گروه جدیدی از پژوهش‌گران از محاسباتِ رایانه‌ای برای درکِ جامعه و سپس تغییر آن استفاده می‌کنند

حدود ۱۰ سال پیش، مجلۀ وایرد، مقاله‌ای جنجال‌برانگیز چاپ کرد که می‌گفت با ظهور کلان‌داده‌ها، «نظریه» از صحنۀ علوم انسانی حذف خواهد شد. طی این ده سال، اهمیت کلان‌داده‌ها روز به روز بیشتر شده است، اما نظریه‌ها هم مبارزه‌ای جانانه علیهِ برنامه‌نویسانی به راه انداخته‌اند که تلاش داشته‌اند تا علوم اجتماعی سنتی را از میدان به‌در کنند. افق آینده به کدام سمت خواهد رفت؟ آیا جامعه‌شناسی رایانشی مسائلی را که دو قرن است جامعه‌شناسان با آن‌ها درگیرند حل خواهد کرد؟

هایدی لدفورد، نیچر — ایلیزاویتِا سیواک بعد از ۱۰ سال تدریس در رشتۀ جامعه‌شناسی، در طول یک پروژۀ تحقیقاتی، به این نتیجه رسید که باید دوباره درس بخواند.

سیواک درحالِ‌حاضر در ‌دانشکدۀ عالی اقتصادِ دانشگاه تحقیقات ملی مسکو روی خانواده‌ها و دوران کودکی مطالعه می‌کند. او در سال ۲۰۱۵، در یک مطالعه برای بررسی حرکت و جابه‌جایی نوجوان‌ها طیِ مصاحبه‌هایی از آن‌ها می‌خواست تا ۱۰ مکانی را که در پنج روز گذشته ازآن بازدید کرده‌اند به خاطر آورند. یک‌سال بعد، درست زمانی که او پس از تحلیلِ داده‌ها متوجه شد که داده‌های حاصل از مصاحبۀ تک‌به‌تک تاچه‌حد ناکافی و غیرقابل‌اتکا هستند و ازاین‌بابت احساس ناامیدی می‌کرد، یکی از همکارانش توجه‌ او را به مقاله‌ای جلب کرد. آن مقاله داده‌های مطالعه‌ای دربارۀ شبکه‌‌های [اجتماعی] کپنهاگ را تحلیل می‌کرد. یک پروژۀ نوآورانه که در آن تماس‌ها، اطلاعاتِ جمعیت‌شناختی و اطلاعاتِ مکانیِ حدود هزار دانشجو درشبکه‌های اجتماعی، با دقت پنج دقیقه و به‌مدت پنج ماه، رهگیری شده بود. آنجا بود که سیواک فهمید که اوضاع در رشته‌اش دارد تغییر می‌کند. او می‌گوید: «متوجه شدم که این نوع از داده‌ها علوم اجتماعی را برای همیشه متحول خواهند کرد. و البته به‌نظرم اتفاق خیلی جالبی هم می‌آمد».


این شد که سیواک تصمیم گرفت برای جا نماندن از این تحولْ برنامه‌نویسی یاد بگیرد. حالا او به‌همراه دیگر دانشمندانِ علوم اجتماعیِ رایانشی، با زیرورو کردنِ سیلِ عظیم و خروشانِ داده‌ها، از دلِ ردپاهای دیجیتالِ جامعهْ معنا استخراج می‌کند. آن‌ها فعالیت‌های آنلاینِ مردم را دنبال می‌کنند، به اکتشاف در کتاب‌های دیجیتالی‌شده و مستنداتِ تاریخی می‌پردازند، داده‌های حس‌گرهای پوشیدنی‌ای را تفسیر می‌کنند که هر قدم یا هر تماسِ فرد را ثبت می‌کند، با راه‌اندازیِ پیمایش‌ها و آزمایش‌های اینترنتی میلیون‌ها رکورد اطلاعاتی جمع‌آوری می‌کنند و با کندوکاو در پایگاه‌داده‌های بزرگ به رازهایی دربارۀ جامعه پی می‌برند. پایگاه‌داده‌هایی آن‌قدر بزرگ که کارکردن با آن‌ها تنها با بهره‌گیری از روش‌های پیچیدۀ تحلیلِ داده‌ها امکان‌پذیر است.

