تا این‌جا درباره‌ی «یادگیری ماشین» و «تحلیل شبکه‌های اجتماعی» کمی نوشتم و الان نوبت «شبیه‌سازی اجتماعی» است.
ما در شبیه‌سازی، جامعه یا گروهی را تصور می‌کنیم که شاید شبیه به جوامع و گروه‌هایی که ما می‌شناسیم باشد، اما می‌خواهیم تغییراتی در آن‌ها ایجاد کنیم که در دنیای واقعی امکان‌پذیر نیست (یا بسیار دشوار است) و داده‌ی پیشینی و مشابهی برای مدل‌سازی با استفاده از رفتارهای قبلی در اختیار نداریم.
به جز شبیه‌سازی، همه‌ی روش‌های علوم اجتماعی محاسباتی مبتنی بر مدل‌سازی و کشف پیوندها و روندهای داده‌های گذشته پیش می‌روند و تصویری از آینده ندارند. یعنی حتی وقتی شما در حال مشاهده‌ی داده‌های برخطِ دوربین‌های شهری هستید، دارید «گذشته» را می‌بینید. ما هیچ‌وقت نمی‌توانیم داده‌های «همین الان» و «آینده» را ببینیم.
داده‌ها هرقدر هم که انبوه و فریبنده باشند، توان پیش‌بینی آینده را ندارند. شما می‌توانید آب را به تدریج گرم و داده‌های حاصل از این فرایند را ثبت می‌کنید. پس از مدتی به این نتیجه می‌رسید که هر یک واحد گرما موجب یک درجه گرم شدن آب می‌شود. اما آیا می‌توانیم این را به عنوان قاعده بپذیریم و «پیش‌بینی» کنیم که مثلاً با داشتن هزار واحد گرما، آبِ هزار درجه خواهیم داشت. حتماً نه. وقتی به صد درجه برسیم، آب تغییر شکل می‌دهد و بخار می‌شود. کاهشِ گرما هم همین‌طور است. فرایند سرد شدنِ آب را نقطه‌ی خاصی به شکل ثابت اتفاق می‌افتد و ناگهان آب تغییر شکل می‌دهد.
جامعه هم همین‌طور است. فرض کنید رفتار ترافیکی مردم در طول سال‌های گذشته را بررسی کرده‌ایم و برآوردی از واکنش مردم به راهبندان‌ها داریم. حالا می‌خواهیم وضعیت شهر را در صورت وقوع یک انفجار، عملیات تروریستی، زلزله، حادثه‌ی عمرانی یا هر واقعه‌ی دیگری که نظم حرکت مردم و خودروها را به هم می‌زند، بدانیم. چنین اتفاقاتی به ندرت رخ می‌دهند و داده‌های ما هم درباره‌ی گره‌های ترافیکی روزمره است. چطور می‌توانیم پیش‌بینی کنیم که واکنش مردم به یک راهبندان حاصل از شلوغی با راهبندان حاصل از حادثه یکی است. ما مجبوریم این داده‌ها را «فرض» کنیم.
ما همه‌ی داده‌های معتبری که از جامعه‌ی مورد نظرمان داریم، در اختیار هوش مصنوعی می‌گذاریم؛ مثلاً الگوی رفت‌وآمد و حرکت مردم، وضعیت آب‌وهوا، ترافیک شهری و ... . حالا یک یا چند متغیر را بنا به مساله‌ی پژوهشی‌مان تغییر می‌دهیم؛ مثلاً یکی از ایستگاه‌های برق در نقطه‌ی خاصی از شهر منفجر می‌شود. بقیه‌ی کار را به ماشین می‌سپاریم تا بقیه‌ی متغیرها را بر اساس این اتفاق جدید تغییر دهد و مثلاً گره‌های احتمالی ترافیکی‌ای که پس از این انفجار ایجاد می‌شود را به ما نشان دهد.
شاید به نظر برسد که کارکردِ اصلی این روش در پیش‌بینی و مدیریت بحران‌ها و التهابات اجتماعی است. تا حدودی بله. اما گاهی هم می‌خواهیم پیامدهای مثبت و منفیِ یک سیاست خیرخواهانه را ارزیابی کنیم. مثلاً شهرداری قصد دارد فعالیت نیروگاه قدیمی شهر که آلایندگی زیادی دارد متوقف سازد و به جای آن دو نیروگاه برق خورشیدی بسازد. چنین تصمیمی می‌تواند تا زمانی که عملیات ساخت به ثبات برسد، موجب بیکار شدن مستقیم و غیرمستقیم تعدادی از مردم و نوسانات شدید در جریان برق شود که خود موجب افزایش نارضایتی خواهد شد. پس بهتر است ابتدا شهر و الگوهای اشتغال و مصرف برق و ... را شبیه‌سازی کنیم. سپس تصمیم‌مان را روی این جامعه‌ی رایانه‌ای پیاده سازیم تا ایرادات و راه‌حل‌های احتمالی مشخص شود.
شبیه‌سازی کردن فرایند بسیار پیچیده و دقیقی است. در عین حال به همین اندازه جذاب هم هست. اگر اهل بازی‌های رایانه‌ای باشید، حتماً بازی‌های سیم‌سیتی (SimCity) را می‌شناسید. این بازی‌ها را می‌توانیم نمونه‌ی ساده‌شده‌ی شبیه‌سازی شهری بدانیم. شما در سیم‌سیتی شهری را به دلخواه خود می‌سازید و اختیار همه‌ی تصمیم‌گیری‌ها در دستان شما است. اما مجبورید واکنش مردم و شهروندان بازی را هم در نظر بگیرید و اگر شهردارِ موفقی نباشید، به سرعت با کاهش مالیات، آلودگی محیطی، نارضیاتی شهروندان و ... مواجه خواهید شد. جالب است بدانید که در برخی از مراکز و مدارس از آن‌ها به عنوان ابزار آموزش دانش‌آموزان استفاده می‌شود.
دکتر هیلبرت، استاد دانشگاه کالیفرنیا است و در این سخنرانی درباره‌ی ضرورت پیش‌بینی محاسباتی اجتماعی صحبت کرده است (به زودی این فیلم را روی آپارات بارگذاری می‌کنم که دسترسی به آن راحت‌تر شود):
