https://virgool.io/feed/@css مشغول به «فرهنگ»، «سیاست» و «علوم اجتماعی محاسباتی» fa 2026-06-16 15:00:00 https://files.virgool.io/upload/users/242415/avatar/oR2Vbw.png?height=120&width=120 https://virgool.io/@css 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 دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Tue, 18 May 2021 08:42:45 +0430 https://virgool.io/@css/%D8%A2%DA%AF%D8%A7%D9%87%DB%8C-%D9%88%D8%B6%D8%B9%DB%8C%D8%AA%DB%8C-%D9%88-%D8%AA%D9%82%D8%A7%D8%B7%D8%B9-%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-whd4skf4uo4o کسب آگاهی وضعیتی یکی از کاربردهای موثر و مهم علوم اجتماعی محاسباتی است که کمتر از بقیه مورد توجه قرار می‌گیرد. دیده‌ام که در متون فارسی به جای عبارت «آگاهی وضعیتی» (Situation Awareness - SA) از «آگاهی از وضعیت»، «آگاهی از موقعیت»، «آگاهی موقعیتی» و «وضعیت‌شناسی» هم استفاده کرده‌اند. اما من فعلاً همین عبارت «آگاهی وضعیتی» را بیشتر می‌پسندم.الان فرصت پرداختن به معنای دقیق آگاهی وضعیتی و نظریه‌ها و مدل‌ها و ابزارهایش را نداریم. پس [بعد از اندکی ویرایش ادبی] به ویکیپدیای فارسی اعتماد می‌کنم:آگاهی وضعیتی یعنی درک معنای پدیده‌های حاضر در محیط با توجه به زمان و مکان و تجسم وضعیت آینده‌شان.آگاهی وضعیتی پیش‌شرط لازم و اغلب دشوارِ تصمیم‌گیری موفق در بسیاری از موقعیت‌ها است؛ از جمله هوانوردی، مراقبت پرواز، مسیریابی کشتی‌ها، بهداشت و سلامت، امداد، فرماندهی نظامی، حفاری‌های نفتی و نیروگاه هسته‌ای. نبود یا کمبودِ آگاهی موقعیتی از دلایل اصلی بروز سوانح در پی خطای انسانی است. [منبع]عبارت «آگاهی وضعیتی» نخستین‌ برای اشاره به توانایی خلبان‌های جنگی در شناخت موقعیت پرنده‌های خودی و دشمن و وضعیت کلی میدان نبرد ساخته شد.مدل اندزلی (Endsley's model)» مشهورترین مدل مفهومی کنونی برای تبیین کارکردهای آگاهی وضعیتی است و به نظر من هم مدل خوبی است. اگر خواستید بیشتر درباره‌ی آن بدانید، مقاله‌ی آگاهی وضعیتی در ویکیپدیا (البته ویکی انگلیسی) را بخوانید.عناصرِ مختلفِ آگاهی وضعیتی بر اساس مدل اندزلیجان سالرنو (John Salerno)، ام هینمن (M. Hinman) و داگ بولور (Doug Boulware)، سه تن از کارشناسان آزمایشگاهِ نیروی هوایی ایالات متحده، در مقاله‌ای به نام «ساخت چارچوبی برای آگاهی وضعیتی» کوشیده‌اند با تلفیق «مدل اندزلی» و «مدل تقاطع داده‌ی جی‌دی‌ال (JDL Data Fusion Model)» به چارچوب مفهومی بهینه‌تری برای آگاهی وضعیتی دست یابند.الگوی کلی تقاطع‌گیری داده‌ها بر اساس مدل جی‌دی‌الاطلاعات بیشتری درباره‌ی نویسندگان مقاله پیدا نکردم که با توجه به شغل‌شان چندان عجیب هم نیست. اما این مقاله‌ی نسبتاً کوتاه می‌تواند تصویر کمابیش سرراستی از مفهومی آگاهی وضعیتی و نسبتِ آن با داده‌های اجتماعی به شما بدهد.متن کامل این مقاله را می‌توانید از این‌جا دریافت کنید: https://www.researchgate.net/publication/228781989_Building_a_framework_for_situation_awareness دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Sun, 09 May 2021 01:18:16 +0430 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 جف لیک (Jeff Leek) استاد مدرسه‌ی بهداشت عمومیِ دانشگاه جانز هاپکینز، آمارشناس زیستی و کارشناس داده است. او وبلاگی علمی‌ دارد که همراه با دو تن از دوستانش در آن می‌نویسد: simplystatistics.org.جف چند سال پیش یادداشت خیلی کوتاه و البته خیلی مفیدی نوشته که به یکی از آسیب‌های رایج در عرصه‌ی اشاره می‌کند. من قصد ترجمه‌ی همه‌ی متن او را ندارم و پیشنهاد می‌کنم خودتان متن کامل را بخوانید. قلم روانی دارد و مدعای اصلی آن هم این است:ما اجازه نمی‌دهیم کسی که دانش و تجربه‌ی کافی ندارد، دیگران را جراحی کند. اما این روزها خیلی‌ها خود را به صرفِ آشنایی (یا توهمِ آشناییِ) اولیه با آمار و اعداد تحلیل‌گر داده می‌دانند و با در دست داشتنِ برگه‌های حاوی نمودار و جدول تجویزهای سیاستی می‌کنند. سپردن جراحی به فردِ کارنابلد ممکن است جانِ یک فرد را به خطر بیندازد. اما تصمیم‌گیری بر اساس تحلیل‌های داده‌بنیادِ غیرکارشناسی می‌تواند زندگی هزاران یا میلیون‌ها نفر را تهدید کند.متن کامل یادداشت را می‌توانید این‌جا بخوانید: https://simplystatistics.org/2015/06/08/im-a-data-scientist-mind-if-i-do-surgery-on-your-heart/ یا این‌جا:I'm a data scientist - mind if I do surgery on your heart?There has been a lot of recent interest from scientific journals and from other folks in creating checklists for data science and data analysis. The idea is that the checklist will help prevent results that won’t reproduce or replicate from the literature. One analogy that I’m frequently hearing is the analogy with checklists for surgeons that can help reduce patient mortality. The one major difference between checklists for surgeons and checklists I’m seeing for research purposes is the difference in credentialing between people allowed to perform surgery and people allowed to perform complex data analysis. You would never let me do surgery on you. I have no medical training at all. But I’m frequently asked to review papers that include complicated and technical data analyses, but have no trained data analysts or statisticians. The most common approach is that a postdoc or graduate student in the group is assigned to do the analysis, even if they don’t have much formal training. Whenever this happens red flags are up all over the place. Just like I wouldn’t trust someone without years of training and a medical license to do surgery on me, I wouldn’t let someone without years of training and credentials in data analysis make major conclusions from complex data analysis. You might argue that the consequences for surgery and for complex data analysis are on completely different scales. I’d agree with you, but not in the direction that you might think. I would argue that high pressure and complex data analysis can have much larger consequences than surgery. In surgery there is usually only one person that can be hurt. But if you do a bad data analysis, say claiming say that vaccines cause autism, that can have massive consequences for hundreds or even thousands of people. So complex data analysis, especially for important results, should be treated with at least as much care as surgery. The reason why I don’t think checklists alone will solve the problem is that they are likely to be used by people without formal training. One obvious (and recent) example that I think makes this really clear is the HealthKit data we are about to start seeing. A ton of people signed up for studies on their iPhones and it has been all over the news. The checklist will (almost certainly) say to have a big sample size. HealthKit studies will certainly pass the checklist, but they are going to get Truman/Deweyed big time if they aren’t careful about biased sampling. If I walked into an operating room and said I'm going to start dabbling in surgery I would be immediately thrown out. But people do that with statistics and data analysis all the time. What they really need is to require careful training and expertise in data analysis on each paper that analyzes data. Until we treat it as a first class component of the scientific process we'll continue to see retractions, falsifications, and irreproducible results flourish. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Wed, 31 Mar 2021 00:55:39 +0430 https://virgool.io/@css/%D8%A2%D9%85%D8%A7%D8%B1-%D8%A8%D8%A7%D8%B2%D8%AF%DB%8C%D8%AF-%D9%BE%D8%B3%D8%AA-%D9%87%D8%A7%DB%8C-%D9%85%D9%86-%D8%AF%D8%B1-%D8%B3%D8%A7%D9%84-%DB%B9%DB%B9-l2jsropk1dh8 در طول تاریخ از اعداد استفاده کردیم تا اغلب داد و ستد کنیم و آن‌چیزی که شمردنی است را بشماریم. برای هر عدد واحد درست کردیم تا عددهای زندگی قاطی نشوند و از اعداد، شفاف‌تر استفاده کنیم؛ مثلا وقتی می‌گوییم ده هزار تومان به پول اشاره داریم و وقتی می‌گوییم ده هزار بلیط به بلیط!روز به روز که در زندگی جلو‌تر رفتیم عددها فرقی نکردند ولی این واحدها بودند که زیاد شدند. واحد کریپتو، واحد اصله درخت، واحد فاصله و …«واحد» یک توافق عمومی است برای شمردن؛ تا همانطور که گفتم شمردن‌ها قاطی نشود. مشاهده افراد دارای ثروت (اجتماعی یا مالی) به من ثابت کرده اینکه چه چیزی را بشماریم از اینکه چطور بشماریم مهم‌تر است. هرکس با واحد خاصی مسائل زندگی را می‌شمارد. اینطور به نظرم آمده که مشخص کردن واحد یعنی مشخص کردن اینکه من در زندگی برای چه چیزهایی ارزش قائلم و می‌خواهم چه چیزهایی را در زندگی بشمارم. https://cdn.virgool.io/annual-report/1399/kbcjra0yfqgo-mEZVD.mp4 اعدادی که بدون واحد ثبت کردمبه ویدیویی که ویرگول برایم ساخته که نگاه می‌کنم میبینم که در سال ۹۹، من در مجموع ۱۶,۱۳۳ کلمه در ویرگول نوشتم و منتشر کردم و مخاطبین، پست‌های من را ۵۹ مرتبه پسندیدند و ۹ بار هم نظر خود را روی پست‌های من به اشتراک گذاشتند. در سال ۹۹، ۲۲ نفر در ویرگول من را دنبال کردند تا پست‌های بعدیم را بخوانند. این اعداد نشان میدهند من کاری کرده‌ام. هرکدام به واحدی وصل هستند. از خودم می‌پرسم من کدام واحد را شمارش کرده‌ام؟ کدامیک از واحدهای بالا از همه برای من مهم‌تر است؟ ادامه ویدیو را می‌بینم.آمار از اثر بیرونی می‌گویندطبق آمار پست‌های من ۵۶۹ بار خوانده شدند و ۷۵,۸۴۸ ثانیه صرف مطالعه آنها شده است، که با توجه به جمعیتی که در ایران به اینترنت دسترسی دارند، ویرگول به من می‌گوید که توانستم ۰/۰۰۱۰۳۹۸۶۸ ثانیه، سرانه مطالعه دیجیتال کشور را بالا ببرم.از طرف دیگر ویرگول به من می‌گوید که اگر قرار بود پست‌هایم را چاپ و به دست تک تک خوانندگان برسانم باید ۳,۲۶۵ کاغذ مصرف می‌کردم.