计算社会学

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
乐多多讨论 | 贡献2020年7月31日 (五) 16:27的版本
跳到导航 跳到搜索

计算社会学 Computational Sociology 是社会学的一个分支,它使用计算密集型方法来分析和模拟社会现象。借助计算机模拟、人工智能、复杂统计方法以及社会网络分析等分析方法,计算社会学通过自下而上地建立社会互动模型来发展和检验关于复杂社会过程的理论。


它涉及理解社会行为主体和它们的相互作用,以及这些相互作用如何影响社会总体。[1] 虽然社会科学的主题和方法不同于自然科学或计算机科学,但当代社会仿真模拟中使用的一些方法起源于物理学和人工智能等领域。[2][3] 这一领域的一些方法,如来自社会网络分析和网络科学领域的网络中心性度量方法等,早已被引入到自然科学中。


在相关文献中,计算社会学经常与社会复杂性的研究有关。[4] 复杂系统、宏观和微观过程之间的非线性关联、涌现等社会复杂性概念已经进入计算社会学的词汇。[5] 一个实际而著名的例子是建立“人工社会 Artificial Society”的计算模型,通过它研究人员可以分析一个社会系统的结构。 [1][6]

历史

社会学和复杂性中的研究范式和科学家的历史地图.

背景

在过去的四十年里,计算社会学诞生并且越来越受欢迎。这主要用于建模或构建社会过程的解释,并且依赖于从简单活动中涌现 Emergence的复杂行为。[7] 涌现背后的思想是,任何较大系统不总是必须和组成系统的部分具有一样的性质。[8] 引入涌现思想的人是亚历山大 Alexander、摩根 Morgan和布罗德 Broad,他们都是经典涌现主义者 Classical Emergentists。经典涌现主义者提出这个概念和方法的时间是在二十世纪初期。这种方法的目的是在还原论的唯物主义和二元论这两种不同的本体论之间找到一个足够好的调和。[7]


虽然涌现在计算社会学的建立上发挥了宝贵而重要的作用,但也有人不太同意。该领域的一个主要人物爱泼斯坦 Epstein对这种概念持怀疑态度,因为有些方面是这个概念无法解释的。爱泼斯坦提出了一种反对“涌现主义”的观点,他表示:“正是这些部分所产生的充分性构成了对整体的解释”。[7]


基于主体的模型 Agent-based Models对计算社会学有着历史性的影响。这些模型最早出现在20世纪60年代,用于仿真模拟组织、城市等系统的控制和反馈过程。在20世纪70年代,ABM模型引入个体作为主要的分析单元,并使用自下而上的策略来对行为建模。最后一波浪潮发生在20世纪80年代。那时,模型仍然是自下而上的; 唯一的区别是主体之间具有互相依赖和相互作用。[7]

系统理论和结构功能主义

战后时期,范内瓦·布什 Vannevar Bush的微分分析机 Differential Analyser 、冯·诺伊曼 John von Neumann元胞自动机 Cellular Automata、维纳 Norbert Wiener的控制论 Cybernetics克劳德·香农 Claude Shannon信息论 Information Theory成为技术系统中建模和理解复杂性的重要范式。物理学、生物学、电子学和经济学等学科的科学家开始阐述系统的一般理论,即所有自然和物理现象都是具有共同模式和属性的系统中相互关联的元素的表现。沿着涂尔干 Émile Durkheim分析特定的复杂现代社会的思路,[9] 战后结构功能主义社会学家如帕森斯 Talcott Parsons利用这些组成部分之间系统化和层次化相互作用的理论,试图产生大统一的社会学理论,如 AGIL 范式。[10] 霍曼斯 George Homans等社会学家认为,社会学理论应该被构建为具有逻辑命题和精确术语的层次化结构,并且从中可以得出能够在实证研究中被操作化的其他命题和假设。[11] 由于早在1956年计算机算法和程序就已经被用来测试和验证数学定理(如四色定理Four Color Theorem),[12]一些学者预计相似的计算方法可以“解释”和“证明”关于社会结构和演变的类似形式化的问题和定理。

