stringtranslate.com

Вычислительная социология

Вычислительная социология — это раздел социологии , который использует вычислительно-интенсивные методы для анализа и моделирования социальных явлений. Используя компьютерное моделирование , искусственный интеллект , сложные статистические методы и аналитические подходы, такие как анализ социальных сетей , вычислительная социология разрабатывает и проверяет теории сложных социальных процессов посредством моделирования социальных взаимодействий снизу вверх. [1]

Она включает в себя понимание социальных агентов, взаимодействия между этими агентами и влияния этих взаимодействий на социальную совокупность. [2] Хотя предмет и методологии в социальных науках отличаются от предметов и методологий в естественных науках или компьютерных науках , некоторые из подходов, используемых в современном социальном моделировании, возникли из таких областей, как физика и искусственный интеллект . [3] [4] Некоторые из подходов, возникших в этой области, были импортированы в естественные науки, например, меры сетевой центральности из областей анализа социальных сетей и сетевой науки .

В соответствующей литературе вычислительная социология часто связывается с изучением социальной сложности . [5] Такие концепции социальной сложности, как сложные системы , нелинейная взаимосвязь между макро- и микропроцессами и возникновение , вошли в словарь вычислительной социологии. [6] Практическим и хорошо известным примером является построение вычислительной модели в форме « искусственного общества », с помощью которой исследователи могут анализировать структуру социальной системы . [2] [7]

История

Историческая карта исследовательских парадигм и ассоциированных ученых в социологии и науке о сложности .

Фон

За последние четыре десятилетия была введена и набирает популярность вычислительная социология [ по мнению кого? ] . Она использовалась в основном для моделирования или построения объяснений социальных процессов и зависит от возникновения сложного поведения из простых действий. [8] Идея возникновения заключается в том, что свойства любой более крупной системы не всегда должны быть свойствами компонентов, из которых состоит система. [9] Александер, Морган и Брод, классические эмерджентисты, ввели идею возникновения в начале 20-го века. Целью этого метода было найти достаточно хорошее соглашение между двумя различными и экстремальными онтологиями, которыми были редукционистский материализм и дуализм. [8]

Хотя эмерджентизм сыграл ценную и важную роль в основании вычислительной социологии, есть те, кто не обязательно согласен. Один из ведущих лидеров в этой области, Эпштейн, усомнился в его использовании, поскольку были аспекты, которые не поддаются объяснению. Эпштейн выдвинул обвинение против эмерджентизма, в котором он сказал, что «именно генеративная достаточность частей составляет объяснение целого». [8]

Агентные модели оказали историческое влияние на вычислительную социологию. Эти модели впервые появились в 1960-х годах и использовались для моделирования процессов управления и обратной связи в организациях, городах и т. д. В 1970-х годах приложение ввело использование отдельных лиц в качестве основных единиц для анализа и использовало стратегии «снизу вверх» для моделирования поведения. Последняя волна произошла в 1980-х годах. В то время модели все еще были «снизу вверх»; единственное отличие состояло в том, что агенты взаимодействовали взаимозависимо. [8]

Теория систем и структурный функционализм

В послевоенную эпоху дифференциальный анализатор Ванневара Буша , клеточные автоматы Джона фон Неймана , кибернетика Норберта Винера и теория информации Клода Шеннона стали влиятельными парадигмами для моделирования и понимания сложности технических систем. В ответ на это ученые в таких дисциплинах, как физика, биология, электроника и экономика, начали формулировать общую теорию систем, в которой все природные и физические явления являются проявлениями взаимосвязанных элементов в системе, которая имеет общие закономерности и свойства. Следуя призыву Эмиля Дюркгейма анализировать сложное современное общество sui generis , [10] послевоенные структурные функционалисты-социологи, такие как Талкотт Парсонс, ухватились за эти теории систематического и иерархического взаимодействия между составными компонентами, чтобы попытаться создать великие унифицированные социологические теории, такие как парадигма AGIL . [11] Такие социологи, как Джордж Хоманс, утверждали, что социологические теории должны быть формализованы в иерархические структуры предложений и точную терминологию, из которых можно было бы вывести другие предложения и гипотезы и применить их в эмпирических исследованиях. [12] Поскольку компьютерные алгоритмы и программы использовались еще в 1956 году для проверки и подтверждения математических теорем, таких как теорема о четырех красках , [13] некоторые ученые предполагали, что подобные вычислительные подходы могут «решить» и «доказать» аналогичным образом формализованные проблемы и теоремы социальных структур и динамики.

