![计算社会学 - [美]马修·萨尔加尼克（Matthew J. Salganik）](https://static.book345.com/covers/s/9787521701180.jpg)
书籍介绍
这本书最打动人的地方，不在于它许诺了一个用数据预测一切的宏大未来，而在于它诚实地告诉读者：大数据并不天然可靠。作者用大量真实研究案例，逐一拆解了海量、持续、不反应性等十个特征背后潜藏的问题——不完整、不具代表性、漂移、算法干扰。它真正独特的价值，是教会研究者如何在
作者简介
马修•萨尔加尼克（Matthew J. Salganik）
普林斯顿大学社会学教授，同时任职于该校的信息技术政策中心、数据与机器学习中心等。《科学》杂志评价他是“纯然的计算社会学家”。他的研究方向是社会网络、计算社会学。他的研究曾被微软、脸谱网和谷歌资助，并被《纽约时报》《华尔街日报》《经济学人》《纽约客》等主流媒体报道，美国公共广播电台还专题报道过他的研究成果。
AI导读
核心看点
- 阐述数字时代社会研究四大支柱：观察、提问、实验与协作。
- 详解大数据十大特征，辨析其对研究利弊及伦理挑战。
- 提供从传统到计算社会学的研究设计指南与真实案例。
读者共识
- 案例丰富且逻辑清晰，是入门计算社会学的佳作。
- 译文整体流畅，但部分敏感内容缺失影响完整性。
- 兼具学术严谨性与启发性，适合拓展研究视野。
精彩摘录
- "My favorite metaphor for this process was written by Dunn (1946) in the very first paragraph of the very first paper ever written on record linkage: "Each person in the world creates a Book of Life. This Book starts with birth and ends with death. Its pages are made up of records of the principal ev"
- "《贝尔蒙报告》认为，遵循有利化原则是研究人员对参与者的义务，它涉及两部分：（1）不伤害，（2）最大程度保障有利及最小程度造成伤害（如果无法避免）。"
- "If you care about changing minds, then your research should be simple...Simple research comes from a natural fit between question and data; in other words, good research design...Research design is about connecting questions and answers."
- "利于研究——海量性，持续性，不反应性。 不利于研究——不完整性，难以获取，不具代表性，漂移，算法干扰，脏数据，敏感性。"
- "1、验证两个互相矛盾的理论预测的正误。 2、介于大数据资源的临近预测能够为研究者提供更好的评估信息。 3、有助于帮助研究者在不开展实验的情况下进行因果推断。"
- "This book began in 2005 in a basement at Columbia University. At the time, I was a graduate student, and I was running an online experiment that would eventually become my dissertation. I’ll tell you all about the scientific parts of that experiment in chapter 4, but now I’m going to tell you about "
- "In each case, the change from analog to digital means that more data about you are being captured and stored digitally."
- "如果你将社会研究看作询问和回答有关人类行为问题的过程，那么研究设计就是“结缔组织”，它能将问题和答案联系起来。而建立正确的联系是设计出令人信服的研究的关键。本书将重点介绍4种方法：观察行为、提问、开展实验以及与他人合作。"
目录
用户评论
虽然是学术书，但案例非常丰富，作为入门读物也挺有趣
然后得一点一点摸索，一点一点完善知识结构。路漫漫……希望本科毕业前能搞出一份相关研究来。
清晰流畅，教科书一般，作为案例的论文和研究很具代表性，可作延伸阅读。
传统统计学与社会学的结合，与今日读的《为什么》进行比较阅读，在提及的对象样本相同的情况下，(吸烟，流行病学等例)，两本书在思维方法上的差异非常明显。如何问问问题，果然会导致答案的不同，答案不同，解释的成因也就不同。
材料很丰富，引人展开可能性的想象。翻译也非常流畅。
作为跨学科研究的，这本书的视角和我做数据出身的更相似。但不得不说，传统的统计学和因果推断的研究核心始终是在方差分解上，为了解决这个问题，我们用了rct，为了解决这个问题我们在观察性研究中用了did用了iv和late. 但 late 反而也问出了一个问题，依从者的结果到底应该怎么推断？这就变成了第二套统计学的问题，怎么分组？
回到这本书，这本书好就好在他属于相对保持中立的一个视角，承认ml的优势也承认ci的传统逻辑。并且给了比较明确的研究边界，这个是很多方法论书籍不太好的地方。
这本书除了统计的设计还讨论了很多额外的事情，比如分布式，这也算是统计设计的一个意外之喜，原来他不仅仅可以做试验还可以做实验。一下子就把cross sectional的东西变成了parallel computing 了
计算社会科学入门必读。
@2019-12-15 14:04:35
作为一本方法书其实和读之前想象的不大一样，虽然基于big data但重点还是实验/调查的social science methodology，至于case稍显过时这可能是因为CSS和CS学科一样在实践层面上突飞猛进。心得（1.原来Duncan Watts是作者导师而Han Zhang是作者学生（译本中他的研究被和谐），并且引用了Kenneth Benoit的研究贵圈比想象中还要小，（2.无论演绎归纳抑或预测，复杂系统和网络科学是不是这学科兜兜转转的归宿？在本书中我没找到明确的答案。
补标 很系统的入门书 看完对基本研究逻辑清晰了不少
下载
收藏