在社会网络分析中，处理“人-事件”这类二模数据时，将其投影为“人-人”单模网络似乎是常规操作。然而，这种默认做法可能是一个危险的简化，不仅会丢失关键的异质性信息，还可能制造出虚假的连接。本文旨在探讨为何应谨慎对待投影，并介绍直接分析二模网络的先进方法，以揭示更真实、更深刻的社会结构。
智能速览
投影二模网络存在信息丢失与制造伪影的双重风险。
直接分析二模网络能揭示行动者与场域的真实互动关系。
广义二模分块模型可精准识别权力掮客等结构性角色。
(p,q)-core算法能有效定位网络中最紧密的核心子结构。
带符号的二模网络能分析支持/反对等复杂态度关系。
精华内容
默认将二模数据投影为单模网络，是一种看似便捷却可能引人误入歧途的简化。要真正洞察社会结构的复杂性，我们需要更直接的分析工具。
投影的双重陷阱
将二模数据投影为单模网络会带来两个核心问题。首先是信息丢失，投影过程抹去了连接的异质性。例如，两人共同参与一个私密的小型会议，与共同参与一场万人演唱会，在投影后的共现数值上可能相似，但其背后的社会意义与互动强度截然不同。
其次是制造伪影，投影会数学性地强行制造出全连通的派系。研究者观察到的网络高聚类系数，很可能并非真实社会凝聚力的体现，而仅仅是数据转换带来的数学假象。
直接分析的视角
社会结构本身就是由行动者与场域互动构成的，因此直接分析二模网络是更贴近现实的视角。这种方法保留了数据的原始结构和丰富性，能够带来比投影更深刻的洞察。它不再将二模网络视为一个需要转换的中间步骤，而是将其作为分析的核心对象，从而更准确地揭示真实的社会运作模式。
识别结构角色
广义二模分块模型（GBM）是一种强大的直接分析方法。它允许研究者同时、但不同步地对网络中的行（如参与者）和列（如组织、事件）进行聚类。通过这种方式，可以在不进行投影的情况下，精准识别出网络中的结构性角色，例如连接不同群体的“权力掮客”、在特定领域深耕的“边缘专家”，或是处于网络中心的“核心圈层”。
挖掘核心与态度
直接分析还能深入挖掘网络的核心结构与动态关系。广义二模核心将k-core概念扩展到二模场景，通过(p,q)-core识别出网络中由行动者和场域共同构成的最紧密子结构，例如一个组织内部的核心资金-项目网络。
此外，当关系包含态度（如支持/反对）时，带符号的二模网络与松弛结构平衡模型（RSB）能够揭示比传统平衡理论更复杂的机制，例如识别出网络中的“调解”角色或阵营内部的冲突动态。
将复杂的二模关系简化为单模网络，虽然便捷，却可能让我们与真相擦肩而过。直接分析方法为我们提供了更精密的镜头，去观察社会结构中真实而深刻的互动模式。面对复杂数据时，或许我们最该放弃的，就是对简化的过度执着。这不仅能提升分析的准确性，更能启发我们对社会本质的新思考。
