Navigation – Plan du site

AccueilNuméro81- LXIIIteoria e ricercaPer un’epistemologia del digitale...

teoria e ricerca

Per un’epistemologia del digitale: note sull’uso di big data e computazione nella ricerca sociale

Enrica Amaturo et Biagio Aragona
p. 71-90

Texte intégral

Introduzione

1L’attenzione che è stata dedicata all’impatto dei big data e della computazione sull’apparato di tecniche a disposizione degli scienziati sociali e, più in generale, sul metodo della ricerca sociale non è stata sempre accompagnata da un uguale interesse riguardo alle tante questioni epistemologiche che l’uso di queste tecniche digitali solleva. Qui si intende invece proporre una serie di avvertimenti epistemologici che guidino l’ analisi critica dei limiti della conoscenza scientifica prodotta attraverso tecniche digitali e l’esame dei cambiamenti che l’uso di queste tecniche opera nei rapporti tra il sociologo e i suoi oggetti di studio, tra i dati e le teorie sociologiche, tra gli strumenti di rilevazione e la documentazione empirica prodotta. Consapevoli che nelle pagine di questo articolo non sarà possibile presentare tutte le tematiche che sono connesse ad un uso consapevole e critico dei metodi digitali, e che, comunque, non potremo trattarle in modo approfondito, l’obiettivo di questo lavoro è tracciare dei percorsi di riflessione epistemologica che siano di orientamento alle pratiche di ricerca, sui quali occorrerà sicuramente concentrarsi con maggior dettaglio in lavori successivi.

2Alcuni autori hanno sostenuto (Savage e Burrows, 2007) che l’innovazione tecnologica portata dalle tecniche digitali abbia favorito una progressiva perdita di titolarità dei sociologi ad analizzare la realtà sociale, in favore di studiosi, principalmente informatici e ingegneri, con scarse, o addirittura nulle, conoscenze sociologiche, ma con elevate capacità tecniche. Al contrario, è sempre più evidente la necessità di un’attenta e robusta riflessione epistemologica per leggere e interpretare correttamente la gran massa di dati oggi disponibili; l’attuale ethòs tecnologico dell’indagine sociale deve quindi essere riportato proficuamente all’interno delle diverse tradizioni paradigmatiche che convivono nella nostra disciplina. Se la ricerca sociale si è a lungo basata su dati costruiti tramite interrogazione, tecnologie digitali come telecamere, smartphone, motori di ricerca, satelliti, social network consentirebbero di rilevare in modo non intrusivo dati non più riferiti a ciò che gli individui dichiarano di fare, ma a ciò che fanno effettivamente. Ovviamente, sono tanti i limiti di dati, spesso di natura privata, la cui produzione sfugge al controllo dei ricercatori sociali. Si tratta di questioni strettamente metodologiche, legate ad esempio alla validità e rappresentatività di questi dati, ma anche di questioni più ampie, che attengono alle modalità di accesso e a problemi etici.

3Per circa un decennio, il dibattito sulle conseguenze che big data e tecniche computazionali hanno generato nel campo delle scienze sociali si è sviluppato a partire da due estremi opposti. Da un lato coloro che hanno sostenuto, con toni a volte trionfalistici, che big data e computazione rappresentassero il nuovo oro delle scienze sociali (Lazer, 2009; Mayer-Schonberger e Cuckier, 2013); dall’altro, coloro che li ritenevano una pericolosa nuova forma di quantofrenia (Boyd e Crawford, 2012), o addirittura una minaccia per la sociologia empirica fondata sulla survey e sulle interviste (Savage e Burrows, 2007). Un gruppo di studiosi, oramai numeroso, sostiene oggi un impegno attivo da parte dei sociologi nel confrontarsi con la dimensione tecnologica dell’indagine sociale (Orton-Jhonson e Prior, 2013; Lupton, 2015; Daniels et al., 2016). I lavori sviluppati da questi “sociologi digitali” si concentrano sulla definizione di un metodo della ricerca sociale che adotti una postura critica sul ruolo che la tecnologia digitale deve avere nella ricerca scientifica, ma, allo stesso tempo, creativa sulle possibilità offerte dalla tecnologia alla ricerca (Marres, 2017; Halford e Savage, 2017). Ciò richiede una grande attenzione all’epistemologia del digitale, che si riferisce non solo alla valutazione dei limiti della conoscenza scientifica prodotta attraverso tecniche digitali, ma anche all’analisi delle conseguenze, di breve e lungo periodo, che il digitale sta avendo sul rapporto tra gli oggetti di studio della sociologia e la loro rappresentazione in forma di dati, sul rapporto tra questi dati e le teorie sociologiche, e sul bagaglio di tecniche di rilevazione e analisi.

4Su questo ultimo aspetto è bene specificare che si farà esplicito riferimento solo a poche tecniche digitali, perché una loro trattazione completa sarebbe troppo lunga per l’economia del lavoro, e non rientrerebbe neanche nei nostri obiettivi. Tratteremo quelle tecniche che da un lato ripropongono in una nuova forma questioni metodologiche note, e dall’altro offrono sfide metodologiche uniche. La prima di queste è la search as research, ovvero l’uso dei motori di ricerca per fare ricerca. La seconda è l’analisi delle reti, che consente di modellare nodi e legami presenti nella rete internet e di studiare le dinamiche di questi nel tempo. Infine, l’analisi testuale, che ha trovato nei contenuti generati dagli utenti in rete (post, tweets, blog, ecc.) una base empirica smisurata da analizzare con algoritmi sempre più sofisticati di classificazione e modellazione automatica delle parole e delle loro relazioni.

