UNIVERSIDADE FEDERAL FLUMINENSE Latec - início

UNIVERSIDADE FEDERAL FLUMINENSE
Latec – Laboratório de Tecnologia,Gestão de Negócios e Meio-ambiente
Mestrado em Sistemas de Gestão
TATIANA BARBOSA DE AZEVEDO
ANÁLISE DE REDES SOCIAIS ATRAVÉS DE SOFTWARES
DE ARS E DE DATA MINING:
UM ESTUDO DE CASO EM TURMAS DE GRADUAÇÃO.
Niterói
2011
TATIANA BARBOSA DE AZEVEDO
ANÁLISE DE REDES SOCIAIS ATRAVÉS DE SOFTWARES
DE ARS E DE DATA MINING:
UM ESTUDO DE CASO EM TURMAS DE GRADUAÇÃO.
Dissertação apresentada ao Curso de
Mestrado de Sistema de Gestão da
Universidade Federal Fluminense como
requisito parcial para a obtenção do
grau de Mestre em Sistemas de Gestão.
Área de concentração Qualidade total.
Linha de Pesquisa:
Gestão do
Conhecimento
e
Sistema
de
Informação.
Orientador: Prof. Dr. Martius Vicente Rodriguez Y Rodriguez
Ao meu querido marido Júlio, que sempre me
incentivou, “cobrou” e motivou.
Ao meu pai Tião, que mesmo depois de sua “partida”, continua
demonstrando o valor de sua rede de amizades.
A minha mãe Sonia, minha irmã Alessandra e minha sobrinha Laís,
que sempre estiveram ao meu lado me apoiando.
E principalmente aos meus filhos Letícia e Heitor que dividiram sua mãe
com os livros, aulas, viagens e estudos.
AGRADECIMENTOS
Para agradecer nesse momento, torna-se necessário fazer um retrocesso
em minha memória. Recordar as barreiras que enfrentei durante esse período de
estudo: transferência do curso de Juiz de Fora para Niterói, cancelamento de aulas
em decorrência da gripe suína, crise mundial (arrocho), troca de orientador,
suspeita de câncer, cirurgia...
Hoje, olhando para trás, agradeço muito ao responsável por tudo isso:
DEUS. As barreiras e dificuldades do percurso tornaram tudo mais intenso. A
alegria de superar cada medo e desafio, transformou cada etapa mais prazerosa e
digna de comemoração.
Agradeço também à minha maravilhosa família, que esteve ao meu lado me
apoiando incondicionalmente em todos os dias de minha vida.
Aos meus colegas Virgínia, Lúcia, Adalberto e Ormeu que foram tão
importantes nesse processo.
Agradeço também o apoio recebido do CEFET, que tornou esse sonho
possível.
Quero destacar ainda, meu encontro com meu orientador, que com sua
simplicidade e ao mesmo tempo grandeza de atitude, se dispôs a dividir parte de
seu imenso conhecimento comigo. No momento em que o conheci, compreendi o
principal conceito das redes sociais informais. Onde pessoas, como ele, se
dispõem a trocar seus conhecimentos com meros desconhecidos, pela simples
razão de estarem relacionados em uma mesma rede social.
Muito Obrigada !
“Todo homem que encontro é superior a mim em alguma
coisa. E nesse particular eu aprendo dele.”
Emerson
"Fale, e eu esquecerei; ensine-me, e eu poderei lembrar;
envolva-me, e eu aprenderei."
Benjamin Franklin
RESUMO
Esse estudo relata os principais conceitos metodológicos da análise de redes
sociais e das ferramentas de mineração de dados – data mining. Embasado
nesses conceitos, foi elaborado um estudo de redes sociais informais, formadas
por discentes de instituições e cursos de graduação distintos. Para o
desenvolvimento desse trabalho foi feita a identificação do grupo a ser analisado,
definição do problema, elaboração e aplicação de um questionário qualitativo nas
redes. Baseado nesse questionário, foi feito o mapeamento das redes, através de
software de análise de redes sociais (ARS), que possibilitou a identificação dos
atores principais de cada uma das redes. Posteriormente, foi criada uma base de
dados com os principais atributos coletados dos indivíduos das distintas redes.
Nessa base foram aplicadas técnicas de data mining, para uma análise descritiva
e preditiva dos atributos dos conectores centrais na busca de identificar o perfil dos
atores principais das redes. Os resultados desse estudo demonstrarão a relação
entre as características dos indivíduos e sua forma de participação na rede social.
Palavras-chave: redes sociais, análise de redes sociais, softwares ARS,
mineração de dados.
ABSTRACT
This study reports the main methodological concepts of social network analysis
tools and data mining. Based upon these concepts, we designed a study of
informal social networks, formed by students from different institutions and different
undergraduate courses. To develop this, work was done to identify the group to be
analyzed, to define the problem, to develop and implement a qualitative
questionnaire on social networks. Based on this survey was the mapping of
networks, using software social network analysis (SNA), which identified the main
actors in each network. Subsequently, we created a database with the key
attributes of the individuals collected from different networks. On this basis data
mining techniques for descriptive and predictive analysis of the attributes of power
connectors were applied in order to identify the profile of the main actors of the
networks.
These
results
demonstrate
the
relationship
between
patient
characteristics and form of participation in social networks.
Keywords: social networks, social network analysis, SNA software, data mining.
LISTA DE FIGURAS
Figura 01 - Representação de uma rede de elementos interligados. .....................26
Figura 02 - Origem da Análise de Redes Sociais...................................................28
Figura 03 - O Sociograma de Moreno. ...................................................................29
Figura 04 - Representação gráfica de Rede...........................................................38
Figura 05 - Dimensões estrutural e relacional das redes sociais. ..........................43
Figura 06 - Exemplo de uma rede mapeada pelo Software Visone. ......................47
Figura 07 - Exemplo de mapeamento de rede. ......................................................51
Figura 08 - Relação entre Base de Dados, D.W. e Mineração de Dados ............. 56
Figura 09 - Recursos envolvidos na Mineração de Dados. ....................................57
Figura 10 - Etapas do processo de mineração.......................................................59
Figura 11 - Taxonomia de Tarefas de Mineração de Dados. .................................61
Figura 12 - Taxonomia de itens em um supermercado. .........................................62
Figura 13 - Tipologia da pesquisa. .........................................................................67
Figura 14 - Etapas da pesquisa..............................................................................69
Figura 15 - Análise Estrtural da Rede de Trabalho - Turma 1. ...............................79
Figura 16 - Análise Estrutural da Rede de Confiança - Turma 1. ...........................84
Figura 17 - Análise Estrutural da Rede de Amizade - Turma 1. .............................89
Figura 18 - Análise Estrtural da Rede de Trabalho - Turma 2. ...............................94
Figura 19 - Análise Estrutural da Rede de Confiança - Turma 2. ...........................99
Figura 20 - Análise Estrutural da Rede de Amizade - Turma 2. ...........................104
Figura 21 - Análise Estrtural da Rede de Trabalho - Turma 3. .............................109
Figura 22 - Análise Estrutural da Rede de Confiança - Turma 3. .........................115
Figura 23 - Análise Estrutural da Rede de Amizade - Turma 3. ...........................120
Figura 24 - Pré-processamento dos dados. .........................................................127
Figura 25 - Gráfico de projeção dos atributos do conjunto de dados analisados,
classificados por Satisfação. ................................................................................127
Figura 26 - Atributos do Arquivo Conectores, que será estudado. .......................128
Figura 27 - Estatísticas do atributo Idade.............................................................129
Figura 28 - Estatísticas do atributo Sexo..............................................................130
Figura 29 - Estatísticas do atributo Timidez. ........................................................131
Figura 30 - Estatísticas do atributo Liderança. .....................................................132
Figura 31 - Estatísticas do atributo Trabalho Equipe............................................133
Figura 32 - Estatísticas do atributo Nota. .............................................................134
Figura 33 - Estatísticas do atributo Frequência. ...................................................135
Figura 34 - Estatísticas do atributo Pontualidade. ................................................136
Figura 35 - Estatísticas do atributo Satisfação. ....................................................137
Figura 36 - Estatísticas do atributo Livros. ...........................................................138
Figura 37 - Estatísticas do atributo Tipo Escola. ..................................................139
Figura 38 - Atributos correlacionados...................................................................140
Figura 39 - Aplicação do algoritmo K-means.......................................................144
Figura 40 - Aplicação do algoritmo K-means com valor de K = 3.........................145
Figura 41 - Gráfico de 3 clusters, com eixo X Trabalho Equipe e eixo Y Notas ...148
LISTA DE QUADROS
Quadro 01 - Temas estudados sobre Redes Sociais. ............................................33
Quadro 02 - Perspectiva abordando características estruturais de rede................38
Quadro 03 - Perspectiva abordando características estruturais da rede, analisando
também coesão e mapeamento de grupos . ..........................................................39
Quadro 04 - Perspectiva centrada em egos. ..........................................................40
Quadro 05 - Características dos Softwares ARS. ..................................................47
Quadro 06 - Densidade da Rede de Trabalho - Turma 1. ......................................77
Quadro 07 - Centralidades de Entrada e Saída dos atores da Rede de Trabalho Turma 1. .................................................................................................................78
Quadro 08 - Centralidades de Intermediação dos atores da Rede de Trabalho Turma 1. .................................................................................................................80
Quadro 09 - Centralidade de Bonacich dos atores da Rede de Trabalho Turma 1. .................................................................................................................80
Quadro 10 - Densidade da Rede de Confiança - Turma 1. ....................................82
Quadro 11 - Centralidades de Entrada e Saída dos atores da Rede de Confiança Turma 1. .................................................................................................................83
Quadro 12 - Centralidades de Intermediação dos atores da Rede de Confiança Turma 1. .................................................................................................................84
Quadro 13 - Centralidade de Bonacich dos atores da Rede de Confiança Turma 1. .................................................................................................................85
Quadro 14 - Densidade da Rede de Amizade - Turma 1. ......................................87
Quadro 15 - Centralidades de Entrada e Saída dos atores da Rede de Amizade Turma 1. .................................................................................................................88
Quadro 16 - Centralidades de Intermediação dos atores da Rede de Amizade Turma 1. .................................................................................................................89
Quadro 17 - Centralidade de Bonacich dos atores da Rede de Amizade - Turma 1.
...............................................................................................................................90
Quadro 18 - Densidade da Rede de Trabalho - Turma 2. ......................................92
Quadro 19 - Centralidades de Entrada e Saída dos atores da Rede de Trabalho Turma 2. .................................................................................................................93
Quadro 20 - Centralidades de Intermediação dos atores da Rede de Trabalho Turma 2. .................................................................................................................94
Quadro 21 - Centralidade de Bonacich dos atores da Rede de Trabalho Turma 2. .................................................................................................................95
Quadro 22 - Densidade da Rede de Confiança - Turma 2. ....................................97
Quadro 23 - Centralidades de Entrada e Saída dos atores da Rede de Confiança Turma 2. .................................................................................................................98
Quadro 24 - Centralidades de Intermediação dos atores da Rede de Confiança Turma 2. .................................................................................................................99
Quadro 25 - Centralidade de Bonacich dos atores da Rede de Confiança Turma 2. ...............................................................................................................100
Quadro 26 - Densidade da Rede de Amizade - Turma 2. ....................................102
Quadro 27 - Centralidades de Entrada e Saída dos atores da Rede de Amizade Turma 2. ...............................................................................................................103
Quadro 28 - Centralidades de Intermediação dos atores da Rede de Amizade Turma 2. ...............................................................................................................104
Quadro 29 - Centralidade de Bonacich dos atores da Rede de Amizade - Turma 2.
.............................................................................................................................105
Quadro 30 - Densidade da Rede de Trabalho - Turma 3. ....................................107
Quadro 31 - Centralidades de Entrada e Saída dos atores da Rede de Trabalho Turma 3. ...............................................................................................................108
Quadro 32 - Centralidades de Intermediação dos atores da Rede de Trabalho Turma 3. ...............................................................................................................110
Quadro 33 - Centralidade de Bonacich dos atores da Rede de Trabalho Turma 3. ...............................................................................................................111
Quadro 34 - Densidade da Rede de Confiança - Turma 3. ..................................113
Quadro 35 - Centralidades de Entrada e Saída dos atores da Rede de Confiança Turma 3. ...............................................................................................................114
Quadro 36 - Centralidades de Intermediação dos atores da Rede de Confiança Turma 3. ...............................................................................................................116
Quadro 37 - Centralidade de Bonacich dos atores da Rede de Confiança Turma 3. ...............................................................................................................116
Quadro 38 - Densidade da Rede de Amizade - Turma 3. ....................................118
Quadro 39 - Centralidades de Entrada e Saída dos atores da Rede de Amizade Turma 3. ...............................................................................................................119
Quadro 40 - Centralidades de Intermediação dos atores da Rede de Amizade Turma 3. ...............................................................................................................121
Quadro 41 - Centralidade de Bonacich dos atores da Rede de Amizade - Turma 3.
.............................................................................................................................122
Quadro 42 - Arquivo de entrada no WEKA. .........................................................126
Quadro 43 - Arquivo de saída - utilizando 3 clusters............................................146
Quadro 44 - Arquivo de saída utilizando 2 clusters. .............................................149
Quadro 45 - Arquivo de saída utilizando 4 clusters. .............................................150
LISTA DE TABELAS
Tabela 01 - Análise das Redes de Trabalho, Confiança e Amizade - Turma 1......76
Tabela 02 - Atores em destaque na Rede de Trabalho - Turma 1. ........................81
Tabela 03 - Atores em destaque na Rede de Confiança - Turma 1. ......................86
Tabela 04 - Atores em destaque na Rede de Amizade - Turma 1. ........................91
Tabela 05 - Análise das Redes de Trabalho, Confiança e Amizade - Turma 2......92
Tabela 06 - Atores em destaque na Rede de Trabalho - Turma 2. ........................96
Tabela 07 - Atores em destaque na Rede de Confiança - Turma 2. ....................101
Tabela 08 - Atores em destaque na Rede de Amizade - Turma 2. ......................106
Tabela 09 - Análise das Redes de Trabalho, Confiança e Amizade - Turma 3....107
Tabela 10 - Atores em destaque na Rede de Trabalho - Turma 3. ......................112
Tabela 11 - Atores em destaque na Rede de Confiança - Turma 3. ....................117
Tabela 12 - Atores em destaque na Rede de Amizade - Turma 3. ......................123
Tabela 13 - Análise das Redes de Trabalho, Confiança e Amizade - Turma 1....124
Tabela 14 - Análise das Redes de Trabalho, Confiança e Amizade - Turma 2....124
Tabela 15 - Análise das Redes de Trabalho, Confiança e Amizade - Turma 3....124
LISTA DE GRÁFICOS
Gráfico 01 - Tempo de formação das redes estudadas ........................................68
Gráfico 02 – Tamanho das redes estudadas.........................................................69
Gráfico 03 - Fontes de dados Bibliográficos..........................................................70
Gráfico 04 - Relação dos atributos Nota e Trabalho em Equipe. .........................141
Gráfico 05 - Relação dos atributos Tipo de Escola e Livros. ................................141
LISTA DE SIGLAS
ARS – Análise de Redes Sociais
BD – Banco de Dados
DW – Data Warehouse
CEFET – Centro Federal de Educação Tecnológica
KDD – Knowledge Discovery on Databases
MD – Mineração de Dados
OLAP – On-Line Analytical Processing
RSI – Redes Sociais Informais
SNA – Social Network Analysis
TI – Tecnologia da Informação
UNIPAC – Universidade Presidente Antônio Carlos
SUMÁRIO
1 INTRODUÇÃO............................................................................................... 19
1.1 A SITUAÇÃO PROBLEMA ......................................................................... 20
1.2 OBJETIVOS DA PESQUISA....................................................................... 21
1.2.1 Objetivo Geral......................................................................................... 21
1.2.2 Objetivos Específicos............................................................................ 21
1.3 DELIMITAÇÃO DA PESQUISA................................................................... 21
1.4 JUSTIFICATIVA E RELEVÂNCIA DA PESQUISA...................................... 22
1.4.1 Contribuição pessoal e profissional .................................................... 23
1.5 ESTRUTURA DO TRABALHO.................................................................... 23
2 REVISÃO DA LITERATURA......................................................................... 25
2.1 REDES SOCIAIS ........................................................................................ 25
2.1.1 Definição................................................................................................. 25
2.1.2 Histórico ................................................................................................. 28
2.1.3 Análise de Redes Sociais...................................................................... 35
2.1.3.1 Perspectiva Estrutural ........................................................................... 43
2.1.3.2 Perspectiva Relacional.......................................................................... 44
2.1.3.3 Perspectiva centrada em Ego ............................................................... 45
2.1.3.4 Softwares para Análise de Redes Sociais ............................................ 46
2.2 MINERAÇÃO DE DADOS – DATA MINING ............................................... 52
2.2.1 Dado, Informação, Conhecimento ........................................................ 52
2.2.2 Data Warehouse ..................................................................................... 54
2.2.3 Mineração de Dados (MD) ..................................................................... 56
2.2.3.1 Conceitos .............................................................................................. 56
2.2.3.2 Técnicas de Mineração de Dados......................................................... 60
2.2.3.2.1 Regras de Associação ....................................................................... 61
2.2.3.2.2 Classificação ...................................................................................... 62
2.2.3.2.3 Agrupamento (Clustering) .................................................................. 63
2.2.3.2.4 Padronização ..................................................................................... 63
3 METODOLOGIA............................................................................................ 64
3.1 DEFINIÇÃO DE PESQUISA ....................................................................... 64
3.2 ESTUDO DE CASO .................................................................................... 64
3.3 CLASSIFICAÇÃO DA PESQUISA .............................................................. 65
3.4 ABORDAGEM DA PESQUISA.................................................................... 66
3.5 POPULAÇÃO ALVO ................................................................................... 68
3.6 ETAPAS DA PESQUISA............................................................................. 69
3.6.1 Pesquisa bibliográfica ........................................................................... 70
3.6.2 Coleta de dados ..................................................................................... 70
3.6.3 Tratamento e análise dos dados........................................................... 71
3.7 LIMITAÇÃO DA PESQUISA ....................................................................... 71
4 ESTUDO DE CASO....................................................................................... 73
4.1 ETAPAS DO ESTUDO................................................................................ 73
4.2 ANÁLISE DAS REDES SOCIAIS ATRAVÉS DE SOFTWARE ARS........... 74
4.2.1 TURMA 1 ................................................................................................. 76
4.2.1.1 Análise da Rede de Trabalho................................................................ 76
4.2.1.2 Análise da Rede de Confiança.............................................................. 82
4.2.1.3 Análise da Rede de Amizade ................................................................ 87
4.2.2 TURMA 2 ................................................................................................. 92
4.2.2.1 Análise da Rede de Trabalho................................................................ 92
4.2.2.2 Análise da Rede de Confiança.............................................................. 97
4.2.2.3 Análise da Rede de Amizade ................................................................ 102
4.2.3 TURMA 3 ................................................................................................. 107
4.2.3.1 Análise da Rede de Trabalho................................................................ 107
4.2.3.2 Análise da Rede de Confiança.............................................................. 113
4.2.3.3 Análise da Rede de Amizade ................................................................ 118
4.2.4 SÍNTESE DA ANÁLISE DAS TRÊS REDES .......................................... 124
4.3 ANÁLISE DAS REDES SOCIAIS ATRAVÉS DE DATA MINING................ 125
4.3.1 INTERPRETAÇÃO DOS RESULTADOS REFERENTES....................... ....
À CADA ATRIBUTO......................................................................................... 129
4.3.2 INTERPRETAÇÃO DOS RESULTADOS ATRAVÉS DO ....................... ....
PROCESSO DE CLUSTERIZAÇÃO ................................................................ 143
4.3.3 ANÁLISE DOS RESULTADOS .............................................................. 150
5 CONCLUSÕES E TRABALHOS FUTUROS................................................. 155
6 REFERÊNCIAS BIBLIOGRÁFICAS.............................................................. 158
ANEXO 1 – FORMULÁRIO DA PESQUISA .................................................... 167
ANEXO 2 – INDICADORES QUANTITATIVOS DA ARS ................................ 171
ANEXO 3 – INSTITUIÇÕES PARTICIPANTES DA PESQUISA...................... 172
19
1 INTRODUÇÃO
Diante da globalização e grande competitividade, torna-se claro aos gestores
de mentes diferenciadas, que a gestão do conhecimento é ponto central para que
um indivíduo esteja à frente de seus competidores e preparado para uma realidade
de mercado com mudanças aceleradas e de múltiplas dimensões.
Nessa perspectiva de valorização do conhecimento, destacam-se as redes
sociais informais, que vislumbram uma reunião de indivíduos de diferentes
competências, especialidades, características e organizações, em busca de
potencializar a fluência e consistência do conhecimento.
Num sentido etimológico o termo “rede” é derivado do latim (retis), e significa
“entrelaçamento de fios, cordas, cordéis, arames com aberturas regulares fixadas
por malhas, formando uma espécie de tecido”. A partir da noção de estrutura
reticulada e entrelaçamento a palavra foi ganhando novos significados ao longo do
tempo e abordagens cada vez mais interdisciplinares (LOIOLA; MOURA, 1997).
Segundo Marteleto (2001), a rede social representa um conjunto de
participantes autônomos, unindo idéias e recursos em torno de valores e interesses
compartilhados. As relações podem ser direcionais ou não direcionais e as redes
podem ter mais de uma relação.
Uma rede social refere-se a um conjunto de pessoas (organizações ou
entidades) conectadas por relacionamentos sociais, motivadas pela amizade,
relação de trabalho ou troca de informação – uma representação formal de atores e
suas relações. O fenômeno da conectividade é que constitui a dinâmica das redes e
existe apenas na medida em que as conexões forem estabelecidas (MARTELETO,
2001).
Uma rede é fundada na multiplicidade de seus elementos participantes e
principalmente na horizontalidade das interligações. A rede é um tipo de organização
específico, que se distingue das demais por conta de seus aspectos formais e seus
aspectos processuais ou operacionais.
Atualmente várias redes estão sendo criadas e fomentadas por diferentes
indivíduos e organizações, com foco na aquisição, troca, criação e disseminação de
conhecimento entre seus colaboradores, na busca de melhoria de desempenho e
20
eficiência para o enfrentamento das mudanças inevitáveis, tornando possível
sobreviver nesse ambiente competitivo.
Para melhor compreender a dinâmica das redes, destacam-se as ferramentas
estratégicas de análise de redes sociais, que possibilitam o mapeamento das redes,
auxiliando na compreensão das conexões que se estabelecem entre indivíduos, o
fluxo de informações, além das características e peculiaridades das mesmas.
Segundo Martelo (2005), a análise de redes estabelece um novo paradigma
na pesquisa sobre a estrutura social. Para estudar como os comportamentos ou as
opiniões dos indivíduos dependem das estruturas nas quais eles se inserem, a
unidade de análise não são os atributos individuais (classe, sexo, idade, gênero),
mas o conjunto de relações que os indivíduos estabelecem através das suas
interações uns com os outros.
Com a aplicação dessa ferramenta de análise de redes sociais, é possível
identificar a teia global de alianças estratégicas de cada indivíduo e sua importância
para o fluxo de informações na rede.
Ao identificar os indivíduos com o papel de elo fundamental na rede, torna-se
curioso compreender esse tipo de ator, seus atributos e características. Será que
existe um padrão comportamental desses indivíduos? Quais as características que
os levam a exercer papel de tamanha importância dentro dessa estrutura não
hierárquica e enriquecedora?
Esse é o foco principal desse estudo: mapear e identificar os atores principais
das redes e reconhecer as similaridades em seus atributos que caracterizam o perfil
desses indivíduos situados em posição de destaque nas redes as quais esses se
conectam.
1.1 A SITUAÇÃO PROBLEMA
A compreensão dessa dinâmica invisível das redes organizacionais, além de
ser um fator de grande contribuição para a gestão de pessoas, é também um fator
que gera curiosidades diversas. Que tipo de indivíduo conecta-se a uma rede social
a fim de ampliar, mas também ceder a outros indivíduos seus próprios
conhecimentos tácitos e explícitos? O que o torna facilitador e conector de
21
informações a vários outros indivíduos? Quais características comportamentais
influenciam a dimensão posicional da rede? Através da análise de redes sociais é
possível além de identificar os principais personagens de uma rede, compreender
também as características comportamentais e atributos que melhor definem esse
indivíduo.
Considera-se portanto como o problema desse estudo, identificar, através da
associação de ferramentas de data mining aos métodos de análise de redes sociais,
a existência de uma similaridade de perfil dos conectores centrais das redes
analisadas.
