Indicadores de nivel grupal

Se define como clique al subconjunto de actores que están más fuertemente conectados mutuamente que lo que lo están con otros actores que no forman parte del grupo. En las pruebas que se realizaron con GeoTandil para el presente informe se

obtuvieron 8 cliques. La tabla 5.6 muestra en detalle el tamaño de cada clique encontrado junto con los actores que los componen.

Numero de clique Tamaño del clique Actores

1 5 dmallorg - mati - gasti - pulpo - kechu

2 5 dmallorg - maxi - mati - gasti - kechu

3 5 mbritos - mati - gasti - titobenavidez -

kechu

4 5 mbritosvmaxi - mati - gasti - kechu

5 5 mati - gasti - pulpo - titobenavidez -

kechu

6 5 juampi - mati - gasti - pulpo -

titobenavidez

7 5 mbritos - juampi - mati - gasti -

titobenavidez

8 3 maxi - mati - gianno

Tabla 5.6 Cálculo de lejanía y cercanía.

Al observar los cliques generados en la tabla anterior, se puede ver que casi la totalidad de los cliques son de tamaño 5 lo que es el 50 % de la red. Esto indica que representan cliques de un tamaño considerado con respecto al tamaño de la red.

Como se viene observando en los indicadores anteriores, también se puede ver que los actores “mati” y “gasti”, están presente en la mayoría de los cliques encontrados. Como se mencionó estos fueron los actores encargados de la selección del resto de los usuarios y resulta lógico que estén incorporados en cada uno de los subgrupos que fueron identificados al examinar la red. Esta condición de pertenecer a la mayoría de los grupos complementa a los indicadores anteriores, en la interpretación de que este tipo de actores, son actores que resultan importantes para conectar las distintas subredes.

Se puede observar un solo clique de tamaño 3, este clique identifica un subgrupo, que también se ve de forma clara al observar el grafico de la red. Si se presta atención en este clique, está el usuario “gianno” quien está bastante desconexo de la red. Por lo tanto el análisis de cliques, también ayuda a identificar casos como estos en los que pequeños grupos incluyen actores isolados.

N-Cliques

El concepto de N-cliques permite obtener grupos usando el mismo método que cuando se calculan los cliques, pero permitiendo tomarse una licencia en cuanto a la necesidad fundamental para que un actor esté fuertemente ligado con otro. N-Cliques permite definir una distancia N que indica el máximo de distancia al que un actor puede estar ligado para pertenecer a un N-Clique. De esta forma se generan grupos más amplios, dado que la restricción de conexión no exige que los actores estén directamente unidos unos con otros.

De igual manera que con los indicadores anteriores, se realizó el análisis de N- Cliques sobre la red resultante de GeoTandil utilizando el software Ucinet.

N Tamaño del clique Actores

2 10 dmallorg - mbritos - maxi - juampi - mati - gasti - pulpo - titobenavidez - kechu - gianno

Tabla 5.7 Cálculo de N-Clique.

La tabla 5.7 muestra el único N-Clique obtenido, cuyo valor de N es 2. Este valor es el único pertinente para la red que se está analizado debido que es la distancia máxima entre dos actores. El resultado obtenido, es trivial y corresponde a todos los nodos de la red. Considerando estar fuertemente conectado a tener 2 conexiones máximo de distancia entre nodos, el resultado a obtener es un grupo formado por todos los actores de la red.

La utilización de N-cliques resulta más interesantes en redes menos conectadas y de mayor tamaño, el hecho de que exista un actor que está directamente unido al resto de los usuarios como en este caso, atenta con la formación de grupos y reduce la distancia de todos los caminos entre actores.

5.3 Resumen

Durante el capítulo 5, se realizó una explicación de cómo se probó GeoTandil, la herramienta desarrollada para el presente trabajo.

Hecho esto se expuso la red social obtenida de las pruebas, se mostraron sus formas de representación, y se utilizó el software Ucinet para obtener una serie de indicadores, tanto a nivel de cada actor interviniente en la red, como a nivel de grupo de actores. Los resultados obtenidos de cada indicador se analizaron, compararon e interpretaron.

Capítulo 6

Conclusiones Durante el presente trabajo se implementó la aplicación GeoTandil, una red social para recolectar datos geolocalizados, se probó la aplicación en un grupo de usuarios, y mediante el uso de herramientas de análisis de redes sociales se estudió la red generada de las pruebas.

En este capítulo se expondrán las limitaciones de la aplicación y los trabajos futuros que mejorarán la aplicación, y complementarán los análisis de resultados.

6.1 Limitaciones

En lo que respecta a las limitaciones de la aplicación, se pueden mencionar primeramente que GeoTandil fue desarrollado plenamente para el sistema operativo Android, con lo cual no se accede al 100% de los usuarios con dispositivos móviles. En este sentido dado que la aplicación tiene una arquitectura distribuida, si se quiere abarcar otras plataformas el costo no sería tan grande, ya que es solo realizar la capa de presentación para la plataforma que se quiere realizar, el resto de las capas permanecerían sin modificaciones.

Otra limitación importante es que se trata de una aplicación que depende de la conexión a internet, por lo que ante la ausencia de conectividad la aplicación no puede funcionar de forma correcta desde el punto de vista de descargas de fragmentos del mapa, envío de notificaciones entre usuarios, y la misma interacción con servicios propios los cuales acceden a la base de datos.

El consumo de batería también es un factor limitante, dado que si se quiere utilizar la aplicación con máxima precisión de localización es necesario involucrar el uso del GPS. Adicionalmente, en caso de tener configurada la aplicación con una distancia muy pequeña de actualización, al moverse el usuario se producirán muchas actualizaciones de ubicación aumentando el consumo de batería del dispositivo.

