Длинные хвосты образовательных проектов Блог стайного советника / 28.12.2015 Пост - посвящение Елене Александровне Востриковой, которая при обсуждении R поставила очень хорошую тему - а что такого нетривиального может нам дать сетевой анализ, чего бы мы другими методами узнать не могли? Активных участников мы безо всякого сетевого анализа видим.Я бы при обсуждении этой темы опирался на теорию длинного хвоста и на положение о периферийном участии. Ключевые узлы любой сети видны невооруженному взгляду методами сетевого анализа. Как то мы и без специальных методов догадываемся, что большая часть всякой совместной деятельности выполняется 5 - 10% тех, кто принимает участие в этой деятельности, а интерес для других участников представляет 5 - 10% созданного контента.Поэтому тех, кто в голове процесса совместной деятельности, мы замечаем и без помощи технологий.Важное положение, ради которого я этот пост пишу, - сетевые методы анализа позволяют увидеть не только тех, кто в центре, но и тех, "кто за пределами кольца". Узлы с высокой центральностью всегда заметны и с их выявлением никогда не возникает проблем. Обычная процедура заключается в удалении узлов с низкой степенью связности. Например, мы можем убрать все узлы, у которых меньше 3-х связей, и получить картину только с ключевыми узлами. Но, мне кажется, что интереснее двигаться в другую сторону и исследовать не тех, кто в центре, а тех, кто на периферии - это те, кто только начинает, только осваивается и продвигается к центру сообщества. Давайте мы уберем тех, кто находится в самом центре и притягивает всеобщее внимание и посмотрим, что у нас получится:И из этой картины мы уберем тех, у кого были только связи с центральными узлами.И в дополнение - процесс превращения истории действий в граф на языке R:1. Берем letopisi.org/index.php/Special:HelloWorld/ 2. Выбираем категорию, деятельность внутри которой хотим исследовать совместную деятельность. например, Мы_помним-20143. По ссылке letopisi.org/index.php/Special:HelloWorld/Мы_помним-2014 получаем нужную историю.4. Копируем текст и в любом текстовом редакторе (AkePad, NotePad++) убираем кавычки и сохраняем в текстовом формате csv.5. Действия над текстом на языке R.rm(list=ls()) # Очищаем все значенияubi <- read.csv(file.choose(),sep=";", as.is=T, header=F, encoding ="UTF-8") ubi2 <- data.frame(User = paste("U",ubi[,2],sep=":" ) , Page = paste("P",ubi[,3],sep=":") )ubi2.network <- graph.data.frame(ubi2,directed=T)ubi2.network <- simplify(ubi2.network)V(ubi2.network)$color <-ifelse (substring(V(ubi2.network)$name, 1, 1) == "U",'red','blue')V(ubi2.network)$shape <-ifelse (substring(V(ubi2.network)$name, 1, 1) == "U",'circle','square')set.seed(42)par(mai=c(0,0,1,0)) plot(ubi2.network, edge.arrow.size=.4,vertex.label=NA, vertex.size=4, layout=layout.kamada.kawai, main='Граф проекта. layout.kamada.kawai')plot(ubi2.network, edge.arrow.size=.4,vertex.label=NA, vertex.size=4, layout=layout.fruchterman.reingold)plot(ubi3.network, edge.arrow.size=.4,vertex.label=NA, vertex.size=4, layout=layout.fruchterman.reingold)plot(ubi3.network, edge.arrow.size=.4,vertex.label=NA, vertex.size=4, layout=layout.kamada.kawai) R большие данные учебная аналитика