Available via license: CC BY-NC 4.0
Content may be subject to copyright.
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
ISSN 2007-9737
Análisis de redes sociales: un caso práctico
Antonieta Kuz1, Mariana Falco1, Roxana Giandini1,2
1 Universidad Tecnológica Nacional, LINSI, La Plata, Buenos Aires,
Argentina
2 Universidad Nacional de La Plata, LIFIA, Facultad de Informática, La Plata, Buenos Aires,
Argentina
{akuz, mfalco}@frlp.utn.edu.ar, giandini@info.unlp.edu.ar
Resumen. Las redes sociales son consideradas como
nuevos modos de socialización, a partir de ellas se
puede tener una fuente de interacción entre las
personas posibilitando la contextualización de
fenómenos sociales entre los individuos y las relaciones
inherentes que han surgido. Las diferentes herramientas
computacionales junto con las métricas que brindan,
sirven como base de conocimiento desde su
aplicabilidad práctica sobre un tópico relevante como lo
es el Análisis de Redes Sociales (ARS). Haciendo foco
en Gephi como una herramienta de ARS, simple de usar
y comprender en cuanto a métricas y visualizaciones,
analizaremos un caso de estudio práctico en el ámbito
educativo donde evaluaremos la dinámica de
comunicación en un foro asíncrono dentro del contexto
del ARS. Se evidenciará que las métricas del ARS y la
visualización de la estructuración de los nodos y de las
interacciones son una vía útil y potencialmente efectiva
para analizar patrones de interacción en línea. Integrar
esta aproximación del ARS al contexto educativo, es un
medio que le permite al profesor detectar y diagnosticar
el clima social e intervenir de acuerdo a los resultados
obtenidos. Finalmente, determinaremos conclusiones
acerca de esta metodología y su utilidad en este
dominio, como así también las líneas de trabajo futuro.
Palabras clave. Análisis de redes sociales,
herramientas software, métricas, redes sociales, Gephi.
Social Network Analysis:
a Practical Case Study
Abstract. Social networks are considered a new way of
socialization; they can function as a source of interaction
among people enabling contextualization of social
phenomena between individuals and the emerged
1
Facebook, www.facebook.com, última visita diciembre
2015
inherent relationships. Various computational tools
along with the metrics they provide serve as a
knowledge base while applied practically on such
relevant topic as the Social Network Analysis (SNA).
Focusing on Gephi as an SNA tool, simple to use and
understand in terms of metrics and visualizations, we
discuss a practical case study in education where we
evaluate the dynamics of asynchronous communication
in a forum within the context of SNA. It is evident that the
SNA metrics and a display of the structure of the nodes
and interactions are useful and potentially effective for
an online analysis of interaction patterns. Integrating this
SNA approach into the educational context will allow the
teacher to detect and diagnose the social climate and act
according to the results. Finally, we present conclusions
concerning the methodology and its utility in this domain,
as well as future lines of work.
Keywords. Social network analysis, software tools,
metrics, social network, Gephi.
1. Introducción
Actualmente la tecnología Web 2.0 dio lugar a
que surgieran sitios interactivos o plataformas
como los foros o sitios como Facebook
1
, Twitter
2
y
otras comúnmente conocidas como redes
sociales, en los cuales el usuario puede crear sus
contenidos, compartir fotos, videos, textos, entre
otros. Los mismos se han convertido en un factor
determinante para la comunicación, relación e
interacción entre los usuarios.
Estas plataformas aplicaciones, herramientas
que facilitan la interacción, la colaboración,
distribución de contenido y experiencias entre los
2
Twitter, www.twitter.com, última visita diciembre 2015
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
90
ISSN 2007-9737
usuarios conforman los Social Media (término
anglosajón que hace referencia a todos aquellos
medios de comunicación social online). Pero una
red social no es solamente una plataforma, un
servicio web o un medio de comunicación social
online, que permite a las personas conectarse con
sus amigos e incluso realizar nuevas amistades.
Lozares [27] considera la red social como la
vinculación de un conjunto de actores por medio
de relaciones sociales definidas.
Citando a Ávila-Toscano [36], “el método
de evaluación de las redes se denomina Análisis
de Redes Sociales (abreviado ARS) y en general
es considerado como el estudio de la estructura
social, y en un sentido más amplio se puede
entender como un método cuantitativo por medio
del cual se obtiene la estructura social a partir de
las regularidades en el patrón de relaciones
establecidas entre entidades sociales definidas
como personas, grupos u organizaciones”.
Para llevar a cabo el ARS los datos relacionales
se recogen por observación, cuestionarios,
encuestas o métodos etnográficos. Luego, estos
datos se procesan mediante los procedimientos
formales; estos procedimientos consisten
esencialmente en la Teoría de Grafos [11,12] y la
de Teoría Matrices [19].
A lo largo del tiempo, el ARS [15] ha
desarrollado una metodología propia que ha ido
creciendo de forma paralela a la gran variedad de
estudios realizados desde distintas disciplinas y
perspectivas. Los avances en materia de estudio
de las redes, dieron lugar a diferentes
investigaciones como aquellas dirigidas al
descubrimiento y la descripción de las relaciones
entre las personas, estructuras organizacionales
[40], la cooperación entre los individuos de una
organización, entre otras.
La viabilidad e importancia que representan los
sistemas de software como instrumentos de ayuda
y como recursos facilitadores para el ARS, en la
tarea de realizar análisis de datos, simplificando
cálculos engorrosos, en la obtención de medidas y
en las visualizaciones de redes. Las mismas
brindan versatilidad y la posibilidad de generar
recursos visuales atrayentes que permiten
observar en diversas dimensiones las
interacciones que se dan dentro de un grupo de
estudio. Hemos encontrado que las propuestas
existentes sobre el ARS junto con las aplicaciones
de la Teoría de Grafos han brindado las bases
para el desarrollo de una gran cantidad de
herramientas y software de análisis.
Posicionándonos dentro del universo de las
herramientas de software relevamos aquellas [18]
que ofrece el mercado a través de un marco
comparativo que sirve como herramienta para
contrastar las características que brindan las
diferentes plataformas de soporte al ARS.
El conocimiento de la estructura social de las
redes, las complejidades de las interacciones y el
sistema de agrupaciones construidas por los
individuos con sus contactos, son características
que definen sus potencialidades y limitantes. El
estudio de tales características es una tarea cuya
aplicación es posible desarrollar en variados
contextos, incluido el educativo.
A través de la presente publicación
intentaremos mostrar, mediante la utilización de
una herramienta informática llamada Gephi, la
posibilidad de brindarle al profesor la extracción de
conocimiento de la red a través de diferentes
técnicas y métodos, configurando la red a partir de
un medio social. Para ello intentaremos mostrar
cómo partiendo de la premisa sobre la factibilidad
y facilidad con la que se puede extraer de una red,
que permita analizar y entender el clima del aula.