Макросимуляция и микросимуляция

К концу 1960-х и началу 1970-х годов социологи использовали все более доступные вычислительные технологии для выполнения макросимуляций процессов управления и обратной связи в организациях, отраслях, городах и глобальных популяциях. Эти модели использовали дифференциальные уравнения для прогнозирования распределения населения как целостных функций других систематических факторов, таких как управление запасами, городской трафик, миграция и передача болезней. [14] [15] Хотя моделирование социальных систем привлекло значительное внимание в середине 1970-х годов после того, как Римский клуб опубликовал отчеты, предсказывающие, что политика, способствующая экспоненциальному экономическому росту, в конечном итоге приведет к глобальной экологической катастрофе, [16] неудобные выводы заставили многих авторов стремиться дискредитировать модели, пытаясь выставить самих исследователей ненаучными. [2] [17] Надеясь избежать той же участи, многие социологи обратили свое внимание на модели микросимуляции для составления прогнозов и изучения последствий политики путем моделирования совокупных изменений в состоянии субъектов на индивидуальном уровне, а не изменений в распределении на уровне популяции. [18] Однако эти микромодели не позволяли людям взаимодействовать или адаптироваться и не были предназначены для фундаментальных теоретических исследований. [1]

Клеточные автоматы и агентное моделирование

1970-е и 1980-е годы были также временем, когда физики и математики пытались моделировать и анализировать, как простые составляющие единицы, такие как атомы, порождают глобальные свойства, такие как сложные свойства материалов при низких температурах, в магнитных материалах и в турбулентных потоках. [19] Используя клеточные автоматы, ученые смогли определить системы, состоящие из сетки ячеек, в которой каждая ячейка занимала только некоторые конечные состояния, а изменения между состояниями регулировались исключительно состояниями непосредственных соседей. Наряду с достижениями в области искусственного интеллекта и мощности микрокомпьютеров , эти методы способствовали развитию « теории хаоса » и « теории сложности », которые, в свою очередь, возобновили интерес к пониманию сложных физических и социальных систем через дисциплинарные границы. [2] В эту эпоху также были основаны исследовательские организации, специально занимающиеся междисциплинарным изучением сложности: Институт Санта-Фе был основан в 1984 году учеными из Лос-Аламосской национальной лаборатории , а группа BACH в Мичиганском университете также начала свою деятельность в середине 1980-х годов.

Эта парадигма клеточных автоматов породила третью волну социального моделирования, подчеркивающую агентное моделирование. Как и микросимуляции, эти модели подчеркивали восходящие разработки, но принимали четыре ключевых предположения, которые расходились с микросимуляциями: автономия, взаимозависимость, простые правила и адаптивное поведение. [1] Агентные модели меньше озабочены точностью прогнозирования и вместо этого подчеркивают теоретическую разработку. [20] В 1981 году математик и политолог Роберт Аксельрод и эволюционный биолог У. Д. Гамильтон опубликовали в журнале Science крупную статью под названием «Эволюция сотрудничества», в которой использовался агентный подход к моделированию, чтобы продемонстрировать, как социальное сотрудничество, основанное на взаимности, может быть установлено и стабилизировано в игре «дилемма заключенного», когда агенты следуют простым правилам личной заинтересованности. [21] Аксельрод и Гамильтон продемонстрировали, что отдельные агенты, следующие простому набору правил (1) сотрудничать в первую очередь и (2) впоследствии воспроизводить предыдущие действия партнера, смогли разработать «нормы» сотрудничества и санкций при отсутствии канонических социологических конструкций, таких как демография, ценности, религия и культура, как предпосылок или посредников сотрудничества. [4] На протяжении 1990-х годов такие ученые, как Уильям Симс Бейнбридж , Кэтлин Карли , Майкл Мэйси и Джон Скворец , разработали многоагентные модели обобщенной взаимности , предрассудков , социального влияния и организационной обработки информации (психологии) . В 1999 году Найджел Гилберт опубликовал первый учебник по социальному моделированию: моделирование для социальных ученых и основал свой самый релевантный журнал: Журнал искусственных обществ и социального моделирования .