در یک‌دهۀ گذشته، محققان با استفاده از چنین تکنیک‌هایی به بررسی موشکافانۀ موضوعاتی پرداخته‌اند که دانشمندانِ علوم اجتماعی بیش از صد سال است می‌خواهند از آن‌ها سر در بیاورند. موضوعاتی از قبیل: زیربناهای روان‌شناختیِ اخلاقِ انسان، پیامدهای ناشی از اطلاعاتِ غلط یا عواملی که باعث می‌شود بعضی هنرمندان موفق‌تر از بقیه بشوند. یکی از همین مطالعه‌ها باعث شد بفهمیم که چه نژادپرستیِ گسترده‌ای در الگوریتم‌های اطلاع‌رسانی در خصوص تصمیم‌های حوزۀ سلامت وجود دارد. یا یک مطالعۀ دیگر با استفاده از داده‌های تلفن همراهْ توانست نقشۀ مناطق فقیر در رواندا را برایمان ترسیم کند.

مارکوس اِشترومایر، یک دانشمندِ علوم اجتماعیِ رایانشی از مؤسسۀ علوم اجتماعیِ جِسیس لایبنیتس در شهر کُلُنِ آلمان، می‌گوید: «بزرگ‌ترین دستاورد ِ ما تا الآن این بوده که طرز فکرمان دربارۀ داده‌های رفتاریِ دیجیتال را تغییر کرده و حالا به این داده‌ها به دیدِ منبعی جذاب و مفید می‌نگریم».

البته همه هم با آغوش باز از این تغییر استقبال نکردند. برخی از دانشمندانِ علوم اجتماعی دربارۀ این موضوع نگرانی‌هایی دارند و معتقدند متخصصان رایانه‌ای که غرق در این رشته شده و جاه‌طلبی‌هایشان به بزرگیِ داده‌هایی است که با آن سروکار دارند، آن‌طور که شایسته است با پیشینۀ تحقیقاتِ این رشته آشنا نیستند. شکایت دیگرشان هم این است که بعضی از پژوهشگرانِ رایانشی، چشمشان فقط به دنبال یافتنِ الگوها است و از علت‌ها غافلند یا اینکه مثلاً نتیجه‌گیری‌های مهمی را صرفاً برپایۀ داده‌هایی آشفته و ناقص انجام می‌دهند. داده‌هایی که اغلب از پلتفرم‌های شبکه‌های اجتماعی و سایر منابعی به‌دست آمده‌اند که آن‌طور که بایدْ شُسته‌و‌‌رُفته نیستند.

 

این انتقادات البته موضوعی دوطرفه است. برخی از دانشمندانِ علوم اجتماعیِ رایانشی، به‌خصوص آن‌ها که از رشته‌هایی مثل فیزیک یا مهندسی آمده‌اند هم بر این باورند که بسیاری از نظریه‌های علومِ اجتماعی چنان بدتعریف و مبهمند که نمی‌شود آن‌ها را در عمل آزمود.

و این همان چیزی است که مارک کوشنیگ، جامعه‌شناسِ تحلیلی از دانشگاه لینشاپینگ در نورشاپینگِ سوئد، آن را «یک نبردِ قدرت در اردوگاهِ علوم اجتماعی» می‌نامد و می‌گوید: «کسی که در نهایت پیروز شود، مدّعیِ عنوانِ علوم اجتماعی خواهد شد».

اما کوشنیگ معتقد است که دو طرفِ دعوا درحالِ نزدیک شدن به هم هستند و می‌گوید: «نقاط اشتراکِ علوم اجتماعیِ محاسباتی و علوم اجتماعیِ سنتی در حال افزایش است». او با اشاره به رونق یافتنِ ژورنال‌ها، همایش‌ها و برنامه‌های درسیِ مشترکْ اضافه می‌کند که: «احترامِ متقابلِ دو جبهه نیز روبه‌رشد است».

