[사이람 커넥트] 소셜 네트워크 분석(SNA)의 확장과 NetMiner 진화 방향

25년 9월 30일, NetMiner 웨비나 발표 자료입니다.

- 소셜 네트워크 분석의 최신 트렌드 및 확장
- 소셜 네트워크 분석의 최신 방법론
- 연구 사례
- NetMiner의 진화 방향

웨비나 영상은 아래 유튜브 채널에서 보실 수 있습니다. https://www.youtube.com/@CyramNetminer

1. 
㈜사이람은 소셜네트워크분석전문
데이터사이언스기업입니다.
소셜네트워크분석(SNA)의확장과NetMiner진화방향
2025. 9. 30.

2. 내용
•SNA의최근트렌드및확장
•SNA의최신방법론
•연구사례
•NetMiner의진화방향

3. 2

소셜네트워크이론의10가지핵심아이디어
사회연결망이론은은유적인표현에서벗어나구체적인개념과이론으로발전함
SNA는단순한방법론의집합이아니라풍부한이론적기반을갖춘학문
‘이중적내재성(double embeddedness)’:연결망이사회제도체계내에내재되어있고, 이사회제도는다시사회연결망체계
내에내재되어있어연결망과제도사이에지속적인피드백메커니즘을 만들어낸다는 관점
사회네트워크의 10가지핵심아이디어(building blocks)는개별적인개념들의나열이아니라, 사회적삶을이해하기위한다층적
이고일관된모델을형성
미시적수준의동기와상호작용에서부터 거시적수준의구조창발, 최종적으로 확산과사회적자본이라는 핵심적인결과에이르는인과적서사구성
“개인의'동기’(5)가특정유형의'상호작용'(1)을형성하도록 이끌고, 이러한상호작용은 ‘동종선호’(3)에의해패턴화되고,'삼자관계
'(4) 구조를형성한다. 시간이지남에따라이는특정구조('좁은세상’(8), '조직’(7))를가진네트워크를 만들어낸다. 이구조내에서
개인의'위치'(6)가결정되며, 이특정한위치는그에게정보, 영향력, 신뢰와같은특정자원에대한접근성을부여한다. 이접근성이
바로그의‘사회적자본’(10)이된다.”
구분 핵심아이디어 핵심개념
사회네트워크의
기본요소
1. 상호작용과 관계성 관계는개인의속성보다우선하는기본분석단위
2. 소시오그램 네트워크구조를드러내기위한시각적지도(분석과정의 일부)
3. 동종선호 유사성은연결을낳는다(‘유유상종’, 역동적자기강화기제)
네트워크구조의
미시동학
4. 삼자관계 3인집단은사회시스템의기본구성분자(균형, 이행성, 군집성)
5. 동기 심리적욕구(안전, 유능성등)가네트워크형성을추동
위치, 권력, 흐름
6. 네트워크내위치 행위자의위치가그의영향력과자원접근성을결정(불평등)
7. 조직내권위 공식적위계와비공식적‘그림자’ 네트워크간의긴장
8. 좁은세상 짧은경로길이와높은군집성을특징으로함
9. 확산 네트워크연결을통한정보, 혁신, 질병등의전파
연결의궁극적
보상
10. 사회적자본 관계속에내재되어접근가능한자원(신뢰, 영향력등).
Kadushin, C. (2012).Understanding
social networks: Theories, concepts, and
findings. Oxford university press.

4. SNA의최근트렌드및확장

5. 4

SNA 연구동향
1970년대에본격적으로 시작된이래, 사회연결망분야에서발표된연구의양은기하급수적으로 증가
Social Networks에발표된논문을최소하나이상인용한Web of Science에색인된거의40,000개의논문에대한메
타데이터를 (2022년1월기준) 수집
그컬렉션내에서초록에'network'가나타나는논문을SNA
출판물로분류
(위) Social Networks 논문을인용한출판물, 초록텍스트
에"network"를포함하는하위집합
(아래) 누적출판물수
수직선: 2011년(Sage Handbook of SNA 1e출판)
2023년초현재, 연간약2,500개의새로운SNA 논문출판
(실제로는더높을가능성있음)
발표된연구의양이나다양한주제영역으로의 SNA의확
장모두둔화될기미를보이지않음
SNA는‘진화하는구조적패러다임’
사회과학패러다임={이론+ 방법론+경험적연구}
SNA는이제더일반적인‘네트워크과학(network
science)’의한하위분야로간주됨
2021년인디애나대학교에서 INSNA Sunbelt 컨퍼런스를
NetSci와공동개최
2013년사회과학및자연과학분야의편집자들이 함께학제
간저널인Network Science창간
McLevey, J., Carrington, P. J., & Scott, J. (2023). The Sage handbook of social network analysis.

6. 5

SNA 연구동향
1978~2023년까지Social Networks학술지에실린모든출판물의잠재적주제구조를분석하기위해학술지논문과그
제목및초록에포함된단어들의이분(bipartite) 네트워크에 계층적베이즈확률적블록모델(Hierarchical Bayesian
SBM)을적합
(오른쪽)잠재적주제로군집화된단어노드들,(왼쪽)주제혼합에따라군집화된문서노드들
McLevey, J., Carrington, P. J., & Scott, J. (2023). The Sage handbook of social network analysis.

7. 6

SNA 연구동향
• 표본추출, 편향, 결측데이터
•중심성
•블록모델, 균형, 부호그래프
•커뮤니티 탐지, 군집화
•통계모델, 추정, 베이즈
•기업, 이사겸임
•개입, 직장네트워크
•우정
•사회적자본과불평등
•교환, 게임이론
•사회적자본, 직장, 직업
•청소년네트워크
•개인네트워크와 사회적지지
•부정적관계, 균형, 강한/약한관계
•사회적자본, 지지, 네트워크 다양성
•설문데이터품질, 신뢰도및타당도
•범죄, 마약, 글로벌네트워크
•우정과외로움, 사회적지지
•조직, 팀, 갱단
•군집화, 삼자관계 , 전이성, 좁은세상
•디지털네트워크 , 온라인데이터
•게임이론, 신뢰, 전략, 협력
•노동, 비즈니스 , 노동, 불평등, 도시-농촌
•성과젠더, 인종과민족
•균형, 부정적관계, 부호그래프
•조직, 팀, 협력
• 게임이론, 신뢰, 전략, 협력
•업무, 비즈니스 , 노동자, 불평등, 도시, 지방
•성과젠더, 인종, 민족
•균형, 부정적 관계, 부호그래프
•조직, 팀, 협업
•범죄, 마약, 글로벌네트워크
•청소년네트워크, 우정, 학교
•데이터수집
•연구설계와윤리, SNA 접근법
•유사성, 차이/동질성, 이질성
• 사회조사, 이름생성문항, 개인네트워크
•통계모델링(특히ERGM), 베이즈추론
•네트워크 군집화, 행렬, 차원축소
•과학, 기술, 건강
• 공동체, 확산, 개입
•종단적동적네트워크, SAOM, 선택과영향, REM
•표본추출 , 개인네트워크
•등위성, 블록모델, 위치분석
•하위집단 , 매개성, 정보, 다층
<문서집합> <단어집합(토픽)>

8. 7

SNA 연구동향
잠재주제해석을위해연관된단어들의전체목록, 해당주제를두드러지게 다루는논문의제목과초록, 그리고해당주제
를두드러지게 다루는문서군집에속한문서들의제목과초록을읽어각주제에일반적인레이블을할당
모든Social Networks출판물에대한주제분포를계산한후, 시간경과에따른변화를살펴보기위해매년결과를집계
하여시간에따라각주제의가중치비교
※ 2022년기준, 가중치가큰토픽표시
McLevey, J., Carrington, P. J., & Scott, J. (2023). The Sage handbook of social network analysis.

9. 8

SNA 연구동향
PART 3 CONCEPTS AND METHODS
Centrality
StructuralCohesionand CohesiveGroups
MultimodalSocialNetwork Analysis
Blockmodeling, Positionsand Roles
InferentialNetwork ClusteringwithHierarchicalBayesianStochasticBlockmodels
PersonalNetworks and EgocentricAnalysis
MultilevelNetwork Analysis
ExponentialRandomGraphModels
Network Dynamics
RelationalEventModels
LatentPositionNetwork Models
NegativeTiesand SignedNetworks
Qualitativeand MixedMethods
SpatialAnalysisof SocialNetworks
SocialNetwork Data Collection: Principlesand Modalities
MissingNetwork Data
McLevey, J., Carrington, P. J., & Scott, J. (2023).
The Sage handbook of social network analysis.

