社会网络分析在心理研究中的应用_2011

DOI: 10.3724/SP.J.1042.2011.00755

社会网络分析在心理研究中的应用*

马绍奇1 焦 璨2 张敏强1

(1华南师范大学心理应用研究中心, 广州 510631) (2深圳大学师范学院心理学系, 深圳 518000) 摘 要 个体不是孤立存在的, 其心理与行为的变化常依赖于与他人存在的关系。社会网络分析正是考虑到了这种依赖性, 发展出相应的处理关系变量的方法。在介绍社会网络理论的中心思想、社会网络分析的基本概念、数据表示方法和研究方法以及在个体水平和关系水平上的静态统计模型后, 使用UCINET软件展现了处理关系数据的基本步骤, 并简述社会网络分析在人格心理学、发展与教育心理学和管理心理学中的应用。 关键词 社会网络分析; 关系数据; 依赖性; p*模型 分类号

B841

另外, 在数据搜集方法方面, 有学者对心理研究中常用的随机抽样方法进行了批判, 认为它将个体从其所在的社会情境中剥离出来, 并且确保个体之间不存在互动与联系, 这种随机抽样方法亦被某些学者称为“绞肉机”(meatgrinder) (Freeman, 2004)。

此外, 常规的心理统计方法(如t-检验、方差分析、多元回归、典型相关分析、结构方程等)处理的是属性数据(attribute data)(Wasserman & Faust, 1994)。属性数据是有关个体自身方面的数据如性别、年龄、收入、态度、观点以及行为等(Scott, 2000), 是一个个孤立的“点”, 其观测值之间相互独立, 满足一般线性模型使用的前提条件, 其统计处理是在个体水平上关于个体属性之间关系的推断研究(刘军, 2005)。因而当心理研究中涉及相互依赖的个体之间关系的数据时, 不能用常规的线性模型技术(Wasserman et al., 1994; Hanneman & Riddle, 2005)。虽然有些学者试图使用多水平模型降低这种依赖性(De Miguel Luken & Tranmer, 2010; Lubbers, Molina, & Lerner, 2010), 但是这种方法能否反映数据之间的依赖性还存在争议(Robins et al., 2008)。

面对上述研究中存在的不足, 社会网络分析恰可从方法论上对其进行补充。因为社会网络分析重视真实的社会情境对个体行为的影响, 关注个体之间的关系, 并且还针对这种相互依赖的数据提供了专门的统计方法。因此, 社会网络分析

755

1 引言

在心理学研究中, 尤其是在早期的社会心理学界, 许多心理学家都认为个体所处的社会情境(social context)会对其心理与行为产生重要影响, 例如社会测量学的创始人莫雷诺、群体动力学理论的提出者勒温、平衡理论的提出者海德等; 另外, 许多心理学实验如霍桑实验、从众实验等也说明了社会情境对人的活动有很大的影响(Pattison & Robins, 2004; Robins & Kashima, 2008)。对于人类而言, 社会情境主要是由人与人之间的各种关系构成, 如朋友关系, 敌对关系等。这些关系或联系与人的心理和行为交互影响。因此, 心理学研究应该在社会情境这一背景下考察个体的心理与行为。

然而当前的某些心理研究过于偏重实验, 或涉及的社会情境仅是“实验性”的, 这类研究通常使用一般线性模型技术(如方差分析, 其前提假设之一是个体之间彼此独立, 实验过程中的随机误差彼此独立不相关)来分析和处理数据并得出结论, 这种非情境化(decontextualized)的研究结论常被批判为缺乏生态效度(Robins et al., 2008)。

收稿日期:2010-10-21

* 教育部人文社科基地项目(课题号2009JJDXLX006)、广东省哲学社科项目(课题号09sxlq001)及广东省自然科学基金项目(课题号9151063101000002)资助。 通讯作者:张敏强, E-mail: Zhangmq1117@yahoo.com.cn

756 心 理 科 学 进 展 第19卷

方法逐渐受到一些国内外心理学研究者的关注和应用。不过国内心理学界对社会网络分析的关注相对较少, 因此结合国内已有研究与介绍, 本文将对社会网络分析相关理论的中心思想、基本概念、数据表示方法和研究方法、主要的静态统计模型作介绍; 并展示处理关系数据的一般步骤以及对社会网络分析在心理学研究中的具体应用进行简要评述。

2 社会网络分析概述

“社会网络”是指由行动者(actors)集合和联结行动者之间的关系集合构成。“社会网络分析”(Social Network Analysis, SNA)是在人类学、社会学、心理学、数学、信息科学以及统计学等众多领域中发展起来的研究关系结构的分析方法, 是对社会关系进行量化分析的一门艺术和技术, 主要用于描述和测量个体之间的关系以及这些关系中所包含的东西如资源、信息等, 并对这些关系建立模型, 进而研究这些关系与个体行为之间的相互影响(刘军, 2004)。SNA关注的是“个体之间关系”, 是从“关系”角度来揭示社会情境与个体的心理和行为的互动影响, 即个体可以能动地构造他们的关系网络(选择效应, selection effect), 同时这些关系又反过来影响个体的心理与行为(影响效应, influence effect), 如形塑个体的人格、行为的强化与改变等。因此, 个体既形塑社会网络, 也被社会网络形塑(刘军, 2006)。

