社会网络研究的方法论体系与前沿范式

社会网络研究作为跨社会学、物理学、计算机科学、公共卫生学的交叉领域，其方法论体系始终伴随着研究范式的迭代与数据技术的革新不断演化。从1930年代莫雷诺（Jacob Moreno）通过手工绘制群体关系图开启社会网络分析的先河，到当前基于亿级节点规模的动态社会网络建模，方法论体系的每一次突破都深刻重塑了该领域的研究边界与落地价值。本章将系统梳理社会网络研究的方法论演进脉络，明确三类核心数据的采集、清洗与质量控制标准，厘清研究伦理与隐私保护的实践路径，拆解当前主流技术栈的选型逻辑与优化策略，并通过公共卫生、舆情监测两个真实场景的完整pipeline演示，为后续章节的理论与模型研究提供方法基础。

1.1 社会网络研究的范式演进历程

社会网络研究的方法论演进可划分为四个阶段，每个阶段的范式特征、核心贡献与局限性均与当时的数据技术、学科发展水平高度耦合。如以下Mermaid时间线图所示，范式的每一次跃迁都伴随着研究尺度、分析精度与落地能力的显著提升：

```mermaid timeline title 社会网络研究范式演进历程 1930s : 经典社会学范式 : 莫雷诺提出sociogram（社会测量图） : 手工绘制群体关系图 : 小样本质性研究为主 : 核心贡献：开创关系视角的社会分析 1970s : 计算社会科学范式 : 格兰诺维特提出弱关系强度理论 : 引入图论、统计学量化方法 : UCINET、Pajek等分析工具出现 : 中等规模（<10万节点）量化分析 : 核心贡献：建立社会网络的量化分析框架 2010s : 大数据与AI驱动范式 : 瓦茨提出小世界网络模型 : 数字trace数据爆发（移动信令、社交平台交互数据） : 图数据库、分布式计算技术普及 : 超大规模（>1亿节点）网络分析成为可能 : 核心贡献：突破样本量限制，实现全量群体分析 2020s : 多模态与因果推断范式 : 多模态数据（文本、图像、视频）与网络结构融合 : 动态图神经网络（DGNN）、因果推断方法应用 : 从相关性分析走向因果性识别 : 核心贡献：提升分析的解释力与科学价值 ```

经典社会学范式的核心特征是关系导向的质性分析，莫雷诺通过手工绘制监狱、班级群体的关系图，首次将“