CD: Community Detection

مقایسۀ مدلهای ارائه شده برای شبکه های اجتماعی برخط با محوریت انجمن های تشکیل شده

https://pws.yazd.ac.ir/hasheminezhad/emamgholize-th.pdf

آشنایی با روش تحلیل شبکه‌های اجتماعی (SNA)

شبکه‌هایی که مردم در آنها با یکدیگر متصل و به تولید یا خلق محتوا می‌پردازند. به عبارتی، امروز گسترش ارتباطات میان‌فردی در شبکه‌های اجتماعی مهمترین هدف یا رویکرد در این شبکه‌هاست و حال سوال این است که اتصالات یا روابط (ارتباطات میان‌فردی) چگونه در شبکه‌های اجتماعی تحلیل می‌شوند؟

برای پاسخ به این سوال، روش علمی تحلیل شبکه‌ اجتماعی (Social network analysis) در دنیا مطرح شده است. به عبارتی، تحلیل شبکه اجتماعی، تحلیل روشمند شبکه‌های اجتماعی است.

تحلیل شبکه‌های اجتماعی نشان‌دهنده روابط اجتماعی در نظریه شبکه که متشکل از گره‌ها (نشان‌دهنده بازیگران فردی درون شبکه) و روابط (نشان‌دهنده روابط بین افراد مانند دوستی، خویشاوندی، موقعیت سازمانی و غیره) است. این شبکه‌ها غالبا در دیاگرام شبکه‌های اجتماعی که در آن گره‌ها به عنوان نقاط و روابط با خطوط نمایش داده می‌شود.

شکل1: گراف تحلیل شبکه اجتماعی فیس‌بوک

روش تحلیل شبکه در پژوهش‌های اجتماعی به عنوان پارادایمی مستقل قلمداد می‌شود چرا که بنیان روش‌های پیشنهادی آن مبتنی بر تئوری متمایز و مفروضات هستی ‌شناختی و روش‌شناختی خاصی است که کاملا میان رشته‌ایست.

تمایز تحلیل شبکه در پژوهش‌های علوم اجتماعی و رفتاری با سایر روش‌ها از فرضیه زیربنایی آن مبتنی بر ارتباط بین واحدهای کنش متقابل و اهمیت مفاهیم و اطلاعات رابطه‌ای بین آنهاست و تئوری‌ها، مدل‌ها و کاربردهای آن بر حسب مفاهیم رابطه‌ای یا فرایندها بیان‌ می‌شود.

تحلیل شبکه‌های اجتماعی در رشته‌های تحصیلی مختلف و همچنین کاربردهای عملی گوناگون مانند مقابله با پول‌شویی و تروریسم استفاده می‌شود.

شکل2: گراف تحلیل شبکه اجتماعی توییتر

• تاریخچه تحلیل شبکه‌ اجتماعی

بالغ بر یک قرن یعنی از اوایل قرن 20 است که مردم، شبکه اجتماعی را برای اشاره‌های ضمنی به مجموعه روابط پیچیده میان افراد درسیستم‌های اجتماعی در تمامی مقیاس‌ها از روابط بین فردی گرفته تا بین‌المللی مورد استفاده قرار می‌دهند.

در سال ۱۹۴۵جان بارنر (J. A. Barnes) برای نخستین بار از اصطلاح تحلیل شبکه‌های اجتماعی به صوت قاعده‌مند برای مشخص کردن الگوهایی از رشته‌ها استفاده کرد که مفاهیم را مشخص می‌کنند و به صورت رایج توسط عموم و دانشمندان علوم اجتماعی مورد استفاده قرار می‌گیرد: گروه‌های محدود (مانند: قبایل و خانواده‌ها) و طبقات اجتماعی (مانند: جنسیّت و قومیت).

پیدایش تحلیل شبکه اجتماعی یک تلاش بین رشته‌ای بوده و مفاهیم آن از تلفیق تئوری اجتماعی با روش شناسی کمی، آماری و ریاضی شکل گرفته و گسترش یافته است. مفاهیم اساسی تحلیل شبکه مانند رابطه، شبکه و ساخت منحصر به رشته خاصی نیست و برآیندی از مطالعات در رشته‌های جامعه‌شناسی، روان‌شناسی اجتماعی، مردم‌شناسی، علوم ارتباطات اجتماعی، مهندسی کامپیوتر، ریاضیات و غیره است. [بیشتر بدانید]

• فراتر از تحلیل شبکه اجتماعی

گرایش‌های تحلیلی متعددی تحلیل شبکه‌های اجتماعی را تمیز می‌دهند: هیچ فرضی وجود ندارد که گروه‌ها، بلوک‌های بنا کننده اجتماع هستند. تحلیل شبکه‌های اجتماعی علاوه بر سروکار داشتن با اشخاص (افراد، سازمان‌ها، ایالات) به عنوان واحدهای گسستهتحلیل، برروی چگونگی ساختار رشته‌ها که اشخاص و روابط میان آن‌ها را تحت تاثیر قرار می‌دهد نیز تمرکز می‌کند.

برخلاف تحلیل‌هایی که بر این فرض استوارند که هنجارهای اجتماعی تعیین کننده رفتارها هستند، تحلیل شبکه‌های اجتماعی به بررسی وسعت تاثیرگذاری ساختار و ترکیب رشته‌ها بر هنجارها می‌پردازد.

در شبکه‌های اجتماعی برای بررسی چگونگی تأثیرات متقابل میان تشکیلات، توصیف بسیاری از اتصالات غیررسمی که مجریان را به یکدیگر متصل می‌کند نیز مورد استفاده قرار گرفته ‌است و در این زمینه‌ها نیز به خوبی برقراری ارتباطات فردی میان کارمندان در سازمان‌های مختلف عمل می‌کند.

شبکه‌های اجتماعی نقش کلیدی در موفقیت‌های تجاری و پیشرفت‌های کاری ایفا می‌کنند. شبکه‌ها راه هایی را برای شرکت‌ها فراهم می‌کنند که اطلاعات جمع آوری کنند، از رقابت بپرهیزند و حتی برای تنظیم قیمت‌ها و سیاست‌ها با هم تبانی کنند.

تحلیل شبکه اجتماعی روش تشخیصی قدرتمندی برای تحلیل طبیعت و الگوی ارتباطات میان اعضای یک گروه خاص است و شامل مجموعه‌ای از روش‌های تحلیل گراف است که برای تحلیل شبکه‌ها در علوم مختلف و بین‌ رشته‌ای توسعه یافته است. به عقیده برت، یک شبکه اجتماعی گروهی از موجودیت‌های مشارکتی است که با یکدیگر مرتبط هستند.

اما نکته اساسی این است که تحلیل شبکه‌های اجتماعی مختص فضا و شبکه‌های آنلاین نیست، بلکه ابتدا در فضا و شبکه‌های‌آفلاین ایجاد و گسترش یافت و در تحقیقات گوناگونی مورد استفاده قرار گرفت.

شکل 3: تحلیل شبکه امانت بین‌کتابخانه‌ای درایران

• چیستی شبکه اجتماعی

به صورت ریاضی، شبکه اجتماعی یک گراف است که در آن هر شرکت کننده در شبکه یک کنشگر 1 خوانده می شود و با یک گره در شبکه نمایش داده می شود. کنشگرها می توانند انسان ها، سازمان ها، گروه‌ها یا هر مجموعه دیگری از موجودیت های مرتبط با هم باشند. ارتباطات میان کنشگرها به وسیله پیوند میان گره های متناظر نمایش داده می شود.

با استفاده از تحلیل شبکه، می‎توانید مجموعه‌های پیچیده‌ای از روابط را به مثابه‌ی نقشه‌هایی (گراف یا نگاره‌های گروهی) از سمبل‌های متصل تجسم کنید و سنجه‌های دقیق اندازه شکل و تراکم شبکه را به مثابه‌ی یک کل و موقعیت هر عنصر را درون آن محاسبه نمایید. تحلیل شبکه اجتماعی به شما کمک می کند الگوهای موجود درون مجموعه‌های نهادهای مرتبط را که شامل مردم هستند، تجسم و بررسی کنید.

تمرکز تحلیل شبکه اجتماعی، میانِ و نه درونِ مردم است. در حالی که در روش‌های قدیمی‌تر تحقیق علوم اجتماعی مانند پیمایش‌ها، بر افراد و ویژگی‌های‌شان (مثل جنسیت، سن و درآمد) تمرکز می‌کند. تحلیلگران شبکه نه تنها بر کیفیت‌ها و توانایی‌های درون آن‌ها تمرکز دارند بلکه توجه ویژه‌ای بر پیوندهایی که افراد را به هم متصل می‌کنند، نیز دارند.

تحلیل شبکه اجتماعی به دنبال تحلیل روابط و ارتباطات در شبکه‌های اجتماعی است و اصلا به تحلیل محتوا، متون و سایر عوامل در شبکه نمی‌پردازد بلکه تنها ارتباطات و روابط را در شبکه بررسی می‌کند تا مفاهیم علوم اجتماعی را در آن بسنجد.

تحلیل شبکه اجتماعی به محقق این امکان را می‌دهد تا مفاهیم مختلف علوم اجتماعی از جمله سرمایه‌ اجتماعی، همبستگی اجتماعی، روابط اجتماعی، هم‌ریختی اجتماعی و غیره را در شبکه‌های اجتماعی از طریق فرمول‌های نرم‌افزاری موجود بسنجد یا خود آن مفهوم را به فرمول تبدیل کند و در شبکه مورد آزمایش قرار دهد.

الگوریتم ژنتیک

الگوریتم های ژنتیک (به انگلیسی: Genetic Algorithm)، (با نماد اختصاری GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هلند معرفی شد.

در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در هوش مصنوعی الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها بعنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. الگوریتم ژنتیک بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند.

این الگوریتم‌ها از بخش‌های زیر تشکیل می‌شوند: تابع برازش – نمایش – انتخاب – تغییر

مقدمه

هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قوی‌ترها!

البته همیشه هم قوی‌ترین‌ها برنده نبوده‌اند. مثلاً دایناسورها با وجود جثه عظیم و قوی‌تر بودن در طی روندی کاملاً طبیعی بازیِ بقا و ادامه نسل را واگذار کردند در حالی که موجوداتی بسیار ضعیف‌تر از آنها حیات خویش را ادامه دادند. ظاهراً طبیعت، بهترین‌ها را تنها بر اساس هیکل انتخاب نمی‌کند! در واقع درست‌تر آنست که بگوییم طبیعت مناسب ترین‌ها (Fittest) را انتخاب می‌کند نه بهترین‌ها.

قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل می‌دهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می‌روند.

الگوریتم‌های ژنتیک یکی از الگوریتم‌های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می‌باشد. الگوریتم‌های ژنتیک برای روش‌های کلاسیک بهینه‌سازی در حل مسائل خطی، محدب و برخی مشکلات مشابه بسیار موفق بوده‌اند ولی الگوریتم‌های ژنتیک برای حل مسائل گسسته و غیر خطی بسیار کاراتر می‌باشند. به عنوان مثال می‌توان به مسئله فروشنده دوره گرد اشاره کرد. در طبیعت از ترکیب کروموزوم‌های بهتر، نسل‌های بهتری پدید می‌آیند. در این بین گاهی اوقات جهش‌هایی نیز در کروموزوم‌ها روی می‌دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می‌کند. روند استفاده از الگوریتم‌های ژنتیک به صورت زیر می‌باشد:

الف) معرفی جواب‌های مسئله به عنوان کروموزوم

ب) معرفی تابع فیت نس

ج) جمع‌آوری اولین جمعیت

د) معرفی عملگرهای انتخاب

ه) معرفی عملگرهای تولید مثل

در الگوریتم‌های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک، چندین جواب برای مسئله تولید می‌کنیم. این مجموعه جواب را جمعیت اولیه می‌نامیم. هر جواب را یک کروموزوم می‌نامیم. سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم‌های بهتر، کروموزوم‌ها را باهم ترکیب کرده و جهشی در آنها ایجاد می‌کنیم. در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم‌ها حاصل می‌شود، ترکیب می‌کنیم.

مثلاً فرض کنید گونه خاصی از افراد، هوش بیشتری از بقیه افرادِ یک جامعه یا کولونی دارند. در شرایط کاملاً طبیعی، این افراد پیشرفت بهتری خواهند کرد و رفاه نسبتاً بالاتری خواهند داشت و این رفاه، خود باعث طول عمر بیشتر و باروری بهتر خواهد بود (توجه کنید شرایط، طبیعیست نه در یک جامعه سطح بالا با ملاحظات امروزی؛ یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت (هوش) ارثی باشد بالطبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشترِ این‌گونه افراد، بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید که در طی نسل‌های متوالی دائماً جامعه نمونه ما باهوش و باهوش‌تر می‌شود. بدین ترتیب یک مکانیزم ساده طبیعی توانسته است در طی چند نسل عملاً افراد کم هوش را از جامعه حذف کند علاوه بر اینکه میزان هوش متوسط جامعه نیز دائماً در حال افزایش است.

بدین ترتیب می‌توان دید که طبیعت با بهره‌گیری از یک روش بسیار ساده (حذف تدریجی گونه‌های نامناسب و در عین حال تکثیر بالاتر گونه‌های بهینه)، توانسته است دائماً هر نسل را از لحاظ خصوصیات مختلف ارتقاء بخشد.

البته آنچه در بالا ذکر شد به تنهایی توصیف کننده آنچه واقعاً در قالب تکامل در طبیعت اتفاق می‌افتد نیست. بهینه‌سازی و تکامل تدریجی به خودی خود نمی‌تواند طبیعت را در دسترسی به بهترین نمونه‌ها یاری دهد. اجازه دهید تا این مسأله را با یک مثال شرح دهیم:

پس از اختراع اتومبیل به تدریج و در طی سال‌ها اتومبیل‌های بهتری با سرعت‌های بالاتر و قابلیت‌های بیشتر نسبت به نمونه‌های اولیه تولید شدند. طبیعیست که این نمونه‌های متأخر حاصل تلاش مهندسان طراح جهت بهینه‌سازی طراحی‌های قبلی بوده‌اند. اما دقت کنید که بهینه‌سازی یک اتومبیل، تنها یک «اتومبیل بهتر» را نتیجه می‌دهد.

اما آیا می‌توان گفت اختراع هواپیما نتیجه همین تلاش بوده است؟ یا فرضاً می‌توان گفت فضاپیماها حاصل بهینه‌سازی طرح اولیه هواپیماها بوده‌اند؟

پاسخ اینست که گرچه اختراع هواپیما قطعاً تحت تأثیر دستاوردهای‌های صنعت اتومبیل بوده است؛ اما به‌هیچ وجه نمی‌توان گفت که هواپیما صرفاً حاصل بهینه‌سازی اتومبیل و یا فضاپیما حاصل بهینه‌سازی هواپیماست. در طبیعت هم عیناً همین روند حکم‌فرماست. گونه‌های متکامل‌تری وجود دارند که نمی‌توان گفت صرفاً حاصل تکامل تدریجی گونه قبلی هستند.

در این میان آنچه شاید بتواند تا حدودی ما را در فهم این مسأله یاری کند مفهومیست به نام تصادف یا جهش.

به عبارتی طرح هواپیما نسبت به طرح اتومبیل یک جهش بود و نه یک حرکت تدریجی. در طبیعت نیز به همین گونه‌است. در هر نسل جدید بعضی از خصوصیات به صورتی کاملاً تصادفی تغییر می‌یابند سپس بر اثر تکامل تدریجی که پیشتر توضیح دادیم در صورتی که این خصوصیت تصادفی شرایط طبیعت را ارضا کند حفظ می‌شود در غیر این‌صورت به شکل اتوماتیک از چرخه طبیعت حذف می‌گردد.

در واقع می‌توان تکامل طبیعی را به این‌صورت خلاصه کرد: جستجوی کورکورانه (تصادف یا Blind Search) + بقای قوی‌تر.

حال ببینیم که رابطه تکامل طبیعی با روش‌های هوش مصنوعی چیست. هدف اصلی روش‌های هوشمندِ به کار گرفته شده در هوش مصنوعی، یافتن پاسخ بهینه مسائل مهندسی است. بعنوان مثال اینکه چگونه یک موتور را طراحی کنیم تا بهترین بازدهی را داشته باشد یا چگونه بازوهای یک ربات را متحرک کنیم تا کوتاه‌ترین مسیر را تا مقصد طی کند (دقت کنید که در صورت وجود مانع یافتن کوتاه‌ترین مسیر دیگر به سادگی کشیدن یک خط راست بین مبدأ و مقصد نیست) همگی مسائل بهینه‌سازی هستند.

روش‌های کلاسیک ریاضیات دارای دو اشکال اساسی هستند. اغلب این روش‌ها نقطه بهینه محلی (Local Optima) را بعنوان نقطه بهینه کلی در نظر می‌گیرند و نیز هر یک از این روش‌ها تنها برای مسأله خاصی کاربرد دارند. این دو نکته را با مثال‌های ساده‌های ای روشن می‌کنیم.

بهینه محلی و بهینه کلی

به شکل زیر توجه کنید. این منحنی دارای دو نقطه ماکزیمم می‌باشد؛ که یکی از آنها تنها ماکزیمم محلی است. حال اگر از روش‌های بهینه‌سازی ریاضی استفاده کنیم مجبوریم تا در یک بازه بسیار کوچک مقدار ماکزیمم تابع را بیابیم. مثلاً از نقطه ۱ شروع کنیم و تابع را ماکزیمم کنیم. بدیهی است اگر از نقطه ۱ شروع کنیم تنها به مقدار ماکزیمم محلی دست خواهیم یافت و الگوریتم ما پس از آن متوقف خواهد شد. اما در روش‌های هوشمند، به ویژه الگوریتم ژنتیک بدلیل خصلت تصادفی آنها حتی اگر هم از نقطه ۱ شروع کنیم باز ممکن است در میان راه نقطه A به صورت تصادفی انتخاب شود که در این صورت ما شانس دست‌یابی به نقطه بهینه کلی (Global Optima) را خواهیم داشت.

در مورد نکته دوم باید بگوییم که روش‌های ریاضی بهینه‌سازی اغلب منجر به یک فرمول یا دستورالعمل خاص برای حل هر مسئله می‌شوند. در حالی که روش‌های هوشمند دستورالعمل‌هایی هستند که به صورت کلی می‌توانند در حل هر مسئله‌ای به کار گرفته شوند. این نکته را پس از آشنایی با خود الگوریتم بیشتر و بهتر خواهید دید.

الگوریتم ژنتیک چیست؟

الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند.

برای مثال اگر بخواهیم نوسانات قیمت نفت را با استفاده از عوامل خارجی و ارزش رگرسیون خطی ساده مدل کنیم، این فرمول را تولید خواهیم کرد:

قیمت نفت در زمان t = ضریب ۱ نرخ بهره در زمان t + ضریب ۲ نرخ بیکاری در زمان t + ثابت ۱.

سپس از یک معیار برای پیدا کردن بهترین مجموعه ضرایب و ثابت‌ها جهت مدل کردن قیمت نفت استفاده خواهیم کرد. در این روش ۲ نکته اساسی وجود دارد. اول این که روش خطی است و مسئله دوم این است که ما به جای اینکه در میان «فضای پارامترها» جستجو کنیم، پارامترهای مورد استفاده را مشخص کرده‌ایم.

با استفاده از الگوریتم‌های ژنتیک ما یک ابر فرمول یا طرح، تنظیم می‌کنیم که چیزی شبیه «قیمت نفت در زمان t تابعی از حداکثر ۴ متغیر است» را بیان می‌کند. سپس داده‌هایی برای گروهی از متغیرهای مختلف، شاید در حدود ۲۰ متغیر فراهم خواهیم کرد. سپس الگوریتم ژنتیک اجرا خواهد شد که بهترین تابع و متغیرها را مورد جستجو قرار می‌دهد. روش کار الگوریتم ژنتیک به طور فریبنده‌ای ساده، خیلی قابل درک و به طور قابل ملاحظه‌ای روشی است که ما معتقدیم حیوانات آنگونه تکامل یافته‌اند. هر فرمولی که از طرح داده شده بالا تبعیت کند فردی از جمعیت فرمول‌های ممکن تلقی می‌شود.

متغیرهایی که هر فرمول داده‌شده را مشخص می‌کنند به عنوان یکسری از اعداد نشان داده‌شده‌اند که معادلدی. ان. ای آن فرد را تشکیل می‌دهند.