反映个体之间联系的数据称为关系数据(relational data), 通常的关系数据类型是二分类数据, 即用1表示两个行动者之间存在关系, 0表示不存在关系。一般用网络图和邻接矩阵来描述和刻画个体间复杂的关系结构(如图1和图2所示)。

图1 Pajek软件绘制三维效果社群图

(资料来源：王陆, 2009)

图2 关系数据—— “朋友关系”表示形式

在图1中, 点表示行动者, 线表示个体之间的具体关系或联结(tie或connection), 线上的箭头代表关系发出的方向。图2的邻接矩阵反映了4个行动者之间的朋友关系情况, 矩阵中默认的关系指向是由“行对象”到“列对象”, 对角线表示的是行动者与自身的关系, 一般不考虑, 故用“-”表示。用图来表示关系数据, 增加了数据的可视化效果, 这是其他抽象的数据分析技术所不具备的优点(王凤彬, 朱超威, 2006)。而用邻接矩阵来表示的关系数据与传统的属性数据表示也有很大不同, 因为在属性数据表示中, 以行作为行动者, 列为行动者的各种属性, 而在邻接矩阵中, 行和列同时为行动者。网络图和邻接矩阵均可在UCINET、Pajek和R等软件中实现。

社会网络通常分为自我中心网络(ego-centric network或personal network)和整体网络(whole network或full network) (Hanneman et al., 2005; 林聚任, 2009), 其相应的研究方法就被称为自我中心网分析和整体网络分析。自我中心网分析是指研究者关注某一类核心行动者(ego), 根据具体的关系内容, 收集与之相连的行动者(alter)以及这些行动者之间的关系信息, 这种分析关注的是核心行动者的关系情况以及这些关系对他们的影响, 常见于对个体的社会支持网分析, 以说明个体所受到的物质和情感帮助等。这种研究方法在界定好研究对象后, 通过随机抽样, 对被试进行访谈、问卷调查、观察法等, 搜集与被试发生某一特定联结的网络成员以及这些网络成员之间的联结资料, 问卷设计通常分为提名产生法和诠释法两个部分(罗家德, 2005)。整体网络分析关注的是一个相对闭合群体或组织的关系结构情况, 整

体网络分析可以揭示整体网络的各种结构特征, 如通过整体网络分析可以清晰地展示各个网络成员在网络中的位置, 为改善个体的人际关系和组

第5期 马绍奇等: 社会网络分析在心理研究中的应用 757

织效率提供参考等。虽然整体网络分析可以对整个网络有比较全面的研究, 但是在整体网络研究中, 首先要明确所研究群体的边界, 然后通过问卷或访谈等方法得到所有群体成员之间关于某一联结的情况。但这两个条件在实践中通常不易满足, 且整体网络分析的资料收集只能用非随机抽样, 如方便抽样、滚雪球抽样以及受访者推动抽样等(赵延东, Pedersen, 2007)。

3 常见的静态SNA统计模型

根据上述两种SNA研究方法, 对应的SNA统计模型也就分为两大类：个体水平(individual- level)上的模型和关系水平(relational-level)上的模型(O’Malley & Marsden, 2008)。 3.1 个体水平上的统计模型

个体水平上的统计分析主要关注的是个体属性(态度或意见等)的变化, 其统计模型类似于用于预测个体属性变化的标准回归模型。由于个体的态度、意见等的形成与变化部分依赖于个体之间的人际影响, 导致观测变量之间彼此相关, 这就有可能产生“多重共线性”。另外, 也可能会出现误差项之间彼此不独立。这些都违背了使用常规线性回归方程的某些前提假设, 因此需要引入其他的统计模型来处理这类有着复杂依赖关系的数据。有学者将多水平模型应用于个体网络分析中, 将个体与他人的关系作为层1变量嵌套在层2变量个体本身之中或嵌套在整个网络中, 但这种方法的使用存在着异议(Robins et al., 2008; Lubbers et al., 2010)。因而本文介绍另外一种统计模型—— 网络自相关模型(network autocorrelation model)。

网络自相关模型通过使用关系数据来反映这种相关结构, 20世纪70年代地理学者们对空间依赖问题的解决促进了这一模型的发展。该模型具体可表示为(Neuman & Mizruchi, 2010)： Y=ρWY+Xβ+ε (1) 或：

Y=Xβ+ε,ε=ρWε+υ (2) 在公式(1)中, Y是由个体属性变化的结果变量构成的因变量向量, W是各因变量之间的影响矩阵(用关系数据来表示), ρ 是因变量之间相关程度的参数, X是有关个体属性变量组成的自变量矩阵, 这里的随机误差项ε 与X之间彼此独立。而

在公式(2)中, 将误差项进一步分解了, 这里W依然是观测值之间的影响矩阵, 而ρ 则是误差项中相关程度的参数, υ 是随机误差项。公式(1)中和公式(2)中的影响矩阵W的构造取决于分析者的目的和实际的应用情况(Leenders, 2002)。这一模型的参数估计不能用普通的最小二乘法(OLS), 通常用广义最小二乘法(generalized least-squares)或最大似然法(maximum likelihood)进行估计, 这些估计方法都可在R软件中实现(O’Malley et al., 2008)。