El resto del artículo se estructura como sigue:
en la sección 2, se describe el marco teórico del
Análisis de Redes Sociales junto con la
contextualización y definición de métricas y
herramientas de software. En la sección 3, se
describe la herramienta Gephi. En la sección 4,
examinaremos un caso de aplicación práctica
utilizando Gephi. Finalmente, en la sección 5 se
exponen las conclusiones sobre el trabajo y las
líneas de trabajo futuro.
2. Conceptualización de las redes
sociales
Los individuos establecen relaciones con otros
individuos en diferentes contextos. Utilizan dichas
relaciones para encontrar información o servicios
apropiadamente, dependiendo del contexto y la
especificación necesaria. Las relaciones difieren
también con respecto a su fuerza, es decir la
medida con la que se determina la frecuencia de
interacciones con las personas involucradas.
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
91
ISSN 2007-9737
Mitchell [28] define una red como un conjunto
particular de interrelaciones (en inglés, linkeages)
entre un conjunto limitado de individuos, con la
propiedad adicional de que las características de
estas interrelaciones, consideradas como una
totalidad, pueden ser utilizadas para interpretar el
comportamiento social de las personas
implicadas. Las estructuras sociales se disponen
en diversas configuraciones de las cuales el ARS
puede dar cuenta al elaborar su morfología y
topología específicas [24].
Es factible vincular dichos conceptos mediante
la Teoría de Grafos [12], que expone que la red se
constituye por nodos conectados por aristas,
donde los nodos son los individuos y las aristas,
las relaciones que les unen. La representación de
la información correspondiente a los patrones de
relaciones entre actores sociales se realiza
generalmente mediante el uso de grafos, donde un
grafo es una representación de un conjunto de
objetos en el que los pares de objetos están
conectados mediante relaciones entre ellos [38].
En la Figura 1, puede visualizarse un ejemplo de
grafo.
Por otro lado, Mitchell [28,29] también señala
que las características de estos lazos en tanto que
la totalidad de los mismos pueden ser usados para
interpretar los comportamientos sociales de las
personas implicadas. Las propiedades de una red
pueden ser examinadas como variables
explicativas del comportamiento social a través de
conductas, opiniones, estrategias y las posiciones
ocupadas de las personas implicadas en ellas [24].
Este análisis estructural se ha perfeccionado
como una herramienta que hace posible estudiar
tanto la estructura de las relaciones sociales que
afectan la conducta y actitudes de una persona o
grupo, como la influencia que las interacciones
entre los individuos involucrados tiene sobre dicha
estructura social [34]. Las redes de relaciones
informales pueden mapearse y gestionarse para
potenciar el aprendizaje organizacional, a través
de un enfoque metodológico del estudio de las
interacciones humanas sociales representadas
mediante redes sociales, el ARS [36, 35].
A través de él se profundizará el conocimiento
de los fenómenos sociales, posibilitando discernir
el beneficio de estudiar o investigar redes sociales
para los profesores y especialmente su aplicación
en el ámbito educativo.
Por un lado, el concepto y la idea de red es una
construcción integradora cuyo propósito de
estudiar las redes es comprender el
comportamiento de los actores, a través de las
métricas o medidas. Las medidas permiten
caracterizar los actores que la componen y las
relaciones que se dan entre ellos. Por el otro, el
uso de herramientas tecnológicas aplicadas a
diversas Áreas de Investigación ha cambiado los
patrones de acceso al conocimiento y en particular
en el ARS. Esto se debe a que permiten procesar
diferentes fuentes de datos, realizar el cálculo de
las métricas de manera simple y ordenada, y
generar imágenes visuales, que facilitan la
organización y el análisis de los datos [35, 31]. Si
los cálculos son realizados con ayuda de una
herramienta tecnológica, la intención del problema
se modifica, ya que permite dedicar mayor tiempo
a la interpretación, discusión y reflexión de los
resultados.
2.1. Análisis de redes sociales:
Contextualización y definición de métricas
Existe una serie de métricas para entender las
redes y sus actores, las cuales ayudan a
determinar la importancia y el rol de un actor en la
red. Las más usadas se clasifican en métricas de
centralidad y poder, y métricas de grupos.
Mediante las métricas y los métodos actuales, los
datos de la red pueden ser organizados y
Fig. 1. Grafo de una red representada con NodeXL
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
92
ISSN 2007-9737
analizados para capturar los diversos procesos
que ocurren en diferentes niveles de análisis [20].
En esta sección definimos el conjunto de métricas
asociadas y la explicación relacionada a las
mismas [21].
1. Análisis de Cluster (en inglés, cluster
analysis): Encontrar grupos dentro de la red de
acuerdo a sus relaciones [5].
2. Centralidad de cercanía (en inglés, closeness
centrality): Son nodos que a pesar de tener
pocas conexiones, sus arcos permiten llegar a
todos los puntos de la red más rápidamente
que desde cualquier otro punto. Representan
una excelente posición para monitorear el flujo
de información de toda la red.
3. Centralización de la red (en inglés, network
centrality): Es una medida de contribución de
una posición en la red para la importancia e
influencia de un actor en la red. Una alta
centralidad en la red es dominada por uno o
pocos nodos. Si esos nodos son removidos la
red rápidamente se fragmentara en subredes
desconectadas. Por otro lado, una red con baja
centralidad no tiene un único punto de falla por
lo que las hace mucho más resistentes [16].
4. Centralidad del Vector (en inglés, eigenvector
centrality): Es una medida de la influencia de un
nodo en una red. Asigna puntuaciones relativas
a todos los nodos de la red basada en el
concepto de que las conexiones a los nodos de
alta puntuación contribuyen más a la
puntuación del nodo en cuestión de la igualdad
de las conexiones a los nodos de baja
puntuación [33].
5. Cohesión: Describe la interconexión de los
actores en la red [16].
5.1 . Accesibilidad (en inglés, reachability)
mide de qué manera los actores de una red,
sea directa o indirectamente, están
relacionados con todos los actores de dicha
red. Los actores que no están conectados
con otro actor se los denomina aislados (en
inglés, isolates).
5.2 . Densidad (en inglés, density) es el número
total de relaciones existentes dividido por el
total posible de la red.
6. Estructura de las comunidades (en inglés,
Community Structure): Mide el nivel de
descomposición de la red en comunidades
modulares. Una alta modularidad indica una
sofisticada estructura interna.
7. Grado (en inglés, degree): Es el grado de un
vértice v es el número de líneas que tienen a v
como nodo de uno de sus extremos.
7.1 . Grado de centralidad (en inglés, degree
centrality): Los investigadores de redes
sociales miden la actividad en la red usando
el concepto de degree centrality, es decir el
número de conexiones directas que tiene un
nodo.
7.2 . Grado de entrada (en inglés, indegree): el
grado de entrada de un vértice v es el
número de líneas que poseen a v como
nodo terminal.
7.3 . Grado de salida (en inglés, outdegree): el
grado de salida de un vértice v es el número
de líneas que poseen a v como nodo inicial.
8. Pesos (en inglés, citation weight): Análisis
propuesto en 1964 que define tres índices,
pesos de arcos que son proporcionales al
número de diferentes caminos pasando a
través del arco [32].