1.2 OBJETIVOS DA PESQUISA
1.2.1 Objetivo geral
Mapear e identificar os atores principais de três redes de alunos de graduação
e reconhecer nos conectores centrais características padrão.
1.2.2 Objetivos específicos
•
Mapear as redes através de software de análise de redes sociais;
•
Identificar os atores principais das redes;
•
Criar uma base de dados com os atributos dos conectores centrais das redes;
•
Analisar os atributos desses indivíduos através de data mining;
•
Analisar os resultados encontrados nas três redes.
1.3 DELIMITAÇÃO DA PESQUISA
O estudo de redes sociais informais pode ter vários enfoques e se apoiar em
diversos conceitos. O estudo de redes desse trabalho será focado em redes sociais
informais do contexto acadêmico.
Os principais conceitos que embasam a análise de redes sociais são:
22
• Ator: é considerado ator qualquer entidade existente no contexto da rede
que participe ou não dos processos de inovação podendo ser uma unidade
coletiva, corporativa ou individual;
• Vínculo relacional: é uma ligação mantida entre atores;
• Relação: é uma coleção de vínculos relacionais de um tipo específico entre
atores de um grupo;
• Subgrupo: é um subconjunto de atores e todos os vínculos relacionais entre
eles;
• Rede social: consiste de um conjunto finito de atores e as relações
existentes entre eles.
Cross e Prusak (2002) também identificam quatro papéis desempenhados por
atores das redes: Conector Central, Expansor de Fronteiras, Corretor de Informação,
Especialista Periférico.
Esse estudo ficará centrado no Conector Central das redes analisadas.
Buscando um maior detalhamento e conhecimento dos padrões comportamentais
desses atores, que na dimensão posicional de uma rede são considerados elos
fundamentais para o fluxo da informação na mesma. Para tal, será utilizada uma
nova abordagem analítica, associando conhecimentos estabelecidos na literatura de
análise de redes sociais convergindo com conhecimentos de data mining,
Considerando o posicionamento de Dias, Mariano e Mayer (2007), devemos
ter cuidado com o estudo de caso, pois o mesmo possui pouca generalização (não
se pode garantir que os resultados possam ser aplicados com sucesso e na íntegra
em outras organizações).
1.4 JUSTIFICATIVA E RELEVÂNCIA DA PESQUISA
O tema redes sociais é um tema abrangente, e com enfoques variados.
Transmite idéia de fluxo, de ligação, de circulação. É usualmente estudado no plano
técnico-operacional, tecnológico, político, biológico, geográfico, financeiro. Nesse
estudo analisaremos a rede na perspectiva social, onde indivíduos oriundos de
diferentes organizações, profissões, culturas, relacionam-se em redes sociais
informais na busca de ampliação de conhecimento.
23
O mapeamento das redes informais, busca compreender a dinâmica invisível
dos relacionamentos entre indivíduos que voluntariamente tornam-se propulsores de
informação e grandes colaboradores dentro de uma organização. Através desse
mapeamento são reveladas conexões interpessoais difíceis de serem identificadas
pelos meios tradicionais, proporcionando uma melhor compreensão do processo de
troca informal de conhecimento existente nas redes.
1.4.1 Contribuição pessoal e profissional
A contribuição de grande relevância desse trabalho no que se refere à
Academia, será na apresentação de uma metodologia diferenciada de análise dos
atores de uma rede social associando ARS com data mining. Esse estudo utilizará
uma abordagem embasada na metodologia de análise de redes sociais para o
estudo da dimensão relacional e posicional dos atores a elas conectados. Aliado ao
estudo dos principais atributos desses atores, através da técnica de data mining na
busca de similaridades ou padrões comportamentais que influenciam o desempenho
acadêmico dos atores de destaque das redes.
Esse estudo proporcionou à pesquisadora um contato fascinante com um
tema ao qual ela estava imersa, às cegas. Essa imersão no universo das redes
possibilitou à pesquisadora uma pretensiosa percepção da natureza e complexidade
das redes sociais informais. Além de proporcionar uma nova visão do papel
assumido pela pesquisadora em suas formas de participação e conexão nas redes
sociais.
No aspecto profissional, ao se fundamentar sobre o tema fascinante das
redes, a pesquisadora identificou na análise de redes uma importante ferramenta a
ser aplicada junto a seus “clientes”, alunos do CEFET, na busca de uma melhor
gestão e disseminação do conhecimento.
1.5 ESTRUTURA DO TRABALHO
Esse trabalho foi dividido em partes e será composto pela estrutura a seguir.
O primeiro capítulo da pesquisa apresenta a Introdução, onde são descritas
as questões que impulsionaram a pesquisadora a desenvolver esse trabalho, tais
24
como: o problema, a relevância e os objetivos da pesquisa. Essa foi redigida com o
intuito de despertar e prender a atenção e curiosidade do leitor.
O segundo capítulo da pesquisa apresenta a Revisão da Literatura, onde são
descritos os conhecimentos adquiridos nas inúmeras literaturas relacionadas ao
tema da pesquisa: análise de redes sociais e data mining. Através desses, a
pesquisadora aprofundou seu embasamento teórico para o desenvolvimento de seu
estudo de caso.
O terceiro capítulo apresenta a Metodologia de Pesquisa, onde são descritas,
de
forma
clara
os
aspectos
metodológicos
envolvidos
no
processo
de
desenvolvimento dessa pesquisa. Esse detalhamento possibilita a aplicação desse
estudo de caso por outros pesquisadores.
No quarto capítulo foi descrito todo o estudo de caso, com o mapeamento das
redes, detalhamento das análises das informações pesquisadas e dos resultados
obtidos com o estudo.
O quinto capítulo apresenta a conclusão do estudo e as sugestões para
pesquisas futuras.
25
2 REVISÃO DA LITERATURA
2.1 REDES SOCIAIS
2.1.1 Definição
Cada indivíduo está inserido em diversas relações sociais, sejam elas de
amizade, de trabalho, de estudo, familiar, dentre outras. Cada uma dessas relações
sociais pode ser vista como uma rede. Dentro das redes, cada pessoa pode ser vista
como uma estrela, a partir da qual linhas irradiam-se para outros pontos, que, por
sua vez, conectam-se a outros pontos, formando sua rede de contatos (LAGO
JÚNIOR, 2005).
As redes sociais são definidas como um conjunto de dois elementos: atores e
suas conexões. Wasserman e Faust (1994), destacam que as redes sociais são
conjuntos de contatos que ligam vários atores, que podem ser de diferentes tipos,
apresentarem conteúdos diferentes, bem como propriedades estruturais distintas.
O estudo das redes possui vários enfoques. Os primeiros estudos partiram
das ciências exatas, através da criação da teoria dos grafos. O grafo é um conjunto
de nós, conectados por arestas, que em conjunto, formam uma rede. Mais tarde os
estudos passaram pelas áreas das ciências biológicas, depois pela sociologia e
antropologia, momento em que assume a definição de formas específicas de
interação entre indivíduos e grupos familiares, grupos sociais, grupos de trabalho,
etc.(SCOTT, 2000).
Para Marteleto (2001), as redes sociais são um conjunto de participantes
autônomos unindo idéias e recursos em torno de valores e interesses
compartilhados. Além disso, a rede é uma estrutura não-linear, descentralizada,
dinâmica, flexível, sem limites definidos e autoorganizável, e estabelece-se por
relações horizontais de cooperação.
Os autores enfatizam a constante mutação e a complexidade que o termo
rede sofre dependendo do contexto em que é utilizado, podendo esse, assumir
diferentes sentidos conforme a área de conhecimento.
Castells (2003) afirma que as redes são estruturas abertas capazes de
expandir de forma ilimitada, integrando novos nós, ou atores, desde que consigam
26
comunicar-se dentro da rede, ou seja, desde que compartilhem os mesmos códigos
de comunicação (linguagem, valores, informações).
Ainda seguindo a visão de Castells (2003) podemos de forma simplificada,
considerar que: Rede é um conjunto de nós interconectados. Nó é o ponto no qual
uma curva se entrecorta.
As redes sociais representam um conjunto de pessoas, ou outras entidades
sociais conectadas por relacionamentos sociais, essas se relacionam motivadas
pela amizade, por relações de trabalho ou compartilhamento de informações e, por
meio dessas ligações, vão construindo e re-construindo a estrutura social.
Figura 01 – Representação de uma rede de elementos interligados.
Dentro da bibliografia existem inúmeras descrições para os termos rede, tais como:
− “uma rede, por definição, não tem centro, mas apenas nós de diferentes
dimensões e relações internodais que são freqüentemente assimétricas.
Entretanto, em última instância, todos os nós são necessários para a existência da
rede”; (CASTELLS, 1998,p.11).
27
− “o termo rede, em sua multiplicidade, nos remete tanto a uma dimensão
conceitual como a uma vertente instrumental”. Rede é uma proposta de ação, “um
modo espontâneo de organização em oposição a uma dimensão formal e
instituída”; (JUNQUEIRA, 1998, p. 96).
-− “(...) o uso mais geral para o termo ‘rede’ é para uma estrutura de laços entre
atores de um sistema social. Esses atores podem ser papéis, indivíduos,
organizações, setores ou estados-nação. Os seus laços podem basear-se na
conversação, afeto, amizade, parentesco, autoridade, trocas econômicas, troca de
informação ou quaisquer outras coisas que constituem a base de uma relação “
(NOHRIA ; ECCLES, 1998).
“[...] Com base em seu dinamismo, as redes, dentro do ambiente organizacional,
funcionam como espaços para o compartilhamento de informação e do
conhecimento.” (TOMAEL, ALCARA E DI CHIARA 2005, p. 94).
Kanter; Kao; Wiersema (1998) ressaltam que nem todas as redes são
espontâneas, os líderes organizacionais devem constantemente monitorar áreas em
que atuam para manter e contribuir para criação de novas redes.
É importante destacar que para o desenvolvimento e manutenção de uma
rede é fundamental construir confiança entre seus integrantes e oferecer-lhes
oportunidades de compartilhamento de idéias e conhecimentos.
Segundo SCOTT (2000), as redes sociais incorporam tanto o fluxo de
informações, que envolve a transferência de informações entre os indivíduos, o
estabelecimento de normas sociais e a criação de certo consenso, quanto uma
transferência de recursos e serviços, que ele denomina de ação instrumental.
Para que a rede possa efetivar seu papel social é fundamental que haja
confiança entre os atores da rede. Neto (2009) destaca que a confiança cria o
alicerce para cada integrante singular da comunidade não depender apenas da
eficiência com que ele enfrenta seus problemas, mas também se apoiar nas
capacidades que cada um tem de “co-evoluir” em consonância com a identidade da
organização.
28
2.1.2 Histórico
Capra (1995) mostra que sempre que olhamos para a vida, olhamos para as
redes. Para o autor, sempre houve uma espécie de rede na organização da
sociedade. No entanto, a visão sistêmica de rede surge a partir de estudos
realizados entre 1920 e 1930, quando a Biologia demonstrou o conceito de teias
alimentares e os ciclos da vida, propondo que a rede é um padrão único de
organização, comum a todos os sistemas vivos.
Segundo J.Scott (2000), três vertentes embasaram a atual teoria de redes
sociais: Analistas Sociométricos, Pesquisadores de Harvard e Antropólogos de
Manchester.
Figura 02 – Origem da Análise de Redes Sociais.
Fonte: Scott (2000, p.8).
29
A primeira vertente diz respeito aos trabalhos desenvolvidos pelos analistas
sociométricos, que criaram muitas técnicas avançadas através de trabalhos
realizados em pequenos grupos. A técnica mais importante foi a teoria dos grafos
(ramo da matemática que permite a resolução de problemas complexos, por meio de
representações gráficas que incluem pontos, arcos, arestas, etc.).
O representante de maior destaque dessa corrente é Moreno,
responsável pelo desenvolvimento da utilização de sociogramas (representações
gráficas que indicavam as relações sociais dos indivíduos, em vilas, tribos e, até
mesmo cidades) representativas das propriedades formais de configurações sociais.
Essas interações, chamadas por Moreno de “configurações sociais”
representam as propriedades formais das forças de atração, repulsão e indiferença
que operam nos grupos; revelando as conexões entre os sujeitos e permitindo ao
pesquisador visualizar os canais de fluxo de comunicação entre os indivíduos e
conexões entre as pessoas (SANTOS 2004).
Figura 03 – O Sociograma de Moreno.
Fonte: Freeman, J (2002).
30
A segunda vertente diz respeito aos trabalhos desenvolvidos pelos
pesquisadores de Harward, também na década de 30. Esses exploraram os padrões
das relações interpessoais informais e a formação de subgrupos (cliques, clusters).
Os pesquisadores de maior destaque dessa corrente são Radeliffe-Brown. Warner e
Mayo. Em seus trabalhos, Warner sofre diferentes influências empíricas e teóricas,
tais como as noções de organicidade Radeliffe-Brown ou Radcliffe-Brown; relações
recíprocas e análise de díades e tríades (Simmel); modelo sistêmico de sociedade
(Henderson) e configurações sociais (Simmel, Moreno). Segundo o autor, cliques
“são associações informais de pessoas, em torno das quais há um grau de
sentimento de grupo e intimidade e onde certas normas de conduta foram
tacitamente estabelecidas e aceitas” (DEGENNE; FORSÉ, 1994, p.94) Esse estudo
revela um pioneirismo no uso de métodos formais de análise estrutural e uma das
primeiras referências a utilizar a terminologia de redes para descrever a estruturação
em subgrupos de sociedades; avança também na análise formal dos diagramas de
estrutura dos cliques chamado de “análise posicional” (SILVA, 2003).
A
terceira
vertente
diz
respeito
aos
trabalhos
desenvolvidos
pelos
antropólogos de Manchester. Seus estudos foram fundamentados nas duas
correntes anteriores e enfatizam a análise dos conflitos e contradições, ao invés da
integração e coesão. Os pesquisadores de maior destaque dessa corrente são
Radeliffe-Brown, Barnes, Mitchell e Bott, esses se destacam por sua contribuição na
construção dos alicerces da teoria de análise de rede social. Segundo Scott (2000),
a interpretação de Mitchell para a teoria dos grafos e para a sociometria o levou a
focar, exatamente, nas características de organização informal e interpessoal que
foram ressaltadas por Mayo, Warner e Homans.
Para descrever as relações em grupos sociais de forma ilustrativa foram
utilizados métodos matriciais que deram origem à teoria matricial. Na década de 40,
foi feita uma releitura de alguns dos principais pesquisadores de Harvard originando
um método de rearranjo da matriz em análise de rede social que divide a estrutura
de qualquer grupo em um sistema interno, conhecido na atualidade como redes
informais, e, um sistema externo através do qual as atividades do grupo são
relacionadas às questões de adaptação ambiental. Para atingir a meta da
construção de modelos formais, ele advogava uma abordagem matemática para a
estrutura (SANTOS, 2004). O uso de matrizes para denotar relações em grupos
31
sociais cresceu a partir do ano 1940 e as operações matriciais passaram a ser
amplamente usadas para definições e cálculos em análise de redes sociais, sendo a
representação primária para a maioria dos softwares de análise de redes sociais
(SILVA, 2003).
Até a década de 50, Barnes e outros antropólogos desenvolveram estudos
focados na urbanização, evidenciando que a tradicional abordagem antropológica
para as organizações sociais não eram suficientemente ricas para sociedades
complexas. Surgindo a necessidade de novos conceitos para quantificar a relação
encontrada no campo, em termos tais como a abertura, a conectividade, densidade,
círculo social, etc. aplicáveis às situações sociais estudadas (GALASKIEWICZ J. S.
WASSERMAN, 1993).
Baseado nos estudos de Barnes (estudos da corrente sociométrica), o
psicólogo austríaco, Siegfried Nadel, passou a defender uma abordagem
matemática à estrutura, sugerindo a aplicação de métodos algébricos e matriciais
para a análise de papéis. Esse desenvolveu a idéia de “papel” como um conceito
central da teoria sociológica.
Dando continuidade a essas idéias Mitchell voltou-se para a teoria dos grafos
e para a sociometria, focado nas principais características das organizações
interpessoais e informais, voltando sua atenção às redes centradas em indivíduos.
Gerando o conceito de ordem pessoal como o padrão de ligações pessoais que os
indivíduos têm com um conjunto de pessoas e ligações que essas pessoas têm
entre elas (LOZARES, 1996). Para Mitchell, essas interações que envolvem
comunicação, estabelecimento de normas sociais, além de transferência de
informação de bens e serviços entre pessoas, estabelecimento de normas sociais,
são o verdadeiro campo de estudo da análise de redes. Em seus estudos, Mitchell
definiu “rede total” de uma sociedade como o conjunto de ligações em permanente
ramificação e reticulação que se espalha dentro e além dos limites de qualquer
comunidade ou organização e redes parciais como aspectos específicos da rede
total (LOZARES, 1996). Nos anos 60 e 70 essas escolas caminharam juntas até um
novo desembocando em Harvard, quando a análise de redes sociais contemporânea
foi criada. Foram destaque os trabalhos que abordam redes interorganizacionais de
Cook em 1977 e os trabalhos de Brass em 1985 abordando as relações nas redes
intraorganizacionais. .
32
Na década de 80 crescem as pesquisas utilizando modelos estatísticos para a
análise de redes, nessa década foi desenvolvido, por Krackhardt um software para
análise de redes intraorganizacionais denominado Krackplot 3.3.
Muitos dos estudiosos que privilegiam as redes, tais como: Krackhardt e
Porter (1986), Kuipers (1999), Cross e Prusak (2002), Kilduf e Tsai (2003), Silva
(2004), dentre outros, apresentam como visão comum que as redes informais são
poderosas
ferramentas
de
suporte,
aconselhamento,
compartilhamento
de
informações, poder, status que auxiliam de forma invisível seus atores graças a seus
contatos informais.
Krackhardt e Hanson (1993) apresentaram a tipologia de redes de confiança,
de troca de informações e redes de comunicação. Kuipers (1999), além de rede
informal de confiança, apresenta como tipologia, as redes de informação, de
amizade e de confiança.
Lago Junior (2005) em seu trabalho descreve três tipos de redes informais:
•
Rede de amizade: rede informal baseada na troca de amizade e
socialização.
•
Rede de confiança: rede informal na qual um ator se permite correr
riscos, abrindo mão do controle dos resultados, e tornando-se dependente
de outro ator (revela com quem eram trocadas confidências, em que laços
de confiança são mais centrados na pessoa do que na posição formal que
ocupa).
•
Rede de informação: rede informal na qual a informação é conduzida
sobre o que está acontecendo na organização, e que afeta todos os seus
membros (revela o fluxo de informações entre os atores).
Os dois tipos básicos de redes intraorganizacionais são denominados de rede
formal e informal. A rede social formal é considerada como uma série de ligações ou
laços prescritos entre posições formais ou padronizadas em contraposição às
estruturas informais, que não são explicitadas ou prescritas pelas organizações e é
intensa a idéia de fluxo e troca entre os atores, implicando em benefícios mútuos e
recíprocos (LIMA, 2008).
33
Ao longo dos anos, a teoria das redes vem sendo estudada e analisada por
vários autores de diferentes áreas e visões, conforme quadro de temas de redes
estudados ao longo dos últimos anos:
Década de
50 e 60
Década de
70
Bavelas (1950); Bavelas e Barret (1951);
Resolução de problema em grupo
Leavitt
Coleman, Katz e Menzel (1957)
Difusão e adoção de inovações
Kadushin (1966)
Suporte social
Michell (1969)
Fenômenos urbanos complexos
Kapferer (1969)
Formação de coalisão grupal
Laumann e Pappi (1973); Laumann,
Tomada de decisão em comunidade
Marsden e Galaskievwics (1977);
Wellman (1979)
Década de
Cook (1977)
Poder e redes interorganizacionais
Zachary (1977)
Formação de coalizão
Rogers (1979)
Difusão e adoção de inovações
Thurman (1980)
Formação de coalizão
Fischer (1982)
Urbanização e bem estar individual
Brass (1985)
Influências de gênero nas relações
80
intraorganizacionais
Krackhardt e Porter (1986)
Influências individuais na rotatividade
Krackhardt (1987); Freeman, Romney, e
Cognição e percepção social
Reeman 1987
Krackhardt e Stern (1988); Nelson (1989)
Resposta a crise e conflito nas
organizações
Krackhardt (1987), 1988 e 1992
Procedimentos QAP e modelos
estatísticos
Década de
Krackhardt e Kilduff (1990)
90
Cultura organizacional e relações
informais de amizade
Krackhardt (1990); Ibarra e Andrews
Relações de poder, sensemaking e
(1995); Krackhardt e Carley (1998)
impacto em inovações
34
Krackhardt e Kilduff (1994)
Reputação
Tolbert, Salancik, Krackhardt e Andrews
Efeitos individuais de posições na rede
(1995), Krackhardt e Carley (1998)
Podolny, Stuart e Hannan (1996)
Redes interorganizacionais
Doreian, Kapuscincski, Krackhardt e
Transitividade, reciprocidade e
Szczypula (1996)
equilíbrio grupal
Wasserman e Pattison (1996)
Modelos estatísticos
Ibarra (1993); Smith-Lovin e Ibarra
Gênero e redes intraorganizacionais
(1997); Mehra, Kilduff e Brass (1998)
A partir do
ano 2000
Labianca, Brass e Gray (1998)
Percepção de conflito intergrupal
Brass, Butterfield e Skaggs (1998)
Relações e comportamento antiético
Kuipers (1999)
Tipologia de redes informais
Castells (1999)
A sociedade em rede
Carvalho (2000); Candido e Abreu (2000),
Redes interorganizacionais
Oliver (2001), Hasegawa e Furtado
(2001) e Penno (2002)
Mehra, Kilduff e Brass (2001)
Redes de alto e baixo desempenho
Lazer (2001)
Rede e atitude individual
Nascimento (2000), Marteleto (2001), Lai
Transferência de informações em
e Wong (2002)
redes
Sluzki (1997 e 200)
Alternativa terapêutica e saúde mental
Najmanovich (2002)
Novo paradigma e rede
Kadushin
Motivação
Leenders (2002)
Modelo matemático
Cross e Prusak (2002); Cross, Borgatti e
Redes informais
Parker (2002)
Fernandez (2002)
Intervenção em comunidades
Tsai e Kilduff (2003)
Abordagem cognitiva e rede
intraorganizacional
Quadro 01 – Temas estudados sobre Redes Sociais.
Fonte: Wasserman e Faust (2008).
35
Segundo Martinho (2003), a articulação em rede passou a ser valorizada no
final da década de 80 e início da década de 90, especialmente devido ao uso das
redes eletrônicas. A partir dessa época, a função da rede foi explicitada e
reconhecida e começou a ser considerada um elemento político na sustentação dos
direitos sociais da nação.
Ao analisar a estrutura das redes em uma organização, deve-se ter em mente
que as redes são formadas por múltiplas relações internas e externas. Nessa
perspectiva, podemos analisar as redes nos aspectos intra e interorganizacionais.
No aspecto intraorganizacional, também conhecido por microambiente, estarão
sendo analisados apenas os aspectos internos da organização, tais como relação
entre
as
pessoas,
os
setores,
o
processo
produtivo,
etc..
No
aspecto
interoganizacional, estarão sendo analisadas as relações externas à organização.
Essas ligações compreendem laços pessoais, alianças estratégicas, fluxos de
informações, dentre outras. O objeto do estudo das redes é analisar essas
estruturas, seus impactos e evolução.
Segundo
Nonaka
e
Takeuchi
(1995),
a
criação
do
conhecimento
organizacional, deve ser entendida como um processo que amplifica o conhecimento
criado por indivíduos e cristaliza-o como parte da rede de conhecimentos da
organização. Esse processo ocorre dentro de uma ‘comunidade de interação’ em
expansão, que atravessa os níveis das fronteiras intra e interorganizacionais.
2.1.3 Análise de Redes Sociais
A análise de redes é uma forma de análise de dados que difere dos métodos
tradicionais de análise. Ela tem sido utilizada nas análises sociais, subsidiando
pesquisadores para descrever fenômenos empíricos onde se dá importância às
interações entre os atores de um determinado contexto social.
A noção de redes sociais e os métodos de análise dessas redes têm sido
bastante usado na comunidade científica para analisar relacionamentos entre
entidades
sociais
e
os
padrões
(WASSERMAN E FAUST, 2008).
e
implicações
desses
relacionamentos
36
A análise de redes sociais não toma como unidade de análise o ator individual
que faz parte da rede em estudo, mas a coleção de atores ou indivíduos e as suas
interações (WASSERMAN E FAUST, 1994).
