Capítulo 9. Redes Sociais

Supervisores:

Autores do Capítulo:

Colaboradores:



1. Introdução

A Internet é uma ferramenta muito útil no mundo moderno pois nos fornece acesso a uma quantidade incrível de informação possibilitando a formação de novas formas de interação, organização e atividades sociais. Uma das principais vantagens da internet foi a grande revolução na forma com que nos comunicamos e buscamos informações. Hoje é muito difícil imaginar como seria a nossa vida sem comunicadores instantâneos como o Windows Live Messenger® e Skype® ou sem o uso dos buscadores como Google e Bing.

Dentro deste novo universo surgiram as Redes Sociais, cujo o objetivo é aproximar os usuários no vasto mundo da internet. As Redes Sociais proveêm meios de encontrarmos e interargirmos com as pessoas do mundo inteiro. Hoje se quisermos achar um amigo de infância basta fazer uma busca em sites como Orkut e Facebook. Para experimentar novas músicas temos serviços que tentam nos fazer recomendações baseados no que pessoas com gosto musical parecido com o nosso escutam mundo afora, como é o caso do Firefly. Até mesmo em compras feitas pela internet podemos ver a opinião de outros usuários antes de decidir qual o melhor fornecedor para o produto desejado. Com o poder das interações sociais tivemos industrias que foram revolucionadas, agora no lugar de jogar apenas com as máquinas jogamos com humanos, o que torna o jogo muito mais interessante pois o comportamento humano não é previsível.

Neste capítulo veremos as diversas maneiras de interação em redes sociais e como a informação gerada pelos usuários das mesmas pode ser utilizada em diversos contextos. Veremos a teoria por trás dos diversos tipos de aplicações que fazem uso dessas redes e tentaremos mostrar como elas mudaram nossa vida e a maneira de interagir com o mundo.

2. Fundamentos de Redes Socias

Em seu trabalho sobre análise de redes sociais, realizado em 1994, Wasserman e Faust conceituaram Rede Social como a junção de um ou mais conjuntos finitos de atores com uma ou mais relações entre os atores. Atores são entidades sociais, podendo representar unidades individuais ou coletivas, como, por exemplo, pessoas em um determinado grupo, departamentos de uma empresa, agências de serviços públicos de uma cidade, entre outros. Relação é um conjunto de vínculos de diversos tipos. Alguns exemplos de vínculos empregados em estudos sobre análise de redes sociais, são: pessoais (amizade, simpatia ou respeito), transferência de recursos (transações comerciais), afiliação (partido político ou clube social), interação comportamental (conversas ou troca de mensagens), movimento entre lugares (migração), conexão física (ponte, rio ou estrada), relação formal (autoridades), relacionamento biológico (descendência) [62].

Podemos definir uma [33] rede social como um serviço web que permitem as pessoas construir um perfil, que pode ser totalmente público ou semi-público, dentro de um sistema limitado, articular uma lista de outros usuários com quem eles compartilham uma conexão, e ver e percorrer suas lista de conexões e aquelas feitas por outras pessoas dentro do sistema. Em outras palavras, as redes sociais são formas de compartilhamento de informações, gostos e ideias entre usuários com os mesmos gostos e estilos por meio de um perfil.

2.1 Contexto histórico das redes sociais

Em 1997, surgiu a primeira rede social e ela era conhecida como SixDegrees.com. Essa rede social foi fundada por [34] Andew Weinreich e estava localizada em Nova Iorque, chegou a ter cerca de um milhão de usuários e cerca de 100 funcionários.

SixDegrees era uma ferramenta para ajudar as pessoas a se comunicarem, ou seja, os usuários podem enviar mensagens para as pessoas de primeiro, segundo e terceiro grau, além de poder criar um perfil e lista de amigos e um ano mais tarde, foi possível visualizar os amigos de seus amigos.

Apesar dessa rede social atraírem milhões de usuários, ele não conseguiu se tornar um [33] negócio sustentável e em 2000, esse serviço foi fechado. Essa rede social foi comprado um pouco mais tarde pela empresa YouthStream Media Network, empresa de marketing, por $125 milhões.

Um ano mais tarde após o fechamento do SixDegrees, uma outra rede social começou a ficar conhecida e a sua proposta era um pouco diferente da anterior. O seu foco era em negócios, ou seja, criar uma comunidade voltada para as pessoas que estavam envolvidas no mundo dos negócios. Essa rede social era conhecida como Ryze. [35] Ela foi fundada por Adrian Scott em São Francisco e em 2001. A partir dessa rede social surgiram outras redes sociais voltadas para negócios, como o LinkedIn, Tribe.net e Friendster. [33] Em particular, Friendster foi uma das maiores decepções da história da Internet.

Friendster foi fundada em 2002 como um complemento para a rede social Ryze, a sua sede é em Mountain View, Califórnia e os fundadores foram Jonathan Abrams e Perter Chin. Ele foi projetado para competir com o Match.com que é um site de encontros. A diferença entre o Friendster para os outros sites de encontros é ajudar os amigos de amigos a se encontrarem e não os estranhos de encontrarem.

Em poucos meses de funcionamento, ele possuía cerca de 3 milhões de usuários e em 2008, possuía mais de 113 milhões de usuários registrados. Com esse crescimento repentino, eles tiveram, basicamente, dois tipos de problemas. Por um lado, os servidores deles não estavam preparados para receberem tantos usuários e consequentemente, o site se tornava instável. Por outro, algumas pessoas tiveram conflitos com os próprios amigos e algumas delas, tiveram conflito até mesmo com os seus chefes. E esses problemas deixavam os usuários muitos frustrados e acabaram abandonando esse tipo de serviço.

A partir do ano de 2003 e com o objetivo de conseguir reproduzir o sucesso do Friendster, foram criadas vários tipos de redes sociais, uma especializado em músicas (Last.FM), outra especializado em vídeos como o YouTube e outras especializado em compartilhamento de fotos como o Flickr.

Com o surgimento de várias rede sociais, algumas pessoas notaram a popularidade de algumas redes sociais em alguns países, por exemplo, nos Estados Unidos, a rede social Orkut não conseguiu obter sucesso, no entanto, foi o maior sucesso no Brasil. O que fez sucesso, foi o MSN Spaces. Já a rede social Hi5, é muito popular em pequenos países na América Latina, África do Sul e Europa, o Bebo é popular no Reino Unido, Nova Zelândia e Austrália.

Sabendo disso, alguns pesquisadores começaram a estudar porque algumas redes sociais tinham esse tipo de comportamento e quais eram as características dos usuários que usavam essas redes sociais. Além de estudar esses comportamentos, alguns pesquisadores tentaram fazer uma modelagem matemática baseadas nas redes sociais em alguma área do conhecimento.

2.2 Impactos na Sociedade

As redes sociais mudaram, de certa forma, o nosso relacionamento uns com os outros no que diz a respeito à comunicação. Hoje quando vamos numa [36] conferência, por exemplo, muitas vezes anotamos o seu endereço de e-mail em vez de trocar números telefônicos ou o seu endereço físico. Esses métodos de comunicação se tornaram ineficientes e podem onerosos no ponto de vista do tempo de resposta e custo. Podemos citar como exemplo, uma ligação internacional. Nesse caso, fazer uma ligação por meio da Internet possui um custo menor do que fazer uma ligação internacional por meio de uma operadora de telefonia convencional.

A partir do momento em que uma pessoa ingressa numa rede social, ela poderá conhecer diversas pessoas pelo mundo inteiro, podem também compartilhar informações que elas acham interessantes ou ainda, pedir mais informações a respeito de um produto, por exemplo.

As redes sociais também ganharam espaço no mundo empresarial. Alguns bancos brasileiros estão criando mídias para se aproximarem mais os seus clientes com o banco. Um exemplo que podemos tomar, [39] o diretor de marketing do Bradesco observa que o usuário que aprecia a mídia Internet busca nela aquilo que melhor lhe atrai, o que mais se identifica com ele e dentro desse contexto, ele afirma que as redes sociais dão opinião e querem propagar, informar, dizer, comunicar aquilo que elas gostam ou até saber se um determinado serviço é bom ou ruim. [37] A revolta egípcia, que aconteceu em 22 de Fevereiro de 2011, é um exemplo concreto de como uma opinião pode virar um ato político organizado que depôs o ditador Hosni Mubarak.

Esse novo meio de comunicação não só trouxe a facilidade, mas também problemas. [36] Alguns estudos mostraram que quanto mais tempo é gasto na Internet, mais a pessoa se isola da sociedade e por conseqüência a depressão.

Uma pesquisa realizada pela universidade de [36] Berkeley com 500 pessoas com idade entre 18 e 25 anos, mostrou que 6% de 40 indivíduos passaram três ou mais horas em redes sociais e um outro estudo realizado pela universidade de Stanford, mostrou que há uma correlação entre o número de horas utilizadas em redes sociais e o isolamento social. Nesse estudo, foi realizado com três tipos de interação com as pessoas: telefone, família e eventos sociais. Veja o gráfico abaixo do resultado dessa pesquisa.

graficoIsolamento.png

Figura 1: Gráfico do Isolamento Social, fonte: http://www.ocf.berkeley.edu/~stellal/Contactme.htm

Segundo uma pesquisa realizada pela Universidade de Toronto, a internet fez as pessoas terem mais amigos que no mundo real. E esse crescimento de amizades virtuais coincidiu com o surgimento e ascensão das redes sociais. E isso teve impacto diretamente no mundo real. A pesquisa mostra ainda que as pessoas que passam mais tempo na internet, foram os que ganharam mais amigos no mundo real - 38% mais. Já quem não usava a internet ampliou suas amizades em apenas 4,6%.

Um outro estudo feito pela Universidade de Michigan constatou que o 20 maior uso do Facebook, depois de interagir com amigos, é olhar os perfis de pessoas de gente que acabamos de conhecer. Se esse perfil atendeu as suas expectativas, você irá adicionar. E um outro dado importante, as redes sociais têm o poder de transformar os chamados elos latentes (pessoas que frequentam o mesmo ambiente social que você, mas não são suas amigas) em elos fracos, ou seja, eles criam uma amizade fraca, que não tem um vínculo afetivo grande [75].

Os sites sociais como Orkut e Facebook tornam mais fácil fazer, manter e gerenciar amigos. Mas também influem no desenvolvimento das relações, ou seja, [11] essas redes podem afetar a formação do indivíduo, influenciando a comunicação e aprendizagem.

Além de afetar como as pessoas se comunicam e o seu comportamento, as redes sociais também afeta o organismo da pessoa que usa essas redes. Esse é uma pesquisa que está sendo realizado na Universidade da Califórnia. Mais precisamente, o que acontece com os níveis de ocitocina quando usamos o Twitter, por exemplo. É há um efeito. Os primeiros resultados mostraram que tuitar estimula a liberação desse hormônio, e consequentemente diminui os níveis de hormônios como cortisol e ACTH, associados ao estresse.

Portanto, esse resultado sugere que o nosso cérebro está se adaptando a esse novo modo de interagir.

3. Interatividade das Redes Sociais

Através do advento da internet, passa-se a ter um grande número de máquinas comunicando-se entre si através da troca de informações. Diversos serviços, dentre eles e-mails e sites, tornam a internet cada vez mais difundida e esse fenômeno é ainda mais acelerado devido a programas sociais tais como a inclusão digital.

Com a grande característica comumente atribuída à internet, a de “encurtar distâncias”, além dos serviços mencionados no parágrafo anterior, as redes sociais oferecem outra forma de garantir que essa característica seja mantida. Redes sociais são plataformas populares para a interação, comunicação e colaboração entre pessoas, através da internet. Os usuários dessas redes têm como atividade, por exemplo, o estabelecimento de links entre amigos, a possibilidade de organizar eventos, procurar por um usuário específico, compartilhar recursos e trocar mensagens. Redes sociais como o MySpace (http://www.myspace.com/) e o Facebook (http://www.facebook.com/) proveem comunicação, armazenamento e aplicações sociais para centenas de milhões de pessoas [12]. Em fevereiro de 2009, o Facebook foi tido como a maior rede social do mundo, com mais de 150 milhões de usuários ativos [12]. A enorme interação entre os usuários dessas redes, através das atividades citadas e demais outras, são temas de muitas pesquisas, como se pode ver em [12] e [17].

Ainda com o crescimento da internet, passa-se a ter a ter a definição de Cloud Computing. Assunto de muitas pesquisas, Cloud Computing refere-se, basicamente, à possibilidade do compartilhamento de serviços através da internet. Esses serviços são propriamente softwares, os quais são ditos Software as a Service (SaaS) [16], e que podem ser localizados através da internet. Esses conceitos, dada a enorme popularização das redes sociais, são também aplicados a elas. Algumas redes sociais como, por exemplo, o Facebook e o Twitter (http://www.twitter.com), embora se distingam em algumas características, podem ser integrados com a utilização desses serviços. Dessa forma, a interatividade em ambas as redes é expandida.

