Вычислительная социология - Computational sociology - Wikipedia

Вычислительная социология это филиал социология который использует ресурсоемкие методы анализа и моделирования социальных явлений. С помощью 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 восходящего моделирования социальных взаимодействий.[1]

Он включает в себя понимание социальных агентов, взаимодействия между этими агентами и влияние этих взаимодействий на социальную совокупность.[2] Хотя предмет и методологии в социальная наука отличаются от тех, что в естественные науки или же Информатика, некоторые из подходов, используемых в современных социальная симуляция происходит из таких полей, как физика и искусственный интеллект.[3][4] Некоторые подходы, возникшие в этой области, были импортированы в естественные науки, например, меры центральность сети с полей анализ социальных сетей и сетевая наука.

В соответствующей литературе вычислительная социология часто связана с изучением социальная сложность.[5] Понятия социальной сложности, такие как сложные системы, нелинейный взаимосвязь между макро и микропроцессами, и появление, вошли в словарь вычислительной социологии.[6] Практический и известный пример - построение вычислительной модели в виде "искусственное общество ", с помощью которого исследователи могут анализировать структуру социальная система.[2][7]

История

Историческая карта исследовательских парадигм и связанных ученых в социология и наука о сложности.

Фон

За последние четыре десятилетия вычислительная социология была представлена ​​и набирала популярность.[согласно кому? ]. Это использовалось в основном для моделирования или построения объяснений социальных процессов и зависит от появления сложного поведения из простых действий.[8] Идея возникновения состоит в том, что свойства любой более крупной системы не всегда должны быть свойствами компонентов, из которых она сделана.[9] Люди, ответственные за внедрение идеи эмерджентизма, - это Александр, Морган и Броуд, которые были классическими эмерджентистами. Время, когда эти эмерджентисты придумали эту концепцию и метод, было в начале двадцатого века. Целью этого метода было найти достаточно хорошее сочетание двух различных крайних онтологий, которыми были редукционистский материализм и дуализм.[8]

Хотя эмерджентность сыграла ценную и важную роль в создании вычислительной социологии, есть те, кто не обязательно согласен. Один крупный лидер в этой области, Эпштейн, усомнился в возможности использования, потому что есть аспекты, которые необъяснимы. Эпштейн выдвинул претензию против эмерджентизма, в котором он говорит, что «именно порождающая достаточность частей составляет объяснение целого».[8]

Агент-ориентированные 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 людей в качестве основных единиц для анализа и использовало восходящие стратегии для моделирование поведения. Последняя волна пришлась на 1980-е годы. В то время модели все еще были восходящими; единственное отличие состоит в том, что агенты взаимодействуют между собой.[8]

Теория систем и структурный функционализм

В послевоенное время Ванневар Буш с дифференциальный анализатор, Джон фон Нейман с клеточные автоматы, Норберт Винер с кибернетика, и Клод Шеннон с теория информации стали влиятельными парадигмами для моделирования и понимания сложности технических систем. В ответ ученые в таких дисциплинах, как физика, биология, электроника и экономика, начали формулировать общая теория систем в котором все природные и физические явления являются проявлениями взаимосвязанных элементов в системе, имеющей общие закономерности и свойства. Следующий Эмиль Дюркгейм призыв проанализировать сложное современное общество sui generis,[10] послевоенные структурные социологи-функционалисты, такие как Талкотт Парсонс ухватился за эти теории систематического и иерархического взаимодействия между составляющими компонентами, чтобы попытаться создать великие унифицированные социологические теории, такие как Парадигма AGIL.[11] Социологи, такие как Джордж Хоманс утверждал, что социологические теории должны быть формализованы в иерархических структурах предложений и точной терминологии, из которых можно 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 четырех цветов,[13] некоторые ученые ожидали, что аналогичные вычислительные подходы могут «решать» и «доказывать» аналогично формализованные проблемы и теоремы социальных структур и динамики.

