Vi har redan vant oss vid att vårt digitala fotavtryck kontinuerligt registreras, lagras någonstans och utvärderas. Detta har revolutionerat reklambranschen, och företag som Uber och Amazon använder våra data för att bli ännu effektivare. Diskussion om hur digitalisering påverkar våra liv, dock, är ofta begränsad till spekulationer om vad Google eller Facebook kan göra med denna data.

Trots de stora framstegen inom grundforskning, såsom taligenkänning och bildbehandling, framgångshistorier om befintliga big data -applikationer inom samhällsvetenskapen är knappa. Redan 2014, stora data rasade från "Peak of Inflated Expectations" till "Trough of Desillusionment" -fasen i Gartner Hype Cycle. Inom grundvetenskaperna, fokus ligger på de tekniska förutsättningarna för att effektivt registrera och lagra stora mängder data och bearbeta dem automatiskt. Artificiella intelligensmetoder som maskininlärning har stor potential här. Endast samhällsvetenskapen har hittills gynnats lite av detta, och till och med tycks tappa terräng mot andra discipliner. Jag märker att istället för att dra nytta av översvämningen av data för deras empiriska forskning, samhällsvetare överväldigas ofta av de möjligheter som dyker upp.

Tomrumsöppningen fylls av andra vetenskapliga discipliner - ingenjörer som samlar sensordata om individuell rörlighet, till exempel, och datavetare som extraherar statistiska modeller från sådana data. Detta datadrivna tillvägagångssätt för sociala fenomen kallas nu ofta för beräkningssocial vetenskap. Nyligen, man hade illusionen att samhällsvetenskapens klassiska tillvägagångssätt - hypoteser, modell, test - skulle bli föråldrad; istället, en ny form av samhällsvetenskap skulle dyka upp där teori ersätts med maskininlärning av sociala "lagar" från data.

Datavetenskap kan verkligen hjälpa till att besvara forskningsfrågor inom samhällsvetenskapen; men den kan inte utveckla sådana frågor av sig själv. "Upptäckten" av statistiska korrelationer kan inte ersätta det vetenskapliga klargörandet av orsakseffekter. För inom samhällsvetenskapen, frågor handlar inte bara om "vad", men också om "varför". Samhällsvetare är därför oumbärliga för att göra beräkningsvetenskap till en social.

Det som krävs är nya modeller för social interaktion som uttryckligen utvecklas med tanke på deras kalibrering och validering mot stora, tidigare otillgängliga datamängder. Detta kräver en ny metodisk expertis, och det är upp till universiteten att lära ut det. Vid ordförande för systemdesign, vi har tagit utmaningen genom att utveckla kurser om teorin om komplexa nätverk, agentbaserad modellering av sociala system och statistisk analys av sociala data.

Motsatsen gäller också:ingenjörsvetenskaperna kan dra nytta av samhällsvetenskapen. Tekniska system idag är beroende av den sociala dimensionen - deras användare. Det är inte möjligt att designa en smart energiförsörjning eller en gemensam plattform för mjukvaruutveckling utan att ta hänsyn till mänskligt beteende och sociala relationer- och det är precis här kärnkompetensen inom samhällsvetenskap ligger. En tvärvetenskaplig utbildning av ingenjörer och datavetenskapare efterlyses. Just nu, medan grunden för beräkningssocial vetenskap fortfarande läggs, Vi har chansen att arbeta tillsammans över gränserna. Jag är övertygad om att detta kommer att avgöra framgångarna för disciplinerna - på båda sidor.