• אסף שפירא

הרחבות לפרק 26: תובנות על יוזרים ואקטואליה מניתוח רשתות חברתיות

מה מתרחש (: אני אסף שפירא וזה נטפריקס – הפודקאסט העברי הראשון למדע הרשתות.

אחד מהדברים מעוררי ההשראה ששמעתי בהקשר של ניתוח רשתות חברתיות הוא מה שאמר מארק סמית', המייסד של תוכנת ניתוח הרשת NodeXL (שכיסינו בפרק 22). בראיון עימו, מארק שאל באופן רטורי: "נניח שאנחנו מערכת של עיתון ושמענו על הפגנה של 50 אלף איש בכיכר – מה, לא נשלח צלם? אבל, הוא המשיך, אירועים מסוג זה קורים כל הזמן ברשתות החברתיות. האם אנחנו מבינים מה קורה שם?"

לדעתי התשובה היא לא ממש. כלומר, למעט חשיפת פוסטים שערורייתיים פה-ושם, המדיה הישנה לא באמת עוקבת אחרי מה שקורה, וגם אם כן, לא בטוח שהם באמת מבינים מה קורה. כאן נכנס לתמונה הניתוח הרשתי. הניתוח יכול לספק לנו לא רק צילום של האירועים אלא גם זוויות ותובנות חדשות על מה שקורה.

בניגוד למשל לתמונה של הפגנה, שבה נראה רק עדר של פרצופים, בעזרת ניתוח רשתי אנחנו יכולים להבין מה עומד מאחורי הפרצופים האלו ולתת תובנות על הקהל – למי הוא פונה? את מי הוא מהדהד ונגד מי הוא יוצא. מי הפרצופים המשפיעים ומי המושפעים. והאמת, זה נשמע כמו אחלה רעיון לפינה או מדור באתר חדשות.

דוגמא אקטואלית לתובנות שניתוח רשתי יכול לתת לנו אפשר למצוא ביחס למגפת "אבעבועות הקוף" שמקרה ראשון שלה התגלה במאי 2022 בישראל.

המציג אינו מומחה לאבעבועות או לקופים, למרות שיש לי פינה חמה בלב לשניהם. זה גם לא משנה. מה שמשנה הוא איך אנשים מגיבים לסיפור החדשותי. בסוף, הציבור הוא הקליינט המרכזי של המגפה הזו. האם הציבור לחוץ? האם הוא מזלזל? לפחות לפי טוויטר, נראה שאנשים לא אדישים לסיפור כי ההאשטג MonkeyPox#, לפחות נכון למאי 2022, הוא די טרנדי. אז אם האנשים לא אדישים, מה כן? כדי לגלות את הסנטימנט של הקהל, לכאורה מתבקש להריץ אלגוריתמים לזיהוי סנטימנט על התעבורה ברשת ולראות האם הוא שלילי או חיובי. הבעיה היא שהאלגוריתמים האלה לא תמיד יודעים איך לעכל את התוכן ואיזה לייבל לתת לו. מה עושים עם כל הטקסטים הניטרליים? יש הרבה כאלה. שם בצד שיש כאן גם קושי מובנה מול שפות שונות ובוודאי מול ניואנסים שונים בכל שפה.

אז פתרון פשוט הרבה יותר יהיה לנתח את הרשת.

מה שנרצה לבדוק במקרה כזה הוא מי המשפיענים והמשפיעניות בה. לפי חוק הרשת מס' 1, עליו דיברנו בפרק 3, אותם גורמים מרכזיים ברשת "יכתיבו את הטון" לכל שאר המשתמשים. אז בואו נדבר קצת על השיטה ותהליך הניתוח: בניתי רשת על סמך כעשרת אלפים יוזרים בטוויטר שאיזכרו את המגפה והקשרים ביניהם הם הריטוויטים שהם עשו אחד לשני. דבר ראשון, יצאתי לבדוק מי הם מרכזי הכובד ברשת, בעזרת מדדי המרכזיות עליהם דיברנו בפרק 4. היופי בשיטה הזו הוא שלא צריך לעבור על כל תעבורת הרשת. כפי שציינו בפרק 3, מבט על הגורמים המרכזיים יעשה את העבודה. ומה שעלה לגבי רשת הטוויטר הוא, שבכל המדדים, הגורמים המובילים ברשת הם "מכחישי מגפה".