9. Núcleos: La noción de centro fue introducida
por Seidman en 1983 [13] y establece que un
vértice perteneciente a un k-núcleo está unido
al menos a otros k vértices.
10. Boundary Spanners: Nodos que conectan su
grupo a otros que terminan teniendo altas
métricas en la red. Estos nodos están
posicionados para ser innovadores, dado que
ellos acceden a ideas e información de otros
clústeres. Ellos están en una posición para
combinar diferentes ideas y conocimientos en
nuevos productos y servicios.
11. Peripheral Players: La mayoría de la gente
podría ver los nodos de la periferia (nodos con
baja centralidad) de la red como actores de
muy poca importancia. Aunque estos nodos
son a veces conectados a redes que no están
actualmente mapeadas. Estos nodos podrían
ser una fuente de una información para una
compañía.
12. Network Centralization: La centralización es
una medida de contribución de una posición en
la red para la importancia e influencia de un
actor en la red. La relación entre las
centralidades de todos los nodos pueden
revelar mucho sobre la estructura global de la
red. Una alta centralidad en la red es dominada
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
93
ISSN 2007-9737
por uno o pocos nodos. Si esos nodos son
removidos la red rápidamente se fragmentara
en subredes desconectadas. Por otro lado, una
red con baja centralidad no tiene un único punto
de falla por lo que las hace mucho más
resistentes.
13. Equivalencia estructural (en inglés Structural
Equivalence): Determinar que nodos juegan
roles similares en la red.
14. Cluster Analysis: encontrar grupos dentro de
la red de acuerdo a sus relaciones.
15. Structural Holes: encontrar áreas no
conectadas entre nodos que podrían ser
usados para obtener ventajas y nuevas
oportunidades.
16. E/I Ratio: encontrar que grupos en la red que
están abiertos o cerrados a otros grupos e
grupos de la red.
17. Small Worlds: encontrar clúster y caminos
más cortos que son comunes en la red
exhibiendo alta eficiencia en el comportamiento
small-worlds.
18. Descomposiciones: dividir las grandes redes
sociales en redes más pequeñas para poder
aplicar métodos de análisis más sofisticados.
19. Reducción: contraer un grupo de nodos de la
red en un único nodo.
20. Cortes: encontrar grupos interesante dentro de
una red basados en sus propiedades o pesos.
21. Citation weight: análisis propuesto en 1964
que define 3 índices, pesos de arcos que son
proporcionales al número de diferentes
caminos pasando a través del arco [37].
22. Núcleos generalizados: establece que un
vértice perteneciente a k-core está unido al
menos a otros k vértices [3].
23. K-rings: es el número de diferentes anillos de
k aristas que se encuentran en la red. En el
2005 se agregó a Pajek soporte para redes
multi-relacionales que combinadas con las
redes temporales habilitan el análisis de un
nuevo campo de redes como son las redes
KEDS (del inglés, Kansas Event Data System).
24. K-neighbors: se hace extrayendo la subred.
De estos Clústeres calcula las distancias de a
cada vértice en el Clúster. El resultado consiste
en muchas particiones como el número de
vértices en el Clúster. Así mismo clasificando
los resultados en las particiones se clasifican
los vectores también.
25. Distancia geodésica: camino más corto entre
dos nodos.
26. Decomposición: es para dividir las redes de
larga escala, en muchas redes más pequeñas
que pueden ser tratadas para promover usando
métodos sofisticados.
27. Reduction: es la reducción de una categoría
es una sección transversal o una proyección de
la categoría que omite ciertos aspectos de su
estructura y conserva otros.
28. Centralidad de Intermediación (en inglés,
Betweenness centrality): es un indicador de la
centralidad de la red. Es igual al número de
caminos más cortos de todos los vértices a
todos los otros que pasan a través de ese nodo.
Un nodo con alto betweenness centrality tiene
una gran influencia en la transferencia de los
nodos a través de la red, asumiendo que cada
nodo transfiere siguiendo los caminos más
cortos [16].
29. Clustering coefficient: es el coeficiente de
agrupamiento de un vértice en un grafo
cuantifica qué tanto está de agrupado (o
interconectado) con sus vecinos. Se puede
decir que si el vértice está agrupado como un
clique (grafo completo) su valor es máximo,
mientras que un valor pequeño indica un vértice
poco agrupado en la red. Duncan J. Watts y
Steven Strogatz [39] fueron los primeros en
idear este coeficiente, para determinar si un
grafo es una red de mundo pequeño. En
algunas ocasiones dentro del mundo de la
teoría de redes se denomina a este coeficiente
también como transitividad.
30. Distancia: indica entre dos actores cómo de
cerca uno está de otro.
31. PageRank: asigna de forma numérica la
relevancia de los documentos (o páginas web)
indexados por un motor de búsqueda.
32. Ego network: consiste en la red que se forma
a partir de un nodo focal “ego” y los nodos a los
cuales el ego está directamente conectados,
llamados “alters” y sus lazos. Los alters son los
nodos o personas relacionadas con un ego
(suele utilizarse en la descripción de redes
centradas en ego). El ego es un nodo focal a
partir del cual se construye una red.
33. Broker: es un intermediario o persona con un
alto índice de intermediación. Si se quita de la
red ésta se divide en componentes.
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
94
ISSN 2007-9737
34. Lazos débiles: expresión popularizada por
Granovetter [17] que indica relaciones
especializadas entre dos actores sociales.
35. Lazos fuertes: a diferencia de los lazos débiles
indican relaciones sociales cercanas y
solidarias.
36. Cliques: es un algoritmo que nos permite
conocer los diferentes grupos a los que
pertenece un actor. Las camarillas constituyen
un subgrafo completamente conectado, es
decir, un subgrafo en el cual todos los nodos
están conectados entre sí. Este criterio puede
relajarse de diferentes formas (procedimientos
Ncliqués, n-clan, factions, k-plex).
37. Modularity: es una medida de la estructura de
las redes, diseñada para medir la fuerza de la
división de una red en módulos (también
llamados grupos, grupos o comunidades). Las
redes con alta modularidad tienen conexiones
densas entre los nodos dentro de los módulos,
pero escasas conexiones entre los nodos en
diferentes módulos. La modularidad se utiliza a
menudo en métodos de optimización para la
detección de estructura de la comunidad en las
redes. Sin embargo, se ha demostrado que la
modularidad sufre un límite de resolución y, por
tanto, es incapaz de detectar pequeñas
comunidades. Redes biológicas, incluyendo los
cerebros animales, exhiben un alto grado de
modularidad.
38. Diameter: es el valor geodésico más grande.
39. Average shortest path: distancia media de
nodo a nodo (también conocida como longitud
media de camino más corto).
La importancia que tienen las métricas es que
permiten efectuar las mediciones para cuantificar
la estructura y los patrones de las relaciones entre
los actores. Siendo primordial conocer los actores
que participan en una red como así también la
estructura de las relaciones. Visualizar la densidad
de estas relaciones y poder revelar los actores que
juegan papeles claves en la red. El ARS ofrece un
número extenso de métricas para estudiar
distintas propiedades de la red.