No entanto, não são encontradas interações entre usuários somente nos sites que oferecem serviços de redes sociais. Sites com outros propósitos, como fóruns de discussões (GUJ - http://www.guj.com.br) ou compartilhamento de imagens (DeviantArt - http://www.deviantart.com/), disponibilizam ao usuário a possibilidade de estabelecer links entre amigos e a troca de mensagens. Diversos jogos (como em [15]), muitos deles disponíveis no Facebook, dão ao usuário a possibilidade de interagir com algum amigo durante um gameplay de um jogo. Até mesmo alguns dos videogames atuais oferecem serviços de redes sociais (como o Xbox 360 da Microsoft e o Nintendo DS da Nintendo), dando a oportunidade de o jogador competir com os amigos (desde que o jogo ofereça essa possibilidade).

Não bastando, as redes sociais oferecem diversas informações para sites, por exemplo, cujo propósito seja a venda de produtos. Alguns se utilizam de técnicas de Data Mining (ver mais em [14]), aplicadas ao o perfil de seus usuários, obtendo assim informações o suficiente para criar um Sistema de Recomendações que, basicamente, oferece produtos de acordo com o perfil do usuário.

As redes sociais conquistaram seu espaço até mesmo no mundo corporativo. Nas corporações, as redes sociais são utilizadas para obtenção de um feedback para seus produtos ou serviços. Ou ainda para a divulgação desses produtos e serviços. Para essas corporações, a forma como a rede esta estruturada é importante, ou seja, as informações publicadas rapidamente atingem um grande número de usuários. E da mesma forma com que a informação corre pela rede, obter informação dela também é possível. Um exemplo desse uso está no fato de algumas corporações buscarem na rede informações e perfis de profissionais a serem contratados.

Finalmente, vale lembrar que uma rede social não precisa estar somente presente no meio eletrônio. Embora o termo "rede social" esteja atualmente muito ligado a isso, uma rede social pode facilmente ser observada em um grupo de amigos ou em um grupo de familiares. É importante ressaltar que o que cria e mantem uma rede social é a interatividade das pessoas envolvidas nela, esteja essa rede presente num meio eletrônico ou não. Se o leitor se interessar, [17] apresenta um artigo bastante interessante sobre o um sistema do qual se pode visualizar e analisar a estrutura de uma rede social.

4. Sistemas de Recomendação

Notas do grupo: Firefly, Amazon

Com a quantidade de informação disponível na internet, se torna cada vez mais difícil para um usuário selecionar o conteúdo interessante sendo transmitido. Para apoiar o usuário nessas situações, existem diversos sistemas, e outros tantos são criados, com o intuito de filtrar a informação disponível na internet, visando entregar ao usuário conteúdo interessante personalizado.

Uma característica inerente ao problema é a quantidade imensa de informação a ser processada. Dado que o usuário tem acesso a muita informação, o objetivo central do problema é fornecer recomendações úteis e que possam gerar grande valor ao usuário.

Há pelo menos três formas de resolver o problema[28]:

  • Recomendação baseada em conteúdo: A recomendação baseia-se no histórico do usuário. Recomenda-se itens semelhantes a itens que o usuário gostou anteriormente. (Exs: NewsWeeder[29])
  • Recomendação colaborativa: A recomendação baseia-se em similaridade entre usuários. Recomenda-se itens que usuários semelhantes gostaram. (Exs: GroupLens[30], Ringo[31])
  • Métodos híbridos: Combinação dos dois métodos.

Define-se sistemas de recomendação baseados em conteúdo sistemas que utilizam apenas um perfil construído a partir do histórico de feedback do usuário sobre os itens que ele já analisou. Esse tipo de sistema tem algumas desvantagens muito fortes:

  • Para definir quão semelhante um item é a outro, é necessário fazer alguma analise do conteúdo. Essa analise deve levar em conta características importantes, para ser realmente boa. Infelizmente muitas qualidades do conteúdo acabam sendo ignoradas por uma analise muito simplificada, ou pela impossibilidade da extração de características.
  • Se o sistema sempre recomenda itens baseados no perfil do usuário, os itens sempre terão conteúdo semelhante. Se o sistema sempre oferece itens semelhantes e recebe avaliações apenas desses itens, ele começará a recomendar apenas itens muito semelhantes a esse, eliminando qualquer tipo de novidade da recomendação. (Denominamos esse problema de "over-fitting")

Recomendação colaborativa muda o foco da analise do produto, para o usuário. Não é necessário definir similaridade de itens, mas é necessário definir similaridade de usuário. Normalmente esse sistema calcula um conjunto de usuários próximos, no sentido de terem fornecido avaliações semelhantes de itens, e recomenda itens baseado nesse conjunto.

Com essa mudança no foco, conseguimos resolver o problema de over-fitting, pois novidades poderão ser atingidas através dos outros usuários. Mas introduzimos outros problemas:

  • Novos itens nunca são recomendados. Como o sistema recomenda itens que os usuários semelhantes avaliaram bem, novos itens nunca serão alcançados, pois nunca serão avaliados.
  • O sistema sempre será pouco confiável para fazer recomendações para usuários que fogem da norma. Se um usuário não tem bons semelhantes no sistema, terá recomendações baseadas em um conjunto de vizinhos que não refletem muito bem os seus próprios gostos.

Esse sistema é tão importante para algumas empresas que as próprias já lançaram desafios para conseguir sistemas de recomendação melhores, como é o caso da NetFlix

4.1 NetFlix e o prêmio de U$1Mi

O NetFlix Prize, como foi chamado, foi um prêmio oferecido pela NetFlix para quem conseguisse desenvolver um algoritmo melhor do que o o da própria NetFlix para recomendação de vídeos.

Formalmente, uma competição para encontrar o melhor algoritmo de filtro colaborativo para estimar avaliações de usuários. A empresa forneceu um grande conjunto de dados para teste, e lançou o desafio para qualquer um que não estivesse relacionado com a própria empresa.

Para ganhar o grande prêmio, foi definido um limitante inferior para o quão melhor o algoritmo deveria ser, mas melhoras sobre o algoritmo atual também eram premiadas.

O concurso durou vários anos, até que foi encerrado em 2010 por questões legais envolvendo privacidade de usuário. Sendo que um usuário não identificado chegou a processar a empresa.

MDO:
Várias foram as formas de se tentar resolver da maneira mais eficiente o NetFlix Prize. Uma das mais interessantes é descrita em [46], onde são utilizados dados do Wikipedia para correlacionamento de informações de filmes no banco de dados do NetFlix.

4.2 Recomendação na Amazon

A Amazon é uma empresa muito bom sucedida de comercio eletrônico que utiliza fortemente Sistemas de Recomendações em seu site.

O site utiliza coleta direta (avaliação direta do usuário) e indireta(estatísticas de navegação) de informação e informação da comunidade(definição de produtos mais populares) para gerar recomendações para seus usuários.

Algumas caracteristicas do sistema de recomendação da Amazon são[32][40]:

  • Customers who bought: É um recurso da sistema de recomendação de livros representado por duas listas de recomendações, uma para autores relacionados e outra para livro relacionado. Esse recurso faz recomendações baseados no publico de um livro, considerando o livro e o autor do livro.
  • Lista de Recomendação: Estratégia que usa conhecimento da comunidade para gerar listas genericas. (Exs.: Top100, lista de lançamentos)
  • Avaliação dos Usuários: Estratégia para dar credibilidade a um produto e gerar um perfil para o próprio usuario. Novas recomendações podem ser feitas baseadas no gosto aparente do usuário.
  • Itens Semelhantes: Estratégia de recomendação normalmente baseada em conteúdo, recomenda itens semelhantes ao item que está sendo consultado, e recomenda, de forma colaborativa, itens que tenham sido comprados junto com o item em foco.
  • Associação por Conteúdo: Essêncialmente, recomendação baseada em conteudo em sua forma mais pura.
  • Eyes: Basicamente ofertas enviadas por email. O usuário pode pedir para ser notificado quando um novo produto for adicionado ao catalogo da Amazon.
  • Purchase Circles: É um recurso que permite ao usuário descobrir listas do tipo "Top10", restrito à uma localidade. Um meio-termo entre recomendação pessoal e geral.

4.3 Firefly

O website FireFly, fundado em 1995, era um site de recomendação de músicas baseado no sistema de recomendação colaborativa chamado HOMR (Helpful Online Music Recommendation Service, foi o sucessor do sistema RINGO [31] que recebia comandos dos usuários via email, recebendo novas informações dos usuários sobre artistas dos usuários).

Posteriormente, em 1998, o site foi comprado pela Microsoft para formar o serviço .Net Passport, devido a seus avanços na questão de privacidade [63]. Um ano mais tarde o site foi fechado [64], porém a idéia de um sistema de recomendação de música ainda persiste nos dias atuais com o sistema Genius da Apple, o site Grooveshark e o site Pandora.

4.4 Web Semântica

ECT:
A Web Semântica é vista como um "upgrade" da Web atual, com foco na interligação dos dados disponíveis na Web, interligação essa baseada no significado (semântica) dessas informações, encarando a Web como um banco de dados global. Em [4], a W3C apresenta (em 1998), o que seria a visão para o futuro da Web Semântica, propondo conceitos, tecnologias e arquiteturas que tornariam a Web Semântica uma realidade. Tecnologias propostas como a RDF e XML realmente são realidade hoje, já a Web Semântica, com todo seu potencial, ainda está longe de ser atingida.

Falando sobre Sistemas de Colaboração e Informação social (cap. 7) acho que vale a pena falar sobre a abordagem da Web Semântica que tenta resolver o problema de extrair informações dos documentos Web, que na maioria são feitos para ser entendios por humanos e não para ser processados por maquinas (não tem que ser necessáriamente nessa seção). Em baixo um parte de um texto meu sobre a DBpedia.

Web Semântica em ação: O Projeto DBpedia
O framework da Web Semântica definido pelo W3C fornece varios modelos e padrões relacionadas com assuntos e problemas da Web Semântica. Estes padrões são implementados e utilizados na prática. Existe uma vasta gama de bibliotecas de programação, reasoners, mecanismos de consulta, editores, ferramentas e assim por diante. Devido a isso, as aplicações da Web Semântica está começando a realidade. Nesta seção, queremos apresentar o projeto DBpedia [Auer and Lehmann, 2007; Bizer et al. 2009]. Nesse projeto o World Wide Web e visto como um grande banco de dados que applica os conceitos da Web Semântica. O projeto DBpedia extrai informações estruturadas da Wikipedia. Em maio de 2009 DBpedia consistiu de 2,6 milhões de entidades, cada identificáveis ​​por HTTP URIs e interligados em um grafo RDF.

O gráfico RDF de DBpedia podem ser consultados através de um terminal SPARQL. Além disso, DBpedia fornece a DBpedia Query Builder e Wikipedia Facetted Search [Hahn et al.], um "user-friendly interface" que não exige conhecimentos sobre SPARQL (uma linguagem para buscar em BdD semanticos) e sua sintaxe.

Sem dúvida, o projeto DBpedia faz uma grande contribuição na estruturação das informações disponíveis na Wikipédia. Implementa perfeitamente o que a visão da Web Semântica é: utilizando dados e extrair informações a fim de realizar aplicações sofisticadas. Além disso, serve como uma fonte de informação de base e para outros sistemas, que constroem em cima de DBpedia.

CNG
Swoogle (http://swoogle.umbc.edu/) é uma engine de busca para a Web Semântica. As buscas são feitas sobre paginas Web marcadas como definidas com ontologias, as buscas são feitas nestas ontologias destas paginas. São recuperados ontlogias definidas em OWL.

5. Mercados Virtuais

Nas transações feitas pela internet consumidores de mercados virtuais tendem a assumir riscos ao realizar as suas compras. Na maioria das transações um determinado produto só é enviado ao consumidor após o vendedor receber a confirmação do pagamento do mesmo. Esta situação expõe o consumidor, que ao decidir fazer uma compra online opta também por assumir riscos. Ele pode não receber o produto, ter algum problema com a entrega, receber um produto diferente do escolhido ou receber uma mercadoria com defeito.

Neste contexto empresas que organizam este tipo de mercado recorrem do uso de mecanismos para dar maior segurança aos usuários que desejam comprar online. Mercados como eBay, Amazon, Buscape, Mercado Livre, entre outros fazem uso do que chamamos de Sistemas de Reputação. Estes sistemas consistem em colher informações do consumidor após a sua compra com o objetico de avaliar se o vendendor entregou o produto correto, no prazo estipulado, sem defeitos etc. Basicamente o objetivo é avaliar a qualidade do serviço oferecida pelo vendedor. Este tipo de sistema tem uma idéia simples: a cada avaliação positiva o vendedor ganha pontos em sua reputação, caso receba avaliações negativas ele perde pontos. Usando esses pontos como base uma fórmula é utilizada e é calculada uma nota para o vendedor, quanto maior for sua nota mais confiável ele é. Além de informar se a experiência da compra foi boa ou ruim os usuários podem fazer comentários positivos ou negativos sobre o vendedor. Tanto os comentários quanto as notas podem influenciar as futuras compras a serem feitas no mercado.

5.1 Sistemas de Reputação

Sistemas de reputação são utilizados em mercados virtuais para fornecer a percepção de confiabilidade entre as partes de uma transação online. Estes sistemas geralmente apresentam métricas quantitativas (número de estrelas, avaliação numéricas, etc) e qualitativas (opinião subjetiva da transação, do vendedor, do comprador, etc) para auxiliar os consumidores a escolher um bom vendedor e evitar fraudes.

