2 The New Network Science - En.id

Annu. Rev. Sosiologi. 2004.
30: 243-70
doi: 10,1146 / annurev.soc.30.020404.104342
Copyright c 2004 oleh Ulasan Tahunan. Seluruh hak cipta
Pertama kali diterbitkan secara online sebagai Ulasan di muka pada 9 Maret 2004
TDIA “NEW”Science OF NETWORKS

dari arjournals.annualreviews.org
Untuk penggunaan pribadi saja.
Duncan J. Watts
Departemen Sosiologi, Universitas Columbia, New York, NY 10027; Santa Fe Institute,
Santa Fe, New Mexico 97501; email: djw24@columbia.edu
Kata kunci teori grafik, model matematika, jaringan data, sistem dinamis
■ Abstrak Dalam beberapa tahun terakhir, analisis dan pemodelan jaringan, dan
sistem dinamis juga bersih-bekerja, telah menjadi topik yang menarik interdisipliner
download
yang cukup besar, menghasilkan beberapa ratus makalah dalam fisika, matematika, ilmu
08/18/05.
komputer, biologi, ekonomi, dan jurnal sosiologi (Newman 2003c ), serta sejumlah buku
pada
(Barabasi 2002, Buchanan 2002, Watts 2003). Di sini saya meninjau temuan utama dari
bidang ini muncul dan membahas secara singkat hubungan mereka dengan pekerjaan
sebelumnya dalam ilmu sosial dan matematika.
oleh Columbia
University
PENGANTAR
270.
Membangun tradisi panjang analisis jaringan dalam sosiologi dan antropologi

(Degenne & Forse 1994, Scott tahun 2000, Wasserman & Faust 1994) dan
Putaran.
sejarah bahkan lebih lama dari teori graf dalam matematika diskrit (Ahuja et al.
1993, Bollobas 1998, West 1996) , studi tentang jaringan dan sistem jaringan
telah meledak di seluruh spektrum akademik dalam lima tahun terakhir.
Didorong oleh ketersediaan berkembang pesat komputer murah namun kuat dan
dataset elektronik skala besar, peneliti dari ilmu matematika, biologi, dan sosial
telah membuat kemajuan besar pada sejumlah masalah yang sebelumnya keras,
merumuskan ide-ide lama, memperkenalkan teknik baru, dan mengungkap
hubungan antara apa yang tampaknya menjadi masalah yang sangat berbeda.
Hasilnya telah disebut “ilmu baru dari jaringan” (Barabasi 2002, Buchanan
2002, Watts label 2003) -sebuah yang mungkin menyerang banyak sosiolog
sebagai menyesatkan, mengingat keakraban (untuk analis jaringan sosial) dari
banyak ide-ide yang berada di pusat. Namun demikian, label tidak menangkap
perasaan senang sekitarnya apa yang tidak diragukan lagi makalah bidang-baru
berkembang cepat yang muncul hampir setiap hari-dan juga tingkat belum
pernah terjadi sebelumnya sintesis bahwa kegembiraan ini telah menghasilkan
seluruh disiplin ilmu yang berhubungan dengan masalah jaringan muncul.
Dalam meninjau hasil utama bidang ini, saya telah mencoba untuk menyerang
keseimbangan antara perkembangan historis dari ide-ide dan urutan logis mereka.
Untuk tujuan ini, bagian pertama menggambarkan pendekatan pemodelan jaringan
utama, mengenai struc-mendatang lokal, konektivitas global, ditelusuri, dan
distribusi gelar yang sangat miring.
0360-0572 / 04 / 0811-0243 $ 14.00 243
244 WATT
Saya kemudian merangkum studi empiris terkait dan membahas beberapa isu
asso-diasosiasikan dengan menafsirkan data empiris. Akhirnya, saya meninjau
kemajuan awal pada aplikasi model jaringan untuk proses dinamis seperti
penyakit menyebar dan pertukaran informasi. Sepanjang diskusi, saya fokus
pada motivasi dan di-terpretation ide dan hasil, mengacu pembaca di tempat lain
(Newman 2003c) untuk rincian matematika. Dan meskipun saya berkonsentrasi

pada perkembangan yang tampaknya paling relevan dengan jaringan sosial, itu
sangat berharga mengingat bahwa banyak dari hasil yang sama telah diterapkan
untuk, atau dimotivasi oleh, masalah dalam disiplin lain.
MODEL JARINGAN STRUKTUR

Jaringan kecil-Dunia
download
08/18/05.
Kontribusi awal untuk ilmu baru dari jaringan, dan satu yang menangkap
pada
beberapa tema utama, adalah bahwa dengan Watts & Strogatz (1998), di mana
penulis membuat beberapa poin terkait namun berbeda:
1. jaringan dunia nyata yang tidak benar-benar memerintahkan atau benar-
benar acak, melainkan menunjukkan sifat penting dari keduanya.
oleh Columbia
2. Beberapa sifat dari jaringan ini dapat diwujudkan oleh model matematika
University
sederhana yang interpolasi antara ketertiban dan keacakan. Dalam Watts &
270.
Strogatz ini
1
contoh khusus, “order” diwakili oleh seragam satu dimensi lat-Tice, di
Putaran.
mana setiap node terhubung ke k tetangga terdekat pada kisi-kisi, dan

“keacakan” ditandai dengan parameter p merdu yang ditentukan fraksi
link secara acak rewired (lihat Gambar 1a).
3. Sifat-sifat ini dapat diukur dengan statistik sederhana: misalnya, koefisien
pengelompokan C dari jaringan adalah ukuran kepadatan lokal, dan rata-
rata terpendek panjang jalur L adalah ukuran global pemisahan. Dalam
kasus model yang diusulkan, L dan C dapat diukur sebagai fungsi p.
4. ketika p = 0 (benar-benar memerintahkan), jaringan “besar” [L (0) ~
N/2k] dan “sangat berkerumun” [C (0)~ 3/4], dan ketika p = 1 (benar-
benar acak), itu adalah “kecil” [L (1) ~ ln (N)/ln (k)] dan “buruk
berkerumun” [C (1)~ k/N], Menunjukkan bahwa panjang jalan yang
singkat hanya ketika pengelompokan rendah.
5. Namun, model menunjukkan wilayah yang luas dari nilai p di mana C (p)
relatif tinggi terhadap batas acak C (1), namun L (p) adalah, berbicara kasar,
sebagai “kecil” mungkin (lihat Gambar 1b) . Watts & Strogatz (1998)
menciptakan istilah
1
Sepanjang makalah ini, istilah “kisi” digunakan dalam arti fisikawan dari kisi kristal
(kira-kira, grid rendah dimensi), bukan arti matematikawan dari pemesanan parsial pada
s g telah digunakan untuk mewakili jaringan afiliasi (Freeman & White 1993)].
a
t
u
s
e
t
e
l
e
m
e
n
[
s
e
p
e
r
t
i
d
a
l
a
m
,
m
i
s
a
l
n
y
a
,
G
a
l
o
i
s
k
i
s
i
y
a
n
BARU ILMU JARINGAN 245
download
08/18/05.
pada
Gambar 1 (A) Skema model Watts-Strogatz. (B) panjang Normalisasi rata jalur
terpendek L dan clustering koefisien C sebagai fungsi dari acak parameter rewiring
oleh Columbia
p untuk model Watts-Strogatz dengan N= 1000, dan k= 10.

University
270.
2
jaringan-dunia kecil untuk merujuk ke jaringan di kelas ini, mengacu
pada karya awal Pool & Kochen (1978), dan percobaan berikutnya
Putaran.
Milgram dan rekan (Korte & Milgram 1970; Milgram 1967; Travers &
Milgram 1969).
6. Karena kondisi yang diperlukan untuk jaringan apapun milik kelas-dunia kecil
(beberapa urutan lokal trivial, dikombinasikan dengan hanya sebagian kecil
dari jarak jauh, cara pintas acak) relatif lemah, Watts & Strogatz (1998)
memperkirakan bahwa banyak real- dunia jaringan-apakah jaringan sosial
2
Watts & Strogatz tidak, pada kenyataannya, yang pertama menggunakan istilah jaringan-
dunia kecil: bahwa perbedaan milik Eugene Garfield (1979), yang digunakan dalam sebuah
artikel tentang topik penelitian-dunia kecil. Istilah tidak tampaknya telah tertangkap, namun,
sampai Watts
& Strogatz didefinisikan untuk merujuk ke jaringan dengan pengelompokan lokal yang
tinggi dan pendek panjang jalan global.
246 WATT
atau sebaliknya-seharusnya jaringan-dunia kecil. Mereka kemudian

diperiksa prediksi ini dengan mempertimbangkan tiga dataset-jaringan
jaringan afiliasi aktor film, jaringan transmisi listrik dari Amerika Serikat
bagian barat, dan jaringan saraf dari nematoda Caenorhabditis elegans-dan
menemukan bahwa semua tiga contoh memenuhi kriteria-dunia kecil .
7. Akhirnya, penulis menyatakan bahwa struktur jaringan dapat memiliki

implikasi dramatis bagi dinamika kolektif sistem, yang konektivitas jaringan
mewakili. Secara khusus, mereka mengklaim bahwa perubahan besar dalam
perilaku dinamik dapat didorong oleh bahkan modifikasi halus untuk jaringan
struktur-modifikasi yang mungkin tak terlihat untuk aktor dengan hanya
pengetahuan lokal dari jaringan. Mereka didukung klaim ini dengan contoh
model penyakit menyebar sederhana, menunjukkan bahwa kedua tingkat
epidemi, dan juga waktu yang dibutuhkan untuk itu menyebar, yang sensitif
tergantung pada tingkat keacakan dalam jaringan-hanya sejumlah kecil
download
08/18/05.
keacakan diperlukan untuk besar, cepat menyebar epidemi terjadi. Dalam

kerja terkait,
pada
pengamatan Watts & Strogatz, meskipun baru untuk literatur matematika dari
sistem dinamis ditambah, dan juga untuk terkondensasi materi fisika ko-nity, tidak,
dalam roh setidaknya, baru sosiolog matematika. model parameter dari lokal
oleh Columbia
memerintahkan namun jaringan jika tidak acak, misalnya, telah menjadi objek
University
perhatian jaringan analis sosial selama beberapa dekade, pada awalnya menurut
pengertian Rapoport tentang jaring acak-bias (Rapoport 1951, 1957), dan lebih baru-
270.
baru ini sesuai dengan apa yang yang umum disebut sebagai eksponensial grafik
acak mod-els, yang dikembangkan oleh Holland & Leinhardt (1981), Frank &
Putaran.
Strauss (1986), dan lain-lain (Anderson et al. 1999, Pattison & Wasserman 1999,
Robins et al. 1999, Wasserman
& Pattison 1996). Selanjutnya, Granovetter (1973), berikut Rapoport, memiliki
intro-teknya perbedaan antara “kuat” dan “lemah” dasi, di mana mantan dapat
ditafsirkan sebagai yang timbul dari prinsip-prinsip pemesanan lokal seperti
homophily (Lazarsfeld & Merton 1954) dan penutupan triadic ( Rapoport
1953a), dan yang terakhir dari kontak acak sesekali, yang Granovetter disebut
jembatan lokal, tapi yang jelas analog dengan cara pintas Watts & Strogatz ini.
Dan akhirnya, Rapoport (1953a, b) dan lain-lain (Kretschmar & Morris 1996)
telah lama prihatin dengan efek bias sosio-struktural dalam jaringan jika tidak
acak pada penyebaran informasi atau penyakit menular.
Namun, fitur yang membedakan dari Watts & Strogatz (1998), dan salah satu
yang bisa dibilang dihasilkan banyak bunga berikutnya dalam komunitas fisika,
adalah identifikasi mereka dari kelas universal jaringan; yaitu, keluarga jaringan
yang berbagi sifat-sifat agregat tertentu (dalam hal ini L kecil dan besar C) terlepas
dari
banyak rincian masing-masing. Temuan ini memiliki dua implikasi, baik yang cocok
secara alami ke pandangan dunia seorang fisikawan: (a) bahwa setidaknya beberapa
fitur menarik dari bahkan jaringan yang sangat kompleks dapat ditangkap oleh
model yang sangat sederhana, dan (b) bahwa metrik dan model dirancang untuk
mengatasi sosial masalah jaringan mungkin berguna diterapkan dalam disiplin lain
juga. fisikawan benda terkondensasi telah kemudian dianalisis apa yang sekarang
disebut model Watts-Strogatz, atau varian dari itu, secara detail (Barrat & weigt
2000; Barthelemy & Amaral 1999; Dorogovtsev
& Mendes 2000; Kulkarni et al. 2000; Newman & Watts 1999a, b; Newman et al.
2000). Secara khusus, telah menunjukkan bahwa sementara mengelompokkan C
adalah fungsi dari fraksi acak pintas p (Barrat & weigt 2000), rata-rata terpendek
panjang jalur L adalah fungsi dari jumlah mutlak mereka NKP (Newman et al.
2000). Meskipun perbedaan ini mungkin muncul halus, implikasinya adalah bahwa
dalam jaringan yang cukup besar (yaitu, sebagai N meningkat tanpa batas) perilaku-
download
dunia kecil akan mengakibatkan setiap kali fraksi pintas acak lebih besar dari nol-
08/18/05.
yaitu, untuk setiap keacakan di semua. Selanjutnya, hasil ini tidak tergantung pada
pada
kehadiran satu dimensi kisi-benar untuk setiap substrat-maka terhubung kondisi

yang diperlukan untuk perilaku-dunia kecil untuk berhubungan bahkan lebih lemah
dari pada pikiran pertama. Hasil sangat mencolok dalam hal ini adalah bahwa untuk
sedikit versi modifikasi dari model kisi cincin (di mana pintas acak ditambahkan
oleh Columbia
daripada rewired), Newman et al. (2000) menunjukkan bahwa penambahan hanya

University
lima
pintas acak akan membagi rata-rata panjang jalur L jaringan, terlepas dari
270.
3
ukurannya.
Putaran.
The algorithmic Kecil-Dunia Masalah

