📚نسخه pdf کتاب مدلهای فرهنگی تقدیم دوستان ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

خدمت دوستانی که تازه عضو کانال شدند خوش آمد عرض می کنم.💐 پیشنهاد می کنم هندبوک📘 (جامعه داده‌محور - مطالعه فرهنگ از طریق داده‌ها(مجموعه مقالات) ،را از دست ندهید. اولین پیام کانال ☝️

📊✨ معرفی مقاله: تحلیل فرهنگی، محاسبات اجتماعی و علوم انسانی دیجیتال ✨📊 🔍 عنوان: تحلیل فرهنگی، محاسبات اجتماعی و علوم انسانی دیجیتال ✍️ نویسنده: لو مانوویچ (Lev Manovich) 📖 کتاب: The Datafied Society: Studying Culture through Data 📆 سال انتشار: 2017 🏢 ناشر: Amsterdam University Press 📑 صفحات: 55-68 📊 خلاصه مقاله: در این مقاله، لف مانوویچ به بررسی روش‌های تحلیل فرهنگی، محاسبات اجتماعی و علوم انسانی دیجیتال می‌پردازد. او پیشنهاد می‌کند که به جای انتخاب بین اهداف و روش‌های علوم انسانی و علوم تجربی، می‌توان از هر دو پارادایم علمی بهره‌برداری کرد تا فرصت‌های جدیدی برای پژوهش‌های فرهنگی ایجاد شود. مانوویچ با مثال پروژه “On Broadway” که خود سرپرستی آن را بر عهده دارد، نشان می‌دهد که چگونه می‌توان از تحلیل فرهنگی برای ایجاد دیدگاه‌های نوین به زندگی شهری استفاده کرد. این پروژه از داده‌ها و تصاویر مختلفی مانند پست‌های توییتر و اینستاگرام، سفرهای تاکسی نیویورک و داده‌های شاخص‌های اقتصادی استفاده می‌کند تا نمایی جدید از زندگی شهری ارائه دهد. 🌐📊 #تحلیل_فرهنگی #علوم_انسانی_دیجیتال #محاسبات_اجتماعی #پژوهش_داده_محور #دیجیتال_هیومنیتیز #معرفی_مقاله #دانش ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚🔍 #سوال فرق بین تحلیل فرهنگی (Cultural Analytics)،محاسبات اجتماعی (Social Computing) وعلوم انسانی دیجیتال (Digital Humanities) چیست؟ 1. تحلیل فرهنگی (Cultural Analytics) 🔍 تعریف: تحلیل فرهنگی به استفاده از روش‌های کمی و بصری‌سازی داده‌ها برای تحلیل الگوهای فرهنگی می‌پردازد. این روش‌ها ترکیبی از تحلیل داده‌های بزرگ و روش‌های تحلیلی علوم انسانی هستند. 🔹 ویژگی‌ها: تاکید بر داده‌های بزرگ: تحلیل فرهنگی از داده‌های بزرگ (Big Data) استفاده می‌کند تا الگوهای فرهنگی را شناسایی و تحلیل کند. بصری‌سازی: این‌ها برای نمایش الگوهای فرهنگی استفاده می‌کند. ترکیب روش‌های کمی و کیفی: تحلیل فرهنگی تلاش می‌کند تا با ترکیب روش‌های کمی و کیفی، دیدگاه‌های جامع‌تری از فرهنگ ارائه دهد. 2. محاسبات اجتماعی (Social Computing) 🔍 تعریف: محاسبات اجتماعی به استفاده از داده‌های جمع‌آوری شده از شبکه‌های تحلیل رفتارهای اجتماعی و فرهنگی می‌پردازد. 🔹 ویژگی‌ها: تمرکز بر داده‌های شبکه‌های اجتماعی: محاسبات اجتماعی از داده‌های تولید شده توسط کاربران در شبکه‌های اجتماعی استفاده می‌کند. تحلیل رفتارهای اجتماعی: این حوزه به تحلیل رفتارهای اجتماعی و تعاملات کاربران در پلتفرم‌های آنلاین می‌پردازد. استفاده از الگوریتم‌های پیچیده: محاسبات اجتماعی از الگوریتم‌های پیچیده و مدل‌های ریاضی برای تحلیل داده‌ها استفاده می‌کند. 3. علوم انسانی دیجیتال (Digital Humanities) 🔍 تعریف: علوم انسانی دیجیتال به استفاده از ابزارها و روش‌های دیجیتال برای پژوهش و تحلیل در حوزه‌های مختلف علوم انسانی می‌پردازد. این حوزه شامل استفاده از تکنولوژی‌های دیجیتال برای تحلیل متون، تصاویر، صداها و سایر منابع فرهنگی است. 🔹 ویژگی‌ها: پوشش گسترده: علوم انسانی دیجیتال شامل مجموعه‌ای از روش‌ها و ابزارهای دیجیتال برای تحلیل و پژوهش در علوم انسانی است. ترکیب روش‌های سنتی و دیجیتال: این حوزه تلاش می‌کند تا روش‌های سنتی علوم انسانی را با تکنولوژی‌های جدید ترکیب کند. پژوهش میان‌رشته‌ای: علوم انسانی دیجیتال به پژوهش‌های میان‌رشته‌ای و همکاری بین محققان از رشته‌های مختلف می‌پردازد. 📊📖 #تحلیل_فرهنگی #محاسبات_اجتماعی #علوم_انسانی_دیجیتال #پژوهش_داده_محور #دیجیتال_هیومنیتیز #معرفی_مقاله #دانش ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🔍 #سوال: چگونه سه حوزه تحلیل فرهنگی، محاسبات اجتماعی و علوم انسانی دیجیتال می‌توانند با هم هم‌افزایی کنند و در تحلیل فرهنگی به کار آیند؟ ✨📊 🔹 هم‌افزایی این سه حوزه: لو مانوویچ در مقاله خود نشان می‌دهد که این سه حوزه می‌توانند با هم هم‌افزایی کنند و در تحلیل فرهنگی به کار آیند به طریقی که هر حوزه از نقاط قوت دیگری بهره‌برداری کند: 🔍 ترکیب داده‌ها و روش‌ها: تحلیل فرهنگی می‌تواند از داده‌های جمع‌آوری شده از شبکه‌های اجتماعی و پلتفرم‌های آنلاین (محاسبات اجتماعی) استفاده کند تا الگوهای فرهنگی را شناسایی کند. علوم انسانی دیجیتال می‌تواند از ابزارها و تکنولوژی‌های دیجیتال برای تحلیل و بصری‌سازی داده‌های فرهنگی استفاده کند. 