Seminário Sociologia na era do Big Data

Universidade Federal de Goiás

Faculdade de Informação e Comunicação

Programa de Pós-graduação em Comunicação

Disciplina/Curso: Métodos digitais

Docente responsável: Dr. Dalton Martins

Discentes: M.e Filipe Barbosa e Esp. Jéssica Bazzo

SEMINÁRIO PARA A DISCIPLINA DE MÉTODOS

DIGITAIS

APRESENTAÇÃO:

FILIPE BARBOSA E JÉSSICA BAZZO

TÍTULO DO ARTIGO-BASE DA APRESENTAÇÃO:

SOCIOLOGY IN THE ERA OF BIG DATA: THE ASCENT OF FORENSIC SOCIAL SCIENCE

POR:

Daniel A. McFarland(Stanford University)

Kevin Lewis(University of California)

Amir Goldberg(Stanford University)

PALAVRAS-CHAVE:

Big Data; Ciência Social Computacional; Sociologia da Ciência; Ciência Social Forense.

4

MINI RESUMOO surgimento dos big data representa um divisor de águas para as ciências sociais. Estes novos dados demandam novos métodos que reduzam/simplifiquem sua dimensionalidade, que identifiquem novos padrões e relações e que prevejam resultados, desde a etnografia computacional e a linguística computacional à ciência de rede, ao aprendizado de máquina e aos experimentos in loco.

SOBRE OS AUTORES

Daniel A. McFarland(Stanford University)

Kevin Lewis(University of California)

Amir Goldberg(Stanford University)

6

AcademicProfessor of Education and, by courtesy, of Sociology and of Organizational Behavior at the Graduate School of Education, Stanford University (Stanford, California, USA)

EducationPhD, University of Chicago, SociologyMA, University of Chicago, SociologyBA, University of Chicago, Philosophy

AdministrativeDirector at the Stanford Center for Computational Social Science (2012 - 2016)

Daniel A. McFarland

7

Research areas

• Social and organizational dynamics of educational systems;• adolescent relationships, social structures, and identities;• interdisciplinary collaboration and intellectual innovation;• relational sociology;• big data and methodological advances in social networks

and language modeling.

Daniel A. McFarland

8

AcademicAssistant professor of sociology at the University of California (San Diego, California, USA)

EducationPhD, Harvard University, SociologyMA, Harvard University, SociologyBA, University of California, San Diego (Summa Cum Laude), Sociology and Philosophy with Mathematics Minor

Kevin Lewis

9

Research areas

• Complex web of relationships and individual behavior;• formation and maintaining of social ties; network ties and peer

influence;• network ties, “micro-level” dynamics, “macro-level” outcomes,

racial segregation and cultural diffusion;• online data sources, “digital footprints” and human interaction in

society.

Kevin Lewis

10

AcademicAssociate Professor of Sociology (by courtesy) at the School of Humanities and Sciences, Stanford University (Stanford, California, USA)

EducationPhD, Princeton University, SociologyMA, Goldsmiths College, University of London, SociologyBA, Tel Aviv University, Computer Science & Film Studies (double major)

Amir Goldberg

11

Research areas

• Organization studies, cultural sociology and network science;• network structures, interaction and emergence of social meanings;• new cultural categories, people and organizational actors

interaction;• computationally intensive network and language-based methods.

Amir Goldberg

CONTEXTO

13

VALE DO SILÍCIO, SÃO FRANCISCO, CALIFÓRNIA, EUA

“Capital mundial do digital” (MARTEL, 2015)

14

CONCENTRAÇÃO DAS INDÚSTRIAS DE CHIP NO VALE DO SILÍCIO, EM MEADOS DO SÉC.

XX

15

HISTÓRICO DE FUNDAÇÃO DAS PRINCIPAIS

COMPANHIAS DE TECNOLOGIA DO VALE

16

UNIVERSIDADE DE STANFORD, PALO ALTO

“coração do vale”(MARTEL, 2015)ALGUNS CENTROS E PROGRAMAS DE ENSINO, DESENVOLVIMENTO E PESQUISA DA STANFORD UNIVERSITY

• CENTER FOR COMPUTATIONAL SOCIAL SCIENCES• CLARK CENTER• STANFORD RESEARCH PARK• STANFORD TECHNOLOGY VENTURES PROGRAM

17

CENTER FOR COMPUTATIONAL SOCIAL SCIENCES

“Using data science to understand changes in human interactions” (STANFORD, 2016)