אותם יוזרים מרכזיים מגיבים בזלזול על הפרסומים בנושא, רומזים לתיאוריות קונספירציה ובעיקר יוצאים בביקורת קשה נגד ארגון הבריאות העולמי – ה-WHO.

עכשיו, בוודאות ניתן להגיד שלא כל הגורמים ברשת הם קונספירטורים. ברור שישנם כאלה שמתייחסים לנושא ולארגון הבריאות העולמי ברצינות. אבל לפחות לפי הרשת, קולם פחות נשמע. וזו תובנה שרק ניתוח רשתי יכול לתת לנו.

אבל רגע, מה לגבי בוטים ברשת החברתית? נכון שטוויטר טענה בפני אילון מאסק שרק 5% מהיוזרים ברשת שלה הם בוטים, אבל אם יש אנשים שם בחוץ שלא מאמינים שיש מגפה שהופכת אנשים לקופים, למה שיאמינו לטוויטר? השאלה היא כמובן לא אם יש בוטים אלא האם הפעילות שלהם מייצרת לנו הטיה בניתוח, למשל, יכול להיות שנראה פוסט עם אלף לייקים ונחשוב שהוא מאד פופולרי אבל למעשה מדובר בגידול פרא של חוות לייקים. כאן נכנסת לתמונה עוד תכונה יפה של ניתוח רשתי. המבט הרחב של הניתוח מאפשר לנו לראות את הפוסטים או הטוויטים בהקשר. דרך מחקר המבנה של הרשת, הרבה יותר קל להבחין האם הפוסטים "מקודמים" באופן מלאכותי. דוגמא יפה לכך היא ניתוח רשתי של עומר נוי, מאוניברסיטת בן גוריון, שהציג רשת של טוויטים שבה ניתן לראות חשבונות מזוייפים רבים מקדמים את החשבון של ראה"מ בנט. ההשראה לניתוח הייתה בדיקה שנעשתה על ידי היוזר-החוקר FakeReporter@ בטוויטר שהראה כי אותם משתמשים (לכאורה, מהודו) תמכו באופן עיוור בעבר גם בראה"מ נתניהו: במקרה הזה, הסיבה שהבוטים היו קלים לזיהוי זה שהניתוח הרשתי הראה לנו שאותם בוטים קשורים אך ורק לאותו טוויט, ללא שום אינטראקציה עם שאר הרשת "הישראלית" בטוויטר.


תשומת לב שטוויטר תוזכר פה לא מעט בפרק כי היא אחת מהרשתות הכי נחקרות בהקשרי אקטואליה. טוויטר היא רשת חברתית מיוחדת בשני היבטים:

הראשון הוא שבניגוד לאינסטגרם, שם אנחנו משקרים לחברים שלנו, בטוויטר אנחנו אומרים את האמת לאנשים שאנחנו בכלל לא מכירים. השני הוא שטוויטר היא אולי הרשת החברתית היחידה (מאותן רשתות מובילות) שעוד מחזיקה ממשק שמאפשר לחלץ ממנה דאטה.

ה-API של טוויטר רחוק מלהיות אופטימלי ולא ברור בדיוק מה היקף הפעילות שטוויטר מאפשרת לחלץ דרכו. גם לפי ההערכות המפרגנות, הוא כנראה לא ייחלץ יותר מאחוז אחד מהדאטה הגולמי. אז האם זה מייצג לנו מה שבאמת קורה? בוודאות לא, אבל מה כן? להגיד "יותר טוב כלום מכמעט" זה טוב לעברי לידר, לא לחוקרי דאטה. "קצת" עדיף מ"כלום", ואם כבר קצת, אז ניתוח רשתי של הדאטה מאפשר למצות מהקצת הזה את המקסימום. עוד משהו שמשחק לטובתנו כאן זה חוקי הרשת. מכיוון שרק אחוז אחד מייצר תוכן, 9% מגיבים ו-90% לא עושים כלום, הסיכוי שנעלה על משפיענים ומשפיעניות הוא גבוה, כי רוב התעבורה תהיה שלהם או לפחות תעבור דרכם. ולכן, אולי לא נעלה על כל צייצן מזדמן, אבל כן נקבל תמונה יחסית טובה של מה מתרחש (לפחות בטוויטר).


