[论文解读] A social Network Analysis of the Operations Research/Industrial Engineering Faculty Hiring Network

Enrique Del Castillo, Adam Meyers+1 more|arXiv (Cornell University)|Feb 28, 2018

Complex Network Analysis Techniques参考文献 19被引用 3

一句话总结

本文运用社会网络分析与潜变量指数随机图模型（ERGM）研究美国运筹学与工业工程（ORIE）教师招聘网络，揭示出近乎线性的层级结构及三个显著的院系群体。研究提出最小违规与强度（MVS2）指数以量化院系声望，发现高度自招现象及有限的跨群体流动，对学术流动与知识传播具有启示意义。

ABSTRACT

We study the U.S. Operations Research/Industrial-Systems Engineering (ORIE) faculty hiring network, consisting of 1,179 faculty origin and destination data together with attribute data from 83 ORIE departments. A social network analysis of faculty hires can reveal important patterns in an academic field, such as the existence of a hierarchy or sociological aspects such as the presence of communities of departments. We first statistically test for the existence of a linear hierarchy in the network and for its steepness. We find a near linear hierarchical order of the departments, proposing a new index for hiring networks, which we contrast with other indicators of hierarchy, including published rankings. A single index is not capable to capture the full structure of a complex network, however, so we next fit a latent exponential random graph model (ERGM) to the network, which is able to reproduce its main observed characteristics: high incidence of self-hiring, skewed out-degree distribution, low density and clustering. Finally, we use the latent variables in the ERGM to simplify the network to one where faculty hires take place among three groups of departments. We contrast our findings with those reported for other related disciplines, Computer Science and Business.

研究动机与目标

• 识别美国ORIE教师招聘网络中的结构性模式，包括层级结构与社区结构。
• 开发一种客观、数据驱动的院系声望度量方法（MVS2），避免依赖主观排名。
• 使用潜变量指数随机图模型（ERGM）对网络进行建模，以捕捉自招、度分布偏斜等复杂特征。
• 基于招聘模式与潜变量位置，将网络简化为三个结构紧密的院系群体。
• 将ORIE招聘动态与计算机科学和工商管理等相关学科进行比较，突出网络结构与自招率的差异。

提出的方法

• 通过假设检验评估ORIE招聘网络中线性主导层级的存在性及其陡峭程度。
• 提出最小违规与强度（MVS2）指数，通过自助抽样网络的优化，实现非排名依赖的院系声望度量。
• 拟合潜位置指数随机图模型（ERGM），以捕捉关键网络特征：自招、度分布偏斜、网络稀疏性及聚类。
• 利用ERGM中的潜变量进行聚类分析，将网络简化为三个显著的院系群体。
• 以招聘人数为边权重可视化简化后网络，突出组内招聘及组间连接的最小化。
• 将结果与已发表的排名（US News、NRC）及计算机科学与工商管理领域的招聘网络进行比较，以 contextualize 研究发现。

实验结果

研究问题

• RQ1 ORIE教师招聘网络中是否存在线性层级结构？其陡峭程度如何？
• RQ2 所提出的MVS2院系声望指数与US News、NRC等既有排名相比表现如何？
• RQ3 哪些网络特征——如自招、度分布、聚类——最能被潜变量ERGM捕捉？
• RQ4 能否基于潜变量位置，将ORIE招聘网络合理简化为少数几个结构紧密的院系群体？
• RQ5 ORIE中的结构性模式与计算机科学和工商管理等相关学科相比有何异同？

主要发现

• ORIE教师招聘网络表现出显著的近乎线性层级结构，统计证据支持院系间存在主导性排序。
• MVS2指数提供了一种稳健的数据驱动声望度量，其与既有排名的相关性较差，表明其更能准确反映基于网络的影响力。
• 潜变量ERGM成功再现了关键网络特征：自招率极高（接近计算机科学的两倍，是工商管理的三倍）、度分布偏斜、网络稀疏、聚类显著。
• 网络可简化为三个明确的群体：顶尖、中等与较低层级院系，其中绝大多数招聘发生在组内，跨群体流动极少。
• 中等层级院系具有较高的介数中心性，作为关键连接点，维系了整个层级结构的连通性。
• ORIE领域整体自招率极高（显著高于计算机科学与工商管理），可能阻碍新思想与课程创新在院系间的流动。