Анализ данных и социальных сетей

Независимо от разработок в области вычислительных моделей социальных систем, анализ социальных сетей возник в 1970-х и 1980-х годах из достижений в теории графов, статистике и исследованиях социальной структуры как отдельный аналитический метод и был сформулирован и использован такими социологами, как Джеймс С. Коулман , Харрисон Уайт , Линтон Фримен , Дж. Клайд Митчелл , Марк Грановеттер , Рональд Берт и Барри Уэллман . [22] Растущая распространенность вычислительных и телекоммуникационных технологий на протяжении 1980-х и 1990-х годов потребовала аналитических методов, таких как сетевой анализ и многоуровневое моделирование , которые могли бы масштабироваться до все более сложных и больших наборов данных. Самая последняя волна вычислительной социологии, вместо использования симуляций, использует сетевой анализ и передовые статистические методы для анализа крупномасштабных компьютерных баз данных электронных прокси для поведенческих данных. Электронные записи, такие как записи электронной почты и мгновенных сообщений, гиперссылки во Всемирной паутине , использование мобильных телефонов и обсуждения в Usenet позволяют социологам напрямую наблюдать и анализировать социальное поведение в различные моменты времени и на различных уровнях анализа без ограничений традиционных эмпирических методов, таких как интервью, включенное наблюдение или инструменты опроса. [23] Продолжающееся совершенствование алгоритмов машинного обучения также позволило социологам и предпринимателям использовать новые методы для выявления скрытых и значимых моделей социального взаимодействия и эволюции в больших электронных наборах данных. [24] [25]

Повествовательная сеть выборов в США 2012 года [26]

Автоматический разбор текстовых корпусов позволил извлекать субъектов и их реляционные сети в огромных масштабах, превращая текстовые данные в сетевые данные. Полученные сети, которые могут содержать тысячи узлов, затем анализируются с использованием инструментов из теории сетей для определения ключевых субъектов, ключевых сообществ или сторон и общих свойств, таких как надежность или структурная устойчивость всей сети или центральность определенных узлов. [27] Это автоматизирует подход, введенный количественным повествовательным анализом, [28] посредством которого триплеты субъект-глагол-объект идентифицируются с парами субъектов, связанных действием, или парами, образованными субъектом-объектом. [26]

Вычислительный контент-анализ

Анализ контента долгое время был традиционной частью социальных наук и медиа-исследований. Автоматизация анализа контента позволила совершить революцию « больших данных » в этой области с исследованиями в социальных сетях и газетном контенте, которые включают миллионы новостных статей. Гендерная предвзятость , читаемость , сходство контента, предпочтения читателей и даже настроение были проанализированы на основе методов интеллектуального анализа текста на миллионах документов. [29] [30] [31] [32] [33] Анализ читаемости, гендерной предвзятости и тематической предвзятости был продемонстрирован в работе Флаунаса и др. [34], где показано, как разные темы имеют разные гендерные предвзятости и уровни читаемости; также была продемонстрирована возможность обнаружения изменений настроения у большой группы населения путем анализа контента Twitter. [35]

Анализ огромного количества исторического газетного контента был впервые проведен Дзогангом и др. [36] , которые показали, как периодические структуры могут быть автоматически обнаружены в исторических газетах. Похожий анализ был проведен в социальных сетях, снова выявив выраженные периодические структуры. [37]

Вызовы

Вычислительная социология, как и любая другая область исследований, сталкивается с рядом проблем. [38] Эти проблемы необходимо решать осмысленно, чтобы оказать максимальное влияние на общество.

Уровни и их взаимодействие

Каждое общество, которое формируется, имеет тенденцию находиться на одном или другом уровне, и существуют тенденции взаимодействия между этими уровнями и через них. Уровни не обязательно должны быть только микро- или макро-уровневыми по своей природе. Могут быть промежуточные уровни, на которых существует общество, например, группы, сети, сообщества и т. д. [38]

Однако возникает вопрос, как определить эти уровни и как они возникают? И как они возникают, как они взаимодействуют внутри себя и с другими уровнями?