O principal objetivo dos sistemas de reputação é criar mecanismos para que o usuário de um mercado virtual possa fazer uso da opinião de outros usuários antes de iniciar um processo de compra pela internet. Do ponto de vista do consumidor o principal benefício é que ele passa a ter um parâmetro para fazer sua compra, podendo escolher por vendedores que já tiveram sucesso na negociação com outros usuários, e que portanto tem uma maior probabilidade de ter se produto entregue de acordo com o combinado.

Para os vendedores a principal vatangem é que por ter uma reputação positiva eles podem atrair um número maior de clientes, muitas vezes dispostos até a pagar mais por um produto oferecido para não ter que e ter a segurança de fazer negócio com um parceiro provavelmente idôneo. Nos Mercados Virtuais os próprios compradores punem os vendedores desonestos ao fazer uma avaliação negativa dos mesmos no sistema.

ebay.png

Figura 2: Sistema de reputação do ebay®

A idéia básica deste tipo de sistema é que uma nota é atribuída a um usuário de acordo com as avaliações recebidas no sistema. A maneira de calcular essa nota de pode mudar de sistema para sistema dependendo do objetivo do projeto. O cálculo da nota de um usuário no sistema se da através de uma fórmula que chamamos de Métrica do Sistema de Reputação. É possível que a nota seja apenas a porcentagem de transações positivas guardando o histórico de todas as transações realizadas ou podemos ter outra abordagem onde transações mais recentes tem peso maior que transações mais antigas, para que um usuário com reputação ruim possa ter a chance de tentar recuperá-la.

Schlosser 70 descreve algumas métricas, comumente utilizadas em sistemas de reputação. Dentre elas podemos destacar:

  • Acumulativa: Soma pontos a reputação de um usuário a cada transação positiva e subtrai pontos a cada transação negativa. Este tipo de métrica guarda um histórico de todas as iterações do usuário e uma vez que tenha obtido uma reputação ruim é difícil que ele consiga recuperar a mesma.
  • Média Simples: Soma pontos a reputação de um usuário a cada transação positiva, subtrai pontos a cada transação negativa e faz uma média para calcular a reputação do mesmo.
  • Média Ponderada: Atribui pesos diferentes para as transações de acordo com a data em que elas foram realizadas. As transações mais recentes tem um peso maior sobre as transações mais antigas. Desta maneira é mais fácil que um usuário com reputação ruim consiga melhorar sua nota no sistema caso comece a fazer boas transações e receber avaliações positivas.
  • Última Iteração: Aqui para calcular a reputação de determinado usuário o sistema olha apenas a sua última transação. Caso tenha sido uma transação positiva a sua reputação na próxima transação é positiva. Caso tenha sido uma transação negativa a reputação na próxima transação é negativa. Basicamente ele não guarda histórico de transações.
  • Adaptativa: Quanto menor for a reputação de um usuário mais rápido ela cresce com uma avaliação positiva. Assim um usuário com reputação baixa consegue ter uma boa reputação mais rápido se fizer uma série de transações com avaliações positivas. Em resumo, quanto menor for a reputação de um usuário maior é o peso de uma transação honesta.
  • Beta (ou Bayesiano): Baseado em dados estatísticos esta métrica tenta inferir qual a probabilidade de uma transação com determinado vendedor ser bem sucedida. Quando a reputação de um vendedor é neutra a probabilidade da transação ser bem sucedida é 0,5. Esta probabilidade muda de acordo com as avaliações recebidas pelos consumidores, seguindo uma distribuição de probabilidade Beta (ou Bayesiana).

5.2 Influência da Reputação nos Mercados Virtuais

Existem diversos estudo na area de economia que apontam a influência do sistemas baseados em reputação nas compras feitas online. Em geral nas relações de compra e venda existe uma relação de confiança entre vendedor e consumidor. No caso dos mercados fora da internet o consumidor tem a segurança de ter uma loja em um endereço físico, sabendo onde ir e a quem recorrer no caso de problemas em sua compra. No caso de transaçãoes online não existe esta segurança e por isso a opinião de outros usuários é fator decisivo na decisão de compra.

Segundo Houser 43 a reputação atribuída a determinado vendedor é fator decisivo na decisão de compra de um consumidor em transações feitas pela internet. A maioria dos usuários preferem comprar um produto de um fornecedor que eles possam de alguma forma aferir se ele é confiável ou não. Apesar destes estudos mostrarem que não existem grandes variações de preços por conta da reputação, ela é geralmente de 6 a 8% do preço, eles mostram que muitas vezes os usuários preferem pagar um pouco a mais por um produto de um vendedor com boa reputação a assumir o risco de comprar um produto de um usuário com reputação neutra ou ruim.

Resnick 69 realizou um experimento empírico para determinar o papel da reputação nas transações do eBay. Em um dos seus testes dois perfis foram utilizados para vender cartões postais de colecionador. O primeiro perfil foi criador a partir do zero, ou seja, sem reputação, e um segundo perfil com reputação existente foi utilizado. Dentre as conclusões do trabalho destaca-se o fato que o perfil com reputação existente fez com que os compradores apresentarem vontade de pagar até 8.1 % a mais no preço em relação ao preço do mesmo produto vendido pelo perfil sem reputação, confirmando os resultados obtidos por Houser 43.

Outro aspecto sobre sistemas de reputação em mercados virtuais é que em alguns casos estes sistemas dificultam a entrada de novos vendedores no sistema. Na maioria dos sites um novo usuário recebe uma reputação considerada "neutra". Por conta disso os consumidores tendem a preferir vendedores que já estão atuando com boa reputação no mercado.

Existem alguns mercados que além dos Sistemas de Reputação integram em seus sistemas redes socias para interação direta entre os seus usuários, este é o da Overstock estudado por Swamynathan 41. A Overstock integrou em seu sistema uma rede social onde usuários podem interagir entre si, montar um perfil, convidar amigos e criar comunidades. Apesar do estudo apontar que neste tipo de mercado o interesse dos usuários pela rede social ser pequeno, cerca de 18% tem perfis na rede social e apenas 6% usam a rede para fazer suas compras, ele revela que usuários que fazem compras considerando informações como quais fornecedores seus amigos costumam comprar tendem a ter mais experiências positivas no processo de compra.

Podemos afirmar que as informações e opiniões fornecidas por terceiros exerce grande influência nas compras realizadas em Mercados Virtuais. Estas informações são a base para o inicio de uma relação de confiança entre fornecedor e consumidor.

5.3 Simulação em Sistemas de Reputação

Sistemas de Reputação são fortemente baseados em métricas que permitem medir o nível de confiabilidade de determinado usuário olhando apenas para as avaliações das transações que o mesmo realizou no passado. Dado que podemos fazer a escolha de diversas métricas diferentes o uso de simulação se torna extremamente interessante quando precisamos compará-las entre si.

Schlosser 70 definiu um modelo baseado em agentes para simular um sistema de reputação. Em seu modelo ele atribuiu diferentes personalidades aos seus agentes de modo a observar como a reputação de cada uma delas evoluiu de acordo com as métricas apresentadas na seção 5.2. Em seu modelo temos as seguintes personalidades para os Agentes:

  • Honesto: O agente Honesto inicia somente transações boas. Quando ele é o vendedor ele sempre entrega o produto conforme o combinado. Quando comprador é honesto ao avaliar suas transações. Se recebe o produto conforme o combinado avalia a transação como boa se não avalia a transação como ruim.
  • Malicioso: Como vendedor este agente faz transações boas, ruims e neutras ao acaso. Ele tenta enganar o sistema com a pontuação que recebe e sempre que tem o papel de comprador avalia a transação como ruim, independente se o produto foi entregue conforme o combinado ou não.
  • Agentes de Conspiração: Este agente tenta ganhar uma reputação alta formando grupos nos quais os agentes pertencentes ao mesmo sempre se avaliam de maneira positiva. Se agentes de conspiração tentam interagir entre si eles se avaliam positivamente. Se um agente de conspiração inicia uma transação com qualquer outro tipo de agente o resultado de sua avaliação é sempre neutro, independente se a transação foi boa ou não.
  • Agentes Egoístas: Esse agente bloqueia todas as transações iniciadas por outros agentes (não atua como vendedor) e não avalia seus parceiros de transação (em toda compra ele não faz qualquer tipo de avaliação). Ele inicia transações apenas com vendedores com reputação boa e neutra.
  • Agentes Pertubadores: Estes agentes fazem boas transações com a finalidade de construir uma boa reputação no sistema. Quando adquire uma boa reputação e um nível alto de confiança dos outros agentes ele começar a assumir o comportamento de um agente malicioso até sua reputação cair a um certo nível. Quando sua reputação chega a um número considerado ruim ele volta a fazer apenas boas transações.

Apesar do comportamento humano ser bem mais complexo que as personalidades apresentadas o que torna essa simulação interessante é o fato da introdução de agentes que atuam de maneira desonesta tentando imitar diversas estratégias para fraudar o sistema. Ele também coloca o usuário que simplesmente faz uma compra mas não se importa em avaliar a mesma (agente Egoísta). Com este modelo é possível por exemplo analisar qual métrica é melhor para beneficiar os usuários honestos. Vejamos como exemplo a métrica da Média, se considerarmos apenas usuários honestos esta métrica parece ser razoável, entretanto de acordo com os resultados obtidos por Schlosser 70 a métrica das médias tende a deixar todos os usuários com reputação neutra, tornando o sistema ineficiente.

Reforçando a idéia do uso do simulação para comparação de métricas em sistemas de reputação Klopotek 71 propôs um trabalho utilizando agentes móveis. Em seu trabalho foi montada uma rede com 3 tipos distintos de nós: Bons, maus e neutros, descritos e distribuídos na rede conforme tabela 1.

Nós Descrição Porcentagem no sistema
Bom Tem informações relevantes para o agente, composto de nós honestos. Recebe avaliações positivas dos agentes 36%
Neutro Não tem nenhum tipo de informação relevante aos agentes, representam usuários que não fazem avaliações sobre as suas compras. Recebe avaliações negativas dos agentes 37%
Mau Destrói o agente em caso de contato com o mesmo. Representa falhas na rede, erros nas transações, falhas de comunicação e transações mal sucedidas. É avaliada negativamente pelo agente. 27%

Para efeito de simulação ele agrupou os nós em famílias distintas, cada famíla tendo um conjunto diferentes de nós. O objetivo da simulação foi analisar o que acontecia quando os agentes móveis, sem nenhuma informação anterior sobre a topologia da rede, interagiam com cada tipo de família de nós quando percorriam a rede. A simulação foi feita em redes de 100, 1000 e 10000 nós, para tentar se aproximar do comportamendo do sistema na internet, quando um usuário decide fazer uma compra e procura alguém que tenha o produto no qual ele está interessado. Para esta simulação as famílias foram distribuídas de acordo os tipos de seus nós membros, sendo classificadas em 4 tipos distintos:

  • Família de nós Bons, representando 25% da quantidade total de nós do sistema
  • Família de nós Neutros, representado 25% da quantidade total de nós do sistema
  • Família de nós Ruins, representado 25% da quantidade total de nós do sistema
  • Família de nós Aleatórios, representado 25% da quantidade total de nós do sistema e tendo 48% de seus nós como sendo bons, 44% sendo neutros e 8% sendo maus.

Os resultados obtidos por Schlosser 70 e Klopotek 71 foram bastante semelhantes. Ambos concluíram que a métrica de reputação por Média de avaliações não é um bom parâmetro. Por existirem usuários desonestos que mentem em sua avaliação ela tende a deixar todos os usuários do sistema com reputação neutra. Também concordaram que as métricas que apresentam melhores resultados são a Acumulativa ( utilizada pelo Ebay ) e a de Distribuição Beta. Entretanto a métrica Acumulativa tem a vantagem de ser mais fácil de ser implementada e requer menos poder de processamento do sistema, o que a torna a métrica mais vantajosa dentre as métricas estudadas.

6. Crowdsourcing

Com o advento da web 2.0 tivemos uma grande revolução na interação dos usuários com a internet. O surgimento de novas tecnologias de rede permitiram que o acesso a informação ficasse muito mais fácil e dinâmico e mudou paradigma de desenvolvimento de aplicações para a Web. Neste contexto o conceito de fronteiras foi abstraída e hoje a comunicação entre pessoas no globo se da de forma praticamente instantânea. Neste novo cenário, de maior interação entre as pessoas, foi possível introduzir o conceito sabedoria coletiva ou sabedoria das multidões (do inglês "Wisdom of Crowds"), que consiste em usar os próprios usuários dos sistemas para resolver questões inerentes ao mesmo, como gerar conteúdo para a Wikipedia por exemplo.

Para entendermos melhor o conceito de Crowdsourcing imaginemos que possamos abstrair a internet e seus usuários como uma grande máquina para resolução de problemas e geração de conteúdo. Um grupo de milhões de pessoas, conectadas entre si, dispostas a trabalhar para chegar em um resultado que por algum motivo seria muito difícil de serem obtidos por computadores ou equipes de alguma empresa. Esta máquina recebe como entrada um problema, usa a sabedoria coletiva da internet para resolvê-lo e devolve uma ou algumas soluções para o mesmo.