 

עוד רשתות חברתיות שזכו למחקרים לאחרונה הן הרשתות החברתיות של הימין בארה"ב.

הסיבה היא לאו דווקא הנכונות של אותן רשתות לשתף את הדאטה אלא יותר פרצות אבטחה שהאקרים וחוקרים נהנים לנצל. הרשת החברתית אולי הכי מפורסמת בהקשר זה היא פארלר, שפנתה לתומכי טראמפ, ובשיאה הגיעה כמעט ל-14 מיליון משתמשים אבל בגלל כשלי אבטחה היא נפרצה לגמרי ובשלב מסוים האפליקציה שלה הוסרה בגלל זה משרתים של חברות המיינסטרים. לא כל כך מזמן הושקו שתי רשתות חברתיות נוספות של הימין האמריקאי. אחת בשם TruthSocial שהוקמה על ידי טראמפ, אבל נכון לעכשיו הרשת לא ממש ממריאה, בין השאר בגלל הרבה כשלים טכניים. כדי לעודד אנשים להצטרף, נראה שטראמפ יתחייב לפרסם בה באופן בלעדי. הרשת הימנית השנייה היא GETTR, וגם היא לא נחשבת הצלחה מסחררת, למרות שהיא מבטיחה אפס צנזורה/סינון תכנים. בינתיים, החופש שהיא מציעה מדיכוי נוצל על ידי המשתמשים כדי להפיץ המלצות על חומרי ניקוי כתרופה לקורונה ובעיקר לצורך הפצה של פורנו קיפודים, ספציפית, של סוניק הקיפוד הכחול.

סוניק הקיפוד, כפי שנתפס במצלמה נסתרת

הותיקה מכולן היא כנראה הרשת החברתית של הימין הקיצוני בארה"ב, האלט רייט, בשם GAB, שהושקה ב-2016. הרשת זכתה לתשומת לב בעקבות הירי בבית הכנסת בפיטסבורג ב-2018, בגלל שהיורה פרסם בה פוסט שרמז על כוונותיו. בנוסף, הרשת כנראה שימשה גם לתיאום הפריצה לקפיטול בינואר 2021, ומאז אותו אירוע הגדילה משמעותית את מספר החברים בה לכשלושה וחצי מיליון משתמשים.

במקרה של GAB, חוקרי רשתות חברתיות זחלו על הרשת ב-2018 והצליחו לחלץ ממנה כ-22 מיליון פוסטים שמשמשים עד היום כדאטהסט למחקר רשתי. אחת מהחוקרות של אותו דאטהסט, ד"ר נעמי ארנולד, שעוסקת במחקר של רשתות דינאמיות, גילתה כמה דברים מעניינים על GAB, שכללה באותו זמן כ-170 אלף משתמשים:

התגלית הראשונה שלה הייתה שכ-40% מהמשתמשים ב-GAB נטו לשוחח עם "זרים". הכוונה כמובן לא למקסיקנים אלא לכאלה שאינם חברים שלהם באפליקציה. בנוסף, היא מצאה שרכיב הקשירות המרכזי ברשת ההודעות ב-GAB מכיל באופן יומי כ-60% מהרשת. מה זה אומר?