10. 9

SNA 연구동향
PART 3 CONCEPTS AND METHODS
SocialNetwork Data Collection: Principlesand Modalities
MissingNetwork Data
Centrality
StructuralCohesionand CohesiveGroups
Blockmodeling, Positionsand Roles
PersonalNetworks and EgocentricAnalysis
NegativeTiesand SignedNetworks
MultimodalSocialNetwork Analysis
MultilevelNetwork Analysis
Network Dynamics
SpatialAnalysisof SocialNetworks
Qualitativeand MixedMethods
ExponentialRandomGraphModels
InferentialNetwork ClusteringwithHierarchicalBayesianStochasticBlockmodels
RelationalEventModels
LatentPositionNetwork Models
전통적방법론
네트워크표현의확장
모델기반통계적추론

11. 10

SNA 확장의두가지방향성
‘구조분석의 의미적확장’: 네트워크의 구조적분석에의미, 맥락, 복잡성을더하여표현력을풍부하게하려는경향
배경
설명력의한계보완: 동일한연결구조라도관계의성격(협력/갈등), 콘텐츠특성, 규범·문화에따라결과가달라져, 구조만으로는 “왜/어떻게”설
명곤란
비정형데이터폭증: SNS 텍스트·이미지·로그·위치·정책문서등의미정보가대량으로축적되면서, 이를그래프에결합해활용하려는 필요확대
정책·실무근거: 가짜정보대응, 감염통제, 추천·타깃팅등에서“무엇을/언제/어떻게”의맥락기반의사결정요구
기술적가능성확대: 임베딩·지식그래프·GNN 등으로의미를수치화·학습하고구조와함께모델링가능
변화방향
범주 기존 확장
분석초점 구조중심: 노드–엣지유무와패턴 의미·맥락중심: 콘텐츠, 역할, 규범, 시간·공간까지통합
데이터유형 단일관계그래프(단층, 비주석) 속성부착·다층/멀티플렉스·하이퍼그래프 (다자상호작용)
시간처리 정태적스냅샷 동적/시계열네트워크, 이벤트스트림기반모델링
공간/위치 공간정보비포함또는단순지역코드 정교한시공간그래프(좌표·이동·지속시간가중치)
의미표현 수작업범주화, 제한적태깅 의미임베딩(LDA, BERT), 멀티모달임베딩(텍스트·이미지·오디오)
지식표현 암묵적도메인지식 온톨로지·지식그래프(KG) 및KG 임베딩으로 스키마화
응용초점 구조적통찰보고(설명위주) 실행가능한개입·추천·리스크관리(운영의사결정연계)
주요한계 해석은가능하나맥락부족, 일반화한계 해석가능성과 성능의균형, 표준화·재현성·거버넌스강화과제남음

12. 11

SNA 확장의두가지방향성
‘추론과예측의중요성강조’: 네트워크현상에대한추론및예측모델링을강조하는경향
배경
과학적타당성강화: 상호의존자료에서인과·메커니즘을 통계적으로 검증하려는 요구가커지며QAP/ERGM/SAOM 등추론모델발전
미래지향적 의사결정: 운영현장에서링크형성, 확산, 수요·리스크를미리예측해자원배분·개입설계를최적화하려는 필요증가
데이터와계산의성숙: 다중시점로그와대규모그래프, MCMC·변분·딥러닝(GNN/시계열GNN)으로복잡의존성과시간동학학습·예측가능
평가·책임성요구: 예측성능지표(AUC 등), 반사실검토등엄밀한검증관행확산
변화방향
범주 기술(Description) 추론(Inference) 예측(Prediction)
기본목적 현재구조를요약·시각화 메커니즘·인과효과추정 미래상태·사건정확히맞추기
핵심질문 네트워크가 어떻게생겼는가? 왜/어떻게그구조가형성·변화했는가? 앞으로무엇이/어디서/언제일어날것인가?
시간관점 정태적스냅샷중심 과거·현재의동학파악 미래지향(실시간·시계열)
주요산출물
지표(밀도·중심성·모듈성),
시각화, 요약통계
효과크기, 신뢰구간, 가설검정,
생성규칙파라미터
확률점수·랭킹·리스크스코어,
예측경로/수요
대표방법
중심성, 커뮤니티탐지, 모티프·서브그래프,
2-모드분석
ERGM/TERGM, SAOM(SIENA), QAP 회
귀, 잠재공간/블록모형(베이지안), REM 등
링크예측, 노드/커뮤니티상태예측,
GNN(GCN/GAT/GraphSAGE),
동적GNN, 임베딩(Node2Vec) 등
데이터요구 단일시점그래프, 기본속성 구조+속성의정밀측정, 샘플설계
다중시점·로그데이터, 풍부한피처·레이블,
결과관측
검증/평가 설명적적합도, 직관적해석, 사례검토 p값·신뢰구간, 적합도(GOF), 반사실검토등 AUC/ROC, 교차검증, 백테스트등
의존성처리 암묵적인정(설명적수준)
네트워크의존성·상호작용을 모형화
(MCMC 등)
시계열·이벤트기반학습, 누적의존성학습
(GNN 시계열)
해석가능성 높음(직관적·시각화친화) 중간~높음(모수·가정해석필요) 중간~낮음(복잡모델은블랙박스경향)
실무활용 진단·현황보고·모니터링 정책설계·평가의근거(정당화)
운영의사결정
(추천·타깃팅·자원배분·리스크관리)
한계 맥락·원인설명부족, 미래대응력제한 강한가정·식별성·데이터품질에민감 과적합·드리프트·공정성·프라이버시 이슈

13. 12

SNA 확장의두가지방향성
두가지트렌드는병렬적으로 진행된것이아니라, 서로의발전을가속화하는 강력한피드백루프를형성하며수렴적으로
진화
더현실적이고 맥락이풍부한네트워크표현에대한요구는확률통계및기계학습에기반한강력한추론및예측모델링기술의부상을
촉진
풍부한데이터는더정확한추론과예측을가능하게하고, 추론과예측능력에대한수요는다시더복잡한데이터의통합을필요로함
복잡하고속성이풍부한다층적데이터가강력한추론과예측엔진을위한이상적인'연료'가되는시너지
Cui, P., Wang, X., Pei, J., & Zhu, W. (2018). A survey on
network embedding.IEEE transactions on knowledge
and data engineering,31(5), 833-852.

14. SNA의최신방법론

15. 14

SNA 최신방법론
방법론 네트워크구조 분석목적 적용분야
텍스트속성기반네트워크분석
(Text-attributed network)
노드/링크에텍스트속성이포함된
네트워크
노드/링크의텍스트콘텐츠를활용한
정교한관계탐지(예: 내용적
커뮤니티탐지)
소셜미디어, 온라인커뮤니티등
(사용자프로필+게시글네트워크)
사회-의미네트워크분석
(Socio-Semantic network)
행위자와개념을함께노드로두는
이분그래프를기본으로행위자간및
개념간프로젝션.층간연결을
포함하는다층결합구조
텍스트의미체계와사회적관계의
교차패턴을통합적으로 파악하여
담론영향력, 집단경계, 확산
메커니즘설명
정책담론과의제설정, 과학지식
진화와연구협력, 조직커뮤니케이션 ,
온라인커뮤니티와 소셜미디어 등
텍스트와관계데이터공존영역
다중모드네트워크분석
(Multi-mode network)
2종이상의노드집합으로 구성된
네트워크(예: 행위자-개념bipartite)
서로다른유형의객체간관계분석
(예: 사회적관계와개념공유의상관
구조파악)
정책·조직분야담론분석(행위자-
이슈관계등)
멀티플렉스 네트워크분석
(Multiplex network)
동일한노드집합에다중종류의링크
존재(다중관계망)
중복/복합관계의영향분석
(예: 여러관계의중첩이성과에
미치는영향)
교육, 조직내사회망(친구·협업·조언
관계)
다층네트워크분석
(Multilayer network)
여러레이어에걸쳐노드들이연결된
복합네트워크(레이어별로 다른관계)
다양한관계유형의상호작용이 전체
구조에미치는영향파악
(예: 레이어간커뮤니티변화)
혁신네트워크, 복합시스템
(예: 신뢰·지식공유·문제해결관계)
시계열네트워크분석
(Time-series network)
시간에따라변화하는일련의정적
네트워크(스냅샷또는시퀀스)
네트워크지표의시간추세분석및
변화양상파악
(예: 시간에따른중심성변화와
성과의관계)
학습자상호작용, 협업프로젝트
(기간별네트워크추적)
동적/시간적네트워크분석
(Dynamic/Temporal network)
발생순서가기록된시간누적
네트워크(연속적이벤트네트워크)
네트워크의 동적진화및정보전파
경로분석
(예: 특정시점별핵심전파자식별)
소셜미디어, 보건등
(예: 위기시정보확산네트워크)
임베딩기반네트워크분석
(Embedding-based network)
그래프임베딩/그래프신경망활용
(노드를벡터로표현)
머신러닝으로 네트워크특징학습→
링크예측, 노드분류, 커뮤니티탐지
등
소셜미디어/지식그래프/생물학등
(예: 가짜뉴스탐지, 추천시스템)

16. 15

Text-attributed Graph
https://medium.com/@EleventhHourEnthusiast/stage-simplified-text-attributed-graph-embeddings-using-pre-trained-llms-d4c163d2fe19

17. 16

Socio-semantic network
Arroyo-Machado, W., Torres-Salinas, D., & Robinson-Garcia, N. (2021). Identifying and characterizing social media communities: a socio-
semantic network approach to altmetrics.Scientometrics,126(11), 9267-9289.

18. 17

Socio-semantic network
Arroyo-Machado, W., Torres-Salinas, D., & Robinson-Garcia, N. (2021). Identifying and characterizing social media communities: a socio-
semantic network approach to altmetrics.Scientometrics,126(11), 9267-9289.

