Soumettre la recherche
Mettre en ligne
計算社会科学とは
•
7 j'aime
•
3,212 vues
Tokyo Tech
Suivre
CCSS School on Computational Social Science『計算社会科学入門』講義資料(2021/2/27)
Lire moins
Lire la suite
Sciences
Signaler
Partager
Signaler
Partager
1 sur 42
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
書籍「計算社会科学入門」第9章 統計モデリング
書籍「計算社会科学入門」第9章 統計モデリング
Masanori Takano
「計算社会科学入門」5章 ネットワーク
「計算社会科学入門」5章 ネットワーク
Fujio Toriumi
辞書ベースのテキストマイニング ML-Ask, J-LIWC, J-MDFを例として
辞書ベースのテキストマイニング ML-Ask, J-LIWC, J-MDFを例として
Tokyo Tech
ソーシャルデータと計算社会科学
ソーシャルデータと計算社会科学
Tokyo Tech
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
Masahito Ohue
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
1 データとデータ分析
1 データとデータ分析
Seiichi Uchida
Recommandé
書籍「計算社会科学入門」第9章 統計モデリング
書籍「計算社会科学入門」第9章 統計モデリング
Masanori Takano
「計算社会科学入門」5章 ネットワーク
「計算社会科学入門」5章 ネットワーク
Fujio Toriumi
辞書ベースのテキストマイニング ML-Ask, J-LIWC, J-MDFを例として
辞書ベースのテキストマイニング ML-Ask, J-LIWC, J-MDFを例として
Tokyo Tech
ソーシャルデータと計算社会科学
ソーシャルデータと計算社会科学
Tokyo Tech
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
Masahito Ohue
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
1 データとデータ分析
1 データとデータ分析
Seiichi Uchida
MICの解説
MICの解説
logics-of-blue
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
Yusuke Kaneko
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
Toru Imai
学振特別研究員になるために~2023年度申請版
学振特別研究員になるために~2023年度申請版
Masahito Ohue
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
Masatoshi Yoshida
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
Masanori Kado
自然言語処理による議論マイニング
自然言語処理による議論マイニング
Naoaki Okazaki
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
機械学習研究の現状とこれから
機械学習研究の現状とこれから
MLSE
Jubatusのリアルタイム分散レコメンデーション@TokyoNLP#9
Jubatusのリアルタイム分散レコメンデーション@TokyoNLP#9
Yuya Unno
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNet
Takuya Minagawa
人・組織・社会を動かすデータビジュアライゼーション
人・組織・社会を動かすデータビジュアライゼーション
E2D3.org
可視化は社会を変えるか?@ナレッジキャピタル木曜サロン2012
可視化は社会を変えるか?@ナレッジキャピタル木曜サロン2012
株式会社ズームス
Contenu connexe
Tendances
MICの解説
MICの解説
logics-of-blue
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
Seiichi Uchida
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
Yusuke Kaneko
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
Toru Imai
学振特別研究員になるために~2023年度申請版
学振特別研究員になるために~2023年度申請版
Masahito Ohue
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
Masatoshi Yoshida
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
Masanori Kado
自然言語処理による議論マイニング
自然言語処理による議論マイニング
Naoaki Okazaki
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
機械学習研究の現状とこれから
機械学習研究の現状とこれから
MLSE
Jubatusのリアルタイム分散レコメンデーション@TokyoNLP#9
Jubatusのリアルタイム分散レコメンデーション@TokyoNLP#9
Yuya Unno
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNet
Takuya Minagawa
Tendances
(20)
MICの解説
MICの解説
データサイエンス概論第一=2-1 データ間の距離と類似度
データサイエンス概論第一=2-1 データ間の距離と類似度
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
学振特別研究員になるために~2023年度申請版
学振特別研究員になるために~2023年度申請版
グラフィカルモデル入門
グラフィカルモデル入門
よくわかるフリストンの自由エネルギー原理
よくわかるフリストンの自由エネルギー原理
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
自然言語処理による議論マイニング
自然言語処理による議論マイニング
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
機械学習研究の現状とこれから
機械学習研究の現状とこれから
Jubatusのリアルタイム分散レコメンデーション@TokyoNLP#9
Jubatusのリアルタイム分散レコメンデーション@TokyoNLP#9
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNet
Similaire à 計算社会科学とは
人・組織・社会を動かすデータビジュアライゼーション
人・組織・社会を動かすデータビジュアライゼーション
E2D3.org
可視化は社会を変えるか?@ナレッジキャピタル木曜サロン2012
可視化は社会を変えるか?@ナレッジキャピタル木曜サロン2012
株式会社ズームス
科学技術コミュニケーションの定義を巡って(ダイジェスト)
科学技術コミュニケーションの定義を巡って(ダイジェスト)
Professional University of Information and Management for Innovation (情報経営イノベーション専門職大学)
未来の社会像と科学技術イノベーション政策
未来の社会像と科学技術イノベーション政策
scirexcenter
研究の世界入門B 科学的方法
研究の世界入門B 科学的方法
sympo2011
科学技術コミュニケーションの観点から見たウェブ心理学ミュージアム(発表後一部修正)
科学技術コミュニケーションの観点から見たウェブ心理学ミュージアム(発表後一部修正)
Professional University of Information and Management for Innovation (情報経営イノベーション専門職大学)
kaneko202304.pptx
kaneko202304.pptx
kunihikokaneko1
今すぐ AI の知識を深めるには
今すぐ AI の知識を深めるには
NVIDIA Japan
mlabforum2012_okanohara
mlabforum2012_okanohara
Preferred Networks
超スマート社会の光と影:普通の人はどう変わる Opportunities and Perils of the "Society 5.0": What it...