נזכיר שרכיבי קשירות, עליהם דיברנו בפרק 2 בפודקאסט, הם אותם "איים" ברשת, כלומר, החלקים ברשת שמחוברים רק לעצמם. כמו שאנחנו יודעים מאותו פרק, רכיבי הקשירות ברשתות מתפלגים "זנב ארוך", כלומר, יהיה ברשת רכיב קשירות מרכזי גדול ולצידו "זנב ארוך" של רכיבי קשירות זעירים שרובם יכילו 2 צמתים בלבד שמתקשרים אך ורק זה עם זה. ברשתות שהמבנה שלהן יחסית סטאטי, כמו למשל ברשת החברויות בפייסבוק, אנחנו נצפה שרכיב הקשירות יהיה ענקי ממש ויכיל את רוב הקשרים ברשת, באזור ה-90%. בנוסף, אנחנו נצפה שהרכיב יהיה יחסית סטאטי ובעיקר יגדל עם הזמן. ברשתות דינאמיות לעומת זאת, אנחנו נצפה שהגודל של רכיב הקשירות יהיה קטן יותר כי, לאורך זמן, צמתים יכולים גם לעזוב אותו. בהקשר של טוויטר, אנחנו נצפה שרכיב הקשירות המרכזי של הרשת הסטאטית יהיה חלק משמעותי מהרשת כשב"סטאטי" הכוונה היא לרשימת היוזרים אחריהם אנחנו עוקבים. לעומת זאת, רכיב הקשירות של הרשת הדינאמית בטוויטר, כלומר, למי אנחנו מגיבים, יהיה קטן יותר משמעותית וגם יהיה הרבה פחות יציב. מה שד"ר ארנולד מצאה זה שרכיב הקשירות של ההודעות ב-GAB משתנה לאורך היממה. בשעות שבהן הפעילות יורדת, למשל, בלילה, הרכיב מגיע לכ-30% ובשעות הפעילות ל-60%. באופן די קבוע האמת.

רכיב קשירות של רשת דינאמית שנע רוב הזמן באיזור ה-60%, מעיד, לדעתי, שמדובר ברשת די מגובשת. הייתי מצפה שברשת חברתית דינאמית, רכיב הקשירות יהיה קטן הרבה יותר – אצבע בפה – 20% נגיד? הרבה פחות מזה של GAB. בהנחה שההערכה המצוצה מהאצבע הזו של 20%~ מקובלת עלינו, מה אנחנו יכולים ללמוד מזה? אז זה נראה שהימין הקיצוני הוא יחסית מגובש ואוהב להדהד את עצמו. וזה מזכיר קצת את מה שדיברנו עליו בפרק 13, שם דיברנו על קיטוב פוליטי ברשתות. בהמשך לאותו פרק, ההבנה שלי מהרשתות האלה היא שהזעקות על קיטוב מעט מוגזמות, כלומר, ברור שיש פערים בין ימין לשמאל אבל הקיטוב המשמעותי הוא לא ביניהם אלא בין הימין הקיצוני לכל השאר. נראה שהימין הקיצוני, מבחירה או כאילוץ, מצטופף בקהילה שלו ומופיע כמנותק יחסית מהשאר. למעשה, במקרה של GAB למשל, זה הגיע למצב שבו הימין הקיצוני בחר להתנתק לחלוטין מרשת המיינסטרים ולהקים רשת חדשה לחלוטין.

מכאן, העובדה שהרשתות האחרות של הימין כמו TruthSocial ו-GTTR, לא מצליחות להתרומם, הוא לדעתי סוג של נייר לקמוס על הבדלי הגישה בין פעילי הימין לימין הקיצוני:

בניגוד לקיצוניים, פעילי הימין עדיין מצביעים ברגליים לטובת רשתות המיינסטרים. כלומר, הם לא איבדו את האמון הבסיסי במערכת. לצד זאת, קיימת התמרמרות שבאה לידי ביטוי בניסיונות להקים רשתות חברתיות אלטרנטיביות, אבל זה מרגיש יותר כאקט מחאתי ופחות כתפיסת עולם. גם בישראל הוקם חיקוי לרשתות הימין האמריקאי בשם "Mykey" ובדומה למקור, גם ניסיון זה לא נראה שמתרומם כרגע. בין הסיבות לכך היא אולי שטוויטר, לפי מחקרו של ד"ר אורן צור מאוניברסיטת בן גוריון, למעשה כבר נשלטת על ידי הימין ולכן אין לפעילים מוטיבציה להחליף פלטפורמה.

דוגמא לדומיננטיות של הימין ברשת הטוויטר בישראל אפשר לראות בניתוח שעשיתי בעקבות פיגוע הירי בדיזינגוף ב-7 באפריל 2022.

