📊 statistics

The co-varying ties between networks and item responses via latent variables

Dit artikel introduceert het JNIRM-model, een geavanceerde methode die aantoont dat adviserende relaties tussen leraren hun percepties van tevredenheid en leerlingen beïnvloeden via gedeelde latente variabelen, waarbij dit model superieure resultaten oplevert ten opzichte van gescheiden analyses.

Oorspronkelijke auteurs: Selena Wang, Plamena Powla, Tracy Sweet, Subhadeep Paul

Gepubliceerd 2026-02-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Selena Wang, Plamena Powla, Tracy Sweet, Subhadeep Paul

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een school niet zomaar een gebouw is met klaslokalen, maar een levend organisme. In dit organisme zijn de leraren de cellen, en hun relaties met elkaar zijn de zenuwbanen.

Deze paper, geschreven door Selena Wang en haar collega's, introduceert een slimme nieuwe manier om te kijken naar twee dingen die vaak samen spelen in een school:

Het Netwerk: Wie vraagt wie om advies? (De zenuwbanen).
De Meningen: Hoe voelen leraren zich over hun werk, hun leerlingen en hun invloed op het beleid? (De "gedachten" of gevoelens van de cellen).

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Probleem: Twee losse puzzels

Vroeger keken onderzoekers vaak naar deze twee dingen apart.

Manier A: Ze keken alleen naar het netwerk. "Wie praat met wie?" en probeerden te raden wat dat betekent voor de sfeer.
Manier B: Ze keken alleen naar de vragenlijsten. "Zijn leraren blij?" en probeerden te raden of dat iets te maken heeft met wie ze kennen.

De analogie: Stel je voor dat je twee losse films bekijkt. In film A zie je alleen wie met wie dansen op een feestje. In film B hoor je alleen wat de gasten zeggen over hoe leuk ze de muziek vinden. Als je ze apart bekijkt, mis je het verhaal: Waarom dansen ze met elkaar? Is het omdat ze allebei van jazz houden, of juist omdat ze elkaars tegengestelde zijn?

De oude methoden waren als het bekijken van die films apart. Ze vergeten vaak de complexe structuur van het netwerk (niet alleen "wie kent wie", maar ook hoe ze met elkaar verbonden zijn) en behandelen de meningen als simpele cijfers in plaats van diepe psychologische constructen.

2. De Oplossing: De "Twee-in-één" Bril (JNIRM)

De auteurs hebben een nieuwe methode bedacht, genaamd JNIRM. Dit is als een speciale bril die je tegelijkertijd op het netwerk én op de meningen kunt kijken.

In plaats van twee losse films te bekijken, kijken ze naar één grote, samenhangende film. Ze gaan ervan uit dat er een "onzichtbare kracht" (een latente variabele) is die zowel bepaalt met wie je praat, als hoe je je voelt.

Het idee: Stel je voor dat elke leraar een onzichtbaar kompas heeft. Dit kompas wijst in een bepaalde richting (bijvoorbeeld: "Ik ben een doorvinder" of "Ik ben een traditionele leraar").
- Dit kompas bepaalt met wie je omgaat (jouw netwerk).
- Ditzelfde kompas bepaalt wat je denkt over je werk (jouw meningen).

De nieuwe methode probeert die onzichtbare kompassen te vinden en te kijken hoe ze met elkaar "meedansen".

3. Wat hebben ze ontdekt? (De Verbindingen)

Toen ze deze nieuwe bril opzetten voor leraren in Nebraska, zagen ze interessante patronen:

Advies en Tevredenheid: Leraren die advies vragen, voelen zich vaak tevredener en hebben een positievere kijk op hun leerlingen. Het is alsof het vragen om advies een soort "energiebatterij" is die je oplaadt.
Het Complementariteitsprincipe (De "Tegenpool" Regel): Dit is misschien wel het coolste deel. In sommige scholen bleek dat leraren advies zoeken bij mensen die hen niet lijken, maar juist tegenovergesteld zijn.
- Analogie: Stel je voor dat een leraar die zich erg onzeker voelt over zijn lesmethoden (een "onzeker kompas"), juist advies gaat zoeken bij een leraar die extreem zelfverzekerd is (een "zeker kompas"). Ze vullen elkaar aan, zoals een sleutel die in een slot past. Ze zoeken niet naar iemand die precies zo is als zijzelf, maar naar iemand die het gat in hun eigen kennis opvult.

4. Waarom is dit beter dan de oude methoden?

De paper laat zien dat deze nieuwe methode (JNIRM) veel scherper is dan de oude methoden.