آن عددهای کوچک ابتدای ویدیو حالا تبدیل شده‌اند به عددهای بزرگ به اینکه من جلوی مصرف این تعداد کاغذ را گرفتم یا به اینکه من ۰/۰۰۱۰۳۹۸۶۸ ثانیه، سرانه مطالعه دیجیتال کشور را جابه جا کرده‌ام. واحد این عددها برای من ملموس‌تر است.واحد نوشتن چیست؟همه عددهای بالا و همینطور اثر بیرونی که روی خوانندگان و همینطور در مقیاس بزرگتر طبیعت و جامعه اطرافم گذاشتم اعدادی هستند که من دوستشان دارم و به آنها افتخار می‌کنم. اگر چنین ویدیویی دست شما نیز رسید به شما بابت تک تک اعداد تبریک می‌گویم.اثر هر نوشته تا حدودی معلوم است، اگر بنویسید جلوی قطع درخت را می‌گیرید، به سرانه مطالعه کشور اضافه می‌کنید و خوانندگانی جذب می‌کنید که شما را از طریق نوشته‌هایتان می‌شناسند و …به نظرم می‌رسد که نوشته‌های من و شما واحد ندارند ولی اثر بیرونی دارند. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Tue, 23 Mar 2021 13:41:16 +0430 https://virgool.io/@css/%D9%85%D8%AF%D9%84-%D9%87%D8%A7-%D8%A7%D8%AD%D9%85%D9%82%D8%A7%D9%86%D9%87-%D8%A7%D9%86%D8%AF-%D8%A7%D9%85%D8%A7-%D8%A8%D9%87-%D8%AA%D8%B9%D8%AF%D8%A7%D8%AF-%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1%DB%8C-%D8%A7%D8%B2-%D8%A2%D9%86-%D9%87%D8%A7-%D9%86%DB%8C%D8%A7%D8%B2-%D8%AF%D8%A7%D8%B1%DB%8C%D9%85-kwjpfesdpn35 به نظر من، پُل اسمالدینو (Paul E. Smaldino)، استاد علوم شناختیِ دانشگاه کالیفرنیا، یکی از پژوهشگران و اساتیدِ خوبِ علوم اجتماعی محاسباتی است و البته بیش از همه، بر روانشناسی اجتماعی محاسباتی متمرکز شده است. (نشانی او: smaldino.com)دکتر پل اسمالدینو، استاد علوم شناختی و پژوهشگر روانشناسی اجتماعی محاسباتی در دانشگاه کالیفرنیااو مقاله‌ی خیلی مهمی دارد با عنوان «مدل‌ها احمقانه‌اند. اما به تعداد بیشتری از آن‌ها نیاز داریم» که به عنوان یکی از فصول کتاب روانشناسی اجتماعی محاسباتی توسط انتشارات تیلور و فرانسیس منتشر شده است: https://www.taylorfrancis.com/chapters/models-stupid-need-paul-smaldino/e/10.4324/9781315173726-14 پیشنهاد می‌کنم این مقاله را بخوانید و برای این که کمی با محتوا و مدعای اصلی‌اش آشنا شوید، چکیده‌ی آن را این‌جا می‌نویسم.با وجود تلاش‌های فراوانی که برای بیانِ مزایای مدل‌سازی صوری (Formal Modeling) انجام شده، هنوز هم مقاومت گسترده‌ای از سوی دانشمندانِ علوم رفتاری و اجتماعی علیه پذیرش و کاربستِ این مدل‌ها در پژوهش‌های علمی دیده می‌شود. به نظر می‌رسد علاوه بر آن که درک و توسعه‌ی مدل‌های صوری به دلیل نیاز به کسب مهارت‌های ریاضیاتی و رایانه‌ای از نظر فنی دشوار است، این مقاومت‌ها در یک نقطه‌ی دیگر هم مشترک‌ند و آن تلقیِ ایشان از خام، بیش از حد ساده و غیرواقعی بودن مدل‌های صوری است. بنابراین نتیجه می‌گیرند که این مدل‌ها تقریباً بی‌فایده‌اند و فقط باید به اندازه‌ی تمرین‌های شکلی به آن‌ها نگریست و ضرورتی ندارد که بیشتر دانشمندان خودشان را با آن‌ها درگیر کنند.من به جای آن که با این تصور مخالفت کنم، حداقل بخشی از آن را مشتاقانه می‌پذیرم. مدل‌ها کلاً احمقانه‌اند. اما با نتیجه‌گیریِ آن‌ها درباره‌ی این که مدل‌های احمقانه مفید نیستند، مخالفم. زیرا کاملاً برعکس، مدل‌های احمقانه خیلی هم مفیدند. این مدل‌ها مفیدند؛ چون انسان‌ها از نظر عقلی محدود و از نظر زبانی مبهم‌ند. ما اغلب فقط از طریق صوری کردن (formalizing) سیستم‌های پیچیده است که می‌توانیم آن‌ها را بیشتر بفهمیم. مدل‌های صوری باید یکی از عناصرِ ضروری در جعبه‌ابزار دانشمندان علوم رفتاری باشد. مدل‌ها احمقانه‌اند و ما به تعداد بیشتری از آن‌ها نیاز داریم.[منظور نویسنده از مدل‌های صوری، مدل‌های رایانه‌ای و ریاضیاتی است که در مقابل مدل‌های کلامی و نظری قرار می‌گیرند]رو اعتبار علمیِ کارِ شما به عنوان پژوهشگر علوم اجتماعی محاسباتی را زیر سوال ببرند، استفاده کنید. https://www.researchgate.net/publication/289540152_Models_Are_Stupid_and_We_Need_More_of_Them دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Tue, 16 Mar 2021 09:59:56 +0330 https://virgool.io/@css/%D8%B3%D9%84%D8%A7%D9%85-%D8%AF%D9%86%DB%8C%D8%A7-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D8%A8%D9%88%D8%AF%D9%86-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-jnntdvsxsnnj هانا فرای استادِ ریاضی دانشگاه لندن و پژوهشگرِ مدل‌سازی ریاضیاتی رفتار انسانی است. یکی از سخنرانی‌های او با نام «ریاضیات عشق» چند سال پیش در فضای اینترنت فارسی مشهور شد و تلویزیون هم بعضی از مستندهای علمی را پخش کرده است. https://www.hamshahrionline.ir/news/316190/%D8%B1%DB%8C%D8%A7%D8%B6%DB%8C%D8%A7%D8%AA-%D8%B9%D8%B4%D9%82-%D8%B1%D8%A7%D8%B2-%DB%8C%DA%A9-%D8%B2%D9%86%D8%AF%DA%AF%DB%8C-%D9%85%D8%B4%D8%AA%D8%B1%DA%A9-%D8%A8%D8%A7%D8%AF%D9%88%D8%A7%D9%85-%D8%B1%D8%A7-%D8%A8%D8%B1%D9%85%D9%84%D8%A7-%DA%A9%D8%B1%D8%AF او کتاب مشهوری هم دارد به اسم «سلام دنیا: انسان بودن در عصر ماشین» که به تازگی (تابستان 1399) توسط انتشارات تمدن علمی به قلم عباس نتاج به فارسی ترجمه و با عنوان «سلام دنیا: انسان بودن در عصر ماشین، درایت و تیزهوشی در عصر شبکه‌های اجتماعی و الگوریتم‌ها» منتشر شده است.کتاب «سلام دنیا»، نسخه‌ی اصلیکتاب «سلام دنیا»، نسخه‌ی فارسیمن این کتاب را به تازگی از نمایشگاه مجازی کتاب تهران خریدم و این چند روز به مطالعه‌ی آن گذشت. اگر به کاربردِ الگوریتم‌های محاسباتی و هوش مصنوعی در بخش‌های مختلف حیات اجتماعی علاقمندید، پیشنهاد می‌کنم که این کتاب را بخوانید؛ چون تقریباً در همه‌ی متن به بیان تجربه‌های مختلف استفاده از چنین الگوریتم‌هایی در زمینه‌هایی مثل جرم‌شناسی، پزشکی، خودروسازی و حتی هنر پرداخته است.برای آن که کمی با حال و هوای این کتاب آشنا شوید و شاید برای خریدن آن تصمیم بگیرید، بعضی از جالب‌ترین بخش‌های آن را این‌جا می‌نویسم.بخشی از «مقدمه»:این کتاب درباره‌ی انسان‌ها است. کتاب حاضر درباره‌ی این است که ما چگونه انسان‌هایی هستیم، به کدام سمت حرکت می‌کنیم، چه چیزی برای ما اهمیت دارد و فناوری چه تغییری در ما ایجاد می‌کند. این کتاب درباره‌ی رابطه‌ی ما با الگوریتم‌هایی است که در دنیای ما وجود دارند؛ همان الگوریتم‌هایی که با ما همکاری می‌کنند، توانایی‌ها ما را تقویت می‌کنند، اشتباه‌های ما را اصلاح می‌کنند،‌ مشکلات ما را حل می‌کنند و مشکلات جدیدی بر سر راه ما قرار می‌دهند.بخشی از فصل داده‌ها:فروشگاه بزرگ تارگت در آمریکا جستجوی الگوهای غیرمعمول در داده‌های خود را در سال 2002 شروع کرد. ... شرکت تارگت متوجه شد که افزایش خرید لوسیون بدن توسط مشتریانِ خانم اغلب از میزان ثبت خرید سیسمونی نوزاد بیشتر شده بود. وقتی خانم‌ها وارد سه‌ماهه‌ی دوم بارداری می‌شدند و نگران ترک‌های پوست خود بودند، خرید مرطوب‌کننده برای حفظ پوست وارد فاز جدیدی می‌شد. اگر درباره‌ی همین خانم‌ها کمی به گذشته برگردیم، می‌بینیم که خرید انواع ویتامین‌ها و مکمل‌ها نظیر کلسیم و روی از فروشگاه تارگت تا چه حد افزایش داشت و اگر به خریدهای آینده‌ی این خانم‌ها دقت کنیم، متوجه می‌شویم که هنگام نزدیک شدن به زمان تولد فرزندشان اقدام به خرید پنبه از این فروشگاه می‌کنند.... شرکت تارگت الگوریتمی راه‌اندازی کرد که به مشتریان خانمی که احتمالاً باردار هستند، امتیاز می‌دهد. اگر این رتبه‌بندی از میزان معینی عبور کند، فروشگاه به آن خانم به صورت آنلاین تعدادی کوپن می‌دهد که اقلام کاربردی نظیر پوشک، لوسیون، دستمال مرطوبِ مخصوص کودک و غیره را شامل می‌شود.حدود یک سال پیش پس از راه‌اندازی این سامانه،‌ پدرِ یک دختر نوجوان وارد فروشگاه تارگت در مینیاپولیس شد و خواست که مدیر آن مجموعه را ملاقات کند. از آن‌جا که برای دخترش کوپن‌های مخصوص زنان باردار فرستاده شده بود، او عصبانی بود و فکر می‌کرد که فروشگاه تلاش کرده بارداری دختران نوجوان را عادی نشان دهد. مدیر آن فروشگاه بسیار عذرخواهی کرد و چند روز بعد با منزل آن مرد تماس گرفت و ابراز تاسف شرکت درباره‌ی کل ماجرا را اعلام کرد. اما بر اساس گزارش روزنامه‌ی نیویورک‌تایمز، آن پدر باید خودش نیز عذرخواهی می‌کرد.آن پدر به مدیر فروشگاه گفت که با دخترم صحبت کردم. مشخص شد که در خانه‌ام کارهایی انجام می‌شد که من از آن‌ها بی‌خبر بودم.درباره‌ی نظر شما نمی‌دانم. اما از نظر خودم الگوریتمی که به والدین درباره‌ی بارداری فرزندشان قبل از این که خودشان باخبر شوند،‌ اطلاع‌رسانی می‌کند، گام بسیار بزرگی برداشته است.بخشی از فصل «پزشکی»:گروهی از دانشمندانِ پیشرو در سال 2015 تحقیقی غیرعادی درباره‌ی دقت تشخیص طبی سرطان انجام دادند. به شانزده آزمایش‌گیرنده نمایشگر لمسی دادند و به آنان آموختند که تصاویر بافت‌های سرطانی را دسته‌بندی کنند. ... کاری که آزمایش‌گیران باید انجام می‌دادند این بود که تصمیم بگیرند که آیا الگوهای تصویری‌ای که در سرطان نشان داده شده بود، در میان این سلول‌ها نیز مشاهده می‌شود یا خیر.... پژوهشگران به نتایج قابل توجهی دست یافتند ... و به دقت 99 درصدی در این آزمایش رسیدند.آن‌چه درباره‌ی این مطالعه موجب شگفتی ناظران شد، مهارت آزمایش‌گیرها نبود. این منجی‌های شجاع، متخصص تومورشناسی یا آسیب‌شناسی، پرستار یا حتی دانشجوی پزشکی نبودند. کبوتر بودند.قطعاً شغل آسیب‌شاسی هنوز تا مدتی در امان خواهد ماند. فکر نمی‌کنم که حتی دانشمندانی که این بررسی را طراحی کردند هم پیشنهاد کنند که کبوتران جایگزین پزشکان شوند. اما این آزمایش بیانگر نکته‌ی مهمی بود: شناسایی الگوهای پنهان در میان دسته‌های سلولی را دیگر نمی‌توان مهارتِ منحصر به انسان دانست. اگر کبوتر می‌تواند از عهده‌ی این وظیفه برآید، چرا الگوریتم نتواند؟بخشی از فصل «پزشکی»:دیوید اسنودن متخصص بیماری‌های واگیر از دانشگاه کنتاکی در سال 1986 توانست 678 راهبه را ترغیب کند که مغز خود را در اختیار تحقیقات او قرار دهند. این راهبه‌ها که همگی عضو مدرسه‌ی خواهران نوتردام بودند، موافقت کردند که در تحقیقات علمی خارق‌العاده‌ی اسنودن درباره‌ی بیماری آلزایمز مشارکت کنند.هرکدام از این بانوان که در آغاز این پژوهش بین سنین 75 تا 103 سال داشتند، مجموعه‌ای از آزمایش‌های سالانه‌ی مربوط به حافظه را در سال‌های باقیمانده‌ی عمر خود انجام دادند. سپس زمانی که فوت شدند، مغزِ آنان به پروژه اهدا شد.