3.2 关系水平上的统计模型

关系水平上的模型又可分为多种模型, 如适合分析二人关系的p1模型、p2模型(是p1模型与多水平模型的结合, 可分析个体的属性变量对关系的影响)、社会关系模型(social relations model, SRM)以及行动者-对象互依性模型(actor-partner interdependence model, APIM)等, 但是这些模型不能分析更复杂的关系结构, 也不能同时包含多个个体属性变量。而本节介绍的统计模型则可以同时分析多个个体之间复杂的关系结构和属性特征之间的关系, 是整体网络分析中常用的模型。

马尔科夫随机图模型(Markov random graph), 又称之为p*模型。p*模型基本的对数线性形式是(Wasserman & Pattison, 1996; Anderson, Wasserman, & Crouch, 1999)： Pr(X=x)=

exp{θ′z(x)}exp{θ1z1(x)+L+θrzr(x)} (3)

k(θ)=

k(θ)

等式左边表示是个体间存在某种实际关系的概率, 等式右边θ 是各个模型参数向量; z(x)是一系列网络统计量向量, 它可以包括个体本身的属性参数

(如性别、年龄、态度、意见等)、各个层次的结构参数(如关系的接收和发出参数、互惠性参数、各种星形参数等), 方程中k是常数, 用来确保概率

分布是正态。公式(3)表示当前存在的观测关系网

与哪些网路结构和个体属性特征有关。显然, 在

参数未设定好之前, 公式(3)表示一类模型, 这类模型又被统称为指数随机图模型(exponential

random graph models, ERGM)。早期对p*模型的估计方法是用伪似然估计(pseudo-likelihood

estimation, PLE), 因为用PLE对模型估计比最大似然估计(maximum likelihood estimation, MLE)更容易实现。但是由于PLE违背关系数据之间的依

758 心 理 科 学 进 展 第19卷

赖性假设, 而且后来大量研究发现, 伪似然估计法并不可取, 其估计的结果不可靠(Carrington,

uk即是k-2-路径参数。

这三种参数的引入大大改善了模型的参数估计和拟合(Goodreau, 2007; Hunter, Goodreau, &

Scott, & Wasserman, 2005; Robins, Snijders, Wang, Handcock, & Pattison, 2007; Lubbers & Snijders, 2007; Van Duijn, Gile, & Handcock, 2009)。于是, 研究者又结合MCMC (Markov Chain Monte Carlo

Handcock, 2008; Robins, Snijders, Wang, Handcock, & Pattison, 2007)。Robins, Pattison和Wang (2009)将这些新的参数进行推广到有向关系数据中, 并且提出了基于三人组的三种新参数, 来表示不同estimation, MCMC)算法来估计模型参数。然而, Snijders (2002)和Handcock (2003)在研究中发现马尔科夫随机图模型存在一个严重的问题, 即在参数估计时容易出现模型衰减(model degeneracy或near degeneracy), 造成参数估计不收敛。特别是在个体间关系聚集性(clustering)较高时, 模型不能用于对涉及三人关系的各类型参数以及更高阶的参数进行估计。

针对上述模型估计出现的问题, 一些研究者提出了各自的看法。其中Snijders, Pattison, Robins和Handcock (2006)针对无向关系数据, 提出三种新的统计参数并得到众多研究者的认同。而且这些新的参数还满足Pattison和Robins (2002)提出的部分依赖假定(partial dependence), 这一依赖性假定更加符合现实生活, 具体含义是指在任意两对不关联的个体对之间, 如果每对个体之间有任一关系, 则为部分依赖。举例来说, i与j是朋友关系、k与s是朋友关系, 如果i与k有关联, 则i与s相互依赖, j与k、s也相互依赖。Snijders等人(2006)提出的三种新参数分别为：交互k-星

(alternating k-stars), 交互k-三角(alternating k-triangles), 交互k-2-路径(alternating k-two- paths)。

交互k-星参数将所有的星型参数归结为一个统一的总参数, 其统计公式是：

n∑−1

s=

(−1)

k

Sk

k=2

λk−2 (4) 对于k≥2, σ=

−σ(k+1)k

λ, 参数λ 是常数, 有人将

其值设为2(Robins et al., 2007)。同理交互k-三角

参数的表达式为：

n−1

t=

∑(−1)

k

Tk

k=2

λk−2

(5) 相应的三角参数τ−τ(k+1)=

k

λ, τk即为三角参

数。而k-2-路径参数的表达式为：

n−2

u=u1−

2u2

λ+

∑

(

−1

k−1k=3

λ)uk (6)

三人组的封闭效应, 这三种参数更加细化了关系结构, 从而可以更加真实地反映现实的关系结构。对于p*模型参数估计以及模型的拟合优度诊断皆可在R软件中用ergm程序包实现或用其他三种软件siena、statnet和pnet实现。

4 处理关系数据的一般步骤

首先, 确定社会网络分析的具体研究方法

(是个体网络分析还是整体网络分析), 针对不同的研究方法设计相应的关系数据调查问卷或通过访谈等其他方法来搜集关系数据, 使用UCINET软件将原始数据整理成矩阵形式。本节采用的数据是取自Hoff (2003)一文中, Hoff使用Hansell在