انقلابِ رایانشی
در سال ۲۰۰۷، یک گروهِ کوچک اما بلندپرواز از دانشمندان در نشستی گِرد هم آمدند تا دربارۀ هنرِ نوظهورِ پردازشِ داده‌ها در حوزۀ علوم اجتماعی بحث و تبادل نظر کنند. قصدشان هم این بود که با به‌کارگیریِ مهارت‌هایشان دنیا را تغییر دهند. در آن جلسه، دانشمندِ علوم سیاسی، گَری کینگ از دانشگاه هاروارد در ماساچوست، عنوان کرد که سیلِ خروشانِ اطلاعاتِ دیجیتال «ما را قادر خواهد کرد که بسیار بیشتر از اکنون دربارۀ جامعه بیاموزیم و به‌این‌وسیله سرانجام –به‌شکل واقعی- قادر به حلِّ مسائلِ اساسی و تأثیرگذار بر رفاهِ توده‌های مردم خواهیم شد».

در آن زمان، تنها تعدادی پژوهشِ‌ سطحی و ابتدایی در حوزۀ علوم اجتماعیِ رایانشی منتشر شده بود. یک مطالعه در سال ۲۰۰۶ نقشِ نفوذِ اجتماعی را بر محبوبیتِ موسیقی بررسی نمود. در این مطالعه یک فروشگاهِ فرضیِ آنلاین برای موسیقی ایجاد شد که ۱۴ هزار و ۳۴۱ نفر از آن استفاده کردند. شرکت‌کنندگان آهنگ‌هایی را برای دانلود انتخاب می‌کردند. گاهی با و گاهی بدون اطلاع از میزانِ محبوبیتِ آهنگ در بین سایر کاربران. این پژوهش نشان داد که هرچقدر کاربرانْ بیشتر تحت تأثیرِ رفتار دیگران قرار می‌گیرند، پیش‌بینیِ محبوبیتِ یک آهنگ دشوارتر خواهد شد. نتایجِ این مطالعه توجیهی برای این مسئله ارائه داد که چرا به راحتی نمی‌توان موفقیتِ ناگهانیِ یک اثر موسیقی در بازار را پیش‌بینی نمود.

دو سال بعد، یک پژوهشْ حرکت یکصد هزار کاربر تلفن همراه را به مدت شش ماه تحلیل نمود و مشخص کرد که افراد مسیرهایشان را در الگوهایی ساده و تکرارپذیر می‌پیمایند. طراحانِ پژوهش توانستند احتمالِ یافتنِ یک فرد در یک مکان مشخص را محاسبه نمایند و براین‌اساس اعلام کردند که شناساییِ مشابهت‌های موجود در الگوهای حرکتیِ یک جامعه می‌تواند به ما در برنامه‌ریزی شهری، درکِ گسترشِ یک بیماری یا آماده‌شدن برای شرایط بحرانی کمک کند.

در همان سال، مجلۀ فناوریِ وایِرد مقاله‌ای را منتشر کرد که مدعی بود با آغازِ عصرِ کلان‌داده‌ها، نظریه از رشته‌های مختلفِ علمی حذف خواهد شد. هرچند که این مقاله به‌خاطر ساده‌انگاریِ بیش‌ازحدش انتقادِ خیلی‌ها را برانگیخت، اما به‌هرحال تأثیر خودش را گذاشت: امروز با گذشتِ بیش از یک دهه، دانشمندانِ علوم اجتماعی به‌طورِ مکرر به آن مقاله استناد کرده و آن را نشانه‌ای از زیر سوال بودنِ نظریۀ علوم اجتماعی می‌دانند.