A análise de redes sociais (ARS) é uma técnica que propicia uma leitura
dinâmica das interações sociais e uma alternativa à interpretação estática do papel
social do indivíduo ou grupo dentro de um contexto (MARTELETO, 2001).
A metodologia de Análise de Redes Sociais, conhecida também por Social
Network Analysis (S.N.A.) é uma ferramenta de diagnóstico da dinâmica das
interações sociais. Essa difere dos métodos tradicionais de análises sociais,
auxiliando pesquisadores a compreender e descrever fenômenos empíricos onde se
dá importância às interações entre indivíduos de um determinado contexto social.
Segundo Martelo (2005), a análise de redes estabelece um novo paradigma
na pesquisa sobre estrutura social.
De caráter interdisciplinar a ARS interessou pesquisadores de várias áreas de
conhecimento, dando assim, origem a diversas técnicas de análise que tem como
base as relações entre os indivíduos numa estrutura em forma de redes
(MARTELETO, 2004; SILVA, 2003).
Em uma rede, os relacionamentos podem ser de diversos tipos: econômicos,
políticos, afetivos e sociais. A estrutura é definida também como uma rede de
relações e de limitações que exerce influência nas escolhas, nas orientações, nos
comportamentos, e opiniões dos indivíduos. Os principais conceitos que embasam a
análise de redes sociais são: ator, vínculo relacional, relação, subgrupo, rede social.
Segundo Soares (2002), a análise de redes compreende os seguintes
princípios:
1 - os atores e suas ações são vistos como interdependentes, em vez de
unidades autônomas;
2 - os vínculos relacionais entre atores são canais de transferência ou fluxo
de recursos (materiais ou não-materiais);
3 - os modelos de rede que centram atenção sobre os indivíduos vêem o
ambiente estrutural da rede como algo que pode fornecer oportunidades ou
constrangimentos à ação individual;
37
4 - os modelos de rede conceituam estrutura (social, econômica, política e
assim por diante) como padrões duradouros de relações entre atores;
5 - a estrutura afeta formalmente a ação, por meio de um determinismo fraco
– estruturas altamente homogêneas induzem certas práticas, por causa do
tipo de contatos que elas favorecem;
6 - a estrutura afeta a percepção do próprio interesse – por exemplo,
qualquer pessoa que quer casar perceberá um cônjuge elegível do próprio
status social, como a escolha mais econômica;
7 - os indivíduos racionais tomam decisões de acordo com próprio interesse,
isto é, com base numa escala de preferências – racionalidade relativa;
O autor destaca também, a importância de reconhecer que a unidade de
análise, no campo das redes sociais, não é o ator individual, mas uma entidade, que
consiste no conjunto de atores e nas ligações/laços entre eles.
Segundo Meneghelli (2009), essa ferramenta baseia-se nos fundamentos
teóricos das redes sociais, correlacionando conceitos sociológicos e matemáticos
para criar grafos e possibilitar a análise dos dados, criando diversas medidas
estruturais (coesão, densidade, centralidade e outros). Esse instrumento pode ser
combinado com softwares que materializam, no mundo real, as relações sociais, um
olhar além do manifesto e das aparências.
Para Neto (2009), a técnica de análise de redes é considerada interdisciplinar
por propiciar uma leitura dinâmica das interações sociais, sendo uma alternativa à
interpretação “estática” (no momento da leitura) do papel social do indivíduo ou do
grupo dentro de um contexto.
A representação gráfica de uma rede é semelhante a um circuito de
comunicação, sua representação gráfica demonstra que algumas pessoas estão
conectadas a outras, mas não diz nada sobre como essas pessoas se relacionam,
que tipo de mensagem está circulando nesses caminhos.
38
Figura 04 – Representação gráfica de Rede.
Fonte: Site http://googlediscovery.com
A análise visual das redes sociais ocorre por meio de grafos, onde os nodos
representam entidades sociais (pessoas, instituições, grupos, etc.) e as setas
representam os relacionamentos existentes, permitindo uma visualização da rede
como um todo (FREITAS, 2008).
Os critérios estruturais para análise de redes sociais podem ser realizados sob
duas perspectivas: a primeira diz respeito às características estruturais relacionadas
no Quadro 02 e Quadro 03 que seguem abaixo:
Características estruturais das Redes
Ator
Ligações ou
Laço Relacional
Subgrupos
É cada indivíduo, setor ou departamentos que interligado à rede.
São representações gráficas de linhas que conectam os pontos
(atores).
São os subconjuntos de atores de uma determinada rede. A formação
desses subconjuntos pode estar relacionada com posição hierárquica,
localização, afinidade, idade, escolaridade, sexo.
39
Quando envolvem ligações entre dois atores são denominados díades
e quando as ligações envolvem três atores são denominados tríades.
Relação
É um tipo específico de ligações de um determinado grupo
Tamanho
É a quantidade de conexões existentes entre os atores de uma rede. 1
Densidade
É o quociente entre o número de ligações existentes pelo número de
ligações possíveis em uma determinada rede. Essa retrata a
potencialidade da rede em termos de fluxo de informações, ou seja,
quanto maior a densidade mais intensa é a troca de informações na
referida rede e vice-versa.
Distância Geodésica
Diâmetro
É o caminho mais curto entre dois atores de uma rede
É a maior distância geodésica entre quaisquer pares de atores de uma
rede.
Quadro 02 – Perspectiva abordando características estruturais da rede.
Fonte: Lago Júnior (2005).
Características estruturais das Redes
Coesão
Trata-se do forte relacionamento entre atores de uma rede, formando
subgrupos em virtude de vínculos estabelecidos por afinidades. Esse
campo de estudo possui um forte apelo na correlação entre a coesão
e padrões de comportamento desses subgrupos.
Clique
Definição herdada da teoria dos grafos, onde três ou mais atores
escolhem a todos do subgrupo como pares em suas ligações. É o que
informalmente denominamos de “grupinhos” ou “panelinhas” dentro
das organizações. Alguns sociólogos por julgarem muito restrita a
definição de clique, uma vez que pressupõe que todas as ligações
sejam recíprocas para considerar a existência do clique, criaram
outros conceitos, não baseados na reciprocidade, e sim no quão um
determinado ator é acessível e na capacidade de conectividade
(adjacência). O primeiro conceito baseia-se nas distâncias geodésicas
(n-clique) e diâmetro (n-clã), e o segundo baseia-se na capacidade de
conectividade (k-plex).
Reciprocidade
As ligações entre os atores podem ser analisadas quanto ao sentido
(representadas por setas). Nesses casos, a ligação é recíproca
quando flui nos dois sentidos. Por exemplo, Pedro confia em João e
1
O tamanho é o mais importante critério estrutural da rede pessoal de um ator ou grupo, pois todos os demais critérios são
calculados a partir do número total de ligações. Redes com presença de todos os laços possíveis são empiricamente raras
(HANNEMAN, 2005)
40
esse, também, confia em Pedro.
N-Clique
São considerados atores coesos aqueles que apresentam uma
distância geodésica entre quaisquer dois atores nunca superior a “n”,
onde “n“ é o valor de corte da distância geodésica máxima. Contudo,
permitiu-se que alguns atores que não faziam parte do clique em
questão fossem inserido na análise, o que deu origem ao conceito de
n-clã.
N-Clã
São considerados os subgrupos cujo diâmetro não pode ser superior a
“n”, onde “n” é o valor de corte do diâmetro máximo.
K-Plex
Considera-se ator de um subgrupo aquele que é adjacente a quase
todos os outros, sendo K o número de exceções, eliminando a
necessidade de existência de ligações entre todos os atores de um
subgrupo, ou seja, baseia-se na capacidade de conectividade, como
comentado acima.
Quadro 03 – Perspectiva abordando características estruturais da rede, analisando também coesão e
mapeamento de grupos.
Fonte: Lago Júnior (2005).
A segunda perspectiva é centrada em egos, analisa os atores, suas ligações e
os papéis que esses desempenham nas redes sociais, conforme Quadro 04 que
segue abaixo:
Perspectiva centrada em egos
Posição
Diz respeito aos indivíduos que estão, de forma semelhante,
envolvidos em redes de relação, logo, potencialmente, intercambiáveis
sob a ótica da análise sociológica.
Papel
Diz respeito aos padrões de relações obtidas entre atores ou posições.
Centralidade
Calcular a centralidade de um indivíduo da rede significa analisar a
posição em que esse se encontra em relação aos outros. A
centralidade considera como medida a quantidade de elos que se
colocam entre eles. Essa não é uma posição fixa, nem hierárquica,
mas, em se tratando de redes, a centralidade de um ator pode
significar poder. A posição centralizada de um indivíduo na rede
favorecerá o recebimento e troca de comunicação ao mesmo.
Entretanto, o fato de um indivíduo não estar em posição central na rede
não significa necessariamente que esse não esteja bem posicionado
41
na rede.
Centralidade de entrada
É a medida do número de ligações que um ator recebe de outros
atores, denotando popularidade ou receptividade.
Centralidade de saída
É a medida do número de ligações que um ator estabelece com outros
atores dessa rede, denotando expansividade. 2
Centralidade de
Essa medida caracteriza a independência de um ator em relação ao
proximidade
controle dos outros. Na centralidade de proximidade, considera-se que
um nó é tão mais central quanto o menor caminho que esse necessita
percorrer para alcançar outros indivíduos da rede.
Centralidade de Bonacich
É uma medida qualitativa de centralidade, pois leva em consideração
não apenas o número de referências que um ator recebe de outros
atores, mas o prestígio desses primeiros, denotando, também, o
aspecto de prestígio em relação ao ator analisado.
Centralidade da
Em uma rede pode-se analisar a centralidade da informação, onde é
informação
considerado se um indivíduo é central em relação à informação. Nesse
caso
seu
posicionamento
estratégico,
mesmo
que
não
seja
centralizado, lhe proporciona conexões com atores distribuídos pela
maior parte do ambiente da rede. Os atores com alto índice de
centralidade da informação tornam-se referências dentro do ambiente
da rede.
Centralidade da
Essa calcula o potencial dos elos que servem de intermediários,
intermediação
“ponte” na rede. Esses indivíduos “ponte” são facilitadores do fluxo da
informação entre os elos da rede. Um indivíduo pode não estar em
posição central, nem mesmo possuir contatos fortes, mas pode ser
importante mediador no fluxo, e direção das informações. “A
intermediação de um ponto em presença de dois outros atores se
define por sua faculdade de se situar sobre o caminho ou os caminhos
geodésicos, isto é, de menor distância, ligando esses dois pontos.”
(Degenne & Forsé, 1994: p. 158).
Quadro 04 – Perspectiva centrada em egos.
Fonte: Lago Júnior (2005).
As possibilidades de mapeamentos das relações entre indivíduos que formam
as redes sociais são ilimitadas, deverão ser formuladas conforme as necessidades
2
Em análise de redes sociais, a centralidade de grau de saída mede a expansividade de um ator e a centralidade de grau de
entrada mede o seu prestígio ou sua receptividade ou popularidade (Wasserman; Faust, 1999).
42
de cada organização. Cross e Prusak (2002) identificam quatro papéis importantes
desempenhados pelos atores das redes:
• Conector Central: esses indivíduos fazem a ligação da maioria dos atores
uns com os outros; esses são facilmente identificados pelos colegas de rede,
normalmente sabem como conseguir informações e recursos necessários
para que o trabalho seja realizado, e podem gastar horas ajudando outros
atores da rede. Seu papel é muito importante na rede, mas esses podem
significar “gargalos” na rede, prejudicando o desempenho da rede informal.
• Expansor de Fronteiras: são atores ligados a atores de outras
organizações, ou de outras redes, tal papel é fundamental quando pessoas
necessitam compartilhar de habilidades e necessitam estabelecer alianças, é
um ator fundamental em virtude da possibilidade de conectividade com
importantes redes.
• Corretor de Informação: são atores que fazem a ligação entre diferentes
subgrupos da rede. Esses evitam que o fluxo das informações seja
interrompido devido à fragmentação da rede; esses atores desempenham
papel tão importante quanto o conector central, pois possuem o mesmo
poder sem possuir a quantidade de ligações diretas que caracteriza esse
último.
• Especialista Periférico: são atores com algum tipo de conhecimento
especializado, a quem outros atores recorrem quando necessitam de
informação ou conhecimento técnico.
Os relacionamentos formados pelas conexões entre os atores de uma rede
social podem ser analisados a partir de várias dimensões: estrutural, cognitiva e
relacional (REGIS, 2005).
43
Figura 05 – Dimensões estrutural e relacional das redes sociais.
Fonte: Regis (2005).
2.1.3.1 Perspectiva Estrutural
A análise da dimensão estrutural, quando se considera a configuração da
rede, se faz pela determinação do padrão de ligações dentre os seus membros. Tais
elementos de configuração, como centralidade, densidade, conectividade e
hierarquia afetam a flexibilidade e a facilidade das trocas nas redes pela
acessibilidade e extensão dos contatos dos seus membros (SCOTT, 2000;
WASSERMAN; FAUST, 2008).
44
A dimensão estrutural das redes está baseada na ativação das interações
locais entre os atores. É possível analisar a estrutura de uma rede social mediante
cálculo da densidade e centralidade da rede. A densidade representa a relação entre
o número de ligações existentes em uma determinada rede e o número de ligações
possíveis ou potenciais, mas que não necessariamente estejam sendo utilizadas
(SCOTT, 2000). A centralidade é a medida de quão acessível um determinado ator
está para os demais atores da rede e depende do padrão de distribuição, ou da
maneira como os diversos atores estão interligados. A centralidade, além de medir a
acessibilidade de uma pessoa, mede o número de caminhos de comunicação que
passam por ela. Quanto maior for o número de ligações entre os indivíduos de uma
rede, menor a probabilidade de indivíduos centrais deterem o controle sobre o fluxo
de informações. A relação de poder de um ator dentro da rede está relacionada com
o grau de monopolização do fluxo de informações que esse detem.
A análise das formas de interações entre os atores, as formas de conexões é
útil para a compreensão dos comportamentos dos mesmos. A princípio, muitas
conexões significam indivíduos expostos a uma diversidade maior de informações
(HANNEMAN, 2001).
2.1.3.2 Perspectiva Relacional
A perspectiva da análise da dimensão relacional das redes, focaliza o papel
dos laços diretos entre os atores, com relação aos conteúdos transacionados nas
interações e suas diversidades. Esses critérios possibilitam mapear as diversas
transações existentes nas redes, como a amizade, o trabalho, a informação, o
respeito, a confiança, a mentoria, dentre outras.
Segundo Kuipers (1999) há três abordagens das redes: amizade, informação
e confiança. Para ela, o conteúdo transacionado em cada um desses tipos de rede
é específico. A autora as define como:
Rede de informação: é uma rede informal, em que o conteúdo transacionado diz
respeito ao que está acontecendo na organização como um todo, em relação a
oportunidades de ascensão, processos decisórios e (ou) sucesso organizacional.
Tais informações normalmente afetam todos os membros da organização.
45
Rede de amizade: é uma rede informal, baseada na troca de amizade e
socialização, que fornece apoio e melhora a auto-estima, além de encorajar certos
comportamentos que aumentam a aceitação junto a grupos dentro da organização.
Rede de confiança: é uma rede de laços informais, em que um ator corre riscos ao
abrir mão do controle dos resultados, por aceitar a dependência em relação a outro
ator, sem força ou coação da relação, seja contratual, estrutural ou legal.
Nahapiet e Ghoshal (1998) exemplificam que dois atores podem ocupar
posições equivalentes em uma determinada configuração estrutural de rede, mas
suas ligações pessoais e emocionais com outros indivíduos podem fazer com que
eles tenham comportamentos totalmente diferentes na troca de informações e
recursos.
Na análise posicional de uma rede de confiança, informação ou amizade,
foram identificados atores com grau de importância diferenciado e fundamental para
a transição da informação dentro da rede. Esse ator é conhecido como conector
central. Sua importância é oriunda de sua capacidade de ligação da maioria dos
demais atores uns com os outros. Normalmente, esses atores sabem com quem
conseguir informações e recursos necessários para que o trabalho seja realizado,
como também, gastam horas ajudando outros atores do grupo. Entretanto, alguns
conectores centrais podem atuar conscientemente ou inconscientemente como
“gargalos”, prejudicando o desempenho da rede.
2.1.3.3 Perspectiva centrada em Ego
O objetivo central dessa abordagem é diagnosticar o papel que os indivíduos
desempenham na rede e analisar o impacto do movimento dos nós no fluxo das
informações na rede. Para Castro (2005) e Regis (2006), a abordagem egocêntrica
olha para cada ator (ego) da rede, para os atores que se relacionam diretamente
com ele e medidas de ligação entre o ego, seus vizinhos e entre eles. Essa
modalidade de análise tem como objetivo identificar a influência do grupo sobre o
indivíduo, e como a forma de inserção e as conexões de um indivíduo na rede
podem influenciar em suas oportunidades e restrições na mesma.
A análise de redes sociais centrada em egos baseia-se em algumas medidas
de centralidades, tais como:
46
Centralidade de grau de entrada: essa é medida através do número de ligações
que um ator recebe de outros atores, significando popularidade.
Centralidade de grau de saída : essa é medida através do número de ligações que
um ator estabelece com outros atores denotando expansividade.
Centralidade de intermediação: é o potencial daqueles atores que servem de
intermediários. Essa representa o quanto um ator atua como “ponte”, facilitando o
fluxo de informação em uma determinada rede. Marteleto (2001) afirma que um
indivíduo pode ter poucos contatos diretos na rede, estar conectado basicamente
por ligações fracas, mas exercer um importante papel intermediando informações.
Centralidade de Bonacich (Power Bonacich) : essa é definida como uma medida
qualitativa, pois leva em consideração além do número de ligações que um ator
recebe de outros atores, mas também o prestígio desses primeiros, denotando,
também, o aspecto de prestígio e poder em relação ao ator analisado.
2.1.3.4 Softwares para Análise de Redes Sociais
Atualmente, as redes sociais podem ser formadas por milhares de indivíduos,
organizações, instituições, conectados por diferentes vínculos e situações. Para uma
aplicação do estudo de redes sociais, de forma ampla, analisando toda a estrutura
da rede, é necessário utilizar ferramentas de TI desenvolvidas especificamente para
o auxílio do mapeamento, controle e análise desses dados. Essas ferramentas são
os softwares ARS.
Esses são softwares específicos, que desenham as redes e possuem
diferentes métricas utilizadas na análise quantitativa. Na maioria dos softwares os
dados são guardados, descritos e manipulados por meio de matrizes. O uso de
matrizes para denotar relações em grupos sociais cresceu a partir do ano 1940 e as
operações matriciais passaram a ser amplamente usadas para definições e cálculos
em análise de redes sociais, sendo a representação primária para a maioria dos
softwares de análise de redes sociais (SILVA, 2003).
47
Figura 06 – Exemplo de uma rede mapeada pelo Software Visone.
Fonte: Site http//visone.info/
Existem centenas de softwares de ARS, o que torna a escolha da ferramenta
mais adequada uma tarefa complexa. Para facilitar essa tarefa, é necessário um
estudo minucioso das necessidades da organização aliada às funcionalidades e
custo benefício de cada software. Alguns dos softwares disponíveis no mercado são:
Software
Cfinder
Características
Software livre utilizado para encontrar e visualizar sobreposição,
grupos densos de nós em redes. ( Fonte: http//cfinder.org, 13/06/2010)
GraphViz
Software open source de visualização gráfica. Possui vários programas
de layout gráfico, com interface gráfica para web.
Esse utiliza uma linguagem simples de texto, e seus diagramas podem
ser gerados em vários formatos úteis como imagens, SVG para
páginas web, Postscript para inclusão em PDF ou outros documentos,
ou exibição em um browser gráfico interativo. Graphviz também
suporta GXL, um dialeto XML.). (Fonte: http//www.graphviz.org, 02/06/2010)
Guess
Software que utiliza ferramenta de análise exploratória de dados, de
visualização de gráficos e redes. O sistema contém uma linguagem de
48
domínio específico chamada Gython embutido.
(Fonte: http//graphexploration.cond.org/, 04/06/2010)
InFlow
Software de análise de redes capaz de executar análise e visualização
de rede em um único produto integrado - não há arquivos de passagem
ida e volta entre os diferentes programas como outras ferramentas. O
que é mapeado em uma janela é medido em outra janela.
( Fonte: http//www.orgnet.com/inflow3.html, 02/06/2010)
JUNG
(Java Universal Network)
Software formado por uma biblioteca de software que fornece uma
linguagem comum e extensível para a modelagem, análise e
visualização de dados que pode ser representado como um gráfico ou
rede. É escrito em Java, o que permite usar JUNG em aplicações
baseadas em fazer uso das extensas capacidades embutidas da API
Java, bem como os de outras bibliotecas existentes. A arquitetura
JUNG é projetada para suportar uma variedade de representações de
entidades e suas relações, como gráficos dirigido e sem direção,
gráficos multi-modais, gráficos com bordas paralelas e hipergrafos. Ele
fornece um mecanismo para anotar gráficos, entidades e relações com
os metadados. Isso facilita a criação de ferramentas analíticas para
conjuntos de dados complexos que podem analisar as relações entre
as entidades, bem como os metadados ligado a cada entidade e
relação. A atual distribuição de Jung inclui implementações de uma
série de algoritmos em teoria dos grafos, mineração de dados e análise
de redes sociais, tais como rotinas de agrupamento, decomposição,
otimização, geração de grafos aleatórios, análise estatística e cálculo
de distâncias de rede, fluxos e medidas de importância (centralidade,
PageRank, hits, etc.). Esse possui uma biblioteca de código aberto.
( Fonte: http//jung.sourceforge.net/, 05/06/2010)
MultiNet
Software de análise de dados que pode ser usado para dados normais
(no qual você tem um arquivo que tem uma linha de dados para cada
caso) e para a rede de dados (em que existem dois arquivos - o "nó"
descreve o arquivo indivíduos e no link "arquivo", descreve as
conexões entre os indivíduos).
( Fonte: http//www.sfu.ca/personal/archives/richards/Multinet, 10/06/2010)
NetDraw
Software livre, escrito por Steve Borgatti pra visualização de dados de
redes sociais. Nele as imagens podem ser gravadas em metalife, JPG,
GIF e bitmap. O programa lê arquivos do sistema UCINET, arquivos
UCINET DL, arquivos Pajek, e seu formato próprio VNA (que permite a
poupança de rede e dados de atributos em conjunto, juntamente com
49
informações como coordenadas espaciais layout, cores, etc.)
( Fonte: http//www.analytictech.com/netdraw/netdraw.htm, 05/06/2010)
Netminer
Software desenvolvido para análise e visualização de dados de rede.
Esse permite explorar os dados da uma rede visual e interativa, e
permite detectar padrões subjacentes e estruturas da rede. Há cinco
diferentes níveis de licença, estas estão relacionadas ao tamanho dos
dados a serem tratados pelo software. Possui módulo que pode ser
usado para desenhar mapa da rede em grande escala 2D, separando o
processo de visualização em duas etapas: apresentação e desenho.
Esse funciona com as plataformas: Windows 2000, XP, Windows Vista
32 bits para o O / S- Windows Server 2000 x64, Windows Server 2003
x64, Windows XP x64, Windows Vista x64 de 64 bits O / S é
necessário a configuração mínima de hardware: Memória- 512 MB e
HD de 300 MB de espaço disponível para instalação do software.
( Fonte: http//www.netminer.com/NetMiner/home_01.jsp, 13/06/2010)
SocNetV
(Social Networks
Visualizer)
Software para a análise e visualização de redes sociais. Esse permite a
construção e exploração de redes de vários formatos (GraphViz,
GraphML, adjacência, Pajek, UCINET, etc.). Esse software permite ao
usuário, calcular as propriedades básicas de rede, tais como
densidade, diâmetro e distâncias (comprimentos de caminho mais
curto),centralidades, coeficientes de agrupamento, entre outros.
SocNetV foi desenvolvido em C + + e é um software open-source. O
programa é um software livre, licenciado sob a GNU - General Public
License 3 (GPL3). ( Fonte: http//socnetv.sourceforge.net, 02/06/2010)
UCINET
Software de análise de redes sociais desenvolvidos por Steve Borgatti,
Everett e Martin Freeman Lin. O programa é distribuído pela Analytic
Technologies. Esse trabalha em conjunto com o programa freeware
chamado NETDRAW para desenhar e visualizar diagramas de redes
sociais. NETDRAW é instalado automaticamente com UCINET.
