{"id":948,"date":"2020-11-07T09:26:50","date_gmt":"2020-11-07T12:26:50","guid":{"rendered":"https:\/\/www.ufrgs.br\/blogdoifch\/?p=948"},"modified":"2020-11-07T09:26:52","modified_gmt":"2020-11-07T12:26:52","slug":"o-papel-da-sociologia-na-era-do-big-data","status":"publish","type":"post","link":"https:\/\/www.ufrgs.br\/blogdoifch\/o-papel-da-sociologia-na-era-do-big-data\/","title":{"rendered":"O papel da Sociologia na era do Big Data"},"content":{"rendered":"\n

Por Harlon Romariz<\/strong>, doutorando no PPG em Sociologia da UFRGS. <\/p>\n\n\n\n

Com o crescente processo de digitaliza\u00e7\u00e3o da vida e da conectividade tornou-se poss\u00edvel o registro de uma alt\u00edssima quantidade de dados que, com a redu\u00e7\u00e3o e simplifica\u00e7\u00e3o da sua dimensionalidade, criou um momento informacional novo sobre a realidade humana e natural. O Big Data \u00e9 fruto da digitaliza\u00e7\u00e3o massiva, da larga e crescente disponibilidade tecnol\u00f3gica em modo online (ROBERTSON; TRAVAGLIA, 2019).<\/p>\n\n\n\n

\"Infraestrutura<\/figure>\n\n\n\n

Estamos a todo tempo interagindo com computadores, smartphones, tablets; carros e eletrodom\u00e9sticos conectados; sensores; tecnologias de monitoramento, georreferenciamento, entre muitos outros. Toda essa intera\u00e7\u00e3o \u00e9 pass\u00edvel de registro, gerando dados massivos sobre quase todas as \u00e1reas da atividade humana. Isso inclui coment\u00e1rios na rede social, uso do cart\u00e3o de cr\u00e9dito, pesquisas na internet, conversas, padr\u00f5es de cheiros comprados na farm\u00e1cia, gosto musical, o trajeto da caminhada vespertina, batimentos card\u00edacos e muito mais. Quanto maior a variedade de equipamentos com o qual interagimos e quanto maior a conex\u00e3o, mais dados s\u00e3o gerados. Al\u00e9m disso, gra\u00e7as a mecanismo de intelig\u00eancia artificial foi poss\u00edvel estruturar e disponibilizar uma inumer\u00e1vel quantidade de textos e imagens produzidos antes da era digital.<\/p>\n\n\n\n

Um novo tipo de dado, uma nova forma de an\u00e1lise<\/strong><\/p>\n\n\n\n

Essa disponibilidade de dados exige uma forma espec\u00edfica de an\u00e1lise, que n\u00e3o se iguala \u00e0s cl\u00e1ssicas formas de pesquisa amostral. S\u00e3o dados que exigem uma expertise espec\u00edfica e que, sob mecanismos de aprendizagem de m\u00e1quina geram uma capacidade de informa\u00e7\u00e3o e previs\u00e3o de acontecimentos de uma maneira singular na hist\u00f3ria humana. Essa situa\u00e7\u00e3o permite aos setores privados e p\u00fablicos uma capacidade informacional, de previs\u00e3o e de interven\u00e7\u00f5es que n\u00e3o se tinha antes. \u201cEst\u00e1 surgindo um campo que alavanca a capacidade de coletar e analisar dados em uma escala que pode revelar padr\u00f5es de comportamento individual e de grupo\u201d (LAZER, 2009, p. 721, tradu\u00e7\u00e3o livre).<\/p>\n\n\n\n

Esse emergente paradigma informacional afetou todas as \u00e1reas profissionais, pois o big data e a intelig\u00eancia artificial permitem um alto n\u00edvel de monitoramento da realidade, o que garante tomadas de decis\u00f5es mais complexas e acertadas. No setor p\u00fablico, essas tecnologias foram primeiramente empregadas para a \u00e1rea militar e de seguran\u00e7a, hoje, em diversos setores das pol\u00edticas p\u00fablicas utiliza-se crescentemente esses recursos.<\/p>\n\n\n\n