🔍 تحلیل چندبعدی: با ترکیب روش‌های کمی و کیفی، می‌توان تحلیل‌های چندبعدی و جامعی از فرهنگ ارائه داد. محاسبات اجتماعی می‌تواند به شناسایی الگوهای رفتاری و تعاملات کاربران در فضای آنلاین کمک کند، در حالی که تحلیل فرهنگی می‌تواند این الگوها را در زمینه‌های فرهنگی و اجتماعی بزرگ‌تر قرار دهد. 🔍 نوآوری در روش‌ها و ابزارها: علوم انسانی دیجیتال می‌تواند با توسعه ابزارهای جدید و نوآورانه، تحلیل فرهنگی و محاسبات اجتماعی را بهبود بخشد. ابزارهای بصری‌سازی داده‌ها می‌توانند به تحلیل‌های فرهنگی کمک کنند تا الگوها و روندهای پیچیده به سادگی نمایش داده شوند. 🔹 نتیجه‌گیری: هم‌افزایی تحلیل فرهنگی، محاسبات اجتماعی و علوم انسانی دیجیتال می‌تواند به پژوهشگران کمک کند تا با استفاده از داده‌های بزرگ و ابزارهای دیجیتال، تحلیل‌های جامع‌تر و دقیقی از فرهنگ و رفتارهای اجتماعی ارائه دهند. این هم‌افزایی نه تنها به بهبود روش‌های پژوهش کمک می‌کند، بلکه امکان شناسایی و تحلیل الگوهای پیچیده فرهنگی و اجتماعی را نیز فراهم می‌سازد. 📊📖 #تحلیل_فرهنگی #محاسبات_اجتماعی #علوم_انسانی_دیجیتال #پژوهش_داده_محور #دیجیتال_هیومنیتیز #معرفی_مقاله #دانش ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚✨ معرفی مقاله! 🔍 عنوان مقاله: فرهنگ‌های داده، داده به عنوان فرهنگ (Data Cultures, Culture as Data Special Issue) ✍️ نویسندگان: آملیا آکر (Amelia Acker) و تانیا کلمنت (Tanya Clement) 📅 تاریخ انتشار: ۱۰ آوریل ۲۰۱۹ 📑 مجله: Cultural Analytics این مقاله به بررسی عمیق مفاهیم و چالش‌های مرتبط با فرهنگ داده‌ها در پژوهش‌های انسانی و اجتماعی می‌پردازد. نویسندگان با تمرکز بر نقش و تأثیر داده‌ها در شکل‌گیری فرهنگ‌ها، به تحلیل موضوعات مهمی مانند کدگذاری تعصبات اجتماعی و فرهنگی، فرسایش عاملیت انسانی و هویت می‌پردازند. 🔸 خلاصه مقاله: در دنیای امروزی، داده‌ها به جزء جدایی‌ناپذیری از پژوهش‌های انسانی و اجتماعی تبدیل شده‌اند. این مقاله به بررسی چگونگی شکل‌گیری و تأثیر داده‌ها بر فرهنگ‌ها می‌پردازد. نویسندگان با بررسی مفاهیم مختلف، به این نتیجه می‌رسند که داده‌ها نه تنها به عنوان منابع طبیعی بلکه به عنوان محصولات فرهنگی در نظر گرفته می‌شوند. آنها همچنین به بررسی چالش‌های مرتبط با استانداردسازی و گردش داده‌ها، و نقش محققان در شکل‌گیری فرهنگ‌های داده‌ای می‌پردازند. این مقاله با ارائه تحلیل‌های دقیق و مثال‌های کاربردی، به ما کمک می‌کند تا بهتر بفهمیم چگونه داده‌ها می‌توانند بر زندگی و فرهنگ‌های ما تأثیر بگذارند و چگونه می‌توانیم با استفاده از روش‌های انتقادی و مولد، به بهبود این فرآیند کمک کنیم. #فرهنگ_داده #پژوهش_اجتماعی #تحلیل_فرهنگی #آملیا_آکر #تانیا_کلمنت #داده_به_عنوان_فرهنگ ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

معرفی مقاله “فلسفه محاسباتی” 📚 فلسفه محاسباتی - مقاله‌ای جامع از Stanford Encyclopedia of Philosophy که به بررسی کاربردهای تکنیک‌های محاسباتی در فلسفه می‌پردازد! 🔍 تاریخ انتشار: 16 مارس 2020 🔄 تاریخ بازنگری: 13 مه 2024 خلاصه مقاله: این مقاله به بررسی کاربردهای مختلف این تکنیک‌ها در زمینه‌های مختلف فلسفه می‌پردازد. فصل‌ها و توضیحات مختصر: 1.مقدمه 📖 معرفی فلسفه محاسباتی و کاربردهای آن در فلسفه معاصر. 2.پیش‌بینی‌ها در آثار لایب‌نیتس 🧠 بررسی دیدگاه‌های لایب‌نیتس در مورد قدرت محاسبات و کاربردهای آن در فلسفه. 3.فلسفه محاسباتی با مثال 💻 3.1 معرفت‌شناسی اجتماعی و مدل‌سازی مبتنی بر عامل: 3.1.1 تغییر باور و قطبی‌سازی نظرات 🔄 3.1.2 دینامیک اجتماعی استدلال 🗣 3.2 فلسفه محاسباتی علم 🔬 3.2.1 مدل‌های شبکه‌ای نظریه علمی 🔗 3.2.2 مدل‌های شبکه‌ای ارتباطات علمی 🌐 3.2.3 تقسیم کار، تنوع و اکتشاف 🧩 3.3 اخلاق و فلسفه اجتماعی-سیاسی ⚖️ 3.3.1 نظریه بازی و تکامل همکاری 🤝 3.3.2 مدل‌سازی دموکراسی 🗳 3.3.3 نتایج اجتماعی به عنوان سیستم‌های پیچیده 🔄 3.4 فلسفه محاسباتی زبان 🗣 3.4.1 شبکه‌های معنایی، قیاس و استعاره 🌐 3.4.2 بازی‌های علامتی و پیدایش ارتباطات 🔤 3.5 از اثبات‌کننده‌های قضیه تا استدلال اخلاقی، متافیزیک و فلسفه دین 🔍 3.6 هوش مصنوعی و فلسفه ذهن 🤖 4.ارزیابی فلسفه محاسباتی 📊 4.1 نقدها 🧐 4.2 چشم‌اندازها و جنبه‌های توسعه‌نیافته 🌟 #فلسفه_محاسباتی #فلسفه #محاسبات #علم #اخلاق ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

دوستانی که علاقه به این موضوع دارند فایل مقاله را دانلود کنند. بعد از هر فصل خلاصه و نکات مهم به فارسی آورده شده است.