רשת הטוויטים שאיזכרו את הירי בדיזינגוף ב-7 באפריל 2022

בניתוח אפשר לראות שלא רק שקהילות הימין ברשת היו הגדולות והמשמעותיות ביותר, אלא שאפילו בקהילת השמאל, הגורם הכי מרכזי באותה קהילה היה ... גלית דיסטל, חברת הכנסת מהליכוד, כלומר, רוב האיזכורים של הקהילה הופנו אליה. ואני מזכיר – נכון למאי 2022 – הליכוד נמצא באופוזיציה והשמאל בקואליציה, מה שעושה את זה אפילו עוד יותר מעניין.

 

ניתוח רשתי הוא לא דבר מסובך, אבל הוא דורש מודעות וחשיבה רשתית. אני מאד בעד פרסומים פופולריים של ניתוחי רשת, שחשובים להעלאת המודעות והמורל, אבל צריך להיזהר מפרסומים כאלה שבהם הכותב.ת מתבלים את הפרסום בויזואליזציה של רשת שאולי נראית מאד יפה וצבעונית, כמו שוקולד בצורת ארנב, אבל כמוהו - מאכזבת וחלולה אחרי שמורידים את העטיפה. דוגמא לכך היא רשת שהפיץ מייקל ג'נסן, ממרכז המחקר לטרור של אוניברסיטת מרילנד. ג'נסן ניסה להבנות רשת של קשרים בין הפעילות והפעילים שהואשמו בפריצה לקפיטול ב-6 בינואר 2021.


המאמץ הוא ראוי, ומבט מהיר על הרשת מייצר תמונה מרשימה מאד. הרשת מכילה 244 פעילים והיא נראית יחסית צפופה וכך לכאורה מוכיחה כמה הדוק היה התיאום בין הפעילים.

אבל כשמתחילים לרדת לעומק העניין, העסק מתחיל להיפרם. קודם כל, הוגשו כ-800 כתבי אישום במסגרת חקירת הפריצה ורק כשליש מהם מופיעים במיפוי הרשתי של ג'נסן. נניח שהסיבה היא קושי בגישה לדאטה וניתן לג'נסן ליהנות מהספק. אבל כשבוחנים את הקשרים לעומק מגלים שיש ברשת שני סוגי קשרים: קשרים אישיים, שאלו הקשרים שנחפש לראות האם היה תיאום, וקשרים מסוג חברות בארגון. קשרים מסוג זה הם רופפים יותר ולא בהכרח מוכיחים הרבה. אמנם הארגונים שמופיעים ברשת נחשבים קיצוניים, בזה אין ספק, אבל לצד זאת, זה עובדה שלא כל החברים בארגון הואשמו בקנוניה. מכאן שחברות באותם ארגונים, לפחות מבחינת המשפט האמריקאי, אינה תנאי לשותפות בקונספירציה. ואפרופו קונספירציה, ג'נסן תייג ברשת את הצמתים או הפעילים שכתב האישום שלהם כולל קשירת קשר. בדיקה מדוקדקת של הרשת מראה שיש קשרים בין חלק מהצמתים האלה אבל רובם לא כל כך קשורים אחד לשני, לפחות לא לפי הדאטהסט שהוא מביא. חייב להגיד שזה קצת מביך, כי נראה לי שהתנאי הבסיסי לקשירת קשר הוא... שיהיה קשר. ההטייה של האנשים שהגיבו בהתלהבות לפוסט של ג'נסן הייתה שהם התמקדו בקשרים שהוא כן סימן אבל התעלמו ממה שלא נמצא שם, וזה טבעי. קל לנו להתייחס למה שיש ולא למה שאין. בכל מקרה, אני מקווה שלגורמי אכיפת החוק בארה"ב יש מודיעין רשתי טוב יותר ממה שלג'נסן היה להציע.