UCINET é um pacote completo para a análise dos dados da rede
social, pode ler e gravar uma infinidade de arquivos de texto formatado
de forma diferente, bem como arquivos de Excel. Inclui medidas de
centralidade, o subgrupo de identificação, análise de papel, a teoria
dos grafos elementares, e permutação baseada em análise estatística.
Além disso, o pacote tem forte rotinas de análise da matriz, como a
álgebra matricial e estatística multivariada.
UCINET pode ser baixado e usado gratuitamente por 60 dias.
50
( Fonte: http//www.analytictech.com/ucinet, 10/06/2010)
VISONE
Software que propõe o desenvolvimento de modelos e algoritmos para
integrar e promover a análise e visualização de redes sociais. Esse
está disponível em Java para Windows e Linux, além de suportar
importação e exportação de formatos tradicionais (JPEG, PDF, SVG,
Metafile) para dados de rede social. ( Fonte: http//visone.info, 05/06/2010)
Software utiliza um editor gráfico que pode ser usado para gerar
Yed
desenhos e aplicar layouts para uma variedade de esquemas
diferentes e redes. Esse software é gratuito e possui uma biblioteca de
classes Java que permite a visualização, edição, otimização, desenho
e animação de uma vasta gama de diagramas, redes e outras
estruturas. Esse trabalha com arquivos de diversos formatos, tais
como: PDF, SWF, SVG, JPG, GIF, HTML, BMP além de suportar a
incorporação URLs e sugestões descritivas para ambos os nós e
arestas.
( Fonte: http//www.yworks.com/em/products_yed_about.html, 02/06/2010)
Quadro 05 – Características dos Softwares ARS.
A análise de redes pressupõe o mapeamento e mensuração das relações,
nessas os pontos nodais são as pessoas e as ligações desvendam as relações
existentes. Baseado nas informações dos vários tipos de relacionamentos é possível
visualizar as respostas e cruzar vários dados que delineiam as redes, fornecendo
uma análise visual e matemática das relações constituídas informalmente nas redes.
Os vários softwares que auxiliam esse mapeamento e análise desenham as redes e
possuem diferentes métricas utilizadas na análise quantitativa na maioria desses
softwares, os dados são guardados, descritos e manipulados por meio de matrizes
(MENEGHELLI, 2009).
51
Figura 07 – Exemplo de mapeamento de rede.
Fonte: Site http://theyrule.net (18/08/2010)
Nesse exemplo de mapeamento de rede, as linhas indicam a interligação de
diretores e empresas, podendo ou não apresentar reciprocidade. Nesse exemplo
pode-se perceber que cada ator é apresentado de forma diferente, simbolizando o
seu grau de influência na rede (os mais gordos são os mais “influentes”). Outros
softwares possuem a capacidade de modificar a cor e forma dos nós das redes
conforme características específicas de cada grupo.
52
2.2 MINERAÇÃO DE DADOS – DATA MINING
2.2.1 Dado, Informação, Conhecimento
O dado é um elemento quantificável, puro, sobre um determinado evento ele
representa fatos que podem ser gravados e que possuem um significado implícito.
São exemplos de dados: números, texto ou qualquer mídia que possa ser
processada pelo computador.
Atualmente, as organizações estão acumulando vastas e crescentes quantidades de
dados em diferentes formatos e em diferentes tipos de repositórios, para processar
esses dados, temos a tecnologia de banco de dados. Elmarsi; Navathe (2006)
definem banco de dados como uma coleção de dados relacionados que possuem as
seguintes propriedades implícitas:
“-Um banco de dados representa alguns aspectos do mundo real, sendo chamado,
às vezes, de minimundo ou de universo de discurso. As mudanças no minimundo
são refletidas em um banco de dados.”
“-Um banco de dados é uma coleção lógica e coerente de dados com algum
significado inerente. [...]”
“-Um banco de dados é projetado, construído e povoado por dados, atendendo a
uma proposta específica. Possui um grupo de usuários definido e algumas
aplicações preconcebidas, de acordo com o interesse desse grupo de usuários.”
Elmarsi; Navathe (2006, p.4).
É importante ressaltar, que o dado, por si só, não oferece embasamento para
o entendimento da situação. Queyroi (2007) classifica os dados como:
• dados operacionais ou transacionais como custos, vendas, inventários,
folhas de pagamento ou contas correntes;
• dados não operacionais como previsões de mercado, vendas ao nível
industrial, e dados macro-econômicos;
• metadados, ou dados descrevendo a estrutura dos dados armazenados,
tais como projetos lógicos de Bancos de Dados ou dicionários de dados;
• mídia contendo imagens, sons ou uma combinatória de ambos, que além
de ser armazenada, pode ser catalogada eletronicamente.
53
Atualmente, as corporações utilizam seus bancos de dados não apenas para
armazenar
as
informações
processadas
pelos
seus
diversos
sistemas
administrativos e operacionais, eles geram uma fonte infindável de informações que
geram possibilidades que podem enriquecer e até conduzir decisões mais corretas
dos dirigentes.
Essa informação gerada, nada mais é, que o dado analisado e em
determinado contexto. A criação desse conhecimento, embasado no conjunto dos
dados armazenados ao longo do tempo, envolve a interpretação desses dados, ou
seja, a informação é constituída por padrões, associações ou relações que todos
aqueles dados acumulados podem proporcionar.
O estudo das informações contidas nas variáveis envolvidas na análise pode
gerar conhecimento que ajude na criação e análise de padrões históricos para
conseguir uma previsão dos fatos futuros.
Segundo Souza (2008), o conhecimento encontrado nos dados vem
fascinando o mundo. As informações e o conhecimento descobertos têm sido
aplicados no gerenciamento dos negócios, no controle da produção, nas análises de
marketing, nas áreas de engenharia, na exploração científica etc..
A extração de conhecimento em extensas bases de dados é vista como um
processo interativo e iterativo, e não como um sistema de análise automática, sendo
centrado na interação entre usuários, especialistas do domínio e responsáveis pela
aplicação. Dessa maneira, não se pode esperar que a extração de conhecimento
seja útil simplesmente submetendo um conjunto de dados a uma “caixa preta”
(MANNILA, 1997).
O principal objetivo do processo de extração e análise de bases de dados é
encontrar conhecimento a partir de um conjunto de dados para ser utilizado em um
processo de tomada de decisão. Dessa forma, um requisito importante é que esse
conhecimento descoberto seja compreensível aos humanos, além de útil e
interessante para os usuários finais e especialistas do processo e que ainda forneça
um suporte ao processo decisório (FAYYAD et al, 1996).
Queyroi (2007) destaca que, enquanto que a informação é descritiva, o
conhecimento é utilizado fundamentalmente para fornecer uma base de previsão
com um determinado grau de certeza. O conhecimento refere-se à habilidade de
54
criar um modelo mental que descreva o objeto e indique as ações a implementar e
as decisões a tomar.
Para que haja compreensão e segurança nas informações de forma que
essas realmente auxiliem na tomada de decisões, é fundamental que se mantenha a
coerência dos dados que estão armazenados nos diferentes repositórios e das
informações nos diferentes níveis.
2.2.2 Data Warehouse
Nas últimas décadas, o volume de dados armazenados nos bancos de dados,
se transformou em grandes massas de dados, novos processos foram criados para
resgate desses dados e concatenação das informações, como o processo de data
warehousing.
A criação de um Data Warehouse (DW) é considerada como um dos primeiros
passos para viabilizar a análise de grandes massas de dados (REZENDE, 2003).
Os DW, ou armazéns de dados, são implementações de bancos de dados
relacionais que seguem uma filosofia cujo norte é permitir a construção de um
ambiente para análise de dados, e diferentes maneiras de vê-los e organizá-los.
Segundo um dos pais do conceito, Bill Inmon, reconhecido como o idealizador
do processo de data warehousing, o DW é considerado um conjunto de dados
baseado em assuntos, integrado, não-volátil e variável em relação ao tempo, de
apoio às decisões gerenciais (INMON, 2002).
Os data warehousing proporcionam acesso aos dados para análise complexa,
descoberta de conhecimento e tomada de decisão. Eles dão suporte às demandas
de alto desempenho por dados e informações de uma organização.
Harrisson (1998) ampliando a definição de Inmon define que um data
warehouse deve também conter dados precisos e completos. Deve ser capaz de
apoiar todas as necessidades analíticas do usuário. Tendo como princípio dar
condições ao usuário para lidar com os aspectos críticos do gerenciamento do
negócio, essas condições são baseadas nos assuntos necessários ao sucesso do
negócio, em vez de se prender a aspectos operacionais.
55
Dodge e Gormam (2000) declaram que DW não é um projeto, pois um projeto
tem um início, um cronograma que determina o fim do projeto; o projeto tem definido
os resultados esperados e as restrições do projeto; um projeto tem orçamento e tem
designado os recursos necessários. O mais importante, o projeto tem definido um
prazo de finalização. O data warehouse é implementado em uma série de
miniprojetos, cada qual deve ter todas as características assim descritas. Outro autor
importante sobre o assunto, o americano Ralph Kimball, define o DW como uma
fonte de dados que possui a capacidade de consultar as informações da
organização. O data warehouse é na realidade uma união de todas as bases de
dados constituintes da organização. O DW é alimentado por uma área especial que
prepara os dados para serem utilizados. O gerenciamento do DW é responsável
tanto pela busca das informações desejadas quanto pela preparação dessas
informações (KIMBALL, 2002)
Assim, ainda que de maneira simplista, podemos ver o DW como um banco
de dados construído a partir de diversas fontes de dados, baseado em uma analogia
com um armazém da vida real, idealizado como uma grande escala de coleção e
armazenagem, organizando áreas de dados legados. Rezende (2003) acrescenta
que é necessário também que eles contenham dados limpos, agregados e
consolidados que possam ser analisados por ferramentas OLAP (On-Line Analytical
Processing).
56
Figura 08 – Relação entre Base de Dados, Data Warehouse e Mineração de Dados.
Fonte: Sistemas Inteligentes Fundamentos e Aplicações (Rezende, 2003)
2.2.3 Mineração de Dados (MD)
2.2.3.1 Conceitos
A ênfase principal da mineração de dados é a capacidade de extração do
conhecimento contido em um grande volume de dados.
A Mineração de Dados (MD), do termo inglês Data Mining, é o processo de
vasculhar de maneira metódica, e orientada, um conjunto grande de dados à procura
de padrões, seqüências temporais e regras de associação que explicitem de alguma
maneira a relação entre dados (ou variáveis). Com isso o resultado tende a ser a
geração de uma nova coleção de dados, que represente uma sentença estabelecida
pela regra ou padrão (SOUZA, 2008). Ela surgiu do Knowledge Discovery on
Databases – KDD, que visa à obtenção de conhecimento a partir de grande massa
de dados. Esse é um processo que engloba as áreas de análise de base de dados,
aprendizado de máquina, sistemas especialistas e visualização de dados além de
57
estatística e matemática. Podemos dizer que a MD é uma etapa da KDD. Entretanto,
também podemos dizer que a linha divisória entre os processos é tênue, tendo em
vista o objetivo comum de descoberta do conhecimento.
A descoberta do conhecimento em bancos de dados (KDD – Knowledge
Discovery in Database) é um processo que engloba fases como: seleção de dados;
limpeza; enriquecimento, transformação ou codificação; data mining; construção de
relatórios e apresentação da informação descoberta. Somente depois desse préprocessamento que as técnicas de mineração de dados são utilizadas para extrair
diferentes regras e padrões. Para que esse processo gere informação significativa
que influencie na tomada de decisões, a data mining precisa ser precedida por
significativa preparação de dados.
A mineração de dados envolve um conjunto de técnicas para recuperação de
dados e busca por informações “ocultas” numa grande massa de dados, fazendo
uso de técnicas sofisticadas que vão da estatística à inteligência computacional.
Figura 09 – Recursos envolvidos na Mineração de Dados.
Fonte: Queyroi (2007)
58
A primeira, e talvez a mais importante, etapa do processo de mineração de
dados é compreender de que forma as técnicas de mineração de dados poderão
auxiliar na busca pelo conhecimento implícito nos dados, visto que essas técnicas
são agrupadas em diferentes categorias e que suas utilizações dependem
exclusivamente do tipo de conhecimento a ser extraído.
Han e Kamber (2001) propõem as seguintes etapas num processo de
mineração de dados:
1. Data cleaning: remoção de ruídos e dados inconsistentes;
2. Data integration: onde as múltiplas fontes dos dados podem ser
combinadas;
3. Data selection: onde os dados relevantes à tarefa da análise são
recuperados da base de dados;
4. Data transformation: onde os dados são transformados ou consolidados
nos formulários apropriados para mineração;
5. Data mining: um processo essencial onde os métodos inteligentes são
aplicados a fim de se extrair padrões dos dados;
6. Pattern evaluation: para identificar os padrões mais interessantes para a
representação do conhecimento, baseado em algumas medidas de
interessabilidade;
7. Knowledge apresentation: onde as técnicas de representação e de
visualização
do
conhecimento
conhecimento minerado.
são
usadas
para
apresentar
o
59
Figura 10 – Etapas do processo de mineração.
Fonte: Data Mining Concepts and Techniques (Han; Kamber, 2001)
60
Para a implementação de um projeto de mineração de dados é fundamental
desenvolver três etapas distintas: 1- a definição do problema, 2- a aquisição e
avaliação dos dados, 3- a extração de características e destaques.
As tarefas de mineração de dados são divididas em duas categorias
principais: tarefas de previsão e tarefas descritivas.
“Tarefas de previsão: o objetivo dessas tarefas é prever o valor de um determinado
atributo baseado nos valores de outros atributos. [...]”;
“Tarefas descritivas: o objetivo é derivar padrões ( correlações, tendências,
grupos, trajetórias e anomalias) que resumam os relacionamentos subjacentes nos
dados. [...].” (TAN; STEINBACH; KUMAR; 2009).
2.2.3.2 Técnicas de Mineração de Dados
Existe uma progressão do dado para a informação e para o conhecimento à
medida que evoluímos com o processamento. Para descobrir o conhecimento em
imensas bases de dados, a técnica de mineração de dados, utiliza alguns métodos:
regras de associação, classificação, agrupamento (clustering) descoberta de
padrões. Essas técnicas dividem-se em atividades preditivas e descritivas, conforme
figura 11. A Mineração de Dados Preditiva consiste na generalização de exemplos
ou experiências passadas com respostas ou regras já conhecidas. Já a Mineração
de Dados Descritiva consiste na identificação de comportamentos intrínsecos do
conjunto de dados.
61
Figura 11 - Taxonomia de Tarefas de Mineração de Dados.
Essas técnicas de mineração de dados devem ser utilizadas de acordo com o
tipo de conhecimento a ser obtido.
2.2.3.2.1 Regras de Associação
A técnica consiste na descoberta de regras que mostram condições nos
valores dos atributos que sugerem padrões de associação dos mesmos.
Essas regras buscam satisfazer uma condição encontrada em mais de um
atributo. Para a composição das regras de associação são consideradas duas
métricas: o suporte (support), e a freqüência com que os dados aparecem no
conjunto de dados, e a confiança (confidence), que indica a probabilidade de
associação entre os dados selecionados.
Essas regras relacionam a presença de determinados “valores” de um
conjunto, com outros “valores” de outro conjunto de variáveis. Exemplo: Um aluno
com nota abaixo da média na matéria X, provavelmente exibirá também uma
característica de conceito abaixo da média na matéria Y.
Outro tipo de regra de associação, são as associações multidimensionais,
suas dimensões representam atributos de um arquivo e podem ser categóricas ou
quantitativas. Os categóricos têm um conjunto finito de valores que não apresentam
62
nenhum valor ordenado, atributos quantitativos são numéricos e seus valores
apresentam um relacionamento ordenado, esses podem ser divididos em intervalos
não sobrepostos com rótulos específicos (ex.: salário >3000,00, salário < 3000).
Figura 12 - Taxonomia de itens em um supermercado.
Fonte: Sistemas de Banco de Dados (2005).
2.2.3.2.2 Classificação
A técnica consiste no processo de busca de um modelo ou função que
identifique
e
descreva
classes
diferentes
de
dados.
Essas
classes
são
predeterminadas.
Exemplo: Aplicações bancárias podem ser classificadas como risco baixo,
risco alto, risco médio. Esse tipo de atividade é também chamada de aprendizado
supervisionado.
.
Na primeira etapa, um modelo é construído descrevendo um conjunto pré-
determinado de classes e conceitos.
Na segunda etapa, o modelo é usado para classificação dos dados.
Primeiramente é estimado o nível de precisão do modelo, para fins de predição
(accuracy). Se o modelo for considerado aceitável, pode ser usado para predição, ou
seja, para classificar dados futuros nos quais a classe não for conhecida.
63
2.2.3.2.3 Agrupamento (Clustering)
As técnicas anteriores tratam com divisão de dados baseadas no uso de
amostras pré-classificadas. No agrupamento os dados são divididos sem uma
amostra de treinamento, chamado aprendizado não supervisionado.
O objetivo do agrupamento é colocar os registros em grupos, de tal forma que
os registros de um grupo sejam similares aos demais do mesmo grupo e diferentes
daqueles dos demais grupos. Esses grupos são disjuntos. Exemplo: Grupos de
clientes que tenham padrões parecidos de compras, pacientes que tem reações
parecidas a determinado medicamento, etc..
2.2.3.2.4 Padronização
A técnica de extração de padrões consiste na aplicação dos algoritmos de
mineração selecionados com o fim de extrair padrões embutidos nos dados.
Carvalho (2009) descreve a capacidade de reconhecimento e classificação de
padrões é uma das mais fundamentais características da inteligência humana. De
um modo geral, o reconhecimento de padrões pode ser definido como um processo
que procura por estruturas nos dados e os classificam de acordo com o grau de
relação entre eles.
A mineração de dados preditiva consiste na generalização de exemplos ou
experiências passadas com respostas conhecidas ou regras estabelecidas. Os dois
principais tipos de tarefas para predição são classificação e regressão.
• A classificação consiste na predição de um valor categórico como, por
exemplo, predizer se vai chover ou não, se o cliente provavelmente vai
pagar em dia ou não.
• A regressão, estabelece que o atributo a ser predito consiste em um valor
não discreto ou contínuo como, por exemplo, predizer o lucro ou a perda em
um empréstimo (WEISS e INDURKHYA, 1998).
64
3 METODOLOGIA
Esse capítulo descreve os aspectos metodológicos envolvidos nesse projeto
de pesquisa, como: classificação, abordagem, delimitação, amostra, etapas e
limitações da pesquisa.
3.1
DEFINIÇÃO DE PESQUISA
Segundo Gil (1999, p.42): “Pode-se definir pesquisa como o processo formal
e sistemático de desenvolvimento do método científico. O objetivo fundamental da
pesquisa é descobrir respostas para problemas, mediante o emprego de
procedimentos científicos.”
Para Yin (1989), o Projeto de Pesquisa pode ser definido como (...) ”a
sequência lógica que conecta os dados empíricos às questões iniciais de estudo da
pesquisa e, por fim, às suas conclusões".
Para Marconi e Lakatos (2001):
“A pesquisa pode ser considerada um procedimento formal com método de
pensamento reflexivo que requer um tratamento cientifico e se constitui no
caminho para se conhecer a realidade ou para descobrir verdades parciais.
Significa muito mais do que apenas a verdade: é encontrar respostas para
questões propostas, utilizando modelos científicos.”
Dessa forma, essa pesquisa visa beneficiar o processo de análise de redes
sociais com o auxílio das técnicas de data mining.
3.2
ESTUDO DE CASO
Para a elaboração dessa pesquisa, será adota a estratégia denominada
estudo de caso, segundo Yin (2005), essa estratégia é comumente utilizada na
psicologia, sociologia, ciência política, trabalho social, administração e planejamento
social e até mesmo na economia. Essa estratégia engloba vários métodos que,
tratados dentro de uma lógica com base em um planejamento estruturado e com
técnicas de coletas de dados, provem o entendimento dos fenômenos empíricos,
levando o pesquisador a contribuir com o conhecimento.
65
Segundo Mantovani (2004), o estudo de caso se caracteriza pelo estudo
profundo e exaustivo de um ou poucos objetos, de maneira a permitir conhecimento
amplo e detalhado do mesmo. Na visão de Stoeckicht (2005) o estudo de caso
permite a investigação de um fenômeno contemporâneo dentro do seu contexto na
vida real, especialmente quando os limites entre o fenômeno e o contexto não se
encontram claramente definidos.
De acordo com Gil (1999, p.72):
“O estudo de caso é caracterizado pelo estudo profundo e exaustivo de um ou de
poucos objetos, de maneira a permitir o seu conhecimento amplo e detalhado,
tarefa praticamente impossível mediante os outros tipos de delineamentos
considerados.”
Dentro do contexto dessa pesquisa, a melhor opção parece ser o estudo de
caso. Com ele, pretende-se entender as principais características dos conectores
centrais das redes sociais informais.
A
pesquisa
será
executada
através
de
questionários
estruturados,
investigando os indivíduos das redes para verificar e analisar as principais
características comportamentais dos mesmos.
Através da utilização do estudo de caso como estratégia de pesquisa, podese efetuar uma ampla coleta de dados e uma investigação objetiva das análises dos
mesmos.
3.3
CLASSIFICAÇÃO DA PESQUISA
A qualidade do estudo está relacionada com a atenção do autor a alguns
aspectos e classificações das pesquisas.
Segundo SÁ (2008), as pesquisas podem ser classificadas quanto aos fins e
aos meios:
“Quanto aos fins, à pesquisa pode ser: exploratória, descritiva, explicativa,
metodológica, aplicada e intervencionista.”
“Quanto aos meios de investigação, pode ser: pesquisa de campo, pesquisa de
laboratório, documental, bibliográfica, experimental, expost facto, participante,
pesquisa-ação e estudo de caso.”
66
Segundo Silva (2007) a pesquisa aplicada tem como objetivo gerar
conhecimentos para a aplicação prática.
Gil (1999) descreve que a forma de abordagem da pesquisa é considerada
descritiva à medida que expõe as características de determinada população ou
fenômeno específico, suas expectativas e percepções estabelecendo correlações
entre variáveis.
Uma pesquisa é considerada explicativa quando a mesma visa identificar os
fatores que contribuem ou determinam para a ocorrência do fenômeno e aprofunda
o conhecimento da realidade explicando o “porque” das coisas.
Seguindo os critérios de classificação de Silva (2007), Gil (1999) e Vergara
(1998), esse trabalho se caracteriza quanto aos fins: como uma pesquisa aplicada,
descritiva-explicativa. Quanto aos meios de investigação: será utilizada uma
pesquisa bibliográfica e um estudo de caso. Essa pesquisa bibliográfica envolve
livros, dissertações, artigos, revistas especializadas e sites na internet.
3.4
ABORDAGEM DA PESQUISA
Acerca da abordagem do problema da pesquisa, podemos classificá-la como
quantitativa ou qualitativa.
“Quantitativa – essa abordagem parte de hipóteses dedutivas sobre teorias
utilizadas e as converte em variáveis possíveis de serem mensuradas. [...] Os
dados são coletados de forma que hipóteses sejam testadas por inferência
estatística;”
“Qualitativa – enfatiza a captação de perspectivas e interpretações dos indivíduos
estudados, focando no entendimento de determinado fenômeno, produto da
interpretação e dos significados a ele atribuídos pelo pesquisador, e não na
freqüência com que ocorre tal fenômeno.” Guedes
(2008).
De acordo com Neves (1996), a pesquisa quantitativa tem sido largamente
presente na pesquisa social para explicar e descrever os fenômenos. Esse método
trata as questões estatísticas mediante as hipóteses estabelecidas. Porém, hoje está
cada vez mais promissora a pesquisa qualitativa, que surgiu na Antropologia e na
Sociologia, e que, nos últimos 30 anos vem ganhando espaço nas áreas da
Psicologia, Administração e Educação.
67
Segundo Minayo (1993) a pesquisa qualitativa responde a questões muito
particulares. Ela se preocupa, nas ciências sociais, com um nível de realidade que
não pode ser quantificado, ou seja, ela trabalha com o universo de significados,
motivos, aspirações, crenças, valores e atitudes, o que corresponde a um espaço
mais profundo das relações dos processos e dos fenômenos que não podem ser
reduzidos à operacionalização de variáveis.
Para Demo (2000), as metodologias qualitativas são geralmente consideradas
como pesquisa participante, pesquisa ação, levantamento feitos através de
questionários abertos ou diretamente gravados, história oral, análises de grupo.
Nessa pesquisa, adotou-se o método de pesquisa qualitativo, por se tratar de
um estudo de caso, onde o entrevistador irá interagir com os entrevistados, para a
aplicação dos questionários na busca da compreensão das características de cada
indivíduo da rede.