A estat\u00edstica e as t\u00e9cnicas de amostragem foram e ainda s\u00e3o um recurso amplamente utilizados para conhecimento do mundo, infer\u00eancias, explica\u00e7\u00f5es e meio para tomadas de decis\u00f5es. Como apontam McFarland, Lewis e Goldberg (2016) isso foi e \u00e9 amplamente utilizado por v\u00e1rias \u00e1reas do conhecimento, inclusive pela sociologia. De forma mais ou menos intensa entre os pa\u00edses, os(as) soci\u00f3logos(as) passaram a incorporar e a desenvolver metodologias quantitativas em suas pesquisas. Esses autores, entretanto, apontam para um novo momento, que vai tensionar o paradigma da amostra. O pequeno dado, geralmente de car\u00e1ter amostral possui diversas vantagens, mas tamb\u00e9m limita\u00e7\u00f5es, como custo, opera\u00e7\u00e3o e alcance. Esse modo relaciona-se com o ciclo cl\u00e1ssico de pesquisa, que envolve hip\u00f3teses baseadas na teoria e em observa\u00e7\u00f5es qualitativas, amostragem, coleta controlada de dados, testes e generaliza\u00e7\u00f5es. Esse esquema n\u00e3o \u00e9 totalmente aplic\u00e1vel para o tipo de informa\u00e7\u00e3o do big data.<\/p>\n\n\n\n

Big data representa o surgimento de uma nova classe de dados recolhidos de registros digitais de uma gama estonteante de fen\u00f4menos sociais. Os dados n\u00e3o s\u00e3o apenas grandes, mas ricos (din\u00e2micos e massivamente multivariados), e muitas vezes dizem respeito \u00e0 forma e ao conte\u00fado das comunica\u00e7\u00f5es (links e textos). Antigas t\u00e9cnicas anal\u00edticas s\u00e3o frequentemente inaplic\u00e1veis. Como resultado, h\u00e1 demanda por novos m\u00e9todos que reduzam e simplifiquem a dimensionalidade dos dados, identifiquem novos padr\u00f5es e rela\u00e7\u00f5es (etnografia computacional, lingu\u00edstica computacional, ci\u00eancia de rede), que prevejam resultados (aprendizado de m\u00e1quina) e implementem experimentos in situ<\/em> que revelem como podemos alterar a a\u00e7\u00e3o nas dire\u00e7\u00f5es desejadas. (MCFARLAND; LEWIS; GOLDBERG, 2016, p. 31, tradu\u00e7\u00e3o livre).<\/p>\n\n\n\n

            Este novo tipo de dado e as tecnologias de intelig\u00eancia artificial implicadas nas an\u00e1lises, em especial de machine learning, est\u00e3o promovendo um momento divisor de \u00e1guas para as ci\u00eancias sociais. Primeiro, porque demanda dos cientistas sociais uma busca por conhecer essa nova realidade e os mecanismos concernentes do processo. Segundo, porque disputar\u00e1 narrativas e espa\u00e7o legitimado no debate p\u00fablico, nas tomadas de decis\u00f5es e sobre as interpreta\u00e7\u00f5es da realidade social.<\/p>\n\n\n\n

Quadro 01 \u2013 Compara\u00e7\u00e3o de distintas culturas de pesquisa<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Fonte: MCFARLAND; LEWIS; GOLDBERG, 2016, p. 25, tradu\u00e7\u00e3o livre.<\/p>\n\n\n\n

As \u00e1reas cient\u00edficas especializadas e a ci\u00eancia computacional e\/ou \u00e1rea de Tecnologia da Informa\u00e7\u00e3o possuem culturas profissionais e cient\u00edficas diferentes de pesquisar\/questionar. Podem at\u00e9 possuir dados similares e questionamentos finais similares (Ex.: O que explica esse comportamento social?), mas adotam caminhos e perspectivas diferentes. No entanto, essas diferen\u00e7as n\u00e3o impedem uma converg\u00eancia de \u00e1reas, mas exige desses profissionais uma m\u00fatua abertura e compreens\u00e3o da especificidade dessas culturas. Com o fim de tornar essa massiva quantidade de dados em algo intelig\u00edvel e socialmente produtivo.<\/p>\n\n\n\n

Fonte: MCFARLAND; LEWIS; GOLDBERG, 2016, p. 25, tradu\u00e7\u00e3o livre.<\/p>\n\n\n\n

Para alguns pesquisadores da \u00e1rea (MCFARLAND; LEWIS; GOLDBERG, 2016; LUO, 2019), a converg\u00eancia e a uni\u00e3o do trabalho pode evitar uma demasiada influ\u00eancia das \u00e1reas computacionais sobre o fazer sociol\u00f3gico. Isso deve for\u00e7ar os soci\u00f3logos a desenvolverem novas habilidades e a se conectar com as novas tecnologias e metodologias. Igualmente importante, essa aproxima\u00e7\u00e3o pode evitar uma diminui\u00e7\u00e3o do papel da teoria a uma situa\u00e7\u00e3o secund\u00e1ria, contornando an\u00e1lises fragmentadas e desunificadas da realidade social.<\/p>\n\n\n\n

