نشست تخصصی «الگوریتم های هوش‌‌مصنوعی‌و‌کاربردهای ‌آن در علوم اجتماعی» در تاریخ نهم اردیبشهت ۱۴۰۴ برگزار شد

نشست تخصصی تحت عنوانِ «الگوریتم های هوش‌‌مصنوعی‌و‌کاربردهای ‌آن در علوم اجتماعی» از سوی گروه جامعه شناسی مسائل اجتماعی وابسته به موسسه تحقیقات اجتماعی دانشگاه تبریز در تاریخ نهم اردیبشهت 1404 برگزار شد.
در این نشست دکتر محمد عباس زاده استاد تمام گروه علوم اجتماعی دانشگاه تبریز به همراه آقای فیروز غضنفری دانشجوی دکتری رشته جامعه شناسی به طرح مباحثی چند در خصوص کاربرد الگوریتم های هوش مصنوعی در تحقیقات علوم اجتماعی پرداختند.در ادامه به خلاصه ای از این بحث اشاره می شود:

تحقیقات علوم اجتماعی همواره با پیچیدگی‌هایی چون چندبعدی بودن داده‌ها، تنوع فرهنگی، و ماهیت کیفی پدیده‌های انسانی روبه‌رو بوده است. ظهور هوش مصنوعی و به‌ویژه یادگیری ماشینی، تحول چشم‌گیری در این حوزه ایجاد کرده است. الگوریتمهای هوش مصنوعی (AI)، به‌طور فزایندهای در تحقیقات علوم اجتماعی مورد استفاده قرار میگیرند و امکان تحلیل داده‌های پیچیده، شناسایی الگوها و پیشبینی رفتارهای اجتماعی را فراهم میکنند. الگوریتم‌های یادگیری ماشین، دریچه‌ای نو به تحلیل پدیده‌های اجتماعی گشوده‌اند. این الگوریتم‌ها می‌توانند مکمل روش‌های سنتی علوم اجتماعی باشند و تحلیل‌های دقیق‌تر و جامع‌تری ارائه دهند. با این حال، موفقیت در کاربرد این روش‌ها نیازمند درک دقیق از مفاهیم نظری، ماهیت داده‌های اجتماعی و تفسیر انسانی نتایج است.

انواع الگوریتم‌های یادگیری و کاربردهای آن‌ها در مطالعات علوم اجتماعی :

در زمینه هوش مصنوعی، الگوریتم (Algorithm)‌ها نقش حیاتی در پیاده‌سازی روش‌های جست‌وجو، یادگیری، استنتاج و تصمیم‌گیری ایفا می‌کنند.​ محاسبه(Computation)، در زمینه‌های مختلف، از پردازش داده‌های ساده گرفته تا شبیه‌سازی پیچیده‌ترین فرآیندهای شناختی، انجام می‌شود. یادگیری نظارت‌شده (Supervised Learning)، در این روش، مدل با استفاده از داده‌های برچسب‌دار آموزش می‌بیند تا بتواند خروجی‌های جدید را پیش‌بینی کند. الگوریتم‌های معروف در این دسته شامل رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم و ماشین بردار پشتیبان (SVM) هستند. یادگیری بدون نظارت (Unsupervised Learning)، در این رویکرد، مدل به‌دنبال کشف الگوها و ساختارهای پنهان در داده‌های بدون برچسب است. الگوریتم‌هایی مانند خوشه‌بندی (Clustering) و تحلیل مؤلفه‌های اصلی (PCA) در این دسته قرار می‌گیرند. مثال: خوشه‌بندی مشتریان بر اساس رفتار خرید. یادگیری تقویتی (Reinforcement Learning)، یک عامل (Agent) با تعامل با محیط و دریافت پاداش یا جریمه، سیاست بهینه برای تصمیم‌گیری را می‌آموزد. مثال: آموزش ربات برای راه رفتن یا برنده شدن در یک بازی. تعریف یادگیری عمیق (Deep Learning)، این روش قادر است ویژگی‌های سطح بالا را به صورت خودکار استخراج کرده و در وظایفی مانند تشخیص تصویر، گفتار و زبان عملکرد بسیار خوبی ارائه دهد. یادگیری ماشین (Machine Learning)، در این رویکرد پژوهشگران با بهره‌گیری از داده‌های بزرگ (Data Big)، الگوهای پنهان در رفتارهای اجتماعی را کشف و تبیین کنند. الگوریتم‌های یادگیری ماشین مانند رگرسیون لجستیک یا شبکه‌های عصبی، می‌توان رفتارهایی مانند مشارکت انتخاباتی