3
UCINET,sites.google.com/site/ucinetsoftware/downloads,
última visita diciembre 2015
2.2. Conceptualización de las herramientas de
software para el análisis de redes Sociales
y la clasificación de medidas que brindan
Como hemos descrito anteriormente, el ARS es
una herramienta potente y una perspectiva
conceptual que debe complementarse con una
base de interdisciplinariedad, para lograr una
capacidad explicativa. La evolución de las
tecnologías ha dado lugar a nuevos entornos para
el software de ARS [1]. Actualmente, las
herramientas tecnológicas aplicadas al ARS, han
simplificado el trabajo de hacer cálculos
engorrosos, en poco tiempo y sin posibilidad de
fallo, ahorrando tiempos y brindando una facilidad
de acceso.
Dichas herramientas se caracterizan por ser un
método práctico, visual y descriptivo, que pueden
ejecutarse sobre diferentes plataformas e
interfaces web, diseños de arquitecturas y motores
de ejecución, dando lugar a simulaciones
concurrentes bajo diferentes parametrizaciones.
Se ha desarrollado un gran número (más de cien)
de herramientas de software que permiten llevar a
cabo una implementación apropiada del ARS
representando las redes sociales a través de
grafos y aplicando diversas métricas para llevar a
cabo un análisis pormenorizado de las
características que aquellas presentan.
En primer lugar, nos encontramos con las
herramientas de análisis de redes sociales,
académicas y avanzadas que frecuentemente son
usadas en ambientes académicos y destinadas
también para realizar un análisis de redes sociales
más sofisticado. Están orientadas a la usabilidad
más que a la performance. Las guías de usuario y
archivos de ayuda no están del todo completas, no
son simples de comprender y están diseñados
para audiencias sofisticadas. Ejemplo: UCINET
3
[6], Pajek
4
[32].
Luego, con las herramientas avanzadas de
redes sociales pero accesibles y usadas para
ámbitos generales incluyendo los corporativos.
Fueron creadas teniendo en cuenta a los usuarios,
siendo más intuitivas y simples de usar más que
aquellas académicas. Las guías de usuario y la
4
Pajek, http://vlado.fmf.uni-lj.si/pub/networks/pajek/ última
visita diciembre 2015
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
95
ISSN 2007-9737
ayuda están orientadas a una audiencia general.
Ejemplo: NetMiner
5
[35].
Existen también las herramientas simples y
fáciles de usar, como NodeXL
6
[11] que pueden
ser usadas por usuarios más familiarizados con el
ARS. Estas herramientas tienen funcionalidades
complejas y son simples de navegar y usar. La
ayuda de usuario es simple y clara.
Finalmente, nos encontramos con las
herramientas que permiten la visualización de
datos generados por usuarios preexistentes que
son utilizadas para analizar datos existentes
disponibles para los usuarios. Son simples de usar
con funcionalidades intuitivas como por ejemplo,
Gephi.
Teniendo como base la clasificación anterior,
describiremos a continuación las ventajas y
desventajas de aquellas herramientas más
conocidas y utilizadas que ofrece el mercado. En
5
Netminer, http://www.netminer.com/main/main-read.do,
última visita diciembre 2015
primer lugar, Pajek [32] trabaja con listas en lugar
de matrices, contiene un gran número de análisis
y gráficos (como puede verse en la Figura 2), tiene
facilidad de importar las listas y redes, es gratuito
y utiliza un lenguaje propio en algunas
operaciones. Pero no contiene QAP ni un gran
número de métricas.
De la misma manera, Ucinet [6] presenta una
alta manejabilidad, es muy utilizada en
investigaciones, contiene la gestión y el cálculo de
los principales indicadores junto con la aplicación
de gráficos con muchas opciones; también se
actualiza periódicamente pero no es gratuito, la
licencia caduca, y aunque sigue funcionando se
cierra cada vez que se realiza una operación.
Luego, NodeXL [28, 25] es una herramienta
disponible para Microsoft Excel, funciona con
listas; permite importar fácilmente listas y redes de
Twitter, Youtube, Flickr o e-mails; es gratuito.
6
NodeXL, https://nodexl.codeplex.com/ última visita
diciembre 2015
Fig. 2. Ejemplo de grafo en Pajek
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
96
ISSN 2007-9737
También utiliza la herramienta Snap
7
(abreviado en inglés Stanford network analysis
project) para el cálculo de un gran número de
7
Snap, Stanford Network Analysis Project,
http://snap.stanford.edu/, última visita diciembre 2015
métricas. Fue aplicado al ámbito áulico para
determinar la estructura del aula [24].
Tabla 1. Clasificación de métricas a través de las herramientas de software presentadas para ARS
Herramientas de software
Métricas
Netminer
K-neigbor (24)
Degree (7)
Centralidad (12)
Distancia Geodésica (25)
Clusters (14)
Pajek
Degree (7)
Indegree (7.2)
Outdegree (7.3)
Descomposiciones (26)
Reducción (27)
Cortes (20)
Citation Weight (8)
Núcleos (9)
Nucleos generalizados (22)
K-rings (23)
Nodexl
Betweenness Centrality (28), Closeness Centrality (2), Coeficiente de
Clustering (29) Degree (7)
Distancia (30)
Eigenvector centrality (7)
Densidad del grafo (5.2)
PageRank (31)
Ucinet
Betweenness Centrality (28), Closeness Centrality (2)
Degree Centrality (7)
Egonet (32)
Density (5.2)
Distancia Geodésica (25),
Ncliqués, n-clan, factions, k-plex (37)
Gephi
Average shortest path (40)
Betweenness Centrality (28), Closeness Centrality (2), Community
detection (Modularity) (38)
Clustering Coefficient (29)
Diameter (39)
PageRank (31)
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
97
ISSN 2007-9737
Finalmente, Gephi [8, 23, 7] es una
herramienta sobre la cual profundizaremos su
estudio en la sección 5.
A través del relevamiento de las herramientas,
en la Tabla 1 se presenta un conjunto de métricas
que describen las características estructurales de
las redes [20, 41] (la numeración de la tabla
corresponde a las métricas que hemos definido y
numerado en la sección 2.1), esta propiedad se
refiere a la tendencia general de las relaciones
entre los actores del sistema, otras características
estructurales por ejemplo son la agrupación, la
densidad de la red, y la existencia de nodos
especiales en la red.
3. Gephi: Contexto, metodología y
análisis
El 31 de julio de 2008, Mathieu Bastian lanzó
por primera vez Gephi, definiéndola como una
plataforma para la visualización interactiva y la
exploración de todo tipo de redes, sistemas
complejos y grafos dinámicos y jerárquicos.
Junto a sus colaboradores Sebastien
Heynmann [22] y Mathieu Jacomy habían
desarrollado Gephi para “importar, exportar,
manipular, analizar, filtrar, representar, detectar
comunidades y exportar grandes grafos y
redes” [2].
Gephi es una herramienta tecnológica que
puede ser de gran ayuda en el proceso de
representación de los datos, y se encuentra
debidamente actualizada cumpliendo con las
siguientes características:
– Disponibilidad del software: es gratuito.
