Nous nous sommes déjà habitués au fait que notre empreinte numérique est enregistrée en continu, stocké quelque part et évalué. Cela a révolutionné l'industrie de la publicité, et des entreprises comme Uber et Amazon utilisent nos données pour être encore plus efficaces. Discussion sur la façon dont la numérisation affecte nos vies, cependant, se limite souvent à des spéculations sur ce que Google ou Facebook pourraient faire avec ces données.

Malgré les grands progrès de la recherche fondamentale, comme la reconnaissance vocale et le traitement d'images, Les exemples de réussite des applications de mégadonnées existantes dans les sciences sociales sont rares. Dès 2014, les mégadonnées ont chuté du « pic des attentes exagérées » au « creux de la désillusion » dans le cycle de battage médiatique de Gartner. Dans les sciences fondamentales, l'accent est mis sur les prérequis techniques pour enregistrer et stocker efficacement de grandes quantités de données et les traiter automatiquement. Les méthodes d'intelligence artificielle telles que l'apprentissage automatique ont un grand potentiel ici. Seules les sciences sociales en ont peu bénéficié jusqu'à présent, et semblent même perdre du terrain au profit d'autres disciplines. Je constate qu'au lieu de profiter du flot de données pour leurs recherches empiriques, les chercheurs en sciences sociales sont souvent dépassés par les opportunités qui se présentent.

Le vide qui s'ouvre est comblé par d'autres disciplines scientifiques - ingénieurs collectant des données de capteurs sur la mobilité individuelle, par exemple, et des informaticiens extrayant des modèles statistiques de ces données. Cette approche axée sur les données des phénomènes sociaux est maintenant souvent appelée science sociale computationnelle. Récemment, on avait l'illusion que l'approche classique des sciences sociales – hypothèse, maquette, test – deviendrait obsolète ; au lieu, une nouvelle forme de science sociale émergerait dans laquelle la théorie serait remplacée par l'apprentissage automatique des « lois » sociales à partir des données.

La science des données peut en effet aider à répondre aux questions de recherche en sciences sociales; mais il ne peut pas développer de telles questions par lui-même. La "découverte" des corrélations statistiques ne peut remplacer la clarification scientifique des effets de causalité. Car dans les sciences sociales, les questions ne portent pas seulement sur « quoi », mais aussi sur le "pourquoi". Les chercheurs en sciences sociales sont donc indispensables pour faire de la science computationnelle une science sociale.

Ce qu'il faut, ce sont de nouveaux modèles d'interaction sociale qui sont expressément développés en gardant à l'esprit leur étalonnage et leur validation par rapport à de grandes, quantités de données auparavant indisponibles. Cela appelle une nouvelle expertise méthodologique, et c'est aux universités de l'enseigner. À la Chaire de conception de systèmes, nous avons relevé le défi en développant des cours sur la théorie des réseaux complexes, modélisation à base d'agents des systèmes sociaux et analyse statistique des données sociales.

L'inverse est également vrai :les sciences de l'ingénieur peuvent bénéficier des sciences sociales. Les systèmes techniques d'aujourd'hui dépendent de la dimension sociale – leurs utilisateurs. Il n'est pas possible de concevoir un approvisionnement énergétique intelligent ou une plate-forme partagée pour le développement de logiciels sans tenir compte du comportement humain et des relations sociales - et c'est exactement là que se trouvent les compétences de base en sciences sociales. Une formation interdisciplinaire d'ingénieurs et d'informaticiens est souhaitée. À l'heure actuelle, alors que les fondements de la science sociale computationnelle sont encore en train d'être posés, Nous avons la chance de travailler ensemble au-delà des frontières. Je suis convaincu que cela déterminera le succès des disciplines – des deux côtés.