1984年收集的一个六年级班级27名学生之间的好朋友关系数据, 其中男生13人, 女生14人, 评判朋友关系的强度分为：“许多”、“有点”、“很少”。如果一个学生对另一个学生的评判为“许多”, 则记为1, 否则为0。将原始数据使用文本编辑输入至UCINET 6.232中, 构造出27名学生的好朋友关系数据的矩阵如图3所示。

在图3中, 1至13是男生, 14至27是女生。从图3中大致可以看出好朋友关系更多的是发生

在同性别学生中。

其次, 由于该数据集的规模不大(只有27个

人), 因此亦可以用UCINET软件画出其社群图, 如图4所示。从图4中可以看出整个班级学生间的交往情况, 例如可以看出20号学生总是发出关系, 没有人认为与20号的关系是好朋友关系, 26

号只有一个学生将她视为好朋友, 6、5、14、15、

18、25等学生较受欢迎。

最后, 在观察社群图和矩阵中所表现出来的关系数据特性的基础上, 还可以使用UCINET软件对其进行描述性统计, 如计算有关该网络数据的一些统计量, 如：网络的密度、点的各种中心度、以及进行凝聚子群分析等等。然后根据研究目的和研究方法, 提出研究假设, 进而选择

第5期 马绍奇等: 社会网络分析在心理研究中的应用 759

图3 27名学生的好朋友关系矩阵

图4 27名学生的好朋友关系社群图 注：圆表示男生, 方形表示女生

相应的结构参数和统计模型以对研究假设进行检验。

和应用, 例如早期的社会心理学家Stanley

Milgram通过一个关于“小世界现象”的实验研究发现了“六度分割”现象, Koehly和Shivy早在

5 SNA在心理学研究中的应用

5.1 SNA在国外心理学研究中的应用

1998年就专门在咨询心理学中介绍过SNA。SNA在人格、组织管理以及发展心理学等领域中都得到了广泛的应用, 尽管一些研究结论尚属探

SNA在国外心理学界已经受到广泛的关注

760 心 理 科 学 进 展 第19卷

索阶段, 但也大大拓展了SNA在心理学研究中应用的前景。

5.1.1 SNA在人格心理学中的应用

近年来, 关于个体人格特质与其所在的社会网络性质(如网络位置、网络中关系的疏密性等)的关系研究日益增多。如在自我监控(Self-

位置作为人格障碍的指标, 其研究结果表明中心性和点度正相关于自恋型(Narcissistic)和表演型

(Histrionic)人格障碍, 与回避型(Avoidant)和精神分裂型(Schizotypal)人格障碍呈负相关。虽然这些研究只是初步的探索, 但勾画了社会网络分析在人格心理学中的应用前景。

Monitoring)特质的研究方面, Mehra, Kilduff和Brass (2001)使用整体网络研究发现, 个体的自我监控差异会影响其在组织中的各种社会网络位置, 与低自我监控者相比, 高自我监控者常占据社会网络的中心位置, 也更容易获得网络中的各种资源。Oh和Kilduff (2008)使用个体网络研究发现个体的自我监控差异导致了个体在熟人网络中的差异, 高自我监控者更倾向于占据直接或间接的中间人(brokerage)的位置。Moore (2006)的纵向研究也表明自我监控显著正相关于居间中心性。在大五人格特质的研究方面, Klein等人研究了大五人格与朋友关系网络、建议关系网络和敌对关系网络的关系, 研究发现具有低神经质的个体在建议和朋友关系网络中具有较高的入度中心性(引自Kalish & Robins, 2006)。Kalish等人(2006)研究发现外倾性与网络密度和网络大小正相关, 并且显著正相关于关系紧密的三人组而显著负相关于关系较弱的三人组, 神经质则刚好与外倾性相反。Selfhout, Burk, Branje, Denissen, Aken和

Meeus (2010)在研究青少年朋友网络中发现：高外倾性的个体倾向于选择较多的人作为朋友, 而具有高宜人性的个体更容易被他人选择作为朋友。Gloor, Oster, Raz, Pentland和Schoder (2010)在研究组织创造力的时候, 发现与神经质和内倾性的个体相比, 外倾性的个体在组织中的社会网络位置更居于边缘。虽然关于人格特质与社会网络性质之间的研究逐渐增多, 但是, 这些研究尚属初步的探索阶段, 因而常出现研究结果不一致的现象(Schaefer, Geyer-Schulz, & Berninghaus,

2006)。

由于许多研究表明个体的人格特质与其所处的社会网络关系密切, 因此, 有学者开始将社会网络分析用于评估人格障碍, 并且发现使用社会网络分析评估人格障碍比传统的自我报告法更有效, 其评估结果更加可靠(Clifton, Turkheimer,