Макросимуляция и микросимуляция

К концу 1960-х - началу 1970-х социологи использовали все более доступные вычислительные технологии для выполнения макромоделирований процессов управления и обратной связи в организациях, отраслях, городах и глобальном населении. В этих моделях использовались дифференциальные уравнения для прогнозирования распределения населения как целостных функций других систематических факторов, таких как управление запасами, городской транспорт, миграция и передача болезней.[14][15] Хотя моделирование социальных систем привлекло значительное внимание в середине 1970-х годов после Римский клуб опубликованные отчеты, в которых предсказывается, что политика, способствующая экспоненциальному экономическому росту, в конечном итоге приведет к глобальной экологической катастрофе,[16] неудобные выводы заставили многих авторов попытаться дискредитировать модели, пытаясь выставить самих исследователей ненаучными.[2][17] Надеясь избежать той же участи, многие социологи обратили свое внимание на модели микромоделирования, чтобы делать прогнозы и изучать влияние политики путем моделирования совокупных изменений состояния отдельных субъектов, а не изменений в распределении на уровне населения.[18] Однако эти модели микромоделирования не позволяли людям взаимодействовать или адаптироваться и не предназначались для фундаментальных теоретических исследований.[1]

Клеточные автоматы и агентное моделирование

1970-е и 1980-е годы были также временем, когда физики и математики пытались смоделировать и проанализировать, как простые составляющие элементы, такие как атомы, вызывают глобальные свойства, такие как сложные свойства материала 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 управлялись исключительно состояниями ближайших соседей. Наряду с достижениями в искусственный интеллект и микрокомпьютер власти, эти методы способствовали развитию "теория хаоса " и "теория сложности "что, в свою очередь, возродило интерес к пониманию сложных физических и социальных систем за пределами дисциплинарных границ.[2] В эту эпоху также были основаны исследовательские организации, специально посвященные междисциплинарным исследованиям сложности: Институт Санта-Фе была основана в 1984 году учеными из Лос-Аламосская национальная лаборатория и группа БАХ на университет Мичигана аналогично началось в середине 1980-х годов.

Эта парадигма клеточного автомата породила третью волну социального моделирования, в которой особое внимание уделяется агентному моделированию. Как и в микромоделировании, эти модели делали упор на восходящее проектирование, но принимали четыре ключевых допущения, которые расходились с микромоделированием: автономия, взаимозависимость, простые правила и адаптивное поведение.[1] Агентные модели меньше заботятся о точности прогнозов и вместо этого делают упор на теоретические разработки.[20] В 1981 году математик и политолог. Роберт Аксельрод и эволюционный биолог W.D. Гамильтон опубликовал крупную статью в Наука под названием «Эволюция сотрудничества», в котором использовался подход агент-ориентированного моделирования, чтобы продемонстрировать, как социальное сотрудничество, основанное на взаимности, может быть установлено и стабилизировано в Дилемма заключенного игра, когда агенты следовали простым правилам личного интереса.[21] Аксельрод и Гамильтон продемонстрировали, что отдельные агенты, следующие простому набору правил (1) сотрудничают на первом этапе и (2) после этого повторяют предыдущие действия партнера, были способны разработать «нормы» сотрудничества и санкций в отсутствие канонических социологических построений, таких как как демография, ценности, религия и культура как предварительные условия или посредники сотрудничества.[4] На протяжении 1990-х гг. Ученым нравилось Уильям Симс Бейнбридж, Кэтлин Карли, Майкл Мэйси, и Джон Скворец разработаны мультиагентные модели общая взаимность, предрассудки, влияние общества, и организационные обработка информации. В 1999 году, Найджел Гилберт опубликовал первый учебник по социальному моделированию: Моделирование для социолога и основал свой самый актуальный журнал: the Журнал искусственных обществ и социального моделирования.

Интеллектуальный анализ данных и анализ социальных сетей

Независимо от разработок вычислительных моделей социальных систем, анализ социальных сетей возник в 1970-х и 1980-х годах благодаря достижениям теории графов, статистики и исследований социальной структуры в качестве отдельного аналитического метода и был сформулирован и использован социологами, такими как Джеймс С. Коулман, Харрисон Уайт, Линтон Фриман, Дж. Клайд Митчелл, Марк Грановеттер, Рональд Берт, и Барри Веллман.[22] Растущее распространение компьютерных и телекоммуникационных технологий на протяжении 1980-х и 1990-х годов потребовало аналитических методов, таких как сетевой анализ и многоуровневое моделирование, который можно масштабировать до все более сложных и больших наборов данных. Последняя волна вычислительной социологии, вместо использования моделирования, 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 на Всемирная паутина, использование мобильного телефона и обсуждение Usenet позволяют социологам напрямую наблюдать и анализировать социальное поведение в разные моменты времени и на нескольких уровнях анализа без ограничений традиционных эмпирических методов, таких как интервью, включенное наблюдение или инструменты опроса.[23] Постоянные улучшения в машинное обучение Аналогичным образом алгоритмы позволили социологам и предпринимателям использовать новые методы для выявления скрытых и значимых закономерностей социального взаимодействия и эволюции в больших наборах электронных данных.[24][25]

