7.1: Redes y Actores

La perspectiva de las redes sociales enfatiza múltiples niveles de análisis. Las diferencias entre los actores se rastrean a las limitaciones y oportunidades que surgen de cómo están incrustados en las redes; la estructura y el comportamiento de las redes basadas en, y promulgadas por las interacciones locales entre los actores. A medida que examinemos algunos de los conceptos básicos y definiciones del análisis de redes en este y en los siguientes capítulos, esta dualidad de individuo y estructura se resaltará una y otra vez.

En este capítulo examinaremos algunas de las ideas más obvias y menos complejas de los métodos formales de análisis de redes. A pesar de la simplicidad de las ideas y definiciones, existen buenas razones teóricas (y algunas evidencias empíricas) para creer que estas propiedades básicas de las redes sociales tienen consecuencias muy importantes. Tanto para los individuos como para las estructuras, una cuestión principal son las conexiones. Por lo general, algunos actores tienen muchas conexiones, otros tienen menos. Algunas redes están bien conectadas o “cohesivas”, otras no. El grado en que los individuos están conectados con otros, y la medida en que se integra la red en su conjunto son dos caras de una misma moneda.

Las diferencias entre los individuos en lo conectados que están pueden ser extremadamente consecuentes para comprender sus atributos y comportamiento. Más conexiones a menudo significan que los individuos están expuestos a más, y más diversa, información. Los individuos altamente conectados pueden ser más influyentes y pueden estar más influenciados por otros. Las diferencias entre poblaciones enteras en lo conectadas que están también pueden ser muy consecuentes. La enfermedad y los rumores se propagan más rápidamente donde hay altas tasas de conexión. Pero, también lo hace la información útil. Las poblaciones más conectadas pueden ser más capaces de movilizar sus recursos, y pueden ser más capaces de aportar múltiples y diversas perspectivas para resolver problemas. Entre el individuo y toda la población, hay otro nivel de análisis, el de la “composición”. Algunas poblaciones pueden estar compuestas por individuos que son prácticamente parecidos en la medida en que están conectados. Otras poblaciones pueden mostrar diferencias agudas, con una pequeña élite de personas centrales y altamente conectadas, y grandes masas de personas con menos conexiones. Las diferencias en las conexiones pueden decirnos un poco sobre el orden de estratificación de los grupos sociales. Gran parte del trabajo reciente de Duncan Watts, Doug White y muchos otros fuera de las ciencias sociales se centra en las consecuencias de la variación en el grado de conexión de los actores.

Debido a que la mayoría de los individuos no suelen estar conectados directamente con la mayoría de los demás individuos en una población, puede ser muy importante ir más allá del simple examen de las conexiones inmediatas de los actores, y la densidad general de conexiones directas en las poblaciones. El segundo conjunto de enfoques principales (pero estrechamente relacionados) que examinaremos en este capítulo tiene que ver con la idea de la distancia entre actores (o, por el contrario, lo cerca que están unos de otros). Algunos actores pueden llegar a la mayoría de los demás miembros de la población con poco esfuerzo: se lo dicen a sus amigos, quienes les dicen a sus amigos, y “todos” lo saben. Otros actores pueden tener dificultades para ser escuchados. Pueden decirle a la gente, pero las personas que dicen no están bien conectadas, y el mensaje no va muy lejos. Pensándolo al revés, si todos mis amigos se tienen entre sí como amigos, mi red es bastante limitada, aunque pueda tener bastantes amigos. Pero, si mis amigos tienen muchas conexiones que no se superponen, se amplía el alcance de mi conexión. Si los individuos difieren en su cercanía con otros actores, entonces surge la posibilidad de estratificación a lo largo de esta dimensión. En efecto, una diferencia importante entre las “clases sociales” no es tanto en el número de conexiones que tienen los actores, sino en si estas conexiones se superponen y “limitan” o se extienden hacia afuera y brindan “oportunidad”. Las poblaciones en su conjunto, entonces, también pueden diferir en lo cerca que están los actores de otros actores, en promedio. Tales diferencias pueden ayudarnos a comprender la difusión, la homogeneidad, la solidaridad y otras diferencias en las macro propiedades de los grupos sociales.