Figura 13 - Tipologia da pesquisa.
Há várias abordagens de estudo das redes sociais: tecnológica (foco na
tecnologia da informação), metafórica (explicação de conceitos e origens); e
analítica.
68
Nesse estudo será utilizada a abordagem analítica, centrada na metodologia
de análise de redes, com maior detalhamento na dimensão posicional, visto que
analisaremos as características dos atores posicionados de forma central na rede.
3.5
POPULAÇÃO ALVO
As três redes estudadas são formadas por discentes de instituições e cursos
diferentes, a fim de buscar uma amostra de redes diversificada.
A primeira rede é composta por alunos do oitavo período do curso de
graduação em Serviço Social de uma faculdade particular, UNIPAC. A segunda rede
é composta por alunos do sétimo período do curso de graduação em Engenharia de
Controle e Automação de uma faculdade pública, CEFET. E a terceira é composta
por alunos do oitavo período do curso de graduação em Biomedicina de uma
faculdade particular, UNIPAC. Ambas as faculdades localizadas na cidade de
Leopoldina, Minas Gerais.
Gráfico 01 – Tempo de formação das redes estudadas
69
Gráfico 02 – Tamanho das redes estudadas.
3.6
ETAPAS DA PESQUISA
Esse estudo será desenvolvido em quatro etapas:
Figura 14 – Etapas da pesquisa.
70
3.6.1 Pesquisa bibliográfica
A pesquisa bibliográfica envolveu livros, dissertações, artigos, periódicos,
internet.
de Dados
Fonte deFontes
Dados
Bibliográficos
23%
Testes e Dissertações
Seminários e Congressos
Científicos
44%
5%
Sites
Periódicos Especializados
14%
Livros Técnicos
14%
Gráfico 03 – Fontes de Dados Bibliográficos.
3.6.2 Coleta de dados
Nessa etapa o fator crucial é a elaboração de um questionário bem
estruturado, que consiga investigar os questionamentos que a pesquisadora busca
responder com essa pesquisa. Esse terá questões abertas e fechadas, contendo
perguntas relativas aos tipos de relacionamento que serão mapeados e informações
sobre os principais atributos individuais dos entrevistados conectados nas
respectivas redes sociais.
Minayo (1993) diz que, tendo por base a forma como se estrutura uma
entrevista, pode-se classificá-la em diversos tipos, tais como: sondagem de opinião,
entrevista aberta, entrevista não-diretiva centrada ou entrevista focalizada e
entrevista semi-estruturada. Nesse estudo, será utilizada a entrevista semiestruturada, que combina perguntas fechadas e abertas, pois é a que melhor atende
aos objetivos propostos.
Segundo Guimarães e Melo (2005), uma vez coletada as informações através
da metodologia de redes sociais, é possível ter uma visão abrangente de como
71
ocorre à transferência de conhecimento dentro da organização, ainda segundo os
mesmos: [...] a técnica também pode ser utilizada para identificar as dificuldades
de comunicação entre as pessoas de um mesmo processo chave ou grupo.
Para a aplicação do questionário, é de suma importância uma boa
apresentação do projeto de pesquisa aos entrevistados a fim de gerar credibilidade e
garantia de que esses estarão participando de um projeto sério e confiável. Segundo
Silva (2003) um ponto relevante é a questão da confiança a ser conquistada pelo
entrevistador para a obtenção de respostas honestas às questões.
3.6.3 Tratamento e análise dos dados
Essa etapa terá duas fases distintas:
•
mapeamento das redes e análise posicional dos indivíduos a elas
conectados;
•
criação de uma base de dados com os atributos dos atores de destaque
das redes e aplicação de data mining para identificação de padrões.
Na primeira fase, será utilizado o software UCINET 6.0, para tabulação,
análise das redes, e identificação dos atores principais e os papéis que esses
desempenham nas redes analisadas.
Na segunda fase, será utilizado o software WEKA para tabulação dos
atributos dos indivíduos identificados na fase anterior como conectores centrais das
redes na busca de reconhecimento de padrões comportamentais.
3.7
LIMITAÇÃO DA PESQUISA
Essa pesquisa limita-se ao processo de conhecimento das características que
envolvem os atores de destaque com base nas perspectivas estruturais e relacionais
de redes informais do meio acadêmico de cursos de graduação em instituições
públicas e privadas da cidade de Leopoldina-MG. Há de se considerar que há uma
tendência dos entrevistados omitirem ou distorcerem algumas informações em
virtude de considerá-las pessoais, estratégicas ou mesmo sigilosas.
72
Outro critério a ser considerado como dificultador, é o próprio método
escolhido pela pesquisadora. Por se tratar de um estudo de caso de apenas três
redes de alunos não se pode generalizar as evidencias encontradas nessas redes
para toda e qualquer turma de graduação.
73
4 ESTUDO DE CASO
4.1
ETAPAS DO ESTUDO
Nesse estudo de caso, serão apresentadas as análises e diagnósticos das
dimensões posicionais e relacionais, ou seja, das formas de construção, de redes
sociais de discentes de graduação de distintas turmas e instituições de ensino
públicas e privadas da cidade de Leopoldina-MG.
Foram analisados os tipos e padrões básicos das relações envolvidas nessas
redes caracterizadas por padrões de conteúdos específicos nelas transacionados.
Na pesquisa serão consideradas na análise final as redes de trabalho, confiança e
amizade. Não farão parte desse estudo análises estatísticas e matemáticas da
dimensão estrutural das redes sociais apresentadas.
Para tal, foram entrevistados todos os alunos de três turmas (redes) de
graduação através de um questionário qualitativo aplicado nos integrantes das
redes. Para o mapeamento das três redes em questão, foram inseridas no contexto
das entrevistas as seguintes perguntas:
Trabalho - “De modo geral, quais as pessoas da turma a quem você recorre quando
está com dúvidas em relação a alguma matéria do curso?”
“Se você precisar tirar nota máxima em um trabalho final, quais pessoas da turma
você gostaria que fossem da sua equipe?”
Confiança - “Se você fosse o líder de uma empresa, no ramo de seu curso, quais
alunos da turma você convidaria para trabalhar em sua equipe?”
“A quais pessoas da turma você delegaria um projeto na confiança de que esse seja
executado com qualidade e dentro do prazo?”
Amizade - “Com quais pessoas da turma você convive fora da sala de aula? “
Através das respostas obtidas nos questionários, foi elaborado o mapeamento e análise das redes com a utilização do software UCINET 6.0. Essa análise
relacional das redes informais de trabalho, confiança e amizade diagnosticadas
entre os grupos de alunos, teve por objetivo identificar os atores que atuam como
conectores centrais (entrada e Bonacich) e corretores de informação, nas mesmas.
74
Na etapa seguinte, foi criada uma base de dados com os atributos que
contêm informações comportamentais de cada um dos indivíduos diagnosticados na
etapa anterior como conectores centrais. Com a utilização do software de data
mining WEKA, os atributos dos conectores centrais foram analisados através de
algoritmos de atividades descritivas e preditivas na busca de uma análise mais
aprimorada do perfil desses indivíduos que exercem posição central e de grande
importância na fluência da informação na rede social de sua atuação.
4.2
ANÁLISE DAS REDES SOCIAIS ATRAVÉS DE SOFTWARE ARS
Nesse estudo, foram analisadas três redes sociais informais, de pequenas
dimensões, formadas por turmas de graduação de distintos cursos e instituições de
ensino. Para o desenvolvimento desse estudo, foi utilizado o software de Análise de
Redes Sociais UCINET. Esse é um software freeware, distribuído pela Analytic
Technologies. Esse inclui medidas de centralidade, identificação de subgrupos,
teoria de grafos e análises estatísticas. O software trabalha em conjunto com o
NETDRAW, utilizado para desenhar e visualizar diagramas de redes sociais.
Esse estudo foi centrado nos atores principais (altos índices de Bonacich, de
centralidade de entrada, e de intermediação) de cada uma das redes, objetivando
analisar a importância desses indivíduos em suas respectivas redes. Segundo
Castro (2005), as formas como os indivíduos estão conectados afetam seu
comportamento. Indivíduos mais conectados influenciam mais e são mais
influenciados, além de possuir maior mobilidade e maiores perspectivas de
resolução de problemas.
Durante a análise foram considerados como primeiro indicador o tamanho da
rede e sua densidade, a fim de conhecer o padrão de conectividade geral da rede.
Posteriormente foram calculados os índices de centralidade das redes, onde foram
considerados como fatores importantes para essa análise os atores com altos
índices de entrada (InDegree). Através desse índice, pôde-se diagnosticar a
popularidade dos atores com relação aos demais participantes da rede. Após essa
análise foram calculadas a centralidade de intermediação dos nós, que revela a
possibilidade que um ator tem para intermediar as comunicações entre pares de nós
75
e a centralidade de Bonacich que é um indicador do poder de influência dos atores
sobre os demais nós da rede.
Nessa análise não foi feita a simetrização das redes, pois para o
desenvolvimento desse estudo não era necessário tomar conhecimento da
reciprocidade nas relações dos alunos considerados centrais por seus parceiros de
rede. Podendo então desconsiderar a existência, ou não, dessa reciprocidade
dessas relações de trabalho, confiança ou amizade.
É importante ressaltar, que a medida que os primeiros números e gráficos
foram sendo analisados, foi possível perceber o grande potencial das ferramentas
de análise de redes sociais, mais especificamente do software UCINET. A cada
nova matriz de adjacência analisada, novas visões foram sendo construídas. Visões
essas que passavam despercebidas aos olhos da pesquisadora antes da aplicação
da técnica de análise de redes sociais, mesmo após longos anos de convivência
com os referidos alunos. Gradativamente novas visões foram sendo construídas,
repleta de detalhes, e descobertas sobre os prováveis aspectos influenciadores no
desempenho, nas atitudes e na formação das redes dos alunos analisados
esclarecendo muitos dos questionamentos sobre o desempenho e a postura dos
atores das redes.
76
4.2.1 Turma 1
A população dessa rede é composta por 28 atores, alunos do oitavo período
do curso de Serviço Social da UNIPAC campus Leopoldina. Esses atores foram
analisados a partir de uma matriz idêntica onde foram encontrados os seguintes
indicadores:
Rede de Trabalho
Rede de Confiança
Tamanho da rede = 28
Densidade = 11,77 % Densidade =13,76 %
Nº de Ligações = 89
Nº de Ligações= 104
Rede de Amizade
Densidade = 23,94 %
Nº de Ligações = 181
Grau de Centralidade da Rede
Entrada = 33,88 %
Saída = 14,67 %
Entrada = 39,50 %
Saída = 12,62 %
Entrada = 28,94 %
Saída = 78,87 %
Tabela 01 – Análise das Redes de Trabalho, Confiança e Amizade – Turma 1
4.2.1.1 Análise da Rede de Trabalho
A rede informal de trabalho possui 28 atores. Essa rede possui 756 relações
potenciais, das quais apenas 89 são relações efetivas, alcançando uma densidade
de 0,1177. Com esse valor analisado de forma absoluta, pode-se inferir que essa é
uma rede de baixa densidade, pois apenas 11,77 % do potencial da rede está sendo
utilizado.
77
Quadro 06 – Densidade da Rede de Trabalho – Turma 1.
Segundo Martinho, quanto mais conexões existirem na rede mais produtiva
ela será em seu conjunto e quanto maior o inter-relacionamento maior a união entre
os atores. O baixo nível de conexões apresentado nessa rede, indica uma rede
pouco coesa, portanto fraca.
78
Quadro 07 – Centralidades de Entrada e Saída dos atores da Rede de Trabalho – Turma 1
Esta tela de saída do UCINET apresenta os valores dos índices de
centralidade de entrada, InDegree e os valores dos índices de centralidade de saída,
OutDegree de cada um dos alunos dessa rede. Através da análise dos índices de
centralidade de entrada da rede percebe-se a importância de 3 atores, que
desempenham o papel de conectores centrais, com índices de centralidade de
entrada acima da média geral de centralidade de entrada da rede de 33,88%. São
eles: Aline, Maria Célia e Beatriz. Esses índices caracterizam o papel de destaque
desses nós quanto à popularidade em relação aos outros integrantes da rede.
79
Fluxo informal de
ligações entre indivíduos
de uma mesma turma
para o desempenho de
trabalhos avaliativos.
Figura 15 – Análise Estrutural da Rede de Trabalho – Turma 1.
Ao analisar a figura 15, podemos perceber que essa é uma rede com
conectores centrais bem definidos, com alguns atores nas periferias da rede.
O quadro 08 apresenta tela gerada pelo UCINET com a representação dos
indivíduos que exercem função de corretores de informação, Betweennewss. Nesta
rede, esta função é desempenhada coincidentemente por 3 atores: Aline, Maria
Célia e Cíntia. Percebe-se nessa análise que o ator Beatriz que apresentava alto
índice de centralidade de entrada não atua na rede como intermediador ou corretor
de informação.
80
Quadro 08 – Centralidade de Intermediação dos atores da Rede de Trabalho – Turma 1
Através da classificação de Bonacich, foi constatado que com exceção do ator
Aline, os atores considerados os melhores alunos da Turma 1, Cíntia e Maria Célia,
não são os que detêm o poder na rede. Nessa análise assumiram posição de
destaque os atores Camilla, Maria Aparecida e Patrícia, que apresentam
participação insignificante no que diz respeito à centralidade de entrada.
Quadro 09 – Centralidade de Bonacich dos atores da Rede de Trabalho – Turma 1
81
Através das análises descritas anteriormente, é possível inferir que nessa rede
não é característica dos melhores alunos, com exceção de Aline, serem os alunos
de maior poder dentro da rede.
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Maria Célia
Aline
Beatriz
Intermediação
(Corretor de
Informação)
Aline
Maria Célia
Cíntia
Bonacich
(Poder)
Aline
Maria Aparecida
Patricia
Camilla
Tabela 02 – Atores em destaque da Rede de Trabalho – Turma 1
82
4.2.1.2 Análise da Rede de Confiança
A rede informal de confiança possui 28 atores. Essa rede possui 756 relações
potenciais, das quais 104 são relações efetivas, alcançando uma densidade de
0,1376. Com esse valor analisado de forma absoluta, pode-se inferir que essa é uma
rede de baixa densidade, pois apenas 13,76 % do potencial da rede está sendo
utilizado. Entretanto comparando com a rede de trabalho analisada anteriormente,
essa é uma rede com maior número de ligações e mais coesa.
Quadro 10 – Densidade da Rede de Confiança – Turma 1.
83
Quadro 11 – Centralidades de Entrada e Saída dos atores da Rede de Confiança – Turma 1
Ao efetuar a análise das centralidades da rede, pode-se observar que 2 atores
desempenham o papel de conector central com índices de centralidade de entrada,
NrmInDeg acima da média geral de centralidade de entrada da rede de 39,50%. São
eles: Maria Célia e Beatriz que aparecem com forte influência, com base na
quantidade de citações por outros atores. Esses índices caracterizam o papel de
destaque desses nós quanto à popularidade em relação aos outros integrantes da
rede.
84
Figura 16 – Análise Estrutural da Rede de Confiança – Turma 1.
Fluxo informal de
ligações assimétricas de
confiança entre
indivíduos de uma
mesma turma .
Já os papéis de corretores de informação - Betweenness, representados no
quadro 12, são desempenhados por 2 atores: Aline e Maria Célia, percebe-se nessa
análise que da mesma forma que ocorreu na rede de trabalho, o ator Beatriz que
apresentava alto índice de centralidade de entrada não atua na rede como corretor
de informação..
Quadro 12 – Centralidade de Intermediação dos atores da Rede de Confiança – Turma 1
85
Outro nó de destaque é Aline que não apareceu como ponto central nessa
rede de confiança, apresenta um papel importante com alto nível de intermediação
entre os demais nós da rede.
Através da classificação de Bonacich, representada no quadro13, verifica-se
que nenhum dos atores considerados os melhores alunos da Turma 1 e portanto nós
centrais da rede, são os que detêm o poder na rede. Nessa análise assumiram
posição de destaque os atores: Aline, Josiane e Leandro, que apresentam
participação insignificante no que diz respeito a centralidade de entrada e que
exceto Aline, não tiveram nenhum destaque na rede de trabalho analisada no item
4.3.1.1.
Quadro 13 – Centralidade de Bonacich dos atores da Rede de Confiança – Turma 1
Segundo Degenne e Forsé (1994, p.162) um ator central ligado a outros
atores centrais pode ser considerado com detentor de um poder importante. Em uma
situação de negociação, esse ator ocupa uma posição dominante, que é bem
traduzida pelo índice de centralidade de Bonacich.
86
Através dessas análises é possível inferir que nessa rede os atores que atuam
como corretores de informação e que detêm o poder sobre os respectivos nós da
rede não são os nós centrais, ou os melhores alunos da Turma 1.
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Maria Célia
Beatriz
Intermediação
(Corretor de
Informação)
Aline
Maria Célia
Bonacich
(Poder)
Aline
Josiane
Leandro
Tabela 03 – Atores em destaque da Rede de Confiança – Turma 1
87
4.2.1.3 Análise da Rede de Amizade
A rede informal de amizade possui 28 atores. Essa rede possui 756 relações
potenciais, das quais 181 são relações efetivas, alcançando uma densidade de
0,2394. Com esse valor analisado de forma absoluta, pode-se afirmar que essa é
uma rede de baixa densidade, pois apenas 23,94 % do potencial da rede está sendo
utilizado. Entretanto comparando com as rede de trabalho e de confiança, que
apresentaram respectivamente densidades de 11,77% e 13,76%, pode-se
considerar a rede de amizade a rede de mais alta densidade e com maior número de
conexões da Turma 1.
Quadro 14 – Densidade da Rede de Amizade – Turma 1.
88
Quadro 15 – Centralidades de Entrada e Saída dos atores da Rede de Amizade – Turma 1
Pode-se evidenciar, através da análise das centralidades da rede, mais
especificamente do índice de centralidade de entrada, Indegree apresentado no
quadro 15, que 4 atores desempenham o papel de conector central com índices de
centralidade de entrada acima da média geral de centralidade de entrada da rede de
28,94%.São eles: Beatriz, Tatiana, Maria Célia e Lucélia. Esses índices caracterizam
o papel de destaque desses nós quanto à popularidade em relação aos outros
integrantes da rede. Numa análise mais detalhada, pode-se diagnosticar que na
rede de amizade, vários nós apresentam índices de centralidade de entrada acima
da média, apesar de não apresentarem valores tão elevados quanto os citados
acima. O que demonstra várias relações espontâneas de amizade entre os
indivíduos da rede.
89
Fluxo informal de
ligações entre indivíduos
de uma mesma turma
que mantêm uma
relação espontânea de
amizade
Figura 17 – Análise Estrutural da Rede de Amizade – Turma 1.
Com base na figura 17, podemos identificar uma rede com grande número de
conexões, o que facilita o tráfego de informações na rede. Nessa rede percebemos
também que todos os atores, sem exceção estão conectados à rede.
Quadro 16 – Centralidade de Intermediação dos atores da Rede de Amizade – Turma 1
90
O quadro 16, gerado pelo software UCINET demonstra que nessa rede, os
papéis de intermediadores ou corretores de informação são desempenhados por 3
atores: Aline, Leandro e Camilla. Ao fazer um comparativo com os índices de
centralidade percebe-se que nenhum desses atores que desempenham papel de
grande importância nas ligações entre os demais atores da rede têm índices de
centralidade de entrada, Indegree elevado.
Através da classificação de Bonacich, apresentada no quadro 17, destacamse dois nós com valores muito elevados de poder sobre a rede em relação aos
demais. Esses são os nós: Camilla e Leandro que também apresentaram altos
índices de intermediação, nBetweenness, o que leva a uma conclusão de que sua
facilidade de intermediar as comunicações entre vários nós da rede pode estar
ligada com seu alto poder dentro da mesma.
Quadro 17 – Centralidade de Bonacich dos atores da Rede de Amizade – Turma 1
91
Para Castells (2003) e Castro (2005), o poder é propriedade fundamental das
redes sociais, e é conseqüência dos padrões de relacionamentos e de
posicionamento na rede.
Através dessas análises pode-se inferir que nessa rede, como na rede de
confiança, alguns dos atores que atuam como corretores de informação são os que
detêm o poder sobre os respectivos nós da rede, apesar desses não apresentarem
papel de destaque como nós centrais. O que traz à tona a idéia de que os melhores
alunos da Turma 1 não podem ser caracterizados como os mais importantes da rede
de amizade.
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Beatriz
Tatiana
Maria Célia
Lucélia
Intermediação
(Corretor de
Informação)
Aline
Leandro
Camilla
Bonacich
(Poder)
Camilla
Leandro
Tabela 04 – Atores em destaque da Rede de Amizade – Turma 1
92
4.2.2 Turma 2
A população dessa rede é composta por 17 atores, alunos do sétimo período
do curso de Engenharia de Controle e Automação do CEFET campus Leopoldina.
Esses atores foram analisados a partir de uma matriz idêntica onde foram
encontrados os seguintes indicadores:
Rede de Trabalho
Rede de Confiança
Tamanho da rede = 17
Densidade = 20,96 % Densidade =31,99 %
Nº de Ligações = 57
Nº de Ligações= 87
Rede de Amizade
Densidade = 40,44 %
Nº de Ligações = 110
Grau de Centralidade da Rede
Entrada = 31,64 %
Saída = 78,12 %
Entrada = 25,78 %
Saída = 72,26 %
Entrada = 16,79 %
Saída = 63,28 %
Tabela 05 – Análise das Redes de Trabalho, Confiança e Amizade – Turma 2
4.2.2.1 Análise da Rede de Trabalho
A rede informal de trabalho possui 17 atores. Essa rede possui 272 relações
potenciais, das quais apenas 57 são relações efetivas, alcançando uma densidade
de 0,2096. Com esse valor analisado de forma absoluta, é possível inferir que essa
é uma rede de baixa densidade, pois apenas 20,96 % do potencial da rede está
sendo utilizado.
Quadro 18 – Densidade da Rede de Trabalho – Turma 2.
93
Quadro 19 – Centralidades de Entrada e Saída dos atores da Rede de Trabalho – Turma 2
Ao se analisar as centralidades de entrada NrmInDeg, da rede, apresentadas
no quadro 19 gerado pelo UCINET. Pode-se observar que 5 atores desempenham o
papel de conector central com índices de centralidade de entrada acima da média
geral de centralidade de entrada da rede de 31,64%. São eles: Fabio, Amanda,
Fabio Taroco, Karina e Rafael. Esses índices caracterizam o papel de destaque
desses nós quanto à popularidade em relação aos outros integrantes da rede. Cabe
ressaltar que o nó Fabio possui índices de centralidade muito acima dos demais.
94
Rede informal de alunos
de uma mesma turma
que se relacionam para
o desempenho de
trabalhos cotidianos do
curso.
Figura 18 – Análise Estrutural da Rede de Trabalho – Turma 2.
A figura 18, desenvolvida no software NETDRAW, com base na matriz
assimétrica da rede de trabalho da Turma 2, apresenta uma rede pouca coesa, com
alguns atores em posições periféricas e um ator completamente desconectado da
rede.
Nessa rede os papéis de corretores de informação são desempenhados por
apenas 2 atores: Amanda e Fabio Taroco, quadro 20. Percebe-se nessa análise que
os atores Fabio, Karina e Rafael que apresentavam alto índice de centralidade de
entrada não atuam na rede como intermediadores, nBetweenness.
Quadro 20 – Centralidade de Intermediação dos atores da Rede de Trabalho – Turma 2
95
Através da classificação de Bonacich, gerada pelo UCINET e apresentada no
quadro 21, foi diagnosticado que o grande poder na rede está apenas com um nó
Karina. Que apesar de não atuar como corretor de informação, pela análise de
centralidade de entrada, está entre os nós considerados melhores alunos da Turma
2.
Quadro 21 – Centralidade de Bonacich dos atores da Rede de Trabalho – Turma 2
96
Através dessas análises pode-se afirmar que nessa rede apesar da existência
de muitos alunos com altos índices de centralidade de entrada, há também outros
com baixa conectividade e curiosamente, essa rede apresenta também o poder
centralizado em apenas um nó.
