Modelo basado en factores y reglas para cuantificar la afinidad entre los individuos de un grupo humano
Resumen
En este artículo se propone un modelo para cuantificar el grado de afinidad entre los individuos de un grupo humano. Para obtener el grado de afinidad se considera un conjunto de factores y de reglas (para cada factor) definidos por el analista. El modelo se puede aplicar prácticamente a cualquier grupo humano: estudiantes, trabajadores, miembros de una red social, etc. Para validar y mostrar la utilidad del modelo, se analizaron dos grupos de estudiantes de cursos universitarios. Los datos de los estudiantes, correspondientes a los factores definidos para los experimentos, se recopilaron mediante una encuesta que fue diseñada para tal efecto. Aunque se requieren experimentos más exhaustivos, los resultados evidenciaron posibles patrones; e.g., los grupos de estudiantes con mayor grado de afinidad fueron los de mayor calificación promedio grupal. También se observó que existen ciertos individuos que tienden a ser miembros de los grupos más afines y otros que tienden a ser miembros de los grupos menos afines.
Descargas
Lenguajes:
esReferencias bibliográficas
Molina, F., Loyola, P., Velásquez, J. D., (2010). Generación de equipos de trabajo mediante análisis de redes sociales e identificación de atributos personales. En: Revista Ingeniería de Sistemas, Vol. 14 (1), pp. 103-122.
Panigrahy, R., Najork, M., Xie, Y. (2012). How User Behavior is Related to Social Affinity. En: 5th ACM International Conference on Web Search and Data Mining (WSDM). http://dx.doi.org/10.1145/2124295.2124379
Bapna, R., Gupta, A., Rice, S., Sundararajan, A. (2011). Trust, Reciprocity and the Strength of Social Ties: An Online Social Network based Field Experiment. En: Conference on Information Systems and Technology (CIST).
Chung-Chien, H., Medhin, N. (2006). Positive and Negative Affinities Model For Social Networks. En: Department of Mathematics, 3rd International Conference on Neural, Parallel and Scientific Computations.
Smith, M., Giraud-Carrier, C., Purser, N. (2009). Implicit affinity networks and social capital. En: Journal Information Technology and Management, Vol. (2-3), pp. 123-134. http://dx.doi.org/10.1007/s10799-009-0057-2
Gil, J. (2007). La idónea agrupación de trabajadores según grados de compatibilidad psicológica. En: Asociación Espa-ola de Dirección y Economía de la Empresa (Aedem).
Eaglea, N., Pentlandb, A., Lazerc, D. (2009). Inferring friendship network structure by using mobile phone data MIT Media Laboratory. En: Proceedings of the National Academy of Sciences of the United States of America PNAS, Vol. 106 (36), pp. 15274-15278. http://dx.doi.org/10.1073/pnas.0900282106
Zhang, H., Dantu, R. (2010). Predicting Social Ties in Mobile Phone Networks. En: IEEE International Conference on Intelligence and Security Informatics ISI. http://dx.doi.org/10.1109/isi.2010.5484780
Bisgaard, S., Kulahci, M. (2011). Time Series Analysis and Forecasting by Example. New Jersey. Wiley. http://dx.doi.org/10.1002/9781118056943
Wasserman, S., Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge. Cambridge University Press. http://dx.doi.org/10.1017/cbo9780511815478
Kossinets, G., Kleinberg, J. M., Watts, D. J. (2001). The structure of information pathways in a social communication network. En: 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.
Aiken, L. (2003). Test psicológicos y evaluación. México. Prentice Hall.
Morgeson, M., Reider, F., Campion, M. (2005). Selecting individuals in team settings: The importance of social skills, personality characteristics, and teamwork knowledge. En: Personnel Psychology, Vol. 58 (3), pp. 583-611. http://dx.doi.org/10.1111/j.1744-6570.2005.655.x
Fershtman, C., Gneezy, U. (2001). Discrimination in a Segmented Society: An Experimental Approach. En: Quarterly Journal of Economics, Vol. 115 (3), pp. 351-377. http://dx.doi.org/10.1162/003355301556338
Kempe, D., Kleinberg, J. M., Tardos, E. (2003). Maximizing the spread of influence through a social network. En: 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. http://dx.doi.org/10.1145/956750.956769
Leskovec, J., Rajaraman, A., Ullman, J. D. (2014). Mining of Massive datasets. Cambridge University Press. http://dx.doi.org/10.1017/cbo9781139924801
Gompers, P., Mukharlyamov, V. (2015). The Cost of Friendship. En: Journal of Financial Economics, aceptado para publicación.
Kim, M., Park, S. O. (2013). Group affinity based social trust model for an intelligent movie recommender system. En: Multimedia Tools and Applications, Vol. 64, pp. 505-516. http://dx.doi.org/10.1007/s11042-011-0897-8
Rao, D., Yarowsky, D., Callison-Burch, C.;(2008). Affinity measures based on the graph Laplacian. En: Proceedings of the 3rd TextGraphs Workshop on Graph-based Algorithms for NLP, pp. 41-48. http://dx.doi.org/10.3115/1627328.1627334
Liu, H., Yang, X., Latecki, L. J., Yan, S. (2012). Dense neighborhoods on affinity graph. International Journal of Computer Vision, Vol. 98 (1), pp. 65-82. http://dx.doi.org/10.1007/s11263-011-0496-1
