创新大数据时代的社会计算

大数据的出现和计算机技术的发展为社会计算带来了新的研究方法的革命，使得研究设计、分析方法到理论建立都有了新的改变。为探索大数据研究的跨学科方法论，促进学科整合与创新，由清华大学社会科学学院主办，清华大学社会网络研究中心（CSNR）、清华大学数据科学研究院（IDS）承办的“2019社会计算国际会议”（2019 International Conference of Social Computing）在清华大学召开，邀请全球学者在大数据分析方法与社会科学的交叉领域进行交流和沟通。

大数据和调查数据结合，产生了一种理论视角下新的研究范式。芝加哥大学社会学系James A. Evans首先阐释计算社会科学使用计算机来生成数据、发现其中的模式和规律，或生成和检验解释（explanations）。他勾勒出了社会计算的愿景，结合其研究内容及计算社会科学领域最新研究阐述了如何利用数据计算来理解社会，分析复杂、动态、自适应的社会系统以及人机交互的过程中何以形成更为强大的智能。

大数据时代大量基于网络、社交媒体、人工智能、传感器等产生的实时电子印记数据，从网络上的集体活动、社交媒体、即时通信到在线交易、政府情报和数字化图书馆，越来越多的社会生活留在电子文本中。研究者可以从中发现现象、寻求解释因素、进行社会计算，以前所未有的广度、深度和规模利用、收集和分析数据。参会者针对各自研究领域，所使用的大数据涵盖了社交网络、维基百科、Github网站数据分析、组织中员工社交数据、微博数据、社会经济相关的电子印记数据等。当这些大数据结合社会科学传统的定性、定量调查，新的研究范式应运而生。采用传统调查方法收集局部、及时的扎根真相，将社会科学的问题意识、扎根真相与现有的大数据相结合形成预测模型，从而在更易获得的相同的大数据维度下进行推论。扎根真相和大数据的结合为数据挖掘、理论建模以及预测算法构建的三角间往复对话提供了可能，一方面使理论不断改善，另一方面使预测算法更加精确，进而可以推论并解释更多现象。这种研究范式的推理过程采用的是Charles Sanders Pierce提出的溯因推理（abduction），而不仅仅是归纳（induction）和演绎（deduction），是一种开始于事实、想象的集合，并推导出其最佳解释的推理过程。与计算社会科学研究中首先基于数据和理论双驱动，在大数据挖掘出有趣的现象，然后结合理论来预测或模拟推导其解释的过程不谋而合。抽样方式也从原来的全样本的随机抽样（random sampling）转变为最适化抽样（optimized sampling），即局部抽样建立预测模型，不断使得预测模型与理论对话，使得预测模型逼近最优，最终采用相同的大数据预测因子输入预测模型中进行推论。

推荐阅读：叶紫网