Ciência social computacional

A ciência social computacional se refere às subdisciplinas acadêmicas preocupadas com abordagens computacionais para as ciências sociais. Isso significa que os computadores são usados para modelar, simular e analisar fenômenos sociais. Os campos incluem economia computacional, sociologia computacional, cliodinâmica, culturômica e a análise automatizada de conteúdo em mídias sociais e tradicionais. Ela se concentra na investigação de relações e interações sociais e comportamentais por meio de simulação social, modelagem, análise de rede e análise de mídia.[1]

Definições editar

Existem duas terminologias que se relacionam: computação em ciências sociais (Social Science Computing, ou SSC) e ciência social computacional (Computational Social Science, ou CSS). Na literatura, CSS refere-se ao campo das ciências sociais que utiliza as abordagens computacionais no estudo dos fenômenos sociais. Por outro lado, CSC é o campo no qual as metodologias computacionais são criadas para auxiliar na explicação dos fenômenos sociais.

A ciência social computacional revoluciona as duas pernas fundamentais do método científico: a pesquisa empírica, especialmente por meio de big data, ao analisar a pegada digital deixada para trás por meio de atividades sociais online; e a teoria científica, especialmente por meio da construção de modelos de simulação computacional por meio de simulação social.[2][3] É uma abordagem multidisciplinar e integrada de pesquisa social com foco no processamento de informações por meio de tecnologia de informação avançada. As tarefas computacionais incluem a análise de redes sociais, sistemas geográficos sociais,[4] conteúdo de mídia social e conteúdo de mídia tradicional.

O trabalho das ciências sociais computacionais depende cada vez mais da maior disponibilidade de grandes bancos de dados, atualmente construídos e mantidos por uma série de projetos interdisciplinares, incluindo:

A análise de grandes quantidades de jornais históricos[10] e conteúdo de livros[11] foi iniciada em 2017, enquanto outros estudos sobre dados semelhantes[12] mostraram como estruturas periódicas podem ser descobertas automaticamente em jornais históricos. Uma análise semelhante foi realizada nas redes sociais, revelando novamente estruturas fortemente periódicas.[13]

Ver também editar

Referências editar

  1. «The Computational Social Science Society of the Americas official website» 
  2. DT&SC 7-1: . Introduction to e-Science: From the DT&SC online course at the University of California
  3. Hilbert, M. (2015). e-Science for Digital Development: ICT4ICT4D (PDF). [S.l.]: Centre for Development Informatics, SEED, University of Manchester. ISBN 978-1-905469-54-3. Cópia arquivada (PDF) em 24 de setembro de 2015 
  4. Cioffi-Revilla, Claudio (2010). «Computational social science». Wiley Interdisciplinary Reviews: Computational Statistics. 2: 259–271. doi:10.1002/wics.95 
  5. Turchin, Peter; Brennan, Rob; Currie, Thomas E.; Feeney, Kevin C.; Francois, Pieter; Hoyer, Daniel; Manning, J. G.; Marciniak, Arkadiusz; Mullins, Daniel (2015). «Seshat: The Global History Databank» (PDF). Cliodynamics. 6: 77  https://escholarship.org/uc/item/9qx38718
  6. Kirby, Kathryn R.; Gray, Russell D.; Greenhill, Simon J.; Jordan, Fiona M.; Gomes-Ng, Stephanie; Bibiko, Hans-Jörg; Blasi, Damián E.; Botero, Carlos A.; Bowern, Claire (2016). «D-PLACE: A Global Database of Cultural, Linguistic and Environmental Diversity». PLOS One. 11: e0158391. Bibcode:2016PLoSO..1158391K. PMC 4938595 . PMID 27391016. doi:10.1371/journal.pone.0158391 
  7. Peter N. Peregrine, Atlas of Cultural Evolution, World Cultures 14(1), 2003
  8. «eHRAF Archaeology». Human Relations Area Files 
  9. «eHRAF World Cultures». Human Relations Area Files 
  10. Lansdall-Welfare, Thomas; Sudhahar, Saatviga; Thompson, James; Lewis, Justin; Team, FindMyPast Newspaper; Cristianini, Nello (9 de janeiro de 2017). «Content analysis of 150 years of British periodicals». Proceedings of the National Academy of Sciences (em inglês). 114: E457–E465. ISSN 0027-8424. PMC 5278459 . PMID 28069962. doi:10.1073/pnas.1606380114 
  11. Roth, Steffen; et al. (2017). «Futures of a distributed memory. A global brain wave measurement (1800-2000)». Technological Forecasting and Social Change (em inglês). 118: 307–323. doi:10.1016/j.techfore.2017.02.031 
  12. Dzogang, Fabon; Lansdall-Welfare, Thomas; Team, FindMyPast Newspaper; Cristianini, Nello (8 de novembro de 2016). «Discovering Periodic Patterns in Historical News». PLOS One. 11: e0165736. Bibcode:2016PLoSO..1165736D. ISSN 1932-6203. PMC 5100883 . PMID 27824911. doi:10.1371/journal.pone.0165736 
  13. Seasonal Fluctuations in Collective Mood Revealed by Wikipedia Searches and Twitter Posts F Dzogang, T Lansdall-Welfare, N Cristianini - 2016 IEEE International Conference on Data Mining, Workshop on Data Mining in Human Activity Analysis

Ligações externas editar