https://virgool.io/CSS-IR/feed هدف اصلی معرفی علوم اجتماعی محاسباتی (Computational social science)، به عنوان یک حوزه مطالعاتی نوظهور و بین‌رشته‌ای است. fa 2026-04-15 09:47:46 https://files.virgool.io/upload/publication/bgm7svq3aoyd/5n4kls.jpg https://virgool.io/CSS-IR https://virgool.io/CSS-IR/%D9%85%D8%B9%D8%B1%D9%81%D8%AA-%D8%B4%D9%86%D8%A7%D8%B3%DB%8C-%D9%88-%D9%87%D8%B3%D8%AA%DB%8C-%D8%B4%D9%86%D8%A7%D8%B3%DB%8C-%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%D9%86%D8%B8%D8%B1%DB%8C%D8%A7%D8%AA-%D8%AC%D8%A7%D9%85%D8%B9%D9%87-%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%DB%8C-is1o6332b6ee محمد اسکندری نسب، معین کاظمی.روش‌شناسی علوم اجتماعی محاسباتی از حیث معرفت‌شناسانه عمدتا در زمره پارادیم پوزیتویسم و تجربه‌گرایانه قرار دارد که بر مبنای سنجش و محاسبات رایانشی به دنبال اندازه‌گیری، مشاهده، مدل‌سازی، شبیه‌سازی، کشف و تحلیل قواعد اجتماعی است. همچنین از حیث هستی‌شناسانه بر مبنای واقع‌گرایی اجتماعی و ادراک پیچیدگی اجتماعی استوار است که به دنبال شناسایی و فهم روابط و پدیده‌های اجتماعی است. همچنین همچون سایر روش‌های رایج در علوم اجتماعی، علوم اجتماعی محاسباتی با ترکیب روش‌های محاسباتی، کیفی، کمی و داده‌محور به تحلیل پدیده‌های اجتماعی می‌پردازد که از لحاظ معرفت‌شناسی و هستی‌شناسی ارتباط و تشابهاتی با برخی نظریه‌پردازان برجسته علوم اجتماعی از جمله پدران بنیان‌گذار همچون امیل دورکیم و دیگران دارد.به طور کلی، می‌توان این ارتباطات را به صورت زیر بیان کرد:- بررسی پدیده‌های اجتماعی به عنوان اشیاء مستقل: دورکیم (1982) در کتاب «قواعد روش جامعه‌شناختی» بر این باور بود که پدیده‌های اجتماعی باید به عنوان اشیاء مستقل از افراد مطالعه شوند. علوم اجتماعی محاسباتی نیز به بررسی داده‌ها به عنوان اشیاء مستقل و بیرونی می‌پردازد و از داده‌های بزرگ برای تحلیل پدیده‌های اجتماعی استفاده می‌کند.- استفاده از روش‌های تجربی و آماری: دورکیم (2005) در کتاب «خودکشی» تاکید داشت که جامعه‌شناسان باید از داده‌های تجربی و آماری برای تحلیل پدیده‌های اجتماعی استفاده کنند. علوم اجتماعی محاسباتی نیز به شدت بر روش‌های علمی و تجربی تکیه دارد و از الگوریتم‌ها و مدل‌های ریاضی برای تحلیل داده‌ها بهره می‌برد.- تمرکز بر کل جامعه به جای فرد: دورکیم (2008) در کتاب «صور بنیانی حیات دینی» معتقد بود که جامعه‌شناسان باید به جای تمرکز بر رفتارهای فردی، به بررسی الگوها و ساختارهای کلی جامعه بپردازند. علوم اجتماعی محاسباتی نیز به بررسی الگوها و ساختارهای کلی در داده‌های اجتماعی می‌پردازد و سعی می‌کند تا قوانین و الگوهای کلی را از داده‌ها استخراج کند.- رویکرد تفهمی (Verstehen) ماکس وبر (2019)در کتاب «اقتصاد و جامعه» بر اهمیت فهم کنش‌های اجتماعی از منظر افراد تأکید داشت. علوم اجتماعی محاسباتی با تحلیل داده‌های بزرگ و استخراج الگوهای رفتاری، به درک عمیق‌تری از انگیزه‌ها و معانی کنش‌های اجتماعی کمک می‌کند.- تئوری سیستم‌ها نیکلاس لومان (Niklas Luhmann): لومان (1995) در کتاب «سیستم‌های اجتماعی» با تحلیل داده‌های پیچیده و سیستم‌های بزرگ اجتماعی، به فهم بهتر ارتباطات و تعاملات بین اجزای مختلف یک سیستم اجتماعی کمک می‌کند که CSSبا تئوری سیستم‌های او همخوانی دارد.- تئوری جامعه شبکه‌ای مانوئل کاستلز (Manuel Castells): کاستلز (1996) در کتاب «عصر اطلاعات: اقتصاد، جامعه و فرهنگ: ظهور جامعه شبکه‌ای» به بررسی جامعه شبکه‌ای و تأثیر فناوری‌های اطلاعات و ارتباطات بر ساختارهای اجتماعی می‌پردازد. علوم اجتماعی محاسباتی با تحلیل داده‌های شبکه‌های اجتماعی، اینترنت و دیگر منابع دیجیتال، به درک عمیق‌تر از جامعه شبکه‌ای و تأثیرات آن کمک می‌کند.- روش‌شناسی قوم‌نگارانه (Ethnomethodology) هارولد گارفینکل (Harold Garfinkel): گارفینکل (1984) در کتاب «مطالعاتی در روش‌شناسی قوم‌نگارانه» به بررسی شیوه‌های روزمره فهم و تعامل افراد در جامعه، از طریق عدم مداخله (مشاهده غیرمشارکتی) می‌پردازد. به همین صورت علوم اجتماعی محاسباتی با تحلیل داده‌های بزرگ از رفتارهای روزمره افراد، الگوهای تعاملات اجتماعی و فهم متقابل را شناسایی می‌کند.- مدل‌های تصمیم‌گیری و ساختارهای کنش جیمز کلمن (James Coleman ) (1998) در کتاب "بنیادهای نظریه اجتماعی" به مدل‌سازی تصمیم‌گیری‌های فردی و تأثیر آنها بر ساختارهای اجتماعی علاقه‌مند بود. علوم اجتماعی محاسباتی با استفاده از مدل‌های ریاضی و شبیه‌سازی‌های محاسباتی، رفتارهای فردی در ساختارهای اجتماعی و تأثیر آن‌ها بر جامعه را مدل‌سازی و تحلیل می‌کند. منابع:- دورکیم، امیل (1388). قواعد روش جامعه‌شناستی. ترجمه علیمحمد کاردان. تهران: موسسه چاپ و انتشارات دانشگاه تهران.دورکیم، امیل. (1393). خودکشی. ترجمه: نادر سالارزاده امیری، تهران، انتشارات دانشگاه علامه طباطبایی. - دورکیم، امیل. (1383). صور ابتدایی بنیانی دینی. ترجمه باقر پرهام. تهران: نشر مرکز.- وبر، ماکس. (1395). اقتصاد و جامعه. ترجمه مهرداد ترابی‌نژاد، عباس منوچهری، مصطفی عمادزاده. تهران: انتشارات سمت.- کاستلز، مانوئل. (1389). عصر اطلاعات: اقتصاد، جامعه و فرهنگ: ظهور جامعه شبکه‌ای. ترجمه احد علیقلیان، افشین خاکباز. تهران: نشر طرح نو.- کلمن، ج. (1386). بنیادهای نظریه اجتماعی. ترجمه منوچهر صبوری. تهران: نشر نی.Luhmann, N. (1995). Social Systems. Stanford: Stanford University PressGarfinkel, H. (1967). Studies in Ethnomethodology. New Jersey:Prentice Hall علوم اجتماعی محاسباتی محمد اسکندری نسب Sun, 20 Oct 2024 11:09:32 +0330 https://virgool.io/CSS-IR/%DA%AF%D8%B3%D8%AA%D8%B1%D8%AF%D9%87-%D8%AC%D8%BA%D8%B1%D8%A7%D9%81%DB%8C%D8%A7%DB%8C%DB%8C-%D8%A7%D8%B9%D8%AA%D8%B1%D8%A7%D8%B6%D8%A7%D8%AA-%D9%85%D8%B9%DB%8C%D8%B4%D8%AA%DB%8C-%D8%A7%D8%B1%D8%AF%DB%8C%D8%A8%D9%87%D8%B4%D8%AA-%D9%85%D8%A7%D9%87-%DB%B1%DB%B4%DB%B0%DB%B1-inxvliw71h3w اعتراضات معیشتی اردیبهشت‌ماه ۱۴۰۱ مهم‌ترین اعتراضات ابتدای سال 1401 بود. این اعتراضات در ابتدای در 15 اردیبهشت در خوزستان در پی گرانی اقلام اساسی آغاز شد و در 22 اردیبهشت در پی اعلام رسمی آزادسازی بهای آرد و حذف ارز ترجیحی ۴۲۰۰ تومانی از سوی دولت در سایر تقاط کشور آغاز شد. این تصمیم منجر به افزایش شدید قیمت مواد غذایی اساسی گردید و نارضایتی عمومی را به دنبال داشت. در نتیجه، موج اعتراضات ابتدا از استان خوزستان آغاز شد و به سرعت به سایر نقاط کشور گسترش یافت.