19. 18

TAG, SSNA
구분 텍스트속성그래프(Text Attributed Graph) 분석 사회의미망(Socio-semantic Network) 분석
핵심아이디어
노드·링크에텍스트속성을부여하고, 이를구조분석과함께
모델링
사회적행위자네트워크와 의미(단어·개념) 네트워크를
동시에분석
('누가(사회적연결망)' '무엇을(의미적연결망)' 이야기하는지
결합하여분석)
네트워크구성 기본적으로 하나의그래프에텍스트속성을포함
이원모드(2-mode) 또는다중모드(multimode)
네트워크로 구성(행위자-개념, 행위자-행위자, 개념-개념)
텍스트활용방식 임베딩, 유사도계산, 속성기반학습 텍스트에서 추출한개념/단어를별도의노드로만들어연결
연구초점 속성정보를그래프학습에통합하여예측·분류·추천등수행 사회적관계와공유의미구조의상호작용분석
대표기법
GNN, LLM 기반임베딩
(노드분류, 링크예측, 속성기반군집, 그래프군집화)
행위자-개념이분그래프, 공동출현분석, 개념네트워크
중심성·군집분석
활용분야
논문인용네트워크분석(노드분류: 논문주제분류, 링크
예측: 미래인용관계예측)
소셜미디어분석(커뮤니티탐지: 관심사기반그룹분류,
노드분류: 사용자성향분류)
상품추천(링크예측: 사용자의구매상품예측, 노드분류:
상품카테고리자동분류)
여론및미디어연구(담론분석등)
마케팅및소비자연구(브랜드이미지분석, 소비자커뮤니티
분석)
정치및정책연구(정책프레임/이념분석)
조직및지식경영연구(조직문화, 혁신지식확산분석)

20. 19

Multi-mode network
Multi-relational network Multi-mode network
Wu, Z., Bu, Z., Cao, J., & Zhuang, Y. (2015). Discovering communities in multi-relational networks. InUser
Community Discovery(pp. 75-95). Cham: Springer International Publishing.

21. 20

Multi-mode network
Tang, L., & Liu, H. (2010). Understanding group structures and properties in social media. InLink Mining: Models, Algorithms, and
Applications(pp. 163-185). New York, NY: Springer New York.

22. 21

Multiplex network
Goldblum, B. L., Reddie, A. W., Hickey, T. C., Bevins, J. E., Laderman, S.,
Mahowald, N., ... & Mubarak, Y. (2019). The nuclear network: multiplex
network analysis for interconnected systems.Applied Network Science,4(1),
1-17.
Shvydun, S. (2018). Influence assessment in multiplex networks
using social choice rules.Procedia computer science,139, 182-
189.

23. 22

Multilayer network
network of web pages in Wikipedia European airline network
Wu, M., He, S., Zhang, Y., Chen, J., Sun, Y., Liu, Y. Y., ... & Poor, H. V. (2019). A tensor-based framework for studying
eigenvector multicentrality in multilayer networks.Proceedings of the National Academy of Sciences,116(31), 15407-15413.

24. 23

Multilayer network
https://www.cg.tuwien.ac.at/research/publications/2022/lippeck-2022-mna/

25. 24

Multi-mode/Multiplex/Multilayer Network
구분 다중모드네트워크(Multi-mode Network)멀티플렉스 네트워크(Multiplex Network)다층네트워크(Multilayer Network)
개념
서로다른종류(Type)의노드들이하나의
네트워크안에서연결된구조
동일한노드집합이서로다른종류의
관계로여러겹(Layer)에걸쳐연결된구조
여러네트워크(Layer)의집합으로, 가장
일반적이고 포괄적인프레임워크
노드
2개이상의서로다른종류의노드집합으로
구성됨(Heterogeneous)
모든레이어에걸쳐완전히동일한노드
집합을가짐(Homogeneous)
각레이어의노드집합이동일할수도있고,
다를수도있음
링크
서로다른종류의노드간의관계를나타냄
(예: 저자-논문)
동일한종류의관계(레이어)내에서노드를
연결하며, 레이어마다 관계의종류가다름
레이어내부의관계(Intra-layer)와레이어
간의관계(Inter-layer)모두표현가능
사례
배우-영화-장르네트워크
(배우,영화, 장르세종류의노드가'출연’,
‘연관’ 관계로연결됨)
직장동료관계망
1층: 업무협력관계
2층: 친구관계
3층: 점심식사파트너관계
(모든층의노드는‘동료’로동일)
도시교통시스템
1층: 지하철노선도
2층: 버스노선도
3층: 도로망
(환승역처럼 층간을잇는연결이존재)
주요분석질문
• 어떤배우가가장다양한장르의영화에
출연했는가?
• 어떤논문이여러분야의저자들을
연결하는가?
• 업무상협력하는동료는사적으로도 친한
경향이있는가?
• 어떤관계(업무/친분)가정보확산에더큰
영향을미치는가?
• 지하철파업시가장효율적인대체경로는
무엇인가?
• 온라인정보(트위터)가오프라인
행동(시위)으로어떻게연결되는가?
구조적특징
단일네트워크내에이질적인노드가존재.
(Bipartite, k-partite 그래프)
여러개의레이어로구성되며, 각레이어는
동일한노드를공유
가장유연한구조. 레이어마다 노드와
엣지가다를수있고, 시간적변화등다양한
차원표현가능
소프트웨어 R: statnet(ergm등), RSiena R: multinet R: multinet

26. 25

Time-series network
Lacasa, L., Nicosia, V., & Latora, V. (2015). Network structure of multivariate time
series.Scientific reports,5(1), 15508.

27. 26

Temporalnetwork / Dynamic network
https://teneto.readthedocs.io/en/latest/what_is_tnt.html

28. 27

Temporalnetwork / Dynamic network
Gao, X., Zheng, Q., Vega-Oliveros, D. A., Anghinoni, L., & Zhao, L. (2020). Temporal network pattern identification by community
modelling.Scientific Reports,10(1), 240.

29. 28

Dynamic / Time-series / Temporal Network
“Dynamic network”와“Temporal network”는연관된개념이지만 문맥에따라의미가구분되거나 겹칠수있음
시간정보의정밀한표현과이벤트/스냅샷기반분석을강조하면Temporal network, 변화하는구조전반을폭넓게지칭하면
Dynamic network라는용어선택이적절
구분 동적(Dynamic network) 시계열(Time-series network) 시간(Temporal network)
핵심정의
관계가시간에따라생성·소멸·변경되는네트
워크(과정과메커니즘에 초점)
시계열로관측된네트워크(이산시점의네트
워크시퀀스에초점)
시간정보(타임스탬프·지속시간)가부착된네
트워크(에지/노드에시간속성이포함)
데이터표현
연속시간또는아주잦은이벤트로그(형성/
해체이벤트, 타임스탬프)
t=1,2,...의스냅샷행렬/리스트(Y_t), 패널
형태
노드·에지에시작/종료시각, 타임스탬프, 간
격등메타데이터 포함
분석초점
변화메커니즘(형성·해체규칙), 행위자의사
결정, 전이율·관성
시점간변동, 추세·주기, 라그의존성, 구조
통계의시간변화
시간제약·순서·지속시간이 네트워크구조·확
산에미치는영향
전형적모델/방법
SAOM(RSiena), Relational Event Model
s(REM), Hawkes 기반네트워크과정,
STERGM
TERGM/bTERGM, VAR/STATE-SPACE
로구조통계시계열, Dynamic SBM
Temporal ERGM(시간속성포함),
Interval graphs, Event graphs,
Temporal motifs
시간처리방식
연속시간(마르코프점프/이벤트중심), 미세
변화시뮬레이션
이산시점(패널), 라그/관성으로시점간의
존성모델링
이벤트타임스탬프·지속시간을 직접활용(순
서·동시성·가시성제약)
장점
미시적변화와규칙을정교하게포착, 선택/
영향메커니즘해석용이
패널데이터에친화적, 비교·추세분석과가
설검정용이
실제시간구조(동시성·지연·지속)를반영한
정밀분석가능
한계/주의
시뮬레이션·추정비용큼, 기회집합·규칙가
정민감
관측간격에따라정보손실, 라그지정·모형
복잡도민감
고해상도시간데이터필요, 모델·자료구조
가복잡해해석난이
소프트웨어
R: RSiena, relevent/REM, eventnet,
distnet; Python: tick(Hawkes)
R: statnettergm/STERGM, btergm,
mtergm; Python: networkts(커뮤니티),
graph-tool 스냅샷분석
R: eventnet, temporalMotifs, ndtv(vis),
networkDynamic;
Python: pathpy, tnetwork
전형적사례
청소년우정망의선택/영향동학, 협업의형
성·해체규칙, 소셜상호작용이벤트흐름
국회공동발의망의 회기별변화, 기업제휴망
의분기별형성/해체, 커뮤니티관계추세
접촉망에서 감염확산의시간제약분석, 이
동네트워크의 경로시간의존성, 시간모티프
탐지

30. 29

Embedding-based network
Cui, P., Wang, X., Pei, J., & Zhu, W. (2018). A survey on network embedding.IEEE transactions on knowledge and data
engineering,31(5), 833-852.

31. 30

Embedding-based network
Amara, A., Taieb, M. A. H., & Aouicha, M. B. (2021). Network representation learning systematic review: Ancestors and current development
state.Machine Learning with Applications,6, 100130.