Desafia-se o pensar e compreender da realidade social a partir da diversidade de expertises, conhecimentos, habilidades, campos de atua\u00e7\u00e3o. Dessa forma, a sociologia e as ci\u00eancias sociais como um todo podem desempenhar importante papel nessas redes institucionais de pesquisa, contribuindo sobretudo com seu olhar mais te\u00f3rico e explicativo.<\/p>\n\n\n\n

A import\u00e2ncia da teoria<\/strong><\/p>\n\n\n\n

            Apesar da grande potencialidade do big data e das aplica\u00e7\u00f5es de intelig\u00eancia artificial, h\u00e1 uma clara necessidade de bases explicativas para os resultados de data mining e machine learning (LUO, 2019). Trata-se em sua maioria de dados desestruturados, obtidos sem um desenho de pesquisa pr\u00e9vio ou amostragem tradicional, isso n\u00e3o seria um problema em si, mas um condicionante.<\/p>\n\n\n\n

            Coloca-se ent\u00e3o a necessidade de um di\u00e1logo tri\u00e1dico entre an\u00e1lise de big datas, teoria e modelo preditivos (LUO, 2019) isso porque<\/p>\n\n\n\n

Em outras palavras, big data e data mining n\u00e3o podem independentemente gerar infer\u00eancias dos seus resultados, podem apenas fazer predi\u00e7\u00f5es pragm\u00e1ticas de um tempo e espa\u00e7o limitados. \u00c9 a dedu\u00e7\u00e3o te\u00f3rica que ajuda-nos fazer mais amplas infer\u00eancias e estender a dire\u00e7\u00e3o da an\u00e1lise de big data em repetidas vezes dentro do di\u00e1logo tri\u00e1dico […] e assim melhorar continuamente teorias das ci\u00eancias sociais, obter melhores modelos preditivos, e inferir novos fen\u00f4menos em um largo campo de possibilidades. (LOU, 2019, p. 03, tradu\u00e7\u00e3o livre).<\/p>\n\n\n\n

A gera\u00e7\u00e3o de hip\u00f3teses, baseada na teoria e em observa\u00e7\u00f5es emp\u00edricas (sobretudo qualitativas) poder\u00e1 ser cada vez mais orientada, tamb\u00e9m, por uma an\u00e1lise pr\u00e9via dos dados e por padr\u00f5es encontrados por intelig\u00eancia artificial. No paradigma do big data previsibilidade e utilidade s\u00e3o os par\u00e2metros. Entendimento e explica\u00e7\u00f5es s\u00e3o superficiais. N\u00e3o se trata de negar a import\u00e2ncia da utilidade do machine learning em diversas aplica\u00e7\u00f5es no mundo privado e p\u00fablico. No entanto, n\u00e3o se pode encerrar nisso, sobretudo para a compreens\u00e3o de quest\u00f5es sociais e de pol\u00edticas p\u00fablicas.<\/p>\n\n\n\n

H\u00e1 hoje tentativas de desenvolvimento de algoritmos que sejam capazes n\u00e3o apenas de prever, mas de explicar a previs\u00e3o. Mesmo que isso seja alcan\u00e7ado um dia, n\u00e3o se elimina o papel da reflexividade, da criticidade em rela\u00e7\u00e3o aos dados e principalmente, de como relacionar esses resultados com uma compreens\u00e3o maior e te\u00f3rica da realidade. Assim, os resultados alcan\u00e7ados pela machine learning podem ser vistos como \u2018explica\u00e7\u00f5es potenciais\u2019. Essa postura torna ainda atual as cl\u00e1ssicas reflex\u00f5es de Bourdieu (2009) sobre a necessidade de criticidade e reflexividade sobre todo o processo de pesquisa e explica\u00e7\u00e3o da realidade social, desde as concep\u00e7\u00f5es, meios, at\u00e9 suas conclus\u00f5es.<\/p>\n\n\n\n