یکی از مهم‌ترین ویژگی‌های این اعتراضات، گستردگی آن در بسیاری از شهرها و استان‌های کشور بود. از آنجایی که منابع رسمی و معتبر به گسترده جغرافیایی این اعتراضات نپرداخته‌اند و اطلاعات دقیقی از تعداد شهرهای درگیر در این اعتراضات در دست نیست، این مقاله بر آن است تا با استفاده از داده‌های جمع‌آوری‌شده از فضای مجازی، گستره جغرافیایی اعتراضات و فهرست شهرهای معترض را تهیه کند.داده‌های استفاده شده برای تهیه این مقاله از طریق بررسی محتوای منتشره در فضای مجازی، به ویژه در پلتفرم‌های توییتر و تلگرام، جمع‌آوری شده‌اند. درواقع فرض محوری این است گه هر چقدر اخبار در مورد اعتراضات در یک شهر بیشتر باشد، در نتیجه اندازه و میزان تداوم اعتراض در این شهر نیز بیشتر بوده است؛ در نتیجه برای تحلیل این داده‌ها، حجم محتوای منتشره پیرامون هر شهر و استان در فضای مجازی مورد بررسی قرار گرفت.نتایج نشان از آن دارد که از ابتدای اعتراضات، 15 تا 27 اردیبهشت، بررسی اخبار و گزارش‌ها در مورد برگزاری تجمعات اعتراضی نشان می دهد که دست‌کم در 39 شهرستان و 14 استان کشور تجمع اعتراضی برگزار شده است.گسترده اعتراضات در شهرستان‌ها‌بررسی شهرها و استان‌های درگیر در اعتراضات:در نمودار زیر مناطق شهری دست‌کم 49 منظقه شهری (نه الزاماً شهرستان) معترض نشان داده شده است. دایره‌های بزرگتر در نمودار نشان‌دهنده شهرهایی هستند که محتوای بیشتری پیرامون آن‌ها منتشر شده و در نتیجه اعتراضات در آن‌ها شدیدتر بوده است.گسترده اعتراضات در مناطق شهری هر استان بر اساس نمودار ارائه شده، استان‌ها و شهرهای مختلفی درگیر اعتراضات شدند که در اینجا به برخی از آن‌ها اشاره می‌کنیم:استان‌ خوزستان: شهرهای ایذه، دزفول، اهواز، و اندیمشک از جمله مناطقی هستند که بیشترین حجم اعتراضات را به خود اختصاص داده‌اند. این استان با داشتن بزرگترین دایره‌ها در نمودار، نشان‌دهنده شدت بالای اعتراضات است. حجم زیاد محتوای منتشره پیرامون این شهرها می‌تواند نشان‌دهنده نارضایتی عمیق و تداوم بالای اعتراضات در این مناطق باشد.استان‌ چهارمحال و بختیاری: شهرکرد و جونقان و فارسان به عنوان دو شهر اصلی در این استان، حجم قابل توجهی از اخبار و محتوای مرتبط با اعتراضات را داشته‌اند. این امر نشان‌دهنده نقش مهم این شهرها در موج اعتراضات بوده و به نظر می‌رسد که این مناطق نیز از تداوم بالای اعتراضات برخوردار بوده‌اند.استان‌ فارس: شیراز به عنوان یکی از شهرهای کلیدی در استان فارس، شاهد اعتراضات گسترده‌ای بوده است. حجم بالای محتوای مرتبط با اعتراضات در شیراز نشان‌دهنده اهمیت و شدت اعتراضات در این شهر است.استان‌ تهران: اسلامشهر، شهریار، و شهر قدس از جمله مناطقی در استان تهران هستند که حجم قابل توجهی از اخبار مرتبط با اعتراضات را به خود اختصاص داده‌اند. با وجود اینکه تهران به عنوان پایتخت کشور دارای نقش مهمی است، حجم اعتراضات در این مناطق نسبت به برخی از شهرهای دیگر کمتر بوده است.استان‌ اصفهان: شهر اصفهان نیز به دلیل اعتراضات گسترده‌ای که در آن رخ داد، با دایره‌ای بزرگ در نمودار مشخص شده است. حجم بالای محتوای منتشره پیرامون این شهر نشان‌دهنده شدت بالای اعتراضات در این منطقه است.سایر استان‌ها: استان‌های گیلان (شهر رشت)، گلستان (شهر گرگان)، و سیستان و بلوچستان (شهرهای زاهدان و سراوان) نیز هر کدام به نحوی درگیر این اعتراضات بودند. در این استان‌ها نیز، اعتراضات گسترده‌ای به وقوع پیوسته و حجم قابل توجهی از اخبار مرتبط با آن‌ها منتشر شده است.در نهایت اینکه اعتراضات اردیبهشت ۱۴۰۱ به عنوان یکی از بزرگترین موج‌های اعتراضات در ابتدای سال 1401، تأثیرات عمیقی بر جامعه و فضای سیاسی کشور داشت. در حدود 40 شهرستان و 14 استان خصوصاً استان‌هایی مانند خوزستان، فارس و چهارمحال و بختیاری در صدر مناطق با بیشترین حجم اعتراضات قرار داشتند. این تحلیل که بر اساس داده‌های منتشره در فضای مجازی تهیه شده است، تصویری جامع از گستردگی و شدت اعتراضات در نقاط مختلف کشور ارائه می‌دهد. علوم اجتماعی محاسباتی محمد اسکندری نسب Fri, 13 Sep 2024 07:41:04 +0330 https://virgool.io/CSS-IR/%D8%B1%D8%B4%D8%AF-%D8%AA%D8%B5%D8%A7%D8%B9%D8%AF%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D9%88-%D8%AA%D8%A3%D8%AB%DB%8C%D8%B1%D8%A7%D8%AA-%D8%A2%D9%86-%D8%A8%D8%B1-%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-inqle6wlff7s رشد فن‌آوری‌های دیجیتال در سال‌های اخیر به طرز چشمگیری همه جنبه‌های زندگی مدرن را متحول کرده است. این تحولات نه‌تنها روش‌های ارتباطی و دسترسی به اطلاعات را تغییر داده‌اند، بلکه منابع عظیمی از داده‌ها را در مورد رفتارهای انسانی، تعاملات اجتماعی، باورها و الگوهای فرهنگی فراهم کرده‌اند. این پدیده که با عنوان «کلان‌داده» شناخته می‌شود، اکنون به یکی از محورهای اساسی در پژوهش‌های علوم اجتماعی تبدیل شده است. بسیاری از محققان معتقدند که کلان‌داده‌ها یک معدن طلای بالقوه برای درک عمیق‌تر رفتارهای انسانی و اجتماعی فراهم می‌کنند.رشد فن‌آوری‌های دیجیتال در سال‌های اخیر به طرز چشمگیری همه جنبه‌های زندگی مدرن را متحول کرده است. این تحولات نه‌تنها روش‌های ارتباطی و دسترسی به اطلاعات را تغییر داده‌اند، بلکه منابع عظیمی از داده‌ها را در مورد رفتارهای انسانی، تعاملات اجتماعی، باورها و الگوهای فرهنگی فراهم کرده‌اند. این پدیده که با عنوان «کلان‌داده» شناخته می‌شود، اکنون به یکی از محورهای اساسی در پژوهش‌های علوم اجتماعی تبدیل شده است. بسیاری از محققان معتقدند که کلان‌داده‌ها یک معدن طلای بالقوه برای درک عمیق‌تر رفتارهای انسانی و اجتماعی فراهم می‌کنند.آمار رشد داده‌های دیجیتالطبق گزارش سایت استاتیستا، میزان داده‌های تولید شده در جهان از سال 2010 به بعد به شدت افزایش یافته است. در سال 2010، حجم داده‌های تولید شده در سطح جهانی به 2 زتابایت (Zettabyte) می‌رسید. اما تا سال 2023، این رقم به 120 زتابایت افزایش یافته است. این رشد بیش از 60 برابر در طول 13 سال، نمایانگر سرعت بالای تولید و ذخیره‌سازی داده‌ها در جهان دیجیتال است. پیش‌بینی‌ها حاکی از آن است که حجم داده‌های تولید شده در سال 2025 به بیش از 181 زتابایت خواهد رسید، که این امر نشان‌دهنده یک افزایش بیش از 150 درصدی تنها در دو سال است.نقش کلیدی تلفن همراه در تولید کلان‌داده‌های دیجیتال افزایش چشمگیر تعداد مشترکین تلفن همراه در جهان و ایران، این دستگاه‌ها را به یکی از مهم‌ترین منابع تولید داده‌های دیجیتال تبدیل کرده است.همچنان که در نمودارهای زیر مشخص است، در سال 2022، مشترکین اینترنت ثابت در ایران و جهان به ترتیب 92% و 83% بیشتر از مشترکین اینترنت ثابت بوده است.