架。(肖鸿，1999；张其仔，2001)。
我国应用社会网络分析方法比美国晚，80年代，大部分学者还只是停留在莫雷诺社会测量法的应用上。如张志光等人(1982)运用社交测量法研究小学生办集体人际关系状况，黄希庭，时勘等(1984)应用社交测量法研究大学班集体人际关系。而我国把社会网络作为一种系统理论应用在心理学上是个世纪90年代。如，方晓义(1995)对不同年级青少年的友伴网络结构的研究，方晓义(1997)青少年最亲密同性友伴的相似性。
3 社会网络分析在心理学中的使用
社会网络分析是一种跨学科的研究范式。社会学家和心理学家关注社会网络分析的不同取向，在这里我们只探讨心理学中常用的方法一整体网络分析方法。如同其他心理学研究方法，第一步是收集资料。整体网络分析法使用提名选择法、参数选择法、循环选择法等种种选择方法，采用你最愿意让谁跟你一起做游戏或者你愿意让谁坐在你的旁边这类问题。第二步，数据整理。网络分析法主要有两种形式来呈现数据，社会矩阵和社会图示。社会矩阵是一个N*N的(0，1)矩阵。N代表总体的人数，横行代表选择者，纵行代表被选择者，在选择者和被选择者交叉的地方标出选择结果，最后就可以得到该群体的整体网络矩阵。社会图示法则在一张图上标出所有的群体成员，然后使用点和线表示群体成员的相互选择情况，第三步是数据分析，主要采用矩阵分析、社会图分析以及使用相关的结构分析，如中心性，凝聚子群，结构对等性，核心边缘结构分析。
传统的社会计量法由于计算工具的限制，一般社会图列出的矩阵计算比较繁琐，达到30人以上就很难计算了。而社会网络分析是在矩阵方法，数学模型和计算机的引入下产生出来的新方法，被试人数再多也不成问题。目前，在研究中主要使用的网络分析软件有Ucinet，NEGOPY，Blanch，Pajek，SocioMetricaLinkAlyzer，SociometryPlus。(阳志平，时勘，2002)
4 社会网络分析方法对心理学的意义
社会网络分析方法作为一种评价两人际关系和团体机构的有效方法不仅在社会心理学方面表现出色，而且还广泛的应用在心理学的各个分支上。
4.1 在教育心理学上的应用
由于最初社会网络分析的开拓者(Moreno,Jennings,North-way)的影响，社会网络分析在教育上的应用最为广泛。在我国的情况也是如此，应用社会网络分析法较早的是研究青少年友伴网络结构和友伴相似性(方晓义，1994)。在教育心理学上，社会网络分析可以解决非常具体的问题，例如分组、诊断、评价。
4.2 在管理心理学上的应用
有人曾以后补军官学校的学员为研究对象，将社会网络分析的地位与学员学习成绩及战场实际领导能力相比较，研究前者与后二者的相关性。他们也同时将其他领导能力指标(包括自我评定、长官评分、人格测验、能力测验等)与后二者相比较。结果发现在各项领导能力指标中，社会网络分析的结果与后者的相关最高。换言之社会网络分析法比其他方法更能正确的评定领导能力。(杨国枢，2006)看来社会网络分析还可以成为某些测量的很好效标。
其实，社会网络分析也在其他的心理学分支上得到了广泛的应用，比如军事心理学、工业心理学和社区服务上。所以可以预计社会网络分析法将在心理学这块领地发挥更大的作用与价值。
参考文献：
[1]刘军，社会网络分析导论[M]，北京：社会科学文献出版社,2004
[2]庞丽娟，同伴提名法与幼儿同伴交往研究[J]，心理发展与教育,1994(1)
[3]郑宇，方晓义，青少年吸烟行为研究中同伴团体界定方法的发展[J]，心理学动态,2000(1)
[3]金盛华，社会心理学[M]，北京：人民教育出版社,1995
[4]肖鸿，试析当代社会网研究的若干进展[J]，社会学研究。1999(3)
[5]张其仔，新经济社会学[M]，北京：中国社会科学出版社,2001
[6]张志光，王光才，季慎英，个人在班集体中的地位及其对品德影响的心理分析[J]，心理学报，1982(2)
[7]黄希庭，时勘，大学班集体人际关系的心理学研究[J]，心理学报,1984(4)
[8]方晓义，不同年级青少年的友伴网络结构[J]，心理学报,1995(4)
[9]方晓义，青少年最亲密同性友伴的相似性[J]，心理学报,1997(3)，
[10]阳志平，时勘，社会网络分析在社会心理学中的应用[J]，社会心理研究,2002(3)
网络分析范文3
【关键词】 NodeXL；学习分析；社会网络分析；交互分析；开源软件
【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2013）02—0014—07