به‌هرحال کلان‌داده همچنان به

برخی معتقدند که رفتن به سراغ «مسائلِ بچگانه» برای رشتۀ نوپایی که دارد قدم‌های اولش را بر می‌دارد تاحدودی طبیعی است

سیر صعودی خودش ادامه داد. به عقیدۀ دانکِن واتس، جامعه‌شناسِ دانشگاه پنسیلوانیای فیلادلفیا، تحولاتِ علوم اجتماعیْ یادآور اتفاقی است که در دهه ۱۹۹۰ در زیست‌شناسی افتاد یعنی زمانی که استفاده از روش‌های با بازدهیِ بالا منجر به استخراج مقدار معتنابهی داده در مورد توالی‌های دی‌اِن‌اِی و بیانِ ژن‌ها شد. به گفتۀ او «آنجا بود که این حجم عظیم داده‌ها که هچون بهمن سرازیر شده بود باعث شد که نگاه‌ها به مسئلۀ داده به‌کلی دستخوش تغییر شود».

بااین‌حال اولین میوه‌های این انقلاب، بسیاری از جامعه‌شناسانِ سنتی را چندان تحتِ‌تاثیر قرار نداد و آن‌ها حتی به برخی از روش‌های آن هم ایراد گرفتند و بدبین‌هایشان مطالعاتِ انجام شده در شبکه‌های اجتماعی را آزمایش‌هایی می‌دانستند که بر روی هزاران آدمِ ازهمه‌جا‌بی‌خبری انجام شده که هیچ توافقی را برای شرکت در یک پژوهش امضا نکرده‌اند. در سال ۲۰۱۸ خبری منتشر شد مبنی بر اینکه یک شرکت مشاورۀ بریتانیایی به نام کمبریج آنالیتیکا، داده‌های میلیون‌ها کاربرِ فیسبوک را بدون رضایت آن‌ها جمع‌آوری کرده است. پس از این رسوایی، پژوهش‌هایی که از شبکه‌های اجتماعی استفاده می‌کردند هر روز بیشتر از قبل مورد تردید واقع شده و زیر ذرّه‌بین قرار گرفتند تا آنجا که به‌دلیل سیاست‌های محرمانگیِ جدیدی که در این پلتفرم‌ها وضع شده بعضی از دانشمندانْ پروژه‌هایشان به مشکل خورده است.

از نظر اجتماعی، به‌دردنخور
یکی دیگر از انگ‌هایی که به این حوزه زده شد به‌وسیلۀ مقاله‌هایی بود که برای اولین بار اصطلاح «مسائلِ بچگانه» را مطرح کردند. منظورشان پرسش‌هایی بود که هرچند می‌توان پاسخشان را از داده‌ها استخراج کرد اما دردی را از مسائلِ دیرینه و اساسیِ جامعه‌شناسی درمان نخواهند کرد. مسائلی اساسی از قبیلِ چگونگی رفع نابرابری‌ها یا نفوذ در افکار عمومی. کلودیا واگنر، جامعه‌شناسِ رایانشی دیگری از مؤسسۀ جِسیس لایبنیتس، در این زمینه می‌گوید: «پژوهش‌های توئیتریِ زیادی در ابتدای کار وجود داشتند که به‌نظرم دانشمندانِ علوم اجتماعی خیلی از دیدنشان ذوق‌زده نشدند».

برخی معتقدند که رفتن به سراغ «مسائلِ بچگانه» برای رشتۀ نوپایی که دارد قدم‌های اولش را بر می‌دارد تاحدودی طبیعی است و هرچه تحلیل‌ها پیچیده‌تر و منابعِ داده‌‌ها متنوع‌تر می‌شود، این رشته به سراغ حل مسائل مهم‌تری می‌رود. مسائلی چون ریشه‌های تبعیض، نابرابری و افراطی‌گری. طبق گفتۀ اشترومایر «تازه الآن به داده‌هایی دسترسی پیدا کرده‌ایم که پرداختن به مشکلاتِ بزرگ را برایمان ممکن کرده است».