– Interfaz: cuenta con claridad en la interfaz
de usuario.
– Métricas: cantidad y facilidad de uso de
las métricas y sus resultados.
– Importar/Exportar: tiene la capacidad
para importar o exportar otros formatos de
archivo, ya sea de otros softwares de
análisis, Excel u otros.
– Visualización Gráfica. Capacidad para
graficar redes.
Fig. 3. Interfaz de la herramienta Gephi
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
98
ISSN 2007-9737
– Documentación: tiene disponibilidad y
claridad de la documentación.
– Actualizaciones: está frecuentemente
actualizada y cuenta con nuevas
versiones recientes.
Gephi fue construido sobre la plataforma
NetBeans
8
7.0 y programado en Java y OpenGL.
Gephi
9
es una herramienta interactiva de código
libre (en inglés Open source), que permite la
visualización, la exploración y el análisis de toda
clase de redes y sistemas complejos, grafos
jerárquicos y dinámicos como se observa en la
Figura 3. Fue seleccionada por el Google Summer
of Code
10
a lo largo de los años, 2009, 2010, 2011,
2012, y 2013.
Brinda su apoyo a la exploración de los medios
sociales con funciones de importación que extraen
datos de los índices de correo electrónico,
Twitter
11
, YouTube
12
, Facebook o Foros. Así
mismo, es posible la conexión a través de archivos
nativos de otras herramientas como Excel.
Gephi es utilizada en numerosos proyectos de
investigación en universidades, y en otros ámbitos
de investigación o de trabajo [8]. Es factible
mencionar diversos ejemplos de su utilización en
cuestiones que atañen al bien conocido New York
Times para la visualización de la conectividad
global del contenido como así también para la
examinación del tráfico de Twitter [7].
4. Caso de experimentación práctica
con Gephi
Lozares [27] sostiene que el ARS se presenta,
a veces, como una caja de herramientas de
naturaleza técnico-formal y/o gráfica en la
búsqueda pragmatista y eficaz de resultados sin
que se dé una reflexión suficiente sobre las
condiciones y situaciones de recogida de
información o sobre la naturaleza de los datos y su
8
NetBeans, es un entorno de desarrollo integrado libre,
hecho principalmente para el lenguaje de programación Java,
y cuenta con un número importante de módulos para
extenderlo. NetBeans IDE es un producto libre y gratuito sin
restricciones de uso.
9
Gephi, https://gephi.org/, última visita diciembre 2015
10
Es un programa anual que se dio por primera vez durante
el verano de 2005 y donde la empresa Google remunera a los
contextualización o sobre las dimensiones
cognitivas, fácticas, dinámicas, simbólicas entre
otros, que supone la relación social o sobre los
campos en los que se insertan dichas relaciones.
Enfocando la atención al caso de estudio, es
conveniente mencionar que es utilizado como una
herramienta de investigación fundamental. A lo
largo del mismo, mostraremos cómo a partir de la
Web 2.0, es posible mapear un conjunto de
relaciones sociales que se establecen entre los
alumnos, como resultado de la interacción social.
Nuestra estrategia de investigación nos permitirá
identificar y ponderar los procesos que tienen lugar
dentro del aula, contextualizando el clima social,
para brindarle al profesor la posibilidad de generar
de manera efectiva condiciones favorables para el
aprendizaje.
El término clima, referido a las instituciones
escolares, ha sido utilizado en la literatura
especializada de diversas maneras; Cornejo y
Redondo [10] señalan que: “es el conjunto de
características psicosociales de un centro
educativo, determinadas por aquellos factores o
elementos estructurales, personales y funcionales
de la institución que integrados en un proceso
dinámico específico, confieren un peculiar estilo a
dicho centro, condicionante a la vez de distintos
procesos educativos”.
La obtención de dicho clima no solamente
permitirá al profesor optimizar el proceso de
enseñanza, sino que además resaltará el estado
actual del aula enfatizando las relaciones
existentes entre los alumnos. Específicamente, se
ayudará al profesor mediante la aplicación de
Gephi, permitiendo la recolección de información
de la red y el análisis del clima del aula, y
buscando identificar y ponderar contextualizando
los procesos que tienen lugar dentro del aula.
Describiremos y estudiaremos las estructuras
relacionales, haciendo énfasis en las relaciones
entre los elementos estudiados.
estudiantes que completan un proyecto de programación de
software libre durante ese periodo de verano. El programa es
abierto para estudiantes de 18 años en adelante. El programa
para los estudiantes menores de 18 años es Code-In Google
11
Twitter, https://twitter.com/
12
Youtube, https://www.youtube.com/
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
99
ISSN 2007-9737
En nuestro análisis nos centraremos en un
escenario de foro donde las diferencias de
sincronía nos permiten ver que el participante
puede dar un tratamiento más cuidadoso de la
discusión y resolver con mayor eficacia problemas
complejos.
4.1. Extracción de la red y determinación de la
población estudiada
Si bien dentro del ambiente de la educación los
alumnos son el eje central, lo que se intentó
comprender en detalle son los comportamientos
que éstos adopten en situaciones particulares de
interacción. Consecuentemente, el proceso de
ARS se basa en la captura y el posterior análisis
de la información. Para la captura de datos,
consideramos un grupo de cuarto año de una
Institución Educativa de la ciudad de La Plata,
Buenos Aires
13
.
Con el fin de obtener una abstracción de datos
se utilizaron aquellos obtenidos de Moodle
14
[14] ,
a partir de un curso con un foro asíncrono para la
determinación de requerimientos funcionales y no
funcionales de un sistema. Se propuso a los
alumnos debatir, consensuar y calificar las
propuestas de sus compañeros.
Los Entornos Virtuales de Enseñanza y
Aprendizaje (abreviado EVEAs) son Tecnologías
de la Información y Comunicación que surgen
como producto del trabajo interdisciplinario entre
las Ciencias Informáticas y las Ciencias de la
Educación, cuyo principal objetivo es facilitar los
procesos de enseñar y aprender en una
comunidad educativa. Vale destacar que Moodle
es un EVEA que brinda la posibilidad a los
usuarios de compartir opiniones, comunicar,
interactuar y aprender [9].
Los sitios de redes virtuales constituyen medios
de interacción humana mediados por el uso de las
tecnologías de la información y la comunicación en
los cuales los individuos han ido desarrollando la
capacidad de compartir con el ajuste de los
procesos sociales a la virtualidad. Por otro lado,
para analizar las redes sociales utilizamos dicho
escenario de foro asíncrono y encuestas de
comunicación que nos permitieron obtener
13
Se mantiene reserva del nombre de la Institución para
conservar la confidencialidad de los alumnos.
información sobre sus relaciones de amistad,
colaboración e influencia.
4.2. Métricas determinantes del clima del aula
Según Molina [30] se puede afirmar que existen
dos aproximaciones diferentes en el estudio de los
datos relacionales: una basada en la búsqueda de
cohesión (existencia de lazos) y otra basada en la
búsqueda de posiciones (equivalencia de lazos).