موتور الگوریتم ژنتیک یک جمعیت اولیه از فرمول ایجاد می‌کند. هر فرد در برابر مجموعه‌ای از داده‌های مورد آزمایش قرار می‌گیرند و مناسبترین آنها (شاید ۱۰ درصد از مناسبترین‌ها) باقی می‌مانند؛ بقیه کنار گذاشته می‌شوند. مناسبترین افراد با هم جفتگیری (جابجایی عناصر دی ان ای) و تغییر (تغییر تصادفی عناصر دی ان ای) کرده‌اند. مشاهده می‌شود که با گذشت از میان تعداد زیادی از نسلها، الگوریتم ژنتیک به سمت ایجاد فرمول‌هایی که دقیقتر هستند، میل می‌کنند. در حالی که شبکه‌های عصبی هم غیرخطی و غیرپارامتریک هستند، جذابیت زیاد الگوریتم‌های ژنتیک این است نتایج نهایی قابل ملاحظه‌ترند. فرمول نهایی برای کاربر انسانی قابل مشاهده خواهد بود، و برای ارائه سطح اطمینان نتایج می‌توان تکنیک‌های آماری متعارف را بر روی این فرمول‌ها اعمال کرد. فناوری الگوریتم‌های ژنتیک همواره در حال بهبود است و برای مثال با مطرح کردن معادله ویروس‌ها که در کنار فرمول‌ها و برای نقض کردن فرمول‌های ضعیف تولید می‌شوند و در نتیجه جمعیت را کلاً قویتر می‌سازند.

مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود ورودی است و راه حلها طبق یک الگو کدگذاری می‌شوند که تابع fitness نام دارد و هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

الگوریتم ژنتیک (GA) یک تکنیک جستجو در علم رایانه برای یافتن راه حل بهینه و مسائل جستجو است. الگوریتم‌های ژنتیک یکی از انواع الگوریتم‌های تکاملی‌اند که از علم زیست‌شناسی مثل وراثت، جهش، انتخاب ناگهانی (زیست‌شناسی)، انتخاب طبیعی و ترکیب الهام گرفته شده.

عموماً راه‌حلها به صورت ۲ تایی ۰ و ۱ نشان داده می‌شوند، ولی روشهای نمایش دیگری هم وجود دارد. تکامل از یک مجموعه کاملاً تصادفی از موجودیت‌ها شروع می‌شود و در نسلهای بعدی تکرار می‌شود. در هر نسل، مناسبترین‌ها انتخاب می‌شوند نه بهترین‌ها.

یک راه‌حل برای مسئله مورد نظر، با یک لیست از پارامترها نشان داده می‌شود که به آنها کروموزوم یا ژنوم می‌گویند. کروموزوم‌ها عموماً به صورت یک رشته ساده از داده‌ها نمایش داده می‌شوند، البته انواع ساختمان داده‌های دیگر هم می‌توانند مورد استفاده قرار گیرند. در ابتدا چندین مشخصه به صورت تصادفی برای ایجاد نسل اول تولید می‌شوند. در طول هر نسل، هر مشخصه ارزیابی می‌شود وارزش تناسب (fitness) توسط تابع تناسب اندازه‌گیری می‌شود.

گام بعدی ایجاد دومین نسل از جامعه است که بر پایه فرایندهای انتخاب، تولید از روی مشخصه‌های انتخاب شده با عملگرهای ژنتیکی است: اتصال کروموزوم‌ها به سر یکدیگر و تغییر.

برای هر فرد، یک جفت والد انتخاب می‌شود. انتخاب‌ها به گونه‌ای‌اند که مناسبترین عناصر انتخاب شوند تا حتی ضعیفترین عناصر هم شانس انتخاب داشته باشند تا از نزدیک شدن به جواب محلی جلوگیری شود. چندین الگوی انتخاب وجود دارد: چرخ منگنه‌دار(رولت)، انتخاب مسابقه‌ای (Tournament) ،… .

معمولاً الگوریتم‌های ژنتیک یک عدد احتمال اتصال دارد که بین ۰٫۶ و ۱ است که احتمال به وجود آمدن فرزند را نشان می‌دهد. ارگانیسم‌ها با این احتمال دوباره با هم ترکیب می‌شوند. اتصال ۲ کروموزوم فرزند ایجاد می‌کند، که به نسل بعدی اضافه می‌شوند. این کارها انجام می‌شوند تا این که کاندیدهای مناسبی برای جواب، در نسل بعدی پیدا شوند. مرحله بعدی تغییر دادن فرزندان جدید است. الگوریتم‌های ژنتیک یک احتمال تغییر کوچک و ثابت دارند که معمولاً درجه‌ای در حدود ۰٫۰۱ یا کمتر دارد. بر اساس این احتمال، کروموزوم‌های فرزند به طور تصادفی تغییر می‌کنند یا جهش می‌یابند، مخصوصاً با جهش بیت‌ها در کروموزوم ساختمان داده‌مان.

این فرایند باعث به وجود آمدن نسل جدیدی از کروموزوم‌هایی می‌شود، که با نسل قبلی متفاوت است. کل فرایند برای نسل بعدی هم تکرار می‌شود، جفت‌ها برای ترکیب انتخاب می‌شوند، جمعیت نسل سوم به وجود می‌آیند و … این فرایند تکرار می‌شود تا این که به آخرین مرحله برسیم.

شرایط خاتمه الگوریتم‌های ژنتیک عبارتند از:

• به تعداد ثابتی از نسل‌ها برسیم.
• بودجه اختصاص داده‌شده تمام شود (زمان محاسبه/پول).
• یک فرد (فرزند تولید شده) پیدا شود که مینیمم (کمترین) ملاک را برآورده کند.
• بیشترین درجه برازش فرزندان حاصل شود یا دیگر نتایج بهتری حاصل نشود.
• بازرسی دستی.
• ترکیبهای بالا.

روش‌های نمایش

قبل از این که یک الگوریتم ژنتیک برای یک مسئله اجرا شود، یک روش برای کد کردن ژنوم‌ها به زبان کامپیوتر باید به کار رود. یکی از روش‌های معمول کد کردن به صورت رشته‌های باینری است: رشته‌های ۰و۱. یک راه حل مشابه دیگر کدکردن راه حل‌ها در آرایه‌ای از اعداد صحیح یا اعشاری است، که دوباره هر جایگاه یک جنبه از ویژگی‌ها را نشان می‌دهد. این راه حل در مقایسه با قبلی پیچیده‌تر و مشکل‌تر است. مثلاً این روش توسط استفان کرمر، برای حدس ساختار ۳ بعدی یک پروتئین موجود در آمینو اسیدها استفاده شد. الگوریتم‌های ژنتیکی که برای آموزش شبکه‌های عصبی استفاده می‌شوند، از این روش بهره می‌گیرند.

سومین روش برای نمایش صفات در یک GA یک رشته از حروف است، که هر حرف دوباره نمایش دهنده یک خصوصیت از راه حل است.

خاصیت هر ۳تای این روش‌ها این است که آنها تعریف سازنده‌ایی را که تغییرات تصادفی در آنها ایجاد می‌کنند را آسان می‌کنند: ۰ را به ۱ وبرعکس، اضافه یا کم کردن ارزش یک عدد یا تبدیل یک حرف به حرف دیگر.

توضیحات بالا در شکل قابل مشاهده است

یک روش دیگر که توسط John Koza توسعه یافت، برنامه‌نویسی ژنتیک (genetic programming)است؛ که برنامه‌ها را به عنوان شاخه‌های داده در ساختار درخت نشان می‌دهد. در این روش تغییرات تصادفی می‌توانند با عوض کردن عملگرها یا تغییر دادن ارزش یک گره داده شده در درخت، یا عوض کردن یک زیر درخت با دیگری به وجود آیند.

عملگرهای یک الگوریتم ژنتیک

در هر مسئله قبل از آنکه بتوان الگوریتم ژنتیک را برای یافتن یک پاسخ به کار برد به دو عنصر نیاز است:در ابتدا روشی برای ارائه یک جواب به شکلی که الگوریتم ژنتیک بتواند روی آن عمل کند لازم است. در روش سنتی یک جواب به صورت یک رشته از بیتها، اعداد یا نویسهها نمایش داده می‌شود. دومین جزء اساسی الگوریتم ژنتیک روشی است که بتواند کیفیت هر جواب پیشنهاد شده را با استفاده از توابع تناسب محاسبه نماید. مثلاً اگر مسئله هر مقدار وزن ممکن را برای یک کوله پشتی مناسب بداند بدون اینکه کوله پشتی پاره شود، (مسئله کوله پشتی را ببینید) یک روش برای ارائه پاسخ می‌تواند به شکل رشته ای از بیتهای ۰ و۱ در نظر گرفته شود، که ۱ یا ۰ بودن نشانه اضافه شدن یا نشدن وزن به کوله پشتی است. تناسب پاسخ، با تعیین وزن کل برای جواب پیشنهاد شده اندازه‌گیری می‌شود.

شبه کد

1 Genetic Algorithm

2 begin

3 Choose initial population

4 repeat

5 Evaluate the individual fit nesses of a certain proportion of the population

6 Select pairs of best-ranking individuals to reproduce

7 Apply crossover operator

8 Apply mutation operator

9 until terminating condition

10 end

شمای کلی شبه کد

ایده اصلی

در دهه هفتاد میلادی دانشمندی از دانشگاه میشیگان به نام جان هلند ایده استفاده از الگوریتم ژنتیک را در بهینه‌سازی‌های مهندسی مطرح کرد. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژن‌هاست. فرض کنید مجموعه خصوصیات انسان توسط کروموزوم‌های او به نسل بعدی منتقل می‌شوند. هر ژن در این کروموزوم‌ها نماینده یک خصوصیت است. بعنوان مثال ژن ۱ می‌تواند رنگ چشم باشد، ژن ۲ طول قد، ژن ۳ رنگ مو و الی آخر. حال اگر این کروموزوم به تمامی، به نسل بعد انتقال یابد، تمامی خصوصیات نسل بعدی شبیه به خصوصیات نسل قبل خواهد بود. بدیهیست که در عمل چنین اتفاقی رخ نمی‌دهد. در واقع بصورت همزمان دو اتفاق برای کروموزوم‌ها می‌افتد. اتفاق اول جهش (Mutation) است. «جهش» به این صورت است که بعضی ژن‌ها بصورت کاملاً تصادفی تغییر می‌کنند. البته تعداد این گونه ژن‌ها بسیار کم می‌باشد اما در هر حال این تغییر تصادفی همانگونه که پیشتر دیدیم بسیار مهم است. مثلاً ژن رنگ چشم می‌تواند بصورت تصادفی باعث شود تا در نسل بعدی یک نفر دارای چشمان سبز باشد. در حالی که تمامی نسل قبل دارای چشم قهوه‌ای بوده‌اند. علاوه بر «جهش» اتفاق دیگری که می‌افتد و البته این اتفاق به تعداد بسیار بیشتری نسبت به «جهش» رخ می‌دهد چسبیدن دو کروموزوم از طول به یکدیگر و تبادل برخی قطعات بین دو کروموزوم است. این مسأله با نام Crossover شناخته می‌شود. این همان چیزیست که باعث می‌شود تا فرزندان ترکیب ژنهای متفاوتی را (نسبت به والدین خود) به فرزندان خود انتقال دهند.