Sayangnya, model Watts-Strogatz menderita beberapa masalah serius yang
membuat itu tidak cocok sebagai model jaringan sosial. Satu masalah seperti
ditunjukkan oleh Kleinberg (2000a, b), yang mengamati bahwa eksperimen-
dunia kecil Milgram (Korte & Milgram 1970, Milgram 1967, Travers &
Milgram 1969) menunjukkan tidak hanya jalur yang pendek ada antara dipilih
secara acak puncak- individu yang terlibat dalam populasi yang besar, tetapi
juga bahwa individu yang bersangkutan dapat menemukan jalur ini hanya
menggunakan informasi lokal mereka tentang jaringan. jaringan sosial, dengan
kata lain, tidak hanya kecil; mereka juga dicari. Dalam sepotong luar biasa dari
analisis, Kleinberg membuktikan bahwa sementara model seperti itu dari Watts
& Strogatz, di mana link yang rewired seragam secara acak, dipamerkan pendek
panjang jalan global, mereka tidak bisa menunjukkan searchability. aku j dua
node yang terhubung secara acak adalah
paku j α rsaya-jγ . 1.
3
Sebenarnya, hasil ini hanya berlaku dalam batas ukuran jaringan besar N.
248 WATT
dan raku jadalah kisi jarak dari i ke j. Kapanγ = 0, tepi acak terbentuk dengan
probabilitas seragam (setara dengan model Watts-Strogatz asli), dan ketika
γcukup besar, hanya ikatan lokal yang mungkin. Jelas di batas tidak adalah
jaringan dicari-dalam kasus mantan karena jalur pendek tidak dapat ditemukan
(hasil Kleinberg sebelumnya), dan dalam kasus yang terakhir karena tidak ada
jalur pendek ada. Bahkan, Kleinberg membuktikan bahwa hanya ketikaγ = d,

dimensi kisi yang mendasari, akan jaringan dapat dicari dalam arti bahwa
jumlah langkah yang diperlukan untuk meneruskan pesan dari starter yang
dipilih secara acak untuk target yang dipilih secara acak adalah
4
“short” (Kleinberg 2000a). Lebih umum, apa Kleinberg menunjukkan bahwa
struktur jaringan penting tidak hanya secara lokal, yaitu, karena lingkungan
individu memberikan dia dengan informasi dan sumber daya, tetapi juga secara
global dalam hal itu memungkinkan dia untuk menavigasi ketika mencari
informasi atau sumber daya di luar lingkungannya.
download
08/18/05.
afiliasi Jaringan
pada
Masalah lain dengan model Watts-Strogatz, dan juga dengan Kleinberg, adalah
bahwa kedua model bergantung pada kehadiran beberapa mendasari kisi substrat
untuk (a) konektivitas global guar-antee dan (b) memberikan metrik jarak yang
independen dari jaringan jarak. Jelas, jaringan sosial tidak dibangun pada substrat
oleh Columbia
kisi, sehingga muncul pertanyaan apakah seseorang dapat menjelaskan clustering,

University
panjang jalan pendek, dan searchability dengan cara yang kurang buatan. Salah satu
270.
metode alternatif menghasilkan jaringan dengan sifat-dunia kecil yang

menggunakan asumsi yang lebih masuk akal, tapi masih pelit, didasarkan pada
bipartit (atau “dua mode”) jaringan afiliasi (Wasserman & Faust 1994) yang terdiri
Putaran.
dari dua kelas node: N aktor yang masing-masing milik salah satu atau lebih dari
kelompok M. Seperti ditunjukkan secara skematis pada Gambar 2,
Berikut konstruksi ini, model jaringan berbasis afiliasi sederhana adalah pro-
ditimbulkan oleh Newman et al. (2001, 2002), yang diasumsikan bahwa pelaku
memilih kelompok seragam secara acak. Menggunakan metode menghasilkan fungsi
(Wilf 1994), mereka berasal sejumlah hasil untuk grafik bipartit acak, termasuk
kondisi yang diperlukan untuk pembentukan komponen terhubung raksasa, serta
distribusi derajat, rata-rata perkiraan panjang jalur terpendek, dan clustering
koefisien aktor afiliasi dan kelompok interlock jaringan. Generalisasi pendekatan
mereka untuk memungkinkan distribusi tingkat sewenang-wenang, Newman et al.
mampu meniru sejumlah fitur jaringan afiliasi dunia nyata, seperti Davis et al.
(2003) papan data direksi, dan jaringan kolaborasi aktor film (Watts 1999) dan
ilmuwan (Newman 2001).
4
Secara khusus, Kleinberg menunjukkan bahwa setiap kali γ =d jumlah yang diharapkan
dari langkah-langkah yang diperlukan untuk menyelesaikan pencarian meningkat sebagai
fungsi polinomial dari ukuran sistem, tetapi ketika γ = d, meningkat sebagai polinomial
dari logaritma dari ukuran sistem.
Gambar 2 Bipartit (dua modus) jaringan afiliasi (tengah), didefinisikan dalam hal N
aktor milik kelompok M, bersama dengan unipartite (single mode) proyeksi ke set
download
08/18/05.
kelompok (atas) dan aktor (bawah). Sebuah koneksi dalam jaringan mode single
terjadi setiap kali dua aktor / kelompok berbagi setidaknya satu kelompok / aktor
pada
masing-masing.
Proyeksi unipartite dari jaringan bipartit acak dapat menjelaskan banyak

oleh Columbia
pengelompokan diamati pada jaringan data afiliasi empiris. Karena dua aktor yang
University
menurut definisi terhubung setiap kali mereka berbagi kelompok, proyeksi mode
single menunjukkan banyak geng yang tumpang tindih yang berkontribusi terhadap
270.
pengelompokan lokal yang tinggi, bahkan ketika individu memilih kelompok secara
acak. Selanjutnya, random bipartit net-karya hampir selalu memiliki pendek panjang
Putaran.
jalan global; sehingga kedua aktor afiliasi dan jaringan kelompok interlock pasti
akan jatuh di kelas-dunia kecil.
Selanjutnya, model afiliasi dasar telah umum dalam dua cara. Pertama, Newman
& Park (2003) telah diturunkan sejumlah hasil untuk jaringan acak affil-iation yang
mengikat antara aktor dalam proyeksi mode single hanya ada dengan probabilitas
yang proporsional dengan jumlah kelompok bersama dan di-versely sebanding
dengan ukuran masing-masing kelompok. Dan kedua, Watts et al. (2002) telah
mengusulkan sebuah model jaringan afiliasi umum di mana jarak antara kelompok
didefinisikan menurut beberapa jumlah dimensi sosial (misalnya, geografi dan
pendudukan), dan individu yang ditandai dengan koordinat kelompok mana mereka
berasal. Hubungan antara individu kemudian diizinkan untuk membentuk dengan
probabilitas yang tergantung pada jarak antara kelompok yang sesuai dan homophily
merdu (Lazarsfeld & Merton 1954) parameter yang bias interaksi menuju atau jauh
dari node yang sama. Mereka menemukan bahwa ketika kelompok diklasifikasikan
ac-cording ke lebih dari satu dimensi sosial dan ketika interaksi yang homophilous
250 WATT
dalam dimensi yang diberikan, maka tidak hanya jaringan yang dihasilkan sangat
clus-tered dengan path global yang pendek panjang, tetapi mereka juga dicari dalam
arti yang sama dengan yang diusulkan oleh Kleinberg (Watts et al. 2002). Sebuah
percobaan berbasis web terbaru (Dodds et al. 2003a) mereplikasi metode-dunia kecil
Milgram (Korte & Milgram 1970, Milgram 1967, Travers & Milgram 1969), tetapi
menggunakan e-mail di-manfaat dari surat kertas, tampaknya mendukung klaim dari
umum model dan afiliasi juga sebelumnya bekerja (Bernard et al 1988, Killworth &
Bernard 1978.) - bahwa rantai individu dapat menemukan target remote diberikan
hanya beberapa potong mengidentifikasi informasi seperti lokasi geografis dan
pendudukan.
Skala Bebas Networks

Sebuah perkembangan terpisah dalam literatur baru pada jaringan telah realisasi
tumbuh-ing bahwa dalam banyak jaringan dunia nyata, distribusi jumlah
download
08/18/05.
jaringan tetangga-tingkat distribusi-biasanya benar-miring dengan “ekor berat,”

pada
yang berarti bahwa mayoritas node memiliki kurang dari rata-rata derajat dan
bahwa sebagian kecil dari hub banyak kali lebih baik terhubung dari rata-rata.
deskripsi kualitatif ini dapat dipenuhi oleh beberapa fungsi matematika, tapi satu
sangat populer dalam literatur saat ini adalah kuasa hukum (Barabasi & Albert
oleh Columbia
1999), yang memiliki bentuk asimtotik

University
p(K)~ k-α . 2.
270.
Dengan kata lain, probabilitas yang dipilih secara acak simpul memiliki derajat k
meluruh seperti kekuatan k, di mana eksponen α, Biasanya diukur dalam rentang 2
Putaran.
<α
< 3, menentukan tingkat pembusukan (lebih kecil αmenyiratkan pembusukan
lebih lambat, maka distribusi yang lebih miring). Sebuah fitur yang
membedakan dari distribusi power-law adalah bahwa ketika diplot pada skala
logaritmik ganda, kuasa hukum muncul sebagai garis lurus dengan kemiringan
negatifα. Seperti yang ditampilkan secara skematis pada Gambar 3a, bentuk
garis lurus dari kuasa hukum kontras dengan distribusi normal (Gambar 3b),
yang kurva tajam di sebidang log-log, sehingga probabilitas dari sebuah node
memiliki gelar lebih besar daripada tertentu “ cutoff”nilai secara efektif nol.
Oleh karena itu Sebuah cutoff menyiratkan skala karakteristik untuk distribusi
tingkat jaringan, dan karena distribusi gelar kekuatan-hukum tidak memiliki
apapun seperti nilai cutoff, sering disebut distribusi skala bebas.
Distribusi yang didekati dengan hukum kekuasaan di ekor mereka telah pejantan-
ied selama lebih dari satu abad, awalnya sehubungan dengan distribusi kekayaan
(Mandelbrot 1960), tetapi kemudian dalam berbagai aplikasi, termasuk distribusi
ukuran spesies (Yule 1925) , frekuensi kata (Zipf 1949), kutipan ilmiah jumlah
(Harga 1965, Redner 1998), dan ukuran dari berbagai peristiwa alam [misalnya,
kebakaran hutan dan gempa bumi (Sornette 2000)] dan entitas sosial [misalnya,
perusahaan bisnis (Axtell tahun 2001, Simon & Bonini 1958) dan kota (Zipf 1949)].
Setelah memeriksa distribusi tingkat tiga jaringan-dunia nyata jaringan kolaborasi
a Wide Web, dan jaringan listrik trans-misi Amerika Serikat bagian barat-Barabasi &
k Albert (1999) menyimpulkan
t
o
r
f
i
l
m
,
s
t
r
u
k
t
u
r
l
i
n
k
d
a
r
i
b
a
g
i
a
n
d
a
r
i
W
o
r
l
d
Gambar 3 (A) UU Tenaga dengan eksponenα, Ketika diplot pada skala ganda-
logaritmik, muncul sebagai garis lurus dengan kemiringan negatifα. (B) A-jenis
normal distribusi (yaitu, dengan mean terbatas dan varians) diplot pada skala ganda-
logaritmik menampilkan cutoff didefinisikan dengan baik, di atas yang probabilitas
secara efektif nol.
bahwa ketiga dipamerkan ekor hukum kekuatan [klaim kemudian terbukti salah
download
08/18/05.
dalam kasus jaringan listrik (Amaral et al. 2000)], dan menciptakan istilah skala
pada
bebas jaringan untuk menggambarkan mereka.

Barabasi & Albert (1999) juga mengusulkan sebuah model matematika sederhana
(dikenal sebagai model BA) untuk menjelaskan pengamatan empiris mereka. Model-
a mereka kasus khusus dari model jauh lebih awal dikembangkan oleh Simon (1955)
dan kemudian diterapkan untuk kutipan jaringan dengan Harga (1980) -embodied
oleh Columbia
dua mekanisme: pertumbuhan penduduk dan lampiran preferensial. Intuisi di balik

University
mekanisme pertama adalah jelas: jaringan nyata tumbuh dalam waktu sebagai
anggota baru bergabung populasi. Mekanisme lampiran preferensial kemudian
270.
mengungkapkan gagasan, analog dengan “prinsip Gibrat” Simon (Simon 1955),

Merton “Matthew Effect” (Merton 1968), dan “keuntungan kumulatif” Harga ini
Putaran.
(Harga 1980), yang baru tiba node akan cenderung terhubung ke node yang sudah
baik-baik daripada node buruk terhubung. Secara khusus, Barabasi & Albert
didefinisikan probabilitas p (ksaya) Dari node yang ada i dengan ksaya link
menerima link baru sebagai p (ksaya) = cksaya(Di mana c adalah konstanta
normalisasi). Barabasi & Albert menunjukkan bahwa dalam jangka waktu yang
cukup lama, distribusi tingkat jaringan yang berkembang menunjukkan linear
preferensial melampirkan-ment akan berkumpul untuk sesuatu dalam bentuk
Persamaan 2 dengan eksponen
α = 3.
Sejumlah model berikutnya telah diusulkan bahwa memperluas tema dasar
pertumbuhan dengan lampiran preferensial.
1. Ketika salah penciptaan ikatan tambahan (Amaral et al. 2000) atau proses
mencari tetangga tambahan (Mossa et al. 2002) adalah mahal, distribusi
p ah skala dengan cutoff karakteristik ( “skala luas jaringan”), atau bahkan
o distribusi sempit
w
e
r
-
l
a
w
d
e
r
a
j
a
t
m
e
n
j
a
d
i
t
e
r
p
o
t
o
n
g
,
m
e
n
g
h
a
s
il
k
a
n
d
a
e
r
252 WATT
sekitar rata-rata didefinisikan dengan baik ( “-skala tunggal jaringan”),

tergantung pada biaya yang terlibat (Amaral et al. 2000).
2. Ketika node diberkahi dengan berbagai intrinsik “tarik” (Bianconi & Barabasi
2001), atau yang lain diizinkan untuk terus membuat dan melanggar ikatan
setelah bergabung jaringan (Bornholdt & Ebel 2001), maka setiap nilai
eksponen antara 2 dan 3 dapat diperoleh-hasil yang, tidak seperti nilai singular
dari 3 di atas, konsisten dengan eksponen empiris. Selanjutnya, tidak seperti
dalam model BA asli, node yang lebih tua tidak selalu lebih baik terhubung
dari penambahan lebih baru (Adam & Huberman 2000).
3. Daripada mengasumsikan lampiran preferensial sebagai fitur dasar
pertumbuhan jaringan, Krapivsky & Redner (2001) menunjukkan bahwa hal
itu dapat berasal dari lebih asumsi pertumbuhan dasar: (a) bahwa kedatangan
baru pilih anggota dari populasi yang ada seragam secara acak; dan (b) bahwa
dengan beberapa prob-kemampuan q mereka diarahkan oleh pilihan awal
download
08/18/05.
mereka ke salah satu tetangganya. Karena tetangga dari node yang dipilih
pada
secara acak dalam jaringan memiliki distribusi gelar yang sebanding dengan
kp (k) (Feld 1991, Newman 2003a), lin-
telinga lampiran preferensial berikut secara otomatis, kecuali bahwa setiap
5
eksponen antara 2 dan 3 dapat dihasilkan, tergantung pada pilihan q.
oleh Columbia
4. Krapivsky et al. (2000) juga menunjukkan bahwa meskipun lampiran