\u00c9 importante reconhecer que dados massivos possuem alto vi\u00e9s na sele\u00e7\u00e3o de indiv\u00edduos. Qu\u00e3o representativos s\u00e3o de fato esses dados? Como um olhar cient\u00edfico e questionador pode contribuir no destrinchar desses dados e na real compreens\u00e3o de suas potencialidades explicativas da vida social? Por conseguinte, quais as concep\u00e7\u00f5es e perspectivas, muitas vezes n\u00e3o descortinadas, que permeiam o olhar anal\u00edtico das diversas culturas de pesquisa? Para McFarland, Lewis e Goldberg (2016) os engenheiros, em geral, aproximam-se de problemas sem mais preocupa\u00e7\u00f5es te\u00f3ricas e tacitamente aplicam mecanismos de aprendizagem de m\u00e1quina. Uma converg\u00eancia de \u00e1reas e uma troca produtiva de culturas de pesquisa pode ser uma solu\u00e7\u00e3o eficiente e amplificadora da capacidade do big data e das ferramentas de intelig\u00eancia artificial.<\/p>\n\n\n\n

Em suma, os dados e m\u00e9todos adotados na an\u00e1lise de big data nos fornecem algum caminho para uma zona de com\u00e9rcio atrav\u00e9s de procedimentos n\u00e3o-te\u00f3ricos, aplicados e indutivos, por um lado, e procedimentos dedutivos de teste de hip\u00f3teses, orientados pela teoria e focados na explica\u00e7\u00e3o, por outro. A ci\u00eancia social forense tece essas abordagens – nem oferecendo uma perspectiva puramente indutiva nem puramente dedutiva. Talvez o influxo da computa\u00e7\u00e3o e do big data pressione as ci\u00eancias sociais nessa dire\u00e7\u00e3o, trazendo de volta um n\u00edvel de aplica\u00e7\u00e3o pr\u00e1tica e acelerando os ciclos de teste e explora\u00e7\u00e3o de hip\u00f3teses. (MCFARLAND; LEWIS; GOLDBERG, 2016, p. 31, tradu\u00e7\u00e3o livre).<\/p>\n\n\n\n

            Todas essas demandas implicam em um reposicionamento das ci\u00eancias sociais frente aos citados desafios. Isso inclui pensar num ajuste do papel da sociologia no mundo cient\u00edfico e no debate p\u00fablico, o que imp\u00f5e novas demandas, forma\u00e7\u00f5es e reestrutura\u00e7\u00f5es em um per\u00edodo j\u00e1 t\u00e3o desafiador para as ci\u00eancias sociais.<\/p>\n\n\n\n

Duplo papel da sociologia<\/strong><\/p>\n\n\n\n

Papel da sociologia \u00e9 duplo: (I) propor reflex\u00f5es sobre a din\u00e2mica do Big Data, as implica\u00e7\u00f5es dessa nova era de informa\u00e7\u00f5es na vida social, refletir sobre as consequ\u00eancias sociais e pol\u00edticas do ac\u00famulo de dados, uso de intelig\u00eancia artificial para induzir comportamentos, entre in\u00fameros debates correlacionados, como s\u00e9rias quest\u00f5es \u00e9ticas e de privacidade[1]<\/a>. (II) A segunda tarefa \u00e9 passar a propor problemas de pesquisas a partir dessa enorme e escal\u00e1vel quantidade de dados. Isso implica em aprender e manejar ferramentas computacionais de intelig\u00eancia artificial para gerar informa\u00e7\u00f5es, \u2013 muitas imposs\u00edveis no modo anal\u00f3gico e\/ou amostral \u2013 para desbravar os dados, encontrar padr\u00f5es, para ent\u00e3o, gerar hip\u00f3teses e explica\u00e7\u00f5es da l\u00f3gica social. \u201cEste \u2018admir\u00e1vel mundo novo\u2019 exige uma nova imagina\u00e7\u00e3o sociol\u00f3gica igualmente corajosa se quiser acompanhar o paradigma de big data em sua expans\u00e3o e suas consequ\u00eancias inevit\u00e1veis.\u201d (ROBERTSON; TRAVAGLIA, 2019, tradu\u00e7\u00e3o livre). N\u00e3o significa excluir do fazer sociol\u00f3gico a pesquisa qualitativa e quantitativa tradicional, mas de articular modos, culturas epist\u00eamicas e perspectivas.<\/p>\n\n\n\n

