«علوم اجتماعی محاسباتی چه می‌گوید؟» عنوان نخستین نشست تخصصی هسته علوم اجتماعی محاسباتی و هوشمند دانشگاه تهران بود که در 4 خرداد 1405 در تالار گفتگوی دانشکده علوم اجتماعی برگزار شد. در این نشست علمی دکتر محسن صبوریان، به عنوان سخنران اول به واکاوی تبار، بستر تاریخی و کاربست‌های عملیاتی این حوزه بین‌رشته‌ای پرداخت. ایشان در این سخنرانی با مرور جهش‌های سخت‌افزاری و الگوریتمی پس از سال ۲۰۰۵، ابعاد گوناگون کاربرد این دانش در رصد افکار عمومی، تحلیل شبکه‌های اجتماعی، پویایی‌های حرکتی و رفتار مصرف‌کننده را تشریح کرد. دکتر صبوریان همچنین با نقد ادعای تقلیل‌گرایانه پیرامون «پایان نظریه»، چالش‌های روش‌شناختی بزرگی همچون چرخش پژوهش‌ها از رویکرد مسئله‌محور به داده‌محور و پیامدهای سوگیری الگوریتمی پلتفرم‌ها را به بحث گذاشت که متن تفصیلی آن در ادامه ارائه می‌شود.

۱. علم داده و جریان تکوینی علوم اجتماعی محاسباتی

در جهان امروز، علم داده به عنوان دانشی پویا، رونق بی‌سابقه‌ای یافته و به یکی از پرطرفدارترین رشته‌های دانشگاهی و بازارهای شغلی تبدیل شده است. واکاوی آمارهای منتشرشده در پلتفرم‌های کاریابی داخلی نظیر جابینجا و جاب‌ویژن به‌خوبی نشان می‌دهد که تقاضا برای جذب متخصصان داده، تحلیل‌گران و دانشمندان این حوزه همواره در صدر نیازهای بخش‌های مختلف صنعتی، تجاری و پژوهشی قرار دارد. با این حال، تقلیل دادن علم داده به قلمروی فنی و منحصر به حوزه علوم کامپیوتر، برداشتی نادرست است؛ چرا که بخش عمده‌ای از جریان مالی و عملیاتی این دانش، در پیوند با فرآیندهای تجاری، کمپین‌های تبلیغاتی و رفتارهای انسانی معنا می‌یابد. در این میان، علوم اجتماعی محاسباتی یا رایانشی به عنوان جریانی بین‌رشته‌ای ظاهر می‌شود که در مرز مشترک علوم اجتماعی و علوم محاسباتی ایستاده است. این حوزه برخلاف پردازش صرفاً آماری یا فنی داده‌ها، نظریه‌های جامعه‌شناختی را به عنوان چارچوب اصلی تحلیل به کار می‌گیرد. این دانش زمانی وارد عمل می‌شود که انسان با محیط پیرامون و ابزارهای فناوری تعامل دارد و از خود ردپای دیجیتال بر جای می‌گذارد. علوم اجتماعی محاسباتی با ابتنا بر ویژگی مقیاس‌پذیری، به پژوهشگر امکان می‌دهد که تحلیل‌های خود را از بازه‌های زمانی خرد به بازه‌های کلان چندساله تعمیم دهد و از تراز تحلیل یک دانشکده کوچک به تراز ساختارهای پویای یک شهر یا کشور ارتقا یابد. در واقع، این علم نه‌تنها ابزارهای سنتی علوم اجتماعی را بازسازی می‌کند، بلکه روش‌های تجربی نوین را برای تحلیل داده‌های زمان‌واقعی در عصر جدید به خدمت می‌گیرد.