سال گذشته بود که پژوهش‌گرانِ حوزه‌های سلامتِ عمومی و اقتصادِ رفتاری از تحلیلِ اطلاعاتِ موجود در نظامِ سلامتِ ایالات متحده مربوط به بیش از پنجاه هزار بیمار استفاده کردند تا مشخص کنند طبق چه الگوریتمی به یک بیمار با نیازهای پزشکیِ پیچیده توصیه می‌شود که از مداخلاتِ پزشکیِ بیشتر یا تحتِ نظر بودنِ بیشتر استفاده نماید. تیمِ تحقیق با استفاده از مدل‌سازی نشان داد که این الگوریتم به‌صورتِ نظام‌مندی برای سیاهانْ تبعیض‌آمیز است. موضوعی که به‌طور بالقوه بر خدمات‌رسانی به میلیون‌ها نفر تأثیر می‌گذارد. در ادامهْ پژوهش‌گران از دانشی که از این تبعیض‌ها در آمریکا به‌دست آورده بودند به‌عنوانِ سرنخی برای رسیدن به سرچشمه‌های این سوگیری و نیز پیشنهاد راه‌هایی برای حذف آن استفاده نمودند. مثلاً پیشنهاد کردند که مقدار هزینه‌ای که نظامِ درمانی برای یک نفر پرداخت کرده است نمی‌تواند معیار مناسبی برای تخمین نیاز واقعی او به درمان باشد و این فرض را باید از الگوریتم‌ها حذف کرد. علت این موضوع هم این است که نابرابری در دسترسی به امکاناتِ درمانیْ اغلب باعث می‌شود که هزینۀ کمتری برای درمان یک آمریکاییِ سیاه‌پوست نسبت به یک آمریکاییِ سفیدپوست پرداخت شود، حتی زمانی که هر دو به یک اندازه نیاز به درمان داشته باشند.

 

بااین‌حال تنها چالشِ موجودْ دسترسی به داده‌های مناسب نیست. دانشمندانی که از رشته‌های فیزیک یا علوم کامپیوتر به این رشته وارد شده‌اند همچنان در مظانِ این اتهام هستند که نتوانسته‌اند نظریه‌هایی که دانشمندان علوم اجتماعی برای تبیینِ رفتارِ انسانْ صورت‌بندی کرده‌اند را به‌خوبی بیازمایند. آن‌طور که جولیا آندریگِتّو، فلسفه‌خواندۀ سابق و دانشمند علوم اجتماعیِ رایانشیِ فعلی در مؤسسۀ علوم و فناوری‌های شناختی (زیرمجموعۀ شورای تحقیقات ملی ایتالیا در رُم)، می‌گوید: «آن‌ها بیشتر به دنبال یافتن الگوها هستند و توجهی به مکانیزم‌های تولیدکنندۀ آن رفتارها ندارند».

انجام چنین کاری نیازمندِ داشتن درک درستی از نظریۀ علوم اجتماعی است. جی‌سون آن، دانشمند علوم اجتماعیِ رایانشی از دانشگاه حَمَد بن خلیفۀ دوحه که دورۀ پی‌اچ‌دیِ خود را در علوم کامپیوتر در سال ۲۰۱۰ آغاز نمود، در همان ابتدای رونق گرفتنِ جنبش علوم اجتماعیِ رایانشی، مطالعه‌ای را آغاز کرد با موضوعِ اشتراک‌گذاریِ اخبار در شبکه‌های اجتماعی. در ابتدای پروژه او فقط با دانشمندانِ کامپیوتر کار می‌کرد. آن زمان همکارانش برای درک نظریه‌های مختلفِ علوم اجتماعی خیلی به زحمت می‌افتادند. درحال‌حاضر او با دانشمندانِ علوم سیاسی درحال مطالعه برروی تأثیر متقابل رسانه‌ها و افکار عمومی بر یکدیگر و چگونگی تشویق مردم برای تنوع بخشیدن به منابع خبری است. به گفتۀ وی: «هر چه جلوتر می‌رویم، دو طرفْ درک بهتری نسبت به زبان و روش‌های یکدیگر پیدا می‌کنند».

