📘 معرفی کتاب: جامعه داده‌محور - مطالعه فرهنگ از طریق داده‌ها(مجموعه مقالات) 🔍 کتاب: جامعه داده‌محور: مطالعه فرهنگ از طریق داده‌ها ✍️ ویراستاران: Mirko Tobias Schäfer و Karin van Es 🏢 انتشارات: Amsterdam University Press 📅 تاریخ چاپ: 2017 این کتاب جذاب و جامع به بررسی چگونگی استفاده از داده‌ها برای مطالعه فرهنگ و جامعه می‌پردازد. با ترکیبی از تئوری‌ها و روش‌های نوین، این هندبوک ابزارهای لازم برای تحلیل و درک جامعه داده‌محور را به شما ارائه می‌دهد. 📚 بخش‌های کلیدی کتاب: ▫️مطالعه فرهنگ از طریق داده‌ها: از پژوهش‌های انسانی تا تحلیل‌های فرهنگی. ▫️روش‌ها و کاربردهای داده‌محور: از طراحی کوئری تا تحلیل شبکه‌ها. ▫️اخلاق پژوهشی: چالش‌ها و راهکارهای اخلاقی در پژوهش‌های دیجیتال. ▫️ایده‌های کلیدی در پژوهش داده‌های بزرگ: نقد و بررسی داده‌های بزرگ و الگوریتم‌ها. 🌟 نکات برجسته: مطالعات موردی جذاب: شامل پروژه‌هایی نظیر “On Broadway” که با استفاده از داده‌های شبکه‌های اجتماعی و اقتصادی، نمایی نوین از زندگی شهری به تصویر می‌کشد. تحلیل‌های عمیق: بررسی تأثیر داده‌سازی بر فرهنگ و جامعه و چگونگی استفاده از روش‌های دیجیتال برای پژوهش‌های انسانی. چالش‌های اخلاقی: راهکارهایی برای مواجهه با مسائل اخلاقی در پژوهش‌های داده‌محور. 📈📊 همین حالا این کتاب را بخوانید و دنیای داده‌ها را کشف کنید! #کتاب #مطالعه_فرهنگ #داده_محور #پژوهش_دیجیتال #تحلیل_داده #سیاستگذاری_فرهنگی ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

فصل اول کتاب: مطالعه فرهنگ از طریق داده‌ها 📄 مقاله 1: پژوهش داده‌های انسانی نویسنده: Eef Masson 🔍 مواجهه بین سنت‌های هرمنوتیکی و تجربی در پژوهش داده‌های انسانی بررسی شده و چالش‌ها و راه‌حل‌ها مطرح می‌شود. 📄 مقاله 2: به سوی سینماتریکس انسانی نویسنده: Christian Gosvig Olesen 🎬 روش‌های سینماتریکس و آنالیز فرهنگی برای کمی‌سازی و بصری‌سازی فیلم‌ها بررسی شده و به تحلیل‌های استقرایی کمک می‌کنند. 📄 مقاله 3: تحلیل فرهنگی، محاسبات اجتماعی و علوم انسانی دیجیتال نویسنده: Lev Manovich 📊 تحلیل فرهنگی به عنوان رویکرد جایگزین برای محاسبات اجتماعی و علوم انسانی دیجیتال معرفی شده و پروژه “On Broadway” بررسی می‌شود. 📄 مقاله 4: مطالعه موردی: On Broadway نویسندگان: Daniel Goddemeyer, Moritz Stefaner, Dominikus Baur, Lev Manovich 🏙 پروژه “On Broadway” با استفاده از داده‌های مختلف برای ارائه نمایی جامع و نو از زندگی شهری بررسی شده است. 📄 مقاله 5: مبانی روش‌های دیجیتال نویسنده: Richard Rogers 🔧 نقش طراحی کوئری در روش‌های دیجیتال و استفاده از گوگل به عنوان ماشین معرفتی بررسی شده و چالش‌ها و راه‌حل‌ها مطرح می‌شود. 