Imaginemos agora que uma empresa tem um problema e decide terceirizá-lo para esta máquina resolver. A este processo de terceirização damos o nome de CrowdSourcing

Vejamos como exemplo o Google Image labeler. Este sistema consiste num jogo, estimulado pelo Google, onde uma foto é apresentada a 2 usuários distintos. Por um período de 2 minutos estes usuários devem inserir possíveis rótulos (labels) para a imagem apresentada, a dupla pontua sempre que um deles sugere um rótulo que o outro ja tenha sugerido. As 5 duplas que estão com maior pontuação em determinado momento aparecem em um ranking na home do Google Labeler. Computacionalmente atribuir rótulos a imagens para posterior uso da informação em mecanismos de busca é uma tarefa bastante difícil entretanto, para humanos, sugerir rótulos para uma imagem é uma tarefa relativamente fácil. Apesar de parecer um jogo bem simples ele fornece insumos para o buscador de imagens do Google. De certa forma a estratégia de negócios do Google consiste em terceirizar a tarefa de classificar imagens para a comunidade da internet, ele usa a máquina da nossa abstração e recompensa os usuários que participam da brincadeira ( ainda que não sendo de forma monetária mas apenas montando um ranking com as melhores duplas ).

O que garante o sucesso de uma estratégia de crowdsourcing para resolver problemas é o fato de que as pessoas trabalhando em coletividade frequentemente encontram soluções melhores do que sozinhas. É um conceito onde o "nós resolvemos" é melhor que o "eu resolvo". De fato, James Surowiecki [colocar referencia] em seu livro The Wisdom of Crowds faz um teste empírico e mostra que quando consideramos um grupo grande de usuários o grupo passa a ter uma inteligência própria e a solução de um problema encontrada pelo grupo é na grande maioria das vezes melhor que a solução proposta pela pessoa mais esperta do grupo. A interação entre os usuários contribui neste caso de forma associativa para a resolução de problemas.

6.1 OpenSource Iniciative e o CrowdSourcing

É interessante distinguirmos a diferença entre geração de conteúdo Opensource e CrowdSoucing.

Segundo Brabham 78 estes conceitos são distintos, em especial no que diz respeito a motivação dos mesmos.

Na geração de conteúdo opensource os usuários frequentemente contribuem com determinado projeto de forma voluntária, não recebem nenhuma quantia para fazê-lo e frequentemente a recompensa é simplesmente fazer parte de um projeto que será utilizado, de forma aberta e gratuita, por milhões de usuários. Muitas iniciativas OpenSource geram projetos interessantes que se comparados aos seus concorrentes pagos da iniciativa privada acabam sendo superiores aos mesmos. Como exemplo podemos citar o navegador Mozila Firefox, Distribuições do sistema Operacional Linux, O servidor Web Apache e o ambiente de desenvolvimento Eclipse.

A diferença entre crowdsourcing e elaboração de conteúdo open source é que no Crowdsourcing uma empresa estimula a comunidade a resolver determinado problema visando aumentar o seu lucro, direta ou indiretamente, como uma estratégia de negócios. Os usuários são de alguma forma recompensados por colaborar na solução de um problema e O conteúdo gerado pela comunidade é para uso e interesse da empresa que propôs o problema, que pode inclusive passar a ser dententora dos direitos autorais da solução proposta. O objetivo do Crowdsourcing é permitir que as empresas de certa forma contratem um "serviço de conhecimento coletivo e distribuído" para resolução de determinado problema, é um processo de terceirização

Podemos dizer que a iniciativa OpenSource pode ser um tipo de sabedoria coletiva mas difere no que diz respeito ao conceito de CrowdSourcing.

6.2 Sistemas de Crowdsourcing

SETI@HOME

Um dos projetos mais antigos, se não o pioneiro, de Crowdsourcing é o SETI(Search for Extraterrestrial Intelligence)@home, lançado em maio de 1999. Este projeto procura analisar ondas de rádio vindas do espaço procurando por evidências de tecnologia extraterrestre e divide o trabalho de análise dos dados entre os 5 milhões de usuários que fazem parte voluntariamente do programa. Siemion 52 avalia o projeto como o supercomputador mais poderoso na época (2008), com 428 teraFLOPS. Para participar do projeto um usuário instala um programa em seu computador. Este programa aproveita o tempo ocioso da máquina para processar os dados enviados pelo projeto SETI@home, sem interferir nas atividades do usuário.

setiahome.png

Figura 3: Home page do seti@home®

ThreadLess.com

O ThreadLess.com é uma loja de camisetas online que resolveu usar o Crowdsourcing para elaborar o design de suas camisetas. No site da loja qualquer pessoa pode se cadastrar para entrar na comunidade de usuários e votar no melhor design da semana. Uma vez cadastrado um usuário do sistema também pode enviar o seu próprio design de camiseta. A cada semana 3 dos design submetidos são escolhidos para serem fabricados e vendidos. Quando um design de camiseta é escolhido para ser fabricado seu autor ganha $1500 dólares em dinheiro e mais $500 dólares para serem gastos em produtos da loja.

Por conta deste modelo de negócios o ThreadLess.com consegue vender suas camisetas a um preço relativamente baixo, cerca de $20,00 por peça. Isso acontece porque usando Crowdsourcing o gasto com o design das camisetas é relativamente baixo em relação ao seu faturamento. Estima-se que o site venda cerca de 60 mil camisetas por mês.

threadless.png

Figura 4: Sistema de votos do ThreadLess.com®

iStockPhoto.com

O iStockPhoto.com vende imagens, vídeos e animações online a um preço acessível, focando usuários que gostariam de usar imagens em seus trabalhos mas não tem orçamento para obtê-las através de fotógrafos profissionais. O custo para fazer download e usar uma imagem é cerca de $1,00 enquanto que o mesmo tipo de trabalho feito por um fotografo profissional seria [colocar referencia] bem mais caro. Qualquer pessoa pode se cadastrar no site.

Ao se cadastrar para começar a submeter conteúdo ela deve enviar 3 trabalhos distintos para serem avaliados pelo pessoal do iStockphoto.com. Se os trabalhos passarem em alguns critérios de qualidade (imagem nítida, som sem ruído etc) o usuário poderá começar a deixar seu trabalho disponível no site para download. A cada download efetuado ele recebe 20% do preço pago pelo seu material. Se ele se tornar um usuário bem avaliado no site ele recebe um prêmio e passa a receber 40% do valor pago pelo download de seu trabalho.

Note que o site permite que qualquer um que tenha uma maquina fotográfica razoável e uma minina noção em editores de imagens comece a submeter conteúdo. Qualquer pessoa, mesmo que ainda seja amadora, pode submeter seu trabalho e fazer dinheiro com ele. O modelo de negócios do iStockphoto.com também permite que empresas menores e usuários independentes usem seu conteúdo para montar algum tipo de mída desejada, uma vez que reduz drasticamente o preço cobrado por uma imagem.

iStockphoto.png

Figura 5: Sistema de busca por fotos do iStockPhoto.com®

Mechanical Turk

O Mechanical Turk da empresa Amazon, doravante denominado apenas como MTruk, é uma plataforma flexível capaz de suportar diversos tipos de computação humana. O sistema funciona da seguinte maneira: os requerentes formulam a tarefa a ser realizada por usuários do site (workers). Estas tarefas podem variar no tempo de execução e cada usuário escolhe a tarefa que desejar, sendo remunerado por uma pequena quantia em dinheiro para realizar esta tarefa (iniciando com valores mínimos de 1 centavo de dólar). Tarefas comuns incluem identificação de elementos em imagens, transcrição e tradução de texto, votação, coleta de opiniões e outras. Nota-se que no modelo de computação apresentado pelo Mechanical Turk não há interação direta entre usuários.

Existem diversos trabalhos acadêmicos e da indústria que exploram as possibilidades do MTurk. Little 76 apresenta diversos exemplos de uso que incluem escrita interativa, reconhecimento de texto ofuscado, experimentos relacionados à teoria de decisões por voto e experimentos psicológicos de reação a estímulos. Berstein 77 apresenta o sistema Soylent que propõe o uso do MTurk para ser uma interface de edição de texto que permite workers do MTurk reviSar e editar trechos de texto sob demanda.

amazon.png

Figura 6: Mechanical Turk da Amazon.com®

Waze

Outro exemplo de software que tem como base o Crowdsourcing é o Waze, um GPS Social onde os usuários podem contribuir mostrando os pontos de críticos do trânsito (acidentes, congestionamentos, etc), colaborando para que outros usuários consigam montar rotas levando em consideração estes pontos. Outro ponto interessante é que utilizando a aplicação e enviando informações para a rede o usuário ajuda os mapas a serem aperfeiçoados, atualizando-os em tempo real. Desta forma todos os usuários do software ajudam o GPS a ser mais preciso e a elaborar rotas mais eficazes, que podem ser utilizadas por todos os usuários do Waze.

waze.png

Figura 7: Home do Waze.com®

6.3 Crowfunding

A ideia do Crowdfunding é financiar projetos, eventos ou ideias empreendedoras. Ao contrário da capitalização mais tradicional em que um grupo pequeno de investidores dispende uma grande quantia de dinheiro, um projeto (ou ideia) financiado por crowdfunding recebe um número muito grande de doações pequenas, normalmente em troca de algum benefício não monetário, como acesso prioritário ou direito de acompanhar e participar no desenvolvimento da ideia. Exemplos de sites de Crowfunding brasileiros são movere.me, Makaha e Ativa aí

7. Informação Social

7.1. Folksonomia

Uma das informações sociais que auxiliam os usuários de redes sociais a classificar conteúdo e é a foksonomia. Folksonomia é um que se originou a partir da junção de dois outros termos: folk (povo, pessoas) e taxonomia (classificação). Ou seja, é um mecanismo que permite a organização do conhecimento a partir da classificação informal e colaborativa. Na folksonomia essa classificação é realizada livremente pelas pessoas, enquanto em taxonomia a hierarquia das categorias é definida inicialmente e, só depois disso, as informações são encaixadas (organizadas) em uma delas.

A folksonomia é definida livremente pelas pessoas à medida que elas realizam as classificações. Com isso, estamos diante de uma renovação lingüística para a categorização colaborativa. Ou seja, é um mecanismo de tagging social em que as pessoas colaboram para a sua criação.

Essas classificações são realizadas pelos usuários a partir do uso de tags (marcações) onde as pessoas associam termos-chave a determinados objetos, de acordo com as suas visões em relação àqueles objetos. Por exemplo: João categoriza um objeto geométrico circular de cor azul com as tags ‘elipse’ e ‘azul’, já Maria categoriza o mesmo objeto com as tags ‘círculo’ e ‘azul’, isto é, pessoas distintas podem categorizar o mesmo objeto com um conjunto de tags diferentes, pois cada pessoa tem seu modo de “enxergar o mundo”.
O processo de tagging é essencial para que haja o surgimento da folksonomia. Nesta etapa, as pessoas categorizam livremente os objetos (imagem, site, um post em uma comunidade, etc.) com o uso de tags, isto é, palavras-chaves, marcações, rótulos ou etiquetas. Assim, o conhecimento sobre um determinado objeto é construído coletivamente de acordo com o entendimento (visão individual em relação ao objeto) de cada pessoa, isto é, uma “sabedoria” coletiva sobre o objeto é construída.

À medida que um conjunto de pessoas categoriza (adicionam tags) massas de conteúdo, os padrões surgem naturalmente. Dessa forma, cada pessoa tem em suas mãos o poder de influenciar diretamente no conhecimento representado pela folksonomia, exercendo influência direta no que pode ser definido como mais importante pra ele, ou, até mesmo, para um determinado grupo de pessoas.
O processo de tagging envolve três (3) elementos, usuários (pessoas) tags e objetos. Dessa forma, um conjunto p de pessoas (ou uma única pessoa), com um conjunto t de tags categoriza um conjunto o de objetos, ou seja, surge uma relação p->t->o. Com isso, há uma relação indireta entre cada pessoa e o objeto que foi categorizado por ela.

O raciocínio para a classificação colaborativa que permite o surgimento de uma folksonomia é bem simples: um usuário qualquer, por exemplo, João, associa tags a um determinado objeto. Da mesma forma, outros usuários também associam tags a este mesmo objeto, validando assim as tags já atribuídas. Assim, o conhecimento em relação a este objeto é construído coletivamente e, com isso, há uma tendência natural para que essa classificação seja mais confiável se comparada à classificação realizada de acordo com o entendimento de um único usuário (neste caso em específico, João). Neste sentido, a folksonomia nos conduzirá para um novo modelo de indexação, onde os próprios usuários fazem a descrição dos objetos (itens da folksonomia). Uma vez que esse conhecimento estiver consolidado, por meio das tags, os usuários podem recuperar o conhecimento e compartilhá-lo. Através da folksonomia é possível visualizar as tags de outros usuários, bem como identificar o quanto uma determinada tag é popular dentre os usuários, permitindo o acesso às informações relacionadas a uma determinada tag.