32. 31

Network Embedding approaches
구분 Random-walk 기반접근 Matrix-factorization 기반접근 Deep learning 기반접근
대표기법 DeepWalk, node2vec, Walklets
LINE, HOPE, GraRep,
NetMF/NetSMF
GCN, GraphSAGE, GAT, GIN, DGI,
Graph Autoencoder
핵심아이디어
그래프에서 랜덤워크로노드시퀀스를샘
플링하고, 단어임베딩(예: Skip-gram)으
로코액커런스 구조를학습
인접/라플라시안/전달확률행렬등에서고
차이웃관계를근사하며저차원으로 분해
메시지패싱으로이웃정보를집계·변환하
여과업(분류·링크예측등)과함께엔드투
엔드학습
입력/데이터
그래프구조(정적), 랜덤워크파라미터(p,
q, 길이, 개수)
그래프구조와선택한행렬(Adjs, PPMI,
Katz 등), 분해차원
그래프+ 노드/엣지특성(선택적), 레이블
(감독시), 배치/미니배치설정
학습방식
자기지도(컨텍스트예측), 네거티브샘플링
사용
행렬분해(SVD/NMF/특이값근사), 또는
닫힌형근사(NetMF)
지도/자기지도/비지도모두가능, 백프로퍼
게이션으로 파라미터최적화
구조포착
지역적동시등장, k-스텝이웃맥락,
탐색편향(node2vec의p/q)
스펙트럴/고차경로(예: Katz, PPR),
글로벌구조반영용이
다층집계로비선형특성·속성결합,
주의(attention)로가중집계
확장성/속도
샘플링·Skip-gram은대규모에서도
효율적
행렬구성/분해가비용높을수있으나
NetMF/NetSMF로확장성개선
대규모는미니배치·샘플링(GraphSAGE)
필요, 연산·메모리부담큼
하이퍼파라미터 민감도 워크길이/수, 윈도우, 임베딩차원, p/q
분해차원, 선택행렬·해(예: Katz 계수), 정
규화
레이어수, 히든차원, 드롭아웃, 학습률,
샘플링폭등다수
지도/비지도 불필요(자기지도) 불필요(비지도) 선택적(지도/자기지도/비지도모두가능)
해석가능성
중간
(랜덤워크맥락과유사성)
비교적높음
(행렬·스펙트럼기반해석가능)
낮음~중간
(모델복잡, Attention 사용시일부향상)
장점
간단·빠름, 대규모그래프에우호적,
구현용이
글로벌구조반영,
이론적근거(스펙트럴/커널)로해석용이
속성·레이블활용, 과업성능우수,
비선형표현력높음
한계
글로벌구조반영제한, 파라미터튜닝민감,
컨텍스트품질에의존
행렬구축·분해비용,
선택행렬에따른성능편차
계산·메모리비용큼,
과적합·오버스무딩, 구현복잡
전형적사용사례
소셜/팔로우그래프의추천, 커뮤니티검색,
대규모링크예측전처리
학술/인용망의글로벌관계포착,
지식그래프의구조임베딩
노드분류, 링크예측(속성+구조결합),
반지도학습, 설명가능한주의기반모델

33. 32

[참고] SNA vs.DNAvs.NNA
구분 사회네트워크분석(Social NA) 담론네트워크분석(Discourse NA) 서사네트워크분석(Narrative NA)
분석단위 행위자(개인, 조직)와그들간관계
행위자, 개념(신념/주장),
행위자와개념간긍/부정관계
서사텍스트내등장인물, 사건, 개념간
관계
핵심질문
누가누구와연결되어있는가?
누가중심적인가?
어떤행위자들이 어떤신념을공유하며
연합을형성하는가?
어떤개념이담론의핵심인가?
이야기의구조는어떻게되어있는가?
어떤인물이나사건이이야기의중심인가?
주요데이터
설문, 인터뷰, 관찰, 아카이브를 통한관계
데이터
정책문서, 언론기사, 의회회의록등
텍스트에서 추출한'행위자-개념-입장'
문학작품, 역사기록, 자서전등서사
텍스트
정책연구활용
정책참여자네트워크분석
거버넌스구조분석
협력네트워크분석
정책옹호연합식별
정책프레임경쟁분석
담론의동태적변화추적
정책이념의서사적구조분석
특정정책결정과정의인과관계서사
재구성
강점 관계의구조적패턴과핵심행위자식별
'신념'과'의미'를중심으로한연합과갈등
구조가시화
텍스트서사의내재적논리,구조,흐름
파악
한계 관계의내용이나의미파악곤란
텍스트데이터코딩과정에주관성개입
가능성
대규모데이터처리곤란
정책행위자와의 연결보다텍스트자체
분석에치중하는경향

34. 연구사례

35. 34

Discourse Network Analysis 사례
논문: Völker, T., & Saldivia Gonzatti, D. (2024). Discourse networks of the far right: How far-right actors
become mainstream in public debates.Political Communication,41(3), 353-372.
배경: 유럽에서극우세력은이슬람, 이민, 민족주의같은문화적쟁점에서‘이슈오너(issue owner)’로자리잡아왔는
데, 이들은사회적·정치적갈등속에서언론의주목을통해담론적영향력을확대하며점차주류화(mainstreaming)되
었음. 극우담론네트워크가 장기적으로 어떻게진화했고, 어떤경로로주류공론장에편입되었는지 연구필요
연구문제
극우행위자와쟁점이어떻게공적담론을구조화하며 시간이지남에따라주류로자리잡는가?
담론네트워크관점에서극우의가시성과연결성이어떻게변화했는가?
특히, 2015년난민위기(refugee crisis)와같은사회적사건이극우담론네트워크에 어떤전환점을제공했는가?
데이터
기간: 1994–2021년, 독일을사례로분석
출처: 성향이다른6개주요신문(SüddeutscheZeitung, taz, Die Welt, Junge Freiheit, Stuttgarter Zeitung, Sächsische
Zeitung)
자료규모: 약52만건의기사, 93만여개문맥단위문장그룹(sentence groups)
행위자식별: 독일연방헌법보호청 보고서와NER(개체명인식)을결합해557개행위자(정당, 사회단체, 테러조직, 대안매체등)추출
방법론
자동화된텍스트분석+ 담론네트워크분석(DNA) 결합
토픽식별: 구조적토픽모델(Structural Topic Model, K=42)로인종주의, 이슬람, 이주, 난민, 안보, 유럽, 민족주의등최종11개하
위이슈(토픽)도출(최종11개)
※ STM: 일반토픽모델의토픽추정에더해, 문서수준의공변량(예: 작성자성별, 연도, 매체, 지역, 정당성향등)이토픽의‘출현
(Prevalence)’과‘표현(Content)’에어떤영향을미치는지함께추정
네트워크구성:
행위자네트워크: 기사내공동등장(co-occurrence), 문맥단위에서함께언급된횟수(빈도가중치)
이슈네트워크: 행위자간이슈유사성(Manhattan distance) 관계(언론이행위자를유사한이슈맥락에서엮은관계), media으로cut-off
지표: 밀도(density), 집중도(centralization) 측정으로네트워크구조적변화파악

36. 35

Discourse Network Analysis 사례
주요결과및발견
가시성증가
극우행위자언급비중: 1990년대약0.7% → 2015–2019년6.6%
특히‘AfD(독일을위한대안)’의등장과난민위기이후급증
행위자네트워크변화
1990년대~2000년대초: 소수정당(NPD, DVU) 중심의밀집된소규모
네트워크
2010년대이후: PEGIDA, AfD, NSU(테러조직) 등새로운행위자가편
입되며네트워크규모와다양성확대
2015년이후AfD가담론네트워크의 핵심허브로부상
이슈네트워크변화
초기: 인종주의, 극우폭력중심의제한된쟁점
이후: 이주, 난민, 유럽, 안보등쟁점다변화
AfD는다른극우조직(NPD 등)과는약하게연결되었으나 , 제도권접근
을통해다양한정책적쟁점을매개
네트워크지표
행위자네트워크: 밀도·집중도모두상승→ 극우가점차응집적으로 변
화하며,주류적이미지로인식
이슈네트워크: 점차이질적(heterogeneous)·덜응집적→ 다양한쟁점
소유를통해영향력확대
전반적으로 인종주의와 이민이가장많이언급됨
AfD와COMPACT(대안언론)는주로이민문제와함께언급됨→ 제도권
진입및정책적담론과연계됨
PEGIDA, NPD, NSU 같은전통적극우단체는인종주의적 맥락에서더
강하게연결됨
AfD와같은신흥주류극우는정책의제(이민)에, 기존극우는배타적
정체성의제(인종주의)에묶여있음
시사점
학문적기여: 장기적(시기적)담론네트워크분석을통해극우의주류화과정을점진적·관계적(relational) 현상으로규명
정치적함의:
언론은극우행위자를직접인터뷰하지 않더라도보도자체를통해담론적가시성과정당성을제공
AfD의제도권진입은극우전체의담론네트워크를 재편하며주류화에결정적역할
사회적의미: 극우담론주류화는단순히극우내부동학이아니라, 대중담론과언론매개구조에의해촉진됨
향후연구제안: 젠더, 기후변화등새롭게결집할수있는이슈를분석해담론네트워크확장을추적할필요

37. 36

Discourse Network Analysis 사례
2000년이후일정기간별극우행위자간네트워크를 시각화한그림
(노드:행위자, 링크: 언론보도에서함께언급된관계)
해석:
-2000–2004: 소수정당(NPD, DVU) 중심의작은네트워크.
-2005–2009: 연결이다소확장됨
-2010–2014: NSU(테러조직), PEGIDA, AfD등장. NPD는
여전히중심적위치
-2015 이후: AfD가중심으로부상, PEGIDA와NPD와강하게
연결되며가장영향력있는허브역할수행. 네트워크가 크고밀도가
높아짐
네트워크집중도(centralization)와밀도(density)의시간에따른변화
해석:
-행위자네트워크: 2010년대후반부터중앙집중도와 밀도가뚜렷하게
증가→ AfD중심의네트워크구조
-이슈네트워크: 2000년대후반까지는 상대적으로 균질했지만, 2010년
이후는더다양한이슈로분화되며밀도는감소→ 주류담론에서극우가
다루는이슈의폭이넓어짐
-AfD를제외하면네트워크집중도는낮아짐→ AfD가결정적으로 주류
담론을재편한요인임을입증