5L’articolo è così strutturato. Nel primo paragrafo si ricostruiscono le principali prospettive sociologiche sulla costruzione degli oggetti di studio della nostra disciplina e dei dati che li rappresentano. Il secondo paragrafo, richiamando gli obiettivi principali della ricerca sociale, si concentra sul legame tra i dati e le teorie, e sulle possibili sequenze che possono assumere questi due elementi nella ricerca sociale digitale. Il terzo paragrafo affronta la questione dell’innovazione della cassetta degli attrezzi del sociologo, provando a definire punti di discontinuità e continuità tra le tecniche di rilevazione e analisi digitali e quelle già consolidate nelle nostra disciplina. Il paragrafo conclusivo riassume le principali cautele epistemologiche per usare in modo consapevole e critico big data e computazione, tracciando alcune linee su cui la riflessione dovrebbe concentrarsi in futuro.

1. L’oggetto di studio e la sua rappresentazione: il rapporto tra realtà e dati

6Se i dati sono stati da sempre una caratteristica costitutiva della scienza moderna e dell’organizzazione sociale (Espeland e Stevens, 1998), la creazione di forme di quantificazione per inserire evidenze scientifiche nella formulazione delle politiche, o per estendere logiche di mercato nel governo della società, è stato favorito dall’uso diffuso delle nuove tecnologie nella comunicazione, nei trasporti e nella logistica. La Lupton (2015) rintraccia almeno due fenomeni che hanno accelerato la datificazione a livello individuale e sociale: prosumerismo e neoliberismo. Attività in cui gli individui sono sia consumatori che produttori di informazioni alimentano costantemente i flussi di dati su preferenze, comportamenti e opinioni verso molti aspetti della vita sociale (politica, turismo, moda, cibo, ecc.), che possono essere usati per logiche di mercato (Beer e Burrows, 2013). Allo stesso tempo, le tecnologie digitali sono ritenute funzionali alle politiche neoliberiste dei governi che considerano i cittadini come attori che agiscono nella società in modo da massimizzare i propri risultati. Tutto ciò fa sì che si adottino sempre più tecnologie che usano dati, le quali producono ancora più dati, che richiederanno ancora più tecnologie (Floridi, 2014). Espressioni come “data deluge” (The Economist, 2010), “data revolution” (Kitchin, 2014a) e “società data intensive”(Amaturo e Aragona, 2016) sono state impiegate per definire quanto la realtà sociale sia ormai permeata dai dati.

7In questo scenario è fondamentale interrogarsi di nuovo su quale sia l’oggetto di studio della sociologia e se, ontologicamente, esista o meno una realtà sociale a prescindere dalle rappresentazioni che ne vengono fatte. Nella filosofia della scienza le risposte a questa questione sono state il realismo, da un lato, e il costruttivismo, dall’altro. Il realismo, segnato dalla regola Durkheimiana «considerare i fatti sociali come cose» (Durkheim 1895; trad. it. 1963, 35), anche nella sua forma critica del neopositivismo novecentesco, ha sostenuto comunque l’esistenza di una realtà sociale oggettiva, indipendente sia dall’attore sociale che ne fa parte, sia dallo studioso che intende conoscerla. Ad esempio, Lakatos (1976) considerava i fatti sociali comunque oggettivi, ma la loro rappresentazione come il risultato delle tecniche e delle conoscenze di background di cui il ricercatore sociale si avvale per rilevarli. Su un versante opposto, il costruttivismo ritiene che l’attore sociale interpreti la realtà dandone un senso individuale, e lo studioso interferisca sulla realtà attraverso i punti di vista (Weber, 1904). Il costruttivismo weberiano ha rappresentato il punto di partenza da cui si sono sviluppate successive posizioni ontologiche in sociologia: dalla sociologia fenomenologica, all’interazionismo simbolico, all’etnometodologia. Tutte queste diverse posizioni condividono l’idea che la costruzione dell’oggetto di studio della sociologia non sia indipendente da quell’insieme numeroso di scelte che vengono compiute in ogni processo che porta dall’astrazione, alla traduzione dei fenomeni sociali in dati empirici. Anche Schutz (1962), richiamando Weber, non ritiene rilevante l’esistenza o meno di un oggetto di studio dato una volta e per tutte (“reale”), ma è rilevante se la sua rappresentazione sia stata fatta attraverso procedure condivise dalla comunità di osservatori. L’oggetto di studio è costruito attraverso il metodo, e in questo modo emerge come reale.

8A partire da queste considerazioni si è sviluppata la concezione epistemologica maturata nell’ambito degli studi di sociologia della scienza da Latour (1987). Ai fini del nostro progetto di epistemologia del digitale due elementi della concezione di Latour sembrano fondamentali. Il primo è la messa in discussione della distinzione tra scienza e tecnologia, che Latour sostituisce con il termine tecnoscienza. Le rappresentazioni empiriche degli oggetti di studio della sociologia, i dati, e le tecniche che vengono utilizzate per costruirle, vanno intese come delle “scatole nere”, dei meccanismi troppo complessi per essere analizzati nella loro interezza. Se ne conoscono solo l’input e l’output e vengono utilizzate senza più essere messe in discussione, di fatto reificandosi, diventando oggetti veri e propri. Per Hacking (1999), i dati sono dei fatti sociali che si oppongono ai cambiamenti e generano reazioni da parte dei soggetti con cui si relazionano. Ad esempio, le classificazioni che vengono fatte nelle scienze sociali, possono, quando vengono agite nelle istituzioni, cambiare il modo in cui gli individui si percepiscono. Pertanto le rappresentazioni empiriche non sono un semplice riflesso di un mondo che esiste, ma sono meticolosamente “prodotte”. Una volta che i dati vengono stabilizzati, essi divengono autonomi, indipendenti dalle procedure di costruzione che sono state seguite per ottenerli, e senza memoria sulle loro origini (Neresini, 2015). Il secondo elemento di interesse della prospettiva latouriana riguarda invece la messa in discussione della distinzione tra attori umani e non umani. Un ricercatore, una piattaforma, una citazione, un committente o uno strumento di rilevazione sono tutti attori che contribuiscono con pari dignità alla costruzione delle scatole nere. I dati sono poi dotati di agency, perché il loro significato e ciò che rappresentano viene costruito come il risultato di una lunga catena di attori umani e non umani. Per questo la rappresentazione di questi oggetti è reale, l’oggetto diventa reale nella sua rappresentazione socio-materiale. Gli studi di scienza e tecnologia (STS) si sono sempre occupati dell’agency dei dati, e di come essi non siano solo veicoli di conoscenza scientifica, ma anche elementi di produzione e riproduzione di forme di organizzazione sociale e di costruzione di identità individuali e collettive (de Leonardis e Neresini, 2015). Questi studi esplorano vari aspetti di tre principali domini: cose (infrastrutture, dispositivi, tecniche, ecc.), linguaggi (codici, algoritmi, linguaggi esperti, ecc.) e persone (studiosi, utenti, ecc.).