📄 مقاله 6: مطالعه موردی: شبکه‌های مسئله‌محور نویسنده: Natalia Sánchez Querubín #️⃣ استفاده از هشتگ‌ها و محتوای جاسازی شده برای تحلیل شبکه‌های مسئله‌محور در رسانه‌های اجتماعی بررسی می‌شود. 🔚 نتیجه‌گیری: این مقالات نشان می‌دهند که چگونه می‌توان از داده‌ها و روش‌های دیجیتال برای درک بهتر فرهنگ و مسائل اجتماعی استفاده کرد. ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚فصل دوم کتاب : روش ها و کاربردهای داده محور 7. Digital Methods: From Challenges to Bildung ✍️ نویسندگان: Bernhard Rieder و Theo Röhle این مقاله به پنج چالش اصلی در روش‌های دیجیتال می‌پردازد و مفهوم “دیجیتال بیلدونگ” را به عنوان راه‌حلی برای مواجهه با این چالش‌ها مطرح می‌کند. نویسندگان با استفاده از سه مثال نشان می‌دهند که ابزارهای مورد استفاده، دانش گسترده‌ای را به کار می‌گیرند. تمرکز تک‌بعدی بر کد به عنوان یک فرم از دانش، از توجه به آنچه که واقعاً کدگذاری می‌شود، منحرف می‌کند. محتوای نرم‌افزار، کد به خودی خود نیست بلکه یک فرایند است که در کد بیان می‌شود و دانش درباره این فرایندها چیزی است که باید توسعه یابد. 📊🖥 8. Data, Culture and the Ambivalence of Algorithms ✍️ نویسنده: William Uricchio این مقاله به بررسی چگونگی تاثیر الگوریتم‌ها و داده‌های بزرگ بر روابط موضوع-شیء پرداخته و سوالات مهم اپیستمولوژیکی را مطرح می‌کند. نویسنده پیشنهاداتی برای بازنگری در دستور کار علوم انسانی ارائه می‌دهد تا بتواند به درستی به پیامدهای نظم جدید پی ببرد. Uricchio بر این نکته تأکید دارد که الگوریتم‌ها و داده‌های بزرگ می‌توانند روابط جدیدی میان موضوع و شیء ایجاد کنند که نیازمند بررسی دقیق و بازنگری در مفاهیم سنتی است. 🤖📈 9. Unknowing Algorithms: On Transparency of Unopenable Black Boxes ✍️ نویسندگان: Johannes Paßmann و Asher Boersma این مقاله به بررسی چگونگی برخورد با جعبه‌های سیاه الگوریتمی می‌پردازد و مفهوم شفافیت را توسعه می‌دهد که مهارت‌های لازم برای پژوهشگران را برای مواجهه با بخش‌های سیاه یا مبهم جعبه‌ها توصیف می‌کند. نویسندگان بر این باورند که برای درک درست الگوریتم‌ها و تاثیرات آن‌ها، نیاز به توسعه مهارت‌هایی است که بتواند به پژوهشگران کمک کند تا با بخش‌های ناشناخته و مبهم الگوریتم‌ها مواجه شوند و آن‌ها را تحلیل کنند. 🔍🖥 10. Social Data APIs: Origin, Types, Issues ✍️ نویسندگان: Cornelius Puschmann و Julian Ausserhofer این مقاله به بررسی جنبه‌های مختلف API‌های داده‌های اجتماعی از دیدگاه علوم اجتماعی می‌پردازد. نویسندگان تاریخچه API‌ها در توسعه نرم‌افزار را توصیف می‌کنند، یک بررسی از API‌های وب محبوب از نوع‌های مختلف ارائه می‌دهند و مسائل مربوط به قابلیت اعتماد، اعتبار و نمایندگی داده‌های استخراج شده از API‌ها را مورد بحث قرار می‌دهند. آن‌ها همچنین درباره تحولات آینده در این زمینه گمانه‌زنی می‌کنند و پیشنهاداتی برای بهبود استفاده از API‌ها در تحقیقات اجتماعی ارائه می‌دهند. 