¿Por qué los datos son importantes en las ciencias sociales?

Sin duda, las ciencias sociales contemporáneas se benefician de la creciente accesibilidad y disponibilidad de las fuentes de datos, así como de la impresionante evolución de las herramientas computacionales para la recopilación y el análisis de datos. Sin embargo, Marta Stelmaszak y Philipp Hukal hacer hincapié en la importancia de seguir reflexionando cuidadosamente al utilizar nuevas formas de datos y métodos. Cualquier análisis de datos requiere una reflexión sobre la agencia que se dedicó a definir, registrar y difundir información; el hecho de que las herramientas computacionales se desplieguen cada vez más para llevar a cabo la investigación social no debe cuestionar los fundamentos sobre los que se basa la investigación social.

Las partes cada vez más grandes de la actividad social cotidiana están influenciadas por vastos sistemas generalizados de tecnología informática digital. Estos sistemas de información producen información digital de forma continua, simultánea e inequívoca a partir de cualquier interacción que realicen con el usuario: ya sea el control de los aparatos domésticos, el seguimiento de la actividad física o el estudio de un curso en línea. Los datos recogidos de estos sistemas se utilizan en estudios de investigación a través de las ciencias sociales y más allá. Sin embargo, sólo una pequeña parte del trabajo académico se ocupa de reflexionar sobre los mecanismos que generan, procesan y difunden información digital. Los pocos estudios existentes revelan una discrepancia preocupante entre las disciplinas. La ciencia de los datos, por una parte, se centra en los aspectos prácticos de la creación eficiente, la recopilación y la entrega de información digital, a menudo con escasa preocupación por lo que rige estas actividades. Mientras tanto, las ciencias sociales pueden desconfiar de las dificultades que conllevan las nuevas fuentes y métodos de datos, pero también deben mantener el rigor y la relevancia de su trabajo.

En este contexto, siguiendo la tradición de su taller anual de Estudio Social de las Tecnologías de la Información, la LSE invitó a presentar propuestas a su Foro de Investigación Abierto . Con el título “La ciencia de los datos cumple con las ciencias sociales: comprensión de los orígenes, medios y consecuencias de la computación social”, el evento reunió a una docena de investigadores junior y una audiencia de más de 50 para trazar un camino a seguir para la investigación social contemporánea que utiliza herramientas computacionales y realiza el potencial de nuevos y grandes conjuntos de datos. Aquí, el comité organizador ofrece una síntesis del día y las principales conclusiones de la discusión entre estudiantes de doctorado, investigadores de carrera temprana y académicos de alto nivel de toda Europa y a través de las ciencias sociales. Surgieron algunos temas comunes.

En primer lugar, al tiempo que reconocía la gran promesa y oportunidades de nuevas fuentes y herramientas de datos, el taller también instó a la vigilancia, con investigadores advertidos de las dificultades causadas por la falta de enfoques conscientes o por el discurso científico guiado por modas. Sólo cuando los investigadores de ciencias sociales permanecen comprometidos con las virtudes de su oficio pueden los beneficios discutibles de la revolución de datos cumplir su promesa de fortalecer la investigación social.

Y las ciencias sociales se benefician sin duda de la revolución de los datos. La creciente accesibilidad y disponibilidad de las fuentes de datos, junto con la impresionante evolución de las herramientas computacionales para la recopilación y el análisis de datos, impulsan inevitablemente la investigación en ciencias sociales. Muchas fuentes de datos novedosas y prometedoras están disponibles para el trabajo académico, con el mínimo esfuerzo requerido por el investigador para recoger los datos; ya sea una simple descarga de sitios como data.gov.uk , o la utilización de capacidades de interfaz extendidas como APIs . Estas fuentes posiblemente permiten a los investigadores capturar fenómenos que anteriormente eran inobservables o incluso inexistentes.

A pesar de esa promesa brillante, los llamamientos a una reflexión cuidadosa eran comunes en todas las presentaciones y paneles. La reflexión abarcó tres temas en particular:

Contextualización de los datos digitales en la investigación

Todos los datos son datos sociales. Los sistemas de información son composiciones complejas y dinámicas de la tecnología digital conformada por la interacción social. Ya sea un sistema empresarial propietario o una base de datos pública que contiene datos sobre el consumo de energía, la recopilación, el procesamiento y la difusión de datos a través de estos sistemas refleja alguna forma de agencia social con propósito. Por lo tanto, cualquiera que estudie la salida de estos sistemas debe ser consciente de los mecanismos que generaron y manipularon los datos hasta el punto de recolección. La objetividad y la neutralidad se asumen a menudo cuando los investigadores aprovechan la miríada de fuentes de datos de reciente acceso. De hecho, un análisis cuidadoso de los datos requiere una reflexión sobre la agencia que se dedicó a definir, registrar y difundir piezas de información. Mediante la reflexión, se puede mitigar la falacia de tomar los datos generados por el sistema como hecho objetivo.

