4、社会网络分析：现状、挑战与未来方向

社会网络分析：现状、挑战与未来方向

1. 社会网络分析基础方法

社会网络分析在数据收集方面有独特方法。例如，McCormick介绍了一种利用个人网络来收集关于稀有或受污名化群体信息以及进行人口估计的方法，展示了社会网络视角在社会科学数据收集中的作用。

在网络研究中，自我中心网络（ego networks）虽看似与大数据趋势不符，但由于其数据收集和分析的新进展，仍是网络研究的关键领域。Smith强调了其重要性，而Agneessens则在多层次概念化方面拓展了相关研究，还探讨了在社会网络分析中何时应关注二元、节点或群体层面的单元。

网络的统计模型也有重要进展。Kuskova和Wasserman介绍了指数族随机图分布，Lusher等人则进一步探讨了指数随机图模型及相关模型的最新进展，包括多层次扩展。Schaefer和Marcum对纵向网络建模进行了概述，讨论了从关系事件模型到随机行动者导向模型等方法的优缺点，并以欧亚红鹿的主导互动网络为例进行说明。

Frank和Xu讨论了社会网络分析中的因果关系，特别关注学者如何区分选择效应和同伴影响效应，并呼吁在社会网络分析的科学模型中进行透明度和敏感性分析。

2. 网络维度研究

网络维度存在于理论和方法的交叉点，包括空间性、时间性等，对社会网络与文化、意义和群体形成的关系有重要影响。

2.1 社区、节点与可视化

• 社区检测 ：Shai等人通过一系列跨学科案例研究，表明社区检测方法应根据分析目标而非通用模型来选择。
• 关键节点识别 ：B