Ya nos hemos acostumbrado al hecho de que nuestra huella digital se registra continuamente, almacenado en algún lugar y evaluado. Esto ha revolucionado la industria de la publicidad, y empresas como Uber y Amazon están utilizando nuestros datos para ser aún más eficientes. Discusión sobre cómo la digitalización está afectando nuestras vidas, sin embargo, a menudo se limita a especulaciones sobre lo que Google o Facebook podrían hacer con estos datos.

A pesar de los grandes avances en la investigación básica, como el reconocimiento de voz y el procesamiento de imágenes, Las historias de éxito de las aplicaciones de big data existentes en las ciencias sociales son escasas. Ya en 2014, Los macrodatos cayeron en picado desde el "pico de expectativas infladas" a la fase de "depresión de la desilusión" en el ciclo de bombo de Gartner. En las ciencias básicas, la atención se centra en los requisitos técnicos previos para registrar y almacenar de manera eficiente grandes cantidades de datos y procesarlos automáticamente. Los métodos de inteligencia artificial como el aprendizaje automático tienen un gran potencial aquí. Hasta ahora, solo las ciencias sociales se han beneficiado poco de esto, e incluso parecen estar perdiendo terreno frente a otras disciplinas. Me doy cuenta de que, en lugar de beneficiarse de la avalancha de datos para su investigación empírica, Los científicos sociales a menudo se sienten abrumados por las oportunidades que surgen.

El vacío que se abre se llena con otras disciplinas científicas:ingenieros que recopilan datos de sensores sobre la movilidad individual, por ejemplo, y científicos informáticos que extraen modelos estadísticos de esos datos. Este enfoque basado en datos de los fenómenos sociales ahora se conoce como ciencia social computacional. Recientemente, uno tenía la ilusión de que el enfoque clásico de las ciencias sociales - hipotetizar, modelo, prueba - se volvería obsoleto; en lugar de, emergería una nueva forma de ciencia social en la que la teoría es reemplazada por el aprendizaje automático de las "leyes" sociales a partir de los datos.

De hecho, la ciencia de datos puede ayudar a responder preguntas de investigación en las ciencias sociales; pero no puede desarrollar tales preguntas por sí mismo. El "descubrimiento" de correlaciones estadísticas no puede reemplazar la aclaración científica de los efectos causales. Porque en las ciencias sociales, las preguntas no son solo sobre "qué", sino también sobre "por qué". Por lo tanto, los científicos sociales son indispensables para hacer de la ciencia computacional una ciencia social.

Lo que se requiere son modelos novedosos de interacción social que se desarrollen expresamente teniendo en cuenta su calibración y validación frente a grandes cantidades de datos previamente no disponibles. Esto requiere una nueva experiencia metodológica, y corresponde a las universidades enseñarlo. En la Cátedra de Diseño de Sistemas, hemos asumido el desafío desarrollando cursos sobre la teoría de redes complejas, Modelado basado en agentes de sistemas sociales y análisis estadístico de datos sociales.

Lo contrario también es cierto:las ciencias de la ingeniería pueden beneficiarse de las ciencias sociales. Los sistemas técnicos de hoy dependen de la dimensión social:sus usuarios. No es factible diseñar un suministro de energía inteligente o una plataforma compartida para el desarrollo de software sin considerar el comportamiento humano y las relaciones sociales, y aquí es exactamente donde se encuentran las habilidades centrales en ciencias sociales. Se requiere una formación interdisciplinaria de ingenieros e informáticos. Ahora, mientras todavía se están sentando las bases de la ciencia social computacional, Tenemos la oportunidad de trabajar juntos más allá de las fronteras. Estoy convencido de que esto determinará el éxito de las disciplinas, en ambos lados.