بخشندگیِ این راهبه‌ها موجب تشکیل مجموعه‌ی اطلاعات ارزشمندی شد. از آن‌جا که هیچ‌یک از این راهبه‌ها فرزند نداشتند، سیگار نمی‌کشیدند و مشروب نمی‌خوردند، دانشمندان توانستند تاثیر هرگونه عوامل خارجی را که احتمالاً در ایجاد بیماری آلزایمر نقش دارد، رد کنند و از آن‌جا که همگی این افراد سبک زندگی مشابهی را پیگیری می‌کردند و دسترسی به نظام بهداشت، درمان و خدمات اجتماعی مشابهی داشتند، نظارت مبتنی بر آزمایش را به طور موثر ارایه می‌کردند.... چند سال پس از شروع پژوهش محققان فهمیدند که این گروه آزمایشی اطلاعات ارزنده‌ی دیگری را هم ارایه کرده‌اند. ... از آن‌ها خواسته شده بود شرح حالی از خودشان ارایه بدهند که مراحل راهبه شدن و ادای سوگند برای عضویت در کلیسا را نیز شامل می‌شد. نوشته‌هایی که ارایه کردند، معمولاً در سن 22سالگی راهبه‌ها نوشته شده بود که دهه‌ها قبل از بروز هرگونه نشانه‌ای زوال عقل در آن‌ها به رشته‌ی تحریر درآمده بود. نکته‌ی شگفت‌آور این بود که پژوهشگران توانستند نشانه‌هایی در دستنوشته‌های آنان پیدا کنند که بر اساس آن می‌شد آینده را پیش‌بینی کرد.محققان زبانِ هر دستنویس را از نظر پیچیدگی تحلیل کردند و ارتباطی میان مهارتِ آن زنان جوان و احتمال بروز زوال عقل در سن پیری‌شان کشف کردند.... ارتباط میان پیچیدگی متنی و حافظه آن‌چنان قوی بود که محققان با خواندنِ نامه‌ها می‌توانستند حدس بزنند که کدام راهبه احتمالاً دچار زوال عقل می‌شد. 90 درصدِ راهبه‌هایی که دچار آلزایمر شدند، هنگام جوانی دارای «توانایی زبانشناسیِ اندک» بودند. در حالی که فقط 13 درصد از راهبه‌هایی که تواناییِ شناختی خود را در سنین پیری حفظ کردند، امتیاز پایین‌تری در زمینه‌ی شرایط فکری در نوشته‌های خود کسب کرده بودند.کتاب «سلام دنیا» متن جذابی دارد و بدون آن که به جنبه‌های فنی و تخصصی استفاده از هوش مصنوعی بپردازد، مجموعه‌ای از تجربه‌های موفق یا شکست‌خورده‌ی واقعی را مرور کرده است. ترجمه‌ی آن هم در مجموع خوب است و به جز چند مورد که دچار نارسایی شده، نسبت به خیلی از کتاب‌های ترجمه‌ای موجود نمره‌ی بهتری می‌گیرد.اگر به هوش مصنوعی و الگوریتم‌های اجتماعی علاقمندید، این کتاب را خواهید پسندید. https://taaghche.com/book/78828/%D8%B3%D9%84%D8%A7%D9%85-%D8%AF%D9%86%DB%8C%D8%A7 دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 29 Jan 2021 04:00:34 +0330 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.] دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 22 Jan 2021 23:14:40 +0330 https://virgool.io/@css/%D8%A7%D8%B3%D8%AA%D8%B9%D8%A7%D8%B1%D9%87-%DA%A9%DA%86%D9%84-%D9%88-%D8%AE%D8%B7%D8%A7%DB%8C-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C-%D9%85%D8%A7-%D8%AF%D8%B1-%D8%B4%D9%86%D8%A7%D8%AE%D8%AA-%D9%85%D8%B3%D8%A7%D9%84%D9%87-%D8%A7%D8%B5%D9%84%DB%8C-xixndpv07civ این فیلم را ببینید: https://www.aparat.com/v/bg3F0 چند هفته پیش، یکی از تیم‌های فوتبال اسکاتلند اطلاعیه‌ای می‌دهد که «ما از این پس به جای فیلمبرداران انسانی، از هوش مصنوعی برای کنترل دوربین‌های اطراف زمین استفاده می‌کنیم؛ یعنی دوربین‌های هوشمند ما به شکل خودکار می‌توانند محلِ توپ روی زمین را تشخیص دهند».تا این‌جای کار همه‌چیز خوب است. اما ...مشکل زمانی پیش می‌آید که این دوربین‌های هوشمند با پدیده‌ی ناشناخته‌ای روبرو می‌شوند: «یک داور کچل». پس دوربین‌ها سرِ داور را به جای توپ فوتبال اشتباه می‌گیرند بخش زیادی از زمان بازی، کله‌ی او را دنبال می‌کنند. https://www.isna.ir/news/99081106900/%D8%AF%D9%88%D8%B1%D8%A8%DB%8C%D9%86-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B3%D8%B1-%D8%B7%D8%A7%D8%B3-%D8%AF%D8%A7%D9%88%D8%B1-%D9%81%D9%88%D8%AA%D8%A8%D8%A7%D9%84-%D8%B1%D8%A7-%D8%A8%D8%A7-%D8%AA%D9%88%D9%BE-%D8%A7%D8%B4%D8%AA%D8%A8%D8%A7%D9%87-%DA%AF%D8%B1%D9%81%D8%AA-%D9%81%DB%8C%D9%84%D9%85 خب. تا این‌جای کار، به جز کمی عصبانی شدنِ تماشاچیان و اندکی تمسخر توانایی فنی باشگاه، اتفاق چندان بغرنج و خطرناکی رخ نداده است. همه هم می‌دانیم که وقوع چنین اشتباه‌های فنی‌ای در ابتدای راه طبیعی است و مطمئنیم که این سامانه بعد از مدت کوتاهی ارتقا پیدا خواهد کرد.اما این همه‌ی داستان نیست.اول اجازه دهید ببینم که این اشتباه چرا رخ داده است؟ احتمالا طراحان این ماشین به او گفته بوده‌اند که «دایره‌ی سفیدی که در چارچوب زمین سبز حرکت می‌کند، توپ است. تو باید آن را همیشه در مرکز قاب تصویر نگه داری». ماشین هم این فرمان را موبه‌مو اجرا کرده و وقتی با دو دایره‌ی سفید متحرک مواجه شده، آن یکی که (احتمالاً به دلیل تراکم بازیکنان در اطراف یا دور بودن از محل دوربین) مبهم‌تر بوده کنار گذاشته و این دایره‌ی کاملاً واضح، شفاف و نزدیک را انتخاب کرده است.پس مشکل چیست؟ مشکل این است که دوربین «دایره‌ی اصلی» را به بهانه‌ی ابهام یا تار بودن رها کرده و روی دایره‌ی بی‌اهمیتی که در دسترسش بوده متمرکز شده است.این دوربین هوشمند اسکاتلندی برای تصویربرداری از بازی طراحی شده بود و به همین خاطر، ناکارآمدی‌اش در همین گام‌های ابتدایی روشن شد. اما فرض کنید قرار بود ارزیابی بازی از نظر شاخص‌هایی مثل مالکیت توپ و الگوی حرکت بازیکنان و ... را انجام دهد. باز هم نادرستی محاسباتِ آن به همین وضوح روشن بود؟استعاره کچل: خطای محاسباتی ما در شناخت مساله‌ی اصلیو یک سوال مهم‌تر. آیا ممکن است دستگاه محاسبات اجتماعی ما که در شبکه‌ی پژوهش‌های دانشگاهی‌مان، مصوبات قانونی‌مان، تصمیمات سازمانی‌مان و ... پدیدار می‌شود هم گرفتار چنین خطایی شود؟ مثلاً وقتی می‌خواهیم با اتکا به آن فلان مساله‌ی اجتماعی را حل کنیم، سرِ کچلِ فلان پدیده‌ی فرعی و کم‌اهمیت را به جای توپِ مساله‌ی اصلی قرار ندهد؛ حتی با فرض این که در توصیف شاخص‌ها و ویژگی‌های پدیده‌های اثرگذار بر مساله درست عمل کرده باشیم.امکان بروز این خطا زمانی بیشتر می‌شود که بدانیم مساله‌های اصلی معمولاً دیریاب‌تر، پیچیده‌تر و پوشیده‌ترند و مساله‌های بی‌اهمیت یا کم‌اهمیت دم‌دستی و واضح‌تر.البته وقتی از دستگاه محاسبات اجتماعی حرف می‌زنم، مقصودم ابزارهای رایانه‌ای و هوش مصنوعی و ... نیست. منظورم هر فرایند حل مساله‌ای است که در بخشی از نظام دانشی و پژوهشی اجتماعی ما دنبال می‌شود. هرچند، هرقدر که بیشتر از روش‌های عددی و توانایی ماشین برای فهم و حل پدیده‌های اجتماعی استفاده کنیم، احتمال بروز این اشتباه هم بیشتر می‌شود.به نظرم «استعاره‌ی کچل» (Bald Head Metaphor) نام مناسبی است برای یادآوری اهمیت پرهیز از یکی از خطرناک‌ترین آسیب‌های عرصه‌ی سیاستگذاری اجتماعی و فرهنگی: اشتباه در شناخت مساله‌ی اصلی. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Mon, 02 Nov 2020 19:06:24 +0330 https://virgool.io/@css/%DA%A9%D8%AA%D8%A7%D8%A8-%D8%A8%DB%8C%D8%AA%D8%A8%D9%87%D8%A8%DB%8C%D8%AA-%D9%BE%DA%98%D9%88%D9%87%D8%B4-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-jmy8z6qf9lbn اگر اهل جستجو و مطالعه‌ی منابع دانشگاه درباره‌ی علوم اجتماعی محاسباتی باشید، حتماً می‌دانید که تقریباً هیچ کتاب یا مقاله‌ی قابل استفاده‌ای به زبان فارسی در این عرصه نداریم. تا وقتی چنین آثاری نوشته شود، ناچاریم به منابع خارجی مراجعه کنیم. گرچه به دلیل نوپا بودن این دانش (و روش) در مقایسه با خواهر و برادرهایش در علوم اجتماعی (مثلاً جامعه‌شناسی، اقتصاد و علوم سیاسی و ...)، منابع خارجی پرشماری هم برای آن وجود ندارد.کتاب «بیت‌به‌بیت: پژوهش اجتماعی در عصر دیجیتال» را دکتر متیو سالگانیک (= سالجنیک / سالگنیک)، استاد دانشگاه پرینستون نوشته که این روزها معتبرترین منبع آموزشی علوم اجتماعی محاسباتی است. متاسفانه هنوز هیچ ترجمه‌ای از این کتاب به زبان فارسی منتشر شده و من دوست داشتم که خودم عهده‌دار این کار بشوم. اما شنیده‌ام که یکی از مراکز دولتی این کتاب را ترجمه کرده و البته هنوز روشن نیست کِی «به زیور طبع آراسته شود».به همین خاطر و برای این که کمکی به اندوخته‌ی دانشی این حوزه در زبان فارسی کرده باشم، در کنار یادداشت‌های دوره‌ی کورسرا، یادداشت‌های خودم از این کتاب را هم به تدریج خواهم نوشت.طرح جلد کتاب «بیت به بیت: پژوهش اجتماعی در عصر دیجیتال»شناسنامه‌ی کتابسالگانیک، متیو جی (2017). بیت‌به‌بیت: پژوهش اجتماعی در عصر دیجیتال، انتشارات دانشگاه پرینستونSalganik, Matthew J. (2017). Bit by Bit: Social Research in the Digital Age, Princeton University Pressمتیو سالگانیک یکی از موثرترین چهره‌های علوم اجتماعی محاسباتی و نویسنده‌ی کتاب «بیت به بیت: پژوهش اجتماعی در عصر دیجیتال»اگر وقت، حوصله و توانایی خواندن متن اصلی کتاب را دارید، توصیه می‌کنم که حتماً همان را بخوانید. خوشبختانه خودِ دکتر سالگانیک متن کامل کتاب را منتشر کرده است: https://www.bitbybitbook.com/en/1st-ed/preface/ اما اگر یکی از این سه (یا هیچ‌کدام‌شان ? ) را ندارید، می‌توانید به یادداشت‌های من به عنوان چکیده‌ی این کتاب مراجعه کنید.از این‌جا به بعد، یادداشت‌های کتاب است و هرچه بعد از این می‌نویسم، نقل از کتاب است که گاهی کوتاهش کرده‌ام. اگر خودم حاشیه یا نکته‌ای داشته باشم، حتماً تصریح خواهم کرد. بقیه را هم کم‌کم و بنا به ترتیب فصل‌بندی خودِ کتاب خواهم نوشت. دیباچهنوشتن این کتاب از سال 2005 شروع شد. من آن موقع دانشجو بودم و داشتم روی یکی از پروژه‌های تحقیقاتی‌ام کار می‌کردم. آن پروژه را در فصل چهارم توضیح می‌دهم. اما نکته‌ی مهمی که توجه من را جلب کرد، زمانی بود که طی یک شب حدود صد نفر از برزیل در پروژه‌ی من مشارکت کرده و پاسخ داده بودند. در حالی که دوستان من اگر می‌توانستند طی یک روز فقط ده نفر را به مشارکت در پروژه‌شان جذب کنند، خوشحال می‌شدند. این اتفاق من را متوجه یک ظرفیت جدید کرد.تغییر فناوری، به‌ویژه از عصر آنالوگ به عصر دیجیتال، به ما اجازه داده که داده‌های اجتماعی را با روش‌های جدیدی گردآوری و تحلیل کنیم. این کتاب درباره‌ی همین روش‌های جدید است.این کتاب به درد دانشمندان اجتماعی‌ای که می‌خواهند کارِ بیشتری در عرصه‌ی علوم داده بکنند و دانشمندان داده‌ای که می‌خواهند کار بیشتری در عرصه‌ی علوم اجتماعی بکنند و کسانی که به ترکیب این عرصه علاقه دارند می‌خورد. اگر شما هم در حال انجام پژوهش اجتماعی هستید، این کتاب به کارتان می‌آید و مهم نیست که فعلاً از چه روشی استفاده می‌کنید.