מה שזה בא להראות לנו זה שלרשתות יש הרבה כוח וחשוב להשתמש בהן בזהירות. רשתות מקיפות אותנו בכל מקום. בצורה כזו או אחרת, הכל קשור להכל, מה שנקרא: "בודהה צדק!". אבל זה שדברים קשורים, לא אומר שהם בהכרח משפיעים אחד על השני וזה שדברים נראים לנו בעין כקשורים, לא אומר שהקשר ביניהם בהכרח חזק ומשמעותי.

הנה, אפרופו בודהה, אני יכול להציג גרף שיראה שבודהה נמצא רק במרחק צעד אחד מהיטלר, לחובבי וחובבות הסמנטעל בקהל:

מה שיעזור לנו להבדיל בין עיקר וטפל ברשתות שלנו זה שימוש נכון באלגוריתמיקת רשת שתהפוך את תחושת הויזואליזציה שלנו למספרים קשיחים ותאפשר לנו להשוות בין הרשתות השונות. עם הזמן והניסיון זה יבוא לנו יותר טבעי.


 

עד כאן, הסתכלנו בעיקר על רשתות חברתיות בקטע של אקטואליה. אבל מה אפשר ללמוד מניתוח רשתי על יוזרים? בהקשר זה, רשת חברתית מעניינת שיצא לי לנתח לאחרונה היא יוטיוב. יש כל מיני דרכים להבנות את המידע של יוטיוב כרשת, למשל, מי מגיב למי, מי מנוי לאיזה ערוץ, איזה סרטונים נראו על ידי אותם משתמשים ועוד. אני מניח שיוטיוב עושה שימוש ברוב, אם לא בכל הגרפים האלו כדי להמליץ לנו על סרטונים, ולפחות במקרה שלי, היא עושה עבודה לא רעה בכלל בלהמליץ לי על סרטונים מעניינים. העוצמה של הגרפים האלה מאפשרת להתכוונן לרצון הצופים בדרך שקטגוריות כוללניות כמו "מוסיקה", "כלכלה", "מדע וטכנולוגיה" וכו' בחיים לא יצליחו לקלוע. הגרפים מספקים את ההקשר של הסרטון ובניתוח דאטה "הקשר" הוא מילת מפתח ולא בטוח שאנחנו תמיד נותנים לו את הכבוד הראוי. אי אפשר "לספר את הסיפור" של הדאטה בלעדיו.

חזרה לניתוח אז בניתוח הרשתי על יוטיוב ניסיתי לאפיין את קהל הצופים של סרטון שהעליתי בזמנו לערוץ החדש של נטפריקס. הסרטון שחקרתי הוא סרטון שמסביר על אלגוריתם למציאת קהילות ברשת, ספציפית, מודולאריטי.

את הניתוח שעשיתי הקלטתי והעליתי כסוג של סרטון "לייב" כדי שאפשר יהיה לעקוב אחרי התהליך הלוגי של הניתוח ועל הדרך התרשם ממערכת ניתוח הרשת Gephi. קישור לסרטונים נמצא בהרחבות לפרק שלינק אליו נמצא בתיאור הפרק של הפודקאסט.

מה שאותי הדהים בתהליך היה לגלות את העומק והמיקוד שניתוח רשת מאפשר בניתוח הדאטה. במקרה הזה, הסיפור שיכולתי לספר על קהל הצופים הרגיש לי מאד ממוקד: נראה שקהל הצופים מורכב בעיקר מסטודנטים הודיים למדע הנתונים שלומדים בחו"ל ומממנים את הלימודים באמצעות נהיגה במונית. נשמע יותר מדי ספציפי באופן מחשיד? לאלה שהסתקרנו איך אפשר להגיע לתוצאות האלה, כנסו לסרטון ותנו פידבק. אשמח להערות והארות.


המשמעות של הניתוח הזה גדלה לאור התאוצה ההולכת וגוברת של סוגיית הפרטיות ברשתות חברתיות. מידע על משתמשים הולך ונהיה קשה יותר לאיסוף, וכנראה שטוב שכך, אבל הדבר פוגע בעיסוק במרקטינג, טירגוט וכד'. לטובת אותה אוכלוסייה מוחלשת, ניתוח הרשת יכול להיות פתרון אלגנטי להבין מי הקהל יעד כדי שאפשר יהיה להתאים אליהם את המסרים, למצוא את המשפיענים כדי להרחיב את ה-Reach ולדאוג ל- retentionול-growth.

