class: center, middle, inverse, title-slide # 趣缘群体的在线交谈模式 ## 参与式观察和社会网络分析 ### 宋庆宇 ### 河海大学 公共管理学院 ### 2020/11/26 --- **<big>大纲：</big>** - <big>研究背景</big> - <big>研究问题</big> - <big>已有研究</big> - <big>研究数据与方法</big> - <big>研究结果</big> - <big>总结与讨论</big> --- class: center, middle #研究背景 --- - 信息社会，网络趣缘群体是网络社群的主要形式（罗自文，2013） + 以微信为例， 2019年微信的月活跃账户数超过了11.5亿，比去年同期增长6%（《2019 年微信数据报告》） + 人们在社交媒体上投入越来越多得时间，用来维持与拓展社会关系（Boyd & Ellison, 2007; Ellison, Steinfield, & Lampe, 2007） + 人们沉浸在数字世界中，通过各种线上活动，使得在线社区成为一个具有社区感的社会世界 + 美国学者 Howard Rheingold提出“虚拟社区”概念：一种新型的社群，以共享的价值为中心，将人群集中在线上 - 疫情期间，网络与社交媒体成为人们日常互动的重要媒介 + 在政府“少出门”号召下，人们借助于网络媒介进行购买生活必需品、了解疫情动态，在线办公与教学等各种社会活动 + 艾瑞数据显示，疫情期间社交网络等单机有效使用时间增速迎来新高峰 --- class: center, middle #研究问题 --- - 现实社会中的因素对线上网络群体互动是否有影响？ + 如果有，这些社会因素对网络社区中互动产生什么影响？ - 网络群体互动机制变化的动力是什么？ --- class: center, middle #已有研究 --- - 早期研究认为，在线社区的匿名性对社会互动产生负面影响 + 由于匿名性，很难达成共识（Baron, 1984; Kiesler, Siegel, & McGuire, 1984） + 最近研究发现，匿名性也有积极的影响，例如可以创造新的身份认同 - 事实上，任何在线团体的参与者都会将线下经验等以某种方式带入在线群体的互动中（Baym，2000） 但是，现有的研究对于线下社会因素与线上社会互动之间的关系没有很好的研究 --- - 在线社区的社会影响： 1. 在陌生人之间建立联系，拓展社会关系（林南，2005） 1. 讨论情绪和体验的场所，提供情感支持（卡斯特尔，2003； Neubaum, Ro€sner, Rosenthal-von der Pütten, & Kra€mer, 2014） 1. 对信息有很高的控制性（Liu & Shrum, 2002），并且可以提高获取信息的便利性（Ha & James, 1998; Yoo et al., 2010） - 在线社区的结构 1. 网络趣缘群体存在着事实上的重心，结构呈现中心化特征（罗自文，2013） 2. 网络趣缘群体由于平台的差异，在信息传播模式上呈现不同模式（罗自文，2013） 总之，现有研究中没有关注网络社群内部互动的机制与社群结构的演化机制 --- ##研究假设 .pull-left[ 1. 社会属性假设：社会因素影响在线社区参与者的策略（Baym，2000） - <middle>同质性假设：同质性是许多社会关系的特征（McPherson et al. 2001）</middle> *<small>1.1.1：相同性别的成员更愿意交流</small>* *<small>1.1.2：相同领导职位的成员更愿意交流</small>* *<small>1.1.3：相同学历阶段的成员更愿意交流</small>* *<small>1.1.4：相同在学状态的成员更愿意交流</small>* *<small>1.1.5：相同技术设备状况的成员更愿意交流</small>* *<small>1.1.6：相同能力水平的成员更愿意交流</small>* ] .pull-right[ 1. 社会属性假设：社会因素影响在线社区参与者的策略（Baym，2000） - <middle>异质性假设：</middle> *<small>1.2.1: 成员的年差异越大，交流的可能性越低（数据还不完全）</small>* *<small>1.2.1: 成员的群体地位不同，交流的可能性越低</small>* ] --- ##研究假设 .pull-left[ 2. 时间效应假设——近因效应 - 假设2： 成员的会话会引发其他成员的回应 - *其他会话规范效应：如顺序变化（turn-taking）、顺序发言（sequential address）以及抢夺发言（turn-usurping），由于计算机的内存原因，稍后会做完善* ] .pull-right[ 3. 空间效应假设--社交工具能够消除空间距离的限制 - *数据还没采集完全，结果还没有分析* ] --- class: center, middle #研究数据与方法 --- ##数据 - 微信是线下社会与线上社会之间的连接口，复制、传递、表现与促进着线下的连接 - 社会关系与资本可以从线下社会转移到线上社会互动 - 信息只在共同的朋友之间共享，不向公众开放 - 微信既没有建立一个完全脱离线下世界的新领域，也没有通过计算好有之间的联系来推荐朋友 --- ##数据 - 长跑爱好者俱乐部的微信群，成立于2016年10月，由某大学的普通学生组成，从最初的12人发展到几十人，组织成员日常训练。 - 疫情期间，由于无法返校，只有借助微信进行线上交流 - 本研究选取了2020年1月-2020年7月半年的微信群聊天记录，进行编码： - 有64节点 - 共1042条关系 - 有10838条聊天记录 --- ##数据 ###最活跃参与者 <!-- --> --- ##数据 ###最有人气参与者 <!-- --> --- ##数据 ###最有人气参与者 <!-- --> --- ##数据 ###每天聊天事件的时间分布 <!-- --> --- ##数据 ###按日期聊天情况 <!-- --> --- ##数据 ###每个月平均会话次数 <!