این داده‌ها که به عنوان کلان‌داده شناخته می‌شوند، فرصت‌های بی‌نظیری را برای پژوهش‌های علوم اجتماعی فراهم می‌کنند. استفاده از کلان‌داده‌ها در هماهنگی با نظریه‌های تثبیت‌شده علوم اجتماعی و از طریق چارچوب بین‌رشته‌ای علوم اجتماعی محاسباتی، ظرفیت پیشرفت علمی و تحقق اولویت‌های اجتماعی را به‌طور چشمگیری افزایش می‌دهد. افزایش استفاده از تلفن همراه، به تولید انبوه کلان‌داده‌ها منجر شده است. بهره‌برداری از این ظرفیت غنی اطلاعات اجتماعی با استفاده از روش‌های بدیع در علوم اجتماعی محاسباتی بیش از پیش اهمیت پیدا کرده است.منابع کلان‌دادهکلان‌داده‌ها از منابع متنوعی جمع‌آوری می‌شوند. برخی از منابع اصلی عبارتند از:1. داده‌های ردیابی دیجیتال: شامل فعالیت‌های آنلاین کاربران در شبکه‌های اجتماعی، موتورهای جستجو و وب‌سایت‌های مختلف.2. پلتفرم‌های آنلاین و فناوری‌های تلفن همراه: داده‌های تعاملی کاربران از طریق اپلیکیشن‌ها، شبکه‌های اجتماعی و سایر پلتفرم‌های دیجیتال.3. کتاب‌های دیجیتالی و سوابق چند رسانه‌ای: متون، تصاویر و ویدئوهایی که در فضای دیجیتال منتشر و مصرف می‌شوند.4. پایگاه‌های اطلاعاتی اداری: سوابق ثبت فعالیت‌های اجتماعی-اقتصادی و تراکنش‌های تجاری.5. شبکه‌های حسگر: داده‌های نظارتی از محیط‌ها و زیرساخت‌های مختلف.6. جمع‌سپاری آنلاین: داده‌هایی که از طریق مشارکت جمعی کاربران در پروژه‌های آنلاین جمع‌آوری می‌شود.7. پلتفرم‌های آزمایشی: داده‌های جمع‌آوری‌شده از آزمایش‌ها و بررسی‌های انجام‌شده در پلتفرم‌های مختلف.فرصت‌های پیش‌ روی علوم اجتماعی تجزیه و تحلیل کلان‌داده‌ها به دانشمندان علوم اجتماعی امکان می‌دهد تا الگوها و روابط پیچیده‌ای را در رفتارهای انسانی و اجتماعی شناسایی کنند که در گذشته به دلیل کمبود داده یا محدودیت‌های تکنولوژیک، غیرقابل کشف بودند. استفاده از تکنیک‌های محاسباتی پیشرفته مانند یادگیری ماشین، پردازش زبان طبیعی، تحلیل شبکه‌های اجتماعی و مدل‌سازی مبتنی بر عامل، به پژوهشگران این امکان را می‌دهد که به درک عمیق‌تری از رفتارهای اجتماعی دست یابند.به‌عنوان مثال، با استفاده از تحلیل شبکه‌های اجتماعی، پژوهشگران می‌توانند ساختار و دینامیک تعاملات اجتماعی را در مقیاس بزرگی بررسی کنند که قبلاً امکان‌پذیر نبود. یا از طریق یادگیری ماشین، می‌توانند الگوهای پیچیده‌ای را در داده‌های رفتاری شناسایی کنند که به‌صورت دستی غیرقابل تشخیص است.چالش‌های روش‌شناختیبا این حال، استفاده از کلان‌داده‌ها در علوم اجتماعی با چالش‌های منحصر به فردی نیز همراه است. یکی از این چالش‌ها، سوگیری جمعیت است که می‌تواند به دلیل عدم نمایش کامل جمعیت مورد مطالعه یا تمرکز بر یک بخش خاص از آن به وجود آید. خطای اندازه‌گیری نیز می‌تواند ناشی از نواقص در جمع‌آوری داده‌ها یا عدم دقت در ابزارهای اندازه‌گیری باشد. علاوه بر این، داده‌های دیجیتال غالباً در متن‌زدایی یا خارج شدن از بستر اصلی خود، دچار تغییرات معنایی می‌شوند که می‌تواند منجر به تفسیر نادرست نتایج شود.در نهایت باید گفت که رشد تصاعدی داده‌های دیجیتال و افزایش دسترسی به کلان‌داده‌ها، فرصت‌های بی‌سابقه‌ای را برای پژوهش‌های علوم اجتماعی فراهم کرده است. با این حال، بهره‌برداری موثر از این فرصت‌ها نیازمند مواجهه با چالش‌های روش‌شناختی و شناخت دقیق‌تر از منابع و محدودیت‌های این داده‌ها است. در نهایت، می‌توان گفت که کلان‌داده‌ها با وجود چالش‌های موجود، افق‌های جدیدی را برای درک بهتر جوامع انسانی و تعاملات اجتماعی گشوده‌اند. علوم اجتماعی محاسباتی محمد اسکندری نسب Tue, 10 Sep 2024 02:40:35 +0330 https://virgool.io/CSS-IR/%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D9%88%D8%B6%D8%B9%DB%8C%D8%AA-%D8%AC%D8%A7%D9%85%D8%B9%D9%87-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85-%D9%87%D8%A7%DB%8C-%D8%A2%D9%86%D9%84%D8%A7%DB%8C%D9%86-dmaohwqibja5 در دنیای امروز، داده‌ها به عنوان یکی از ارزشمندترین منابع برای تحلیل و تصمیم‌گیری شناخته می‌شوند. پلتفرم‌های اشتراک‌گذاری اطلاعات مانند دیوار، شیپور و پلتفرم‌های کاریابی، به دلیل دسترسی رایگان و گسترده به اطلاعات واقعی و معتبر، می‌توانند منبع بسیار خوبی برای تحلیل وضعیت جامعه باشند. در این پست، به امکان استفاده از داده‌های این پلتفرم‌ها برای تحلیل وضعیت جامعه می‌پردازیم. 1. داده‌های پلتفرم‌های آگهی‌نامه و بازار آنلاینپلتفرم‌هایی مانند دیوار و شیپور، و یا پلتفرم‌های ارائه خدمات فنی مانند آچاره و استاده، اطلاعات گسترده‌ای از آگهی‌های خرید و فروش کالاها و خدمات مختلف را در اختیار کاربران قرار می‌دهند. این اطلاعات شامل جزئیاتی مانند قیمت، موقعیت جغرافیایی، نوع کالا یا خدمات، و ویژگی‌های دیگر است. تحلیل این داده‌ها می‌تواند به درک بهتر از وضعیت اقتصادی، الگوهای مصرف، و نیازهای جامعه کمک کند. 2. داده‌های پلتفرم‌های کاریابیپلتفرم‌های کاریابی مانند ایران‌تلنت و جابینجا، اطلاعات ارزشمندی از بازار کار را ارائه می‌دهند. این اطلاعات شامل تعداد و نوع آگهی‌های شغلی، مهارت‌های مورد نیاز، و حقوق و دستمزد است. با تحلیل این داده‌ها، می‌توان به روندهای بازار کار، نیازهای کارفرمایان و وضعیت اشتغال در جامعه پی برد. 3. داده‌های پلتفرم‌های شبکه‌های اجتماعیپلتفرم‌هایی مانند توییتر، اینستاگرام و تلگرام اطلاعات گسترده‌ای از رفتارها، نظرات و تعاملات کاربران را فراهم می‌کنند. این داده‌ها می‌توانند برای تحلیل‌های اجتماعی و روانشناختی بسیار مفید باشند. 4. داده‌های پلتفرم‌های آموزشیپلتفرم‌هایی مانند فرادرس و مکتب‌خونه، اطلاعاتی در مورد دوره‌های آموزشی، مهارت‌های مورد تقاضا و روندهای آموزشی را فراهم می‌کنند. این داده‌ها می‌توانند برای تحلیل وضعیت آموزش و توسعه مهارت‌ها مفید باشند. 5. داده‌های پلتفرم‌های تجارت الکترونیکپلتفرم‌هایی مانند دیجی‌کالا و باسلام، اطلاعاتی در مورد الگوهای خرید و فروش، قیمت‌ها و ترجیحات مصرف‌کنندگان را ارائه می‌دهند. این داده‌ها می‌توانند برای تحلیل وضعیت اقتصادی و رفتار مصرف‌کنندگان مفید باشند.📊 مزایای استفاده از داده‌های پلتفرم‌های آنلاین- دسترسی رایگان و گسترده: این پلتفرم‌ها اطلاعات خود را به صورت رایگان در اختیار عموم قرار می‌دهند، که امکان تحلیل گسترده و جامع را فراهم می‌کند.- اطلاعات واقعی و معتبر: کاربران این پلتفرم‌ها اطلاعات واقعی و معتبری را منتشر می‌کنند که می‌تواند به عنوان منبع تحلیلی قابل اعتماد مورد استفاده قرار گیرد.- تنوع داده‌ها: داده‌های موجود در این پلتفرم‌ها شامل انواع مختلفی از اطلاعات است که می‌تواند به تحلیل‌های چندبعدی و جامع کمک کند.