Uma tag cloud por si só traz pouca funcionalidade. Por isso é comum cada tag conter um hyperlink que aponte para uma página que apresenta todos os conteúdos classificados por esta desta tag. Além disso, é comum indicar no tooltip da tag informações sobre sua freqüência. Neste tooltip pode-se indicar a quantidade de elementos desta tag, tornando mais fácil a visualização da quantidade de ocorrências da mesma. A abaixo apresenta uma tag cloud retirada de um blog nacional. Pode-se notar que, quando o ponteiro do mouse repousa sobre uma tag, as informações sobre a freqüência são apresentadas, junto com a quantidade de cliques que foram feitos nesta tag.

FiguraTagCloud.jpg
Figura 8: Exemplo de TagCloud

Algumas outras vantagens de uma folksonomia que podem ser mencionadas são:
• Diminuição de custos que, eventualmente incorreriam, caso houvesse a necessidade de contratação de profissionais especializados para categorização dos conteúdos ou ao menos criação da taxonomia a ser utilizada.
• Permissão para que o usuário possa organizar com facilidade os conteúdos, já que não há uma necessidade de aprendizado de um vocabulário controlado, pré-definido por um especialista, ou seja, a categorização é livre;
• Reflete o vocabulário pertinente a cada usuário, produzindo uma união de vocabulários sobre os mesmos objetos;
• Propicia uma diminuição nas barreiras (fronteiras) para a cooperação.

A Folksonomia contribui para que haja uma organização da informação, porém, com a liberdade que os usuários possuem para categorizar os objetos, uma vez que não há qualquer controle sobre como esta categorização é realizada, surgem alguns problemas de inconsistências e ambigüidades, como:

• Há uma tendência natural para que surjam na folksonomia termos (tags) distintos, mas que expressem mesmos significados, por exemplo, as tags “redes sociais” e “rede social”;
• Tags sinônimas, ou seja, termos diferentes, mas que semanticamente possuem o mesmo valor;
• Erros de ortografia ou digitação também são naturais e contribuem diretamente para o “enfraquecimento” da folksonomia;
• Variações de gênero, número e grau de palavras também são comuns.
• Polissemias também podem ocorrer, ou seja, palavras que expressem vários significados e, por isso, só podem ser explicadas em um determinado contexto. Por exemplo, uma tag “estrela” pode estar relacionada a um corpo celeste ou a um astro da TV;
• Podem surgir tags irrelevantes, com uma baixa freqüência de ocorrências na folksonomia.

7.2. Redes de Pesquisa

A Plataforma Lattes é o esforço do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) em padronizar a base de currículos acadêmicos em instituições públicas e privadas, registrando informação das atividades científicas, acadêmicas e profissionais de pesquisadores cadastrados nesta plataforma [26]. A informação contida nela, inicialmente concebida para registrar dados individuais, hoje contém informação sobre relacionamentos acadêmicos, como orientação em pós-graduação, co-autoria em publicações, participação em grupos de pesquisa e instituições de ensino.

Conforme essa base de currículos foi crescendo, a informação de relacionamentos entre pessoas e instituições, a plataforma Lattes foi adquirindo dados que permitem inferir informações de redes de pesquisa reais. O scriptLattes [25] é um script GNU-GPL desenvolvido para a extração e compilação automática de: (1) produções bibliográficas, (2) produções técnicas, (3) produções artísticas, (4) orientações, (5) projetos de pesquisa, (6) prêmios e títulos, (7) grafo de colaborações, e (8) mapa de geolocalização de um conjunto de pesquisadores cadastrados na plataforma Lattes.

Esta ferramenta vem sendo utilizada com diversos fins [25]:

  • Criação de relatórios de pesquisa acadêmica: gerando estatísticas anuais por tipo de publicação do número de publicações de um grupo de pesquisa.
  • Criação de grafos de colaboração acadêmica: gerando uma visão geral do grau de colaboração dentro de um determinado grupo de pesquisa.
  • Criação de árvores de genealogia acadêmica considerando a relação de orientação acadêmica de pós-graduação.
  • Análise de distribuição geográfica de pesquisadores de um determinado grupo de pesquisa.

7.3. Twitter

Twitter é uma rede social e servidor para microblogging, que permite aos usuários enviar e receber mensagens pessoais de outros contatos, conhecidos como "tweets", por meio do website do serviço, por SMS e por softwares específicos de gerenciamento.

[27] discute o propósito ou a finalidade do Twitter, discursando se o Twitter é de fato uma rede social ou um meio de comunicação. Nesse trabalho, os autores exploraram 40 milhões de usuários, 1 bilhão e meio de relações sociais (Follows) e 106 milhões de tweets. A análise foi feita pelas duas perspectivas: a de rede social (pelo número de seguidores) e a de meio de comunicação (pelo número de retweets - difusão de mensagens dos outros). Os autores mostram que não necessariamente os usuários com mais seguidores são os usuários cujos tweets são mais retwittados. Pode-se dizer que os usuários são retwittados como um grau da (1) confiança dos seguidores na informação do usuário e (2) relevância da informação. Os usuários mais re-twittados são meios de comunicação conhecidos (CNN, Huffington Post, NY Times e ESPN), e alguns usuários considerados como fontes independentes de notícias (Oxford Girl, Pete Cashmore e Michael Arrington). Isto mostra o poder do twitter como meio de comunicação de notícias.

Além disso, os autores analisaram 4262 Trend Topics, concluindo que a maioria deles (85%) correspondem a manchetes ou notícias persistentes. Além disso, o estudo mostrou que não importando o número de seguidores originais de um tweet, os retweets atingem em média 1000 novos usuários, o que mostra o poder da expansão de informação dos retweets.

Trabalhos como os de Zhang [66] apresentam estudos sobre o uso de sistemas de micro-blogging (como o Twitter, ou, neste caso o Yammer) em ambientes corporativos. Zhang analisa, em seu trabalho, a forma de uso, vantagens e barreiras para a adoção dos empregados desta ferramenta de micro-blogging dentro destes ambientes. De acordo com os autores, o sistema é principalmente utilizado para a notificação interna e externa de acontecimentos dentro de áreas, porem, muitos dos leitores dos posts utilizam o sistema para obter informações do trabalho atual de outras áreas e criar novas conexões. Outro resultado obtido pelos autores é a (re)descoberta da uma das barreiras para adoção de tais ferramentas, que é o ruído existente para a obtenção de informações, que, porem, é diminuído pelo fato que o uso de micro-blogs em empresas se foca na notificação profissional das áreas, e não em informações pessoais, como é visto em redes de micro-blogs convencionais.

Outro uso destas redes de micro-blog esta na detecção e obtenção de informação de acidentes ou catástrofes. Vieweg et al. [67] faz uma analise dos posts criados durante dois desastres naturais (incêndio de mata em Oklahoma, e o transbordamento do Red River). Através destes estudos, os autores criaram um possível frame-work para obtenção automática de informações de desastres em tempo-real. E a principal característica dos posts que os autores levantam como sendo o mais simples para a obtenção de informação é o uso de palavra para localidades dos eventos. Acredita-se que este trabalho de pesquisa se torne base para a criação de sistemas para obtenção de informações de forma automática.

8. Sites Sociais

[33] define sites sociais como serviços na Web que permitem que as pessoas:

  • (1) construam perfis públicos ou semi-públicos dentro de um sistema restrito;
  • (2) criem uma lista de outros usuários com os quais mantém uma conexão e
  • (3) vejam e visitem sua lista de conexões e as dos outros dentro do sistema.

A definição de conexão, o público alvo e as informações dos usuários disponíveis diferenciam esses sites sociais. Alguns exemplos de sites sociais [Orkut], [MySpace], [Facebook] e [LinkedIn].

A distribuição dos graus de conectividade dos nós de uma rede social online geralmente exibe uma cauda longa, mas nem sempre segue uma lei de potência (power-law). O artigo de Gjoka et al. [21] comprova que a distribuição verdadeira do grau dos nós no Facebook exibe dois regimes diferentes, com o número aproximado de 300 amigos separando as duas regiões da distribuição, onde cada uma delas é aproximável por uma lei de potência com parâmetros diferentes.

Uma métrica importante de redes sociais online é a a assortatividade, uma característica dos nós de um grafo em relacionarem-se a outros similares ou diferentes por alguma medida estabelecida, geralmente por seus graus de conexão. A rede do Facebook, por exemplo, exibe alta assortatividade do grau de conexão [21], ou seja, usuários com alto grau de conexão em geral possuem conexões com outros usuários que também possuem alto grau de conectividade.

Outro aspecto importante na análise de redes sociais [53] é a forma de amostragem destas redes, pois se for feita de modo inapropriado pode levar a análise a conclusões inválidas. O artigo de Gjoka et al. [21] examina meios de obtenção de subgrafos sociais evitando viés estatístico em casos onde não é possível selecionar usuários aleatoriamente.

Alguns métodos de amostragem popularmente empregados, como busca em largura (Breadth-First-Search (BFS)) e passeio aleatório (Random Walk (RW)) mostram ser más escolhas [21]. BFS tem uma tendência a visitar nós de alto grau de conectividade quando a busca não é feita completamente (o que é praticamente uma necessidade em redes grandes) e por isso acaba cobrindo densamente apenas uma região do grafo. RW também tem o problema de preferir nós de alto grau de conectividade, como demonstrado por Lovász [54].

Duas abordagens bem sucedidas [21] para amostragem sem viés de redes sociais online são:

  • Passeio Aleatório Re-Ponderado (Re-Weighted Random Walk (RWRW)): Utiliza RW para a busca, introduzindo viés, mas que pode ser quantificado através de análise por cadeias de Markov e posteriormente corrigido através da introdução de pesos com o estimador de Hansen-Hurwitz [55]. Este método é um pouco mais eficiente computacionalmente que MHRW (apresentado a seguir) durante sua execução, mas o processamento posterior dos dados torna o processamento equivalente. É difícil testar a convergência online deste método usando diagnósticos de Gwecke [57] ou de Gelman-Rubin [58], pois estes precisam da correção dos pesos, que só é feita ao final do processo. Uma alternativa é a re-amostragem de importância simulada (Simulated Importance Resampling (SIR)) [61], mas esta exibe alguns problemas conhecidos de viés assintótico [56].
  • Passeio Aleatório de Metropolis-Hasting (Metropolis-Hasting Random Walk (MHRW)): Obtém uma distribuição estacionária uniforme dos nós, modificando as probabilidades de transição ao invés de corrigir pesos posteriormente como faz RWRW. O algoritmo de MH [59] é uma técnica geral de Monte Carlo em Cadeias de Markov (Markov Chain Monte Carlo (MCMC)) [60] para amostragem de uma distribuição de probabilidades difícil de se obter diretamente. MCMC é uma técnica tipicamente utilizada para estimar algumas métricas, como por exemplo uma função da variável aleatória subjacente. MHRW pode repetir a visita a um nó e, por causa disso, tipicamente visita menos nós únicos que uma sequência de mesmo tamanho obtida por RW ou BFS. Diferente de RWRW, é fácil testar a convergência de MHRW online, pois não há necessidade de pós-processamento, e isto também provê uma vantagem adicional, que é a redução da possibilidade de que alguém mais usando os dados esqueça de fazer a re-ponderação.

Outro tipo de rede social existente são as redes de comunidades online de obras (OCOC, Online Community of Creators) definida por Sylvan [65]. Estes sites são ambientes onde pessoas podem publicar suas obras, como jogos e imagens entre outros, discutir sobre as obras e associar a obra com o criador, permitindo a busca de obras e seus autores. Sites como o Scratch e Deviant Art são exemplos deste tipo de comunidade.

Em seu trabalho, o Sylnan apresenta o conceito de OCOC e formas de se prever a influencia de um autor de certa obra, utilizando dois tipos de influencias, a influencia de projeto e influencia social. Onde a influencia de projeto é uma medida de quanto à comunidade reconhece um trabalho do autor, já a influencia social é uma medida de quanto uma pessoa é influente na sociedade de forma a promover o projeto para outras pessoas.

9. Jogos e Redes Sociais

Nesse momento, formularemos algumas perguntas básicas, as quais serão respondidas ao longo do capítulo. Começando por: O que é um jogo? O que leva uma pessoa a jogar um determinado jogo? Qual o interesse em jogar um jogo on-line?

Começando pela primeira pergunta, um jogo pode ter diversas definições. Segundo Sid Meier's, um jogo pode ser definido como um conjunto de decisões interessantes [38]. Mas essa definição parece um tanto vaga. Escovar os dentes pode ser uma decisão importante e definitivamente não é um jogo. Dessa forma, necessitamos de uma definição mais precisa do que de fato é um jogo. Schuytema, em [38], postula uma definição mais robusta do que pode ser considerado um jogo (ou game).

Um game é uma atividade lúdica composta por uma série de ações e decisões, limitado por regras e pelo universo do game, que resultam em uma condição final. As regras e o universo do game são apresentados por meios eletrônicos e controlador por um programa digital. As regras e o universo do game existem para proporcionar uma estrutura e um contexto para as ações de um jogador. As regras também existem para criar situações interessantes com o objetivo de desafiar e se contrapor ao jogador. As ações do jogador, suas decisões, escolhar e oportunidades, na verdade, sua jornada, tudo isso compõe a "alma do game". A riquesa do contexto, o desafio, a emoção e a diversão da jornada de um jogador, e não simplesmente a obtenção da condição final, é que determinam o sucesso do game.

