فصلنامه مطالعات میان‌رشته‌ای در علوم انسانی

کلان‌داده‌ها و گذار پارادایمی در پژوهش‌های اجتماعی

نوع مقاله : مقاله علمی ـ پژوهشی

نویسندگان

حمید ضرغام بروجنی 1
فیروزه فرخیان 2

1 دانشیار مدیریت گردشگری، گروه مدیریت گردشگری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

2 دانشجوی دکتری مدیریت گردشگری، گروه مدیریت گردشگری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

https://doi.org/10.22035/isih.2022.4588.4541
چکیده
اتوپیای موعود مدرنیسم، محقق نشد و انسان ناکام از تحقق آرمان‌های عصر مدرنیسم، دست به خلق جهانی به موازات جهان طبیعی زد. ماحصل زندگی انسان در این جهان موازی مجازی، تولید مستمر میلیاردها ردپای دیجیتالی در کسری از ثانیه و ظهور کلان‌داده‌ها است. در پی تحول پدیدآمده در زندگی اجتماعی انسان و تحولاتی که در نتیجه ظهور کلان‌داده در سطح دسترسی پژوهشگران به واقعیت‌های پیچیده و رابطه‌ای اجتماعی به وجود آمده است، دانش و مهارت‌های پژوهش اجتماعی نیز نیازمند تحول و بازنگری است. یکی از دشوارترین پرسش‌های مطرح‌شده در جامعه علمی کنونی این است که کلان‌داده تا چه حد مبانی روش‌شناسی پژوهش علمی و فراتر از آن، علم بشری را متحول می‌سازد؟ آیا در آستانه وقوع یک گذار پارادایمی در علوم اجتماعی قرار داریم؟ آیا نظریه به عنوان سنگ بنای نظام علم مدرن، به پایان راه خود رسیده است؟ نگارندگان در پی پاسخگویی به دو پرسش بنیادین مطرح‌شده، ابتدا با بررسی عمیق و مرور سیستماتیک مدارک علمی، که در بازه زمانی 2009 تا 2021 منتشر شده‍اند، با رویکردی فرارشته‌ای، دیدگاه‌ها و استدلال‌های گاه متعارض اندیشمندان حوزه‌های فلسفه علم، علوم داده و شاخه‌های مختلف علوم اجتماعی را مورد مطالعه و کنکاش قرار داده‌اند و پس از آن با خوانش انتقادی و تحلیل متون منتخب، ضمن رد ادعای بی‌نیازی علم مبتنی بر کلان‌داده از نظریه، نتیجه می‌گیرند کلان‌داده آغازگر یک گذار پارادایمی در علم و پژوهش اجتماعی است.

