Mga Network Graph: Pagpapakita ng Mga Relasyon at Koneksyon sa Data ng Pananaliksik

Inilathala noong Hunyo 20, 2026 | Huling na-update noong Agosto 10, 2026

Isipin ang isang tumpok ng apatnapung magkakaugnay na papel na ginawang iisang larawan. Ang bawat papel ay nagiging isang tuldok, ang bawat sitasyon sa pagitan ng dalawang papel ay nagiging isang linya, at ang mga kumpol na kung hindi man ay aabutin ng mga pahina ng salaysay upang ilarawan ay nagiging nakikita sa isang sulyap. Iyan ang pangunahing ideya sa likod ng mga network graph , isa sa mga mas literal na kagamitan sa visualization kit ng isang mananaliksik. Ang mga node ay kumakatawan sa mga entity tulad ng mga may-akda, gene, papel, o pasyente. Ang mga edge ay kumakatawan sa isang partikular na relasyon sa pagitan ng dalawa sa mga entity na iyon. Ang resultang larawan ay nagpapakita ng istruktura na ganap na itinatago ng isang talahanayan ng mga numero.

Saklaw ng gabay na ito kung ano talaga ang ipinapakita ng isang network graph, kung paano basahin ito nang walang background sa istatistika, kung saan lumalabas ang pamamaraan sa mga nailathalang pananaliksik, kung aling mga software researcher ang kasalukuyang ginagamit upang bumuo nito, at kung saan kadalasang nagkakamali ang pamamaraan. Isang maikling halimbawa sa kalagitnaan ng proseso ang manu-manong magsasagawa ng manu-manong pagtalakay sa isang anim na node network, dahil ang pinagbabatayang matematika ay mas madaling maunawaan kaysa sa panlabas na anyo.

Pag-unawa sa mga Network Graph: Mga Node, Edge, at Direksyon

Ang bawat network graph ay nakasalalay sa dalawang sangkap. Ang mga node ay kumakatawan sa mga entidad na pinag-aaralan, maging ito man ay mga indibidwal na mananaliksik, gene, ospital, o bansa. Ang mga edge ay kumakatawan sa isang partikular na ugnayan sa pagitan ng dalawang node, at ang pagpili ng ugnayan na iyon ang siyang nagiging kasangkapan sa pananaliksik para sa isang generic diagram. Ang isang co-authorship network ay nakakakuha ng kalamangan tuwing may dalawang taong nagbabahagi ng isang byline. Ang isang citation network ay nakakakuha ng kalamangan tuwing may isang papel na nagbabanggit ng isa pa. Ang isang protein interaction network ay nakakakuha ng kalamangan tuwing may dalawang protina na nagbubuklod o nagreregula sa isa't isa. Kapag nagpalit ng ugnayan, ang parehong anim na tuldok ay maaaring kumatawan sa isang ganap na magkaibang pag-aaral.

Dalawang pagpipilian sa disenyo ang humuhubog sa kung ano ang kayang sabihin ng isang network graph. Isa na rito ang direksyon. Sa isang undirected graph, ang gilid sa pagitan ng A at B ay simetriko, na akma sa mga ugnayan tulad ng co-authorship o pagkakaibigan kung saan ang impluwensya ay tumatakbo sa magkabilang direksyon. Sa isang directed graph, ang mga gilid ay nakaturo sa isang direksyon, na tumutugma sa mga citation network (ang papel A ay binabanggit ang papel B, hindi ang kabaligtaran) o mga referral pathway kung saan ang arrow mismo ay may kahulugan.

Ang bigat ay ang isa pa. Ang isang unweighted edge ay nagsasabi lamang na mayroong koneksyon. Ang isang weighted edge ay nagdaragdag ng isang numero, marahil isang bilang ng mga ibinahaging publikasyon sa pagitan ng dalawang may-akda, ang lakas ng isang gene correlation, o ang bilang ng mga pagsubok na direktang naghahambing sa dalawang gamot. Ang bigat ay karaniwang lumilitaw bilang kapal ng linya o tindi ng kulay, na nagbibigay-daan sa isang mambabasa na paghiwalayin ang isang lumilipas na kolaborasyon mula sa isang dekadang pakikipagsosyo sa isang sulyap. Sinuman na nagpapasya pa rin kung ang isang network graph ay ang tamang pagpipilian para sa isang partikular na dataset, sa halip na isang mas simpleng bar chart o scatter plot, ay maaaring naising pag-aralan ang aming gabay sa pagpili ng tamang uri ng graph para sa iyong data bago bumuo ng anuman.

