Sosyal Ağ Analizi: İlişki Yapılarını Haritalama ve Ölçme

Sosyal ağ analizi (Social Network Analysis, SNA), bireylerin, grupların veya örgütlerin aralarındaki ilişki yapılarını sistematik olarak haritalayan ve ölçen bir araştırma yöntemidir. Geleneksel araştırma yöntemlerinin bireylerin özelliklerine (nitelikler, tutumlar, davranışlar) odaklanmasından farklı olarak SNA, bireyler arasındaki ilişkilerin yapısını analiz birimi olarak ele alır. Cohen, Manion ve Morrison (2007), sosyal ağ analizinin "sosyal yapının görünmez mimarisini görünür kılan" bir yöntem olduğunu belirtir. Bu yazıda, SNA'nın temel kavramlarını, ölçülerini, veri toplama yöntemlerini, yazılımlarını ve uygulama alanlarını kapsamlı biçimde ele alacağız.

Sosyal Ağ Analizi Nedir?

Sosyal ağ analizi, sosyal yapıları düğümler (aktörler) ve bağlar (ilişkiler) aracılığıyla modelleyen ilişkisel bir perspektiftir. Jackson (2015), SNA'nın temel varsayımını şu şekilde özetler: "Bireylerin davranışları, yalnızca kendi özelliklerinden değil, içinde bulundukları ilişki ağının yapısından da etkilenir."

İlişkisel Perspektif

Geleneksel araştırmada bireyler birbirinden bağımsız gözlem birimleri olarak ele alınır. SNA'da ise birimler arası ilişkiler temel analiz nesnesidir. Bu perspektif değişimi önemli sonuçlar doğurur:

• Bağımsızlık varsayımı kalkar: Bireyler birbirinden bağımsız değildir; birbirleriyle etkileşim halindedir
• Yapısal konum önemlidir: Bireyin ağdaki konumu, davranışlarını ve fırsatlarını etkiler
• İlişki örüntüleri bilgi taşır: Kim kiminle bağlantılı, kim izole, kim köprü konumunda; bu yapısal bilgi değerlidir

Temel Kavramlar

Düğümler ve Bağlar

SNA'nın iki temel bileşeni düğümler (nodes/vertices) ve bağlar (ties/edges) olarak adlandırılır. Cohen, Manion ve Morrison'a (2007) göre:

• Düğümler (Aktörler): Ağdaki bireyler, gruplar, örgütler veya diğer varlıklar. Bir sınıfta öğrenciler, bir okulda öğretmenler veya bir sektörde firmalar düğüm olabilir
• Bağlar (İlişkiler): Düğümler arasındaki ilişkiler. Arkadaşlık, bilgi paylaşımı, iş birliği, mentorluk, güven ilişkisi gibi farklı türlerde olabilir

Bağ Türleri

Bağ Özelliği	Türler	Açıklama
Yön	Yönlü (Directed) / Yönsüz (Undirected)	Yönlü: A, B'ye bilgi gönderir (tek yön). Yönsüz: A ve B arkadaştır (karşılıklı)
Ağırlık	Ağırlıklı (Weighted) / Ağırlıksız (Unweighted)	Ağırlıklı: İlişkinin gücü veya sıklığı. Ağırlıksız: Var/yok ikili durumu
İşaret	Pozitif / Negatif	Pozitif: Arkadaşlık, güven. Negatif: Çatışma, rekabet
Çokluluk	Tekli (Simplex) / Çoklu (Multiplex)	Tekli: Tek tür ilişki. Çoklu: Aynı kişiler arası birden fazla ilişki türü

Düğüm Düzeyinde Ağ Ölçüleri

Düğüm düzeyinde ölçüler, her bir aktörün ağdaki konumunu ve önemini belirlemeye yardımcı olur. Jackson (2015), bu ölçülerin "ağdaki güç ve etki dağılımını" ortaya koyduğunu belirtir.

Derece Merkeziliği (Degree Centrality)

Bir düğümün sahip olduğu doğrudan bağ sayısıdır. Yönlü ağlarda iç-derece (gelen bağlar) ve dış-derece (giden bağlar) ayrımı yapılır. Derece merkeziliği yüksek olan aktörler ağda sosyal olarak aktif kabul edilir. Cohen, Manion ve Morrison'a (2007) göre bir sınıftaki en çok arkadaşlık bağına sahip öğrenci, derece merkeziliği en yüksek olan öğrencidir.