背 景
近年来，微博、社交网络平台（SNS）等Web2.0工具的快速发展大大促进了用户之间的远程交互。在这些工具的支持下，用户间发生着多种多样的交互行为，如浏览、回复、评论、关注、加为好友等，同时产生出了海量交互行为数据，使得基于行为数据的交互分析成为可能。在大数据的影响下，一个新兴的研究领域——“学习分析”（Learning Analytics）随之产生。在学习分析领域中，远程教育研究者进行了一系列研究。英国开放大学、加拿大阿萨巴斯卡大学等远程教育机构的研究者都对学习分析在远程教学中的应用进行了深入的研究。这些研究者中包括联通主义的主要提出者、加拿大阿萨巴斯卡大学的西门斯博士（Siemens）[1]。
2011年举行的首届学习分析与知识国际大会将学习分析定义为“测量、收集、分析、报告学习者及其学习情境的相关数据，以促进对学习过程的理解，并对学习及其发生的环境进行优化。”[2]通过这一定义可以了解到学习分析对数据的依赖性。学习分析需要将复杂的教学过程和庞大的行为数据有机整合。这一目标的实现需要在教学情境之下，针对多种分析任务，使用多种分析技术。
根据学习分析的不同任务，英国开放大学知识媒体研究所的Shum和Ferguson在《社会学习分析（Social Learning Analytics）》中把学习分析划分为五种类型，分别为学习网络分析、学习对话分析、学习内容分析、学习气质分析、学习情境分析[3]。从这一分类中可以看出学习分析是多种分析方法的统整，其中社会网络分析是一个重要的组成部分。
社会网络分析在社会学研究中有较为久远的历史渊源。1950年代，卡特赖特和哈拉瑞以图论为研究工具对社会互动展开了研究。哈佛商学院则在著名的“霍桑实验”中，首次运用社群图描绘了霍桑工厂中的社会互动结构 [4] 。而Watts等人的“小世界”理论让社会网络分析产生了广泛的社会影响[5]。
在远程教育领域中，特别是网络工具快速发展的背景下，社会网络分析被赋予了浓重的在线行为分析色彩。与社会学领域中的自陈式问卷、实地观察等方法不同，远程教育领域中的社会网络分析多由在线关系分析和在线行为分析构成。
近年来，国外研究者开始应用社会网络分析的方法研究Twitter和Facebook等社交媒体中的教学交互现象[6][7]。在国内研究中，王陆[8]、胡勇[9]为代表的国内研究者通过社会网络分析对以论坛为主的虚拟社区在线交互进行了分析。但对新兴社交媒体中的教学交互研究目前还较为少见。
究其原因，社会网络分析自身的复杂性是一个重要因素。与论坛中的交互相比，微博等社交媒体支持下的交互数量众多，内容庞杂，给分析带来了很大困难。即便研究者具备了社会网络分析的相关知识。前期的数据预处理工作也常常令人望而却步，分析过程中的数据调整和可视化工作也极为繁复。
社会网络分析离不开工具的支持。好的研究工具可以使研究过程事半功倍。对于社会网络分析工具的研究就成为成功进行社会网络分析，乃至整个学习分析的前提。
社会网络分析工具的发展
由于社会网络分析的重要性，多种分析工具应运而生，至今仍在蓬勃发展之中。有研究者对社会网络分析工具进行了研究，功能对比是最常见的研究方法。其中，最具有代表性的是Huisman和Duijn对于23种社会网络分析工具的对比[10]，研究者从多个角度对比了当时各种主要网络分析工具，包括Pajek、NetDraw、Netminer、UCINET等目前仍广泛应用的工具，该比较涉及软件的使用对象、数据格式、主要功能、支持帮助等信息。王陆在此基础上根据是否商业化和是否可视化将这些软件进行了进一步分类，并重点比较了NetMiner、Pajek和UCINET[11]。Hansen等人分析了各种社会网络分析工具，并指出缺乏界面友好和操作便捷的社会网络分析软件是社会网络研究在实践领域开展不足的重要原因[12]。Smith等人指出了JUNG、Guess、Pajek等多种社会网络分析工具的操作复杂性，指出简化操作并降低数据获取的难度，可以促进社会网络研究的开展[13]。通过对与社会网络分析工具的研究可以发现，随着各个领域对于社会网络分析的重视，其分析工具正在快速发展之中，工具应用的便捷性对分析的开展有着重要影响。
通过对现有的社会网络分析工具的分析还可以发现，按照工具的使用者可以将这些工具分为面向程序员的工具、面向研究者和数据处理专家的工具，以及面向实践者的工具，其应用门槛由高到低。
1. 开发接口
