hr-network-analyst

HR ネットワークアナリスト

グラフ理論とネットワーク科学を用いて、職業上の人間関係をマッピングします。職業上のエコシステムを動かす、隠れたスーパーコネクター、影響力を仲介する人物、知識の達人を特定します。

インテグレーション

連携先：career-biographer、competitive-cartographer、research-analyst、cv-creator

回答できる主な質問

• 誰と知り合うべきですか？（最適なネットワーキング対象）
• 誰が誰とでも知り合いですか？（紹介に役立つスーパーコネクター）
• 誰が異なる世界をつないでいますか？（分野横断型の仲介者）
• 影響力はどのように伝わりますか？（情報や機会の経路）
• 構造的な空白はどこにありますか？（未開拓のつながりの機会）

クイックスタート

User: "Who are the key connectors in AI safety research?"

Process:
1. Define boundary: AI safety researchers, 2020-2024
2. Identify sources: arXiv, NeurIPS workshops, Twitter clusters
3. Compute centrality: betweenness (bridges), eigenvector (influence)
4. Classify by archetype: Connector, Maven, Broker
5. Output: Ranked list with network position rationale

重要な原則：最も価値のある人物が、必ずしも最も有名な人物とは限りません。互いにつながっていない世界を結びつけている人物こそが重要です。

グラッドウェルのアーキタイプ（クイックリファレンス）

タイプ	ネットワーク上の特徴	人事における価値
コネクター	高い媒介中心性と次数、クラスター間を橋渡しする	分野横断型の紹介に最適
メイヴン	高い入次数、権威があり、コンテンツを作成する	何が得意な人かを把握できる
セールスマン	高い影響伝播力、取引ネットワーク	候補者の採用をまとめ、交渉を進める

理論の全容：references/network-theory.md を参照してください。

中心性指標（クイックリファレンス）

指標	意味	使用する場面
媒介中心性	情報の流れを制御する	ゲートキーパーや仲介者の特定
次数	接続数の総数	紹介の到達範囲の最大化
固有ベクトル中心性	数より質を重視	権力者や将来有望な人物へのアクセス
PageRank	重要人物から支持されている	思想的リーダーの特定
近接中心性	誰にでもすばやく到達できる	情報の拡散

分析ワークフロー

1. 紹介に役立つスーパーコネクターを見つける

• 対象分野を定義 → ネットワークの起点を設定 → 拡張 → 媒介中心性と次数を算出 → 順位付け

2. 分野内の影響力をマッピングする

• 範囲を定義 → 複数の情報源からネットワークを構築 → コミュニティを検出 → 仲介者を特定

3. 個人のネットワーキングを最適化する

• 現在のネットワークをマッピング → 対象分野をマッピング → 最短経路を特定 → 構造的な空白を特定

4. 組織ネットワーク分析（ONA）

• データを収集（アンケート、Slack のメタデータ） → グラフを構築 → 非公式な構造と公式な構造を特定

詳細なワークフロー：references/data-sources-implementation.md を参照してください。

データソース

ソース	シグナルの強さ	抽出する内容
共著	非常に強い	出版物に関する共同作業
同じカンファレンスでのパネル登壇	強い	講演者同士の関係
GitHub の共同リポジトリ	中～強	コードに関する共同作業
LinkedIn のつながり	中	職業上のつながり
Twitter の相互フォロー	弱い	社会的なつながり

複数ソースの統合：シグナルに重み付けし、組み合わせて堅牢なネットワークを構築します。

使用しない場合

• 監視：同意なく個人を追跡する場合
• 差別：ネットワーク上の立場を理由に排除する場合
• 操作：害を与える目的で社会的影響力を利用する場合
• プライバシー侵害：非公開データにアクセスする場合
• データに基づかない推測：ネットワーク構造を当て推量する場合

アンチパターン

アンチパターン：次数への執着

どのような状態か：最もつながりが多い人物だけを見る なぜ誤りか：次数が高いとノイズが多いことがよくあります。コネクターは人気者とは異なります。 代わりに：橋渡しには媒介中心性を、影響力の質には固有ベクトル中心性を使います。

アンチパターン：ネットワークが静的だという想定

どのような状態か：5年前のつながりを現在も有効なものとして扱う なぜ誤りか：ネットワークは変化するため、古いつながりは途切れている可能性があります。 代わりに：つながりに新しさに応じた重みを付け、現在も有効か確認します。

アンチパターン：単一ソースへの依存

どのような状態か：LinkedIn のデータだけを使う なぜ誤りか：LinkedIn 上にない関係を見落とします。 代わりに：各ソースに適した重み付けで複数のソースを統合します。

アンチパターン：コンテキストを無視する

どのように見えるか：媒介中心性が高ければ、分野に関係なく価値があると判断する なぜ誤りなのか：無関係なコミュニティを橋渡ししても役に立ちません 代わりに：分析対象を関連する分野の境界内に限定します

倫理ガイドライン

許容される行為：

• 公開データの分析（会議の登壇者、出版物など）
• 集計パターンの分析
• オプトイン方式による組織分析
• 適切なIRB承認を得た学術研究

許容されない行為：

• 同意を得ずに非公開プロフィールをスクレイピングすること
• 監視システムを構築すること
• 個人データを販売すること
• ネットワーク上の位置に基づいて差別すること

トラブルシューティング

問題	原因	対処法
データが見つからない	対象分野が小規模、または非公開	スノーボールサンプリング、アンケート、隣接するコミュニティを利用する
偽のエッジ	弱いシグナルを過度に重視している	複数のシグナルを必須にし、重みにしきい値を設ける
規模が大きすぎる	境界を限定していない	K-coreフィルタリング、重みの高いデータのみを使用する
エンティティ解決	同一人物に異なる名前が使われている	一意のID（ORCID）を使い、手動で確認する

参考ファイル

• references/algorithms.md - NetworkXのコードパターン、中心性の計算式、Gladwellによる分類
• references/graph-databases.md - Neo4j、Neptune、TigerGraph、ArangoDBのクエリ例
• references/data-sources.md - LinkedInのネットワークデータ取得戦略、API、スクレイピング、法的な考慮事項

---

核心となる洞察：優位性は、密なクラスター内でつながることではなく、互いに分断されたグループを橋渡しすることで生まれます。 — Ron Burt、構造的空隙理論