宏观模拟和微观模拟

截至20世纪60年代末70年代初,社会科学家越来越多地使用已有的计算技术,对组织、工业、城市和全球人口进行包含控制和反馈过程的宏观模拟 Macrosimulation 。这些模型使用微分方程作为其他系统因素的整体函数来预测人口分布,这些系统因素包括财产控制、城市交通、人口迁移和疾病传播等。[13][14] 20世纪70年代中期,尽管对社会系统的仿真获得了巨大的关注,但在罗马俱乐部 Club of Rome 发布预测报告称促进指数式经济增长的政策最终将导致全球环境灾难,[15]这个悲观的结论导致许多研究者尝试抹黑这些(仿真)模型,并试图让(这些模型的)研究者自身显得不那么科学。[1][16] 为了避免同样的情况,许多社会科学家将注意力转向微观模拟 Microsimulation模型。这些模型通过模拟个体状态的总体变化而不是总体人口级别的分布变化来进行预测和研究政策的效果。[17]然而,这些微观模拟模型并不允许个体相互作用或适应、变化,研究者也不打算将它们用于基础理论研究。

元胞自动机和基于主体建模

20世纪70年代和80年代,物理学家和数学家也在试图模拟和分析简单的组成单位如何产生整体特性,比如低温环境中原子在磁性材料和湍流中(表现出的)的复杂材料特性。[18] 使用元胞自动机 Cellular Automata,科学家们能够指定由元胞网格组成的系统,其中每个元胞只占据一些有限的状态,状态之间的变化完全由相邻元胞的状态控制。随着人工智能和微型计算机能力的进步,这些方法促进了“混沌理论”和“复杂性理论”的发展,这反过来又重新引起了人们对跨学科的复杂物理和社会系统的兴趣。[1]明确致力于跨学科复杂性研究的机构也是在这个时代成立的: 圣塔菲研究所是由美国洛斯阿拉莫斯国家实验室Los Alamos National Laboratory的科学家于1984年建立的,密歇根大学的 BACH 小组也是在20世纪80年代中期建立的。


元胞自动机范式引发了强调基于主体建模 Agent-based Modeling的第三次社会模拟浪潮。与微观模拟一样,这些模型强调自下而上的设计,但采用了与微观模拟不同的四个关键假设: 自主性 Autonomy、相互依赖性 Interdependency、简单规则 Simple Rules和适应性行为 Adaptive Behavior。[19] 1981年,数学家、政治学家阿克塞尔罗德 Robert Axelrod和进化生物学家汉密尔顿 W.D. Hamilton 在《科学》杂志上发表了一篇名为《合作的进化 The Evolution of Cooperation》的重要论文,该论文采用基于主体建模方法,论证了在一个囚徒困境中,当主体遵循简单的自利规则 rules of self-interest 时,互惠的社会合作是如何建立和稳定的。[20]阿克塞尔罗德和汉密尔顿证明,主体遵循这样一套简单的规则: (1)在第一轮进行合作,(2)在其后重复伙伴以前的行动,能够在没有人口学差异、价值观、宗教和文化等社会规范作为合作的先决条件或中介的情况下制定合作和制裁的“规范”。[3] 整个20世纪90年代,像威廉·希姆斯·本布里奇 William Sims Bainbridge ,Kathleen Carley,Michael Macy 和 John Skvoretz 这样的学者开发了关于广义互惠、偏见、社会影响和组织信息处理模型的多主体模型。1999年,吉尔伯特 Nigel Gilbert出版了第一本关于社会模拟的教科书: 《写给社会科学家的仿真模拟 Simulation for the social scientist》,并建立了它最相关的杂志: 人工社会和社会模拟杂志《the Journal of Artificial Societies and Social Simulation》。

数据挖掘和社会网络分析

社会网络分析 Social Network Analysis独立于社会系统计算模型的发展,在20世纪70年代和80年代出现于图论、统计学和社会结构的研究中,它作为一种独特的分析方法被社会学家如 James s. Coleman,Harrison White,Linton Freeman,J. Clyde Mitchell,Mark Granovetter,Ronald Burt 和 Barry Wellman 等阐述和采用。[21] 在整个1980年代和1990年代,计算和通信技术日益普及,这要求采用诸如网络分析和多级建模等分析技术,这些技术可以扩展到日益复杂和庞大的数据集中。最近的计算社会学没有使用模拟,而是使用网络分析和先进的统计技术来分析大规模电子服务器构成的计算机数据库中的行为数据。[22] 电子记录,如电子邮件和即时消息记录,万维网上的超链接,移动电话数据,以及 Usenet 上的讨论,使社会科学家能够直接观察社会行为并在多个时间点和多个层次的分析行为,并且不受传统的实证方法,如访谈、观察或调查工具的限制。机器学习算法的不断改进同样使得社会科学家和企业家能够使用新技术来识别大型电子数据集中潜在但有意义的社会互动和演化模式。[23][24]