此类工具与编程语言密切相关，功能强大完备，但需要使用者有一定的编程经验。其代表有JUNG、Prefuse和Guess等工具。其中JUNG是Java Universal Network/Graph Framework的缩写，提供了一整套扩展库以实现基于Java的社会化分析和图形化[14]。Prefuse是另一种基于Java的数据分析工具，后又推出了支持Flash制作工具的Prefuse Flare。[15]Guess是基于Gython（Python的一个扩展版本）的数据分析工具，带有完整的操作界面，可以通过Python语言直接输入指令完成数据分析。[16]此类工具对于编程技能的要求将绝大多数使用者挡在了门外。
2. 专家工具
Pajek、UCINet 和NetDraw等工具是这类工具的代表。它们服务于具有较高数据处理技能的研究者。其应用不再需要编程能力，但对使用者的数据处理能力提出了较高要求。这一类工具同样提供了强大的分析功能，可以实现一定程度的可视化，但操作较为复杂，生成图形的灵活性欠佳。此类工具适合专门领域的研究者使用，对于广大教学实践者而言，门槛仍然较高。
3. 实践工具
随着社交媒体的应用日益广泛，社会网络分析的需求日益扩大，一类面向实践者的新型工具开始出现。此类工具的特点是界面友好，应用便捷，但功能依然强大，在很大程度上减少了数据预处理的工作量。由于此类工具大大减轻了社会网络分析的工作量，为远程教育的一线实践者敞开了通向社会网络分析的大门。NodeXL、Gephi、Netminer等就是此类工具的代表。
其中，NodeXL的特点尤为突出：它与Excel这一日常应用非常广泛的工具深度整合，降低了使用门槛；极大简化了操作过程，实现了一键数据可视化；提供了多种参数调整，覆盖了社会网络分析的绝大多数需求；并可以从Twitter、Facebook等社交媒体中直接导入交互数据，有着极高的实践应用价值。本文将对NodeXL的使用进行介绍。
NodeXL功能介绍
1. 概况
NodeXL（Network Overview， Discovery and Exploration add-in for Excel）与微软办公软件Excel深度整合，以Excel2007/2010模板的形式使用。加载模板后，使用者可以在Excel工作表中对社会网络的基础性数据（如边的信息）进行添加和编辑，之后只需要点击一个按钮就可以完成分析，并获得可视化图示。
NodeXL的开发者来自微软研究院、马里兰大学、斯坦福大学等机构。该软件遵循微软公开协议（Microsoft Public License，Ms-PL），可以免费使用和分发，并可以在此基础上进行二次开发。
2. 界面与功能
（1） 界面介绍
NodeXL的界面以选项卡的形式出现在Excel 2010中，如图1所示。功能从左向右分为数据、图形、可视化属性、分析、选项和现实/隐藏6个标签组。原有的Excel界面被分割成了两部分，左侧是数据界面，右侧是图形化结果。
在左侧的数据界面中，包含社会网络相关的多个工作表。其中最重要的有边（Edges）、节点（Vertices）、群组（Group）和整体度量（Overall Metrics）四个工作表。右侧的界面主要显示社会网络的可视化结果，其中，“动态过滤器”可以依据各种度量值（如出、入度等）对社会网络进行过滤。“刷新图形”则可以根据数据的调整重新获取数据。
（2）功能特性
NodeXL的功能特点可以被总结为三个方面，即数据获取、网络计算和图形定制。现分述如下：
NodeXL可以导入多种社会网络分析工具（如Pajek、UCINET、GraphML等）生成的文件，同时可以导入一般数据文件（如cvs文件等），保持了良好的兼容性。
同时，NodeXL的一个特色功能是可以从社会网络媒体导入数据，可以从Flickr、Twitter、Facebook和YouTube中直接导入数据。只需要提供这些工具的账号和密码就可以方便地从中获取社会网络信息。
借助Excel，NodeXL可以非常方便地进行数据的输入和转换。由于，NodeXL的数据本身就在Excel工作表中，Excel对数据的编辑功能，如计算、排序和筛选等功能都是可用的，这为数据处理提供了很大方便。
图1 中左侧显示的数据即是笔者从Flickr中直接获取的用户交互数据。
网络计算与图形化
NodeXL可以实现出度、入度、相邻性、中心性、聚类等等常见社会网络计算。只需要输入边的相关信息，NodeXL就可以通过“分析”（Analysis）标签组中的“图形度量”（Graph Metrics）功能，计算出这些值并填充到Excel数据表中。“图形属性”（Visual Properties）中的“自动填充栏目”（Autofill Columns）可以自动填充节点、边和群组中的属性值。