University
preferensial linear hanya satu dari banyak kemungkinan mekanisme lampiran

preferensial, itu adalah
270.
satu-satunya pilihan yang mengarah ke jaringan skala bebas. Jika,

misalnya, lampiran preferensial adalah sublinear [misalnya, p (ksaya) =
Putaran.
cksayaγ , dengan γ <1] maka distribusi tingkat yang dihasilkan

menunjukkan cutoff karakteristik; dan jika superlinear (γ> 1) kemudian
“pemenang” tunggal pasti akan menangkap sebagian kecil terbatas semua
sisi-an tersedia ketimpangan bahkan lebih ekstrim daripada tersirat oleh
distribusi power-law.
5. Akhirnya, pendekatan yang lebih umum untuk tumbuh jaringan acak yang
tidak memaksa pendatang baru untuk terhubung ke jaringan yang ada
telah diusulkan oleh Callaway et al. (2001), yang mengidentifikasi kondisi
pada tingkat relatif dari simpul dan penciptaan tepi untuk jaringan untuk
menunjukkan komponen terhubung raksasa, bukan dengan asumsi
(sebagai model BA asli tidak) bahwa setiap orang merupakan bagian dari
klaster tumbuh sama.
ANALISIS JARINGAN EMPIRIS

Kecil-Dunia dan Skala-Gratis Jaringan
Dirangsang oleh prediksi fitur universal jaringan, dan didorong oleh
meningkatnya secara cepat ketersediaan set data yang besar, banyak penulis
telah mengidentifikasi pendek panjang global yang jalan, clustering lokal yang
tinggi, dan derajat miring
identik dengan Simon (1955), meskipun dimotivasi berbeda.
5
A
n
e
h
n
y
a
,
m
o
d
e
l
K
r
a
p
i
v
s
k
y
&
R
e
d
n
e
r
(
2
0
0
1
)
t
e
r
n
y
a
t
a
m
a
t
e
m
a
t
i
s
Barabasi et al. 2000, Broder et al. 2000). Kurangnya relatif dari data jaringan
sosial dalam daftar ini dapat dikaitkan dengan kesulitan yang melekat dalam
rekaman interaksi sosial pada skala-masalah praktis besar yang luasnya
meningkatnya aktivitas online (sebagai sarana komunikasi-cating, melakukan
bisnis, merekam kegiatan , dll) dapat membantu setidaknya sebagian diatasi.
Motif jaringan
Dalam karya terbaru, Shen-Orr et al. (2002) dan Milo et al. (2002) telah
menambah eksplorasi struktur jaringan di luar kecil-dunia dan kategorisasi skala
bebas dengan pendekatan mereka mendeteksi apa yang mereka sebut motif-
topologi jaringan subgraphs yang berbeda yang frekuensi dalam jaringan dapat
digunakan untuk mengkarakterisasi struktur lokal. Dengan sistematis
pencacahan semua motif yang terdiri dari tiga dan empat node dalam sejumlah
jaringan, dan kemudian membandingkan jumlah yang dihasilkan dengan orang-
download
08/18/05.
orang untuk jaringan-acak teknik yang, untuk kasus motif tiga-node, adalah
pada
identik dalam semangat untuk sensus tiga serangkai Holland & Leinhardt (1981)
-Milo et al. diidentifikasi tiga kelas jaringan: (a) jaringan yang memproses
informasi (misalnya, jaringan gen, jaringan saraf C. elegans, dan chip logika
maju); (B) jaringan yang memproses energi (misalnya, jaring makanan); dan (c)
oleh Columbia
jaringan yang melambangkan komunitas pengetahuan (misalnya, World Wide

University
Web). Apakah jaringan sosial jatuh ke dalam salah satu kelas-kelas ini atau
merupakan satu atau lebih kelas tambahan masih harus dilihat.
270.
Struktur masyarakat
Putaran.
daerah lain kemajuan baru-baru ini telah di identifikasi struktur-komunitas skala

menengah analisis antara lokal (misalnya, clustering, motif net-work) dan global
(misalnya, konektivitas, panjang jalan) struktur. Standar ap-proaches struktur
masyarakat mengidentifikasi cenderung bergantung pada beberapa versi clustering
hirarkis (Wasserman & Faust 1994) -sebuah metode untuk partisi-ing jaringan
menjadi subset semakin mirip node, di mana berpasangan sim-ilarity dapat diukur
dalam hal dari, misalnya, kohesi (Moody & White 2003, White & Harary 2001) atau
kesetaraan (Lorrain & White 1971). Hierarchi-cal pengelompokan berdasarkan
ukuran kesamaan, bagaimanapun, memiliki kecenderungan untuk memisahkan diri
254 WATT
buruk terhubung node, yang mewakili mereka sebagai isolat bukan sebagai
anggota dari kelompok yang mereka akan alami terkait. Baru-baru ini, Girvan &
Newman (2002) telah memperkenalkan metode baru untuk mengidentifikasi
masyarakat struc-mendatang yang berangkat dari pendekatan standar dalam dua
cara: (a) bukan comput-ing berpasangan simpul kesamaan, mereka menghitung
tepi betweenness sentralitas [berbicara kasar, (1977) pengertian Freeman dari

betweenness sentralitas, tetapi diterapkan tepi bukannya node]; dan (b)
bukannya menambahkan tepi ke grafik kosong, mereka menghapusnya dari
grafik asli di urutan betweenness tertinggi pertama, recomputing betweenness
dari semua sisi yang tersisa setelah setiap penghapusan. Hasilnya adalah
peningkatan mencolok atas metode hierarchical clustering, yang mereka
membandingkan langsung dengan mereka sendiri untuk sejumlah jaringan tes.
Selain itu, mereka iden-tifikasi masyarakat yang masuk akal dalam jaringan
yang sebelumnya belum teruji, seperti kompetisi sepak bola NCAA dan
komunitas penelitian dari Santa Fe Institute. Subse-quently, Newman & Girvan
download
08/18/05.
(2003) telah menambah metode mereka untuk memasukkan berbeda-ent

pada
tindakan tepi sentralitas dan juga untuk mengoptimalkan algoritma tepi

penghapusan sehingga rasio untuk out-of-kelompok ikatan di-kelompok dalam
jaringan dipartisi dimaksimalkan.
oleh Columbia
University
Menafsirkan data empiris

270.
Ketika menafsirkan fitur-apakah struktural diukur lokal, global, atau komunitas-

hadir dalam jaringan data empiris, yang penting tetapi biasanya di-tampak
perbedaan adalah bahwa antara apa yang disebut “simbolis” jaringan, yang dapat
Putaran.
dianggap sebagai representasi jaringan hubungan abstrak antara entitas diskrit, dan
“interaktif” jaringan, yang link menggambarkan nyata interaksi yang-tions yang
mampu transmisi informasi, pengaruh, atau bahan. jaringan metabolisme reaksi,
jaringan kata, dan World Wide Web, misalnya, semua jaringan simbolik, sedangkan
jaringan saran, Internet, dan kekuatan trans-misi jaringan yang jelas jaringan
interaksi. Perbedaan ini relevan dengan interpretasi fitur struktural karena dalam
hubungan simbolis itu adalah fre-quently jelas bagaimana metrik jaringan seperti
derajat, panjang jalan, atau sentralitas harus ditafsirkan sehubungan dengan
konsekuensi mereka untuk beberapa proses begitu-cial, fisik, atau biologis tertentu.
Apa artinya, misalnya, bahwa setiap dua kata dalam tubuh besar teks dapat
“terhubung” melalui serangkaian pendek dari link, yang didefinisikan sebagai dua
kata co-terjadi dalam kalimat yang sama (Cancho & Sole 2001)? Dan bagaimana
hubungan ini berbeda dari dua kata yang sama yang terhubung melalui rantai pendek
hubungan semantik (Motter et al. 2002)? Atau dalam kasus jaringan kolaborasi aktor
film, direktur perusahaan, dan scientists- sering dikutip sebagai contoh jaringan
sosial-bagaimana seharusnya satu menginterpretasikan costarring dalam film versus
duduk bersama-sama di papan atau coauthoring kertas? Dalam semua likeli-hood,
hubungan ini melibatkan berbagai jenis interaksi sosial,
Dalam kasus jaringan interaksi, lain masalah yang sering diabaikan yang
menyandang pada interpretasi dari temuan empiris adalah berapa banyak node
sendiri bervariasi dalam kapasitas intrinsik mereka untuk mendukung koneksi.
Sebuah kertas banyak dikutip oleh Faloutsos et al. (1999), misalnya, meneliti
konektivitas Internet di dua skala yang berbeda dari analisis: pada tingkat router
(perangkat fisik yang benar-benar melakukan packet switching), dan pada tingkat
sistem otonom (koleksi router yang diberikan oleh organisasi yang sama dan
6
biasanya sesuai dengan nama domain; misalnya, columbia.edu dapat dianggap
sebagai sistem otonom tunggal). Dalam hal jaringan, di skala router, router adalah
node, dan link mewakili koneksi fisik antara router; dan pada skala sistem otonom,
domain adalah node, dan dua domain terkait jika ada router dalam satu domain
terhubung ke router yang lain. Faloutsos et al. (1999) mengklaim bahwa kedua
distribusi derajat hukum kekuatan jaringan pameran, dan klaim ini telah banyak
ditafsirkan untuk menyiratkan bahwa internet adalah skala bebas terlepas dari
pilihan representasi (Yook et al. 2002). Tapi hati-hati melihat data mereka
download
08/18/05.
mengungkapkan bahwa sedangkan node pada skala domain memang menunjukkan

varians besar dalam derajat, berkisar antara 1 dan 1000 dasi, router individu tidak
pada
7
pernah memiliki kurang dari 2 ikatan dan tidak pernah lebih dari 40. Selanjutnya,
eksponen distribusi peringkat-memerintahkan untuk gelar router sesuai dengan salah
8
satu dengan varians terbatas; karenanya, tidak skala bebas.
oleh Columbia
Berdasarkan hasil mereka sendiri, oleh karena itu, Faloutsos et al. Kesimpulan
University
seharusnya bahwa internet adalah skala bebas pada tingkat sistem otonom, tetapi
tidak pada tingkat router, di mana penjelasan kemungkinan adalah bahwa sistem
270.
otonom sendiri menunjukkan berbagai sistem otonom ukuran-besar sesuai dengan

organisasi besar yang menggunakan banyak router, sedangkan organisasi kecil
Putaran.
kembali quire hanya beberapa. Tentu, semakin banyak router yang terletak dalam
satu domain, semakin koneksi dapat mendukung ke domain lain; karenanya, sebagai
karya terbaru (Tangmunarunkit et al. 2001) menunjukkan, banyak dari varians
diamati dalam distribusi derajat dapat dijelaskan oleh varians dalam “ukuran” dari
node itu sendiri. Apa analisis jaringan tampaknya mengungkapkan, dengan kata lain,
mungkin bukan milik proses pertumbuhan jaringan sama sekali tetapi hanya sebuah
refleksi dari proses apapun menghasilkan distribusi ukuran organisasi yang router
Internet host (Simon 1955). Lebih umum, sifat artifactual atau epifenomenal dari
setidaknya beberapa
6
Meskipun ada beberapa ketidaksepakatan mengenai apakah sistem otonom dan domain
sebenarnya setara, mereka umumnya setuju untuk menjadi sekitar begitu, dan perbedaan
biasanya diabaikan (Faloutsos et al. 1999).
7
Angka-angka ini berlaku untuk internet pada tahun 1995, satu-satunya data router-
tingkat yang Foloutsos et al. (1999) ini, dan mungkin akan berbeda di Internet saat ini.
8
Jika γ adalah eksponen dari ekor distribusi peringkat-memerintahkan dan α adalah eksponen
untuk ekor fungsi kepadatan yang sesuai, maka tentu α = 1 + 1/ γ(Hasil ini mengikuti secara
otomatis dari definisi dari dua distribusi). Faloutsos et al. (1999) mengukur
γ < 0,5, sesuai dengan α> 3, yang menyiratkan varians yang terbatas dan karenanya
skala terbatas. Anehnya, Faloutsos et al. tidak membuat hubungan antaraα dan γ ,
Bukannya mengukur α independen, dengan (tidak konsisten) hasil yang α < 3.
256 WATT
Temuan jaringan empiris terbaru menunjukkan bahwa perawatan diperlukan bila

mengklaim fitur uni-versal jaringan, terutama ketika klaim tersebut meluas ke
dinamika kolektif sistem-the jaringan topik yang sekarang kita beralih.
JARINGAN DAN DINAMIKA BERSAMA

