Mark Granovetter, Stanley Milgram

以前分別讀過他們下面這些經典文章，最近才發現原來是同個作者。
共同的特點是，他們都美國的社會心理學家，分別都對Collective Behavior與Social Network有不小的貢獻。

Mark Granovetter

• The Strength of Weak Ties(1973)，本來只是他博士論文( Getting A Job: A Study of Contacts and Careers)中的一章，他的博士論文提出大部分的人找到新工作，往往是透過弱連結(weak tie)的朋友介紹，因為強連結(strong tie)的朋友所掌握的資訊與自身差異不大，唯有透過弱連節才可獲得較多新訊息的機會。這篇博士論文起初並未受到重視，但弱連結的概念幫助Duncan Watts找出結合random graph(six-degree separation)與regular graph(high clustering)特性的small world network model。使得weak tie成為在討論social network時,不可或缺的重要環節。

• Threshold Models of Collective Behavior(1978)，認為人的行為決策常會受到週遭同質性朋友的影響，當週遭朋友大都未行動時，大部分的人都只選擇旁觀。這篇paper用統計的方式找出眾人影響個人行動的threshold model。是後來研究群眾行為的學者，必讀的一篇重要經典。這篇文章與旁觀者效應，我覺得有異曲同工之妙。

Stanley Milgram

• Six Degrees of Separation(1967)，又稱Milgram Experiment ，這實驗簡單來說，他每次都從美國挑選兩個彼此不認識的人，A與B，並要求A將包裹寄給所有朋友中最可能認識B的人，C，同樣要求C將包裹寄給所有朋友中最可能認識B的人，如此不斷的將此包裹寄發給朋友，直到B收到包裹為此。實驗結果，平均只需透過5.5個人，便可將包裹送達。說明了看似複雜的社會，實際的組成結構卻可能是相對簡單可以掌握的。此實驗激勵了社會學家、數學家、電腦科學家甚至物理學家，開始如火如荼的研究複雜理論。

• Milgram's obedience experiment(1961)，他解釋了納粹及被納粹俘虜的猶太人，為何得以泯滅人性地虐待受害者。他請實驗參與者按下一個按鈕，可以產生各種程度的電流，去電擊一位綁在實驗室椅子上的人，而且參與者可以目擊到這名遭電擊的人。Milgram告知參與者坐在椅子上的人是實驗對象，實驗是為為了研究體罰對學習的效果。但事實上，綁在椅子上的人只是個演員，真正的實驗對象是這些參與者。在實驗中，Milgram會問坐在椅子上的人各種問題，只要他答錯，便會要求參與者按下電擊的按鈕去懲罰坐在子上的人。電流從15伏特開始，依Milgram的要求逐步增加。坐在椅子上的演員會隨著"假電流"的提升，演出不同程度的痛苦，從輕度的呻吟、喊痛、痛苦的尖叫到哀求停止實驗等。這個實驗使參與者面臨兩難的窘境，一是自己的道德良心，一是外部的權威。僅管大部分的參與者進行到某個電流程度時，便會為受電擊者求情，但只有少數人最後真正與Milgram決裂要求實驗停止。實驗結果，四十個參與者，有二十六個繼續執行電擊，直到電壓450伏特。實驗結果顯示，大部分的人都無法將道德標準置於權威人士的服從之上。我曾看過一部電影叫做實驗監獄，是翻拍史丹福大學做過的真實實驗，也與Milgram的實驗相呼應。

2009/6/13  新增

下面的影片是Philip Zimbardo介紹社會心理學的影片，片中提到了Kurt Lewin的group dynamics跟Milgram的服從權威實驗。此外，Zimbardo本身正是實驗監獄的教授。　




2009/7/29 新增
Philip Zimbardo 跟Stanley Milgram居然是James Monroe高中的同班同學!!!
(<<電醒世界的人>>及<<路西法效應>>都有提到)