2012年美国大选叙事网络[25]


文本语料库的自动解析使对参与者及其关系网络的大规模提取成为可能,它将文本数据转换为网络数据。由此产生的网络可以包含数千个节点 Nodes,然后利用网络理论中的工具对其进行分析,以确定关键参与者、关键群体,以及网络的总体特性如稳健性、结构稳定性,或某些节点的中心性 Centrality等。[26] 这使定量叙事分析Quantitative Narrative Analysis引入的方法得以自动化,[27]据此,主语-动词-宾语三元组被看作由动作连接的成对行为者,或者由行为者-宾语形成的成对行为者。[25]

计算内容分析

长期以来,内容分析一直是社会科学和媒体研究的传统方法。内容分析的自动化使得这一领域发生了一场“大数据”革命,这些研究中,社交媒体和报纸内容包括了数百万条的新闻。[28][29][30][31][32] 基于数以百万计的文档和文本挖掘方法,性别偏差Gender Bias、可读性 Readability、内容相似度 Content Similarity、读者偏好 Reader Preferences,甚至是情绪 Mood都可以被分析。Flaounas等人对可读性、性别偏差和话题偏差 Topic Bias的研究,[33] 展示了不同的话题如何有不同的性别偏差和可读性水平; 以及通过分析推特内容来检测人群情绪变化的可能性。[34]


对大量历史报纸内容的分析是由 Dzogang 等人率先进行的,[35] 他们展示了如何在历史报纸中自动发现周期结构 Periodic Structures。一个类似的社交媒体上进行的分析,也揭示了强烈的周期性结构。 参考维基百科搜索和推特帖子揭示的集体情绪的季节性波动

挑战

计算社会学和其他研究领域一样面临着一系列的挑战。[36] 必须有针对性地合理处理这些挑战,才能对社会产生最大的影响。

层级和层级的交互关系

形成的每个社会都处于某种层次上,并且这些层次之间和跨层次间有相互作用的倾向。社会中的级别不仅可以分为微观或宏观的层次,还可以存在中间的层次,比如群体、网络、社区等。[36]


然而问题是,这些层次是如何确定的以及如何产生的?并且,一旦它们产生了,它们如何在自身内部以及与其他层次相互作用?


如果我们把实体 Entities(主体 Agents)看作节点,把它们之间的连接看作边,我们就看到了网络的形成。这些网络中的连接并非只是基于实体之间的客观关系,而是由实体选择的因素决定的。.[37]这个过程的困难之处在于,很难确定一组实体何时形成网络。这些网络可以是信任网络、合作网络、依赖网络等。在一些情况下,异质的实体集在它们之间形成了强大而有意义的网络。[38][39]


正如前面所讨论的,社会分为不同层次。在其中的一个层次:个体层次中,微观-宏观联系 Micro-macro Link[40] 指的是创造更高层次的相互作用。关于微观-宏观链接有一系列问题等待回答。它们是如何形成的?它们什么时候汇聚?什么反馈被推到了较低的层次,以及它们是如何被推到较低层次的?


这一分类的另一个主要挑战涉及信息的有效性及其来源。近年来,信息收集和处理有着蓬勃的发展。但人们很少注意到社会之间虚假信息的传播。追溯资料来源并找到这些资料的所有者是很困难的。

文化建模

社会网络和层次的演变带来了文化的多样性。[41] 然而人们会想,当人们倾向于相互作用,变得更能接受其他文化和信仰时,为什么多样性仍然存在?为什么人们没有趋同?一个主要的挑战是如何为这些多样性建立模型。是否存在大众传媒、社会地域性等外部因素,这些因素影响文化多样性的演化或保持?

实验和评估

任何与实验结合的研究或建模都需要能够解决所提出的问题。计算社会科学处理大规模数据,并且数据规模越大建模的挑战就越明显。如何在一个大规模的数据集里设计信息仿真模型?并且,即使提出了一个大规模的仿真模型,应该如何对它进行评估?

