Capítulo 5 · Dimensiones avanzadas + Glosario + Bibliografía — IAforTeachers

Manual de Análisis de Redes Sociales en Educación

Capítulo 5 de 5 + Glosario + Bibliografía

Dimensiones avanzadas, glosario y referencias

Temporalidad, redes multicapa, detección de comunidades, equivalencia estructural. Más el glosario consolidado de todos los términos y la bibliografía completa del manual.

Fernando Santamaría González IAforTeachers.com · Marzo 2026

Sección 5.1Métricas temporales y dinámicas

Las redes reales no son fotografías estáticas: evolucionan. Las relaciones se forman, se fortalecen, se debilitan y desaparecen. Las métricas temporales capturan esta dinámica y son esenciales para estudiar procesos como la difusión de innovaciones, la formación de comunidades de aprendizaje y la evolución de la participación.

Temporal Centrality

Centralidad temporal

Extensiones de las centralidades clásicas que incorporan la secuencia temporal de las interacciones. Un camino solo es «temporalmente factible» si los vínculos que lo componen ocurren en orden cronológico. La intermediación temporal de un nodo mide cuántos caminos temporalmente factibles pasan por él.

Ejemplo educativo

En un foro con marca temporal, un estudiante puede haber sido puente crítico durante la semana 3 pero periférico en la semana 8. La centralidad temporal captura esta evolución, imposible con un análisis estático agregado.

Link Persistence

Persistencia de enlaces

Duración y estabilidad de las conexiones a lo largo del tiempo. Se mide como la proporción de períodos en los que un vínculo está activo respecto al total de períodos observados. Los vínculos persistentes forman el «esqueleto» estable de la red; los efímeros son ruido o interacciones casuales.

Preferential Attachment (Barabási-Albert, 1999)

Conexión preferencial

Mecanismo de crecimiento donde la probabilidad de que un nodo reciba un nuevo vínculo es proporcional a su grado actual. Genera distribuciones de ley de potencia: los nodos que ya tienen muchas conexiones atraen más conexiones nuevas. En educación, explica por qué ciertos estudiantes acumulan participación mientras otros permanecen periféricos.

Link Prediction

Predicción de enlaces

Estimación de la probabilidad de formación de nuevos vínculos basándose en la estructura actual. Los índices más utilizados son: vecinos comunes (cuántos contactos compartidos), Adamic-Adar (vecinos comunes ponderados inversamente por su grado), índice de asignación de recursos y métodos basados en aprendizaje automático.

Ejemplo educativo

Predecir qué estudiantes establecerán nuevas conexiones permite al docente diseñar actividades que faciliten esas conexiones potenciales, acelerando la formación de la comunidad de aprendizaje.

Community Stability

Estabilidad de comunidades

Grado en que las comunidades detectadas se mantienen consistentes a lo largo del tiempo. Se mide mediante información mutua normalizada (NMI) entre particiones en diferentes períodos. Comunidades estables indican estructuras sociales consolidadas; inestables sugieren reorganización activa.

Structural Change Rate

Tasa de cambio estructural

Velocidad a la que cambian las propiedades de la red: distancia de edición entre «instantáneas» (snapshots), correlación temporal de matrices de adyacencia, estabilidad de las centralidades. Una tasa alta indica un período de reorganización; una tasa baja, estabilidad estructural.

Red temporal interactiva: evolución semana a semana

Semana 1 Semana 8

Densidad: 0.05 Aristas: 3 Aislados: 12

Red de 15 estudiantes en un foro educativo a lo largo de 8 semanas. Arrastra el slider para ver cómo la red crece, se densifica y las comunidades se forman. Los nodos aislados al inicio gradualmente se integran. El tamaño del nodo crece con su grado acumulado.

Sección 5.2Redes multicapa y multiplex

Las interacciones humanas son inherentemente multidimensionales. Los mismos actores pueden estar conectados por relaciones de colaboración, amistad, comunicación formal y competencia. Las redes multicapa representan esta complejidad.