Karamihan sa mga software ay nag-iimbak ng impormasyong ito bilang isang listahan ng gilid o adjacency matrix sa likod ng mga eksena, ngunit bihirang kailanganin ng isang mambabasa na makita nang direkta ang istrukturang iyon. Ang mahalaga para sa interpretasyon ay mas simple. Pansinin kung gaano karaming linya ang dumadampi sa isang partikular na node, pansinin kung aling mga linya ang makapal laban sa manipis, at suriin kung may mga arrowhead bago ipagpalagay na ang isang relasyon ay tumatakbo sa magkabilang direksyon.

Isang Nagamit na Halimbawa: Pagbasa ng Maliit na Network Graph

Mas mabilis itong ginagawang konkreto ng mga numero kaysa sa mga kahulugan. Isaalang-alang ang anim na mananaliksik na may parehong grant, na may label na A hanggang F, na magkasamang sumulat ng kahit isang papel sa loob ng nakaraang tatlong taon. Ito ay isang binuong halimbawa na ginawa upang ilarawan ang mekanika, hindi isang natuklasan mula sa anumang nailathalang pag-aaral. Ang mananaliksik na si A ay sumulat ng isang papel kasama ang bawat isa sa iba pang lima. Sina B at C ay sumulat ng isang papel nang magkasama. Sina D at E ay sumulat ng isang papel nang magkasama. Si F ay naglathala lamang kasama si A.

Ang degree centrality ay bilang lamang kung gaano karaming direktang koneksyon ang mayroon ang isang node, at sinasagot na ng talahanayan sa itaas ang tanong. Ang mananaliksik na si A ay nasa 5, ang pinakamataas na posibleng bilang sa isang grupo na binubuo ng anim na tao, habang ang F ay nasa 1. Binabago ng nag-iisang numerong iyon kung paano dapat tratuhin ng mambabasa ang larawan. Ang A ang sentro na dinadaanan ng buong grupo. Alisin ang A mula sa network at agad na lilitaw ang tatlong magkakahiwalay na fragment, ang B ay ipinares sa C, ang D ay ipinares sa E, at ang F ay walang konektado kahit kanino.

May pangalan ang kahinaang iyan. Sinusukat ng betweenness centrality kung gaano kadalas nakapuwesto ang isang node sa pinakamaikling landas sa pagitan ng dalawang iba pang node, at mataas ang marka ng A sa parehong sukat dito, dahil ito ang pinakakonektadong mananaliksik at ang tanging tulay sa pagitan ng pares ng BC at pares ng DE. Sa isang mas malaki at mas magulo na graph, ang degree at betweenness ay maaaring tumukoy sa magkaibang node. Ang isang mananaliksik na may tatlong direktang koneksyon lamang ay maaari pa ring mag-post ng mataas na marka ng betweenness kung ang tatlong link na iyon ay nagkataong nag-uugnay sa mga bahagi ng network na magkahiwalay, na kumikilos bilang isang broker kahit na hindi siya ang pinakamabilis na kolaborator.

Ang mga totoong network ng kolaborasyon ay nagpapakita ng parehong pagkakawatak-watak, sa mas malaking saklaw lamang. Inimapa nina Khalagi at mga kasamahan ang network ng mga kapwa-awtor ng mga mananaliksik ng osteoporosis sa Iran sa 1,328 na dokumentong kinuha mula sa PubMed, Scopus, at Web of Science, at iniulat ang 183 na may-akda na nakaupo sa loob ng 13 magkakahiwalay na kumpol na may mababang pangkalahatang kohesyon at mabagal na daloy ng impormasyon sa pagitan ng mga grupo , isang malawakang bersyon ng pagkakahati na makikita sa halimbawa ng anim na node sa itaas.