9Nella prospettiva socio-tecnica, il rapporto tra l’oggetto di studio e la sua rappresentazione non è quindi unicamente denotativo, semantico, come vorrebbe l’epistemologia realista, ma anche connotativo. I dati sono contestuali, ma essi stessi contribuiscono alla creazione del contesto. Il realismo delle rappresentazioni empiriche (i dati) chiaramente ripara il costruttivismo dall’accusa di relativismo. Diventa quindi fondamentale l’attenzione al processo, al metodo utilizzato per raggiungere la rappresentazione dell’oggetto di studio. Deborah Lupton (2015) nota che a partire dalle riflessioni di Latour e dei suoi colleghi è emersa una letteratura sociologica che considera le tecniche di ricerca stesse come fenomeni oggetto di studio della sociologia. Questa non solo si interroga sulle pratiche adottate nei contesti di ricerca, ma considera anche le tecniche alla stregua di attori che influenzano il modo in cui i sociologi fanno ricerca. Le tecniche di ricerca pertanto riproducono la realtà sociale, ma sono allo stesso tempo configurate da questa, diventando sia materiali che sociali (Ruppert et al., 2013).

10La volatilità di internet e dei suoi contenuti, sempre in costante aggiornamento, e la rapidità dei cambiamenti che occorrono nelle piattaforme in rete attraverso le modifiche dei codici e delle Application Programming Interfaces (ApI) confermano l’idea che non possa esistere un oggetto di indagine dato una volta per tutte. Il termine “dispositivo metodologico” è usato per indicare questa inestricabile relazione tra tecniche e oggetti, che sono collegati e si costituiscono reciprocamente. I dispositivi non sono solo metodi per la ricerca, ma possono diventare essi stessi oggetto di analisi, e in questo caso è impossibile tenere separati oggetti, soggetti e tecniche di ricerca. Riflettere sui dispositivi metodologici non aiuta semplicemente a capire quanto siano validi nel rappresentare la realtà, ma come essi vadano a configurare gli oggetti di studio, e come possano essere utilizzati per esercitare potere. Rogers (2013) sottolinea che quando le rappresentazioni del fenomeno oggetto di studio vengono già date dagli strumenti analitici a disposizione all’interno degli ecosistemi digitali, queste rappresentazioni dovrebbero diventare esse stesse oggetto di ricerca per il sociologo. Come hanno sostenuto gli esperti di software studies, il software che definisce il funzionamento degli oggetti digitali possiede una sua politica (Manovich, 2013), che ha un effetto strutturante e modellante su quali dati poter raccogliere, quali considerare importanti, e quali conservare per l’analisi. Per esempio, sempre Rogers (2013), sostiene che i motori di ricerca possiedano un’autorità algoritmica, perché agiscono come macchine socio-epistemologiche che esercitano un potere sulle fonti considerate importanti. I risultati delle ricerche pertanto non sono semplici informazioni, ma dati che indicano precisi rapporti di potere. Proprio l’analisi di questi rapporti di potere che si realizzano nell’ampio assemblaggio dei dati è uno dei possibili oggetti di studio della sociologia digitale (Aragona et al., 2018).

11Alla luce delle diverse posizioni esplicitate sopra, è possibile rintracciare alcuni elementi essenziali del modo di definire gli oggetti di studio e le loro rappresentazioni nell’ambito di un’epistemologia del digitale. Innanzitutto, possiamo affermare che gli oggetti di studio della sociologia digitale sono costruiti intersoggettivamente, e dipendono dalle attività socio-tecniche che sono state realizzate per indagarli. L’intersoggettività avviene anche nella relazione tra attori umani e non umani. Le piattaforme internet (Van Dijck et al., 2018) e i dispositivi metodologici (Ruppert et al., 2013) svolgono un ruolo attivo nella configurazione degli oggetti di studio, li co-costituiscono insieme al ricercatore sociale. Tuttavia, è superata ogni possibilità di relativismo, perché sono le stesse tecniche a diventare oggetti che si impongono al ricercatore. C’è una continua dialettica tra oggetti e metodo. Rappresentare i propri oggetti di studio attraverso le tecniche digitali vuol dire anche avere le tecniche digitali come oggetti di studio.

2. Conoscenza scientifica e basi empiriche: il rapporto tra dati e teorie

12La riflessione epistemologica riguardo alle ricadute del digitale sulla ricerca sociale è stata sviluppata a partire da tre dicotomie che attengono al rapporto tra i dati e le teorie: correlazione – vs – causazione; ricerca guidata dai dati – vs- ricerca guidata dalle teorie; induzione – vs – deduzione (Resnyansky, 2019).

