پایگاه خبری تحلیلی فناوری های نرم و فرهنگی رصد و تحلیلی بر وضعیت صنایع فرهنگی و خلاق
به گزارش فناوری فرهنگی، علوم اجتماعی محاسباتی، با رویکرد چند رشته ای و یکپارچه به پیمایش‌های اجتماعی می‌نگرد و نقطۀ کانونی تمرکزش بر پردازش اطلاعات با استفاده از فناوری پیشرفتۀ اطلاعات است. تکالیف محاسباتی این رشته شامل تحلیل شبکه‌های اجتماعی، سیستم‌های جغرافیایی اجتماعی، محتوای رسانه‌های اجتماعی و محتوای رسانه‌های سنتی است.درواقع، رویکردهای محاسباتی به علوم اجتماعی می‌کوشند از رایانه‌ها برای مدل‌سازی، شبیه‌سازی و تحلیل پدیده‌های اجتماعی استفاده کنند. بنابراین جای شگفت نیست که «کلان داده ها» حرف اول را در این حوزه از مطالعات اجتماعی می‌زنند.
علوم اجتماعی محاسباتی به عنوان یک زیررشته، کانون تمرکز خود را بر تحقیق و تفحص پیرامون روابط و تعامل‌های اجتماعی رفتاری از رهگذر شبیه‌سازی اجتماعی، الگوبرداری، تحلیل شبکه و تحلیل رسانه قرار می‌دهد. به عبارت دقیق‌تر، این رشته نوعی انقلاب محسوب می‌شود؛ هم در مبنای بنیادین روش علمی، یعنی تحقیق تجربی و به ویژه از طریق داده‌های کلان و با تحلیل ردپاهای دیجیتال به‌جامانده در فعالیت‌های آنلاین و نیز در نظریه علمی، به ویژه از طریق شبیه‌سازی رایانه‌ای که که از شبیه‌سازی اجتماعی الگوبرداری می‌کند. در این یادداشت به نمونه‌های مورد مطالعه در این حوزه، رویکردها، پروژه‌ها و چالش‌های پیش روی محققان آن می‌پردازیم:
پروژه‌ها
علوم اجتماعی محاسباتی به عنوان یک عرصۀ پیشگام در تلاش است تا مولد پروژه‌های میان رشته ای باشد که اغلب با همکاری دانمشندان رایانه، متخصصان آمار و ریاضی‌دانان انجام می‌شود. برخی‌ها درگیر استفاده از ابزارهای پیش‌بینی و یادگیری ماشین می‌شوند تا به حل مشکلات مربوط به سیاست‌گذاری کمک کنند درحالیکه دیگران در به کار بردن پیشرفت‌های اخیر در حوزۀ گفتار و شناسایی تصویر برای رسیدگی به مسائل جدید و قدیم علوم اجتماعی مشارکت می‌کنند.
این پروژه‌ها اغلب مستلزم نوآوری روش‌شناختی یا مقیاس‌بندی‌هایی است که از فنون مختلف در سطح‌های جدید استفاده می‌کند و نیز در صدد طراحی سنجه‌ها و واسطه‌های جدید است تا یافته‌های تحقیق را برای دانشمندانی که از مهارت‌های کدگذاری بی‌بهره، اما از خبرگی عمیق در این حوزه برخوردار هستند، قابل فهم سازد. نمونۀ پروژه‌های این رشته را می‌توان با رویکردهای مختلف به انجام کار از هم تفکیک کرد:
رویکردها
- میکروسکوپی
نمونۀ مثالی این رویکرد در پژوهشی با عنوان «شخصیت، جنسیت و سن در زبان رسانه‌های اجتماعی» وجود دارد که با چشم‌انداز زبان‌شناختی به پدیده‌های اجتماعی نگریسته است و با این گزاره پیش می‌رود که انسان‌ها همان چیزی هستند که می‌گویند. چنین پژوهش‌هایی، تحلیل‌های ساده‌ای را روی داده‌هایی با حجم زیاد اعمال می‌کنند و به الگوهای شفاف از کاربرد زبان در رسانه‌های اجتماعی دست می‌یابند. به عبارت دقیق‌تر، با استخراج تعداد کلمات، عبارات، جملات کلیدی انبوهی از پست‌های فیس‌بوک کاربران داوطلب یا شناسایی تیپ شخصیتی آنها و نیز جنسیت و سن این افراد و نیز نوع واژگان به کار رفته بر حسب جنسیت، سن و ویژگی‌های شخصیتی یا فراوانی استفاده از «ما» و «من».
- آزمایشگاه مجازی
درحالیکه علوم اجتماعی آزمایشگاهی به شدت در تنگنای مقیاس و سرعت قرار دارد، آزمایشگاه‌های مجازی به طور بالقوه می‌توانند هر دو این محدودیت‌ها را از میان بردارند. واحد تحلیل در علوم اجتماعی سنتی و فیزیکی، افراد یا گروه‌های کوچک بودند، اما سوژۀ مورد نظر در حالت مجازی مطالعات اجتماعی می‌تواند به راحتی از ۱۰۰ هزار تا ۱ میلیون نفر را شامل شود. همچنین طراحی و اجرای آزمایش‌های فیزیکی علوم اجتماعی، ماه‌ها طول می‌کشد؛ درحالیکه لابراتوار مجازی علوم اجتماعی، چرخۀ فرضیه‌آزمایی را به چند روز یا ساعت کاهش می‌دهد. نمونۀ این رویکرد به شواهد آزمایشگاهی، سرایت عاطفه و هیجان در شبکۀ اجتماعی فیس‌بوک و نیز نقش سرمایۀ اجتماعی در رأی دادن پرداخته است.