Claramente, a definição acima, definida por Schuytema ([38] - pág. 7), refere-se apenas a jogos digitais, cuja interatividade com o jogador se dá somente através do meio eletrônico. Certamente, percebe-se que os meios digitais estão cada vez mais inclusos nos jogos, isso incluí também aqueles cuja interatividade não acontece por meio eletrônico. É assim com o Futebol, por exemplo, onde diversos dispositivos digitais auxiliam no controle das regras e do universo do jogo (tais como a marcação de pontos, o auxilio à aplicação de diversas regras do jogo, a contagem do tempo, etc), mas os jogadores não se utilizam de nenhum meio eletrônico para jogar.

tribal_wars.png

Figura 10: Jogo Tribal Wars.

No contexto das redes sociais, on-line ou não, os jogos tem fundamental importância para sua formação. Num jogo de futebol, por exemplo, os jogadores interagem uns com os outros, mesmo aqueles que não se conhecem, e relacionamentos entre eles acabam sendo estabelecidos. No entando, diferentemente de um jogo não-eletrônico, no qual os jogadores devem se encontrar num mesmo espaço físico e num mesmo momento para se relacionarem, um jogo digital oferece um certo nível de abstração do meio físico. Jogos como Tribal Wars (http://www.tribalwars.com.br), por exemplo, criam uma rede social envolvendo jogadores de diversos lugares e em tempos diferentes (ver Figura 9). Já outros como Ragnarok (http://www.levelupgames.com.br/ragnarok/), por exemplo, abstraem somente a localização física do jogador, ou seja, para que haja interação entre dois jogadores, ambos devem estar jogando ao mesmo tempo (ver Figura 10).

ragnarok.png

Figura 10: Jogo Ragnarok.

Dessa forma, há diversas formas de categorizar um jogo digital on-line segundo somente a forma de interação que este oferece aos seus jogadores. Não obstante, há ainda jogos que tiram proveito de uma rede social já formada, como o facebook ou o orkut, por exemplo, para que os jogadores interajam diretamente com seus amigos dessa rede (por exemplo, o jogo Farmville disponível no facebook).

9.1 Jogos e a Internet

Os jogos on-line estão se difundindo cada vez mais [18]. A acessibilidade da internet está alcançando cada vez mais plataformas. Diversos video-games dão ao jogador a opção de conectar-se a internet para jogar on-line com seus amigos. A internet tem se tornado uma ótima ferramenta também para este fim. Esses jogos são comumente chamados de MMOGs (Massive Multiplayer On-line Game), ou seja, jogos que permitem um número grande de jogadores conectados ao mesmo tempo ao jogo.

Para os jogos on-line, diversas questões tanto de implementação como de manutenção e administração recebem atenção. Primeiramente, em questão de implementação, os programadores de jogos tem que passar a programar e compreender o funcionamento da internet, bem como os diversos protocolos de comunicação que podem haver entre cliente/servidor. Problemas como velocidade da conexão ou banda disponível também devem ser considerados. Esses mesmos últimos problemas causam atrasos no gameplay e tais incômodos devem ser contornados. Ainda no âmbito da implementação, outro fator importante envolve a segurança dos dados dos jogadores [18]. Para esses, o uso de algoritmos de criptografia podem ajudar.

Mudando para o campo da administração e manutenção de jogos on-line, a primeira questão envolve a manutenção dos servidores. Basicamente, no contexto considerado, um servidor é um computador dedicado a administrar o funcionamento dos jogos; conexões, mensagens e ações dos jogadores estão inclusos nese funcionamento. Quando se trata de um jogo on-line, seja através da conexão via PC ou video-game, o servidor obrigatoriamente deve permanecer ligado 24 hrs por dia. O motivo para isso é fácil de compreender: como não é possível descobrir em que momento os jogadores se conectarão aos jogos, o serviço deve estar sempre disponível. Para tal, é necessário garantir um ótimo funcionamento dos servidores: salas com ar-condicionado para evitar aquecimento podem ser necessárias.

A administração de jogos on-line envolve muito menos aspectos técnicos. Basicamente, deve-se planejar um modelo de vendas e atendimento. As empresas que proporcionam esse tipo de entreterimento encontraram diversas formas de obter renda a partir dos jogos. Algumas vendem uma assinatura mensal para o acesso aos jogos; outras tornam o acesso gratuito, mas impõem dificuldades aos jogadores que podem ser facilmente superadas através da aquisição de alguns itens do jogo usualmente a venda nos sites dos jogos (em geral não são caros, mas dada a quantidade de jogadores num jogo on-line o faturamento pode ser alto); e ainda há empresas que, embora deêm acesso gratuito aos jogos, limitam seu uso ou os recursos proporcionados por estes até o jogador adquirir o acesso completo ao jogo pagando periódicamente um determinado valor. O atendimento para estes jogadores algumas vezes se dá através do próprio jogo. Jogadores especiais, chamados de Game Masters (GM) atendem os demais, criam conteúdos (novas missões e eventos, por exemplo), e participam de discussões on-line com os demais jogadores sobre temas relacionados ao jogo em si [68].

9.2 Papel da rede social nos jogos

Diversos jogos atualmente utilizam-se de redes sociais. Como já discutido anteriormente, os jogos coletivos tem fundamental importância na formação de redes sociais, seja num meio eletrônico ou não.

No meio eletrônico, os MMOGs podem aproveitam-se das redes sociais já formadas (Facebook, por exemplo), agregando-as ao jogo através das APIs distribuídas pelos desenvolvedores dessas redes (no Facebook, por exemplo, http://developers.facebook.com/opensource/). Quando, por algum motivo, não deseja-se usar uma rede social já formada, geralmente os MMOGs dispõem de alguma implementação de rede social simples.

A presença de uma rede social nos MMOGs, como demonstrado em [51] é de fundamental importância. O progresso dos jogadores no jogo é fortemente influenciado pela capacidade do jogador de se socializar com outros jogadores e formar relações virtuais de colaboração. Diversos fenômenos que ocorrem nas redes sociais reais foram relatados em [51], como a introdução de jogadores novos a outros mais experientes, a formação de grupos (guildas) para compartilhar recursos, dicas e presentes para o avanço mais rápido no jogo e até mesmo as consequências negativas de atos egoístas dentro de um grupo. O trabalho, inclusive, ressalta estas e outras características comuns entre as redes sociais reais e a rede social formada dentro jogo.

Outra contribuição do uso de redes sociais para jogo pode ser encontrado no aumento do engajamento e atividades dos jogadores. Martino et al. [72]]] apresentam um estudo sobre a atividade dos grupos dentro de um jogo de caça ao tesouro, onde participantes podem trocar informações entre si. Este trabalho mostra que ao se prover informações de atividades sociais, há um aumento nas atividades do jogo como um todo, em comparação à situações onde estas informações não são apresentadas.

Kirman et al. estendem este resultado apresentando que este aumento no nível de atividade e engajamento é observado também em jogos sem objetivos claros. Em seu trabalho [73], os autores aplicam um estudo das atividades do jogadores sobre o jogo Magpies dentro da rede social Facebook. Para um dos grupos de estudos, os autores não apresentam as informações de atividades sociais, de forma a obter um grupo de controle para poder comparar outros grupos. Resultados obtidos mostram que a inclusão de informações de contextualização social cria um aumento no engajamento e atividade dos jogadores, acarretando, por sua vez, em um pequeno aumento no desempenho.

Em ambos os trabalhos, os autores acreditam que estes resultados podem ser explicado pelo aumento da sensação de presença social, apresentado por Biocca et al. [74]. Biocca apresenta que a sensação de uma pessoa estar presente em um ambiente, real ou virtual, é influenciada pela sensação de que outras pessoas também estarem presentes no mesmo ambiente. Assim, em ambos os jogos apresentados, o aumento do engajamento pode ser obtido pela sensação de presença social que o jogador tem ao obter estas informações sociais de alto nível, aumentando por sua vez as atividades e desempenho dos jogos.

As fabricantes de consoles de video-games, tais como Sony (http://us.playstation.com/) e Microsoft (http://www.xbox.com/en-US/live/), também investiram na infraestrutura para a criação de uma rede social, a qual estaria principalmente disponível para os desenvolvedores de jogos dessas plataformas para que criassem jogos usando essa rede. Assim, os jogadores podem usufruir desses serviços e jogar on-line. Tais como as redes mais conhecidas (Facebook e Twitter), nessas redes também é possível criar relacionamentos de amizade, enviar e receber mensagens e verificar status dos amigos. Além disso, por estar conectado à internet, os fabricantes aproveitaram para disponibilizar diferentes serviços, tais como atualização de jogos, registros de records, compartilhamento de dinâmicas de jogos e mashups, entre outros.

10. Modelagem e Simulação de Redes Sociais

Intuitivamente, redes sociais são as redes de relacionamentos que aparecem naturalmente entre pessoas. Podem ser redes de amizades, de relacionamentos amorosos ou de qualquer outro tipo de relação social que as pessoas possam engajar.

No contexto de computação, redes sociais são representações matemáticas desses relacionamentos, ou seja, são representações que capturam uma parcela da informação de relacionamentos humanos.

No passado, informações sobre redes sociais eram muito difíceis de serem obtidas, por diversos motivos, mas com o aparecimento de Sites Sociais, essa área de pesquisa ganhou uma nova dimensão.

Sites como Facebook possuem quantidades gigantescas de informações sobre essas redes sociais armazenadas em um único repositório (seu próprio site), e com sua popularização, as pessoas que usam esses sites estão voluntariando informações sobre suas vidas e relacionamentos com um nível detalhamento nunca antes imaginado. [23]

Visto que o problema atingiu tal tamanho, um problema bem atual é conseguir modelar, de forma computacionalmente viável, redes do nível das redes populares de hoje. Problemas como descobrir o tamanho de um site social se tornam realmente trabalhosos, já que não é viável fazer o download da rede inteira e analisa-la off-line.

10.1 Características de Redes Sociais

Antes de realmente apresentar modelos de redes sociais, começamos com uma analise de algumas características comuns, que normalmente aparecem em redes sociais. Vamos basear essa analise de características no artigo [7].

Representando redes sociais por grafos, cada vértice do grafo é um agente social, possívelmente uma pessoa ou empresa, e os arcos representam conexões entre pessoas. Uma possível modelagem é atribuir pesos aos arcos para representar a força da conexão, dessa forma, por exemplo, numa rede que captura informações de amizade, um arco com peso "1.0" pode representar um grande amigo de infância, enquanto um arco com peso "0.01" pode representar uma nova amizade, e um arco de peso zero representa um desconhecido.

Para esta seção, seguindo a analise de [7], vamos estudar o caso mais simples onde não há pesos nos arcos. Esse grafo pode ser direcionado ou não, forçando que se um indivíduo está relacionado a outro, o inverso também vale. Orkut e Facebook representam grafos não-direcionados, enquanto Twitter é um grafo direcionado.

Assim como em grafos, o número de conexões de um nó é chamado de grau. Definimos caminhos da forma usual, e definimos diâmetro de uma rede como o tamanho do maior caminho entre dois nós quaisquer. Uma propriedade desses caminhos, em redes sociais, é que eles são tipicamente pequenos, e as redes tendem a ter um diâmetro pequeno.

A distribuição desses graus também é incomum, muito diferente da distribuição esperada em uma formação de redes aleatória, sendo que alguns links tem uma quantidade muito grande de links e no caso do Facebook foi constatado que nós com vários links, tendiam a se conectar com nós com vários links.

Uma característica de redes sociais é que elas tendem a formar cliques. Essa propriedade, em redes não-direcionadas, serve como argumento para um algoritmo bem simples de busca de possíveis conexões para um determinado nó, que é analisar as conexões das conexões.

Outra característica dos links formados em redes é que, apesar de poderem ser direcionados, eles tendem a ser recíprocos, isto é, existe um alto grau de simetria no grau de entrada do nó com o grau de saida. Ainda nessa analise dos graus dos nós, também nota-se que existem alguns nós com grau elevado e uma maioria com grau pequeno.

Por fim, uma ultima propriedade que será enumerada nesta seção é o kernel fortemente conectado. Redes Sociais tendem a ter um conjunto de nós com alto grau de entrada que, se removidos, quebram a rede em uma miriade de pequenos grafos desconexos. De acorco com [24], ao remover apenas 10% dos nós de maior grau de entrada da amostra obtida da rede, esta já ficava completamente fragmentada em inúmeros grafos desconexos.

10.2 Modelagem de Formação de Redes Sociais

Uma pergunta a ser respondida sobre redes sociais é "como a rede evolui a longo do tempo?". Sabemos várias características das redes, mas para entender muitas dessas características e tornar esse conhecimento realmente útil, é necessário criar modelos de como Redes Sociais evoluem pois, sendo uma representação de relacionamentos humanas, essas redes estão em constante evolução.

Dois modelos de formação de Redes Sociais são estudados em [7]. São eles:

  1. Modelo mecânico de formação de redes
  2. Modelos de economia

O Modelo mecânico segue uma linha mais associada a computação que não consideram explicitamente as decisões individuais. As redes evoluem seguindo um processo estocastico, onde o que importa são probabilidade de criação de links.