۲. چرخش اکوسیستم فناوری پس از سال ۲۰۰۵ و حیات دوباره هوش مصنوعی

برای درک چرایی تسلط امروزین علوم اجتماعی محاسباتی بر پدیده‌های اجتماعی، بازخوانی تاریخ تحولات فناوری ضرورت دارد. به یاد می‌آورم که در دوره‌ی دانشجویی در سال ۱۳۸۴ یا ۸۵ کلاسی تحت عنوان امنیت شبکه داشتیم که یک استاد ایرانی از دانشگاه تگزاس در دالاس آن‌را برای دانشجویان دانشگاه تهران به شکل مجازی ارائه می‌داد. در آن کلاس به مناسبتی بحثی در خصوص اهمیت هوش مصنوعی در کلاس در گرفت و استاد گفت دوره‌ی هوش مصنوعی به سر رسیده و اوج جذابیت آن مربوط به دهه‌های قبل میلادی بوده است و هم اکنون پیشرفت زیادی در این حوزه رخ نمی‌دهد. استاد معتقد بود تمرکز سرمایه‌گذاری‌ها از حوزه‌ی هوش مصنوعی به سمت شبکه و الگوریتم‌های امنیتی پیش رفته است. هرچند تمرکز بر توسعه زیرساخت‌ها و الگوریتم‌های شبکه‌های کامپیوتری قابل انکار نیست، اما بخش اول اظهار نظر این استاد در یک دهه‌ی اخیر کاملا رد شده است.

الگوریتم‌ها و ریاضیات پایه هوش مصنوعی و محاسبات سنگین، از دهه‌های ۱۹۶۰ و ۱۹۷۰ میلادی و در عصر رایانه‌های بزرگ وجود داشتند، اما به دلیل هزینه‌های سرسام‌آور پردازش، کاربست صنعتی نیافته بودند. تحول شگرف و جهش اکوسیستمی پس از حدود ۲۰۰۵ رخ داد؛ زمانی که فناوری‌های ذخیره‌سازی داده‌ها به جهشی بی‌سابقه دست یافتند و ظرفیت‌های ذخیره‌سازی به شکلی ارزان و در مقیاس وسیع در دسترس همگان قرار گرفت. هم‌زمان، پهنای باند و سرعت ارتباطات شبکه‌ای از اتصالات محدود کیلوبیتی به بسترهای گیگابیتی ارتقا یافت و سرعت پردازش اطلاعات به لطف ظهور پردازش موازی و پردازنده‌های گرافیکی قدرتمند (GPU) متحول شد. این زیرساخت سخت‌افزاری در کنار همه‌گیری گوشی‌های هوشمند و ظهور نسل دوم وب (Web 2.0) مانند پلتفرم‌های اورکات و فیس‌بوک (در نسل اول شبکه‌های اجتماعی)، بستری را فراهم ساخت تا هوش مصنوعی و محاسبات سنگین داده‌ها از محیط‌های آزمایشگاهی گران‌قیمت خارج شده و به فناوری‌هایی ارزان، کاربردی و صنعتی تبدیل شوند. این دگرگونی ساختاری، نتایجی تولید کرد که زمینه‌ساز حیات نوین علوم اجتماعی محاسباتی گردید.

۳. نقد نظریه «پایان نظریه» و تبیین سوگیری‌های الگوریتمی پلتفرم‌ها

با همه‌گیری کلان‌داده‌ها، جریانی تقلیل‌گرایانه مدعی شد که وفور داده‌ها ما را از نظریه‌پردازی بی‌نیاز کرده و عصر «پایان نظریه» فرارسیده است. این ادعا عملاً یک توهم ابزارشناختی بیش نیست؛ چرا که داده‌ها هرگز به خودی خود سخن نمی‌گویند و کنش‌های ثبت‌شده در پلتفرم‌های دیجیتال، رفتارهایی در بستر طبیعی انسانی نیستند. در جامعه‌شناسی سنتی، پژوهشگر به صورت فعالانه پرسشنامه‌ای را طراحی می‌کند و سوال دقیقی را که در ذهن دارد از پاسخگو می‌پرسد، اما در علوم اجتماعی رایانشی، ما با پسماندها و ردهای دیجیتالی مواجهیم که کنشگران در مسیر رفع نیازهای روزمره خود به جا گذاشته‌اند؛ در نتیجه، کاربر در آنجا به سوال مستقیم ما پاسخ نمی‌دهد. علاوه بر این، رفتارهای کاربران در بسترهایی نظیر توییتر (ایکس) یا پلتفرم‌های داخلی نظیر بله، پیام‌رسان‌ها و اینستاگرام، کاملاً تحت تاثیر و اجبار قوانین الگوریتمی و ساختار فنی همان پلتفرم‌هاست. برای مثال، محدودیت کاراکتری در توییتر یا محدودیت‌های دسترسی به داده‌ها در پلتفرم‌های داخلی، اراده پلتفرم را بر کنش کاربر تحمیل می‌کند. چالش بازنمایی نیز از دیگر موانع جدی است؛ پلتفرمی مانند توییتر در ایران تنها توسط بخش محدودی از جامعه (کمتر از ۱۰ درصد) که عمدتاً رویکردهای سیاسی خاصی دارند استفاده می‌شود و تعمیم دادن نتایج تحلیل آن به کل جامعه، خطای فاحش روش‌شناختی است. پلتفرم‌های مختلف هر کدام جمعیت‌شناختی متمایز و قواعد دسترسی متفاوتی دارند که مانع از تحلیل‌های جامع و بی‌سوگیری می‌شود. از این رو، نظریه نه‌تنها نمرده است، بلکه برای هدایت فرآیند فرضیه‌سازی و تحلیل پسماندهای دیجیتال، نیازی به مراتب حیاتی‌تر به آن احساس می‌شود.