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Fabio
Amanda
Fabio Taroco
Karina
Rafael
Intermediação
(Corretor de
Informação)
Amanda
Fabio Taroco
Bonacich
(Poder)
Karina
Tabela 06 – Atores em destaque da Rede de Trabalho – Turma 2
97
4.2.2.2 Análise da Rede de Confiança
A rede informal de confiança possui 17 atores. Essa rede possui 272 relações
potenciais, das quais 71 são relações efetivas, alcançando uma densidade de
0,2610. Com esse valor analisado de forma absoluta, pode-se afirmar que essa é
uma rede de baixa densidade, pois apenas 26,10 % do potencial da rede está sendo
utilizado. Entretanto comparando com a rede de trabalho analisada anteriormente,
essa é uma rede com número um pouco maior de ligações e um pouco mais coesa.
Quadro 22 – Densidade da Rede de Confiança – Turma 2.
98
Quadro 23 – Centralidades de Entrada e Saída dos atores da Rede de Confiança – Turma 2
Ao desenvolver a análise das centralidades da rede, pode-se observar que 6
atores apresentam índices de centralidade de entrada, NrmInDeg, acima da média
geral de centralidade de entrada da rede de 39,50%. São eles: Fabio, Amanda,
Laura, Tamyres, Diogo, Julio César. É uma quantidade relativamente grande já que
trata-se de uma rede pequena de apenas 17 atores. Esses índices caracterizam o
papel de destaque desses nós quanto à popularidade em relação aos outros
integrantes da rede.
99
Indivíduos conectam-se
espontaneamente por
perceberem grau de
responsabilidade e
valores em comum.
Figura 19 – Análise Estrutural da Rede de Confiança – Turma 2.
Nessa rede, os papéis de corretores de informação, nBetweenness, são
desempenhados por 2 atores: Fabio e Amanda. Analisando o quadro 24, percebe-se
que os atores em destaque como corretores de informação também atuam como
alunos centrais da Turma 2, considerados dentre o grupo dos melhores alunos.
Quadro 24 – Centralidade de Intermediação dos atores da Rede de Confiança – Turma 2
100
Através da classificação de Bonacich, quadro 25, é possível diagnosticar que
o grande poder na rede está apenas com um nó Fabio. Que nessa rede apresentou
os mais altos índices de centralidade de entrada, de intermediação e de Bonacich,
demonstrando que esse ator exerce papel fundamental para a troca e disseminação
de informação na rede de confiança dos alunos da Turma 2.
Quadro 25 – Centralidade de Bonacich dos atores da Rede de Confiança – Turma 2
Segundo Kuipers (1999), as relações de amizade e suporte social
desenvolvem-se rapidamente durante curto período de tempo, enquanto que o
desenvolvimento de laços de confiança requer mais tempo e dura mais tempo.
101
Através dessas análises pode-se inferir que nessa rede há como na rede de
trabalho a centralização do poder em um único nó. Entretanto nessa rede a
importância do nó Fabio ficou ainda mais explícita, pois ele também é considerado o
melhor aluno e o aluno com maior poder de intermediar os demais nós da rede.
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Fabio
Amanda
Laura
Tamyres
Diogo
Julio Cesar
Intermediação
(Corretor de
Informação)
Fabio
Amanda
Bonacich
(Poder)
Fabio
Tabela 07 – Atores em destaque da Rede de Confiança – Turma 2
102
4.2.2.3 Análise da Rede de Amizade
A rede informal de amizade possui 17 atores. Essa rede possui 272 relações
potenciais, das quais 75 são relações efetivas, alcançando uma densidade de
0,2757. Com esse valor analisado de forma absoluta, pode-se afirmar que essa é
uma rede de baixa densidade, pois apenas 27,57 % do potencial da rede está sendo
utilizado. Entretanto comparando com as rede de trabalho e de confiança, que
apresentaram respectivamente densidades de 20,96% e 26,10%, pode-se
considerar que as três redes têm uma coerência no que diz respeito a densidade e
número de ligações.
Quadro 26 – Densidade da Rede de Amizade – Turma 2.
103
Quadro 27 – Centralidades de Entrada e Saída dos atores da Rede de Amizade – Turma 2
Ao se analisar as centralidades da rede geradas pelo UCINET, é possível
observar uma rede com diversos atores com índices de centralidade de entrada,
NrmInDeg, acima da média geral de centralidade de entrada da rede de 10,547.
Pode-se considerar que nessa rede de amizades não há nós centrais, pois
praticamente todos os nós apresentam altos índices de centralidade de entrada.
Cabe ressaltar que a lição trazida pela densidade é de quanto maior for o
número de conexões da rede, mais compacta, integrada e coesa será essa rede.
104
Rede informal de
amizade coesa, sem
atores de destaque.
Figura 20– Análise Estrutural da Rede de Amizade – Turma 2
Quadro 28 – Centralidade de Intermediação dos atores da Rede de Amizade – Turma 2
105
Nessa rede, os papéis de corretores de informação ou intermediadores
apresentados no quadro 28, são desempenhados por 2 atores: Karina e Fabio, que
também apresentam papéis importantes nas redes de trabalho e confiança.
Quadro 29 – Centralidade de Bonacich dos atores da Rede de Amizade – Turma 2
Através dessas análises pode-se inferir que nessa rede há uma forte ligação
entre praticamente todos os nós, não havendo indivíduos em destaque,
praticamente todos se relacionam com os outros nós da rede. Apesar disso, apenas
dois indivíduos têm maior poder de intermediação e três atores apresentam maior
poder sobre a rede como um todo.
106
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Karina
Fabio
Gustavo
Mateus
Alexandre
Diogo
Julio César
Intermediação
(Corretor de
Informação)
Karina
Fabio
Bonacich
(Poder)
Amanda
Karina
Laura
Tabela 08 – Atores em destaque da Rede de Amizade – Turma 2
107
4.2.3 Turma 3
A população dessa rede é composta por 28 atores, alunos do oitavo período
do curso de Biomedicina da UNIPAC campus Leopoldina. Esse atores foram
analisados a partir de uma matriz idêntica onde foram encontrados os seguintes
indicadores:
Rede de Trabalho
Rede de Confiança
Rede de Amizade
Tamanho da rede = 28
Densidade = 7,41 %
Densidade = 8,20 %
Nº de Ligações = 56
Nº de Ligações= 62
Densidade = 6,22 %
Nº de Ligações = 47
Grau de Centralidade da Rede
Entrada = 15,36 %
Saída = 15,36 %
Entrada = 14,54 %
Saída = 18,38 %
Entrada = 16,59 %
Saída = 16,59 %
Tabela 09 – Análise das Redes de Trabalho, Confiança e Amizade – Turma 3.
4.2.3.1 Análise da Rede de Trabalho
A rede informal de trabalho possui 28 atores. Essa rede possui 756 relações
potenciais, das quais apenas 56 são relações efetivas, alcançando uma densidade
muito baixa de 0,0741. Com esse valor analisado de forma absoluta, pode-se inferir
que essa é uma rede de baixa densidade, pois apenas 7,41 % do potencial da rede
está sendo utilizado.
Quadro 30 – Densidade da Rede de Trabalho – Turma 3.
108
Quadro 31 – Centralidades de Entrada e Saída dos atores da Rede de Trabalho – Turma 3
Ao se analisar as centralidades da rede, pode-se observar que diferentemente
de todas as outras redes analisadas anteriormente, o software UCINET apresentou
apenas 1 ator com índice NrminDeg elevado, desempenhando o papel de conector
central, ou seja, na rede de trabalho dessa Turma 3 pode-se considerar que o nó
Alexei é o aluno com maior popularidade da Turma 3. Com índices de centralidade
de entrada acima da média geral de centralidade de entrada da rede de 15,36%.
109
Rede informal de
trabalho, com presença
de cliques e com
indivíduos isolados da
rede.
Figura 21 – Análise Estrutural da Rede de Trabalho – Turma 3
Com base na figura 21, pode-se identificar alguns elementos ainda não
encontrados nas outras turmas, como a separação clara de alguns elementos da
rede
formando
pequenos
subgrupos,
cliques3,
e
a
presença
de
atores
completamente desconectados do restante da rede, o que denota que alguns atores
não têm nenhum envolvimento com a rede. Esses atores periféricos podem estar
temporariamente deslocados, ou possuírem pouco tempo de rede, que ocorreria no
caso de transferência ou repetência.
Já os papéis de corretores de informação apresentados no quadro 32, são
desempenhados por apenas 2 atores: Monique e Liliane. Essa análise está
claramente representada na figura 21, onde Monique e Liliane fazem a ligação entre
dois grupos de alunos.
Para Marteleto (2001), o papel do mediador traz em si a marca do poder de
controlar as informações que circulam na rede e o trajeto que elas podem percorrer.
3
Definição herdada da teoria de grafos, onde alguns atores escolhem a todos do grupo como pares em suas ligações.
110
Quadro 32 – Centralidade de Intermediação dos atores da Rede de Trabalho – Turma 3
Através
da
classificação
de
Bonacich gerada
pelo
UCINET, foram
diagnosticados índices elevados para os nós Thiago e Monique, ambos, detêm
poder na rede, apesar de não serem considerados os melhores alunos da Turma 3
pela análise de centralidade de entrada.
111
Quadro 33 – Centralidade de Bonacich dos atores da Rede de Trabalho – Turma 3
Com base nessas análises, pode-se inferir que nessa rede há formação de
alguns cliques, isolados dos demais participantes da rede, e outros, porém onde
alguns nós mantêm alguma relação através dos corretores de informação, que
devido à tipologia dessa rede, passam a ter uma importância muito grande para o
fluxo de informação.
Outra característica interessante nessa rede, foi a presença forte de um único
nó desempenhando o papel de conector central.
112
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Alexei
Intermediação
(Corretor de
Informação)
Monique
Liliane
Bonacich
(Poder)
Thiago
Monique
Tabela 10 – Atores em destaque da Rede de Trabalho – Turma 3
113
4.2.3.2 Análise da Rede de Confiança
A rede informal de confiança possui 28 atores. Essa rede possui 756 relações
potenciais, das quais 62 são relações efetivas, alcançando uma densidade de
0,0820. Com esse valor analisado de forma absoluta, é possível afirmar que essa é
uma rede de baixa densidade, pois apenas 8,20 % do potencial da rede está sendo
utilizado. Entretanto comparando com a rede de trabalho analisada anteriormente,
essa é uma rede com número um pouco maior de ligações e um pouco mais coesa.
Quadro 34 – Densidade da Rede de Confiança – Turma 3.
114
Quadro 35 – Centralidades de Entrada e Saída dos atores da Rede de Confiança – Turma 3
Ao se analisar as centralidades da rede, quadro 35, observa-se que 5 atores
desempenham o papel de conector central com índices de centralidade de entrada,
NrmInDeg, acima da média geral de centralidade de entrada da rede de 14,54%.
São eles: Ariana, Annee, Alexei, Rodrigo, Liliane. É uma quantidade relativamente
grande já que essa é uma rede pequena de apenas 28 atores. Esses índices
caracterizam o papel de destaque desses nós quanto à popularidade em relação aos
outros integrantes da rede.
Segundo Crosse Prusak (2002), esses conectores ligam colegas aumentando
a produtividade e em alguns casos podem criar gargalos e sobrecarregar a rede.
115
Rede de confiança com
vários atores com altos
índices de centralidade
de entrada.
Figura 22 – Análise Estrutural da Rede de Confiança – Turma 3.
É importante ressaltar que na rede de confiança da Turma 3 também estão
presentes alguns cliques interligados por atores importantes e a presença de atores
completamente desconectados do restante da rede.
Nessa rede, os papéis de intermediadores, apresentados no quadro 36, são
desempenhados por 2 atores: Liliane e Monique, percebe-se nessa análise que os
atores que atuam como alunos centrais da Turma 3 não tem representatividade de
destaque na intermediação, com exceção de Liliane.
116
Quadro 36 – Centralidade de Intermediação dos atores da Rede de Confiança – Turma 3
Através da classificação de Bonacich, quadro 37, foi diagnosticado que o
grande poder na rede está principalmente com Monique, mas outros nós como
Thiago, Talita e Isabella tem poder de influência sobre a rede de confiança da Turma
3.
Quadro 37 – Centralidade de Bonacich dos atores da Rede de Confiança – Turma 3
117
Com base nessas análises, pode-se inferir que nessa rede apesar de muitos
alunos apresentarem altos índices de centralidade de entrada, dois nós tem um
papel fundamental de intermediação, pois por ser uma rede subdividida a função do
corretor de informação toma um proporção maior do que nas outras redes
analisadas.
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Ariana
Annee
Alexei
Rodrigo
Liliane
Intermediação
(Corretor de
Informação)
Liliane
Monique
Bonacich
(Poder)
Monique
Thiago
Talita
Izabella
Tabela11 – Atores em destaque da Rede de Confiança – Turma 3
118
4.2.3.3 Análise da Rede de Amizade
A rede informal de amizade possui 28 atores. Essa rede possui 756 relações
potenciais, das quais apenas 47 são relações efetivas, alcançando uma densidade
de 0,0622. Com esse valor analisado de forma absoluta, pode-se inferir que essa é
uma rede de densidade muito baixa, pois apenas 6,22 % do potencial da rede está
sendo utilizado. Entretanto comparando com as redes de trabalho e de confiança,
percebe-se que essa turma não apresenta fortes ligações em nenhuma das três
redes analisadas,
Cabe ainda ressaltar, a percepção de que a turma não se relaciona bem como
um todo e outro aspecto a ser destacado é o descolamento total de dois atores que
pode ser um indício de falta de sincronismo com a turma, ou até mesmo com o
próprio curso em questão.
Quadro 38 – Densidade da Rede de Amizade – Turma 3.
119
Quadro 39 – Centralidades de Entrada e Saída dos atores da Rede de Amizade – Turma 3
Ao se analisar as centralidades da rede, geradas pelo UCINET, pode-se
observar através do quadro 39, que diferentemente da maioria das outras redes
analisadas anteriormente, há apenas 1 ator desempenhando o papel de conector
central, ou seja, na rede de amizade dessa turma pode-se considerar que o nó
Rodrigo é o “melhor amigo” da Turma 3. Com índices de centralidade de entrada
acima da média geral de centralidade de entrada da rede de 16,59%.
Para Wasserman e Faust (1999), o volume de conexões que um indivíduo
possui na rede lhe impõe limites e/ou oportunidades; delibera sua autonomia em
relação aos outros e, conseqüentemente, amplia o seu poder.
120
Rede de amizade
formada por pequenos
grupos isolados dos
demais.
Figura 23– Análise Estrutural da Rede de Amizade – Turma 3
Fica evidente, com base na figura 23, que essa não é uma turma unida, uma
turma amiga. Os grupos se isolam, alguns atores não têm amizade com nenhum
indivíduo da turma, é preciso levar em consideração que esses alunos já convivem
por 8 períodos, o que caracteriza ainda mais um grande problema de
relacionamento interpessoal. O que torna o papel do único corretor de informação
Rodrigo, importantíssimo.
121
Quadro 40 Centralidade de Intermediação dos atores da Rede de Amizade – Turma 3
Nessa rede, onde o corretor de informação é tão importante, é curioso
encontrar apenas um indivíduo atuando nesse papel.
Segundo Cross e Prusak (2002), os corretores de informação ligam subgrupos
na rede, evitando que o fluxo das informações seja interrompido através da
fragmentação da rede.
122
Quadro 41 – Centralidade de Bonacich dos atores da Rede de Amizade – Turma 3
Através dessas análises pode-se inferir que nessa rede a densidade e a
interconectividade entre os nós são baixíssimas. Poucos atores destacam-se na
centralidade de entrada das redes de trabalho e de amizade.
Muitos atores estão completamente isolados na rede, eles preferem trabalhar
sozinhos, e o que é ainda pior, mantêm relação de amizades com pouquíssimos
colegas de turma ou até mesmo com ninguém.
Cabe ainda ressaltar, que nessa tipologia de rede de grupos isolados dentro
de uma mesma rede o intermediador exerce uma função importantíssima. Com base
nesse dado, é importante reforçar ainda mais a posição de destaque referida ao nó
Rodrigo, que sob minha perspectiva é o principal ator dessa rede.
123
Atores em destaque na Rede
Centralidade de
Entrada
(Popularidade)
Rodrigo
Intermediação
(Corretor de
Informação)
Rodrigo
Bonacich
(Poder)
Natalia
Thiago
Monique
Rodrigo
Tabela 12 – Atores em destaque da Rede de Amizade – Turma 3
124
4.2.4 SÍNTESE DA ANÁLISE DAS TRÊS REDES
Rede de Trabalho
Rede de Confiança
Tamanho da rede = 28
Densidade = 11,77 % Densidade =13,76 %
Nº de Ligações = 89
Nº de Ligações= 104
Rede de Amizade
Densidade = 23,94 %
Nº de Ligações = 181
Grau de Centralidade da Rede
Entrada = 33,88 %
Saída = 14,67 %
Entrada = 39,50 %
Saída = 12,62 %
Entrada = 28,94 %
Saída = 78,87 %
Tabela 13 – Análise das Redes de Trabalho, Confiança e Amizade – Turma 1
Rede de Trabalho
Rede de Confiança
Tamanho da rede = 17
Densidade = 20,96 % Densidade =31,99 %
Nº de Ligações = 57
Nº de Ligações= 87
Rede de Amizade
Densidade = 40,44 %
Nº de Ligações = 110
Grau de Centralidade da Rede
Entrada = 31,64 %
Saída = 78,12 %
Entrada = 25,78 %
Saída = 72,26 %
Entrada = 16,79 %
Saída = 63,28 %
Tabela 14 – Análise das Redes de Trabalho, Confiança e Amizade – Turma 2
Rede de Trabalho
Rede de Confiança
Rede de Amizade
Tamanho da rede = 28
Densidade = 7,41 %
Densidade = 8,20 %
Nº de Ligações = 56
Nº de Ligações= 62
Densidade = 6,22 %
Nº de Ligações = 47
Grau de Centralidade da Rede
Entrada = 15,36 %
Saída = 15,36 %
Entrada = 14,54 %
Saída = 18,38 %
Entrada = 16,59 %
Saída = 16,59 %
Tabela 15 – Análise das Redes de Trabalho, Confiança e Amizade – Turma 3.
125
4.3
ANÁLISE DAS REDES SOCIAIS ATRAVÉS DE DATA MINING
Com base no vasto leque de opções possíveis para análises dos resultados
obtidos através da aplicação do software UCINET das referidas redes estudadas,
surgiu o questionamento da influência de alguns atributos na padronização de um
perfil característico dos indivíduos em destaque no universo pesquisado.
Segundo Marteleto (2004), a análise de redes não pode ser desvinculada do
contexto, assim foi desenvolvida uma análise dos perfis dos conectores centrais
dessas redes, a fim de encontrar alguma similaridade de perfil que os caracterizem.
Para tal foi utilizada uma ferramenta de data mining capaz de associar, classificar,
agrupar e padronizar atributos de uma base de dados. FAYYAD ( 1996) estabeleceu
a primeira definição de Mineração de Dados aceita por diversos pesquisadores como
sendo: “Extração do Conhecimento de Base de Dados é o processo de identificação
de padrões válidos, novos, potencialmente úteis e compreensíveis embutidos nos
dados”.
Para fazer o link entre a análise das redes e a identificação dos conectores
centrais com esse outro pilar da pesquisa, foi inserido no questionário perguntas que
permitiram retratar dados comportamentais dos indivíduos conectados às redes.
Esses dados foram transformados em atributos e analisados através do software de
data mining WEKA (Waikato Environment for Knowledge Analysis).
O WEKA é um software de domínio público, criado na Universidade de
Waikato – Nova Zelândia, implementado na linguagem JAVA formado por um
conjunto de algoritmos de diversas técnicas de Mineração de Dados.
Para carregar a base de dados no WEKA, foi necessário converter os dados
para o formato de Arquivo de Atributo-Relação (ARRF), onde é possível definir o tipo
de dados que estão sendo carregados e carregar os próprios dados. O arquivo
ARRF usado nesse trabalho é exibido abaixo no quadro 42.
126
Quadro 42 – Arquivo de entrada no WEKA.
Esse arquivo, apresentado no quadro 42 foi o objeto de análise utilizado
nessa etapa do estudo de caso. Ele contém atributos relacionados às características
pessoais que refletem o perfil de cada um dos quinze alunos considerados
conectores centrais nas três redes analisadas.
Ao carregar esse arquivo no WEKA foi possível fazer algumas análises no
pré-processamento dos dados trabalhados. Tais como: quantidade de instâncias,
quantidade de atributos, além de uma descrição de todos os atributos com algumas
estatísticas, médias, máximos, mínimos, apresentadas de forma numérica e de
forma gráfica.
127
Figura 24– Pré-processamento dos dados.
Através do gráfico de projeção de todos os atributos apresentado na figura 25,
pode-se ter uma visão ampla dos mesmos. Entretanto para inferir e concluir algo
sobre esses dados, é necessário analisar cada atributo separadamente.
Figura 25 – Gráfico de projeção dos atributos do conjunto de dados analisados, classificados por
Satisfação.
128
Nessa etapa então, deu início ao processo de conhecimento das
características estatísticas de cada um dos atributos trabalhados. O que trouxe a
tona visões interessantes sobre o posicionamento dos conectores centrais
estudados com relação às suas características comportamentais descritas no
questionário aplicado às turmas.
Figura 26 – Atributos do Arquivo Conectores, que será estudado.
129
4.3.1 Interpretação dos resultados referentes à cada atributo
Ao selecionar o atributo Idade, é apresentado o seguinte resultado, figura 27.
Figura 27– Estatísticas do atributo Idade.
Através dessa tela podemos inferir que as idades dos conectores centrais
apresentam uma média de 30,33 anos e um desvio padrão de 12,76 anos, sendo
que o aluno mais novo tem 21 anos e o mais velho 64 anos. O que pode ser
observado em valores numéricos ou em forma gráfica.
130
Analisando os conectores centrais pelo atributo Sexo, o software gerou o
resultado apresentado na figura 28.
Figura 28– Estatísticas do atributo Sexo.
Através da análise dessas informações, percebe-se que dentre os 15 alunos
que atuam como conectores centrais nas redes analisadas, 10 são mulheres e 5 são
homens. Cabe ressaltar que a afirmação de que a maioria dos conectores centrais
são do sexo feminino torna-se perigosa nessa análise, pois essa diferença pode
estar sofrendo grande influência da turma de Serviço Social que apresenta apenas
um aluno do sexo masculino.
131
Ao selecionar o atributo Timidez, o software gerou o resultado apresentado na
figura 29.
Figura 29– Estatísticas do atributo Timidez.
Os alunos foram questionados sobre sua timidez e dentre os 15 alunos, 6 não
se consideram tímidos e 9 se consideram tímidos apesar de sua clara posição de
destaque na turma, que vai contra à característica de ser uma pessoa tímida.
132
Analisando os conectores centrais pelo atributo Liderança, o software gerou o
resultado apresentado na figura 30.
Figura 30– Estatísticas do atributo Liderança.
Ao inserir a pergunta “Você se considera um líder?” no questionário aplicado
nas redes, pareceu ser uma pergunta retórica, visto que o universo de análise nesse
ponto do estudo é formado apenas por indivíduos que se destacaram exatamente
por sua posição de centralidade. Essa posição pode ser confundida sob uma
perspectiva superficial com Liderança. Entretanto, após essa análise foi possível
constatar que 46,66% desses conectores não se consideram líderes.
133
Analisando os conectores centrais pelo atributo Trabalho Equipe, o software
gerou o resultado apresentado na figura 31.
Figura 31 – Estatísticas do atributo Trabalho Equipe.
Essa pergunta foi apresentada no questionário com três opções, nas quais o
aluno poderia dizer se prefere desenvolver os trabalhos do curso sozinho, em dupla
ou em grupo. Através dessa tela constata-se que 2 alunos preferem desenvolver
seus trabalhos de aula sozinhos, 7 preferem desenvolve-los em dupla e 5 preferem
desenvolve-los em grupo. Essas informações trouxeram a tona um questionamento
sobre o perfil e o desempenho desses indivíduos que preferem desenvolver seus
trabalhos sozinhos. Esse questionamento será respondido posteriormente através
de uma análise cruzada dos dados.
134
Analisando os conectores centrais pelo atributo Notas, o software gerou o
resultado apresentado na figura 32.
Figura 32– Estatísticas do atributo Nota.
Para essa questão foram disponibilizadas três opções de resposta: notas
acima da média da turma, mediana, abaixo da média. Nos resultados apresentados,
8 alunos têm notas altas, acima da média da turma e outros 7 alunos têm notas
dentro da média da turma. Cabe ressaltar que nenhum dos alunos analisados
apresentou notas abaixo da média da turma.
Através dessa análise podemos inferir que para essas três redes analisadas
nenhum indivíduo que se destaca como conector central apresenta notas baixas.
135
Analisando os conectores centrais pelo atributo Frequência, o software gerou
o resultado apresentado na figura 33.