Dentro de las medidas de cohesión están las
medidas de centralidad. Teniendo en cuenta lo
anterior, describiremos cuatro de las diversas
métricas contextualizadas al dominio educativo
con el fin de explicar cuáles son los determinantes
según ARS, del clima social [21].
1. Grado de centralidad (en inglés, centrality
degree): permite realizar un análisis de rango
coercible para indicar aquellos alumnos
poseedores de la mayor cantidad de relaciones y
por ende, los influyentes dentro del grupo. Puede
también ser considerado como una medida con la
cual se linkea al índice de accesibilidad al resto de
los compañeros [16].
2. Centralidad de intermediación (en inglés,
betweenness centrality): se puede enfocar como la
capacidad que inviste el alumno en ocupar una
posición intermediaria en las comunicaciones
informales entre el resto de los estudiantes.
Aquellos, con mayor intermediación son
poseedores de un gran liderazgo, debido a que
controlan los flujos de comunicación informal.
3. Grupos: también se conoce como
comunidades. El grupo, ante su actitud y
comportamiento, se convirtió en objeto de análisis.
Kurt Lewin [26] su fundador, concluyó que es un
formidable instrumento para conocerse a sí
mismo, para conocer a los otros, al grupo concreto
que vive su momento, y en general a los grupos
que viven procesos similares.
4. Fuerza de los vínculos: desde el punto de vista
del ARS, los lazos o vínculos interpersonales son
definidos como conexiones portadoras de
información entre personas o individuos. Se
sostiene que los lazos interpersonales débiles son
los más presentes en las redes sociales en la
sociedad, así como los mayores responsables de
14
Moodle, https://moodle.org/?lang=es, última visita
diciembre 2015
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
100
ISSN 2007-9737
la transmisión de información a través de dichas
redes. Mark Granovetter [17] puntualizó que el
énfasis en los lazos débiles lleva por sí mismo a la
discusión de las relaciones entre los grupos y a
analizar los segmentos de la estructura social que
no quedan fácilmente definidos en términos de
grupos primarios. Muchas nociones intuitivas
sobre la fuerza de un vínculo interpersonal
deberían verse satisfechas por la siguiente
definición: la fuerza de un vínculo es una
(probablemente lineal) combinación del tiempo, la
intensidad emocional, confianza mutua y los
servicios recíprocos que caracterizan a dicho
vínculo.
Las medidas que pueden ser aplicadas a una
red social se dividen en tres tipos: globales,
individuales e intermedias; dentro de las medidas
individuales están el grado del nodo y la
centralidad.
El grado del nodo se determina por el número
de conexiones que un individuo tiene y que
pueden ser direccionadas o no direccionadas; las
direccionadas tienen grado de entrada y grado de
salida; las de entrada se calculan a partir del
número de interacciones o mensajes de entrada
de un individuo, las de salida se refieren al número
de relaciones que salen de un nodo.
Cuando un actor de la red tiene un alto grado
de entrada puede significar que esta persona tiene
un alto prestigio y es muy reconocido por los
demás, el grado de salida se refiere al número de
conexiones de salida de un nodo con otros y puede
entenderse como que este actor tiene un alto
grado de influencia sobre los demás.
4.3. Análisis de las métricas sobre el caso
A través de la herramienta de software para el
ARS elegida se vislumbrará la posibilidad de
brindarle al profesor la extracción de conocimiento
de la red a través de diferentes métricas. Con
Moodle, los post asíncronos de los alumnos se
persistieron en la base de datos en forma de
tuplas
15
. Las mismas muestran qué usuario ha
subido un mensaje y qué usuario le responde,
incluyendo la fecha y hora de envío, la dirección
15
Una tupla, es una lista ordenada de elementos. Una n
tupla es una secuencia (o lista ordenada) de n elementos,
siendo n un número natural (entero no-negativo). Una n tupla
de correo electrónico de quien creó el mensaje, y
otros detalles (como título del tema, cuántas veces
ha sido leído, el cuerpo del mensaje, calificación,
entre otros).
El procesamiento de dichos post permitirá
obtener y analizar el clima social del aula en base
a la participación sobre el foro con temáticas de
trabajo colaborativo. El aprendizaje colaborativo
permite el intercambio de ideas y conocimientos
de manera grupal a través de la interacción entre
los alumnos que lo componen. A diferencia del
aprendizaje individual, las actividades
colaborativas facilitan la consecución de los
objetivos individuales mediante la consecución de
los grupales.
Gephi ofrece similares características a las
provistas por NodeXL como vimos previamente,
con la diferencia de que ofrece más potencia en
algunos apartados, ya que es una herramienta
completa desarrollada específicamente para
grafos. Se inicia a partir de la pantalla presentada
en la Figura 4.
Como se mencionó, soporta varios tipos de
archivos y para poder cargar un grafo se debe ir al
menú “archivo” en la parte superior izquierda y
seleccionar “abrir”. Una vez cargado el grafo se
visualizará directamente en la pantalla, tal y como
se aprecia en la Figura 5:
Las principales acciones que ofrece Gephi al
usuario a partir de aquí son las siguientes (ver
Figura 5):
1. Ver y editar los datos del grafo en el “laboratorio
de datos”.
2. Modificar de manera interactiva sobre la
visualización del grafo existente numerosas
opciones del grafo.
3. Calcular las métricas del grafo.
Una vez efectuado se procede a determinar la
lista de estudiantes. Representaremos a los
participantes, en nuestro caso alumnos, a través
de etiquetas que se inician en el label A2 hasta el
A30 mientras que el profesor será representado
con el label A1.
se define inductivamente desde la construcción de un par
ordenado.
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
101
ISSN 2007-9737
Fig. 4. Pantalla de inicio de Gephi
Fig. 5. Visualización de grafo en Gephi
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
102
ISSN 2007-9737
Fig. 6. Grafo correlativo al grado de centralidad
Fig. 7. Grafo correlativo al grado de intermediación
Fig. 8. Grafo correlativo a la Fuerza de los vínculos
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
103
ISSN 2007-9737
Uno de los objetivos fundamentales de Gephi
que lo convirtieron en la herramienta más popular
es que permite tomar medidas interactivamente de
las redes, utilizando las diferentes métricas de
redes sociales para el análisis individual, grupal o
de la red completa y es factible apreciar la
interacción entre diferentes individuos. Se
evidenciarán a continuación los resultados
obtenidos.
a) Grado de Centralidad: Pueden
discernirse aquellos alumnos que poseen mayor
cantidad de conexiones, y que revisten de
influencia dentro de la red, accediendo al índice de
accesibilidad al resto de los compañeros. Así, el
nodo con mayor cantidad de relaciones
corresponde al alumno A5, ya que tiene 5 entradas
y 23 salidas, dando un grado total de 28.
b) Grado de Intermediación: El alumno A18
posee el mayor poder de intermediación, por lo
cual es poseedor de liderazgo y es el que controlan
los flujos de comunicación informal.
c) Estructura de comunidades: A partir de
la métrica Modularity Class [8] de Gephi,
encontramos las siguientes comunidades:
1. A4, A15, A18, A23, A24.
2. A2, A3, A5, A9, A17, A29
3. A1, A10, A20, A22, A25, A27, A30
4. A7, A8, A11, A12, A13A14, A16, A19, A21,
A26, A28.
d) Cohesión (distancia): En la Figura 4, el
actor A12 se encuentra a una distancia de 5 del
actor A30. Esta es la noción de los grados de
separación [19] (en inglés, degrees of separation).
e) Fuerza de los vínculos: No existen lazos
débiles debido a que los grupos son de estrecha
unión y por ende son predominantes los lazos
fuertes. Es así que se da un caso de cohesión
intergrupal, pero de baja intensidad de relaciones
inter grupos lo cual conlleva a la idea de inferir
sobre la posibilidad de existencia de tribus.