הניתוח לא חייב להיות של רשת חברתית במובן של פייסבוק, טוויטר או אינסטגרם. לחברות יכול להיות דאטה משלהם שמאד רלוונטי לנושא, רק צריך לא לשכוח להציף את הרשת החבויה בו.


 

אני מצרף כאן גלריית תמונות וקישורים לניתוחים מעניינים נוספים של רשתות חברתיות.

מכל רשת יש מה ללמוד – לא רק תובנות על הדאטה אלא גם על שיטות וכלי המחקר.


ועכשיו, כמובטח, מגוון ביקורות מרחבי המרשתת:

המלצה מפתיעה לנטפריקס מאתר "ידיעות אחרונות". שם אסף יערי כתב:



עדיאל כתב בטוויטר:

אסף שפירא AKA @NetfrixP לקח נושא שיכול להיות יבש יותר ממצה ערב פסח ועשה ממנו קרואסון. הומור קליל, שליטה, רהיטות ומגוון מדהים של רעיונות.

תודה לעדיאל על הטוויט ועל היידישקייט.


דורון כתב בטוויטר בתגובה על ניתוח רשתי שהעלה עידו קליין, שהוא הרוח החיה מאחורי #פידתחבורה:

אחלה פרויקט ומפות יפות וכבוד ל @NetfrixP שמפיץ ידע רשתי בעברית וכמובן ל @idoklein1 על הקישורים.

רז כתב בלינקדאין:

המלצה חמה על הפודקאסט NETfrix, מעביר בצורה כיפית וברורה את המורכבות בנושא ניתוח רשתות(SNA). נתקלתי ביישום מגניב של זה בשיפור יכולת התבוננות(Observability) לתוך מערכות מבוזרות ע״י ניתוח טרייסים(tracing).

תודה רז, ולמי שמתעניין.ת מה רז מצא, לינק לפוסט נמצא בהרחבות לפרק.


אז כמו שניתן להבין, לנטפריקס יש גם ערוץ יוטיוב חדש כדי להפיץ את בשורת מדע הרשתות גם בויז'ואל. מדי פעם אשתדל להעלות דברים לא יותר מדי מביכים. מוזמנות ומוזמנים לסבסקרב. רוצות ורוצים לעזור גם להפיץ את בשורת מדע הרשתות? חשוב לא פחות זה לדרג את הפודקאסט. זה קריטי בשביל הרחבת התפוצה והמצב רוח שלי.

קחו שניה לתת 5 כוכבים לפודקאסט בספוטיפיי או באפל-פודקאסטס ו/או כיתבו ביקורת. ניתן לדרג גם בפודקאסט-אדיקט (בטאב של ה-reviews). מותר ומומלץ להעלות פוסט ולתייג את נטפריקס בפייסבוק/טוויטר/אינסטגרם או לינקדאין ושוב, פוסטים יצירתיים במיוחד יושמעו בפרקים הבאים.

ואם עוד לא עשיתן לייק בדף של נטפריקס בפייסבוק, זה הזמן. אתרים עם יותר לייקים, מקבלים יותר חשיפה. לינקים לכל הפלטפורמות שציינתי נמצאים בלינק ההרחבות לפרק שנמצא בתיאור הפרק באפליקציית הפודקאסטים. אתם כבר שם? תעשו Subscribe.

לפניות/הערות/הארות/הצעות ועוד: שלחו מייל!


נתראה בפרק הבא של נטפריקס.


#פודקאסט #מדע_הרשתות#ניתוח_רשתות_חברתיות #ביגדאטה#מדעי_המחשב#מדע_הנתונים #יוטיוב #טוויטר#למידת_מכונה #קופים #חדשות #שיווק #טירגוט

#Podcast #NetworkScience #SNA #SocialNetworkAnalysis

#DataScience #BigData #Youtube #Facebook #Twitter #ML #MachineLearning #MonkeyPox #News #Marketing #Targeting #Engagement

46 צפיות0 תגובות