超スマート社会の光と影:普通の人はどう変わる Opportunities and Perils of the "Society 5.0": What it...
Takushi Otani
生物学史分科会シンポ 2017hayashi
生物学史分科会シンポ 2017hayashi
HAYASHI Makoto
Otsuma(2010706)
Otsuma(2010706)
真 岡本
2021年度情報処理学会関西支部支部大会発表資料.pdf
2021年度情報処理学会関西支部支部大会発表資料.pdf
Hiroki Kusatake
리츠메이칸대학 정보이공학부 소개 (정보 시스템 글로벌 코스 입시 소개)
리츠메이칸대학 정보이공학부 소개 (정보 시스템 글로벌 코스 입시 소개)
Joo-Ho Lee
サイバーエージェントにおける計算社会科学
サイバーエージェントにおける計算社会科学
Masanori Takano
コネクショニズムと汎化 (全脳アーキテクチャ若手の会 第29回勉強会)
コネクショニズムと汎化 (全脳アーキテクチャ若手の会 第29回勉強会)
Takuma Yagi
立命館大学VSL研究会20120801
立命館大学VSL研究会20120801
亮介 西田
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
茂生 河島
Sangyo2010 01
Sangyo2010 01
Akao Koichi
WHERE DOES MY MONEY GO? の到達点と将来像(Spending Data Pary Japan プレゼンテーション)
WHERE DOES MY MONEY GO? の到達点と将来像(Spending Data Pary Japan プレゼンテーション)
Hal Seki
Similaire à 計算社会科学とは
(20)
人・組織・社会を動かすデータビジュアライゼーション
人・組織・社会を動かすデータビジュアライゼーション
可視化は社会を変えるか?@ナレッジキャピタル木曜サロン2012
可視化は社会を変えるか?@ナレッジキャピタル木曜サロン2012
科学技術コミュニケーションの定義を巡って(ダイジェスト)
科学技術コミュニケーションの定義を巡って(ダイジェスト)
未来の社会像と科学技術イノベーション政策
未来の社会像と科学技術イノベーション政策
研究の世界入門B 科学的方法
研究の世界入門B 科学的方法
科学技術コミュニケーションの観点から見たウェブ心理学ミュージアム(発表後一部修正)
科学技術コミュニケーションの観点から見たウェブ心理学ミュージアム(発表後一部修正)
kaneko202304.pptx
kaneko202304.pptx
今すぐ AI の知識を深めるには
今すぐ AI の知識を深めるには
mlabforum2012_okanohara
mlabforum2012_okanohara
超スマート社会の光と影:普通の人はどう変わる Opportunities and Perils of the "Society 5.0": What it...
超スマート社会の光と影:普通の人はどう変わる Opportunities and Perils of the "Society 5.0": What it...