18

CENTER FOR COMPUTATIONAL SOCIAL SCIENCES

“The Center supports social science research by using computational techniques to analyze big data. Today huge amounts of data are available to use for research on human behavior: website clicks, medical records, social media data. This data can be used to address larger societal issues of inequality, healthcare, education, democracy, and more.” (STANFORD, 2016)

19

A INTERDISCIPLINARIDADE EM STANFORD

William Miller (apud MARTEL, 2015, p.24) ― professor emérito da Graduate School of Business de Stanford ― defende que a “interdisciplinaridade pode dar origem a inovações importantes, além do campo delimitado de cada um”; e o professor Aron Rodrigue (apud MARTEL, 2015, p.25) lembra que a diversidade da comunidade desta universidade é também de ordem cultural, com cerca 35% das pessoas de origem asiática, por exemplo.

INTRODUÇÃO

21

INTRODUÇÃO• Grande expansão das bases de dados (big data);• Novos meios tecnológicos de coleta e análise de dados, a

partir das engenharias;• Ciência Social Computacional;• Convergência entre diferentes culturas de investigação: a

engenharia, disciplinas da ciência social e a indústria de mídia social.

22

INTRODUÇÃO• Há, portanto, a “convergência” de perspectivas científicas,

métodos e tecnologias; • Esta convergência significa que o big data tem o potencial

para se tornar uma “zona de trocas";• Pesquisadores de paradigmas completamente diferentes

colaboram entre si para trocar ferramentas, informação e conhecimento;

23

INTRODUÇÃO

Pergunta motriz:

Testemunharemos uma era de recombinação intelectual, a formação de um paradigma, ou um momento de colonização, em que o campo da sociologia e suas tradições são subvertidos para outros campos como o da ciência da computação?

O ÚLTIMO MOMENTO “DIVISOR DE ÁGUAS”

25


• Em grande parte das ciências sociais, a tendência tem sido aumentar a quantificação, especialmente, após terem sido apropriadas pelo Estado para pesquisas de survey;

• Métodos estatísticos de ciência, tecnologia, engenharia e matemática (STEM – Science, technology, engineering and mathematics) foram importados para as ciências sociais;

• A modelagem estatística se tornou uma tecnologia computacional e viabilizou cálculos mais sofisticados.

26


• Com isso, as ciências sociais (em especial, a sociologia) foram se afastando dos estudos de comunidade mais etnográficos e adotaram uma perspectiva individualista metodológica;

• Com a pesquisa de survey e os modelos estatísticos históricos vieram suposições sobre atores sociais e sua inter-relação;

• Porém, estas suposições baseadas em quantificações nunca foram creditadas como leituras precisas da vida social, e nem como desenvolvimento do individualismo metodológico;

27


• Apesar disso, estas suposições foram reconhecidas como subprodutos necessários à realização de pesquisas estatísticas em vista da grande quantidade de dados.

• Não obstante a difícil aceitação dessas pesquisas, devido a sua imprecisão, estas foram compilando evidencias e se tornando cada vez mais centrais à investigação sociológica dominante.

28


• As pesquisas de levantamento e modelagem estatística também institucionalizaram o teste hipotético como parte do paradigma científico dominante nas ciências sociais;

• Gerações de pesquisadores foram treinadas a fazer perguntas de pesquisa em termos de falsear hipóteses, as quais eles deveriam refutar com evidências estatísticas;

• Esta mudança de paradigma implica que a teoria deve preceder a coleta de dados e que a pesquisa deve encontrar uma base estatística para um conjunto preconcebido de hipóteses.

29


• Portanto, as mudanças não foram endógenas à sociologia, elas foram o resultado de campos que convergiram para abranger a estatística, e suas grandes pesquisas de levantamento e survey;

• Vale ressaltar, contudo, que estas mudanças resultaram também de demandas industriais (marketing), militares (estudos) e governamentais (censos).

O atual momento "divisor de águas"

31


• Mudanças de paradigmas normalmente surgem de mudanças fundamentais na natureza do conteúdo da pesquisa;

• Como consequência do big data, o conteúdo de pesquisa da ciência social está passando por tal mudança;

• Com isso, surgem novas técnicas e métodos analíticos;

32


• Nas ciências sociais, esta mudança incorre em novos complexos de conhecimento informacional de dados;

• Com esta mudança técnica virá uma mudança teórica, no pensar a comunidade, ou nas redes de parcerias e recursos de que esta comunidade é composta.