& Oltmanns, 2007)。同样, Clifton, Turkheimer和Oltmanns (2009)在研究中将个人在社会网络中的

5.1.2 SNA在发展与教育心理学中的应用

运用社会网络分析可以研究个体毕生发展过程中与周围其他人关系的形成和演化, 以及相应的行为变化。当前已有的研究较多关注于学前儿童和青少年朋友关系的发展以及这些关系对不良行为(如攻击、吸烟、酗酒、吸毒等)的影响, 根据这些研究结果可以采取相应的干预措施, 进而促进青少年的健康成长。Schaefer, Light, Light,

Hanish和Martin (2010)使用纵向的观测数据来研究学龄儿童同伴关系的形成机制, 其研究结果显示, 互惠性、威望和环形三人组在学前儿童的网络中已经存在, 互惠性在儿童间的影响一直存在, 而威望和环形三人组在儿童同伴关系的发展中日益重要。Neal (2009)研究同龄儿童网络结构如何影响儿童的攻击行为(如社会拒绝和谣言传播), 其结果显示儿童社会网络的中心性对同龄提名的攻击行为呈曲线效应, 社会网络的密度对教师评估的攻击行为有正效应, 这进一步说明儿童攻击行为不仅与其自身有关, 而且还与儿童所嵌入的社会情境有关。Mercken, Snijders, Steglich,

Vertiainen和Vries (2010a)利用纵向的社会网络分析方法检查性别在基于吸烟行为的朋友关系中的差异, 有吸烟行为的男女青少年都倾向于选择吸烟的人作为朋友, 在朋友选择上不存在差异, 但是女性青少年更容易受到朋友吸烟行为的影响而吸烟。Mercken等人(2010b)通过纵向研究青少年朋友网络的动态变化和吸烟行为, 发现朋友关系在同性别的青少年更容易发生, 在青少年吸烟行为的发展中, 选择效应和影响效应都起着重要的作用, 而且选择的作用比影响更大, 选择效应和影响效应的强度都随着时间而减少。关于儿童和青少年朋友网络的发展以及相应的亲社会性和不良行为的发展尚在探索阶段。因此, 研究结论还存在不一致。

除了关注青少年不良行为的发展外, 还有学者开始关注青少年的朋友网络对其心理健康的影响。如Falci和McNeely (2009)通过使用个体网络

第5期 马绍奇等: 社会网络分析在心理研究中的应用 761

分析发现, 青少年的朋友网络规模与抑郁症状的关系呈曲线形式, 朋友网络太大或太小的青少年都具有较高水平的抑郁症状, 女性青少年的抑郁症状仅发生在其周围朋友网络的凝聚较低时, 而男性青少年的抑郁症状则发生在朋友网络凝聚性较高时。除了研究青少年网络与其抑郁症状外, 还可以研究焦虑以及其他的心理素质与其社会网络的关系。虽然纵向的社会网络分析可以很好地探究人体在毕生发展过程中其本身的属性(人格特质、态度等)与周围社会网络的互动作用机制, 但是由于研究耗时长, 以及存在被试流失等情况, 造成数据处理方面难度较大, 因此成本也很大。 5.1.3 SNA在管理心理学中的应用

社会网络分析在组织管理中的应用研究很多, 如管理学者Krackhard很早就使用社会网络分析来研究组织中员工的工作满意度, 离职倾向等(罗家德, 2005)。首先, 在个体和组织创造性方面, 有学者认为个体的创造性不仅与个体本身的思维有关, 还与周围的社会情境有关(Cattani &

Ferriani, 2008)。Cattani和Ferriani在研究好莱坞电影业的创造力时发现, 社会网络具有塑造个体和小组创造力的作用, 无论是个体还是团队当处于网络中的核心位置与边缘位置之间时, 其创作力的表现最佳, 即个体和小组的创造力表现与其所在的社会网络位置呈倒U型曲线形式。Gloor等人(2010)的组织创造力研究发现, 高创造性的员工与变化的居间中心性呈正相关。Zhou, Shin,

Brass和Choi (2009)研究发现员工的创造力与员工的弱关系呈曲线水平。

其次, 在员工的工作满意度、人际公民行为

(ICB)以及人际信任等方面。Choi (2007)使用纵向研究探索了朋友关系网络、任务关系网络以及回避关系网络(网络中个体之间的关系是负性的)与个体在小组中的满意度问题, 其研究发现员工的任务关系网和朋友关系网中心性只能在一段时间内预测员工的满意度, 而且二者之间竟然是负相关, 员工回避关系网络中心性也负相关于员工满意度。这一结论意味着员工的各种社会网络、态度、情感是动态变化的。Liu和Ipe (2010)在研究中检验出ICB在人格特质(责任心和宜人性)和小组成员的网络中心性之间的中介效应, 即员工越具有责任心和宜人性两种人格特质, 就越易表现出人际公民行为, 因而在团队中也越有可能成为

焦点。总之, 在组织管理中, 运用社会网络分析可以清晰地勾画出组织中各种网络(信息网络、交流网络等)的总体结构, 也可以观察组织成员在网络中的位置, 因而可以根据组织发展的需要, 在宏观和微观层次上对组织网络结构进行相应的调整, 确保组织高效、安全地运转。 5.2 SNA在国内心理学界的应用

