We zijn er al aan gewend geraakt dat onze digitale voetafdruk continu wordt vastgelegd, ergens opgeslagen en geëvalueerd. Dit heeft een revolutie teweeggebracht in de reclame-industrie, en bedrijven als Uber en Amazon gebruiken onze gegevens om nog efficiënter te zijn. Discussie over hoe digitalisering ons leven beïnvloedt, echter, beperkt zich vaak tot speculaties over wat Google of Facebook met deze gegevens zou kunnen doen.

Ondanks de grote vooruitgang in fundamenteel onderzoek, zoals spraakherkenning en beeldverwerking, succesverhalen van bestaande big data toepassingen in de sociale wetenschappen zijn schaars. Al in 2014, big data kelderde van de "piek van opgeblazen verwachtingen" naar de "dal van desillusie" in de Gartner-hypecyclus. In de basiswetenschappen de focus ligt op de technische randvoorwaarden om grote hoeveelheden gegevens efficiënt vast te leggen, op te slaan en automatisch te verwerken. Kunstmatige intelligentiemethoden zoals machine learning hebben hier een groot potentieel. Alleen de sociale wetenschappen hebben daar tot nu toe weinig van geprofiteerd, en lijken zelfs terrein te verliezen aan andere disciplines. Ik merk dat in plaats van te profiteren van de stroom aan gegevens voor hun empirisch onderzoek, sociale wetenschappers worden vaak overweldigd door de kansen die zich voordoen.

De leegte die opengaat, wordt opgevuld door andere wetenschappelijke disciplines – ingenieurs die sensorgegevens verzamelen over individuele mobiliteit, bijvoorbeeld, en computerwetenschappers die statistische modellen uit dergelijke gegevens halen. Deze datagestuurde benadering van sociale fenomenen wordt nu vaak computationele sociale wetenschappen genoemd. Onlangs, men had de illusie dat de klassieke benadering van de sociale wetenschappen – veronderstellen, model, test – zou overbodig worden; in plaats daarvan, er zou een nieuwe vorm van sociale wetenschappen ontstaan ​​waarin theorie wordt vervangen door machinaal leren van sociale 'wetten' uit de gegevens.

Data science kan inderdaad helpen bij het beantwoorden van onderzoeksvragen in de sociale wetenschappen; maar het kan dergelijke vragen niet alleen ontwikkelen. De "ontdekking" van statistische correlaties kan de wetenschappelijke verduidelijking van causale effecten niet vervangen. Want in de sociale wetenschappen vragen gaan niet alleen over "wat", maar ook over "waarom". Sociale wetenschappers zijn daarom onmisbaar om computational science een sociale wetenschap te maken.

Wat nodig is, zijn nieuwe modellen van sociale interactie die uitdrukkelijk zijn ontwikkeld rekening houdend met hun kalibratie en validatie tegen grote, voorheen niet beschikbare hoeveelheden gegevens. Dit vraagt ​​om een ​​nieuwe methodologische expertise, en het is aan de universiteiten om het te onderwijzen. Bij de leerstoel Systeemontwerp, we zijn de uitdaging aangegaan door cursussen te ontwikkelen over de theorie van complexe netwerken, agentgebaseerde modellering van sociale systemen en statistische analyse van sociale gegevens.

Het tegenovergestelde geldt ook:de ingenieurswetenschappen kunnen profiteren van de sociale wetenschappen. Technische systemen zijn tegenwoordig afhankelijk van de sociale dimensie – hun gebruikers. Het is niet haalbaar om een ​​slimme energievoorziening of een gedeeld platform voor softwareontwikkeling te ontwerpen zonder rekening te houden met menselijk gedrag en sociale relaties - en dit is precies waar de kernvaardigheden in sociale wetenschappen liggen. Een interdisciplinaire opleiding van ingenieurs en computerwetenschappers is geboden. Direct, terwijl de fundamenten van computationele sociale wetenschappen nog steeds worden gelegd, We hebben de kans om grensoverschrijdend samen te werken. Ik ben ervan overtuigd dat dit het succes van de disciplines zal bepalen – aan beide kanten.