Precisie: Omdat ze allebei de informatie (netwerk + meningen) tegelijk gebruiken, krijgen ze een veel duidelijker beeld. Het is alsof je een foto maakt met twee camera's tegelijk in plaats van één. De foto is scherper en minder wazig.
Voorspellen: Als je een deel van de gegevens mist (bijvoorbeeld, je weet niet wie met wie praat, maar je weet wel wat ze denken), kan deze methode de ontbrekende stukjes beter invullen dan oude methoden. Het is alsof je een raadsel oplost waarbij je alle hints tegelijk gebruikt, in plaats van ze één voor één te bekijken.

Samenvattend

Deze paper zegt eigenlijk: "Kijk niet alleen naar wie met wie praat, en niet alleen naar wat mensen zeggen. Kijk naar de onzichtbare band die beide dingen samenbindt."

Door deze band te begrijpen, kunnen we zien dat leraren die advies zoeken vaak gelukkiger zijn, en dat ze soms juist die mensen opzoeken die hen helpen om hun eigen zwakke plekken te versterken. Het is een nieuwe manier om de "ziel" van een school te begrijpen, niet alleen door te tellen wie er praat, maar door te snappen waarom ze dat doen.

Probleemstelling

Bestaande methoden om de relatie tussen sociale netwerken (bijv. wie raadpleegt wie) en knooppuntattributen (bijv. antwoorden op vragenlijsten) te analyseren, hebben vaak beperkingen:

Eendirectionele benadering: Veel modellen behandelen het verband als eenrichtingsverkeer: ofwel attributen voorspellen het netwerk (bijv. ERGMs), ofwel het netwerk voorspelt attributen (sociale invloedsmodellen). In werkelijkheid is het verband vaak correlatief en wederzijds bepalend.
Verlies van structuur: Veel studies gebruiken samenvattende statistieken (zoals het aantal connecties per leraar) in plaats van de volledige netwerkstructuur, waardoor belangrijke informatie over de netwerktopologie verloren gaat.
Onafhankelijke modellering: Het modelleren van netwerken en vragenlijstdata (item responses) als twee volledig gescheiden processen negeert de onderlinge afhankelijkheid en de onzekerheid die ontstaat bij het schatten van latente factoren in de eerste stap.
Complexiteit van item responses: Vragenlijstdata worden vaak als simpele covariaten behandeld, terwijl ze eigenlijk indicatoren zijn van onderliggende psychologische constructen die een latente variabele-theorie vereisen.

Het doel van dit onderzoek is een methode te ontwikkelen die netwerksdata en item-responsdata gelijktijdig analyseert om de co-variatie tussen deze twee bronnen op het niveau van latente variabelen te begrijpen.

Methodologie: Het JNIRM-model

De auteurs stellen een Joint Network and Item Response Model (JNIRM) voor. Dit is een covariantie-gebaseerd raamwerk dat drie componenten combineert:

Netwerkcomponent (Latente Ruimte Model):
- Het netwerk wordt gemodelleerd met een vector latent space model.
- Voor een gericht netwerk (zoals advies zoeken) worden twee sets latente posities gebruikt: $u_a$ (zender/advieszoeker) en $v_b$ (ontvanger/adviseur).
- De kans op een verbinding wordt gemodelleerd via een multiplicatief UV-effect ( $u_a^T v_b$ ), wat geschikt is voor netwerken met lage wederkerigheid.
- Voor binaire netwerken wordt een probit-achtige benadering gebruikt waarbij een latente continue variabele wordt getransformeerd naar een binaire indicator.
Item-Response Component (Latente Variabele Model):
- Antwoorden op vragenlijsten worden gemodelleerd als een lineaire functie van item-slopes ( $\alpha_i$ ) en persoonsvariabelen ( $\theta_p$ ).
- Dit is vergelijkbaar met Item Response Theory (IRT) of factoranalyse, waarbij de respons $Y_{p,i} = \beta_i + \alpha_i^T \theta_p + \epsilon_{p,i}$ .
Gemeenschappelijke Component (Covariantie):
- De kerninnovatie is dat de latente variabelen van het netwerk ( $u_p, v_p$ ) en de latente variabelen van de item-responsen ( $\theta_p$ ) niet onafhankelijk zijn.
- Ze worden gezamenlijk gemodelleerd als een multivariate normale verdeling met een gezamenlijke covariantiematrix $\Sigma_{u\theta}$ .
- De matrix $\Sigma_{u\theta}$ bevat de covarianties tussen de netwerkdimensies en de item-responsdimensies. Als deze covarianties significant verschillen van nul, duidt dit op een afhankelijkheid tussen het netwerk en de percepties.