اکنون نشانه‌های بارزی از جلب شدنِ توجه‌ها به این حوزه را می‌توان مشاهده نمود. یک همایش علمی بزرگ برای اولین بار قرار است در سال ۲۰۲۱ هر دو رویکرد را در کنار هم قرار دهد. دانشگاه‌ها هم درحال تأسیس نهادهایی برای دورِ هم جمع کردنِ اساتید از گروه‌های آموزشی مختلف هستند تا این شکاف را از بین ببرند یا مثلاً دانشگاه جورج مِیسِن در شهر فِرفاکسِ ویرجینیا یک گروه آموزشیِ مجزا را به این موضوع اختصاص داده است. یک اردوی تابستانی هم هست که با موضوع علوم اجتماعیِ رایانشی در بیش از سی نقطۀ جهان با حضور گروهی از دانشجویانِ جوان و مشتاق برگزار می‌شود. فرصت‌های شغلیِ روبه‌رشدِ این حوزه را هم که به این موارد اضافه کنیم، همه و همه نویدبخش آن است که این جنگِ قدرت می‌تواند جایش را به همکاری‌های پُربارتری بدهد.

گردهمایی امر‌ اجتماعی
اتّحادِ این دو رویکرد می‌تواند ترکیبِ قدرتمندی را به‌وجود بیاورد. جاشوآ بلومِنسْتاک، دانشمندِ حوزۀ داده‌‌ها در دانشگاه واشنگتنِ سیاتل با کمک همکارانش از داده‌های تلفن همراهِ میلیون‌ها نفر از مردمِ رواندا برای پی‌بردن به وضعیت اقتصادی-اجتماعی آن‌ها استفاده نمود. سپس آن‌ها برای تأییدِ خروجی کارشان، نتایج به‌دست آمده را با داده‌های جمع‌آوری شده با روش‌های سنتی مطابقت دادند. سیاست‌گذاران می‌توانند از این روش هم برای هدف‌گذاریِ مناطق فقیر و نیازمندِ مداخله و هم برای مشاهدۀ نتایج سیاست‌های اتخاذ شده در گذشته استفاده نمایند.

بااین‌حال هنوز هم شاهد نقص‌هایی در ارتباط میان دو طرف هستیم. یک جامعه‌شناس از هاروارد به نام جون داناوان به مقاله‌ای اشاره می‌کند که سال گذشته منتشر شده و در آن پژوهش‌گرانْ شبکه‌ای از گروه‌های اینترنتیِ نفرت‌پراکن را در نرم‌افزارهای فیسبوک و وی‌کُنتاکتبه‌دقت ترسیم نموده و تغییر ساختار این گروه‌ها را در طول زمان نشان داده‌اند. به‌گفتۀ او فیزیک‌دانان و کامپیوتردانانی که این تحقیق را انجام داده‌اند نتوانسته‌اند آن‌طور که بایدوشاید به پژوهش‌های علوم اجتماعیِ مرتبط استناد کنند، درنتیجهْ تفسیرشان از یافته‌های تحقیقْ آن غنایی که می‌توانست داشته باشد را ندارد. و دیگر اینکه آن‌ها تعداد خیلی کمی شبکۀ اجتماعی را بررسی کرده‌اند، درحالی که مطالعاتِ قبلی نشان داده بود که گروه‌های نفرت‌پراکنیْ رهبرانِ کاریزماتیکشان را در جاهای بیشتری دنبال می‌کنند.

