사회연결망분석과 교육공학과의 연계

1. 한국교육공학회SNA워크샵 사회연결망분석과 교육공학과의 연계 8. 7. 조일현(이화여자대학교 교육공학과, ijo@ewha.ac.kr) 서정수(사이람, abraham@cyram.com)

2. 진행 순서 • 조일현: 이화여자대학교 교육공학과 • 서정수: ㈜사이람 분석컨설팅팀장

3. Introduction

4. 연구 문제–이론-방법 간 정합성 • 연구주제(문제) 파악 • 학문 분야의 발전 추세 파악 및 트렌드 분석 • 설명 이론 도입 • 인접 분야 유사 현상 해명 이론 탐색 • 방법론 • 주제-이론에 맞는 방법론 채택

5. 교육공학 연구 트렌드와사회연결망분석 • 2008 정의의 핵심특징 • 학교와 학습을 넘어 기업, 사회 등 다양한 수행환경으로 연구 영역 확대 • 테크놀로지의 학습 환경화 • 교육용 미디어 -> 생활에 편재하는 학습 환경 및 자원으로서의 테크놀로지 • 포스트모더니즘과 사회적 구성주의의 강력한 영향력 • 학문적 정체성 구성 요소와 교육공학 연구 과제 • 고유한연구 영역 (domain): 인간 학습 및 수행 • 독창적 이론 (theory): 일상 생활에서의 사회적 학습 현상 설명 • 적절한 연구 방법론 (methodology): 다변량 상호종속적 통계분석, 네트웍분석 • 사회연결망 분석의 의의 • 이론으로서… • 기존 사회적 구성주의 이론의 ‘사회적’ 성격 심화 • 교육공학의 ‘이론’ 확장을 위한 관련 학문 발전 • 사회적 자본이론, 실천공동체, 학습조직, 지식경영 등 이론 수용 • 방법론으로서… • ‘사회적’학습 현상의 구조적, 거시적 측면 계량화 • 교육공학 연구 ‘방법론’에 기여 • 기존 질적 연구, 양적연구(esp. ‘구조’방정식모형)과 결합 가능 • Unit of Analysis의 변화 • 사회 ≠ 개인의 선형결합 • Referent shift (지시대상전위) 의 문제 보완

6. 사회연결망분석의 기초적 이해 • 사회연결망분석(Social Network Analysis) • 사회 구조를 노드(node)와 이들 노드를 연결하는 링크로 구성되는 연결망(network) 으로 도시하고 이들 간의 상호작용을 계량화해 주는 분석 기법 • 그래프 이론, 행렬대수학 (대수학), vector/matrix ANOVA 등 수학 이론에 기초 • Frommetaphor to data analytic formalism • 사회연결망이론(Social Network Theory) • 사회연결망분석의 연구 대상인 사회 현상을 설명하는 이론 • 관계적 인간관에 입각하여 인간 행위와 사회구조의 효과를 설명하려는 이론적 시도 • Society is not merely an aggregate of individuals; it is the sum of the relations in which these individuals stand to one another (Karl Marx, 1857) • 사회적 자본이론, 약한 연결의 강한 힘 이론, 구조적 공백이론 등 • 적용 영역 급속 확대 • 생물학: 전염 경로의 분쇄 (감염자=노드, 감염성 접촉=링크), 인간 genome 분석 • 비즈니스: 아마존 도서 구입 안내 서비스(구매자/책=노드, 거래행위=링크) • 도로건설: 미국 interstate network (도시=노드, 길=링크) • 정치: 빈라덴 테러조직 붕괴 (테러리스트=노드, 접선=링크) • 컴퓨터: 인터넷 (컴퓨터, 사람=노드, 통신선=링크) • 사회학: 한국 재벌가혼맥(재벌가 가족들=노드, 결혼=링크) • 경영학: 지식경영 처방으로서 실천공동체 활성화 (개인지식=노드, 지식공유=노드)

7. 사회연결망분석을 위한 기초 개념들 • 노드와 링크 • 노드: 사람, 생물, 사물, 개념 • 링크: 작용(일방, 쌍방), 관계(우호적, 비우호적), 의사소통, 판매와 구매 등 • 행렬대수 • 스칼라: 하나의 값으로 이루어진 데이터. • Likert 3 점, 여성, 토익849점 • 벡터: 하나의 배열로 이루어진 데이터. (기존 통계학의 주자료= variable) • 영어 점수 x={x1, x2, x3,…}, x1 = 74, x2 = 84, x3 = 91,… • 매트릭스: 여러 값들을 직사각형 모양의 2차원으로 배열한 데이터. • m(행=row) X n(열=column) • m=n (정방행렬=diagonal 존재) • 기초적 행렬 연산 기법: 행렬 간 가감승제, 행렬 간 상관관계 연산 등 • Mode of Matrix • 1-mode network: 동일 벡터 간의 상호작용 • 1~n까지 학습자 간 이메일 교환 네트웍/ 콘텐츠 간 연결 네트웍 • 2-mode network: 이질벡터 간의 상호작용 • 학습자와 콘텐츠 등 이질 벡터 간 상호작용 • 상호종속적 통계분석 기법 • 군집분석, 요인분석, 구조방정식모형 등 변수간 관계가 상호적인 것 • SNA의 경우 링크에 의해 노드들이 paired 됨. -> 관찰치 독립성을 전제로 하는 추리통계는 사용 제한적

