第二章 文獻探討
第三節 社會網絡分析概述
本節首先敘述社會網絡分析著名理論，再探討社會網絡分析在學術表現與學 術合作議題之應用與相關分析指標。
一、 社會網絡分析著名研究與理論
在社會網絡研究發展中，著名的研究與相關理論包含 Granovetterr 的弱連結 優勢（The Strength of Weak Ties）、Krackhardt 強連結優勢（The Strength of Strong Ties）、Burt 結構洞理論（structural holes theory）、無尺度網絡（Scale free network）、
小世界現象（The Small World），以下詳述。
1973 年 Granovetter 提出的弱連結優勢，Granovetter 將網絡區分強連結
（Strong Ties）和弱連結（Weak Ties）這兩種關係，而強連結關係通常代表結點 彼此之間具有高度的互動；因此，透過強連結所產生的訊息通常是重複且網路內 的成員由於具有高相似性，容易自成一個封閉的系統，故有時弱連結反而更具優 勢，如：一個人的工作和事業關係往往不是社會關係的強連結，而常常是靠弱連 結。而若一個人過度傾向於透過強連結（如：家族關係）建立社會社會資本，那 麼 一 般 而 言 這 個 人 的 社 會 資 本 擁 有 數 量 和 品 質 都 會 比 較 差 (Granovetter, 1973;Borgatti & Halgin, 2011；González & Barabási, 2007)。而 1992 年 Krackhardt
24
的強連結優勢（The Strength of Strong Ties）則認為強連結的高度互動與信任或 認同感能在面臨巨變環境帶來穩定（Krackhardt, 1992）。上述兩派理論可知，不 同網絡特性會使強連結或弱連結成為優勢或限制。
1992 年 Burt 於「Structural Holes：The Social Structure of Competition」一書 提出社會資本的結構洞理論(structural holes theory)。而社會資本在此指一種社會 組織的特色，如：信任、規範或網絡，此可藉由促進協調而改善社會效能。結構 洞如同社會資本，處結構洞的位置者，因處在網絡中收集不重複冗餘資訊的位置 且同時又為協調者，故在資源獲取與控制資訊上占有優勢(Borgatti & Halgin, 2011;
Burt, 1992)。
無尺度網絡（Scale free network）說明網絡中大多數的結點有少數連結數，
而僅少數結點有很多的連結數，網絡分佈呈現冪次定律（power law），而在無尺 度網絡中亦呈現富者恆富。無尺度網絡的例子如：網際網路中將路由器視為結點，
並由光纖或線路等作為連結、將蛋白質視為結點而蛋白質之間的相互作用為結點 間的連結所形成的蛋白質檢控網絡、學者間的合著網路等(Borgatti, Mehra , Brass
& Labianca, 2009; Barabasi & Bonabeau,2003) 。
小世界現象（The Small World）中最著名為 1967 年 Milgram 的郵件網絡實 驗，該實驗讓受測者把郵件轉寄給他認為最有可能傳給實驗指定人士。爾後 Milgram 研究發現約透過六步距離就可將不相識的兩個人聯繫，故小世界現象又 有六度分隔理論（Six Degrees of Separation）之稱，而小世界網絡的特徵為低分 隔度高群聚度，該理論也被應用在廣泛網絡（如：訊息傳遞網、疾病散播網）進 行驗證(Milgram, 1967; Newman, 2000)。
二、 社會網絡分析之應用
近十年來社會網絡分析相關研究漸興盛，其應用範圍很廣，包含：資訊科學 與廣播系統訊息傳播、流行病擴散研究、社會學、人際關係網絡、透過行動通訊
25
網進行動線規劃、貿易網絡策略分析、書目計量、合著網路分析等（Otte＆
Rouss ,2002；Butts, 2008；Borgatti, Mehra , Brass &Labianca, 2009；謝雨生、吳齊 殷、李文傑，2006；González & Barabási, 2007；Wasserman & Faust, 1994）。