📊🌆 معرفی پروژه: On Broadway 🌆📊 🔍 عنوان: On Broadway - تحلیل فرهنگی زندگی شهری ✍️ پژوهشگران: دانیل گودمییر، موریس استفانر، دومینیکوس باوئر و لو مانوویچ 📖 کتاب: The Datafied Society: Studying Culture through Data 📆 سال انتشار: 2017 🏢 ناشر: Amsterdam University Press 📊 خلاصه پروژه: پروژه “On Broadway” یک مطالعه نوآورانه است که با استفاده از تحلیل فرهنگی، داده‌ها و تصاویر مختلفی از زندگی شهری در نیویورک را تجزیه و تحلیل می‌کند. این پروژه از منابع گوناگونی مانند پست‌های توییتر و اینستاگرام، سفرهای تاکسی نیویورک و داده‌های شاخص‌های اقتصادی استفاده می‌کند تا نمایی جامع و نوین از زندگی در خیابان برادوی ارائه دهد. 🔹 ویژگی‌های کلیدی پروژه: استفاده از داده‌های بزرگ: داده‌ها از منابع مختلف و به صورت گسترده جمع‌آوری شده‌اند. بصری‌سازی داده‌ها: با استفاده از نمودارها و تصاویر، داده‌ها به صورت بصری و قابل فهم برای مخاطبان ارائه می‌شوند. ترکیب داده‌های مختلف: پروژه داده‌های مختلف را ترکیب می‌کند تا نمایی جامع و چندبعدی از زندگی شهری ارائه دهد. 🔹 منابع داده‌ها: پست‌های شبکه‌های اجتماعی: داده‌ها از پست‌های توییتر و اینستاگرام جمع‌آوری شده‌اند. سفرهای تاکسی: اطلاعات مربوط به سفرهای تاکسی در نیویورک. شاخص‌های اقتصادی: داده‌های مختلف اقتصادی که به تحلیل وضعیت اجتماعی و اقتصادی منطقه کمک می‌کنند. 🔹 برخی از نتایج کلیدی پروژه: تحلیل رفتارهای اجتماعی: داده‌های جمع‌آوری شده از شبکه‌های اجتماعی مانند توییتر و اینستاگرام نشان‌دهنده رفتارها و تعاملات اجتماعی مردم در خیابان برادوی است. این داده‌ها به تحلیلگران کمک کرد تا الگوهای رفتاری و اجتماعی را شناسایی کنند. الگوهای سفرهای تاکسی: داده‌های سفرهای تاکسی نیویورک به تحلیلگران کمک کرد تا الگوهای تردد و حمل و نقل در خیابان برادوی را تحلیل کنند. این داده‌ها نشان‌دهنده زمان‌ها و مکان‌های پرتردد و همچنین الگوهای استفاده از تاکسی در مناطق مختلف بودند. شاخص‌های اقتصادی: داده‌های اقتصادی مانند درآمدها و هزینه‌ها به تحلیلگران کمک کرد تا تاثیرات اقتصادی زندگی در خیابان برادوی را بررسی کنند. این داده‌ها نشان‌دهنده تفاوت‌های اقتصادی بین مناطق مختلف خیابان برادوی بود. 📊🌐 #تحلیل_فرهنگی #زندگی_شهری #OnBroadway #پژوهش_داده_محور #دیجیتال_هیومنیتیز #معرفی_پروژه #دانش ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🔍 نقش مدل‌های مبتنی بر عامل در سیاستگذاری محاسباتی 🔍 مدل‌های مبتنی بر عامل (Agent-Based Models - ABMs) به عنوان یک تکنیک شبیه‌سازی قدرتمند، نقش مهمی در تحلیل و تصمیم‌گیری‌های سیاستی ایفا می‌کنند. این مدل‌ها با شبیه‌سازی رفتارها و تعاملات عوامل مختلف مانند مصرف‌کنندگان، کسب‌وکارها و سیاست‌گذاران، می‌توانند ویژگی‌های پیچیده و غیرخطی سیستم‌های اجتماعی را که اغلب توسط روش‌های سنتی نادیده گرفته می‌شوند، به تصویر بکشند. 🌐💡 ۱. تعریف مدل‌های مبتنی بر عامل مدل‌های مبتنی بر عامل یک تکنیک شبیه‌سازی محاسباتی است که تعاملات عوامل خودمختار مانند افراد یا سازمان‌ها را در یک سیستم پیچیده مدل‌سازی می‌کند. این مدل‌ها بر دینامیک‌ها و رفتارهای emergent که از این تعاملات ناشی می‌شود تمرکز دارند، به جای تکیه بر رویکردهای معادله‌محور و از بالا به پایین. 🤖📊 ۲. اهمیت تحلیل سیاستی و تصمیم‌گیری سیاست‌گذاران و تصمیم‌گیران اغلب با چالش درک و حل مسائل پیچیده اجتماعی مانند نابرابری اقتصادی، بهداشت عمومی یا پایداری محیط زیستی مواجه هستند. روش‌های مدل‌سازی سنتی ممکن است نتوانند پیچیدگی کامل این سیستم‌ها را به تصویر بکشند که منجر به پیش‌بینی‌های ناقص یا نادرست می‌شود. در این زمینه، مدل‌های مبتنی بر عامل می‌توانند به بررسی تأثیرات بالقوه سیاست‌ها یا مداخلات مختلف بر سیستم‌های اجتماعی پیچیده کمک کنند. 📉📈 ۳. ویژگی‌های سیستم‌های اجتماعی پیچیده غیرخطی بودن: سیستم‌های اجتماعی پیچیده اغلب دارای روابط غیرخطی هستند، جایی که تغییرات کوچک در ورودی‌ها می‌توانند به تغییرات بزرگ و نامتناسب در خروجی‌ها منجر شوند. 🔄 پدیده‌های emergent: سیستم‌های پیچیده می‌توانند پدیده‌های emergent تولید کنند که مستقیماً از اجزای فردی سیستم قابل پیش‌بینی نیستند. 