Если мы рассматриваем сущности (агенты) как узлы, а связи между ними как ребра, мы видим формирование сетей. Связи в этих сетях возникают не только на основе объективных отношений между сущностями, а определяются факторами, выбранными участвующими сущностями. [39] Проблема этого процесса заключается в том, что трудно определить, когда набор сущностей сформирует сеть. Эти сети могут быть сетями доверия, сетями сотрудничества, сетями зависимости и т. д. Были случаи, когда гетерогенные наборы сущностей показали, что формируют сильные и значимые сети между собой. [40] [41]

Как обсуждалось ранее, общества делятся на уровни, и на одном из таких уровней, индивидуальном уровне, микро-макро связь [42] относится к взаимодействиям, которые создают более высокие уровни. Существует ряд вопросов, на которые необходимо ответить относительно этих микро-макро связей. Как они формируются? Когда они сходятся? Какая обратная связь передается на более низкие уровни и как она передается?

Еще одна важная проблема в этой категории касается достоверности информации и ее источников. В последние годы наблюдается бум в сборе и обработке информации. Однако мало внимания уделялось распространению ложной информации между обществами. Отслеживание источников и установление права собственности на такую ​​информацию затруднено.

Моделирование культуры

Эволюция сетей и уровней в обществе приводит к культурному разнообразию. [43] Однако возникает мысль о том, что когда люди склонны взаимодействовать и становятся более восприимчивыми к другим культурам и верованиям, как же разнообразие все еще сохраняется? Почему нет конвергенции? Основная проблема заключается в том, как моделировать эти различия. Существуют ли внешние факторы, такие как средства массовой информации, местоположение обществ и т. д., которые влияют на эволюцию или сохранение культурного разнообразия? [ необходима ссылка ]

Эксперименты и оценка

Любое исследование или моделирование в сочетании с экспериментом должно быть способно ответить на поставленные вопросы. Вычислительная социальная наука имеет дело с данными большого масштаба, и проблема становится все более очевидной по мере роста масштаба. Как можно разработать информативные симуляции большого масштаба? И даже если будет поднята симуляция большого масштаба, как должна выполняться оценка?

Выбор модели и сложность модели

Другая проблема заключается в определении моделей, которые лучше всего соответствуют данным и сложностям этих моделей. Эти модели помогли бы нам предсказать, как общества могут развиваться с течением времени, и предоставить возможные объяснения того, как все работает. [44]

Генеративные модели

Генеративные модели помогают нам выполнять обширный качественный анализ контролируемым образом. Модель, предложенная Эпштейном, — это агентное моделирование, которое говорит об идентификации начального набора гетерогенных сущностей (агентов) и наблюдении за их эволюцией и ростом на основе простых локальных правил. [45]

Но что это за локальные правила? Как их идентифицировать для набора гетерогенных агентов? Оценка и влияние этих правил устанавливают совершенно новый набор трудностей.

Гетерогенные или ансамблевые модели

Интеграция простых моделей, которые лучше справляются с отдельными задачами, для формирования гибридной модели — это подход, который можно рассмотреть. [46] Эти модели могут обеспечить лучшую производительность и понимание данных. Однако компромисс между выявлением и глубоким пониманием взаимодействий между этими простыми моделями возникает, когда нужно придумать одну комбинированную, хорошо работающую модель. Кроме того, создание инструментов и приложений для анализа и визуализации данных на основе этих гибридных моделей — это еще одна дополнительная проблема.

Влияние

Вычислительная социология может оказать влияние на науку, технологию и общество. [38]

Влияние на науку

Для того, чтобы изучение вычислительной социологии было эффективным, должны быть ценные инновации. Эти инновации могут быть в форме новых инструментов анализа данных, лучших моделей и алгоритмов. Появление таких инноваций станет бумом для научного сообщества в целом. [ необходима цитата ]

Влияние на общество

Одной из основных задач вычислительной социологии является моделирование социальных процессов [ требуется ссылка ] . Различные законодатели и политики смогут увидеть эффективные и действенные пути для выпуска новых руководящих принципов, а массы в целом смогут оценить и получить справедливое понимание представленных им вариантов, что позволит проводить открытый и сбалансированный процесс принятия решений. [ требуется ссылка ] .