Tanpa ragu, struktur jaringan dunia nyata, dan evolusi daripadanya, adalah masalah
ilmiah yang sah resolusi umum yang menyajikan kita dengan pemodelan besar dan
tantangan empiris. Ini masih terjadi, bagaimanapun, bahwa jaringan yang menarik
untuk sosiolog (dan peneliti dalam disiplin lain juga) terutama karena mereka
diperkirakan untuk mempengaruhi individu (mikro) dan kolektif-tive (makro)
perilaku, serta hubungan antara dua. Pada tingkat individu, teori pertukaran jaringan
(Masak et al 1983, 1993;. Walker et al 2000;. Willer 1999), misalnya, telah
menunjukkan bahwa hasil dialami oleh aktor yang terlibat dalam pertukaran bilateral
download
08/18/05.
tidak hanya tergantung pada preferensi intrinsik mereka dan perbedaan status yang
pada
dirasakan, tetapi juga pada pola yang lebih besar dari hubungan (yaitu, jaringan) di
mana kedua pelaku yang tertanam. Dan pada tingkat kolektif, sosiolog sejak
Solomonoff & Rapoport (1951) telah menyadari bahwa sifat dan susunan ikatan
jaringan mungkin memainkan peran penting dalam mendorong penyebaran global
oleh Columbia
informasi dan penyakit (Boorman & Levitt 1980, Rapoport 1963), atau
University
memfasilitasi tindakan kolektif (Granovetter 1973). Sayangnya, meskipun kosakata

kekakuan-ous dan komprehensif dari struktur jaringan jelas merupakan bagian
270.
penting dari masalah-dan dengan demikian lebih besar kemajuan ini baru-baru ini
dalam hal yang pasti membantu-hubungan antara struktur jaringan dan konsekuensi
Putaran.
dinamis adalah sesuatu tetapi sederhana. Sebagai contoh, itu hampir pasti terjadi
bahwa rincian dari struktur jaringan (seperti dalam ukuran statistik seperti kepadatan
triad atau distribusi derajat) yang relevan dengan perilaku individu dan kolektif akan
tergantung pada sifat dari proses dinamis tertentu dalam penyelidikan (Watts 1999).
Oleh karena itu interaksi antara struktur jaringan dan dinamika kolektif merupakan
daerah yang menakutkan studi, di mana upaya telah dibuat hanya terbatas kemajuan.
Namun demikian, beberapa wawasan telah datang untuk proses dinamik yang sangat
sederhana seperti penyebaran penyakit dan informasi. mana upaya telah dibuat
hanya terbatas kemajuan. Namun demikian, beberapa wawasan telah datang untuk
proses dinamik yang sangat sederhana seperti penyebaran penyakit dan informasi.
mana upaya telah dibuat hanya terbatas kemajuan. Namun demikian, beberapa
wawasan telah datang untuk proses dinamik yang sangat sederhana seperti
penyebaran penyakit dan informasi.
penyakit Penyebaran
Banyak penyakit menular dari manusia menyebar baik melalui interaksi
manusia-ke-manusia atau manusia ke hewan; karenanya, model epidemiologi
infeksi tampak seperti daerah yang jelas dari aplikasi untuk ilmu jaringan, dan
untuk jaringan sosial pada khususnya. Ini mungkin datang sebagai kejutan,
karena itu, bahwa literatur tentang epidemiologi matematika telah membayar
sedikit perhatian ke struc-mendatang dari jaringan-apakah seksual,
p an-mana penyakit menular nyata menyebar. Sedangkan epidemiologi Clini-cal
e rutin menerapkan metode seperti pelacakan kontak yang inher-ently jaringan
r berorientasi (Klovdahl et al. 1994, Potterat et al. 1999), matematika
s
a
h
a
b
a
t
a
n
,
k
o
m
u
n
i
t
a
s
,
a
t
a
u
t
r
a
n
s
p
o
r
t
a
s
i
j
a
r
i
n
g
epidemiologi suka untuk mengembangkan pendekatan pemodelan yang

menganggap indi-individu yang terlibat dalam setiap campuran populasi tertentu
secara acak (Anderson & Mei 1991, Bailey 1975, Murray 1993).
Model dasar dari penyebaran penyakit, diperkenalkan oleh Kermack &
McKendrick (1927), dikenal sebagai model SIR mewakili tiga dasar kelas-rentan
(S), terinfeksi (I), dan dihapus (R) -yang setiap individu tertentu dapat menghuni
pada waktu par-TERTENTU. Dinamika yang sesuai adalah sebagai berikut: (a)
untuk setiap unit waktu di mana suatu rentan berada dalam kontak dengan infektif,
ia dapat terinfeksi dengan beberapa probabilitasβ(Menular dari penyakit); (B)
infectives dikeluarkan dari populasi di beberapa tingkat r (baik dengan mencapai
imunitas atau mati); dan (c) individu dihapus yang diinjeksikan kembali ke dalam
kolam rentan (melalui hilangnya kekebalan) di beberapa tingkat lainnyaρ. Populasi
S (t), I (t), dan R (t) [yang tentu berjumlah N (t), ukuran populasi] karena itu
mengandung semua informasi saat ini tentang keadaan sistem. Tapi karena tahap
download
infeksi membutuhkan kontak antara rentan dan infektif, asumsi tambahan (atau set
08/18/05.
asumsi) diperlukan untuk menentukan bagaimana individu dalam kelas yang

pada
berbeda berinteraksi. Dalam model dasar, asumsi sederhana yang dibuat-bahwa

individu berinteraksi ran-domly, dengan cara bahan kimia diaduk dalam gelas kimia.
Dengan demikian probabilitas yang rentan menghadapi sebuah infektif sebanding
dengan produk dari populasi S dan I, di mana koefisien interaksiγbiasanya
oleh Columbia
diperkenalkan untuk menentukan tingkat rata-rata interaksi berpasangan. Asumsi ini

University
secara dramatis menyederhanakan analisis berikutnya, menghasilkan dalam batas N

besar satu set persamaan diferensial nonlinear, yang baik dapat diselesaikan secara
270.
eksplisit (dalam kasus sepele) atau yang lain digunakan untuk menentukan negara-
negara keseimbangan penyakit (biasanya fraksi yang popu-lation yang terinfeksi)
Putaran.
untuk pengaturan parameter yang berbeda dan kondisi awal.
SIR Model pada Jaringan

Meskipun sebagian besar literatur epidemiologi matematika terdiri semakin
meningkat-ingly versi rumit dari model SIR dengan random pencampuran,
beberapa kemajuan telah dibuat dalam menganalisis perilaku mapan dari
beberapa model SIR-tipe sederhana di mana interaksi dijelaskan oleh jaringan.
Sebagian besar dari pekerjaan ini sampai saat ini difokuskan pada kelas umum
dari model jaringan acak di mana sifat-sifat seperti bentuk distribusi derajat dan
kecenderungan node tinggi derajat untuk mengasosiasikan dengan satu sama
lain (assortativity) dapat bervariasi sewenang-wenang (sebagai lawan grafik
Bernoulli acak, di mana mereka tetap), tapi itu tidak menunjukkan struktur lokal
atau masyarakat.
Awal bekerja dengan Kretschmar & Morris (1996) berfokus pada efek dari
hubungan bersamaan pada penyebaran penyakit menular seksual. Individu diizinkan
untuk memilih mitra secara acak tetapi terkendala dalam berapa banyak kemitraan
dapat dipertahankan secara bersamaan. Dengan memperbaiki tingkat rata-rata
jaringan pada k=1, Kretschmar & Morris menunjukkan bahwa ketika hubungan
bersamaan dilarang, jaringan tentu akan hancur menjadi N / 2 diad terisolasi,
sehingga membatasi setiap wabah penyakit. Tapi ketika kendala concurrency berada
258 WATT
Gambar 4 Perbandingan penyakit menyebar di Bernoulli (standar) dan jaringan

acak skala bebas. Fraksi kondisi mapan infectives menampilkan transisi fase yang
berbeda (yaitu, ambang epidemi) dalam kasus grafik acak Bernoulli, tapi tidak untuk
jaringan skala bebas.
download
08/18/05.
pada
mengangkat, varians yang dihasilkan di tingkat menyebabkan jaringan untuk

menunjukkan con-nected raksasa komponen, sehingga memungkinkan paling wabah
untuk mencapai sebagian kecil yang terbatas dari populasi. Pastor-Satorris &
Vespignani (2001) telah menambah Kretschmar & Morris pengertian concurrency
oleh Columbia
dengan menyelidiki penyakit menyebar di acak net-karya dengan distribusi power-

University
law derajat. Temuan utama mereka telah bahwa jaringan acak yang tak terbatas
menunjukkan distribusi derajat hukum kekuatan dengan mantan ponentα <3 tidak
270.
menunjukkan ambang epidemi diprediksi oleh seragam pencampuran model.

Sebaliknya, seperti ditunjukkan secara skematis pada Gambar 4, fraksi pop-
Putaran.
modulasi terinfeksi dalam model SIR standar terbatas untuk semua nilai non-nol dari
penularan-hasil yang Lloyd & Mei (2001) kemudian menunjukkan telah diturunkan
sebelumnya menggunakan metode yang berbeda (Anderson & Mei 1988). Mantan
planation adalah bahwa dalam jaringan skala bebas kehadiran hub yang sangat
terhubung (kira-kira setara dengan concurrency sangat tinggi dalam bahasa
Kretschmar & Morris) memastikan bahwa bahkan penyakit yang relatif jinak akan
menyebar luas jika mereka menginfeksi bahkan hub tunggal. Klaim bahwa jaringan
kontak seksual, pada kenyataannya, skala bebas (Liljeros et al. 2001),
bagaimanapun, telah kemudian dipertanyakan (Jones
& Handcock 2003), seperti memiliki tidak adanya ambang epidemi ketika
faktor-faktor seperti geografi (Warren et al. 2002), transitivitas (Eguiluz &
Klemm 2002), di-tenuation menular dari waktu ke waktu (Wu et al. 2004), dan
ukuran terbatas jaringan nyata (Mei & Lloyd 2001) diperhitungkan.
da
erah
lain
penye
lidika
n
aktif
meny
angku
t
asorta
tif
penca
mpur
an
dalam
rando
m
net-
karya,
di
mana
assort
ativit
y
menyi
ratkan
bahw
a
node
tinggi
deraja
t
cende
rung
dihub
ungka
n
proporsional untuk node tinggi-gelar lain (dalam jaringan disassortative, node tinggi
derajat cenderung dihubungkan ke node rendah derajat). Sejumlah langkah-langkah
dari assortativity telah diusulkan (Gupta et al. 1989, Maslov & Sneppen 2002,
Pastor-Satorras et al. 2001, Vazquez et al. 2002), tapi yang paling sederhana dan
paling flex-ible tampaknya bahwa dari Newman (2002, 2003b), yang
mendefinisikan itu dalam hal Pearson koefisien korelasi derajat node yang
9
berdekatan Definisi -a yang dapat diterapkan agak lebih umum untuk setiap atribut
skalar seperti usia, ras, dll (Newman 2003b). Survei berbagai jaringan dunia nyata,
Newman con-cluded bahwa jaringan sosial cenderung menunjukkan tingkat positif
korelasi-maka asortatif pencampuran-sedangkan jaringan teknologi dan biologi
(misalnya, jaringan listrik, internet, jaring makanan) yang disassortatively dicampur.
Menerapkan temuan ini untuk penyebaran penyakit, Newman menunjukkan bahwa
dalam jaringan dengan asortatif pencampuran, komponen terhubung raksasa
cenderung lebih kecil daripada di jaringan murni acak tetapi memiliki diameter yang
download
08/18/05.
sangat kecil dan juga sangat tahan terhadap DISCON-sambungan listrik. Ketika
pencampuran adalah disassortative, hasil yang berlawanan berlaku, dimana kedua
pada
Temuan ini konsisten dengan klaim sebelumnya mengenai dampak dari

assortativity,
Selain mempelajari jaringan acak, para sarjana telah membuat beberapa upaya
untuk mempelajari efek dari struktur jaringan lokal pada propagasi penyakit. Untuk
oleh Columbia
model SIR-tipe standar disesuaikan dengan menyebar pada jaringan-dunia kecil,

University
Watts & Strogatz (1998) menggunakan simulasi komputer untuk menunjukkan

bahwa bahkan kemungkinan kecil berlari-dom rewiring secara dramatis akan
270.
mengurangi penularan diperlukan suatu penyakit agar untuk menginfeksi sebagian

kecil yang terbatas dari populasi-hasil yang mirip dengan karya sebelumnya oleh
Putaran.
Ball et al. (1997). Selanjutnya, Watts & Strogatz menunjukkan bahwa untuk sangat
menular penyakit-yaitu, satu untuk yang epidemi global certainty- sebuah waktu
yang dibutuhkan untuk seluruh populasi terinfeksi adalah sekitar sebanding dengan
panjang jalan rata-rata jaringan dan karenanya sangat suscep-tible ke fraksi pintas
acak. Hasil awal telah disempurnakan kemudian oleh Newman & Watts (1999b) dan
Moore & Newman (2000a, b), yang digunakan model perkolasi setara (Stauffer &
Aharony 1992) untuk mempelajari dampak dari cara pintas acak pada ukuran mapan
epidemi di kisi satu dan dua dimensi. model serupa juga telah diusulkan oleh
Keeling (1999) dan Eames & Keeling (2002), dengan hasil yang sama. Dan
Kuperman & Abramson (2001) menemukan bahwa ketika pulih individu dalam
model SIR langsung menjadi resusceptible (disebut model SIS),
Sebuah hasil agak lebih umum model ini adalah gagasan dari panjang korelasi
jaringan, yang didefinisikan sebagai jarak antara ujung jalan pintas (Newman &
9
Dalam grafik acak Bernoulli, tingkat assortativity adalah dengan konstruksi nol; maka,
jaringan nyata dapat dicirikan sebagai asortatif atau disassortative sejauh bahwa mereka
menunjukkan tingkat korelasi positif atau negatif, masing-masing.
260 WATT
Watts 1999b). Panjang korelasi mengatur seberapa jauh dari sumbernya pengaruh
menular harus menyebar sebelum “terasa” efek dari cara pintas. Oleh karena itu wabah
penyakit dapat dibagi secara alami menjadi dua tahap: (a) fase pertumbuhan lokal di
mana penyebarannya diperlambat oleh redundansi hadir dalam topologi jaringan lokal
(misalnya, kisi a); dan (b) fase pertumbuhan global, di mana ia dapat menyebar secara
eksponensial di seluruh jaringan melalui cara pintas acak. Karena panjang korelasi
mengatur transisi dari lokal untuk pertumbuhan global, model ini menunjukkan bahwa
untuk menjadi efektif, strategi untuk mencegah epidemi harus fokus pada menghilangkan
bahkan shortcut yang sangat langka, sehingga memperpanjang pertumbuhan lokal untuk
selama mungkin. Panjang korelasi jaringan mungkin juga penting dari perspektif evolusi.
sepatu bot
& Sasaki (1999) telah mengamati bahwa vektor penyakit seperti malaria dan kolera
cenderung lebih ganas (yaitu, mereka membunuh tuan mereka cepat) dibandingkan
penyakit menular menyebar melalui kontak langsung. Penjelasan adalah bahwa
download
vektor penyakit secara historis mampu menyebar melalui jarak jauh connections-
08/18/05.
diangkut oleh nyamuk atau air mengalir, misalnya-sedangkan infeksi manusia ke

pada
manusia telah lebih dibatasi oleh kedekatan geografis dan karenanya harus bertahan
hidup lokal fase pertumbuhan sebelum mereka dapat mencapai status yang epidemi.
Penyakit yang mengandalkan kontak langsung karena itu akan berkembang virulensi
rendah, mereka berpendapat, agar tidak membakar diri sebelum mereka mencapai
oleh Columbia
panjang korelasi, sedangkan penyakit yang tidak dibatasi oleh fase pertumbuhan
University
lokal awal akan berkembang menjadi sangat mematikan. Boots &