Sentralidad at mga Kumpol: Anong Posisyon sa Loob ng Graph ang Ipinakikita

Ang antas at pagitan ang dalawang sukatan ng sentralidad na pinakamadalas na sinusukat ng mga mananaliksik, ngunit dalawa pa ang regular na lumalabas sa mga nailathalang gawain. Ang sentralidad ng kalapitan ay nagbibigay ng marka sa isang node ayon sa average na distansya nito sa bawat iba pang node, na kapaki-pakinabang sa paghahanap kung sino ang pinakamabilis na makakarating sa natitirang bahagi ng network, na may kaugnayan sa pagmomodelo ng pagkalat ng sakit o mga pag-aaral ng pagpapakalat ng impormasyon. Tinitimbang ng eigenvector centrality ang isang koneksyon ayon sa kahalagahan ng node sa kabilang dulo, kaya ang isang link mula sa isang hub na lubos na konektado ay binibilang para sa higit sa ilang mga link mula sa mga peripheral node. Ang orihinal na PageRank algorithm ng Google ay isang variant ng parehong ideyang ito na inilapat sa web.

Ang clustering ay isa pang katangiang istruktural na dapat malaman. Ang isang cluster, minsan ay tinatawag na community o module, ay isang grupo ng mga node na siksik na kumokonekta sa isa't isa at kakaunti sa lahat ng nasa labas ng grupo. Karaniwang nag-uulat ang bibliometric software ng modularity score kasama ng mga cluster na ito, isang numerong kumukuha kung gaano kalinis ang paghahati ng isang network sa magkakaibang grupo sa halip na bumuo ng isang undifferentiated mass. Isang bibliometric mapping ng periodontitis at systemic-disease research noong 2026 ang nagsuri ng 6,106 na talaan hanggang sa 1,519 na kasama na pag-aaral, na pinagsasama ang co-authorship mapping, bibliographic coupling, at co-citation analysis at hinuhusgahan ang mga resulta gamit ang silhouette score, modularity, at centrality nang magkasama , ang parehong toolkit na inilarawan dito, upang kumpirmahin na ang mga nagresultang cluster ay sumasalamin sa mga tunay na sub-field sa halip na noise.

Wala sa mga numerong ito ang maaaring magpalit ng paghuhusga nang mag-isa. Ang isang high-degree node sa isang hindi maayos na nasala na citation network ay maaaring isang mega-journal o isang review article na binabanggit ng lahat nang pasimple, hindi isang intelektwal na sentral na papel, kaya ang mga centrality score ay pinakamahusay na gumagana bilang panimulang punto para sa mas malapit na pagbabasa kaysa sa isang pangwakas na hatol.

Kung Saan Lumilitaw ang mga Network Graph sa Nailathalang Pananaliksik

Limang gamit ang bumubuo sa karamihan ng mga network graph na lumalabas sa mga artikulo sa journal, at bawat isa ay nagbabago kung ano ang maituturing na node at kung ano ang maituturing na edge.

Mga Network ng Co-authorship at Kolaborasyon

Ginagawang istruktura ng isang co-authorship network ang pagkakasunod-sunod ng byline, na nag-uugnay sa mga mananaliksik na naglathala nang magkakasama at kadalasang tinitimbang ang koneksyon ayon sa kung gaano karaming papel ang kanilang pinagsasaluhan. Gumawa si Ogasawara ng isa para sa pananaliksik sa gastroenterology, na gumagamit ng 18,855 na papel na inilathala sa pagitan ng 2000 at 2023 at kinuha mula sa Web of Science, upang subaybayan kung paano nabuo ang mga ugnayan sa pakikipagtulungan sa larangan at matukoy ang mga mananaliksik na nasa kanilang sentro. Ang parehong lohika ay umaabot sa isang departamento o hanggang sa isang buong disiplina, at ito ay isa sa mga mas karaniwang bilang na idinaragdag sa huling bahagi ng proseso ng rebisyon ng isang bibliometric na papel kapag humingi ang mga tagasuri ng ebidensya ng mga pattern ng pakikipagtulungan.