Смотрите также

Ссылки

  1. ^ abc Macy, Michael W.; Willer, Robert (2002). «От факторов к акторам: вычислительная социология и агентное моделирование». Annual Review of Sociology . 28 : 143–166. doi :10.1146/annurev.soc.28.110601.141117. JSTOR  3069238. S2CID  1368768.
  2. ^ abcd Гилберт, Найджел; Тройцш, Клаус (2005). «Моделирование и социальная наука». Моделирование для социальных ученых (2-е изд.). Издательство Открытого университета.
  3. ^ Эпштейн, Джошуа М.; Экстелл, Роберт (1996). Растущие искусственные общества: социальная наука снизу вверх . Вашингтон, округ Колумбия: Brookings Institution Press. ISBN 978-0262050531.
  4. ^ ab Аксельрод, Роберт (1997). Сложность сотрудничества: агентские модели конкуренции и сотрудничества. Принстон, Нью-Джерси: Princeton University Press. ISBN 0691015678.
  5. ^ Касти, Дж. (1999). «Компьютер как лаборатория: к теории сложных адаптивных систем». Сложность . 4 (5): 12–14. doi :10.1002/(SICI)1099-0526(199905/06)4:5<12::AID-CPLX3>3.0.CO;2-4.
  6. ^ Голдспинк, К (2002). «Методологические следствия комплексных системных подходов к социальности: моделирование как основа знаний». 5 (1). Журнал искусственных обществ и социального моделирования. {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  7. ^ Эпштейн, Джошуа (2007). Генеративная социальная наука: исследования в области агентного вычислительного моделирования. Принстон, Нью-Джерси: Princeton University Press.
  8. ^ abcd Сальгадо, Маурисио и Найджел Гилберт. «Возникновение и коммуникация в вычислительной социологии». Журнал теории социального поведения 43.1 (2013): 87-110.
  9. ^ Мэйси, Майкл У. и Роберт Уиллер. «От факторов к акторам: вычислительная социология и агентное моделирование. Архивировано 13 июля 2014 г. в Wayback Machine ». Ежегодный обзор социологии 28.1 (2002): 143-166.
  10. ^ Дюркгейм, Эмиль. Разделение труда в обществе . Нью-Йорк, штат Нью-Йорк: Макмиллан.
  11. ^ Бейли, Кеннет Д. (2006). «Теория систем». В Jonathan H. Turner (ред.). Справочник по социологической теории . Нью-Йорк, Нью-Йорк: Springer Science. стр. 379–404. ISBN 978-0-387-32458-6.
  12. ^ Bainbridge, William Sims (2007). "Computational Sociology". В Ritzer, George (ред.). Blackwell Encyclopedia of Sociology . Blackwell Reference Online. doi :10.1111/b.9781405124331.2007.x (неактивен 2024-09-17). hdl : 10138/224218 . ISBN 978-1-4051-2433-1.{{cite encyclopedia}}: CS1 maint: DOI inactive as of September 2024 (link)
  13. ^ Crevier, D. (1993). AI: Бурная история поиска искусственного интеллекта . Нью-Йорк, Нью-Йорк: Basic Books. ISBN 9780465001040.
  14. ^ Форрестер, Джей (1971). Мировая динамика . Кембридж, Массачусетс: MIT Press.
  15. ^ Игналл, Эдвард Дж.; Колесар, Питер; Уокер, Уоррен Э. (1978). «Использование моделирования для разработки и проверки аналитических моделей: некоторые практические примеры». Исследование операций . 26 (2): 237–253. doi :10.1287/opre.26.2.237.
  16. ^ Медоуз, DL; Беренс, WW; Медоуз, DH; Найл, RF; Рандерс, J; Зан, EK (1974). Динамика роста в конечном мире . Кембридж, MA: MIT Press.
  17. ^ «Компьютерный взгляд на катастрофу опровергнут». The New York Times . 18 октября 1974 г.
  18. ^ Оркатт, Гай Х. (1990). «От инжиниринга к микросимуляции: автобиографическое размышление». Журнал экономического поведения и организации . 14 (1): 5–27. doi :10.1016/0167-2681(90)90038-F.