而將社會網絡分析運用於學術發表的相關研究，大多在探討引文關係網絡和 學者合著網絡。如：2011 年毛嘉瑜發表的論文探討 2006 至 2009 年 SCI 和 SSCI 資料庫中，四大領域包含：作業研究、工業工程、製造工程及人因工程的期刊間引 用關係網絡，利用社會網絡分析挖掘期刊分群情況，並藉以找出那些期刊為資訊流 通角色或為跨領域的橋樑。採用的分析包含：雙邊連結組成分析、集群分析和因素 分析。研究發現在期刊互引關係中作業研究類互引關係最強，期刊被引行為中作業 研究、一般管理、人因工程、人工智慧以及材料科學五項類別皆反應高度的被引用 行為相似性。在資訊流通角色分析結果顯示期刊屬理論和基礎科學類別者多為來源 端，而應用科學及工程類別多為接收端，其反應理論基礎科學為知識起源且亦是應 用科學的支持輔助；而中心度指標分析發現少有期刊能兼具引用和被引用網絡中的 重要地位。此外，跨領域期刊分析僅 Harvard Bus Rev 以及 Decision Sci 較具跨領域 特性（毛嘉瑜，2011）。以及 2007 年 Loet Leydesdorff 運用社會網絡分析中心度 (Centrality)探究期刊跨領域程度。該研究將中心度(Centrality)融入餘弦定理概念 (cosine-normalized) 作為分群依據，分析期刊引用與被引用網絡，最後發現改良 的中介中心度(Betweenness centrality)能有效被用在檢測期刊跨領域(Leydesdorff, 2007)。
而在學術合作議題的應用於本章第二節已有論述之，以下針對運用社會網絡 分析進行學術合作之相關文獻，進行更進一步社會網絡分析測量項目之描述，整 理如下：
Newman利用社會網絡分析的成分（Component）、Cluster、shortest paths、
合著關係視覺化及統計和作者文獻權重分配等方式，了解自然科學（生物、物理、
數學）學術合著的模式（Newman, 2004）。
26
Liu, X等人，運用二維無向共作網路、二維有向共作網路、加權共作網路和 程度中心度（Degree centrality）、接近中心度（Closeness centrality）、中間中心度
（Betweenness centrality）、成分（Component）、Cluster分析，並設計AuthorRank 探究數位圖書館此研究社群中的合著結構模式（Liu, Bollen ,Nelson , Michael L &
Van de Sompel, H., 2005）。
黃心怡以社會網絡分析採提名詮釋法蒐集每個參與計畫者的互動網絡名並 搭配問卷調查，討論跨組織合作研究是否有利於獲得外部資源的交流（黃心怡，
2007）。
袁大鈺與唐牧群於2010年運用書目耦合、書目計量學與社會網絡分析（包含：
密度（Density）、程度中心性（Degree centrality）、集中化程度（Centralization）
CONCOR分析、區塊分析及意象矩陣），探討學術社群（即：臺灣科技與社會 研究 STS：Science,TechnologyandSociety studies）的智識網絡。該研究針對61名 STS成員發表之文獻先以書目耦合與作者共被引方式取得該社群的智識關係矩 陣後，再將關係矩陣用社會網絡分析（袁大鈺、唐牧群，2010）。
張郁蔚利用書目計量和社會網絡分析法探討 1962 年至 2009 年有關資訊需求 與資訊尋求兩個主題文獻的特性。主要將社會網絡分析的密度（Density）、中 間中心性（Betweenness centrality）、派系（Cliques）等，應用在辨識重要中心 作者和找出合著網絡中的小團體（張郁蔚，2011）。
Franceschet 也於 2011 年利用社會網絡分析中的生產合著程度（level）、度數
（Degree）、成分（Component）、群聚（Cluster）等概念，探究 The DBLP Computer Science Bibliography（簡稱 DBLP）1960 至 2008 年資訊科學領域的合著網路。
