social network analysis (SNA)

สมัยนี้อะไรๆ ก็เครือข่าย .. หากต้องการทำความเข้าใจเรื่องเครือข่าย จะขอแนะนำทฤษฎี เครื่องมือ และกระบวนการที่ใช้ในการวิเคราะห์ความสัมพันธ์และโครงสร้างของเครือข่าย ที่เรียกว่า social network analysis (SNA)

หลักการคือ นักวิเคราะห์เครือข่ายจะทำการเก็บข้อมูลที่เกี่ยวข้องกับความสัมพันธ์และปฏิสัมพันธ์ของ nodes ต่างๆ ที่อยู่ภายในเครือข่ายมาทำการวิเคราะห์ nodes หมายถึงคน ส่วน links หมายถึง ความสัมพันธ์ระหว่างคน แต่ที่จริง nodes อาจเป็นสิ่งไม่มีชีวิตก็ได้ เช่น เป็นวัตถุ สิ่งของ เหตุการณ์ หรือแนวคิด นำมาวัดและวิเคราะห์ด้วยเทคนิคทางคณิตศาสตร์ด้วยโปรแกรมประเภท SNA softwares ซึ่งปัจจุบันมีมากมายหลายชนิด จากนั้นนำมาสร้างเป็นกราฟหรือแผนที่อธิบายแบบแผนของการเชื่อมโยงระหว่าง nodes ต่างๆ ภายในเครือข่ายนั้นๆ เทคนิค SNA นิยมนำมาประยุกต์ใช้กันหลายวงการ ทั้งวิทยาศาสตร์ สังคมศาสตร์ และศาสตร์ทางด้านการบริหารจัดการ ตัวอย่างเช่น การวิเคราะห์และประเมินเครือข่ายความเป็นผู้นำหรือ leadership network เป็นต้น

ดัชนีวัดเครือข่าย (metrics) ที่สำคัญ มีอะไรบ้าง?

  • Bonding และ bridging
  • ทั้งสองคำนี้จะนิยมใช้บ่อย ในเรื่องทุนทางสังคม (social capital) โดย Robert Putnam เป็นตัววัดความเชื่องโยง (connectivity) โดย bonding จะเป็นบริเวณที่มีการเชื่อมโยงภายในกลุ่มที่เกาะกันแน่น ทำให้เกิดชุมชนหรือเครือข่ายที่ไว้วางใจกัน ส่วน bridging จะเป็นบริเวณที่มีการเชื่อมโยงข้ามต่อออกไปยังกลุ่มอื่น ซึ่งเป็นช่องที่จะทำให้นำนวัตกรรมและความรู้ใหม่ๆเข้ามาสู่ชุมชนหรือเครือข่ายได้
    Ronald S.Burt ใช้คำว่า closure และ brokerage ส่วน Mark Granovetter ใช้คำว่า strong ties และ weak ties

  • Clusters
  • เป็นกลุ่มย่อยในเครือข่าย ที่เกาะตัวกันหนาแน่น วัดได้จาก ค่าความหนาแน่น (density) และจำนวน links per node

  • Core / Periphery structure
  • รูปแบบโครงสร้างของเครือข่าย ที่แสดงให้เห็นว่า nodes ใดมีลักษณะเป็น core คือมีการเกาะกลุ่มหนาแน่นอยู่ตรงกลาง และ nodes ใดมีลักษณะเป็น periphery คือกระจายตัวอยู่รอบนอกและมีการเชื่อมโยงไปยัง nodes อื่นๆ น้อย

  • Density และ links per node
  • density หมายถึง จำนวน links ที่มีอยู่จริงในเครือข่าย หารด้วยจำนวน links ที่มีโอกาสเป็นไปได้ (ในภาพ density = 6/10 = 0.6) ส่วน Links per node หมายถึง จำนวน links ที่มีอยู่จริงในเครือข่าย หารด้วยจำนวน nodes ทั้งหมดที่มีอยู่ในเครือข่าย (ในภาพ links per node = 6/5 = 1.2) ซึ่งจะช่วยวัดการเชื่อมโยงของเครือข่ายได้ถูกต้องแม่นยำ มากกว่าการใช้ density เพียงอย่างเดียว

  • Bridgers และ Betweenness Centrality
  • Bridgers เป็น nodes หรือคนที่มีการติดต่อเชื่อมโยงออกไปยัง clusters กลุ่มอื่น คนที่เป็น Bridgers จะสามารถนำโอกาสดีๆ เช่น นวัตกรรมใหม่ สร้างผลกระทบและนำความเจริญเข้ามาในกลุ่มได้ การหาตัว bridgers ทำได้โดยการคำนวณค่า betweenness centrality ซึ่งจะวัดว่าคนๆนั้นทำตัวเป็นจุดถ่ายทอดระหว่างสมาชิกเครือข่ายคนอื่นๆ มากน้อยแค่ไหน ดัชนีอีกตัวหนึ่งที่ใช้หาคนที่เป็น bridgers คือค่า network constraint ซึ่งวัดจำนวน links ที่คนๆนั้นทำการเชื่อมโยงต่อไปยัง nodes อื่นที่มีการเชื่อมโยงกันอยู่แล้ว แต่ถ้าค่า network constraint ต่ำ หมายถึงจำนวน links ที่เขาทำการเชื่อมโยงต่อไปยัง nodes ต่างๆ ที่ยังไม่ได้มีการเชื่อมโยงกันเอง สรุปว่า คนที่เป็น bridgers คือคนที่มีค่า betweenness centrality สูง และมีค่า network constraint ต่ำ