Novos Dados

34

Novos Dados

• A noção de “big data” não capta adequadamente o conjunto de mudanças que estão transformando os dados atuais;

• É indispensável considerar a mudança na própria coleta de dados, que se dá por meio de registros digitais de todo tipo;

• E isto se deve a mudanças lideradas pela indústria de tecnologia, que têm tornado ubíquos registros digitais de todo tipo.

35

Novos Dados

• Hoje, um número crescente de organizações detém dados digitais sobre milhões de pessoas e seus hábitos em rede;

• Nós vivemos em uma “era da engenharia”, na qual contamos com a tecnologia para uma variedade de tarefas, tornando-a quase onipresente;

• Deste modo, os tipos de dados que são coletados e o alcance dos contextos nos quais são fornecidos são notáveis.

36

Novos Dados

• Estes dados não são (apenas) informação expressa por uma pessoa em particular colocada em uma determinada relação com um pesquisador;

• Na sua maioria, são dados sobre comportamentos sociais efetivados e sobre pessoas em suas atividades diárias;

• São "pegadas digitais" da atividade humana;

37

Novos Dados

• Os dados não são mediados por entrevistadores, mas por uma tecnologia, dispositivo, ou interface;

• Estes são criados não para um uso artificial de pesquisa, mas para fins privados ou institucionais;

• Em outras palavras, estes dados não necessitam de uma hipótese de pesquisa orientadora para serem gerados.

38

Novos Dados

Os big data e os avanços computacionais apresentam uma mudança de paradigma para a sociologia:

1. Fornecem acesso a dados sobre comportamentos sociais básicos, mas até agora raramente documentados;

2. Eliminam a necessidade de desenhar amostras em contextos nos quais o completo universo dos dados está já documentado.

39

Novos Dados

• Porém, estes enormes corpus não estruturados de dados exigem uma imensa potência computacional para serem tornados inteligíveis;

• Contudo, a vantagem desta desordem reside no fato de os pesquisadores poderem agora indutivamente construir uma teoria a partir do zero, ao invés de testar hipóteses.

40

Novos Dados

• Porém, dados maiores e mais amplos não significam que agora temos dados precisos e generalizáveis;

• Estes estão propensos ao erro e a vieses, pois cada conjunto de big data tende a ser um único “mergulho" adentro uma plataforma eletrônica e social;

41

Novos DadosAlém disso, há ainda questões que variam no fornecimento individual de dados:• as pessoas têm acesso a dispositivos tecnológicos (por

exemplo, smartphones e a internet)?• são pessoas que usam muito estas tecnologias (por exemplo,

extrovertidos)?• são pessoas que geram tipos específicos de registros em

acumulação (por exemplo, acadêmicos que publicam artigos em plataformas e redes sociais específicas)?

42

Novos DadosMediante isto, uma pergunta que vale a pena ser feita é:A escala, largura e profundidade destas novas informações irão compensar as preocupações com os vieses da amostragem e a falta de dados, e ainda permitir inferências válidas?A resposta a esta questão não se dá nem no sentido de ignorar os problemas dos big data, nem de invalidá-los como uma fonte confiável de informação, mas de considerá-los na sua adequação a cada tipo de pesquisa, de modo que os big data são sim mais propensos a fornecer subsídios às generalizações sobre grandes corpus e mais imprecisos para tratar de contextos específicos.

Novas técnicas

44

Novas Técnicas

• As bases de dados se ampliaram de tal forma que algumas das antigas técnicas estatísticas se tornaram inaplicáveis;

• Os novos dados necessitam novos métodos de tratamento e manuseio para que possam ser tornados informação;

• A expansão advinda com os big data gerou uma série de novas técnicas computacionais e renovou os métodos tradicionais;

45

Novas TécnicasEtnografia computacional

• É a abordagem mais comum na atualidade;• Esta é etnográfica pelos pesquisadores procederem por indução,

mas, diferentemente da idiossincrasia dos relatórios tradicionais, agora podem compartilhar os dados e reproduzir os resultados uns dos outros;

• O processo de descoberta começa com um palpite inicial ou intuição de como o fenômeno social surge.

• E, depois, os pesquisadores buscam por padrões nos dados, os quais são reconstruídos dentro de uma narrativa que pode explicar o fenômeno.