模型选择和模型复杂性

另一个挑战是确定最适合数据的模型,以及最合适的模型复杂性 Model Complexities。这些模型将帮助我们预测随着时间的推移社会将如何演变,并为事物如何运动和变化提供可能的解释。[42]

生成模型

生成模型 Generative Models帮助我们以一种受控的方式进行广泛的定性分析。爱泼斯坦 Epstein提出的一个基于主体的模型,就是探讨如何识别异质实体(主体)的初始集 Initial Set,并观察它们基于简单的局部规则带来的演化和增长。[43]


但是这些局部规则是什么呢?如何识别一组异质实体?这些规则的评估和影响都是新出现的困难之处。

异质模型和组合模型

集成在单个任务中表现良好的简单模型并形成混合模型 Hybrid model是一种可以继续考虑的方法。这些模型有更好的性能并可以对数据提供更好的理解。然而,当需要提出一个整合的、性能良好的模型时,识别简单模型和深入理解模型之间相互作用的权衡问题就出现了。此外,另一个挑战是开发工具和应用程序来帮助分析和可视化基于这些混合模型的数据。

影响

计算社会学可以给科学、技术和社会带来影响。[36]

对科学的影响

为了使计算社会学的研究有效,必须有一些有价值的创新。这些创新可以是新形式的数据分析工具,或更好的模型和算法。这些创新的出现将为整个科学界带来益处。

对社会的影响

计算社会学的主要挑战之一是对社会过程的建模。各种法律和政策制定者将能够得到发布新指导方针的快速有效的方法,广大群众将能够评价和更好地理解各种备选方案,从而实现决策进程的公开和平衡。

期刊和学术出版物

该学科最相关的期刊是《人工社会与社会模拟 the Journal of Artificial Societies and Social Simulation》。

协会、会议及工作坊

学术课程、院系和学位

  • UCLA, Minor in Human Complex Systems
  • UCLA, Major in Computational & Systems Biology (including behavioral sciences)