کلیدواژه‌ها

کلان‌داده
گذار پارادایمی
پژوهش اجتماعی داده محور
پایان نظریه

موضوعات

اکاشا، سمیر(1393). فلسفه علم(مترجم: هومن پناهنده). تهران: انتشارات فرهنگ معاصر. (تاریخ اصل اثر 2002)
 ایمان، محمدتقی؛ و کلاته‌ساداتی، احمد (1397). فلسفه تحقیق در علوم اجتماعی. تهران: سمت.
ایمان، محمدتقی؛ و کلاته‌ساداتی، احمد(1391). آسیب‌شناسی روش توسعه علوم انسانی در ایران. راهبرد فرهنگ، 5(19)، 51-27.
فراستخواه، مقصود (1399). روش تحقیق کیفی در علوم اجتماعی با تأکید بر نظریه برپایه. تهران: آگاه.
مهدی‌زاده، سیدمحمد (1396). نظریه‌های رسانه: اندیشه‌های رایج و دیدگاه‌های انتقادی. تهران: نشر همشهری.
Adler, M. J. (1986). A guidebook to learning: for a lifelong pursuit of wisdom. London: Macmillan.
Alemany Oliver, M., & Vayre, J. S. (2015). Big data and the future of knowledge production in marketing research: Ethics, digital traces, and abductive reasoning. Journal of Marketing Analytics, 3(1), 5-13. doi:10.1057/jma.2015.1
Anderson, C. (Jun. 23, 2008). The end of theory: The data deluge makes the scientific method obsolete. Wired, Reterived from https://www.wired.com/2008/06/pb-theory
Anderson, J., & Rainie, L. (July. 20, 2012). The future of big data. Pew Research Center: Internet, Science & Tech, Reterived from https://www.pewresearch.org/internet/2012/07/20/the-future-of-big-data
Appelbe, B., & Bannon, D. (2007). eResearch – Paradigm shift or propaganda? Journal of Research and Practice in IT, 39(2), 83–90. doi: 10.3316/informit.937758621242625
Audétat, M. (2001). Review: Re-Thinking Science, Re-Thinking Society. Reviewed Work: Re-Thinking Science: Knowledge and the Public in an Age of Uncertainty by Helga Nowotny, Peter Scott, Michael Gibbons. Social Studies of Science, 31(6), 950-956.  
Balazka, D., & Rodighiero, D. (2020). Big data and the little big bang: an epistemological (r)evolution. Frontiers in Big Data, 31(3). doi:10.3389/fdata.2020.00031
Barry, A., Born, G., & Weszkalnys, G. (2008). Logics of interdisciplinarity. Economy and Society, 37(1), 20-49. doi: 10.1080/03085140701760841
Berger, P. L. & Luckmann, T. (2011). The Social Construction of Reality: A Treatise in the Sociology of Knowledge. United Kingdom: Open Road Media.
Bhattacherjee, A. (2012). Social Science Research: Principles, Methods, and Practices. Retrieved from  https://open.umn.edu/opentextbooks/textbooks/79
Big Data and Social Science: A Practical Guide to Methods and Tools. (2016). United States: CRC Press.
Boyd, D., & Crawford, K. (2012). Critical questions for big data. Information, Communication & Society, 15(5), 662-679. doi: 10.1080/1369118X.2012.678878.
Brereton, P., Kitchenham, B. A., Budgen, D., Turner, M., & Khalil, M. (2007). Lessons from applying the systematic literature review process within the software engineering domain. Journal of Systems and Software, 80(4), 571–583. doi:10.1016/j.jss.2006.07.009
Brian and Saas Scout Team. (June. 07, 2021). Big data statistics, growth & facts 2021. Saasscout, Reterived from https://saasscout.com/statistics/big-data-statistics
Brooks, D. (April. 15, 2013). What You’ll Do Next. The Newyork Times, Reterived from https://www.nytimes.com/2013/04/16/opinion/brooks-what-youll-do-next.html
Bryant, A., & Raja, U. (2014). In the realm of Big Data… . First Monday, 19(2). https://doi.org/10.5210/fm.v19i2.4991
Bulao, J. (May. 18, 2021). How Much Data Is Created Every Day in 2021?, Techjury, Retrived from  https://techjury.net/blog/how-much-data-is-created-every-day/#gref.
Cao, L. (2018). Data Science Thinking: The Next Scientific, Technological and Economic Revolution . Springer International Publishing
Chalmers, A. (2013). What Is This Thing Called Science? United Kingdom: Hackett Publishing Company, Incorporated.
Chandler, D. (2015). A world without Causation: Big Data and the coming of age of posthumanism. Millennium: Journal of International Studies, 43(3), 833–851. doi:10.1177/0305829815576817
Chang, R. M., Kauffman, R. J., & Kwon, Y. (2014). Understanding the paradigm shift to computational social science in the presence of big data. Decision Support Systems, 63, 67–80. doi:10.1016/j.dss.2013.08.008
Chen, S. H. (Ed.). (2018). Big data in computational social science and humanities. Germany: Springer International Publishing.
Connor, A., Sosa, R., Jackson, A. G., & Marks, S. (2017). Problem Solving at the Edge of Disciplines. In Handbook of Research on Creative Problem-Solving Skill Development in Higher Education (pp. 212-234). United States: IGI Global: IGI Global.
Cowls, J., & Schroeder, R. (2015). Causation, correlation, and big data in social science research. Policy & Internet, 7(4), 447-472. doi: 10.1002/poi3.100
Craig, T., & Ludloff, M. E. (2011). Privacy and big data: the players, regulators, and stakeholders. United States: O'Reilly Media.
