Kategorien
Allgemein

Netzwerkanalyse in den Digital Humanities – Chancen und Grenzen am Beispiel von Gephi

Abbildung 1: Final Map (Grandjean, 2015, Abschnitt 30)

Wodurch definiert sich ‚Network Analysis‘? Wie kann man die Verbindungen von Schulkindern in ihren Klassen interpretieren? Und was waren eigentlich die ersten historischen Versuche der Netzwerkanalyse? Am 02. November 2020 hielt Dr. Martin Grandjean die Präsentation seines Forschungsfeldes und stellte nicht nur die grundlegenden Aspekte einer Netzwerkanalyse vor, sondern führte anhand anschaulicher Daten durch die Anwendung von Gephi, wodurch den interessierten Zuhörer*innen ein spannender Einblick in das Programm erlaubt wurde. Herr Grandjean, Oberassistent in Zeitgeschichte an der Université de Lausanne (UNIL), hat an ebendieser Universität promoviert und ist unter anderem seit 2016 Mitglied des Steering Committee der Alliance of Digital Humanities Organizations. (Grandjean, o.D., Abschnitt 2)

Was ist Netzwork Analysis überhaupt?

Als transdisziplinäres Feld findet die Netzwerkanalyse in allen möglichen Bereichen ihre Anwendung. Grundsätzlich basiert die gesamte Struktur auf der Verbindung zwischen zwei Knoten, auch nodes genannt, und deren Beziehung zueinander, sogenannte edges. Jeder Knoten ist wieder mit weiteren Knoten verbunden, die wiederum mit anderen Knoten verbunden sein können. Zur Veranschaulichung können wir hier die Geschichte von Romeo und Julia heranziehen. Die beiden tragischen Helden bilden hierbei die zwei zentralen Knoten, während ihre Familienmitglieder und Freunde um sie herum organisiert sind, jedoch untereinander wieder Verbindungen aufweisen.

Sammelt man so die Verbindungen der beiden zentralen Knoten, Romeo und Julia, zu allen weiteren Mitgliedern der Geschichte, würde man Netzwerke erhalten, die ungefähr wie in Abbildung 2 aussehen könnten:

Abbildung 2: Darstellung in der Präsentation vom 02.11.2020

Grundlegendes

Zur statistischen Analyse der Daten und der schlussendlichen Darstellung in einem Netzwerk werden bei der Untersuchung verschiedene Faktoren gemessen, die eine Netzwerkanalyse schlussendlich erst möglich machen. Vier grundlegende sollen hier kurz vorgestellt werden.

Abbildung 3: Darstellung in der Präsentation vom 02.11.2020
NetzwerkdichteZur Angabe der Verhältnisse der vorhandenen Beziehungen zur Anzahl maximal möglicher Beziehungen wird die Netzwerkdichte gemessen. Sie kann höchstens 1 erreichen, dann wäre jeder Knoten mit allen anderen Knoten desselben Netzwerkes verbunden. In unserem Netzwerk aus Verona haben jedoch nicht alle Personen eine Verbindung zu allen anderen, wodurch ihre Netzwerkdichte wohl nicht 1 betragen würde. (Sakschewski, n. d., Zentralität und Prestige)
Closeness des NetzwerkesOb Romeo nun mehr Verbindungen aufweist als Julia (oder nicht), sagt noch nichts über die Qualität seiner Beziehungen zu den anderen Personen aus. Wie eng verbunden zwei Personen sind, kann mittels der Closeness-Zentralität gemessen werden. Je höher der Closeness-Wert, desto kürzer ist die Verbindung zwischen Romeo und der anderen Person und desto enger ist ihre Beziehung. (Baumöl & Ickler, 2014, Soziale Netzwerkanalyse)
BetweennessWill man nun angeben, wie oft eine Person auf der kürzesten Verbindung zwischen anderen Akteuren liegt, kann man die Betweenness ausrechnen. “Die Betweenness-Zentralität basiert auf Triaden (Dreiecksbeziehungen), denn die Betweenness berücksichtigt nicht die Erreichbarkeit, sondern die Vermittlungsleistung eines Akteurs.” (Müller, 2008, S. 131) Julia stünde hierbei also als Vermittlerin zwischen Paris, der in sie verliebt ist, und Romeo, da sie zu beiden eine Verbindung aufweist und somit eine Triade entsteht.
EigenvektorzentralitätDie Eigenvektorzentralität, auch Prestige-Score genannt, misst, wie einflussreich ein Knoten im gesamten Netzwerk ist. Wenn ein Knoten einen hohen Score hat, sagt dass aus, dass er mit vielen Knoten verbunden ist, die selbst einen hohen Score haben. Ganz wie auch in der Ständegesellschaft von Romeo und Julia wird auch hier der „Stand“ des Knotens daran gemessen, mit welchen anderen Knoten mit hohem „Stand“ er verbunden ist.