  • 1 Per una rassegna di alcune correlazioni spurie che si possono trovare nell’analisi dei big data, s (...)

13In primo luogo – innanzitutto in ambito commerciale e tecnologico, così come nelle scienze naturali e comportamentali – i dati digitali sono stati presentati ed accolti come un cambiamento rivoluzionario del modo di conoscere, che ha segnato il passaggio da una ricerca che persegue la causazione, ad una ricerca che insegue la correlazione (Calude e Longo, 2017). Come hanno scritto Mayer-Schonberger e Cuckier nel loro lavoro seminale sui big data: «Big data is about what, not about why. We don’t always need to know the cause of phenomenon: rather, we can let data speak for itself» (2013, 14). Chris Anderson, direttore della rivista di informatica Wired, provocatoriamente, nel 2008 scriveva che grazie alla quantità di dati disponibili la correlazione avrebbe presto soppiantato la causazione: «Petabytes allow us to say: “Correlation is enough”…Correlation supersedes causation, and science can advance even without coherent models and unified theories». Ma ricordando quanto ci hanno insegnato Lazarsfeld e la sua scuola sulle correlazioni spurie (1955), interpretare ogni correlazione come significativa può portare a commettere errori molto gravi. Sono numerose le correlazioni che si possono osservare nella realtà sociale, ma molte di queste sono attribuibili al caso, e non dimostrano un legame tra fenomeni1.

14Jim Gray, ricercatore Microsoft, ha sostenuto che i dati digitali e i loro metodi abbiano non solo contribuito al passaggio dalla causazione alla correlazione, ma che, addirittura, abbiano definito un nuovo modo di produrre conoscenza, la “scienza esplorativa” (Hey et al., 2009), fondata sull’idea che grandi moli di dati possano essere facilmente trasformate in una nuova forma di conoscenza scientifica (Stefanizzi, 2016). In questo tipo di scienza la ricerca è guidata dai dati, la costruzione di modelli per spiegare la realtà sociale non è più fondamentale, la conoscenza può avanzare anche senza teorie di riferimento. Questo nuovo paradigma, il dataismo (Brooks, 2013), espresso generalmente attraverso la convinzione che, con grandi volumi, i dati parlino da soli, rappresenta una versione moderna del pensiero empirista seicentesco (Locke, 1690). Come osserva Croll, con la scienza esplorativa si sovverte il modo in cui sono formulate le ipotesi: «prima raccogliamo i dati e poi formuliamo le ipotesi» (2012, 56), in opposizione al metodo ipotetico deduttivo, di matrice razionalista, che era tipico della scienza sociale post-positivista. Kitchin (2014b) fa notare che alcuni software di intelligenza artificiale, come ad esempio Ayasdi, vengono venduti proprio proponendo la possibilità di scoprire risultati di ricerca senza porre nessuna domanda. Per Clark (2013) software di questo tipo presentano una forma di digital serendipity, permettono ai ricercatori di dare risposte a domande che loro inizialmente non avrebbero posto.

15La principale argomentazione che fornisce chi sostiene il modello di scienza data driven è che, dato che ormai si è in grado di tracciare il comportamento umano con precisione e fedeltà mai vista attraverso le tracce digitali, l’esplorazione dei dati in rete è più utile della costruzione di modelli esplicativi. Nello specifico, Lazer, nell’articolo Life in the network, the coming age of computational social science pubblicato su Science nel 2009 – un articolo che ha riscosso grande successo nella comunità scientifica (più di 2560 citazioni) – identificò i dati di Internet come il cuore della Computational Social Science (CSS), una disciplina che attraverso tecniche di data mining e machine learning, applicate a enormi basi di dati, produce analisi sociali estensive, e quasi in tempo reale.

16Anche se non si può non notare un certo riduzionismo nella prospettiva della computational social science, che tende a convertire individui diversi e strutture sociali complesse e multidimensionali in meri dati, è innegabile il potenziale nel produrre studi tempestivi su larga scala, in grado di analizzare i fenomeni in modo longitudinale, e quindi adatti alla previsione e definizione degli scenari possibili. Ovviamente, il limite delle previsioni costruite sui dati è che gli individui non agiscono in modo razionale e predefinito, ma piuttosto vivono una vita piena di contraddizioni, di paradossi e di eventi imprevisti.

17Ma la questione principale riguarda se sia condivisibile l’idea che si possa produrre conoscenza scientifica senza fare riferimento alle teorie. Una cosa è identificare delle regolarità (dei trend) all’interno dei dati, un’altra è scoprire i meccanismi che le generano. Quest’ultima operazione non può essere effettuata senza una teoria e una conoscenza profonda e contestualizzata del proprio oggetto di indagine. Poi, da ricercatori sociali, non possiamo dimenticare che sono gli stessi dati ad incorporare teorie, sono “carichi di teoria” (Phillips, 1999), perché influenzati dai presupposti teorici di chi li costruisce. La tesi che i dati siano sempre dipendenti dalle teorie è largamente presente nei lavori di Thomas Kuhn (1962) e Paul Feyerabend (1969), e anche Imre Lakatos (1976) considerava le basi empiriche come il risultato di una relazione triadica tra teoria, evidenza e conoscenze di fondo, dove queste ultime rappresentavano l’intero insieme di fatti e scelte effettuate per la costruzione di quel particolare dato. Ciò è particolarmente vero nel caso dei dati digitali, che vengono costruiti da organizzazioni e imprese guidate da specifici bisogni informativi e obiettivi conoscitivi, e sono dunque per forza di cose selettivi rispetto agli aspetti dei fenomeni che riescono a rappresentare. Per di più, i dati digitali, che vengono raccolti, gestiti e analizzati attraverso strumenti automatizzati (gli algoritmi), richiedono maggiore attenzione ai processi di costruzione di questi algoritmi, oltre che alle procedure di preparazione all’analisi (ciò che viene spesso chiamata la “curation” del dato), in cui dati vengono selezionati, ridotti e organizzati per le analisi. Quando i dati sono raccolti con tecniche di web crawling e web scraping, il lavoro di pre-analisi può essere molto faticoso e lungo. Inoltre, la stessa analisi può essere eseguita solo attraverso algoritmi in grado di apprendere dai dati, il cosiddetto machine learning (Mitchell, 1997). Questi algoritmi hanno la pretesa di correggere gradualmente le loro predizioni inizialmente inaccurate imparando dall’esperienza, ma – come dimostra abilmente Cathy O’Neil, data scientist della finanza pentita, nel suo libro Weapons of Math Destruction (2016) – diventano dei dispositivi tautologici che contribuiscono alla definizione stessa delle condizioni alle quali il loro regime di verità corrisponde (Foucault, 1976).

