علوم اجتماعی محاسباتی – مدرسه پردازش و تحلیل داده دقیقه

علوم اجتماعی محاسباتی یا علوم اجتماعی رایانشی؟

محسن نداف — Tue, 04 Nov 2025 12:14:23 +0000

محسن نداف در متن زیر به بررسی و نقد ترجمه‌ی رایج اصطلاح «Computational Social Science» می‌پردازد. این متن استدلال می‌کند که چرا ترجمه‌ی «علوم اجتماعی محاسباتی» نادرست بوده و واژه‌ی «رایانشی» معادل دقیق‌تری است. این دیدگاه به عنوان یک موضوع کارشناسی قابل تأمل ارائه شده است که می‌تواند زمینه‌ساز بحث و گفتگوی بیشتر میان متخصصان این حوزه باشد.

امروزه روز یک حوزه دانشی میان‌رشته‌ای بر سر زبان‌ها افتاده به نام computational social science که عمدتا به «علوم اجتماعی محاسباتی» ترجمه شده است. اما آیا «محاسباتی» ترجمه درستی برای صفت «computational» است؟ ادعای نگارنده بر این است که ترجمه صحیح computational کلمه «رایانشی» است و «محاسباتی» ترجمه‌ای غلط است که هم انحراف مفهومی ایجاد می‌کند و هم به این حوزه دانشی جدید اشاره نمی‌کند چرا که محاسبه مربوط به تکنیکی است که از پیش مورد استفاده محققین اجتماعی بوده و اشاره به حوزه دانشی جدیدی ندارد.

موضوع از این قرار است که کلمه محاسبه معادل کلمه calculation است و ما بین calculation و computation تفاوت مفهومی مهمی وجود دارد. اگر بپذیریم که متداولا محاسبه را برای calculation ترجمه می‌کنیم و ما بین calculation و computation تفاوت مفهومی وجود دارد بهتر است برای computation از واژه دیگری استفاده کنیم. این واژه دیگر همان رایانش است که پیش از این نیز مورد استفاده قرار گرفته است.

به لحاظ ریشه‌شناختی کلمه calculation به معنی شمردن است و از ریشه لاتین calculus به معنی سنگ کوچک برگرفته شده است. این فعل اشاره به این دارد که در زمان‌های قدیم رومیان برای انجام اعمال حسابی با قرار دادن سنگ‌های کوچک بر یک تخته آن‌ها را شمارش می‌کردند. در سوی دیگر کلمه computation از ترکیب com- و putare ساخته شده است. کلمه putare خود به معانی متفاوتی از جمله هرس کردن، شمردن، قضاوت کردن و یا گونه‌هایی از عملیات‌های شناختی است. com- نیز پیشوندی است که بر «با هم» بودن دلالت دارد.

اما فارغ از تفاوت ریشه‌شناختی به لحاظ مفهومی در علم ریاضیات تفاوتی مهم‌تر در میان است. آن چه در تعریف این دو مفهوم آمده است به این صورت است:

Calculation: به انجام عملیات‌های مشخص سرراست[1] حسابی همچون جمع، تفریق، ضرب و تقسیم یا سایر عملیات‌های خوش تعریف عددی اطلاق می‌شود.

Computation: مجموعه گسترده‌تری از پردازش‌هایی را دربرمی‌گیرد که تنها عملیات‌های حسابی نیستند بلکه عملیات‌هایی نظیر استدلال منطقی، پردازش داده و حل مساله الگوریتمی را در برمی‌گیرد.

می‌خواهیم قدری عمیق شویم و عنصر اساسی تفاوت میان computation و calculation را درک کنیم. آن چه از این تعاریف برمی‌آید این است که computation علاوه بر محاسبات عددی با چیز جدیدی در ارتباط است و آن الگوریتم است. الگوریتم یک رویه یا دستورالعمل گام به گام خوش تعریف است که انسان یا کامپیوتر می‌توانند آن را دنبال کنند و به اتمام برسانند (و البته شاید در یک حلقه ناتمام گیر بیفتند!). اما در الگوریتم چه چیزی هست که آن را از محاسبات عددی متمایز می‌کند؟ عملیات‌های منطقی.

بگذارید یک گام به عقب برویم. همان طور که همه شنیده‌ایم دنیای کامپیوترها دنیای صفر و یک هاست. همه چیز در آن جا یا صفر است یا یک. یا هست یا نیست. همانند دنیای منطق. یا درست است یا غلط است. این جا پیوندی بین زبان کامپیوتر و منطق صوری شکل می‌گیرد و به کامپیوترها کمک می‌کند تا الگوریتم ها را اجرا کنند. عملیات‌های منطقی عملیات‌هایی هستند بر روی گزاره‌های منطقی که یا درست اند یا غلط، یا ۱ اند یا ۰ انجام می‌شوند و در نهایت یک گزاره منطقی جدید تولید می‌کنند و به عبارت دیگر خروجی ۱ یا ۰ می‌دهند. همان طور که محاسبات عددی این کار را با اعداد انجام می‌دهند عملیات‌های منطقی این کار را با ظرف های ۰ و ۱ یا Boolean ها انجام می‌دهند. به همین خاطر به جبر حاصل از این عملیات‌های منطقی جبر بولی هم می‌گویند. عملگرهایی مثل OR, AND, NOR, XOR و سایر عملگرهای منطقی بین ۰ و ۱ ها می‌نشینند و گزاره‌های جدیدی می‌سازند.

عملیات‌های منطقی چیزی هستند که امکان ایجاد الگوریتم را فراهم می‌کنند. این عملیات‌ها می‌توانند یک مسیر الگوریتمی ایجاد کنند که متفاوت از محاسبه سرراست عددی است. در نتیجه آن شرط‌ها و حلقه‌ها پدید می‌آیند. این عنصر اساسی ایجاد الگوریتم‌هاست که ما را از دنیای محاسبات عددی وارد دنیای الگوریتم و کامپیوتر می‌کند.