2009/11/5新增
下面是兩個有關obedience experiment的影片




Milgram Experiment (Derren Brown)
http://www.youtube.com/watch?v=y6GxIuljT3w


事實上，Stanely Milgram在哈佛的時候，曾擔任過Solomon Asch(當時在哈佛做客座教授)的助理，
並一起完成著名的conformity experiment，後來Milgram還把Asch的實驗舊瓶裝新酒，完成了博士論文。
不過也因此受了啟發，才有後來了不起的obedience experiment。
(兩個實驗的操作手法有些類似，但探討的點很不同，
分別揭露人在面對群眾壓力和權威壓力時的反應，實驗結果都帶給社會極大的震撼，
原來人類的自主性，在很多時候並不如我們所想的堅強。)

下面是Asch 的conformity experiment



Zimbardo的prison experiment可以說是集conformity experiment及obedience experiment的大成，並將它們都歸納為情境的力量。

常見的相關理論與實驗歸納如下：

Kurt Lewin's Group Dynamic (1940s)
Asch's Conformity Experiment (1951)
Milgram's Obedience Experiment (1961)
John Darley and Bibb Latane's Bystander Effect (1968)
Zimbardo's Standford Prison Experiment (1971)
George Kelling and Catherine Coles' s Broken Window Theory (1996)

有趣的是 Milgram曾擔任過Asch的助理，Milgram跟Zimbardo曾是高中同學，
他們三個人的實驗分別隔了十年，都是驚世之作。

Social Network notes

Social Network是社會科學的分支，目的在檢視人們於社會、經濟，文化等框架(framework)中所扮演的角色。以人為節點(vertices)，框架中的關係做為連結(edges)以建構社會關係的模型，並藉此分析個體與個體、個體與群體、群體與群體之間的互動關係及影響。

Social Network Analysis(SNA)認為社會結構是客觀存在的，但它並非僅是簡單的分層關係，而是複雜的網路結構。SNA便是針對這種結構，利用量化的方式進行描述分析。

定義
actors(角色)：或稱為nodes(即graph裡的vertices)
relations(關聯)：或稱為ties(即graph裡的edges)

屬性
Size：actor的個數。
Density：actor之間的連結程度，越高代表actor之間的關係越緊密。
Degree：分為indegree及outdegree，indegree指其他actor到特定actor之間的relations；outdegree則是特定actor到其它actor之間的relations。
Distance:：actor與actor之間的path length。
Diameter：Network中的longest path的長度。
Clustering：與鄰居實際的連結數 ／ k(k-1)/2，k是鄰居數。

分析指標
Centrality (for actor)：
Degree-Centrality：某actor到其它actor的relations總數，可用來估算該actor的受歡迎程度及勢力範圍。此項指標較大的actor被稱為hub。
Closeness-Centrality：某actor到network所有其它actor的距離總和最短。
Betweenness-Centrality：某actor扮演Bridge的位置，接通最多原本彼此無直接連結的actor。
Cohesion (for network)：actor彼此直接相連的最大程度(最多node數)。

分析工具
SNA常用圖論及代數的方法描述。目前已有多個供學術免費使用的分析軟體 ，如:UCINet、Pjaek、KrackPlot、STRUCTURE、NEGOPY等，其中又以前兩者最被廣泛使用。

SNA的侷限
SNA只能對靜態資料做分析，無法在分析結果中觀察時間因素及actor彼此互動的變化過程，可能漏失重要的影響因素及線索。此外，SNA主要針對小型、受限(bounded)的網路做分析，Node的型態僅能一種(如:人)。

Dynamic Social Network
由於SNA的侷限性，延伸SNA的進階研究如雨後春筍般逐年增加中。
研究工作主要著眼於：
1. 可對時間分析的Framework
2. Node及Relation可具多重代表性
3. 具演化(evolution)能力
4. 可有效規模化(Scaling)