Multiplexity

Multiplexidad

Grado en que los mismos pares de actores están conectados por múltiples tipos de relaciones. Las relaciones múltiplex (amigos + colegas + vecinos) son más fuertes, estables y resilientes que las unidimensionales. En educación, un estudiante conectado con otro por amistad, proyecto grupal y extracurricular tiene un vínculo múltiplex de tres capas.

Multilayer Centrality

Centralidad multicapa

Extensiones de las centralidades que consideran la posición en múltiples capas simultáneamente. Tres estrategias: agregada (superpone las capas en una sola red), promediada (media de las centralidades en cada capa) o acoplada (tiene en cuenta las interacciones entre capas).

Versatility

Versatilidad

Diversidad de la actividad de un nodo a través de capas, medida mediante índices de entropía. Un nodo versátil participa activamente en múltiples capas; un nodo especializado concentra su actividad en una sola.

Ejemplo educativo

Un estudiante versátil participa en la capa de discusión académica, en la de proyectos colaborativos y en la social informal. Conecta los tres mundos y tiene acceso a información que los especialistas en una sola capa no alcanzan.

Interlayer Dependence

Interdependencia entre capas

Correlación entre patrones de conexión en diferentes capas. ¿Los estudiantes que son amigos también colaboran en proyectos? ¿La red formal (roles asignados) se parece a la red informal (elecciones espontáneas)? La correlación entre matrices de adyacencia de diferentes capas cuantifica esta interdependencia.

Bipartite Networks (Breiger, 1974)

Redes bipartidas

Redes con dos clases de nodos (estudiantes y cursos, autores y artículos). La proyección transforma una red bipartida en dos redes unimodales: la red de actores (conectados si comparten eventos) y la red de eventos (conectados si comparten actores). Breiger (1974) demostró que esta dualidad es fundamental para entender la estructura social.

Red multicapa: dos capas de interacción superpuestas

Capa académica (foro + proyectos) Capa social (chat informal) Enlace múltiplex (ambas capas)

Mismos 12 estudiantes conectados por dos tipos de relación: académica (discusión en foros, proyectos compartidos) y social (chat informal, actividades extracurriculares). Los vínculos múltiplex (presentes en ambas capas) son los más fuertes y resilientes. Observa cómo la estructura cambia según la capa: líderes académicos y sociales no siempre coinciden.

Sección 5.3Detección y evaluación de comunidades

Conductance

Conductancia

Fracción de aristas que salen de una comunidad respecto al total de aristas con al menos un extremo en ella. Baja conductancia = comunidad bien definida. Es una medida de la «frontera» de la comunidad: cuánta interacción se «escapa» hacia fuera.

Participation Coefficient + Z-Score

Clasificación de roles: coeficiente de participación y z-score

Guimerà y Amaral (2005) propusieron una clasificación bidimensional de roles basada en dos métricas: el z-score intracomunidad (cuán conectado está un nodo dentro de su propia comunidad, comparado con los demás miembros) y el coeficiente de participación (cómo se distribuyen sus conexiones entre comunidades). La combinación genera siete roles funcionales:

z bajo (no-hub)	z alto (hub)
R1: Ultraperiférico R2: Periférico R3: Conector no-hub R4: Cinético no-hub	R5: Hub provincial R6: Hub conector R7: Hub cinético

Ejemplo educativo

Un «hub conector» (R6) es un estudiante muy activo dentro de su grupo que además tiene conexiones significativas con otros grupos: es el perfil ideal para difundir conocimiento entre comunidades. Un «ultraperiférico» (R1) está marginado tanto dentro como fuera de su comunidad: necesita intervención.

Community Overlap

Solapamiento de comunidades

En las redes reales, las comunidades a menudo se superponen: un estudiante puede pertenecer simultáneamente al grupo de trabajo, al equipo deportivo y al comité académico. Los algoritmos de detección de comunidades solapantes (como COPRA, DEMON o BigCLAM) permiten la pertenencia múltiple.