بنابراین computation ترکیبی از عملگرهای منطقی و عددی است که به ما امکان برنامه‌سازی کامپیوتری و اجرای دستورهای الگوریتمی را می‌دهد. اما calculation صرفا عملیات‌های حسابی هستند. این همان تفاوت ما بین کامپیوتر (رایانه) با ماشین حساب است.

تاکید بر این تفاوت، یک دقت مفهومی صرف نیست، بلکه آشکارکننده نقطه متمایزکننده این حوزه بین رشته‌ای است از آن چه از پیش در اختیار علوم اجتماعی بوده است. دانش ریاضیات حسابی در سال‌های اخیر توسعه خاصی نداشته است. محاسبات پیش از این به صورت محاسبات آماری در اختیار علوم اجتماعی بوده است و کاربردهای زیادی داشته و کمک‌های شایانی به کشف و استنباط روابط علی میان پدیده‌های اجتماعی می‌کرده است. اما پیشرفت جدید که در پدید آمدن این شاخه میان‌رشته‌ای به وجود آمده است ناشی از به کار گیری توان الگوریتمی و متدهایی است که فراتر از محاسبات و در واقع به کمک رایانش امکان پاسخ به پرسش‌های تحقیق جدیدی را فراهم کرده است.

البته این گونه نباید تلقی شود که کاربرد کامپیوتر یا الگوریتم‌های کامپیوتری پدیده‌ای کاملا جدید و همزاد با ظهور CSS است. کما این که نرم افزارهای پراستفاده آماری از جمله spss، amos، lisrel، stata و … در واقع عملیات‌های الگوریتمی انجام می‌داده‌اند و محققان اجتماعی از آن‌ها استفاده می‌کرده‌اند. این که چرا با وجود کاربردهای قدیمی صفت رایانشی امروزه به این حوزه دانشی جدید اطلاق شده و چه شرایطی در تاریخ توسعه علوم اجتماعی و علوم کامپیوتر این دو را با این نام بهم متصل کرده خارج از حوصله این متن است. به یک اشاره کوتاه صرفا می‌توان گفت که تحولات اخیر در حوزه داده اعم از تولید داده در فضای وب، افزایش قدرت حجم ذخیره‌سازی داده، افزایش قدرت پردازشی و توسعه الگوریتم‌های داده‌کاوی، بستر شکل‌گیری فضای میان‌رشته‌ای جدیدی را فراهم کرده است که قدرت پاسخ‌گویی و تبیین‌کنندگی جدیدی را برای علوم اجتماعی فراهم کرده است که تا پیش از این وجود نداشت و این حوزه مرهون پیشرفت‌های اخیر داده‌ای و رایانشی است. از این بگذریم، اما آن چه مورد ادعای این متن است این است که computational بودن چیزی فراتر از محاسباتی بودن است و البته رایانش‌های جدید به لحاظ عمق پردازشی بسیار پیچیده‌تر و عمیق‌تر از کاربردهای قدیمی الگوریتم‌های کامپیوتری در علوم اجتماعی است.

هر چند کلمه رایانه به عنوان معادل computer مورد اقبال فارسی‌زبانان قرار نگرفته و کاربرد محدودی دارد، اما مشتقات آن در اصطلاحات پرکاربرد دیگری به فراوانی مورد استفاده قرار گرفته است. زبان‌شناسی رایانشی معادل computational linguistics اصطلاحی جا افتاده است که به عنوان یکی از زیرشاخه‌های رشته زبان‌شناسی در رشته‌های وزارت علوم ثبت شده است. اصطلاح رایانش ابری که معادل cloud computing است اصطلاحی متداول است که به پردازش‌های همزمان ماشین‌های سکوهای ابری اشاره دارد. اصطلاحات دیگری از جمله تفکر رایانشی (computational thinking)،‌ معماری رایانشی و قرآن‌کاوی رایانشی در فضای وب فارسی به فراوانی قابل مشاهده است.

متاسفانه در سال‌های اخیر، به علت بی‌توجهی به این دقت مفهومی در ترجمه‌های مختلف، عناوین کنفرانس‌های مختلف و حتی در تعریف دروس دانشگاهی از صفت محاسباتی به جای رایانشی استفاده شده است که می‌تواند منجر به عدم شکل‌گیری ذهنیت مشترک علمی ما بین متخصصان این حوزه شود و اهمیت تحول دانشی این حوزه و نقطه‌ای که این تحول ایجاده شده است، درک نشود. این موضوع جایی نگران‌کننده‌تر می‌شود که می‌بینیم به علت ضعف دانش فنی در میان عالمان اجتماعی، تحلیل‌های ساده و ابتدایی به جای حوزه تحقیقاتی علوم اجتماعی رایانشی نشسته است و به صرف تکرار چند کلیدواژه تخصصی، عمق تحقیق‌ها و پرسش‌هایی که در این حوزه می‌شد به آن پرداخت، تبدیل به گزاره‌های ابتدایی شده است.