46

Novas TécnicasEtnografia computacional

• Dada a natureza dos dados, os estudiosos começam a examinar tendências e testar uma variedade de correlações para visualizar o que está acontecendo;

• E quando encontram um resultado interessante, eles ilustram isso em uma variedade de maneiras e, então, reavaliam e desenvolvem suas teorias com a observação continuada;

• Tais exemplos podem ser encontrados em muitos dos estudos descritivos usando big data.

47

Novas TécnicasNovos métodos surgiram para confrontar esses dados, adquiridos (especialmente) a partir de ligações (relacionais e de eventos) e de textos (significados); as questões que estão sendo feitas sobre estes dados são questões de simplificação e lógica:• como reduzimos esses dados brutos a dados manuseáveis, mas

mantendo suas dimensões de significado?• que tipos de padrões conseguimos discernir nesses dados?

48

Principais variedades de método na Ciência Social Computacional:

1. A primeira surge no campo da linguística computacional e é usada para identificar padrões em falas e textos;

2. A segunda surge na ciência de rede (uma confluência de pesquisadores de redes sociais entre ciência da computação e ciência social) e é usada para identificar padrões em larga escala e ligações dinâmicas;

3. Uma terceira diz respeito a algoritmos que empregam esses recursos (e outros) para predizer resultados variados, muitos dos quais adotam a abordagem da aprendizagem de máquina, entretanto, uma de tipo aumentada por modelagem de simulação.

4. Uma quarta abordagem decorre da interação humano-computador e se utiliza da experimentação para tirar vantagem da larga escala, com análises em tempo real de experiências de usuários em plataformas de redes sociais, para, a partir destas, identificar relações causais.

49

Novas Técnicas1 Linguística computacional• A linguística computacional surgiu a partir da sobreposição

da linguística, da inteligência artificial e da ciência cognitiva, procurando desenvolver modelos matemáticos para a tradução automática de idiomas;

• A linguística computacional criou técnicas para transformar falas em informações quantificáveis e também métodos para identificar usos temáticos de texto, reconhecimento de sentenças, etc.;

50

Novas Técnicas1 Linguística computacional

• Aos cientistas sociais, isso provê uma infinidade de métodos para análise linguística, muitos dos quais com a aparência de teorias interacionais e sociolinguísticas;

• Em particular, a modelagem por tópicos transforma vastos reservatórios de texto em sub-linguagens, ou em grupos de palavras frequentemente utilizadas juntas;

• E, por exemplo, métricas de distâncias que aproximam textos uns dos outros, utilizadas para simplificar e dar sentido para grandes corpos de texto.

51

Novas Técnicas2 Ciência de Rede

• Uniu esforços de análise da rede de cientistas da computação, de físicos e de cientistas sociais metodologicamente orientados, e que estudam as redes sociais;

• Estes estudos têm focado: ligações entre sites, trocas de e-mail e em dados relacionais, extraídos a partir de uma variedade de mídias sociais. Por exemplo, seguidores no Twitter, ou para amizades e postagens de fotos no Facebook;

52

Novas Técnicas

2 Ciência de Rede• Na indústria, esses recursos podem prever uma variedade

de resultados importantes aos negócios;• Engenheiros tomam esses dados e desenvolvem modelos

para otimizar ações de marketing e impulsionar compra, permanecimento do consumidor no site, etc.

53

Novas Técnicas3 Aprendizagem de máquina

• Esta é uma ferramenta poderosa e que ajuda empresas e pesquisadores em questões de engenharia;

• Por exemplo, na linguística computacional, a aprendizagem de máquina é o próprio fundamento da tradução automática;

• O algoritmo prossegue identificando sequências de palavras comuns entre traduções verificadas, e como um “conjunto de treino” do crescimento de traduções conhecidas, vai criando, por probabilidade, predições “precisas” sobre as associações de palavras possíveis nos “conjuntos teste” de textos futuros.

54

Novas Técnicas3 Aprendizagem de máquina

• A abordagem do aprendizado de máquina combinada com teoria e pesquisa pode levar a bons resultados científicos.

• A perspectiva a-teórica do aprendizado de máquina pode revelar padrões não previstos na teoria, ou uma nova maneira de formular a teoria, a qual talvez o analista deixou passar.

• Portanto, a aprendizagem de máquina por si só (e por design) resulta em pouco ou nenhum conhecimento (como é evidente nos tradutores automáticos), caso não haja esforços para dela derivar uma teoria ou explicação.

