📚 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.

📊🌆 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