来源：数据科学与智能实验室
2020年6月24日周三下午2点至4点，数据科学与智能实验室本学期关于计算社会学的技术研讨会通过zoom会议和雨课堂成功举办，下面是对本次研讨会的总结回顾。研讨会分为三个部分，第一部分介绍了计算社会学的基本概念，第二部分介绍了计算社会学的常用方法，第三部分介绍了计算社会学的前沿应用。两个小时的研讨会内容丰富，氛围热烈，通过同学们的讲解和雨课堂答题，与会人员收获丰富。
01
计算社会学概述
计算社会学是数据科学和社会科学高度交叉的新兴学科，该领域的研究机会主要集中在数据科学和社会科学优势互补效应明显的问题上。一方面，数据科学为传统社会学带来了分析海量数据、进行大规模仿真实验、对大数据进行归纳性研究的能力。另一方面，社会科学也为数据科学提供了采集、分析小规模、高质量的“定制”数据、进行控制变量的社会实验以及通过理论构建进行演绎性研究的能力。进一步地，我们举例讨论了该领域具有较好前景的若干具体研究问题，如：基于大规模被动观测数据的因果推断问题、面向行为改变的机器学习问题、以人为中心的算法性能评估问题等。
02
常用计算社会学方法
在这一部分，我们介绍了以下四方面的内容：
1.我们介绍了社会学研究中所有方法的基石之一——采样方法。采样方法主要分为基于概率的采样和不基于概率的采样两类方法，根据应用场景不同，我们介绍了各种方法的优缺点，并说明了在考虑使用什么采样方法时，最重要的两点考量是采样需要付出的代价和采样所带来的偏差，目标是在最小化偏差的基础上最小化代价。最后我们重点向大家推荐了Respondent-driven sampling。
2.我们介绍了社会学研究中的经典方法之一——定量研究方法及对应的问卷调研法。在这一部分我们重点介绍了问卷的科学性：评估问卷的信度（问卷内容是否衡量了我们的目标变量）和效度（问卷在不同场景下对我们的目标变量的衡量效果是否稳定）。由于问卷的信度和效度评估都很复杂，以此为基础通常就能发一篇论文，因此在我们所用到的场景下，设计问卷的一大法则就是借鉴已有的问卷。
3.我们介绍了社会学研究中的经典方法之一——定性研究方法及对应的采访研究法。在这一部分中，我们重点介绍了HCI&CSCW community中定性研究的一般实践情况，并介绍了其中广为使用、可供我们作为方法性指导依据的扎根理论（Grounded Thoery）。最后，我们重点介绍了采访研究法，讨论了在问题设置及采访工作开展过程中的注意事项。
4.我们介绍了如何进行设计实验。Fisher提出的实验设计三条原则为随机化（Randomization）、重复实验（Replication）和区组控制（Local control）。在上述三条原则的指导下，实验设计的过程可以细化为明确实验问题和所研究的变量，建立研究假设，设计和施加treatment以及分析观测结果等步骤。最后，分享了与我们研究较为相关的几个实验设计：自然实验、田野实验+问卷、借助计算机（例如：游戏等）辅助实验。
03
计算社会学的前沿应用
在计算社会科学前沿应用部分，我们分别就计算社会科学在人类交流、计算理论及社会感知、物联网、城市计算、推荐系统等方面展开就少。
首先，在人类交流方面，我们着眼于集体智慧（wisdom of the crowd）以及社交信号（social signal）两个方面。在集体智慧方面，我们介绍了影响一个用户群的智慧水平的主要因素，并且探究了其内部组成网络的动态性、可塑性及用户间的反馈机制对集体智慧的影响。在社交信号方面，我们介绍了社交信号的常用实验研究方法、数据收集方法、常见问题等等。
接下来，机器学习中的社会学理论应用，在问题框架，输出定义，数据选择，特征工程都可以提供理论基础；同时有助于提高模型的可解释性，公平性，泛化能力。进一步，通过介绍social sensing相关论文，我们讨论了大数据具有感知社会的潜力，可作为新的数据来源；搭建了宏观感知和微观个体感知之间的桥梁；加入人类智能可以更好的提高机器智能。
最后，我们分别介绍了三个例子：利用interview和survey研究物联网隐私因素在用户购买行为中的影响、利用社会学实验研究用户对Facebook内容推荐算法的理解、利用英国通话数据和区域IMD排名研究社会关系结构和社区经济发展之间的关系。这些例子启发我们将social science相关的研究方法与大数据相结合，综合定量研究与定性研究解决实际问题。
推荐阅读
[1] Lazer, David, et al. "Life in the network: the coming age of computational social science." Science (New York, NY) 323.5915 (2009): 721.
[2] Dougherty, Deborah. "Grounded theory research methods." The Blackwell companion to organizations (2017): 849-866.
[3] Heckathorn, Douglas D. "Respondent-driven sampling: a new approach to the study of hidden populations." Social problems 44.2 (1997): 174-199.
[4] Radford, Jason, and Kenneth Joseph. "Theory In, Theory Out: The uses of social theory in machine learning for social science." arXiv (2020): arXiv-2001.
[5] Almaatouq, Abdullah, et al. "Adaptive social networks promote the wisdom of crowds." Proceedings of the National Academy of Sciences 117.21 (2020): 11379-11386.
[6] Jakobi, Timo, et al. "Evolving needs in iot control and accountability: A longitudinal study on smart home intelligibility." Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies 2.4 (2018): 1-28.
转自：“量化研究方法”微信公众号
如有侵权，请联系本站删除！
