PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ - PUCPR
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ - PUCPR
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO PARANÁ - PUCPR
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
análise de cluster foi realizada a partir de uma abordagem bottom-up, ou seja,<br />
considera-se que um grupo inicia com um relacionamento básico (dois atores<br />
possuem uma relação, por exemplo) e vai evoluindo, e emergindo, até se tornar uma<br />
rede de relacionamentos complexa (HANNEMAN e RIDDLE, 2005). Com essa<br />
abordagem, obtém-se, a partir dos relacionamentos existentes entre as palavras-<br />
chave, e utilizando o algoritmo para análise de cluster K-cores, as áreas de<br />
conhecimento. O UCINET possui vários algoritmos (Cliques, N-cliques, N-clans, K-<br />
plexes, K-cores e F-groups) com abordagem bottom-up. O algoritmo Cliques é<br />
caracterizado por considerar relações diáticas, resultando no número máximo de<br />
atores conectados entre si. Portanto, se um ator A está conectado B, mas B não<br />
está conectado a A, então B é excluído. Esse algoritmo é considerado exigente<br />
devido a essa característica. Os outros algoritmos (N-cliques, N-clans, K-plexes, K-<br />
cores) são variações de Cliques, porém com maior grau de relaxamento,<br />
respectivamente. Todos os algoritmos consideram relações binárias (0-1). O<br />
algoritmo F-groups considera que as relações não são binárias (custo, probabilidade<br />
de relações, entre outros), combinado com a noção de que grupos maiores possuem<br />
relações triádicas (e não diáticas). Levando em consideração esses fatos, decidiu-se<br />
adotar o algoritmo K-cores, pois ele é mais relaxado e agrupam os atores que estão<br />
conectados a k outros membros do grupo, independentemente do número de<br />
autores que está conectado (HANNEMAN e RIDDLE, 2005). A rede de<br />
relacionamentos das áreas de conhecimento é apresentada na Figura 2.11.<br />
Os nós da rede estão agrupados pelo valor obtido da aplicação do algoritmo<br />
K-cores. As sete áreas identificadas foram nomeadas a partir dos nós que<br />
apresentaram o maior centrality degree. Essa medida significa que os atores que<br />
possuem mais ligações com outros atores da rede podem ter posições privilegiadas,<br />
ou seja, por terem muitas ligações, os atores possuem maiores alternativas para<br />
satisfazer as suas necessidades e, portanto, são menos dependentes de outros<br />
atores. Esse indicador ainda pode ser separado em in-degree e out-degree. Se um<br />
ator possui um alto in-degree (recebe muitas ligações), então, considera-se que este<br />
é proeminente ou que possui grande prestígio. Já se o ator possui um alto out-<br />
degree, é considerado um ator influente (HANNEMAN e RIDDLE, 2005). Os nomes<br />
dados às áreas de conhecimento são:<br />
1. Mass Customization;<br />
2. Product Design & Supply Chain Management (SCM);<br />
50