55

Novas Técnicas4 Métodos Experimentais e Interação Homem-Máquina

• Um grande número de empresas e estudiosos se preocupa com o estabelecimento de métodos experimentais para identificar se o que muda em um ambiente social gera um efeito desejado;

• Estes experimentos acontecem em estudos de interação humano-computador, em que plataformas de internet oferecem condições ideais para o controle experimental.

• Experimentos on-line têm o beneficio de melhor controlar as condições e estimar o efeito de um tratamento único ou de intervenção em uma grande amostra de indivíduos.

56

Novas Técnicas4 Métodos Experimentais e Interação Homem-Máquina

• O mesmo está a surgir para os cientistas que estudam mídia social e big data, e, cada vez mais, revistas acadêmicas evidenciam este tipo de teste como mais conclusivos que outros;

• Esses experimentos são executados de forma rápida e, em seguida, ou produto se altera e/ou se continua com a fórmula;

• Porém, há pouco esforço para executar estudos secundários, e, raramente, os resultados dos experimentos individuais são coordenados para produzir contribuições sintéticas.

NOVAS LINHAS DE INVESTIGAÇÃO

58


• Questões sociais antigas de investigação científica são abordadas novamente a partir novos ângulos;

• A vivência em um mundo de acesso aos big data criou um novo conjunto de perguntas a serem investigadas;

• Novas linhas de investigação, as quais correspondem também a mudanças teóricas.

59


Exemplo 1 – Democracia e debate político:• Uma antiga questão da ciência social melhor respondida nos

dias de hoje diz respeito ao bom funcionamento da democracia pelo diálogo;

• Os pesquisadores de hoje têm acesso a todo tipo dado e técnicas analíticas relevantes;

• Cientistas políticos e também os entrevistadores podem examinar gravações, transcrições, blogs, opiniões, gravações em C-Span, legislação, tweets, enquetes em curso, e pesquisas de intenção de voto;

60


Exemplo 1 – Democracia e debate político:• Os pesquisadores têm acesso a registros que dizem quando,

onde, como e por quem as opiniões têm sido emitidas, e dados transmitidos sobre como os espectadores reagem diretamente a um debate, evento ou discurso, e isso em tempo real.

• Meios para discernir quem desempenha a “melhor” ou “pior” performance em debates políticos, por exemplo; mas, claro, “melhor” e “pior” podem ser definidos de inúmeras formas, segundo o problema da pesquisa;

61


Exemplo 2 – Desigualdade:• Não mais limitados aos registros periódicos e esparsos de censos

e levantamentos, os pesquisadores podem observar as pessoas se movendo cotidianamente;

• Eles têm registros de quando as pessoas entram em contato com diferentes torres de telefonia celular, onde seus telefones e PCs são registrados, e podem rastrear o movimento individual por meio de sistemas de posicionamento global (GPS) em telefones;

• Com isso conhecem informações de grande importância sobre onde, quando e precisamente em que medida as pessoas estão realmente segregadas;

62


Exemplo 2 – Desigualdade:

• Além destes novos dados, uma enorme variedade e quantidade de dados coletados tradicionalmente pelo censo, polícia, serviços de saúde e prefeitura estão agora sendo digitalizados e conectados;

• De mão destes e dos big data, pesquisadores podem novamente avaliar questões sobre a desigualdade, agora também em termos de segregação, padrões de comportamento e acesso a uma variedade de serviços sociais.

63


• Com novos dados e novas tecnologias chegam também novas questões de pesquisa e novos problemas;

• Sobrecarga de informação disponível – um problema considerável hoje;

• Com os crescentes corpos de dados públicos e descobertas maiores ainda em dados privados, há uma pressão para minerá-los a fim de lhes extrair informação útil;

64


• Mas que informação é útil? Para as empresas, é o que funciona – ou que cria um resultado desejado; para os cientistas a que se encaixa em explicações plausíveis dos fenômenos sociais – ou que responde a uma pergunta de pesquisa;

• Em muitos casos, as empresas estão começando a ligar seus dados com os conjuntos de dados públicos, construindo assim bases de informações mais ricas sobre os consumidores;

• Os cientistas esperam usar tais conjuntos de dados ligados para tratar de questões de interesse público, tais como observar em que medida certas políticas públicas funcionam;

65


• Nesta nova era (das mídias sociais, registros digitais, e muitos trilhões de eventos transacionais), novas tecnologias e modos de análise podem identificar vestígios de atividade pertencentes à maioria de nós;

• Assim, questões sobre privacidade e ética em relação aos big data se tornarão cada vez mais importantes, em vista de situações tais como de crime cibernético ou da busca desenfreada por lucros e o abuso do marketing digital.