目前已知的研究成果如下：
1. Metagroup：將input data依時間(事件)順序做分類，並利用相似度的計算，找出不同時間切面的相關團體(group)以建立Metagroups。透過對Metagroup的計算，如：Metagroup的數量、最大或平均Metagroup的length、Largest Metagroup等，可以得到每個時間切面最穩定、最大或最持久的Metagroup，以及關鍵團體集合(Critical Group Set)。[7]
 

2. Meta-Matrix：定義了四種Entity，分別是people、knowledge/resources、events/tasks，並在這些Entity之間定義了十個inter-linked network，任何一個network有所變動，都會串聯影響其它的network。[3]

 
3. Probabilistic Ties：視網路為複雜物理系統，利用統計或機率規則(如Bayesian updating techniques)動態調整Relation的權重值，以限制它演化過程的屬性及行為變化方向。[1, 2, 4, 5, 6]

4. Multi-Agent Network Models：利用計算智慧(Computing Intelligence)的方法，視Node為Agent，並賦於它們學習(learning)能力，使得所有Agent能夠共生演化(co-evolve)。[7]

 

 

Reference
[1] A.-L. Barabasi. The origin of bursts and heavy tails in human dynamics. Nature, 435:207–211, 2005.
[2] B. Skyrms, R. Pemantle. A dynamic model of social network formation, math.PR/0404101 = Proceedings of the National Academy of Sciences 97 (2000): 9340--9346.
[3] K. Carley. Dynamic network analysis. In R. Breiger, K. Carley, and P. Pattison, eds, Dynamic Social Network Modeling and Analysis, 133–145. The Nat. Acad. Press, Wash., DC, 2003.
[4] P.Gill, T. Swartz. Bayesian analysis of directed graphs data with applications to social networks, Journal of the Royal Statistical Society: Series C (Applied Statistics), Vol. 53, No. 2. (April 2004), pp. 249-260.
[5] P. Sarkar, A. Moore. Dynamic Social Network Analysis using Latent Space Models, ACM Special Interest Group on Knowledge Discovery and Data Mining, vol.7, No.2, (December 205), pp. 31-40.
[6] R. Albert and A.-L. Barab’asi. Statistical mechanics of complex networks. Rev. Mod. Phys., 74:47–97, 2002.
[7] T. Berger-Wolf, J. Saia. A Framework for Analysis of Dynamic Social Networks , KDD’06, August 20-23, 2006, Philadelphia, Pennsylvania, USA.

Six Degree of Separation

1929年匈牙利人Frigyes Karinthy 出了一本書叫 Everything is Different，
其中有一篇短文叫Chain-Links，內容提到： (擷自wiki)
A fascinating game grew out of this discussion. One of us suggested performing the following experiment to prove that the population of the Earth is closer together now than they have ever been before. We should select any person from the 1.5 billion inhabitants of the Earth—anyone, anywhere at all. He bet us that, using no more than five individuals, one of whom is a personal acquaintance, he could contact the selected individual using nothing except the network of personal acquaintances.

簡單來說，便是地球上任取兩個人，
最多中間只需要透過五個人（六個steps)，便可建立他們之間的關聯。
用CS的術語來說，就是任兩個人之間的shortest path不超過6。
如下圖所示：

 


1967年美國哈佛大學社會心理學家Stanley Milgram做了一個有趣的實驗，想驗證上述的說法。
這實驗簡單來說，他每次都從美國挑選兩個彼此不認識的人，A與B，
並要求A將包裹寄給所有朋友中最可能認識B的人，C，
同樣要求C將包裹寄給所有朋友中最可能認識B的人，
如此不斷的將此包裹寄發給朋友，直到B收到包裹為此。
(應該是連鎖信的始祖.. XD)

實驗結果，平均只需透過5.5個人，便可將包裹送達。
(聽說有效樣本數並不多)
Stanley Milgram將此成果發表在Psychology Today期刊上，
宣稱small world現象的存在，引起了廣大的注意與討論。
後來的學者都稱此實驗為Milgram Experiment。