- مدل‌سازی تجربی
درحالی که روندهای سنتی ریاضیات یا مدل‌سازی محاسباتی بر مفروضات متعدد و اغلب غیرواقع‌گرایانه متکی هستند و به صورت جزئی و مفصل مورد آزمون قرار نمی‌گیرند و نتیجۀ این امر، تکثیر مدل‌ها اغلب به صورت موازی و ناسازگار با یکدیگر است، منابع و مقیاس‌های جدید داده این امکان را می‌دهد که مدل‌ها را هم یاد بگیریم و هم بیازماییم و نیز آنها را تحت قاعده یا اصول معینی درآوریم. برای مثال، روندهای گسترش آنفولانزا در سال ۲۰۰۹ با این رویکرد و با استفاده از موتور جست‌وجوی گوگل شناسایی شد. همچنین این رویکرد به کشف رابطۀ میان زبان‌شناسی و پزشکی در مورد مرگ‌ومیر ناشی از بیماری قلبی بر اساس فعالیت‌های کاربران توئیتر پرداخته است.. مثال دیگر، پیش‌بینی صفات و ویژگی‌های خصوصی بر اساس رفتارهای دنیای دیجیتال است، یعنی با چشم‌انداز روان شناسی اجتماعی به اینکه ما انسان‌ها همان چیزهایی هستیم که در شبکه‌های اجتماعی مختلف لایک می‌کنیم.
اهمیت کلان داده ها
علوم اجتماعی محاسباتی مانند علوم انسانی دیجیتال با داده ها، کدها و اعداد و دوتایی‌های رقومی‌شده سروکار دارد. نکتۀ مهم، توجه به این موضوع است که دنیای داده ها یک جنبۀ ماجرا است، بعد دیگر این است که این علم با کلان داده سروکار دارد. یعنی کلمه‌ای کلیدی که تنها به داده ها اشاره ندارد، بلکه حاصل جمع داده ها و تجزیه و تحلیل آنها است. درواقع کلان داده، مقدار بزرگی از اطلاعات است که در نتیجۀ فعالیت‌ها و تعامل‌های فیزیکی و مجازی تولید می‌شود. مثال‌هایی از کلان داده عبارتند از:
- داده های مربوط به ردپاهای دیجیتال
- تصویر خرد (جابه‌جایی‌های روزانه)
- تصویر کلان (الگوهای تماس تلفنی)
- خزانه‌های آنلاین
- متن
- تصاویر
- پایگاه‌های اینترنتی
- داده هایی که در معرض عموم قرار دارد
- پیوندهای درون سایت‌ها
- رسانه‌های اجتماعی
- پایگاه های داده
- پایگاه داده های لگاریتم بازی‌ها
- سیستم‌های مدیریت دانش
نمونه‌ای از خروجی‌های محاسبات در علوم اجتماعی در فضای وبلاگ‌های سیاسی
موانع و چالش‌ها
- آموزش و عادات متفاوت میان متخصصان علوم اجتماعی و رایانه
- روش‌های متفاوت فکر کردن
- روش‌شناسی‌های متفاوت
- تفاوت‌های موجود در قاب‌بندی سؤال‌ها و تعریف مشارکت‌ها
- در درسترسی به داده ها و مسئله
- مسئلۀ حریم خصوصی داده ها
- مسائل اخلاقی
- مسائل سازمانی
اینترنت، پایگاه‌های داده و وب ۲، اندازه‌گیری و ذخیره‌سازی سیستم‌های اجتماعی را تغییر داده است. ما در عصر کلان داده ها زندگی می‌کنیم، درحالیکه در گذشته داده ها، دولتی و بر مبنای پیمایش‌های ملی به دست می‌آمد، امروزه گسترۀ متنوعی از منابع جدید برای دسترسی به داده وجود دارد؛ از جمله داده های اقتصادی، داده های موقعیت جغرافیایی و داده های حسی. بنابراین در دنیایی که با انواع جدیدی از داده ها روبه‌رو هستیم شبکه‌های اینترنتی رکورد جدیدی را در تعامل‌های اجتماعی به ثبت رسانده‌اند و باید از ابزارهای گوناگون و رشته‌های دیگر که همگی با رایانش و پردازش آماری داده ها سروکار دارند، پدیده‌های اجتماعی را تحقیق و تفحص کنند. درحالیکه این گزاره‌ها حقیقت کنونی دنیای علم در حوزۀ مطالعات اجتماعی را نشان می‌دهند، اما با واقعیت پژوهش‌های اجتماعی در کشور ما که هنوز روند سنتی خود را می‌پیماید، بیگانه هستند.
منبع: بردار