Diese Faktoren für sagen jedoch für sich allein relativ wenig aus. Erst wenn man sie in Verbindung zueinander setzt und graphisch darstellt, können die Daten effizient und aussagekräftig interpretiert werden. Doch nur aufgrund derselben Grundlagenwerte bedeutet dies noch lange nicht, dass die schlussendliche Darstellung die Gleiche sein wird. Dieselben einfachen statistischen Eigenschaften können zu sehr unterschiedlichen graphischen Repräsentationen führen:

Abbildung 4: Anscombe Quartet, Darstellung in der Präsentation vom 02.11.2020

Alle vier Graphen haben als Basis die gleichen einfachen Zahlen, können jedoch je nach Interpretationsart ganz unterschiedlich ausfallen. Eine Darstellung wie diese nennt man ein ‚Anscombe Quartet‘. Man ist also immer mit Daten am „spielen“, um die Aussagen zu überprüfen. Auch die Darstellung spielt eine grosse Rolle bei der Interpretation, da ein leicht verändertes Bild bereits eine komplett andere Wirkung auf den oder die Rezipient*in haben kann.

Beispiele und Anwendbarkeit

Grandjean erläuterte die chronologische Entwicklung von Datenvisualisierung und Netzwerkanalyse. Dabei begann er zuerst mit der Unterscheidung dieser. Im 18 Jahrhundert gab es bereits die ersten Datenvisualisierungen, indem auf einer Zeitspanne die Lebenszeiten bekannter griechischer Philosophen veranschaulicht wurde. Hier machte er die Vorteile der Datenvisualisierung klar, indem es verschiedene Überlappungen ihrer Lebzeiten einfacher veranschaulichen kann, jedoch liesse sich dies für eine Analyse genauso gut in einer Liste verarbeiten. Als Beispiel sowie als Argument für die Produktivität der Visualisierung einer Analyse kann man an die Entdeckung der Choleraverbreitung denken. Ein Londoner Arzt markierte auf einer Karte die gemeldeten Cholerafälle und konnte durch die geographische Eingrenzung und Analyse verstehen, dass Cholera durch Abwassersysteme verbreitet wird. Ein Meilenstein für die Medizin. Grandjean beendete diesen Diskurs zur Unterscheidung mit einer Frage, die sich jeder Forscher stellen muss, wenn er vor einer Datenmenge steht: Will man etwas jemanden zeigen oder möchte man mit Daten spielen?

Die historische Heranführung an das Themengebiet erweiterte er mit den ersten Versuchen von Netzwerkanalysen, beginnend beim Königsberger Brückenproblem. Dabei handelt es sich um eine Problemstellung, welche als Resultat die Frage beantworten sollte, ob ein Sonntagsspaziergang eine Stadtrundführung erlaubt, ohne eine Brücke zweimal überqueren zu müssen. Euler konnte aufgrund der Visualisierung und den verschiedenen Knotenpunkten seine Theorie begründen und aufzeigen, dass mindestens ein Knotenpunkt eine gerade Anzahl Verbindungen benötig, um das Rätsel zu lösen. Die Königsberger Brücken hingegen bildeten bei den Verschiedenen Knotenpunkten eine ungerade Zahl an Verbindungen, was die Lösung des Problems unmöglich macht.