🌐💻 11. How to Tell Stories with Networks: Exploring the Narrative Affordances of Graphs with the Iliad ✍️ نویسندگان: Tommaso Venturini، Liliana Bounegru، Mathieu Jacomy، Jonathan Gray این مقاله به بررسی چگونگی تحلیل داده‌ها از طریق بصری‌سازی شبکه‌ها می‌پردازد. نویسندگان با بررسی شبکه شخصیت‌های ایلیاد، پتانسیل روایتی و داستان‌سرایی شبکه‌ها را نشان می‌دهند و از بحث درباره خصوصیات ریاضی شبکه‌ها به سمت تأمل بر نحوه میانجی‌گری و ساختاردهی شبکه‌ها به پدیده‌هایی که نمایان می‌کنند، حرکت می‌کنند. آن‌ها بر این نکته تأکید دارند که شبکه‌ها می‌توانند به عنوان ابزارهای روایتی قدرتمندی عمل کنند که به تحلیل دقیق‌تر و جامع‌تر داده‌ها کمک می‌کنند. 📊📖 12. Towards a Reflexive Digital Data Analysis ✍️ نویسندگان: Karin van Es، Nicolás López Coombs، Thomas Boeschoten این مقاله به تحلیل داده‌های دیجیتال بازتابی می‌پردازد. نویسندگان مجموعه‌ای از سوالات درباره مراحل مختلف انجام تحقیقات داده‌های دیجیتال ارائه می‌دهند که نشان می‌دهد چگونه داده‌ها و بصری‌سازی داده‌ها توسط پژوهشگران و ابزارهای مورد استفاده‌شان ساخته می‌شوند. آن‌ها بر اهمیت تحلیل بازتابی تأکید می‌کنند و پیشنهاد می‌دهند که پژوهشگران باید به نقش خود و ابزارهایشان در تولید دانش توجه ویژه‌ای داشته باشند. 🔄💡 ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚 فصل سوم کتاب : اخلاق پژوهشی دیجیتال 13. Get Your Hands Dirty: Emerging Data Practices as Challenge for Research Integrity ✍️ نویسندگان: Gerwin van Schie, Irene Westra, Mirko Tobias Schäfer 📄 خلاصه: این مقاله به بررسی چالش‌های اخلاقی و مسائل مربوط به یکپارچگی پژوهشی در مواجهه با روش‌های نوظهور داده‌محور می‌پردازد. نویسندگان با استفاده از تجربه خود در استخراج داده‌های بیماران از یک پلتفرم آنلاین، به تحلیل رابطه تنگاتنگ بین راهنمایی‌های اخلاقی موجود و پژوهش‌های بزرگ داده‌ای می‌پردازند. آن‌ها یک ساختار پژوهشی را پیشنهاد می‌دهند که اجازه می‌دهد پژوهش‌های بزرگ داده‌ای به شیوه‌ای اخلاقی انجام شوند. 14. Research Ethics in Context: Decision Making in Digital Research ✍️ نویسندگان: Annette Markham, Elizabeth Buchanan 📄 خلاصه: این مقاله به بررسی چارچوب‌های اخلاقی برای کمک به پژوهشگران اینترنت، هیئت‌های بازنگری، دانشجویان و اخلاق‌شناسان در هدایت اخلاقی پژوهش‌های دیجیتال می‌پردازد. نویسندگان با مرور کارهای قبلی خود، یک چارچوب یکپارچه را ارائه می‌دهند که به کاربران در پیمایش در آب‌های مبهم پژوهش‌های اینترنتی کمک می‌کند. 15. Datafication Discrimination ✍️ نویسندگان: Koen Leurs, Tamara Shepherd 📄 خلاصه: این مقاله به بررسی تبعیض‌هایی که در داده‌ها وجود دارد و نحوه بازتاب نابرابری، نژادپرستی و تعصب در مجموعه داده‌ها می‌پردازد. نویسندگان به تحلیل اجتماعی داده‌های بزرگ پرداخته و نشان می‌دهند که چگونه این داده‌ها می‌توانند تبعیض‌های اجتماعی را تقویت کنند و به بازتولید نابرابری‌ها دامن بزنند. 