6.4. Cálculo de grafos asociados
Complementando la información de las
métricas, como se detalló en las secciones
anteriores los grafos son una forma de
representación flexible, que permite representar
de una forma natural una gran diversidad de
realidades. Asimismo, puede obtenerse una
representación más rica de la información sobre la
relación entre los nodos.
A través de Gephi hemos obtenido los grafos
que pueden observarse en las Figuras 6 y 7, y que
a partir de los cuales puede discernirse que el rol
del profesor, la presencia de aislados, y la
existencia de algunos “facilitadores”. En general, la
forma de las interacciones configuró un mapa de
“todos-conectados” en vez de una configuración
centralizada.
Asimismo, no es factible dejar a un lado un
concepto fundamental dentro del ARS y que
encarna una métrica de suma importancia como lo
es la fuerza de los vínculos, y que puede
observarse en la Figura 8.
Desde el punto de vista del ARS, los lazos o
vínculos interpersonales son definidos como
conexiones portadoras de información entre
personas o individuos. Se sostiene que los lazos
interpersonales débiles son los más presentes en
las redes sociales en la sociedad, así como los
mayores responsables de la transmisión de
información a través de dichas redes.
Mark Granovetter [18] puntualizó que el énfasis
en los lazos débiles lleva por sí mismo a la
discusión de las relaciones entre los grupos y a
analizar los segmentos de la estructura social que
no quedan fácilmente definidos en términos de
grupos primarios. Muchas nociones intuitivas
sobre la fuerza de un vínculo interpersonal
deberían verse satisfechas por la siguiente
definición: la fuerza de un vínculo es una
(probablemente lineal) combinación del tiempo, la
intensidad emocional, confianza mutua y los
servicios recíprocos que caracterizan a dicho
vínculo.
Bernstein [4] propuso en sus estudios
especificar distintos contextos del clima. Uno de
ellos es el contexto interpersonal. Este hace
referencia a las relaciones entre los alumnos de la
cercanía de las relaciones que mantienen con los
profesores y de la preocupación que éstos
muestran ante sus problemas.
Viendo así que la conducta social de los
alumnos se ve afectada por muchos factores
cognitivos como lo es el entorno social a través de
los diferentes medios. En el proceso de
enseñanza, la vida social y las relaciones
informales o vínculos que los estudiantes
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
104
ISSN 2007-9737
establecen en el aula, son un tema de interés y
forman parte del proceso formativo de los mismos.
A través de estos vínculos que generan los
individuos, se forja una dinámica compleja
embebida por las interacciones con otros
individuos.
6. Conclusiones y trabajo futuro
El Análisis de Redes Sociales ha ido
evolucionando desde sus orígenes hasta la
actualidad, de manera tal que actualmente un
conjunto de enfoques, aplicaciones, métricas,
representaciones de las relaciones, características
estructurales de las redes y herramientas para
cubrir el espectro que abarca. Considerando la
naturaleza interdisciplinar del ARS, se focalizó en
la descripción y estudio de los fenómenos sociales
que generan las relaciones establecidas entre los
individuos.
A partir de la propagación y evolución de
procesos sociales, el estudio de la dinámica de las
redes se ha integrado al ARS y también al
desarrollo de nuevas herramientas de software.
Esto surge por la importancia de conocer en qué
consiste el fenómeno de las redes sociales, qué
aplicaciones tienen y cómo se están convirtiendo
en una herramienta útil para estudiarlas en
diferentes ámbitos como la educación, la política,
la salud, entre otros.
Se ha llevado a cabo una revisión desde
diversos ángulos de las herramientas que dan
soporte al ARS y de las métricas que proveen.
Dada la importancia de cuantificar y procesar un
set de datos, la interpretación de los vínculos se
pueden estudiar a través de métricas definidas
para el análisis de redes sociales orientadas al
individuo y al grupo conectado. En los programas
considerados que hemos mostrado ofrecen una
serie de métricas de redes, las mismas se extraen
de una serie de fórmulas y metodologías que
otorga el ARS y aplican diferentes técnicas.
También se ha presentado un caso de estudio
práctico utilizando como herramienta Gephi, con el
fin de analizar un ambiente de interacción virtual
entre los alumnos. Se examinaron las técnicas de
ARS y visualizaciones como herramientas para
que los profesores de cursos en línea e
investigadores evalúen participación e interacción
en foros de discusión. Este estudio mostró que las
métricas ARS y la visualización de interacciones
son herramientas útiles y potencialmente efectivas
para analizar patrones de interacción.
Por eso, a futuro consideraremos y
analizaremos las métricas y patrones de
interacción, vinculados a la deserción y violencia
escolar. El desafío está planteado en continuar
con estas mediciones de las herramientas de
software en entornos mucho más numerosos y en
contextos en las cuales las redes sociales son
parte de la vida cotidiana de cada actor,
comparando la performance y resultados sobre un
caso de estudio.
Agradecimiento
Se agradece al Decano de la Universidad
Tecnológica Nacional, Facultad Regional La Plata
por el apoyo brindado durante la producción del
presente artículo.
Referencias
1. Akhtar, N. (2014). Social Network Analysis Tools.
Proc. of Fourth International Conference on
Communication Systems and Network
Technologies (CSNT), pp. 388–392.
2. Bastian, M., Heymann, S., & Jacomy, M. (2009).
Gephi: an open source software for exploring and
manipulating networks. ICWSM, 8, pp. 361–362.
3. Batagelj, V. & Mrvar, A. (2003). Pajek - Analysis
and visualization of large networks. Graph Drawing
Software, Springer, pp. 77–103.
4. Bernstein, B. (2000). Pedagogy, Symbolic Control,
and Identity: Theory, Research, Critique. Rowman
& Littlefield Publishers.
5. Boden, B., Haag, R., & Seidl, T. (2013). Detecting
and Exploring Clusters in Attributed Graphs: A
Plugin for the Gephi Platform. Proc. of the 22nd
ACM International Conference on Information &
Knowledge Management (CIKM), Vol. 13, pp.
2505–2508. DOI: 10.1145/2505515.2508200.
6. Borgatti, S.P., Everett, M.G., & Freeman, L.C.
(2002). UCINET 6 for Windows: Software for Social
Network Analysis. Harvard, MA, Analytic
Technologies.