لحن این کتاب با خیلی از کتاب‌های دانشگاهی متفاوت است. من تلاش کرده‌ام که این کتاب «مفید»، «آینده‌نگرانه» و «خوش‌بین» باشد.ما هنوز در ابتدای راهِ پژوهش‌های اجتماعی در عصر دیجیتال هستیم و من فکر می‌کنم بعضی سوءتفاهم‌ها هست که باید همین ابتدا به‌شان اشاره کنم.دانشمندان داده دو پیش‌فرض غلط دارند. یکی این که بیشتر شدنِ حجم داده یعنی حل راحت‌تر مساله‌ها. دیگر این که دانشمندان اجتماعی حرف خاصی نمی‌زنند و همین برداشت‌های روزمره را در قالب لفاظی‌های علمی بسته‌بندی کرده‌اند. هر دوی این پیش‌فرض‌ها اشتباه است. یک این که ما در پژوهش اجتماعی به دنبال داده‌ی زیاد نیستیم؛ به دنبال داده‌ی درست می‌گردیم. دو این که تعداد زیادی آدم باهوش مدت‌ها روی فهم و حل مسایل اجتماعی وقت گذاشته‌اند و نمی‌توانیم تلاش و خِرد آن‌ها را کنار بگذاریم.دانشمندان اجتماعی هم دو پیش‌فرض غلط دارند. یکی این که بعضی‌های‌شان به خاطر چند پژوهش بی‌کیفیتی که دیده‌اند، به کلی نسبت به استفاده از ابزارهای دیجیتال برای پژوهش اجتماعی بدبین شده‌اند. در حالی که نمی‌شود صرفاً به خاطر چند کارِ بی‌کیفیت، همه‌ی این عرصه را کنار گذاشت. دو این که تفاوت بینِ «اکنون» و «آینده» را نمی‌بینند. ما معمولاً این که «الان چطور می‌توانیم پژوهش کنیم» را یاد می‌گیریم. اما در عرصه‌ی پژوهش‌های اجتماعی دیجیتال، باید این که «پژوهش‌های آینده چطور خواهند بود» را هم بیاموزیم. هرچند هنوز ادبیات علمی غنی و پروپیمانی درباره‌ی پژوهش‌های اجتماعی دیجیتال تولید نشده، اما سرعت توسعه‌ی این حوزه بسیار زیاد است.من نمی‌خواستم هیچ‌گونه‌ی خاصی از پژوهش دیجیتال را به شما توصیه کنم. فقط تلاش کرده‌ام به عنوان یک راوی، همه‌ی گوشه‌وکنار جذاب این میدان جدید را به شما نشان دهم و شما را از دام‌هایی که خود من هم در آن‌ها افتاده‌ام، پرهیز بدهم.این کتاب قرار نیست متنی فنی باشد. به همین خاطر شما هیچ معادله یا فرمولی را در متن اصلی آن نخواهید دید. به جای آن، خواسته‌ام چشم‌اندازی کلی از پژوهش اجتماعی در عصر دیجیتال را فراروی شما قرار بدهم. به همین خاطر، با این کتاب نمی‌توانید چگونگی انجام پژوهش اجتماعی دیجیتال را یاد بگیرید؛ بلکه قرار است نگرشِ شما نسبت به پژوهش‌های اجتماعی تغییر کند.چگونه این کتاب را تدریس کنید؟خودِ من تا سال‌ها در کلاس‌هایم از هیچ کتابی استفاده نمی‌کردم و به همین دلیل، وقت زیادی برای ارایه‌ی چشم‌انداز کلی صرف می‌شد. اگر شما می‌خواهید از این کتاب برای تدریس در طول نیمسال استفاده کنید، پیشنهاد می‌کنم که متن اصلی را با مجموعه‌ای از متون دیگر برای مطالعه‌ی بیشتر ترکیب کنید.تدریس در طول نیمسال را می‌توان با تکالیف حل مساله‌ی هفتگی هم ترکیب کرد. تعدادی از این فعالیت‌ها در هر فصل از کتاب ارایه شده که در چهار سطحِ آسان، متوسط، سخت و خیلی سخت تقسیم‌بندی شده‌اند. بعضی از مسایل هم به دانش ریاضی، برنامه‌نویسی یا داده‌کاوی نیاز دارند. بعضی مسایل هم جزو علایق شخصی من بوده‌اند.چند محتوای کمک‌آموزشی شامل طرح درس، اسلاید و ... هم در پایگاه اینترنتی کتاب ارایه شده است که می‌توانید استفاده کنید. http://www.bitbybitbook.com/ این‌ها یادداشت‌های من است از کتابِ دوست‌داشتنیِ «بیت‌به‌بیت: پژوهش اجتماعی در عصر دیجیتال» نوشته‌ی دکتر متیو سالگانیک. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Tue, 08 Sep 2020 17:17:32 +0430 https://virgool.io/@css/%DA%86%D8%B1%D8%A7-%D8%B4%D8%A8%DB%8C%D9%87%D8%B3%D8%A7%D8%B2%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-%D9%85%DB%8C%DA%A9%D9%86%DB%8C%D9%85-uu5vj2eywwrt تا این‌جا درباره‌ی «یادگیری ماشین» و «تحلیل شبکه‌های اجتماعی» کمی نوشتم و الان نوبت «شبیه‌سازی اجتماعی» است.شبیه‌سازی یعنی چه؟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.شبیه‌سازی چطور اتفاق می‌افتد؟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.همه‌ی اتفاقات فیلم ماتریکس در دنیایی شبیه‌سازی‌شده رخ می‌دهند.کارکرد دوگانه‌ی شبیه‌سازی اجتماعیشاید 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.شهری فرضی در بازی سیم‌سیتی. این بازی رایج‌ترین نمونه از شبیه‌سازی مدیریت شهری است.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.استفاده از داده‌های انبوه برای ایجاد تغییرات بزرگ به چشم‌انداز وسیع نیاز دارددکتر 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): https://www.youtube.com/watch?v=UXef6yfJZAI دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Sun, 06 Sep 2020 02:40:08 +0430 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 در یادداشت قبلی درباره‌ی معنای شبکه‌های اجتماعی و ضرورت پرداختن به آن‌ها نوشتم. https://virgool.io/@css/%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 حالا بیایید نمونه‌ی دیگری از این تحلیل‌ها را مرور کنیم.نیکلاس کریستاکیس جامعه‌شناس و پزشک است و به خاطر پژوهش‌هایی که درباره‌ی ارتباط شبکه‌های اجتماعی و سلامتی انجام داده، مشهور است. او در دانشگاه ییل به تدریس علوم اجتماعی و طبیعی مشغول است.نیکلاس کریستاکیس (Nicholas Christakis) پزشک و جامعه‌شناس است.جزییات پژوهش‌های او را اگر خواستید، می‌توانید در اینترنت ببینید. این‌جا به اختصار به یافته‌های او اشاره می‌کنم. بنا به نتایجی که کریستاکیس به دست آورده، وقتی شبکه‌ی ارتباطات افراد در جایی مثل فیسبوک را ترسیم کنید و ویژگی‌های سلامتی و سبک زندگیِ آن‌ها را روی آن جانمایی کنید، به این نتیجه می‌رسید که افرادی که وضعیت مشابهی دارند و مثلاً چاق‌ند، در گروه‌های نزدیک به هم سازماندهی شده‌اند. به صورت مشخص، وقتی فردِ لاغری با فرد چاقی دوست شود، طی دو تا چهار سال آینده به احتمال 57 درصد بیش از فردی که دوستِ چاق ندارد، چاق خواهد شد.دلایل مختلفی را می‌توان برای پدید آمدن این گروه‌های مشابه در شبکه پیدا کرد:تاثیرپذیری: حتی اگر شما کم‌خوراک باشید، وقتی دوستان صمیمی‌تان پرخوری می‌کنند، رفتار شما هم به تدریج شبیه به آن‌ها خواهد شد (و اگر تاثیرگذاریِ شما بیشتر باشد، برعکس). هشدارهای پرشماری که در آموزه‌های دینی ما درباره‌ی تاثیرات دوستان بیان شده، می‌تواند به همین دلیل باشد.هم‌خوانی (هوموفیلی): اعضای شبکه‌های اجتماعی ترجیح می‌دهند با افرادِ شبیه به خود همراه شوند. یعنی وقتی شما گیاه‌خوار باشید، خودآگاه یا ناخودآگاه به دنبال سایر گیاه‌خواران می‌گردید و رابطه‌ی دوستی شما با آن‌ها قوی‌تر خواهد شد. شعر مشهورِ «کبوتر با کبوتر، باز باز، کند هم‌جنس با هم‌جنس پرواز» بیانِ هنرمندانه‌ی همین قاعده است.زمینه‌ی مشترک: وقتی شما ورزشکار و اهل باشگاه باشید، به تدریج با سایر حاضران در باشگاه دوست خواهید شد و گروه دوستی جدیدی با محور «بچه‌های باشگاه» خواهید داشت و هرچه حضورتان در این گروه پررنگ‌تر باشد، به تدریج از اهمیت و تاثیرگذاریِ سایر ارتباطات شما کاسته خواهد شد. «آدمی بر دینِ دوستش خواهد بود. پس هرکدام‌تان بنگرد که با چه کسی دوست می‌شود» پیامبر (صلی‌الله‌علیه‌وآله)شبیه همین تغییر سبک زندگی را در سایر رفتارهای اعضای شبکه هم می‌شود دید. پژوهش‌های کریستاکیس درباره‌ی مصرف سیگار، مشروبات الکلی، شادی و حتی بخشندگی هم نتایج مشابهی دارد. مثلاً وقتی شما عضو شبکه‌ای از افراد باشید، هر هزار تومان صدقه‌ای که شما بدهید، تا سه لایه روی رفتار کلیتِ شبکه تاثیر می‌گذارد و به سه هزار تومان صدقه‌ی بیشتر منجر خواهد شد. یعنی رفتار شما، چه مثبت باشد و چه منفی، تاثیرِ آشکاری بر رفتار سایر دوستان‌تان خواهد داشت. https://www.ted.com/talks/nicholas_christakis_the_hidden_influence_of_social_networks/transcript?embed=true&language=fa شناخت نحوه‌ی گسترش رفتارهای خوب یا بد در جامعه مهم‌ترین فایده‌ی این قبیل پژوهش‌ها است. فرض کنید شما مسئول سازمان فرضیِ مبارزه با مصرف دخانیات هستید و ماموریت دارید راهی برای جلوگیری از افزایش مصرف سیگار در میان دانشجویان پیدا کنید. انجام چنین پژوهش در هر دانشگاه و پیدا کردن گروه‌ها و افراد مرجع که رفتارشان بیشترین تاثیر را در این زمینه دارد، نخستی قدمِ برنامه‌ریزی کارآمد است.به علاوه، فهم چگونگی ایجاد تغییر در رفتار شبکه‌های اجتماعی هم نتیجه‌ی دیگر این پژوهش‌ها است. مثلاً کریستاکیس به این نتیجه رسیده که اگر یک مرد سیگار را ترک کند، تاثیر کمتری بر کاهش مصرف دخانیات در کل شبکه می‌گذارد؛ تا این که یک زن آن را کنار بگذارد. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Sat, 05 Sep 2020 00:44:29 +0430 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. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 04 Sep 2020 11:22:45 +0430 https://virgool.io/@css/%D9%87%D9%85%D8%B2%D9%85%D8%A7%D9%86%DB%8C-%D9%88-%D8%B9%D9%84%DB%8C%D8%AA-g2gz3g4uvycs استفاده از هوش مصنوعی و تحلیل‌های ماشینی در پژوهش‌های اجتماعی و انسانی همیشه هم راهگشا و دقیق نیست. حتی در پژوهش‌های علوم طبیعی (مثلاً پزشکی) هم نمی‌شود چشم‌بسته عمل کرد. بیایید دو نمونه را مرور کنیم.تاثیر کاهنده‌ی مصرفِ داروهای شیمیایی بر احتمال ابتلا به نارسایی کلیویاز ما خواسته‌اند با استفاده از داده‌های ده سال گذشته‌ی سبک زندگی، سبد غذایی، داروهای مصرفی و بیماری‌های کنونیِ یک میلیون نفر از مردم، احتمال ابتلای ایشان به نارسایی کلیوی را پیش‌بینی کنیم. ما افراد را به دو گروه تقسیم می‌کنیم: کسانی که هم‌اکنون به نارسایی کلیوی مبتلا هستند و کسانی که مبتلا نیستند.حالا بیایید سایر داده‌های این دو گروه را به ماشین هوشمندمان بدهیم تا موثرترین ویژگی‌های افرادی که طی ده سال گذشته به نارسایی کلیوی مبتلا نشده‌اند را شناسایی کند و الگویی در اختیار ما بگذارد که با تطبیق آن بر داده‌های افراد جدید، احتمال ابتلای آن‌ها در آینده به دست بیاید.در سی سال گذشته، آمار مرگ بر اثر ابتلا به بیماری‌های کلیوی بیش از چهل درصد افزایش یافته است. لطفاً مراقب کلیه‌های خود باشید.رایانه کارش را به خوبی انجام می‌دهد و فهرستی از شاخص‌ها را بنا به شدت تاثیرگذاری در احتمال ابتلا تهیه می‌کند. اما صبر کنید. ما انتظار داشتید شاخص‌هایی مثل ورزش روزانه، غذای سالم و ... در رتبه‌ی نخست قرار بگیرند. اما رایانه می‌گوید کسانی که به شکل روزانه داروهای شیمیایی (با عوارض جانبی برای کلیه) مصرف کنند، کمتر به نارسایی کلیوی مبتلا خواهند شد.