۴. قلمروهای کاربردی علوم اجتماعی محاسباتی در رصد و مدل‌سازی رفتار جامعه

علوم اجتماعی محاسباتی با ابتنا بر این بستر فناورانه، کاربردهای گسترده‌ای در رصد و تحلیل پدیده‌های اجتماعی یافته است. نخستین حوزه برجسته، تحلیل افکار عمومی و رصد گرایش‌های جامعه است؛ امروزه شرکت‌های متعددی در ایران با خزش در پلتفرم‌های تلگرام، توییتر، اینستاگرام و پیام‌رسان‌های بومی، افکار عمومی را برای نهادهای تصمیم‌گیر واکاوی می‌کنند. حوزه دوم، شناسایی و ردیابی شایعات و اخبار جعلی است که پس از انتخابات ۲۰۱۶ آمریکا و شیوع شبه‌علم در دوران کووید-۱۹ به یکی از داغ‌ترین حوزه‌های پژوهشی تبدیل شد و پلتفرم‌ها را ملزم به طراحی سیستم‌های پایش خودکار ساخت. تحلیل شبکه‌های اجتماعی نیز به عنوان حوزه سوم، با ترسیم گراف روابط و اتصالات میان کنشگران، داده‌های ارزان‌قیمت را به دانش عمیق ساختاری تبدیل می‌کند. افزون بر این، تحلیل فضایی و پویایی‌های حرکتی انسان که امروزه در پلتفرم‌های مسیریاب داخلی مانند نشان و بلد تجلی یافته، گنجینه عظیمی از داده‌های رفتاری را برای تحلیل‌های جغرافیایی و ترافیکی فراهم آورده است. در تراز کلان‌تر، واکاوی نابرابری‌های دیجیتال و ساختار طبقاتی جامعه با تکیه بر تحلیل ریزتراکنش‌های مالی و داده‌های مالیاتی در مقیاس محله‌ها، دریچه نوینی به روی پژوهشگران گشوده است. در حوزه تجارت الکترونیک نیز، تحلیل رفتار مصرف‌کننده با ابزارهای تحلیل وب (مانند گوگل آنالیتیکس) و اجرای آزمون‌های آ/ب (A/B Testing) برای سنجش تاثیر تغییرات بصری و ساختاری سایت بر میزان فروش، کارآمدی روش‌های محاسباتی را اثبات کرده است. در نهایت، رصد تغییرات فرهنگی جامعه از طریق واکاوی موج‌های مختلف پیمایش جهانی ارزش‌ها (WVS) یا داده‌های سامانه‌های رصد فرهنگی نهادهای داخلی، در کنار مدل‌سازی بحران‌ها و اپیدمی‌ها که در شبیه‌سازی‌های دوران کرونا برای اثبات اثربخشی قرنطینه به کار رفت، گستره نفوذ این دانش را آشکار می‌سازد.