Повествовательная сеть выборов в США 2012[26]

Автоматический синтаксический анализ текстовых корпусов позволил извлекать актеров и их реляционные сети в широком масштабе, превращая текстовые данные в сетевые. Полученные сети, которые могут содержать тысячи узлов, затем анализируются с использованием инструментов теории сетей для определения ключевых участников, ключевых сообществ или сторон, а также общих свойств, таких как надежность или структурная стабильность всей сети или центральность определенных узлы.[27] Это автоматизирует подход, представленный количественным нарративным анализом,[28] посредством чего тройки субъект-глагол-объект отождествляются с парами акторов, связанных действием, или парами, образованными субъектом-объектом.[26]

Вычислительный контент-анализ

Анализ содержания долгое время была традиционной частью социальных наук и медиа-исследований. Автоматизация контент-анализа позволила "большое количество данных "революция, которая должна произойти в этой области, с исследованиями в социальных сетях и газетах, которые включают миллионы новостей. Гендерная предвзятость, читаемость, сходство контента, предпочтения читателей и даже настроение были проанализированы на основе интеллектуальный анализ текста методы над миллионами документов.[29][30][31][32][33] Анализ читабельности, гендерной предвзятости и тематической предвзятости был продемонстрирован Flaounas et al.[34] показать, как разные темы имеют разные гендерные предубеждения и уровни читабельности; также была продемонстрирована возможность обнаруживать изменения настроения у огромного населения путем анализа контента Twitter.[35]

Анализ огромного количества исторического газетного содержания был впервые проведен Dzogang et al.,[36] который показал, как периодические структуры могут автоматически обнаруживаться в исторических газетах. Аналогичный анализ был проведен в социальных сетях, снова выявив сильно периодические структуры.[37]

Вызовы

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

Уровни и их взаимодействие

Каждое сформированное общество имеет тенденцию находиться на том или ином уровне, и существуют тенденции взаимодействия между этими уровнями и между ними. Уровни должны быть не только микро- или макроуровневыми по своей природе. Например, могут быть промежуточные уровни, на которых существует общество - группы, сети, сообщества и т. Д.[38]

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

Если мы рассматриваем сущности (агентов) как узлы, а связи между ними как края, мы видим формирование сетей. Связи в этих сетях возникают не только на основе объективных отношений между объектами, они скорее определяются факторами, выбранными участвующими объектами.[39] Проблема с этим процессом заключается в том, что трудно определить, когда набор объектов будет формировать сеть. Эти сети могут быть доверительными сетями, сетями сотрудничества, сетями зависимости и т. Д. Были случаи, когда разнородный набор объектов, как было показано, образовывал между собой сильные и значимые сети.[40][41]

Как обсуждалось ранее, общества делятся на уровни, и на одном из таких уровней, индивидуальном уровне, существует микромакросвязь.[42] относится к взаимодействиям, которые создают более высокие уровни. Существует ряд вопросов, на которые необходимо ответить по поводу этих ссылок на микромакро. Как они формируются? Когда они сходятся? Какая обратная связь передается на более низкие уровни и как она продвигается?

Еще одна серьезная проблема в этой категории касается достоверности информации и ее источников. В последние годы наблюдается бум сбора и обработки информации. Однако распространению ложной информации между обществами уделялось мало внимания. Отследить источники и найти право собственности на такую ​​информацию сложно.

Моделирование культуры

Эволюция сетей и уровней в обществе приводит к культурному разнообразию.[43] Однако возникает мысль о том, что, когда люди склонны к взаимодействию и становятся более восприимчивыми к другим культурам и верованиям, как получается, что разнообразие все еще сохраняется? Почему нет конвергенции? Основная проблема состоит в том, как моделировать эти различия. Существуют ли внешние факторы, такие как средства массовой информации, месторасположение общества и т. Д., Которые влияют на эволюцию или сохранение культурного разнообразия?[нужна цитата ]

Эксперименты и оценка

Любое исследование или моделирование в сочетании с экспериментированием должно отвечать на задаваемые вопросы. Вычислительная социология имеет дело с крупномасштабными данными, и проблема становится все более очевидной по мере роста масштабов. Как можно разработать информативное моделирование в большом масштабе? И даже если будет проведено крупномасштабное моделирование, как предполагается проводить оценку?