18Il punto finale su cui si è articolata la discussione della relazione tra teorie e dati nella ricerca digitale, che è strettamente collegato al precedente, riguarda il come si costruiscono le inferenze. Il neo-empirismo, che promuove una scienza in cui i dati parlino da soli, considera l’induzione alla base della costruzione di modelli che generalizzano le relazioni di regolarità tra i fenomeni. Come affermava Popper (1967; 1972) il limite di un modello costruito a partire dai dati è che potrà sempre esistere un nuovo dato che falsifica la regolarità che viene inferita a partire dalle osservazioni precedenti. Per Kitchin (2014b), i big data e le tecniche computazionali hanno dato il via ad un modo di costruire inferenze in grado di salvare sia le aspirazioni neo-empiriste, sia il metodo ipotetico deduttivo utilizzato sino ad ora nella ricerca sociale quantitativa. Questo nuovo metodo cerca di generare ipotesi a partire dai dati e non dalle teorie, ma l’induzione non è il punto finale del metodo (come per gli empiristi), ma solo un primo momento per formulare ipotesi da controllare attraverso un momento deduttivo. Questo metodo, più che seguire derive neo-empiriste, conserva i principali dogmi del metodo scientifico post-positivista, ma promuove l’uso congiunto di induzione e deduzione. La conoscenza scientifica viene perseguita utilizzando tecniche computazionali “guidate” per scoprire ipotesi da sottoporre a successivo controllo empirico. Il processo è guidato in quanto le teorie esistenti dovrebbero essere impiegate per direzionare lo svolgimento della scoperta, piuttosto che, come vorrebbe la scienza computazionale quantitativa, sperare di identificare tutte le relazioni esistenti in un database, e assumere che queste siano in qualche modo sensate. In pratica, il metodo utilizzato è abduttivo (Peirce, 1883) e mira ad inserire risultati inaspettati in un quadro interpretativo; l’abduzione è anche chiamata l’inferenza della migliore spiegazione (Poston e McCain, 2017).

19La strada da seguire, se la sociologia vuole davvero trarre benefici dall’analisi dei dati digitali, è adottare una prospettiva che superi tutte le dicotomie che segnano il rapporto tra i dati e le teorie. In primo luogo, occorre superare la differenza tra correlazione e causazione. Malgrado la scienza sociale computazionale quantitativa sia diventato il modo più diffuso di fare scienza sociale computazionale, non va dimenticato che le ambizioni degli studiosi che scrissero il Manifesto of Computational Social Science (Conte et al., 2012) erano ben altre. Conte (2016) sottolinea che all’inizio non c’era questo approccio quantitativo, ma la scienza sociale computazionale era prevalentemente generativa e mirava a svelare i meccanismi che producono i fenomeni sociali attraverso delle simulazioni in ecosistemi informatici. Questo modo di fare CSS ha prodotto tante teorie su fenomeni sociali come la cooperazione, il coordinamento e le convenzioni sociali. Le ambizioni teoriche degli autori del Manifesto sono state soppiantate da un accento sulla CSS quantitativa semplicemente perché, come Merton ha notato per primo (1968), la scienza va verso i settori dove c’è abbondanza di dati, quella “vita nella rete” raccontata da Lazer (2009).

20Inoltre, con il superamento della dicotomia tra induzione e deduzione attraverso l’abduzione si può finalmente abbandonare anche la più antica dicotomia che attiene al rapporto tra i dati e le teorie, quella tra empirismo e razionalismo, adottando una sintesi dei due: il criticismo. Il criticismo, inaugurato in filosofia dalle riflessioni di Kant, riconosce che l’esperienza sensibile (i dati) sia modellata dalle nostre strutture mentali (le teorie). La conoscenza diventa così un compromesso tra la conoscenza a priori dei razionalisti e la conoscenza a posteriori degli empiristi; si tratta infatti di una sintesi tra elementi a priori, già presenti nelle conoscenze di sfondo del ricercatore (quali ad esempio le categorie, lo spazio, il tempo, ecc.), ed elementi a posteriori provenienti dall’esterno, dal fenomeno da conoscere.

21È solo in una cornice epistemologica abduttiva e critica che l’attuale carattere tecnologico dell’indagine sociale digitale può essere riportato utilmente all’interno delle diverse tradizioni paradigmatiche che convivono nella nostra disciplina. Resta ancora aperta la questione di quale debba essere il bagaglio di tecniche contenuto nella cassetta degli attrezzi del sociologo digitale.