اگر سیاستگذاری سلامت را به هوش مصنوعی سپرده باشیم یا بخواهیم کورکورانه بر اساس این نتایج تصمیم بگیریم، همه‌ی مردم باید همیشه دارو بخورند؛ حتی اگر بیمار نباشند. اما قاعدتاً نباید این‌طور می‌شد.اگر پژوهشگران ما باهوش‌تر باشند، این نکته را به خاطر خواهد آورند که اگر کسی در حال مصرف مداوم داروهای شیمیایی است، پس حتما بیماری دیگری دارد و به همان دلیل، به شکل مستمر زیر نظر پزشک است. پس آن‌چه موجب کاهش احتمال ابتلای او به نارسایی کلیوی است، مصرف داروهای شیمیایی نیس؛ بلکه نظارت مستمر پزشک بر وضعیت جسمی وی است.تاثیر افزاینده‌ی مصرف بستنی بر وقوع جرایم کودکاناز ما خواسته‌اند که با استفاده از داده‌های ده سال گذشته‌ی خرید مردم در فروشگاه‌های زنجیره‌ای، میزان نفوذ تلفن همراه و آمارهای پلیس، تحلیل خود از علل افزایش یا کاهش جرایم کودکان را بیان کنیم. ما همه‌ی داده‌های در دسترس را در اختیار رایانه می‌گذاریم را تا آن‌ها را روی خط زمان مرتب کند و روندهای کم و زیاد شدن تعداد جرایم را با روند تغییرات سایر شاخص‌ها بسنجد.امیدوارم هیچ کودک، نوجوان، جوان یا بزرگسالی خود را در چنین شرایطی قرار ندهد.رایانه‌ی هوشمند ما این‌بار هم کارش را به خوبی بلد است و به سرعت گزارشی از تطابق این روندها تهیه می‌کند. اما این گزارش هم شامل نتایج عجیبی است.بر اساس محاسبات رایانه‌ای، مرتبط‌ترین شاخص با میزان وقوع جرایم کودکان، فروش بستنی است. به عبارت دیگر، رایانه می‌گوید که هرچه بستنی بیشتری خریده شده، جرم بیشتری هم اتفاق افتاده و سایر شاخص‌ها تاثیر اندکی داشته‌اند. وقتی روندهای زمانی مصرف بستنی و وقوع جرم را هم بررسی می‌کنیم، به همین نتیجه می‌رسیم. اما این دفعه هم قاعدتاً باید دنبال علت دیگری بگردیم.یکی از همکاران باهوش‌تر ما متوجه اصل مساله شد. کودکان که بنا به قوانین کشور ما زیر هجده سال هستند، همگی دانش‌آموزند. دانش‌آموزها همه‌ی روزهای سال را به مدرسه می‌روند و وقت اندکی برای کوچه‌گردی، فعالیت‌های پرجنب‌وجوش و هر کاری دیگری دارند؛ به جز تابستان. کودکان تابستان‌ها وقت اضافه‌ی زیادی دارند و خیلی‌های‌شان این وقت را در کوچه و خیابان می‌گذرانند. پس احتمال وقوع درگیری، دعوا و ... بیشتر می‌شود. از قضا بازار بستنی هم در همین فصل رونق می‌گیرد. پس آن‌چه موجب افزایش ارتکاب جرایم شده، مصرف بستنی نیست؛ بلکه بیکاریِ بی‌برنامه‌ی کودکان در تعطیلات تابستانی است.من هر دوی این مثال‌ها را فقط برای اشاره به این اشتباه رایج نوشتم و جزییات آن‌ها دقیق نیست. اما جالب است بدانید که ارتباط مستقیم بین مصرف بستنی و وقع جرایم، مثلاً خودکشی، در پژوهش‌های واقعی مختلفی به اثبات رسیده است. https://slate.com/news-and-politics/2013/07/warm-weather-homicide-rates-when-ice-cream-sales-rise-homicides-rise-coincidence.html مثال‌های واقعی دیگری هم وجود دارند که به جهت حفظ اختصار، از توضیح‌شان می‌گذرم. اما اگر خواستید بیشتر بدانید، پیشنهاد می‌کنیم ماجرای حساسیت خودرهای پونتیاک به بستنی وانیلی را هم بخوانید. https://virgool.io/@farshidbashirzadeh/%D8%A2%D9%84%D8%B1%DA%98%DB%8C-%D8%A8%D9%87-%D8%A8%D8%B3%D8%AA%D9%86%DB%8C-%D9%88%D8%A7%D9%86%DB%8C%D9%84%DB%8C-%D8%AF%D8%A7%D8%B3%D8%AA%D8%A7%D9%86%D9%87%D8%A7%DB%8C-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA%DB%8C-%D8%B4%D9%85%D8%A7%D8%B1%D9%87-%D8%B3%D9%87-kxls0kdbqmmb نکته‌ی مشترک همه‌ی این نمونه‌ها چیست؟ این که پژوهشگر باید بتواند تفاوت بین همزمانی و علیت را درک کند. به عبارت دیگر، هر دو پدیده‌ای که همزمان رخ می‌دهند یا همزمان کم و زیاد می‌شوند، لزوماً ارتباطی با هم ندارند. فراموش نکنید که فهمیدنِ این که خیلی از پدیده‌های اجتماعیِ همزمان، رابطه‌ی علیت دارند یا خیر، آسان نیست و شما به راحتی به اشتباه خواهید افتاد. این یکی از رایج‌ترین اشتباه‌های پژوهشگران داده‌بنیاد و آمارمحور است. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 04 Sep 2020 06:09:02 +0430 https://virgool.io/@css/%DA%86%D8%B1%D8%A7-%D8%A8%D9%87-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA-%D9%85%D8%A7%D8%B4%DB%8C%D9%86%DB%8C-%D9%86%DB%8C%D8%A7%D8%B2-%D8%AF%D8%A7%D8%B1%DB%8C%D9%85-fskptm8g1adv خیلی از پژوهش‌هایی که ذیل عنوان علوم اجتماعی محاسباتی انجام می‌شود را به شکل دستی هم می‌توان انجام داد. چطور؟ فرض کنید کارفرما جدولی شامل داده‌‌های تحصیلی یک میلیون دانشجو را به شما می‌دهد تا در چند معادله‌ی ریاضی قرار دهید و جواب‌ها را در جدول دیگری بنویسید.این کار شدنی است؟ حتماً. خیلی از پژوهش‌های کمی، سرشماری‌ها، افکارسنجی‌ها، پیمایش‌ها و ... هنوز هم توسط خودِ پژوهشگران و نهایتاً با کمک ماشین‌حساب‌های معمولی انجام می‌شوند و نتایج کاملاً معتبری هم دارند. یکی از دوستان من مصاحبه‌های رساله‌ی دکتری‌اش را بدون استفاده از نرم‌افزارهای مرسوم و به شکل دستی برچسب‌زنی و تحلیل محتوا کرد.پس چه نیازی به دانش (یا رویکرد) جدیدی به نام «علوم اجتماعی محاسباتی» و ابزارهایی مثل «هوش مصنوعی» و «ماشین‌های یادگیرنده» داریم؟سرعتاگر دانشجوی علوم اجتماعی و انسانی باشید، حتماً تحلیل محتوا (چه کمی و چه کیفی) بلدید. حالا فرض کنید از شما خواسته‌اند که نظام معنایی فلان مفهوم را در کتاب‌های چاپ‌شده با تحلیل محتوا به دست بیاورید. حالا فرض می‌کنیم که شما از نخستین روز تولدتان تا پایان عمر (مثلاً هشتاد سال)، هر روز یک کتاب را می‌خوانید و متنش را تحلیل می‌کنید.کتاب یار مهربان است.فکر می‌کنید چند کتاب را خواهید خواند؟80 x 365 = 29,200 booksشما می‌توانید حدود 30 هزار کتاب بخوانید. کتابخانه‌ی گوگل نزدیک به 130 میلیون کتاب را نمایه کرده است. به نظرتان چند نفر باید هشتاد سال وقت بگذارند تا این حجم از کتاب (که روزانه در حال افزایش است) را بخوانند و تحلیل کنند؟این کار عملاً ناممکن است. پس شما ناچارید از ماشین برای این کار استفاده کنید. پس مثلاً از همین گوگل می‌خواهید که تعداد کلمه‌ی خاصی را در کتاب‌هایی که دارد بشمرد و به شما بگوید. گوگل هم کلمه‌ی مورد نظر شما را در همه‌ی کتاب‌های چاپ‌شده از سال 1500 میلادی تا امروز پیدا می‌کند. https://books.google.com/ngrams نخستین دلیلی که ما را ناچار می‌کند از محاسبات ماشینی استفاده کنیم، سرعت است.توان تحلیلاما این همه‌ی ماجرا نیست. ذهن بشر برای اجرای محاسبات دقیق روی اعداد و انجام تحلیل‌های معنادار، ناچار است تصویر روشنی از مقدارِ بیان‌شده در عدد داشته باشد. فرض کنید از شما می‌خواهند شبکه‌ی ارتباطی چند نفر از دوستان‌تان را روی کاغذ ترسیم کنید.تصویر فرضی دو شبکه‌ی اجتماعی کوچک (32 نفر در سمت راست و 8 نفر در سمت چپ)این شبکه از ارتباطات انسانی را کمابیش می‌شود تصور و ترسیم کرد. حالا فکر می‌کنیم که از شما خواسته‌اند شبکه‌ی ارتباطی یک میلیون یا یک میلیارد نفر را ترسیم کنید. به نظرتان زمان‌بر بودن تنها دشواریِ این کار است؟ اگر این‌طور فکر می‌کنید، بیایید تصویر شما از تفاوت بین این اعداد را به چالش بکشیم.مقایسه‌ی تصویری سه عدد: 32، 1،000،000 و 1،000،000،000ما اساساً تصویر روشنی از تفاوت اعداد بزرگ با یکدیگر نداریم. مثلاً وقتی در گفتگوهای روزمره درباره‌ی این که فلان کالا یک میلیون تومن است یا یک میلیارد تومن صحبت می‌کنیم، نمی‌دانیم درباره‌ی چه حجمی از تفاوت حرف می‌زنیم.اگر از شما بخواهند شبکه‌ای شامل یک میلیون یا یک میلیارد عنصر را ترسیم کنید، نه‌تنها زمان بسیار زیادی را باید صرف کنید، که اصلاً امکان تصورِ این حجم از متغیر را ندارید. این شبکه‌ی ارتباطیِ کاربران ویرگول (31290 نفر) است. (سعید چوبانی! ممنونم. +) فیسبوک نزدیک به دو میلیارد کاربر دارد. به نظرتان شبکه‌ی کاربران آن چه شکلی است؟پس دومین دلیلی که ما را ناچار می‌کند از محاسبات ماشینی استفاده کنیم، ظرفیتی تحلیلی ذهن ما است.در یادداشت‌های بعدی درباره‌ی این که چقدر از پژوهش‌های اجتماعی‌مان را باید به ماشین واگذار کنیم و چقدرشان را خودمان انجام دهیم، بیشتر خواهم نوشت. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Wed, 02 Sep 2020 23:34:45 +0430 https://virgool.io/@css/%DA%86%D8%B1%D8%AE%D9%87%DB%8C-%DA%A9%D9%84%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-s2qny7a0faxt اگر بخواهیم همه‌ی آن کارهایی که در علوم اجتماعی انجام می‌شود را کنار هم بگذاریم، به چنین چرخه‌ای می‌رسیم:چرخه‌ی کلی علوم اجتماعی محاسباتیتفصیل همه‌ی جزییات این چرخه و قواعد حاکم بر هر بخش، از حوصله‌ی این یادداشت خارج است و در سایر یادداشت‌ها به صورت مختصر به آن‌ها پرداخته‌ام و می‌پردازم.همین‌قدر مختصر را داشته باشید که اگر می‌خواهیم پژوهش اجتماعی محاسباتی‌مان روشمند و نتایج آن معتبر باشد، نمی‌توانیم از هر گوشه‌ی این چرخه که بخواهیم وارد شویم و از سوی دیگرش خارج شویم؛ هرچند بسیاری از مقالات و شبه‌پژوهش‌های کنونی گرفتار این آفت شده‌اند و به همین دلیل است که دچار بحران تکرارپذیری هستیم. https://virgool.io/@css/%D8%A8%D8%AD%D8%B1%D8%A7%D9%86-%D8%AA%DA%A9%D8%B1%D8%A7%D8%B1%D9%BE%D8%B0%DB%8C%D8%B1%DB%8C-j1qatlccloa2 بر اساس این چرخه، پژوهش‌های اجتماعی محاسباتی را به صورت کلی می‌توانیم به سه دسته تقسیم کنیم:سویه‌ی تجربیبرخی از این پژوهش‌ها، تلاش می‌کنند داده‌های مرتبط با یک پدیده (= کلان‌داده / داده‌های انبوه / بیگ‌دیتا) را استخراج و مدل انتزاعی مطلوب‌شان را طراحی کنند. این قبیل مدل‌ها فقط می‌توانند تصویری نسبتاً جزیی و داده‌بنیاد از یک پدیده‌ی اجتماعی به ما بدهند.این قبیل پژوهش‌ها به جای خود مفید و کارگشا است، اما نه می‌توانند گزاره‌ی تحلیلی معتبری درباره‌ی پدیده بیان کنند و نه امکان نظریه‌پردازی بر اساس آن‌ها وجود دارد.سویه‌ی تحلیلیگام بعدی آن است که داده‌های حاصل از مرحله‌ی قبل یا مدل انتزاع‌شده از آن‌ها را با استفاده از ابزارهایی مثل «یادگیری ماشین»، «پردازش زبان طبیعی» و «تحلیل شبکه‌های اجتماعی» تحلیل کنیم. خروجی این قبیل پژوهش‌ها فرضیاتی است که می‌توان بر اساس آن‌ها درباره‌ی چرایی، چگونگی و چیستی پدیده حرف‌هایی زد که تا حدود زیادی معتبرند. اما توانایی پیش‌بینی تغییرات آینده (آینده‌پردازی / آینده‌پژوهی) را ندارد.پژوهش گروه بلومنستاک درباره‌ی فقر در رواندا بر اساس مدل‌سازی داده‌های تلفن همراه و استفاده از یادگیری ماشین نمونه‌ی خوبی برای این مسیر است. https://virgool.io/@css/%D8%AA%D8%B1%D8%B3%DB%8C%D9%85-%D9%86%D9%82%D8%B4%D9%87%DB%8C-%D9%85%D9%84%DB%8C-%D9%81%D9%82%D8%B1-%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-%D8%AA%D9%84%D9%81%D9%86-%D9%87%D9%85%D8%B1%D8%A7%D9%87-ateccajyk1vb نمونه‌های موفق دیگری از «تحلیل شبکه‌های اجتماعی» را در آینده بررسی خواهیم کرد.