在“边”工作表中输入数据后，只需要点击“刷新图形”就可以生成社会网络图形。如果图形过于巨大，或者包含的边过多以至于无法发现交互规律时。NodeXL可以实现自动生成子图（Sub-graph），对图中的每一个节点自动生成社会网络图形。。
图形定制与数据过滤
在图形初步绘制完成之后，还可以对其进一步定制调整，使得重点信息更为突出。在图形选项中可以对边和节点的颜色、形状和大小进行调整。还可以根据条件对不同节点设置不同颜色。下图2为图形选项设置界面，图3为定制后的图形，图4为动态过滤器界面。NodeXL支持通过多种参数对社会网络图形进行过滤，可以对出入度、各种中心性、集聚系数等度量进行调整，从而呈现符合特定条件的节点和边。
应用案例
下面将通过一个在线学习案例介绍NodeXL的使用过程。由于案例分析的目的是以说明工具应用为主，故此在介绍的方式上以数据分析的过程为主线。限于篇幅，在内容上仅涉及了整体交互行为的一个侧面，并不试图对案例中的交互情况进行全面分析。在研究方法上，本案例部分借鉴了Smith等人[16]的研究。
1. 案例介绍
本案例来自中央民族大学对新生开设的计算机基础课程。课程内容包括Windows操作系统、互联网应用、Office办公软件、多媒体应用基础等内容。课程采用了混合学习模式，包含12周网络学习和6学时面授。网络教学在自行搭建的Moodle教学平台中进行。参与课程的学生是通过入学考试选出的计算机水平较高的一部分学生，共有106名，来自全校各个院系。
在学期初，教师在课程中安排了一个相互认识环节，要求学生在Moodle中完善自己的个人信息，包括兴趣爱好等，之后，访问其他同学的个人信息，以增进相互了解。教师建议每个同学至少访问5个学生的信息，但并未强制要求。学生之间相互访问的行为数据被记录在Moodle平台数据库中。
2. 分析过程
（1） 数据获取
在此次学习活动中，Moodle共记录下了586条交互数据，涉及106名学生和两名教师（如图5）。Moodle支持行为数据的导出，可以将数据导出成Excel文件。导出的数据可以直接复制粘贴到NodeXL模板中的边（Edges）工作表中，如图6所示。
（2）整体网分析
在初步分析时，在“图形”（Graph）标签组中将网络类型设置为无向图（Undirected）以获得交互的整体图景。点击“刷新图形”，NodeXL将自动生成节点信息，填入节点工作表中，并显示图形，见图7。在NodeXL选项卡中点击“分析”标签组中的“图形度量”按钮（Graph Metrics）后可以计算出社会网络的重要参数，包括出度、入度、中心性、密度等信息，如图8所示。
（3）图形定制与数据过滤
通过整体分析已经得到了此次学习活动中的整体交互面貌，但其由于交互信息过多，图形过于复杂，并不能得到清晰结果。如果对各个节点的大小、颜色等根据各个度量值进行调整，可能会更为清晰地了解该活动中学生的交互情况。
在本案例中，度和集聚系数是度量交互状况的两个重要变量。其中，度代表着学生与他人交互的频繁程度。集聚系数则代表着学生与其他学生联系的紧密程度。集聚系数越高表明其节点成团的程度越高，也就表明了学生聚合成小团体的程度越高。于是，通过”自动填充栏目”（Autofill Columns）针对这两个参数值对图形进行定制。
其中，将颜色设置为按照集聚系数从绿色到红色渐变，半径大小设置为其度值，得到的结果如图9所示。可以看出红色节点都较小，而绿色节点则可以很大。这表明了，集聚系数较高（红色）的节点，其度反而小。也就是说，在本案例中，与周围小团体联系紧密的学生，没有与其他学生进行频繁交互。鉴于集聚系数和度可能会产生相互影响。这时有必要分别把出度和入度情况进行研究。
网络类型设置为有向图（Directed），重新生成图形（见图9），可以对各节点的出度和入度进行分别讨论。出度与教师布置的任务直接相关。教师在布置任务时建议学生访问5个以上其他同学的信息。达到了这一要求的同学其集聚系数和出度的情况是怎样的呢？在“动态过滤器”中选择“出度”，将其值最小值调整为5，结果见图10。图中剩余的节点颜色更接近绿色。这表明了这些访问了较多其他学生信息的同学与周围小团体联系的紧密程度较低。其中，两个同学的情况非常典型。图10中两个最大的节点所代表的学生，其访问其他同学信息的情况最为频繁，但颜色是很浅的绿色，代表了与他人联系紧密程度很低。