国内心理学界主要是在社会心理学关于人际关系的研究中运用或涉及到了SNA。如早在

20世纪80年代, 黄希庭和时勘(1984)运用SNA早期的社会测量法研究大学生在班级中的人际关系时发现, 大学班集体非正式群体的内部结构有一定的特点, 班级中的两极人物有明显的个性特质差异。郑思明、阳志平和程利国(2004)对青少年社会网络研究进行了简要的述评。董妍和俞国良

(2005)在阐述自我提升含义的时候提到了社会关系模型, 但未作详细介绍。张宏宇、许燕和柳恒超(2007)对社会关系模型进行了详细的介绍。李育辉和黄飞(2010)又对另一个二人组模型行动者-对象互依性模型(APIM)进行了介绍。这些研究对社会网络分析的部分概念及在二人关系水平上的模型进行了简单介绍, 大多是在个体水平上进行推断研究, 主要通过测量个体中心网来研究个体的社会支持网状况, 并未在整体水平上对有关的整体社会网络分析内容作较深层次的介绍与应用, 如对具有推论性统计模型的介绍与应用等。值得注意的是, 在实际应用中, 研究者并未注意到关系数据之间的依赖性。

6 小结与展望

心理学是一门古老而又年轻的学科, 其学科的发展是通过不断从其他学科汲取有利于本学科发展的营养而壮大, 虽然现在的心理学已逐渐走向成熟, 理论和研究成果颇丰, 但是由于心理学研究对象的复杂性, 各种理论都只能在有限的范围内对人类的行为和心理进行解释。而由于当前的某些研究视角还不是很完善, 在研究中容易忽视真实的社会情境效应, 这不利于对人类心理和行为的认识, 也不利于心理学本身的发展。因此, 有研究者提倡将社会网络分析与心理学整合起来

(Robins et al., 2008), 以促进心理学更好的发展。

与其他研究视角相比, SNA重视社会情境的作用, 注重分析个体之间的联结及其结构特点对

762 心 理 科 学 进 展 第19卷

个体的心理和行为产生影响, 且针对常规的线性统计模型的不足, 发展出相应的可以处理依赖性数据的统计模型和方法。因此, 将SNA纳入心理学研究中, 尤其是在研究群体心理和行为时, 如家庭、社区、组织中个体的一些心理特征的变化, 将个体所嵌入的社会情境纳入对个体的心理与行为的解释之中, 这将有助于改善研究结论的生态效度, 进而提高研究结论的外部效度。由于SNA同时关注个体的属性特征和其所嵌入的网络结构, 既可研究个体属性如何影响他周围的网络结构, 又可研究在不同层次的网络结构上对个体心理与行为的影响, 这就为考察微观行为和宏观现象之间构建了一座桥梁(罗家德, 2005)。在实际的心理学研究中, 研究者既可结合有关的SNA统计量在个体水平上探讨个体心理与行为的变化, 同时也可以从各个层次的网络水平甚至整个社会网络结构水平上考察这些关系模式对个体的心理与行为的影响; 亦可以结合纵向的SNA, 在一段时间内, 同时研究选择效应和影响效应的因果机制。因此, 结合SNA, 可促使研究结论的丰富性, 提升在研究中对数据信息的挖掘能力和数据表达的丰富性, 进而有助于提高研究结论的可靠性, 从而可以更加精确的刻画和理解人类的心理和行为。另外, 在数据表达方面, SNA用社群图来表示关系数据, 数据的可视化程度远比其他的数据分析技术要高, 这增加了所研究问题的现实感, 也加强了心理学研究中数据表达的丰富性。

心理学研究者开始重新重视社会情境的作用, 开始关注SNA在心理学研究中的作用。有关

SNA在心理学中的应用研究日益增多。尽管这些研究尚处于初步的探索阶段, 许多研究结论还需进一步论证和发展, 这也为SNA在心理学研究, 尤其是人格与社会心理学、管理和组织心理学、发展与教育心理学以及咨询心理学等纵多心理学分支学科提供了广阔的应用空间。

虽然SNA具有优点, 但是也存在一些缺陷和不足：首先, 在方法和技术上还存在提高的空间, 当前的SNA对关系数据的处理发展较为成熟的仅是二分类数据, 相对于连续数据, 二分类数据的精确性不高, 这限制了SNA的推广; 其次, 有关的统计模型和参数估计的方法的发展还不完善, 导致在实际的应用分析中, 对模型的参数估计经常会不收敛, 这也限制了SNA的应用; 第三,

在数据收集和研究结论推广方面, 由于整体网络分析需要首先界定明确的研究边界, 在确定好研究边界后, 需要经过边界内所有成员的同意, 才能收集整体网络数据, 这无疑增加了数据收集的困难。相应地, 由于研究样本不是来源于随机抽样, 这就造成在研究结论的推广范围方面受到一定的限制。因此, 在利用SNA优点为心理学研究服务的同时, 要注意SNA的缺点, 扬长避短, 以更好的推动整个心理学科的健康发展。

国内心理学界关于SNA的研究还处于萌芽阶段, 一方面可能由于国外心理学对SNA的关注也才刚刚起步, 另一方面可能由于国内有关SNA在心理学方面应用介绍较少, 因此本文对社会网络分析的有关内容作了简要的介绍, 希望本文能起到引玉之砖的作用, 相信随着SNA在心理学研究的深入, 会更加精确揭示出人类心理与行为, 从而使得心理学研究方法的可靠性增强, 所得结论的解释力和可信度也随之增强。对SNA动态模型的关注以期在考虑数据间复杂依赖性的前提下, 将网络结构的变化(选择效应)和个人行为的变化