Formación complementaria en ciencias sociales

Los métodos avanzados exigen entrenamiento avanzado. Los métodos están madurando y actualmente hay muchas herramientas disponibles para entender los datos sociales. Para que los investigadores puedan clasificar el trigo de la paja, es necesario realizar suficientes esfuerzos de formación. Ya sea para los roles de autores, revisores o profesores, la formación de investigadores de ciencias sociales debe complementar la formación tradicional de métodos y filosofía con técnicas computacionales. Muchas universidades ofrecen formación como parte de sus cursos. Fuera de los planes de estudios académicos, hay una variedad de ofertas en forma de cursos masivos abiertos en línea (MOOCs) están disponibles (por ejemplo. edX o FutureLearn ) al igual que los programas de formación interactivos, tales como: DataCamp . Cualquiera que sea la forma exacta, la preferencia personal o el nivel de habilidad, algún grado de alfabetización en el análisis computacional es esencial para mantener el rigor en la investigación.

Centrarse en la artesanía básica en la investigación social

La contextualización en los debates ontológicos y epistemológicos es esencial para mantener el rigor en el trabajo de las ciencias sociales. En su bien recibido discurso de apertura, el profesor John L. King instó al público a evitar la arrogancia; la relación entre los datos y la teoría podría ajustarse, pero no será descartada. El discurso del profesor King recordó al público que los datos ayudan a los investigadores a desarrollar, reflexionar y cuestionar la teoría. Sin embargo, los datos no sustituyen ni sustituirán a la teoría. Parafraseando a un Andrew Abbot ejemplo : una variable como el género podría describir el fenómeno «diferencia en la remuneración», pero no lo explica. Como señaló el profesor King, el hecho de que las herramientas computacionales se desplieguen cada vez más para llevar a cabo la investigación social no debe desafiar los fundamentos sobre los que se basa la investigación social. Parafraseando esta vez el seminal de Sutton y Staw discusión de cosas que la teoría no es : el método no es más que una fuente de fuerte teoría. Sin embargo, en las ciencias sociales el método no es una contribución por derecho propio y las suposiciones ontológicas y epistemológicas necesitan ser reflejadas en cada diseño de investigación para ser contribuciones significativas.

Perspectivas

En general, los debates celebrados durante el Foro de Investigación Abierta demuestran las enormes oportunidades que ofrecen las nuevas formas de datos y métodos para la investigación en ciencias sociales. Sin embargo, para mantener el rigor y la relevancia, los científicos sociales no sólo deben adaptarse a estas oportunidades, sino que también deben adoptar técnicas novedosas para los discursos fundamentales en la filosofía de las ciencias y su búsqueda de la investigación social. Al final, es esta reflexión e investigación lo que hace que la ciencia social sea distinta de la ciencia de los datos.

LSE Information Systems and Innovation Group es un centro de conocimientos especializados sobre innovación en tecnología de la información (TI) y cambios organizativos y sociales concomitantes. Es uno de los grupos más grandes de su tipo en el mundo, y es bien conocido por sus investigaciones en las dimensiones social, política y económica de la tecnología de la información y las comunicaciones.

Este artículo da las opiniones de los autores, y no la posición del LSE Impact Blog, ni de la London School of Economics. Por favor, revise nuestro política de comentarios si usted tiene alguna preocupación sobre la publicación de un comentario a continuación.

Sobre los autores

Marta Stelmaszak es investigador doctoral en el Grupo de Sistemas de Información e Innovación del Departamento de Gestión del LSE. Su investigación se centra en los datos y la medición.

Philipp Hukal es investigador doctoral en el Grupo de Sistemas y Gestión de la Escuela de Negocios de Warwick. Su investigación se centra en plataformas digitales e innovación digital.

No sabía nada sobre ciencia de datos antes de leer este artículo. Fue interesante saber que este tipo de ciencia puede ayudarle a saber cómo manejar correctamente la información digital en el futuro. Espero que este artículo pueda ayudarnos a saber cómo manejar la información digital cuando sea necesario en el futuro.

¡Gran información! La ciencia de los datos se reúne con la ciencia social, es en realidad una combinación mortal. Hay muchas responsabilidades sociales que tenemos que seguir y es importante que aprendamos más sobre nuestras responsabilidades sociales junto con el aprendizaje de la ciencia de los datos. ¡Sigan compartiendo! Temas de ciencia de los datos de aprendizaje