انبوه - داده؛ تحول معرفت‌شناسی

انبوه - داده یکی از دستاوردهای مهم انقلاب فناوری اطلاعات و ارتباطات است که از حیث تاثیری که می‌تواند بر پژوهش‌های علمی بگذارد در این مقاله مورد توجه قرار گرفته است. در آنچه که به حوزه معرفت‌شناسی پژوهش‌های علمی مربوط می‌شود، دو گرایش عمده در این موضوع وجود دارد: یکی اینکه چنین پدیده‌ای به کنار گذاشتن تئوری از فرآیندهای پژوهش منجر می‌شود و دیگری در نقطه مقابل نقش تئوری‌ها را همچنان موثر می‌داند. انبوه - داده عبارت است از داده‌هایی که از گستره وسیعی از جریان فعالیت‌های اقتصادی، اجتماعی، زیست‌محیطی و... به‌صورت خودکار یا نیمه‌خودکار و با مشارکت فعال کاربران به وجود می‌آید. از شبکه‌های اجتماعی، وبگاه‌ها، وبلاگ‌ها، ژورنالیسم و «ردپای دیجیتال» افراد گرفته تا خدمات و تعاملات تجاری، اداری، فرهنگی، اجتماعی و... همگی عرصه‌ای پویا و گسترده را برای ایجاد انبوه - داده فراهم می‌کنند. انبوه - داده صرفاً حجم عظیم داده نیست؛ بلکه گستره وسیعی است که دارای تنوع، تکثر، سرعت، ارزش و انعطاف است. انبوه - داده زمینه دانش داده‌کاوی را فراهم کرده است که عبارت است از استخراج دانش‌های مفید از پایگاه‌های بزرگ داده یا از جریان داده‌ها که توسط روش‌های رایج، به‌دلیل گستردگی و پیچیدگی‌ آنها قابل‌مدیریت نیستند. به‌دلیل حجم بالا، تنوع و سرعت زیاد انبوه - داده فنون جدیدی برای تحلیل آنها ضروری است. انبوه - داده ویژگی لحظه‌ای بودن دارد و ازاین‌رو، مشکل زمان را در پیمایش‌ها حل می‌کند. این یکی از مهم‌ترین ویژگی‌های انبوه - داده است. انبوه- داده و علم داده -ران بحث از اگنوستیک را پیش روی ما می‌گشاید. «اگنوستیک» که اساساً نوعی «لاادری‌گری» یا ندانم‌گرایی است را می‌توان در ساحت معرفت‌شناسی به علم مستقل، علم بدون پیش‌فرض، یا علم قابل انطباق تعبیر کرد. در اگنوستیک ادعا بر این است که پیش‌فرضی ازسوی پژوهشگر وجود ندارد و می‌گوید که نمی‌دانم چه چیزی هست یا نیست، درست است یا غلط، حقیقت دارد یا ندارد. این مبنایی برای ورود به عرصه دانش است. علم داده - ران نیز بر همین ادعا استوار است. ازاین‌رو، این دو مفهوم مرتبط با معرفت‌شناسی را در کنار هم آورده‌ایم. ازآنجاکه داده‌های انبوه به‌خودی‌خود و بدون فرضیه یا تئوری ممکن است ما را در پژوهش علمی یاری دهند، بنابراین راه برای اقبال به اگنوستیسم فراهم می‌شود. به‌ویژه آنکه فناوری‌ها و روش‌هایی چون داده‌کاوی، یادگیری ماشین و هوش مصنوعی امکان پردازش داده‌های انبوه و استخراج الگوها را فراهم می‌کنند. این پدیده هنوز از حیث تاثیراتی که بر معرفت‌شناسی و نظریه‌پردازی دارد به‌اندازه کافی واکاوی نظری نشده است. مقاله حاضر، در پی بحث از همین ابعاد است.روش: در این مقاله با روشی تحلیلی نخست، چارچوبی مفهومی از چند مقوله اصلی برساخته می‌شود که شامل انبوه - داده، علم داده-ران، اگنوستیسم است. این سه مفهوم اصلی با یکدیگر در علوم فناوری‌های نوین و در علوم‌اجتماعی ارتباط دارند. این چارچوب مفهومی ازآن‌رو اهمیت دارد که با ترکیب علوم‌ داده‌ای، علوم ‌محاسباتی، علوم‌اجتماعی می‌تواند مبانی پارادایمی موجود را متحول کند و به تضعیف پارادایم علوم‌تجربی (پیشارنسانس)، علوم‌نظری (پیشارایانه) و علوم ‌محاسباتی (پیشاداده انبوه) که پس از رنسانس مسلط بوده است بینجامد (کیچین، 2014).