Figura 33 – Estatísticas do atributo Frequência.
Através da análise dos resultados apresentados para esse atributo percebe-se
que a freqüência em sala de aula pode representar um fator importante para a
centralidade de um aluno, visto que 13 alunos apresentam freqüência alta, enquanto
2 desses apresentam freqüência média e nenhum conector central apresentou
freqüência baixa.
O que nos permite afirmar que nas três redes analisadas nesse estudo de
caso, 86,66% dos alunos de destaque nas redes são muito assíduos nas aulas.
136
Analisando os conectores centrais pelo atributo Pontualidade, o software
gerou o resultado apresentado na figura 34.
Figura 34 – Estatísticas do atributo Pontualidade.
Essa questão Pontualidade refere-se ao desenvolvimento dos trabalhos
solicitados no curso dentro dos prazos determinados. As opções de resposta eram:
antes do prazo, no prazo, após o prazo.
Nessa análise de pontualidade, que pode ser considerada como a
responsabilidade do aluno quanto aos prazos estabelecidos pelos professores para
a entrega dos trabalhos, percebe-se que 6 alunos terminam as tarefas antes do
prazo estabelecido, os demais desenvolvem dentro do prazo estabelecido e nenhum
deles entrega as tarefas após o prazo estabelecido pelo professor.
Por intermédio dessa análise podemos inferir que 100% dos indivíduos
posicionados nas redes de forma central são responsáveis e atentos aos prazos
estabelecidos para o desenvolvimento de tarefas.
137
Analisando os conectores centrais pelo atributo Satisfação, o software gerou o
resultado apresentado na figura 35.
Figura 35 – Estatísticas do atributo Satisfação.
Os resultados apresentados para o grau de satisfação dos alunos, demonstra
que 4 alunos estão muito satisfeitos, 10 alunos estão satisfeitos e 1 único aluno está
insatisfeito com seu curso.
138
Analisando os conectores centrais pelo atributo Livros, o software gerou o
resultado apresentado na figura 36.
Figura 36 – Estatísticas do atributo Livros.
Essa figura demonstra que dos 15 conectores centrais dessas redes 8 leem
de 0 a 3 livros em um ano. Essa informação trouxe a tona um questionamento:
existe alguma relação entre o tipo de escola, pública ou privada, em que o aluno
cursou o ensino médio e o seu hábito de leitura? Esse questionamento será
respondido posteriormente através de uma análise cruzada dos dados.
139
Analisando os conectores centrais pelo atributo Tipo Escola, o software gerou
o resultado apresentado na figura 37.
Figura 37 – Estatísticas do atributo Tipo Escola.
Através desses resultados percebe-se que 60% dos conectores centrais
estudavam em escolas públicas antes de cursar a graduação.
140
Para responder os questionamentos que surgiram na análise dos atributos
Trabalho em Equipe e Livros foi utilizada uma outra forma de análise que permite a
visualização de um esboço 2D dos atributos analisados e as correlações gráficas de
cada um dos atributos em relação a si próprio e a todos os outros atributos,
conforme figura 38.
Figura 38 – Atributos correlacionados.
Ao cruzar as informações dos atributos nota e trabalho em equipe, foi
apresentado o seguinte gráfico 04.
141
Gráfico 04 - Relação dos atributos Nota e Trabalho em Equipe.
Através do gráfico 04 pode-se inferir que 100% dos alunos que disseram
preferir fazer trabalhos sozinhos tem notas acima da média da turma.
Ao cruzar as informações dos atributos quantidade de livros lida com tipo de
escola onde concluiu o ensino médio, foi apresentado o seguinte gráfico 05.
Gráfico 05 - Relação dos atributos Tipo de Escola e Livros.
142
Através do gráfico 05, pode-se inferir que dos conectores centrais analisados
nas três redes analisadas, nenhum dos formados em escola particular lê menos de
3,5 livros por ano. E que 50% dos alunos restantes, de escolas públicas e privadas
lêem aproximadamente 7 livros ao ano e os outros 50% lêem aproximadamente 3
livros ao ano.
143
4.3.2 Interpretação dos resultados através do processo de Clusterização
O processo de Clusterização também conhecido por Agrupamento, é usado
na descoberta de grupos (clusters), padrões, dentro dos dados. Membros de um
mesmo cluster são similares, são mais próximos deles mesmos do que de outros
clusters. O armazenamento em cluster tem suas vantagens quando o conjunto de
dados for definido e um padrão geral necessitar ser determinado a partir dos dados.
Através da clusterização, é possível criar um número específico de grupos,
dependendo de suas necessidades de análise. Ela pode ser usada como uma etapa
de pré-processamento dos dados
para identificar grupos homogêneos ou para
construir modelos preditivos.
Uma dificuldade do processo de clustering é que esse requisita ao usuário a
definição prévia de qual será o número de agrupamentos a ser considerado (valor de
K), e a partir da definição desse número, separam-se os registros de dados por
critérios de similaridade entre si, de forma a maximizar a similaridade intracluster e
minimizar a similaridade intercluster.
Uma facilidade é que esse processo é capaz de rapidamente analisar todo
seu conjunto de dados e transformá-lo em grupos, a partir dos quais é possível tirar
algumas conclusões rapidamente. A matemática por trás desse método é
relativamente
complexa
e
confusa.
Para
desenvolver
esse
processo
de
agrupamento dos dados o software WEKA utiliza o algoritmo K-Means introduzido
inicialmente pó McQueen em 1967.
144
Figura 39– Aplicação do algoritmo K-means.
O algoritmo K-means é um método não hierárquico que tem por objetivo
particionar um conjunto de dados em K grupos, onde K será definido pelo usuário. É
considerado um método simples e de baixo custo computacional, isto permite que
seja executado de forma eficiente em grandes volumes de dados. Entretanto, esse
método não traz nenhuma garantia quanto ao melhor resultado a ser obtido, já que a
quantidade de centros (K) a serem trabalhados pelo modelo deve ser definida pelo
usuário.
Sua execução é realizada através de um processo iterativo que trabalha
baseado na minimização do erro de uma função de critério. Nesse método, um
determinado dado só poderá pertencer a um único cluster de cada vez. A idéia
principal é feita a partir da minimização da soma dos quadrados das distâncias entre
os dados e os centróides de cada subgrupo, o que normalmente é feito a partir da
distância Euclidiana.
145
Inicialmente, o algoritmo seleciona de forma randômica a posição de cada
centro de agrupamento, para logo depois particionar os dados e agrupá-los com
base nos seus atributos e características a partir de um critério que é dividido em
duas etapas:
Primeiro, associa-se cada dado a um único grupo de acordo com a
mensuração de uma função de distância entre os dados e os centros dos clusters;
em seguida, atualizam-se os centróides de cada grupo baseado nas atribuições da
primeira etapa.
O algoritmo repete esses dois procedimentos de forma iterativa, até que seja
interrompido quando um critério de erro específico for acionado, ou após um
determinado número de iterações ser alcançado, ou até que os centróides de cada
cluster e os dados utilizados na análise não necessitem de mais atualizações
(Carvalho, 2009).
Para a aplicação do modelo de clusterização na base de dados que está
sendo analisada nesse estudo de caso, foi necessário ignorar o atributo Nome, para
que esse não atrapalhasse o processo.
A princípio foi utilizado dois agrupamentos, entretanto o resultado obtido
apresentou uma margem de erro muito elevada, o que levou a utilização de três
cluesteres na busca de grupos que emergem nessa pequena massa de dados.
Figura 40– Aplicação do algoritmo K-means com valor de K = 3.
146
Quadro 43 – Arquivo de saída – utilizando 3 clusters
Para interpretar essa saída de dados que teve margem de erro de 30,9%, foi
importante saber que os números apresentados para cada atributo, são valores
médios de todos as instâncias armazenadas no cluster. Cada cluster apresenta um
tipo de comportamento dos conectores centrais, do qual é possível fazer algumas
afirmações:
Cluster 0 – esse grupo representa 20% do grupo. O perfil desses alunos é
caracterizado por mulheres, com idade média de 28 anos, que tem o melhor hábito
de leitura dentre todos os demais grupos. Essas mulheres não se consideram
tímidas e tem consciência de sua posição de líder dentro da equipe. Elas estão
muito satisfeitas com o curso, entregam seus trabalhos acadêmicos no prazo
147
estipulado e preferem desenvolve-los em grupo, entretanto suas notas são
medianas.
Cluster 1 – esse grupo representa 47% do grupo. O perfil desses alunos é
caracterizado por mulheres, com idade média de 26 anos, que tem o pior hábito de
leitura dentre todos os demais grupos. Essas mulheres se consideram tímidas e
formam o único grupo de alunos que não se consideram líderes. Elas fazem parte do
único grupo que não está muito satisfeito com o curso. Para a execução dos
trabalhos acadêmicos, esses são os únicos conectores que tem preferência por
faze-lo em dupla, entregando esses trabalhos no prazo estipulado e com notas altas.
Cluster 2 – esse grupo representa 33% do grupo. O perfil desses alunos é
caracterizado por homens, com a maior faixa etária média encontrada, 37,8 anos.
Esses tem hábito de leitura médio. São os únicos que apesar de se considerarem
tímidos, tem consciência de sua posição de liderança dentro da equipe. Esses estão
muito satisfeitas com o curso, são os únicos que preferem desenvolver seus
trabalhos acadêmicos sozinhos e os entregam antes do prazo e tem notas altas. Sob
essa perspectiva, esse poderia ser considerado o grupo dos alunos que obtem o
melhor resultado na turma.
148
Figura 41– Gráfico de 3 clusters, com eixo X Trabalho Equipe e eixo Y Notas.
Ao analisar o gráfico desses 3 clusters, cruzando os atributos nota e trabalho
em equipe, podemos confirmar a análise feita da saída de dados numérica, que
apresentou que os alunos do cluster verde, que preferem desenvolver seus
trabalhos acadêmicos sozinhos, obtiveram notas altas.
Foram feitas outras clusterizações com k=2 e K=4, conforme quadros 44 e 45,
entretanto o resultado que melhor satisfez as análises realizadas, foi com K=3, ou
seja com três clusters foram encontradas as melhores conclusões baseando-se nas
tendências vistas nesse grupo.
149
Quadro 44 – Arquivo de saída – utilizando 2 clusters
150
Quadro 45 – Arquivo de saída – utilizando 4 clusters
4.3.3 Análise dos resultados
Interpretando os resultados obtidos na análise das três redes envolvidas
nessa pesquisa, pode-se inferir que essas são redes pequenas, duas formadas por
28 atores e uma por 17 atores, apresentam padrão de conectividade geral baixo. A
rede de Amizade da Turma 3, por exemplo, apresentou 47 ligações efetivas, quando
o número de relações potenciais era de 756. Enfim, todas as três redes
apresentaram densidades baixas, utilizando muito pouco do potencial das mesmas.
Através da análise das centralidades das redes de trabalho, amizade e
confiança das redes sociais envolvidas nessa pesquisa, foi possível perceber que os
conectores centrais, considerados nessa pesquisa como os alunos mais influentes e
em determinadas situações os melhores alunos da turma, nem sempre são os
detentores do poder na rede. Muitas vezes, os atores com alto índice de
intermediação possuem mais poder do que os conectores centrais.
Através da análise dos resultados do mapeamento dessas redes, pode-se
perceber também que algumas delas apresentam atores completamente isolados,
151
desconectados da rede, em se tratando de turmas de jovens “colegas” de faculdade,
isso pode representar algum problema grave que deveria ser melhor analisado pela
equipe de orientadores e psicólogos da instituição.
Na rede de amizade da Turma 1 foi possível perceber, através dos
indicadores quantitativos e da configuração da rede, que não há atores periféricos.
Praticamente todos os nós se relacionam, o que facilita o tráfego de informações na
rede. Esse equilíbrio na intensidade dos papéis, através da multiplicidade de
ligações, traz o benefício de permitir aos atores diferentes perspectivas,
enriquecendo o conhecimento e prevenindo a sustentação de versões únicas. Essa
é a representação de uma rede coesa, forte.
Algumas características importantes foram encontradas nas redes da Turma
2. Nela foram detectados vários atores com altos índices de centralidade de entrada,
alguns nós periféricos, e apenas um indivíduo com poder dentro da rede (alto índice
de Bonacich). Segundo Lago Junior (2005), cada ator manipula e modifica os
conteúdos transacionais de acordo com seus mapas cognitivos e interesses
pessoais. A dependência a um único ator ou em poucos atores enfraquece as redes
informais, tornando-as vulneráveis a interferência desses.
Na análise das redes da Turma 3, percebe-se claramente a existência de
cliques (panelas) conectados a outros cliques ou completamente desconectados da
rede. Em alguns casos, há uma ligação entre cliques ou entre um clique e alguns
nós. Nesse tipo de rede, fica clara a importância do corretor de informação para criar
a ligação entre os cliques diversos. Esses corretores são fundamentais para manter
o fluxo da informação dentro da rede. Essa pode ser considerada uma rede fraca.
Ao longo da aplicação do UCINET foi possível perceber o potencial desse
software, mas principalmente a força da técnica de análise de redes sociais. Nesse
ponto nossos atores principais estavam devidamente identificados, restava agora
buscar compreender melhor as características desses personagens. Foi criada
então uma pequena base de dados, com apenas quinze instâncias, contendo os
atributos relacionados ao perfil desses indivíduos.
Através
da
mineração
de
dados,
foi
possível
identificar
algumas
características dos personagens. Pode-se afirmar, por exemplo, que dentre os
atores principais identificados nessas três redes analisadas, a idade média é de 30
152
anos, todos apresentam notas na média ou acima da média, 86,66% desses são
muito freqüentes nas aulas, a maioria está satisfeita com o curso, a maioria prefere
fazer trabalhos em dupla ou em grupo, nem todos se consideram líderes e alguns se
consideram tímidos. Através do cruzamento de algumas informações pode-se
afirmar, que todos os alunos que preferem fazer seus trabalhos acadêmicos
sozinhos apresentam notas acima da média da turma.
Nessa etapa da pesquisa foi possível compreender a potencialidade do
software WEKA e das ferramentas de mineração de dados. Através das análises
individuais, do cruzamento de dados, das análises gráficas e outras, as
possibilidades de transformação de dados em conhecimento sobre os atores da rede
são inúmeras.
Entretanto,
faltava
identificar
um
conjunto
de
características
que
identificassem o perfil desses indivíduos. Então, o estudo segmentou a base de
dados a tal ponto que foi possível diagnosticar as características que formam os
distintos tipos de alunos. Para tal, foi utilizado o processo de clusterização. Após
algumas análises foi definido que esse modelo deveria ser trabalhado, aplicando três
centróides à base de dados em questão. Como resultado, obtivemos três clusters
distintos, descritos anteriormente. Desses, o maior índice de representatividade foi
encontrado no cluster 1, que segue abaixo:
Cluster 0 – esse grupo representa 20% do grupo. O perfil desses alunos é
caracterizado por mulheres, com idade média de 28 anos, que tem o melhor
hábito de leitura dentre todos os demais grupos. Essas mulheres não se
consideram tímidas e tem consciência de sua posição de líder dentro da
equipe. Elas estão muito satisfeitas com o curso, entregam seus trabalhos
acadêmicos no prazo estipulado e preferem desenvolve-los em grupo,
entretanto suas notas são medianas.
Cluster 1 – esse grupo representa 47% do grupo. O perfil desses alunos é
caracterizado por mulheres, com idade média de 26 anos, que tem o pior
hábito de leitura dentre todos os demais grupos. Essas mulheres se
consideram tímidas e formam o único grupo de alunos que não se consideram
líderes. Elas fazem parte do único grupo que não está muito satisfeito com o
curso. Para a execução dos trabalhos acadêmicos, esses são os únicos
153
conectores que tem preferência por fazê-lo em dupla, entregando esses
trabalhos no prazo estipulado e com notas altas.
Cluster 2 – esse grupo representa 33% do grupo. O perfil desses alunos é
caracterizado por homens, com a maior faixa etária média encontrada, 37,8
anos. Esses têm hábito de leitura médio. São os únicos que apesar de se
considerarem tímidos, têm consciência de sua posição de liderança dentro da
equipe. Esses estão muito satisfeitas com o curso, são os únicos que preferem
desenvolver seus trabalhos acadêmicos sozinhos e os entregam antes do
prazo e tem notas altas. Sob essa perspectiva, esse poderia ser considerado o
grupo dos alunos que obtem o melhor resultado na turma.
Esses então são os três grupos de características padrão de perfil
diagnosticado nos conectores centrais das redes sociais informais analisadas nesse
estudo.
É importante ressaltar que algumas falhas foram encontradas na estratégia de
realização da entrevista:
1 – Seria melhor se cada questão tivesse as opções dos nomes dos alunos
da turma para agilizar o preenchimento do questionário.
2 – As perguntas que solicitavam os nomes das pessoas com as quais o
entrevistado se relaciona, deveriam ter a quantidade de nomes que deveria
ser descrito, visando captar relações mais significativas. A falta dessa
especificação gerou respostas como vários, todos do meu grupo, a turma
inteira, etc..O que inviabilizou a participação desses no estudo.
3 – O período de aplicação da pesquisa coincidiu com semana de provas, os
alunos não tinham muita disponibilidade de tempo para responder o
questionário.
Cabe ainda ressaltar que a pesquisa foi aplicada em oito turmas. Entretanto
apenas três redes foram mapeadas. Isso devido ao índice de reprovação nas turmas
de engenharia, tornando-as dispersas. A solução seria analisar os alunos da
engenharia de todos os períodos em conjunto. Essa redução de dados analisados
154
foi um agravante para a aplicação de data mining, pois contávamos com dados de
apenas quinze indivíduos para análise. O interessante seria se tivéssemos pelo
menos cem indivíduos para podermos fazer inferências mais precisas.
Esses itens devem ser observados na aplicação de trabalhos futuros, que
podem ser inúmeros, visto que, dentro desses dois contextos: análise de redes
sociais e mineração de dados, há um leque de aplicações muito vasto.
155
5 CONCLUSÕES E TRABALHOS FUTUROS
Ao término desse trabalho, que tinha por objetivo mapear e identificar os
atores principais de três redes de alunos de graduação e reconhecer nos
conectores centrais características padrão, podemos considerar que o estudo
obteve êxito na sua execução. Pois ao longo de seu desenvolvimento, foi possível
extrair um conhecimento sobre os papéis exercidos por esses alunos em suas redes
e sobre seus perfis comportamentais que até então eram ocultos. Esse
conhecimento sobre esses alunos de graduação possibilitou um maior entendimento
de seu comportamento e desempenho acadêmico.
Kuipers (1999) destaca que as ligações informais podem facilitar a
transferência de recursos e informações entre os atores ou participantes para
realização de objetivos. O recurso pode ser: uma recomendação que flui entre
colegas de trabalho; confiança trocada entre colegas localizados em posições
vulneráveis e do apoio social trocado entre eles.
Através da análise das três redes estudadas foi possível identificar a eficácia
da metodologia de análise de redes sociais e como essa pode ser implementada
como potente instrumento de compreensão do funcionamento das conexões, do
fluxo das informações, dos caminhos utilizados para troca de informação nas
relações existentes nas redes sociais informais. Com o mapeamento das redes, foi
possível ter uma visão das turmas em vários níveis e camadas. Visão da rede como
um todo, de um único grupo ou de um único individuo da rede. Esse mapeamento
trouxe a tona elementos que influem ativamente nesse processo de conhecimento,
mas que muitas vezes passavam despercebidos aos nossos olhos. Conforme o
elemento
aglutinador
selecionado,
trabalho,
confiança
ou
amizade,
e
consequentemente, o tipo de conteúdo transacionado na rede, as formações das
relações interpessoais foram tomando novas configurações. A cada novo desenho
de rede, novas conexões e novos atores tomaram posição de destaque, reforçando
atores ou mesmo revelando atores até então “invisíveis”.
O princípio de que o sujeito humano é um ator ativo na construção da
realidade e que ele constrói o próprio ambiente em que se
156
movimentam, adicionalmente, apontam os limites de quaisquer ações
ou intervenções que os tomem como passivos seguidores de regras e
princípios definidos externamente. LAGO JUNIOR (2005).
Meneghelli (2009) destaca que a força da teoria e da metodologia de análise
de redes vem da capacidade de tornar visível a estrutura social dos atores a partir
de uma perspectiva relacional. Entretanto, a análise qualitativa das características
do perfil dos entrevistados desta pesquisa, gerou a necessidade de se categorizar
os dados com o auxílio de uma ferramenta para uma análise com certa
complexidade na busca da identificação de algum padrão no perfil desses
indivíduos. Diante dessa necessidade, surgiu à razão da escolha do processo de
mineração de dados, capaz de extrair padrões de forma automática e adaptativa de
uma base de dados. Esse processo foi conduzido utilizando-se Clustering,
considerando a necessidade de se estabelecer grupos de indivíduos com
características de perfil semelhantes. Silberschatz & Tuzhilin (1995), afirmam que é
importante desenvolver algumas técnicas no sentido de apoiar os usuários e
especialistas munindo-os dos padrões mais interessantes.
Após o reconhecimento dos indivíduos de destaque nas redes, foi aplicada a
técnica de data mining, na base de dados criada com as informações pessoais dos
atores envolvidos na pesquisa. Esse processo gerou informações numéricas e
gráficas que, após análise, produziram uma vasta gama de informações que
possibilitaram a geração do conhecimento necessário para se identificar o perfil
desses indivíduos que exercem papel importante para a disseminação da
informação dentro de suas redes.
Após a implementação desse estudo de caso, é possível afirmar que através
da utilização das técnicas de análise de redes sociais e das técnicas de mineração
de dados pode-se identificar os atores com papéis importantes nas redes sociais e
caracterizar o perfil desses indivíduos.
157
Cabe ressaltar que o aspecto dinâmico das redes pode gerar novos
estudos comparativos, considerando outras formas de consolidação das redes,
outros ambientes, que podem gerar novas conclusões. E as bases de dados
geradas com tais informações podem ser analisadas com vários enfoques
diferentes.
Diante dessa perspectiva, vários trabalhos podem ser desenvolvidos
futuramente, tais como:
Análise de toda a turma além dos rubs;
Aplicação de textmining em twiters;
Análise de características entre turmas em função dos horários;
Aplicação de datamining em todos os alunos da turma;
Uma questão não pode deixar de ser mencionada ao final desse estudo: a
constatação de que a análise dessas três redes sociais tornou-se consideravelmente
mais rica com a implementação de processos de data mining em conjunto com os
métodos tradicionais de ARS.
158
6 REFERÊNCIAS BIBLIOGRÁFICAS
BOHM, David. On Dialogue. Londres: Routledge, 1996.
BOOTH, Wayne C.; COLOMB, Gregory G.; WILLIAMS, Joseph M.. A arte da
pesquisa. São Paulo: Martins Fontes, 2005.
CAPRA, Fritjof. O ponto de mutação. São Paulo: Cultrix, 1995.
______________. A teia da vida: uma nova compreensão científica dos sistemas
vivos. São Paulo: Cultrix, 2001.
______________. As conexões ocultas: ciência para uma vida sustentável. São
Paulo: Cultrix, 2005.
CARVALHO, Leandro da Silva. Mineração de dados aplicada ao entendimento do
comportamento do consumidor para dar suporte ao processo de tomada de
decisões. Rio de Janeiro, 2009. f.123. Dissertação (Mestrado em Engenharia Civil)
– COOPE - Universidade Federal do Rio de Janeiro, 2009.
CASTELLS, Manuel. La era de la informacion: economia, sociedade y cultura.
Madrid: Alianza Editorial, 1998.
______________. A sociedade em rede. São Paulo: Paz e Terra, 2003.
CFINDER. Disponível em http://cfinder.org/. Acesso em 13/06/2010.
CROSS, Rob; PRUSAK, Laurence. The people who make organizations go or stop.
Harward Business Review. Boston, Massachuts. v. 80, n.6, p. 104 -112, jun 2002.
DEMO, P. Metodologia do Conhecimento Científico, São Paulo: Atlas, 2000.
DIAS, Donaldo de Souza; MARIANO, Sandra; MAYER, Verônica. Metodologia
Aplicada à Gestão. In: Seminário de Metodologia Aplicada à Gestão, 1. Rio de
Janeiro: LATEC UFF, 2007.
DODGE, G.; GORMAM, T.. Essencial Oracle 8i datawarehousing. New York,
John Wiley & Sons Inc, 2000.
159
ELMASRI, Ramez; NAVATHE, Shamkant B.. Sistemas de banco de dados. São
Paulo: Pearson Addison Wesley, 2005.