BIG DATA COMO “ZONA DE TROCAS”

67

BIG DATA COMO “ZONA DE TROCAS”

• Estas novas questões e problemas serão o foco dos cientistas sociais, bem como de engenheiros (cientistas da computação), tanto na academia quanto na indústria;

• Pesquisadores de cada um destes domínios passaram a se preocupar com os mesmos tipos de dados, e usarão conjuntos semelhantes de técnicas analíticas para transformar esses dados em informações utilizáveis;

• Assim, os big data têm o potencial de se tornar uma espécie de "zona de trocas" entre domínios, e de criar uma convergência nas redes sociais e intelectuais que as envolvem, fazendo fruir o novo paradigma das ciências sociais;

68

69

INCORPORAÇÕES TEÓRICAS

71

INCORPORAÇÕES TEÓRICAS• Há quadros de pesquisa muito distintos e perspectivas gerais

funcionando quando se trata da análise de big data;• Os autores acreditam que a realidade das colaborações para análise

dos big data atual levam à negociação e troca de conhecimentos;• Argumentam que já estão a presenciar a partilha de conhecimentos

entre cientistas sociais e cientistas da computação, que usam os mesmos dados e métodos;

• Ambos parecem estar adotando o foco em links e textos, e parecem estar cada vez mais adotando perspectivas que evitem o individualismo metodológico em favor de um relacionalismo ou um transacionalismo metodológico;

72

73

INCORPORAÇÕES TEÓRICAS• As abordagens das várias áreas diferem na forma como os

mesmos dados e métodos são utilizados, nas formas diferentes como conduziriam uma mesma proposta de estudo;

• Isso é notório em casos de colaborações interdisciplinares, e nas divisões de trabalho ou incorporações de perspectivas que delas resultam;

• Uma hibridização completa pode ser difícil de se cumprir para cientistas e engenheiros formados, mas novos pesquisadores irão fundir essas perspectivas de novas maneiras, criando linguagens híbridas, e que podem formar novos campos e disciplinas.

74

EXISTE ESPERANÇA DE SÍNTESE?

76

EXISTE ESPERANÇA DE SÍNTESE?Há esperança para uma forma recíproca de troca e síntese teórica entre os campos das ciências sociais e engenharias?

Segundo os autores, a esperança de síntese reside no que eles chamam de Ciência Social Forense. Trata-se de uma abordagem que combina perspectivas aplicadas e teoricamente dirigidas, assim como, abordagens dedutivas e indutivas, mutuamente. Utiliza-se a teoria para orientar parcialmente a exploração dedutiva dos dados, enquanto se utiliza, ao mesmo tempo, a indução para descobrir qual teoria oferece uma explicação ou mesmo para reformar a teoria utilizada de antemão.

77

EXISTE ESPERANÇA DE SÍNTESE?Ciência Social Forense

• No caso de uma cena de crime, o cientista forense se aproxima da configuração com um arsenal de ferramentas e entendimentos de cenas de assassinato. Nesta, as teorias e as evidências coevoluem de forma rápida, interativa e em ritmo acelerado;

• Assim, os métodos dedutivos de mineração de dados e de previsão automática de interações não são os resultados da pesquisa para o cientista social forense, mas apenas o seu primeiro passo;

78

EXISTE ESPERANÇA DE SÍNTESE?Exemplo 1 - Análise do consumo de filmes na plataforma Netflix

Neste caso, a partir das predições providas pelos algoritmos, o cientista social forense deverá ainda buscar responder questões como:• Qual dos componentes neste algoritmo explica o gosto cultural, e a

quais processos cognitivos e sociais eles correspondem?• Será que eles se relacionam com o conteúdo dos filmes que estão

sendo avaliados?• Ou com a identidade das pessoas que os consomem?• Ou talvez à maneira pela qual as pessoas influenciam-se mutuamente

por meio de suas escolhas de consumo?

79

EXISTE ESPERANÇA DE SÍNTESE?

Ciência Social Forense

Segundo os autores, para se tornarem aparatos de construir teorias, as ferramentas forenses das ciências sociais precisam identificar padrões nos dados e, em seguida, rastreá-los de volta a construções analíticas significativas.