8. 실습용 사례 분석 scheme • 연구 맥락 • 2009 봄학기 이화여대 인적자원개발론 수강생 40명 • 기업체 HRD 전략 분석 및 개선 방안 컨설팅 팀프로젝트 수행 (사이버 병행) • 이질 집단(학과, 학년, 교생실습, 편입 등) 팀 편성: 4-5인 1조. 총 9개 조 • 자료일부 변조 • 연구 문제 • 월별 사이버 게시판별 상호작용 변화 (2월차 절반 학생 교생실습 감안) • 학기 초-말 전체 클래스 친교네트웍, 협력네트웍 변화 • 학기 초-말 전체 팀별친교네트웍, 협력네트웍 변화 • 학기 초-말 전체 개인별 친교네트웍, 협력네트웍 변화 • 팀별 친교, 협력네트웍 중심도가 팀 과제 성과에 미치는 영향 • 개인별 친교, 협력네트웍 중심도가 팀 활동 만족도에 미치는 영향 • 협력네트웍 중심도 에언 변수 규명 (팀기여도와 이전학기 평점평균 중 ) • 소외된 학생은 누구인가? 그를 도울 수 있는 친구(mentor)로는 누가 좋을까 ? • 공식팀 이외에 따로 지내는 clique는 있는가? • 팀 구성 기준으로 density 이 좋은가, structural hole 이 좋은가?

9. 실습용 사례 분석 scheme

10. Name generator? 응답자 성명: Y 학기 초 학기 말 • Name generator 질문지의특성 • 응답자의 관여 전제 • ‘자신’과의 관계 표현 / 모르는 사람에 대해 답할 수 없음 • Referent shift 문제 해소 • 모집단이 아닌 개인 단위 표본 사용 시 문제 발생 • 삼성전자 연구소 700 명 지식공유 네트워크 분석 시 50 명을 무선 추출?

11. NetMiner실습

12. SNA Using NetMinerTM for the Research in Educational Technology ㈜ 사이람 http://www.cyram.com Tel. 02-886-6077 Fax. 02-886-6104 E-mail: info@cyram.com “Unleashing Hidden Power of Networks”

13. 진행 순서 • Network Data (15M) • Network Modeling (15M) • Basic Measures (20M) • Using NetMiner (30M) • Work Environment Tour • Data Import • Visualization • Data Transformation & Query • Network Index Generation • Application to Research Framework (50M) • 네트워크 구조 분석 • 월별 사이버 게시판별 상호작용 변화 (2월차 절반 학생 교생실습 감안) (3,4,5,6월로 구분된 네트워크의 구조적 변화 파악) • 학기 초-말 전체 클래스 친교네트웍, 협력네트웍 변화 (네트워크 구조변수를 나타내는 Scalar 값의 변화 파악, QAP 연계) • 학기 초-말 전체 개인별 친교네트웍, 협력네트웍 변화 (각 개인의 Degree 값 변경을 토대로, 분포 변화 양상 파악) • 학기 초-말 전체 팀별 친교네트웍, 협력네트웍 변화  (팀간 관계로 Blockmodeling 후, 팀간 네트워크 구조의 변화 파악) • 변수간 관계 분석 • 팀별 친교, 협력네트웍 중심도가 팀 과제 성과에 미치는 영향 (팀별 중심도 평균을 먼저 구한 후 팀 중심도 평균과 팀과제 성과와의 상관관계 분석) • 협력네트웍 중심도와 예전 변수 규명 (팀기여도와 이전학기 평점평균 중) (각 개인의 중심도 값을 구한 후, 각 개인의 팀기여도(또는 이전학기 평점평균)과의 상관관계 분석) • 개인별 친교, 협력네트웍 중심도가 팀 활동 만족도에 미치는 영향  (각 개인의 중심도 값을 구한 후, 각 개인의 팀활동 만족도와의 상관관계 분석) • More Applications

14. 1. Network Data • Network • 점(Node) 과 선(Link) • Node 들 간의 Link Set 이 곧 Network 이다. • Nodeset = {A,B,C,D,E,F}Linkset (without weight) = {(A,B), (A,C), (C,B), (B,D), (D,E), (D,F)}Linkset (with weight) = {(A,B,1), (A,C,1), (C,B,3), (B,D,2), (D,E,1), (D, F, 2)}

15. 1. Network Data : Two Types of Network 1-mode Network: 동질적인 노드로 구성 2-mode Network: 두 가지의 이질적인 노드로 구성