به عنوان مثال می توانید این نمونه کاربردی را ببنید🏢🏡 تحلیل آگهی‌های بازار مسکن با دیتاست دیوار 🏡🏢🏢🏡 تحلیل آگهی‌های بازار مسکن با دیتاست دیوار علوم اجتماعی محاسباتی محمد اسکندری نسب Sun, 08 Sep 2024 15:13:09 +0330 https://virgool.io/CSS-IR/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D9%BE%D8%A7%DB%8C%DA%AF%D8%A7%D9%87-common-data-%D9%85%D9%86%D8%A8%D8%B9%DB%8C-%D8%AC%D8%A7%D9%85%D8%B9-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D8%A7%D8%B1%DB%8C-mtrkp2mgxsnw 🔍 پایگاه Common Data به عنوان یک منبع واحد برای داده‌های آماری عمومی راه‌اندازی شده است و هدف آن فراهم آوردن دسترسی آسان به داده‌های آماری در سطح جهانی برای پژوهشگران، دانشجویان، روزنامه‌نگاران و علاقه‌مندان به علم و آمار است. 📊 ویژگی‌های کلیدی:- داده‌های گسترده: این پلتفرم شامل بیش از 240 میلیارد داده در حوزه‌های مختلف از جمله: - کشاورزی - بهداشت و سلامتی - آموزش - جمعیت - اقتصاد - محیط‌زیست - انرژی و مسکنو…- منابع معتبر: داده‌ها از منابع معتبر و رسمی جهانی، از جمله سازمان‌های بین‌المللی مانند بانک جهانی و سازمان ملل گردآوری شده‌اند. اطلاعات کامل در مورد منابع و مستندات در بخش مربوطه سایت در دسترس است.- امکانات جستجو: این سایت تنها محل انتشار داده‌ها نیست، بلکه با تجمیع اطلاعات از منابع مختلف، کیفیت خروجی را بهبود می‌بخشد. کاربران می‌توانند به راحتی در سطح کشور، استان و شهر جستجو کنند و به داده‌های مورد نظر خود دسترسی پیدا کنند. 📈 ابزارهای کاربردی:- نمودارها و مصورسازی‌ها: امکان ایجاد نمودارهای زمانی، پراکندگی و نقشه‌ها برای تحلیل بهتر داده‌ها.- نمودار دانش: برای کشورهای دیگر که داده‌های باز بیشتری دارند، کاربردی‌تر است.- بررسی مستقل داده‌ها: کاربران می‌توانند به بررسی داده‌های آماری یک سازمان خاص بپردازند و از هر نوع داده‌ای خروجی بگیرند. 💡 دسترسی آسان:کار با این پلتفرم نیاز به تخصص خاصی ندارد؛ تنها کافی است با مفاهیم آماری حوزه‌ای که دنبال می‌کنید آشنا باشید. 🔗 برای دسترسی به سایت و استفاده از داده‌های آماری، پس از فعالسازی VPN، سرویس دور زدن تحریم‌ شکن و یا 403، به لینک زیر مراجعه کنید. لینک دسترسی سایتمنبع: لینکدن علیرضا_چمن‌زار علوم اجتماعی محاسباتی محمد اسکندری نسب Sun, 08 Sep 2024 15:03:02 +0330 https://virgool.io/CSS-IR/%D9%84%DB%8C%D8%B3%D8%AA-%D8%AC%D8%A7%D9%85%D8%B9%DB%8C-%D8%A7%D8%B2-%D9%BE%D8%A7%DB%8C%DA%AF%D8%A7%D9%87-%D9%87%D8%A7-%D9%88-%D9%85%D9%86%D8%A7%D8%A8%D8%B9-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D8%A7%D8%B2-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86-xaqur5osddro علیرضا چمن‌زار، پژوهشگر علوم اجتماعی محاسباتی، لیست جامعی از پایگاه‌ها و منابع داده باز ایران، در گیت‌هاب ایجاد کرده که در لینک زیر قابل دسترس است.لینک مخزن گیت‌هاب (https://github.com/alirezach/awesome-iran-opendata)ایشان در توضیح این مخزن نوشته‌اند که:«این مخزن با ایده تسهیل دسترسی و آشنایی پژوهشگران و روزنامه‌نگاران به داده‌های باز با محوریت اختصاصی ایران ساخته شده‌است که شامل منابع دولتی، مراکز پژوهشی دولتی، مراکز بین‌المللی و موسسات مستقل اشتراک‌گذاری داده می‌باشد.» علوم اجتماعی محاسباتی محمد اسکندری نسب Sun, 08 Sep 2024 14:54:40 +0330 https://virgool.io/CSS-IR/%D8%A7%D9%88%D8%B3%DB%8C%D9%86%D8%AA-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%D9%87-%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF%DB%8C-%D8%AF%D8%B1-%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-%D8%AF%D8%A7%D8%B1%D8%AF-khxr6n8oqq42 اوسینت (Open Source Intelligence یا OSINT) به معنی اطلاعات منبع باز، به فرآیند جمع‌آوری، تحلیل و استفاده از اطلاعاتی اشاره دارد که به‌صورت عمومی و قانونی از منابع مختلف مانند اینترنت، رسانه‌های اجتماعی، وب‌سایت‌ها، گزارش‌های دولتی، اخبار، مقالات علمی و حتی منابع آفلاین مثل کتاب‌ها و روزنامه‌ها به دست می‌آید. برخلاف روش‌های غیرقانونی یا محدود به دسترسی‌های خاص، اوسینت کاملاً قانونی و شفاف است و از گستره وسیعی از منابع در دسترس بهره می‌برد.🔻 ویژگی‌ها و کاربردهای اوسینت:دسترسی عمومی و قانونی: اوسینت از اطلاعاتی استفاده می‌کند که به‌طور عمومی در دسترس هستند و از راه‌های قانونی جمع‌آوری می‌شوند، بنابراین نقض حریم خصوصی یا قوانین خاصی را در پی ندارد.تحلیل شبکه‌های اجتماعی: اوسینت در علوم اجتماعی محاسباتی به تحلیل شبکه‌های ارتباطی میان افراد، گروه‌ها و سازمان‌ها کمک می‌کند. این تحلیل‌ها می‌توانند ساختارهای اجتماعی و میزان تأثیرگذاری افراد را نشان دهند.مطالعه الگوهای رفتار اجتماعی: از طریق اوسینت، محققان می‌توانند داده‌هایی درباره رفتارهای آنلاین و آفلاین افراد به دست آورند، که به درک بهتر الگوهای تعامل اجتماعی و رفتارهای گروهی کمک می‌کند.پایش و تحلیل نظرات عمومی: یکی از کاربردهای مهم اوسینت در علوم اجتماعی، بررسی نظرات عمومی درباره موضوعات مختلف است. این تحلیل‌ها به درک نگرش‌های اجتماعی و پیش‌بینی تغییرات در افکار عمومی کمک می‌کنند.شناسایی روندها و پیش‌بینی تغییرات اجتماعی: اوسینت می‌تواند روندهای نوظهور در جامعه را شناسایی کند و به پیش‌بینی تغییرات اجتماعی کمک کند. این شامل شناسایی موضوعات محبوب در رسانه‌های اجتماعی یا بررسی تغییرات در اولویت‌های جامعه می‌شود.مقابله با اخبار جعلی و اطلاعات نادرست: با کمک اوسینت می‌توان به شناسایی و مقابله با اخبار جعلی و اطلاعات نادرست پرداخت. این امر برای حفظ اعتماد اجتماعی و مقابله با تأثیرات منفی اطلاعات نادرست اهمیت زیادی دارد.ارزیابی ریسک‌های اجتماعی: اوسینت به شناسایی و ارزیابی ریسک‌های اجتماعی مانند ناآرامی‌های اجتماعی، تروریسم یا بحران‌های انسانی کمک می‌کند، که این امر به پیش‌بینی بحران‌ها و تدوین واکنش‌های مناسب یاری می‌رساند.درنهایت می توان گفت که اوسینت در علوم اجتماعی محاسباتی، به‌عنوان یک ابزار قدرتمند و مؤثر برای جمع‌آوری و تحلیل داده‌های عمومی و دسترس‌پذیر به کار می‌رود. این روش نه تنها به بهبود تحقیقات علمی کمک می‌کند، بلکه به نهادهای اجتماعی و تصمیم‌گیران امکان می‌دهد به داده‌های واقعی و قابل‌اعتماد بیشتری دست یابند که به تحلیل دقیق‌تر و عمیق‌تر پدیده‌های اجتماعی کمک می‌کند. علوم اجتماعی محاسباتی محمد اسکندری نسب Sun, 08 Sep 2024 14:52:23 +0330 https://virgool.io/CSS-IR/%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-%D9%BE%DA%98%D9%88%D9%87%D8%B4-%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-ndc3cmwxmf3w آیا تا به حال به این فکر کرده‌اید که چگونه می‌توانیم از داده‌های بزرگ و روش‌های محاسباتی برای درک بهتر جوامع و رفتارهای اجتماعی استفاده کنیم؟ 