بسیاری از نظریه‌های علوم اجتماعی به‌قدری مبهمند که نمی‌شود آن‌ها را با کلان‌داده‌ها آزمود

این جامعه‌شناس معتقد است که تیمِ تحقیق در نتیجۀ این اشتباهات به جمع‌بندیِ خطرناکی رسیده‌اند: اینکه گردانندگانِ شبکه‌های اجتماعی می‌توانند با ایجاد حساب‌های کاربریِ جعلی یا با مهندسی‌کردن، در بحث‌های گروه‌های نفرت‌پراکنی شرکت کرده و هدایتِ آن را به‌دست بگیرند. او معتقد است این کار می‌تواند نتیجۀ عکس داده و منجر به تشدیدِ بحث‌ها و در نهایتْ بالارفتنِ رتبۀ این گروه‌ها در الگوریتم‌های جستجو شود. راهبردِ بهتر به زعمِ او این است که موتورهای جستجو پیام‌های نفرت‌پراکنانه را بررسی کرده و سپس بازنمایی چنین گروه‌هایی را محدود کنند.

در طرف دیگر، نِیل جانسون، سرپرست تیم تحقیقاتی پروژۀ مذکور از دانشگاه جورج واشنگتن، می‌گوید ما گوشمان از انتقادهای جامعه‌شناسان پُر است. ما در تحقیقمان به مرتبط‌ترین منابعِ موجود استناد کرده‌ایم. و در مورد الگوریتم‌های جستجو هم باید بگویم که شبکه‌های اجتماعی قدرتِ دست‌کاریِ نتایج را دارند «درست مثل کاری که الآن برای سرکوب‌کردن صفحات و گروه‌های مخالفِ واکسیناسیون یا آن‌هایی که اطلاعات غلط دربارۀ کووید-۱۹ منتشر می‌کنند انجام می‌دهند». او دربارۀ اطلاعاتِ گمراه‌کننده، خصومت و افراطی‌گری مطالعه کرده است و می‌گوید هربار که من یک مقالۀ سطح بالا منتشر می‌کنم صدای یک عده درمی‌آید. بااین‌حال کارهای او توانسته توجه سیاست‌گذاران را به خود جلب نماید و سازمان‌های مختلف به تناوب از او برای مشاوره دادن دعوت می‌کنند. این سازمان‌ها به ماهیتِ کمّیِ کارهای او و تواناییِ آن‌ها در مدل‌سازیِ پیامدهای احتمالیِ سیاست‌هایشان علاقه‌مندند. او می‌گوید: «ما به شیوه‌ای به مسائل اساسی نگاه می‌کنیم که گمان نمی‌کنم سیاست‌گذاران تابه‌حال نظیر آن را در تعامل با سایر دانشگاهیان دیده باشند». از دیدِ او چیزی که باید نگرانش بود این است که بسیاری از دانشمندانِ علوم اجتماعی به‌سمتِ حوزه‌های رایانشی سرازیر شده‌اند بی‌آنکه آموزش درستی دراین‌باره دیده باشند.

جانسون تنها دانشمندی نیست که دربارۀ اهمیتِ نظریه در پروژه‌هایش تردید دارد. جانجاکومو براوُ، اقتصاددانِ اجتماعیِ سابق و دانشمندِ علوم اجتماعیِ رایانشی فعلی در دانشگاهِ لینیوس در شهر وِکّوآهِ سوئد، معتقد است که «بسیاری از نظریه‌های علوم اجتماعی به‌قدری مبهمند که نمی‌شود آن‌ها را با کلان‌داده‌ها آزمود». برای مثال مفهوم سرمایۀ اجتماعی این‌طور تعریف می‌شود: ارزش‌ها و درکِ مشترک موجود در جامعه که به افراد اجازه می‌دهد درکنار هم فعالیت کنند. «تعریفِ اصلیِ این مفهوم در جامعه‌شناسی گُنگ‌تر از آن است که بتوان آن را آزمود. شما به من بگویید چگونه می‌توانم چنین چیزی را اندازه گیری کنم؟».