[1] Straightforward

The post علوم اجتماعی محاسباتی یا علوم اجتماعی رایانشی؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

کارگاه علوم اجتماعی محاسباتی با رویکردی انتقادی

دقیقه — Wed, 15 Oct 2025 14:33:11 +0000

در سال‌های اخیر، با توسعه ابزارهای تحلیلی ساده و در دسترس، تکنیک‌های متداول در «علوم اجتماعی محاسباتی» به روش‌هایی پرطرفدار در بررسی‌های میان‌رشته‌ای تبدیل شده و محصولات آن به حوزه‌های گوناگون از جمله حوزه عمومی نیز راه‌یافته است؛ حوزه‌ای که انبوه داده‌ در شبکه‌های اجتماعی را به منبعی جذاب برای واکاوی جامعه بدل کرده است. با این حال به کارگیری داده‌ها در علوم اجتماعی محاسباتی نیازمند توجه به ظرافت‌های نظری و اخلاقی گوناگون است.
گارگاه نگاهی انتقادی به علوم اجتماعی محاسباتی برای پاسخ به همین نیاز طراح شده است. در این رویداد آموزشی شرکت‌کنندگان ضمن آشنایی با مبانی نظری و نقدهای کلیدی این حوزه، به‌صورت عملی با روش‌ها و ابزارهای اصلی در علوم محاسباتی آشنا می‌شوند؛ از استخراج داده‌های آنلاین با اتصال به APIها و ابزارهای جمع‌آوری داده، تا ساخت و پاک‌سازی دیتابیس‌ها و تحلیل داده‌های شبکه‌های اجتماعی با نرم‌افزار Gephi.

Computational Social Science Workshop: A Critical Approach

مدرس دوره

ابوالفضل حاجی‌زادگان

پژوهشگر علوم اجتماعی، دکترای جامعه‌شناسی از دانشگاه تهران، تحلیلگر اجتماعی در شرکت همراه اول

مخاطب دوره

پژوهشگران و دانش‌آموختگان رشته‌های جامعه‌شناسی، علوم ارتباطات، علوم سیاسی، مطالعات فرهنگی و رسانه
تحلیل‌گران داده‌های اجتماعی
فعالان حوزه سیاست‌گذاری مبتنی بر داده

اطلاعات برگزاری

شیوه برگزاری: حضوری و آنلاین
تاریخ شروع کلاس‌ها: ۱۲ آذر ۱۴۰۴
زمان برگزاری: چهارشنبه‌ها ساعت ۱۷:00 تا ۲۰:۲۰
طول دوره: ۶ هفته ۱۸ ساعت
پایان دوره: دی ۱۴۰۴
ارائه گواهی پایان دوره: بهمن ۱۴۰۴

برنامه آموزشی

سرفصل‌ها	مباحث	تاریخ
نظریه و اخلاق پژوهش	نسبت پژوهش و نظریه نسبت پژوهش با روش‌شناسی ملاحظات اخلاقی در جمع‌آوری و استفاده از داده‌های کاربران	چهارشنبه ۱۲ آذر 1404
استخراج کلان‌داده‌ها	معرفی APIهای عمومی معرفی ابزارهای استخراج داده‌های آنلاین	چهارشنبه ۱۹ آذر 1404
تهیه دیتابیس‌ها	پاک‌سازی داده‌ها ادغام داده‌ها از منابع مختلف کاربرد دیتابیس‌ها در نمونه‌های واقعی	چهارشنبه ۲۶ آذر 1404
تحلیل شبکه روابط و اجتماع‌یابی با نرم‌افزار Gephi	معرفی مفاهیم پایه در تحلیل گراف ورود و آماده‌سازی داده در Gephi تحلیل ساختار شبکه با شاخص‌های مختلف کاربرد الگوریتم Louvain برای اجتماع‌یابی (Community Detection) در شبکه‌های بزرگ مصورسازی شبکه‌ها و تنظیمات گرافیکی تفسیر نتایج و ارتباط آنها با پرسش‌های پژوهش	چهارشنبه ۳ دی 1404
تحلیل محتواهای آنلاین	آشنایی با کاربرد رگرسیون لجستیک تحلیل احساسات تحلیل موضوع دسته‌بندی بر اساس جنسیت	چهارشنبه ۱۰دی 1404
پروژه پایانی	اعلام خواهد شد	چهارشنبه ۱۷ دی 1404

برای راحتی بیشتر شرکت‌کنندگان، امکان ثبت‌نام گروهی در این دوره فراهم شده است. اگر قصد دارید همراه با دوستان، هم‌کلاسی‌ها یا همکارانتان در دوره شرکت کنید، می‌توانید از شرایط ویژه گروهی بهره‌مند شوید. همچنین دانشجویان عزیز می‌توانند با ارائه کارت دانشجویی معتبر از تخفیف اختصاصی دانشجویی استفاده کنند.

برای دریافت اطلاعات بیشتر یا هماهنگی ثبت‌نام گروهی، لطفاً از طریق پشتیبانی با ما در ارتباط باشید.

برای شرکت در این دوره کافیست فرایند پرداخت و ثبت نام را در ادامه تکمیل کنید.

خرید نسخه آفلاین دوره

برای دسترسی به ویدئوی ضبط‌شده دوره، درسنامه‌ها، تمرین‌ها، پروژه و سایر فایل‌های آن به صفحه زیر مراجعه کنید.