Mapa de comunidades con roles de Guimerà y Amaral

Comunidad A Comunidad B Comunidad C

Red de 24 nodos con tres comunidades. En la vista «comunidades», los colores indican pertenencia. En la vista «roles funcionales», el color cambia a los siete roles de Guimerà: desde ultraperiférico (R1, gris, pequeño) hasta hub conector (R6, grande, rojo). Haz clic en un nodo para ver su z-score y coeficiente de participación.

Sección 5.4Equivalencia y roles estructurales

Structural Equivalence (Lorrain y White, 1971)

Equivalencia estructural

Dos actores son estructuralmente equivalentes si tienen exactamente las mismas relaciones con los mismos otros nodos. Son intercambiables en la estructura y potencialmente competidores (ocupan la misma posición en el mercado relacional).

Regular Equivalence

Equivalencia regular

Dos actores son regularmente equivalentes si tienen el mismo tipo de relaciones con actores que a su vez son equivalentes. Captura roles funcionales: todos los «profesores» tienen relaciones similares con «estudiantes», aunque no sean los mismos estudiantes concretos. Es más flexible que la equivalencia estructural y más útil para identificar roles.

Blockmodel (White et al., 1976)

Modelo de bloques

Agrupa nodos en «bloques» según su equivalencia y analiza las relaciones entre bloques, creando una imagen reducida de la red. Un blockmodel de una universidad podría revelar bloques de «profesores senior», «junior», «doctorandos» y «alumnos de máster», con patrones de dirección, asesoramiento y colaboración entre ellos.

Core-Periphery Structure

Estructura núcleo-periferia

Modelo donde los actores del núcleo interactúan densamente entre sí y con la periferia, mientras que los periféricos interactúan principalmente con el núcleo pero no entre sí. Borgatti y Everett (2000) formalizaron este modelo como una forma particular de blockmodel.

Ejemplo educativo

En muchos cursos en línea, el profesor y un grupo reducido de estudiantes muy activos forman el núcleo, mientras que la mayoría interactúa solo con ese núcleo. Transformar esta estructura en una más distribuida es un objetivo pedagógico habitual del aprendizaje colaborativo.

Apéndice AGlosario de términos del ARS

Referencia rápida de los términos fundamentales utilizados a lo largo del manual, ordenados alfabéticamente.

ActorNode / Vertex

Entidad individual de la red: persona, organización, documento o concepto cuyas relaciones se analizan.

Adyacencia, matriz deAdjacency Matrix

Representación matricial de una red donde las filas y columnas son nodos y las celdas indican la existencia o peso de un vínculo.

Agrupamiento, coeficiente deClustering Coefficient

Proporción de vínculos existentes entre los vecinos de un nodo respecto al máximo posible. Mide la cohesión local.

Agujero estructuralStructural Hole (Burt, 1992)

Espacio entre dos grupos no conectados. El actor que ocupa esta posición controla el flujo de información entre ambos.

ArcoArc

Vínculo dirigido que conecta un nodo emisor con un nodo receptor.

AristaEdge

Vínculo no dirigido (simétrico) entre dos nodos.

AsortatividadAssortativity

Tendencia de los nodos a conectarse con otros de propiedades similares (grado, atributos).

Bipartida, redBipartite Network

Red con dos clases distintas de nodos donde los vínculos solo conectan nodos de clases diferentes.

BlockmodelBlockmodel

Técnica que agrupa nodos equivalentes en bloques y analiza las relaciones entre bloques.

Centralidad de intermediaciónBetweenness Centrality

Frecuencia con la que un nodo aparece en los caminos más cortos entre todos los pares.

Centralidad de cercaníaCloseness Centrality

Inverso de la suma de distancias de un nodo a todos los demás.

Centralidad de gradoDegree Centrality

Número de conexiones directas de un nodo normalizado por el máximo posible.

