En base al análisis de redes, y dentro del contexto de modelar imprecisión o información vaga con conjuntos difusos, proponemos una forma innovadora de analizar, agregar y aplicar este conocimiento incierto en la detección de comunidades de problemas de la vida real. Este trabajo se basa en la existencia de una (o varias) fuentes de información suave, independientes de la red considerada, asumiendo que este conocimiento adicional está modelado por un vector de conjuntos difusos (o una familia de vectores). Esta información puede representar, por ejemplo, cuánto algunas personas están de acuerdo con una ley específica, o su posición en contra de varios políticos. Enfatizamos la importancia de poder gestionar la vaguedad que suele aparecer en la vida real debido al uso común de términos lingüísticos. Luego, proponemos un método constructivo para construir medidas difusas a partir de conjuntos difusos. Estas medidas son la base de un nuevo modelo de representación que combina la información de una red con la de conjuntos difusos, específicamente cuando se trata de términos lingüísticos. Proponemos una aplicación específica de ese modelo en términos de encontrar comunidades en una red con información suave adicional. Para hacerlo, proponemos un algoritmo eficiente y medimos su rendimiento mediante un proceso de evaluación comparativa, obteniendo resultados de alta calidad.