نمونه‌گیری از پیوندها/ معرفی یک کتاب ساده و مفید

متنی که می‌خوانید ترجمه‌ی بنده از بخشی از فصل اول کتاب رایگان و آنلاین مقدمه‌ای بر شیوه‌های شبکه‌ی اجتماعی (Introduction to social network methods)، نوشته‌ی رابرت ا. هانمن (Robert A. Hanneman) و مارک ریدل (Mark Riddle)، از اعضای دپارتمان جامعه‌شناسی دانشگاه‌های کالیفرنیا و کلورادوی شمالی است که در سال 2005 منتشر شد. کتابی است روان که برای نوآموزان تحلیل شبکه‌ی اجتماعی بسیار مناسب است.

روش‌های نمونه‌گیری‌ای که در این کتاب به اجمال معرفی شده‌اند شاید چندان تخصصی نباشند، اما به‌گمان من برای مطالعه، خالی از لطف نیستند. تا آن‌جا که خبر دارم هنوز در اینترنت مقاله‌ای در باره‌ی شیوه‌های مناسب نمونه‌گیری از شبکه‌های آنلاین اجتماعی به زبان فارسی برگردان نشده است. متاسفانه از آن‌جایی که راه‌های نمونه‌گیری غیرسوگیرانه و جامع، سرشار از فرمول‌ها و مفاهیمی است که در شاخه‌ی مهندسی داده و نیز آمار پیش‌رفته می‌گنجد، اغلب مقاله‌های این زمینه به زبان انگلیسی نیز برای کاربران و محققان شاخه‌های علوم اجتماعی، سخت و گاه، غیرقابل فهمند. شاید در آینده و با ارایه‌ی مفاهیم و نظریه‌های بنیادی تحلیل شبکه، بتوانم چند نمونه از این روش‌ها مثل روش نمونه‌گیری گشت اتفاقی (Random walk sampling) یا B-F-S و D-F-S را معرفی کنم. اما در ادامه بریده‌ای از این کتاب را با عنوان «نمونه‌گیری از پیوندها» (Sampling ties) می‌گذارم.

نمونه‌گیری از پیوندها
چندین استراتژی برای جمع‌آوری سنجه‌های رابطه میان دسته‌ی معینی از گره‌ها (Nodes) یا کنشگران (actors) وجود دارد. در یک‌سوی طیف رویکردها، روش‌های «شبکه‌ی کامل» (full network) قرار دارند. این رویکرد، حداکثر اطلاعات را به‌دست می‌دهد، اما اجرای آن‌ می‌تواند هزینه‌بر و سخت باشد، و ممکن است تعمیم دادن اطلاعات به‌دست آمده از این روش نیز مشکل باشد. در سوی دیگر طیف، روش‌هایی هستند که کاملن شبیه روش‌های پیمایش متعارفند. این رویکردها اطلاعات بسیار کم‌تری در باره‌ی ساختار شبکه به دست می‌دهند، اما اغلب، هزینه‌ی کم‌تری نیاز دارند، و اغلب راحت‌تر اجازه‌ی تعمیم مشاهدات نمونه به جمعیت بزرگ‌تر را می‌دهند. هیچ روش «صحیحی» برای تمام مسئله‌ها و سوال‌های تحقیق وجود ندارد.