3. Metodo digitale e tecnologia

22Sin dalla nascita del metodo scientifico, il legame tra tecnologia e metodo è stato molto stretto. Galileo Galilei non avrebbe potuto costruire il cannocchiale con cui ha osservato il moto degli astri, se alcuni occhialai olandesi non avessero costruito le sue lenti. Marradi (1996) ritiene che l’essenza del lavoro di un ricercatore sociale consista proprio nella scelta tra le diverse tecniche che altri ricercatori hanno già individuato e sviluppato, e nella possibilità di concepirne di nuove. Ma il metodo non è puramente tecnico, esso occupa la posizione centrale di un continuum ai cui estremi ci sono da un lato l’epistemologia e dall’altro la tecnologia (Gallino, 1978). Se il metodo trascura le implicazioni epistemologiche, diventa mero tecnicismo, qualcosa che il ricercatore non può intellettualmente controllare. Viceversa, se il metodo ignora la tecnologia, diventa soltanto filosofia del sociale, qualcosa che non ha la capacità di influenzare l’attività di ricerca.

23Nell’analisi degli impatti che le tecnologie digitali hanno avuto sul metodo della ricerca sociale, il dibattito si è sviluppato intorno alla contrapposizione tra rivoluzione (le tecniche digitali stravolgono il metodo) e involuzione (le tecniche digitali impoveriscono il metodo). In questa contrapposizione ha giocato un ruolo fondamentale la questione dell’innovazione, se cioè le tecniche digitali dovessero essere considerate nuove o meno. La dicotomia nuovo-vs-vecchio è stata promossa per primo da Rogers (2013), che ha distinto tra tecniche digitalizzate e tecniche native digitali. Le prime sono quelle che già esistevano in forma analogica, e che sono “migrate” sul web (ad esempio le web survey e l’etnografia digitale), le altre sono quelle “nate” sul web, come ad esempio le tecniche di web scraping, che “raschiano” i dati dai contenuti presenti in internet e sono in grado di monitorare prodotti on-line, identificare le modifiche dei siti, raccogliere metadati informatici.

24Secondo Marres (2017), coloro che sostengono l’esistenza di tecniche native digitali propongono un’idea di sviluppo del metodo della ricerca sociale essenzialmente guidata dalla tecnologia, mentre coloro che protendono per le tecniche digitalizzate ritengono che siano le tradizioni metodologiche a guidare il ruolo della tecnologia nella ricerca sociale. Entrambi i punti di vista, però adottano lo stesso schema. Tecnologia = nuovo; Sociologia = superato. Questa opposizione è difficile da evitare e viene spesso richiamata. Ad esempio, dalla Lupton (2015), che nel suo volume Sociologia Digitale sostiene che le tecniche di analisi dei dati digitali siano principalmente computazionali, oppure nel già citato articolo di Savage e Burrows (2007), in cui si contrastano interviste e survey con il data-mining e l’analisi dei dati geo-localizzati, suggerendo che presto i primi saranno soppiantati dai secondi.

25Benché questo scenario non sia impossibile, l’idea che i metodi digitali minaccino quelli tradizionali è fuorviante e semplicistica, perché suggerisce che questi, che provengono da altre discipline come l’informatica e la data science, “attacchino” la sociologia dall’esterno. Ma, in realtà, tutte le tecniche che stanno avendo grande rilevanza nella ricerca digitale: «hanno un’origine interdisciplinare…e possono essere qualificate come tecniche “mixed”, nel senso che combinano elementi computazionali ed elementi sociologici” (Marres, 2017, 104), per dirlo in altri termini elementi tecnologici ed epistemologici. Halford (2013) ritiene che le tecniche native digitali non siano per niente “aliene” alla sociologia, ma che anzi, le tecniche incorporate nelle piattaforme e nei dispositivi digitali siano comunque costruite sulla base di principi metodologici consolidati e duraturi. Se si dovesse continuare a suddividere le tecniche di ricerca in queste due categorie, c’è il rischio che questa continuità tra tradizioni della ricerca sociale e tecniche digitali non venga più riconosciuta. Piuttosto quindi che puntare l’attenzione sulla rivoluzione o sull’involuzione che le tecniche digitali susciterebbero nel metodo della ricerca sociale, sarebbe più sensato approfondire come esse portino, o non portino, ad una sua evoluzione.

26Per chiarire questo punto è possibile rintracciare alcuni esempi. Il primo riguarda gli analytics che sono contenuti nel motore di ricerca Google, come ad esempio, Correlate e Trends. Questi sono stati sviluppati da Google per dimostrare che le infrastrutture digitali incorporano innovazioni metodologiche per l’analisi dei dati. È attraverso Correlate e Trends che è stata realizzata l’indagine Google Flu trends, famosa per la sua capacità di prevedere la propagazione dell’influenza prima degli istituti di ricerca preposti alla misurazione della sua diffusione. Quella ricerca (Ginsberg et al., 2009) è stata utilizzata per affermare che le tecniche native digitali abilitavano a delle forme di analisi che non potevano essere realizzate prima (Mayer-Schonberger e Cuckier, 2013; Rogers, 2013). Abbott (2011) e Halford e Savage (2017), però, hanno notato che questi strumenti riposano su forme di analisi molto tradizionali. Ad esempio, Correlate si avvale dell’analisi delle co-occorrenze per contare il numero di volte in cui dei termini sono associati ad una parola chiave ricercata sul motore di ricerca. Cioè, seppure la tecnica è innovativa rispetto agli aspetti tecnologici e computazionali, il principio metodologico sottostante è molto antico.