38. 37

Multilayer Network Analysis 사례
논문: Terhorst, A., Elsum, I., & McGrath, M. (2025). Multilayer network analysis of open innovation
partnerships.Journal of Open Innovation: Technology, Market, and Complexity,11(1), 100496.
배경:
성공적오픈이노베이션(OI) 파트너십에는 신뢰(trust)와지식공유(knowledge-sharing)가핵심적역할을함
기존연구는신뢰나지식공유중한가지차원만분석하는경우가많아, 다층적관계의상호작용을 충분히포착하지못했음
OI 협력관계를 multilayer network analysis로분석하여, 관계유형이어떻게협력의구조와성과를형성하는지 탐구할필요
연구문제
“다층적관계(layered interactions)가OI 파트너십의 구조와역동성에어떤영향을주는가?”
특히, 신뢰(affect-based & cognition-based trust)와지식공유(tacit & explicit knowledge)가어떻게상호작용하여 핵심(core)
과주변(periphery) 공동체를형성하는지 규명하고자 함.
데이터
사례연구대상: 농식품분야의3개OI 파트너십
콜드체인혁신(채소신선도연장, inbound OI, 18명참여)
목장시스템혁신(로봇착유기술, coupled OI, 25명참여)
연구혁신(IoT 활용꿀벌모니터링, outbound OI, 40명참여)
데이터수집: 온라인설문조사(응답률89–100%), name-generator와name-interpreter 질문으로8개의관계층구축
Tacit knowledge provider (암묵지(노하우, 경험)를공유하는관계) / Explicit knowledge provider (문서화된지식(보고서, 데이터)을제공
하는관계) / Idea contributor (아이디어제안자와연결) / Ideas realisedwith (실제로아이디어를 실행한협력관계) / Affect-based trust
(감정기반신뢰(개인적신뢰, 관계적친밀감)) / Cognition-based trust (인지기반신뢰(역량·전문성에대한신뢰)) / Worked previously
with (과거함께일한경험) / Report to (공식적보고관계(위계적관계, 방향성존재))
방법론
네트워크전처리: R의multinet 패키지를사용해multilayer 구조구성및분석
층별중첩분석: Jaccard 계수로layer 간관계유사도계산
커뮤니티탐지: 확장clique-percolation 알고리즘적용(k=4, m=4) → 다층적중첩공동체식별
코어-주변분류: 커뮤니티규모와참여층수를기준으로75퍼센타일이상을core, 그이하를periphery로분류
보충데이터: 중심성과주변성기준으로선정된참가자들과 후속인터뷰실시

39. 38

Multilayer Network Analysis 사례
주요결과및발견
Partnership 1 (콜드체인, 초기단계):
지식교환이관리자의게이트키핑에 의해제한→ 개방성부족.
신뢰는형성중이며, tacit knowledge 공유는제한적.
Partnership 2 (목장시스템, 성숙단계):
신뢰와상호존중이높아, tacit knowledge 교환이활발.
코어커뮤니티가 다층적으로 연결되어있으며, 명확한핵심–주변구도가드
러남.
Partnership 3 (꿀벌IoT, 초기단계):
파트너간갈등, 분절적구조, 지리적거리와언어장벽→ 네트워크단절심
함.
중앙허브-스포크모델로운영되며, 신뢰기반상호작용부족.
공통발견:
Affect-based & cognition-based trust가코어공동체형성의핵심층
Tacit knowledge는성숙한파트너십(Partnership 2)에서중요한역할
Periphery는탐색적이고 거래적인역할수행, 지식다양성기여
시사점
이론적기여:
multilayer network 분석을통해OI 파트너십의 복잡한관계구조를정밀
하게탐구.
신뢰와암묵지교환이코어-주변역학을형성하는핵심메커니즘임을 규명.
실천적함의:
초기단계에서는 swift trust를촉진할제도적장치(명확한역할, 투명한커
뮤니케이션)가필요.
성숙단계에서는 자율성과상호존중을보장하는거버넌스구조가중요.
코어-주변균형: 코어는안정성과심층협력, 주변은다양성과탐색을담당
→ 두층을연결하는메커니즘설계필요

40. 39

Multilayer Network Analysis 사례
방법론상세설명: Multilayer 네트워크분석절차(R 패키지multinet)
Step 1. 데이터수집
설문조사(name-generator, name-interpreter) → 8개레이어관계데이터확보
Step 2. multilayer 네트워크구축
동일한노드집합(참여자들)을기반으로8개의레이어를가진multilayer 네트워크
생성
각엣지에레이어속성유지
Step 3. 층간중첩분석(Layer overlap)
방법: Jaccard 계수계산
목적: 어떤레이어들이 밀접하게연관되어있는지확인
예: affect-based trust cognition-based trust 층이높은중첩
Step 4. 중첩커뮤니티탐지(Overlapping communities)
알고리즘: Clique Percolation Method (CPM)의멀티레이어 확장
파라미터: k=4, m=4 (k개의노드가있고, 그들사이에최소m개의서로다른레이
어엣지를포함하는클리크)
Percolation 조건: 두개의k-클리크가(k–1)개노드를공유하면같은커뮤니티에 속
함
목적: 다층적으로 형성된공동체탐지, 노드들이여러레이어에걸쳐중첩될수있음
Step 5. 코어–주변구조분석(Core–periphery partition)
기준: 커뮤니티의 규모/ 참여레이어수평균
각커뮤니티??????에대해Layer participation(평균): 커뮤니티구성원각각이커뮤니티
내부에서어느레이어들에서 관계가있는지를세고(고유레이어수), 이를구성원평
균으로계산
Size: 커뮤니티의 고유노드수(참여자수)
규칙: 두기준값이모두75 퍼센타일이상→ Core, 나머지→ Periphery
Step 6. 시각화및사례비교

41. 40

Time-series Network을이용한통계적추론분석사례
논문: Brouwer, J., & de Matos Fernandes, C. A. (2023). Using stochastic actor-oriented models to explain
collaboration intentionality as a prerequisite for peer feedback and learning in networks. In The power of
peer learning: Fostering students’ learning processes and outcomes (pp. 103-120). Cham: Springer
International Publishing.
배경
학생중심학습환경에서는 또래(peer)와의상호작용과 피드백이깊이있는학습을촉진하는중요한과정임
학생들이피드백관계를형성하는데는‘협력의도’(collaboration intentionality, CI)이라는개인적성향이중요할것으로예상
네트워크에서 유사한학생끼리연결되는동질성(homophily)과관계를통해서로영향을주는사회적영향메커니즘구분필요
연구문제
“학생들이피드백을요청할때협력의도가비슷한학생을선택(selection) 하는가?”
“피드백관계를통해서로의협력의도가유사해지도록 영향(influence)을주는가?”
데이터
연구대상: 네덜란드의 한대학교1학년사회학과학생95명
데이터수집: 1년동안두시점(t1, t2)에서설문조사
피드백네트워크: 학업적도움/조언을요청할동료를자유롭게지목
협력의도(CI): 다른학생들을얼마나협력적이라고 인식하는지 기반으로측정(0–16 범위)
개인속성: 성별, Big Five 성격특성(외향성, 친화성, 개방성, 성실성, 신경성)
방법론
Stochastic Actor-Oriented Models (SAOMs)적용(도구: R의Rsiena패키지사용)
개념: 네트워크변화와개인특성변화를동시에모델링
모델구성:
선택(Selection)모델: 어떤요인이피드백관계형성에영향을주는가? (상호성, 전이성, 우정, 동질성(CI·성별·성격))
영향(Influence) 모델: 피드백관계가협력의도(CI)에영향을주는가? (사회적영향(피드백파트너CI 평균에동조), 개인속성효과)

42. 41

Time-series Network을이용한통계적추론분석사례
주요결과및발견
선택효과
학생들은비슷한협력의도(CI)를가진동료를피드백대상으로더많이선택함(동질성효과)
성별도중요: 같은성별학생끼리피드백관계형성가능성이높음
우정과개방성(openness) 또한피드백선택의중요한요인
영향효과
피드백관계를맺은학생들은시간이지나며서로의협력의도(CI)가닮아감(사회적영향확인)
다만전반적으로 CI 평균은시간이지나며다소감소하는경향(선형감소효과)
외향성높은학생은오히려협력의도가낮아지는경향을보임
시사점
실천적의미:
학생들이피드백을통해배우는과정은유사한협력성향의동료선택과관계속에서의상호영향에의해강화됨
따라서교육설계자는단순히네트워크구조를제공하는것뿐아니라, 협력의도자체를촉진하는환경을만들어야함
이론적기여:
SAOM을통해선택(selection)과영향(influence)을명확히구분하여피드백네트워크의 형성과변화를설명할수있음을입증
동질성메커니즘과 사회적영향메커니즘이 동시에작동하여학생들의학습태도와협력성향을형성함을보여줌
[ SAOM 모형구조]
1. Selection model (선택효과):누가누구와연결될지를 설명.
(예: 상호성(reciprocity), 전이성(transitivity), 동질성(homophily), 속성효과
(성별, 성격등))
2. Influence model (영향효과):네트워크연결이행위자의속성(의견, 태도, 행동)
에어떤영향을주는지설명
(예: 연결된친구들의평균의견에맞춰개인의견이변화)

