4、自我中心网络分析中的混合方法：构建与建模

自我中心网络分析中的混合方法：构建与建模

在社会网络研究中，将杂乱复杂的原始数据转化为正式的测量单位是一个关键问题。社会网络具有情境性，同一机制在不同情境下可能有不同的过程、意义和后果。定性方法是网络结构测量的有效补充，能帮助我们理解网络形成的过程和意义。自我中心网络（egonet）是围绕特定社会行动者形成的网络，通常包括自我、其关联者以及关联者之间的相关联系。

1. 自我中心网络概述

自我中心网络通常使用名称生成器来构建，它能收集选定自我的结构数据，这种方法也被称为关系方法，与仅关注个人通过地位或资源生成器可获取资源存量的资源方法相对。然而，由于信息仅从焦点行动者收集，自我中心网络是局部社区的主观表征。人们对问题的回答可能受到多种因素的影响，如近期活动、对采访者的看法等，还可能忘记提及重要关联者或隐瞒某些关系，也可能不了解关联者的某些特征和关联者之间的联系。因此，在自我中心网络研究中，将名称生成器与定性访谈（通常是深度或半结构化访谈）相结合是很常见的做法，通过记录网络结构的主观描述，定性工具能深入了解产生这些结构的互动过程。

2. 构建类型学

自我中心网络研究可以采用混合方法构建社会类型学，主要有以下两个案例：
- Bidart和Lavenu的研究 ：该研究关注不同生活轨迹（如进入劳动力市场、地理流动和家庭形成）对法国诺曼底66名年轻人个人网络规模和组成的影响。研究采用纵向平行混合方法，同时收集定量和定性数据。通过情境名称生成器每三年重建一次个人网络，并进行深度定性访谈。研究根据网络规模变化的定量测量确定了四种网络轨迹类型，并通过定性材料进一步细分。例如，对于网络规模每次都缩小的类型，可分为因快速进入职场而