Arasındalık Merkeziliği (Betweenness Centrality)

Bir düğümün, diğer düğüm çiftleri arasındaki en kısa yollar üzerinde ne kadar sıklıkla bulunduğunu ölçer. Arasındalık merkeziliği yüksek olan aktörler köprü (broker) konumundadır; bilgi akışını ve kaynak dağılımını kontrol edebilirler. Jackson (2015), bu ölçünün özellikle bilgi yayılımı ve güç analizi için kritik olduğunu vurgular.

Yakınlık Merkeziliği (Closeness Centrality)

Bir düğümün, ağdaki tüm diğer düğümlere ortalama en kısa mesafesini ölçer. Yakınlık merkeziliği yüksek olan aktörler, ağdaki herkese hızlı biçimde ulaşabilir. Bu ölçü, bilgi yayılımında hız ve erişilebilirlik açısından önemlidir.

Özvektör Merkeziliği (Eigenvector Centrality)

Bir düğümün, yüksek merkeziliğe sahip diğer düğümlerle ne kadar bağlantılı olduğunu ölçer. Yalnızca bağ sayısı değil, bağlantılı olunan kişilerin ağdaki konumu da dikkate alınır. Cohen, Manion ve Morrison (2007), özvektör merkeziliğinin "etkili kişilerle bağlantılı olmanın" değerini yakaladığını belirtir. Google'ın PageRank algoritması, bu ilkeden esinlenmiştir.

Ağ Düzeyinde Ölçüler

Ağ düzeyinde ölçüler, ağın bütüncül yapısal özelliklerini tanımlar.

Yoğunluk (Density)

Ağdaki mevcut bağ sayısının, olası maksimum bağ sayısına oranıdır. Yoğunluk 0 ile 1 arasında değişir. Yoğunluğu 1 olan bir ağda herkes herkesle bağlantılıdır (tam ağ). Jackson (2015), yoğun ağlarda bilgi hızla yayılırken, yenilik ve çeşitlilik düşebileceğini belirtir.

Karşılıklılık (Reciprocity)

Yönlü ağlarda, karşılıklı bağların oranını ölçer. A, B'yi arkadaş olarak belirttiyse, B de A'yı belirlemiş midir? Karşılıklılık oranı, ağdaki güven ve dayanışma düzeyinin bir göstergesidir.

Geçişlilik (Transitivity)

Ağdaki üçgen kapanma oranını ölçer. A-B ve B-C arasında bağ varsa, A-C arasında da bağ olma olasılığı nedir? Cohen, Manion ve Morrison (2007), yüksek geçişlilik oranının "arkadaşımın arkadaşı benim de arkadaşımdır" ilkesinin geçerliliğini gösterdiğini belirtir.

Kümeleme Katsayısı (Clustering Coefficient)

Bir düğümün komşularının birbirleriyle ne kadar bağlantılı olduğunu ölçer. Yüksek kümeleme katsayısı, yerel olarak yoğun alt grupların (klik) varlığını gösterir.

Çap (Diameter)

Ağdaki herhangi iki düğüm arasındaki en uzun en kısa yolun uzunluğudur. Ağ çapı, bilginin ağın bir ucundan diğerine ulaşması için gereken minimum adım sayısını gösterir.

Ego Ağ Analizi

Ego ağ analizi, belirli bir bireyin (ego) doğrudan bağlantılarını (alter) ve bu bağlantılar arasındaki ilişkileri inceler. Jackson (2015), ego ağ analizinin tam ağ verisinin toplanamadığı durumlarda pratik bir alternatif sunduğunu belirtir. Ego ağı verileri genellikle anket yoluyla toplanır: Katılımcıdan belirli bir ilişki türündeki kişileri listelemesi (isim üreteci) ve bu kişiler arasındaki ilişkileri belirtmesi istenir.

Yapısal Boşluklar (Structural Holes)

Ronald Burt tarafından geliştirilen yapısal boşluklar kuramı, ağda birbirine bağlı olmayan kümeler arasındaki boşlukları kavramsallaştırır. Bu boşlukları köprüleyen aktörler, bilgi ve kaynaklara ayrıcalıklı erişim elde eder. Cohen, Manion ve Morrison'a (2007) göre yapısal boşluk kuramı, yeniliğin ve bilgi çeşitliliğinin kaynağını açıklamak için güçlü bir çerçeve sunar.