روش‌های انتخاب

روش‌های مختلفی برای الگوریتم‌های ژنتیک وجود دارند که می‌توان برای انتخاب ژنوم‌ها از آن‌ها استفاده کرد. اما روش‌های لیست شده در پایین از معمول‌ترین روش‌ها هستند.

انتخاب Elitist

مناسب‌ترین عضو هر اجتماع انتخاب می‌شود.Elitist Selection

انتخاب Roulette

یک روش انتخاب است که در آن عنصری که عدد برازش (تناسب) بیشتری داشته باشد، انتخاب می‌شود. در واقع به نسبت عدد برازش برای هر عنصر یک احتمال تجمعی نسبت می‌دهیم و با این احتمال است که شانس انتخاب هر عنصر تعیین می‌شود.

Roulette Selection

انتخاب Scaling

به موازات افزایش متوسط عدد برازش جامعه، سنگینی انتخاب هم بیشتر می‌شود و جزئی‌تر. این روش وقتی کاربرد دارد که مجموعه دارای عناصری باشد که عدد برازش بزرگی دارند و فقط تفاوت‌های کوچکی آن‌ها را از هم تفکیک می‌کند.Scaling Selection

انتخاب Tournament

یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیرگروه برای تولید انتخاب می‌شوند.Tournament Selection

بعضی از روش‌های دیگر عبارتند از:Hierarchical Selection, Steady-State Selection, Rank Selection, Tournament Selection

مثال عملی

در این مثال می‌خواهیم مسئلهٔ ۸ وزیر را بوسیلهٔ این الگوریتم حل کنیم. هدف مشخص کردن چیدمانی از ۸ وزیر در صفحهٔ شطرنج است به نحوی که هیچ‌یک همدیگر را تهدید نکند. ابتدا باید نسل اولیه را تولید کنیم. صفحه شطرنج ۸ در ۸ را در نظر بگیرید. ستونها را با اعداد ۰ تا ۷ و سطرها را هم از ۰ تا ۷ مشخص می‌کنیم. برای تولید حالات (کروموزومها) اولیه بصورت تصادفی وزیرها را در ستونهای مختلف قرار می‌دهیم. باید در نظر داشت که وجود نسل اولیه با شرایط بهتر سرعت رسیدن به جواب را افزایش می‌دهد (اصالت نژاد) به همین خاطر وزیر i ام را در خانهٔ تصادفی در ستون i ام قرار می‌دهیم (به جای اینکه هر مهره‌ای بتواند در هر خانه خالی قرار بگیرد). با اینکار حداقل از برخورد ستونی وزیرها جلوگیری می‌شود. توضیح بیشتر اینکه مثلاً وزیر اول را بطور تصادفی در خانه‌های ستون اول که با ۰ مشخص شده قرار می‌دهیم تا به اخر. i=۰،۱، … ۷ حال باید این حالت را به نحوی کمی مدل کرد. چون در هر ستون یک وزیر قرار دادیم هر حالت را بوسیلهٔ رشته اعدادی که عدد k ام در این رشته شمارهٔ سطر وزیر موجود در ستون i ام را نشان می‌دهد. یعنی یک حالت که انتخاب کردیم می‌تواند بصورت زیر باشد: ۶۷۲۰۳۴۲۲ که ۶ شمارهٔ سطر ۶ است که وزیر اول که شمارهٔ ستونش ۰ است می‌باشد تا اخر. فرض کنید ۴ حالت زیر به تصادف تولید شده‌اند. این چهار حالت را بعنوان کروموزومهای اولیه بکار می‌گیریم.

1. ) ۶۷۲۰۳۴۲۲
2. ) ۷۰۰۶۳۳۵۴
3. ) ۱۷۵۲۲۰۶۳
4. )۴۳۶۰۲۴۷۱

حال نوبت به تابع برازش fitness function می‌رسد. تابعی را که در نظر می‌گیریم تابعی است که برای هر حالت تعداد برخوردها (تهدیدها) را در نظر می‌گیرد. هدف صفر کردن یا حداقل کردن این تابع است. پس احتمال انتخاب کروموزومی برای تولید نسل بیشتر است که مقدار محاسبه شده توسط تابع برازش برای آن کمتر باشد.(روشهای دیگری نیز برای انتخاب وجود دارد) مقدار برازش برای حالات اولیه بصورت زیر می‌باشد: (مقدار عدد برازش در جلوی هر کروموزوم (با رنگ قرمز)همان تعداد برخوردهای وزیران می‌باشد)

1. )۶۷۲۰۳۴۲۰ ← ۶
2. )۷۰۰۶۳۳۵۴ ← ۸
3. )۱۷۵۲۲۰۶۳ ← ۲
4. )۴۳۶۰۲۴۷۱ ← ۴

پس احتمالها بصورت زیر است:

p(۳)>p(۴)>p(۱)>p(۲

در اینجا کروموزومهایی را انتخاب می‌کنیم که برازندگی کمتری دارند. پس کروموزوم ۳ برای crossover با کروموزومهای ۴ و ۱ انتخاب می‌شود. نقطهٔ ترکیب را بین ارقام ۶ و ۷ در نظر می‌گیریم.

۴ و ۳:

1. )۱۷۵۲۲۰۷۱
2. )۴۳۶۰۲۴۶۳

۱ و ۳:

1. )۱۷۵۲۲۰۲۰
2. )۶۷۲۰۳۴۶۳

حال نوبت به جهش می‌رسد. در جهش باید یکی از ژنها تغییر کند

. فرض کنید از بین کروموزومهای ۵ تا ۸ کروموزوم شمارهٔ ۷ و از بین ژن چهارم از ۲ به ۳ جهش یابد. پس نسل ما شامل کروموزومهای زیر با امتیازات نشان داده شده می‌باشد: (امتیازات تعداد برخوردها می‌باشد)

1. )۶۷۲۰۳۴۲۰ ← ۶
2. )۷۰۰۶۳۳۵۴ ← ۸
3. )۱۷۵۲۲۰۶۳ ← ۲
4. )۴۳۶۰۲۴۷۱ ← ۴
5. )۱۷۵۲۲۰۷۱ ← ۶
6. )۴۳۶۰۲۴۶۳ ← ۴
7. )۱۷۵۳۲۰۲۰ ← ۴
8. )۶۷۲۰۳۴۶۳ ← ۵

کروموزوم ۳ کاندیدای خوبی برای ترکیب با ۶ و ۷ می‌باشد. (فرض در این مرحله جهشی صورت نگیرد و نقطهٔ اتصال بین ژنهای ۱ و ۲ باشد)

1. )۶۷۲۰۳۴۲۰ ← ۶
2. )۷۰۰۶۳۳۵۴ ← ۸
3. )۱۷۵۲۲۰۶۳ ← ۲
4. )۴۳۶۰۲۴۷۱ ← ۴
5. )۱۷۵۲۲۰۷۱ ← ۶
6. )۴۳۶۰۲۴۶۳ ← ۴
7. )۱۷۵۳۲۰۳۰ ← ۴
8. )۶۷۲۰۳۴۶۳ ← ۵
9. )۱۳۶۰۲۴۶۳ ← ۲
10. )۴۷۵۲۲۰۶۳ ← ۲
11. )۱۷۵۲۲۰۲۰ ← ۴
12. )۱۷۵۲۲۰۶۳ ← ۲

کروموزومهای از ۹ تا ۱۲ را نسل جدید می‌گوییم. بطور مشخص کروموزوم‌های تولید شده در نسل جدید به جواب مسئله نزدیکتر شده‌اند. با ادامهٔ همین روند پس از چند مرحله به جواب مورد نظر خواهیم رسید. پایان

همانطور که در شکل بالا مشاهده می کنید شمای کلی از نحوهٔ عملکرد این الگوریتم را به شما نشان می‌دهد در ادامه به تعریف و انواع و کابرد این الگوریتم در مسائل می پردازیم.

فرق این مقاله با مقاله‌های مشابه با این موضوع در این می‌باشد که در این جا از نگاه کاربردی به الگوریتم های ژنتیکی نگاه شده است و از این منظر در این مقاله به چند نمونه کاربرد این تکنیک در مسائل معروف اشاره شده است. در این مقاله در ابتدا به جایگاه الگوریتم های ژنتیکی و کاربرد آن ها در علم هوش مصنوعی می پردازیم و سپس به توضیح این الگوریتم و انواع آن و همچنین به نحوهٔ نمایش آن می پردازیم. همچنین در انتها به چند منبع برای نمونه‌های کد باز(متن‌باز) اشاره می کنیم که خوانندگان در صورت علاقه به کار عملی این الگوریتم را به صورت عملی اجرا کنند تا با عملکرد آن آشنا شوند.

روش جستجوی تکاملی

روش های جستجوی ناآگاهانه، اگاهانه و متاهیوریستیک برای حل مسائل هوش مصنوعی بسیار کارآمد می‌باشند. همچنین می دانیم که در مورد مسائل بهینه سازی اغلب روش های آگاهانه و ناآگاهانه جوابگوی نیاز ما نخواهند بود. چرا که بیشتر مسائل بهینه سازی در رده مسائل NP قرار دارند. بنابراین نیاز به روش جستجوی دیگری داریم که بتواند در فضای حالت مسائل NP به طرف جواب بهینه سراسری حرکت کند. بدین منظور روش های جستجوی متاهیوریستیک را مطرح می کنیم، این روش های جستجو می‌توانند به سمت بهینگی های سراسری مسئله حرکت کنند. در کنار روش های جستجوی متاهیوریستیکی، روش های جستجوی دیگری نیز وجود دارند که به روش های تکاملی معروفند. در ادامه با این نوع الگوریتم بیشتر آشنا می شویم.(لازم به ذکر است که در نگاه کاربردی به الگوریتم های ژنتیکی، اولین قدم در فهم آن، تفهیم الگوریتم های تکامل و تفاوت آن با دیگر الگوریتم های مشابه است.)