Crawford, K. (April. 01, 2013). The Hidden Biases in Big Data. Harvard Business Review, Retrived from https://hbr.org/2013/04/the-hidden-biases-in-big-data
Cukier, K., Mayer-Schönberger, V. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think. United Kingdom: Houghton Mifflin Harcourt.
Desjardins, F. (April. 17, 2019). How much data is generated each day? World Economic Forum, Reterived from https://www.weforum.org/agenda/2019/04/how-much-data-is-generated-each-day-cf4bddf29f
Dubois, D., Hájek, P., & Prade, H. (2000). Knowledge-Driven versus Data-Driven Logics. Journal of Logic, Language, and Information, 9(1), 65–89. http://www.jstor.org/stable/40180310
Frické, M. (2009). The knowledge pyramid: a critique of the DIKW hierarchy. Journal of Information Science, 35(2), 131–142. doi: 10.1177/0165551508094050
Golder, S. A., & Macy, M. W. (2014). Digital footprints: Opportunities and challenges for online social research. Annual Review of Sociology, 40(1), 129–152. doi: 10.1146/annurev-soc-071913-043145
González-Bailón, S. (2013). Social science in the era of big data. Policy & Internet, 5(2), 147–160. doi:10.1002/1944-2866.poi328
Graham, M. (March. 9, 2012). Big data and the end of theory? The Guardian, Reterived from https://www.theguardian.com/news/datablog/2012/mar/09/big-data-theory
Haig, B. D. (2020). Big data science: A philosophy of science perspective. In Big data in psychological research (pp. 15–33). American Psychological Association.
Halford, S., & Savage, M. (2017). Speaking Sociologically with Big Data: Symphonic Social Science and the Future for Big Data Research. Sociology, 51(6), 1132–1148. doi: 10.1177/0038038517698639
Hey, T., Tansley, S. & Toll, K. (2009). The Fourth Paradigm: Data-Intensive Scientific Discovery. United States: Microsoft Research.
Hodgson, G. (2015). A Trojan horse for sociology: Preferences versus Evolution and Morality. Review of Behavioral Economics, 2(1-2), 93-112. doi: 10.1561/105.00000021
Hoffman, D. D. (2010). Human vision as a reality engine. Washington, DC: Foundation for the Advancement of Behavioral and Brain Sciences. Retrieved from http://www.cogsci.uci.edu/~ddhoff/HoffmanFABBS.pdf
Hofman, J. M., Sharma, A., & Watts, D. J. (2017). Prediction and explanation in social systems. Science, 355(6324), 486-488. doi: 10.1126/science.aal3856
Jin, X., Wah, B.W., Cheng, X., & Wang, Y. (2015). Significance and Challenges of Big Data Research. Big Data Research, 2(2), 59-64. doi: https://doi.org/10.1016/j.bdr.2015.01.006
Johnson, J. (September. 10, 2021). Worldwide digital population as of January 2021. Statista, Retrieved from https://www.statista.com
Julian, J., Faraway, N., & Augustin H. (2018). When small data beats big data. Statistics and Probability Letters, 136, 142-145. doi: 10.1016/j.spl.2018.02.031
Kemp, S. (Jan. 27, 2021). Digital 2021: global overview report. DataReportal, Retrieved from https://datareportal.com/reports/digital-2021-global-overview-report
Kemp, S. (Jan. 31, 2019). Digital 2019: global internet use accelerates. We Are Social, Reterived from https://wearesocial.com/uk/blog/2019/01/digital-in-2019-global-internet-use-accelerates
Kitchin, R. & McArdle, G. (2016). What makes Big Data, Big Data? Exploring the ontological characteristics of 26 datasets. Big Data & Society, 3(1), 1-10. doi: 10.1177/2053951716631130
Kitchin, R. (2014a). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1), 1-12. doi: 10.1177/2053951714528481
Kitchin, R. (2014b). The data revolution: big data, open data, data infrastructures and their consequences. India: SAGE Publications.
 Lagoze, C. (2014). Big Data, data integrity, and the fracturing of the control zone. Big Data & Society, 1(2), 1-11. doi: 10.1177/2053951714558281
Lauro, N. C., Amaturo, E., Grassia, M. G., Aragona, B., & Marino, M. (Eds.). (2017). Data science and social research: Epistemology, methods, technology and applications. Germany: Springer International Publishing.
Leu, F., Chen, C. K., Susanto, H. (2019). The Emerging Technology of Big Data: Its Impact As a Tool for ICT Development. United States: Apple Academic Press, Incorporated.
Li, J., Xu, L., Tang, L., Wang, S., & Li, L. (2018). Big data in tourism research: A literature review. Tourism Management, 68, 301-323. doi:10.1016/j.tourman.2018.03.009
Lipari, L. (Jan. 2015). Human perception: Making sense of the world. Utne Reader, retrived from http://www.utne.com/mindand-body/human-perception-ze0z1501zhur.aspx
Liu, H. (2014). Philosophical Reflections on Data. Procedia Computer Science, 30, 60-65. doi: 10.1016/j.procs.2014.05.381
Macy, M.W. (2016). An Emerging Trend: Is Big Data the End of Theory.  Emerging Trends in the Social and Behavioral Sciences, 1-14. doi: 10.1002/9781118900772.ETRDS0410