🌱 انطباق‌پذیری: عوامل درون سیستم‌های اجتماعی پیچیده اغلب قادر به انطباق رفتار خود در پاسخ به تغییرات محیطی یا اقدامات سایر عوامل هستند. 🔄 ۴. فرآیند مدل‌سازی مبتنی بر عامل برای تحلیل سیاستی مدل‌سازی عوامل فردی و رفتارهای آن‌ها: مدل‌های مبتنی بر عامل، عوامل فردی مانند مصرف‌کنندگان، کسب‌وکارها یا سیاست‌گذاران و فرآیندهای تصمیم‌گیری آن‌ها را مدل‌سازی می‌کنند. 👥 شبیه‌سازی تعاملات بین عوامل: شبیه‌سازی تعاملات بین عوامل فردی کلید مدل‌سازی مبتنی بر عامل است. این مدل‌ها می‌توانند دینامیک emergent سیستم را به تصویر بکشند. 🔄 درج عوامل محیطی و نهادی: مدل‌های مبتنی بر عامل می‌توانند عوامل محیطی و نهادی مرتبط مانند شرایط بازار، مقررات یا هنجارهای اجتماعی را نیز در نظر بگیرند. این امر به نمایشی جامع‌تر و واقعی‌تر از سیستم پیچیده تحت مطالعه منجر می‌شود. 🌍 ۵. کاربردهای مدل‌های مبتنی بر عامل در تصمیم‌گیری سیاستی برنامه‌ریزی و توسعه شهری: شبیه‌سازی رفتار ساکنان، کسب‌وکارها و سایر ذینفعان در مناطق شهری برای بررسی تأثیرات بالقوه سیاست‌های توسعه شهری، زیرساخت‌های حمل‌ونقل یا مقررات استفاده از زمین. 🏙 بهداشت عمومی و اپیدمیولوژی: مدل‌سازی انتشار بیماری‌های عفونی، پذیرش مداخلات بهداشتی عمومی یا پاسخ‌های رفتاری افراد به سیاست‌های مرتبط با بهداشت مانند برنامه‌های واکسیناسیون یا اقدامات مهار شیوع. 🏥 سیاست‌های محیط زیستی و انرژی: شبیه‌سازی تعاملات پیچیده بین رفتارهای انسانی، عوامل محیطی و الگوهای مصرف انرژی برای ارزیابی تأثیرات بالقوه سیاست‌های انرژی، قیمت‌گذاری کربن یا مقررات محیط زیستی. 🌳 رفاه اجتماعی و نابرابری: بررسی دینامیک نابرابری‌های اجتماعی-اقتصادی، اثربخشی برنامه‌های رفاه اجتماعی یا تأثیرات بالقوه سیاست‌های کاهش فقر یا ارتقای تحرک اجتماعی. 🏘 ۶. چالش‌ها و محدودیت‌ها نیازهای داده‌ای و کالیبراسیون مدل: توسعه مدل‌های مبتنی بر عامل قوی نیازمند داده‌های گسترده درباره رفتارها، ترجیحات و تعاملات عوامل درون سیستم است. کالیبراسیون این مدل‌ها برای انعکاس دقیق شرایط واقعی می‌تواند چالش‌برانگیز باشد. 📊 پیچیدگی محاسباتی و مقیاس‌پذیری: مدل‌های مبتنی بر عامل می‌توانند محاسباتی پرهزینه باشند، به ویژه زمانی که سیستم‌های بزرگ با تعداد زیادی عامل و تعاملات پیچیده شبیه‌سازی می‌شوند. اطمینان از اینکه مدل‌ها مقیاس‌پذیر و کارآمد هستند، مهم است. 💻 ارتباط نتایج مدل با سیاست‌گذاران: ترجمه یافته‌های پیچیده و اغلب غیرمستقیم مدل‌های مبتنی بر عامل به توصیه‌های روشن و قابل اجرا برای سیاست‌گذاران می‌تواند چالش‌برانگیز باشد. ارتباط و بصری‌سازی مؤثر نتایج مدل برای پذیرش موفق این ابزارها در تصمیم‌گیری سیاستی حیاتی است. 📈 #سیاستگذاری #مدل_مبتنی_بر_عامل #تحلیل_داده #پیش‌بینی #هوش_مصنوعی #فرهنگ #تصمیم_گیری #فناوری_نوین #آینده_پژوهی ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚 معرفی مقاله: “سیاست‌گذاری مبتنی بر داده: رویکرد آزمایشگاه سیاست” 📚 ✍️ نویسندگان: Anne Fleur van Veenstra, Bas Kotterink 🏢 موسسه: TNO Strategy Policy, The Hague, The Netherlands 📅 کنفرانس: نهمین کنفرانس بین‌المللی مشارکت الکترونیکی (ePart) - سپتامبر 2017، سنت پترزبورگ، روسیه 📖 صفحات: 100-111 🌟 چکیده: سیاست‌گذاری مبتنی بر داده به دنبال استفاده بهینه از داده‌های حسگری و همکاری با شهروندان برای هم‌آفرینی سیاست‌ها است. در این مقاله، رویکردی برای سیاست‌گذاری مبتنی بر داده توسعه داده شده که می‌تواند در محیط آزمایشگاه سیاست استفاده شود. آزمایشگاه سیاست یک محیط تجربی است که در آن ذینفعان برای توسعه و آزمایش سیاست‌ها همکاری می‌کنند. 📊 کلمات کلیدی: سیاست‌گذاری مبتنی بر داده، داده برای سیاست، هم‌آفرینی، آزمایشگاه سیاست 📌 نکات برجسته مقاله: استفاده از داده‌های جدید: استفاده از داده‌های حسگری زمان واقعی و داده‌های رسانه‌های اجتماعی برای تعریف مشکلات و پیش‌بینی‌ها. تحلیل‌های پیشرفته: استفاده از تحلیل‌های پیشرفته مانند تحلیل احساسات، نقشه‌برداری مکانی و شبیه‌سازی کامپیوتری برای تصمیم‌گیری. هم‌آفرینی سیاست‌ها: همکاری بین دولت‌ها، شهروندان و کسب‌وکارها برای اجرای سیاست‌ها و ایجاد ارزش عمومی. ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

