定量和定性的结合：格兰诺维特弱关系理论的扩散网络

原创 杜盈霏、杨张博 定量群学

原文信息

Keuchenius, A., P. Törnberg and J. Uitermark, Adoption and adaptation: A computational case study of the spread of Granovetter's weak ties hypothesis. Social Networks, 2021. 66: p. 10-25.

科学是“站在巨人肩膀上”的，科学的发展是一个不断积累和证伪的过程，这也是为什么学者的研究会强调已有文献，以及自己的研究在已有文献中的定位。只有这样，才能较为明确的说明学者对新知识的贡献。而学术论文的规范性和数据的可获得性使得学者们可以通过大规模数据，定量的考察学术新观点的扩散。学术新观点可以视为思想上的创新，关于网络和创新扩散的研究一直受到学者们的关注，埃弗雷特·罗杰斯1962年的经典著作《创新的扩散》详细分析了各类技术创新和学术创新的扩散过程。在市场营销领域，新产品的扩散和采纳也已有大量研究。普遍认为，创新的扩散符合S型，一开始较少的人会使用创新产品或采纳新思想，突破临界值后创新采用会增长的非常迅速，当大部分人使用创新技术后增长曲线又会放缓。这样一个过程与人际网络结构息息相关，已有大量研究证明，合适的网络结构可以导致创新的快速扩散，引发信息级联（information cascade），但特定的网络结构也会将创新限定在少部分人群中，导致信息阻塞。

这篇论文就是研究格兰诺维特的“弱关系”理论在学术界的扩散，1973年格氏发表了这一研究，他发现求职过程中，弱关系是非常重要的渠道，能够为求职者带来非冗余的信息。这一研究成为了社会网络领域最经典的研究之一，启发了众多学者的讨论，包括Burt的结构洞理论、边燕杰的强关系命题等，该研究谷歌学术被引数量已经超过了6万次，其影响力不仅表现在社会学领域，在新闻学、政治学、管理学等不同的学科都有着广泛的应用和发展，展现了社会网络分析强大的跨学科能力。本次推送的文献就是对该文的扩散网络进行了详细梳理。

一、摘要

新知识是如何扩散的？计算研究解释了网络结构是如何促进或阻碍扩散的；定性研究则证实了扩散会导致相关学术转译和转化。这篇研究尝试同时使用两种方法，来研究学术新知识的扩散过程。作者以格兰诺维特1973年发表在American Journal of Sociology上的经典论文《弱关系的力量》（The strength of weak ties）为例，研究其扩散过程。通过社会网络分析、主题模型和仔细阅读相关文献等方法，本文研究了学术网络中不同的社区是如何以不同的方式解释和发展上述格兰诺维特的理论（注意，这里的社区指的是引文网络中的子网络或凝聚子群，社区内部联系较为紧密，社区间联系较为稀疏）。基于以上的探索，研究进一步追溯了这些社区是如何产生、融合、分离，并且处于中心的学者在扩散过程中是如何作为社区领袖或中间人出现的。

二、背景

在20世纪六七十年代，科学的扩散和传播开始成为科学界关注的焦点。大多数的学者使用问卷调查的方法对其进行分析，他们发现：科学知识扩散与其他类型的创新（如专利等）的扩散存在共性；非正式群体如“无形学院”（invisible college）对科学知识的解释说明在科学扩散过程中发挥重要作用，然而这一时期的研究方法还存在着较多的不足。随着研究方法的发展，对科学扩散的研究在2000年后进入了一个爆发性增长的时期。数据和复杂分析技术的发展使得利用海量数据研究科学知识扩散成为可能。随着研究深入，有关于定性和定量方法研究的矛盾随之而来，而本文则将定性和定量方法结合，利用引文网络、主题模型（topic model）和仔细阅读原文的方法研究格兰诺维特《弱关系的力量》一文的扩散过程。本文发现，科学思想的扩散需要复杂的转化过程，在此过程中，学术团体成为中观层面上的学术思想中介，根据他们所从事的不同研究项目，对扩散的科学观点进行不同的解释。在这个过程中，一些学者在转化新知识并将其引入他们的学术圈和跨越学术边界的过程中发挥了重要的作用。