16. 1. Network Data : Representation of a Network Matrix Type List Type

17. 1. Network Data : Attribute of Node

18. 1. Network Data : Attribute of Link

19. 1. Network Data : Layer 동일한 Nodeset으로부터 여러 개의 Network이 생성될 수 있음. 협업 업무적 상호작용 지식 지식 흐름 영향 영향력 평가 신뢰 신뢰도 평가 친분 친분 관계

20. 2. Network Modeling • Network Modeling 은 연구대상을 네트워크의 구성요소인 노드(점)와 링크(선)로 정의하는 것임. • 노드와 링크의 정의는 분석과정, 분석결과 산출, 산출된 결과의 해석 등에 계속 영향을 미치므로 명확해야 함. Network Real World

21. 2. Network Modeling : Case 1 - 인사조직 • Main Nodeset: 사람 – Attribute: 이름, 나이, 성별, 부서, 직급, 근무년수 • 1-mode Network • 업무협조 관계 • 친분관계 • 의사결정 의존 관계 • 혁신 아이디어 공유 관계 • Sub Nodeset 1: 직무 – Attribute: 직무 카테고리, 해당직무 마스터 • 2-mode Network • 각 사람(Main Nodeset)이 현재 담당하고 있는 직무(Sub Nodeset) • 각 사람(Main Nodeset)이 향후 담당하고 싶은 직무(Sub Nodeset) • Sub Nodeset 2: 역량 - … • 2-mode Network • 각 사람(Main Nodeset)이 현재 갖고 있는 역량(Sub Nodeset)

22. 2. Network Modeling : Case 2 – 인터넷 커뮤니티 • Main Nodeset: 이용자 – Attribute: 이름, 나이, 성별, 취미생활, 이메일주소, 블로그주소 • 1-mode Network • 메신저 친구관계 • 이메일 주고받은 관계 (최소 5회이상 주고받음) • 방명록 작성관계 • Sub Nodeset 1: 게시물 – Attribute: 게시물 카테고리, 첨부파일 여부, 댓글개수 • 2-mode Network • 이용자(Main Nodeset)가 게시물을 스크랩한 관계 • 이용자(Main Nodeset)가 게시물을 추천한 관계

23. 2. Network Modeling : 개인 실습 • 자신이 관심을 갖고 있는 연구 영역의 주제를 위와 같이 Network로 모델링해보자 • Main Nodeset: [ 학생] – Attribute: …. • 1-mode Network • [ 친분] 관계 • [ 신뢰] 관계 • ….. • Sub Nodeset 1: [ 성과] – Attribute: ….. • 2-mode Network • [ 점수] 관계 • [ 프로세스] 관계 • …. • Sub Nodeset 2: [ 태도] – Attribute: ….. • 2-mode Network • [ 몰입] 관계 • [ 만족도] 관계 • ….

24. 3. Basic Measures : Centralities Degree Centrality: total number of neighbors (ties to other nodes in the network) Closeness Centrality: A node’s centrality is sum of geodesic distances to all others Betweenness Centrality: 노드들간의 최단 경로에 많이 포함된 노드(가장 많이 거치게 되는 node)가 Centrality가 높다. Eigenvector Centrality: 한 노드의 Centrality는 Centrality가 높은 이웃과 많이 연결되어 있을수록 높다. Degree Centrality Closeness Centrality Betweenness Centrality Eigenvector Centrality

25. 3. Basic Measures : Connection Shortest Path: 두 노드간 최단경로 찾기 Minimum Cutset: 제거할 때, 2개 이상의 컴포넌트로 나누어지게 되는 노드 Shortest Path Minimun Cutset

26. 하나의 노드가 여러 Cluster에 속할 수 있음 응집그룹이 갖는 독특한 특성연구의 과정에서 다양한 응집그룹등이 정의되면서 발전 Clique: 지나치게 과도한 조건 n-clique: clique의 조건을 완화. 문제점 발견 문제점 해결 과정에서 n-clan, k-plex, k-core 등이 정의됨 3. Basic Measures: Cohesion – Soft Clustering Clique N-clique k-plex K-core

27. 하나의 노드는 반드시 하나의 Cluster에 속해야 함. Soft Cluster에 비하여 실용적으로 많이 사용됨 Component는 연결이 끊어지지 않은 노드 집단을 말하며, 방향성을 고려하는 지 여부에 따라 Weak Component, Strong Component로 구분함. Link 구조에 근거하여 응집그룹을 추출 하는 것이 Community 이며, 최근 알고리즘 연구가 활발하게 진행되고 있음. 3. Basic Measures: Cohesion – Hard Clustering Component Community

28. Representative Consultant Gatekeeper Coordinator Liaison 3. Basic Measures: Role Models • 그룹으로 구분된 집단간 연결관계 구조에 근거하여 각 개인의 역할을 아래와 같이 정의할 수 있음

29. 3. Basic Measures: Network Properties # of Links 링크 수 # of Components : Density : 밀도 Average Degree Transitivity Reciprocity Clustering Coefficient: 끼리끼리 모여 있을 때 점수가 높을 수 있다. Mean Distance Diameter Connectivity • 하나의 네트워크 특성을 나타내는 지표들: Scalar Value