27Un altro esempio è l’analisi delle reti, le cui origini vanno rintracciate nei lavori socio-metrici di Moreno (1934), e che si è sviluppata ampiamente in almeno tre direzioni: la teoria dei grafi, la social network analysis e l’Actor Network Theory (ANT). Latour (2012) affermava che le infrastrutture digitali aiutassero a rappresentare gli attori-rete tra diverse ambientazioni, e anche nella teoria dei grafi e nelle social newtork analysis (SNA), le tecnologie digitali vengono ritenute un mezzo per estendere queste tecniche. Nel caso della teoria dei grafi, gli scienziati sociali computazionali hanno visto la possibilità di utilizzare dati reali, passando di fatto dalla modellazione teorica delle reti, all’analisi di dinamiche di rete del mondo reale (Conte et al., 2012). La SNA invece, grazie alla possibilità di avvalersi dei dati presenti sul web, viene oggi impiegata per studiare le dinamiche di rete su larga scala (Rieder, 2013) all’interno delle piattaforme di social media. Anche in questo caso, in sintesi, se le tecnologie digitali hanno consentito di estendere la gamma di fenomeni a cui è possibile applicare l’analisi delle reti, le tradizioni metodologiche su cui riposano queste applicazioni sono di fatto ampiamente consolidate nella nostra disciplina.

28Infine, le tecniche digitali hanno diversificato anche i campi di applicazione dell’analisi del contenuto (Amaturo e Punziano, 2013). Herring (2010) sostiene che l’analisi del contenuto digitale ha caratteristiche innovative distintive, come la possibilità di visualizzare le parole e i loro link, e di analizzarli in tempo reale. Anche la sentiment analysis, una tecnica per l’analisi del linguaggio umano sul web è considerata innovativa. Utilizza semantica e tassonomie per riconoscere ed estrarre modelli da post, Tweet, commenti e documenti Web con scopo di caratterizzare le opinioni su un certo argomento. Si basa su un dizionario di sentimenti costruito su parole che a partire dal contesto consentono di attribuire significati positivi o negativi che vengono rappresentati con un punteggio (per esempio “buono” può segnare + 2 e “terribile”-3). La somma dei punteggi di tutte le parole contenute nel documento misura l’umore su uno specifico argomento. Anche la sentiment analysis si basa su un insieme consolidato di strumenti di analisi automatica che si è sviluppato a partire dall’analisi del contenuto, e si tratta di un modo particolare di utilizzare i dizionari che vengono creati nell’analisi quantitativa dei dati testuali.

29La distinzione tra tecniche digitalizzate e tecniche native digitali ha anche l’ultimo svantaggio di tralasciare alcune tecniche computazionali, che non sempre vengono applicate ai dati del web o all’analisi del digitale, ad esempio il machine learning. Il machine learning è un modello di intelligenza artificiale che è stato sviluppato per l’analisi dei big data e che presuppone l’uso di algoritmi che “imparano dai dati”. Questa tecnica è però ampiamente utilizzata anche per estrarre patterns da database di grandi dimensioni, il cosiddetto data mining (Manyika et al., 2011), e per individuare e modellare relazioni tra variabili. Può avvalersi di reti neurali, alberi decisionali o tecniche statistiche di tipo parametrico e non parametrico. L’estrazione di “conoscenza” dai database viene condotta seguendo diverse fasi che vanno dalla definizione della base empirica, all’analisi statistica, fino all’emergere di un primo report, da cui partono nuovamente le altre fasi per arrivare a risultati migliori (Fayad et al, 1996). Solo quando gli algoritmi di machine learning sono supervisionati da esperti che conoscono sia il campo di applicazione, sia la struttura dei database, questi possono portare risultati interessanti (Chieppa et al., 2018).

30Tutti questi esempi dimostrano chiaramente che le tecniche digitali e computazionali siano di fatto sia vecchie che nuove. Ci forzano a ragionare in termini di contrapposizione tra vecchio e nuovo, ma questa contrapposizione è riduttiva, e pone in secondo piano il fatto che il metodo della ricerca sociale sia strettamente collegato alla riflessione epistemologica. La preoccupazione sull’innovazione oscura la possibilità di vedere come evolve la ricerca sociale nei contesti digitali. Al fine di comprendere davvero le conseguenze del digitale, sarebbe meglio sbarazzarsi del dibattito sull’innovazione, ed affrontare una questione ben più grande, che riguarda il ruolo che vogliamo assegnare alla tecnologia nello sviluppo del metodo.

31Questa questione è stata per la prima volta affrontata da Charles Wright Mills (1959) ne L’immaginazione sociologica, quando sosteneva che l’èthos tecnologico che stava assumendo la scienza moderna potesse diminuire il livello di stima che le veniva generalmente accordato. Una delle cause della crisi della sociologia per Wright Mills era l’empirismo astratto. Egli vedeva in Lazarsfeld, e nel suo celebre volume The Language of Social Research (1955), la principale fonte di questo decadimento. Secondo l’autore, Lazarsfeld confondeva i diversi oggetti di studio della scienza con l’insieme delle tecniche che venivano impiegate per studiarli, e tra questi primeggiava l’inchiesta campionaria, con il suo bagaglio di tecniche di interrogazione e di procedure di campionamento e di analisi statistica.

32Il tecnicismo che preoccupava Wright Mills nel caso del digitale riguarda gli effetti che si stanno generando su almeno due livelli.

33Innanzitutto, la computazione corre il rischio di appiattire la ricerca sociale unicamente su due fasi della ricerca: quella di analisi dei dati, e quella di comunicazione dei risultati. Lo sviluppo di tecniche per elaborare grandi basi dati sempre più sofisticate – che spesso non vengono neanche comprese fino in fondo dagli scienziati sociali, che in genere non hanno elevate competenze di matematica ed informatica (Kitchin, 2014a) – spingono erroneamente a considerare il processo di ricerca come un processo analitico, trascurando di fatto le altre fasi della ricerca. Allo stesso modo, la visualizzazione e le infografiche dei dati, che sono tanto fondamentali per la comunicazione dei dati digitali, possono produrre gli stessi rischi (Halford e Savage, 2017). Una possibile risposta a queste preoccupazioni consiste nell’investire maggiori sforzi sull’elaborazione di disegni di ricerca digitali. Rifocalizzare l’attenzione del metodo e della metodologia sulla fase del disegno della ricerca restituisce importanza a tutte le altre fasi. Infatti, la ricerca digitale, pur avvalendosi in molti casi di tecniche quantitative che lavorano su una grande quantità di dati, sembra essere meno suddivisa gerarchicamente di quanto non lo sia stato la ricerca quantitativa tradizionale, codificata come una sequenza ordinata di fasi. Nella ricerca digitale le fasi di disegno della ricerca, raccolta dei dati, analisi dei dati e comunicazione dei risultati si susseguono senza un ordine preciso, si ripetono e si compenetrano (come abbiamo già notato nel paragrafo precedente parlando dell’abduzione).