(影响效应)分离开来分别加以分析, 这将是未来研究的趋势。如何有效处理纵向研究中的缺失值以及将SNA的统计模型推广到适用于多值关系数据和2-模关系数据(由2类行动者集合构成)将是SNA方法论层面的关注重点。

参考文献

董妍, 俞国良. (2005). 自我提升的研究现状与展望. 心理科学进展, 13(2), 178–185. 黄希庭, 时勘. (1984). 大学班集体人际关系的心理学研究. 心理学报, (4), 455–65. 李育辉, 黄飞. (2010). 成对数据分析之行动者-对象互依性模型(APIM). 心理科学进展, 18(8), 1321–1328. 刘军. (2004). 社会网络分析导论. 北京: 社会科学文献出版社. 刘军. (2005). 关系：一种新的分析单位. 社会, 5 (243), 164–174. 刘军. (2006). 法村社会支持网—— 一个整体研究视角. 北京: 社会科学文献出版社. 罗家德. (2005). 社会网分析讲义. 北京: 社会科学文献出版社. 林聚任. (2009). 社会网络分析理论、方法与应用. 北京: 北京师范大学出版社. 王凤彬, 朱超威等(译). (2006). 社会网络与组织. 北京: 中国人民大学出版社.

第5期 马绍奇等: 社会网络分析在心理研究中的应用 763

王陆. (2009). 典型的社会网络分析软件工具及分析方法. 中国电化教育, 4(267), 95–100. 郑思明, 阳志平, 程利国. (2004). 青少年社会网络研究综述. 研究述评, 1, 90–101. 张宏宇, 许燕, 柳恒超. (2007). 社会关系模型(SRM)——个体差异研究的新策略. 心理科学进展, 15 (6), 968–973. 赵延东, Pedersen, J. (2007). 受访者推动抽样：研究隐藏人口的方法与实践. 社会, 2(27), 192–205. Anderson, C. J., Wasserman, S., & Crouch, B. (1999). A p* primer: logit models for social networks. Social Networks, 21, 37–66. Carrington, P. J., Scott, J., & Wasserman, S. (2005). Models and methods in social network analysis. Cambridge University Press. Cattani, G., & Ferriani, S. (2008). A core/periphery perspective on individual creative performance: social networks and cinematic achievements in the hollywood film industry. Organization Science, 19(6), 824–844. Clifton, A., Turkheimer, E., & Oltmanns, T. F. (2007). Improving assessment of personality disorder traits through social network analysis. Journal of Personality, 75(5), 1007–1031. Cliftona, A, Turkheimer, E, & Oltmanns, T. F. (2009). Personality disorder in social networks: network position as a marker of interpersonal dysfunction. Social Networks, 31, 26–32. Choi, P. M. (2007). The effects of social network centrality on group satisfaction. Unpublished Master thesis, air university, Ohio, USA. De Miguel Luken, V., & Tranmer, M. (2010). Personal support networks of immigrants to Spain: A multilevel analysis. Social Networks, 32, 253–358. Falci, C., & McNeely, C. (2009). Too many friends: social integration, network cohesion and adolescent depressive symptoms. Social Forces, 87(4), 2031–2062. Freeman, L. C. (2004). The development of social network analysis, ΣP Empirical Press Vancouver, BC Canada. Goodreau, S. M. (2007). Advances in exponential random graph (p*) models applied to a large social network. Social Networks, 29, 231–248. Gloor, P., Oster, D., Raz, O., Pentland, A., & Schoder, D. (2010). The virtual mirror reflecting on your social and psychological self to increase organizational creativity. Journal on International Studies of Management & Organization, 40(2). Hanneman, R. A., & Riddle, M. (2005). Introduction to Social Network Methods. Riverside: University of California. Handcock, M. S. (2003). Assessing degeneracy in statistical models of social networks. Center for Statistics and the Social Sciences, University of Washington.Working Paper, No. 39. Hunter, D. R., Goodreau, S. M., Handcock, M. S. (2008). Goodness of fit of social network models. Journal of the American Statistical Association, 103, 248–258. Hoff, P. D. (2003). Random effects models for network data. In K. C. R. Breiger, & P. Pattison (Eds.), Dynamic social network modeling and analysis: Workshop summary and papers (pp. 303–312). Washington, DC: National Academy Press. Kalish, Y., & Robins, G. (2006). Psychological predispositions and network structure The relationship between individual predispositions, structural holes and network closure. Social Networks, 28, 56–84. Koehly. L. M., & Shivy, V. A. (1998). Social network analysis: a new methodology for counseling research. Journal of Counseling Psychology, 45(1), 3–17. Leenders, R. T. A. J. (2002). Modeling social influence through network autocorrelation: constructing the weight matrix. Social Networks, 24, 21–47. Lubbers, M. J., & Snijders, T. A. B. (2007). A comparison of various approaches to the exponential random graph model: A reanalysis of 102 student networks in school classes. Social Networks, 29, 489–507. Lubbers, M. J., Molina, J. L., & Lerner, J. (2010). Longitudinal analysis of personal networks. The case of Argentinean migrants in Spain. Social Networks, 32, 91–104. Liu, Y., & Ipe, M. (2010). How do they become nodes? Revisiting team member network centrality. The Journal of Psychology, 144(3), 243–258. Mehra, A., Kilduff, M., & Brass, D. J. (2001). The social networks of high and low self-monitors: implications for workplace performance. Administrative Science Quarterly, 46(1), 121–146. Moore, G. J. (2006). The longitudinal effects of self-monitoring and locus of control on social network position in friendship networks. Unpublished Master thesis, air university, Ohio, USA. Mercken, L., Snijders, T. A. B., Steglich, C., Vertiainen, E., & Vries, H. D. (2010a). Smoking-based selection and influence in gender-segregated friendship networks: a social network analysis of adolescent smoking. Addiction, 105(7), 1280–1289. Mercken, L., Snijders, T. A. B., Steglich, C., Vartiainen, E., & Vries, H. D. (2010b). Dynamics of adolescent friendship networks and smoking behavior. Social Networks, 32, 72–81. Neuman, E. J., & Mizruchi, M. S. (2010). Structure and bias