نتایج: این مقاله استدلال می‌کند که انبوه - داده ظرفیت آن را دارد که تحولی عمده را در معرفت‌شناسی علوم‌اجتماعی پدید آورد. ازسویی پدیده انبوه - داده بازیگران جدیدی را که پژوهشگران سنتی علوم‌اجتماعی نیستند، وارد توسعه علمی و معرفت‌شناسی می‌کند که شامل فناوران حوزه اطلاعات و ارتباطات و نیز کارآفرینان اقتصادی می‌شود. ازسوی‌دیگر، نقش رشته‌های دانشگاهی و تئوری‌ها در توسعه علمی کاهش می‌یابد. علم داده- ران می‌تواند برنامه‌های پژوهشی را سامان‌دهی کند؛ به‌گونه‌ای‌که نقش نظریه‌ها و تقسیم‌بندی‌های رشته‌ای سنتی در دانشگاه را محدود نماید. پدیده انبوه - داده به فردگرایی روش‌شناختی  در علوم‌اجتماعی دامن می‌زند. ازاین‌رو، تجزیه‌وتحلیل سیاستی مبتنی بر ابزارهای فناوری اطلاعات  یا علوم‌اجتماعی محاسباتی  در معرض توجه بیشتری قرار گرفته است.بر‌اساس‌این، پایه‌های معرفت جدید بر درک فعالیت‌های خُرد فردی و فردگرایی روش‌شناختی بنا گذاشته می‌شود. «شناختِ ترکیبیِ فردمحور» امکان وقوع می‌یابد که حاصل سپهرهای گوناگون است. به‌‌دیگرسخن، شناخت بهتر فرد زمینه توسعه نظریه‌های فردمحور را امکان‌پذیر می‌کند. شناخت داده‌های متکثر، ضرورتاً به بی‌نیازی از نظریه نمی‌انجامد. تحلیل نظری گریبان انسان را رها نمی‌کند؛ زیرا این نظریه‌ها بخشی جداناشدنی از تجربه‌ها، سلیقه‌ها، ترجیحات و ادراکات روحی و روانی ما هستند. اما تحول اساسی اینجاست که نقش داده‌های خُردِ فردی و در مقیاس «نانورفتار» توسعه نظریه‌های فردمحور - داده‌محور را بیشتر می‌کند. به همین سان، نقش داده‌های فردی و نقش سوژه در شکل‌گیری نظریه بیش از نقش پژوهشگر - فاعلِ نظریه‌پرداز می‌شود؛ زیرا این داده‌ها به‌هرحال خود، کم‌و‌بیش سخن می‌گویند و نقش‌آفرینی بیشتری در فهم و در شکل‌گیری ذهن نظریه‌پرداز ایفا می‌کنند. نظریه‌های گوناگونی که از داده‌ها برمی‌آیند، بدینسان، از تعامل‌پذیری بیشتری برخوردارند؛ زیرا سهم هریک از عوامل و مولفه‌ها به‌صورت محسوس‌تری دیده شده و تصدیق می‌شود.ازاین‌رو، در نگاه نخست، زمینه برای تلفیق نظریه‌های گوناگون و شکل‌گیری کلان نظریه‌های «متناسب‌تر» بیش‌ازپیش فراهم می‌شود. به‌عنوان‌مثال، آنگاه که داده‌هایی طبقه‌بندی‌شده و شفاف از پدیده فقر و سهم ساختارها و رفتارها در آن شناسایی شود و آنگاه که داده‌هایی روشن و طبقه‌بندی‌شده از توانمندسازی انسان، از ابعاد گوناگون محیط‌زیست، از نقش سیاست دولتی در این زمینه‌ها، از عوامل موثر بر علم، فناوری و نوآوری در ابعاد و اجزای گوناگون و... به دست آید، زمینه برای نظریه‌پردازی‌های خُرد در هریک از این موضوعات و درنتیجه نظریه‌ای جامع فراهم می‌آید؛ البته در نگاه عمیق‌تر تحولی پارادایمی در توسعه دانش بدون رشته  فراهم می‌آورد که خود می‌تواند موجد اغتشاش نظری باشد.بحث و نتیجه‌گیری: اگرچه دقیقاً نمی‌توان گفت که نقش نظریهها پایان یافته است، اما این انقلاب وجوهی دارد که نقشی بنیانی در تغییر پارادایم دارد؛ ازطریق گسست فعالیت علمی از نظریه‌پردازی، با از بین بردن ساختار سلسلهمراتبی دانشمندان، با تضعیف ساختار رشتهای،  با توده‌ای کردن بازیگران دانش، با گسست تولید علم از زمینه رشته‌ای و از زمینه متخصصان، و با پدید آوردن دانش غیرتداومی.  تقسیم‌بندی رشته‌ای به‌دلیل غرق شدن در اقیانوسی از داده‌ها اهمیت خود را از دست داده یا اینکه حداقل متزلزل شده است. داده مستقل از رشته است و ازاین‌رو، همکاری بین‌رشته‌ای در فضای «شبه - اگنوستیکی» از علم می‌تواند بلاموضوع باشد.