Einen weiteren Meilenstein für die Netzwerkanalyse ermöglichte Moreno durch die Erstellung von Soziogrammen, welche die Verbindungsstrukturen von Kindern in Schulklassen veranschaulichen. Er erhob die Daten, indem er Kindern die Frage stellte, mit welchen zwei Schulkammeraden, sie am liebsten sitzen würden. Daraus erhob er ein Netzwerk, welches verschiedene Schlüsse ziehen liess. Einerseits zeigte er auf, dass Kleinkinder noch keine geschlechtlichen Unterschiede in ihren Wahlpräferenzen aufweisen. Anderseits veranschaulichten diese Netzwerke, wer das unbeliebteste Kind der Klasse ist, da es keine Verbindungen zu anderen aufweist. Des Weiteren wies Grandjean die Wichtigkeit auf, welche Variablen zu erfragen sind bei Netzwerkanalysen und dadurch andere Ergebnisse aufweisen. Je nach Ausrichtung lassen sich die Verbindungsglieder des Gendergaps nicht auf Anhieb erkennen und ermöglichen falsche Schlüsse zur Problematik der Geschlechterpräferenzen. Wenn die Verbindungsglieder zum Zentrum herangezogen werden, können diese besser visualisiert werden und andere Schlüsse mitziehen. Wie in seinem genannten Beispiel, bestehen durchaus in diesen Netzwerken eine gewisse Gruppe von Mädchen und Jungen, die sich präferieren und somit die beiden geschlechtlich geteilten Lager verbinden. Gerade die Netzwerkanalyse ermöglicht solche Problemstellungen mit noch grösseren Datensätzen zu veranschaulichen, obwohl die Interpretation der Visualisierung mit Bedacht zu geniessen ist, wie das vorliegende Beispiel aufzeigt.

Verwenden der von der digitalen Welt angebotenen Tools

Nun behandeln wir das Thema noch aus praktischer Sicht. Wie Martin Grandjean sagte, ist die Visualisierung eines Netzwerks eine Möglichkeit, einen Einblick in die Struktur Ihrer Daten zu erhalten. Aber wie gehen wir vor und welche technologischen Werkzeuge stehen uns zur Verfügung? Und vor allem, wie können wir unsere Daten überhaupt visualisieren? Ein mögliches Programm, das uns dies ermöglicht ist Gephi (https://gephi.org/users/download/).

Gephi

Abbildung 5: Gephi Logo (Gephi, o.D.)

Gephi ist eine quelloffene Software zur Netzwerkanalyse und Visualisierung, die anfangs von Studenten der Université de technologie de Compiègne in Frankreich entwickelt wurde (Desmedt, 2011, Sébastien Heymann – Le cartographe des données).

Das Programm verwendet eine 3D-Render-Engine, um eine grosse dynamische Netzwerkvisualisierung zu ermöglichen. Es wurde mit einer flexiblen Multitask-Architektur entwickelt und bietet neue Möglichkeiten, mit komplexen Datensätzen zu arbeiten und wertvolle visuelle Ergebnisse zu erzielen (Bastian, Heymann & Jacomy 2009: 1). Darüber hinaus ermöglicht es einen einfachen und umfassenden Zugriff auf Netzwerkdaten und sowie die Verräumlichung, das Filtern, Navigieren, Bearbeiten, Clustering usw. All dies und mehr macht es zu einem großartigen Programm für die interaktive Erkundung und Interpretation von Netzwerken.

Abbildung 6: Darstellung in der Präsentation vom 02.11.2020

Problemstellung

Abbildung 7: Darstellung aus der Präsentation vom 02.11.2020

Obwohl die Netzwerkanalyse viele Vorteile hat, weist sie wie jedes andere Programm Nachteile auf. Eines ist die Menge an visualisierten Daten. Wenn man den Punkt der Hyperkontextualisierung erreicht und versucht, das Diagramm global zu lesen, lässt die visualisierte Datenmenge das Diagramm sehr chaotisch aussehen und es wird unmöglich, Informationen daraus zu extrahieren. Infolgedessen muss man es entwirren. Dazu kann man entweder einen Fernleseansatz wählen, um die Beziehungen und die Cluster zu sehen, das Netzwerk in temporäre Unterteilungen aufteilen oder bestimmte Fallstudien auswählen.