  • Hubs และ Indegree Centrality
  • Hubs คือ คนที่มีอิทธิพลที่สุดในเครือข่าย ไม่ว่า hub นั้นจะสร้างสะพานเชื่อมระหว่าง clusters ที่แตกต่างกัน หรือเชื่อมภายใน clusters เดียวกัน หรือเชื่อมทั้งสองอย่าง เขาจะเป็นบุคคลที่พึงประสงค์ของสมาชิกเครือข่ายรายอื่นๆ การค้นหาว่าใครเป็น hub หรือมีอิทธิพลต่อเครือข่าย จะใช้ค่า indegree centrality คือการนับจำนวน directed links ที่เข้ามาหาคนๆนั้น จากการเป็นคนที่มีชื่อเสียงเป็นที่รู้จัก หรือให้คำปรึกษาแก่คนอื่น เป็นต้น

  • Structural Equivalence
  • ตัวอย่างชัดเจนของ Structural Equivalence คือ วิธีการขายหนังสือของ Amazon ที่กล่าวว่า คนซื้อหนังสือ A และ B ไปแล้ว มักมีแนวโน้มที่จะซื้อหนังสือ C และ D ด้วยเช่นกัน .. ทั้งหนังสือและคนซื้อล้วนเป็น nodes ที่เชื่อมโยงกันภายในเครือข่ายเดียวกัน คนที่ซื้อหนังสือชนิดเดียวกันจะมีค่า Structural Equivalence สูง ส่วนคนที่ซื้อหนังสือต่างชนิดกัน จะมีค่า Structural Equivalence ต่ำ

    สำหรับในกรณีของเครือข่ายองค์กร ค่า Structural equivalence ที่สูง จะแสดงถึงกลุ่มคนจำนวนมากที่ share เป้าหมาย วัตถุประสงค์ ทำกิจกรรม และมีความสนใจร่วมกัน หรือแสดงถึงกิจกรรมที่ share สมาชิกจำนวนมากร่วมกัน ค่า Structural equivalence เป็นดัชนีวัดเครือข่ายที่สำคัญ คล้ายๆกันการหา กลุ่มย่อยหรือ clusters แต่มีความแตกต่างกันคือค่า structural equivalence ไม่จำเป็นต้องสอบถามว่าใครรู้จักกับใครมาก่อน (เหมือนกับการที่ Amazon.com แนะนำเราว่า มีใครบ้างที่ซื้อหนังสือเล่มเดียวกับที่เราสนใจ เป็นต้น) ทำให้การเก็บข้อมูลเพื่อหา structural equivalence ทำได้ง่ายกว่าการหา clusters

อ้างอิงจากบทความ Hoppe B. and Reineltb C. (2010). Social Network Analysis and the Evaluation of Leadership Networks. The Leadership Quarterly. 21, 4: 600-619.

ผู้เชี่ยวชาญที่จัดว่าเป็นกูรูของศาสตร์นี้ หลายท่านมีผลงานที่น่าสนใจและได้รับการอ้างอิงบ่อยในวงการ SNA ท่านที่สนใจสามารถอ่านเพิ่มเติมได้ อาทิ John Scott, Stephen P. Borgatti & Martin G Everett, Stanley Wasserman & Katherine Faust, Mark Granovetter, Linton C. Freeman เป็นต้น

2 thoughts on “social network analysis (SNA)

  1. ขอบคุณสำหรับข้อความดีๆๆค่ะ พอดีมีความสนใจอยากทำวิจัยทางด้านนี้ค่ะ ลองอ่านการวิเคราะห์ค่าของ SNA แต่ไม่ค่อยเข้าใจการคำนวณค่าต่างๆๆเท่าไรค่ะ
    คุณ ruchareka พอจะมีคำแนะนำไหมค่ะ ไม่ทราบว่ามีโปรแกรมอะไรบ้างค่ะที่เหมาะสมในการคำนวณด้านนี้ค่ะ ขอบคุณมากค่ะ

  2. Thanks for very good information, you made it clearly, I am looking for SNA for Thai social ,so please you reccomend me about that? which kind of research area I should concern?

ใส่ความเห็น

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / เปลี่ยนแปลง )

Twitter picture

You are commenting using your Twitter account. Log Out / เปลี่ยนแปลง )

Facebook photo

You are commenting using your Facebook account. Log Out / เปลี่ยนแปลง )

Google+ photo

You are commenting using your Google+ account. Log Out / เปลี่ยนแปลง )

Connecting to %s