在“动态过滤器”中选择入度，并进行调整。发现将其值最小值调整为4时，两个节点都在图中消失了（见图11）。这说明两个节点所代表的学生被访问的次数很少。至此，发现度最大的两个学生，其集聚系数很小。为了进一步分析这一现象，需要分析学生个人的交互情况。
（4）个体网分析
为了分析每个学生在活动中的交互情况，需要对以学生个体为中心（Ego-centric Networks）的网络进行分析。选择“分析”标签组中的“子图”（Subgraph Images）可以把每个学生的交互图输出到特定文件夹中。在“图形”（Graph）标签组中选择“自动生成”（Automate）可以将每个学生的子图以及相关信息插入到Excel表中。图12是计算后所生成的图形和数据。为了便于讨论，仅截取了相关部分的数据。
可以看出，前文所述集聚系数较低而出度较高的两个学生的数据，相应节点的入度分别为2和3。也就是说仅有两三个学生访问过他们的信息。这与其出度（均为42）形成了鲜明对比。显然，这是两个不同于一般同学的学生。至此，社会网络分析将笔者从交互的整体图景导向了一个具体的交互现象。对于这个现象将在后文进行解释。
3. 讨论
在上述分析过程中，首先对学习活动进行了整体性分析，之后对个体的中心度和集聚系数进行了进一步分析，在分析过程中，通过不断调整相关参数发现了一个交互现象。诚如西门斯所言，社会网络分析，乃至整个学习分析，不一定能对学习过程给出全部答案，但一定可以让研究者去问更多问题。在此环节中，笔者将对本研究发现的问题进行解答。
总体而言，案例中学习活动所形成的是一个稀疏的网络，其密度仅达到了0.06，表明整体交互并不频繁。造成这一现象的主要原因有两个，一是这个学习任务并非强制，二是任务发生在网络学习的初始阶段，学生对网络学习的自主性不强。然而，在这个稀疏网络中却存在着两个与其他节点交互特别频繁的节点。
特殊节点的发现来自于对各个节点的度和集聚系数的考察。其中，度代表了单个学生和他人交互的频次，集聚系数代表了学生与他人形成小团体的程度。一般而言，如果一个学生与他人形成了交往密切的小团体，应当有着较高的度，同时有较高的集聚系数。但在本案例中，却发现了两个很特殊的节点，其度非常高，但集聚系数却非常低。进一步对这两个节点分析出度和入度情况表明，这两个学生的出度很高，但入度极低。
这个现象意味着什么？社会网络分析自身已经不能给出解释。笔者通过对这两个学生进行访谈发现，他们在班级中没有太多熟悉的同学，所以很希望结识更多新朋友。这一发现印证了分析结果。在后期学习中，教师安排这两个同学担任小组长，负责一些在线活动的组织协调，其表现积极活跃。
4. 小结
以上案例描述了NodeXL中一次社会网络分析的过程，包括了从数据获取、整体分析、图形定制、数据过滤到个体分析的全过程。其中，首先，通过Moodle平台获取了学生数据。之后，对其进行初步分析获得了整体交互情况。接下来，根据需要对形成的网络进行了参数调整，实现了动态过滤和图形定制。从而更为清晰地反映了交互状况。最后，针对网络中发现的特殊节点通过子图生成功能进行了个体网分析，更为清楚地了解了特殊节点代表的学生的交互情况。补充进行的访谈印证并进一步解释了交互状况及其原因。案例分析体现了从原始行为数据到宏观交互图景，再到微观交互现象的过程，具有典型意义，展示了NodeXL对社会网络分析的功能特性。
诚然，正如前述，本文中的案例分析重在展示一个NodeXL数据处理的完整过程。基于这一目的，笔者从教学实践者的角度，描述了如何针对一个教学活动展开分析的真实过程，从整体图景，渐渐聚焦到一个特殊的交互现象，再通过访谈对其进行深入挖掘，最终基于分析实施了教学干预。
通过本案例的分析过程可以获得两个结论。第一，社会网络分析可以呈现交互过程的全貌和细节，有助于描绘交互过程，发现交互现象。第二，社会网络分析并不能对交互过程进行全面解释，交互过程的分析需要多种研究方法的整合。从这两个结论也可以发现本研究的局限，即没有在设计阶段将多种研究方法考虑在内，因此对于交互过程分析的深入与全面程度不够。在后续研究中，将试图整合社会网络分析、内容分析和学习行为的统计分析对在线学习交互过程进行分析。
总 结
NodeXL代表着交互分析工具发展的一个新方向。它降低了分析门槛，与使用者较为熟悉的工具软件Excel相结合，可以直接从Web2.0工具获取数据，通过便捷的操作实现数据分析，并通过灵活的方式实现了依照条件的数据过滤和可视化图形的定制。这在很大程度上降低了数据获取、处理和呈现的难度，让使用者可以专注于对交互现象的分析和解释。