中心和机构

北美

  • Duke Network Analysis Center, Duke University, Durham, NC, USA

南美


欧洲


亚洲


参见

参考文献

  1. 1.0 1.1 1.2 1.3 Gilbert, Nigel; Troitzsch, Klaus (2005). "Simulation and social science". Simulation for Social Scientists (2 ed.). Open University Press. http://cress.soc.surrey.ac.uk/s4ss/. 
  2. Epstein, Joshua M.; Axtell, Robert (1996). Growing Artificial Societies: Social Science from the Bottom Up. Washington DC: Brookings Institution Press. ISBN 978-0262050531. https://archive.org/details/growingartificia00epst. 
  3. 3.0 3.1 Axelrod, Robert (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton, NJ: Princeton University Press. 
  4. Casti, J (1999). "The Computer as Laboratory: Toward a Theory of Complex Adaptive Systems". Complexity. 4 (5): 12–14. doi:10.1002/(SICI)1099-0526(199905/06)4:5<12::AID-CPLX3>3.0.CO;2-4.
  5. Goldspink, C (2002). "Methodological Implications of Complex Systems Approaches to Sociality: Simulation as a Foundation for Knowledge". 5 (1). Journal of Artificial Societies and Social Simulation. {{cite journal}}: Cite journal requires |journal= (help)
  6. Epstein, Joshua (2007). Generative Social Science: Studies in Agent-Based Computational Modeling. Princeton, NJ: Princeton University Press. https://www.researchgate.net/publication/283615593. 
  7. 7.0 7.1 7.2 7.3 Salgado, Mauricio, and Nigel Gilbert. "Emergence and communication in computational sociology." Journal for the Theory of Social Behaviour 43.1 (2013): 87-110.
  8. Macy, Michael W., and Robert Willer. "From factors to actors: computational sociology and agent-based modeling." Annual review of sociology 28.1 (2002): 143-166.
  9. Durkheim, Émile. The Division of Labor in Society. New York, NY: Macmillan. 
  10. Bailey, Kenneth D. (2006). "Systems Theory". In Jonathan H. Turner. Handbook of Sociological Theory. New York, NY: Springer Science. pp. 379–404. ISBN 978-0-387-32458-6. 
  11. Bainbridge, William Sims (2007). "Computational Sociology". In Ritzer, George (ed.). Blackwell Encyclopedia of Sociology. Blackwell Reference Online. doi:10.1111/b.9781405124331.2007.x. hdl:10138/224218. ISBN 978-1-4051-2433-1.
  12. Crevier, D. (1993). AI: The Tumultuous History of the Search for Artificial Intelligence. New York, NY: Basic Books. https://archive.org/details/aitumultuoushist00crev. 
  13. Forrester, Jay (1971). World Dynamics. Cambridge, MA: MIT Press. 
  14. Ignall, Edward J.; Kolesar, Peter; Walker, Warren E. (1978). "Using Simulation to Develop and Validate Analytic Models: Some Case Studies". Operations Research. 26 (2): 237–253. doi:10.1287/opre.26.2.237.
  15. Meadows, DL; Behrens, WW; Meadows, DH; Naill, RF; Randers, J; Zahn, EK (1974). The Dynamics of Growth in a Finite World. Cambridge, MA: MIT Press. 
  16. "Computer View of Disaster Is Rebutted". The New York Times. October 18, 1974.
  17. Orcutt, Guy H. (1990). "From engineering to microsimulation : An autobiographical reflection". Journal of Economic Behavior & Organization. 14 (1): 5–27. doi:10.1016/0167-2681(90)90038-F.
  18. Toffoli, Tommaso; Margolus, Norman (1987). Cellular automata machines: a new environment for modeling. Cambridge, MA: MIT Press. https://archive.org/details/cellularautomata00toff. 
  19. Gilbert, Nigel (1997). "A simulation of the structure of academic science". Sociological Research Online. 2 (2): 1–15. doi:10.5153/sro.85. Archived from the original on 1998-05-24. Retrieved 2009-12-16.
  20. Axelrod, Robert; Hamilton, William D. (March 27, 1981). "The Evolution of Cooperation". Science. 211 (4489): 1390–1396. Bibcode:1981Sci...211.1390A. doi:10.1126/science.7466396. PMID 7466396.
  21. Freeman, Linton C. (2004). The Development of Social Network Analysis: A Study in the Sociology of Science. Vancouver, BC: Empirical Press. 
  22. Lazer, David; Pentland, Alex; Adamic, L; Aral, S; Barabasi, AL; Brewer, D; Christakis, N; Contractor, N; et al. (February 6, 2009). "Life in the network: the coming age of computational social science". Science. 323 (5915): 721–723. doi:10.1126/science.1167742. PMC 2745217. PMID 19197046.
  23. Srivastava, Jaideep; Cooley, Robert; Deshpande, Mukund; Tan, Pang-Ning (2000). "Web usage mining: discovery and applications of usage patterns from Web data". Proceedings of the ACM Conference on Knowledge Discovery and Data Mining. 1 (2): 12–23. doi:10.1145/846183.846188.
  24. Brin, Sergey; Page, Lawrence (April 1998). "The anatomy of a large-scale hypertextual Web search engine". Computer Networks and ISDN Systems. 30 (1–7): 107–117. CiteSeerX 10.1.1.115.5930. doi:10.1016/S0169-7552(98)00110-X.
  25. 25.0 25.1 S Sudhahar; GA Veltri; N Cristianini (2015). "Automated analysis of the US presidential elections using Big Data and network analysis". Big Data & Society. 2 (1): 1–28. doi:10.1177/2053951715572916.
  26. S Sudhahar; G De Fazio; R Franzosi; N Cristianini (2013). "Network analysis of narrative content in large corpora" (PDF). Natural Language Engineering. 21 (1): 1–32. doi:10.1017/S1351324913000247.
  27. Franzosi, Roberto (2010). Quantitative Narrative Analysis. Emory University. 
  28. I. Flaounas; M. Turchi; O. Ali; N. Fyson; T. De Bie; N. Mosdell; J. Lewis; N. Cristianini (2010). "The Structure of EU Mediasphere" (PDF). PLOS One. 5 (12): e14243. Bibcode:2010PLoSO...514243F. doi:10.1371/journal.pone.0014243. PMC 2999531. PMID 21170383.
  29. V Lampos; N Cristianini (2012). "Nowcasting Events from the Social Web with Statistical Learning" (PDF). ACM Transactions on Intelligent Systems and Technology. 3 (4): 72. doi:10.1145/2337542.2337557.
  30. I. Flaounas; O. Ali; M. Turchi; T Snowsill; F Nicart; T De Bie; N Cristianini (2011). NOAM: news outlets analysis and monitoring system (PDF). Proc. of the 2011 ACM SIGMOD international conference on Management of data. doi:10.1145/1989323.1989474.
  31. N Cristianini (2011). "Automatic Discovery of Patterns in Media Content". Combinatorial Pattern Matching. Lecture Notes in Computer Science. 6661. pp. 2–13. doi:10.1007/978-3-642-21458-5_2. ISBN 978-3-642-21457-8. 
  32. Lansdall-Welfare, Thomas; Sudhahar, Saatviga; Thompson, James; Lewis, Justin; Team, FindMyPast Newspaper; Cristianini, Nello (2017-01-09). "Content analysis of 150 years of British periodicals". Proceedings of the National Academy of Sciences (in English). 114 (4): E457–E465. doi:10.1073/pnas.1606380114. ISSN 0027-8424. PMC 5278459. PMID 28069962.
  33. I. Flaounas; O. Ali; M. Turchi; T. Lansdall-Welfare; T. De Bie; N. Mosdell; J. Lewis; N. Cristianini (2012). "Research methods in the age of digital journalism". Digital Journalism. 1: 102–116. doi:10.1080/21670811.2012.714928.
  34. T Lansdall-Welfare; V Lampos; N Cristianini. Effects of the Recession on Public Mood in the UK (PDF). Proceedings of the 21st International Conference on World Wide Web. Mining Social Network Dynamics (MSND) session on Social Media Applications. New York, NY, USA. pp. 1221–1226. doi:10.1145/2187980.2188264.
  35. Dzogang, Fabon; Lansdall-Welfare, Thomas; Team, FindMyPast Newspaper; Cristianini, Nello (2016-11-08). "Discovering Periodic Patterns in Historical News". PLOS One. 11 (11): e0165736. Bibcode:2016PLoSO..1165736D. doi:10.1371/journal.pone.0165736. ISSN 1932-6203. PMC 5100883. PMID 27824911.
  36. 36.0 36.1 36.2 Conte, Rosaria, et al. "Manifesto of computational social science." The European Physical Journal Special Topics 214.1 (2012): 325-346.
  37. Egu´ıluz, V. M.; Zimmermann, M. G.; Cela-Conde, C. J.; San Miguel, M. "American Journal of Sociology" (2005): 110, 977. {{cite journal}}: Cite journal requires |journal= (help)
  38. Sichman, J. S.; Conte, R. "Computational & Mathematical Organization Theory" (2002): 8(2). {{cite journal}}: Cite journal requires |journal= (help)
  39. Ehrhardt, G.; Marsili, M.; Vega-Redondo, F. "Physical Review E" (2006): 74(3). {{cite journal}}: Cite journal requires |journal= (help)
  40. Billari, Francesco C. Agent-based computational modelling: applications in demography, social, economic and environmental sciences. Taylor & Francis, 2006.
  41. Centola, D.; Gonz´alez-Avella, J. C.; Egu´ıluz, V. M.; San Miguel, M. "Journal of Conflict Resolution" (2007): 51. {{cite journal}}: Cite journal requires |journal= (help)
  42. Weisberg, Michael. When less is more: Tradeoffs and idealization in model building. Diss. Stanford University, 2003.
  43. Epstein, Joshua M. Generative social science: Studies in agent-based computational modeling. Princeton University Press, 2006.