نظریه داروین

بر اساس [[نظریه داروین]] نسل هایی که از ویژگی های و خصوصیات برتری نسبت به نسل های دیگر برخوردارند شانس بیشتری نیز برای بقا و تکثیر خواهند داشت و ویژگی ها و خصوصیات برتر آنها به نسل های بعدی آنان نیز منتقل خواهد شد. همچنین بخش دوم نظریه داروین بیان می‌کند که هنگام تکثیر یک ارگان فرزند، به تصادف رویدادهایی اتفاق می افتد که موجب تغییر خصوصیات ارگان فرزند می‌شود و در صورتی که این تغییر فایده‌ای برای ارگان فرزند داشته باشد موجب افزایش احتمال بقای آن ارگان فرزند خواهد شد. در محاسبات کامپیوتری، بر اساس این نظریه داروین روش هایی برای مسائل بهینه سازی مطرح شدند که همه این روش ها از پردازش تکاملی در طبیعت نشات گرفته اند. ما نیز به این روش های جستجو، الگوریتم های جستجوی تکاملی می گوییم.

انواع مختلف الگوریتم های تکاملی

انواع مختلف الگوریتم های تکاملی که تا بحال مطرح شده اند، به شرح زیر می‌باشد :

الگوریتم ژنتیک

الگوریتم تکاملی

Evolutionary Strategies

Evolutionary Programming

Differential Evolution

Cultural Evolution

Co-evolution

در ادامه قصد داریم بحث خود را بر روی الگوریتم های ژنتیکی سوق دهیم.

الگوریتم ژنتیک

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می‌باشد . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند . به عنوان مثال می‌توان به مسئله فروشنده دوره گرد اشاره کرد.(در ادامه با این مسئله و حل آن بیشتر آشنا می شویم) در طبیعت از ترکیب کروموزوم های بهتر، نسل های بهتری پدید می‌آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می‌دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می‌کند .

شکل انواع کرموزوم های بدن انسان که در نحوهٔ نمایش گذاری نیز موثر می‌باشد

کدگذاری و نحوه نمایش

نحوه نمایش جواب مسئله و ژن ها در موفقیت الگوریتم و نحوه پیاده سازی الگوریتم ژنتیک تاثیر بسیار مهمی دارد. در بیشتر مسائل نیز روش های مختلفی برای نشان دادن جواب مساله می‌توان طراحی کرد. به عنوان مثال در مسئله 8 وزیر به جای استفاده از بردار( آرایه یک بعدی ) 8 عنصری می‌توان از یک ماتریس 8 * 8 استفاده کرد که در آن هر وزیر می‌تواند در هریک از 64 خانه صفحه شطرنج قرار گیرد. هنگام استفاده از این روش نمایش، در یک خانه ممکن است بیش از یک وزیر قرار گیرد بنابراین هنگام پیاده سازی الگوریتم باید از بروز چنین مسئله‌ای جلوگیری کنیم.

حل مسائل معروف با استفاده از الگوریتم ژنتیک

یکی از مسائل کلاسیک در الگوریتم های ژنتیک مساله 8 وزیر است. ماهیت مسئله به گونه‌ای است که مدلسازی آن و همچنین اعمال عملگرهای الگوریتم ژنتیک بر روی آن بسیار ساده است. همچنین علاوه برای الگوریتم ژنتیک، روش الگوریتم تبرید شبیه‌سازی شده نیز در ساده ترین شکل خود برای مسئله چند وزیر نیز روش مناسبی هست همچنین از مسائل مهم دیگری که با استفاده از این الگوریتم قابل حل می‌باشد مسئلهٔ فروشندهٔ دوره گرد و یا مسئلهٔ چیدمان دینامیک می‌باشد.

فلو چارت این الگوریتم

منابع

• نظام‌الدین فقیه, توازن خط تولید با الگوریتم ژنتیک ۹۷۸-۹۶۴-۳۵۸-۷۷۲-۷:شابک^[۱]
• نظام‌الدین فقیه, الگوریتم ژنتیک در برنامه‌ریزی ۹۶۴-۸۵۶۹-۱۹-۳:شابک^[۲]

• An introduction to genetic algorithms‎ by Melanie Mitchell – Computers – 1998 – 209 pages
• Mitchell, Melanie, (1996), An Introduction to Genetic Algorithms, MIT Press, Cambridge, MA.
• Genetic Algorithms in Search, Optimization, and Machine Learning by David E. Goldberg (very useful)
• Holland, John H (1975), Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor
• Koza, John (1992), Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press. ISBN 0-262-11170-5
• Michalewicz, Zbigniew (1999), Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag.
• Mitchell, Melanie, (1996), An Introduction to Genetic Algorithms, MIT Press, Cambridge, MA.
• Poli, R., Langdon, W. B., McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com, freely a

شبکه اجتماعی (social networking) چیست؟

فضای مجازی مجال شکل‌گیری اجتماعات جدیدی از کاربران را فراهم می‌کند. از زمان فردیناند تونیس و تلاش او برای تعریف دو گونه تجمع انسانی یعنی "اجتماع" در مقابل "جامعه" (گزلشافت و گمنشافت) به بعد همه متفکران علوم اجتماعی و فرهنگی، رو در رو بودن، محدودیت تعداد و ابتناء بر روابط عاطفی و نه روابط عقلانی را از خصائص بنیانی "اجتماع" عنوان کرده‌اند.
هر چند روابط کاربران فضای مجازی رابطه‌ای با واسطه‌است و نه رودررو، اما بسیاری از مطالعه کنندگان اینترنت تمایل دارند از اصطلاح "اجتماع" برای اشاره به جمع کاربران استفاده کنند.
در این میان تلاش‌های متعددی درحال انجام است تا حوزه و دامنه معنایی کاربردهای جدید این اصطلاح را برای اشاره به تجمعات کاربران فضای مجازی، روشن سازد. ازجمله می‌توان به تلاش‌های خانم شلینی ونچرلی اشاره کرد. او به شبکه‌ها و سازمان‌های رسمی که به سامان بخشیدن به روابط و مقررات ارتباطاتی در فضای مجازی اشتغال دارند، می‌پردازد و در ادامه به موضوع اجتماعات کاربران و خصوصیت‌های آنها اشاره می‌کند.

قابلیت‌های شبکه‌های اجتماعی

استقبال از شبکه‌های اجتماعی از آن‌روست که کاربران اینترنتی می‌توانند برای اغلب نیازهای آنلاین خود در این وب‌سایت‌ها پاسخ مناسب بیابند. در شبکه‌های اجتماعی کاربران می‌توانند پروفایل‌های شخصی‌ برای خودشان بسازند که شامل مشخصات، تصاویر، علاقه‌مندی‌ها و سایر موارد اینچنینی است. اما شبکه‌ای‌شدن این وب‌سایت‌ها از جایی آغاز می‌شود که هر کاربر لیستی از دوستان تهیه می‌کند و این پروفایل‌های شخصی به یکدیگر متصل می‌شوند. هر کاربر می‌تواند دوستان و آشنایانی که در همان شبکه اجتماعی حضور دارند را به لیست دوستان خود بیفزاید. همچنین کاربران می‌توانند با جست‌وجو در پروفایل‌های کاربران و مشاهده‌ی مشخصات آنها با افراد جدیدی آشنا شوند و لیست دوستان خود را گسترده‌تر کنند. اینها ابتدایی‌ترین امکانات شبکه‌های اجتماعی است و این وب‌سایت‌ها در سال‌های اخیر تلاش کرده‌اند، تا گزینه‌های بیشتری در اختیار کاربران خود قرار دهند. امکانی شبیه به وبلاگ‌ها و میکروبلاگ‌ها برای نوشتن مطالب کوتاه و یادداشت‌های روزانه و فضایی شبیه به سایت‌های عکس برای قرار دادن تصاویر شخصی، ایجاد فضایی شبیه به چت برای گفت‌وگوهای فوری میان کاربران، قابلیت ساختن اتاق‌های گفت‌وگو و صفحات هواداری شبیه به فروم‌های اینترنتی از جمله ساده‌ترین این امکانات است. شبکه‌های اجتماعی متناسب با نوع موضوع فعالیت‌شان امکانات دیگری از قبیل خبرخوان‌های اینترنتی، بازی‌های آنلاین، قابلیت آپلود کردن ویدئوها و فایل‌های کامپیوتری و برقراری ارتباط با سایر رسانه‌های شخصی را نیز در گزینه‌های‌شان دارند. بدین ترتیب می‌بینیم که اغلب امکاناتی را که کاربران اینترنتی پیش از این از طریق مراجعه به چندین وب‌سایت کسب می‌کردند، یک‏جا در شبکه‌های اجتماعی دریافت می‌کنند. پس بی‌دلیل نیست که کاربران بخش قابل توجهی از زمانی را که در اینترنت به‌سر می‌برند در شبکه‌های اجتماعی حضور دارند.
امروزه شبکه‌های اجتماعی برپایه اینترنت از قبیل facebook و myspace در بین کاربران محبوبیت بسزایی کسب کرده‌اند. این شبکه‌های اجتماعی درعین حال که فضاهایی هستند که درآنها افراد دوستان جدیدی پیدا می‌کنند و یا دوستان قدیمی خود را در جریان تغییرات زندگی شان قرار می‌دهند، مکان‌هایی برای تبادل نظر هستند که در آنها کاربران عقاید و نظرات خود را با هم به اشتراک می‌گذارند.
این قابلیت که یک کاربر بتواند با امثال خود در کشورهای دیگر جهان ارتباط برقرار کند باعث می‌شود تا این شبکه‌ها به مکانی تبدیل شوند که در آنها ایده‌های جدید معرفی شده و مورد بحث قرار ‌گیرند.