A nivel funcional, una limitante es que cuando un usuario se desplaza por zonas donde ya hay noticias creadas, estas no serán notificadas nunca, dado que solo se notifican si la noticia ésta dentro del rango de interés al momento de la creación.

En cuanto al análisis realizado se puede considerar que se tomó una red pequeña, y como se mencionó en reiteradas ocasiones los actores de la red pertenecían en cierta medida a un círculo relativamente cerrado. En este sentido cabe destacar la dificultad de encontrar un conjunto de personas que trabajen de forma cooperativa, si bien la idea de involucrarlos a partir de un canal de chat resultó buena, se tuvo un nivel de participación medio.

6.2 Trabajos futuros

Como trabajos futuros se puede considerar en primer lugar la recolección de datos de usuarios con mayor detalle, como por ejemplo sexo, edad, profesión, y otros datos personales. El análisis de los datos de usuario puede ser complementado considerando los datos geolocalizados que cada usuario va creando e incorporando, resultando en un análisis completo y de mayor valor. De igual forma otro dato que podría registrarse de cada usuario es cada una de los cambios de ubicación lo que permitiría poder realizar análisis de trayectorias.

Otro trabajo que puede realizarse es mejorar el algoritmo de recomendación de noticias, dado que este sólo tiene en cuenta la distancia de interés del usuario. A este pueden ser incorporados datos personales del usuario y los análisis de trayectoria.

Una mejora que puede considerarse es crear una motivación como puede ser actividad lúdica o de competencia entre usuarios, esto incitará el uso de la aplicación y por consiguiente la recolección de datos de éste.

Referencias

[1] Andradas V. Ju Y. Reality Mining, Centro de Difusión de Tecnologías ETSIT-UPM. http://www.ceditec.etsit.upm.es/index.php?option=com_content&view=article&id=20874 %3Areality-mining&catid=40&Itemid=50&lang=es

[2] Android Developers (2016) Introduction to Android http://developer.android.com [3] Chi-Yin Chow, JieBao and Mohamed F. Mokbel (2010). Towards Location-based Social Networking Services.

[4] Colaboradores de OpenStreetMap (2016) https://www.openstreetmap.org

[5] Eagle N., Pentland A. y Lazer D. (2009). Inferring Social Network Structure using Mobile Phone Data, Proceedings of the National Academy of Sciences (PNAS), 106 (36), (pp. 15274-15278).

[6] Hibernate. Everything data. (2016) http://hibernate.org/

[7] Java Platform, Enterprise Edition (Java EE) (2016)

http://www.oracle.com/technetwork/java/javaee/overview/index.html [8] Jersey - RESTful Web Services in Java. (2016) https://jersey.java.net/

[9] Jie Bao, Mohamed F. Mokbel and Chi-Yin Chow (2012). GeoFeed: A Location- Aware News Feed System.

[10] JSON.org Introducción a JSON (2016). http://www.json.org

[11] Kristiansen M., Moore J., Livingston S., Martin M., Speed T., Wood G., Byrd D. y Hardison S. (2009). Cap 1 IBM Lotus Connections 2.5: Planning and Implementing Social Software for Your Enterprise (pp 1-19). Armonk, USA.

[12] Lozares, C. (1996). Cap 48 La teoría de redes sociales, (pp 103-126). Barcelona. [13] Mohamed Sarwat, JieBao, Ahmed Eldawy, Justin J. Levandoski, Amr Magdy and Mohamed F. Mokbel (2012). Sindbad: A Location-based Social Networking System.

[14] Molina Félix L. (2002). Data mining: torturando a los datos hasta que confiesen, Catalunya.

[15] Pedrozo Petrazzini G. (2012). Monografia: Sistemas Operativos en Dispositivos Móviles.

[16] Oracle Corporation and/or its affiliates (2016). The world's most popular open source database. http://www.mysql.com/

[17] Sanz Menéndez, L. (2003). Análisis de Redes Sociales: o como representar las estructuras sociales subyacentes, Madrid.

[18] Xu W., Chow C.-Y., Yiu M. L., Li Q., Poon C. K. (2012). MobiFeed: A Location- Aware News Feed System for Mobile Users.

[19] Wenjian Xu, Chi-Yin Chow, Man Lung Yiu, Qing Li and Chung Keung Poon (2012). MobiFeed: A Location-Aware News Feed System for Mobile Users.

[20] Yu Zheng, Quannan Li, Xing Xie, Yukun Chen, Wenyu Liu and Wei-Ying Ma (2008). Mining user similarity based on location history.

[21] Yu Zheng, Lizhu Zhang, Xing Xie and Wei-Ying Ma (2009). Mining Interesting Locations and Travel Sequences from GPS Trajectories.

[22] Yu Zheng, Xiangye Xiao, Qiong Luo and Xing Xie (2010). Finding Similar Users Using Category-Based Location History.

[23] Yu Zheng and Xing Xie (2010). Learning Location Correlation from GPS Trajectories.

[24] Yu Zheng, Lizhu Zhang, Zhengxin Ma, Xing Xie and Wei-Ying Ma (2011). Recommending Friends and Locations Based on Individual Location History.

[25] Yu Zheng, Xiangye Xiao, Xing Xie and Qiong Luo (2012). Inferring Social Ties between Users with Human Location History.

[26] Yu Zheng, Jie Bao and Mohamed F. Mokbel (2012). Location-based and Preference-Aware Recommendation Using Sparse Geo-Social Networking Data.

[27] Yu Zheng, Ling-Yin Wei and Wen-Chih Peng (2012). Constructing Popular Routes from Uncertain Trajectories.