🔍 علوم اجتماعی محاسباتی (CSS) یک حوزه نوین و هیجان‌انگیز است که با ترکیب علوم اجتماعی و علوم کامپیوتر، به ما امکان می‌دهد تا پدیده‌های اجتماعی را با دقت بیشتری تحلیل کنیم. از مدل‌سازی شبکه‌های اجتماعی گرفته تا شبیه‌سازی رفتارهای جمعی، این حوزه ابزارهای قدرتمندی را در اختیار پژوهشگران قرار می‌دهد.📊 چرا علوم اجتماعی محاسباتی مهم است؟- تحلیل داده‌های بزرگ: با استفاده از الگوریتم‌های پیشرفته، می‌توانیم الگوهای پنهان در داده‌های بزرگ را کشف کنیم.- پیش‌بینی رفتارهای اجتماعی: با مدل‌سازی دقیق، می‌توانیم رفتارهای آینده جوامع را پیش‌بینی کنیم.- حل مسائل پیچیده: این حوزه به ما کمک می‌کند تا مسائل پیچیده اجتماعی را با رویکردهای نوین و کارآمد حل کنیم. علوم اجتماعی محاسباتی محمد اسکندری نسب Sun, 08 Sep 2024 14:21:15 +0330 https://virgool.io/CSS-IR/%D8%A7%D8%AC%D8%B1%D8%A7%DB%8C-%D8%B9%D9%84%D9%88%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-ibvxvvggiq48 برایان کافو (Brian Caffo)، راجر پِنگ (Roger Peng) و جف لیک (Jeff Leek) هر سه از اساتید و پژوهشگران رشته‌ی آمارشناسی زیستی‌اند و درباره‌ی علوم داده هم بسیار نوشته‌اند. اگر تا این‌جا با من همراه بوده‌اید، یادتان می‌آید که قبلاً هم یکی از نوشته‌های جف لیک را خوانده‌ایم: https://virgool.io/@css/%D9%85%D9%86-%DA%A9%D8%A7%D8%B1%D8%B4%D9%86%D8%A7%D8%B3%D9%90-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A7%D9%85-%D8%A2%DB%8C%D8%A7-%D8%A7%D8%AC%D8%A7%D8%B2%D9%87-%D8%AF%D8%A7%D8%B1%D9%85-%D9%82%D9%84%D8%A8-%D8%B4%D9%85%D8%A7-%D8%B1%D8%A7-%D8%AC%D8%B1%D8%A7%D8%AD%DB%8C-%DA%A9%D9%86%D9%85-liraersqajhh یکی از آثارِ خوبِ این سه نفر، کتابچه‌ای است با نام «علوم داده‌ی اجرایی» (شاید بهتر باشد بگوییم: «اجرای علوم داده») که علیرغم حجم اندکش (153 صفحه)، به شکلی مختصر و مفید به جنبه‌های گوناگون انجام پژوهش‌های داده‌ای پرداخته‌اند.راجر پنگ، جف لیک و برایان کافوسابقه‌ی دانشگاهیِ مرتبط و در عین حال تجربه‌ی موفق این سه نفر در علوم داده و پروژه‌های عملیاتیِ داده‌محور، این کتاب را به اثری خواندنی و مفید تبدیل کرده است. به علاوه، یکی ویژگی‌های خوب آن‌ها (که در یادداشت جراحی قلب هم دیده می‌شود)، تاکیدشان بر واقع‌بینی و پرهیز از اغراق درباره‌ی علوم داده و مدعیان آن است.پیشنهاد می‌کنم که نسخه‌ی پی‌دی‌اف این کتاب را به صورت رایگان از این نشانی دریافت کنید و خودتان متن کامل آن را بخوانید: https://leanpub.com/eds اما اگر دوست دارید ابتدا کمی با محتوای آن آشنا شوید، فصل نخست کتاب که فقط 33 صفحه دارد را می‌توانید با کلیک روی گزینه‌ی «مطالعه‌ی نمونه» (Read Free Sample) در صفحه‌ی بالا ببینید.راستی، همین سه نفر دوره‌ی مفصلی را با همین عنوان در کورسِرا ارایه کرده‌اند که می‌توانید در آن هم شرکت کنید: https://www.coursera.org/specializations/executive-data-science علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Tue, 18 May 2021 08:42:45 +0430 https://virgool.io/CSS-IR/%D8%AF%D8%B1%D8%A8%D8%A7%D8%B1%D9%87-%DB%8C-%D9%87%D9%85%D9%87-%DA%AF%DB%8C%D8%B1%D8%B4%D9%86%D8%A7%D8%B3%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-owh6b02pkzxw این روزها (و ماه‌ها) که همه‌ی ما گرفتار ویروس کرونا و بیماری کووید19 شده‌ایم، بیشتر از همیشه با واژه‌هایی مثل «همه‌گیری» و «همه‌گیرشناسی» سروکار داریم؛ مثلاً: https://www.iribnews.ir/fa/news/2801797/%DA%AF%D8%A7%D9%87-%D9%86%DA%AF%D8%A7%D8%B1-%D9%87%D9%85%D9%87-%DA%AF%DB%8C%D8%B1%D8%B4%D9%86%D8%A7%D8%B3%DB%8C-%D8%A8%DB%8C%D9%85%D8%A7%D8%B1%DB%8C-%DA%A9%D8%B1%D9%88%D9%86%D8%A7 اما برای کسی مثل من که آشنایی اندکی با دانش پزشکی دارد و اهل علوم اجتماعی است، همه‌گیرشناسی به تنهایی عرصه‌ی چندان جذابی نیست.ولی این‌جا هم وقتی مثل بقیه‌ی مفاهیم و رویکردهای میان‌رشته‌ای و چندرشته‌ای، «همه‌گیرشناسی»، «علوم اجتماعی» و «علوم محاسباتی» را در کنار هم قرار دهیم، با قلمرو جذاب، کمترشناخته‌شده و مهمی روبرو می‌شویم که آن را «همه‌گیرشناسی اجتماعی» (ُSocial Epidemiology) می‌نامند.البته روشن است که همه‌گیرشناسی اجتماعی اختصاصی به دورانِ علوم محاسباتی (و داده‌های جدید) ندارد و قبلاً هم وجود داشته و قبلاً می‌توانستیم پژوهش‌های همه‌گیرشناسانه‌ی اجتماعی کمی و کیفی را ببینیم.اما حالا همه‌گیرشناسان اجتماعی هم مثل بقیه‌ی همکاران‌شان به داده‌های انبوه و توان محاسباتی رایانه‌ای حیرت‌انگیزی دست یافته‌اند و می‌توانند با اطمینان از ظهور «همه‌گیرشناسی اجتماعی محاسباتی» (Computational Social Epidemiology) سخن بگویند.آنفلوانزای اسپانیایی که به برکت حضور نیروهای استعمارگر خارجی در سال 1297 شمسی (1918 میلادی) در ایران شیوع پیدا کرد، بزرگ‌ترین همه‌گیری پیش از کووید19 بود. همزمانی این همه‌گیری با قحطیِ بزرگی که انگلیسی‌ها در ایران ایجاد کرده بودند، بسیاری از ایرانیان را قربانیِ خود کرد. فیلم «یتیم‌خانه‌ی ایران» به همین ماجرا پرداخته است.اول اجازه دهیم کمی با دانش همه‌گیرشناسی آشنا شویم و ببینیم که همه‌گیرشناس‌ها دقیقاً چه کار می‌کنند و مهم‌ترین مساله‌های پژوهشی‌شان چه شکلی است؟ویکیپدیا همه‌گیرشناسی (Epidemiology) را این‌طور تعریف می‌کند:همه‌گیرشناسی یا اِپیدمیولوژی مطالعه نحوه‌ی انتشار بیماری‌ها و عوامل بیماری‌زا، توزیع بیماری‌ها در زمان‌ها، مکان‌ها، نژادها یا فرهنگ‌های خاص یا هر عاملی که به سلامت مربوط باشد، است.اگر شما پزشک باشید، به این سوالات پاسخ می‌دهید:چرا این نوزاد دارد می‌میرد؟چرا این جوان سکته کرده است؟...اما اگر همه‌گیرشناس باشید، باید به دنبال پاسخِ سوالاتی از این قبیل بگردید:چرا نرخِ مرگ نوزادان در برخی از گروه‌های مردم بیشتر از بقیه‌ی گروه‌ها است؟چرا علیرغم پیشرفت چشمگیر دانش پزشکی، این تفاوت‌ها برطرف نشده‌اند؟چرا افرادی که در مناطق خاصی زندگی می‌کنند، خیلی بیشتر از بقیه در معرض سکته‌ی قلبی هستند؟...حالا اگر همه‌گیرشناس اجتماعی باشید، بیش از همه به دنبال فهمِ ریشه‌ها و عللِ اجتماعی و فرهنگی بیماری‌ها و این که چرا شایع می‌شوند یا درمان نمی‌شوند می‌گردید.فرض کنید با افزایشِ میزان ابتلای مردمِ یک روستا به یک بیماریِ خاص روبرو شده‌اید. https://www.farsnews.ir/news/13940409001655/%D8%A7%D8%B2-%D8%B4%D8%A7%DB%8C%D8%B9%D8%A7%D8%AA-%DA%86%D8%B4%D9%85%E2%80%8C-%DA%86%D9%BE-%DA%A9%DB%8C%DA%AF%D8%A7%DB%8C%DB%8C%E2%80%8C%D9%87%D8%A7-%D8%AA%D8%A7-%DA%A9%D9%85%D8%A8%D9%88%D8%AF-%D8%A7%DA%A9%D8%B3%DB%8C%DA%98%D9%86-%D8%AF%D8%B1-%D8%B1%D9%88%D8%B3%D8%AA%D8%A7 راه‌حلِ پیشنهادیِ شما چیست؟ اگر پزشک باشید، احتمالاً برای افزایش بودجه‌ی درمانیِ دهیاری و مثلاً آمبولانس برای درمانگاه کوچک روستا تلاش می‌کنید. شاید هم گروهی از پزشکان را راضی کنید با نیتی خیرخواهانه به این روستا سفر کنند و چند روزی را میهمان اهالی آن‌جا باشند. https://www.irna.ir/news/81229923/500-%D9%BE%D8%B2%D8%B4%D9%83-%D9%85%D8%AA%D8%AE%D8%B5%D8%B5-%D8%AF%D8%B1-%D9%83%D8%A7%D8%B1%D9%88%D8%A7%D9%86-%D9%86%D9%88%D8%B1%D8%A2%D9%88%D8%B1%D8%A7%D9%86-%D8%B3%D9%84%D8%A7%D9%85%D8%AA-%D9%85%D8%B4%D8%A7%D8%B1%D9%83%D8%AA-%D8%AF%D8%A7%D8%B1%D9%86%D8%AF اما حالا که ما همه‌گیرشناسی اجتماعی می‌کنیم، می‌دانیم که این تنها بخشی از راه‌حل است و باید دلایل واقعیِ این افزایشِ بیماری را در زیستِ اجتماعی مردم این ناحیه جستجو کنیم. ما معتقدیم که هیچ پدیده‌ی زیستی‌ای خارج از بافت اجتماعی رخ نمی‌دهد و مهار و مبارزه با هر بیماری و آسیبی که به جسم ما وارد می‌شود، حتماً باید با توجه به زمینه و شرایط محیطی آن انجام شود. پدیده‌ها و کنش‌های اجتماعی جزو مهم‌ترین عوامل موثر بر وضعیت سلامتی نگاه می‌کنیم.به باورِ همه‌گیرشناسان اجتماعی، مولفه‌هایی مثل تحصیلات، درآمد، شغل، طبقه‌ی اجتماعی، وضعیت اقتصادی، نژاد، قومیت، ملیت، سن، جنسیت، تاهل، میزان مشارکت اجتماعی، نهادهای جمعی‌ای مثل خانواده و مدرسه، ویژگی‌های روانی‌ای مثل اضطراب، شرم، بدنامی و ...، بر کمیت و کیفیت ابتلای افراد به بیماری‌ها و آسیب‌ها تاثیر جدی می‌گذارند.بگذارید مثال بزنم. بیماری خواب یا تریپانوزومیاز آفریقایی (sleeping sickness) یکی از بیماری‌های انگلیِ مشترک میان حیوان و انسان است که به صورت مداوم و گسترده در بسیاری از کشورهای آفریقایی به چشم می‌خورد. این بیماری درمان‌شدنی است و داروی موثر بر آن نیز کشف شده است. اما تولیدِ این دارو پس از مدتی به دلیل فقرِ مفرط مبتلایان و نبود صرفه‌ی اقتصادی برای تولیدکننده متوقف شد. پس از مدتی، همین ماده‌ی دارویی که حالا کاربرد دیگری به عنوان «موبَر صورت» پیدا کرده بود، به صورت محصولی آرایشی وارد بازار شد و به این ترتیب، تولیدِ آن از سر گرفته شد و بیماران به آن دست پیدا کردند. به عبارت دیگر، آن‌چه موجب درمانِ این بیماران شد، نه صرفاً پیشرفت دانش داروسازی در دانشکده‌های پزشکی، که معادلات بازار و محاسباتِ بنگاه‌های اقتصادی بود. نیویورک‌تایمز به تفصیل به این ماجرا پرداخته است: https://www.nytimes.com/2001/02/09/world/cosmetic-saves-a-cure-for-sleeping-sickness.html تردیدها و گفتگوهای دامنه‌داری که این روزها که درباره‌ی واکسن کرونا و نمونه‌های آمریکایی و انگلیسیِ آن در کشورهای مختلف دیده می‌شود هم مثالی از تقاطعِ پدیده‌های پزشکی و مسایل اجتماعی است؛ چون با واکسنی روبرو شده‌ایم که به جای آن که در بستری علمی و دانشی تهیه و تولید شود، به ابزاری سیاسی تبدیل شده است. https://www.mashreghnews.ir/news/1166111/%D9%88%D8%A7%DA%A9%D8%B3%D9%86-%D9%81%D8%A7%DB%8C%D8%B2%D8%B1-%D8%A8%D8%A7-%D8%AA%D9%87%D8%AF%DB%8C%D8%AF-%D8%AF%D9%88%D9%86%D8%A7%D9%84%D8%AF-%D8%AA%D8%B1%D8%A7%D9%85%D9%BE-%D9%88-%DA%A9%D8%A7%D8%AE-%D8%B3%D9%81%DB%8C%D8%AF-%D8%AA%D8%A3%DB%8C%DB%8C%D8%AF-%D8%B4%D8%AF خلاصه این که ما پیشرفت‌های زیادی در دانش پزشکی داشته‌ایم، اما این پیشرفت‌ها تا وقتی به بافت اجتماعی گره نخورند و موانعی مثل منافع اقتصادی، تعارض‌های سیاسی و تفاوت‌های فرهنگی را پشت سر نگذارند، نمی‌توانند به درمانِ بیماری‌ها و بهبود سلامتی مردم بینجامند. بسیاری از معضلات سلامتی، مثلاً فاصله‌ی زیادِ کشورها در «امید به زندگی» ریشه‌ی پزشکی ندارند و محصول زمینه‌های اقتصادی، اجتماعی و فرهنگی‌اند.الگوی چندلایه‌ای ارتباط عوامل اجتماعی، سیاسی، اقتصادی و فرهنگی بر سلامتیالگوهای نظری مختلفی برای تبیین رابطه‌ی عوامل اجتماعی و مساله‌ی سلامتی تدوین شده است. مثلاً سازمان جهانی بهداشت مجموعه‌ی عوامل اجتماعی موثر بر سلامتی را به این شکل تقسیم‌بندی کرده است:عوامل اجتماعی موثر بر سلامتی از نظر سازمان جهانی بهداشتاما تقریباً همه‌ی آن‌ها درباره‌ی این ساختار لایه‌ای توافق دارند. این مدل را گوگان دالگرن و مارگارت وایتهد در سال 1991 طراحی کرده‌ند و به عنوان الگوی رنگین‌کمان مشهور است.الگوی رنگین‌کمان دالگرن‌وایتهد برای نمایش تاثیرِ عوامل اجتماعی، سیاسی، اقتصادی و فرهنگی بر سلامتیما درباره‌ی سلامتی حرف می‌زنیم که تجربه‌ای جسمی (و روانی) است. علنی‌ترین و نزدیک‌ترین عوامل موثر بر آن هم ویژگی‌های زیستی‌ای مثل سن، جنسیت و وزن است.اما همه می‌دانیم که نمی‌شود فقط به این‌ها تکیه کرد. دومین عامل موثر بر سلامتی، سبک زندگی و رفتارهای شخصی ما است. این که چقدر می‌خوابیم، چقدر ورزش می‌کنیم و ... .آیا عاملی وجود دارد که بر رفتار و سبک زندگی ما تاثیر بگذارد؟ بله. جایگاه اجتماعی و شبکه‌ی ارتباطی‌ای که در آن زندگی می‌کنیم. برای مطالعه‌ی نمونه‌ای از این تاثیرگذاری، این یادداشت را بخوانید: https://virgool.io/@css/%D8%AA%D8%A7%D8%AB%DB%8C%D8%B1-%D9%BE%D9%86%D9%87%D8%A7%D9%86-%D8%B4%D8%A8%DA%A9%D9%87%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D8%A8%D8%B1-%DA%86%D8%A7%D9%82%DB%8C-%D9%88-%D8%AE%DB%8C%D9%84%DB%8C-%DA%86%DB%8C%D8%B2%D9%87%D8%A7%DB%8C-%D8%AF%DB%8C%DA%AF%D8%B1-ulybrwmhhgej دوستان و شبکه‌ی ارتباطی ما هم بیش از هر چیزی تحت تاثیر میزان تحصیلات، کار یا بیکاری، وضعیت مسکن و سایر ویژگی‌های اجتماعی ما است و این ویژگی‌ها به نوبه‌ی خود تحت تاثیر وضعیت کلی و جهت‌گیری‌های کلان جامعه در عرصه‌هایی مثل مسکن، اشتغال، مالیات و ... است.«بررسی رابطه‌ی نابرابری اقتصادی و اجتماعی بر سلامتی» یکی از موضوعات مورد علاقه‌ی همه‌گیرشناسان اجتماعی است. چرا این‌طور به نظر می‌رسد که ثروتمندترها یا باسوادترها معمولاً سالم‌ترند؟ آیا می‌توانیم این تلقی عمومی را با دقت بیشتری بررسی کنیم؟ آیا چیزی مثل ثروت یا شغل روی احتمال ابتلا به بیماری‌های مختلف تاثیر یکسانی دارد؟ روی شدتِ علایم بیماری یا سرعتِ بهبودی چطور؟بله. ما می‌توانیم رابطه‌ی روشنی بین وضعیت اقتصادی، اجتماعی، علمی، فرهنگی و ... با کمیت و کیفیت بیماری‌ها ببینیم. به عنوان مثال می‌توانیم به وضوح ببینیم که میزان تحصیلات فرد بر شغل، درآمد، روحیه و دوستانِ او تاثیر می‌گذارد و این‌ها در گام بعد ایمنیِ محیط کار، رفتارهای ناسالم، نحوه‌ی غذا خوردن و حتی میزان اضطراب فرد را تعیین می‌کند. رابطه‌ی این‌ها با ابتلا، پیشرفت، تبعات و درمان بیماری هم که انکارنشدنی است.بیماری پادشاهانبیماری نِقرِس (gout) را می‌شناسید؟