Los métodos de redes sociales tienen un vocabulario para describir la conexión y la distancia que, al principio, podría parecer bastante formal y abstracto. Esto no es sorprendente, ya que muchas de las ideas se toman directamente de la teoría matemática de las gráficas. Pero merece la pena el esfuerzo para lidiar con la jerga. La precisión y el rigor de las definiciones nos permiten comunicar con mayor claridad sobre las propiedades importantes de las estructuras sociales -y a menudo conducen a percepciones que no habríamos tenido si usáramos enfoques menos formales.

Un ejemplo: el intercambio de información de Knoke

Las propiedades básicas de las redes son más fáciles de aprender y entender con el ejemplo. Estudiar un ejemplo también muestra aplicaciones sociológicamente significativas de los formalismos. En este capítulo, veremos una sola red binaria dirigida que describe el flujo de información entre 10 organizaciones formales preocupadas por temas de bienestar social en una ciudad del medio oeste de Estados Unidos (Knoke y Burke). Por supuesto, los datos de red vienen en muchas formas (no dirigidas, múltiples vínculos, vínculos valorados, etc.) y un ejemplo no puede capturar todas las posibilidades. Aún así, puede ser bastante sorprendente cuánta información puede ser “exprimida” de una sola matriz binaria mediante el uso de conceptos básicos de gráficos.

Para redes pequeñas, a menudo es útil examinar gráficas. La Figura 7.1 muestra el dígrafo (gráfico dirigido) para los datos de intercambio de información de Knoke:

Figura 7.1: Gráfica dirigida al intercambio de información de Knoke

Tu ojo entrenado debe percibir inmediatamente una serie de cosas al mirar la gráfica. Aquí hay un número limitado de actores (diez, en realidad), y todos ellos están “conectados”. Pero, claramente no todas las conexiones posibles están presentes, y hay “agujeros estructurales” (o al menos “puntos delgados” en la tela). Parece haber algunas diferencias entre los actores en lo conectados que están (comparar el actor número 7, un periódico, con el actor número 6, una organización de defensa de los derechos de bienestar). Si miras de cerca, puedes ver que es probable que las conexiones de algunos actores sean correspondidas (es decir, si A comparte información con B, B también comparte información con A); algunos otros actores (por ejemplo, 6 y 10), tienen más probabilidades de ser remitentes que receptores de información. Como resultado de la variación en lo conectados que están los individuos, y si los vínculos son correspondidos, algunos actores pueden estar a bastante “distancia” de otros actores. Parece haber grupos de actores que difieren en este sentido (2, 5 y 7 parecen estar en el centro de la acción; 6, 9 y 10 parecen ser más periféricos).

Una mirada cuidadosa a la gráfica puede ser muy útil para obtener una comprensión intuitiva de las características importantes de una red social. Con poblaciones más grandes o más conexiones, sin embargo, las gráficas pueden no ser de mucha ayuda. Mirar una gráfica puede dar un buen sentido intuitivo de lo que está pasando, pero nuestras descripciones de lo que vemos son bastante imprecisas (el párrafo anterior es un ejemplo de esto). Para ser más precisos, y usar computadoras para aplicar algoritmos para calcular medidas matemáticas de propiedades gráficas, es necesario trabajar con la matriz de adyacencia en lugar de la gráfica. Los datos de Knoke graficados arriba se muestran como una matriz de adyacencia asimétrica en la Figura 7.2.

Figura 7.2: Matriz de adyacencia de intercambio de información de Knoke

Usando Data>Display, podemos ver la red en forma de matriz. Hay diez filas y columnas, los datos son binarios y la matriz es asimétrica. Como mencionamos en el capítulo sobre el uso de matrices para representar redes, la fila se trata como la fuente de información y las columnas como el receptor. Al hacer algunas operaciones muy simples sobre esta matriz es posible desarrollar números de índice sistemáticos y útiles, o medidas, de algunas de las propiedades de red que nuestro ojo discierne en la gráfica.