Schatting:
Het model wordt geschat met een Bayesiaanse MCMC-algoritme (Gibbs sampler). De auteurs gebruiken singuliere waardenontbinding (SVD) van de posterior-middelen van de vectorproducten om rotatie-indeterminatie op te lossen en de schattingen van de latente posities te stabiliseren.

Toetsing van afhankelijkheid:
Om de afhankelijkheid te testen, gebruiken de auteurs:

Een multivariate toets van onafhankelijkheid (gebaseerd op Wilks' lambda) om te zien of de covariantiematrix tussen de twee sets variabelen nul is.
Canonieke Correlatie Analyse (CCA) om te identificeren welke specifieke latente dimensies van het netwerk en de vragenlijst het sterkst met elkaar correleren.

Toepassing en Resultaten

De methode werd toegepast op data van leraren in 14 scholen in Nebraska, bestaande uit een adviesnetwerk en een schoolklimaatvragenlijst (met drie subschalen: tevredenheid, invloed op beleid, en perceptie van studenten).

Netwerkstructuur: In school 56 (diep geanalyseerd) bleek dat leraren die vaak advies gaven, zelden advies zochten (negatieve correlatie tussen zender- en ontvangergraad). De eerste latente dimensie van het netwerk ving dit patroon op.
Relatie met Item Responses:
- De toets van onafhankelijkheid wees op een significant verband in 3 van de 14 scholen.
- In school 56 toonde de CCA aan dat de dimensie "Tevredenheid" sterk correleerde met het adviesnetwerk.
- Complementariteitsprincipe: Leraren met een hoge tevredenheid (positief op de tevredenheidsdimensie) zochten advies van leraren met een lagere tevredenheid, en vice versa. Leraren die vaak om advies werden gevraagd, waren vaak minder tevreden dan degenen die advies gaven. Dit suggereert dat leraren advies zoeken bij mensen die anders zijn dan zijzelf (complementariteit).
Vergelijking met aparte modellen:
- Het JNIRM leverde een betere out-of-sample voorspellingsnauwkeurigheid (hogere AUC-waarden) voor het netwerk op vergeleken met een apart AME-model (Additive and Multiplicative Effects).
- Het JNIRM herstelde de covarianties tussen items beter dan een apart IRT-model.
- Dit bevestigt dat het gezamenlijk modelleren van de afhankelijkheid leidt tot betere parameter-schattingen.

Belangrijkste Bijdragen

Novel Framework: Introductie van JNIRM, een volledig gespecificeerd statistisch model dat netwerken en item-responsen gelijktijdig analyseert via gecorreleerde latente variabelen.
Tweezijdige Inferentie: In tegenstelling tot eerdere modellen, maakt JNIRM inferentie mogelijk op het latente niveau voor zowel het netwerk als de attributen, zonder een a priori richting van causaliteit aan te nemen.
Behandeling van Onzekerheid: Het model houdt rekening met de onzekerheid van het schatten van latente factoren, wat vaak wordt genegeerd in twee-staps benaderingen.
Empirisch Inzicht: Het onthullen van het "complementariteitsprincipe" in lerarennetwerken, wat inzicht geeft in hoe sociale relaties schoolklimaatpercepties beïnvloeden.

Significantie en Toekomst

De studie toont aan dat het gezamenlijk modelleren van netwerksdata en vragenlijstdata superieure resultaten oplevert in termen van modelfit en parameterherstel. De methode is breed toepasbaar in diverse domeinen, zoals neurowetenschappen (connectiviteit van hersengebieden vs. eigenschappen van die gebieden), economie en sociale media-analyse.

Beperkingen:
De auteurs erkennen dat door het gebruik van SVD voor rotatieoplossing de onzekerheid van de covariantiematrix niet direct uit de MCMC-ketens kan worden afgeleid. Daarnaast kan er in zeer dunne netwerken (lage dichtheid) met kleine steekproeven sprake zijn van bias in de schatting van intercepten en varianties, hoewel dit in de toegepaste data (dichtheid > 0.01) geen groot probleem bleek.

Concluderend biedt JNIRM een krachtig, flexibel en theoretisch onderbouwd instrument voor onderzoekers die de complexe, wederzijdse relaties tussen sociale structuren en individuele percepties willen ontrafelen.