کارگاه علوم اجتماعی محاسباتی با رویکردی انتقادی

ویدئوی آموزشی، درسنامه، تمرین، پروژه و سایر فایل‌ها

نسخه آفلاین

مزیت‌های دوره‌‌های آموزشیِ مدرسه دقیقه

ویدئوی جلسات

دریافت ویدئوی ضبط‌شده هر جلسه چند ساعت بعد از برگزاری آن

پشتیبانی کامل

پرسش‌و‌پاسخ و دریافت پشتیبانی و مشاوره آموزشی در طول مدت دوره

محتوای آموزشی+

دسترسی به محتوای آموزشی و تمرین‌ها علاوه بر محتوای کلاس

پرداخت قسطی

امکان پرداخت قسطی شهریه‌‌ی دوره‌های آموزشی

شبکه‌سازی

ارتباط با مدرس و شرکت‌کنندگان و تقویت شبکه ارتباطی

صدور گواهی

صدور گواهی دو زبانه معتبر (قابل استعلام)

برگزارکننده

d-learn.ir

شماره‌تماس:

۰۹۱۰۳۲۰۹۸۳۷
۰۲۱۸۸۳۴۹۲۴۴پشتیبانی تلگرام:
t.me/dlearnsup

The post کارگاه علوم اجتماعی محاسباتی با رویکردی انتقادی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

از علوم اجتماعی تا تحلیل داده

دقیقه — Wed, 31 Jul 2024 10:05:28 +0000

مقدمه

امروزه داده‌ها به‌طور گسترده‌ای در همه جا وجود دارند و به یکی از مهم‌ترین دارایی‌های سازمان‌ها، حکومت‌ها و البته پژوهشگران تبدیل شده‌اند. از اطلاعات شخصی ما گرفته که البته توی ایران اوپن‌سورس شده تا تراکنش‌های تجاری، میزان داده‌هایی که هر روز تولید می شود، خیره‌کننده است. اما دسترسی به داده‌ها به تنهایی کافی نیست؛ بلکه نیازمند متخصصانی هست که توانایی تحلیل و تفسیر داده‌ها را داشته باشند. کسی که با داده‌ها سر و کله بزنه و اونا رو وَرز بده تا منجر به تصمیم‌گیری‌های هوشمندانه‌‌‌ای مبتنی بر داده بشه یا اگر در علوم اجتماعی محاسباتی استفاده بشه به شناسایی و تحلیل یک مساله اجتماعی برسه.

علیرضا چمن زار، که خود از دانش آموختگان علوم اجتماعی دانشگاه علامه طباطبایی است و به عنوان متخصص تحلیل کسب و کار فعالیت می‌کند، به شما می گوید که چگونه می توانید از مهارت های خود در این حوزه استفاده کنید و به یک تحلیلگر داده موفق تبدیل شوید.

نمونه‌های موفق

نمونه‌های علوم اجتماعی محاسباتی

پژوهش نظرسنجی‌های موبایلی در کشورهای در حال توسعه که در قالب یک کتاب توسط بانک جهانی در سال ۲۰۱۶ منتشر شده، به بررسی کاربردها و مزایای استفاده از نظرسنجی‌های تلفن همراه برای جمع‌آوری داده‌ها در کشورهای در حال توسعه می‌پردازد. این پژوهش با هدف بهبود جمع‌آوری داده‌ها برای توسعه در کشورهای فقیر انجام شده است. به جای تکیه بر نظرسنجی‌های نمونه‌ای یا سرشماری‌های سنتی، پژوهشگران از داده‌های بزرگ تلفن همراه استفاده کرده‌اند تا تخمین‌های دقیق‌تر و گسترده‌تری از وضعیت فقر در این کشورها ارائه دهند.

این تیم با همکاری بزرگترین ارائه‌دهنده تلفن همراه در رواندا، داده‌های تراکنش‌های ناشناس حدود 1.5 میلیون کاربر را بین سال‌های 2005 تا 2009 جمع‌آوری می‌کند.
داده‌ها چیا بودن؟ داده‌ها شامل اطلاعاتی درباره زمان شروع، مدت زمان و مکان جغرافیایی تقریبی هر تماس و پیام متنی بودند.
مدل‌سازی یادگیری ماشینی (جلوتر در مورد مدل‌سازی و یادگیری صحبت می‌کنیم): پژوهشگران یک مدل یادگیری ماشینی می‌سازند که که از رکوردهای تماس برای پیش‌بینی پاسخ‌های نظرسنجی استفاده می‌کنه.
برای آموزش و ساخت مدل، پژوهشگران با همکاری موسسه فناوری و علم کیگالی یک نمونه تصادفی از حدود هزار کاربر را نظرسنجی کردند.
پس از آموزش مدل، از آن برای پیش‌بینی پاسخ‌های نظرسنجی تمامی 1.5 میلیون کاربر استفاده شد.

نتیجه پژوهش:

تخمین وضعیت مالی: با ترکیب داده‌های مکانی و تخمین‌های وضعیت مالی، پژوهشگران توانستند توزیع جغرافیایی ثروت کاربران را با دقت بالا تخمین بزنند.
نتایج این تخمین‌هایی که زدن با نتایج سرشماری‌ها و نظرسنجی‌های دموگرافیک و بهداشتی مقایسه شد و شباهت‌های زیادی بین آنها مشاهده شد، که نشان‌دهنده دقت بالای روش استفاده شده است.
اگر چه دقت تخمین‌ها در سطح فردی تا حدودی پرنوسان بود، اما در مجموع توانستند تصویری دقیق از وضعیت فقر در مناطق مختلف رواندا ارائه دهند.

نتیجه‌ نهایی این که میشه با کلان‌داده‌ها و هزینه‌ی به مراتب‌ پایین‌تر به نتایج دقیقی رسید و نتیجه موفق این تیم استارتی شد برای پژوهش‌های این چنینی در کشورهای در حال توسعه دیگر.

نمونه‌ی تحلیل داده در کسب و کار

کسب و کارها که بسیار پیش‌تر از دانشمندان علوم اجتماعی با تحلیل داده آشنا بودند و برای نمونه میشه قصه یوتیوب رو تعریف کرد که با تحلیل داده‌های مخاطبان و ساخت و بهینه‌سازی الگوریتم‌های توصیه ویدئوی شخصی‌سازی شده‌ش، مخاطبش رو یه جوری توی سایت نگه میداره که میشه دومین سایت پربازدید دنیا. این داده‌ها از تاریخچه تماشای کاربر شروع میشه، تا لایک و نظرات و save کردن و … که البته تا اینجاش حداقلش اینه که داده‌ها ملموس هستند. اما طبق گزارشاتی داده‌های دیگه یوتیوب خیلی دقیق‌تره، در حدی که برای مثال زمانی که در حال اسکرول کردن هستید و یکی دو ثانیه روی ویدئویی مکث می‌کنید، این رو به عنوان علاقه یوزر تعریف می‌کنه و ا به خودت میای اکسپلوررت پر شده از اون ژانر.