Mga Network ng Interaksyon ng Gene at Protina

Sa molecular biology, ang mga node ay nagiging mga gene o protina at ang mga edge ay nagiging physical binding, regulatory control, o co-expression. Ang mga pipeline ng genomic analysis ay lalong bumubuo ng mga network na ito bilang isang downstream step pagkatapos ng differential-expression testing, dahil ang isang ranked gene list mismo ay walang sinasabi tungkol sa kung aling mga gene ang nakikipag-ugnayan sa alin. Ang kabanata ng mga pamamaraan nina Majeed at Mukhtar para sa 2023 ay tinatalakay ang paggalugad ng data ng interaksyon ng protina-protina partikular sa loob ng Cytoscape, na tinatrato ang software bilang karaniwang entry point para sa ganitong uri ng trabaho sa isang systems-biology lab. Ang mga hub gene, ang mga high-degree node sa loob ng mga network na ito, ay kadalasang siyang unang tinatarget ng mga follow-up na eksperimento sa wet-lab, dahil ang paggambala sa isang hub ay may posibilidad na makaapekto sa higit pang bahagi ng network kaysa sa paggambala sa isang peripheral gene.

Pagmamapa ng Bibliometriko at Sitasyon

Ang co-citation analysis ay nagbibigay ng kalamangan sa pagitan ng dalawang papel tuwing may ikatlong papel na nagbabanggit sa mga ito nang magkasama, batay sa lohika na ang mga papel na binanggit nang sabay-sabay ay may posibilidad na magbahagi ng intelektuwal na batayan. Pinagsama ito nina Huang at mga kasamahan sa keyword co-occurrence mapping upang pag-aralan ang pananaliksik sa aphasia neuroimaging na inilathala sa pagitan ng 2004 at 2021, na binubuo ang kanilang mga network map sa CiteSpace at VOSviewer upang ilabas ang mga hotspot ng pananaliksik at nagbabagong mga hangganan. Ang ganitong uri ng network graph ay naging malapit na sa isang karaniwang pigura sa mga artikulo ng pagsusuri ngayon, lalo na sa mga larangan kung saan ang literatura ay lumaki nang husto para sa isang tradisyonal na buod ng naratibo upang masakop nang maayos.

Pagsusuri ng Social Network sa Klinikal at Pang-asal na Pananaliksik

Sa labas ng bibliometrics, direktang minamapa ng mga network graph ang mga ugnayan sa pagitan ng mga tao. Ginamit nina Kantek at mga kasamahan ang pagsusuri sa social network upang subaybayan ang mga interaksyon sa paghahanap ng payo sa 70 nars sa loob ng isang pribadong ospital , na tinutukoy kung aling mga kawani ang gumaganap bilang impormal na mga sentro ng kaalaman anuman ang pormal na titulo. Ang isang kaugnay ngunit natatanging pamamaraan, ang pagsusuri sa network ng sintomas, ay tinatrato ang mga indibidwal na sintomas sa halip na ang mga tao bilang mga node. Inilapat nina Rydin at mga kasamahan ang pamamaraang ito sa depresyon, na nag-uugnay sa mga sintomas ng depresyon sa mga metabolomic marker sa isang istruktura ng network sa halip na subukan ang bawat sintomas laban sa isang resulta nang hiwalay, isang pamamaraan na nakakakuha ng atensyon sa pananaliksik sa saykayatriko dahil lamang sa maipapakita nito kung aling mga sintomas ang nasa gitna ng isang karamdaman sa halip na ituring ang lahat ng sintomas bilang mapagpapalit. Ang mga mambabasang bumubuo ng isang pag-aaral sa network sa paligid ng mga tao sa halip na mga papel ay maaaring makatulong sa aming kasamang artikulo sa pagsusuri sa social network at pagmamapa ng mga ugnayan sa datos ng pananaliksik para sa panig ng pagkolekta ng datos ng gawaing iyon, at ang aming nakatuong pagtingin sa pagsusuri ng network sa loob ng mga sistema ng pangangalagang pangkalusugan ay partikular na sumasaklaw sa mga network ng referral at koordinasyon ng pangangalaga.