نقرس نوعی بیماری است که در اثر افزایشِ مداوم میزان اسید اوریک بدن به وجود می‌آید و سبب علایمی از جمله تورم، حملات التهاب، آتروز حاد، داغ شدن و قرمزیِ مفاصل بدن و یا توفوس و سنگ کلیه می‌شود. (ویکیپدیا)می‌دانستید که نام دیگر این بیماری «داء الملوک» (بیماری پادشاهان) است.نقرس: (نِ رِ) [ ع . ] (اِ.) مرضی است مزمن و غالباً ارثی که به شکل التهاب مفصل شست پا به طور ناگهانی بروز می‌کند؛ داءالملوک. (فرهنگ فارسی معین)می‌دانید چرا؟ چون یکی از مهم‌ترین عوامل ابتلا به این بیماری زیاده‌روی در مصرف گوشت و مشروبات الکلی است و این‌ها قبلاً جزو نشانه‌های سبک زندگیِ اشراف و ثروتمندان و امیران بوده است. این هم نمونه‌ای از رابطه‌ی جایگاه اجتماعی و بیماری است.پژوهش‌های زیادی درباره‌ی سنجش این قبیل رابطه‌ها انجام شده است. مثلاً اوت و همکارانش در مقاله‌ای با عنوان «شیوع بیماری آلزایمر و زوال عقل و ارتباط آن با تحصیلات: مطالعه‌ی روتردام» که در آوریل 1995 منتشر شد، به این نتیجه رسیدند که بین میزان تحصیلاتِ گروه‌های انسانی و احتمال ابتلای آن‌ها به آلزایمر رابطه‌ی معکوسی وجود دارد. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2549358/ به عبارت دیگر، تحصیل‌کرده‌ترین افراد در هر اجتماع، کمتر به آلزایمر مبتلا می‌شوند و نکته‌ی جالب آن است که بنا به یافته‌های این پژوهش، مقصود آن نیست که افراد باید آموزش‌های دانشگاهی سطحِ بالا دیده باشند تا کمتر آلزایمر بگیرند. حتی اگر سقفِ تحصیلات در یک جامعه دیپلم باشد و کفِ آن بی‌سوادی، باز هم همین الگو برقرار است و دیپلم‌دارها به همان نسبت کمتر مبتلا می‌شوند.چه نتیجه‌ای از این پژوهش می‌شود گرفت؟ آیا برای پیشگیری از آلزایمر، باید سطح تحصیلات را بالا ببریم و نیازی به اقدامات بهداشتی و درمانی نیست؟ یعنی می‌توانیم به دانشگاه به عنوان درمانگاهِ آلزایمر نگاه کنیم؟ شاید بله و شاید هم خیر. ما به پژوهش‌های گسترده‌تر و طولانی‌تری نیاز داریم.مثلاً می‌توانیم گروهی از افراد را برای مدت طولانی (مثلاً سال‌ها) زیر نظر بگیریم و تحصیلات و ابتلای ایشان به آلزایمر را بررسی کنیم و روندهای کلی را به دست آوریم. این راه عاقلانه‌ای است؛ ولی با یکی از خطاهای رایج در چنین پژوهش‌هایی روبرو خواهیم شد: خطای بازماندگی.سوگیری بازماندگی یا دوام‌نگری (Survivorship Bias – Survival Bias‎) نوعی خطای منطقی است که با تمرکز بر افراد یا چیزهایی که از یک فرایندِ گزینش گذر کرده‌اند و نادیده گرفتن مواردی که از آن فرایند گذر نکرده‌اند، ولی معمولاً به چشم نمی‌آیند، رخ می‌دهد. این سوگیری می‌تواند منجر به نتیجه‌گیری‌های غلط از چندین روش مختلف شود. در این نوع از سوگیری، ذهن فقط نمونه‌های زنده و موفق را در نظر می‌گیرد و در نتیجه در داوری موقعیت خطا می‌کند. ویکیپدیابه عبارت دیگر، آلزایمر معمولاً در سنینِ پیری رخ می‌دهد و تحصیلات عالی در سنین جوانی. اگر افرادی که در فاصله‌ی جوانی تا پیری از دنیا رفته‌اند را در نظر نگیریم، عملاً دچار خطای روشی می‌شویم. برای پرهیز از این سوگیری در چنین پژوهش‌هایی، بهترین راه شبیه‌سازی است. یعنی باید آن افرادی که مُرده‌اند را زنده فرض و حضورشان را با کمک داده‌های موجود و ابزارهای محاسباتی شبیه‌سازی کنیم.شبیه‌سازی مردگانالیزابت مایِدا، استاد دانشکده‌ی سلامت عمومیِ دانشگاه کالیفرنیا در پژوهشی با عنوان «آیا سوگیری بازماندگی می‌تواند کاهش نابرابری نژادی در بروز سکته‌ی مغزی را توضیح دهد؟» که به روش شبیه‌سازی انجام شد، به این مساله پرداخته که چرا هرچند نرخِ سکته‌ی مغزی در سیاهانِ میانسال بیشتر از میانسالانِ سفید است و هرچه سن دو گروه بیشتر می‌شود، فاصله‌شان کاهش می‌یابد تا جایی که در هشتادسالگی برعکس می‌شود؟ آیا عامل خاصی موجب بروز سکته در سفیدپوستان سالمند هست؟ آیا سیاهان سالمند نسبت به سیاهان میانسال مشارکتِ بیشتری با پژوهشگران داشته‌اند و به همین دلیل آمارشان بهبود یافته است؟ https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6289512/ دو احتمال دیگر هم هست. یکی این که سیاه‌پوستانی که به هشتادسالگی می‌رسند، از نظر جسمی و روانی خیلی سالم‌تر و مقاوم‌ترند. دیگر این که تبعیضِ نژادی در ارایه‌ی خدمات درمانیِ به سالمندان کمتر است. تفاوتِ معنادارِ این دو گزینه در آن است که در یکی از آن‌ها ما تقریباً همه‌ی سیاهان را پیش از رسیدن به سنین پیری می‌کُشیم و فقط خیلی مقاوم‌ها زنده می‌مانند و در دیگری وضعیت خدمات درمانی ما، دستکم در این گروهِ سنی، چندان بد نیست.دکتر مایِدا با توجه به نرخِ تولد و احتمال بروز سکته، احتمال زنده ماندن افراد را شبیه‌سازی کرد و متاسفانه به نتیجه‌ی خوشایندی نرسید. بنا به شبیه‌سازیِ او گزینه‌ی اول صحیح‌تر است و فقط قوی‌ترها پیر می‌شوند.یادآوریچنین پژوهش‌هایی، هرچه هم داده‌بنیاد و متکی به محاسبات رایانه‌ای، بیش از همه‌ی سایر عرصه‌های علمی به بافت و زمینه‌ی اجتماعی وابسته‌اند. پس، با مطالعه‌ی مقالات و کتبی که پژوهشگران و کارشناسان کشورهای دیگر با توجه به مصادیق و مساله‌های موجود در اقلیمِ خودشان نوشته‌اند، نمی‌توانیم برای کشور و جامعه‌ی خودمان نسخه بنویسیم و دارو تجویز کنیم.ما ناچاریم چنین سوالاتی را با توجه به بافت و ویژگی‌های هم‌وطن‌ها و هم‌شهری‌های خودمان دوباره طرح کنیم و دوباره برای پاسخ به آن‌ها تلاش کنیم. امیدوارم در ویرایش بعدی این یادداشت، نمونه‌ای از پژوهش‌های ایرانیِ انجام‌شده را با هم مرور کنیم.اگر به این عرصه علاقمند شدید یا کنجکاوید که درباره‌ی آن بیشتر بخوانید، می‌توانید با این‌ها شروع کنید:برکمن، لیسا (2014)، همه‌گیرشناسی اجتماعی، انتشارات دانشگاه آکسفورد {فایل متن کامل این کتاب را می‌توانید از این‌جا دریافت کنید.]کریگر، نانسی (2001)، نظریه‌های همه‌گیرشناسی اجتماعی در قرن بیست و یکم: چشم‌اندازی اقتصادی اجتماعی، مجله‌ی بین‌المللی همه‌گیرشناسی، آگوست 2001، صفحات 668 تا 677 [فایل متن کامل این مقاله را می‌توانید از این‌جا دریافت کنید.] علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 22 Jan 2021 23:14:40 +0330 https://virgool.io/CSS-IR/%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%B4%D8%A8%DA%A9%D9%87%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%88%D8%A7%D9%82%D8%B9%DB%8C-sefi5nv6n7jh ما در «شبکه‌ها» زندگی می‌کنیم و یکی از مهم‌ترین وظایف هر پژوهشگر اجتماعی، شناخت این شبکه‌ها است. چرا؟ چون شبکه‌ی ارتباطات انسانی زیربنای شکل‌گیری همه‌ی پدیده‌های مهم اجتماعی است: جامعه، فرهنگ، هویت، ملت و ... . به عبارت صریح‌تر، این که «شما چه کسی هستید» محصول این است که «شما با چه کسی هستید».