شبکه‌های اجتماعی فراتر از ابزارهای تکنولوژیک

شبکه‌های اجتماعی مجازی تنها ابزارهای تکنولوژیکی جدیدی نیستند که امکانات جالب توجهی را در اختیار کاربران اینترنتی قرار داده باشند. شبکه‌های اجتماعی را فراتر از گونه‌ای وب‌سایت می‌توان به‌عنوان رسانه‌های جدیدی در نظر گرفت که در ساختارهای اجتماعی، فرهنگی، اقتصادی و سیاسی تغییراتی ایجاد کرده‌اند. چالش‌هایی که شبکه‌های اجتماعی در سال‌های اخیر با آنها مواجه بوده‌اند، حوزه‌هایی فراتر از فضای مجازی را تحت تاثیر قرار داده است. شبکه‌های اجتماعی از سویی بعنوان یکی از گونه‌های رسانه‌های اجتماعی، امکانات تعاملی قابل توجهی برای کاربران اینترنتی فراهم کرده‌اند و در افزایش مشارکت شهروندان در برخی فرآیندها موثر بوده‌اند. از سویی این شبکه‌ها با آسیب‌های گسترده‌ای در حوزه‌هایی از قبیل حریم خصوصی، کپی‌رایت، اعتیاد مجازی، سوء استفاده از کودکان، دزدی اطلاعات و هویت و مواردی این‌چنینی مواجه بوده‌اند. چالش حریم خصوصی از مهم‌ترین مباحثی است که همواره درباره‌ شبکه‌های اجتماعی مطرح بوده است. کاربران اینترنتی در این شبکه‌ها بخشی از اطلاعات شخصی خود را در اینترنت منتشر می‌کنند که می‌تواند مخاطراتی برای آنها به همراه داشته باشد. وب‌سایت‌های شبکه‌ی اجتماعی حجم قابل توجهی از اطلاعات شخصی میلیون‌ها کاربر را در اختیار دارند و امکان سوء‌استفاده شرکت‌های تجاری و دولت‌ها از این اطلاعات همواره از دغدغه‌های اصلی مطرح شده درباره‌ این شبکه‌هاست. این شبکه‌ها همچنین عرصه‌ ارتباطات سیاسی را نیز متحول کرده‌اند. رویدادهای سیاسی سال‌های اخیر از انتخاب باراک اوباما به ریاست‌جمهوری امریکا گرفته تا... همگی متأثر از فعالیت‌های کاربران شبکه‌های اجتماعی بودند. در حوزه‌ ارتباطات بین‌الملل نیز شبکه‌های اجتماعی محل توجه هستند و برخی کشورهای شرقی مانند چین و روسیه که دغدغه‌ حفظ فرهنگ ملی برایشان اهمیت دارد با تقویت شبکه‌های اجتماعی بومی تلاش کرده‌اند کاربرانشان را از شبکه‌های اجتماعی بین‌المللی که در مالکیت شرکت‌های امریکایی هستند، دور کنند. شبکه‌های اجتماعی همچنین بر شکل‌های سرمایه‌ اجتماعی و اقتصادی و نحوه تبدیل آنها به یکدیگر نیز موثر بوده‌اند و عرصه‌ی اقتصاد را نیز بی‌نصیب نگذاشته‌اند.
افزایش توجه کاربران اینترنتی به شبکه‌های اجتماعی و رشد این سایت‌ها در فضای مجازی در کنار طرح چنین مسائلی باعث شده مطالعه علمی درباره‌ شبکه‌های اجتماعی در مراکز دانشگاهی و پژوهشی مورد توجه قرار گیرد. در کنار دانشکده‌های علوم کامپیوتری که نخستین کارهای پژوهشی درباره‌ شبکه‌های اجتماعی در آنها آغاز شده، حالا مباحث مربوط به شبکه‌های اجتماعی در حوزه‌های علوم سیاسی، علوم اجتماعی، علوم ارتباطات، روان‌شناسی، مطالعات فرهنگی و غیره مورد توجه قرار گرفته است. شبکه‌های اجتماعی سهم قابل توجهی در دنیای آینده‌ اینترنت خواهند داشت و تصمیم‌گیری و سیاست‌گذاری مناسب برای نحوه‌ مواجه با آنها از طریق انجام مطالعات گسترده و رسیدن به شناخت دقیق امکان‌پذیر خواهد بود.

شبکه‌های اجتماعی و سواد رسانه ‏ای

 
در سیاست گذاری های رسانه ای و اجتماعی در دنیا سال هاست که مسئله ای با‎عنوان "سواد رسانه ای" مطرح شده است. سواد رسانه ای به زبان ساده عبارت است از مجموعه‏ مهارت هایی که شهروندان برای مواجهه با رسانه های جدید لازم است بیاموزند. پس از چند دهه پژوهش و نظریه پردازی در مراکز دانشگاهی و پژوهش درباره سواد رسانه ای، سال هاست برنامه های عملیاتی آموزشی بر این اساس طراحی شده است. در اغلب کشورهای دنیا با حمایت های مستقیم و غیرمستقیم دولتی، آموزش های لازم از طریق رسانه ها و برقراری دوره های آموزشی به شهروندان ارائه می شود تا نحوه مواجهه با رسانه ها را فرابگیرند. در برخی کشورها این سطح آموزش حتی به کتاب های درسی مدارس نیز رسیده است و شهروندان از همان سنین کودکی و نوجوانی به سلاح سواد رسانه ای مجهز می شوند. در ایران اما سواد رسانه ای هنوز از سطح یک شوخی آکادمیک فراتر نرفته و مشخص نیست چه زمانی آموزش آن در سطح گسترده و عمومی مورد توجه قرار خواهد گرفت تا شاهد تحولی در استفاده از رسانه ها باشیم.
با پیشرفت رسانه های جدید ارتباطی از قبیل اینترنت در تکمیل مبحث سواد رسانه ای، مباحث جدیدی از جمله «سواد دیجیتالی» و «سواد اینترنتی» مطرح شده اند. شهروندان تنها با فراگیری سواد دیجیتالی است که می توانند استفاده مناسبی از تکنولوژی های جدید دیجیتالی داشته باشند. این سواد شامل اطلاعات اولیه درباره قابلیت ها، فرصت ها و نحوه به کارگیری تکنولوژی های جدید و آسیب های احتمالی و نحوه مقابله با آن‎هاست. لزوم فراگیری سواد دیجیتالی در استفاده از وب‏سایت‏های شبکه‏ اجتماعی اهمیتی دوچندان پیدا می کند. شبکه های اجتماعی امکانات و فرصت های بسیار گسترده ای را در اختیار کاربران قرار می دهند که تاکنون در هیچ رسانه ای سابقه نداشته است. تنها اطلاع درست از این امکانات و فرصت هاست که امکان مقابله با تهدیدها و آسیب ها را محدود کرده و خطر سوءاستفاده های احتمالی را کاهش می دهد.
آمارها نشان می دهد که اغلب کاربران شبکه های اجتماعی آشنایی کافی با امکانات این وب سایت ها ندارند. آن‎ها تنها با امکاناتی از قبیل جست وجو برای یافتن دوستان، افزودن دوستان به لیست، عضو شدن در گروه ها و صفحات هواداری، نوشتن متن های کوتاهی درباره وضعیت شخصی و قراردادن عکس در آلبوم تصاویر آشنا هستند. در شبکه های اجتماعی بخشی برای تنظیمات مربوط به حریم خصوصی وجود دارد که مشخص می کند به کدام بخش از اطلاعات و تصاویر شخصی، کدام گروه از دوستان دسترسی داشته باشند. تعداد قابل توجهی از کاربران از وجود چنین امکاناتی در شبکه های اجتماعی بی اطلاع هستند و یا کار با این قسمت ها را بلد نیستند. در نتیجه کاربران اطلاعات و تصاویر شخصی مربوط به‎خود را در شبکه های اجتماعی منتشر می کنند در حالی‎که برخی از آن‎ها نمی دانند این اطلاعات در دسترس عموم قرار می گیرد و ممکن است مشکلاتی برای آن‎ها ایجاد کند.
انتشار اطلاعاتی از قبیل آدرس و شماره تلفن یا تصاویر شخصی در شبکه های اجتماعی بدون توجه به عواقب آن، تاکنون باعث سوءاستفاده های بسیاری شده است. از شروع موج اول فراگیر شدن شبکه های اجتماعی در ایران که به استقبال از وب سایت «اورکات» برمی گردد تا سال های بعد که شبکه های اجتماعی متعدد ایرانی و خارجی زیادی بین کاربران ایرانی محبوبیت پیدا کرده اند، همواره سوءاستفاده هایی نیز از این محیط ها به عمل آمده است. سوءاستفاده های زیادی از طریق ایجاد هویت های جعلی در شبکه های اجتماعی و انتشار اطلاعات و تصاویر شخصی در این وب سایت ها صورت پذیرفته که برخی از آن‎ها به طرح شکایت در دستگاه قضایی منجر شده است. ویژگی مشترک تعداد قابل توجهی از آسیب دیدگان شبکه های اجتماعی، ناآشنایی آن‎ها و نداشتن اطلاعات کافی درباره قابلیت ها و امکانات این تکنولوژی های جدید ارتباطی است. اطلاعاتی که با عملکرد مناسب تر رسانه ها و بخش های آموزشی می تواند در اختیار شهروندان قرار گیرد تا بهره مناسب تر و مطمئن تری از این امکانات جدید ارتباطی ببرند.