سایر کاربردهای مهم الگوریتم‌های هوش مصنوعی در تحقیقات علوم اجتماعی:

الگوریتم‌های پردازش زبان طبیعی (NLP) مانند BERT یا GPT برای تحلیل نظرات، احساسات و گرایش‌های کاربران در پلتفرم‌هایی مانند توییتر، فیسبوک و اینستاگرام استفاده می‌شوند. مثلاً: ردیابی تغییرات افکار عمومی نظرسنجی‌ها درباره مسائل سیاسی یا اجتماعی. شناسایی بحث‌های داغ (#هاشتگها) مرتبط با بحران‌های اجتماعی.

تحلیل متون کیفی (مصاحبه‌ها و اسناد تاریخی): الگوریتم‌های تشخیص موضوع  (Topic Modeling) مانند LDA برای استخراج مفاهیم اصلی از متون کیفی (مصاحبه‌ها، مقالات،کتابها) استفاده می‌شوند. مثال: شناسایی موضوعات غالب در دیالوگ‌های مربوط به نابرابری جنسیتی.

شبیه‌سازی‌های عامل-محور: (Agent-Based Modeling)، شبیه‌سازی تعاملات بین افراد در محیطهای مجازی برای درک پدیدههایی مانند گسترش شایعات یا رفتار جمعی در بحرانها. پیشبینی نتایج انتخابات بر اساس تحلیل نظرسنجی‌ها و داده‌های تاریخی از طریق مدلسازی عامل-محور با استفاده بسته نرم افزاری  NetLogo.

الگوریتم‌های خوشه‎‌بندی (Clustering) مانند K-Means یا DBSCAN برای گروه‌بندی جمعیت بر اساس ویژگی‌های اقتصادی، رفتاری یا فرهنگی به کار می‌روند.

تحلیل روایت: (Narrative Analysis)، ابزارهای NLP برای شناسایی ساختار روایی در داستانهای شخصی یا رسانهها.

عدالت الگوریتمی: (Algorithmic Fairness)، الگوریتم‌ها برای تشخیص تبعیض در سیستمهای حقوقی، استخدامی یا آموزشی مورد استفاده قرار می‌گیرند. مثال: شناسایی سوگیریها و نابرابری‌های نژادی در داده‌های پلیس با استفاده از درخت تصمیم.

 تحلیل شکاف‌های اقتصادی: الگوریتم‌های تشخیص الگو برای بررسی توزیع منابع در شهرها یا مناطق مختلف.

تحلیل تصاویر و ویدئوها : مطالعات فرهنگی و رسانه‌ای: الگوریتم‌های بینایی ماشین (Computer Vision) برای تحلیل محتوای بصری (مثلاً تبلیغات، فیلمها یا اعتراضات خیابانی) استفاده می‌شوند. مثال: بررسی بازنمایی جنسیت در تبلیغات تلویزیونی با استفاده از تشخیص چهره.  

چالش‌ها، ملاحظات اخلاقی و سوگیری در داده‌ها (Bias):، داده‌های آموزشی ممکن است انعکاس سوگیریهای موجود در جامعه باشند و نتایج را تحریف کنند.

حریم خصوصی: استفاده از داده‌های شخصی بدون رضایت آگاهانه می‌تواند مشکلات اخلاقی ایجاد کند.

 تفسیرپذیری(Interpretability)، برخی مدلهای پیچیده (مانند شبکه‌های عصبی) به‌عنوان "جعبه سیاه" عمل می‌کنند و تفسیر نتایج آنها دشوار است.  استفاده از NLP برای بررسی توییت‌های مرتبط با جنبش‌های اجتماعی

 ابزارها و فناوری‌های رایج : پایتون و کتابخانه‌هایی آن مانند scikit-learn، TensorFlow و NLTK.

پلتفرم‌های تحلیل متن: Voyant Tools، MAXQDA (با قابلیت‌های AI).

مدل ساختاری نورون و شبکه‌های عصبی