-- --> --- ##数据 ###网络统计量 |name |label |gender |leader |watch |graduate |school |race | |:----|:------|:------|:------|:-----|:--------|:------|:----| |1 |焦佳升 |1 |0 |1 |2 |0 |1 | |2 |肖婷婷 |0 |1 |1 |2 |0 |1 | |3 |刘圣辰 |1 |1 |1 |1 |1 |1 | |4 |曹成龙 |1 |1 |1 |1 |1 |1 | |5 |杨江南 |1 |1 |1 |3 |1 |1 | |6 |韩特梁 |1 |0 |1 |1 |1 |1 | |7 |段效智 |1 |1 |1 |1 |1 |1 | |8 |王悦翔 |1 |0 |1 |3 |1 |0 | |9 |张敏中 |1 |0 |1 |3 |1 |1 | |10 |吴双 |0 |1 |1 |1 |1 |1 | |from |to | weight| |:----|:--|------:| |54 |55 | 2| |54 |13 | 1| |54 |5 | 3| |55 |54 | 5| |55 |21 | 2| |55 |5 | 25| |3 |55 | 2| |3 |22 | 7| |3 |29 | 1| |3 |10 | 20| --- ##数据 ###网络统计量 ``` ## Network attributes: ## vertices = 64 ## directed = TRUE ## hyper = FALSE ## loops = FALSE ## multiple = FALSE ## bipartite = FALSE ## total edges = 1042 ## missing edges = 0 ## non-missing edges = 1042 ## density = 0.2584325 ## ## Vertex attributes: ## ## gender: ## character valued attribute ## attribute summary: ## 0 1 ## 17 47 ## ## graduate: ## character valued attribute ## attribute summary: ## 1 2 3 ## 29 23 12 ## ## leader: ## character valued attribute ## attribute summary: ## 0 1 ## 55 9 ## ## race: ## character valued attribute ## attribute summary: ## 0 1 ## 32 32 ## ## school: ## character valued attribute ## attribute summary: ## 0 1 ## 16 48 ## vertex.names: ## character valued attribute ## 64 valid vertex names ## ## watch: ## character valued attribute ## attribute summary: ## 0 1 ## 25 39 ## ## Edge attributes: ## ## weight: ## mixed class attribute ## 1042 values ## ## Network edgelist matrix: ## [,1] [,2] ## [1,] 2 1 ## [2,] 3 1 ## [3,] 4 1 ## [4,] 5 1 ## [5,] 6 1 ## [6,] 7 1 ## [7,] 8 1 ## [8,] 9 1 ## [9,] 10 1 ## [10,] 11 1 ## [11,] 12 1 ## [12,] 13 1 ## [13,] 14 1 ## [14,] 15 1 ## [15,] 17 1 ## [16,] 18 1 ## [17,] 19 1 ## [18,] 20 1 ## [19,] 21 1 ## [20,] 22 1 ## [21,] 23 1 ## [22,] 25 1 ## [23,] 26 1 ## [24,] 27 1 ## [25,] 28 1 ## [26,] 29 1 ## [27,] 33 1 ## [28,] 36 1 ## [29,] 40 1 ## [30,] 48 1 ## [31,] 52 1 ## [32,] 61 1 ## [33,] 62 1 ## [34,] 63 1 ## [35,] 1 2 ## [36,] 3 2 ## [37,] 4 2 ## [38,] 5 2 ## [39,] 6 2 ## [40,] 9 2 ## [41,] 10 2 ## [42,] 11 2 ## [43,] 12 2 ## [44,] 13 2 ## [45,] 15 2 ## [46,] 17 2 ## [47,] 19 2 ## [48,] 20 2 ## [49,] 21 2 ## [50,] 25 2 ## [51,] 27 2 ## [52,] 28 2 ## [53,] 29 2 ## [54,] 30 2 ## [55,] 31 2 ## [56,] 35 2 ## [57,] 36 2 ## [58,] 38 2 ## [59,] 45 2 ## [60,] 46 2 ## [61,] 48 2 ## [62,] 52 2 ## [63,] 56 2 ## [64,] 1 3 ## [65,] 2 3 ## [66,] 4 3 ## [67,] 5 3 ## [68,] 6 3 ## [69,] 7 3 ## [70,] 8 3 ## [71,] 9 3 ## [72,] 10 3 ## [73,] 11 3 ## [74,] 12 3 ## [75,] 13 3 ## [76,] 14 3 ## [77,] 15 3 ## [78,] 16 3 ## [79,] 17 3 ## [80,] 18 3 ## [81,] 19 3 ## [82,] 20 3 ## [83,] 21 3 ## [84,] 22 3 ## [85,] 23 3 ## [86,] 24 3 ## [87,] 25 3 ## [88,] 26 3 ## [89,] 27 3 ## [90,] 28 3 ## [91,] 29 3 ## [92,] 30 3 ## [93,] 31 3 ## [94,] 32 3 ## [95,] 33 3 ## [96,] 34 3 ## [97,] 36 3 ## [98,] 37 3 ## [99,] 38 3 ## [100,] 39 3 ## [101,] 40 3 ## [102,] 41 3 ## [103,] 43 3 ## [104,] 44 3 ## [105,] 45 3 ## [106,] 46 3 ## [107,] 47 3 ## [108,] 48 3 ## [109,] 49 3 ## [110,] 51 3 ## [111,] 52 3 ## [112,] 53 3 ## [113,] 56 3 ## [114,] 57 3 ## [115,] 60 3 ## [116,] 62 3 ## [117,] 1 4 ## [118,] 2 4 ## [119,] 3 4 ## [120,] 5 4 ## [121,] 6 4 ## [122,] 7 4 ## [123,] 9 4 ## [124,] 10 4 ## [125,] 11 4 ## [126,] 12 4 ## [127,] 13 4 ## [128,] 14 4 ## [129,] 15 4 ## [130,] 17 4 ## [131,] 18 4 ## [132,] 19 4 ## [133,] 20 4 ## [134,] 21 4 ## [135,] 24 4 ## [136,] 25 4 ## [137,] 27 4 ## [138,] 28 4 ## [139,] 29 4 ## [140,] 30 4 ## [141,] 31 4 ## [142,] 33 4 ## [143,] 34 4 ## [144,] 35 4 ## [145,] 40 4 ## [146,] 41 4 ## [147,] 46 4 ## [148,] 47 4 ## [149,] 48 4 ## [150,] 51 4 ## [151,] 52 4 ## [152,] 53 4 ## [153,] 1 5 ## [154,] 2 5 ## [155,] 3 5 ## [156,] 4 5 ## [157,] 6 5 ## [158,] 7 5 ## [159,] 8 5 ## [160,] 9 5 ## [161,] 10 5 ## [162,] 11 5 ## [163,] 12 5 ## [164,] 13 5 ## [165,] 14 5 ## [166,] 15 5 ## [167,] 16 5 ## [168,] 17 5 ## [169,] 18 5 ## [170,] 19 5 ## [171,] 20 5 ## [172,] 21 5 ## [173,] 22 5 ## [174,] 23 5 ## [175,] 24 5 ## [176,] 25 5 ## [177,] 26 5 ## [178,] 27 5 ## [179,] 28 5 ## [180,] 29 5 ## [181,] 30 5 ## [182,] 31 5 ## [183,] 32 5 ## [184,] 33 5 ## [185,] 34 5 ## [186,] 35 5 ## [187,] 36 5 ## [188,] 37 5 ## [189,] 38 5 ## [190,] 39 5 ## [191,] 40 5 ## [192,] 41 5 ## [193,] 43 5 ## [194,] 44 5 ## [195,] 45 5 ## [196,] 46 5 ## [197,] 48 5 ## [198,] 50 5 ## [199,] 51 5 ## [200,] 52 5 ## [201,] 53 5 ## [202,] 54 5 ## [203,] 55 5 ## [204,] 56 5 ## [205,] 57 5 ## [206,] 60 5 ## [207,] 61 5 ## [208,] 62 5 ## [209,] 63 5 ## [210,] 1 6 ## [211,] 2 6 ## [212,] 3 6 ## [213,] 4 6 ## [214,] 5 6 ## [215,] 7 6 ## [216,] 9 6 ## [217,] 10 6 ## [218,] 11 6 ## [219,] 12 6 ## [220,] 14 6 ## [221,] 19 6 ## [222,] 27 6 ## [223,] 46 6 ## [224,] 1 7 ## [225,] 2 7 ## [226,] 3 7 ## [227,] 4 7 ## [228,] 5 7 ## [229,] 6 7 ## [230,] 8 7 ## [231,] 9 7 ## [232,] 10 7 ## [233,] 11 7 ## [234,] 12 7 ## [235,] 13 7 ## [236,] 14 7 ## [237,] 15 7 ## [238,] 16 7 ## [239,] 17 7 ## [240,] 18 7 ## [241,] 19 7 ## [242,] 20 7 ## [243,] 21 7 ## [244,] 22 7 ## [245,] 23 7 ## [246,] 24 7 ## [247,] 25 7 ## [248,] 26 7 ## [249,] 27 7 ## [250,] 28 7 ## [251,] 29 7 ## [252,] 32 7 ## [253,] 33 7 ## [254,] 35 7 ## [255,] 36 7 ## [256,] 37 7 ## [257,] 38 7 ## [258,] 40 7 ## [259,] 41 7 ## [260,] 42 7 ## [261,] 43 7 ## [262,] 44 7 ## [263,] 45 7 ## [264,] 46 7 ## [265,] 47 7 ## [266,] 48 7 ## [267,] 51 7 ## [268,] 52 7 ## [269,] 56 7 ## [270,] 59 7 ## [271,] 62 7 ## [272,] 5 8 ## [273,] 9 8 ## [274,] 13 8 ## [275,] 19 8 ## [276,] 25 8 ## [277,] 1 9 ## [278,] 2 9 ## [279,] 3 9 ## [280,] 4 9 ## [281,] 5 9 ## [282,] 7 9 ## [283,] 8 9 ## [284,] 10 9 ## [285,] 11 9 ## [286,] 12 9 ## [287,] 13 9 ## [288,] 14 9 ## [289,] 15 9 ## [290,] 17 9 ## [291,] 18 9 ## [292,] 19 9 ## [293,] 20 9 ## [294,] 21 9 ## [295,] 22 9 ## [296,] 23 9 ## [297,] 24 9 ## [298,] 25 9 ## [299,] 26 9 ## [300,] 27 9 ## [301,] 28 9 ## [302,] 30 9 ## [303,] 31 9 ## [304,] 32 9 ## [305,] 33 9 ## [306,] 36 9 ## [307,] 38 9 ## [308,] 41 9 ## [309,] 45 9 ## [310,] 46 9 ## [311,] 47 9 ## [312,] 48 9 ## [313,] 49 9 ## [314,] 52 9 ## [315,] 56 9 ## [316,] 63 9 ## [317,] 1 10 ## [318,] 2 10 ## [319,] 3 10 ## [320,] 4 10 ## [321,] 5 10 ## [322,] 6 10 ## [323,] 7 10 ## [324,] 9 10 ## [325,] 11 10 ## [326,] 12 10 ## [327,] 14 10 ## [328,] 15 10 ## [329,] 16 10 ## [330,] 17 10 ## [331,] 18 10 ## [332,] 19 10 ## [333,] 20 10 ## [334,] 21 10 ## [335,] 23 10 ## [336,] 25 10 ## [337,] 26 10 ## [338,] 28 10 ## [339,] 29 10 ## [340,] 32 10 ## [341,] 33 10 ## [342,] 34 10 ## [343,] 35 10 ## [344,] 36 10 ## [345,] 38 10 ## [346,] 45 10 ## [347,] 46 10 ## [348,] 52 10 ## [349,] 56 10 ## [350,] 58 10 ## [351,] 1 11 ## [352,] 2 11 ## [353,] 3 11 ## [354,] 4 11 ## [355,] 5 11 ## [356,] 6 11 ## [357,] 7 11 ## [358,] 9 11 ## [359,] 10 11 ## [360,] 12 11 ## [361,] 13 11 ## [362,] 14 11 ## [363,] 15 11 ## [364,] 17 11 ## [365,] 19 11 ## [366,] 20 11 ## [367,] 21 11 ## [368,] 22 11 ## [369,] 25 11 ## [370,] 27 11 ## [371,] 29 11 ## [372,] 36 11 ## [373,] 48 11 ## [374,] 53 11 ## [375,] 57 11 ## [376,] 1 12 ## [377,] 2 12 ## [378,] 3 12 ## [379,] 4 12 ## [380,] 5 12 ## [381,] 7 12 ## [382,] 9 12 ## [383,] 10 12 ## [384,] 11 12 ## [385,] 13 12 ## [386,] 14 12 ## [387,] 15 12 ## [388,] 17 12 ## [389,] 18 12 ## [390,] 19 12 ## [391,] 21 12 ## [392,] 22 12 ## [393,] 23 12 ## [394,] 25 12 ## [395,] 27 12 ## [396,] 28 12 ## [397,] 29 12 ## [398,] 30 12 ## [399,] 31 12 ## [400,] 32 12 ## [401,] 33 12 ## [402,] 38 12 ## [403,] 41 12 ## [404,] 46 12 ## [405,] 48 12 ## [406,] 50 12 ## [407,] 51 12 ## [408,] 52 12 ## [409,] 1 13 ## [410,] 2 13 ## [411,] 3 13 ## [412,] 4 13 ## [413,] 5 13 ## [414,] 7 13 ## [415,] 8 13 ## [416,] 9 13 ## [417,] 12 13 ## [418,] 14 13 ## [419,] 17 13 ## [420,] 18 13 ## [421,] 19 13 ## [422,] 21 13 ## [423,] 22 13 ## [424,] 25 13 ## [425,] 26 13 ## [426,] 28 13 ## [427,] 29 13 ## [428,] 30 13 ## [429,] 31 13 ## [430,] 33 13 ## [431,] 34 13 ## [432,] 51 13 ## [433,] 54 13 ## [434,] 1 14 ## [435,] 3 14 ## [436,] 4 14 ## [437,] 5 14 ## [438,] 8 14 ## [439,] 9 14 ## [440,] 10 14 ## [441,] 11 14 ## [442,] 12 14 ## [443,] 15 14 ## [444,] 17 14 ## [445,] 19 14 ## [446,] 20 14 ## [447,] 25 14 ## [448,] 28 14 ## [449,] 56 14 ## [450,] 1 15 ## [451,] 2 15 ## [452,] 3 15 ## [453,] 5 15 ## [454,] 7 15 ## [455,] 9 15 ## [456,] 11 15 ## [457,] 12 15 ## [458,] 17 15 ## [459,] 19 15 ## [460,] 21 15 ## [461,] 23 15 ## [462,] 24 15 ## [463,] 25 15 ## [464,] 26 15 ## [465,] 27 15 ## [466,] 28 15 ## [467,] 46 15 ## [468,] 52 15 ## [469,] 63 15 ## [470,] 2 16 ## [471,] 3 16 ## [472,] 5 16 ## [473,] 19 16 ## [474,] 52 16 ## [475,] 1 17 ## [476,] 2 17 ## [477,] 3 17 ## [478,] 4 17 ## [479,] 5 17 ## [480,] 7 17 ## [481,] 8 17 ## [482,] 9 17 ## [483,] 10 17 ## [484,] 11 17 ## [485,] 12 17 ## [486,] 13 17 ## [487,] 15 17 ## [488,] 18 17 ## [489,] 19 17 ## [490,] 20 17 ## [491,] 21 17 ## [492,] 23 17 ## [493,] 24 17 ## [494,] 25 17 ## [495,] 26 17 ## [496,] 27 17 ## [497,] 28 17 ## [498,] 29 17 ## [499,] 36 17 ## [500,] 38 17 ## [501,] 41 17 ## [502,] 44 17 ## [503,] 46 17 ## [504,] 48 17 ## [505,] 50 17 ## [506,] 51 17 ## [507,] 53 17 ## [508,] 57 17 ## [509,] 1 18 ## [510,] 3 18 ## [511,] 4 18 ## [512,] 5 18 ## [513,] 7 18 ## [514,] 9 18 ## [515,] 11 18 ## [516,] 12 18 ## [517,] 13 18 ## [518,] 15 18 ## [519,] 17 18 ## [520,] 19 18 ## [521,] 21 18 ## [522,] 30 18 ## [523,] 64 18 ## [524,] 1 19 ## [525,] 2 19 ## [526,] 3 19 ## [527,] 4 19 ## [528,] 5 19 ## [529,] 6 19 ## [530,] 7 19 ## [531,] 8 19 ## [532,] 9 19 ## [533,] 10 19 ## [534,] 11 19 ## [535,] 12 19 ## [536,] 13 19 ## [537,] 14 19 ## [538,] 15 19 ## [539,] 16 19 ## [540,] 17 19 ## [541,] 20 19 ## [542,] 21 19 ## [543,] 22 19 ## [544,] 23 19 ## [545,] 24 19 ## [546,] 25 19 ## [547,] 26 19 ## [548,] 27 19 ## [549,] 28 19 ## [550,] 29 19 ## [551,] 32 19 ## [552,] 35 19 ## [553,] 36 19 ## [554,] 38 19 ## [555,] 40 19 ## [556,] 41 19 ## [557,] 44 19 ## [558,] 45 19 ## [559,] 46 19 ## [560,] 48 19 ## [561,] 52 19 ## [562,] 56 19 ## [563,] 63 19 ## [564,] 2 20 ## [565,] 3 20 ## [566,] 5 20 ## [567,] 7 20 ## [568,] 9 20 ## [569,] 11 20 ## [570,] 19 20 ## [571,] 28 20 ## [572,] 36 20 ## [573,] 1 21 ## [574,] 2 21 ## [575,] 3 21 ## [576,] 4 21 ## [577,] 5 21 ## [578,] 6 21 ## [579,] 7 21 ## [580,] 8 21 ## [581,] 9 21 ## [582,] 10 21 ## [583,] 11 21 ## [584,] 12 21 ## [585,] 13 21 ## [586,] 14 21 ## [587,] 15 21 ## [588,] 17 21 ## [589,] 18 21 ## [590,] 19 21 ## [591,] 22 21 ## [592,] 25 21 ## [593,] 26 21 ## [594,] 27 21 ## [595,] 29 21 ## [596,] 30 21 ## [597,] 31 21 ## [598,] 33 21 ## [599,] 36 21 ## [600,] 37 21 ## [601,] 39 21 ## [602,] 40 21 ## [603,] 41 21 ## [604,] 46 21 ## [605,] 48 21 ## [606,] 51 21 ## [607,] 52 21 ## [608,] 55 21 ## [609,] 56 21 ## [610,] 60 21 ## [611,] 63 21 ## [612,] 1 22 ## [613,] 3 22 ## [614,] 5 22 ## [615,] 9 22 ## [616,] 12 22 ## [617,] 13 22 ## [618,] 17 22 ## [619,] 21 22 ## [620,] 28 22 ## [621,] 50 22 ## [622,] 52 22 ## [623,] 1 23 ## [624,] 2 23 ## [625,] 3 23 ## [626,] 5 23 ## [627,] 10 23 ## [628,] 11 23 ## [629,] 15 23 ## [630,] 16 23 ## [631,] 17 23 ## [632,] 19 23 ## [633,] 24 23 ## [634,] 27 23 ## [635,] 35 23 ## [636,] 53 23 ## [637,] 3 24 ## [638,] 5 24 ## [639,] 7 24 ## [640,] 9 24 ## [641,] 10 24 ## [642,] 11 24 ## [643,] 15 24 ## [644,] 17 24 ## [645,] 19 24 ## [646,] 28 24 ## [647,] 29 24 ## [648,] 48 24 ## [649,] 1 25 ## [650,] 2 25 ## [651,] 3 25 ## [652,] 5 25 ## [653,] 7 25 ## [654,] 9 25 ## [655,] 11 25 ## [656,] 15 25 ## [657,] 17 25 ## [658,] 19 25 ## [659,] 21 25 ## [660,] 23 25 ## [661,] 29 25 ## [662,] 40 25 ## [663,] 56 25 ## [664,] 63 25 ## [665,] 1 26 ## [666,] 3 26 ## [667,] 5 26 ## [668,] 7 26 ## [669,] 9 26 ## [670,] 17 26 ## [671,] 19 26 ## [672,] 48 26 ## [673,] 57 26 ## [674,] 1 27 ## [675,] 2 27 ## [676,] 3 27 ## [677,] 4 27 ## [678,] 5 27 ## [679,] 6 27 ## [680,] 7 27 ## [681,] 9 27 ## [682,] 10 27 ## [683,] 11 27 ## [684,] 12 27 ## [685,] 14 27 ## [686,] 15 27 ## [687,] 16 27 ## [688,] 17 27 ## [689,] 19 27 ## [690,] 20 27 ## [691,] 21 27 ## [692,] 22 27 ## [693,] 25 27 ## [694,] 26 27 ## [695,] 28 27 ## [696,] 32 27 ## [697,] 33 27 ## [698,] 36 27 ## [699,] 37 27 ## [700,] 39 27 ## [701,] 40 27 ## [702,] 44 27 ## [703,] 45 27 ## [704,] 46 27 ## [705,] 48 27 ## [706,] 52 27 ## [707,] 1 28 ## [708,] 3 28 ## [709,] 4 28 ## [710,] 5 28 ## [711,] 7 28 ## [712,] 9 28 ## [713,] 10 28 ## [714,] 11 28 ## [715,] 12 28 ## [716,] 13 28 ## [717,] 15 28 ## [718,] 17 28 ## [719,] 19 28 ## [720,] 20 28 ## [721,] 21 28 ## [722,] 24 28 ## [723,] 27 28 ## [724,] 29 28 ## [725,] 31 28 ## [726,] 33 28 ## [727,] 35 28 ## [728,] 46 28 ## [729,] 48 28 ## [730,] 51 28 ## [731,] 56 