یا قصه فروشگاه اینترنتی آمازون؛ آمازون هم مثل شرکت‌های بزرگ دیگه علاقه‌ی زیادی به جمع‌آوری همه‌ی داده‌های کاربراش داره و به قول اون جمله مشهور Data is information, and information is power می‌دونه که این داده‌ها چه ارزشی براش دارند. این داده‌ها از اطلاعات شخصی و پرداختی مشتریان فروشگاه تا آی‌پی و مدل و نوع دستگاه‌هایی که کاربر با آن به شبکه آمازون متصل شده‌است را تشکیل می‌دهد و این داده‌ها در مسیر شخصی‌سازی تجربه کاربری، تبلیغات هدفمند و تحلیل بازار و در نهایت تصمیم‌گیری‌های استراتژیک استفاده می‌شود. راه‌اندازی سرویس Amazon Prime و فروش باورنکردنی ناشی از آن از دل تحلیل‌های داده‌های کاربران و علاقه‌ی مشتریان وفادار به تحویل سریع کالا بود.

داده Data چیست؟

داده (Data) به مجموعه‌ای از حقایق، اعداد، اندازه‌گیری‌ها، مشاهده‌ها و اطلاعات خام اشاره دارد که می‌تواند به شکل‌های مختلفی مثل اعداد، متون، تصاویر، ویدیوها، صداها و… باشد. این داده‌ها به خودی خود ممکن است معنای خاصی نداشته باشند، اما وقتی که به شکل مناسب جمع‌آوری، سازمان‌دهی، تحلیل و تفسیر شوند، می‌توانند اطلاعات ارزشمندی ارائه دهند که به تصمیم‌گیری‌ها، پیش‌بینی‌ها و حل مسائل کمک کنند.

نسبت تحلیل داده و دانشمند داده با داده

- داده به عنوان ماده خامی است که تحلیل‌گر داده و دانشمند داده با آن کار می‌کنند. داده‌ها پایه و اساس تمامی فعالیت‌های تحلیل و مدل‌سازی هستند.

- تحلیل داده فرآیندی است که طی آن داده‌ها تبدیل به اطلاعات می‌شوند. تحلیل‌گر داده با استفاده از تکنیک‌های مختلف سعی می‌کند الگوها، روندها و ارتباطات پنهان در داده‌ها را کشف کند.

- تحلیلگر/دانشمند داده کسی است که این فرآیند تحلیل را انجام می‌دهد و نقش اصلی در استخراج اطلاعات و دانش از داده‌ها را دارد. دانشمند داده از ابزارها و تکنیک‌های مختلف برای جمع‌آوری، پردازش، تحلیل و مصورسازی داده‌ها استفاده می‌کند تا نتایج معناداری بدست آورد.

بنابراین، داده‌ها اساس و نقطه شروع کار تحلیل‌گر داده و دانشمند داده هستند و این افراد با مهارت‌ها و دانش خود داده‌ها را به اطلاعات قابل استفاده تبدیل می‌کنند.

ویدیوی کامل رویداد از علوم اجتماعی تا تحلیل داده

جزوه و مطالب معرفی شده در رویداد

فهرست مطالب جزوه

مقدمه

نمونه‌های موفق

نمونه‌های علوم اجتماعی محاسباتی

نمونه‌ی تحلیل داده در کسب و کار

Data چیست؟

نسبت تحلیل داده و دانشمند داده با داده

کاربرد تحلیل داده در کسب و کار

بازاریابی و فروش

مدیریت عملیات

مالی و حسابداری

منابع انسانی

خدمات مشتری

۶ مرحله تجزیه و تحلیل داده

۴ نوع تحلیل در تحلیل داده

چرخه حیات داده (Data Ecosystem)

تصمیم‌گیری مبتنی بر داده و چالش‌های آن

چرا پیشینه علوم اجتماعی برای تحلیل داده ارزشمند است؟

تفاوت دیتاساینتیست یا دانشمند داده، تحلیلگر داده و مهندس داده

نقشه راه رسیدن به شغل تحلیلگر داده

مهارت‌های آماری

مهارت‌های مورد نیاز برای تحلیلگر داده

مهارت‌های آماری و ریاضیاتی مورد نیاز برای دانشمند داده/پژوهشگر علوم اجتماعی محاسباتی

مهارت‌های فنی

ابزارهای محبوب‌تر

جدول زبان‌های برنامه‌نویسی و کتابخانه‌ها

جدول ابزارهای صفحه‌گسترده

جدول ابزارهای بدون کد (Codeless)

جدول پلتفرم‌های مصورسازی داده

جدول پلتفرم‌های هوش تجاری (BI)

جدول ابزارهای تحلیل داده بزرگ

جدول ابزارهای یکپارچه‌سازی داده‌ها

جدول سیستم‌های مدیریت پایگاه داده

مهارت‌های نرم

در مسیر علوم اجتماعی محاسباتی (CSS)

مهارت‌هایی که به عنوان پژوهشگر علوم اجتماعی محاسباتی باید یاد بگیرید.

مسیرهای حرفه|ی تحلیل داده

چگونه مهارت‌های خودمون رو بهبود بدیم؟

آخر قصه

The post از علوم اجتماعی تا تحلیل داده appeared first on مدرسه پردازش و تحلیل داده دقیقه.