Выбор модели и сложности модели

Другой проблемой является определение моделей, которые лучше всего подходят для данных, и сложности этих моделей. Эти модели помогут нам предсказать, как общества могут развиваться с течением времени, и дать возможные объяснения того, как все работает.[44]

Генеративные модели

Генеративные модели помогают нам выполнять обширный качественный анализ контролируемым образом. Модель, предложенная Эпштейном, представляет собой моделирование на основе агентов, в котором говорится об идентификации начального набора разнородных сущностей (агентов) и наблюдении за их эволюцией и ростом на основе простых локальных правил.[45]

Но что это за местные правила? Как их идентифицировать для набора разнородных агентов? Оценка и влияние этих правил создают целый ряд новых трудностей.

Гетерогенные или ансамблевые модели

Интеграция простых моделей, которые лучше справляются с отдельными задачами, для формирования гибридной модели - это подход, который можно изучить.[46] Эти модели могут предложить лучшую производительность и понимание данных. Однако компромисс между идентификацией и глубоким пониманием взаимодействий между этими простыми моделями возникает, когда нужно создать одну комбинированную, хорошо работающую модель. Кроме того, создание инструментов и приложений, помогающих анализировать и визуализировать данные на основе этих гибридных моделей, является еще одной дополнительной проблемой.

Влияние

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

Влияние на науку

Чтобы изучение вычислительной социологии было эффективным, необходимы ценные инновации. Эти нововведения могут быть в форме новых инструментов анализа данных, более совершенных моделей и алгоритмов. Появление таких инноваций станет благом для научного сообщества в целом.[нужна цитата ]

Влияние на общество

Одна из основных задач вычислительной социологии - моделирование социальных процессов.[нужна цитата ]. Различные законодательные и политические деятели смогут увидеть действенные и действенные пути для выпуска новых руководящих принципов, а масса в целом сможет оценить и получить справедливое понимание представленных перед ними вариантов, обеспечивая открытый и хорошо сбалансированный процесс принятия решений.[нужна цитата ].

