analisi e modellazione di reti sociali dinamiche
DESCRIPTION
Tesi di Laurea Magistrale di Erika Primavera RELATORE Prof. MARCO CREMONINI CORRELATORE Prof. MASSIMO RICCABONITRANSCRIPT
Analisi e modellazione di reti sociali dinamiche
Corso di Laurea in Sicurezza Informatica
RELATOREPROF. MARCO CREMONINI
TESI DI LAUREA DIERIKA PRIMAVERAMATR. 805782CORRELATORE
PROF. MASSIMO RICCABONI
Social Network Analysis (SNA)
•disciplina che si occupa di studiare il comportamento degli individui e la
comunicazione che si instaura tra di loro.
•esiste da molti anni, dal 1930, ma con l’avvento dei social network, è
diventata oggetto di molti studi moderni
“Bando 2013 - Borse Premio Per Lo Svolgimento Di Tesi Di Laurea
Magistrale” istituito dalla Fondazione Lucchese per l’Alta Formazione e la
Ricerca
Scopo principale:SNA e Serendipity
•Analisi di vari studi scientifici già effettuati in più contesti
•Modellazione all’interno di un modello di rete già preesistente
•Studio approfondito del comportamento
•Analisi dei risultati degli studi da me effettuati
Serendipità. Cercare qualcosa, trovare qualcos'altro, e realizzare che quello che hai trovato è più adatto ai tuoi bisogni di quello che pensavi riguardo a quello che stavi cercando .
Lawrence Block
Penicillina America
Sono state date nel tempo varie definizioni di tale concetto e varie classificazioni in
base al contesto analizzato.
Definizione:
Strumenti di SNA utilizzati:
Netlogo Gephi
Modello di rete originale:
Esempio di scelta dell'agente per il nodo n10 e info10
Aspetti importanti: CE e Hype
Modifiche:Per poter simulare l'effetto “serendipity”, ho implementato:
•la scelta automatica di un insieme di nodi sui quali agire;
•l’aggiunta di nuove informazioni casuali che i nodi scelti
ancora non possiedono.
Configurazioni A B C D
Test effettuati:Sono state analizzate:
•3 differenti modalità di scelta dei nodi:
la loro centralità (Ac, Bc, Cc, Dc)
il degree e il coefficiente di clustering (Adc, Bdc, Cdc, Ddc)
o in modo casuale, random (configurazioni Ar, Br, Cr, Dr)
•2 differenti percentuali di serendipity:
tipo 1: 10% di nodi con 30% di serendipity (As10-30, Bs10-30,
Cs10-30, Ds10-30);
tipo 2: 100% di nodi con 1% di serendipity (As100-1, Bs100-1,
Cs100-1, Ds100-1);
Scelte dei nodi differenti:
Esempio: analisi configurazioni A Ar Adc Ac e B Br Bdc Bc
Perc. di serendipity differenti:
Esempio: analisi configurazioni A As10-30 As100-1 e B Bs10-30 Bs100-1
Conclusioni (1)Nodi migliori:
•quelli con alto degree ma basso coefficiente di clustering.
Percentuale di serendipity migliore:
•10% di nodi con 30% di serendipity
Ben associabile ai nodi che si occupano di diffusione
dell’informazione nella rete, come stazioni radio, quotidiani, blog..
Conclusioni (2)
Altra percentuale interessante:
•100% di nodi con 1% di serendipity
Ben associabile alla serendipity che colpisce, anche se non
quotidianamente (quindi con bassa percentuale), ognuno di noi!
Sviluppi futuri
I meccanismi da me implementati ed illustrati in questo lavoro
di tesi sono solo uno dei possibili modi in cui si può pensare
di modellare la Serendipity.
Sviluppi futuri potrebbero incentrarsi su nuovi metodi di
gestione della serendipity magari basati su indagini di campo
e quindi su dati reali.
Grazie per l’attenzione