معرفی مقاله “Query Design” 📊طراحی پرسوجو 📚 عنوان کتاب: The Datafied Society: Studying Culture through Data ✍️ ویرایش شده توسط: Mirko Tobias Schäfer و Karin van Es 📖 فصل: Foundations of Digital Methods: Query Design 🖋 نویسنده: Richard Rogers 📅 انتشار: Amsterdam University Press, 2017 📌 صفحه: 75 🌟 معرفی مقاله: آیا تا به حال به این فکر کرده‌اید که چگونه می‌توان از موتورهای جستجو برای تحقیقات علمی استفاده کرد؟ 🤔 مقاله “Query Design” توسط Richard Rogers به بررسی نقش طراحی پرسش در روش‌های دیجیتال می‌پردازد. این مقاله نشان می‌دهد که چگونه می‌توان از گوگل به عنوان یک ماشین اپیستمولوژیک در تحقیقات استفاده کرد و طراحی پرسش را به عنوان یک روش تحلیلی متمایز مورد بررسی قرار می‌دهد. 📊 نکات کلیدی: استفاده از گوگل برای تحقیقات علمی: چگونه می‌توان از گوگل به عنوان یک ابزار تحقیقاتی استفاده کرد؟ طراحی پرسش: اهمیت و روش‌های طراحی پرسش‌های موثر برای تحقیقات دیجیتال. تحلیل داده‌ها: بررسی چگونگی تحلیل داده‌های به دست آمده از موتورهای جستجو. 🔍 این مقاله برای چه کسانی مناسب است؟ دانشجویان و پژوهشگران علوم انسانی و اجتماعی علاقه‌مندان به روش‌های دیجیتال و تحلیل داده‌ها افرادی که به دنبال استفاده از ابزارهای دیجیتال برای تحقیقات خود هستند 📚✨ #مطالعات_فرهنگی #تحلیل_داده #روش‌های_دیجیتال #پژوهش_دیجیتال #طراحی_پرسش #RichardRogers #TheDatafiedSociety ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🔍📊 معرفی مقاله “Towards a Reflexive Digital Data Analysis” 📈💡 🖋 نویسندگان: Karin van Es, Nicolás López Coombs و Thomas Boeschoten 📅 انتشار: Amsterdam University Press, 2017 📌 صفحه: 171 🤔 آیا تا به حال به این فکر کرده‌اید که چگونه داده‌ها و ابزارهای تحلیل داده، نتایج تحقیقات ما را شکل می‌دهند؟ 📜 مقاله “Towards a Reflexive Digital Data Analysis” به بررسی این موضوع می‌پردازد که چگونه پژوهشگران و ابزارهایی که استفاده می‌کنند، در ساخت داده‌ها و تصویرسازی‌های داده نقش دارند. 🔍 نویسندگان این مقاله، Karin van Es، Nicolás López Coombs و Thomas Boeschoten، یک سری سوال در مورد مراحل مختلف انجام تحقیقات داده‌های دیجیتال مطرح می‌کنند که اهمیت تحلیل بازتابی داده‌های دیجیتال را نشان می‌دهد. 📌 نکات کلیدی: نقش پژوهشگران و ابزارها در شکل‌دهی داده‌ها و تحلیل‌ها 🔧 اهمیت تحلیل بازتابی در تحقیقات داده‌های دیجیتال 🔍 سوالاتی برای درک بهتر فرآیند تحقیق و تاثیر آن بر نتایج 🤔 💡 این مقاله دیدگاه جدیدی در مورد تحلیل داده‌های دیجیتال ارائه می‌دهد و به ما یادآوری می‌کند که همیشه باید نگاهی انتقادی به فرآیند تحقیق و نتایج آن داشته باشیم. #DataAnalysis #DigitalResearch #Reflexivity #Research #DataViz ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🔍📊 تأثیر داده‌ها و ابزارهای تحلیل بر نتایج تحقیقات 🧐💡 🌟 مقاله “Towards a Reflexive Digital Data Analysis” به قلم Karin van Es, Nicolás López Coombs و Thomas Boeschoten، به بررسی نقش داده‌ها و ابزارهای تحلیل در شکل‌دهی به یافته‌های پژوهشی می‌پردازد. براساس این مقاله، داده‌ها و ابزارهای تحلیل، به روش‌های زیر بر نتایج تحقیقات اثر می‌گذارند: 1️⃣ داده‌ها ساخته شده هستند 🔧 داده‌ها، بازنمایی بی‌طرفانه واقعیت نیستند بلکه حاصل عملکرد انسان‌ها و فناوری‌ها هستند. 2️⃣ ابزارهای تحلیل، داده‌ها را تغییر می‌دهند 🛠 نرم‌افزارها و الگوریتم‌های تحلیل داده، مبتنی بر پیش‌فرض‌ها و منطق خاصی هستند که می‌تواند بر نتایج اثرگذار باشد. 3️⃣ محدودیت‌های API ها 🚧 رابط‌های برنامه‌نویسی (API) که امکان دسترسی به داده‌ها را می‌دهند، محدودیت‌هایی دارند که بر حجم و نوع داده‌های قابل گردآوری اثر می‌گذارد. 4️⃣ بصری‌سازی داده‌ها 📈 شیوه ارائه بصری داده‌ها در قالب نمودار، نقشه و غیره بر تفسیر و استنباط ما از داده‌ها مؤثر است. 5️⃣ پیش‌فرض‌های محقق 🧠 دانش، تجربیات و پیش‌داشت‌های محقق نیز بر نحوه تحلیل و تفسیر داده‌ها اثرگذار است. 🎯 نتیجه آنکه محققان باید با آگاهی از این عوامل، رویکردی بازتابی (Reflexive) در تحلیل داده‌های دیجیتال داشته باشند و تأثیر آنها را بر یافته‌های پژوهش مدنظر قرار دهند. #DataAnalysis #Research #Reflexivity #DataBias #DataVisualization ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚✨ معرفی مقاله ! 