کاربرد تحلیل شبکه در شناخت روابط و گردش اطلاعات

دو حساب ممکن است هرکدام هزار بار بازنشر شده باشند، اما نقش یکسانی در گردش اطلاعات نداشته باشند. محتوای یکی فقط در یک گروه محدود می‌چرخد و دیگری میان چند گروه ارتباط برقرار می‌کند. تحلیل شبکه کمک می‌کند این تفاوت را ببینیم و از شمارش پیام‌ها به مطالعه روابط برسیم. پرسش اصلی این روش آن است که چه کسانی با یکدیگر ارتباط دارند و اطلاعات از چه مسیرهایی عبور می‌کند. پاسخ می‌تواند برای مطالعه انتشار خبر، اجتماعات آنلاین و جایگاه منابع مفید باشد؛ مشروط به اینکه دقیقاً بدانیم شبکه چگونه ساخته شده است.

گره و رابطه را متناسب با پرسش تعریف کنیم.
شبکه از گره‌ها و رابطه‌های میان آن‌ها تشکیل می‌شود. گره می‌تواند یک حساب کاربری، کانال یا رسانه باشد. رابطه نیز ممکن است بازنشر، پاسخ، اشاره به حساب دیگر یا پیوند به یک منبع باشد. واسرمن و فاوست (۱۹۹۴) تحلیل شبکه اجتماعی را بر مطالعه همین ساختارهای رابطه‌ای بنا می‌کنند. فرض کنید می‌خواهیم بدانیم کدام کانال‌ها منبع بازنشرند. می‌توان هر کانال را یک گره گرفت و از کانال بازنشرکننده به کانال منبع، رابطه‌ای جهت‌دار رسم کرد. اگر این کار چند بار تکرار شود، تعداد بازنشرها وزن رابطه خواهد بود. جهت انتخاب‌شده باید در گزارش توضیح داده شود؛ زیرا بر معنای شاخص‌هایی مانند درجه ورودی اثر دارد. شبکه پاسخ با شبکه بازنشر یکسان نیست. پاسخ ممکن است نشانه گفت‌وگو یا اعتراض باشد و بازنشر نیز الزاماً تأیید محتوا نیست. ادغام این روابط بدون تفکیک، تفسیر را دشوار می‌کند. بهتر است نخست برای هر نوع رابطه شبکه جداگانه بسازیم و در صورت نیاز، با منطق روشن آن‌ها را ترکیب کنیم.

حساب‌های مرکزی چه کسانی هستند.
مرکزیت یک شاخص واحد نیست. در مثال بالا، درجه ورودی می‌تواند تعداد کانال‌هایی را نشان دهد که از یک منبع بازنشر کرده‌اند. اگر تعداد دفعات بازنشر را هم لحاظ کنیم، درجه وزن‌دار یا قدرت گره به دست می‌آید. این دو، گستردگی ارتباط و شدت آن را از یکدیگر جدا می‌کنند. مرکزیت بینابینی به حضور گره در کوتاه‌ترین مسیرهای شبکه مربوط است و می‌تواند سرنخی از جایگاه واسطه‌ای آن بدهد. پیج‌رنک نیز با توجه به ساختار پیوندها، امتیازی برای گره‌ها محاسبه می‌کند. نیومن (۲۰۱۰) این مفاهیم و تفاوت‌های آن‌ها را توضیح داده است. انتخاب شاخص باید تابع پرسش باشد؛ هیچ رتبه‌بندی واحدی همه جنبه‌های اهمیت یک حساب را نشان نمی‌دهد.
برای تفسیر، چند پیام از حساب‌های رتبه‌بالا را نیز بخوانید. ممکن است حسابی به دلیل انتشار خبری نادرست و موج واکنش انتقادی به آن، در مرکز شبکه قرار گرفته باشد. در این وضعیت، عبارت «مرکزی در شبکه بازنشر» دقیق‌تر از «مؤثر در تغییر افکار عمومی» است.

اجتماع‌ها را همراه با محتوایشان بررسی کنیم.
روش‌های کشف اجتماع، بخش‌هایی از شبکه را مشخص می‌کنند که گره‌هایشان ارتباط بیشتری با یکدیگر دارند. اما رنگ‌های متفاوت روی نمودار، خودبه‌خود معنای سیاسی یا اجتماعی ندارند. برای نام‌گذاری هر اجتماع باید محتوای پیام‌ها، منابع پرتکرار و زمینه بحث بررسی شود. فرزام و همکاران (۲۰۲۳) در مطالعه بحث‌های توییتر فارسی، ساختار بازنشر و نشانه‌های فعالیت حساب‌های غیرواقعی را بررسی کرده‌اند. یافته‌های چنین مطالعه‌ای به همان بحث‌ها، دوره زمانی و روش شناسایی محدود است و نباید به همه کاربران فارسی‌زبان تعمیم داده شود. تشخیص خودکار حساب غیرواقعی نیز برآوردی همراه با خطاست، نه حکم قطعی درباره هویت صاحب حساب. در تحلیل اجتماع‌ها، نتیجه را با چند تنظیم معقول روش بررسی کنید. اگر با تغییر کوچک تنظیمات، گروه‌بندی کاملاً عوض می‌شود، باید این ناپایداری را گزارش کرد. شکل ظاهری نمودار نیز ممکن است با تغییر روش چیدمان عوض شود، بدون آنکه روابط شبکه تغییر کرده باشند.

شبکه خبری چه تفاوتی دارد
در داده خبری، می‌توان رسانه‌ها را بر اساس ارجاع به یکدیگر متصل کرد. گزینه دیگر، شبکه هم‌ظهوری اشخاص یا سازمان‌ها در خبرهاست. در این حالت، رابطه صرفاً به معنای حضور دو نام در یک متن است و وجود همکاری یا ارتباط واقعی میان آن‌ها را اثبات نمی‌کند. در تلگرام نیز اگر کانالی متن را بدون حفظ پیوند منبع کپی کند، رابطه بازنشر مستقیم دیده نمی‌شود. شباهت متن می‌تواند سرنخ باشد، اما برای نسبت‌دادن قطعی رابطه کافی نیست. مرز داده‌های قابل مشاهده باید در کنار نمودار توضیح داده شود.

از یک شبکه کوچک شروع کنیم
برای تمرین، یک موضوع محدود و بازه زمانی کوتاه انتخاب کنید. فهرست گره‌ها و روابط را بسازید، شناسه‌های تکراری را یکدست کنید و جهت رابطه را ثبت کنید. سپس یک یا دو شاخص متناسب با پرسش محاسبه کنید و جایگاه گره‌های مهم را با خواندن محتوا توضیح دهید. در گزارش نهایی، تعریف رابطه، تعداد گره‌ها، بازه زمانی و محدودیت گردآوری را بیاورید. یک شبکه کوچک با تفسیر روشن، از نموداری شلوغ که فقط چند حساب را «بانفوذ» می‌نامد، اطلاعات پژوهشی بیشتری در اختیار خواننده می‌گذارد.

منابع
Farzam, A., Moradi, P., Mohammadi, S., Padar, Z., & Siegel, A. A. (2023). Opinion manipulation on Farsi Twitter. Scientific Reports, 13, 333. https://doi.org/10.1038/s41598-022-26921-5
Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.
Wasserman, S., & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.