سویه‌ی نظریهر داده‌ای که ما در اختیار داریم، هرقدر هم که انبوه، لحظه‌ای و فریبنده باشد هم «گذشته» است. یعنی ما هیچ‌وقت هیچ داده‌ای از آینده (حتی یک ثانیه‌ی آینده) نداریم و تا وقتی چنین باشد (که ظاهراً همیشه چنین خواهد بود)، هیچ‌وقت نمی‌توانیم مطمئن باشیم که مدل‌ها و تحلیل‌های داده‌بنیاد ما توان پیش‌بینی آینده را دارند یا خیر. ما نهایتاً می‌توانیم حدس بزنیم و امیدوار باشیم که حدس‌های‌مان صحیح از آب دربیاید.اما ما به پیش‌بینی آینده هم نیاز داریم. اساساً سیاستگذاری و مدیریت اجتماعی نیازمند اطمینان از پیامدهای مثبت و منفی تحلیل‌ها در آینده است. برای این که بتوانیم با اتکا به پژوهش‌های محاسباتی‌مان، آینده‌پژوهی هم بکنیم، به «شبیه‌سازی» نیاز داریم.ما جامعه‌ی فرضی‌مان را با حداکثر جزییاتی که (با استفاده از مدل‌ها، فرضیه‌ها و داده‌های گردآوری‌شده در مراحل قبل) از وضعیت کنونی جامعه در اختیار داریم، طراحی می‌کنیم. سپس برخی از متغیرها را بر اساس مساله‌ی پژوهشی‌مان تغییر می‌دهیم و نتیجه را مشاهده می‌کنیم.نرم‌افزارها و فناوری‌های گوناگونی برای انجام شبیه‌سازی‌های اجتماعی وجود دارد. اما برای این که تصور دقیق‌تری از آن داشته باشید، می‌توانید نسخه‌ی آموزشی بازی معروف سیم‌سیتی (SimCityEdu) را امتحان کنید. شما در این بازی، با انجام تغییرات شهری (مثلاً تعطیل کردن نیروگاه فسیلی بزرگ شهر و احداث یک نیروگاه خورشیدی کوچک)، منتظر واکنش شهروندان باشید.تصویری از بازی «سیم‌سیتی: چالش آلودگی» [توسعه‌ی این نسخه متوقف شده است. +]البته شبیه‌سازی‌های واقعی و علمی این‌قدرها هم ساده نیستند و انبوهی از متغیرها را باید تنظیم کرد تا موتور هوش مصنوعی بتواند واکنش عامل‌ها (افراد، گروه‌ها و ...) را پیش‌بینی کند. این نمونه‌ای از یک نرم‌افزار تجاری شبیه‌سازی اجتماعی است که برای تحلیل رفتار مردم در زمان اشغال نظامی، آشوب و ... طراحی شده است. https://bisimulations.com/products/vbs-simulation-sdk خلاصه این که برای انجام هر پژوهش اجتماعی به صورت کلی و پژوهش اجتماعی محاسباتی به صورت ویژه، راه‌های مختلفی وجود دارد. این که کدام راه مناسب‌تر است را «مساله‌ی پژوهش»، «بودجه‌بندی زمانی و مالی»، «داده‌های در دسترس»، «هدف پژوهش» و ... مشخص می‌کند. در این یادداشت چند مسیر معتبر را مرور کردم.برای پاسخ به هر پرسشی، به‌ویژه اگر پرسش‌مان اجتماعی و محاسباتی باشد، راه‌های متفاوتی پیش روی ما است.اما علاوه بر این سه مسیر، گاهی هم ممکن است یک پژوهشگر اجتماعی، بخواهد فقط با مراجعه به پدیده و بدون طی کردن هیچ‌کدام از مراحل دیگر به مدل‌سازی و نظری برسد. این کار هم ناممکن نیست، اما یا باید به حس ششم پژوهشگر اعتماد کرد یا به تخیل قوی‌اش. :-) دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Tue, 01 Sep 2020 00:22:14 +0430 https://virgool.io/@css/%D8%AA%D8%B1%D8%B3%DB%8C%D9%85-%D9%86%D9%82%D8%B4%D9%87%DB%8C-%D9%85%D9%84%DB%8C-%D9%81%D9%82%D8%B1-%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-%D8%AA%D9%84%D9%81%D9%86-%D9%87%D9%85%D8%B1%D8%A7%D9%87-ateccajyk1vb فرض کنید از شما می‌خواهند ظرف مدت کوتاهی،‌ مثلاً یک ماه، با هزینه‌ی اندکی، مثلاً صد میلیون تومان، نقشه‌ی توزیع فقر و ثروت در سطح کشور را با دقت بسیار زیاد ترسیم کنید. یعنی روی نقشه نشان دهید که هر محله از نظر وضعیت اقتصادی در کجای هرم فقر و ثروت قرار می‌گیرد و جزو دهک چندم است. راه‌حل پیشنهادی‌تان چیست؟ به نظرتان این کار شدنی است؟دکتر جاشوا بلومنستاک استاد دانشگاه برکلی است. او و گروه پژوهشی‌اش چنین پژوهشی را در کشور رواندا انجام دادند و کارشان به یکی از موفق‌ترین و شناخته‌شده‌ترین نمونه‌های کاربردِ علوم اجتماعی محاسباتی تبدیل شد.رواندا کشوری کوچک و فقیر است در شرق آفریقا که حدود سیزده میلیون نفر جمعیت دارد. حدود شصت درصد از مردم این کشور زیر خط فقر زندگی می‌کنند.موقعیت مکانی رواندا روی نقشه‌ی آفریقادکتر بلومنستاک و همکارانش داده‌های ناشناس‌سازی‌شده‌ی یک میلیون و پانصد هزار نفر از کاربران بزرگترین شرکت تلفن همراه رواندا را دریافت کردند. این داده‌ها شامل سوابق تماس و پیامک مشترکان (چیزهایی مثل مدت تماس، زمان تماس، مخاطب، آنتن‌های مخابره‌کننده و ...) در طول زمان بود.آن‌ها می‌خواستند با تحلیل این داده‌ها، افرادی که ثروت بیشتری دارند را شناسایی کنند تا بتوانند با مشخص کردن موقعیت مکانی این افراد روی نقشه (با استفاده از مکان آنتن‌ها) نقشه‌ای از پراکندگی ثروتمندان به دست بیاورند.برای انجام این پژوهش دو گام مهم باید برداشته می‌شد:1. مهندسی شاخص‌هاگروه ابتدا باید می‌فهمید که کدام بخش از داده‌های تماس و پیامک افراد رابطه‌ی مستقیمی با وضعیت اقتصادی‌شان دارد. ممکن است در تخمین اولیه چنین به نظر بیاید که مثلاً افراد پولدار تماس بیشتری در طول روز می‌گیرند یا مبلغ مانده‌ی اعتبار سیم‌کارت‌شان بیشتر است. این تخمین‌ها نادرست نبود. اما باید دقیق‌ترین شاخص‌ها مشخص می‌شد.داده‌های تلفن همراه یکی از گسترده‌ترین و به‌روزترین داده‌های موجود در همه‌ی کشورها، حتی فقیرترین‌ها، هستند.به همین دلیل گروه با 856 نفر از افرادی که داده‌های تماس و پیامک‌شان در اختیار بود، تماس گرفتند و با پرسیدن چند سوال تلاش کردند وضعیت اقتصادی آن‌ها را برآورد کنند. این همان کاری است که هم‌اکنون به شکل روزمره در بسیاری از پیمایش‌های اجتماعی و اقتصادی انجام می‌شود.حالا دو دسته داده در اختیار داشتند: آ) داده‌های تماس و پیامک 1 میلیون و پانصد هزار نفر و ب) وضعیت اقتصادی 856 نفر از این افراد.2. مدل‌سازی با استفاده از یادگیری ماشینحالا نوبت به ماشین رسیده بود. زیرا با توجه به این که تعداد شاخص‌های در دسترس برای هر فرد به حدود ده هزار عنوان می‌رسید، قطعاً محاسبه و مدل‌سازی و انتخاب مرتبط‌ترین شاخص‌ها به شکل دستی ممکن نبود.پژوهشگران داده‌های تماس و پیامک و وضعیت اقتصادی این 856 نفر را به یک ماشین یادگیرنده دادند تا ارتباط نحوه‌ی تماس و پیامک هر فرد با وضعیت اقتصادی او را مشخص کند و به یک مدل برسد.این‌جا باید کمی درباره‌ی نحوه‌ی یادگیری ماشین هم حرف بزنیم. پدرو دومینگو که یکی از چهره‌های برجسته‌ی این حوزه است، یادگیری ماشین را این‌گونه توضیح می‌دهد:مقایسه‌ی نمادین برنامه‌نویسی سنتی و یادگیری ماشیندر برنامه‌های رایانه‌ای به شکل سنتی (نمودار سمت راست)، برنامه‌نویس برنامه‌ای که لازم دارد (مثلاً نرم‌افزار محاسبه‌ی حقوق و دستمزد) را می‌نویسد. سپس داده‌هایی که در اختیار دارد (مثلاً ساعت ورود و خروج کارکنان) را به آن وارد می‌کند. هدف کلی این است که از ضرب و تقسیم این داده‌ها بر اساس برنامه‌ی نوشته‌شده، برونداد مطلوب (مثلاً میزان حقوق هر فرد) به دست بیاید.اما در ماشین‌های یادگیرنده، برنامه‌نویس داده‌هایی که در اختیار دارد را به همراه آن‌چه مطلوب است در نهایت به دست آورد به ماشین می‌دهد و از ماشین می‌خواهد نحوه‌ی رسیدن از این درونداد به آن برونداد را مشخص کند. خروجی در نهایت مدلی است که قابلیت استفاده در داده‌های مشابه در آینده را خواهد داشت.گروه بلومنستاک داده‌های تلفن همراه 856 را داشتند که در واقع درونداد محسوب می‌شد. وضعیت اقتصادی آن‌ها را هم داشتند که در این پژوهش، همان بخش برونداد و مجهولی است که ما برای بقیه‌ی یک میلیون و پانصد هزار نفر نیاز داریم. پس این دو را به ماشین دادند و مدلی را به دست آوردند.نتیجه جالب بود. بر اساس محاسبات ماشین، با کنار هم گذاشتنِ شبکه‌ای از داده‌های تماس و پیامک می‌شد وضعیت اقتصادی فرد را پیش‌بینی کرد و مثلاً معنادارترین داده این بود که میانگین پیامک‌های ارسال‌شده توسط دوستان فرد (کسانی که با آن‌ها تماس و پیامک بیشتری دارد) در پرپیامک‌ترین روز هفته‌شان چقدر است.همین‌جا باید تذکر داد که چرایی ربطِ این دو داده به یکدیگر را باید در بستر فرهنگی رواندا بررسی کرد و خودش می‌تواند موضوع یک پژوهش دیگر باشد. همین‌قدر می‌دانیم که نمی‌توانیم عینِ همین مدل را برای کشورهای دیگر به کار ببریم. زیرا رفتار تماس و پیامک مردم کشورها یکسان نیست.خلاصه این که با استفاده از مدلِ محاسبه‌شده، وضعیت اقتصادی سایر مشترکان برآورد و با توجه به موقعیت مکانی مشترک (بر اساس آنتن‌های مخابراتی استفاده‌شده در ساعات شب) روی نقشه جانمایی شد.نقشه‌ی فقر و ثروت در رواندا که گروه بلومنستاک بر اساس داده‌ها ترسیم کرد.نقشه ترسیم شد. اما باید اعتبارسنجی هم می‌شد. یعنی باید متوجه می‌شدند که برآوردشان از وضعیت اقتصادی کشور چقدر واقعی است. اما هیچ منبع داده‌ی دیگری وجود نداشت که پراکندگی فقر را به این دقت نشان بدهد و امکان مقایسه را فراهم کند. ناچار به نتیجه‌ی پیمایش ملی‌ای که چند وقت پیش‌تر توسط دولت انجام شده بود و وضعیت اقتصادی استان‌های رواندا را نشان می‌داد اکتفا کردند.نقشه‌ی پراکندگی فقر در رواندا بر اساس پیمایش ملی (سمت راست) و بر اساس تحلیل داده‌های تلفن همراه (سمت چپ)نتیجه باورکردنی نبود. گروه بلومنستاک توانسته بودند نقشه‌ی فقر در رواندا را با دقت 92 درصد ترسیم کنند. به علاوه، کشور بر اساس نقشه‌ی دولت به 30 استان تقسیم می‌شد و وضعیت نواحی کوچک‌تر مشخص نبود. اما نقشه‌ی محاسباتی شامل 21000 ناحیه‌ی کوچک (= تعداد آنتن‌های مخابراتی) می‌شد.هم‌چنین تهیه‌ی نقشه‌ی دولتی بیش از یک سال زمان و نزدیک به یک میلیون دلار هزینه بُرد و نقشه‌ی محاسباتی بلومنستاک به دوازده هزار دلار و دو هفته زمان نیاز داشت. به عبارت دیگر با هزینه‌ای که برای پیمایش ملی انجام شده بود، می‌شد تا هفت سال هر ماه پیک پیمایش محاسباتی انجام داد.تصویر دکتر بلومنستاک به همراه صفحه‌ی نخست مقاله‌ی او در مجله‌ی ساینسبلومنستاک کارش را به خوبی انجام داد و پژوهش او الان به یکی از نمونه‌های مرجع در کلاس‌های علوم اجتماعی محاسبای و استفاده از کلان‌داده (= بیگ‌دیتا) تبدیل شده است. دولت‌های مختلف (مثلاً افغانستان، توگو و ...) از او دعوت می‌کنند تا کارهای مشابهی را برای‌شان انجام دهد.چرا استفاده از یادگیری ماشین در سیاستگذاری و پژوهش اجتماعی این همه مهم و کارگشا است؟