Centralidad de vector propioEigenvector Centrality

Mide la influencia de un nodo ponderando la importancia de sus contactos.

CentralizaciónNetwork Centralization

Grado en que la centralidad de la red se concentra en pocos nodos.

CliqueClique

Subgrafo completo máximo donde cada nodo está conectado directamente con todos los demás.

Componente giganteGiant Component

El mayor subgrafo conectado de la red.

ConductanciaConductance

Fracción de aristas que cruzan la frontera de una comunidad.

ConectividadVertex/Edge Connectivity

Número mínimo de nodos o aristas que deben eliminarse para desconectar la red.

DensidadDensity

Proporción de vínculos existentes respecto al total posible.

DiámetroDiameter

Distancia geodésica más larga de la red.

Distancia geodésicaGeodesic Distance

Longitud del camino más corto entre dos nodos.

Eficiencia globalGlobal Efficiency

Media del inverso de las distancias geodésicas. Funciona en redes desconectadas.

EntropíaNetwork Entropy

Heterogeneidad de la distribución de propiedades de la red.

Equivalencia estructuralStructural Equivalence

Dos actores con exactamente las mismas relaciones con los mismos otros nodos.

Equivalencia regularRegular Equivalence

Actores con el mismo tipo de relaciones con actores equivalentes.

Escala libre, red deScale-Free Network

Red cuya distribución de grados sigue una ley de potencia: pocos hubs, muchos periféricos.

ExcentricidadEccentricity

Distancia geodésica máxima de un nodo a cualquier otro nodo.

GradoDegree

Número de vínculos directos de un nodo. En redes dirigidas: grado de entrada y grado de salida.

GrafoGraph

Representación matemática de una red: conjunto de nodos y aristas.

HomofiliaHomophily

Tendencia a vincularse con otros de características similares.

HubHub

Nodo con número desproporcionadamente alto de conexiones en una red de escala libre.

K-núcleoK-Core

Subgrafo máximo donde cada nodo tiene al menos k conexiones internas.

Katz, centralidad deKatz Centrality

Centralidad que considera caminos directos e indirectos con atenuación exponencial.

ModularidadModularity (Q)

Calidad de una partición en comunidades comparada con una distribución aleatoria de vínculos.

Multicapa, redMultilayer / Multiplex Network

Red con múltiples tipos de relaciones entre los mismos actores.

Mundo pequeño, red deSmall-World Network

Red con alto agrupamiento local y longitud de camino media corta.

Núcleo-periferiaCore-Periphery

Estructura con un grupo central densamente conectado y una periferia conectada solo al núcleo.

PageRankPageRank

Centralidad basada en un caminante aleatorio con factor de amortiguamiento. Base de Google.

Predicción de enlacesLink Prediction

Estimación de la probabilidad de formación de nuevos vínculos.

PrestigioPrestige

Prominencia basada en conexiones recibidas en redes dirigidas.

ReciprocidadReciprocity

Proporción de vínculos dirigidos que son mutuos.

ResilienciaResilience

Capacidad de la red para mantener su funcionalidad ante la eliminación de nodos o aristas.

Restricción de BurtConstraint

Redundancia del entorno social. Baja restricción = acceso a agujeros estructurales.

SimilitudSimilarity (Jaccard, Cosine, Pearson)

Grado de solapamiento entre los vecindarios de dos nodos.

SociogramaSociogram

Representación visual de una red. Introducido por Moreno (1934).

TransitividadTransitivity

Proporción de tríadas cerradas respecto al total de tripletes conectados.

Tríada, censo deTriad Census

Recuento de los 16 tipos posibles de relaciones entre tres actores en una red dirigida.

Vínculo débil/fuerteWeak/Strong Tie (Granovetter, 1973)

Los vínculos débiles conectan círculos diferentes y aportan información no redundante.

VersatilidadVersatility

Diversidad de la actividad de un nodo a través de múltiples capas.