شبکه‌های اجتماعی و بازآفرینی هویت

در شبکه های اجتماعی سنتی که در تار و پود فرهنگ ما تنیده شده اند، عمدتا با نهادها و طبقات اجتماعی همگون مواجهیم که ساخت رسمی داشته و ارزش های خود را از طریق تکرار و در گذر زمان به هنجارها و الگوهای رفتاری ثابتی تبدیل می کنند که از طریق مکانیسم های بازتولید فرهنگی، موجب حفظ و استمرار میراث فرهنگی در طی زمان و بین نسل ها می شوند. در این نوع شبکه های اجتماعی، اساس ارتباطات میان اجزای شبکه بر «مراوده» استوار است. مراوده یعنی هر نوع ملاقات بین دو یا چند نفر در وضعیت کنش رو در روی متقابل. با توجه به محدودیت چنین مراوداتی، در شبکه های سنتی عموما تعامل میان افراد از طریق فعالیت های مشترک و گفت وگوهای مستقیم با یکدیگر و به کندی صورت می پذیرد و محدودیت های خاص ارتباطی از جمله زمان  و مکان مانع از مشارکت جدی مخاطب در فرآیند مباحثه می شوند. پس ارتباط تولیدکننده پیام با مخاطب، عمدتا یک سویه بوده و در موارد اندکی نیز شاهد ارتباطات دوسویه هستیم. در نتیجه در این نوع شبکه های سنتی، ارسال پیام در اختیار تعداد محدودی است و اغلب افراد نقش گیرنده پیام را دارند و از آن جا که هویت اعضاء نیز به طور عمده با نقش اجتماعی یکسان است، معمولا هویت شخصی که حاصل فرآیند رشد و تکوین شخصی است، با هویت اجتماعی انطباق دارد و بازآفرینی هویت اجتماعی به‎ندرت امکان پذیر است.
هر شبکه اجتماعی اینترنتی، یک ساختار اجتماعی است و متشکل از کانون هایی که شامل افراد یا سازمان های می شود. این کانون ها می توانند با هم تناظری یک‎به‎یک یا چند به چند داشته باشند. تناظر ممکن است رابطه هایی چون دوستی، خویشاوندی، علایق مشترک، تبادل تجاری و یا باورهای مشترک را در بر بگیرد. در یک شبکه اجتماعی، سلسله‎مراتب عمودی وجود ندارد و تنها عامل مهم، افرادی هستند که در این گراف به هم پیوسته به دیگران مرتبط است. در تعامل بین این کانون های متناظر است که فرهنگ و ارزش های جامعه متبلور می شود. ارزش های افراد بشدت تحت تأثیر فرهنگ جامعه ، گرایش های حاکم بر جامعه و شبکه های اجتماعی است که در آن واقع شده اند. این ارزش ها که ناشی از وجدان جمعی مشترک هستند، بواسطه افکار عمومی جامعه پاسداری می شوند. اعضای هر شبکه بایستی با ارزش ها و استانداردهای رفتاری پذیرفته شده در آن همنوا شوند. امری که نادیده گرفتن آن می تواند به فشار از جانب سایر اعضاء به صورت انزوا و طرد از شبکه اجتماعی منجر شود( موضوعی که الیزابت نوئل نیومن جامعه شناس آلمانی در تئوری مارپیچ سکوت به ان اشاره دارد. بر طبق این نظریه، افراد اقلیتی که احساس می کنند نظرشان با نظر اکثریت متفاوت است، از ترس طرد شدن، عقب نشینی کرده و آن را به زبان نمی آورند. در نتیجه سکوت آن ها باعث می شود تا موضع اکثریت تقویت شده و نظر اقلیت حذف شود. بدین‎ترتیب مارپیچ سکوت شکل گرفته و ارزش هایی که در جامعه حکمفرما بودند، نمود بیشتری خواهند داشت). مفهوم طرد با مسئله عاملیت ارتباط تنگاتنگی دارد. یعنی در فرآیند طرد، فردی توسط افراد دیگر رانده می شود. البته مواردی را می توان برشمرد که افراد به واسطه تصمیماتی که خارج از توان و کنترل آن هاست، طرد می شوند. در این صورت فرد مطرود، از بخشی از امتیازات شبکه اجتماعی محروم شده و برای برخورداری از مزایای کامل شبکه، مجبور است که همانندسازی را پذیرفته و با هنجارها و ارزش های غالب در شبکه همنوا شود. این همنوایی به صورت پذیرش ارزش های مورد نظر و یا افتادن در مارپیچ سکوت رخ می دهد. با مطالعه این ارزش هاست که می توان به تمایلات اعضای یک شبکه اجتماعی پی‎برد و کارکرد و پیامدهای عضویت در آن را بررسی کرد و هم چنین دریافت که چگونه این ارزش های مشترک با وجدان فردی و جمعی ارتباط پیدا می کند و فرآیند دوگانه شخصی کردن و اجتماعی کردن شکل می گیر به عبارتی هر عضو علاوه‎بر این که ارزش های مشترک سایر اعضاء را می پذیرد، می تواند روی آن ها نیز تأثیر بگذارد. حاصل این خواهد شد که هویت اجتماعی کاربران چند وجهی و بی‎ثبات تر شده و آنان به طور مستمر به آفرینش و بازآفرینش هویت های خود بپردازند.

رسانه‌های جدید و گسترش فرهنگ دموکراتیک

رسانه‌های سنتی مانند تلویزیون، رادیو و مطبوعات به تقویت پوپولیسم و عوام گرایی کمک کرده‌اند ولی رسانه‌های جدید فرهنگ دموکراتیک را گسترش می دهند. تمرکززدایی از قدرت از طریق گسترش تعامل آگاهانه شهروندان باهم و با سازمان‌های دولتی و مردم نهاد از جمله پیامد‌های رسانه‌های جدید است. در عصر حاضر و با گسترش امکانات جدید رسانه‌ای، سیاستمداران مجبور هستند صادق باشند.
جنبش‌های اجتماعی جدید که هدف آنها کوششی هماهنگ و متمرکز برای رسیدن به هدف یا اهداف مشترک است، هم به نوعی متأثر از شبکه های اجتماعی هستند. این جنبش‌های جدید شکلی از فعالیت مدنی و سیاسی عقلانی هستند.

شبکه‌های اجتماعی اینترنتی در دنیا

چند سالی هست که شبکه های اجتماعی به طور جدی در حال رشد هستند و استفاده از خدمات آنها روزبه‌روز محبوبیت بیشتری پیدا می‌کند. هم‌اکنون سایت‌های شبکه‌های اجتماعی، بعداز پرتال‌های بزرگی مثل یاهو یا ام‌اس‌ان و موتورهای جستجو مثل گوگل، تبدیل به پراستفاده‌ترین خدمات اینترنتی شده‌اند.
خیلی از نهادهای مختلف جهانی و اینترنتی با اهداف گوناگون که مهم‌ترین آنها تجاری و تبلیغاتی است، اقدام به‌راه‌اندازی شبکه‌های اجتماعی زده یا درصدد خرید سهام مهم‌ترین شبکه‌های اجتماعی دنیا هستند؛ مثل رقابت اخیر گوگل و مایکروسافت برسر سایت مای‌اسپیس و فیس‌بوک.
ناسا هم برای جذب جوانان علاقمند به موضوعات هوافضا، یک شبکه اجتماعی را بر پایه استانداردهای نسل آینده وب و تنظیمات سایت خود راه اندازی کرده، این شبکه اجتماعی جدید که مای ناسا نام دارد، بخش‌های بسیار پیشرفته‌ای دارد که کاربران می‌توانند از طریق آنها تصاویر و تفکرات خود را درباره موضوعات فضایی با سایر کاربران به‌اشتراک بگذارند. مای ناسا یک نمونه بسیار اصلی از شبکه‌های اجتماعی است و یک محیط مجازی را می‌سازد که در آن کاربران می‌توانند تمام موضوعات و مقولات مورد نظر و شخصی خود را جمع‌آوری کنند.
کاربران می‌توانند در این شبکه اجتماعی جدید برای خود وبلاگ درست کنند و از وبلاگ‌هایی نظیر وبلاگ یکی از مدیران ناسا که روایت بسیار شگفت‌انگیزی را از ماموریت‌های فضایی خود نقل کرده‌است، استفاده کنند.
شبکه‌های اجتماعی، به‌خصوص آن‌هایی که کاربردهای معمولی و غیرتجاری دارند، مکان‌هایی در دنیای مجازی هستند که مردم خود را بطور خلاصه معرفی می‌کنند و امکان برقراری ارتباط بین خود و همفکرانشان را در زمینه‌های مختلف مورد علاقه فراهم می‌کنند. البته در بعضی از این موارد مثل مای‌ناسا سمت و سوی اصلی این علایق (فضا) مشخص است.
بنظر می‌رسد شبکه‌های اجتماعی در اینترنت، در آینده بیش از این هم اهمیت پیدا خواهند نمود. این شبکه‌ها هم‌اکنون هم روزبه‌روز محبوب‌تر می‌شوند. با شبکه‌های اجتماعی، دیگر افراد برای پیداکردن همفکران خود در موارد گوناگون تنها نیستند؛ یک دوست سوئدی برای صحبت در مورد فناوری اطلاعات، یک دوست فرانسوی برای صحبت در مورد فیلم‌های سینمای مستقل یا یک دوست مصری برای بحث در مورد مسائل خاورمیانه یا... .
مسلماً در دنیای حقیقی هیچ‌گاه افراد علاقه‌مند، موضوعات موردعلاقه خود را به این گستردگی نمی‌یافتند. این دلیل و شاید دلایل مشابه این، سرویس‌های شبکه‌های اجتماعی را به یکی از مهم‌ترین ارکان اینترنت در دو سه سال اخیر تبدیل کرده‌است.

شبکه‌های اجتماعی اینترنتی در ایران

حدود ۴ سال پیش بود که مفهوم شبکه‌های اجتماعی به‌طور گسترده با حضور اورکات در میان کاربران ایرانی رواج پیدا کرد و در مدت کوتاهی آن‌قدر سریع رشد کرد که پس از برزیل و آمریکا، ایران سومین کشور حاضر در اورکات شد.
با نگاهی به تعداد کاربران ۲۴ شبکه اجتماعی پرطرفدار دنیا به آسانی می‌شود میزان تأثیرگذاری این شبکه‌ها را درک کرد. این شبکه‌ها مجموعاً بیش از یک میلیارد کاربر دارند و اگرچه تعامل زیادی بین کاربران آنها هست، اما به‌هرحال رقم فوق‌العاده‌ای است.

آمارهایی درباره‌ شبکه‌های اجتماعی

فیس‌بوک بزرگ‌ترین شبکه‌ی اجتماعی دنیا در حال حاضر حدود ۴۰۰ میلیون نفر کاربر دارد. اگر فیس‌بوک بجای دنیای مجازی در دنیای فیزیکی حضور داشت این تعداد جمعیت آنرا به یکی از چند کشور پرجمیعت دنیا تبدیل می‌کرد. بجز فیس‌بوک چندین شبکه اجتماعی دیگر نیز کاربران چند صد میلیون نفری دارند. در رده‌بندی برترین وب‌سایت‌های دنیا بر اساس آمار الکسا، فیس‌بوک در رده‌ی دوم قرار دارد و در لیست ۱۰۰ وب‏سایت برتر نام چندین شبکه‌ی اجتماعی دیگر نیز به چشم می‌خورد. فیس‌بوک در بسیاری از کشورها پربیننده‌ترین وب‌سایت محسوب می‌شود و در بیش از ۱۰۰ کشور محبوب‌ترین شبکه‌ی اجتماعی است.
فیس‌بوک در سه سال اخیر با رشدی جهشی به چنین جایگاهی رسید و توانست سایر رقبا را در بازار شبکه‌های اجتماعی پشت سر بگذارد. در فاصله‌ زمانی سال‌های ۲۰۰۷ تا ۲۰۰۸ زمانی که کاربران در سایت فیس‌بوک صرف ‌کردند رشدی ۵۶۶ درصدی پیدا کرد، این در حالی بود که زمان صرف شده در کل فضای اینترنت تنها ۱۸ درصد افزایش پیدا کرده بود. آمارهای اعلام شده از طرف گوگل نیز نشان می‌دهد نسبت تعداد بازدیدکنندگان مستقل از فیس‌بوک و سایر شبکه‌های اجتماعی به تعداد صفحات بازدید شده‌ آنها حدود ۱۰۰ برابر است. آمار بیانگر این است که شبکه‌ها‌ی اجتماعی نه تنها به پربیننده‌ترین وب‌سایت‌های اینترنتی تبدیل شده‌اند، بلکه کاربران اینترنتی بیشتر زمان حضورشان در فضای مجازی را نیز در این وب‌سایت‌ها می‌گذرانند.
آمارهای مربوط به استقبال از شبکه‌های اجتماعی همچنان رو به رشد است. در هر روز حدود ۸۰۰ هزار نفر عضو جدید به فیس‌بوک می‌پیوندند، حدود سه میلیون عکس در فلیکر آپلود می‌شود، حدود ۳۰ هزار ساعت ویدئو در یوتیوب مشاهده می‌شود و آمارهای مربوط به سایر شبکه‌های اجتماعی نیز بدین ترتیب رو به افزایش است. با چنین آمار و ارقامی بی اغراق نیست اگر آینده‌ اینترنت را در سلطه‌ شبکه‌های اجتماعی بدانیم.