Ein zweites Problem ist, die Darstellung der Daten. Dies ist mehr ein Problem für das Publikum als für die Forschenden. Sind sie bereit, alle ihre Daten anzuzeigen? Oder werden die Forschenden mit den Daten spielen, um etwas Neues erkennbar zu machen? Dies sind zwei sehr verschiedene Ansätze, die die Ausgabe aufgrund der grafischen Eigenschaften sehr unterschiedlich machen. Man sollte daher daran denken, dass die Absicht der Forschenden Einfluss darauf hat, wie er seine Daten visualisiert. Und dass die Darstellung eine grosse Rolle bei der Interpretation spielt, da ein leicht verändertes Bild bereits eine komplett andere Wirkung auf den oder die Rezipient*in haben kann.

Weiterführende Forschung

Die Netzwerkanalyse ist, wie wir eingangs bemerkt haben, sehr transdisziplinär. In Bezug auf die Linguistik ist dies ein Ansatz, der langsam an Popularität gewinnt und beispielsweise in Verbindung mit der Verarbeitung natürlicher Sprache, der Korpuslinguistik, der Diskursanalyse etc. verwendet wird. Darüber hinaus hat die Netzwerkanalyse einige sprachorientierte Methoden hervorgebracht, wie beispielsweise die semantische Netzwerkanalyse und die Analyse sozialer Netzwerke. Netzwerkanalyse und -visualisierung scheinen auch ein gutes Instrument zu sein, um sich der menschlichen Sprache im Allgemeinen zu nähern und wären definitiv ein großer Vorteil für eine Vielzahl von Sprachforschungen. Sie könnte uns beispielsweise helfen, die Verbreitung sprachlicher Innovationen, die Auswirkungen bestimmter Faktoren auf die Sprache und vieles mehr besser zu verstehen.

Quellenverzeichnis

Bastian M., Heymann S., Jacomy M. (2009). Gephi: an open source software for exploring and manipulating networks. International AAAI Conference on Weblogs and Social Media. Verfügbar unter https://gephi.org/publications/gephi-bastian-feb09.pdf

Baumöl, U., & Henrik, I. (19.02.2019). Soziale Netzwerkanalyse. Enzyklopädie der Wirtschafsinformatik. Verfügbar unter http://www.enzyklopaedie-der-wirtschaftsinformatik.de/lexikon/daten-wissen/Wissensmanagement/Soziales-Netzwerk/Soziale-Netzwerkanalyse [20.11.2020].

Desmedt, P. (14.12.2011). Sébastien Heymann – Le cartographe des données.In: L’Usine Nouvelle. Verfügbar unter https://www.usinenouvelle.com/article/prix-science-sebastien-heymann-le-cartographe-des-donnees.N164939 [17.11.2020].

Gephi.org (n. d.). Gephi makes graphs handy. Verfügbar unter https://gephi.org/users/download/. [15.11.2020].

Grandjean, M. (14.10.2015). GEPHI – Introduction to Network Analysis and Visualization. Verfügbar unter http://www.martingrandjean.ch/gephi-introduction/ [16.11.2020].

Grandjean, M. (n. d.).About. Verfügbar unter http://www.martingrandjean.ch/a-propos/ [18.11.2020].

Müller, C. (2008). Graphentheoretische Analyse der Evolution von Wiki-basierten Netzwerken für selbstorganisiertes Wissensmanagement. Berlin: Gito.

Sakschewski, T. (n. d.). Zentralität und Prestige. Wissensstrukturplan. Verfügbar unter http://www.wissensstrukturplan.de/wissensstrukturplan/glossar/z_zentralitaet.php [20.11.2020].

Abbildungsverzeichnis

Abbildung 1: Final Map (Grandjean, 2015, Abschnitt 30).

Abbildung 2: Darstellung in der Präsentation vom 02.11.2020.

Abbildung 3: Darstellung in der Präsentation vom 02.11.2020.

Abbildung 4: Anscombe Quartet, Darstellung in der Präsentation vom 02.11.2020.

Abbildung 5: Gephi Logo (Gephi, o.D.)

Abbildung 6: Darstellung in der Präsentation vom 02.11.2020

Abbildung 7: Darstellung in der Präsentation vom 02.11.2020


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.