7. Bruns, A. (2012). How long is a tweet? Mapping
dynamic conversation networks on twitter using
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
105
ISSN 2007-9737
gawk and Gephi. Information, Communication &
Society, Vol. 15, No. 9, pp. 1323–1351.
8. Cherven, K. (2013). Network Graph Analysis and
Visualization with Gephi. Community experience
distilled. Packt Publishing.
9. Cigliuti, P., Pollo-Cattaneo, M.F., & García
Martínez, R. (2012). Procesos de identificación de
comportamiento de comunidades educativas
centradas en EVEAs. XIV Workshop de
Investigadores en Ciencias de la Computación, pp.
954–956.
10. Cornejo, R. & Redondo, J.M. (2001). El clima
escolar percibido por los alumnos de enseñanza
media: Una investigación en algunos liceos de la
Región Metropolitana. Última década, Vol. 9, No.
15, pp. 11–52. DOI: 10.4067/S0718-223620010002
00002.
11. Diestel, R. (2010). Graph Theory. Springer-Verlag,
Heidelberg, Graduate Texts in Mathematics, Vol.
173.
12. Diestel, R. (2000). Graph Theory. Electronic
edition, Springer-Verlag, New York.
13. Doreian, P. & Stokman, F. (2013). Evolution of
Social Networks. Routledge Contemporary Human
Geography, Taylor & Francis.
14. Dougiamas, M. & Taylor, P. (2003). Moodle: Using
learning communities to create an open source
course management system. Proc. of Conference
on educational multimedia, hypermedia and
telecommunications, pp. 171–178.
15. Freeman, L.C. (2004). The Development of Social
Network Analysis: A Study in the Sociology of
Science. Empirical Press, BookSurge.
16 Freeman, L.C. (1978). Centrality in social networks
conceptual clarification. Social Networks, pp. 215,
DOI: 10.1016/0378-8733(78)90021-7.
17. Granovetter, M.S. (1973). The Strength of Weak
Ties. The American Journal of Sociology, Vol. 78,
No. 6, pp. 1360–1380.
18. Hanneman, R.A (2000). Introducción a los métodos
del análisis de redes sociales. Revista REDES,
Petrizzo, Maria Ángela.
19. Hanneman, R.A. & Riddle, M. (2005). Introduction
to social network methods. Riverside, CA,
University of California.
20. Hanneman, R.A. & Riddle, M. (2005). Introduction
to social network methods. Using matrices to
represent social relations, Riverside, CA: University
of California.
21. Herrero, R. (2000). La terminología del análisis de
redes: problemas de definición y de traducción.
Política y sociedad, Vol. 33, pp. 199–206.
22. Heymann, S. (2014). Gephi. Encyclopedia of Social
Network Analysis and Mining, pp. 612–625,
Springer, New York.
23. Heymann, S. & Le Grand, B. (2013). Visual
Analysis of Complex Networks for Business
Intelligence with Gephi. Proc. of 17th International
Conference on Information Visualization, pp. 307–
312. DOI: 10.1109/IV.2013.39.
24. Knoke, D. & Yang, S. (2008). Social Network
Analysis. Number 154 in Quantitative Applications
in the Social Sciences, SAGE Publications.
25. Kuz, A., Falco, M., Giandini, R., & Nahuel, L.
(2014). NodeXL: descripción del clima social en el
ámbito universitario, mediante ARS. 6º Jornadas de
Ciencia y Tecnología (CyTal), Buenos Aires,
Argentina.
26. Lewin, K. (1973). Dinámica de la personalidad:
selección de artículos. Filosofía, Psicología,
Pedagogía, Morata.
27. Lozares, C. (1996). La teoría de redes sociales.
Revista REDES, Vol. 48, pp. 103–126.
28. Matei, S.A. (2011). Analyzing Social Media
Networks with NodeXL: Insights from a Connected
World. Comput. Interaction, Vol. 27, No. 4, pp. 405–
408.
29. Mitchell, J.C. (1969). Social Networks in Urban
Situations: Analyses of Personal Relationships in
Central African Towns. Institute for Social
Research, University of Zambia.
30. Molina, J.L. (2001). El análisis de redes sociales:
una introducción. Revista de la Universidad
Complutense, Política y sociedad, Bellaterra.
31. Newman, M. (2010). Networks: An Introduction.
Oxford University Press, Inc., New York, NY, USA.
32. De Nooy, W., Mrvar, A., & Batagelj, V. (2011).
Exploratory Social Network Analysis with Pajek,
Structural Analysis in the Social Sciences,
Cambridge University Press.
33. Ruhnau, B. (2000). Eigenvector-centrality a node-
centrality? Social Networks, Vol. 22, No. 4, pp. 357–
365.
34. Sanz-Menéndez, L. (2003). Análisis de redes
sociales: o cómo representar las estructuras
sociales subyacentes. Apuntes de Ciencia y
Tecnología, Vol. 7, pp. 21–29.
35. Scott, J. & Carrington, P.J. (2011). The SAGE
Handbook of Social Network Analysis. SAGE
Publications.
36. Ávila Toscano, J.H. (2012). Redes sociales y
análisis de redes. Aplicaciones en el contexto
comunitario y virtual. Barranquilla, Colombia.
37. Batagelj, V. (2002). Efficient algorithms for citation
network analysis. Cornell University Library.
Computación y Sistemas, Vol. 20, No. 1, 2016, pp. 89–106
doi: 10.13053/CyS-20-1-2321
106
ISSN 2007-9737
38. Wasserman, S. & Faust, K. (1997). Social Network
Analysis: Methods and Applications. Structural
Analysis in the Social Sciences, Cambridge
University Press.
39. Watts, D. & Strogatz, S. (1998). Collective
Dynamics of Small-World Networks. Nature, Vol.
393, pp. 440–442.
40. Wellman, B. & Berkowitz, S.D. (1998). Social
Structures: A Network Approach. Cambridge
University Press.
41. Wiki Book (2015). Social network analysis: Theory
and applications.
Antonieta Kuz es ingeniera en Sistemas de
Información. Estudiante de doctorado de UNICEN.
Coordinadora Técnica PID Integración de Agentes
y Redes Sociales en Entornos Educativos UTN
FRLP. Docente Universitaria.
Mariana Falco es Analista en Sistemas.
Estudiante de Ingeniería en Sistemas UTN FRLP.
Investigadora alumna en PID Integración de
Agentes y Redes Sociales en Entornos
Educativos. Ayudante Alumna. Docente
Universitaria.
Roxana Giandini es Doctora en Ciencias
Informáticas de la UNLP. Docente del Magister en
Tecnologías Informáticas en la UAI. Directora PID
Integración de Agentes y Redes Sociales en
Entornos Educativos UTN FRLP. Co-directora
PID LIFIA. Directora tesis de grado y posgrado
UNLP y UNICEN. Miembro del Comité Directivo
de CIbSE – “Conferencia Iberoamericana en
Software Engineering".
Artículo recibido 25/11/2015; aceptado 11/12/2015.
Autor de correspondencia es Antonieta Kuz.