🔍 عنوان مقاله: “زمینه‌های میان‌رشته‌ای مهندسی سیاسی، مهندسی سیاست عمومی، سیاست محاسباتی و سیاست عمومی محاسباتی” ✍️ نویسنده: اشو ام. جی. سولو (Ashu M. G. Solo) 📅 سال انتشار: 2020 🌍 مجله: IGI Global این مقاله چهار حوزه میان‌رشته‌ای جدید به نام‌های مهندسی سیاسی، مهندسی سیاست عمومی، سیاست محاسباتی و سیاست عمومی محاسباتی را معرفی و تعریف می‌کند. این حوزه‌ها که توسط اشو ام. جی. سولو در سال 2011 ابداع شده‌اند، به کاربرد علوم مهندسی، کامپیوتر، ریاضیات و علوم طبیعی در حل مسائل سیاسی و سیاست عمومی می‌پردازند. 🔹 مهندسی سیاسی: استفاده از مهندسی، علوم کامپیوتر، ریاضیات یا علوم طبیعی برای حل مسائل سیاسی. 🔹 سیاست محاسباتی: استفاده از علوم کامپیوتر یا ریاضیات برای حل مسائل سیاسی. 🔹 مهندسی سیاست عمومی: استفاده از مهندسی، علوم کامپیوتر، ریاضیات یا علوم طبیعی برای حل مسائل سیاست عمومی. 🔹 سیاست عمومی محاسباتی: استفاده از علوم کامپیوتر یا ریاضیات برای حل مسائل سیاست عمومی. این مقاله به بررسی دامنه پژوهش و توسعه در این زمینه‌ها پرداخته و نمونه‌هایی از پژوهش‌ها و توسعه‌ها در این حوزه‌ها را ارائه می‌دهد. همچنین، برنامه‌های آموزشی دانشگاهی پیشنهادی برای این زمینه‌ها را نیز مورد بررسی قرار می‌دهد. #سیاست_محاسباتی #سیاست_عمومی_محاسباتی #پژوهش_میان_رشته‌ای #فناوری_در_سیاست #مهندسی_سیاست_عمومی ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🌐 معرفی وب‌سایت مجله Cultural Science 📚 Cultural Science وب‌سایت رسمی مجله علمی-پژوهشی “Cultural Science Journal” است که به انتشار مقالات و پژوهش‌های بین‌رشته‌ای در حوزه علوم فرهنگی اختصاص دارد. این مجله توسط انتشارات دانشگاه کرتین در استرالیا منتشر می‌شود و هدف آن ارائه بینش‌های جدید در زمینه تعاملات پیچیده میان فرهنگ، فناوری و جامعه است. ویژگی‌های کلیدی مجله: دسترسی آزاد: تمامی مقالات به‌صورت رایگان و با دسترسی آزاد در وب‌سایت منتشر می‌شوند. داوری همتا: مقالات پیش از انتشار، توسط متخصصان حوزه مربوطه مورد بررسی و داوری دقیق قرار می‌گیرند. بین‌رشته‌ای: مجله پذیرای مقالات از طیف وسیعی از رشته‌ها شامل جامعه‌شناسی، انسان‌شناسی، علوم ارتباطات، اقتصاد فرهنگی و سایر حوزه‌های مرتبط است. 🔍 محتوای وب‌سایت: مقالات: دسترسی به مقالات کامل منتشر شده در شماره‌های مختلف مجله درباره مجله: اطلاعاتی درباره اهداف، دامنه و سیاست‌های مجله راهنمای نویسندگان: اطلاعات لازم برای نویسندگان جهت ارسال مقاله به مجله تیم سردبیری و داوران: معرفی اعضای هیئت تحریریه و داوران مجله 🔗 وب‌سایت: برای کسب اطلاعات بیشتر و دسترسی به مقالات، به وب‌سایت مجله مراجعه کنید: https://culturalscience.org/ #CulturalScience #OpenAccess #InterdisciplinaryResearch ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚✨ معرفی مقاله! 🔍 عنوان مقاله: مدل‌سازی محاسباتی برای تصمیم‌گیری: کجا، چرا، چه، چه کسی و چگونه ✍️ نویسندگان: موفی کالدر و همکاران (Muffy Calder et al.) 📅 سال انتشار: 2018 📑 مجله: Royal Society Open Science 📊 دسته‌بندی موضوعی: علوم کامپیوتر، مدل‌سازی و شبیه‌سازی کامپیوتری، مدل‌سازی ریاضی 🔑 کلمات کلیدی: مدل‌سازی، تصمیم‌گیری، داده‌ها، عدم قطعیت، پیچیدگی، ارتباطات این مقاله به بررسی نقش مدل‌های محاسباتی در تصمیم‌گیری می‌پردازد و نحوه استفاده از این مدل‌ها در حوزه‌های مختلف از سیاست عمومی تا علوم و مهندسی را توضیح می‌دهد. مقاله همچنین دو چک‌لیست برای کمک به مدل‌سازان، کمیسیونرها و کاربران ارائه می‌دهد تا اطمینان حاصل کنند که عوامل مهم برای موفقیت را در نظر گرفته‌اند. 📖 اگر به مدل‌سازی محاسباتی و کاربردهای آن در تصمیم‌گیری علاقه‌مندید، این مقاله را از دست ندهید! #مقاله#مدل‌سازی_محاسباتی #تصمیم‌گیری #علم_داده #پیچیدگی #عدم_قطعیت #موفی_کالدر ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🌟 معرفی مقاله: مدلسازی محاسباتی سیاست عمومی: تأملاتی بر عمل 🌟 🖋 نویسندگان: نایجل گیلبرت، پترا آروایلر، پیتر باربروک جانسون، کاوین پریتی ناراسیمهان، هلن ویلکینسون 🏫 مؤسسات: دانشگاه ساری، دانشگاه یوهانس گوتنبرگ ماینتس، ریسک سولوشنز 📅 تاریخ انتشار: ژانویه 2018 🔍 خلاصه: این مقاله به بررسی استفاده از مدل‌های محاسباتی در توسعه، اجرا و ارزیابی سیاست‌های عمومی می‌پردازد. نویسندگان با استفاده از تجربیات خود در طراحی و استفاده از مدل‌های محاسباتی، نقش این مدل‌ها را در فرایند سیاست‌گذاری مورد بحث قرار می‌دهند و چالش‌هایی که باید برای بهره‌وری مؤثر مدل‌ها برطرف شوند را بررسی می‌کنند. 