28 ## [732,] 1 29 ## [733,] 3 29 ## [734,] 4 29 ## [735,] 5 29 ## [736,] 9 29 ## [737,] 10 29 ## [738,] 11 29 ## [739,] 17 29 ## [740,] 19 29 ## [741,] 20 29 ## [742,] 21 29 ## [743,] 24 29 ## [744,] 35 29 ## [745,] 44 29 ## [746,] 48 29 ## [747,] 52 29 ## [748,] 56 29 ## [749,] 1 30 ## [750,] 2 30 ## [751,] 3 30 ## [752,] 4 30 ## [753,] 5 30 ## [754,] 7 30 ## [755,] 8 30 ## [756,] 9 30 ## [757,] 10 30 ## [758,] 12 30 ## [759,] 15 30 ## [760,] 18 30 ## [761,] 19 30 ## [762,] 20 30 ## [763,] 21 30 ## [764,] 22 30 ## [765,] 25 30 ## [766,] 29 30 ## [767,] 33 30 ## [768,] 35 30 ## [769,] 36 30 ## [770,] 1 31 ## [771,] 2 31 ## [772,] 3 31 ## [773,] 4 31 ## [774,] 5 31 ## [775,] 7 31 ## [776,] 9 31 ## [777,] 17 31 ## [778,] 18 31 ## [779,] 21 31 ## [780,] 52 31 ## [781,] 56 31 ## [782,] 12 32 ## [783,] 19 32 ## [784,] 1 33 ## [785,] 3 33 ## [786,] 4 33 ## [787,] 5 33 ## [788,] 7 33 ## [789,] 9 33 ## [790,] 10 33 ## [791,] 11 33 ## [792,] 12 33 ## [793,] 13 33 ## [794,] 15 33 ## [795,] 19 33 ## [796,] 21 33 ## [797,] 28 33 ## [798,] 34 33 ## [799,] 46 33 ## [800,] 50 33 ## [801,] 51 33 ## [802,] 52 33 ## [803,] 3 34 ## [804,] 4 34 ## [805,] 5 34 ## [806,] 10 34 ## [807,] 13 34 ## [808,] 21 34 ## [809,] 33 34 ## [810,] 2 35 ## [811,] 5 35 ## [812,] 11 35 ## [813,] 19 35 ## [814,] 23 35 ## [815,] 28 35 ## [816,] 29 35 ## [817,] 1 36 ## [818,] 2 36 ## [819,] 3 36 ## [820,] 4 36 ## [821,] 5 36 ## [822,] 9 36 ## [823,] 17 36 ## [824,] 20 36 ## [825,] 21 36 ## [826,] 41 36 ## [827,] 42 36 ## [828,] 51 36 ## [829,] 52 36 ## [830,] 3 37 ## [831,] 17 37 ## [832,] 19 37 ## [833,] 21 37 ## [834,] 38 37 ## [835,] 1 38 ## [836,] 2 38 ## [837,] 3 38 ## [838,] 5 38 ## [839,] 6 38 ## [840,] 8 38 ## [841,] 9 38 ## [842,] 11 38 ## [843,] 12 38 ## [844,] 17 38 ## [845,] 18 38 ## [846,] 19 38 ## [847,] 20 38 ## [848,] 21 38 ## [849,] 25 38 ## [850,] 26 38 ## [851,] 37 38 ## [852,] 40 38 ## [853,] 52 38 ## [854,] 56 38 ## [855,] 3 39 ## [856,] 5 39 ## [857,] 1 40 ## [858,] 3 40 ## [859,] 5 40 ## [860,] 9 40 ## [861,] 17 40 ## [862,] 19 40 ## [863,] 25 40 ## [864,] 3 41 ## [865,] 5 41 ## [866,] 9 41 ## [867,] 36 41 ## [868,] 1 43 ## [869,] 3 43 ## [870,] 5 43 ## [871,] 9 43 ## [872,] 11 43 ## [873,] 19 43 ## [874,] 20 43 ## [875,] 21 43 ## [876,] 26 43 ## [877,] 52 43 ## [878,] 3 44 ## [879,] 5 44 ## [880,] 17 44 ## [881,] 29 44 ## [882,] 51 44 ## [883,] 2 45 ## [884,] 3 45 ## [885,] 5 45 ## [886,] 9 45 ## [887,] 10 45 ## [888,] 33 45 ## [889,] 34 45 ## [890,] 2 46 ## [891,] 3 46 ## [892,] 4 46 ## [893,] 5 46 ## [894,] 6 46 ## [895,] 7 46 ## [896,] 9 46 ## [897,] 10 46 ## [898,] 11 46 ## [899,] 12 46 ## [900,] 14 46 ## [901,] 16 46 ## [902,] 17 46 ## [903,] 19 46 ## [904,] 20 46 ## [905,] 25 46 ## [906,] 26 46 ## [907,] 27 46 ## [908,] 28 46 ## [909,] 32 46 ## [910,] 33 46 ## [911,] 38 46 ## [912,] 41 46 ## [913,] 43 46 ## [914,] 44 46 ## [915,] 45 46 ## [916,] 20 47 ## [917,] 52 47 ## [918,] 1 48 ## [919,] 2 48 ## [920,] 3 48 ## [921,] 4 48 ## [922,] 5 48 ## [923,] 7 48 ## [924,] 9 48 ## [925,] 10 48 ## [926,] 11 48 ## [927,] 12 48 ## [928,] 15 48 ## [929,] 17 48 ## [930,] 19 48 ## [931,] 21 48 ## [932,] 24 48 ## [933,] 25 48 ## [934,] 28 48 ## [935,] 29 48 ## [936,] 36 48 ## [937,] 40 48 ## [938,] 52 48 ## [939,] 5 50 ## [940,] 12 50 ## [941,] 17 50 ## [942,] 29 50 ## [943,] 44 50 ## [944,] 1 51 ## [945,] 2 51 ## [946,] 4 51 ## [947,] 5 51 ## [948,] 12 51 ## [949,] 17 51 ## [950,] 33 51 ## [951,] 36 51 ## [952,] 44 51 ## [953,] 1 52 ## [954,] 2 52 ## [955,] 3 52 ## [956,] 4 52 ## [957,] 5 52 ## [958,] 7 52 ## [959,] 9 52 ## [960,] 11 52 ## [961,] 13 52 ## [962,] 14 52 ## [963,] 15 52 ## [964,] 17 52 ## [965,] 19 52 ## [966,] 20 52 ## [967,] 21 52 ## [968,] 22 52 ## [969,] 25 52 ## [970,] 26 52 ## [971,] 31 52 ## [972,] 33 52 ## [973,] 36 52 ## [974,] 38 52 ## [975,] 41 52 ## [976,] 48 52 ## [977,] 56 52 ## [978,] 3 53 ## [979,] 4 53 ## [980,] 15 53 ## [981,] 16 53 ## [982,] 17 53 ## [983,] 23 53 ## [984,] 5 54 ## [985,] 13 54 ## [986,] 55 54 ## [987,] 2 55 ## [988,] 3 55 ## [989,] 5 55 ## [990,] 11 55 ## [991,] 12 55 ## [992,] 15 55 ## [993,] 54 55 ## [994,] 2 56 ## [995,] 3 56 ## [996,] 5 56 ## [997,] 9 56 ## [998,] 11 56 ## [999,] 15 56 ## [1000,] 17 56 ## [1001,] 19 56 ## [1002,] 20 56 ## [1003,] 21 56 ## [1004,] 23 56 ## [1005,] 24 56 ## [1006,] 25 56 ## [1007,] 26 56 ## [1008,] 29 56 ## [1009,] 32 56 ## [1010,] 38 56 ## [1011,] 40 56 ## [1012,] 41 56 ## [1013,] 46 56 ## [1014,] 52 56 ## [1015,] 3 57 ## [1016,] 5 57 ## [1017,] 8 57 ## [1018,] 11 57 ## [1019,] 17 57 ## [1020,] 19 57 ## [1021,] 26 57 ## [1022,] 3 58 ## [1023,] 10 58 ## [1024,] 7 59 ## [1025,] 2 60 ## [1026,] 5 60 ## [1027,] 26 60 ## [1028,] 1 61 ## [1029,] 3 61 ## [1030,] 5 61 ## [1031,] 3 62 ## [1032,] 5 62 ## [1033,] 1 63 ## [1034,] 5 63 ## [1035,] 9 63 ## [1036,] 15 63 ## [1037,] 19 63 ## [1038,] 25 63 ## [1039,] 7 64 ## [1040,] 9 64 ## [1041,] 18 64 ## [1042,] 19 64 ``` --- ##数据 ###网络图 <!-- --> --- ##研究方法 ###指数随机图模型（Exponential random graph models，ERGM） - 指数随机图模型是一种专门处理关系数据的统计方法 - 用于识别并检验关系模式的工具，能够识别出网络中存在哪些关系模式、网络成员或者社会力量所具有的哪些特征具有解释力 - 可以被用于理解一个观测网络的形成是源于网络成员的某种属性特征，还是源于网络形成过程中的关系模型 ###关系事件模型（Relational event model，REM） - 关系事件模型将事件作为分析单位，直接对事件动态进行建模 - 可以回答“什么驱动接下来发生什么”的问题 - 关系事件：行动发出者，接收者，以及动作类型，并且行动发生的时间点组成 - 顺序时间的关系事件模型 & 精确时间的关系事件模型 --- class: center, middle #研究结果 --- class: center, middle ###ERGM模型（Exponential random graph models） --- ###ERGM模型（Exponential random graph models） ```r m1 <- ergm(boya_s ~ edges, control = control.ergm(seed = 10)) ``` | | Theta| HR| P| |:-----|-----:|----:|--:| |edges | -1.05| 0.26| 0| - 边统计项的系数为负值（-1.05），这说明网络的密度在50%以下 - 这个取值与网络密度相一致 - 这是真实观测网络的特征 --- ###ERGM模型 ```r m2 <- ergm(boya_s ~ edges + mutual, control = control.ergm(seed = 10)) ``` | | Theta| HR| P| |:------|-----:|----:|--:| |edges | -2.34| 0.09| 0| |mutual | 3.43| 0.97| 0| --- ###ERGM模型 ####节点属性 ```r m3 <- ergm(boya_s ~ edges + nodefactor('gender') + nodefactor('leader') + nodefactor('watch') + nodefactor('graduate') + nodefactor('school') + nodefactor('race') + mutual, control = control.ergm(seed = 10)) ``` .pull-left[ | | Theta| HR| P| |:---------------------|-----:|----:|-----:| |edges | -4.84| 0.01| 0.000| |nodefactor.gender.1 | 0.61| 0.65| 0.000| |nodefactor.leader.1 | 0.97| 0.72| 0.000| |nodefactor.watch.1 | 0.30| 0.57| 0.000| |nodefactor.graduate.2 | 0.17| 0.54| 0.009| |nodefactor.graduate.3 | 0.43| 0.61| 0.000| |nodefactor.school.1 | 0.31| 0.58| 0.000| |nodefactor.race.1 | 0.24| 0.56| 0.000| |mutual | 2.90| 0.95| 0.000| ] .pull-right[ - *<small>相对于女性成员，男性成员更愿意建立联系</small>* - *<small>相对于一般成员，领导者更愿意建立联系</small>* - *<small>相对于没有技术设备的成员，有技术设备的成员更愿意建立联系</small>* - *<small>相对于本科生： </small>* + *<small>硕士生成员更愿意建立联系</small>* + *<small>博士生队员更愿意建立联系</small>* - *<small>相对于毕业生，在校生更愿意建立联系</small>* - *<small>相较于没有代表队伍比赛的成员，代表过队伍比赛的成员更愿意建立联系</small>* ] --- ####边的属性 ```r m4 <- ergm(boya_s ~ edges + nodematch("gender")+ nodematch("leader") + nodematch("watch") + nodematch("graduate")+ nodematch("school") + nodematch("race") + mutual, control = control.ergm(seed = 10)) ``` .pull-left[ | | Theta| HR| P| |:------------------|-----:|----:|-----:| |edges | -2.29| 0.09| 0.000| |nodematch.gender | 0.49| 0.62| 0.000| |nodematch.leader | -0.91| 0.29| 0.000| |nodematch.watch | 0.43| 0.61| 0.000| |nodematch.graduate | -0.10| 0.48| 0.131| |nodematch.school | 0.20| 0.55| 0.002| |nodematch.race | 0.09| 0.52| 0.187| |mutual | 3.18| 0.96| 0.000| ] .pull-right[ 1. 同质性假设得到支持-假设： 1.1.1（性别）， 1.1.3（技术）， 1.1.5（在校生）, 1.1.6（能力） 2. 没有得到支持： - <small>领导-成员之间更容易建立联系， 假设1.1.2没有得到支持</small> - <small>不同学历阶段成员之间更容易建立联系，假设1.1.4没有得到支持</small> ] --- class: center, middle #研究结果 ##REM --- ##REM ```r fit_1 <- rem.dyad(boya_rem, n = 64, effects = c('CovInt'), covar=list(CovInt=cbind(BoyaNetICR, BoyaNetWatch, BoyaNetRace)), hessian=TRUE) ``` .pull-left[ | | Theta| HR| P| |:--------|-----:|----:|--:| |CovInt.1 | 0.77| 2.17| 0| |CovInt.2 | -0.41| 0.66| 0| |CovInt.3 | 0.16| 1.18| 0| ] .pull-right[ - 相对于一般成员，领导发言的相对可能性更高 - 相对于没有技术设备的成员，有技术设备的成员发言的相对可能性更低 - 相对于能力较低的成员，能力高的成员发言的相对可能性更高 ] --- ##REM ```r fit_2 <- rem.dyad(boya_rem,n=64,effects=c("CovSnd","CovRec"), covar = list(CovSnd=cbind(BoyaNetICR, BoyaNetWatch, BoyaNetRace), CovRec=cbind(BoyaNetICR, BoyaNetWatch, BoyaNetRace)), hessian=TRUE) ``` .pull-left[ | | Theta| HR| P| |:--------|-----:|----:|--:| |CovSnd.1 | 0.71| 2.04| 0| |CovSnd.2 | -0.30| 0.74| 0| |CovSnd.3 | 0.11| 1.12| 0| |CovRec.1 | 0.83| 2.30| 0| |CovRec.2 | -0.53| 0.59| 0| |CovRec.3 | 0.21| 1.24| 0| ] .pull-right[ 领导、技术设备与能力的发出者效应与接收者效应在统计显著水平表现出显著差异 ] --- ##REM ```r fit_3 <- rem.dyad(boya_rem,n=64, effects=c("CovInt", "RRecSnd", "RSndSnd"), covar=list(CovInt=cbind(BoyaNetICR, BoyaNetWatch, BoyaNetRace)), hessian=TRUE) ``` .pull-left[ | | Theta| HR| P| |:--------|-----:|-----:|--:| |RRecSnd | 2.05| 7.78| 0| |RSndSnd | 3.69| 40.08| 0| |CovInt.1 | 0.52| 1.68| 0| |CovInt.2 | -0.18| 0.83| 0| |CovInt.3 | 0.02| 1.02| 0| ] .pull-right[ - **近因效应（recency effect）**假设得到验证 在统计显著性水平上是显著差异 ] --- class: center, middle #总结与讨论 --- - 现实社会中的因素对趣缘社区的互动有影响 1. 时间效应上，近因效应对接受信息和发出信息都有很强的影响 2. 空间效应，有待后面的研究推进 3. 社会属性的影响： - 同质性对于网络群体中互动有着重要的影响 - 领导-成员之间更倾向于在群体内交流，可能存在私下或者其他群的交流 - 年龄、专业等社会属性效应有待之后的研究 --- class: center, middle #谢谢聆听