درمورد برخی نظریه‌ها، اوضاع از این هم سخت‌تر می‌شود. خانم آندریگِتّو پژوهش‌گرِ حوزۀ هنجارهای اجتماعی -قوانین مشترکی که مشخص می‌کند چه رفتارهایی در جامعه پسندیده و چه رفتارهایی ناپسند هستند- می‌گوید: «یک دهه است که پژوهش‌گران در تلاشند تا نظریه‌ها و تعاریفی شفاف برای این موضوع دست‌وپا کنند». مثلاً نظریه‌هایی شفاف مثل این نظریه که می‌گوید اگر هنجارهای اجتماعی تغییر کند، نحوۀ واکنشِ شخص به یک موقعیتِ خاص هم تغییر خواهد کرد و همچنین فرض می‌شود که هنجارهای اجتماعی همواره به آهستگی و در جریانِ تعاملات اجتماعیِ قوی تغییر می‌کنند. هر زمان که آزمودنِ مفروضاتی مانندِ گزاره‌های بالا ممکن شود، آندریگِتّو می‌تواند کارهای رایانشی را با نظریۀ جامعه‌شناختی ترکیب کند. مثلاً در این مورد او با استفاده از آزمایش‌های آنلاین بررسی می‌کند که آیا تغییراتِ شبیه‌سازی شده در هنجارهای اجتماعی برروی رفتار تأثیر می‌گذارد یا نه.

او تنها کسی نیست که دلش می‌خواهد با علوم اجتماعی دنیا را تغییر دهد. دانکِن واتس معتقد است که او و سایر پژوهشگرانِ دانشگاهی اکثر اوقات بیش از آنکه به‌دنبالِ راه‌حل‌هایی برای حل مشکلات دنیای واقعی باشند فکر و ذکرشان شده است چاپِ مقاله. «درست در لحظه‌ای که مقاله‌ام منتشر می‌شود احساس می‌کنم مأموریتم تمام شده است». «گویی کارِ من این است که این ایده‌ها را آنجا چاپ کنم و کس دیگری موظف است که بیاید و آن‌ها را به مداخله‌های معنی‌دار برای جهانِ بیرون تبدیل کند».

به گفتۀ واتس «برای اینکه این تغییر به حقیقت بپیوندد، پژوهش‌گرانِ هر دو طرف باید این فرصتِ همکاری را غنیمت شمارند». البته بعضی‌ها هم هستند که می‌توانند وقوع این تغییر را احساس کنند مثلاً واگنر می‌گوید: «هرچه می‌گذرد، علوم اجتماعیِ سنتی و رایانشی در واقعیت به هم نزدیک‌تر می‌شوند و من معتقدم بیست سال بعد، دیگر مرزی میانِ این دو وجود نخواهد داشت».

 


 

پی‌نوشت‌ها:
• این مطلب را هایدی لدفورد نوشته است و در تاریخ ۱۷ ژوئن ۲۰۲۰ با عنوان «How Facebook, Twitter and other data troves are revolutionizing social science» در وب‌سایت نیچر منتشر شده است. وب‌سایت ترجمان آن را در تاریخ ۲۸ تیر ۱۳۹۹ با عنوان «اینستاگرام و توییتر چه بر سر جامعه‌شناسی خواهند آورد؟» و ترجمۀ بابک حافظی منتشر کرده است.
•• هایدی لدفورد (Heidi Ledford) روزنامه‌نگار علم است و نوشته‌های او در ساینتیفیک امریکن، سالون و دیگر مطبوعات به انتشار رسیده است. لدفورد هم‌اکنون گزارشگر ارشد نیچر است.

[۱] Computational Social Scientists
[۲] Social influence
[۳] Gene Expression
[۴] گروه نفرت‌پراکن (Hate Group) به گروهی از افراد اشاره دارد که نسبت به افراد منتسب به یک نژاد، مذهب، جنسیت، ملیت و غیره نفرت‌پراکنی، ابراز خصومت یا ترویج خشونت می‌کنند [مترجم].
[۵] VKontakte (وی‌کُنتاکت یا فی‌کُنتاکتی) یک شبکۀ اجتماعی روسی است که به‌وسیلۀ خالق پیام‌رسان تلگرام، پاول دورُف، ساخته شده و در روسیه کاربران فراوانی دارد [مترجم].