Apéndice BBibliografía

Referencias citadas a lo largo de los cinco capítulos del manual, en formato APA 7.ª edición.

Barabási, A.-L. y Albert, R. (1999). Emergence of scaling in random networks. Science, 286(5439), 509-512. https://doi.org/10.1126/science.286.5439.509

Barabási, A.-L. (2016). Network Science. Cambridge University Press.

Barnes, J. A. (1954). Class and committees in a Norwegian island parish. Human Relations, 7(1), 39-58.

Blondel, V. D., Guillaume, J.-L., Lambiotte, R. y Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics, 2008(10), P10008.

Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170-1182.

Borgatti, S. P. y Everett, M. G. (2000). Models of core/periphery structures. Social Networks, 21(4), 375-395.

Borgatti, S. P., Everett, M. G. y Johnson, J. C. (2018). Analyzing Social Networks (2.ª ed.). SAGE.

Bott, E. (1957). Family and Social Network. Tavistock Publications.

Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181-190.

Burt, R. S. (1992). Structural Holes: The Social Structure of Competition. Harvard University Press.

Cartwright, D. y Harary, F. (1956). Structural balance: A generalization of Heider's theory. Psychological Review, 63(5), 277-293.

Dado, M. y Bodemer, D. (2017). A review of methodological applications of social network analysis in computer-supported collaborative learning. Educational Research Review, 22, 159-180.

Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215-239.

Granovetter, M. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360-1380.

Guimerà, R. y Amaral, L. A. N. (2005). Functional cartography of complex metabolic networks. Nature, 433(7028), 895-900.

Heider, F. (1946). Attitudes and cognitive organization. The Journal of Psychology, 21(1), 107-112.

Holland, P. W. y Leinhardt, S. (1976). Local structure in social networks. Sociological Methodology, 7, 1-45.

Humphries, M. D. y Gurney, K. (2008). Network 'small-world-ness': A quantitative method for determining canonical network equivalence. PLoS ONE, 3(4), e0002051.

Kitsak, M., Gallos, L. K., Havlin, S., Liljeros, F., Muchnik, L., Stanley, H. E. y Makse, H. A. (2010). Identification of influential spreaders in complex networks. Nature Physics, 6(11), 888-893.

Latora, V. y Marchiori, M. (2001). Efficient behavior of small-world networks. Physical Review Letters, 87(19), 198701.

Lorrain, F. y White, H. C. (1971). Structural equivalence of individuals in social networks. The Journal of Mathematical Sociology, 1(1), 49-80.

McPherson, M., Smith-Lovin, L. y Cook, J. M. (2001). Birds of a feather: Homophily in social networks. Annual Review of Sociology, 27, 415-444.

Moreno, J. L. (1934). Who Shall Survive? A New Approach to the Problem of Human Interrelations. Beacon House.

Newman, M. E. J. (2002). Assortative mixing in networks. Physical Review Letters, 89(20), 208701.

Newman, M. E. J. (2006). Modularity and community structure in networks. Proceedings of the National Academy of Sciences, 103(23), 8577-8582.

Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.

Scott, J. (2017). Social Network Analysis (4.ª ed.). SAGE.

Seidman, S. B. (1983). Network structure and minimum degree. Social Networks, 5(3), 269-287.

Simmel, G. (1908). Soziologie: Untersuchungen über die Formen der Vergesellschaftung. Duncker & Humblot.

Traag, V. A., Waltman, L. y van Eck, N. J. (2019). From Louvain to Leiden: Guaranteeing well-connected communities. Scientific Reports, 9, 5233.

Wasserman, S. y Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.

Watts, D. J. y Strogatz, S. H. (1998). Collective dynamics of 'small-world' networks. Nature, 393(6684), 440-442.

White, H. C., Boorman, S. A. y Breiger, R. L. (1976). Social structure from multiple networks. I. Blockmodels of roles and positions. American Journal of Sociology, 81(4), 730-780.