Смотрите также

Рекомендации

  1. ^ а б c Мэйси, Майкл В .; Виллер, Роберт (2002). «От факторов к акторам: вычислительная социология и агентное моделирование». Ежегодный обзор социологии. 28: 143–166. Дои:10.1146 / annurev.soc.28.110601.141117. JSTOR  3069238.
  2. ^ а б c d Гилберт, Найджел; Троицш, Клаус (2005). «Моделирование и социальные науки». Моделирование для социологов (2-е изд.). Open University Press.
  3. ^ Эпштейн, Джошуа М .; Акстелл, Роберт (1996). Растущие искусственные общества: социальные науки снизу вверх. Вашингтон, округ Колумбия: Издательство Брукингского института. ISBN  978-0262050531.
  4. ^ а б Аксельрод, Роберт (1997). Сложность сотрудничества: агентные модели конкуренции и сотрудничества. Принстон, Нью-Джерси: Издательство Принстонского университета.
  5. ^ Касти, Дж (1999). «Компьютер как лаборатория: к теории сложных адаптивных систем». Сложность. 4 (5): 12–14. Дои:10.1002 / (SICI) 1099-0526 (199905/06) 4: 5 <12 :: AID-CPLX3> 3.0.CO; 2-4.
  6. ^ Голдспинк, C (2002). «Методологические последствия сложных системных подходов к социальности: моделирование как основа знаний». 5 (1). Журнал искусственных обществ и социального моделирования. Цитировать журнал требует | журнал = (помощь)
  7. ^ Эпштейн, Джошуа (2007). Генеративная социальная наука: исследования в области компьютерного моделирования на основе агентов. Принстон, Нью-Джерси: Издательство Принстонского университета.
  8. ^ а б c d Сальгадо, Маурисио и Найджел Гилберт. "Возникновение и коммуникация в вычислительной социологии. »Журнал теории социального поведения 43.1 (2013): 87-110.
  9. ^ Мэйси, Майкл В. и Роберт Уиллер. "От факторов к участникам: вычислительная социология и агентное моделирование. »Ежегодный социологический обзор 28.1 (2002): 143-166.
  10. ^ Дюркгейм, Эмиль. Разделение труда в обществе. Нью-Йорк, Нью-Йорк: Макмиллан.
  11. ^ Бейли, Кеннет Д. (2006). «Теория систем». У Джонатана Х. Тернера (ред.). Справочник по социологической теории. Нью-Йорк, штат Нью-Йорк: Springer Science. С. 379–404. ISBN  978-0-387-32458-6.
  12. ^ Бейнбридж, Уильям Симс (2007). «Вычислительная социология». В Ритцере, Джордж (ред.). Энциклопедия социологии Блэквелла. Справочник Блэквелла в Интернете. Дои:10.1111 / b.9781405124331.2007.x. HDL:10138/224218. ISBN  978-1-4051-2433-1.
  13. ^ Кревье, Д. (1993). AI: бурная история поиска искусственного интеллекта. Нью-Йорк, штат Нью-Йорк: основные книги.
  14. ^ Форрестер, Джей (1971). Мировая динамика. Кембридж, Массачусетс: MIT Press.
  15. ^ Игналл, Эдвард Дж .; Колесар, Петр; Уокер, Уоррен Э. (1978). «Использование моделирования для разработки и проверки аналитических моделей: некоторые тематические исследования». Исследование операций. 26 (2): 237–253. Дои:10.1287 / opre.26.2.237.
  16. ^ Meadows, DL; Беренс, WW; Meadows, DH; Нейл, РФ; Рандерс, Дж; Зан, ЭК (1974). Динамика роста в конечном мире. Кембридж, Массачусетс: MIT Press.
  17. ^ «Компьютерная точка зрения на бедствие опровергнута». Нью-Йорк Таймс. 18 октября 1974 г.
  18. ^ Оркатт, Гай Х. (1990). «От инженерии к микросимуляции: автобиографическое размышление». Журнал экономического поведения и организации. 14 (1): 5–27. Дои:10.1016 / 0167-2681 (90) 90038-Ф.
  19. ^ Тоффоли, Томмазо; Марголус, Норман (1987). Клеточные автоматы: новая среда для моделирования. Кембридж, Массачусетс: MIT Press.
  20. ^ Гилберт, Найджел (1997). «Моделирование структуры академической науки». Социологические исследования онлайн. 2 (2): 1–15. Дои:10,5153 / sro.85. Архивировано из оригинал на 1998-05-24. Получено 2009-12-16.
  21. ^ Аксельрод, Роберт; Гамильтон, Уильям Д. (27 марта 1981 г.). «Эволюция сотрудничества». Наука. 211 (4489): 1390–1396. Bibcode:1981Научный ... 211.1390A. Дои:10.1126 / science.7466396. PMID  7466396.
  22. ^ Фриман, Линтон С. (2004). Развитие анализа социальных сетей: исследование социологии науки. Ванкувер, Британская Колумбия: Empirical Press.
  23. ^ Лазер, Дэвид; Пентланд, Алекс; Адамический, L; Арал, S; Барабаши, Алабама; Брюэр, Д; Christakis, N; Исполнитель, N; и другие. (6 февраля 2009 г.). «Жизнь в сети: наступающая эра вычислительной социальной науки». Наука. 323 (5915): 721–723. Дои:10.1126 / science.1167742. ЧВК  2745217. PMID  19197046.
  24. ^ Шривастава, Джайдип; Кули, Роберт; Дешпанде, Мукунд; Тан, Пан-Нин (2000). «Интеллектуальный анализ использования Интернета: обнаружение и применение шаблонов использования из веб-данных». Материалы конференции ACM по открытию знаний и интеллектуальному анализу данных. 1 (2): 12–23. Дои:10.1145/846183.846188.
  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. Дои:10.1016 / S0169-7552 (98) 00110-X.