270.
Contagion sosial
Sebuah varian penting tapi kurang dipelajari penularan berlaku untuk kelas model
Putaran.
yang berhubungan dengan pengambilan keputusan kolektif. Apakah dalam konteks

inovasi (Rogers 1995), teknologi bersaing (Arthur 1989), mode budaya (Banerjee
1992, Bikhchandani et al. 1992), norma-norma sosial dan konvensi (Young 1998),
kerjasama (Axelrod 1984, Sekilas & Huberman 1993), gangguan sosial (Lohmann
1994), atau pasar keuangan (Mackay 1932, Shiller 2000, Sornette 2003), individu
membuat keputusan sering memperhatikan tindakan atau keputusan dari individu
lain (Katz & Lazarsfeld 1955, Watts 2003). Oleh karena itu, agregasi individu untuk
pengambilan keputusan kolektif dapat dipahami dalam hal penularan sosial, di mana
keputusan “ditularkan” dari satu orang ke orang lain dengan cara mengingatkan
penyakit. Tidak seperti SIR-jenis model, Namun, yang sebagai-sume penularan
menjadi proses memori bebas, individu membuat keputusan dipengaruhi secara
bersamaan oleh masa lalu serta interaksi saat ini. Dalam model SIR, misalnya,
probabilitas rentan terinfeksi pada kontak dengan infektif adalah sama terlepas dari
berapa banyak infectives memiliki sebelumnya en-dimentahkan. Oleh karena itu,
probabilitas kumulatif infeksi lebih suksesi kontak terlihat kira-kira seperti Gambar
5a. Sebaliknya, probabilitas percaya rumor apokrif atau mengadopsi inovasi baru
dapat berubah secara dramatis pada sebuah probabilitas rentan terinfeksi pada
kontak dengan infektif adalah sama terlepas dari berapa banyak infectives memiliki
sebelumnya en-dimentahkan. Oleh karena itu, probabilitas kumulatif infeksi lebih
suksesi kontak terlihat kira-kira seperti Gambar 5a. Sebaliknya, probabilitas percaya
rumor apokrif atau mengadopsi inovasi baru dapat berubah secara dramatis pada
s dengan infektif adalah sama terlepas dari berapa banyak infectives memiliki
e sebelumnya en-dimentahkan. Oleh karena itu, probabilitas kumulatif infeksi lebih
b suksesi kontak terlihat kira-kira seperti Gambar 5a. Sebaliknya, probabilitas percaya
u rumor apokrif atau mengadopsi inovasi baru dapat berubah secara dramatis pada
a sebuah
h
p
r
o
b
a
b
i
l
i
t
a
s
r
e
n
t
a
n
t
e
r
i
n
f
e
k
s
i
p
a
d
a
k
o
n
t
a
k
Gambar 5 (A) Probabilitas kumulatif infeksi untuk model SIR-jenis meningkatkan sekitar
linear dengan jumlah eksposur untuk infectives-konsekuensi dari sifat memori bebas
diasumsikan infeksi biologis. (B) Dalam penularan sosial, keputusan yang mahal dan
dipengaruhi oleh memori interaksi masa lalu; maka, kemungkinan kumulatif “infeksi”
menunjukkan perilaku ambang batas seperti.
paparan kedua atau ketiga (atau berikutnya), sehingga menyerupai Gambar 5b,
di mana tiba-tiba melompat terjadi ketika individu “threshold” keyakinan
download
08/18/05.
terlampaui.
pada
model ambang semacam ini muncul secara luas (Boorman & Levitt tahun 1980,
Granovetter & Soong 1988, Schelling 1978, Watts 2003) dan dapat menampilkan
dinamika kolektif yang sangat berbeda dari model SIR-jenis yang dijelaskan di atas.
Ketika individu diasumsikan untuk mencampur secara acak, misalnya, model SIR
oleh Columbia
mengakui pos-tanggung bahwa epidemi dapat dipicu oleh bibit awal sangat kecil
(bahkan infektif tunggal mungkin cukup), sedangkan model yang mewujudkan
University
ambang trivial memerlukan massal kritis awal yaitu, sebagian kecil terbatas infeksi
270.
global yang populasi sebelumnya adalah mungkin (Dodds & Watts 2004). Dan
ketika penularan sosial terjadi melalui jaringan jarang, epidemi-kadang disebut
Putaran.
cascades- global yang hanya dapat terjadi karena penularan sosial ketika
konektivitas jaringan tidak terlalu jarang atau terlalu padat (Watts 2002). Ini adalah
kondisi yang terakhir yang mengejutkan karena dalam penularan biologis
konektivitas yang lebih besar selalu menyiratkan lebih besar pos-tanggung bahwa
penyakit akan menyebar. Dalam penularan sosial, bagaimanapun, konektivitas padat
menjadikan banyak individu tahan terhadap sinyal baru, sehingga quashing terjun
bahkan sebelum mereka dapat mulai. Konsekuensi lain dari meningkatkan
konektivitas jaringan acak jarang adalah bahwa kaskade menjadi lebih besar tetapi
semakin langka. Akibatnya, adalah mungkin untuk kaskade yang universal (yaitu,
satu yang mempengaruhi seluruh pop-modulasi) dipicu oleh guncangan acak yang,
apriori, tidak dapat dibedakan dari ratusan guncangan berbahaya (Watts 2002).
konektivitas padat menjadikan banyak individu tahan terhadap sinyal baru, sehingga
quashing terjun bahkan sebelum mereka dapat mulai. Konsekuensi lain dari
meningkatkan konektivitas jaringan acak jarang adalah bahwa kaskade menjadi
lebih besar tetapi semakin langka. Akibatnya, adalah mungkin untuk kaskade yang
u aitu, satu yang mempengaruhi seluruh pop-modulasi) dipicu oleh guncangan acak
n yang, apriori, tidak dapat dibedakan dari ratusan guncangan berbahaya (Watts
i 2002). konektivitas padat menjadikan banyak individu tahan terhadap sinyal baru,
v sehingga quashing terjun bahkan sebelum mereka dapat mulai. Konsekuensi lain
e dari meningkatkan konektivitas jaringan acak jarang adalah bahwa kaskade menjadi
r lebih besar tetapi semakin langka. Akibatnya, adalah mungkin untuk kaskade yang
s universal (yaitu, satu yang mempengaruhi seluruh pop-modulasi) dipicu oleh
a guncangan acak yang, apriori, tidak dapat dibedakan dari ratusan guncangan
l berbahaya (Watts 2002).
( jaringan Kekokohan
y
kelas lain dari proses yang berhubungan dengan jaringan yang telah menjadi
subyek perhatian baru-baru ini menyangkut asal-usul dan efek dari kegagalan
node. Apakah diterapkan
262 WATT
router di Internet, bandara di sistem udara-transportasi, atau individu dalam

sebuah organisasi besar, node dalam jaringan interaktif umumnya rentan baik
untuk endogen kegagalan-risiko yang naik secara dramatis setiap kali kapasitas
terbatas node untuk memproses informasi atau materi terlampaui oleh endogen
yang dihasilkan permintaan dan juga kegagalan eksogen, didorong misalnya
dengan rincian acak komponen, sakit, kecelakaan, bencana lingkungan, atau

bahkan serangan yang disengaja. Sebuah jaringan yang kuat adalah salah satu
yang menolak salah satu atau kedua jenis kegagalan, idealnya di bawah berbagai
kondisi lingkungan.
Dengan asumsi kegagalan eksogen, Albert et al. (2000) ditunjukkan dengan
simulasi komputer yang jaringan acak skala bebas dari jenis yang dihasilkan melalui
pertumbuhan dan preferensial lampiran pameran ketahanan yang lebih besar untuk
kegagalan acak dari grafik acak Bernoulli, di mana mereka didefinisikan ketahanan
sebagai ukuran komponen yang terhubung terbesar yang tersisa setelah tertentu
download
sebagian kecil dari node dalam jaringan telah dihapus. Ketika node dihapus secara
08/18/05.
istimewa, namun, dalam urutan dari tertinggi ke tingkat terendah, hasil yang
pada
berlawanan tergolong. Penjelasan untuk kedua hasil adalah bahwa konektivitas

jaringan skala bebas ditentukan hampir seluruhnya oleh sebagian kecil dari hub yang
sangat terhubung yang menempati ekor distribusi derajat. Karena kegagalan acak
relatif tidak mungkin untuk mempengaruhi hub, satu-satunya node yang cenderung
oleh Columbia
menjadi terputus adalah mereka yang gagal. Tapi ketika hub sengaja ditargetkan,
University
setiap kegagalan individu memiliki potensi untuk mempengaruhi konektivitas dari

seluruh jaringan. Berikutnya kerja (Callaway et al 2000;.. Cohen et al, 2000, 2001)
270.
telah mengkonfirmasi fitur dasar dari jaringan skala bebas dan memperpanjang
temuan ke kelas yang lebih umum dari distribusi derajat (misalnya, distribusi power-
Putaran.
law dengan celana terbatas) , dan juga untuk link serta kegagalan node (Callaway et
al. 2000).
Baru-baru ini, endogen kegagalan-karena, misalnya, untuk jaringan congestion-
sudah mulai dimasukkan ke dalam model ketahanan jaringan (Arenas et al, 2001;.
Dodds et al 2003b;. Goh et al, 2001;.. Guimera et al, 2001, 2002). Misalnya, Arenas
et al. (2001) telah menunjukkan bahwa ketika dipilih secara acak pasang dalam
pesan hierar-chy lulus murni satu sama lain, di mana node intermediate dikenakan
biaya kecil untuk setiap pesan diteruskan, maka pada tingkat kritis pesan lewat
jaringan con-gestion mengalami transisi fase (Newman & Barkema 1999), di atas
yang hampir semua pesan dihambat oleh terbatasnya kapasitas fraksi kecil dari node
di bagian atas hirarki. Dengan demikian kedua (Bolton & Dewatripont 1994, Radner
1993) model ekonomi tradisional (Williamson 1975) dan juga lebih baru dari
arsitektur internal perusahaan,
Baru-baru ini, Dodds et al. (2003b) telah mengusulkan sebuah model pertukaran
informasi dalam jaringan organisasi yang menggabungkan gagasan efisiensi
(dipahami secara kasar sebagai memaksimalkan kinerja dengan biaya minimal
menambahkan ikatan jaringan) dan ketahanan, menemukan bahwa algoritma
sederhana untuk menambahkan ikatan horizontal dan vertikal untuk murni backbone
hirarkis menghasilkan apa yang mereka sebut ultrarobust jaringan-jaringan
yang secara bersamaan meminimalkan kemungkinan kegagalan node individu