🔑 نکات کلیدی: نقش مدل‌ها در سیاست‌گذاری: مدل‌های محاسباتی می‌توانند به سیاست‌گذاران کمک کنند تا در یک دنیای مجازی، سیاست‌های مختلف را آزمایش کنند. این مدل‌ها در مقایسه با آزمایش‌های کنترل شده تصادفی و پایلوت‌های سیاستی، مزایای بسیاری دارند. چالش‌ها: برای بهره‌وری مؤثر از مدل‌های سیاستی، باید به طراحی مدل‌ها در سطح مناسبی از انتزاع توجه کرد و داده‌های مناسب برای کالیبراسیون و اعتبارسنجی فراهم شود. همکاری و ارتباط: همکاری با ذینفعان از ابتدای فرایند مدل‌سازی و توجه به ارتباط مؤثر بین مدل‌سازان و ذینفعان از اهمیت بالایی برخوردار است. مسائل اخلاقی: مدل‌سازی برای سیاست عمومی شامل مسائل اخلاقی است که نیاز به بررسی دقیق دارند. #مدلسازی_محاسباتی #سیاست_عمومی #JASSS #پژوهش #مقاله #سیاستگذاری ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🌟 معرفی مقاله: وقتی علم فرهنگی با تحلیل داده‌های فرهنگی ملاقات می‌کند 🌟 🖋 نویسندگان: ایندریک ایبروس (دانشگاه تالین، استونی) ماکسیمیلیان شیش (دانشگاه تالین، استونی) مارک تام (دانشگاه تالین، استونی) 📚 کلیدواژه‌ها: تحلیل داده‌های فرهنگی، تحلیل فرهنگی، علوم انسانی دیجیتال، پیچیدگی، سمیزوفر، نشانه‌شناسی فرهنگی، علم فرهنگی 📅 تاریخ انتشار: 2021 🔍 خلاصه: این مقاله به بررسی چگونگی توسعه علم فرهنگی به عنوان یک حوزه تحقیقاتی و عملی می‌پردازد و روش‌های جدیدی برای مطالعه مجموعه‌های بزرگ محتوای دیجیتال و داده‌ها پیشنهاد می‌دهد. نویسندگان بر این باورند که علوم انسانی دیجیتال (DH) به عنوان یک پدیده گذرا باید به حوزه‌های تحقیقاتی خاص‌تری توسعه یابد و به یک علم چندرشته‌ای گسترده‌تر تبدیل شود. 🔑 نکات کلیدی: ضرورت عبور از تفکیک‌های مصنوعی: نویسندگان بر نیاز به عبور از تفکیک‌های مصنوعی بین تحلیل کیفی پدیده‌های ایدیوگرافیک و کمّی‌سازی پدیده‌های نوموتتیک تأکید می‌کنند. سمیزوفر به عنوان واحد تحقیقاتی: مفهوم سمیزوفر، که توسط یوری لوتمان تعریف شده، به عنوان کوچکترین عنصر عملکردی فرهنگ معرفی می‌شود. تأثیر علوم دیگر: نویسندگان پیشنهاد می‌دهند که مطالعه فرآیندهای معناسازی در جامعه انسانی باید از پیشرفت‌های جدید در زیست‌شناسی سیستم‌ها، اقتصاد تکاملی، علم پیچیدگی و دیگر علوم بهره‌برداری کند. توسعه علم داده‌های فرهنگی: این حوزه می‌تواند به تعریف گستره مجله علم فرهنگی کمک کند و در همکاری‌های پس از DH در تحلیل داده‌های فرهنگی به کار رود. 📈 نتیجه‌گیری: این مقاله به بررسی چگونگی تکامل علم فرهنگی و نیاز به توسعه روش‌های جدید برای مطالعه داده‌های فرهنگی می‌پردازد. نویسندگان بر این باورند که علم داده‌های فرهنگی می‌تواند به عنوان یک حوزه تحقیقاتی جدید و چندرشته‌ای به مطالعه فرآیندهای معناسازی کمک کند. #علم_فرهنگی #تحلیل_داده_فرهنگی #علوم_انسانی_دیجیتال #پیچیدگی #سمیزوفر #نشانه_شناسی_فرهنگی #پژوهش #مقاله ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚✨ معرفی مقاله جدید در حوزه تحلیل داده‌های فرهنگی! 🔍 عنوان مقاله: ملاقات علم فرهنگی با تحلیل داده‌های فرهنگی (Cultural Science Meets Cultural Data Analytics) ✍️ نویسندگان: ایندریک ایبروس (Indrek Ibrus) ماکسیمیلیان شیش (Maximilian Schich) مارک تام (Marek Tamm) 📅 سال انتشار: 2021 📘 مجله: Cultural Science Journal 🏫 مؤسسه: دانشگاه تالین، استونی خلاصه مقاله: این مقاله به بررسی توسعه علم فرهنگی به عنوان یک حوزه پژوهشی و عملی می‌پردازد و پیشنهاد می‌کند که روش‌های جدیدی برای مطالعه مجموعه‌های بزرگ محتوای دیجیتال و داده‌ها در نظر گرفته شود. در این راستا، علوم انسانی دیجیتال (Digital Humanities) به عنوان یک موفقیت در جهان آکادمیک معرفی می‌شود، اما نویسندگان معتقدند که این حوزه باید به رشته‌های پژوهشی خاص‌تری تبدیل شود و در عین حال از توسعه به