روش‌های شبکه‌ی کامل نیازمند جمع‌آوری اطلاعات در باره‌ی پیوندهای هر کنشگر با تمام کنشگران دیگرند. این رویکرد، ذاتن، بیش از آن‌که نمونه باشد، سرشماری پیوندهای جمعیتی از کنشگران است. برای مثال می‌توانیم... تعداد وسیله‌های متحرک میان تمام شهرها را بشماریم، می‌توانیم نگاهی به جریان‌های ایمیل میان تمام کارمندان یک شرکت بیندازیم، می‌توانیم از هر کودکی در یک گروه بازی بخواهیم دوستانش را معرفی کند.
چون اطلاعات پیوندهای میان هر دو زوج یا تمام جفت‌‌ها (dyads) را جمع‌آوری می‌کنیم، داده‌های شبکه‌ی کامل، تصویری کامل از روابط جمعیت به ما می‌دهد. بیش‌تر رویکردهای ویژه و روش‌های تحلیل شبکه که در ادامه‌ی این مطلب مطرح می‌کنیم، برای استفاده در داده‌های شبکه‌ی کامل گسترش یافته‌اند. داده‌های شبکه‌ی کامل برای تعیین صحیح و سنجش بسیاری از مفاهیم ساختاری تحلیل شبکه (مثل بینیت [Between-ness])، ضروری‌اند.
داده‌های شبکه‌ی کامل اجازه‌ می‌دهند، تشریح‌ها و تحلیل‌هایی بسیار قدرتمند از ساختارهای شبکه انجام شود. متاسفانه، جمع‌آوری داده‌های شبکه‌ی کامل می‌تواد بسیار گران و بسیار سخت باشد. به دست آوردن داده‌ها از تمام اعضای جمعیت، و داشتن رتبه و نرخ هر عضو، برای هر گروهی بجز گروه‌های کوجک‌تر، می‌تواند امری بسیار پرچالش باشد. این امر با درخواست از هر پاسخگو برای تعیین تعداد محدودی از اشخاص خاص که با او پیوند دارند، قابل مدیریت‌تر شده است. این فهرست‌ها می‌توانند جمع‌آوری و متقاطع ـ متصل (cross-connected) شوند. اما برای گروه‌های بزرگ (مثل تمام مردم یک شهر)، این امر در عمل ناممکن است.
در موارد بسیاری، مسئله به‌کلی سخت‌تر از حد تصور است. بیش‌تر افراد، گروه‌ها، و سازمان‌ها تمایل دارند پیوندهایی محدود داشته باشند ــ یا دست‌کم تعداد پیوندهای قوی‌شان را محدود کنند. این امر احتمالن به این دلیل است که کنشگران شبکه منابع، انرژی، وقت، و سرمایه‌ی شناختی محدودی دارند ــ و نمی‌توانند از تعداد فراوانی پیوند قوی نگه‌داری کنند. این نیز حقیقت دارد که ساختارهای اجتماعی می‌توانند درجه‌ی نظم و انسجام معقولی را با اتصالاتی کم، گسترش دهند.

روش‌های گلوله‌‌ی برفی (Snowball methods) با یک کنشگر کانونی (Focal) یا مجموعه‌ای از کنشگران آغاز می‌شود. از هریک از این کنشگران خواسته می‌شود چند یا تمام پیوندهایشان به دیگر کنشگران را نام ببرند. سپس، تمام کنشگران نام‌برده (که بخشی از فهرست اصلی نبودند) ردگیری می‌شوند و چند یا تمام پیوندهاشان از آنان خواسته می‌شود. فرآیند ادامه می‌یابد تا وقتی هیچ کنشگر تازه‌ای شناخته نشود، یا تصمیم بگیریم (معمولن به دلایل زمان و منابع، یا چون کنشگران تازه‌ی نام‌برده نسبت به گروهی که سعی در مطالعه‌ی آن داریم، بسیار حاشیه‌ای هستند) تحقیق را متوقف کنیم.
روش گلوله‌ی برفی مخصوصن می‌تواند برای ردگیری جمعیت‌های «خاص» (اغلب زیرمجموعه‌های به‌لحاظ عددی کوچک مردم که با تعداد زیادی از دیگران مخلوط شده‌اند) کارا باشد. شبکه‌های تماس تجاری، نخبگان جامعه، زیر-فرهنگ‌های منحرف، تمبر جمع‌کنندگان حریص،... و ساختارهای بسیار دیگری می‌توانند با روش گلوله‌ی برفی، تعیین و توصیف شوند. گاه دستیابی به محدوده‌ی «نمونه‌های» گلوله‌ی برفی آن‌قدرها هم که یک نفر فکر می‌کند، سخت نیست. محدود کردن تعداد پیوندهای ضعیف توسط بیش‌تر کنشگران، و تمایل پیوندها به دوسویه بودن، اغلب یافتن مرزها را به‌نسبت ساده می‌کند.
روش گلوله‌ی برفی، دو محدودیت بالقوه و ضعف دارد. اول، کنشگرانی که متصل نیستند (یعنی منفردها) در این روش شناسایی نمی‌شوند. حضور و تعداد منفردان می‌تواند برای برخی اهداف تحلیلی، خصیصه‌ای بسیار مهم از جمعیت‌ها باشد. روش گلوله‌برفی ممکن است در «اتصال» و «انسجام»، مقادیری اغراق‌آمیز ارایه کند. دوم، هیچ راه ضمانت‌شده‌ای برای یافتن تمام افراد متصل در جمعیت وجود ندارد. یک فرد باید غلته‌ی گلوله‌ی برفی را از کجا شروع کند؟ اگر از مکان یا مکان‌هایی اشتباه آغاز کنیم، ممکن است تمام زیرمجموعه‌ی کنشگران متصل را که به نقطه‌‌های آغاز متصل نیستند، از دست بدهیم.
رویکردهای گلوله‌ی برفی می‌توانند با کمی اندیشه در باره‌ی چگونگی انتخاب گره‌های آغازین، تقویت شوند. در مطالعات بسیاری، می‌تواند یک نقطه‌ی آغاز طبیعی وجود داشته باشد. برای مثال در مطالعات قدرت جامعه، جست‌وجوهای گلوله‌ی برفی معمولن از رئیسان اجرایی سازمان‌های اقتصادی، فرهنگی، و سیاسی آغاز می‌شود. در حالی که چنین رویکری قسمت اعظم اجتماع (کسانی که از شبکه‌ی نخبگان «جداافتاده‌»اند) را از دست می‌دهد، احتمال زیادی دارد که شبکه‌ی نخبگان را به‌نحو موثری به‌دست آورند.