وبینار از علوم اجتماعی تا تحلیل داده

دقیقه — Wed, 10 Jul 2024 12:39:05 +0000

چگونه مهارت های خود را ارتقا دهیم و فرصت های شغلی جدیدی خلق کنیم…

در این وبینار با اهمیت تحلیل داده برای دانشجویان و دانش آموختگان علوم اجتماعی آشنا می‌شوید و کاربردهای شغلی تحلیل داده مانند تحلیل کسب و کار و علوم اجتماعی محاسباتی را بررسی خواهیم کرد.

آیا از دانش آموختگان علوم اجتماعی هستید که به دنبال چالش ها و فرصت های جدیدی در دنیای کار هستید؟ تحلیل کسب و کار می تواند مسیر شغلی ایده آلی برای شما باشد!

علیرضا چمن زار، که خود از دانش آموختگان علوم اجتماعی دانشگاه علامه طباطبایی است و به عنوان متخصص تحلیل کسب و کار فعالیت می‌کند، به شما می گوید که چگونه می توانید از مهارت های خود در این حوزه استفاده کنید و به یک تحلیلگر داده موفق تبدیل شوید.

در این وبینار خواهید آموخت:

تحلیل داده چیست و چه کاربردهایی دارد؟
چرا پیشینه علوم اجتماعی برای تحلیل داده ارزشمند است؟
چگونه می توانید از مهارت های علوم اجتماعی خود در پروژه های تحلیل داده استفاده کنید؟
با چه چالش هایی در گذر از علوم اجتماعی به تحلیل کسب و کار روبرو خواهید شد؟
چه فرصت های شغلی برای تحلیلگران کسب و کار با پیشینه علوم اجتماعی وجود دارد؟

این وبینار برای چه کسانی مناسب است؟

دانشجویان و دانش آموختگان علوم اجتماعی که به دنبال تغییر شغل یا ارتقای مهارت های خود هستند.
متخصصان علوم اجتماعی که علاقه مند به یادگیری بیشتر در مورد تحلیل کسب و کار و علوم اجتماعی محاسباتی هستند.
هر کسی که به دنبال درک عمیق تری از دنیای کسب و کار و نقش تحلیلگران کسب و کار است.

سرفصل ها

بخش اول: مقدمه

معرفی سابقه تحصیلی و شغلی
معرفی تحلیل داده و کاربردهای آن (تحلیل کسب و کار، علوم اجتماعی محاسباتی و …)
اهمیت تحلیل داده برای افراد با پیشینه علوم اجتماعی

بخش دوم: گذر از علوم اجتماعی به تحلیل داده

مهارت های علوم اجتماعی که در تحلیل داده کاربرد دارند
چالش های گذر از علوم اجتماعی به تحلیل داده
تجربیاتی از این مسیر

بخش سوم: نقش تحلیلگر داده پیشینه علوم اجتماعی

مزیت های داشتن پیشینه علوم اجتماعی برای تحلیل داده
فرصت های شغلی برای تحلیلگران با پیشینه علوم اجتماعی
مثال هایی از پروژه های داده که از مهارت های علوم اجتماعی استفاده کرده اند

بخش چهارم: پرسش و پاسخ

گروه تلگرام

گزارش رویداد به همراه فایل ویدیویی و محتوای متنی

The post وبینار از علوم اجتماعی تا تحلیل داده appeared first on مدرسه پردازش و تحلیل داده دقیقه.

چرا علوم اجتماعی به تحلیل داده‌ نیاز دارد؟

بهمن اجدری — Sat, 08 Jan 2022 07:51:57 +0000

استفاده از توان پردازش کامپیوتر برای پژوهشگران علوم اجتماعی مانند استفاده از تلسکوپ برای منجِّمان است. چهارصد سال پیش از این، وقتی گالیله تلسکوپ را به عنوان ابزاری جدید برای شناخت ستارگان به کار گرفت علم نجوم دستخوش تحولاتی عمیق شد و بسیاری از گزاره‌های نادرست برای همیشه از آن رخت بر بست.

پژوهشگران علوم اجتماعی تلاش می‌کنند تا پدیده‌ها و رخدادهای اجتماعی مانند انقلاب، فقر، تغییرات جمعیتی، شکاف‌های طبقاتی و پیامد‌های هر یک از آن‌ها را تبیین کنند. در روزگار حاضر، داده‌های زیادی در ارتباط با هر یک از این پدیده‌ها وجود دارد یا قابل تولید است و پژوهشگران می‌توانند با گردآوری و تحلیل آن‌ها توانایی موضوعات مورد علاقه در علوم اجتماعی را با تکیه بر مستندات بسیار بررسی کنند بر نقاط تاریک آن نور بتابانند.

آمار چه جایگاهی در علوم اجتماعی دارد؟

پیدایش رشته جامعه‌شناسی به چند صد سال قبل از اختراع کامپیوترهای امروزی بر می‌گردد یعنی زمانی که متفکرین عمدتا فرانسوی مانند آگوست کنت و امیل دورکیم تلاش کردند دریافتی از علوم طبیعی را برای درک در نظام‌های اجتماعی به کار بگیرند. این تلاش‌ها منجر به ورود روش‌های مبتنی بر آمار و مدلسازی ریاضی برای همراهی با روش‌های پیشین مطالعه جوامع مانند بررسی‌های تاریخی و فلسفی شد. از آن زمان به بعد، متفکرین و پژوهشگران علوم انسانی روش‌های کمّی فراوانی برای شناخت رفتار انسان‌ها و جوامع در ابعاد مختلف به وجود آوردند و تحلیل‌های کمّی را به بخش جدایی‌ناپذیر علوم اجتماعی در کنار نظریات جامعه‌شناسی بدل کردند.

