مقدمه

در ادامه‌ مباحث نظری پیرامون چرخش پارادایمی در علوم اجتماعی، بخش دوم همایش تخصصی «علوم اجتماعی رایانشی و پارادایم پیچیدگی اجتماعی» (11 خرداد 1405) به سخنرانی دکتر ابوالفضل حاجی‌زادگان، پژوهشگر علوم اجتماعی رایانشی، اختصاص یافت. دکتر حاجی‌زادگان رویکردی انتقادی‌تر اتخاذ کرده و به کالبدشکافی چالش‌ها، انحرافات معرفت‌شناختی و آسیب‌های ناشی از «تلقی فناورانه» از پارادایم پیچیدگی در علوم اجتماعی رایانشی مبادرت ورزید. او در این سخنرانی تلاش کرد تا فراتر از شیفتگی‌های فناورانه رایج، مرزهای معرفتی میان علوم اجتماعی اصیل و مهندسی داده را ترسیم کند و راهبردهایی برای نجات علوم اجتماعی از فروکاست‌گرایی الگوریتمی ارائه دهد. نوشتار پیش‌رو تبیین تفصیلی و ساختاریافته‌ این سخنرانی است که در قالب یک یادداشت علمی منسجم تنظیم و ارائه می‌شود.

بخش اول: داده‌های عظیم و بستر انطباق علوم اجتماعی با ابزارهای رایانشی

دکتر حاجی‌زادگان سخنان خود را با تایید ظرفیت‌های غیرقابل‌انکار «کلان‌داده» (Big Data) و ابزارهای رایانشی آغاز می‌کند. او اشاره می‌کند که کلان‌داده‌ها و ردپاهای دیجیتال (Digital Footprints) به عنوان یک دارایی گران‌بها و بی‌نظیر برای فهم فرآیندهای نوین اجتماعی به شمار می‌روند و دسترسی به آن‌ها، ظرفیت‌های تحلیلی بی‌سابقه‌ای را برای پژوهشگران فراهم آورده است. در این راستا، او با ارجاع به آرای متیو سالگانیک در کتاب تحسین‌شده‌ «بیت به بیت» (Bit by Bit)، بر ضرورت یافتن یک «بستر انطباق» یا نقطه تعادل میان دو فرهنگ متمایز تاکید می‌کند: از یک سو، فرهنگ علوم رایانه و مهندسی داده که رویکردی به شدت خوش‌بینانه، ابزارمحور و مهندسی‌شناسانه به پدیده‌ها دارد، و از سوی دیگر، فرهنگ علوم اجتماعی سنتی که با نوعی سوءظن، احتیاط مفرط و بی‌اعتنایی به ابزارهای نوین رایانشی نگریسته است.

در فضای دانشگاهی ایران، مواجهه با علوم اجتماعی رایانشی عمدتاً به دو قطب افراطی تقسیم شده است: قطب اول، شیفتگی و تسلیم مطلق در برابر ادعاهای خوش‌بینانه علوم رایانشی است که پدیده‌های اجتماعی را به معادلات ریاضی فرو می‌کاهد؛ و قطب دوم، بی‌اعتنایی و طرد کامل این قلمرو از سوی جامعه‌شناسان سنتی است که آن را چیزی بیش از «بازی با اعداد» و تکرار تبیین‌های مکانیکی نمی‌دانند. هدف دکتر حاجی‌زادگان در این سخنرانی، ترسیم یک «راه میانه» (Middle Way) است؛ راهی که از یک سو ارزش‌های ابزاری کلان‌داده را می‌پذیرد و از سوی دیگر، نسبت به فروکاستن جامعه‌شناسی به مهندسی داده هشدار می‌دهد. او این نقد را در قالب سه محور اساسی صورتبندی می‌کند: معکوس شدن مسیر پژوهش، توهم پایان نظریه، و خطر هستی‌شناسی مسطح.

بخش دوم: انحراف روش‌شناختی؛ معکوس شدن مسیر پژوهش از مسئله به ابزار

نخستین و جدی‌ترین آسیبِ تلقی فناورانه از علوم اجتماعی رایانشی، واژگون شدن منطق روش تحقیق علمی است. در منطق استاندارد پژوهش‌های اجتماعی، فرآیند تحقیق با یک «مسئله اجتماعی» (Social Problem) آغاز می‌شود. پژوهشگر با ابتنا بر مسئله، به سراغ ادبیات نظری و ساختاربندی فرضیات می‌رود، سپس روش‌شناسی مناسب را برمی‌گزیند و در نهایت، تکنیک‌ها و ابزارهای گردآوری و تحلیل داده‌ها را مشخص می‌سازد. به عبارت دیگر، ابزار همواره در خدمت مسئله و نظریه است.

