Vermeldings- vs. retweetgrafiek vergelijken
Door te kijken naar de verhouding tussen in-degree en out-degree leer je net iets anders over elk netwerk. In een retweetnetwerk laat dit zien welke gebruikers vaak geretweet worden maar zelf niet retweeten (hoge waarden), of juist vaak retweeten maar zelf niet geretweet worden (lage waarden). Op dezelfde manier geldt: als je in een vermeldingengrafiek een in/out-verhouding dicht bij 1 hebt, dan is het gesprek redelijk evenwichtig. Een lage verhouding suggereert echter dat een gebruiker vaak gesprekken start maar geen reacties krijgt. Als je de dichtheidsplots van de verschillende netwerken vergelijkt, denk dan na over wat je verwacht. Welk netwerk verwacht je schever verdeeld te zijn en welk netwerk verwacht je een verhouding dichter bij 1 te hebben?
Deze oefening maakt deel uit van de cursus
Casestudies: netwerkanalyse in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Read this code
mention_data <- data_frame(
graph_type = "mention",
degree_in = degree(mention_graph, mode = "in"),
degree_out = degree(mention_graph, mode = "out"),
io_ratio = degree_in / degree_out
)
# Create a dataset of retweet ratios from the retweet_graph
retweet_data <- data_frame(
graph_type = "___",
degree_in = degree(___, mode = "___"),
degree_out = degree(___, mode = "___"),
io_ratio = degree_in / degree_out
)