Big data -hype har ikke ført til håndgribelige resultater inden for samfundsvidenskab, siger ekspert

Vi er allerede vant til, at vores digitale fodaftryk løbende registreres, gemt et sted og evalueret. Dette har revolutioneret reklamebranchen, og virksomheder som Uber og Amazon bruger vores data til at være endnu mere effektive. Diskussion om, hvordan digitalisering påvirker vores liv, imidlertid, er ofte begrænset til spekulationer om, hvad Google eller Facebook kan gøre med disse data.

På trods af de store fremskridt inden for grundforskning, såsom talegenkendelse og billedbehandling, succeshistorier om eksisterende big data -applikationer inden for samfundsvidenskaberne er knappe. Allerede i 2014, store data styrtdykkede fra "Peak of Inflated Expectations" til "Trough of Desillusionment" -fasen i Gartner Hype Cycle. I de grundlæggende videnskaber, fokus er på de tekniske forudsætninger for effektivt at registrere og lagre store datamængder og automatisk behandle dem. Kunstige intelligensmetoder som maskinlæring har et stort potentiale her. Kun samfundsvidenskaben har hidtil haft lidt gavn af dette, og synes endda at miste terræn til andre discipliner. Jeg bemærker, at i stedet for at drage fordel af oversvømmelsen af ​​data til deres empiriske forskning, samfundsforskere bliver ofte overvældet af de muligheder, der opstår.

Hulrummet åbnes op af andre videnskabelige discipliner - ingeniører indsamler sensordata om individuel mobilitet, for eksempel, og dataloger, der udtrækker statistiske modeller fra sådanne data. Denne datadrevne tilgang til sociale fænomener kaldes nu ofte computational social science. For nylig, man havde en illusion om, at den klassiske tilgang inden for samfundsvidenskaberne - hypoteser, model, test - ville blive forældet; i stedet, en ny form for samfundsvidenskab ville dukke op, hvor teori erstattes af maskinlæring af sociale "love" fra dataene.

Datavidenskab kan virkelig hjælpe med at besvare forskningsspørgsmål inden for samfundsvidenskab; men den kan ikke udvikle sådanne spørgsmål af sig selv. "Opdagelsen" af statistiske korrelationer kan ikke erstatte den videnskabelige afklaring af årsagseffekter. For inden for samfundsvidenskab, spørgsmål handler ikke kun om "hvad", men også om "hvorfor". Samfundsforskere er derfor uundværlige for at gøre beregningsvidenskab til en social.

Det, der kræves, er nye modeller for social interaktion, der udtrykkeligt er udviklet under hensyntagen til deres kalibrering og validering mod store, tidligere utilgængelige mængder data. Dette kræver en ny metodisk ekspertise, og det er op til universiteterne at lære det. Ved formanden for systemdesign, vi har taget udfordringen ved at udvikle kurser om teorien om komplekse netværk, agentbaseret modellering af sociale systemer og statistisk analyse af sociale data.

Det modsatte gælder også:ingeniørvidenskaberne kan drage fordel af samfundsvidenskaberne. Tekniske systemer i dag er afhængige af den sociale dimension - deres brugere. Det er ikke muligt at designe en smart energiforsyning eller en fælles platform til softwareudvikling uden at overveje menneskelig adfærd og sociale relationer- og det er præcis her kernefærdighederne i samfundsvidenskab ligger. Der kræves en tværfaglig uddannelse af ingeniører og dataloger. Lige nu, mens grundlaget for beregnings -samfundsvidenskab stadig lægges, Vi har chancen for at arbejde sammen på tværs af grænser. Jeg er overbevist om, at dette vil afgøre disciplinernes succes - på begge sider.