۵. چالش‌های بزرگ معرفت‌شناختی: از پژوهش‌های مسئله‌محور تا ورطه داده‌محوری

با وجود تمام کارکردهای درخشان، علوم اجتماعی محاسباتی با آسیب‌های معرفت‌شناختی و روش‌شناختی عمیقی مواجه است. بزرگ‌ترین چالش در این عرصه، چرخش پژوهش‌ها از رویکرد «مسئله‌محور» به رویکرد «داده‌محور»  است. در رویکردهای کلاسیک، پژوهشگر ابتدا مسئله‌ای واقعی را در جامعه شناسایی کرده و سپس روش و داده متناسب با آن را طراحی می‌کرد. اما در عصر کنونی، به دلیل دسترسی آسان و رایگان به داده‌های پلتفرم‌هایی چون توییتر، گوگل‌ترندز یا تاریخچه ویرایش‌های ویکی‌پدیا، پژوهشگران سوالاتی ساختگی را صرفاً بر اساس داده‌های موجود طراحی می‌کنند. این رویکرد منجر به تولید انباشتی از مقالات بی‌کیفیت و بی‌خاصیت علمی شده است که هیچ سهمی در حل چالش‌های واقعی جامعه ندارند. چالش بزرگ دیگر، عملیاتی‌سازی مفاهیم انتزاعی جامعه‌شناسی است. برای نمونه، سنجش مفهوم پیچیده‌ای چون «سرمایه اجتماعی» در بستر پلتفرم‌های دیجیتال و تقلیل دادن آن به شاخص‌های ساده‌ای مانند تعداد لایک‌ها، بازنشرها یا فالوورها، خطای بزرگی است. طراحی یک شاخص ترکیبی معتبر که بتواند مفهومی انتزاعی را در یک پلتفرم دیجیتال بسنجد، خود به اندازه یک رساله دکتری زمان و دقت نیاز دارد. بنابراین، تا زمانی که تحلیل‌های محاسباتی با هدایت نظریه‌های بنیادین جامعه‌شناختی هدایت نشوند، پسماندهای دیجیتال به جای تولید دانش، به تولید نویزهای روش‌شناختی منجر خواهند شد.

۶. سرمایه‌داری پلتفرمی، اخلاق داده‌ها و تضعیف نقش دولت‌ها

در سطح کلان‌تر، علوم اجتماعی محاسباتی ما را با چالش‌های اخلاقی و حاکمیتی جدی روبه‌رو می‌سازد که تحت عنوان «سرمایه‌داری پلتفرمی» شناخته می‌شود. تولید انبوه داده‌های دیجیتال عمدتاً در انحصار پلتفرم‌های بزرگ قرار دارد. این پلتفرم‌ها به چنان سطحی از انباشت داده و قدرت تحلیل دست یافته‌اند که در فرآیندهای حاکمیتی، شهروندان خود را به مراتب بهتر و دقیق‌تر از دولت‌های ملی می‌شناسند. این موضوع پدیده «حاکمیت پلتفرمی» را پدید آورده که در آن، پلتفرم‌ها عملاً قوانین رفتاری، حریم خصوصی و حتی آزادی بیان کاربران را بازتعریف می‌کنند و قدرت دولت‌ها را به چالش می‌کشند. در کنار این موضوع، مسائل اخلاقی مربوط به دسترسی به داده‌های خصوصی کاربران، امنیت اطلاعات، آسیب‌های روانی و اجتماعی وارده به نوجوانان در بسترهای دیجیتال، و سوءاستفاده‌های سیاسی از داده‌های افکار عمومی، از دیگر چالش‌های حاکمیتی این عصر است.

در نهایت، علوم اجتماعی محاسباتی نه‌تنها یک رشته جدید، بلکه فرم نوینی از فهم زیست اجتماعی انسان در عصر دیجیتال است. این دانش با تمام ابزارهای فناورانه و ظرفیت‌های مدل‌سازی خود، هرگز نمی‌تواند جایگزینی برای نظریه‌های جامعه‌شناختی یا روش‌های کیفی سنتی باشد. کارآمدی واقعی این علم در گرو پذیرش نقش مکمل آن برای روش‌های سنتی و هدایت مستمر آن توسط پرسش‌های واقعی و مسئله‌محور جامعه است؛ رویکردی که مانع از افتادن این علم نوپا به ورطه تکنوکراسی پنهان و بی‌تفاوتی نسبت به رنج‌های واقعی بشری خواهد شد.