ویژگی های نسل دوم وب یا شبکه های اجتماعی

حال به اختصار به بررسی ویژگی های نسل دوم وب؛ با تأکید بر شبکه های اجتماعی یا رسانه های اجتماعی می پردازیم:

نسل اول وب( 1990 تا 2000 ): شامل ایمیل، وب سایت، موتورهای جستجو، یلو پیج ها، دایرکتوری ها، چت روم ها می باشد.

و نسل دوم وب( 2000 تا 2009 (: شبکه های اجتماعی یا رسانه های اجتماعی نیز شامل وبلاگ ها، میکروبلاگ ها، شبکه های دوست یابی، شبکه های اجتماعی، ویکی ها، سایت های اشتراک گذاری، پیام رسان ها، تالارهای گفتگو، گروه های ایمیلی، خبرخوان ها، پادکست ها، لینکدونی های عمومی است.

1- هویت: هویت در شبکه های اجتماعی به سمت واقعی تر شدن پیش می رود چون هیچ کس مایل نیست فرد ناشناس را به لیست دوستان خودش اضافه کند ، شما در لیست دوستانتان در فیس بوک با افراد واقعی طرف هستید . اما مثلا در عصر وبلاگها این مساله تا حد زیادی قابل پنهان کردن بود.

2- به اشتراک گذاری و یادگیری: افراد علاقمند هستند هر چه سریعتر اطلاعات یا محتوایی را که تولید کرده اند به اشتراک بگذارند . این محتوا ممکن است خبر ، فیلم ، عکس، مقاله، طنز یا دیدگاه شخصی یا تجربیات آنها باشد.

3- بسیج کنندگی و سازماندهی: شبکه های اجتماعی قدرت بسیج کنندگی دارند یعنی می توانند افراد را در یک زمان و یا مکان در محیطی  واقعی گرد هم آورند ، یا در محیط مجازی به کمپین بپردازند.

4- دوستی: تعمیق دوستی ها بین همکلاسی ها ، همکاران ، هم عقیده ها ، دوستی با دوستان دوستان

5- اعتماد: قابلیت اعتماد به شبکه های اجتماعی بیش از وب سایتها است چون اطلاعات ، فیلتر نشده و خام منتقل می شود.

6- حلقه های مخاطبان: به جای مخاطبان انبوه ، حلقه هایی کوچک و بزرگ از مخاطبان شکل میگیرد. این حلقه ها در جاهایی با یکدیگر همپوشانی دارد . تاثیر گذاری هر شبکه بر هر حلقه به تناسب تخصصی بودن یا گرایش خاص آن شبکه است

 7- قدرت کندو سازی: قابیلت لینک دهی و ... .

8- استناد و تعمیم: فیلم ، عکس ، صدا و متون اصلی رسانه ها، قابلیت استناد و تعمیم را بالا برده است.

9- چند رسانه ای بودن: استفاده از چند رسانه ای ها در شبکه های اجتماعی ، قابلیت جدیدی است که قدرت این نوع رسانه ها را بالا برده است . فیلم ، صوت ، عکس ، انیمیشن ، متن و گرافیک و لینک.

10- ادغام فناوری ها: شبکه های اجتماعی محصول ادغام فناوری های جدید وب 2 هستند ، آژاکس ، XML ، HTTPS، RSS

11- پرستیژ و تشخص: امروزه افراد ، مجریان تلویزیون ، اساتید دانشگاه ، دانشجویان ، روزنامه نگاران ، سیاستمداران و هنرمندان به جای آدرس ایمیل یا وب سایت یا وبلاگ ، شناسه فیس بوک خود را اعلام می کنند. حتی برنامه های تلویزیونی نیز آدرس فیس بوک دارند.

12- گپ: شبکه ها قابلیت گپ یا همان چت کردن را با خود به همراه دارند.

13- نقد بی رحمانه: شبکه های اجتماعی فضای تعاملی جسورترین آدم هایی است که فعالیت در این شبکه ها را نوعی فعالیت مدنی و حتی مبارزه مدنی می دانند. لذا از نقد بی رحمانه حاکمیت ، سیاستمداران و رسانه های رسمی ابایی ندارند. به همین جهت زبان آنها متفاوت با سایر رسانه ها به نظر می رسد.

14- دنبال کردن ودنبال شدن: دنبال شدن و دنبال کردن افراد امری لذت بخش است . شما نیز دوست دارید دنبال شوید . شخصی نگاری یا روزنگاری در وبلاگها بر همین اساس اتفاق افتاده است.

15- باز انتشار: در محیط شبکه ها به خصوص سایتهای لینکدونی، خبرها پالایش و انتخاب شده و باز انتشار می شوند.

16- خرد جمعی: همه چیز را همگان دانند. اما در عصر شبکه ها همگان در حال زاده شدن است . گرایش عمومی را می شود از این فضاها سنجید. شبکه های اجتماعی بهترین فضای افکار سنجی هستنند.

17- جهانی بودن (مترجم گوگل): حذف مرزهای زبانی مهمتریم اتفاقی است که در فضای جدید وب اتفاق افتاده است.

18- سرگرمی: سرگرمی ، طنز ، خنده ، شوخی ، سرکار گذاشتن ، سوتی و گاف گرفتن ، کارهای مونتاژی و فتوشاپی کردن ، دست انداختن سیاستمداران و معما طرح کردن از ویژگی های این شبکه ها است.

19- سفارشی شدن: هرزه گردی و ولگردی در فضای وب در حال حذف شدن است. شما محتوا را سفارش می دهید. با استفاده از فید ها ، خروجی ها و ریدرهای آنلاین و آفلاین.

20- جستجو شدن: از طریق ترکیب موتورهای جستجو با بسیاری از شبکه ها شما می توانید در این فضاها همزمان جستجو کنید و جستو شوید.

21- اطلاع رسانی و خبر رسانی: رسانه های شهروندی، خبرنگاران شهروند. نمونه آن سونامی و رخدادهای انتخاباتی تهران بود.

22- رسانه نسل جوان: نو بودن ، خلاق بودن و ابتکاری بودن باعث جذب جوانها به این پدیده شده است.

23- رسانه جایگزین: نقش رسانه های جایگزین را ایفا می کنند در مقابل رسانه های جریان اصلی.

24- ترکیب با موبایل: اغلب این فناوری ها یا نسخه موبایل دارند یا با استفاده از موبایل قابل انتشار و دسترسی هستند. مستندات محتوایی این رسانه ها نیز توسط موبایل تولید می شود.

 25- شفاف شدن بیش از گذشته: زندگی درون خانه های شفاف و شیشه ای و اینکه از کوچکترین رخدادهای همدیگر مطلع می شوند.

26- ابتکار و خلاقیت: نوآوری در ذات شبکه ها است . ارتباطات افقی ، پیشنهادات خلاقه ، طوفانهای مکرر فکری در این محیط ها اتفاق می افتد.

 27- ساختار دمکراتیک: مانند ویکی پدیا ، گوگل زمین ، وبلاگها ، فرومها... .

28- قدرت سرمایه اجتماعی: وجود مجموعه معینی از ارزش های غیر رسمی که در میان اعضای گروه، مشترک بوده و همکاری را در میان آنها بهبود می بخشد.

29- تحرک اجتماعی: جنبش های اجتماعی با تحرک یا تجمع گروه هایی از افراد متولد می‌شوند. این تحرک (mobility ) از یک سو به معنای جابجایی جمعیت است و از سوی دیگر به معنای سرعت یافتن ایده ها، ارتباطات و تماس ها است. در این شرایط افرادی که کمتر محتمل بود با همدیگر ارتباط داشته باشند یا پیوندی بین آنها به وجود آید، فرصت آن را خواهند یافت تا یکدیگر را همیابی کند. تحرک جغرافیایی یا جابجایی جمعیت امکان فراتر رفتن از محیط سنتی و قرار گرفتن در شرایط جدیدی را مهیا خواهد کرد که ظرفیت های افراد را افزایش خواهد داد.

30- ارتباطات غیر رسمی: خارج از نهادهای رسمی آموزشی ، رسانه ای ، حکومتی و سیاسی.

چالش های شبکه های اجتماعی

مکانیزم شبکه ها برای نظام سیاسی قابل درک نیست و درباره آنها بیشتر تئوری توطئه مطرح می شود.

شبکه های اجتماعی چالش اصلی حکومتها در جامعه اطلاعاتی هستند.

هیچ شناختی از شبکه های اجتماعی در ایران به صورت علمی و آکادمیک وجود ندارد و در این خصوص مولفه سواد رسانه ای باید مدنظر اندیشمندان، فرهیختگان و کاربران شبکه های اجتماعی قرار گیرد.

چشم انداز و آینده شبکه های اجتماعی

عرصه سایبر و فضای مجازی در آینده ای نزدیک در تسخیر شبکه های اجتماعی خواهد بود.

مردم مهمترین تولید کننده و مصرف کنندگان اطلاعات در محیط شبکه ها اجتماعی هستند.

شبکه های اجتماعی ساختارهای اجتماعی، فرهنگی، اقتصادی و سیاسی را دچار تحول جدی و ساختاری خواهد نمود.

رسانه‌های جدید و شبکه های اجتماعی؛ فرهنگ دموکراتیک را گسترش می دهند.

با توجه به گسترش روزافزون شبکه های اجتماعی، این شبکه ها نقشی اساسی در بازآفرینی، تقویت و واقعی تر شدن هویت ها دارند.

منبع: http://communicationage.blogfa.com