Mga Diagram ng Network sa Sintesis ng Ebidensya

Pinaghahambing ng network meta-analysis ang tatlo o higit pang mga paggamot nang sabay-sabay sa pamamagitan ng pagsasama-sama ng direkta at hindi direktang ebidensya sa isang hanay ng mga pagsubok, at ang geometry na nag-uugnay sa mga paggamot na iyon mismo ay isang network graph, kung saan ang bawat paggamot ay isang node at ang bawat paghahambing batay sa pagsubok ay isang gilid. Sinuri nina Guerrero de Sousa at mga kasamahan ang 86 na network meta-analysis ng mga antithrombotic therapy na inilathala sa pagitan ng 2007 at 2022 , sinusuri ang mga ito laban sa checklist ng pag-uulat ng PRISMA-NMA, at natuklasan na ang mga paghahambing na kinasasangkutan ng mga direct-acting oral anticoagulant ay bumubuo sa 61 sa 86 na pagsusuri, isang konsentrasyon na nagiging halata sa sandaling iguhit ang diagram ng network sa halip na iwanang pahiwatig sa isang talahanayan. Kasama sa serbisyo ng network meta-analysis ng Editverse ang pagbuo at pagbibigay-kahulugan sa diagram na ito bilang bahagi ng karaniwang daloy ng trabaho, dahil ang mga journal ay lalong umaasa dito kasama ng plot ng kagubatan.

Software na Ginagamit ng mga Mananaliksik upang Bumuo ng mga Network Graph

Iilang tool lamang ang sumasaklaw sa karamihan ng mga nailathalang network graph, at ang bawat isa ay nagpapadala pa rin ng mga aktibong update noong 2026, patunay na ang ecosystem ay pinapanatili sa halip na pinabayaan.

Ang praktikal na pagpipilian ay karaniwang bumababa sa daloy ng trabaho kaysa sa mga tampok. Ang isang mananaliksik na gustong mag-click, mag-drag, at makakita agad ng mga resulta ay may posibilidad na gamitin ang Gephi, Cytoscape, o VOSviewer. Ang isang mananaliksik na nangangailangan ng network analysis upang magkasya sa loob ng isang mas malaki at maaaring kopyahing statistical pipeline, kasama ang isang regression model o isang genomic dataset na naka-load na sa R ​​o Python, ay may posibilidad na gamitin ang igraph o NetworkX, pagkatapos ay mag-e-export ng isang static figure kapag naayos na ang mga numero. Ang aming pangkalahatang-ideya ng statistical software na ginagamit ng mga mananaliksik sa SPSS, R, Python, at Stata ay sumasaklaw kung paano umaangkop ang mga code-based tool na ito sa isang mas malawak na workflow ng pagsusuri na higit pa sa mga network graph. Alinmang tool ang gagawa ng figure, ang pag-export nito bilang isang vector format (SVG o PDF sa halip na isang low-resolution PNG) ay nagpapanatili sa mga node label na nababasa pagkatapos itong baguhin ang laki ng isang journal para sa pag-print, isang maliit na hakbang na madaling laktawan sa ilalim ng pressure ng deadline at mahirap ayusin kapag ang isang papel ay nasa produksyon na.

Mga Karaniwang Pagkakamali na Nagiging Hairball ang isang Node-Link Diagram

Ang pinakamadalas na pagkabigo ay ang simpleng iskala. Ang pag-plot ng bawat node at bawat gilid sa isang dataset na may libu-libong entity ay nagreresulta sa tinatawag ng mga practitioner na hairball, isang siksik na gusot kung saan walang indibidwal na koneksyon ang mababasa. Ang pag-filter sa mga nangungunang koneksyon, ang pinakamalaking kumpol, o isang partikular na subgroup bago mag-plot ay halos palaging nagreresulta sa isang mas kapaki-pakinabang na pigura kaysa sa pagpapakita ng lahat nang sabay-sabay, kung ang mga pamantayan sa pag-filter ay isiniwalat sa mga pamamaraan o legend ng pigura sa halip na iwanan para hulaan ng isang mambabasa.

May ilan pang ibang isyu na madalas na lumalabas na maaaring direktang ipagwalang-bahala.