43. 42

Time-series Network을이용한통계적추론분석사례
(위) 빨간색노드:남성, 검은색노드:여성(흰색:결측치)
(아래)노드색:CI 점수(검정색:최고점수16, 흰색: 최저점수인0)
구분 효과 추정치(β) 해석
Selection
(누구를피드백
대상으로
선택하는가)
상호성(reciprocity)양(+)
서로피드백요청을
주고받는경향있음
전이성(transitivity)양(+)
“내친구의친구”와도
연결되는삼각형구조
강화
우정효과(friendship)양(+)
친구관계가피드백관계
형성에긍정적영향
성별동질성 양(+)
같은성별학생끼리더
자주피드백선택
협력의도(CI) 동질성 양(+)
협력의도가비슷할수록
서로피드백관계맺음
개방성(openness) 양(+)
개방성이높은
학생일수록 피드백을
주고받을가능성큼
Influence
(피드백관계가
CI 변화에
미치는가)
사회적영향(social
influence)
양(+)
연결된학생들사이에서
협력의도가닮아감
선형감소효과 음(–)
전체적으로 CI 수준은
시간이지남에따라소폭
감소
외향성(extraversion)음(–)
외향성이높은학생은
오히려협력의도가
낮아지는경향

44. 43

Time-series Network을이용한통계적추론분석사례
SAOM은SNA에서네트워크의 동적변화와행위자의속성변화를동시에설명하기위한통계모델
네트워크는 행위자(actor)들의선택(choice)와행동(action)의누적결과라는전제
개별행위자가관계를맺거나끊고, 속성이변하는과정을확률적으로 모델링
행위자단위(actor-oriented)
-네트워크변화는"전체구조가한번에변한다"가아니라,
"한행위자가한번에한개의관계를바꾸는작은결정"들의
연속으로발생한다고 가정.
확률적(stochastic)
-어떤관계를바꿀지는확률적으로 결정되며, 그확률은
모델에포함된효과(effects)에의해좌우됨.

45. NetMiner의진화방향
- SNA의확장& AI

46. 45

NetMiner5 (2025. 6. 출시)
Visualization
통합데이터분석을위한올인원플랫폼
AI 기반인사이트

47. 46

NetMiner5 작업환경(UI)
현대적이용자인터페이스

48. 47

특징: 고급분석과시각화
관계로예측하고, 시각적으로 표현
NetMiner5는중심성, 커뮤니티, 지표분석등네트워크분
석과함께GraphSAGE, GCN, GAT 등GNN 알고리즘을 지
원. 노드특성과관계정보를함께학습해더정밀한예측과
추론가능
네트워크레이아웃알고리즘을 활용하여네트워크를 효과적으
로시각화할수있으며,노드와링크에대한세밀한스타일링
옵션제공.특히,분석결과를시각화에직접반영하여직관적
으로결과이해

49. 48

특징: No-code 비정형텍스트분석
비정형텍스트에서 핵심주제와관계를추출
토픽추출및라벨링
코딩없는텍스트분석
클릭몇번으로NetMiner5에내장
된NLP(자연어처리)를통해단어를
추출(사용자사전정의가능)
핵심의미와주제파악
텍스트네트워크와 토픽모델링으로
방대한텍스트속숨겨진의미와주요
토픽을손쉽게추출

50. 49

특징: SNA와기계학습의 결합
데이터학습과예측·분류& 설명가능한AI(XAI)
학습모델을저장
학습모델로새로운데이터의
정보를예측하고분류
클릭몇번으로예측모델생성
복잡한코딩없이머신러닝알고리즘(SVM, Naïve Bayes 등)
을활용해데이터를학습하고새로운값을예측하거나 분류
변수중요도로결과해석지원
설명가능한AI를위한변수중요도기능을통해예측결과의
근거를직관적으로 확인

51. 50

특징: AI를이용한분석결과해석
AI 해석으로 데이터를 직관적으로 이해
AI가데이터맥락에맞게분석결과를해석
영어, 한국어, 일본어, 중국어, 스페인어지원
AI 언어모델연동
GPT, Gemini, Ollama3 등과연동하여
분석결과를자연어로자동해석
데이터분석전문가수준의해석제공
복잡한알고리즘결과도
AI가쉽게이해할수있도록설명
빠르고정확한의사결정지원
해석시간을줄이고
효율적인연구와전략수립을지원

52. 51

특징: 외부데이터수집과분석의연결
외부데이터도 간편하게 수집
다양한외부데이터연동
오픈API 연계를통해, 소셜미디어(YouTube), 학술
논문(OpenAlex등)관계형·텍스트데이터를키워
드하나만입력해서수집가능
자동전처리및구조화
수집된데이터를NetMiner형식에맞춰
자동정제하고분석가능한상태로변환

53. 52

데이터구조
다양한분석방법을연계, 적용할수있도록유연한데이터구조지원
Nodeset
A
1-mode Network
2-mode Network
Nodeset
A
Nodeset
B
Nodeset
B
Nodeset
C
Workspace Workspace Workspace
Project
File
Tabular
Nodeset
Tabular Tabular
NodesetNodeset
Network Network Network

54. 53

New: 지식그래프자동구축
< 1. 원본텍스트(드라마–‘더글로리’) >
< 2. LLM을활용하여객체와관계추출>
< 3. 시각화>

55. 54

New: AI Assistant (LLM을이용한분석결과해석)
사례. Community 분석
< 1. 커뮤니티분석/시각화>
< 2. LLM을활용하여분석결과의 의미해석>

56. 55

왜맥락이문제인가?
맥락(context)이란?
연구질문에관련있는모든정보에서‘관측단위’로수집된정보를제외한나머지
전통적인양적연구는표본추출로개인을맥락에서분리하는경향
SNA는개인간관계라는구조정보를포함해미시-거시수준을연결함으로써 이격
차를줄이고맥락을포함할수있는방법제공
SNA 활용의두방향
기술적(descriptive) 연구:네트워크구조를파악해무작위구조와의차이검증
연결정도분포모델링, 의미네트워크에서 관계극성(polarity)적용, 사적·공적관계의
다중맥락성 분석등
설명적(explanative) 연구:속성과구조의상관·인과관계분석
시맨틱웹기반사람-객체네트워크탐색, 집단내정보흐름분석, 조직위상과중심성,
지역간협력관계분석, HIV/AIDS 확산의네트워크영향시뮬레이션 등
SNA는전통적연구설계를 관계정보로확장하고, 기존에간과된구조적·맥락
적요인을드러내며, 데이터의설명력을높이는방식을보여줌.
현대사회에서점점더많은행위자와객체가연결되는만큼, SNA가현재뿐아니라
미래연구에서도 필수적도구가될것으로전망
기존SNA의‘구조중심·고정형’틀에서벗어나, 맥락적·동태적·통합적분석
으로확장필요
SNA는노드와링크를‘고정된’형태로취급하는경향이있음
네트워크구조를정적인것으로보고, 관계의의미와맥락을충분히반영하지못하
는문제
사회적·문화적환경이변하는상황이나다층적·동태적네트워크분석에서는 문제
Thomas, F. N., & Verlag, V. (2008). Why context matters:
Applications of social network analysis.

57. 56

SNA의확장
누가누구와연결되어있는지를넘어서그관계가형성·변화하는맥락과상호작용과정을통합적으로 파악
노드와링크, 이를둘러싼맥락(context)을분리하지않고함께분석대상으로삼으면전통적인고정형네트워크모델이간과했던관계
의질적변화, 상호작용의 패턴, 그리고구조를형성하는사회적조건까지포착가능
구분 전통적SNA 확장된SNA
분석단위 주로단일모드네트워크(한종류의노드집합) 다중모드·다층네트워크(여러종류노드와관계동시분석)
관계정보 단일유형·정적관계중심 관계유형다변화, 긍·부정·중립등극성(polarity) 포함
시간·공간정보 시점고려제한적, 정적스냅샷분석이주류 시간·공간·상황맥락을포함한동적네트워크분석
속성데이터활용 노드·엣지속성활용제한적 다중속성(역할, 출처, 신뢰도, 상태, 주석등) 적극활용
모델링기법 고정된그래프구조기반지표계산 속성·시간·다층구조반영한확장지표및시뮬레이션
관계해석 구조적연결패턴중심(예: 중심성, 밀도) 의미·기능·정서·정책적맥락을함께고려한해석
데이터수집 설문, 관찰, 1차자료중심 설문·관찰·디지털로그·텍스트·공공데이터 등다원화
시뮬레이션 확산, 경로분석중심 맥락조건별시나리오기반확산·변화시뮬레이션
활용분야 사회학, 조직연구등 정책, 보건, 교육, 과학협력, 온라인상호작용등으로확장
분석목표 네트워크구조와위치이해 ‘구조+맥락’의상호작용이해및미래변화예측