764 心 理 科 学 进 展 第19卷

in the network autocorrelation model. Social Networks, 32, 290–300. Neal, J. W. (2009). Network ties and mean lies a relational approach to relational aggression. Journal of community psychology, 37(6), 737–757. Oh. H., & Kilduff, M. (2008). The ripple effect of personality on social structure: Self-monitoring origins of network brokerage. Applied Psychology, 93(5), 1155– 1164. Pattison, P., & Robins, G. (2004). Building models for social space: neighbourhood-based models for social networks and affiliation structures. Mathematics and Social Sciences,4, 11–29. Pattison, P., & Robins, G. L. (2002). Neighborhood-based models for social networks. Sociological Methodology, 32, 301–337. Robins, G., & Kashima, Y. (2008). Social psychology and social networks: Individuals and social systems. Asian Journal of Social Psychology, 11, 1–12. Robins, G., Snijders, T., Wang, P., Handcock, M., & Pattison, P. (2007). Recent developments in exponential random graph (p*) models for social networks. Social Networks, 29, 192–215. Robins, G., Pattison, P., & Wang, P. (2009). Closure, connectivity and degree distributions: Exponential randomgraph (p*) models for directed social networks. Social Networks, 31, 105–117. Scott, J. (2000). Social Network Analysis. London: Sage Publications. Snijders, T. A. B. (2002). Markov chain monte carlo estimation of exponential random graph models. Journal of Social Structure, 3(2), 1–40. Snijders, T. A. B., Pattison, P. E., Robins, G. L., & Handcock, M. (2006). New specifications for exponential random graph models. Sociological Methodology, 36, 99–153. Selfhout, M., Burk, W., Branje, S., Denissen, J., Aken, M. V., & Meeus, W. (2010). Emerging late adolescent friendship networks and big five personality traits: A social network approach. Journal of Personality, 78(2), 509–538. Schaefer, C., Geyer-Schulz, A., & Berninghaus, S. (2006). Personality in social networks. a theoreical overview. In: Dreier, T., Studer, R., & Weinhardt, C. (Eds.): Information management and market engineering. Karlsruhe: Universitätsverlag. Schaefer, D. R., Light, J. M, Light, R. A., Hanish, L. D., & Martin, C. L. (2010). Fundamental principles of network formation among preschool children. Social Networks, 32, 61–71. Van Duijn, M. A. J., Gile, K., & Handcock, M. S. (2009). A framework for the comparison of maximum pseudo- likelihood and maximum likelihood estimation of exponential family random graph models. Social Networks, 31, 52–62. Wasserman, S., & Faust, K. (1994). Social networks analysis: Methods and application. Cambridge University Press. Wasserman, S., & Pattison, P. E. (1996). Logic models and logistic regressions for social networks: I. An introduction to Markov Graphs and p*. Psychometrika, 61, 401–425. Zhou, J., Shin, S. J., Brass, D. J. & Choi, J. (2009). Social networks, personal values, and creativity: Evidence for curvilinear and interaction effects. Journal of Applied Psychology, 94(6), 1544–1552.

Application of Social Network Analysis in Psychology MA Shao-Qi1; JIAO Can2; ZHANG Min-Qiang1 (1Research Center of Psychological Application, South China Normal University, Guangzhou 510631, China) (2 Department of Psychology, Shenzhen University, Shenzhen 518000, China) Abstract: Individuals are not isolated, their mind and behavior changes often depend on the relationship with other people. Social network analysis takes this dependency into account and develops corresponding methods to study relational variable. To begin with, this article clarified the main idea of social network theory and the fundamental concepts, data representation and research methods in social network analysis. Then, two types of statistical models on individual level and relational level are introduced. Based on the data, the UCINET software is used to show the steps of process relational data. Finally, the applications of social network analysis in the Personality psychology, Developmental and Educational psychology, and Management psychology are summarized. Key words: social network analysis; relational data; dependency; p* model