• Pagtrato sa posisyon ng node bilang makabuluhan sa sarili nitong paraan. Karamihan sa mga layout, partikular na ang mga force-directed algorithm, ay naglalagay ng mga node batay sa isang optimization na nagpapaliit sa mga edge crossing, hindi sa anumang pinagbabatayan na coordinate system, kaya ang dalawang node na magkakalapit sa isa't isa sa pahina ay hindi kinakailangang magkaugnay maliban kung ang isang edge ay aktwal na nagdurugtong sa kanila.
• Pagdaragdag ng ikatlong dimensyon para sa biswal na epekto. Ang isang umiikot na 3D network graph ay maaaring magmukhang kahanga-hanga sa isang slide deck, ngunit kadalasan ay mas pinapadali nito ang eksaktong paghahambing sa pagitan ng mga haba ng gilid at mga posisyon ng node kapag naka-print nang patag sa isang pahina. Ang aming gabay sa Mga 3D na graph sa akademikong pagsulat sumasaklaw sa makitid na hanay ng mga kaso kung saan ang ikatlong dimensyon ay nakakakuha ng lugar nito.
• Tahimik na pag-alis ng mga nakahiwalay na node. Ang mga entity na walang koneksyon ay minsan nasasala bago pa man mabuo ang isang pigura, na maaaring makatuwiran, ngunit ang paggawa nito nang hindi sinasabi sa teksto ay nagbabago sa maliwanag na laki at densidad ng network.
• Paghahalo ng weighted at unweighted na pagbasa ng iisang pigura. Ang isang pigura na nagko-code sa lakas ng tali sa pamamagitan ng kapal ng linya ay nangangailangan ng legend na nagpapaliwanag sa iskala, o walang paraan ang mambabasa para malaman kung ang isang makapal na linya ay nangangahulugang sampung pinagsasaluhang papel o dalawa.

Isang mahusay na dokumentadong serye ng mga kaso kung paano nakakaapekto ang pagpili ng graph sa interpretasyon ng datos ang sumasaklaw sa ilan sa mga failure mode na ito gamit ang mga halimbawang kinuha mula sa mga nailathalang pigura, at ang pagpapares ng isang network graph sa isang mas simpleng supporting chart, isang box plot ng degree distribution , halimbawa, ay kadalasang mas mabilis na ipinapabatid ang pangkalahatang hugis ng network kaysa sa ginagawa ng node-link diagram nang mag-isa. Ang aming artikulo sa pagsasama-sama ng mga uri ng graph sa mga compound visualization ay sumasaklaw sa pagpapares na iyon nang mas malalim.

Paano Sinusuportahan ng Editverse ang mga Proyekto ng Network Graph

Ang pagbuo ng isang network graph na handa nang ilathala ay karaniwang nangangahulugan ng paglipat sa pagitan ng tatlong magkakahiwalay na hanay ng kasanayan, ang pinagbabatayang estadistika, ang visualization software, at ang mga partikular na kinakailangan sa pigura ng journal. Direktang sinasaklaw ng serbisyo ng data visualization ng Editverse ang gitnang hakbang, kinukuha ang isang nalinis na dataset, isang edge list, isang correlation matrix, isang bibliometric export, hanggang sa isang pigura na handa nang ilathala na may pare-parehong label, nababasang node at edge encoding, at isang format na nananatili sa proseso ng produksyon ng print ng isang journal.

Para sa mga manuskrito na malapit nang isumite, ang premium na pakete ng siyentipikong pag-eedit ay pinagsasama ang teknikal na pagsusuri ng mga pigura at ang kumpletong suporta sa pag-eedit at muling pagsusumite ng manuskrito, na kapaki-pakinabang kapag ang isang tagasuri ay partikular na nagmarka ng isang pigura sa network bilang hindi malinaw o hindi sapat ang label sa panahon ng peer review. Ang mga mananaliksik na nagpapatakbo ng isang evidence synthesis sa halip na isang pangunahing pag-aaral ay maaari ring gumamit ng serbisyo ng meta-analysis ng network na nabanggit kanina sa gabay na ito, na sumasaklaw sa parehong statistical modeling at ang nagresultang network diagram bilang isang iisang deliverable.

Ang Editverse ay nakipagtulungan sa mga mananaliksik sa agham panlipunan, biyolohiya, at klinikal na medisina simula noong 2020, kaya ang suporta ay umaabot nang higit pa sa mismong pigura hanggang sa nakapalibot na teksto ng mga pamamaraan, ang alamat ng pigura, at anumang mga tanong ng tagasuri tungkol sa kung paano binuo ang pinagbabatayang network.