後來也不知Six Degrees of Separation這詞是怎麼來的，
在Stanley Milgram的研究中雖從未提過這詞，
但相關研究中，因為他的實驗最早也最令人深刻，
因此大家只要提到這詞，都會歸功於Stanley Milgram。


Six Degrees of Separation後來引起社會學家、數學家、物理學家的注意。
(乍看很複雜的問題，可以用相對簡單的結構去model，一向是科學家的最愛...XD)

於是陸續有人做了一些有趣的實驗，如：Erdős number、Bacon Number。
前者實驗證明了看似很大的數學界，每個數學家與Paul Erdös的平均距離卻只有4.65。
數學家們以是否曾經共同發表paper做為關聯，
也就是若有數學家A曾跟Paul Erdös一起發表paper，那A的Erdős number便是1。
若有數學家B曾跟數學家A一起發表paper，那B的Erdős number便是2。
以此類推。
（Paul Erdős and Alfréd Rényi提出Erdős-Rényi model 以產生random graph，
是social network的先驅。不知道是不是因為如此，才被選為衡量距離的基準。
事實上是因為Paul Erdős發表過1500份論文，一生中合作過的數學家超過450人。
非常適合做為衡量距離的基準。)

Bacon Number運用類似的手法，以演員Kevin Bacon為基準，
與他共同演過戲的演員A，Bacon Number便是1。
與演員A演過戲的演員B，Bacon Number便是2。
以此類推。

實驗結果hollywood演員的平均Bacon Number只有2.97。
(之所以選Kevin Bacon為計算基準，聽說是因為他拍過的電影多到難以計數。)

有趣的是美國Virignia大學的資訊科學系學生，把上述這實驗實作出來，
站名叫 The Oracle of Bacon at Virginia，
使用者只需輸入任何hollywood movie star的名字，
系統便列出他與Kevin Bacon的聯結是哪些其它的movie stars。

下圖是我輸入Jackie Chen跑出來的結果。

 

 

Six Degrees of Separation雖然很早便被提出及注意，
但真正開始火熱發展卻是2000之後social network的研究與應用。
我想任誰都猜的到，這與google的崛起，web2.0時代的來臨當然脫離不了關係。

至於Six Degrees of Separation與social network之間的演變過程，找機會再來詳談吧~~ XD

visualcomplexity.com

這也是今天Martin Rosvall 在lecture上demo的網站。

visualcomplexity.com

 

此網站的目的在於蒐集所有具視覺化的complex network project。

以下是官網介紹：

Goal

VisualComplexity.com intends to be a unified resource space for anyone interested in the visualization of complex networks. The project's main goal is to leverage a critical understanding of different visualization methods, across a series of disciplines, as diverse as Biology, Social Networks or the World Wide Web. I truly hope this space can inspire, motivate and enlighten any person doing research on this field.

Not all projects shown here are genuine complex networks, in the sense that they aren't necessarily at the edge of chaos, or show an irregular and systematic degree of connectivity. However, the projects that apparently skip this class were chosen for two important reasons. They either provide advancement in terms of visual depiction techniques/methods or show conceptual uniqueness and originality in the choice of a subject. Nevertheless, all projects have one trait in common: the whole is always more than the sum of its parts.

 

eigenfactor.org

之前一直聽說social network 有一paper citation的應用例子，

今天在 Martin Rosvall 的 lecture上總算看到這個應用。

這網站叫eigenfactor，(第一眼看到讓我想到線性代數的eigenvalue及eigenvector..XD)

它使用各領域的學術期刊的referrence做分析，並用超酷的flash介面動態呈現，

得以一目了然各學術領域之間的相關性及領域期刊的重要性。

下圖是Computer Science研究領域的network。

 

 

2009/11/23

剛才發現它還可以用來查journal的eigenfactor score 與article influnce