En Python · NetworkX

Reproducir este capítulo con NetworkX

Las dimensiones avanzadas (redes temporales, multicapa, equivalencia estructural) requieren bibliotecas especializadas además de NetworkX. Aquí te muestro cómo enlazarlas para los casos más habituales.

Instalación previa: pip install networkx · Python 3.8+. Para módulos adicionales, la indicación aparece en el bloque correspondiente.

1 Redes temporales: análisis por instantes

NetworkX no gestiona tiempo nativamente. La técnica habitual es crear un grafo por cada ventana temporal y calcular métricas en cada uno.

import networkx as nx

"c"># Lista de eventos (nodo_a, nodo_b, tiempo)
eventos = [
    (1, 2, 0), (2, 3, 1), (3, 4, 2),
    (1, 3, 2), (4, 5, 3), (2, 5, 3)
]

"c"># Construir grafos acumulativos por instante
grafos_t = {}
for t in sorted(set(e[2] for e in eventos)):
    G_t = nx.Graph()
    for a, b, tiempo in eventos:
        if tiempo <= t:
            G_t.add_edge(a, b)
    grafos_t[t] = G_t
    print(f"t={t}: {G_t.number_of_nodes()} nodos, densidad {nx.density(G_t):.2f}")

2 Redes multicapa con MultiGraph

Para múltiples capas (Moodle + Teams + presencial), usamos un MultiGraph de NetworkX donde cada arista lleva el atributo `capa`.

MG = nx.MultiGraph()

"c"># Capa académica (Moodle)
MG.add_edge("s">'Ana', "s">'Bea', capa="s">'moodle')
MG.add_edge("s">'Ana', "s">'Carlos', capa="s">'moodle')

"c"># Capa social (Teams)
MG.add_edge("s">'Bea', "s">'Carlos', capa="s">'teams')
MG.add_edge("s">'Ana', "s">'Bea', capa="s">'teams')

"c"># Filtrar una capa concreta
aristas_moodle = [(u, v) for u, v, d in MG.edges(data=True)
                   if d["s">'capa'] == "s">'moodle']
print(f"Aristas en capa Moodle: {len(aristas_moodle)}")

3 Equivalencia estructural y blockmodel

Para identificar roles similares, podemos agrupar nodos por patrón de conexiones idéntico. Scikit-learn facilita el agrupamiento.

from sklearn.cluster import AgglomerativeClustering
import numpy as np

G = nx.karate_club_graph()
A = nx.to_numpy_array(G)

"c"># Agrupamiento jerárquico sobre la matriz de adyacencia
modelo = AgglomerativeClustering(n_clusters=4, metric="s">'cosine', linkage="s">'average')
roles = modelo.fit_predict(A)

for nodo, rol in zip(G.nodes(), roles):
    print(f"Nodo {nodo}: rol {rol}")

4 Roles de Guimerà-Amaral

El z-score de centralidad intracomunidad y el coeficiente de participación entre comunidades clasifican a los nodos en 7 roles estructurales.

import numpy as np
import community as community_louvain

G = nx.karate_club_graph()
partic = community_louvain.best_partition(G)

def guimera_roles(G, partic):
    roles = {}
    for nodo in G.nodes():
        com = partic[nodo]
        "c"># Grado dentro de la comunidad
        k_int = sum(1 for v in G.neighbors(nodo) if partic[v] == com)
        "c"># Grado total
        k_tot = G.degree(nodo)
        roles[nodo] = {"s">'k_int': k_int, "s">'k_tot': k_tot, "s">'com': com}
    return roles

r = guimera_roles(G, partic)
print(f"Nodo 0: grado interno {r[0][">'k_int']}, grado total {r[0][">'k_tot']}")

Autoevaluación · Capítulo 5

Comprueba las dimensiones avanzadas

Cuatro preguntas sobre redes temporales, multicapa y equivalencia estructural.
Umbral de superación: 70 %. Tu progreso se guarda en este navegador.

← Métricas de red ARS e IA →