(karena kemacetan en-dogenously dihasilkan), dan juga dampak pada
konektivitas global yang dihasilkan dari kegagalan yang timbul baik penyebab
endogen atau eksogen. Kunci untuk ultrarobustness, mereka menemukan, adalah
bahwa jaringan organisasi harus menunjukkan ikatan nonhierarchical yang
memperluas di semua skala yang mendasari hierarchy- hasil kuantitatif yang

berdiri dalam perjanjian kualitatif dengan tubuh lama bekerja dalam sosiologi
organisasi (Luka bakar & Stalker 1961, Granovetter 1985, Lawrence & Lorsch
1967), dan juga konsisten dengan account baru-baru ini perusahaan-perusahaan
yang masih hidup bencana besar (Kelly & Stark 2002, Nishiguchi & Beaudet
2000).
KESIMPULAN
download
08/18/05.
Seperti yang saya harap ulasan ini telah membuat jelas, banyak ide dan metrik dari
pada
“baru” ilmu jaringan baik telah dipinjam dari, atau yang lain ditemukan kembali
inde-secara independen dari, garis keturunan yg kerja di matematika, ekonomi, dan
sosiologi. Sebagai contoh, intuisi bahwa beberapa acak “jalan pintas” di tengah-
tengah lingkungan lokal yang padat dapat menghasilkan struktur jaringan-dunia
oleh Columbia
kecil (Watts & Strogatz 1998) beruang kesamaan luar biasa untuk Rapoport (1963)
University
anal-ysis acak-bias jaring, yang terinspirasi (1973) penyelidikan Granovetter tentang

kekuatan hubungan lemah. Baru-baru ini berbasis internet eksperimen pencarian
270.
sosial (Dodds et al. 2003) secara eksplisit mengakui utang mereka untuk studi mani
Milgram (Korte
Putaran.
& Milgram 1970, Milgram 1967, Travers & Milgram 1969). The menemukan bahwa
pref-erential mekanisme lampiran dalam tumbuh jaringan dapat menyebabkan apa
yang sekarang disebut jaringan skala bebas (Barabasi & Albert 1999) ternyata
menjadi kasus khusus dari (1955) pelaksanaan Simon prinsip Gibrat, lebih dikenal di
Sosiologi -ogy sebagai Matthew Effect (Merton 1968), dan pertama kali diterapkan
ke jaringan oleh Harga (1980). klaim terkait yang sangat terhubung hub dalam
jaringan seksual dapat meningkatkan penyebaran penyakit menular (Pastor-Satorras
& Vespignani 2001) adalah equiv-alent temuan oleh Anderson & Mei (1988) yang
terkenal di masyarakat epidemiologi mathe-matical. Topik motif jaringan, yang
mendapat perhatian dalam ilmu biologi (Milo et al. 2002, Shen-Orr et al. 2002),
adalah, pada prinsipnya, identik dengan pendekatan sensus triad dari Holland &
Leinhardt (1981). Dan karya terbaru pada struktur jaringan ultrarobust (Dodds et al.
2003b) cocok menjadi garis panjang kerja dalam sosiologi organisasi dimulai
dengan Luka bakar & Stalker ini (1961) deskripsi dari organisasi organik.
Sebanyak itu memiliki kemiripan dengan pekerjaan sebelumnya, bagaimanapun,
apa yang baru tentang generasi sekarang penelitian terkait jaringan adalah sintesis
cepat muncul dan sangat interdisipliner dari teknik analisis baru, kekuatan com-
puting sangat besar yang lebih besar, dan volume belum pernah terjadi sebelumnya
dari empiris data. Sosiolog memiliki banyak keuntungan dari kemajuan ini, dan juga
banyak memberikan kontribusi. Sebagian besar pekerjaan dibahas dalam ulasan ini
b m fisika. Itu tidak mengherankan, fisika dan matematika biasanya mengarah
e
r
l
a
n
g
s
u
n
g
d
a
l
a
m
i
l
m
u
m
a
t
e
m
a
t
i
k
a
,
k
h
u
s
u
s
n
y
a
d
a
l
a
264 WATT
jalan metodologis, sedangkan ilmu biologi dan sosial ikuti dengan aplikasi. Tapi
dalam kasus ini, aliran ide-ide telah dua arah, dengan banyak ide-bukan inti
hanya aplikasi-yang datang dari Sosiologi-ogy. Fisikawan mungkin teknisi yang
mengagumkan, tetapi mereka sosiolog biasa-biasa saja. Dengan demikian, jika
ilmu jaringan adalah untuk hidup sampai dengan janji awal, kemudian yang lain
disiplin-sosiologi khususnya-harus menawarkan bimbingan dalam, misalnya, di-
terpretation temuan empiris dan teoritis, terutama dalam konteks aplikasi
kebijakan , dan juga dalam menyarankan langkah-langkah dan model yang
personaluseonly.
semakin meningkat-ingly relevan dengan masalah penting di tangan.
UCAPAN TERIMA KASIH

arjournals.annualreviews.org
Penulis mengakui dukungan dari National Science Foundation (SES-0.094.162),

Office of Naval Research, James S. McDonnell Foundation, Legg Mason Dana,
dan Columbia Kantor Inisiatif Strategis.
Review Tahunan Sosiologi adalah online di http://soc.annualreviews.org
PUSTAKA
08/18/05.
dari
Adam LA. 1999. kecil web dunia. Dalam Lec- memudahkan Manusia. Oxford: Oxford
download
mendatang Notes di Ilmu Komputer, pp. Univ. tekan

Untuk
pada
443-54. New York: Springer Arenas A, Diaz-Guilera A, Guimera R. 2001.

Adam LA, Huberman BA. 2000. Distribusi Komunikasi dalam jaringan dengan
Power-hukum dari World Wide Web. Ilmu percabangan hierarchi-cal. Phys. Rev. Lett.
287: A2115 86: 3196-99
Ahuja RK, Magnanti TL, Orlin JB. 1993. Net- Arthur WB. 1989. teknologi Bersaing, di-
oleh Columbia
karya Arus: Teori, Algoritma, dan Ap- kekusutan kembali, dan kunci-in oleh
University
komplikasi. Upper Saddle River, NJ: peristiwa sejarah. Econ. J. 99: 116-31
Prentice Hall Axelrod RM. 1984. Evolusi coopera-tion. New
270.
Albert R, Jeong H, Barabasi AL. 1999. York: Basic Books. 241 pp.
Diame-ter dari World Wide Web. Nature Axtell R. 2001. Distribusi Zipf dari ukuran
Putaran.
401: 130- 31 perusahaan AS. Ilmu 293: 1818-1820

Albert R, Jeong H, Barabasi AL. 2000. Bailey NTJ. 1975. Teori Matematika
Kesalahan dan toleransi serangan jaringan Penyakit Menular dan Aplikasi Its.
yang kompleks. Nature 406: 378-82 New York: Hafner
Amaral LAN, Scala A, Barthelemy M, Stanley Bola F, Mollison D, Scalia-Tomba G. 1997.
HE. 2000. Kelas jaringan-dunia kecil. Proc. Epi-demics dengan dua tingkat
Natl. Acad. Sci. USA 97: 11.149-52 pencampuran. Ann. Appl. Probab. 7: 46-89
Anderson C, Wasserman S, Crouch B. 1999. Banerjee AV. 1992. Sebuah model sederhana
A p*primer: model logit untuk jaringan dari kawanan menjadi-havior. QJ Econ.
sosial. Soc. Jar. 21: 37-66 107: 797-817
Anderson RM, RM Mei. 1988. parameter Barabasi AL. 2002. Terkait: The New Sci-
Epidemiologi-cal penularan HIV. Nature ence of Networks. Cambridge, MA:
333: 514-19 Perseus. 280 pp.
Anderson RM, RM Mei. 1991. Infeksi Non- Barabasi AL, Albert R. 1999. Munculnya
scaling dalam jaringan acak. Ilmu 286:
509-12
Barabasi AL, Albert R, Jeong H. 2000. Skala Newman MEJ, Strogatz SH. 2001. Grafik
bebas karakteristik jaringan acak: topologi Apakah berlari-domly tumbuh benar-benar
dari World Wide Web. Physica A 281: 69- acak? Phys. Wahyu E 6404: 041.902
77 Callaway DS, Newman MEJ, Strogatz SH,
Barrat A, weigt M. 2000. Pada sifat dari Watts DJ. 2000. Jaringan ketahanan dan
model jaringan-dunia kecil. Eur. Phys. J. B kerapuhan: perkolasi pada grafik acak.
13: 547-60 Phys. Rev. Lett. 85: 5468-71
Barthelemy M, Amaral LAN. 1999. jaringan Cancho RFI, Sole RV. 2001. dunia kecil bahasa
Kecil-dunia: bukti untuk crossover pic- manusia. Proc. R. Soc. London Ser.
mendatang. Phys. Rev. Lett. 82: 3180-83. B 268: 2261-65
Ralat. 1999. Phys. Rev. Lett. 82: 5180 Cohen R, Erez K, Ben-Avraham D, Havlin S.
Bernard HR, Killworth PD, Evans MJ, 2000. Ketahanan Internet untuk kerusakan
McCarty C, Shelley GA. 1988. ran-dom. Phys. Rev. Lett. 85: 4626- 28
Mempelajari sosial rela-tions lintas budaya.
Ethnology 27 (2): 155- 79 Cohen R, Erez K, Ben-Avraham D, Havlin S.
Bhan A, Galas DJ, Dewey TG. 2002. Sebuah 2001. Perincian Internet diserang Inten-tional.
model pertumbuhan du-lipatan jaringan Phys. Rev. Lett. 86: 3682-85
ekspresi gen. Bioinformatika 18: 1486- Masak KS, Emerson RM, Gillmore MR, Yam-
1493 agishi T. 1983. Distribusi kekuasaan di
Bianconi G, Barabasi AL. 2001. Persaingan jaringan pertukaran: teori dan hasil
dan multiscaling dalam jaringan eksperimen. Saya. J. Sosiologi. 89: 275-305
berkembang. Eu-rophys. Lett. 54: 436-42 Masak KS, Molm LD, Yamagishi T. hubungan
Bikhchandani S, Hirshleifer D, Welch I. 1993. Ex-perubahan dan jaringan pertukaran:
download
08/18/05.
1992. Sebuah teori mode, fashion, adat, dan perkembangan re-sen dalam teori pertukaran
pada
perubahan cul-tanian sebagai cascades sosial. Dalam Teoritis Program Penelitian:

informasi. J. Polit. Econ. 100: 992-1026 Studi di Teori Pertumbuhan, ed. J Berger, M
Bollobas B. 1998. modern Teori Grafik. New Zelditch,
York: Springer pp. 296-322. Stanford, CA: Stanford Univ.
Bolton P, Dewatripont M. 1994. Perusahaan tekan
oleh Columbia
sebagai jaringan komunikasi. QJ Econ. Davis GF, Yoo M, Baker KAMI. 2003. dunia
University
109: 809-39 kecil dari elit korporasi Amerika, 1982- 2001.

Boorman SA, Levitt PR. 1980. Genetika dari strateg. Organ. 1: 301-26
270.
Altruisme. New York: Academic. 459 pp. Degenne A, Forse M. 1994. Memperkenalkan
Boots M, Sasaki A. 1999. 'Dunia kecil' dan Jaringan Sosial. London: Sage
Putaran.
evolusi virulensi: Infeksi terjadi secara Dodds PS, Muhamad R, Watts DJ. 2003a.
lokal dan jarak jauh. Proc. R. Soc. Lon-don Sebuah studi eksperimental dari pencarian
Ser. B 266: 1933-1938 di jaringan sosial global. Ilmu 301: 827-29
Bornholdt S, Ebel H. 2001. World Wide Web Dodds PS, Watts DJ. 2004. Perilaku Universal
skala eksponen dari 1955 Model Simon. dalam model umum penularan. Phys. Rev.
Phys. Wahyu E 6403: 035.104 Lett. sedang dicetak
Broder A, Kumar R, Maghoul F, Raghavan P, Dodds PS, Watts DJ, Sabel CF. 2003b.
Rajagopalan S, et al. 2000. Struktur Grafik pertukaran infor-masi dan kekokohan
di web. Comput. Jar. 33: 309-20 jaringan atau-ganizational. Proc. Natl.
Buchanan M. 2002. Nexus: Worlds Kecil dan Acad. Sci. USA 100: 12.516-21
Groundbreaking Ilmu Networks. New Dorogovtsev SN, Mendes JFF. 2000. Tepat
York: Norton. 235 pp. dipecahkan jaringan-dunia kecil. Europhys.
Luka bakar T, Stalker GM. 1961. Manajemen Lett. 50: 1-7
Inovasi. London: Tavistock. 269 pp. Dunne JA, Williams RJ, Martinez ND. 2002.
Callaway DS, Hopcroft JE, Kleinberg JM, Struktur Makanan-web dan teori jaringan:
266 WATT
sinyal-transduksi tidak diketahui.
Genetika 159: 1291-1298
peran connectance dan ukuran. Proc. Natl. Tindakan Ekonomi Granovetter M. 1985. dan
Acad. Sci. Amerika Serikat99: 12.917-22 begitu-
Eames KTD, Keeling MJ. 2002. Pemodelan
dy-Namic dan jaringan heterogeneities
dalam penyebaran penyakit menular
seksual. Proc. Natl. Acad. Sci. USA 99:
13.330-35
Ebenhoh O, Heinrich R. 2003. desain
Stoikiometri jaringan metabolik: multifungsi-
ality, cluster, optimasi, lemah dan ketahanan
yang kuat. Banteng. Matematika. Biol. 65:
323-57
Eguiluz VM, Klemm K. 2002. Epidemi

thresh-tua di jaringan skala bebas
terstruktur. Phys. Rev. Lett. 89: 108.701
Faloutsos M, Faloutsos P, Faloutsos C. 1999.
Pada hubungan kekuasaan-hukum topologi
internet. Comput. Commun. Wahyu 29:
251- 62
Feld S. 1991. Mengapa teman Anda memiliki
teman lebih dari yang Anda lakukan. Saya.
J. Sosiologi. 96: 1464- 77
Frank O, Strauss D. 1986. Markov grafik.
download
08/18/05.
Selai. Stat. Assoc. 81: 832-42

pada
Freeman L. 1977. Sebuah set langkah-langkah

dari cen-trality berdasarkan betweenness.
Sosiometri 40: 35-41
Freeman LC, White DR. 1993. Menggunakan
Galois kisi untuk mewakili jaringan data.
oleh Columbia
Sosiologi. Methodol. 23: 127-46

University
Garfield E. 1979. Ini adalah dunia kecil

setelah semua. Dalam Essays of Information
270.
Scientist, ed. E Garfield, pp. 299-304.