80

EXISTE ESPERANÇA DE SÍNTESE?Ciência Social Forense

• Segundo os autores, a ciência social forense é promissora e particularmente interessante no que diz respeito a objetos textuais não estruturados e dados audiovisuais, os quais até agora têm escapado às ciências sociais;

• A era dos big data pode também representar uma mudança de paradigma para o construtivismo científico, o qual deve metodicamente explorar e teorizar sobre os processos pelos quais o significado é coletivamente negociado, por meio de interações interpessoais, e com as máquinas.

CONCLUSÃO

O FUTURO DA SOCIOLOGIA E OS BIG DATA

82

CONCLUSÃOO FUTURO DA SOCIOLOGIA E OS BIG

DATA

• O surgimento dos big data é um divisor de águas para as ciências sociais, semelhante ao observado na estatística, em pesquisas de meados do século passado;

• Estamos testemunhando uma mudança do individualismo metodológico para um transacionalismo metodológico, e uma abertura para uma ampla gama de teorias sociais sobre interação, focos de atenção e significados de uso;

83


DATA• Os big data não são apenas grandes, mas ricos e, muitas das

vezes, dizem respeito à forma e ao conteúdo das comunicações (links e textos) em diversos fenômenos sociais;

• Assim, há a procura por novos métodos, que reduzam sua dimensionalidade, identifiquem padrões e relações, prevejam resultados e possibilitem experimentos in loco, revelando formas de alterar relações sociais nas direções desejadas (como no caso de políticas públicas, por exemplo).

84


DATA

Os big data e os novos métodos disponíveis geraram também uma revisitação a antigos questionamentos da ciência social (agora potencialmente respondíveis em um nível societário) e permitiu a criação de linhas de pesquisa inteiramente novas (em grande parte graças às novas tecnologias de informação e comunicação, que ao mesmo tempo mediam e registram uma variedade impressionante de experiências sociais).

85


DATA• Estas transformações são também resultado da convergência do

trabalho de engenheiros de empresas privadas com o de cientistas sociais e da computação por estas mesmas recrutados, em que todos estão focados na informação social digital recolhida dos big data gerados por grande parcelas de populações humanas;

• No entanto, o foco e preocupação compartilhados por aqueles estão em desacordo com o fato de que há consideráveis diferenças entre os quadros de investigação de engenheiros (da indústria) e de cientistas sociais, o que pode levar uma área a colonizar a outra;

86

CONCLUSÃOO FUTURO DA SOCIOLOGIA E OS BIG DATA

• No momento, estamos experimentando um alto nível de inovação tecnológica, em que soluções de engenharia para problemas práticos têm maior valor, tanto financeira e simbolicamente, quanto em termos de explicação e entendimento científico;

• Isto inclui uma variedade de razões estruturais, como o fato de que questões e soluções de engenharia são muito mais aplicadas às preocupações empresariais, e, portanto, para obtenção de lucro;

• Assim, os cientistas sociais dependem da sua capacidade de adotar uma abordagem computacional e utilizarem sua teoria como uma reflexão posterior que ajuda a melhor explicar dados encontrados.

87


DATAApesar destas condições estruturais, os autores acreditam que uma abordagem híbrida nos termos de uma Ciência Social Forense pode ser mais propícia e bem sucedida a longo prazo. Os autores dizem ainda que não defendem esta posição somente porque esta parece defensável em uma época de teorias pluralistas, mas porque, em uma era pragmática, comparações críticas de abordagens e esforços para fornecer explanações robustas permitirão maior contribuição ao conhecimento científico como um todo.

88

ReferênciasMARTEL, Frédéric. Smart: o que você não sabe sobre a internet. Tradução Clóvis Marques. Rio de Janeiro: Cilivilização Brasileira, 2015.MCFARLAND, Daniel A.; LEWIS, Kevin; GOLDBERG, Amir. Sociology in the Era of Big Data: The Ascent of Forensic Social Science. Published online: 17 set. 2015. Springer: New York, 2015. DOI 10.1007/s12108-015-9291-8. Acesso em: 27 out. 2016. Disponível em: <https://www.gsb.stanford.edu/sites/gsb/files/publication-pdf/amsoc.pdf>.STANFORD. Center for Computational Social Sciences. 2016. Acesso em: 30 out. 2016. Disponível em: <https://iriss.stanford.edu/css>.

89

FIM