Uma forma simples de implementar esse modelo é simplesmente definir que cada par de indivíduo formam um link entre eles com uma dada probabilidade. Essa técnica é estudada pois forma grafos de forma eficiente e é fácil de ser examinada. Por outro lado, grafos formados com essa técnica dificilmente tem as propriedades mencionadas na subseção anterior.

Um pesquisador chamado Jackson propôs um método mecânico de geração de redes que considera a adição de nós que começam a se integrar na rede ao longo do tempo, e assim conseguiram bons resultados para o problema de gerar models de redes sociais que exibem as propriedades desejadas.

O outro modelo de formação e redes é o método baseado nas ideias de economia, onde o processo de decisão para criar novos links são baseados em modelos de processos de decisão de indivíduos, onde estão embutidos suposições sobre preferências de indivíduos e objetivos.

O ponto central desse modelo é que indivíduos decidem criar novas conexões baseados na esperança de que, ao tomarem essa decisão, conseguiram melhorar seus ganhos, ou sua função utilidade, como é formalmente definido.

Por trás desse modelo está a idéia de que indivíduos podem "lucrar", de certa forma, com suas interações sociais, seja por conseguir uma boa sensação ou pela conversa. O ponto principal é que o indivíduo percebe uma possibilidade de extrair valor de alguma interação social.

Observe que, tirando as restrições para que função utilidade será usada, e considerando como pessoas interagem em OSNs, esse modelo parece refletir bem o comportamento das pessoas. É natural entender que uma pessoa vai querer ser amiga de outra, em alguma rede social, porque ela acredita que isso irá ser interessante, de alguma forma.

Modelos mecânicos ajudam a entender o método de formação de Redes Sociais, já os Modelos Econômicos tem um foco muito maior no motivo. Estes tentam capturar de forma mais direta o processo de decisão individual e permitir que as características da Rede apareçam como características emergentes.

11. Discussão Final

Atualmente, as redes sociais providas por um meio eletrônico estão altamentes difundidas em qualquer contexto. Redes que criam associações de amizades entre pessoas, de grupos de profissionais ou até mesmo de instituições vem, cada vez mais, conquistando usuários. Dificilmente alguem resiste aos encantos de participar em uma rede social e, por conta disso, diversos rastros são deixados por todos nós.

Graças a esse grande crescimento, as redes sociais são objetos de várias pesquisas, acadêmicas ou não. No meio acadêmico geralmente são realizadas pesquisas de impacto das redes sociais em um determinado contexto. Já no meio corporativo um bom exemplo é a pesquisa destinada a obter um feedback de um determinado produto/serviço, ou então descobrir qual a próxima tendência sob algum aspecto.

Não somente pesquisas, as redes sociais são um grande instrumento para diversas aplicações. Dentre elas pode-se citar os sistemas de recomendações, mercados virtuais, crowdsourcing, entre outros. Além destes, as redes sociais tem tido um importante papel na produção e desenvolvimento de jogos, seja para PC ou até mesmo para consoles.

Abordamos a interação dos usuários em diversos aspectos. Vimos como o uso do conceito de redes sociais utilizado em Mercados Virtuais pode resolver a questão de confiança entre as partes em uma transação online. Através dos sistemas de reputação os próprios usuários do mercado interagindo mesmo que de forma indireta conseguem classificar quem são os bons e os maus vendedores.

Com os conceitos de CrowdSourcing mostramos como as grandes empresas estão fazendo uso da Sabedoria Coletiva das redes sociais: terceirizando tarefas que outrora seriam muito difíceis de serem resolvidas por máquinas ou equipes reduzidas. Para ilustrar esse conceito mostramos alguns exemplos de negócios na internet que foram bem sucedidos porque fizeram uso do Crowdsourcing para desenvolver seus produtos ou serviços oferecidos.

Outro uso muito inteligente da força intelectual das redes sociais são os filtros colaborativos, introduzidos em sistemas de recomendação, que utilizam as informações fornecidas pelo usuário para fornecer diversos tipos de sugestões, cada vez mais úteis para o usuário. O que a máquina sozinha não seria capaz de fazer, os sistemas de recomendação, usando informações fornecidas pela comunidade, conseguem fazer com cálculos consideravelmente mais simples do que em outras possíveis soluções.

Por outro lado, notamos como não é intuitivo o trabalho com redes sociais e como esses sistemas que envolvem tanto as pessoas tendem a exibir propriedades que não são necessariamente obvias, nem triviais. Ainda pode ser feito muito em modelagem de Redes Sociais e sistemas para simular formação e crescimento de redes.

Também foi abordada a utilização das redes sociais no contexto de jogos. Diversas produtoras de jogos, sejam para PC ou consoles de video-game, vem apostando nas redes sociais como forma de atrair os jogadores. Nesse contexto, jogos multiplayer através dessas redes vem ganhando muita atenção. E, por conta disso, nota-se uma interessante mudança no mercado de jogos que, se antes era muito visada a questão da qualidade gráfica, hoje encontra formas diferentes de chamar a atenção dos usuários.

Para concluir, as redes sociais tem sido utilizadas em diversas aplicações. O valor dado à interação dos usuários nas redes sociais, como vimos ao longo desse capítulo, tem contribuído significantemente para um maior sucesso das aplicações que as utilizam. Dessa forma, acreditamos que as redes sociais tendem a ser utilizadas cada vez mais e em diversos contextos.