生物学史分科会シンポ 2017hayashi
生物学史分科会シンポ 2017hayashi
Otsuma(2010706)
Otsuma(2010706)
2021年度情報処理学会関西支部支部大会発表資料.pdf
2021年度情報処理学会関西支部支部大会発表資料.pdf
리츠메이칸대학 정보이공학부 소개 (정보 시스템 글로벌 코스 입시 소개)
리츠메이칸대학 정보이공학부 소개 (정보 시스템 글로벌 코스 입시 소개)
サイバーエージェントにおける計算社会科学
サイバーエージェントにおける計算社会科学
コネクショニズムと汎化 (全脳アーキテクチャ若手の会 第29回勉強会)
コネクショニズムと汎化 (全脳アーキテクチャ若手の会 第29回勉強会)
立命館大学VSL研究会20120801
立命館大学VSL研究会20120801
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
ソシオナイト Vol.02「デジタル社会のなかで僕たちは出会う」_河島資料
Sangyo2010 01
Sangyo2010 01
WHERE DOES MY MONEY GO? の到達点と将来像(Spending Data Pary Japan プレゼンテーション)
WHERE DOES MY MONEY GO? の到達点と将来像(Spending Data Pary Japan プレゼンテーション)
Plus de Tokyo Tech
越境する計算社会科学
越境する計算社会科学
Tokyo Tech
複雑系科学特論2015
複雑系科学特論2015
Tokyo Tech
Quantifying Collective Mood by Emoticon Networks
Quantifying Collective Mood by Emoticon Networks
Tokyo Tech
Understanding the Spreading Patterns of Mobile Phone Viruses
Understanding the Spreading Patterns of Mobile Phone Viruses
Tokyo Tech
Positive words carry less information than negative words
Positive words carry less information than negative words
Tokyo Tech
Collective dynamics of ‘small-world’ networks
Collective dynamics of ‘small-world’ networks
Tokyo Tech
DIE 20130724
DIE 20130724
Tokyo Tech
鳥の複雑なさえずりと進化的デザイン
鳥の複雑なさえずりと進化的デザイン
Tokyo Tech
Performance variability enables adaptive plasticity ‘crystallized’ adult song
Performance variability enables adaptive plasticity ‘crystallized’ adult song
Tokyo Tech
How sleep affects the developmental learning of bird song
How sleep affects the developmental learning of bird song
Tokyo Tech
Plus de Tokyo Tech
(10)
越境する計算社会科学
越境する計算社会科学
複雑系科学特論2015
複雑系科学特論2015
Quantifying Collective Mood by Emoticon Networks
Quantifying Collective Mood by Emoticon Networks
Understanding the Spreading Patterns of Mobile Phone Viruses
Understanding the Spreading Patterns of Mobile Phone Viruses
Positive words carry less information than negative words
Positive words carry less information than negative words
Collective dynamics of ‘small-world’ networks
Collective dynamics of ‘small-world’ networks
DIE 20130724
DIE 20130724
鳥の複雑なさえずりと進化的デザイン
鳥の複雑なさえずりと進化的デザイン
Performance variability enables adaptive plasticity ‘crystallized’ adult song
Performance variability enables adaptive plasticity ‘crystallized’ adult song
How sleep affects the developmental learning of bird song
How sleep affects the developmental learning of bird song
計算社会科学とは
1.
計算社会科学入門 第1章 計算社会科学とは 笹原 和俊 東京工業大学
環境・社会理工学院 イノベーション科学系
2.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 2
3.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 3
4.
計算社会科学とは ビッグデータやコンピュータの活用が可能にするデジタル時代の 社会科学 • Data-driven 新たに利用可能になったデータと情報技術を駆使し、個人・集団、社会・ 経済をこれまでにない解像度とスケールで定量的かつ学際的に研究 • Solution-oriented 社会規模の問題に対してインパクトある解決策を創出 •
Transformative 社会科学の「わかり方」を変革 4
5.
5 投稿数 492 参加者 >400
6.
IC2S2 2015のキーワード 6 Courtesy of
Prof. Fortunato
7.
IC2S22020における研究者人口 7 圧倒的に米国 日本
8.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 8
9.
ビッグデータの登場 • 電子化される行動 • 携帯電話、電子メール、 ブログ、バイオセンサー •
時間、位置、属性情報、 社会的つながり • 社会現象の要素の測定 ↓ データ駆動型社会科学 9 Lazer et al. Science (2009)
10.
ネットワーク科学の発展 10 We must start
asking how the technological revolution of the Internet can lead to a revolution in social science as well.
11.
「計算社会科学」の変遷 かつて • 社会シミュレーションと同義語 2000年末 • 「社会科学×コンピュータ科学」な研究を緩く束ねるアンブレラターム •
ビッグデータ、SNS、クラウド、ネットワーク科学、機械学習 2015年以降 • デジタル時代の社会科学へと成長中 • IC2S2、SICSS、Bit by Bit、J. Comp Soc Sci 11
12.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 12
13.