NodeXL带来的便利不仅造福于研究者，更造福于实践者。远程教学实践者在教学中有条件积累大量数据。如果能够对这些数据进行分析，无疑会成为教学评价和教学干预的重要依据。但工具应用的复杂性往往将实践者挡在了学习分析的大门之外。NodeXL所代表的工具较好地解决了这一问题，从而为教学提供了更多实证性证据。
对于分析工具的开发者而言，NodeXL所代表的分析工具也有着重要的启示。身处“大数据”时代，分析工具的开发者应当重视交互数据接口的作用。重视数据分析工具的开发。在我国，商业领域已经开始了对各种互联网数据的分析，如一些针对新浪微博等平台的数据分析工具和服务。但这些工具的数量、功能和可用性都还有很大的提升空间。在研究工具方面，此类工具还几乎是空白，有着极大的发展空间。
网络分析范文4
一、移动上网3G用户数据分析
2014年1月20日，中国联通对全网3G用户发送短信，推出“沃4G新春献礼，亿万用户高速网络免费体验”活动，2月份对3G新老用户免费赠送“500MB国内流量红包”。一方面是借此向广大联通用户多年支持表示真诚答谢和新春祝贺，同时也希望让更多用户能够体验到中国联通在4G时代更快的网络速度、连续的移动宽带覆盖和更好的高速移动宽带体验。下面就市场政策推广对移动上网3G用户及流量的变化情况进行详细分析。
1、手机上网3G用户变化趋势W网手机上网出账用户数从去年以来基本处于增长趋势。截止2014年3月，W网手机用户增长47.37%，3月用户量环比增幅3.28%，同比增幅为28.57%；3G用户增长显著，联通上网用户曾稳步增长，如图1所示。
2、手机上网3G用户流量情况（1）3G手机上网用户流量变化趋势W网手机上网出账用户使用流量从2013年3月以来变化趋势如图2所示。去年以来使用流量在不同区间的用户数中，上网用户最多集中在流量≦200M的5个区间，用户数基本都在20万以上，流量小于200M的总出账用户数占比＞70%，3月同比增加14.63%，环比增加8.86%；上网用户使用流量＞1G的3个区间，用户数基本都在8万以下，出账用户数占比﹤5%。2月份市场对3G用户免费赠送“500MB国内流量”后，使用小流量用户都转向使用大流量，流量小于200M的总用户数除2月份有所下降外基本都处于上升趋势；用户使用200M＜流量≤4G的4个区间，用户基本处于稳步上升，2月份出账用户数增长明显，1G＜流量≤4G的用户环比增幅最大，达到46.75%。W网手机上网用户使用中低端套餐居多，去年3月以来流量＞100M的用户数增长显著，3G总用户量曾增长趋势。（2）3G手机上网用户占比变化趋势如图3所示，W网手机上网不同流量出账用户占比从去年以来基本处于增长趋势，50M及以上手机上网用户占比较大。截止2014年3月，50M以上用户占比从去年以来增幅15.3%，3月环比增幅1.5%，同比增幅为12.8%；300M以上用户占比从去年以来增幅7.2%，2月增长显著，2月环比增幅5%，同比增幅为11.7%，3月环比降幅3.4%，主要是市场仅2月对3G用户免费赠送“500MB国内流量”导致，市场政策对用户使用业务影响很大。W网数据日均流量从去年以来基本处于增长趋势。截止2014年3月，日均流量增长了40.19%；受市场政策推出仅2月对3G用户免费赠送500MB流量，2月流量增长迅猛，2月环比增幅18.38%，同比增幅57.54%，3月环比降幅为14.43%，W网数据流量整体增长显著，如图4所示。
二、移动核心网分组域设备运行分析
为确保上网业务高效、畅通运行，提升分组域业务疏通能力，每月定期分析网络资源及负荷情况，为前台市场营销及业务推广提供了有效的数据业务保障。下面就市场政策推广对分组域设备负荷及承载变化情况进行分析。1、分组域核心设备负荷情况核心设备SGSN、GGSN各网元从去年1月至今，主处理器峰值负荷在80%以下，均在安全门限范围内。2、分组域核心设备忙时业务流量利用率情况核心设备GI接口忙时业务流量占最小带宽利用率变化趋势如图5。从去年1月至今，WAP业务流量基本处于增长趋势，占比在12%-25%之间，属于轻载运行；NET业务流量占比2013年5月有所下降，是由于增加NET出口，最小带宽增加引起，5月后NET业务流量基本处于增长趋势，受市场政策仅2月对用户赠送流量影响，2月NET业务流量增长显著，1年来NET占比在14%-35%之间，属于轻载运行，目前带宽能满足各业务的正常运行。
三、综述
网络分析范文5
关键词：社会网络分析；网络结构；专利合作；产学研
中图分类号：F04 文献识别码：A 文章编号：1001-828X（2016）025-000-01