در علم در دست کارشناسان فنی، تکنیسین‌ها و نه ضرورتاً دانشمندان به‌صورت «آنارشیک» رشد می‌یابد. امروزه، تحولات نوآورانه‌ای در حوزه فناوری‌های نوین ازسوی جوانان (و گاه نوجوانانی)، که دوره‌های تحصیلات تکمیلی را نگذرانده‌اند، مشاهده می‌شود. مایکروسافت، اپل، فیسبوک، تلگرام، واتساپ و بسیاری دیگر ازاین‌دست توسط کسانی به عرصه نوآوری آمده‌اند که ابداع‌کنندگان اولیه اغلب «دانشمند» به معنای مصطلح نبوده‌اند و حتی گاه از دانشگاه ترک تحصیل کرده‌اند. این ابتکارات و ابداعات خود سرمنشا رشد علم بوده‌اند. نتیجه آنکه تحول علمی از محیط آکادمی به محیط کسب‌و‌کار آمده است. علم بیش از گذشته به بازار وابسته شده است و «دینامیسم» بازار سرمنشا «دینامیسم» علم شده است. فناوری اطلاعات چنین بستری را ازطریق تسهیل ارتباطات و ترکیب فناوری‌های گوناگون با یکدیگر زمینه جهش متقابل را فراهم کرده است و علم نه اینتردیسیپلینری است و نه دیسیپلینری بلکه بی‌دیسیپلین است و این می‌تواند کل ساختار پیشین از رنسانس به این سو را به هم زند.

big-data and epistemic change

big data is an important achievement of the ict revolution. in this article, big data is considered in terms of its impact on scientific research and the epistemology of knowledge. there are two main trends in this matter: one is that such a phenomenon leads to the abandonment of theory from research processes, and the other considers the role of theories to be still effective.what we consider regarding the epistemological transformation caused by big data is somewhat different from what is stated in the relevant literature. of course, it was presented in the critical analysis of researchers’ points of view. now we summarize it as follows:1- the traditional division of disciplines has lost its importance or at least has been weakened due to the ocean of data. data is independent of the field, and therefore interdisciplinary cooperation in the “agnostic” situation of science might be irrelevant. of course, we are not of the agnostic belief that theory has lost its importance in the big-data age, as chris anderson claims in his article “the end of theory: the data deluge makes the scientific method obsolete”. but without this agnostic approach, we can also accept that the role of theories, at least at the level of description, is greatly reduced, and therefore we can accept that data analysis is possible without disciplinary affiliation, and as a result, interdisciplinary collaborations are also shaky.2- data-driven science increases the role of correlation compared to causal theories and increases the role of researcher decision-making in the application of knowledge.  application means that a correlation is functionally important without depending on a specific discipline, and it can be used independently of any discipline; only to solve problems. the problems are not within the disciplines, but are located in the real world and impose themselves on us independently of the theories and disciplines. to solve a problem, numerous disciplines can be considered. these different perspectives mean that “a problem” is not dependent on any of these perspectives (disciplines). the problem of inflation can be seen from the perspective of economics, social psychology, political science, etc.