سمت یک علم چندرشته‌ای بهره‌مند شود. #پژوهش_فرهنگی #تحلیل_داده_های_فرهنگی #علوم_انسانی_دیجیتال #سمیزوسفر #دانشگاه_تالین ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🌟 معرفی مقاله: Towards A Unified Policy Abstraction Theory and Representation Learning Approach in Markov Decision Processes 🌟 به سوی نظریه یکپارچه انتزاع سیاست و رویکرد یادگیری نمایشی در فرآیندهای تصمیم‌گیری مارکوف 🖋 نویسندگان: Min Zhang, Hongyao Tang, Jianye Hao, Yan Zheng 🏫 مؤسسه: دانشکده هوش و محاسبات، دانشگاه تیانجین 📅 تاریخ انتشار: 16 سپتامبر 2022 🔗 لینک مقاله: مطالعه مقاله 🔖 arXiv ID: arXiv:2209.07696v1 🔍 خلاصه: این مقاله به بررسی چگونگی نمایش و بهینه‌سازی سیاست‌ها در سیستم‌های تصمیم‌گیری هوشمند می‌پردازد. چالش اصلی در این حوزه، مقیاس بزرگ و پیچیدگی بالای فضای سیاست‌ها است که یادگیری سیاست را به ویژه در سناریوهای دنیای واقعی دشوار می‌کند. برای حل این مشکل، نویسندگان یک نظریه انتزاع سیاست یکپارچه و رویکرد یادگیری نمایش سیاست را پیشنهاد می‌دهند. 🔑 نکات کلیدی: نظریه انتزاع سیاست: نویسندگان سه نوع انتزاع سیاست را معرفی می‌کنند: انتزاع بی‌اهمیتی توزیع، انتزاع بی‌اهمیتی تأثیر و انتزاع بی‌اهمیتی ارزش. معیارهای سیاست: این انتزاعات به سه معیار سیاست تعمیم داده می‌شوند که فاصله (شباهت) بین سیاست‌ها را به صورت کمی اندازه‌گیری می‌کنند. رویکرد یادگیری نمایش سیاست: نویسندگان یک رویکرد یادگیری نمایش سیاست مبتنی بر یادگیری معیار عمیق را پیشنهاد می‌دهند که با اصل هم‌ترازی، نمایش سیاست را با کمینه کردن تفاوت بین فاصله‌های تعبیه سیاست و مقدار اندازه‌گیری شده با معیارهای سیاست یاد می‌گیرد. مطالعات تجربی: آزمایش‌های انجام شده نشان می‌دهند که هیچ انتزاعی به صورت جهانی برای همه مسائل یادگیری پایین‌دست بهینه نیست، اما انتزاع بی‌اهمیتی تأثیر می‌تواند انتخابی ترجیحی در موارد عمومی باشد. 📈 نتیجه‌گیری: این مقاله اولین تلاش‌ها را برای پر کردن خلاهای موجود در نظریه و روش‌شناسی انتزاع سیاست و یادگیری نمایش سیاست انجام می‌دهد. نتایج تجربی نشان می‌دهند که رویکردهای پیشنهادی می‌توانند به طور مؤثری تفاوت سیاست‌ها را مشخص کرده و تعمیم سیاست را منتقل کنند. #انتزاع_سیاست #یادگیری_نمایش_سیاست #MDP #یادگیری_تقویتی #پژوهش #مقاله #هوش_مصنوعی ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📢 معرفی مقاله ! 📄 عنوان: بررسی مدل‌های محاسباتی کاربران برای خلاصه‌سازی سیاست‌های عامل ✍️ نویسندگان: ایزاک لاژ، دافنا لیفشیتز، فینال دوشی ولز، عفره امیر 📅 سال انتشار: اوت 2019 🏫 مؤسسات: دانشگاه هاروارد و مؤسسه فناوری اسرائیل (تخنیون) 🔍 خلاصه: این مقاله به بررسی استفاده از مدل‌های مختلف برای استخراج خلاصه‌های سیاست‌های عامل‌های هوش مصنوعی می‌پردازد. هدف اصلی این است که کاربران انسانی بتوانند رفتار این عامل‌ها را بهتر درک کنند. نتایج نشان می‌دهد که تطابق مدل‌های استخراج خلاصه با مدل‌های بازسازی سیاست توسط کاربران می‌تواند کیفیت بازسازی را بهبود بخشد. این مقاله همچنین از طریق شبیه‌سازی‌های محاسباتی و مطالعات انسانی نشان می‌دهد که کاربران در زمینه‌های مختلف از مدل‌های متفاوتی استفاده می‌کنند. #هوش_مصنوعی #خلاصه_سازی_سیاست #مدل_محاسباتی #پژوهش #تخنیون #دانشگاه_هاروارد

📚✨ معرفی مقاله ! 🔍 عنوان مقاله: علوم اجتماعی محاسباتی، تکامل طراحی سیاست و قانون‌گذاری در جوامع هوشمند ✍️ نویسنده: نیکولا لتیری (Nicola Lettieri) 🏢 مؤسسه: مؤسسه توسعه آموزش حرفه‌ای (ISFOL)، رم، ایتالیا دپارتمان حقوق، اقتصاد، مدیریت، روش‌های کمی، دانشگاه سانیو، بنونتو، ایتالیا 📅 تاریخ دریافت: 12 مارس 2016 📝 مجله: Future Internet 🔗 DOI: 10.3390/fi8020019 این مقاله به بررسی فرصت‌های ناشی از تقاطع بین مسائل طراحی سیاست و روش‌های علوم اجتماعی محاسباتی (CSS) می‌پردازد. مقاله به چالش‌های سیاست‌گذاری سنتی و روش‌های نوآورانه CSS می‌پردازد و نحوه استفاده از این روش‌ها در طراحی موثرتر و علمی‌تر سیاست‌ها را بررسی می‌کند. همچنین، به بررسی مدل‌های شبیه‌سازی اجتماعی و نقش آن‌ها در این زمینه می‌پردازد. #علوم_اجتماعی #سیاست_گذاری #جامعه_هوشمند #نیکولا_لتیری #تحلیل_اجتماعی #فناوری