一、引言
合作专利作为产学研合作的重要成果形式之一，在研究产学研合作中有较高的可量化价值[1]。青岛市产学研合作近年来快速发展，专利合作初具雏形[2]，呈现出网络化的特征[3]。从社会网络的视角下分析青岛市产学研发展的现状，探究其关键节点，对促进青岛市产学研合作发展有较强的现实意义。
二、青岛市产学研合作专利现状
专利数据均来源于国家知识产权局专利检索分析系统（）。为了了解合作专利在青岛市的现状，且避免任何遗漏，检索式选用“申请人=大学 and 公司”，“地址=青岛”的方式检索专利，其他情况以此类推。根据国家知识产权局专利检索及分析系统的检索，截止2016年5月20日，共检索到专利990件，剔除干扰项如“青岛大学科技教育开发公司食品科学研究所”非合作专利项及高校间的合作专利项，共获得有效合作专利947项。
如图1所示，整体来说，随着时间的推移，青岛市合作专利的申请量逐年上升，呈现出一种阶段性的特征，一是1985-2006年为萌芽阶段，二是2006-2010年为起步阶段，而三是自2010年前后有较为明显的增长，进入快速发展段。
三、专利合作社会网络分析
将前文所述的合作专利数据进行处理，以合作次数确定权重，删除重复数据，以导入社会网络分析软件GEPHI中，获得1985-2016青岛市专利合作网络图，如图2所示。图中节点表示专利申请主体，节点标签的大小代表与之合作节点个数的多少；连线表示节点相互关联的关系，即高校与企业合作申请了专利，连线的粗细则代表合作次数的多少。
观察图2可以看出，青岛市专利合作网络具有较明显的以各大高校为关键节点的社区结构[4]。
将2009-2015年青岛市合作专利数据逐年导入GEPHI软件，获得专利合作网络参数的变化趋势，如图3所示。其中加权平均度呈上升趋势，表示各节点的合作节点数量逐年上升；图密度逐年下降，表示节点连接逐年松散；平均路径长度呈逐年上升趋势，网络直径呈上升趋势，表示节点的连接难度逐渐增大。
结合合作专利申请数量不难看出，青岛市专利合作网络结构逐渐向大范围、低密度、多社区的结构发展，各关键节点的辐射范围日渐扩大，作用也逐渐增强。图4为近年专利合作网络中的关键节点中介中心度的变化趋势。
然而不可否认的是，不同领域的专利发明创新周期和难易程度均存在较大差异，在一定程度上也影响了专利合作网络的结构。
四、结论与展望
青岛市近年来产学研发展较为迅速，特别是“十二五”以来成果显著，以高校为核心的发展模式势头良好，专利合作网络范围日渐扩大，综合实力强的高校在专利合作网络中占主导地位，而且呈现出“二八分化”的特征。由于不同行业领域专利的异质性，对区域专利合作网络的研究造成了一定程度影响，将在后续研究中针对特定领域的专利合作网络进行研究。
参考文献：
[1]吴伟，吕旭峰，余晓.协同创新视阈下部属高校合作专利产出发展探析[J].中国高教研究，2013，09：12-18.
[2]丁海德，綦晓卿，周晓梅.青岛高校科技创新能力分析――基于专利信息视角[J].科技管理研究，2012，21：103-107.
网络分析范文6
关键词：城市公园 可达性 网络分析 GIS
城市公园是城市绿化系统的重要组成部分，同时也是城市居民游憩的重要场所。随着社会经济的发展，城市居民生活水平的不断提高，人们越来越意识到城市公园在生活中的重要性。然而一直以来，城市人均公园面积、绿地率、绿化覆盖率等面积比率指标作为核心指标来指导和衡量城市绿地建设，这些指标虽然能从宏观上反映出城市绿地的数量特征，却没有考虑到绿地的布局及其为市民提供服务的享用情况，引起一些专业学者对其合理性的质疑。随着可达性概念的提出，人们开始关注城市公园的可达性。目前针对城市公园可达性研究较多，研究方法也多种多样，但没有一种可达性评价方法在绿地规划实践中得到广泛应用，可达性难以成为规划行业认可的统一指标。因此，迫切需要找到一种与绿地规划建设过程紧密结合，计算结果可靠且便于规划人员理解操作的可达性评价方法。
一、城市公园可达性的含义
由于可达性涉及的领域较多，不同的研究尺度和领域下所衡量的具体对象不同，对可达性的定义也不一样，因而对可达性的精确定义学术界没有一致看法。本文对可达性的定义为：人们从空间任意一点克服空间阻力到达目的地的相对难易程度，反映了人在到达目的地的运动过程中所克服空间阻力的大小。城市公园的可达性可理解为空间任意一点到达特定公园的相对难易程度，反映人在城市中的水平运动需要克服空间阻力来完成，即城市公园的空间可达性。
二、城市公园可达性研究中的关键问题