Zayıf Bağlar Gücü (Strength of Weak Ties)

Mark Granovetter'in klasik kuramı, zayıf bağların (tanıdıklar) güçlü bağlardan (yakın arkadaşlar) daha değerli bilgi taşıyabileceğini savunur. Jackson (2015), bu kuramın temel mantığını şöyle açıklar: Yakın arkadaşlarınız genellikle aynı çevreden gelir ve benzer bilgilere sahiptir. Ancak zayıf bağlarınız farklı sosyal çevrelere açılan kapılardır ve yeni, farklı bilgilere erişim sağlar. Bu kuram, iş bulma, yeniliğin yayılması ve topluluk mobilizasyonu gibi pek çok alanda doğrulanmıştır.

Homofilj (Homophily)

Homofilj ilkesi, bireylerin kendilerine benzer kişilerle bağ kurma eğiliminde olduğunu ifade eder. Yaş, cinsiyet, etnisite, eğitim düzeyi, meslek ve değerler bakımından benzer bireyler arasında ilişki kurma olasılığı daha yüksektir. Cohen, Manion ve Morrison (2007), homofilinin ağ yapısını ve bilgi akışını güçlü biçimde şekillendirdiğini belirtir.

Veri Toplama Yöntemleri

SNA için veri toplama, geleneksel sosyal bilim araştırmasından farklı özellikler taşır. Jackson (2015), temel veri toplama yöntemlerini şu şekilde sınıflandırır:

İsim Üreteci (Name Generator)

Katılımcıdan belirli bir ilişki türündeki kişileri listelemesi istenir. Örneğin: "Son bir yılda mesleki bir sorunla karşılaştığınızda danıştığınız kişileri listeleyiniz." Bu yöntem ego ağ verileri toplamak için yaygın olarak kullanılır.

Kadro Yöntemi (Roster Method)

Katılımcıya belirli bir grubun tam listesi (kadro) sunulur ve her kişiyle ilişki olup olmadığı sorulur. Cohen, Manion ve Morrison'a (2007) göre kadro yöntemi, sınıf veya örgüt gibi sınırları belirli gruplarda tam ağ verisi toplamak için idealdir.

Çevrimiçi Veri

Sosyal medya platformları (Twitter, Facebook, LinkedIn), e-posta kayıtları ve çevrimiçi forumlar, ilişki verilerinin dijital izlerini taşır. Bu veriler büyük ölçekli ağ analizleri için zengin kaynak oluşturur.

Sosyometrik Anketler

Jacob Moreno tarafından geliştirilen sosyometri, grup üyelerinin birbirlerine yönelik tercih ve reddetme ilişkilerini ölçer. Özellikle sınıf ve küçük grup araştırmalarında yaygın olarak kullanılır.

Görselleştirme Yazılımları

Yazılım	Tür	Güçlü Yönü	Uygun Kullanım
Gephi	Ücretsiz, açık kaynak	Güçlü görselleştirme, büyük ağlar, eklenti desteği	Keşifsel analiz, akademik araştırma, sunum
UCINET	Ticari	Kapsamlı istatistiksel analiz araçları	Akademik SNA araştırması, ileri istatistik
NodeXL	Ücretsiz (temel) / Ticari (pro)	Excel entegrasyonu, sosyal medya verisi	Başlangıç düzeyi, sosyal medya analizi
Pajek	Ücretsiz (akademik)	Çok büyük ağlar (milyonlarca düğüm)	Büyük ölçekli ağ analizi
NetworkX (Python)	Ücretsiz, açık kaynak	Programatik analiz, esneklik	Veri bilimi, algoritmik analiz
igraph (R/Python)	Ücretsiz, açık kaynak	İstatistiksel analiz, R entegrasyonu	İstatistiksel ağ modelleme

Uygulama Alanları

Eğitimde SNA

Cohen, Manion ve Morrison (2007), SNA'nın eğitim araştırmalarında giderek daha fazla kullanıldığını belirtir. Başlıca uygulama alanları şunlardır:

• Sınıf sosyal yapısı: Öğrenciler arası arkadaşlık, yardımlaşma ve çalışma ağları
• Öğretmen iş birliği: Okul içi ve okullar arası mesleki iş birliği ağları
• Bilgi paylaşımı: Profesyonel öğrenme topluluklarında bilgi akışı
• Çevrimiçi öğrenme: Çevrimiçi tartışma forumlarındaki etkileşim örüntüleri

Sağlıkta SNA

Jackson (2015), SNA'nın sağlık alanındaki temel uygulamalarını şu şekilde özetler:

• Hastalık yayılımı: Bulaşıcı hastalıkların sosyal ağlar aracılığıyla yayılma örüntüleri
• Sağlık davranışları: Sigara içme, obezite ve fiziksel aktivite gibi davranışların ağ etkisi
• Sağlık bilgisi akışı: Sağlık bilgisinin toplulukta nasıl yayıldığı

Örgütsel Araştırmada SNA

SNA, örgütsel yapıları resmi organizasyon şemasının ötesinde anlamak için güçlü bir araçtır:

• Gayri resmi iletişim ağları: Bilginin resmi kanallar dışında nasıl aktığı
• İnovasyon ağları: Yenilikçi fikirlerin örgüt içinde yayılma yolları
• Liderlik: Resmi liderler ile ağ merkezindeki gayrı resmi liderler arasındaki fark

Etik Hususlar

Cohen, Manion ve Morrison (2007), SNA araştırmalarının özel etik zorluklar barındırdığını vurgular:

• Gizlilik: İlişki verileri bireylerin sosyal dünyalarını ortaya koyar; bu veriler hassastır
• Tam katılım zorunluluğu: Ağ analizinin geçerliliği için grubun tamamının veya büyük çoğunluğunun katılımı gereklidir; bu durum gönüllülük ilkesiyle çelişebilir
• Üçüncü kişilerin adlandırılması: İsim üreteci yönteminde katılımcılar, çalışmaya dahil olmayan kişileri de adlandırabilir
• İzolasyon damgası: Analiz sonucunda ağda izole görünen bireyler olumsuz etkilenebilir
• Görselleştirme riski: Ağ haritaları, bireylerin konumlarını görünür kılar; yayın öncesi anonimleştirme gereklidir

SNA Sonuçlarının Raporlanması

Jackson (2015), SNA bulgularının raporlanmasında şu öğelerin yer alması gerektiğini belirtir:

1. Ağ tanımı: Düğümlerin ve bağların tanımı, ağ sınırlarının belirlenmesi
2. Veri toplama yöntemi: Kullanılan yöntem (isim üreteci, kadro, çevrimiçi veri), yanıt oranı
3. Ağ ölçüleri: Yoğunluk, merkezilik dağılımları, kümeleme katsayısı gibi temel ölçüler
4. Ağ görselleştirmesi: Ağ haritası ile yapısal örüntülerin görsel sunumu
5. Yorumlama: Ağ yapısının araştırma sorusuyla ilişkilendirilmesi
6. Sınırlılıklar: Eksik veri, sınır belirleme kararları ve genellenebilirlik kısıtlamaları

Sonuç

Sosyal ağ analizi, sosyal bilimlerde ilişkilerin yapısını sistematik olarak haritalayan ve ölçen güçlü bir araştırma yöntemidir. Merkezilik ölçüleri bireylerin ağdaki konumunu ve etkisini ortaya koyarken, yoğunluk ve geçişlilik gibi ağ düzeyinde ölçüler bütüncül yapısal özellikleri tanımlar. Granovetter'in zayıf bağlar kuramı ve Burt'un yapısal boşluklar yaklaşımı, ağ yapısının bilgi akışı ve fırsatlar üzerindeki etkisini kavramsallaştırır. Cohen, Manion ve Morrison'un (2007) vurguladığı gibi, SNA'nın gücü ilişkisel perspektifinden gelir: Bireyleri izole birimler olarak değil, birbirine bağlı sosyal yapıların parçaları olarak ele alır. Gephi, UCINET ve NetworkX gibi yazılımlar bu analizleri erişilebilir kılmakta, eğitim, sağlık ve örgütsel araştırmalarda giderek daha yaygın biçimde kullanılmaktadır. Jackson'ın (2015) belirttiği gibi, dijital çağda sosyal ağların önemi her geçen gün artmakta ve SNA, bu karmaşık ilişki yapılarını anlamak için vazgeçilmez bir araç olmaya devam etmektedir.