Philadelphia, PA: ISI Girvan M, Newman
Putaran.
MEJ. 2002. Struktur komunitas di jejaring

sosial dan biologis.
Proc. Natl. Acad. Sci. Amerika Serikat99:
7821-26 NS Sekilas, Huberman BA. 1993.
Wabah
kerjasama. J. Math. Sosiologi. 17: 281-302 Goh
KI, Kahng B, Kim D. 2001. Universal menjadi-
havior dari distribusi beban di net- skala bebas
bekerja. Phys. Rev. Lett. 8727: 278.701
Goldberg DS, Roth FP. 2003. Menilai mantan
perimentally berasal interaksi di dunia
kecil. Proc. Natl. Acad. Sci. USA 100:
4372- 76
Gomez SM, Lo SH, Rzhetsky A. 2001. Prob-
abilistic prediksi jaringan metabolik dan
den-esensial segregasi, dan spiral keheningan.
Sosiologi. Methodol. 18: 69-104
str Granovetter MS. 1973. Kekuatan ikatan lemah.
ukt Saya. J. Sosiologi. 78: 1360-1380
ur Guelzim N, Bottani S, Bourgine P, Kepes F.
res 2002. struktur Topological dan kausal dari
mi: ragi jaringan regulasi transkripsi. Nat. Genet.
ma 31: 60-63
sal
Guimera R, Arenas A, Diaz-Guilera A. 2001.
ah
Komunikasi dan jaringan hirarkis optimal.
em
bed Physica A 299: 247-52
ded Guimera R, Diaz-Guilera A, Vega-Redondo F,
nes Cabrales A, Arena A. 2002. topologi Optimal
s. net-work untuk pencarian lokal dengan con-
Sa gestion. Phys. Rev. Lett. 89: 248.701
ya. Gupta S, Anderson RM, Mei RM. 1989. Net-karya
J. kontak seksual: implikasi untuk pola penyebaran
So HIV. AIDS 3: 807-17
sio Gupta S, Anderson RM, Mei RM. 1993. Model
log Matematika-ematical dan desain kebijakan
i. kesehatan masyarakat: HIV dan terapi
91: antivirus. SIAM Wahyu 35: 1-16
48 Holland PW, Leinhardt S. 1981. Sebuah
1- keluarga exponen-esensial dari distribusi
51 probabilitas untuk grafik diarahkan. Selai.
0 Stat. Assoc. 76: 33- 65
Gran Jeong H, Tombor B, Albert R, Oltval ZN,
ove Barabasi AL. 2000. skala besar
tter ORGANISASI-tion jaringan metabolik.
M, Nature 407: 651- 54
So Jones JH, Handcock MS. 2003. Penilaian lampiran
on preferensial sebagai mekanisme untuk
g pembentukan jaringan seksual manusia. Proc. R.
R. Soc. London Ser. B 270: 1123-1128
19
Katz E, Lazarsfeld PF. 1955. Pribadi Influ-ence:
88.
The Part Dimainkan oleh Orang-orang di
A
Aliran Komunikasi Massa. Glencoe, IL: Free
mb
Press. 400 pp.
ang
Keeling MJ. 1999. Efek dari tata ruang lokal
mo
pada invasi epidemiologi. Proc. R. Soc.
d-
London Ser. B 266: 859-67
els
Kelly J, Stark D. 2002. Krisis, pemulihan, inno-
kea
vasi: belajar dari 9/11. Mengepung. Rencana.
nek
A 34: 1523-1533
ara
ga
ma
n:
rest
ora
n
Ci
na,
resi
Kermack WO, McKendrick AG. 1927. analisis cal. Dalam Kebebasan dan Kontrol di
Sebuah con-tribution teori matematika Mod-ern Society, ed. M Berger, T Abel, C
epidemi. Proc. R. Soc. London Ser. A 115: Page,
700-21 pp. 18-66. New York: Van Nostrand
Killworth PD, Bernard HR. 1978. terbalik Liljeros F, Edling CR, Amaral LAN, Stanley
kecil percobaan dunia. Soc. Jar. 1: 159- 92 HE, Aberg Y. 2001. web kontak seks ual
Kleinberg J. 2000a. The-dunia kecil phe- manusia. Nature 411: 907-8
nomenon: perspektif algoritmik. Proc. 32 Lloyd AL, RM Mei. 2001. Epidemiology-
ACM Symp. Teori Comput., Hlm. 163- 70 bagaimana virus menyebar di antara
komputer dan orang-orang. Ilmu 292: 1316-
Kleinberg JM. 2000b. Navigasi di kecil 1317
dunia-lebih mudah untuk menemukan Lohmann S. 1994. Dinamika terjun informa-
rantai pendek poin menjadi-tween di tional: demonstrasi Senin di Leipzig,

beberapa jaringan daripada yang lain. Jerman Timur, 1989-1991. Dunia Polit. 47:
Nature 406: 845 42-101
Klovdahl AS, Potterat JJ, Woodhouse DE, Muth Lorrain FP, Putih HC. 1971. Struktur equiv-
JB, Muth SQ, Darrow WW. 1994. net-karya alence individu dalam jaringan sosial. J.
Sosial dan penyakit menular: studi Colorado Math. Sosiologi. 1: 49-80
Springs. Soc. Sci. Med. 38: 79-88 Mackay C. 1932. Luar Biasa Populer Delu-
Kogut B, Walker G. 2001. dunia kecil Jerman keputusan dan Madness of Crowds. Boston:
dan daya tahan net-karya nasional. Saya. Halaman. 724 pp.
Sosiologi. Wahyu 66: 317-35 Mandelbrot B. 1960. Hukum Pareto-Levy dan
Korte C, Milgram S. 1970. Kenalan link-ing distribusi pendapatan. Int. Econ. Wahyu 1:
download
08/18/05.
antara populasi putih dan Negro: penerapan 79-106

pada
masalah dunia kecil. J. Pribadi. Soc. Psychol. Maslov S, Sneppen K. 2002. Kekhususan dan
15: 101-18 stabilitas di topologi jaringan protein. Sci-
Krapivsky PL, Redner S. 2001. Organisasi ence 296: 910-13
tumbuh jaringan acak. Phys. Wahyu E Mungkin RM, Lloyd AL. 2001. Infeksi
6306: 066.123 dynam-ics pada jaringan skala bebas. Phys.
oleh Columbia
Krapivsky PL, Redner S, Leyvraz F. 2000. Wahyu E 6406: 066.112

University
Con-nectivity tumbuh jaringan acak. Phys. Merton RK. 1968. Efeknya Matius di sci-
Rev. Lett. 85: 4629-32 ence. Ilmu 159: 56-63
270.
Kretschmar M, Morris M. 1996. Ukuran Milgram S. 1967. Masalah dunia kecil.

concurrency dalam jaringan dan Psychol. Hari 2: 60-67
Putaran.
penyebaran penyakit menular. Matematika. Milo R, Shen-Orr S, Itzkovitz S, Kashtan N,

Biosci. 133: 165- 95 Chklovskii D, Alon U. 2002. Jaringan mo-
Kulkarni RV, Almaas E, Stroud D. 2000. hasil tifs: blok bangunan sederhana kompleks
Exact dan skala sifat jaringan-dunia kecil. net-karya. Ilmu 298: 824-27
Phys. Wahyu E 61: 4268-71 Montoya JM, Sole RV. 2002. Kecil dunia pat-
Kuperman M, Abramson G. 2001. efek dunia terns di jaring makanan. J. theor. Biol. 214:
Kecil dalam model epidemiologi. Phys. 405- 12
Rev. Lett. 86: 2909-12 Moody J, White DR. 2003. kohesi sosial dan
Lawrence PR, Lorsch JW. 1967. Organisasi dan embeddedness: konsep hirarki dari
Lingkungan: Mengelola Diferensiasi dan kelompok begitu-resmi. Saya. Sosiologi.
Integrasi. Boston: Div. Res. Grad. SCH. Bis. Wahyu 68: 1-25
Adm. Harvard Univ. 279 pp. Moore C, Newman MEJ. 2000a. Epidemi dan
Lazarsfeld P, Merton R. 1954. Persahabatan perkolasi dalam jaringan-dunia kecil. Phys.
proses sebagai begitu-cial: a substantif dan Wahyu E 61: 5678-82
methodologi- Moore C, Newman MEJ. 2000b. solusi yang
tepat dari situs dan perkolasi obligasi pada
jari
nga
n-
dun
ia
kec
il.
Phy
s.
Wa
hyu
E
62:
705
9-
64
268 WATT
Newman MEJ, Watts DJ. 1999a. analisis
kelompok Renormaliza-tion dari model
Morita S, Oshio K, Osana Y, Funabashi Y, jaring-kerja-dunia kecil. Phys. Lett. A 263:
Oka K, Kawamura K. 2001. struktur 341-46
geometris dari jaringan saraf dari elegans NewmanMEJ, WattsDJ.1999b.Scaling
Caeno-rhabditis. Physica A 298: 553-61
Mossa S, Barthelemy M, Stanley HE, Amaral
LAN. 2002. Pemotongan dari kuasa hukum
menjadi-havior dalam “skala bebas” model
jaringan karena penyaringan informasi.
Phys. Rev. Lett. 88: 138.701
Motter AE, de Moura APS, Lai YC, Dasgupta P.
2002. Topologi dari jaringan konseptual
bahasa. Phys. Wahyu E 65: 065.102
MurrayJD.1993.
Matematis Biologi.
Berlin: Springer-Verlag. ed 2.
Newman MEJ. 2001. Struktur jaringan
kerjasama ilmiah. Proc. Natl. Acad. Sci.
USA 98: 404-9
Newman MEJ. 2002. asortatif pencampuran
dalam jaring-karya. Phy. Rev. Lett. 89:
208.701
Newman MEJ. 2003a. Ego berpusat jaringan
dan efek riak. Soc. Jar. 25: 83- 95
download
08/18/05.
pada
Newman MEJ. 2003b. Pencampuran pola

dalam jaring-karya. Phys. Wahyu E 67:
026.126
Orang baru MEJ. 2003c. Struktur dan fungsi
jaringan yang kompleks. SIAM Wahyu 45:
oleh Columbia
167-256
University
Newman MEJ, Barkema GT. 1999. Metode

270.
Carlo Monte Fisika statistik. Oxford / New

York: Clarendon / Oxford Univ. Tekan. 475
Putaran.
pp.
Newman MEJ, Girvan M. 2003. Mencari dan
mengevaluasi struktur komunitas dalam
jaringan. http://xxx.lanl.gov/abs/cond-
mat/0308217
Newman MEJ, Moore C, Watts DJ. Solusi
2000. Berarti-bidang model jaring-kerja-
dunia kecil. Phys. Rev. Lett. 84: 3201-4
Newman MEJ, Taman J. 2003. Mengapa
sosial bersih-karya yang berbeda dari jenis
lain dari net-karya. Phys. Wahyu E 68:
036.122
Newman MEJ, Strogatz SH, Watts DJ. 2001.
grafik Acak dengan gelar sewenang-
wenang Distri-butions dan aplikasi mereka.
Phys. Wahyu E 6402: 026.118
E 60: 7332-42
Newman MEJ, Watts DJ, Strogatz SH. 2002.
d model grafik acak dari jaringan sosial. Proc.
a Natl. Acad. Sci. USA 99: 2566-72
n Nishiguchi T, Beaudet A. 2000. Fractal de-sign:
mengorganisir diri link dalam rantai pasokan.
p Dalam Pengetahuan Penciptaan: Sumber Baru
e
Nilai, ed. G Von Krogh, saya Nonaka, T
r
Nishiguchi, pp. 199-230. London: Macmillan
k
o Pastor-Satorras R, Vazquez A, Vespignani A.
l 2001. dinamis dan korelasi sifat dari Internet.
a Phys. Rev. Lett. 8725: 258.701 Pastor-
s Satorras R, Vespignani A. 2001. Epi-Demic
i menyebar di jaringan skala bebas.
d Phys. Rev. Lett.86: 3200-3
a Pattison P, Wasserman S. 1999. model Logit dan
l regresi logistik untuk jaringan sosial.
a II. hubungan multivariat. Br. J. Math. Stat.
m Psychol. 52: 169-93
IDE kolam renang, Kochen M. 1978. Kontak
m dan di-Fluence. Soc. Jar. 1: 1-48
o Potterat JJ, Rothenberg RB, Muth SQ. 1999.
d Jaringan asam dinamika struktur infec-tious
e propagasi penyakit. Int. J. STD AIDS 10:
l 182-85
j Harga DJdeS. 1965. Jaringan ilmiah pa-pers.
a Ilmu 149: 510-15
r
Harga DJdeS. 1980. Sebuah teori umum biblio-
i
metrik dan lainnya keuntungan kumulatif pro-
n
cesses. Selai. Soc. Inf. Sci. 27: 292-306
g
a Radner R. 1993. Organisasi decentral-ized
n pengolahan informasi. Econometrica 61:
- 1109-1146
d Rapoport A. 1951. Nets dengan Bias jarak.
u Banteng. Matematika. Biophys. 13: 85-91
n Rapoport A. 1953a. Penyebaran informasi
i melalui populasi dengan Bias sosial-
a struktural: I. Asumsi transitivitas. Banteng.
k Matematika. Biophys. 15: 523-33
e Rapoport A. 1953b. Penyebaran informasi
c melalui populasi dengan Bias sosial-
i struktural: II. Berbagai model dengan
l parsial peralihan-tivity. Banteng.
. Matematika. Biophys. 15: 535-46
P Rapoport A. 1957. Kontribusi untuk teori
h jaring acak dan bias. Banteng. Matematika.
y Biophys. 19: 257-77
s Rapoport A. 1963. Model matematika dari
.
W
a
h
y
u
Acara penting di Kompleks Keuangan

interaksi sosial. Dalam Handbook Psikologi
sistematis
Mathe-matical, ed. RD Luce, RR Bush, E
Galanter, 2: 493-579. New York: Wiley
Redner S. 1998. Bagaimana populer adalah
kertas Anda? Sebuah studi empiris dari
kutipan distribu-tion. Eur. Phys. J. B 4:
131-34
Robins G, Pattison P, Wasserman S. 1999.
model Logit dan regresi logistik untuk net-
karya sosial: III. hubungan dihargai.
Psychometrika 64: 371-94
Rogers EM. 1995. Difusi Inovasi.
New York: Free Press. 519 pp.