1. هزینه‌ی بسیار کم (12،000 دلار در برابر 1،000،000 دلار)2. سرعت بسیار زیاد (2 هفته در برابر بیش از 50 هفته)3. نقشه‌های لحظه‌ای در برابر نقشه‌های ایستای چندساله (سرشماری‌ها در بهترین حالت در فواصل پنج‌ساله انجام می‌شوند.)4. امکان ارزیابی سریع پس از هر تصمیم سیاستی (مثلاً گران کردن بنزین)5. امکان مشاهده‌ی لحظه‌ای تغییرات اجتماعی در مواقع بحران (مثلاً وقوع زلزله)در یادداشت‌های بعدی بیشتر درباره‌ی چرایی استفاده از هوش مصنوعی و یادگیری ماشین و این که چرا پژوهش بلومنستاک را یک نمونه‌ی عالمانه می‌دانیم، صحبت می‌کنم. اگر می‌خواهید بیشتر درباره‌ی او و سایر پژوهش‌هایش بدانید، این‌جا را ببینید: http://www.jblumenstock.com/ مقاله‌ی نهایی او و همکارانش درباره ی رواندا را هم می‌توانید این‌جا ببینید: https://science.sciencemag.org/content/353/6301/753?ijkey=dclBF54r08Rpw&keytype=ref&siteid=sci دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Mon, 31 Aug 2020 07:18:15 +0430 https://virgool.io/@css/%D8%A8%D8%AD%D8%B1%D8%A7%D9%86-%D8%AA%DA%A9%D8%B1%D8%A7%D8%B1%D9%BE%D8%B0%DB%8C%D8%B1%DB%8C-j1qatlccloa2 یکی از ویژگی‌های هر پژوهش معتبری، دستکم به نظر کسانی که اهل روش‌های کمّی و علمی هستند، این است که سایر پژوهشگران هم بتوانند با طی کردن فرایند مشابه، به خروجی‌های مشابه برسند.اما واقعیت آن است که بسیاری از پژوهش‌های اجتماعی فاقد چنین ویژگی‌ای هستند. چند سالی (کمتر از ده سال) هست که عبارت «بحران تکرارپذیری»، «بحران تکرار» یا «بحران بازتولید» (Replication Crisis) را بیشتر می‌توانیم بشنویم. https://fa.wikipedia.org/wiki/%D8%A8%D8%AD%D8%B1%D8%A7%D9%86_%D8%AA%DA%A9%D8%B1%D8%A7%D8%B1 بحران تکرارپذیری به عبارت خلاصه یعنی آن که شما نتوانید حتی با فراهم کردن مقدمات و درونداد و زمینه‌ی بیان‌شده توسط پژوهشگر، به همان نتایجی برسید که او رسیده است.اهمیت این ضعف زمانی روشن‌تر می‌شود که بدانیم اساساً پژوهش‌های اجتماعیِ ناظر به تغییر و سیاستگذاری‌های اجتماعی با این فرض انجام می‌شوند که سامانه و نظام‌واری از عناصر وجود دارند که می‌توان با دستکاری ورودی‌ها یا پردازش‌ها به نتایج مطلوب رسید.پاسخ دانشمندان مشارکت‌کننده در طرح تحقیقاتی مجله نیچر درباره‌ی تکرارپذیر نبودن پژوهش‌های علمیبیش از نیمی از پژوهش‌های اجتماعی‌ای که در 150 سال گذشته انجام شده را نمی‌توان دوباره تکرار کرد و به عبارت صریح‌تر «نادرست» هستند؛ دوسوم آزمایش‌های روان‌شناسی را هم همین‌طور. حتی در علومی مثل فیزیک و شیمی و زیست هم تا حدودی همین وضعیت حاکم است.جالب این که گاهی خودِ پژوهشگر هم نمی‌تواند خروجی‌های قبلیِ خودش را به دست آورد. از 1500 دانشمندی که در یک طرح تحقیقاتی شرکت کرده بودند، حدود 70 درصدشان آزمایش‌های بقیه و 50 درصدشان آزمایش‌های خودشان را نتوانستند بازسازی کنند. مجله‌ی نیچر، به تفصیل به این طرح تحقیقاتی اشاره کرده است. https://www.nature.com/news/1-500-scientists-lift-the-lid-on-reproducibility-1.19970 این یعنی بحران تکرارپذیری را باید جدی بگیریم. ما واقعاً نمی‌دانیم کداوم پژوهش‌ها و فرضیه‌ها و نظریه‌های کنونی که گاهی بسیار هم پرطرفدار و تاثیرگذار شده‌اند، نادرست‌ند و باید کنارشان گذاشت. پژوهشگران اجتماعی محاسباتی باید مراقب این آفت باشند و متاسفانه نیستند.این که پژوهشگر 1 بدون آن که روش و مبنای مشخصی و حساب‌شده‌ای داشته باشد، با گردآوری مجموعه‌ای از داده‌های دلخواه (مثلاً از توییتر) به یک نتیجه‌ی اجتماعی برسد، شاید به درد انتشار یک مقاله‌ی علمی بخورد. اما هیچ نیازی نیست که پژوهشگر 2 هم سراغ همان داده‌ها برود. او می‌تواند به همین سبک دلبخواه، مجموعه‌ی دیگری از داده‌ها را جمع و تحلیل کند و به نتیجه‌ی کاملاً مخالفی برسد.انجام پژوهش اجتماعی، به‌ویژه وقتی با داده‌های انبوه و دیجیتال سروکار داریم، مثل راه رفتن بر لبه‌ی پرتگاه است. اگر مراقب نباشیم، زرق‌وبرق و جلوه‌ی داده‌هایی که در اختیار داریم و «توهم قانع‌کننده بودن» که در پی انجام انواع تحلیل‌های کمی و رنگارنگ ایجاد می‌شود، ما را قانع می‌کند که در حال انجام پژوهشی عالمانه هستیم.یکی از موثرترین ابزارهای دور ماندن از این آسیب، توجه به «خطای تیر چراغ» است. اگر بتوانیم به شکلی حساب‌شده و هوشمندانه داده‌های مورد نیازمان را از همان‌جایی که واقعاً هست، پیدا کنیم، کمتر دچار این مشکل می‌شویم. https://virgool.io/@css/%D8%AE%D8%B7%D8%A7%DB%8C-%D8%AA%DB%8C%D8%B1-%DA%86%D8%B1%D8%A7%D8%BA-rqm84g4glqqg پژوهش دکتر گاتمن که قبلاً درباره‌اش صحبت کردم، نمونه‌ی موفقی از همین کار است. گاتمن توانسته با اندکی داده که به دقت انتخاب شده‌اند، به بیش از 93 درصد دقت واقعی برسد. یعنی در 93 درصد مواقع، همان خروجی به دست می‌آید. در حالی که بسیاری از پژوهش‌های اجتماعی، دقتی در حدود 20 تا 30 درصد هم بیش از حد خوب است. https://virgool.io/@css/%D9%86%D9%85%D9%88%D9%86%D9%87%DB%8C-%D9%85%D9%88%D9%81%D9%82%DB%8C-%D8%A7%D8%B2-%D9%85%D8%AF%D9%84%D8%B3%D8%A7%DB%8C-%D8%B7%D9%84%D8%A7%D9%82-%D8%A8%D8%A7-%D8%AF%D9%82%D8%AA-94-%D8%AF%D8%B1%D8%B5%D8%AF-niapjvuogocv در یادداشت‌های بعدی، هم درباره‌ی این که چطور می‌شود گرفتار بحران تکرارپذیری نشد بیشتر صحبت می‌کنیم و هم نمونه‌ی موفق دیگری از پژوهش‌های اجتماعی دقیق را مرور خواهیم کرد. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Mon, 31 Aug 2020 03:38:28 +0430 https://virgool.io/@css/%DA%86%D8%B1%D8%A7-%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-%D9%85%D9%87%D9%85-%D8%A7%D8%B3%D8%AA-ohkzocnzwun4 سال‌ها است که فناوری‌ها و ابزارهای جدید در همه‌ی سطوح و عرصه‌های حیات اجتماعی مردم حضور دارند و امروزه به بخش هرچند کوچکی از زیست فردی، خانوادگی یا اجتماعی انسان‌ها که نگاه کنیم، ابزارهایی را می‌بینیم که با استفاده از فناوری‌های نوپدید (و بیش از همه اختراعات دیجیتال) طراحی و ساخته شده‌اند و زندگی همه‌ی ما آن‌قدر با این ابزارها آمیخته شده که گویی بدون آن‌ها هیچ کاری پیش نخواهد رفت.این امر با ظهور فناوری‌های رایانه‌ای و اینترنت عمق، شتاب و گستره‌ی روزافزونی و بی‌سابقه‌ای پیدا کرده و به ندرت می‌توان فعالیتی را در صحنه‌ی زندگی دید که همه یا بخشی از آن در این بستر انجام نشود. خریدهای روزمره‌ی مردم یا مستقیماً در فروشگاه‌های برخط انجام می‌شود یا در مغازه‌ها و فروشگاه‌های کوچک، بزرگ و زنجیره‌ای از کارت بانکی استفاده می‌کنند.نرم‌افزارهای اجتماعی (مثلاً اینستاگرام) تنها منبع گردآوری داده‌های اجتماعی نیستند. این داده‌ها را می‌توانیم از تقریباً هر گوشه‌ای از فعالیت‌های انسانی استخراج کنیم.سابقه‌ی مصرف گاز، برق، آب و تلفن خانوارها در سراسر کشور در شرکت‌های مربوطه ثبت می‌شود. سهم زیادی از خرید بلیت هواپیما، قطار و اتوبوس یا حتی سفارش تاکسی هم در بستر پایگاه‌ها و نرم‌افزارهای همراه انجام می‌شود. اطلاعات حرکت خودروها توسط شبکه‌ی گسترده‌ای از دوربین‌های شهرداری و پلیس و سامانه‌ی کارت سوخت ثبت می‌شود. کوچک و بزرگ و زن و مرد گوشی تلفن همراه دارند و از انبوهی از برنامک‌های خدماتی، سرگرمی، ارتباطی و .... استفاده می‌کنند.هرکدام از این همه تکاپو و فعالیت، به هر میزان که به شکل دیجیتال و رایانه‌ای انجام شود، ردپایی از خود به جا می‌گذارد که شاید در نگاهِ نخست، اهمیت چندانی نداشته باشد، اما انباشت آن‌ها در کنار هم در طول زمان می‌تواند تصاویر شگفت‌آوری از گوشه و کنار زیستِ اجتماعی ما ترسیم کند.به عنوان مثال، تصور کنید که صورتحساب‌های مشتریان یکی از فروشگاه‌های زنجیره‌ایِ گسترده در سطح کشور را (پس از «ناشناس‌سازی» و حذف اطلاعات هویتی) جمع کنیم و فقط چند مولفه‌ی زمان خرید، اقلام موجود در صورتحساب و جمع مبلغ پرداختی را کنار هم بگذاریم. با همین چند مولفه می‌توانیم نقشه‌ی بسیار بزرگی از سبک زندگی و مصرف مردم در سطح کشور داشته باشیم. با تجمیع همین صورتحساب‌ها در طول زمان، می‌توانیم تغییرات خرید اقلام مختلف در طول زمان و مثلاً نقشه‌ی گسترش یک کالا (یا یک گونه‌ی مشخص از کالا) را ببینیم.ردپای دیجیتال (digital footprint) مهم‌ترین منبع شناخت جامعه در علوم اجتماعی محاسباتی است.اگر این داده‌های حاصل از این صورتحساب‌ها را تقریباً همگی آن‌ها با کارت‌های بانکی پرداخت شده‌اند، با داده‌های سایر تراکنش‌های بانکی همان افراد تجمیع کنیم، این نقشه‌ی سبک زندگی به شکلی تصاعدی دقیق‌تر و عمیق‌تر خواهد شد.مدیران، تصمیم‌گیران، سیاستگذاران و پژوهشگران اجتماعی و فرهنگی، تا همین چند سال پیش، به چنین سرمایه‌ی سرشار و دقیقی از داده‌های زندگیِ مردم دسترسی نداشتند. آن‌ها ناچار بودند به مجموعه‌ای از روش‌های کمی و کیفی مثل مشاهده‌های میدانی، پیمایش و سرشماری، گفتگوهای باز یا بسته و ... اتکا کنند.اما این منبع نوپدید از داده، چندی است که توجه طیف گسترده‌ای از کاربران و علاقمندان، از شرکت‌های تجاری گرفته تا سازمان‌های امنیتی را به خود جلب کرده است.این میدان جدید که ابزارها، روش‌ها و رویکردهای علمی ویژه‌ی آن هم‌چنان در حال تدوین است، موجب تولد عرصه‌ی دانشیِ «علوم اجتماعی محاسباتی» در دانشگاه‌ها و پژوهشگاه‌های کشورهای مختلف شده است.این نام از دو بخش اساسی تشکیل شده است: «علوم اجتماعی» که خود شامل گستره‌ی وسیعی از دانش‌ها و رشته‌های دیگر (مثل جامعه‌شناسی، فرهنگ‌شناسی، تاریخ، اقتصاد، علم سیاست، روانشناسی و ...) است و شامل هر دانشی می‌شود که به کنش‌های اجتماعی انسان بپردازد و «محاسباتی» که به منطق ریاضی مراجعه به داده‌ها و تحلیل آن‌ها در این دانش اشاره می‌کند. این دانش جدید را می‌توان چهارراهِ میان‌رشته‌ایِ «علوم اجتماعی»، «آمار»، «ریاضیات» و «رایانه» دانست. https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century «علوم اجتماعی محاسباتی» سابقه‌ی چندانی ندارد اما به شکل عجیبی در مراکز آموزشی و پژوهشی در سراسر دنیا مورد توجه قرار گرفته است. دانشگاه هاروارد «علوم داده» (که علوم اجتماعی محاسباتی همان کاربستِ آن در عرصه‌ی اجتماعی است) را جذاب‌ترین عرصه‌ی شغلی در قرن حاضر معرفی کرده و دانشگاه شیکاگو که یکی از معتبرترین دانشگاه‌های ایالات متحده است، شانزده پژوهشگاه تخصصی در همین عرصه دارد. مدت اندکی است که دانشگاه‌ها و شرکت‌های مختلف ایرانی نیز به شکلی موردی و پراکنده و متکی به ابتکارات فردی وارد این عرصه شده‌اند.