با داده‌نگاری[1] گسترده در زندگی اجتماعی امروز و همینطور افزایش توان پردازش کامپیوتر امکانات جدیدی برای طراحی و اجرای پژوهش‌های کمّی در علوم اجتماعی پدید آمده که بعضاً از آن با عنوان علوم اجتماعی محاسباتی[2] یاد می‌کنند.

علوم اجتماعی محاسباتی چیست؟

علوم اجتماعی محاسباتی رویکردی میان رشته‌ای برای مطالعه جوامع انسانی در سطوح و ابعاد مختلف از دریچۀ پردازش و محاسبه است. به بیان دیگر، پژوهشگران با به کارگیری نظریات جامعه‌شناسی و تکیه بر توان کامپیوتر تلاش می‌کنند پیچیدگی‌های نظام‌های اجتماعی را با استفاده از داده‌ها تبیین و تفسیر کنند. محاسبات کامپیوتری به پژوهشگران این امکان را می‌دهد تا طیف متنوعی از اطلاعات را در زمان کوتاه بررسی کند. علاوه بر آن، پژوهشگران علوم اجتماعی می‌توانند با استفاده از شبیه‌سازی کامپیوتری، وضعیت‌هایی فرضی را هم موضوع مطالعه قرار دهند.

پارادایم جامعه‌شناسی محاسباتی چیست؟

پارادایم‌[3]، یا تلویحاً همان جهان‌بینی پژوهش‌گر در راه کشف حقیقت، در علوم اجتماعی محاسباتی، پردازش داده‌ها و اطلاعات مرتبط با جامعه است. به عبارت دیگر، پژوهشگران این رشته معتقدند اطلاعات و فرایند‌های مبتنی بر آن، نقش موثری در شناخت نحوه کارکرد نظام‌های اجتماعی دارند.

آیا علوم اجتماعی محاسباتی تنها رویکرد کاربردی است؟

خیر. این رشته هم در تحقیقات نظری و هم در مطالعات کاربردی مانند سیاست‌گذاری مورد استفاده قرار می‌گیرد. علوم اجتماعی محاسباتی هم در پاسخ به سوالاتی اساسی مانند اینکه «چرا جوامع شکل می‌‌گیرند؟» و هم در پاسخ به سوالات کاربردی‌تر مانند «آیا گسترش حاشیه‌نشینی موجب افزایش جرم و جنایت می‌شود؟» نقشی سازنده در تحقیقات ایفا می‌کند. برای روشن‌تر شدن موضوع، در ادامه نمونه‌ای از سوالاتی که در علوم اجتماعی محاسباتی مطرح می‌شود آمده است:

مدل‌سازی برای فهم چگونگی پیدایش کنش‌های جمعی بدون رهبر
فهم سازوکار جوامع در مواجهه با بحران
تبیین نقش شبکه‌های اجتماعی در شکل‌گیری حرکت‌های اجتماعی و یا تغییر استانداردهای اجتماعی
ارائه مدل‌های مبتنی بر عوامل جغرافیایی برای توضیح رفتارهای جمعی هنگام مواجهه با بلایای طبیعی
رفتارشناسی کاربران شبکه‌های اجتماعی و پیش‌بینی وقایع اجتماعی با تحلیل محتوای متنی آن‌ها
مدل‌سازی و نظریه‌پردازی درباره روابط اجتماعی در جوامع با تنوع نژادی زیاد ‌مانند اردوگاه‌ پناهندگان
مطالعه تاثیر تغییر سیاست‌های بهداشت عمومی بر سلامت اقتصادی در رابطه درمانگر و بیمار
پیش‌بینی نتایج انتخابات و اندازه‌گیری اثرگذاری کمپین‌های انتخاباتی
افکارسنجی و ترسیم تغییرات ذائقه عمومی.
تاثیر تلویزیون‌های اینترنتی و نقش آن در تغییر ساختارهای اجتماعی

شاید یکی از پرجاذبه‌ترین مزایای استفاده از توان محاسبات و تحلیل داده در علوم اجتماعی، امکان پیش‌بینی باشد. قدرت پیش‌بینی با استفاده از ایده‌های برآمده از مدلسازی‌های آماری، الگوریتم‌های یادگیری ماشین، نظریه گراف و … در کنار شبیه‌سازی‌های کامپیوتری این امکان را به سیاست‌گذاران می‌دهد که قبل از تصمیم‌گیری بتوانند از برخی نتایج آن مانند بروز پیامدهای منفی و بحران‌ساز پیش از وقوع آگاه شوند. این روش‌ها هم‌اکنون نیز در شاخه‌هایی از علوم اجتماعی مانند جمعیت‌شناسی و سیاست‌گذاری‌های رفاهی به صورت وسیع کاربرد دارد.

علوم اجتماعی محاسباتی چه گستره‌ای را در بر می‌گیرد؟

اگرچه مطالعه مجموعه روابط میان اجزای جامعه مثلا در شبکه‌های اجتماعی جایگاه ویژه‎‌ای در علوم اجتماعی محاسباتی دارد اما به آن محدود نمی‌شود. تصور کنید می‌خواهید تغییر در نگرش جوامع اروپایی به ایرانیان در طول صد سال اخیر را با استفاده از محتوای سفرنامه‌های گردشگران اروپایی مطالعه کنید و یا اینکه می‌خواهید اثر تغییر الگوی مذاکرات اتحادیه‌های کارفرمایی و کارگری را از ابتدای تاسیس تا به امروز بر فرسودگی شغلی (کارزدگی) بسنجید. بدیهی است که مطالعه و تحلیل منابع زیاد در زمان منطقی امکان‌پذیر نخواهد بود. پردازش زبان طبیعی[4] این امکان را به شما می‌دهد تا با در اختیار داشتن نسخه دیجیتالی از متون مورد نظر و پردازش و تحلیل آن‌ها به نتایج ارزشمند و بدیعی دست یابید. مقایسۀ کلمات پرتکرار، تحلیل احساسات و بررسی‌های دیگری درباره بافت کلمات به شما توانایی کاوش حجم عظیمی از متون اجتماعی را خواهد داد.