Considera\u00e7\u00f5es finais<\/strong><\/p>\n\n\n\n

            A era do Big Data e das metodologias computacionais deve ser encarada de forma propositiva e incorporada no fazer sociol\u00f3gico, em \u00e2mbito acad\u00eamico e profissional. A potencialidade te\u00f3rica das ci\u00eancias sociais pode encontrar no big data e na intelig\u00eancia artificial\/computacional uma alavanca para ampliar suas conclus\u00f5es e explica\u00e7\u00f5es da realidade social. Muitas teorias sociais n\u00e3o puderam ser melhor evidenciadas gra\u00e7as a aus\u00eancia ou dificuldade de obten\u00e7\u00e3o de dados. Teorias macro e de largo alcance possuem esse desafio. Essa massiva e quase universal quantidade de dados e inovadores m\u00e9todos de an\u00e1lises pode significar uma oportunidade de crescimento te\u00f3rico no m\u00e9dio prazo. Isso implica, simultaneamente, no avan\u00e7o do fazer te\u00f3rico e no desenvolvimento e apropria\u00e7\u00e3o desses recursos computacionais aplic\u00e1veis a grandes quantidade de dados.<\/p>\n\n\n\n

[\u2026] a introdu\u00e7\u00e3o do big data pode ampliar as fronteiras das teorias cient\u00edficas sociais […] no sentido de entender como comportamentos individuais est\u00e3o integrados aos comportamentos coletivos, transformando campos de for\u00e7as para o n\u00edvel macro, e especialmente em como fen\u00f4menos emergentes s\u00e3o produzidos em um complexo sistema social e finamente abordar transforma\u00e7\u00f5es n\u00e3o lineares do sistema. (LOU, 2019, p. 19, tradu\u00e7\u00e3o livre).<\/p>\n\n\n\n

            Trata-se de ricas possibilidades, mas que simultaneamente implicam em desafios ainda de dif\u00edcil mapeamento, que demandar\u00e3o esfor\u00e7o, constru\u00e7\u00e3o e adapta\u00e7\u00e3o tanto dos cientistas sociais quanto daqueles que hoje estruturam e manejam esse universo de dados.<\/p>\n\n\n\n

Refer\u00eancias<\/strong><\/p>\n\n\n\n

BOURDIEU, Pierre. O poder simb\u00f3lico<\/strong>. 12. ed. Rio de Janeiro: Bertrand Brasil, 2009. Cap\u00edtulo II: Introdu\u00e7\u00e3o a uma sociologia reflexiva.<\/p>\n\n\n\n

LAZER, David. et al. Computational Social Science. Science<\/strong>, v. 323. 2009. DOI: 10.1126\/science.1167742.<\/p>\n\n\n\n

LUO, Jar-Der. et al. Big data research guided by sociological theory: a triadic dialogue among big data analysis, theory, and predictive models. The Journal of Chinese Sociology<\/strong>, v. 6, n. 11, p. 1-19. 2019. DOI: 10.1186\/s40711-019-0102-4.<\/p>\n\n\n\n

McFARLAND, Daniel; LEWIS, Kevin; GOLDBERG, Amir. Sociology in the Era of Big Data: the ascent of Forensic Social Science. The American Sociologist<\/strong>, n. 47, p. 12-35. 2016. DOI: 10.1007\/s12108-015-9291-8.<\/p>\n\n\n\n

ROBERTSON, Hamish; TRAVAGLIA, Joanne. Big Data Sociology: preparing for the brave new world. [S.l]: The Sociological Review Blog<\/strong>, 2019. Dispon\u00edvel em: https:\/\/www.thesociologicalreview.com\/big-data-sociology-preparing-for-the-brave-new-world\/. Acesso em: 20 set. 2020.


Publicado originalmente no Blog Observare. Dispon\u00edvel em: https:\/\/observare.slg.br\/papel-da-sociologia-na-era-do-big-data\/<\/p>\n\n\n\n

\n\n\n\n

[1]<\/sup><\/a> <\/sup>cf.<\/em> TUNES, Suzel. A parcialidade dos algoritmos. Nexo Jornal<\/strong>. 24 nov. 2019. Dispon\u00edvel em: https:\/\/www.nexojornal.com.br\/externo\/2019\/11\/24\/A-parcialidade-dos-algoritmos. Acesso em: 27 nov. 2020.<\/p>\n","protected":false},"excerpt":{"rendered":"

Por Harlon Romariz, doutorando no PPG em Sociologia da UFRGS. Com o crescente processo de digitaliza\u00e7\u00e3o da vida e da conectividade tornou-se poss\u00edvel o registro de uma alt\u00edssima quantidade de […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0},"categories":[62,63],"tags":[64,44],"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/posts\/948"}],"collection":[{"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/comments?post=948"}],"version-history":[{"count":3,"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/posts\/948\/revisions"}],"predecessor-version":[{"id":956,"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/posts\/948\/revisions\/956"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/media?parent=948"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/categories?post=948"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ufrgs.br\/blogdoifch\/wp-json\/wp\/v2\/tags?post=948"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}