📖 این مقالات به بررسی مسائل اخلاقی در پژوهش‌های داده‌محور پرداخته و راهکارهایی برای مواجهه با این چالش‌ها ارائه می‌دهند. 📝📊📚 ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚 فصل چهارم کتاب :ایده های کلیدی در پژوهش داده های بزرگ Section 4: Key Ideas in Big Data Research 16. The Myth of Big Data ✍️ نویسنده: Nick Couldry 📄 خلاصه: در این مقاله کوتاه، نیک کولدری به بررسی اسطوره داده‌های بزرگ می‌پردازد. او معتقد است که داده‌های بزرگ یک پدیده جدید نیستند و پیش از این نیز وجود داشته‌اند. کولدری تأکید می‌کند که داده‌های بزرگ به خودی خود معنایی ندارند و نیازمند تفسیر و تحلیل هستند. 17. Data Point Critique ✍️ نویسنده: Carolin Gerlitz 📄 خلاصه: کارولین گرلیتز در این مقاله کوتاه به نقد نقطه داده می‌پردازد. او معتقد است که نقاط داده به خودی خود معنایی ندارند و نیازمند زمینه و تفسیر هستند. گرلیتز تأکید می‌کند که نقاط داده باید در بستر اجتماعی و فرهنگی خود مورد بررسی قرار گیرند. 18. Opposing the Exceptionalism of the Algorithm ✍️ نویسنده: Evgeny Morozov 📄 خلاصه: اوژنی موروزوف در این مقاله کوتاه به مخالفت با برتری الگوریتم‌ها می‌پردازد. او معتقد است که الگوریتم‌ها نباید به عنوان راه حل نهایی برای همه مشکلات در نظر گرفته شوند. موروزوف تأکید می‌کند که الگوریتم‌ها باید در بستر اجتماعی و فرهنگی خود مورد بررسی قرار گیرند. 19. The Need for a Dialogue with Technology ✍️ نویسنده: Mercedes Bunz 📄 خلاصه: مرسدس بونز در این مقاله کوتاه به اهمیت گفتگو با فناوری می‌پردازد. او معتقد است که ما باید با فناوری‌ها در تعامل باشیم و آن‌ها را به عنوان ابزارهایی برای بهبود زندگی خود در نظر بگیریم. بونز تأکید می‌کند که گفتگو با فناوری به ما کمک می‌کند تا درک بهتری از تأثیرات آن‌ها بر جامعه داشته باشیم. 📖 این مقالات کوتاه، دیدگاه‌های کلیدی در مورد پژوهش‌های داده‌های بزرگ را ارائه می‌دهند و به برخی از مفاهیم و ایده‌های مهم در این زمینه می‌پردازند. ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚✨ مقاله ! 🔍 عنوان مقاله: تحلیل فرهنگی ملموس: پذیرش سیستم‌های توصیه‌گر در پژوهش‌های فرهنگی ✍️ نویسنده: بن اشلی (Ben Ashley) 📅 سال انتشار: 2019 🏫 مؤسسه: دانشگاه رایرسون (Ryerson University) این مقاله به بررسی استفاده از سیستم‌های توصیه‌گر در پژوهش‌های فرهنگی پرداخته و نشان می‌دهد چگونه این فناوری‌ها می‌توانند به محققان در کشف روابط جدید و قطعات ناشناخته‌ای از تاریخ کمک کنند. مقاله نمونه‌ای از یک سیستم توصیه‌گر مبتنی بر محتوا را معرفی می‌کند که در یک برنامه واقعیت افزوده برای مشاهده سه‌بعدی آثار فرهنگی به کار گرفته شده است. #مقاله #پژوهش_فرهنگی #سیستم_توصیه_گر #واقعیت_افزوده #بن_اشلی #تحلیل_فرهنگی #پژوهش #فناوری ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📢📚 معرفی مقاله جدید! 🔍 عنوان مقاله: تحلیل سیاست‌ها و تصمیم‌گیری: مدل‌های مبتنی بر عامل می‌توانند برای بررسی تأثیرات بالقوه سیاست‌ها یا مداخلات مختلف بر سیستم‌های اجتماعی پیچیده استفاده شوند ✍️ نویسنده: کیمبرلی جین (Kimberly Jane) 📅 تاریخ انتشار: آگوست 2024 📜 مجله: منتشر شده در ResearchGate این مقاله به بررسی استفاده از مدل‌های مبتنی بر عامل در تحلیل سیاست‌ها و تصمیم‌گیری می‌پردازد. این مدل‌ها با شبیه‌سازی رفتارها و تعاملات عوامل مختلف مانند مصرف‌کنندگان، کسب‌وکارها و سیاست‌گذاران، می‌توانند ویژگی‌های غیرخطی و پدیده‌های نوظهور سیستم‌های اجتماعی پیچیده را که در روش‌های سنتی کمتر قابل مشاهده هستند، به تصویر بکشند. 🔹 موضوعات کلیدی: ▫️ویژگی‌های سیستم‌های اجتماعی پیچیده: غیرخطی بودن، ظهور و تطبیق‌پذیری ▫️محدودیت‌های روش‌های مدل‌سازی سنتی ▫️شبیه‌سازی تعاملات عوامل و عوامل محیطی و نهادی ▫️شناسایی اهرم‌های سیاستی و تجزیه و تحلیل نتایج و پیامدهای ناخواسته #تحلیل_سیاست #مدل_مبتنی_بر_عامل #پژوهش_اجتماعی #کیمبرلی_جین #پژوهش #سیاستگذاری #شبیه_سازی ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚🔍 معرفی مقاله: تحقیقات داده‌محور انسانی 🔍📚 ✨ عنوان: تحقیقات داده‌محور انسانی: تقابلی بین سنت‌های معرفتی ✍️ نویسنده: ایف ماسون (Eef Masson) 📖 کتاب: The Datafied Society: Studying Culture through Data 📆 سال انتشار: 2017 🏢 ناشر: Amsterdam University Press 📑 صفحات: 25-38 📊 خلاصه مقاله: این مقاله به بررسی تقابل بین دو سنت معرفتی هرمنوتیکی و تجربی در تحقیقات داده‌محور انسانی می‌پردازد. ایف ماسون در این مقاله به چالش‌های ادغام ابزارهای دیجیتال و داده‌محور در پژوهش‌های انسانی و تاثیرات آن بر روش‌های تفسیری و انتقادی می‌پردازد. او همچنین به بررسی این موضوع می‌پردازد که چگونه این ابزارها، که اغلب از علوم تجربی و آماری وام گرفته شده‌اند، می‌توانند به پژوهش‌های انسانی کمک کنند و در عین حال، چالش‌هایی را نیز به همراه داشته باشند. 📚 #مطالعه_مقاله #علوم_انسانی #تحلیل_داده #دیجیتال_هیومنیتیز #پژوهش #دانش #معرفی_کتاب #فرهنگ ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚🔍 #سوال 🔸چگونه می توان گفت داده ها در علوم اجتماعی محاسباتی جهت دار و بی طرف نیستند؟ در مقاله “تحقیقات داده‌محور انسانی” اثر ایف ماسون، نویسنده به بررسی چالش‌ها و فرصت‌های استفاده از داده‌ها در علوم انسانی و اجتماعی می‌پردازد. در این مقاله، به خصوص به این موضوع پرداخته می‌شود که چگونه داده‌ها در علوم اجتماعی محاسباتی می‌توانند جهت‌دار و بی‌طرف نباشند. در ادامه، به برخی از دلایل و نحوه‌های جهت‌دار بودن داده‌ها اشاره می‌شود: 🔸 انتخاب و جمع‌آوری داده‌ها: ▫️انتخاب داده‌ها: فرآیند انتخاب داده‌ها برای تحلیل می‌تواند جهت‌دار باشد. به عنوان مثال، داده‌هایی که برای تحلیل انتخاب می‌شوند ممکن است تنها نمایانگر بخشی از جامعه یا پدیده مورد نظر باشند و بنابراین نتایج تحلیل نیز تحت تأثیر این انتخاب قرار می‌گیرد. ▫️منابع داده‌ها: داده‌ها ممکن است از منابعی جمع‌آوری شوند که خود دارای جهت‌گیری‌های خاصی هستند. به عنوان مثال، داده‌های جمع‌آوری شده از شبکه‌های اجتماعی ممکن است نشان‌دهنده نگرش‌ها و رفتارهای گروه‌های خاصی از مردم باشد که به این پلتفرم‌ها دسترسی دارند یا از آن‌ها استفاده می‌کنند. 🔸 پردازش و تحلیل داده‌ها: ▫️الگوریتم‌ها و مدل‌های تحلیلی: الگوریتم‌ها و مدل‌های تحلیلی که برای پردازش داده‌ها استفاده می‌شوند، می‌توانند دارای جهت‌گیری‌های ضمنی باشند. این الگوریتم‌ها معمولاً توسط انسان‌ها طراحی می‌شوند و بنابراین ممکن است تحت تأثیر فرضیات و پیش‌داوری‌های طراحان خود قرار گیرند. ▫️انگیزه‌های تحلیل‌گران: تحلیل‌گران داده‌ها ممکن است به دلایل مختلفی، از جمله اهداف تحقیقاتی، تجاری یا سیاسی، به نتایج خاصی علاقه‌مند باشند و این انگیزه‌ها می‌تواند بر نحوه تفسیر و ارائه نتایج تأثیر بگذارد. 🔸 نمایش و تفسیر داده‌ها: ▫️بصری‌سازی داده‌ها: نحوه بصری‌سازی داده‌ها می‌تواند تأثیر زیادی بر درک و تفسیر نتایج داشته باشد. انتخاب نمودارها، رنگ‌ها و روش‌های نمایش داده‌ها می‌تواند جهت‌گیری‌های خاصی را به مخاطبان القا کند. ▫️تفسیر نتایج: نتایج تحلیل داده‌ها معمولاً نیاز به تفسیر دارند و این تفسیرها می‌تواند تحت تأثیر دیدگاه‌ها و پیش‌داوری‌های تحلیل‌گر یا مخاطبان باشد. 🔹 در نتیجه، برای جلوگیری از جهت‌دار بودن داده‌ها در علوم اجتماعی محاسباتی، لازم است که محققان به دقت فرآیندهای انتخاب، جمع‌آوری، پردازش و تفسیر داده‌ها را مورد بررسی قرار دهند و از ابزارها و روش‌هایی استفاده کنند که شفافیت و بی‌طرفی را تضمین می‌کنند. همچنین، لازم است که محققان به نقد و بازنگری مداوم فرضیات و روش‌های خود بپردازند تا از تأثیرات جهت‌گیری‌های ضمنی بر نتایج تحقیق جلوگیری کنند. 📊📖 #تحقیقات_داده_محور #علوم_اجتماعی #بی‌طرفی_داده #تحلیل_داده #پژوهش #دانش ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