به همین دلیل باید مختصات و چگونگی این شبکه را به خوبی بشناسیم و البته روندِ تغییرات آن را هم دنبال کنیم. داده‌های انبوه دیجیتال (= بیگ‌دیتا) ماده‌ی خام بسیار ارزشمندی برای هر دوی این اهداف در اختیار ما گذاشته است.جامعه‌ی انسانی پیچیده‌ترین موضوع برای پژوهش است.«تحلیل شبکه‌های اجتماعی» هم‌چون «یادگیری ماشین» یکی از عرصه‌های مهم پژوهش‌های اجتماعی محاسباتی است. اما اجازه دهید همین ابتدا نکته‌ی مهمی را با شما در میان بگذارم: شبکه‌های اجتماعی با نرم‌افزارهای اجتماعی تفاوت دارند.این روزها از هر کسی درباره‌ی شبکه‌های اجتماعی بپرسید، درباره‌ی کانال‌ها و گروه‌های خانوادگی و دوستانه‌اش در واتساپ و تلگرام یا بله و ایتا و سروش می‌گوید. اما بدیهی است که نمی‌شود شبکه‌ی ارتباطات افراد را به حساب‌های کاربری و فهرست مخاطبان‌شان در چند نرم‌افزار محدود کرد.توضیح می‌دهم. قبلاً درباره‌ی ظهور اجتماعی گفتگو کرده‌ایم و گفتم که وقتی به کلیت ارتباطات انسانی در یک جامعه نگاه کنیم، علاوه بر جمع جبریِ اعضای جامعه، با انبوهی از ارتباطات و تراکنش‌های مواجه می‌شویم که هویتی مستقل از خودِ آن افراد دارند. https://virgool.io/@css/%D8%B1%D9%88%D8%B4%D9%87%D8%A7%DB%8C-%D8%B9%D9%84%D9%88%D9%85-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-3-gmgpgy82xcug https://virgool.io/@css/%D8%B8%D9%87%D9%88%D8%B1-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-ikjrx5kpgnr0 «شبکه‌ی اجتماعی» نتیجه‌ی مجموعه‌ی همین ارتباطات متقابل انسانی است که در محله، مدرسه، مسجد، بازار، دانشگاه و هر بستر دیگری اتفاق می‌افتند و در این چند سال اخیر، نرم‌افزارهای اجتماعی هم به یکی از بسترهای ظهور این ارتباطات بدل شده‌اند و قطعاً نماینده‌ی همه‌ی آن‌ها نیستند. یعنی شما هیچ کسی (احتمالاً به جز روان‌پریش‌ها و جامعه‌گریزها) را پیدا نمی‌کنید که با تعدادی از اعضای جامعه ارتباط نداشته و فقط به همین نرم‌افزارها محدود شده باشد.پس هرجا که درباره‌ی شبکه‌های اجتماعی صحبت می‌کنیم، مقصودمان شبکه‌های اجتماعی واقعی است که شبکه‌های اجتماعی اینترنتی هم بخش کوچکی از آن به شمار می‌رود. مثلاً اگر فهرست مخاطبان خیلی از خود ما را ملاک ترسیم شبکه‌ی اجتماعی‌مان قرار دهند، با انبوهی از اسامی روبرو می‌شوند. اما واقعاً ما در دنیای واقی هم این همه دوست داریم؟ مردم، مخصوصاً جوان‌ترها، در نرم‌افزارهای مختلف با تعداد بسیار زیادی از افراد ارتباط دارند و به اصطلاح «دوست» هستند. اما تعداد دوستان‌شان در دانشگاه و باشگاه و ... معمولاً به چند نفر محدود است.جالب است که «تاثیرگذاری متقابل اعضای شبکه» که یکی از موضوعات مهم در تحلیل شبکه‌های اجتماعی است، در نرم‌افزارهای مجازی چندان به چشم نمی‌خورد و جزو ویژگی‌های شبکه‌های اجتماعی واقعی است. به همین دلیل حتی اگر از داده‌های دیجیتال (مثلاً ارتباط متقابل کاربران توییتر) استفاده می‌کنید هم باید به دنبال کشف شبکه‌ی اجتماعی واقعی آن‌ها باشید. https://virgool.io/@css/%D8%AA%D8%A7%D8%AB%DB%8C%D8%B1-%D9%BE%D9%86%D9%87%D8%A7%D9%86-%D8%B4%D8%A8%DA%A9%D9%87%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D8%A8%D8%B1-%DA%86%D8%A7%D9%82%DB%8C-%D9%88-%D8%AE%DB%8C%D9%84%DB%8C-%DA%86%DB%8C%D8%B2%D9%87%D8%A7%DB%8C-%D8%AF%DB%8C%DA%AF%D8%B1-ulybrwmhhgej درباره‌ی تحلیل شبکه‌های اجتماعی باید بیشتر گفتگو کنیم. اما به عنوان مقدمه بیایید نمونه‌ای از این قبیل پژوهش‌ها و فایده‌شان در برنامه‌ریزی‌های اجتماعی را مرور کنیم. همزمانی نگارش این یادداشت با سردرگمی فعلی خانواده‌های دانش‌آموزان درباره‌ی بازگشایی مدارس در روز پانزدهم شهریور 99 که همین فردا است، کاملاً اتفاقی است و نمی‌توان با استفاده از یافته‌های بیان‌شده در آن، تصمیمات وزارت آموزش و پرورش در بازگشایی مدارس را نقد کرد.فرض کنید جامعه گرفتار یک بیماری همه‌گیر شده است؛ درست مثل همین ماه‌ها و جهان‌گیریِ کرونا. کارشناسان سلامت به ما می‌گویند که مدارس به یکی از کانون‌های شیوع بیماری تبدیل شده و دانش‌آموزان به مقررات بهداشتی بی‌توجهند. به همین دلیل باید مدارس را تعطیل کرد. اما تعطیلیِ مدارس پیامدهای بدِ اجتماعی، فرهنگی و اقتصادی دارد. اگر والدین هر دو شاغل باشند، احتمالاً یکی‌شان باید ساعات بیشتری را در خانه بماند و این کار موجب کاهش درآمد خانواده خواهد شد (بنا به یک مطالعه، بستن یک دبیرستان در ایالت کالیفرنیا، بیش از صد هزار دلار هزینه برای خانواده‌های دانش‌آموزان ایجاد می‌کند). اگر هم نیازی به خانه‌مانی والدین نباشد، آسیب‌های تربیتی کودکانی که تقریباً نیمی از سال را به تعطیلی و احتمالاً ولگردی در گوشی‌های تلفن همراه گذرانده باشند را به سادگی نمی‌شود جبران کرد.با این همه، اگر تصویر روشنی از شبکه‌ی اجتماعی کوچک مدرسه‌ها نداشته باشیم، راه دیگری نداریم و به ناچار همه‌ی مدارس تعطیل خواهند شد. اما فرض کنید نحوه‌ی سازماندهی این شبکه در مدرسه را بفهمیم.جولیت استل و همکارانش (2011) در مقاله‌ای با عنوان «اندازه‌گیری با وضوح بالای الگوی تماس مستقیم در دبیرستان»، شبکه‌ی اجتماعیِ یکی از مدارس کالیفرنیا را به این شکل ترسیم کرده‌اند. (منبع: +)به این ارتباطات نگاه کنید. واضح است که دانش‌آموزان بیشترین ارتباط را با هم‌کلاسی‌های خودشان دارند و پس از آن پایه‌های مختلف درهم‌تنیده‌تر هستند. مثلاً دانش‌آموزان که در «کلاس دوم 2» درس می‌خواند، فقط با بچه‌های کلاس‌های «اول 2» و «دوم 1» ارتباط دارند. ولی دانش‌آموزان کلاس «سوم 1» حداقل با چهار کلاس دیگر مرتبط‌ند.شبکه‌ی اجتماعی این مدرسه را در همین عکس هم می‌شود دید. به گروه‌های مختلفی شکل گرفته دقت کنید.حالا اگر از شما بپرسند که آیا می‌توان بدون تعطیل کردن همه‌ی کلاس‌ها، از شیوع بیماری در این مدرسه جلوگیری کرد، احتمالاً پاسخ‌تان مثبت است. ما می‌توانیم با تعطیل کردن حداکثر سه کلاس (سوم 1، چهارم 1 و چهارم 2) حجم ارتباطات دانش‌آموزان را به شکل چشمگیری کاهش دهیم. به علاوه اگر همین شبکه را با توجه به مکان‌های مختلف مدرسه (اتاق‌ها، بوفه، حیاط و ...) ترسیم کنیم، شاید بشود با تعطیل کردن یکی از این مکان‌ها به نتیجه مشابهی رسید.به این شکل ما با «تحلیل شبکه‌ی اجتماعی» خواهیم توانست از هزینه‌های ناشی از تصمیم‌گیری‌های کلان اجتماعی تا حدود زیادی بکاهیم. البته باز هم نباید فراموش کرد که کار همیشه این‌قدر ساده نیست. در مثالِ مدرسه، اگر ما یک یا چند کلاس را تعطیل کنیم، احتمالاً نحوه‌ی ارتباط سایر دانش‌آموزان دچار تغییرات جدی خواهد شد و شاید دوباره گرفتار همه‌گیری شویم. به همین دلیل، همان‌طور که قبلا گفتم، علاوه بر شناخت وضعیت فعلی شبکه، روند تغییرات آن را هم باید شناخت. علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 04 Sep 2020 11:22:45 +0430