  19. ^ Тоффоли, Томмасо; Марголус, Норман (1987). Клеточные автоматы: новая среда для моделирования . Кембридж, Массачусетс: MIT Press. ISBN 9780262200608.
  20. ^ Гилберт, Найджел (1997). «Моделирование структуры академической науки». Sociological Research Online . 2 (2): 1–15. doi :10.5153/sro.85. S2CID  5077349. Архивировано из оригинала 1998-05-24 . Получено 2009-12-16 .
  21. ↑ Аксельрод, Роберт; Гамильтон, Уильям Д. (27 марта 1981 г.). «Эволюция сотрудничества». Science . 211 (4489): 1390–1396. Bibcode :1981Sci...211.1390A. doi :10.1126/science.7466396. PMID  7466396.
  22. ^ Фримен, Линтон С. (2004). Развитие анализа социальных сетей: исследование социологии науки . Ванкувер, Британская Колумбия: Empirical Press.
  23. ^ Lazer, David; Pentland, Alex; Adamic, L; Aral, S; Barabasi, AL; Brewer, D; Christakis, N; Contractor, N; et al. (6 февраля 2009 г.). «Жизнь в сети: грядущая эра вычислительной социальной науки». Science . 323 (5915): 721–723. doi :10.1126/science.1167742. PMC 2745217 . PMID  19197046. 
  24. ^ Шривастава, Джайдип; Кули, Роберт; Дешпанде, Мукунд; Тан, Панг-Нин (2000). «Изучение использования веб-сайтов: обнаружение и применение шаблонов использования из веб-данных». ACM SIGKDD Explorations Newsletter . 1 (2): 12–23. doi : 10.1145/846183.846188 . S2CID  967595.
  25. ^ Брин, Сергей; Пейдж, Лоуренс (апрель 1998 г.). «Анатомия крупномасштабной гипертекстовой поисковой системы в Интернете». Компьютерные сети и системы ISDN . 30 (1–7): 107–117. CiteSeerX 10.1.1.115.5930 . doi :10.1016/S0169-7552(98)00110-X. S2CID  7587743. 
  26. ^ ab S Sudhahar; GA Veltri; N Cristianini (2015). «Автоматизированный анализ президентских выборов в США с использованием больших данных и сетевого анализа». Большие данные и общество . 2 (1): 1–28. doi : 10.1177/2053951715572916 . hdl : 2381/31767 .
  27. ^ S Sudhahar; G De Fazio; R Franzosi; N Cristianini (2013). «Сетевой анализ повествовательного контента в больших корпусах» (PDF) . Natural Language Engineering . 21 (1): 1–32. doi :10.1017/S1351324913000247. hdl : 1983/dfb87140-42e2-486a-91d5-55f9007042df . S2CID  3385681.
  28. ^ Францоси, Роберто (2010). Количественный нарративный анализ . Университет Эмори.
  29. ^ И. Флаунас; М. Турки; О. Али; Н. Файсон; Т. Де Би; Н. Мосделл; Дж. Льюис; Н. Кристианини (2010). «Структура медиасферы ЕС» (PDF) . PLOS ONE . ​​5 (12): e14243. Bibcode :2010PLoSO...514243F. doi : 10.1371/journal.pone.0014243 . PMC 2999531 . PMID  21170383. 
  30. ^ V Lampos; N Cristianini (2012). «Прогнозирование текущих событий в социальной сети с помощью статистического обучения» (PDF) . Труды ACM по интеллектуальным системам и технологиям . 3 (4): 72. doi :10.1145/2337542.2337557. S2CID  8297993.
  31. ^ I. Flaounas; O. Ali; M. Turchi; T Snowsill; F Nicart; T De Bie; N Cristianini (2011). NOAM: система анализа и мониторинга новостных каналов (PDF) . Труды международной конференции ACM SIGMOD 2011 года по управлению данными. doi :10.1145/1989323.1989474.
  32. ^ N Cristianini (2011). «Автоматическое обнаружение закономерностей в медиаконтенте». Комбинаторное сопоставление образцов . Конспект лекций по информатике. Том 6661. С. 2–13. CiteSeerX 10.1.1.653.9525 . doi :10.1007/978-3-642-21458-5_2. ISBN  978-3-642-21457-8.