58. 57

SNA & AI
“AI가SNA를대체할것인가?”
긍정적영향
데이터전처리자동화와속도향상: 생성형AI가텍스트·이미지·로그데이터에서 관계(누가누구와상호작용했는가 , 어떤주제로연결되
는가)를추출하는과정을보조하여, 관계리스트(edge list) 및속성(attribute) 생성가속화
의미적관계추론고도화: 전통SNA가구조적연결(링크) 중심이라면, LLM/임베딩을활용해의미적유사성·주제레벨의“숨은엣지”
제안및가중치화가능(예: 주제임베딩으로 커뮤니티내잠재적협업파트너추천)
확장가능한설명·요약: 복잡한네트워크지표(중심성, 모듈러리티, k-core 등)의결과를생성형AI가자연어보고서로설명·요약하여
커뮤니케이션 비용저하
시뮬레이션·시나리오생성보조: 확산모델(루머·바이럴·전염) 시뮬레이션의 가정과파라미터에 대해생성형AI가대안시나리오를 제안
하고, 결과비교지원
멀티모달네트워크로의 확장: 텍스트·이미지·코드등이질데이터로부터 동일인물/주제/이벤트를정합하는엔터티정합(entity
resolution)과멀티레이어 네트워크구축용이
학습·교육효율제고: SNA 이론·알고리즘(예: PageRank, Louvain)의직관적설명, 코드템플릿생성, 단계별디버깅지원
부정적영향및리스크
환각과잘못된관계추론: 생성형AI가문맥상“있어보이는”엣지생성위험. 네트워크구조(커뮤니티, 허브)의왜곡가능
데이터출처·저작권문제: 공개크롤링·소셜데이터에서 관계를추출할때개인정보, 민감정보, 플랫폼약관위반리스크
편향증폭: 학습데이터의편향이네트워크해석(영향력자, 주변부집단)에투영되어불공정의사결정(타깃팅, 차별적자원배분)강화
재현성저하: 생성형모델의비결정성으로 동일파이프라인에서도 결과변동가능
설명가능성 문제: 의미적엣지가중치나요약이어떻게도출되었는지 투명성부족및검증곤란
오탐기반의과도한자동화: 대규모알림/인사이트자동생성이노이즈를양산하고,분석품질저하

59. 58

SNA & AI
SNA와AI의공진화방향
방법론적결합의심화
구조+의미하이브리드 모델: 그래프신경망(GNN)과대규모언어모델(LLM)·임베딩을결합해, 링크(구조)와의미(콘텐츠·주제)를동시에학습하
는표준워크플로우 발전(예: 커뮤니티탐지시모듈러리티와 주제임베딩가중치를함께최적화)
텍스트에서 그래프데이터추출: LLM 기반엔터티/관계/이벤트추출을통해SNA용그래프를생성하는파이프라인에 대해구조적평가지표(차
수분포, 삼각수, 연결성보존등) 제공
시뮬레이션 보조: LLM 에이전트를 노드행위자로사용해정보확산·협상·규범형성을모사하고, 결과를SNA 지표로검증하는“에이전트×네트
워크”통합연구확대
생성형AI의SNA 내재화
설명·보고자동화기능: 중심성, 커뮤니티, 브리지등핵심지표해석을LLM이자동보고서·대시보드로 생성
의미적엣지제안및품질관리: LLM이잠재적관계(주제유사·공감대·의도)를후보로제안하고, SNA가구조적제약으로품질을필터링
멀티모달네트워크통합: 텍스트·이미지·오디오·코드등이질데이터에서 동일엔터티를정합하여다층(Layered) 네트워크를 구성하고, 층간영
향(예: 온라인담론→오프라인행동)을분석하는체계
응용분야에서의 상호지원
공공정책·재난대응: 생성형AI가담론·소문을구조화하고, SNA가확산경로·브리지노드를조기탐지해개입전략제안
산업·마케팅: 고객커뮤니티에서 의미적군집+구조적영향력을결합해세분화, 창구인력배치, KOL 협업전략자동화
R&D·혁신생태계: 논문·특허네트워크에 임베딩을결합해신흥분야·잠재협업을제시하고, 후속성과를SNA로검증하는선순환체계
생성형AI는SNA의데이터구축·의미해석·보고를가속하고, SNA는생성형AI의결과를구조적제약과지표로검증·교정
하는역할을하면서상호보완적으로 발전할것으로전망

60. 59

NetMiner의진화방향
SNA의수평적, 수직적확장과NetMiner의발전방향
속성 관계 네트워크 SNA +AI
(관계적전환) (계산적전환)
텍스트마이닝 통계적검정 기계학습 시뮬레이션
(예측)
+ + +
수평적연계
NetMiner5 진화
기술적분석
추론적분석
정적분석
동적분석
수직적심화
구조중심분석
맥락통합분석
방법론적장벽완화
SW 이용장벽제거

61. Notice

62. Copyright © by CYRAM. All rights reserved. 61
유사고객그룹화
학교·공공·연구기관
기간한정할인
혜택: 학교·정부·공공·연구
기관대상30% 할인
기간: 25년11월30일
* 공공연구기관은 1년이상NetMiner 5
라이선스, 학교는영구라이선스에 적용
* NetMiner 추천프로그램과 중복적용
유사고객그룹화 유사고객그룹화
NetMiner
추천프로그램
NetMiner를추천하면,
-추천한분:맞춤컨설팅
또는추가구입시할인
-추천받은분:20% 할인
NetMiner
연구파트너십
팀단위연구를위한, 종합
지원패키지(연간)
팀복수라이선스, 온라인교
육, 맞춤컨설팅, 자동화프
로그램개발등* 맞춤컨설팅은추천 받은분이Academic,
Standard 라이선스구입시제공
* 추천받은분은라이선스종류관계없이할인

63. www.cyram.com
1660-4230
[email protected]
감사합니다.

64. Prologue
“Strength of Weak Ties”이론의 검증

65. 64

Prolog –“Strength of weak ties”
Rajkumar, K., Saint-Jacques, G., Bojinov, I., Brynjolfsson, E., & Aral, S. (2022). A causal test of the
strength of weak ties.Science,377(6612), 1304-1310.

66. 65

Prolog –“Strength of weak ties 이론의검증”
SNA의가장영향력있는이론중하나인"약한연결의강점(The Strength of Weak Ties)"을대규모실험을통해인과적
으로검증
친밀도는낮지만가끔씩교류하는관계(약한연결)가새롭고다양한정보를제공하기때문에, 강한연결(친밀하고자주교류하는관계)
보다새로운직업기회를얻는데더유리
최근의대규모관찰연구들에서 오히려강한연결이구직에더도움이되는것처럼보이는"약한연결의역설"이나타남
연구팀(MIT, Stanford, Harvard, LinkedIn)은이러한상반된결과가관찰연구의한계, 즉사용자의노력이나사교성등관찰되지않
는요인이인맥형성과구직결과모두에영향을미치는내재성(endogeneity) 문제때문일수있다고보고, 이를해결하기위해인과
관계분석을시도
연구방법
세계최대의전문소셜네트워크인 링크드인(LinkedIn)에서대규모무작위통제실험을진행하고,데이터분석
실험설계: 링크드인의 ‘알수도있는사람(People You May Know)’ 추천알고리즘을 조정하여사용자들을 무작위로다른실험그룹에
할당. 각그룹은약한연결또는강한연결을더많이추천받도록 설정
데이터규모: 2015년과2019년에걸쳐2,000만명이상의사용자가참여. 이기간동안20억개의새로운사회적연결과60만개의새
로운일자리가기록됨
측정지표:
연결강도(Tie Strength): 두가지방식으로측정
1) 두사용자간의상호작용빈도(메시지교환수)
2) 두사용자가공유하는친구수(구조적연결강도)
직업이동성(Job Mobility): '입사지원(job applications)'과'일자리전달(job transmissions)'로측정
'일자리전달'은A 사용자가특정회사에재직중일때, 그의친구인B 사용자가나중에같은회사로이직하는경우를의미
분석기법: 알고리즘에 의한무작위할당을도구변수(Instrumental Variable)로사용하여, 다른교란요인을배제하고연결강도가직
업이동성에미치는순수한인과효과를추정

67. 66

Prolog –“Strength of weak ties 이론의검증”
주요연구결과
실험적인과분석결과,기존의관찰연구에서나타난"약한연결의역설"을뒤집고, 약한연결이실제로직업이동성을높인다는것을
확인. 더나아가이론을수정·보완하는세가지주요발견을제시
“약한연결의효과는비선형적(Inverted U-shape)이다”
연결강도와일자리전달사이에는역U자형관계가존재
즉, 약한연결은구직에도움이되지만, 어느지점을넘어서면그효과가감소. 특히상호친구수로측정했을때, '적당히약한연결(moderately
weak ties)'이직업이동성을가장많이증가시켰고, 너무강한연결은오히려효과가적게나타남
“연결강도의측정방식에따라효과가다르다”
상호친구수(구조적강도)기준으로는 ‘적당히약한연결’이가장효과적이었음
상호작용빈도기준으로는 상호작용이 가장적은, 즉‘가장약한연결(the weakest ties)’이일자리전달가능성을가장크게높였음
“산업별로효과가상이하다”
약한연결은IT, 소프트웨어, 인공지능, 원격근무등디지털화된 하이테크(high-tech) 산업에서입사지원을더많이증가시켰음
반면, 강한연결은소프트웨어 의존도가낮고자동화가덜된로우테크(low-tech) 산업에서입사지원을더많이증가시켰음
결론및시사점
세계최대전문소셜네트워크에서 진행된대규모실험을통해"약한연결의강점" 이론을인과적으로 증명한최초의연구
연구결과는약한연결이직업이동성에중요하다는 기존이론을지지하면서도 , 그효과가비선형적이고 , 강도를어떻게측정하는지, 그
리고어떤산업분야인지에 따라달라진다는 점을새롭게밝혀이론의정교화가필요함을시사

68. Page 67 CYRAM Confidential[Client로고 ] [프로젝트명]
지식그래프(KnowledgeGraph)
현실세계의개체와개념을노드로, 그들사이의의미있는관계를엣지로표현하고, 스키마나온톨로지로 타입과
제약을부여해기계가이해할수있는형태로지식을조직한그래프형데이터구조
https://www.ontotext.com/knowledgehub/fundamentals/what-is-a-knowledge-graph/
https://zilliz.com/learn/what-is-knowledge-graph