تحلیل داده پیش از این نیز جایگاهی مهم و محوری در علوم اجتماعی داشته و امروز نه تنها نقشش تثبیت شده بلکه به دلیل دست‌یابی به امکانات محاسباتی جدید گسترش نیز یافته است.

* * *

از کجا شروع کنیم؟

پژوهشگران علوم اجتماعی محاسباتی علاوه بر آشنایی با نظریه‌های رایج در علوم اجتماعی، باید با آمار و علوم کامپیوتر نیز آشنا باشند.

به بیان دیگر می‌توان گفت به کارگیری علوم داده[5] در مسائل اجتماعی منجر به علوم اجتماعی محاسباتی ‌می‌شود. برای این‌که بدانید علوم داده چیست و چگونه کار می‌کند مقاله زیر را مطالعه کنید:

«علوم داده» چیست و چگونه کار می‌کند؟

علوم داده (Data Science) مجموعه‌ای از دانش، مهارت، ابزار و روش برای استخراج الگوهای ناآشکار و مفید از داده‌‌هاست. این مجموعه علی رغم اهداف پیچیده و پرجاذبه‌اش مانند کشف الگوهای پنهان، پی بردن به عوامل رخدادها و پیش‌بینی رفتارها و … ماهیتی بسیار ساده دارد. علوم داده به صورت قدم به قدم، قابل فهمیدن و یادگیری است.
اگر دوست دارید نقشه‌ای کلی از مولفه‌های اصلی علوم داده در ذهنتان ترسیم شود و موقعیت خود را در آن پیدا کنید، این مطلب را از دست ندهید.

دانشجویان و پژوهشگران علوم اجتماعی به طور معمول با نظریه‌های جامعه‌شناسی آشنا می‌شوند و با آن ارتباط برقرار می‌کنند اما آمار و علوم کامپیوتر از جمله مقولاتی هستند که گاهی ارتباط چندانی میان دانشجویان علوم اجتماعی با آن‌ها برقرار نمی‌شود. اما خوشبختانه پیشرفت فناوری این کار را نسبت به گذشته بسیار راحت کرده است.

ابزارهایی مانند R آنقدر کار را راحت کرده‌اند که پژوهشگران علوم اجتماعی و البته علوم دیگر مانند زیست‌شناسی و روان‌شناسی خودشان دست به کار شده‌اند و با یادگیری این روش‌ها و تلفیق آن با دانش تخصصی خود دست به تحقیقات خلاقانه‌ای زدند بدون آنکه لازم باشد از متخصصین آمار و علوم داده کمک بگیرند. ابزارهای آمار و تحلیل داده به سادگی امکانات بسیاری در اختیار شما قرار می‌دهند و شما می‌توانید تقریبا طیف متنوعی از داده‌ها را به صورت بی‌سابقه‌ای جمع‌آوری، تلفیق و تحلیل کنید. بعنوان نمونه ابزاری مانند R علاوه بر امکانات پیش‌ساخته‌ای که در آمار و تحلیل داده اختیار شما قرار می‌دهد، به شما امکان می‌دهد تا با جمع‌آوری داده از وب^[6]، شبکه‌های اجتماعی^[7] و یا تبدیل چاپی به دیجیتال و ترکیب آن با داده‌های دیگر دست به تحلیل‌هایی بزنید که تا پیش از این قابل پیاده‌سازی نبوده و در نتیجه از ذهن کسی نیز نگذشته است.

برای ورود به جهان علوم اجتماعی محاسباتی بهترین کار این است که با یادگیری یک ابزار در این حوزه شروع کنیم و مثل تلسکوپ گالیله از آن به عنوان آزمایشگاهی برای بررسی ایده‌ها و فرضیه‌ها و پیشبردِ پژوهش‌های اجتماعی خود استفاده کنیم. R یکی از محبوب‌ترین ابزارهای علوم اجتماعی در دنیاست.

پاورقی و ارجاع

[1] Datafication

«فعالیت‌های انسان و ارتباطش با محیط در روزگار حاضر با دقت و کارآمدی روبه‌رشدی ثبت می‌شوند و ردپای دیجیتالی عظیمی از خود به جا می‌گذارند»

تحقیقات علمی و داده بزرگ، داده بزرگ چیست؟ سابینا لیونلی، دانشنامه فلسفی استنفورد؛ ترجمه علیرضا کدیور، مدرسه پردازش و تحلیل داده دقیقه (+)

^[2] Computational Social Science

^[3] Paradigm

[4] Natural Language Processing

[5] Data Science

^[6] Web Scraping

^[7] مثلا توییتر امکانی را به شما می‌دهد که می‌توانید داده‌هایی از کاربران را برای هدفی خاص جمع‌اوری کنید.

* تصویرسازی ابتدای مطلب را مریم رمضانخانی در اختیار مدرسه قرار داده است.

منابع

[1] Cioffi-Revilla, C. (2014). Introduction to computational social science. London and Heidelberg: Springer.

[2] Radford J and Joseph K (2020) Theory In, Theory Out: The Uses of Social Theory in Machine Learning for Social Science. Front. Big Data 3:18. doi: 10.3389/fdata.2020.00018

The post چرا علوم اجتماعی به تحلیل داده‌ نیاز دارد؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.