Schelling TC. 1978. Micromotives dan Makro-
perilaku. New York: Norton. 252 pp.
Schuster S, Pfeiffer T, Moldenhauer F, Koch
saya, Dandekar T. 2002. Menjelajahi
struktur jalan-jalan metabolisme:
dekomposisi menjadi subnetwork dan
aplikasi untuk Myco-plasma pneumoniae.
Bioinformatika 18: 351- 61
Scott J. 2000. Analisis Jaringan Sosial: A
pedoman. London: Sage
download
08/18/05.
Sen P, Dasgupta S, Chatterjee A, Sreeram

pada
PA, Mukherjee G, Manna SS. 2003. Sifat

Kecil-dunia jaringan kereta api India. Phys.
Wahyu E 67: 036.106
Shefi O, Golding saya, Segev R, Ben-Jacob
E, Ay-ali A. 2002. Karakterisasi morfologi
oleh Columbia
dari jaringan saraf in vitro. Phys. Wahyu E

University
66: 021.905
Shen-Orr SS, Milo R, Mangan S, Alon U.
270.
2002. motif Jaringan di transkripsi jaringan

regulasi-tion dari Escherichia coli. Nat.
Putaran.
Genet. 31: 64-68

ShillerRJ.2000.
Irasional Kemewahan.
Princeton, NJ: Princeton Univ. Tekan. 296 pp.
Simon HA. 1955. Pada kelas fungsi distribu-
tion miring. Biometrika 42: 425-40
Simon HA, Bonini CP. 1958. Ukuran dis-
tribution dari perusahaan bisnis. Saya.
Econ. Wahyu 48: 607-17
Solomonoff R, Rapoport A. 1951.
Konektivitas jaring acak. Banteng.
Matematika. Biophys. 13: 107- 17
Sornette D. 2000. Kritis Fenomena Ilmu Nat-
Ural. Berlin: Springer-Verlag
Sornette D. 2003. Mengapa Pasar Saham
Kecelakaan:
Govindan R, Jamin S, Shenker S, Willinger
tem
W. 2001. Apakah AS ukuran menentukan
s.
Pri gelar di AS topologi? Comput. Commun.
nce Wahyu 31: 7-10
ton Travers J, Milgram S. 1969. Sebuah studi
, eksperimental dari masalah dunia kecil.
NJ: Sociome-coba 32: 425-43
Pri Vazquez A, Pendeta-Satorras R, Vespignani A.
nce 2002. skala besar sifat topologi dan Dynami-
ton cal dari Internet. Phys. Wahyu E 65: 066.130
Un Vendruscolo M, Dokholyan NV, Paci E,
iv. Karplus M. pandangan 2002. Kecil-dunia dari
Te asam amino yang memainkan peran kunci
kan dalam protein folding. Phys. Wahyu E 65:
. 061.910
42 Wagner A. 2001. ragi jaringan interaksi protein
1 berkembang pesat dan mengandung beberapa
pp. berlebihan duplikat gen. Mol. Biol. Evol. 18:
tauf 1283-1292
fer Wagner A, Fell DA. 2001. dunia kecil di sisi
D, jaringan metabolik yang besar. Proc. R. Soc.
Ah London Ser. B 268: 1803-1810
aro
Walker HA, Thye SR, Simpson B, Lovaglia MJ,
ny
Willer D, Markovsky B. 2000. Jaringan teori
A.
pertukaran: perkembangan terakhir dan arah
19
baru. Soc. Psychol. Q. 63: 324- 36
92.
Pe Warren CP, Sander LM, Sokolov IM. 2002. Ge-
nga ography dalam model jaringan skala bebas.
nta Phys. Wahyu E 66: 056.105
r Wasserman S, Faust K. 1994. Analisis Jaringan
per Sosial: Metode dan Aplikasi. Cambridge, UK:
kol Cambridge Univ. tekan
asi Wasserman S, Pattison P. 1996. model Logit
Te dan regresi logistik untuk jaringan sosial.
ori. 1. Pengantar untuk grafik Markov dan p.
Lo Psychometrika 61: 401-25
nd Watt DJ. 1999. Worlds Kecil: Dinamika Jaringan
on: Antara Order dan Randomness. Princeton, NJ:
Ta Princeton Univ. tekan
ylo Watt DJ. 2002. Sebuah model sederhana dari
r& kaskade informasi pada jaringan acak. Proc.
Fra Natl. Acad. Sci. USA 99: 5766-71
nci
s
ang
mu
nar
un
kit
H,
Do
yle
J,
270 WATT
Watt DJ. 2003. Six Degrees: The Science of a chies: Analisis dan Antitrust Implikasi.
terhubung Umur. New York: Norton New York: Free Press
Watts DJ, Dodds PS, Newman MEJ. 2002. Wu F, Huberman BA, Adam IA, Tyler JR.
Iden-tity dan pencarian dalam jaringan mengalir 2004. Informasi dalam kelompok
sosial. Ilmu 296: 1302-5 sosial. Physica A: Stat. Mech. Appl. sedang
Watts DJ, Strogatz SH. 1998. Kolektif dy- dicetak
namics jaringan 'kecil-dunia. Nature 393: Wuchty S. 2002. Interaksi dan domain net-
440-42 karya ragi. Proteomik 2: 1715-1723
DB barat. 1996. Pengantar Teori Graph. Upper Yook SH, Jeong HW, Barabasi AL. 2002.
Saddle River, NJ: Prentice Hall Pemodelan topologi skala besar Internet.
Putih DR, Harary F. 2001. kekompakan blok Proc. Natl. Acad. Sci. USA 99: 13.382-86
di jaringan sosial: konektivitas dan HP muda. 1998. kontrak konvensional. Rev.
kepadatan bersyarat. Sosiologi. Methodol. Econ. Stud. 65: 773-92

31: 305-59 Yule GU. 1925. Sebuah teori matematika
Wilf H. 1994. Pembangkit Functionology. evo-lution, berdasarkan kesimpulan dari Dr
Lon-don: Akademik JC Willis, FRS Philos. Trans. R. Soc.
Willer D. 1999. Jaringan Pertukaran Teori. London Ser. B 213: 21-87
Westport, CT: Praeger Zipf GK. 1949. Perilaku Manusia dan-prinsip
Williamson OE. 1975. Pasar dan Hierar- ciple Usaha Least. Membaca, MA: Addison-
Wesley
download
08/18/05.
pada
oleh Columbia
University
270.
Putaran.
Ulasan tahunan Sosiologi
Volume 30, 2004
CONTENTS
Gambar muka-W. Richard Scott xii
PREFATORY Cab
Refleksi Setengah Abad Sosiologi Organisasi,
W. Richard Scott 1
download
08/18/05.
THEORY DAN METHODS

pada
Narasi Keterangan: Sebuah Alternatif untuk Penjelasan Variable-Centered?

Peter Abell 287
Nilai: Reviving sebuah Dormant Concept, Steven Hitlin dan
Jane Allyn Piliavin 359
oleh Columbia
Teori Durkheim dari Kategori Mental: Sebuah Tinjauan Bukti,

University
Albert J. Bergesen 395

270.
Model Panel di sosiologis Penelitian: Teori ke Praktik,

Charles N. Halaby 507
Putaran.
Sosial PROCESSES
“New” Science of Networks, Duncan J. Watts 243
Kohesi Sosial, Noah E. Friedkin 409
sayaNSTITUTIONS DAN CULTURE
Penggunaan Data koran dalam Studi Aksi Kolektif,
Jennifer Earl, Andrew Martin, John D. McCarthy,
dan Sarah A. Soule 65
Konsumen dan Konsumsi, Sharon Zukin dan Jennifer Smith Maguire 173
Produksi Budaya Perspektif, Richard A. Peterson dan N. Anand 311
Penjelasan endogen dalam Sosiologi Budaya, Jason Kaufman 335
POLITICAL DAN ECONOMIC SOCIOLOGY
Sosiologi Hak Kekayaan, Bruce G. Carruthers dan
Laura Ariovich 23
Protes dan Peluang Politik, David S. Meyer 125
Pengetahuan Ekonomi, Walter W. Powell dan Kaisa Snellman 199
v
vi ISI
Risiko baru untuk Pekerja: Wisma, Pasar Tenaga Kerja, dan Gender,
Kim M. Shuey dan Angela M. O'Rand 453
Organisasi advokasi dalam Proses AS Politik, Kenneth T. Andrews
dan Bob Edwards 479
Ruang dalam Studi Pasar Tenaga Kerja, Roberto M. Fernandez dan Celina
Su 545
DIFFERENTIATION DAN STRATIFICATION
Gender dan Bekerja di Jerman: Sebelum dan Sesudah Reunifikasi,
Rachel A. Rosenfeld, Heike Trappe, dan Janet C. Gornick 103
sayaNDIVIDUAL DAN SOCIETY
Sosiologi Sexualities: Queer dan Beyond, Joshua Gamson dan
Dawne Bulan 47
download
08/18/05.
DEMOGRAPHY
pada
Amerika Mengubah Garis Warna: Imigrasi, Ras / etnis, dan

Multiras Identifikasi, Jennifer Lee dan Frank D. Bean 221
URBAN DAN RURAL COMMUNITY SOCIOLOGY
oleh Columbia
Ayah Berpenghasilan Rendah, Timothy J. Nelson 427

University
PEBIJAKAN
270.
Menjelaskan Kriminalisasi: Dari Demografi dan Status Politik untuk

Globalisasi dan Modernisasi, Valerie Jenness 147
Putaran.
Sosiologi Terorisme, Austin T. Turk 271

HISTORICAL SOCIOLOGY
Perbandingan-Sejarah Metodologi, James Mahoney 81
sayaNDEXES
Indeks subjek 571
Indeks kumulatif Berkontribusi Penulis, Volume 21-30 591
Indeks kumulatif Judul Bab, Volume 21-30 595
ERRATA
Log online koreksi Ulasan Tahunan bab Sosiologi dapat ditemukan
di http://soc.annualreviews.org/errata.shtml

2 The New Network Science - En.id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

2 The New Network Science - En.id

Diunggah oleh

Hak Cipta:

Format Tersedia

Annu. Rev. Sosiologi. 2004.

TDIA “NEW”Science OF NETWORKS

Membangun tradisi panjang analisis jaringan dalam sosiologi dan antropologi

(Newman 2003c) untuk rincian matematika. Dan meskipun saya berkonsentrasi

MODEL JARINGAN STRUKTUR

mana setiap node terhubung ke k tetangga terdekat pada kisi-kisi, dan

p untuk model Watts-Strogatz dengan N= 1000, dan k= 10.

atau sebaliknya-seharusnya jaringan-dunia kecil. Mereka kemudian

7. Akhirnya, penulis menyatakan bahwa struktur jaringan dapat memiliki

keacakan diperlukan untuk besar, cepat menyebar epidemi terjadi. Dalam

kehadiran satu dimensi kisi-benar untuk setiap substrat-maka terhubung kondisi

daripada rewired), Newman et al. (2000) menunjukkan bahwa penambahan hanya

The algorithmic Kecil-Dunia Masalah

jalur pendek ada. Bahkan, Kleinberg membuktikan bahwa hanya ketikaγ = d,

kisi, sehingga muncul pertanyaan apakah seseorang dapat menjelaskan clustering,

metode alternatif menghasilkan jaringan dengan sifat-dunia kecil yang

Proyeksi unipartite dari jaringan bipartit acak dapat menjelaskan banyak

Skala Bebas Networks

jaringan tetangga-tingkat distribusi-biasanya benar-miring dengan “ekor berat,”

1999), yang memiliki bentuk asimtotik

bebas jaringan untuk menggambarkan mereka.

dua mekanisme: pertumbuhan penduduk dan lampiran preferensial. Intuisi di balik

mengungkapkan gagasan, analog dengan “prinsip Gibrat” Simon (Simon 1955),

sekitar rata-rata didefinisikan dengan baik ( “-skala tunggal jaringan”),

4. Krapivsky et al. (2000) juga menunjukkan bahwa meskipun lampiran

preferensial linear hanya satu dari banyak kemungkinan mekanisme lampiran

satu-satunya pilihan yang mengarah ke jaringan skala bebas. Jika,

cksayaγ , dengan γ <1] maka distribusi tingkat yang dihasilkan

ANALISIS JARINGAN EMPIRIS

jaringan yang melambangkan komunitas pengetahuan (misalnya, World Wide

daerah lain kemajuan baru-baru ini telah di identifikasi struktur-komunitas skala

tepi betweenness sentralitas [berbicara kasar, (1977) pengertian Freeman dari

(2003) telah menambah metode mereka untuk memasukkan berbeda-ent

tindakan tepi sentralitas dan juga untuk mengoptimalkan algoritma tepi

Menafsirkan data empiris

Ketika menafsirkan fitur-apakah struktural diukur lokal, global, atau komunitas-

mengungkapkan bahwa sedangkan node pada skala domain memang menunjukkan

otonom sendiri menunjukkan berbagai sistem otonom ukuran-besar sesuai dengan

Temuan jaringan empiris terbaru menunjukkan bahwa perawatan diperlukan bila

JARINGAN DAN DINAMIKA BERSAMA

memfasilitasi tindakan kolektif (Granovetter 1973). Sayangnya, meskipun kosakata

epidemiologi suka untuk mengembangkan pendekatan pemodelan yang

asumsi) diperlukan untuk menentukan bagaimana individu dalam kelas yang

berbeda berinteraksi. Dalam model dasar, asumsi sederhana yang dibuat-bahwa

diperkenalkan untuk menentukan tingkat rata-rata interaksi berpasangan. Asumsi ini

secara dramatis menyederhanakan analisis berikutnya, menghasilkan dalam batas N

untuk pengaturan parameter yang berbeda dan kondisi awal.

SIR Model pada Jaringan

Gambar 4 Perbandingan penyakit menyebar di Bernoulli (standar) dan jaringan

mengangkat, varians yang dihasilkan di tingkat menyebabkan jaringan untuk

dengan menyelidiki penyakit menyebar di acak net-karya dengan distribusi power-

menunjukkan ambang epidemi diprediksi oleh seragam pencampuran model.

Temuan ini konsisten dengan klaim sebelumnya mengenai dampak dari

model SIR-tipe standar disesuaikan dengan menyebar pada jaringan-dunia kecil,

Watts & Strogatz (1998) menggunakan simulasi komputer untuk menunjukkan

mengurangi penularan diperlukan suatu penyakit agar untuk menginfeksi sebagian

diangkut oleh nyamuk atau air mengalir, misalnya-sedangkan infeksi manusia ke

lokal awal akan berkembang menjadi sangat mematikan. Boots &

yang berhubungan dengan pengambilan keputusan kolektif. Apakah dalam konteks

router di Internet, bandara di sistem udara-transportasi, atau individu dalam

dengan rincian acak komponen, sakit, kecelakaan, bencana lingkungan, atau

berlawanan tergolong. Penjelasan untuk kedua hasil adalah bahwa konektivitas

setiap kegagalan individu memiliki potensi untuk mempengaruhi konektivitas dari