  26. ^ а б S Sudhahar; Г.А. Велтри; Н. Кристианини (2015). «Автоматизированный анализ президентских выборов в США с использованием Big Data и сетевого анализа». Большие данные и общество. 2 (1): 1–28. Дои:10.1177/2053951715572916.
  27. ^ S Sudhahar; G De Fazio; Р. Франзози; Н. Кристианини (2013). «Сетевой анализ повествовательного контента в больших корпусах» (PDF). Инженерия естественного языка. 21 (1): 1–32. Дои:10.1017 / S1351324913000247.
  28. ^ Франзози, Роберто (2010). Количественный нарративный анализ. Университет Эмори.
  29. ^ И. Флаунас; М. Турчи; 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. Дои:10.1371 / journal.pone.0014243. ЧВК  2999531. PMID  21170383.
  30. ^ V Lampos; Н. Кристианини (2012). «Прогнозирование событий из социальной сети со статистическим обучением» (PDF). Транзакции ACM по интеллектуальным системам и технологиям. 3 (4): 72. Дои:10.1145/2337542.2337557.
  31. ^ И. Флаунас; О. Али; М. Турчи; T Snowsill; F Nicart; Т Де Би; Н. Кристианини (2011). NOAM: система анализа и мониторинга новостных агентств (PDF). Proc. международной конференции ACM SIGMOD 2011 года по управлению данными. Дои:10.1145/1989323.1989474.
  32. ^ Н. Кристианини (2011). «Автоматическое обнаружение закономерностей в медиа-контенте». Комбинаторное сопоставление с образцом. Конспект лекций по информатике. 6661. С. 2–13. CiteSeerX  10.1.1.653.9525. Дои:10.1007/978-3-642-21458-5_2. ISBN  978-3-642-21457-8.
  33. ^ Lansdall-Welfare, Томас; Судхахар, Саатвига; Томпсон, Джеймс; Льюис, Джастин; Команда, газета FindMyPast; Кристианини, Нелло (9 января 2017 г.). «Контент-анализ 150-летия британской периодики». Труды Национальной академии наук. 114 (4): E457 – E465. Дои:10.1073 / pnas.1606380114. ISSN  0027-8424. ЧВК  5278459. PMID  28069962.
  34. ^ И. Флаунас; О. Али; М. Турчи; T. Lansdall-Welfare; Т. Де Би; Н. Мосделл; Дж. Льюис; Н. Кристианини (2012). «Методы исследования в эпоху цифровой журналистики». Цифровая журналистика. 1: 102–116. Дои:10.1080/21670811.2012.714928.
  35. ^ Т. Лэнсдалл-Велфэр; V Lampos; Н. Кристианини. Влияние рецессии на общественное настроение в Великобритании (PDF). Материалы 21-й Международной конференции по всемирной паутине. Сессия Mining Social Network Dynamics (MSND) в приложениях социальных сетей. Нью-Йорк, штат Нью-Йорк, США. С. 1221–1226. Дои:10.1145/2187980.2188264.
  36. ^ Дзоганг, Фабон; Lansdall-Welfare, Томас; Команда, газета FindMyPast; Кристианини, Нелло (8 ноября 2016 г.). «Обнаружение периодических закономерностей в исторических новостях». PLOS One. 11 (11): e0165736. Bibcode:2016PLoSO..1165736D. Дои:10.1371 / journal.pone.0165736. ISSN  1932-6203. ЧВК  5100883. PMID  27824911.
  37. ^ Сезонные колебания коллективного настроения, выявленные поисками в Википедии и сообщениями в Twitter Ф. Дзоганг, Т. Лансдалл-Велфэр, Н. Кристианини - Международная конференция IEEE по интеллектуальному анализу данных, 2016 г., семинар по Сбор данных в анализе человеческой деятельности
  38. ^ а б c Конте, Розария и др. "Манифест вычислительной социальной науки. »The European Physical Journal Special Topics 214.1 (2012): 325-346.
  39. ^ Egu´ıluz, V. M .; Циммерманн, М. Г .; Cela-Conde, C.J .; Сан-Мигель, М. "Американский журнал социологии" (2005): 110, 977. Цитировать журнал требует | журнал = (помощь)
  40. ^ Sichman, J. S .; Конте, Р. "Вычислительная и математическая теория организации" (2002): 8 (2). Цитировать журнал требует | журнал = (помощь)
  41. ^ Ehrhardt, G .; Марсили, М .; Вега-Редондо, Ф. "Physical Review E" (2006): 74 (3). Цитировать журнал требует | журнал = (помощь)
  42. ^ Биллари, Франческо К. Агентное вычислительное моделирование: приложения в демографии, социальных, экономических и экологических науках. Тейлор и Фрэнсис, 2006.
  43. ^ Centola, D .; Gonz´alez-Avella, J.C .; Egu´ıluz, V. M .; Сан-Мигель, М. «Журнал разрешения конфликтов» (2007): 51. Цитировать журнал требует | журнал = (помощь)
  44. ^ Вайсберг, Майкл. Когда меньше значит больше: компромиссы и идеализация при построении моделей. Дисс. Стэнфордский университет, 2003 г.
  45. ^ Эпштейн, Джошуа М. Генеративная социальная наука: исследования в области агентно-вычислительного моделирования. Издательство Принстонского университета, 2006.
  46. ^ Юань, Ю., Алабдулкарим, А., Пентланд, А.С. Интерпретируемый подход к формированию социальной сети среди разнородных агентов. Нац Коммуна 9, 4704 (2018).

внешняя ссылка

Журналы и научные публикации

Ассоциации, конференции и семинары

Академические программы, факультеты и степени

Центры и институты

Северная Америка

Южная Америка

Азия

Европа