EMIRBAYER, Mustafa, GOODWIN, Jeff. Network analysis, culture and the problem
of agency. American Journal of Sociology, v.99, n.6, p.1411-1454, 1994.
FAYYAD, U. M., PIATESKY-SHAPIRO, G.; SMYTH, P. From Data Mining to
Knowledge Discovery: An Overview. In: Advances in Knowledge Discovery and
Data Mining, AAAI Press, 1996.
FLEURY, Maria Tereza Lima e OLIVEIRA JUNIOR, Moacir de Miranda. Gestão
Estratégica
do
Conhecimento:
Integrando
Aprendizado,
conhecimento
e
competências. São Paulo: Atlas, 2001.
FREITAS, Carla. M.D.S, et al. Extração de Conhecimento e Análise Visual de
Redes Sociais. In: Congresso da SBC, 28: Seminário Integrado de Software e
Hardware, 2008. Belém do Pará. Anais… Belém do Pará: SBC, 2008.
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. 3.ed. São Paulo: Atlas,
1996. 159 p.
______________. Métodos e técnicas de pesquisa social. São Paulo: Atlas,
1999.
GRAPHVIZ. Disponível em http://www.graphviz.org/. Acesso em 02/06/2010.
GUEDES, André Luis Azevedo. A ocorrência da co-geração do conhecimento no
desenvolvimento de produtos e serviços. UFF, Niterói, 2008. f.133. Dissertação
(Mestrado em Sistemas de Gestão), Universidade Federal Fluminense, 2008.
GUESS. Disponível em http://graphexploration.cond.org/. Acesso em 04/06/2010.
GUIMARÃES, Francisco José Zamith Melo.; SOUSA, Elisete. Diagnóstico
Utilizando Análise de Redes Sociais. 2005.v. VIII, 51p. Dissertação (Mestrado em
Engenharia de Produção) Universidade Federal do Rio de Janeiro, Rio de Janeiro.
2005.
160
HAN, J., KAMBER, M.. Data Mining concepts and techniques. San Diego,
Morgan Kaufmann, 2001.
HANNEMAN, Robert A. Introducción a los métodos de análisis de redes
sociales. Departamento de Sociología de la Universidad de California Riverside.
2001.
HARRISON, T.. Intranet Data Warehouse. São Paulo, Berkeley, 1998.
INMON, W.. Building the Data Warehouse. 4 ed. New York, John Wiley & Sons,
2002.
INFLOW.
Disponível
em
http://www.orgnet.com/inflow3.html.
Acesso
em
02/06/2010.
JUNG. Disponível em http://jung.sourceforge.net/. Acesso em 05/06/2010.
JUNQUEIRA, Luciano. Descentralización, y red en la gestión de la ciudad. Reforma
y Democracia. Venezuela: Revista del CLAD, 1998.
KANTER, Rosabeth Mossç KAO, Johnç WIERSEMA, Fred. Inovação pensamento
inovador na 3M, DuPont, GE, Pfizer e Rubbermaid. São Paulo Negócio, 1998.
KAPLAN, Robert e Norton, David. Estratégia em Ação. Rio de Janeiro: Editora
Campus, 1998.
KILDUFF, M.; Tsai, W . Social networks and organizations. Sage publications,
2003.
KILDUFF, M.; Krackhardt, D. Bringing the individual back in : a structural analysis of
the internal market for reputation in organizations. Academy of Management
Journal 37 (1), p. 87-108,1994.
KISHORE, Angeli. Redes sociais de desenvolvimento: um estudo quantitativo
sobre alunos de MBA. 2006. 127f. Dissertação (Mestrado em Administração) –
Departamento de Administração, Universidade de São Paulo, São Paulo. 2006.
161
KRACKHARDT, David; HANSON, Jeffrey R. Informal Netowrks: the company
behind the chart. Harvard Business Review, Boston, v.71, n.4, p.104-111, jul –
ago. 1993.
KUIPERS, Kathy J. Formal and informal networks in the workplace. 1999 117 p.
Tese (Doutorado em Filosofia) – Stanford University, Stanford, Calif., 1999.
LAGO JÚNIOR, Mário Wilson do. Redes sociais informais intraorganizacionais e
os processos e mudanças organizacionais: estudo em uma empresa de
tecnologia da informação. Salvador, 2005. f.251. Dissertação (Mestrado em
Administração), Universidade Federal da Bahia, 2005.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de
metodologia científica. 6.ed. São Paulo: Atlas, 2007.315p.
______________. Metodologia do Trabalho Científico. São Paulo: Atlas, 2001.
LIMA, Karina K., AMARAL, Daniel. Práticas de gestão do conhecimento em
grupos de pesquisa da rede Instituto Fábrica Milênio. Gest. Prod., São Carlos,
2008.
LOIOLA, E.; MOURA, S. Análise de redes: uma contribuição aos estudos
organizacionais. In: FISCHER, T. (Org.). Gestão Contemporânea: cidades
estratégicas e organizações locais. Rio de Janeiro: Fundação Getúlio Vargas, 1997.
LOZARES COLINA, Carlos . La teoría de las redes sociales . Papers, nº 48,
Universidad Autónoma de Barcelona.1996.
LOZARES COLINA, Carlos. Bases metodológicas para el Análisis de Redes
Sociales, Revista de Metodología de Ciencias Sociales. n.10, julio-diciembre,
2005, pp. 9-35.
MANNILA, H..Data mining: Machine learning, statistic and databases. In
Proceedingsof the 8th International Conference on Scientific and Statistical
Database Management, pp. 1–8, 1997.
162
MANTOVANI, Heloisa Helena Rosmaninho. Contribuição para a implantação de
um sistema de informação com base na gestão do conhecimento no programa
interdisciplinar
de
geriatria
e
gerontologia
da
Universidade
Federal
Fluminense. Niterói, 2004. f.176. Dissertação (Mestrado em Engenharia de
Produção), Universidade Federal Fluminense, 2004.
MARTELETO, Regina Maria . Análise de redes sociais : aplicação nos estudos de
transferência da informação. Ciência da Informação. Brasília, v.30, n.1, p. 71-81,
Instituto Brasileiro de Informação em Ciência e Tecnologia, 2001.
______________.Análise de redes sociais - aplicação nos estudos de transferência
da informação. RITS – Organizações em Rede. Tema do mês de março, 2005.
MARTELO. “Análise de Redes Sociais – Aplicação nos Estudos de Transferência da
Informação” – Programa de Pós-Graduação em Ciência da Informação, MCT/IBICT
– UFRJ/ECO, 2005.
MARTINHO, C. Redes: uma introdução às dinâmicas da conectividade e da
auto-organização. Brasília: WWF, 2003.
MENEGHELLI, Regina Buzetti. Redes sociais informais nas organizações e
satisfação no trabalho: estudo de caso numa empresa de energia. Niterói, 2009.
f.186. Dissertação (Mestrado em Sistemas de Gestão), Universidade Federal
Fluminense, 2009.
MINAYO, Maria Cecília de Souza. O desafio do conhecimento. São Paulo:
Hucitec,1993.
MONTEIRO, Samuel, CARDOSO, Leonor. “Impacto(s) da gestão de recursos
humanos
na
gestão
do
conhecimento
em
organizações
industriais”.
Comportamento Organizacional e Gestão, 2008.
MULTINET. Disponível em http://www.sfu.ca/personal/archives/richards/Multinet
/Pages/multinet.htm. Acesso em 10/06/2010.
NETDRAW.
Disponível
Acesso em 05/06/2010.
em
http://www.analytictech.com/netdraw/netdraw.htm.
163
NETMINER.
Disponível
em
http://www.netminer.com/NetMiner/home_01.jsp.
Acesso em 13/06/2010.
NETO, Ruy Alcides de Carvalho.Modelo de análise de redes sociais aplicado à
cadeia logística do agronegócio de base econômica familiar. Brasília, 2009.
Dissertação (Mestrado em Gestão do Conhecimento e Tecnologia da Informação),
Universidade Católica de Brasília, 2009.
NEVES, Jose Luis. Pesquisa Qualitativa : características, usos e possibilidades.
Caderno de pesquisas em administração. São Paulo, v.01, n.3, 1996.
NOHRIA, Nitin.; ECCLE, Robert G (Ed). Networks and organizations: structures,
form, and action. Boston: Harward Business School Press, v.192, p.1- 22, 1998.
QUEYROI, Roberto. Aplicação de modelo de mineração de dados em um
sistema de apoio a decisão para empresas de saneamento. Rio de Janeiro,
2007. f.112. Dissertação (Mestrado em Sistemas Computacionais em Engenharia
Civil), Universidade Federal do Rio de Janeiro, 2007.
REGIS, Helder P. Construção social de uma rede informal de mentoria nas
incubadoras de base tecnológica do Recife. Tese de Doutorado. PROPAD Programa de Pós-Graduação em Administração. UFPE, Recife, 2005.
REZENDE, S. O., PUGLIESI, J. B., MELANDA, E. A., PAULA M. F.. Mineração de
Dados, Sistemas Inteligentes – Fundamentos e Aplicações. Manole, 2003.
RODRIGUEZ, Martius V. Rodriguez. Gestão Empresarial em Organizações
Aprendizes. Rio de Janeiro: QualityMark Editora, 2006.
ROSSETI, Adroaldo Guimarães, MORALES, Aran B.T.. “O papel da tecnologia da
informação na gestão do conhecimento”. Ci. Inf., Brasília, v.36, n.1, p. 124-135,
2007.
SÁ, Manoel Franklin de. A influência da gestão do conhecimento no
desenvolvimento de projetos modalidade EPC. Niterói, f.194. Dissertação
(Mestrado em Sistemas de Gestão) – Universidade Federal Fluminense, 2008.
164
SANTOS, M. V. Redes sociais informais e compartilhamento de significados
sobre
mudança
In:
organizacional.
Congresso
Brasileiro
de
Psicologia
Organizacional e do Trabalho, 2004, Salvador. Anais do Congresso Brasileiro de
psicologia organizacional e do trabalho, v. 1. 2004.
SCOTT, John. Social network analysis: a handbook. Londres, Reino Unido, 2000.
SCOTT, J. Social Network analysis. Califórnia: Sage Publications, 2000.
SENGE, Peter, M.. A Quinta Disciplina. São Paulo: Best Seller, 1998.
SOCNETV. Disponível em http://socnetv.sourceforge.net/. Acesso em 02/06/2010.
SOUZA, Solange Lima. Evasão no ensino superior: um estudo utilizando a
mineração de dados como ferramenta de gestão do conhecimento em um
banco de dados referente à graduação de engenharia. Rio de Janeiro, 2009. f.75.
Dissertação (Mestrado em Engenharia Civil), Universidade Federal Fluminense,
2009.
SILBERSCHATZ,
A.,
TUZHILIN,
A.,
1995,
On
subjective
measures
of
interestingness in knowledge discovery. Proceedings of the First International
Conference on Knowledge Discovery and Data Mining 1, 275–281.
SILVA, Marcus César Marinho da. Redes Sociais intraorganizacionais informais
e gestão: um estudo nas áreas de manutenção e operação da planta HYCO-8.
2003. 223f. Dissertação (Mestrado em Administração),Universidade Federal da
Bahia, Salvador. 2003.
SILVA, Sergio, ROZENFELD, Henrique. Proposição de um modelo para avaliar a
gestão do conhecimento no processo de desenvolvimento de produtos. Ci. Inf.,
Brasília, v.36, n.1, p. 147-157, 2007.
SOARES, Weber. Da metáfora à substância: redes sociais, redes migratórias e
migração nacional e internacional em Valadares e Ipatinga.. Tese de Doutorado,
UFMG/Cedeplar, Belo Horizonte, 2002.
165
STOECKICHT, Ingrid Paula. Gestão Estratégica do Capital Humano – Avaliando
o potencial de inovação de uma empresa: Estudo de Caso. Niterói, 2005. f.199.
Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal
Fluminense, 2005.
STOECKICHT, Ingrid Paula. Gestão Estratégica do Capital Humano – Avaliando
o potencial de inovação de uma empresa: Estudo de Caso. Niterói, 2005. f.199.
Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal
Fluminense, 2005.
SVEIBY, Karl Eril. A nova riqueza das organizações: gerenciando e avaliando
patrimônios de conhecimento. Rio de Janeiro: Campus, 1998.
TAKEUCHI, Hirotaka e NONAKA Ikujiro. Gestão do Conhecimento. Porto Alegre:
Bookman, 2008.
TAKEUCHI, Hirotaka e NONAKA Ikujiro. Criação do Conhecimento na Empresa.
Rio de Janeiro: Campus, 1997.
TAKEUCHI, Hirotaka; NONAKA, Ikujiro. Criação de conhecimento na empresa:
como as empresas Japonesas geram a dinâmica da inovação. Rio de Janeiro:
Elsevier, 1995.
TAN, Pang-Ning; STEINBACH, Michael; KUMAR, Vipin. Introdução ao Data
Mining. Rio de Janeiro: Editora Ciência Moderna Ltda, 2009.
TEIXEIRA, Maria E. P.; BRASIL, Andréa Rocha. Guia de formatação de
monografias, dissertações e teses. Baseado nas normas da ABNT. Niterói, 2009.
TOMAEL, Maria Inês et al. Das redes sociais à inovação. Ciência da Informação,
Brasília, vol.34, n. 2, p.93-104, maio/ago. 2005.
UCINET.
Disponível
em
http://www.analytictech.com/ucinet/.
Sylvia
Constant.
Acesso
em
pesquisa
em
10/06/2010.
VERGARA,
Projetos
administração. São Paulo: Atlas, 1998.
e
relatórios
de
166
VISONE. Disponível em http://visone.info/. Acesso em 05/06/2010.
WASSERMAN, Stanley; FAUST, Katherine. Social Network Analysis: methods
and applications. 17 th pr. Cambridge: Cambridge University Press, 2008.
WASSERMAN, Stanley.; GALASKIEWICZ, Joseph. Advances in social network
analysis: research In the social and behavioral sciences. Thousand Oaks, Calif.:
Sage Publications, 1993.
YED. Disponível em http://www.yworks.com/en/products_yed_about.html. Acesso
em 02/06/2010.
YIN, Robert K. Case Study Research: design and Methods. Sage Publications Inc:
USA, 1989.
______________. Estudo de caso: planejamento e métodos. Tradução: Daniel
Grassi. 3. ed. Porto Alegre: Bookman, 2005. 212 p.
167
ANEXO 1
FORMULÁRIO DA PESQUISA – ANÁLISE DE REDES SOCIAIS INFORMAIS
ANÁLISE DE REDES SOCIAIS INFORMAIS
DE ALUNOS DE GRADUAÇÃO
P
Peessqquuiissaa ddeesseennvvoollvviiddaa ppoorr TTaattiiaannaa B
Baarrbboossaa ddee A
Azzeevveeddoo
C
CE
EFFE
ETT -- M
MG
G // U
UFFFF -- R
RJJ
168
Questionário para Análise de Rede Social Informal de Alunos de Graduação
As informações coletadas neste questionário serão utilizadas pela pesquisadora Tatiana Azevedo
em sua dissertação de Mestrado. Os nomes dos alunos não serão divulgados.
Por favor, preencha os dados abaixo.
DADOS PESSOAIS
Nome:
Sexo:
Idade:
Quantidade de Filhos:
Estado Civil:
Quantidade de irmãos:
Recebe alguma ajuda financeira para estudar?
Sim
Não
De quem ou de qual instituição?
ESCOLARIDADE
Nome da escola onde terminou o ensino médio:
Esta escola é:
Pública
Privada
Cidade onde ela está localizada:
DADOS PROFISSIONAIS
Não trabalha
Func. Público
Prof. Liberal/Autônomo
CLT
Local (empresa) de trabalho:
Cidade:
Cargo / Função:
Tempo de empresa:
Quantidade de subordinados:
CARACTERÍSTICAS PESSOAIS / ESCOLARES
Você se considera tímido?
Sim
Não
Você tem facilidade para falar em público?
Sim
Não
Você se considera um líder?
Sim
Não
Você participa de algum projeto de pesquisa?
Sim
Não
Você prefere desenvolver os trabalhos de aula:
Sozinho
Em dupla
Em grupo
Comparando suas notas com as notas da turma, você as considera:
Acima da média
Medianas
Abaixo da média
Comparando sua freqüência em aula com a da turma, você se considera:
Informações sobre o entrevistado
Naturalidade:
169
Muito frequente
Mediano
Pouco frequente
Normalmente você termina os trabalhos solicitados pelos professores:
Antes do prazo
No prazo
Depois do prazo
Normalmente você estuda para as provas com:
Muita antecedência
Pouca antecedência
Em cima da hora
Em relação à sua satisfação / motivação com o curso você está:
Muito satisfeito
Satisfeito
Insatisfeito
Durante as disciplinas mais difíceis, normalmente você:
Ajuda os colegas
Pede ajuda aos colegas
Estuda sozinho
Caso sua resposta anterior for: Ajuda os colegas, você o faz:
Porque gosta
Para não dizer não
Para se destacar
Quantos livros você normalmente lê em um ano?
0
1a3
4a7
Mais de 7
De modo geral, quais as pessoas da turma a quem você recorre quando está com
dúvidas em relação a alguma matéria do curso?
Com quais pessoas da turma você convive fora da sala de aula?
Se você precisar tirar nota máxima em um trabalho final, quais pessoas da turma
você gostaria que fossem da sua equipe?
Se você fosse o líder de uma empresa, no ramo de seu curso, quais alunos da turma
você convidaria para trabalhar em sua equipe?
A quais pessoas da turma você delegaria um projeto na confiança de que este seja
executado com qualidade e dentro do prazo?
Características das pessoas de sua Rede Social e de Conhecimento
CARACTERÍSTICAS DE SUA REDE SOCIAL
170
Se você fosse comemorar seu aniversário com 10 amigos da turma, quem você
convidaria?
Muito obrigada por sua colaboração.
Tatiana Barbosa de Azevedo – [email protected]
171
ANEXO 2
INDICADORES QUANTITATIVOS DA ANÁLISE DE REDES SOCIAIS
172
ANEXO 3
INSTITUIÇÕES PARTICIPANTES DA PESQUISA
Faculdades FUPAC e UNIPAC
Breve Histórico
A história das Faculdades da Fundação Presidente Antônio Carlos, FUPAC, e
da Universidade Presidente Antônio Carlos, UNIPAC, teve início em 1963, quando o
deputado e professor Bonifácio Andrada apresentou um projeto de lei que aprovado
deu origem à Fundação Universitária da Mantiqueira, em Barbacena, Minas Gerais.
A instituição, por lembrança do deputado Hilo Andrade, passaria a se chamar
Fundação Presidente Antônio Carlos. Era o nascimento da FUPAC, que mais tarde
tornar-se-ia uma das maiores instituições universitárias do país.
O deputado Bonifácio Andrada transformou em realidade o seu intento em
1965. Coube a ele presidir a instalação das duas primeiras instituições universitárias
em Barbacena.
Assim, em 1966, foram instaladas as duas primeiras faculdades: a Faculdade
de Filosofia com os cursos de Letras, Pedagogia e História e a Faculdade de
Ciências Econômicas, Contábeis e Administrativas com o curso de Ciências
Contábeis. O início desses cursos refletia a preocupação da Fundação Presidente
Antônio Carlos em responder às expectativas na formação de professores e no setor
da gerência empresarial, pois, desde aquela época, eram solicitados profissionais
qualificados para essas áreas.
173
Sempre atenta às necessidades da comunidade, a FUPAC inicia, em 1968 o
curso de Matemática. Em 1971, é criada a Faculdade de Medicina, hoje procurada
por estudantes do Brasil inteiro. Três anos mais tarde, em 1974, a FUPAC cria a
Faculdade de Ciências Jurídicas e Sociais com o curso de Direito, e em 1975, a
Faculdade de Ciências Econômicas e Administrativas, com a graduação em
Administração de Empresas, todas na cidade de Barbacena.
Em uma contínua expansão, a Fundação Presidente Antônio Carlos passa a
estar presente na cidade de Ubá, em 1970; e em Visconde do Rio Branco, em 1975.
A FUPAC chega também a Leopoldina no ano de 1991; a Ipatinga, em 1993;
e a Juiz de Fora, em 1996. Em 1997, a Fundação instala-se ainda em Conselheiro
Lafaiete; no ano seguinte (1998), em Bom Despacho; e em 2001, em Araguari. Hoje,
estas cidades formam um conjunto de 9 campi , incluindo Barbacena.
Ao longo daqueles anos a FUPAC instalou também unidades em outras
cidades de Minas Gerais, como Andrelândia, Campo Belo, Cataguases, Congonhas,
Conselheiro Pena, Itabirito e Muriaé.
Aos 31 anos de atividade, em 1997, em reconhecimento à qualidade do
ensino oferecido, os campi da Fundação Presidente Antônio Carlos transformam-se
em Universidade Presidente Antônio Carlos (UNIPAC), autorizada pelo Conselho
Estadual de Educação, homologada pela Secretaria de Estado da Educação de
Minas Gerais e Portaria do MEC nº 366, de 12 de março de 1997.
A partir de 2002, o Reitor licenciado, professor Bonifácio Andrada, visando a
melhoria da qualidade da educação de base no Estado e consciente da necessidade
de capacitação do profissional pedagógico, criou a Rede de Ensino Normal Superior
com as Faculdades de Educação e Estudos Sociais em mais de 100 cidades
espalhadas por Minas Gerais, o que promoveu uma grande revolução educacional
no interior mineiro. Tal iniciativa atendeu às necessidades de cada região e à
exigência instituída na Lei de Diretrizes e Bases da Educação, que determina que, a
partir de 2006, a formação superior seja imprescindível para atuação dos
professores em sala de aula.
Hoje, portanto, a FUPAC/UNIPAC, com seus 31 anos como Faculdade e 12
como Universidade, está presente em mais de 100 cidades de Minas Gerais,
subdivida em campi e Rede de Faculdades Isoladas de Educação e Estudos
174
Sociais, com mais de 57 mil universitários, oferecendo mais de 200 cursos de
graduação, e contando ainda com o Ensino Fundamental, Médio, pós graduação lato
sensu , nas diversas áreas do conhecimento e stricto sensu, em Administração,
Comunicação e Tecnologia, Direito e Educação e Sociedade.
(Texto obtido no site oficial da UNIPAC www.unipac.br em 08-03-2011)
175
Centro Federal de Educação
Tecnológica de Minas Gerais
Breve Histórico
Em 23 de setembro de 1909, o Presidente Nilo Peçanha, através do Decreto
nº 7.566, criava a Escola de Aprendizes Artífices de Minas Gerais, hoje Centro
Federal de Educação Tecnológica de Minas Gerais (CEFET-MG). Instalada na av.
Afonso Pena, em Belo Horizonte, onde funciona atualmente o Conservatório de
Música da UFMG, a Escola oferecia ensino primário profissionalizante para crianças
carentes de 12 a 16 anos. Naquela época, Belo Horizonte ainda não apresentava
demanda para a área industrial e, por isso, os alunos eram formados para o
artesanato manufatureiro. Havia cursos de serralheria, sapataria, ourivesaria,
marcenaria e carpintaria.
Somente em 1942, com a industrialização, é que a escola se tornou técnica,
primeiro com o nome de Escola Técnica de Belo Horizonte e, em 1959, com a
denominação de Escola Técnica Federal de Minas Gerais. Em 30 de junho de 1978,
a instituição se transformou em CEFET-MG, a partir da aprovação de uma lei pelo
Congresso Nacional. Essa mudança representou um grande avanço institucional,
uma vez que ampliou as possibilidades de oferta de educação tecnológica em nível
superior, incluindo graduação, pós-graduação lato sensu e licenciatura, além dos
cursos técnicos, de educação continuada e das atividades de pesquisa.
176
O CEFET-MG é uma autarquia federal brasileira, vinculada ao Ministério da
Educação, possui cerca de 1009 docentes e cerca de 13623 discentes, dos quais
aproximadamente 5300 são estudadntes da graduação.
Em Minas Gerais, o CEFET possui dez campi. Este estudo foi aplicado no campus III
fundado em 1987, na cidade de Leopoldina, interior de Minas.
Segundo o Instituto Nacional de Estudos e Pesquisas Educacionais Anísio
Teixeira (INEP), em 2011, o CEFET ocupou o segundo e terceiro lugar do ranking
nacional de instituições de ensino superior entre as 10 mais concorridas do Brasil no
Sistema de Seleção Unificada (Sisu)[13], sendo que, neste mesmo ano o Sisu
apresentou 2.020 milhões de inscrições
(Texto obtido no site www.100anos.cefetmg.br em 08-03-2011)