外部链接


编者推荐

《社会计算的基本方法与应用》的封面

书籍推荐

社会计算的基本方法与应用

这是中科院自动化所的王飞跃老师关于社会计算的专著,从利用计算技术解决社会问题的角度介绍社会计算。阅读难度可能较高。

集智推荐

2019 International Conference of Social Computing

本课程是2019年8月26日、27日的2019 International Conference of Social Computing记录。教师团队由芝加哥大学社会学系James Evans教授,Science University of Gottingen傅晓明教授,清华大学罗家德教授,电子科技大学周涛教授等多位老师组成。

复杂系统与社会计算研讨会

本课程是,2019年10月27日北京计算科学研究中心主办的复杂系统与社会计算研讨会活动记录。

计算社会科学入门路径

计算社会科学诞生至今,已有将近10年。在自然科学领域已经广泛应用大数据、分布式计算等方式提高研究质量的今天,社会科学领域涉及到的核心数据仍然被少数机构所拥有并创造着巨大的价值。本文将从计算社会科学的发展历史,常用方法,以及前沿问题来给大家粗略地展示计算社会科学的脉络。



本中文词条由趣木木嘉树小头盔用户参与编译,乐多多编辑,欢迎在讨论页面留言。


本词条内容源自wikipedia及公开资料,遵守 CC3.0协议。