計算社会科学の方法論 1. デジタルトレース(ビッグデータ)の観察・分析 2. デジタルツールを使った実験・調査 3.
計算モデルとシミュレーション 13
14.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 14
15.
行動が化石になる時代 • 「行動は化石に残らない」 • 人間行動や社会現象の定量的研究を妨げる理由だった •
行動のデジタル化(ビッグデータ) • 個人レベルから地球規模のデータ(行動、社会、経済) • ICT ・IoT の発達、データ取得・蓄積のコスト低下 • オープン運動(オープンソース、オープンデータ) 15
16.
ビッグデータの特徴 研究にとってメリット 1. 大規模性 (Big) •
ランダム要因の影響小 2. 常時オン (Always-on) • ナウ・フォーキャスト 3. 非反応性 (Nonreactive) • 自然行動 研究にとってデメリット 4. 不完全性 (Incomplete) 5. アクセス不能性 (Inaccessible) 6. 非代表性 (Nonrepresentative) 7. ドリフト (Drifting) 8. アルゴリズムによる交絡 (Algorithmically confounded) 9. 汚染 (Dirty) 10.センシティブ (Sensitive) 16 Salganik, Bit by Bit (2017)
17.
ビッグデータから学ぶためのレシピ 1. 測定する • 優れた問いとビッグデータがあれば、単純な測定でも興味深い結果が が得られる •
機械学習の発展によって、測定できる量と精度が劇的に向上 2. 予測する • 未来予測 (Forecasting) と現在予測 (Nowcasting) 3. 実験に近づける • 自然実験 = ランダムなばらつき + 「常時オン」データ 17 Salganik, Bit by Bit (2017)
18.
正直信号の計測 ウェアラブルセンサーによる正直信号(無意識・非言語)の測定 を組織活性化やWell-being向上に活用 • ソシオメーター (Pentland
2010) • 表情や声、体の動きなどを計測し、 相手の態度や意図などを推定 • ビジネス顕微鏡 (矢野 2014) • 組織内コミュニケーションの量や質 を測定 18 https://hd.media.mit.edu/badges/
19.
ソシオスコープによる行動観察・分析 気分の概日リズム • 84カ国2,400万人の過去2年間のツイート計5億900万件を分析 • ツイートの投稿から気分の日内変動、週内変動、季節変動がわかる Golder
and Macy, Science (2011) 19
20.
ナウキャスト Google Flu Trends •
CDCのインフルエンザ感染者 数と45の検索クエリが関連 • GFTは、医学的な知識なし、 にCDCよりも早くインフルエ ンザの流行を予測できた 21 Ginsberg et al. Nature (2009)
21.
不可視の可視化 著名人の2600年に渡る移動パターンに文化史がコードされている 22 Schich et al.
Science (2014) 青:生誕地 赤:死没地 (∼文化の中心)
22.
歴史を再構成する 古英語の完了形ではBe+PPとHave+PPが共存していたが、 多くの動詞では、Have+PPへ選択的に進化 23 verb FIT p-value creep
0.003 fall 0.003 come 0.013 stay 0.017 arrive 0.024 vanish 0.029 expire 0.046 rise 0.073 tumble 0.213 look 0.242 insist 0.277 bound 0.310 degenerate 0.391 confer 0.612 9/14動詞で進化駆動力を確認 Hosaka, Okuda, and Sasahara, EVOLANG13 (2020)
23.
フェイクニュースの拡散 • 偽ニュースは速く遠くま でたくさん伝わる • 拡散されやすい話題 •
政治 • 都市伝説 • ビジネス • テロ・戦争 • 科学 • エンタメ • 自然災害 24 Vosoughi et al. Science (2018)
24.
ビッグデータの教訓 • GFTの予測性能は単純な統計モデルよりも優れているわけでは ないことが判明 (Lazer
et al. Science 2013) • GFTの予測性能はドリフトとアルゴリズムの交絡により、 短期的には失敗しやすく、長期的には減衰しやすい • Googleの検索アルゴリズムの変更 • Googleサジェストの影響 25
25.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 26
26.
社会調査(これまで) • インタビュー • 少数にインタビューし、会話を通じて定性的で詳細な記述を得る •
サーベイ • (全数調査以外では)限られた人数のサンプルを対象として、質問票 や電話による質問に回答してもらい、それを統計的に分析する • ボトルネック • 結果の一般性の担保 • 社会的関係性を調べるのが困難 • 時間的コスト、金銭的コスト 27
27.