شبکه‌های خودمحور (Ego-centric) (با اتصالات همنشینان)
در موارد بسیاری ممکن نیست (یا لازم نیست) شبکه‌ی کامل را با آغاز از گره‌های کانونی (مثل روش گلوله‌ی برفی) ردگیری کنیم. رویکرد جایگزین این است که با مجموعه‌ای از گره‌های (خودهای) کانونی آغاز کنیم، و گره‌هایی که این مجموعه به آن‌ها متصلند را شناسایی کنیم. سپس، تعیین می‌کنیم کدامیک از گره‌های مشخص شده در مرحله‌ی اول به یکدیگر متصلند. این امر می‌تواند با اتصال هریک از گره‌ها انجام شود؛ گاهی می‌توانیم از خود بخواهیم گزارش دهد کدام‌یک از گره‌هایی که با او پیوند دارند به هم وصلند.
این نوع از رویکرد می‌تواند برای جمع‌آوری شکلی از داده‌های رابطه‌ای از جمعیت‌های بسیار بزرگ، بسیار موثر باشد، و می‌تواند با رویکردهای ویژگی‌بنیان (attribute-based) ترکیب شود. برای مثال ممکن است نمونه‌ی اتفاقی ساده‌ای از دانشجویان مرد بگیریم و از آن‌ها بخواهیم گزارش دهند دوستان صمیمی‌شان چه‌کسانی هستند، و کدام‌یک از این دوستان یکدیگر را می‌شناسند. این نوع رویکرد می‌تواند تصویری خوب و قابل اطمینان از انواع شبکه‌هایی (یا دست‌کم مجاورت‌های محلی) که افراد در آن‌ها قرار دارند، به ما بدهد. از چنین داده‌هایی می‌توانیم پی ببریم گره‌ها چند پیوند دارند، و تا کجا گروه‌هایی صمیمی‌اند. چنین داده‌هایی می‌توانند برای کمک به درک فرصت‌ها و محدودیت‌هایی که خود به‌مثابه‌ی نتیجه‌ای از شیوه‌ی جای‌گیری آن‌ها در شبکه‌شان دارد، بسیار مفید باشند.
رویکرد خودمحور با پیوندهای همنشینان (alters) همچنین می‌تواند اطلاعاتی در باره‌ی شبکه به‌مثابه‌ی یک کل، البته نه به اندازه‌ی رویکردهای گلوله‌ی برفی و سرشماری، به ما بدهد. چنین داده‌هایی، در حقیقت، مجموعه داده‌های ریز-شبکه (micro-network)‌ ــ نمونه‌گیری‌های مناطق محلی یا شبکه‌های بزرگ‌تر ــ هستند. ویژگی‌های شبکه‌ی فراوانی ــ فاصله، مرکزیت، و انواع گوناگون هم‌ارزی جایگاهی (positional equivalence) ــ نمی‌توانند با داده‌های خودمحور تعیین شوند. برخی خصوصیات، مانند تراکم عمومی شبکه، می‌توانند به‌طرز معقولی با داده‌های خودمحور برآورد شوند.  برخی خصوصیات ــ از قبیل شیوع پیوندهای دوسویه، جرگه‌ها، و مانند این‌ها می‌توانند سرراست‌تر برآورد شوند.