  33. ^ Лансдалл-Уэлфэр, Томас; Судхахар, Саатвига; Томпсон, Джеймс; Льюис, Джастин; Команда, FindMyPast Newspaper; Кристианини, Нелло (2017-01-09). «Анализ контента 150 лет британских периодических изданий». Труды Национальной академии наук . 114 (4): E457–E465. Bibcode : 2017PNAS..114E.457L. doi : 10.1073/pnas.1606380114 . ISSN  0027-8424. PMC 5278459. PMID  28069962 . 
  34. ^ И. Флаунас; О. Али; М. Турчи; Т. Лансдалл-Уэлфэр; Т. Де Би; Н. Мосделл; Дж. Льюис; Н. Кристианини (2012). «Методы исследования в эпоху цифровой журналистики». Цифровая журналистика . 1 : 102–116. doi : 10.1080/21670811.2012.714928 . S2CID  61080552.
  35. ^ T Lansdall-Welfare; V Lampos; N Cristianini. Влияние рецессии на общественное настроение в Великобритании (PDF) . Труды 21-й Международной конференции по всемирной паутине. Mining Social Network Dynamics (MSND) сессия по приложениям социальных сетей. Нью-Йорк, штат Нью-Йорк, США. стр. 1221–1226. doi :10.1145/2187980.2188264.
  36. ^ Дзоганг, Фейбон; Лансдалл-Уэлфэр, Томас; Команда, FindMyPast Newspaper; Кристианини, Нелло (2016-11-08). «Обнаружение периодических закономерностей в исторических новостях». PLOS ONE . 11 (11): e0165736. Bibcode : 2016PLoSO..1165736D. doi : 10.1371/journal.pone.0165736 . ISSN  1932-6203. PMC 5100883. PMID 27824911  . 
  37. ^ Сезонные колебания коллективного настроения, выявленные с помощью поисков в Википедии и сообщений в Twitter Ф. Дзоганг, Т. Лансдалл-Уэлфэр, Н. Кристианини - Международная конференция IEEE 2016 г. по интеллектуальному анализу данных, семинар по интеллектуальному анализу данных в анализе человеческой деятельности
  38. ^ abc Конте, Розария и др. «Манифест вычислительной социальной науки. Архивировано 22 января 2022 г. в Wayback Machine ». The European Physical Journal Special Topics 214.1 (2012): 325-346.
  39. ^ Эгуилуз, В.М.; Циммерман, М.Г.; Села-Конде, К.Дж.; Сан Мигель, М. «Американский журнал социологии» (2005): 110, 977. {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  40. ^ Сичман, Дж. С.; Конте, Р. «Вычислительная и математическая теория организации» (2002): 8(2). {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  41. ^ Эрхардт, Г.; Марсили, М.; Вега-Редондо, Ф. «Physical Review E» (2006): 74 (3). {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  42. ^ Биллари, Франческо С. Агентное вычислительное моделирование: применение в демографии, социальных, экономических и экологических науках. Тейлор и Фрэнсис, 2006.
  43. ^ Чентола, Д.; Гонсалес-Авелла, JC; Эгилуз, В.М.; Сан-Мигель, М. «Журнал разрешения конфликтов» (2007): 51. {{cite journal}}: Цитировать журнал требует |journal=( помощь )
  44. ^ Вайсберг, Майкл. Когда меньше значит больше: компромиссы и идеализация в построении моделей [ мертвая ссылка ] . Дисс. Стэнфордский университет, 2003.
  45. ^ Эпштейн, Джошуа М. Генеративная социальная наука: Исследования в области агентного вычислительного моделирования. Princeton University Press, 2006.
  46. ^ Юань, Юань; Алабдулкарим, Ахмад; Пентланд, Алекс «Сэнди» (2018). «Интерпретируемый подход к формированию социальных сетей среди гетерогенных агентов». Nature Communications . 9 (1): 4704. Bibcode :2018NatCo...9.4704Y. doi :10.1038/s41467-018-07089-x. PMC 6224571 . PMID  30410019. 

Внешние ссылки

Журналы и научные публикации

Ассоциации, конференции и семинары

Академические программы, факультеты и степени

Центры и институты

Северная Америка

Южная Америка

Азия

Европа