研究發現自 1990 年起文獻生產力有增加趨勢，尤其 2000-2008 年數量成長更為 顯著。而過半數的學者發表過 1 篇文章，15%作者發表過 2 篇文章，僅少數學者 發表多篇文章，文章發表數呈現長尾分佈。在網絡最大成分（Component）發現 學者間的連通性逐年擴大，顯示網絡中的學者（節點）越來越連通，而網絡中學
27
者（節點）間的距離分佈在 4-10 步內，且大部分為 6 步，資訊科學領域的合著 網路存在小世界現象（即高群聚度低分隔度）；此外不論是在會議論文或期刊論 文皆顯示學者（節點）的 Degree 值分佈呈現大多數的學者 degree 值小， degree 值大者為少數的學者。而資訊科學領域合著人數平均每篇為兩位至三位作者，且 會議論文合著比例比期刊合著文獻比例多(Franceschet, 2011) 。
上述關於社會網絡分析在學術應用中，與學術合作相關議題所使用的社會網 絡分析項目整理如下（袁大鈺、唐牧群，2010；張郁蔚，2011；Franceschet, 2011；
Hanneman＆Riddle, 2005；Liu ,Bollen , Nelson , Michael & Van de Sompel, H., 2005；
劉軍，2009；Newman, 2004；Otte & Rouss,2002; Wasserman &Faust,1994）：
(一) 密度（Density）
指網絡中各結點的連結程度。計算為「網絡中的所有行動者實際的連 結數」除以「可能發生的最大連結數」。而在合著網絡中屬無向關係，
因此計算密度時「可能發生的最大連結數」則要除以二。以一個二為 矩陣而言，密度值介於0到1之間，0表所有行動者間沒有聯繫關係。對 於一個無方向性的圖(G) ，有N個結點，公式如下：
(二) 程度中心度（Degree centrality）
能夠依單一行動者衡量出行動範圍，計算時需先算出行動者的所有連 結數，當行動者有很多連結時，表示該行動者有很多管道或機會取得 社會資源。結點i與結點j（Xij）有直接連結，則Xij為1，若兩點無直接 連結則Xij為0，而結點i的程度中心度（Degree centrality）公式如下：
28
(三) 中間中心度（Betweenness Centrality）
可反映某些結點在整個網絡中的重要性。當一個行動者的位置為另外 兩個行動者的中介，則中介者具有能夠控制其他兩個行動者的影響力。
因此，越是占據這種位置關係越能影響力越大，中間中心度數值越高。
即計算每個結點為其他結點間連線的中介點的程度。gjk(ni)表結點i到結 點j的數量。結點i的中間中心度（Betweenness centrality）公式如下：
(四) 接近中心度（Closeness centrality）
著重於傳播效益，行動者於其他行動者越是接近，則在訊息傳遞越有 利。然而，接近中心度的計算為：一個行動者與其他的行動者的捷徑 距離總和。因此，該值越大，表示越不是網絡中的核心。結點i到結點 j，而 �𝑔𝑗=1𝑑(𝑛𝑛, 𝑛𝑛)則表結點i，在最短路徑達到其他點的所有距離。
結點i的接近中心度（Closeness centrality）公式如下：
(五) 派系（Cliques）
至少包含三個節點所形成的次群體，且節點間都有直接相連，也就表 示了節點間的緊密關係。派系的節點數量越多表示該派系群體越大且 聯繫緊密。
(六) 成分（Component）
指網絡中被分割為數個不相關聯的次群體，孤立的一個點也算是一個 成分。成分（Component）可反映整個網絡可以被分為多少小群體。成 分數越多表示整體網絡被分割成較多個不連通的次群體，而成分數低，
表示網絡間的連通關係相較緊密。
29
(七) CONCOR分析
一種選代相關收斂法（convergent correlations），其為重複計算相關係 數矩陣到相關係數矩陣分別為1和-1兩類，主要是將網絡依據相似性的 結構區分成各個區塊。
(八) 區塊分析（Block model）
目的在於找出網絡整體的模式，在同一區塊中的行動者（actor or node）
表示在整個網絡中有相似的結構位置。基於一定的標準將網絡中分成
表示在整個網絡中有相似的結構位置。基於一定的標準將網絡中分成