نقشه‌ی کلی دانش علوم اجتماعی محاسباتی (بر اساس پژوهش دانلیا دیوسا +) دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Sun, 30 Aug 2020 00:31:53 +0430 https://virgool.io/@css/%D9%86%D9%85%D9%88%D9%86%D9%87%DB%8C-%D9%85%D9%88%D9%81%D9%82%DB%8C-%D8%A7%D8%B2-%D9%85%D8%AF%D9%84%D8%B3%D8%A7%DB%8C-%D8%B7%D9%84%D8%A7%D9%82-%D8%A8%D8%A7-%D8%AF%D9%82%D8%AA-94-%D8%AF%D8%B1%D8%B5%D8%AF-niapjvuogocv در یادداشت قبلی (خطای تیر چراغ) گفتم که ما خیلی از اوقات از داده‌ها برای فهم و حل مساله استفاده می‌کنیم، صرفاً چون به آن‌ها به راحتی دسترسی داریم؛ نه چون واقعاً به مساله‌ی ما ربطی دارند. داستان مرد مستی که کلیدهایش را در پارک گم کرده بود و زیر تیر چراغِ آن طرف خیابان دنبال‌شان می‌گشت را هم مرور کردیم. https://virgool.io/@css/%D8%AE%D8%B7%D8%A7%DB%8C-%D8%AA%DB%8C%D8%B1-%DA%86%D8%B1%D8%A7%D8%BA-rqm84g4glqqg در مقابل، پژوهش مشهور دکتر جان گاتمن درباره‌ی «طلاق» نمونه‌ی موفقی از پیدا کردن داده‌های مناسب است. او می‌خواست فرایند منجر به طلاق را بفهمد تا بتواند خانواده‌های در معرض خطر را شناسایی کند. به همین دلیل، هزاران زوج را به آزمایشگاهش دعوت کرد و نحوه‌ی رفتارشان با یکدیگر را ثبت کرد.او این زوج‌ها را به سه دسته تقسیم کرده بود:زوج‌هایی که طلاق گرفته بودند.زوج‌هایی که طلاق نگرفته بودند و زندگی خوبی داشتند.زوج‌هایی که طلاق نگرفته بودند و زندگی خوبی نداشتند.دکتر جان گاتمن، روانشناس و پژوهشگرگاتمن مجموع داده‌های ثبت‌شده از این هزاران نفر را در کنار هم گذاشت و به مدلی برای تحلیل و پیش‌بینی طلاق دست پیدا کرد. مدل گاتمن آن‌قدر کارآمد است که می‌تواند تنها با پانزده دقیقه مشاهده و گفتگو، وقوع طلاق طی چهار سال آینده را با دقت 93/6 درصد پیش‌بینی کند.این یعنی گاتمن توانسته بدون درگیر کردن خودش با جزییات و داده‌های انبوه و نامربوط، به دقیق‌ترین مدل کنونی برسد. در حالی که مثلاً اگر همین پروژه را به فرد ناواردی واگذار کنید، ممکن است انبوهی از داده‌های فعالیت زن و شوهر در اینستاگرام و توییتر و ویژگی‌های تحصیلی و آزمون‌های روان‌سنجی را کنار هم بگذارد و مجموعه‌ای از نمودارهای رنگارنگ ترکیبی ترسیم کند و دستِ آخر هم نتواند احتمالِ طلاق یک زوج را با دقت زیاد پیش‌بینی کند.اساساً فراموش نکنید که در مدل‌سازی‌های داده‌بنیاد، به‌ویژه از نوع اجتماعی‌اش، هرچه می‌توانید شاخصه‌های کمتری را درگیر کنید. بیشتر شدنِ تعداد شاخصه‌ها هم تعداد و تنوع داده‌های مورد نیاز را افزایش می‌دهد، هم فرایند گردآوری داده‌ها را پرهزینه‌تر و زمان‌برتر می‌کند و هم احتمال بروز خطا به خاطر افزایش «عدم قطعیت» را بالا می‌برد.اگر به جزییات پروژه‌ی گاتمن علاقه داشتید، می‌توانید پایگاه اینترنتی خود او را ببینید: https://www.gottman.com/ دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Sat, 29 Aug 2020 02:08:44 +0430 https://virgool.io/@css/%D8%A2%DB%8C%D8%A7-%D8%A8%D9%87-%D8%A7%DB%8C%D9%86-%D8%B1%D8%A7%DB%8C%D8%A7%D9%86%D9%87-%D8%A7%D8%B9%D8%AA%D9%85%D8%A7%D8%AF-%D8%AF%D8%A7%D8%B1%DB%8C-ty9wjqhhkwsk امروز بعد از مدت‌ها فرصت کردم و مستند «آیا به این رایانه اعتماد داری؟» (Do You Trust This Computer) را دیدم. شاید شما هم دیده باشید. اگر ندیده‌اید، پیشنهاد می‌کنم ببینید. مستند خوب و جذابی است. اگر چه کمی رنگ‌ولعاب هیجانی آن پررنگ شده، اما محتوای ارزشمندی دارد.پوستر رسمی فیلم «آیا به این رایانه اعتماد داری؟»کریس پِین (کارگردان) با بسیاری از چهره‌های نام‌آور فناوری (مثلاً ایلان ماسک) درباره‌ی آینده‌ی مبهم زندگی بشری در شرایطی که رایانه‌های هوشمند و هوش مصنوعی با شتاب افسارگسیخته‌ای در حال پیشروی‌ند، گفتگو کرده است. البته انتظار یک مستند علمی و دانشگاهی را نداشته باشید. این اثر را برای جلب توجه مخاطب عمومی ساخته‌اند و همان‌طور که گفتم، جلوه و رنگ‌ولعاب پرتب‌وتابی دارد. اگر بخواهم صادق باشم، می‌توانم بگویم که مستند تاثیرگذاری است. بعد از دیدن آن، یاد رمان 1984 (اثر جرج اورول) افتادم و تله‌اسکرین‌های مشهورش. https://www.aparat.com/v/cXQin من آشنایی بسیار اندکی با جزییات فنی «هوش مصنوعی» دارم و جزو حوزه‌ی تخصصی من نیست. پس چرا این مستند را دیدم و دارم آن را معرفی می‌کنم؟ چون هوش مصنوعی بخش بسیار مهمی از تحلیل‌های محاسباتی است و شما نمی‌توانید ظرفیت‌ها و محدودیت‌های علوم اجتماعی محاسباتی را به صورت کامل درک کنید؛ مگر این که هوش مصنوعی را کمابیش بشناسید.ضمن این که بخش مهمی از خطرات هوش مصنوعی، همان‌طور که در بخش پایان همین مستند هم به آن اشاره می‌شود، به سویه‌ی اجتماعی توانایی‌های رایانه برمی‌گردد و به همین دلیل هم برای من مهم است.ایلان ماسک در توییتر نوشت: «هیچ چیزی به اندازه‌ی ابرهوش دیجیتال بر آینده‌ی بشریت تاثیر نخواهد گذاشت. فیلم کریس پین درباره‌ی هوش مصنوعی را ببینید.خلاصه این که پیشنهاد می‌کنم که خودتان این مستند 78 دقیقه‌ای را ببینید. سینمامارکت آن را با زیرنویس فارسی عرضه کرده و اگر نیازی به زیرنویس فارسی ندارید، می‌توانید آن را در فیلیمو هم ببینید یا با کمی جستجو از پایگاه‌های دیگر دریافت کنید.گذشته از این‌ها، چند بخشِ آن برای من جذاب‌تر بود. شما هم با من شریک شوید:اوایل مستند (حدود دقیقه‌ی 2:30) راوی می‌پرسد که رایانه‌ها به مرور بخش‌های بیشتری از ما و زندگی‌مان را خواهند داشت. سوال این است که آن‌ها فقط نیمه‌ی خیرخواه ما را یاد می‌گیرند یا نیمه‌ی شرور ما را هم خواهند آموخت؟جاناتان نولان (نویسنده و برادر کریستوفر نولان مشهور) در بخشی از مصاحبه‌اش اعتراض می‌کند که هالیوود کاری کرده که تصور مردم از هوش مصنوعی و قدرت رایانه به شکل تحریف‌شده‌ای به فیلم‌های سینمایی علمی‌تخیلی تقلیل پیدا کند. به همین دلیل، اگر درباره‌ی این پدیده و خطرات آن صحبت کنیم، با برچسب‌های ساده‌انگارانه‌ی مخاطبان مواجه می‌شویم و ما را جدی نمی‌گیرند.نولان جمله‌ی عجیب دیگری هم (در دقیقه‌ی 8) می‌گوید. او معتقد است که گوگل فقط موتور جستجو نساخته، بلکه خدایی را ساخته که مردم به آن مراجعه می‌کنند و پاسخ همه‌ی سوالات‌شان را می‌گیرند. این خدا دارد با همان جستجوهایی که مردم انجام می‌دهند، توانایی بیشتری کسب می‌کند و قوی‌تر می‌شود.مارکوف (خبرنگار نیویورک‌تایمز) هم همین حرف را با عبارت دیگری می‌زند. به نظر او ما با این تناقض مواجهیم که کسب‌وکارهایی مثل گوگل و فیسبوک همه‌ی آن چیزی که ساخته‌اند را دارند به رایگان به ما می‌دهند. اما داستان به این سادگی نیست و انگار ما داریم «روح‌مان را با شیطان معامله می‌کنیم». این شرکت‌ها در مقابل این خدمات رایگان دارند چیزهایی را از وجود ما برمی‌دارند. اما ما هیچ اطلاعی از پشت صحنه‌ی آن‌ها نداریم. به همین خاطر است که باید به این سوال پاسخ دهیم که «چقدر به این‌ها اعتماد داریم؟»جری کاپلان (استاد دانشگاه استنفورد) هم (حدود دقیقه‌ی 10) هشدار می‌دهد که ما، هرچند نمی‌دانیم، همیشه در حال معامله با ماشین‌ها هستیم. ما مدام داریم چیزهایی را می‌دهیم و چیزهایی را می‌گیریم. این معامله آن‌قدر گسترده شده و همه‌جا را فراگرفته که می‌شود گفت ماشین‌ها ما را خیلی خوب می‌شناسند؛ حتی بهتر از مادران‌مان. [یکی از دوستان من چند روز پیش تعبیر جالبی داشت. به نظر او، بعد از فرشته‌هایی که وظیفه‌شان ثبت همه‌ی اعمال ما است، هیچ کس به اندازه‌ی این ماشین‌ها و صاحبان‌شان درباره‌ی ما نمی‌دانند.]فیلم در دقیقه‌ی 40 به موسسه‌ی اشاره می‌کند به نام «بنیاد آینده‌ی زندگی» که توسط گروهی از دانشمندان و چهره‌های برجسته‌ی علمی و فنیِ هوش مصنوعی تاسیس شده که دغدغه‌شان را اصلاح مسیر رشد این پدیده‌ی جدید می‌دانند. شعار این موسسه به نقل از پایگاه اینترنتی‌شان (futureoflife.org) این است: «فناوری ظرفیت بی‌سابقه‌ای برای شکوفا شدن ایجاد کرده ... یا برای نابود کردن خود. بیایید تغییر را شرو کنیم».میخال کوزینسکی (استاد دانشگاه استنفورد) هم در حدود دقیقه‌ی 57 اعتراف می‌کند که هیچ کس واقعاً نمی‌داند هوش مصنوعی چطور عمل می‌کند و حتی کسانی که آن را می‌سازند هم به صورت کامل نمی‌شناسندش. علت هم ساده است. الگوریتم‌های هوش مصنوعی گاهی تا میلیون‌ها عنصر دارند و هیچ انسانی نمی‌تواند همه‌ی این عناصر را همزمان بشناسد.فیلم در حدود دقیقه‌ی 58 به یکی از پروژه‌های مایکروسافت به نام تای (Tay) اشاره می‌کند که یک ربات توییتری است. قرار بود توانایی هوش مصنوعیِ این ربات در یادگیری او از تحلیل پیام‌های دریافتی از سایر کاربران توییتر سنجیده شود. اما مایکروسافت آن را در کمتر از شانزده ساعت خاموش کرد. چرا؟ چون تای شروع کرد به نوشتن توییت‌های توهین‌آمیز، نژادپرستانه، وقیح و ... . مایکروسافت این را پیش‌بینی نمی‌کرد و اوباش توییتری را مقصر دانست. اما به هر حال توانایی و سرعت ماشین در یادگیری شرارت به تجربه ثابت شد و به اعتراف مدیرعامل مایکروسافت «تاثیر عمیقی بر نحوه‌ی مواجهه‌ی شرکت با هوش مصنوعی داشت». [برای اطلاعات بیشتر این‌جا را ببینید: en.wikipedia.org/wiki/Tay_(bot)]یکی دیگر از خطرات هوش مصنوعی در دقیقه‌ی 62 فیلم مورد اشاره قرار می‌گیرد. این که در شرایطی که کاربران فیسبوک همه‌ی اخبارشان را از فیسبوک می‌گیرند و هوش مصنوعی است که تصمیم می‌گیرد چه خبری را «بر اساس علاقمندی‌ها» به آن‌ها نشان دهد، تغییر و دستکاری درک مردم از جهان خارج و وقایع پیرامون شان کار چندان سختی نیست. قصه بغرنج‌تر می‌شود؛ وقتی بدانیم ماشین می‌تواند بلافاصله بعد از عرضه‌ی یک خبر یا محتوا به کاربر، رفتار بعدی او (نوشتن، پسند کردن، مرور کردن یا ...) را رهگیری کند و قدم بعدی را بر اساس این رفتار بردارد. این یعنی دستکاری مستمر و لحظه‌ای افکار عمومی.میخال کوزینسکی (در دقیقه‌ی 65) توضیح می‌دهد که در گذشته پروژه‌ای داشته با هدف استفاده از تحلیل ردپای دیجیتال کاربران در فیسبوک به جای آزمون‌های روان‌سنجی. یعنی طراحی ماشینی که بتواند در ازای دریافت عکس پروفایل کاربر، ویژگی‌های شخصیتی، گرایش‌های سیاسی، رفتارهای جنسی، هوش و ... او را استخراج و فهرست کند.فیلم با این جمله تمام می‌شود: «جستجوی هوش مصنوعی صنعتی چند میلیارد دلاری است که تقریباً هیچ مقرراتی ندارد.»برگردیم به حرف اول. همه‌ی چهره‌های حاضر در این مستند در این سوال مشترک‌ند که آیا واقعاً می‌شود به رایانه اعتماد کرد یا نه و پاسخ‌شان همگی‌شان هم روشن است: نه. دانشجوی علوم اجتماعی محاسباتی دانشجوی علوم اجتماعی محاسباتی Fri, 28 Aug 2020 05:30:55 +0430