12. Referências

Bibliography
1. Ben-Zvi, Tal, Social Networks Analysis: A Game Experiment. Ben-Zvi.pdf.
2. Linton C. Freeman, Sociometry, Vol. 40, No. 1, (Mar., 1977), pp. 35-41. A set of measures of centrality based on betweenness
3. Elizabeth Costenbader, Thomas W. Valente, Social Networks, Volume 25, Issue 4, October 2003, Pages 283-307, ISSN 0378-8733, DOI: 10.1016/S0378-8733(03)00012-1. The stability of centrality measures when networks are sampled
4. Auer, S. and Lehmann, J. 2007. What have Innsbruck and Leipzig in common? Extracting Semantics from Wiki Content. The Semantic Web: Research and Applications, 503–517. 1998. Semantic Web Road map . http://www.w3.org/DesignIssues/Semantic.
5. Bizer, C., Lehmann, J., Kobilarov, G., Auer, S., Becker, C., Cyganiak, R., and Hellmann, S. 2009. Dbpedia-a crystallization point or the web of data. Web Semantics: Science, Services and Agents on the World Wide Web.
6. Hahn, R., Bizer, C., Sahnwaldt, C., Herta1, C., Robinson, S., Brgle, M., Dwiger, H., and Scheel, U. 2010. Faceted Wikipedia Search.
7. Mayer, Adalbert, Online social networks in economics, Department of Economis, Texas A&M University, United States, March, 03 2009. amayer.pdf
8. Wang, Hao; Chin, Alvin, Evolution Analysis of Mobile Social Network, Beijing University of Post and Telecommunications, Beijing 100876, China, Nokia Research Center, Beijing 10076, China. haowang.pdf
9. Benevenuto, Fabrício; Rodrigues, Thiago; Cha, Meeyoung; Almeida, Vigílio, Characterizing User Behavior in Online Social Networks, Computer Science Department, Federal University of Minas Gerais, Brazil, Max Planck Institute for Software Systems (MPI-SWS) Kaiserslautern/Saarbrücken, Germany. benevenuto.pdf
10. Staab, Steffen, Social Network Applied, University of Koblenz-Landau staab.pdf
11. Santana, C.; Redes Sociais na Internet: Potencializando Interações Sociais, UNEB, [http://www.hipertextus.net/volume1/ensaio-05-camila.pdf]
12. Wilson, C; Boe, B; Sala, A.; Puttaswamy, K.; Zhao, B., User interactions in social networks and their implications, University of California at Santa Barbara, Santa Barbara, CA, USA, 2009, [http://portal.acm.org/citation.cfm?id=1519065.1519089]
13. Blythe, J; McGrath, C; Krackhardt, D, The effect of graph layout on inference from social network data, [www.cs.cmu.edu/afs/cs/user/jblythe/papers/gd95.ps]
14. [http://pt.wikipedia.org/wiki/Data_mining], acessado em 30 de abril de 2011
15. [http://pt.wikipedia.org/wiki/FarmVille], acessado em 30 de abril de 2011
16. Armbrust, M; Foz, A; Griffith, R; et al, A View of Cloud Computing, Communications of ACM, vol 53, No 4, 04/2010
17. Heer J; Boyd D, Vizster: Visualizing Online Social Networks, 2005, [http://www.computer.org/portal/web/csdl/doi/10.1109/INFOVIS.2005.39]
18. Jacobs S.; Game Programming Gens 7, 2008, , Cengace Learning, page 463
19. Regina Maria Marteleto: Análise de redes sociais - aplicação nos estudos de transferência da informação, 2001 a09v30n1.pdf
20. Shaozhi Ye, Felix Wu. Estimating the Size of Online Social Networks. 2010 IEEE Second International Conference on Social Computing. 2010 EstimatingSizeOSNs.pdf
21. Minas Gjoka, Maciej Kurant, Carter T Butts, Athina Markopoulou. Walking in Facebook: A Case Study of Unbiased Sampling of OSNs. IEEE INFOCOM '10, San Diego, March 2010 WalkInFacebook.pdf
22. Minas Gjoka. Measurement of Online Social Networks. UC Irvine PhD Thesis, Dec 2010. minasgjoka_thesis.pdf
23. Amanda L. Traud, Peter J. Mucha, Mason A. Porter. Social Structure of Facebook Networks. Pre-submitted to Social Networks. 2011 SocialStructureFacebookNetworks.pdf
24. Alan Mislove, Massimiliano Marcon, Krishna P. Gummadi, Peter Druschel, and Bobby Bhattacharjee. 2007. Measurement and analysis of online social networks. In Proceedings of the 7th ACM SIGCOMM conference on Internet measurement (IMC '07). ACM, New York, NY, USA, 29-42. DOI=10.1145/1298306.1298311 http://doi.acm.org/10.1145/1298306.1298311
25. J. P. Mena-Chalco e R. M. Cesar-Jr. scriptLattes: An open-source knowledge extraction system from the Lattes platform. Journal of the Brazilian Computer Society, vol. 15, n. 4, pp. 31—39, 2009 ScriptLattes.pdf
26. Cristiane V. Amorin. Curriculum vitae organization: the Lattes software platform. Pesquisa Odontológica Brasileira, 17(1):18–22, 2003.
27. Haewoon Kwak, Changhyun Lee, Hosung Park, and Sue Moon. 2010. What is Twitter, a social network or a news media?. In Proceedings of the 19th international conference on World wide web (WWW '10). ACM, New York, NY, USA, 591-600. DOI=10.1145/1772690.1772751 http://doi.acm.org/10.1145/1772690.1772751
28. Shoham, Y. e Balabanovic, M. Content-based, collaborative recommendation, Communications of the ACM 40 content-based-colaborative-recomendation.pdf
29. Lang, K. NewsWeeder: Learning to filter netnews. In Proceedings of the 12th International Conference on Machine Learning (Tahoe City, Calif.) 1995 NewsWeeder.ps
30. Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, J. GroupLens: An open architecture for collaborative filtering of netnews. In Proceedings of the ACM Conference on Computer-Supported Cooperative Work (Chapel Hill, NC) 1994. GroupLens.pdf
31. Shardanand, U., and Maes, P. Social information filtering: Algorithms for automating “word of mouth.” In Conference on Human Factors in Computing Systems—CHI ’95. (Denver, May 1995). Ringo.pdf
32. Borges, D.M. and Oliveiram F.L. Análise e comparação dos sistemas de recomendação de produtos existentes em três empresas de comérico eletronico(ce): Saraiva, Submarino e Amazon.
33. danah m. boyd, Nicole B. Ellison, Social Network Sites: Definition, History, and Scholarship, [1] http://jcmc.indiana.edu/vol13/issue1/boyd.ellison.html, acessado em 30 de Abril de 2011
34. [2] http://en.wikipedia.org/wiki/SixDegrees.com, acessado em 30 Abril de 2011
35. [3] http://en.wikipedia.org/wiki/Ryze, acessado em 30 Abril de 2011
36. http://www.ocf.berkeley.edu/~stellal/index.htm, acessado em 30 Abril de 2011
38. Schuytema, P.; Design de Games, Cengace Learning
39. Redes Sociais, Bancos querem, mas não sabem como participar, Revista Executivos Financeiros, Edição 218 Ano XXII
40. Riedl, J. et al. (2000). Electronic Commerce Recommender Applications. Journal ofData Mining and Knowledge Discovery, vol. 5 nos. 1/2, pp. 115-152, Aug. Reidl2000.pdf
41. Gayatri Swamynathan, Christo Wilson, Bryce Boe, Kevin Almeroth, and Ben Y. Zhao. 2008. Do social networks improve e-commerce?: a study on social marketplaces. In Proceedings of the first workshop on Online social networks (WOSP '08). ACM, New York, NY, USA p1-swamynathan.pdf
42. Mikhail I Melnik, James Alm. Does a Sellers eCommerce Reputation Matter? Evidence from eBay Auctions. Journal of Industrial Economics. September 2002 REputationMatter.pdf
43. Daniel Houser, John Wooders. Reputation in Auctions: Theory, and Evidence from eBay. Journal of Economics & Management Strategy - 2006 ReputationOnEbay.pdf
44. Audun Jøsang, Shane Hird, Eric Faccer. Simulating the Effect of Reputation Systems on E-markets. Trust Management - Lecture Notes in Computer Science. Copyright: 2003 SimulatingReputationSystem.pdf
45. Giorgos Zacharia, Alexandros Moukas, and Pattie Maes. 1999. Collaborative Reputation Mechanisms in Electronic Marketplaces. In Proceedings of the Thirty-second Annual Hawaii International Conference on System Sciences-Volume 8 - Volume 8 (HICSS '99), Vol. 8. IEEE Computer Society, Washington, DC, USA, 8026. ReputationMarketPLaces.pdf
46. Lees-Miller, John; Anderson, Fraser; Hoehn, Bret; Greiner, Russel - Does Wikipedia Information Help NetFlix Predicitions? University of Alberta, 2008 - Seventh International Conference on Machine Learning and Application Less-Miller2008.pdf
47. Vukovic, Maja - CrowdSourcing for Enterprises, IBM T.J. Watson Research, 2009, Congress on Services vukovic2009.pdf
48. Hinds, David; Lee, Ronald - Social Network Structure as a Critical Success Condition for Virtual Communities - Florida International University - Proceedings of the 48th Hawaii International Conference on Systems Sciences, 2008 HindsLee2008.pdf
49. Hanneman, Robert A.; Riddle, Mark. Introduction to Social Network Methods. Online book. hanneman riddle.pdf
50. Konstan, J. A., B. N. Miller, et al. (1997). "GroupLens: Applying Collaborative Filtering to Usenet News." CACM 40(3): 77-87. konstan 97.pdf
51. Mikael Jakobsson , T.L. Taylor (2003). "The Sopranos Meets EverQuest - Social Networking in Massively Multiplayer Online Games",5th International Digital Arts and Culture Conference.
52. Andrew Siemion, Joshua Von Korff, Peter McMahon, Eric Korpela, Dan Werthimer, David Anderson, Geo
Bower, Je Cobb, Grin Foster, Matt Lebofsky, Joeri van Leeuwen, William Mallard, Mark Wagner. 2008. New SETI Sky Surveys for Radio Pulses. http://setiathome.berkeley.edu/sah_papers/berkeley_pulse_search_paper_nov_2008.pdf
53. Wasserman, S. e Faust, K. (1994). Social Network Analysis: Methods and Applications.
54. Lovász, L. (1993). Random walks on graphs: A survey. Combinatorics Paul Erdos is Eighty 2, 1-46.
55. Salganik, M. J. e Heckathorn, D. D. (2004). Sampling and Estimation in Hidden Populations Using Respondent-Driven Sampling. Sociological Methodology 34, 193-239.
56. Skare, O. (2003). Improved sampling-importance resampling and reduced bias importance sampling. Scandinavian Journal of Statistics 30, 719-737.
57. Geweke, J. (1992). Evaluating the accuracy of sampling-based approaches to calculating posterior moments. Em Bayesian Statistics 4, A. P. D. J M Bernardo J O Berger e A. F. M. Smith, eds. (Oxford University Press), 169-193.
58. Gelman, A. e Rubin, D. B. (1992). Inference from iterative simulation using multiple sequences. Statistical Science 7, 457-511.
59. Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H. e Teller, E. (1953). Equation of State Calculations by Fast Computing Machines. The Journal of Chemical Physics 21, 1087-1092.
60. Gilks, W. R., Richardson, S. e Spiegelhalter, D. J. (1996). Markov Chain Monte Carlo in Practice. Chapman & Hall/CRC
61. Rubin, D. B. (1988). Using the SIR algorithm to simulate posterior distributions. In Bayesian Statistics, J. M. Bernardo, M. H. DeGroot, D. V. Lindley, and A. F. M. Smith, eds. (Oxford University Press), pp. 395-402.
62. Wasserman, S., Faust, K., 1994. Social Network Analysis: Methods and Applications. Cambridge University Press, Cambridge.
63. CNET. Microsoft to buy Firefly. Disponível em: [http://news.cnet.com/2100-1001-210017.html] Acessado em 15 de maio de 2011.
64. CNET. Microsoft turns out the light on Firefly. Disponível em: [http://news.cnet.com/Microsoft-turns-out-the-light-on-Firefly/2100-1023_3-229806.html] Acessado em 15 de maio de 2011.
65. Elisabeth Sylvan. 2010. Predicting influence in an online community of creators. In Proceedings of the 28th international conference on Human factors in computing systems (CHI '10). ACM, New York, NY, USA, 1913-1916. DOI=10.1145/1753326.1753614 http://doi.acm.org/10.1145/1753326.1753614
66. Jun Zhang, Yan Qu, Jane Cody, and Yulingling Wu. 2010. A case study of micro-blogging in the enterprise: use, value, and related issues. In Proceedings of the 28th international conference on Human factors in computing systems (CHI '10). ACM, New York, NY, USA, 123-132. DOI=10.1145/1753326.1753346 http://doi.acm.org/10.1145/1753326.1753346
67. Sarah Vieweg, Amanda L. Hughes, Kate Starbird, and Leysia Palen. 2010. Microblogging during two natural hazards events: what twitter may contribute to situational awareness. In Proceedings of the 28th international conference on Human factors in computing systems (CHI '10). ACM, New York, NY, USA, 1079-1088. DOI=10.1145/1753326.1753486 http://doi.acm.org/10.1145/1753326.1753486
68. Juliana Novak. Desenvolvimento de Games, Cengage Learning, 2ª edição, 2011
69. Resnick, Paul, Zeckhauser, Richard, Swanson, John, and Kate Lockwood. The Value of Reputation on eBay: A Controlled Experiment. Experimental Economics. Volume 9, Issue 2, Jun 2006, Page 79-101
ReputationEbay.pdf
70. Andreas Schlosser , Marco Voss , Lars Brückner. Comparing and Evaluating Metrics for Reputation Systems by Simulation. RAS-2004, A Workshop on Reputation in Agent Societies as part of 2004 IEEE/WIC/ACM International Joint Conference on Intelligent Agent Technology (IAT'04) and Web Intelligence (WI'04), Beijing China, September 2004 Schlosser 2004
71. Mieczyslaw A. Klopotek, Michal Wolski. Simple Reputation Metrics for Mobile Agent in Open Environment. Proceedings of the 2006 International Multiconference on Computer Science and Information Technology, pp. 253 – 261 Klopotek 2006
72. Francesco Martino, Roberto Baù, Anna Spagnolli, and Luciano Gamberini. 2009. Presence in the age of social networks: augmenting mediated environments with feedback on group activity. Virtual Real. 13, 3 (August 2009), 183-194. DOI=10.1007/s10055-009-0125-2 http://dx.doi.org/10.1007/s10055-009-0125-2
73. Ben Kirman, Shaun Lawson, Conor Linehan, Francesco Martino, Luciano Gamberini, and Andrea Gaggioli. 2010. Improving social game engagement on facebook through enhanced socio-contextual information. In Proceedings of the 28th international conference on Human factors in computing systems (CHI '10). ACM, New York, NY, USA, 1753-1756. DOI=10.1145/1753326.1753589 http://doi.acm.org/10.1145/1753326.1753589
74. Frank Biocca, Chad Harms, and Judee K. Burgoon. 2003. Toward a more robust theory and measure of social presence: review and suggested criteria. Presence: Teleoper. Virtual Environ. 12, 5 (October 2003), 456-480. DOI=10.1162/105474603322761270 http://dx.doi.org/10.1162/105474603322761270
76. Greg Little, Lydia B. Chilton, Max Goldman, and Robert C. Miller. 2010. TurKit: human computation algorithms on mechanical turk. In Proceedings of the 23nd annual ACM symposium on User interface software and technology (UIST '10). ACM, New York, NY, USA, 57-66. DOI=10.1145/1866029.1866040 http://doi.acm.org/10.1145/1866029.1866040
77. Michael S. Bernstein, Greg Little, Robert C. Miller, Bj\&\#246;rn Hartmann, Mark S. Ackerman, David R. Karger, David Crowell, and Katrina Panovich. 2010. Soylent: a word processor with a crowd inside. In Proceedings of the 23nd annual ACM symposium on User interface software and technology (UIST '10). ACM, New York, NY, USA, 313-322. DOI=10.1145/1866029.1866078 http://doi.acm.org/10.1145/1866029.1866078
78. Daren C. Brabham. Crowdsourcing as a Model for Problem Solving: An Introduction and Cases Convergence: The International Journal of Research into New Media Technologies February 2008 14: 75-90, doi:10.1177/1354856507084420
79. Omar Alonso, Daniel E. Rose, and Benjamin Stewart. 2008. Crowdsourcing for relevance evaluation. SIGIR Forum 42, 2 (November 2008), 9-15. DOI=10.1145/1480506.1480508 http://doi.acm.org/10.1145/1480506.1480508
80. Howe, J. (2006f) ‘The Rise of Crowdsourcing’, Wired, 14(6), URL (acessado em 5 de junho de 2006): [http://www.wired.com/wired/archive/14.06/crowds.html]
81. Surowiecki, J. (2004) The Wisdom of Crowds: Why the Many are Smarter than the Few and How Collec-tive Wisdom Shapes Business, Economies, Societies, and Nations. New York: Doubleday.

Apêndice

Links:

Simuladores:

  • Social Networking Simulation
  • NetDraw (permite criar grafos de redes sociais e calcular diversas medidas de centralidade, além de fazer clustering e já ter implementado diversos outros algoritmos de grafos que fazem sentido para análise de redes sociais.

Jogos:

Files:

File nameFile typeSize
a09v30n1.pdfPDF document804.57 kBInfo
amayer.pdfPDF document383.95 kBInfo
amazon.pngPNG image91.96 kBInfo
benevenuto.pdfPDF document933.21 kBInfo
Ben-Zvi.pdfPDF document158.74 kBInfo
Berstein_Soylent.pdfPDF document2.25 MBInfo
BigHam_VizWiz.pdfPDF document1.88 MBInfo
content-based-colaborative-recomendation.pdfPDF document484.98 kBInfo
Crowdsourcing-Problem-solving.pdfPDF document142.39 kBInfo
crowdsourcing-relevance-evaluation.pdfPDF document417.92 kBInfo
ebay.pngPNG image65.28 kBInfo
EstimatingSizeOSNs.pdfPDF document288.5 kBInfo
FiguraTagCloud.jpgJPEG image data388.02 kBInfo
graficoIsolamento.pngPNG image13.28 kBInfo
GroupLens.pdfPDF document72.51 kBInfo
hanneman riddle.pdfPDF document7.04 MBInfo
haowang.pdfPDF document144.18 kBInfo
HindsLee2008.pdfPDF document227.17 kBInfo
Howe_The_Rise_of_Crowdsourcing.pdfPDF document181.95 kBInfo
iStockphoto.pngPNG image269.43 kBInfo
Klopotek 2006 Simple Reputation Metrics for Mobile Agent in Open Environment.pdfPDF document645.14 kBInfo
konstan 97.pdfPDF document333.26 kBInfo
Less-Miller 2008.pdfPDF document193.87 kBInfo
Little_TurKit.pdfPDF document498.91 kBInfo
minasgjoka_thesis.pdfPDF document3.37 MBInfo
Mir2010.pdfPDF document436.79 kBInfo
NewsWeeder.psPostScript document text conforming DSC level 3.0224.25 kBInfo
p1-swamynathan.pdfPDF document195.09 kBInfo
ragnarok.pngPNG image768.18 kBInfo
Reidl2000.pdfPDF document583.37 kBInfo
ReputationMarketPLaces.pdfPDF document114.73 kBInfo
REputationMatter.pdfPDF document129.55 kBInfo
ReputationOnEbay.pdfPDF document206.84 kBInfo
Resnick 2006 ReputationEbay.pdfPDF document711.08 kBInfo
Ringo.pdfPDF document246.72 kBInfo
Schlosser 2004 Comparing and Evaluating Metrics for Reputation Systems by Simulation.pdfPDF document857.38 kBInfo
ScriptLattes.pdfPDF document3.28 MBInfo
setiahome.pngPNG image118.85 kBInfo
SimulatingReputationSystem.pdfPDF document568.73 kBInfo
SocialNetworkingModel.pdfPDF document88.38 kBInfo
SocialStructureFacebookNetworks.pdfPDF document924.15 kBInfo
staab.pdfPDF document523.65 kBInfo
threadless.pngPNG image264.59 kBInfo
tribal_wars.pngPNG image605.55 kBInfo
vukovic2009.pdfPDF document376.42 kBInfo
WalkInFacebook.pdfPDF document467.17 kBInfo
waze.pngPNG image122.76 kBInfo

Link para as etapas de criação do capítulo (fases, críticas, ideias, sugestões, fases de criação):

Elaboração do Capítulo 9



Copyright Claudio Pinhanez, Carlos Humes, 2011.