🌟 معرفی مقاله “Social Data APIs: Origin, Types, Issues” 📊 🔍 عنوان کتاب: The Datafied Society: Studying Culture through Data ✍️ ویرایش شده توسط: Mirko Tobias Schäfer و Karin van Es 📖 فصل: Social Data APIs: Origin, Types, Issues 🖋 نویسندگان: Cornelius Puschmann و Julian Ausserhofer 📅 انتشار: Amsterdam University Press, 2017 📌 صفحه: 147 🌐 در دنیای امروز، API های داده های اجتماعی نقش مهمی در تحقیقات و تجزیه و تحلیل داده ها ایفا می کنند. مقاله “Social Data APIs: Origin, Types, Issues” به بررسی جنبه های مختلف API های داده های اجتماعی می پردازد. 📚 خلاصه مقاله: بررسی تاریخچه و منشأ API های داده های اجتماعی معرفی انواع مختلف API های داده های اجتماعی بحث در مورد مسائل و چالش های استفاده از API های داده های اجتماعی در تحقیقات ارائه پیش بینی هایی در مورد روندهای آینده در این زمینه 🔑 نکات کلیدی: اهمیت API های داده های اجتماعی در تحقیقات دیجیتال تنوع API های داده های اجتماعی و کاربردهای آنها چالش های مربوط به قابلیت اطمینان، اعتبار و نمایندگی داده های به دست آمده از API ها 🏷 برچسب ها: #SocialDataAPIs #DataAnalysis #DigitalResearch #Research #APIResearch ┄┄┅••=✧؛❁؛✧=••┅┄┄ 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 کتاب “مدل‌های فرهنگی: پیدایش، روش‌ها و تجربیات” 📖 “مدل‌های فرهنگی: پیدایش، روش‌ها و تجربیات” نوشته جیووانی بناردو و ویکتور د مونک، یک راهنمای جامع برای کاوش در دنیای مدل‌های فرهنگی است. 🧭 فهرست فصل‌ها: ▫️مقدمه - نگاهی کلی به مفهوم مدل‌های فرهنگی و اهمیت آن‌ها در زندگی روزمره. ▫️توسعه نظریه فرهنگی مرتبط با رویکرد مدل‌های فرهنگی - بررسی تاریخچه و توسعه نظریه‌های فرهنگی. ▫️ساختار و فرهنگ در ذهن: پیدایش مدل‌های فرهنگی - چگونگی شکل‌گیری مدل‌های فرهنگی در ذهن انسان‌ها. ▫️روش‌شناسی در تحقیق درباره مدل‌های فرهنگی - معرفی روش‌های مختلف تحقیق در زمینه مدل‌های فرهنگی. ▫️مدل‌های فرهنگی آمریکای شمالی - بررسی مدل‌های فرهنگی در آمریکای شمالی. ▫️مدل‌های فرهنگی اروپایی - بررسی مدل‌های فرهنگی در اروپا. ▫️مدل‌های فرهنگی بومیان آمریکا و لاتین آمریکا - بررسی مدل‌های فرهنگی بومیان آمریکا و لاتین آمریکا. ▫️مدل‌های فرهنگی آسیایی و اقیانوسیه - بررسی مدل‌های فرهنگی در آسیای و اقیانوسیه. ▫️مدل‌های فرهنگی آفریقایی - بررسی مدل‌های فرهنگی در آفریقا. ▫️تحقیقات کاربردی در مورد مدل‌های فرهنگی - بررسی تحقیقات کاربردی در زمینه مدل‌های فرهنگی. ▫️تیپولوژی، تحقیقات آینده و نتیجه‌گیری - جمع‌بندی و ارائه راهنمایی‌هایی برای تحقیقات آینده. #مدل_فرهنگی #فرهنگ #شناخت #انسان_شناسی #روانشناسی #کتاب #مطالعه #دانشگاه #تحقیق #علم ┄┄┅••=✧؛❁؛✧=••┅┄┄ با ما در کانال "فرهنگ و داده" همراه باشید. https://eitaa.com/Culture_and_data

📚ترجمه کتاب مدلهای فرهنگی (پیدایش ،روش ها و آزمونها ) 📝مترجم : خانم لیلا اردبیلی

📚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.