三、有关于科学扩散的观点

20世纪六七十年代的研究是研究知识扩散的基础。研究发现，大多数的学者被组织在相应的学术社区中，这些社区在科学知识的扩散和发展过程中发挥着重要的作用。这些社区一般会围绕一个或几个学术明星组织起来，他们的地位会通过累积优势机制得到进一步的巩固。虽然这些早期分析知识扩散学者经常被认为是通过发展数学模型进行研究，但他们的工作也关注学术网络和学术文化的共同演变问题，同时包含定量和解释性的见解。

然而随着研究的进一步深入，对知识扩散的研究逐渐分化出两种方向：定量研究和定性研究。定量研究运用数据可用性和复杂分析方法来研究学术网络的结构特性；定性研究则强调意义以及解释的重要性。定量研究多使用引文和作者合作关系数据，关注发现支撑新科学和新发现应用发展的关系结构。通过使用大数据进一步验证早期研究的一些结论。而定性研究则认为，科学观点的扩散不仅是对原观点的完全复制，还有改编和扬弃，类似于再发明或再创新。值得注意的是，知识扩散不仅是集体行动的结果，还包含了对理论的改编和转化，这些改编和转化是研究者的解释和学术社区相互作用的结果。

基于上述的观点，本研究认为科学扩散是一个复杂的过程，并使用计算方法和基于引文的扩散网络来研究其微观和宏观层面的变化过程。同时，本文同定性学者一样，认为每条引文都涉及对原理论或命题的解释和发展。由于这一过程是集体解释的结果，因此本文认为研究人员可以自组织成不同的传播社区。

那么，格兰诺维特弱关系假设的扩散模式是什么呢？在扩散过程中是如何重新解释和适用的呢？本文假设扩散网络由结构性的学术社区组成，这些社区以不同的方式推进了相同的科学思想的扩散。除了检验这一一般假设外，本文还进一步探讨了是什么导致了扩散网络中的这些结构模式。因此，本文研究了扩散网络随着时间的演变，并对关键角色在促进传播和发展特定解释中的作用进行了更深入的讨论。

四、数据和方法

该研究通过web of science 收集了引用格兰诺维特（1973）文献的原始数据并构建引用网络和作者之间的合作关系网络。然后使用主题模型来识别这些施引文献中的主要主题，并分析它们与网络中的知识社区之间的关系。最后，通过仔细阅读一些重要的论文，分析三个最大的研究社区对格兰诺维特弱关系假设的应用和再解释的异同。

为了进一步研究这些结构模式是如何出现的，本文对研究社区随着时间的发展以及其中有影响力的学者的作用进行了更深入的探索。为此，研究通过时间社区检测算法，以定位不同时间段（1995–2000–2005–2010–2017）中的研究社区，并探索关键人物在扩散中的作用。

五、传播网络中的社会

首先，本文利用Louvain算法进行社区侦测（community detection）以确定网络确实表现出显著的聚类结构。结果如图1所示。其中颜色代表不同的社区，标注的作者为高影响力的作者，根据入度决定节点的大小。

图2展示了扩散社区的大小分布。从图中可以看出，社区大小是不均匀的，三个最大的社区中的学者占总数的45％；最大的12个社区（规模大于200个社区）的学者占总数的86％。本文的分析集中在这12个社区。

为了衡量这种社区结构是否显著，本文以仅考虑时间的Havel-Hakimi 随机图为基准与上述社区进行对照。图3展示了对比的结果，其中两图的节点规模、颜色等设置均保持一致。从图中可以看出扩散网络更聚集（0.623，p值