اما در مواجهه فناورانه با علوم اجتماعی رایانشی، این مسیر به طور کامل معکوس شده است. شیفتگی به ابزارها (نظیر کتابخانه‌های برنامه‌نویسی پایتون، نرم‌افزارهای تحلیل شبکه، تکنیک‌های وب‌اسکرپینگ و الگوریتم‌های شبیه‌سازی) سبب شده است که «ابزار» به نقطه آغازین پژوهش تبدیل شود. پژوهشگر ابتدا یاد می‌گیرد که چگونه داده‌های یک پلتفرم اجتماعی (مانند توییتر یا تلگرام) را استخراج کند، سپس در مواجهه با انبوهی از داده‌های استخراج‌شده، تلاش می‌کند تا به طور تصنعی یک مسئله اجتماعی یا یک چارچوب نظری را برای توجیه استفاده از آن ابزار دست‌وپا کند! او این پدیده را یک «انحراف روش‌شناختی» جدی می‌داند که ارزش علمی خروجی‌های این نوع پژوهش‌ها را به شدت زیر سوال می‌برد.

او برای تقریب به ذهن، خاطره‌ای از دوران دانشجویی خود در رشته آمار مطرح می‌کند؛ در آن زمان تب یادگیری نرم‌افزارهای آماری (مانند SPSS) یا ابزارهای حسابداری در میان دانشجویان بسیار داغ بود، چرا که بازار کار به مهارت‌های ابزاری پاداش می‌داد. در نتیجه، دانشجویان بدون فهم عمیق منطق روش تحقیق یا مفاهیم بنیادی آمار و جامعه‌شناسی، صرفاً به تکنسین‌های نرم‌افزار تبدیل می‌شدند. امروز نیز همین الگو در شکل پیشرفته‌تری تکرار می‌شود؛ جایی که یادگیری زبان‌های برنامه‌نویسی یا کار با ابزارهای مدل‌سازی عامل‌محور، جایگزین فهم عمیق نظریه‌های اجتماعی و منطق روش‌شناختی شده است.

بخش سوم: توهم «پایان نظریه» و پیامدهای معرفت‌شناختی داده‌گرایی

دومين چالش معرفت‌شناختی که علوم اجتماعی رایانشی با آن روبروست، شکل‌گیری نوعی جزم‌اندیشی جدید تحت عنوان «داده‌گرایی» (Dataism) یا توهم «پایان نظریه» است. این دیدگاه که پیش‌تر در مقاله‌ مشهور کریس اندرسون در نشریه‌ وایرد (۲۰۰۸) ترویج شد، مدعی است که در عصر کلان‌داده‌ها، دیگر نیازی به نظریه‌ها، مدل‌های تئوریک و تبیین‌های علّی کلاسیک نیست؛ چرا که حجم عظیم داده‌ها و قدرت پیش‌بینی الگوریتم‌های یادگیری ماشین می‌توانند الگوهای رفتار جمعی را بدون نیاز به فرضیه‌سازی تبیین کنند. به عبارت دیگر، «اعداد خود سخن می‌گویند».

دکتر حاجی‌زادگان به شدت این ادعا را به چالش می‌کشد. او استدلال می‌کند که داده‌ها هرگز به خودی خود سخن نمی‌گویند؛ داده‌ها همواره ساختارمند، سوگیری‌شده و محصول بسترهای فناورانه و اجتماعی خاصی هستند. ردپاهای دیجیتال در پلتفرم‌های اجتماعی، آینه‌ تمام‌نمای واقعیت اجتماعی نیستند. این موضوع به ویژه در جامعه‌ای مانند ایران که با پدیده‌هایی چون فیلترینگ گسترده، شکاف دیجیتال عمیق، معماری خاص پلتفرم‌ها، حضور فعال ربات‌ها و ارتش‌های سایبری، و خودسانسوری شدید کاربران مواجه است، اهمیت مضاعف می‌یابد.

داده‌های استخراج‌شده از توییتر یا تلگرام در ایران، بازنمایی دقیقی از افکار عمومی یا پویایی‌های ساختاری کل جامعه نیستند، بلکه بازتابی مخدوش از بخش خاصی از جامعه در یک بستر فناورانه فیلترشده به شمار می‌روند. بدون تکیه بر نظریه‌های اجتماعی و درک مکانیسم‌های علّی، تحلیل‌های آماری و رایانشی صرفاً به کشف همبستگی‌های کاذب (Spurious Correlations) منجر می‌شوند و توانایی فهم معنای کنش‌ها و ساختارهای پنهان را نخواهند داشت.