可达性既和目的地有关，又与起点和目的地之间的连接方式有关，还包括了使用人群的特征等，概括起来，城市公园可达性的影响因素主要有：居民行为习惯，城市交通系统，城市公园周边的居住人群数量及公园自身的吸引力。可达性研究计算，是通过对影响因素的提取并通过合理的运算表达出来的。将客观实体抽象化，是可达性计算中必不可缺少的步骤。
（1）城市公园的抽象表达 城市公园常表现出具有一定大小的面状结构，可达性研究中常以点、公园几何中心或质心及多边形表示。这与市民从入口处进入公园的实际行为不相符，对公园可达性计算会造成一定的影响。因此，以实际的公园入口点作为公园的代表，每个公园用入口点的集合来表示。
（2）公园人流的统计 人口统计是可达性评价中的关键步骤之一。现有的人口数据多为一定面域内的人口总数，与实际人口分布的非匀质性有出入。一般而言，人口聚集度越高，所产生的聚集误差越大，可达性的精确度则越低。而高精度的数据会大大增加数据处理的成本，实际操作有一定的难度，需要在数据处理和可达性计算精度之间进行权衡。
（3）空间阻力的表达方式 可达性的核心思想为反映人克服空间阻力的到达目的地的相对难易程度，空间阻力的表达则是衡量可达性计算方法准确与否的重要标尺。对可达性的不同理解及对影响因素的不同考虑，必然会体现在空间阻力的表达上。
（4）城市公园吸引力 城市公园吸引力差异表现为不同类型、性质、规模的公园具有不同的服务半径。可达性计算中准确考虑公园的吸引力差异将会大大提高计算结果的可靠性。
三、网络分析及其适用性
城市公园可达性的网络分析是指通过计算某种交通方式，以道路网络为基础，城市公园在某一阻力值下的覆盖范围。该方法以真实道路及市民进入公园的实际过程为基础，能较好的实现行进路径与现实路径的拟合，准确地反映和表达空间阻力障碍，在国内外研究中均有应用。Jeong[1]、李小马和刘常富[2]以城市道路为基础，综合考虑了十字路口、人行横道、过街天桥和地下通道的影响分别研究了韩国首尔和中国沈阳城市公园的可达性。黄翌等[3]通过市民进入公园的实际方式利用网络分析法研究了徐州主城区绿地的可达性，该方法克服了直线距离不能识别可达过程中的空间障碍和通过对分类城市景观赋以相对阻力值所产生的阻力衡量误差。李博等[4]比较了网络分析法与基于相对阻力的费用加权距离法和基于道路的费用加权距离法在城市绿地可达性评价中的应用，并通过实地验证，指出网络分析法的结果更接近现实。同时，还指出可通过对不同绿地进行分类来区别不同功能、面积公园的吸引力和影响范围的差异，并在具体的操作计算上得以体现。这即为本文所指的基于网络分析的城市公园可达性研究方法。该方法综合考虑的可达性的影响因素，弥补了以往分析中未能将城市公园吸引力差异考虑其中的不足，提高了网络分析的准确度，且方便可行，便于规划人员在实践中操作运用。
四、城市公园可达性分析评价模型的构建
通过GIS建立城市公园空间可达性分析模型，使得可达性的计算更为简便、精确方便和有效。因此，GIS技术平台是完成城市公园可达性分析、评价、预测和辅助做出城市公园布局方案决策的重要技术支撑。其具体步骤如下：
（1）建立研究区源文件数据库 在已有的城市公园现状资料基础上，统计出现有城市公园的类型、名称和面积，并将不同类型的城市公园分别放在不同的图层上；逐一统计出各个公园的出入口，并将其作为源点标示出来。
（2）建立城市道路数据库 在城市道路交通现状资料基础上，将城市道路进行分类统计，按道路类型分为普通道路、十字路口、人行横道、过街天桥和地下通道；以道路中心线为基础，将道路抽象为线，通过打断以及连接中心线交叉点来建立城市道路拓扑网络；确定各道路线段的长度。
（3）建立研究区人口分布数据库 以全国人口普查数据（一般以街道办事处为区域的人口分布数据库）为基础，计算生成研究区的城市人口分布。
（4）设置阻力属性 在城市道路数据库基础上，通过空间阻力模型计算各路段阻力值，在GIS技术平台上给各不同类型的道路段赋以相应的阻力值，一般为在道路上移动所花费的时间。
（5）计算生成等时线范围 利用GIS软件的网络分析功能，根据不同类型的城市公园类型，生成源点沿道路网络行进的相应服务时间所为何形成的范围，此范围即为一定时间成本可达性范围。
（6）统计分析 将上一步得到的可达性范围与城市人口分布图在GIS 技术平台上进行叠加裁剪，通过研究区的服务面积比、服务人口比两个指标来评价城市公园的服务状况。
通过分析，规划人员就可以很直观的判断出城市公园可达性的好坏，对不在服务区范围的地块进行重点规划，以提高相应的服务比例指数。
结语