69. Page 68 CYRAM Confidential[Client로고 ] [프로젝트명]
지식그래프& SNA
지식그래프는Multi-mode & Multilayer Network의성질을가짐
지식그래프는기존의구조분석중심SNA에'의미'와'맥락' 분석을추가함으로써 SNA의분석깊이와적용범위를
확장할수있음
동시등장(co-occurrence) 관계보다사회적관계를더실질적으로 반영할수있음
관계에'의미(Semantics)'와'맥락(Context)'을부여
지식그래프는관계(Edge)에유형(Type)과속성(Property)을정의할수있음
'이종(Heterogeneous) 네트워크' 분석으로의 확장
다양한유형의개체(Entity)동시분석가능
지식그래프예시: 사람 기술 프로젝트 소속부서 산출문서
'추론(Inference)'을통한숨겨진관계발견
이미정의된관계를바탕으로새로운관계나사실을논리적으로 추론할수있으며, 추론된관계는다시SNA의분석대상이될수
있음
추론을통해명시적으로 드러나지않았던잠재적협력네트워크나 암묵적지식공유네트워크를 시각화하고 분석할수있음
예측및추천모델의정교화
관계예측(Link Prediction):'공통된친구'가많다는구조적정보뿐만아니라, '같은기술에관심이있고, 유사한문서들을읽었다'는
의미적유사성까지고려하여더정교하게미래관계예측
추천시스템:사용자(사람노드)가특정제품(제품노드)을구매했다는 사실과그제품의속성(속성노드)을연결하여, 유사한속성을

70. Page 69 CYRAM Confidential[Client로고 ] [프로젝트명]
동시등장네트워크vs. 지식그래프
구분 동시등장네트워크(Co-occurrence Network) 지식그래프(Knowledge Graph)
원리
근접성기반통계적빈도: 일정한범위(문장/문단등) 내에서단어들이
함께등장하는빈도를기반으로관계강도계산
자연어이해(NLU) 기반의미적관계추출: 문장의구조와의미를분석
하여개체들사이의'구체적인관계'를명시적으로 추출
관계의미
"A와B가함께등장했다.“: 관계의종류나방향성은알수없음
(예: "애플“ -"팀쿡", 둘의관계가'CEO'인지모름)
"A는B와'어떤관계'이다.“:관계의종류와방향성을명확히정의
(예. 팀쿡, is_CEO_of, 애플)
네트워크구조
• 동종(Homogeneous) 네트워크(주로단어-단어)
• 무방향성(Undirected)그래프
• 가중치(Weighted)기반(빈도가높을수록강한연결)
• 이종(Heterogeneous) 네트워크(사람, 기관, 제품등)
• 방향성(Directed)그래프
• 관계유형(Relation Type)으로정의된링크
구현복잡도 낮음(비교적단순): 규칙에따라단어빈도를계산하므로 구현용이
높음(매우복잡): 개체명인식(NER), 관계추출(RE) 등고급자연어처
리기술과온톨로지설계필요
필요기술
• 형태소분석(Tokenization) / 윈도우슬라이딩(Window sliding) /
빈도계산
• 개체명인식(NER) / 관계추출(Relation Extraction) / 온톨로지
(Ontology) / 스키마(Schema) 설계(cf. 최근LLM 활용)
장점
• 구현용이성및속도:복잡한NLP 모델없이빠르게구축가능
• 사전지식최소화:특정도메인에대한깊은지식없이도적용가능
• 핵심주제군집화:텍스트의핵심주제,키워드그룹을찾는데효과적
• 정확성과풍부한맥락:관계의미/방향성분명,깊이있는분석가능
• 논리적추론가능:복잡한질의와추론가능
• 노이즈감소:무의미한관계를걸러내고, 실제유의미한관계구조화
단점
• 의미/맥락부재:관계의구체적인의미를알수없어해석에한계
• 높은노이즈:동시등장을이유로많은비의미적연결생성
• 관계의방향성부재:원인-결과, 상위-하위등의관계표현불가능
• 높은구축비용과시간:고성능NLP 모델과전문가의지식필요
• 미정의관계추출곤란:정의된관계유형외새로운관계발견곤란
• 데이터의존성:모델의성능이학습데이터의품질과양에좌우
(cf. LLM활용으로상당부분해소가능)
활용사례
• 트렌드분석:특정기간동안많이언급된키워드들의 연관관계분석
• 키워드연관어분석:'인공지능'과함께가장많이등장하는단어분석
• 문서군집화및요약:유사한단어네트워크를 가진문서그룹화
• 지능형검색/질의응답:"스티브잡스가창업한회사의첫제품은?“
• 공급망분석, 금융사기탐지:회사, 사람, 계좌간복잡한관계추적
• 인물관계도:드라마나소설속등장인물들의 관계를자동으로구축

71. 70

Text-attributed Graph
Fionda, V., & Pirro', G. (2013, October). Querying graphs with preferences. InProceedings of the 22nd ACM international
conference on Information & Knowledge Management(pp. 929-938).

72. 71

추론적네트워크분석모델
범주 ERGM LOLOG TERGM SAOM
분석목적 정적네트워크구조패턴설명
링크형성의잠재적순서/우선
규칙모델링
시간종속성을반영한패널네트
워크구조모델링
행위자중심의연속시간동적
의사결정모델링
시간처리 정적(동적은TERGM으로확장)
스냅샷기반, 순서내재화
(동적확장가능)
이산시점패널네트워크직접
모델링
연속시간근사로동적변화
직접추정
메커니즘/해석단위
그래프전체의지수족
(통계기반)
순차로지스틱선택
(잠재적형성과정)
과거네트워크·공변량에
의존하는지수족
행위자효용함수와 미세변경의
마르코프과정
주요효과/통계
밀도, 상호성, 삼각폐쇄
(GWESP), 동질성등
로컬구조+ 순서/우선항 ERGM 효과+ 지연·관성·형성
밀도·폐쇄+ 유사성·인기도등
행위자·속성효과
추정 MCMC-MLE, MPLE 순차로지스틱·MPLE MCMC/부트스트랩 시뮬레이션 기반추정
계산·규모 중~높음(효과·규모에민감) 비교적효율적(대규모우호적) 높음(시점×규모에비례) 높음(시뮬레이션 반복필요)
데이터요구 단일시점+ 속성
스냅샷(선택적형성순서) +
속성
2개이상시점(패널) +
시간변화공변량
2개이상시점+
노드속성(시간변화가능)
해석초점 구조패턴의존재/강도 형성과정의우선순위·로컬규칙
시간에따른구조변화와관성/
지연
행위자결정규칙과변화율(rate)
장점 구조적의존성포착, 이론연계 과정적해석, 규모확장성
시간종속성과구조효과동시
추정
미시적의사결정과 상호영향해
석강점
한계
수렴·degeneracy,
모델지정민감
순서가정의식별·해석주의
계산량·모형복잡도,
모델지정민감
시뮬레이션 비용, 가정민감
소프트웨어 R: statnetergm R: lolog R: statnet tergm R: RSiena
전형적사용사례
조직협력망의삼각폐쇄·동질성
검증, 정책공동발의망 분석
대규모팔로우/추천그래프의
형성규칙추정
기업제휴망·학술공동저자망의
시점별관성·형성분석
청소년우정망에서 선택과영향
분리, 또래효과동학분석

73. 72

추론적네트워크분석방법
구분 ERGM SAOM REM
분석대상 네트워크구조(한시점) 네트워크변화(여러시점) 관계사건(연속적시간흐름)
데이터 단일네트워크스냅샷 패널네트워크(T1, T2, T3…) 이벤트로그(타임스탬프 포함)
설명초점
네트워크의 정태적구조
(상호성, 삼각형등)
네트워크의 점진적변화과정
(행위자의관계생성·해체결정)
네트워크의 사건단위동학
(사건발생확률과순서)
시간개념 정태적 이산적변화(시점별) 연속적이벤트시계열
주요질문 "왜이런구조인가?" "어떻게변화해왔는가 ?"
"어떤사건이언제, 누구에의해
일어나는가?"
분석도구 statnet (R) RSiena(R) relevent(R)
정책학적용 정책네트워크구조의원인분석 정책네트워크진화과정
정책과정상호작용분석
(발언, 협상, 메일교환)
ERGM:Exponential Random Graph Model
SAOM: Stochastic Actor-Oriented Model
REM: Relational Event Model
행정학분야의네트워크연구가기술적(descriptive) 분석에머물러있
는한계를지적하고, "무엇이효과가있는가(what works)"라는질문에
답하기위해인과관계추론(causal inference) 연구설계를체계적으로
통합할것을촉구하며그구체적인방법론을제시
Whetsell, T. A., & Siciliano, M. D. (2025). Applied Causal Inference
in Public Sector Networks.Public Administration Review.

74. 73

ERGMs
Bond, L., Lusher, D., Williams, I., & Butler, H. (2014). Friends or foes?
Relational dissonance and adolescent psychological wellbeing.PLoS
One,9(2), e83388.

75. 74

REM
Brandenberger, L. (2020). Interdependencies in conflict dynamics: Analyzing endogenous patterns in conflict
event data using relational event models.Computational Conflict Research, Springer, 67-80.

76. 75

Pilny, A., Dobosh, M., Yahja, A., Poole, M. S., Campbell, A., Ruge-Jones, L., & Proulx, J. (2020). Team coordination in
uncertain environments: The role of processual communication networks.Human Communication Research,46(4), 385-411.