Measuring reciprocity: Double sampling, concordance, and network construction
Notice bibliographique
Résumé
Abstract Reciprocity—the mutual provisioning of support/goods—is a pervasive feature of social life. Directed networks provide a way to examine the structure of reciprocity in a community. However, measuring social networks involves assumptions about what relationships matter and how to elicit them, which may impact observed reciprocity. In particular, the practice of aggregating multiple sources of data on the same relationship (e.g., “double-sampled” data, where both the “giver” and “receiver” are asked to report on their relationship) may have pronounced impacts on network structure. To investigate these issues, we examine concordance (ties reported by both parties) and reciprocity in a set of directed, double-sampled social support networks. We find low concordance in people’s responses. Taking either the union (including any reported ties) or the intersection (including only concordant ties) of double-sampled relationships results in dramatically higher levels of reciprocity. Using multilevel exponential random graph models of social support networks from 75 villages in India, we show that these changes cannot be fully explained by the increase in the number of ties produced by layer aggregation. Respondents’ tendency to name the same people as both givers and receivers of support plays an important role, but this tendency varies across contexts and relationships type. We argue that no single method should necessarily be seen as the “correct” choice for aggregation of multiple sources of data on a single relationship type. Methods of aggregation should depend on the research question, the context, and the relationship in question.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,112 | 0,402 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».