بخش چهارم: هستی‌شناسی مسطح و خطر حذف تمایزهای سوژه‌گی انسان

سومین نقد عمیق دکتر حاجی‌زادگان به تلقی فناورانه، مربوط به اتخاذ نوعی «هستی‌شناسی مسطح» (Flat Ontology) در مدل‌سازی‌های رایانشی و تحلیل‌های شبکه‌ای است. ابزارهای رایانشی برای اینکه بتوانند فرآیندهای اجتماعی را تحلیل کنند، ناگزیر از ساده‌سازی و تعریف انسان‌ها به عنوان «عامل‌های همگن» (Homogeneous Agents) یا «گره‌ها» (Nodes) در یک شبکه ریاضی هستند. اگرچه ساده‌سازی برای مدل‌سازی علمی امری ضروری است، اما خطر زمانی آغاز می‌شود که پژوهشگر دچار مغالطه «شیءانگاری» (Reification) شود و تصور کند که این مدل‌های ساده، همان واقعیت عینی جامعه هستند.

انسان‌ها گوی‌های بیلیارد یا ذرات بی‌جان فیزیکی نیستند؛ آن‌ها سوژه‌هایی با آگاهی، عاملیت، پیشینه‌های فرهنگی متمایز، جایگاه‌های طبقاتی گوناگون، جنسیت‌های متفاوت و درگیر در ساختارهای نابرابر قدرت هستند. تقلیل دادن یک انسان فعال به یک گره در نرم‌افزار تحلیل شبکه (مانند Gephi)، تمام این تمایزها، نابرابری‌های ساختاری و ابعاد کیفی سوژه‌گی را حذف می‌کند. در این هستی‌شناسی مسطح، گرهی که بازنمایی‌کننده‌ یک سیاست‌مدار قدرتمند است با گرهی که بازنمایی‌کننده‌ یک شهروند حاشیه‌نشین است، از نظر ریاضی هم‌ارز تلقی می‌شوند. این رویکرد، ابعاد تاریخی، تضادهای طبقاتی و پویایی‌های کیفی کنش انسانی را که هسته اصلی تحلیل‌های جامعه‌شناختی را شکل می‌دهند، نادیده می‌گیرد. این ضعف به ویژه در تحلیل جنبش‌های اجتماعی یا اعتراضات اخیر در ایران خود را نشان می‌دهد؛ جایی که لایه‌های مختلف اجتماعی (شهری، روستایی، جنسیتی و طبقاتی) پویایی‌های کاملاً متفاوتی دارند که با الگوهای مسطح ریاضی قابل تبیین نیستند.

بخش پنجم: آزمون تجربی مدل‌های ریاضیاتی؛ تحلیل شبکه‌ای و محدودیت الگوریتم‌ها

برای عینیت بخشیدن به نقدهای مطرح‌شده، دکتر حاجی‌زادگان اقدام به ارائه و تشریح یک نمونه تجربی از پژوهش‌های خود در حوزه تحلیل شبکه می‌کند. او مدلی را به تصویر می‌کشد که در آن شبکه تعاملات و ترجیحات موسیقیایی معترضان در جریان اعتراضات سال ۱۴۰۱ ایران (به ویژه دوگانه موسیقی رپ اعتراض‌آمیز و موسیقی پاپ عامه‌پسند) تحلیل شده است. او با استفاده از نرم‌افزار Gephi، الگوریتم بخش‌بندی یا شناسایی اجتماعات (Community Detection) را بر روی داده‌های شبکه اعمال می‌کند.

در این الگوریتم، پارامتری کلیدی به نام «رزولوشن» (Resolution) وجود دارد که وظیفه تعیین سطح تفکیک اجتماعات را بر عهده دارد:

• اگر رزولوشن روی عدد ۱ تنظیم شود، الگوریتم اجتماعات بزرگ‌تر و کلان‌تر را شناسایی می‌کند.
• با تغییر تفصیلی این پارامتر، مرزهای اجتماعات جابجا شده و اجتماعات خردتر پدیدار می‌شوند.

دکتر حاجی‌زادگان نشان می‌دهد که با تغییر اندک این پارامتر ریاضی، سهم بزرگ‌ترین اجتماع شناسایی‌شده در شبکه از ۳۰ درصد کل گره‌ها به ۱۹ درصد کاهش می‌یابد.