شبکه‌های خودمحور (فقط خود)
روش‌های خودمحور واقعن روی افراد، بیش‌ از شبکه به‌مثابه‌ی یک کل، تمرکز می‌کنند. با جمع‌آوری اطلاعات از میان کنشگران متصل به هر خود کانونی، هنوز می‌توانیم تصویر بسیار خوبی از شبکه‌های «محلی» یا «همسایگان» افراد به دست بیاوریم. چنین اطلاعاتی برای درک این که شبکه‌ها چگونه بر افراد اثر می‌گذارند، مفیدند، و همچنین تصویری (ناقص) از بافت عمومی شبکه به‌مثابه‌ی یک کل به دست می‌دهند.
در هر حال، فرض کنیم تنها اطلاعات اتصالات خود به همنشینان ــ اما نه اطلاعات اتصالات میان آن همنشینان ــ را به‌دست آورده‌ایم. داده‌هایی مانند این، در واقع اصلن داده‌های «شبکه» نیستند. یعنی، آن‌ها نمی‌توانند به‌مثابه‌ی یک آرایش مربعی کنشگر به کنشگر پیوندها ارایه شوند. اما این به این معنا نیست که داده‌های خودمحور بدون اتصالات میان همنشینان هیچ ارزشی برای تحلیلگرانی که می‌خواهند رویکردی شبکه‌ای یا ساختاری برای درک کنشگران برگزینند، ندارند. می‌توانیم برای نمونه بدانیم برخی کنشگران دوستان صمیمی و خویشاوندان بسیاری دارند، و دیگران کم. با دانستن این مطلب، خواهیم توانست چیزی در باره‌ی تفاوت‌های میان جایگاه کنشگران در ساختار اجتماعی بفهمیم، و پیش‌گویی‌هایی در باره‌ی این‌که چگونه این جایگاه‌ها رفتار کنشگران را ایجاب می‌کنند، انجام دهیم. آنچه مسلمن از داده‌های خودمحور نمی‌توانیم بدانیم، طبیعت کلان‌ساختار (macro-structure) کل شبکه است.
در شبکه‌های خودمحور، همنشینان شناخته شده به‌مثابه‌ی اتصالات هر خود احتمالن مجموعه‌ای هستند که با کسانی که به هر خود دیگر متصلند، پیوندی دارند. وقتی نمی‌توانیم تراکم کلی یا اتصال کلی جمعیت را بسنجیم، گاه می‌توانیم کمی معمولی‌تر باشیم. اگر دلایل نظری خوبی برای تفکر در باره‌ی همنشینان، از منظر نقش‌های اجتماعی‌شان، به‌جای تفکر در باره‌ی یک فرد اشغال‌کننده‌ی نقش‌های اجتماعی، داشته باشیم، شبکه‌های خودمحور می‌توانند نکات خوبی در باره‌ی ساختارهای اجتماعی محلی به ما بگویند. برای مثال، اگر هریک از همنشینان متصل به یک خود را با یک رابطه‌ی دوستی مثل «فامیل»، «همکار»، «عضو کلیسایی مشابه»، و مانند این‌ها مشخص کنیم، می‌توانیم تصویری از شبکه‌های جایگاه‌های اجتماعی (بیش‌از شبکه‌های افراد) بسازیم که خودها در آن جای گرفته‌اند. چنین رویکردی، البته، فرض می‌کند مقوله‌هایی مثل «فامیل» تعیین‌کنندگان واقعی و معنادار الگوهای کنش متقابل هستند.