実験室実験(これまで) • (少数の)参加者を募集して実験室で課題を遂行してもらい、 データを取得・分析する • 環境を統制し、特定の行動が生じる要因を分析 •
ボトルネック • 参加者は(主に)学生やWEIRED • 社会から切り離された環境での行動(≠自然環境下の行動) • 時間的コスト、金銭的コスト 28
28.
デジタル調査・実験 • デジタルプラットフォームを活用 • 調査・実験の準備、実行、分析が効率化 •
調査・実験のスケールが容易になる • クラウドソーシングの活用 • ネットを通じて不特定多数の人にタスクを依頼 (MTurk, ランサーズ) • ビッグデータ(観察データ)と組み合わせる • 調査・実験データと相補的になり研究の価値が上がる 29
29.
人工音楽市場実験 • 参加者14000人 • 独立条件 •
曲名がランダムな順番で表示される • 社会条件 • 曲名がダウンロードされた回数の多 い順に表示される • 結果 • 社会条件の時、ダウンロードされる 曲ますますダウンロードされるよう になった 30 0 0.1 0.2 0.3 0.4 0.5 0.6 社会的条件 独立条件 ジニ係数 社会条件 Salganik et al. Science (2006)を元に作成
30.
モラルマシン実験 31 Awad et al.
Nature (2018)
31.
個人特徴の推定 32 個 ⼈ 属 性 Yo and Sasahara
(in prep.) オンラインアンケートの回答を正解として、 ツイートで分類器を学習
32.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 33
33.
人間社会は複雑系 • 複雑系とは • 多数の要素が非線形な相互作用をし合い、動的にネットワークを形成 し、全体として複雑な振る舞いを創発させるようなシステム •
例:社会的交流や分断、協力や信頼、集団行動や社会運動、 交通渋滞やデマの拡散 • 要素還元論が通用しない • 複雑系は部分に分解すると構成要素間の動的関係性が失われてしまう 34
34.
創発 (Emergence) 35 大域的な秩序 構成要素の相互作用によって 大域的な秩序が生み出される 構成要素 局所的な相互作用 (非線形) 大域的な秩序が拘束条件と なって、構成要素の相互作用 が変化する
35.
社会シミュレーション • 自律的な主体とそれらの相互作用をシミュレートする • 発見と形式化のためのツール •
説明モデルはシンプルさが、予測モデルは精度が重要 36 モデル シミュレートされたデータ 対象 集められたデータ シミュレーション データ収集 抽象化 類似
36.
社会シミュレーションに使われるモデル • システムダイナミクス • 対象の系全体の振る舞いを数式(差分方程式や微分方程式)でモデル化 •
決定論的なマクロモデル • ミクロシミュレーション • 個々人に別々に適用されるルール(別々の属性と遷移行列)によって集 団がどのような影響を受けるのかを予測 • 確率論的なミクロモデル 37
37.
社会シミュレーションに使われるモデル (続) • セルオートマトン •
格子状に配置された個人のシンプルな局所的相互作用からマクロな パターンが創発するようなモデル • エージェント・ベース・モデル(ABM) • 意思決定をおこなうもの(エージェント)が複数存在し、相互作用す するモデル(マルチエージェント) • 学習・進化モデル • 人工ニューラルネットワーク • 遺伝的アルゴリズム 38
38.
シェリングの住み分けモデル 米国などの都市において、 なぜ人種ごとに分かれて居 住する社会的分断が生じる のかを説明するモデル ルール • 自分の上下左右斜めの8近傍に、 同種のエージェントが1/3未満 の場合、空白の場所にランダム に移動 • それ以外は、移動しない 39 https://ncase.me/polygons/
39.
40 SNSを模した意見形成モデル Sasahara et al.
J Comp Soc Sci (2020)
40.
講義内容 1. はじめに 2. 計算社会科学の誕生 3.
計算社会科学の方法論 4. ビッグデータ分析 5. デジタル調査と実験 6. 計算モデルとシミュレーション 7. おわりに 41
41.
社会科学のこれまでとこれから 42 IC2S2 2015のMacyの基調講演をもとに作成
42.
計算社会科学の課題 • 人材育成・研究環境 • CSスキルを持った社会科学者、社会科学の知識を持ったCS研究者 •
学際的チーム型研究 • データ環境 • GAFAの独占 • 個人情報とプライバシー • Big DataからBig Questionへ • まずデータを取得し、探索的分析によって経験的事実やパターンを積 み重ね、新しい理論を作る(cf. ケプラーの法則) 43
Télécharger maintenant