学习分析技术【02】--社交网络分析一、单模式网络二、双模式网络三、度量方法四、社交网络分析案例(SNA)五、认知网络分析案例（ENA）六、知识建构话语分析平台（Kbdex）七、使用R中遇到的一些问题八、使用Gephi实现社会网络分析九、小结十、其他学习资源

137 阅读 0 评论 91 点赞

我是靠谱客的博主兴奋白开水，最近开发中收集的这篇文章主要介绍学习分析技术【02】--社交网络分析一、单模式网络二、双模式网络三、度量方法四、社交网络分析案例(SNA)五、认知网络分析案例（ENA）六、知识建构话语分析平台（Kbdex）七、使用R中遇到的一些问题八、使用Gephi实现社会网络分析九、小结十、其他学习资源，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

一、单模式网络

包含相似类型节点的单模式网络，用于只涉及人的网络分析（如学习者互动网络）或只涉及信息的网络（如文献引用结构）。

二、双模式网络

包含两组不同类型节点的双模式网络。节点连线只存在于不同类型节点之间，用于分析涉及人和信息的网络（如学习者的资源使用）或人和活动的网络（如学习者的讨论参与）。

三、度量方法

（1）节点层面

度：参与者在网络中拥有的连接总数

出度：指出参与者的连接总数

入度：指向参与者的连接总数

度中心性越高表示该学习者与其他成员的联系越多，其参与论坛较为活跃。

中介中心度：参与者如何在两个参与者之间的对剑路径中扮演中介者角色，反应参与者对网络中其他人产生的中介效应。

中间中心度高的行动者，通常在多个学习者间扮演者不可或缺的沟通桥梁作用，是社会网络交互活动的核心参与者，而相反中间中心度低的行动者，处于社会网络的边缘，容易被其他个体学习者所忽略。“中介人”不仅可以控制信息流通的方向和方式，而且可以协调其他两个个体或者组织之间的联系，在网络交互中起着桥梁的作用。

接近中心度：接近中⼼度可以进⼀步分为⼊接近中⼼度和出接近中⼼度，分别反映了参与者
接收和传播信息的效率。
接近中心性需要考量每个结点到其它结点的最短路的平均长度。也就是说，对于一个结点而言，它距离其它结点越近，那么它的中心度越高。一般来说，那种需要让尽可能多的人使用的设施，它的接近中心度一般是比较高的。

论坛中某一学习者与其他学习者之间的接近性程度，描述的是在网络中学习者对其他成员的依赖程度，接近中心性越高，则该学习者在获得传播信息时，越不依赖其他学习者。

（2）网络层面

密度：实际关系数与网络中多有可能关系数的比率
平均路径长度：所有可能节点对的最短路径平均数
互惠性&传递性：反映参与者在⽹络中的连接⽔平
集中性：可以说明⽹络的分布特征
集中化值范围从0(最均匀分布的⽹络)到1(最集中的⽹络)。
⽹络凝聚性和 Opsahl 的全局聚类系数(GCC)：说明⽹络的凝聚性程度，范围从0(完全不连通的⽹络)到1(最连通的⽹络)。

四、社交网络分析案例(SNA)

类型：在线课程社交网络分析
数据编码：maxtric(矩阵)、edg（边）

本案例截取了某音乐软件下某首歌的评论区讨论情况，数据为矩阵类型。

3. 使用R语言来对该数据进行分析（代码如下）

library(sna)
# load t he matrix file
all_matrix<- read.csv("C:\Users\乐享\Desktop\matri.csv", row.names=1) #这⾥是你存储数据⽂件的位置
# load t he edge list file
#all_edge<- read.csv("/.../all_edge.csv")
####### use package sna, net work ##########
library(sna)
# plot the network, not pretty
gplot (all_matrix,gmode="digraph",
       displaylabels=TRUE,label.cex=0.8,vertex.col="darkolivegreen")
# convert matrix to network format for further analysis
overallnet =network(all_matrix)
overallnet
############################
###### node level analysis#######
############################
#calculate in/out degree
id<-degree(overallnet ,gmode="digraph",cmode="indegree")
od<-degree(overallnet ,gmode="digraph",cmode="out degree")
id
od
id+od
#betweenness
bet1=betweenness(overallnet ,rescale=T )
bet2=betweenness(overallnet )
bet1
bet2
#closeness
clo1=closeness(overallnet ,rescale=T )
clo2=closeness(overallnet )
clo1
clo2
#Eigenvector
eig1=evcent (overallnet ,rescale=T )
eig2=evcent (overallnet )
eig1
eig2
#plot node size and color based on in/out degree
gplot (overallnet , vertex.cex=(id+od)^0.5/2, gmode="graph",
       boxed.labels=FALSE,label.cex=0.7, label.pos=5, label.col="grey17",
       vertex.col=rgb((id+od)/max(id+od),0,(id+od)/max(id+od)),edge.col="grey17",
       label=network.vertex.names(overallnet ),edge.lwd=all_matrix/2,mode =
         "f rucht ermanreingold")
###########################################
######## graph level analysis ######
###########################################
centralization(overallnet ,degree)
centralization(overallnet ,degree,cmode="out degree")
centralization(overallnet ,degree,cmode="indegree")
centralization(overallnet , betweenness)
centralization(overallnet , closeness)
centralization(overallnet , evcent )
network.size(overallnet )
gden(overallnet ,mode="graph") #density
degree(overallnet )
mean(degree(overallnet )) #average degree
sum(id)/20 #average in degree
sum(od)/20 #average out degree
#transitivity(overall net )
dyad.census(overallnet )
network.dyadcount (overallnet , na.omit = F)
network.edgecount (overallnet , na.omit = F)
grecip(overallnet , measure = "edgewise")
grecip(overallnet , measure = "dyadic")
grecip(overallnet , measure = "dyadic.nonnull")
gtrans(overallnet ) #transitivity
hierarchy(overallnet , measure = "reciprocit y")
hierarchy(overallnet , measure = "krackhardt ")
# Returns t he number of component s within net work
components(overallnet ,connected="weak")
#returns the Krackhardt connectedness
connectedness(overallnet , g=NULL)

4.分析结果