نکته اساسی و جامعه‌شناختی اینجاست: الگوریتم ریاضی به خودی خود هرگز نمی‌تواند به ما بگوید که کدام رزولوشن منعکس‌کننده‌ واقعیت عینی و معنایی ساختار اجتماعی است! انتخاب رزولوشن مناسب، یک تصمیم صرفاً فنی نیست، بلکه تصمیمی است که نیازمند «تفسیر جامعه‌شناختی» بر پایه دانش کیفی، تاریخی و نظری از بستر پژوهش است. پژوهشگر باید اقتصاد سیاسی موسیقی رپ در ایران، تضادهای فرهنگی پنهان و معنای کنش کاربران را بشناسد تا بتواند خروجی الگوریتم را تفسیر کند. حتی با تنظیمات کاملاً یکسان، تکرار الگوریتم ممکن است به نتایج و اندازه‌های متفاوتی در اجتماعات منجر شود. از این رو، علوم اجتماعی رایانشی بدون پیوند با روش‌های کیفی و دانش عمیق نظری، کور و ناتوان خواهد بود. دکتر حاجی‌زادگان اشاره می‌کند که برای معنادار کردن خروجی همین شبکه رایانشی، ساعت‌ها به گفتگو و مصاحبه با متخصصان حوزه موسیقی و کنش‌گران این عرصه پرداخته است تا بتواند پویایی‌های شبکه را بر اساس «توصیف غلیظ» (Thick Description) تبیین کند.

بخش ششم: به سوی راه میانه؛ پیوند نظریه انتقادی، کلان‌داده و روش‌های کیفی

در بخش پایانی، دکتر حاجی‌زادگان با بازخوانی استعاره‌ «راهبران کانال سوئز» و آرای دیوید برن، چشم‌اندازی برای آینده علوم اجتماعی رایانشی ترسیم می‌کند. او هشدار می‌دهد که ما نباید به «پیاده‌نظام» یا مصرف‌کنندگان منفعل الگوها و ابزارهای فناورانه غربی تبدیل شویم. شیفتگی مفرط به تکنولوژی نباید ما را هیپنوتیزم کند؛ چرا که مهندسی اجتماعی و حکمرانی الگوریتمی غربی با اهداف خاصی طراحی شده‌اند که ممکن است با اهداف رهایی‌بخش علوم اجتماعی همخوان نباشند.

راه میانه پیشنهادی او، پیوند ارگانیک میان «علوم اجتماعی رایانشی»، «نظریه انتقادی» و «روش‌های کیفی» است. ابزارهای رایانشی باید در خدمت ناوبری انطباقی سیستم‌های اجتماعی باشند، نه اینکه خود به هدف نهایی تبدیل شوند. ما به همان «حس عاملیت» و «دانش ضمنی» نیاز داریم که راهبران کانال سوئز برای هدایت کشتی‌های غول‌پیکر در آب‌های متلاطم به کار می‌بندند. این دانش ضمنی و احساس سیستم، از طریق کدهای رایانه‌ای یا شبیه‌سازی‌های مجرد به دست نمی‌آید، بلکه محصول حضور در میدان، زیستن با پدیده‌ها و گفتگو با کنش‌گران واقعی است. علوم اجتماعی رایانشی تنها زمانی می‌تواند به تبیین و تغییر واقعیت‌های اجتماعی کمک کند که مجهز به عینک انتقادی جامعه‌شناسی باشد، نابرابری‌های ساختاری را به رسمیت بشناسد و تفاوت‌های کیفی سوژه‌های انسانی را فدای سادگی الگوریتم‌های ریاضی نکند.

جمع‌بندی

سخنرانی دکتر ابوالفضل حاجی‌زادگان، سهم مهمی در تعدیل خوش‌بینی‌های ساده‌انگارانه به علوم اجتماعی رایانشی داشت. او با تکیه بر استدلال‌های روش‌شناختی و هستی‌شناختی و ارائه یک نمونه تجربی، نشان داد که چگونه تلقی فناورانه می‌تواند علوم اجتماعی را به نوعی تکنسین‌گرایی داده‌محور تقلیل دهد. واژگونی مسیر پژوهش، حذف تفاوت‌های سوژه‌گی انسان و توهم پایان نظریه، آسیب‌های جدی این حوزه هستند. گذار از این آسیب‌ها، تنها از طریق اتخاذ یک موضع انتقادی، بازگرداندن نظریه به جایگاه اصلی خود و پیوند مستمر با روش‌های کیفی و دانش ضمنی امکان‌پذیر خواهد بود. این راه میانه، مسیر واقعی پویایی و اثربخشی علوم اجتماعی در عصر انقلاب دیجیتال است.