Mahrt, M., & Scharkow, M. (2013). The value of big data in digital media research. Journal of Broadcasting & Electronic Media, 57(1), 20-33. doi: 10.1080/08838151.2012.761700
Marx-MacDonald, S., Bal, M. (2002). Travelling Concepts in the Humanities: A Rough Guide. United Kingdom: University of Toronto Press.
Mazzocchi, F. (2015). Could Big Data be the end of theory in science? A few remarks on the epistemology of data-driven science. EMBO reports, 16(10), 1250–1255. doi: 10.15252/embr.201541001
McFarland, D.A., Lewis, K. & Goldberg, A. (2016). Sociology in the Era of Big Data: The Ascent of Forensic Social Science. The American Sociologist, 47, 12–35. doi: 10.1007/s12108-015-9291-8
Miller, H.J. (2010). The data avalanche is here. Shouldn’t we be digging? Journal of Regional Science, 50(1), 181–201. doi: 10.1111/j.1467-9787.2009.00641.x
Mirowski, P. (2018). The future(s) of open science. Social Studies of Science, 48(2), 171–203. doi:10.1177/0306312718772086
Norris, M., Oppenheim, C. and Rowland, F. (2008). Finding open access articles using Google, Google Scholar, OAIster and OpenDOAR. Online Information Review, 32(6), 709-715. doi: 10.1108/14684520810923881
Nowotny, H., Scott, P. & Gibbons, M. (2003). Introduction: `Mode 2' Revisited: The New Production of Knowledge. Minerva, 41, 179–194. doi: 10.1023/A:1025505528250
Nowotny, H., Scott, P. B., & Gibbons, M. T. (2001). Re-Thinking Science: Knowledge and the Public in an Age of Uncertainty. Germany: Polity Press.
Philip Chen, C. L., & Zhang, C.-Y. (2014). Data-intensive applications, challenges, techniques and technologies: A survey on Big Data. Information Sciences, 275, 314–347. doi:10.1016/j.ins.2014.01.015
Ropolyi, L. (2016). Virtuality and Reality—Toward a Representation Ontology. Philosophies, 1(1), 40–54. doi: 10.3390/philosophies1010040
Sætra H. S. (2018). Science as a Vocation in the Era of Big Data: The Philosophy of Science behind Big Data and humanity's Continued Part in Science. Integrative psychological & behavioral science, 52(4), 508–522. doi: 10.1007/s12124-018-9447-5
Schatzki, T. R. (1988). The Nature of Social Reality. Philosophy and Phenomenological Research, 49(2), 239–260. doi: 10.2307/2107975
Sigala, M., Rahimi, R., & Thelwall, M. (Eds.). (2019). Big Data and Innovation in Tourism, Travel, and Hospitality: Managerial Approaches, Techniques, and Applications. Germany: Springer Singapore.
Sloan, L., & Quan-Haase, A. (Eds.). (2017). The SAGE handbook of social media research methods. Germany: SAGE Publications.
 Stevens, M., Wehrens, R., & de Bont, A. (2018). Conceptualizations of Big Data and their epistemological claims in healthcare: A discourse analysis. Big Data & Society, 5(2), 1-21. doi: 10.1177/2053951718816727
Succi, S., & Coveney, P. V. (2019). Big data: the end of the scientific method? Philosophical Transactions of the Royal Society, 377(2142), 1-15. doi: 10.1098/rsta.2018.0145
Swan, M. (2015). Philosophy of Big Data: Expanding the Human-Data Relation with Big Data Science Services. In Proceedings of the 2015 IEEE First International Conference on Big Data Computing Service and Applications. 468-477. Redwood City, USA: IEEE. doi: 10.1109/BigDataService.2015.29
 Symons, J., & Alvarado, R. (2016). Can we trust Big Data? Applying philosophy of science to software. Big Data & Society, 3(2), 1-17. doi: 10.1177/2053951716664747
Tang, L. (2017). Lament or Expectation: After Theory Revisited. Comparative Literature: East & West, 1(1), 140-144, doi: 10.1080/25723618.2017.1339511
 Törnberg, P., & Törnberg, A. (2018). The limits of computation: A philosophical critique of contemporary Big Data research. Big Data & Society, 5(2), 1-12. doi: 10.1177/2053951718811843
Venkatram, K. & Geetha, M. (2017). Review on Big Data & Analytics – Concepts, Philosophy, Process and Applications. Cybernetics and Information Technologies, 17(2) 3-27. doi: 10.1515/cait-2017-0013
Wang, H., Xu, Z., Fujita, H., & Liu, S. (2016). Towards felicitous decision making: An overview on challenges and trends of Big Data. Information Science, 367-368(1), 747-765. doi: 10.1016/j.ins.2016.07.007
 Xiao, Y., & Watson, M. (2019). Guidance on Conducting a Systematic Literature Review. Journal of Planning Education and Research, 39(1), 93–112. doi: 10.1177/0739456X17723971
ارسال نظر در مورد این مقاله
نام را وارد کنید.
نشانی پست الکترونیکی را به درستی وارد کنید.
وابستگی سازمانی را به درستی وارد کنید.
توضیحات را وارد کنید (حداقل 50 حرف)
CAPTCHA Image
شناسه امنیتی را به درستی وارد کنید.

  • تاریخ دریافت 16 شهریور 1400
  • تاریخ بازنگری 16 آبان 1400
  • تاریخ پذیرش 05 آذر 1400

صفحه اصلی

هیئت تحریریه

اصول اخلاقی

راهنمای داوران

ارسال مقاله

تماس با ما