34In secondo luogo, interrogarsi sul ruolo della tecnologia nella ricerca sociale vuol dire provare a comprendere di quale status godranno le tecniche digitali tra qualche decennio. In cinquanta anni, il metodo della ricerca sociale codificato nel volume di Lazarsfeld si è affermato, per usare le parole di Alberto Marradi, come lo “standard” della ricerca sociale (Marradi, 2007), il modello principale a cui i sociologi quantitativi hanno fatto riferimento. Con il passare del tempo, il bagaglio di tecniche collegate all’inchiesta campionaria è cresciuto a dismisura, insieme all’uso della tecnologia, che è stata impiegata con sempre più intensità per rilevare (attraverso tecniche computer assisted), organizzare (in database relazionali e on-line) e analizzare (con i più sofisticati packages statistici) i dati di tipo survey. È legittimo chiedersi se lo stesso avverrà per i big data e i metodi digitali e computazionali, e di quale status godranno queste tecniche nel nostro metodo tra qualche decennio. Malgrado la risposta a questo interrogativo non sia immediata, possiamo sicuramente affermare che perché si arrivi a questa valutazione è necessario assumere una postura metodologica che sia da un lato pluralista (n.b., non dualista!) rispetto alle tecniche che debbano far parte della cassetta degli attrezzi del sociologo digitale, e dall’altro pragmatica, e allo stesso tempo critica, verso le basi empiriche che si producono negli ecosistemi digitali.

35Big data, computational social science e metodi digitali hanno contribuito a ribadire una volta per tutte, se ancora ce ne fosse stato il bisogno, il pluralismo che contraddistingue il metodo della nostra disciplina. Molte tecniche che si sono sviluppate in altri contesti disciplinari hanno portato allo sviluppo della sociologia e del suo metodo (ad esempio, solo per citarne qualcuna, le tecniche di scaling in psicologia, la comparazione in scienza politica, il metodo biografico in storia), lo stesso sta avvenendo con le tecniche digitali. Invece di rifiutare nuove basi informative perché non ci sono familiari, o perché non sono prodotte secondo gli standard di qualità a cui siamo abituati, si dovrebbe considerare i big data per le loro caratteristiche, per quello che possono offrire alla ricerca sociale, e per quello che non possono offrirle.

36Adottare una postura pluralista, pragmatica e critica significa prestare grande attenzione a come configurare le tecniche digitali in modo fruttuoso per la ricerca sociale. L’obiettivo è costruire disegni di ricerca che riescano a risolvere i limiti delle tecniche digitali attraverso l’impiego di altre tecniche, anche non digitali, con l’idea che ci sia sempre bisogno di un mutuo adattamento e disadattamento tra tecniche di ricerca, sia dentro che fuori i contesti digitali. Per fare questo è però necessario un dialogo interdisciplinare tra diverse comunità di studiosi, che riesca a combinare competenze e punti di vista, miscelare abilmente metodi e matrici disciplinari, plasmando ciò che Lakatos (1976) chiama la “background knowledge”, cioè l’intero insieme di elementi che viene utilizzato per la costruzione di ogni teoria ed ogni dato.

Conclusioni

37Nelle poche pagine di questo articolo non è stato sicuramente possibile condensare tutte le tematiche, e le questioni ancora aperte, che sono connesse ai cambiamenti che il digitale ha operato, e sta continuando ad operare, dei rapporti tra il sociologo e i suoi oggetti di studio, tra i dati e le teorie sociologiche, e tra gli strumenti di rilevazione e la documentazione empirica prodotta. Tuttavia, si è provato ad approfondire alcuni aspetti di quella che nell’introduzione abbiamo chiamato un’epistemologia del digitale, nella consapevolezza che ci sono sicuramente altri temi importanti che il nostro articolo non ha preso in considerazione.

38Per concludere il lavoro ci sembra opportuno ripercorrere alcune delle principali considerazioni che abbiamo fatto in precedenza, evidenziando successivamente gli argomenti che secondo il nostro punto di vista ancora necessitano di maggiori sforzi di riflessione epistemologica.

39Innanzitutto, due elementi dell’epistemologia costruttivista, l’intersoggettività e l’attenzione al contesto in cui vengono realizzate le rappresentazioni dei fenomeni da indagare, costituiscono dei punti di partenza fondamentali per un’epistemologia del digitale. Le tecnologie digitali ci hanno infatti confermato che gli oggetti di studio della sociologia sono costruiti intersoggettivamente. Come ha evidenziato la Lupton (2015), dal momento in cui si impiegano tecniche di ricerca digitali, esse si teorizzano. Pertanto, non è possibile separare l’analisi del digitale come oggetto di studio, dall’analisi con le tecniche digitali, perché entrambe richiedono di concentrarsi sui modi con cui queste si sono co-costituite.

40Un secondo punto, collegato al primo, è che un’epistemologia del digitale che vuole rifuggire le posizioni semplicistiche dei neoempiristi e degli scienziati computazionali quantitativi deve porre maggiore attenzione al processo. Per quanto i big data e le tecniche computazionali siano in grado di analizzare fenomeni sociali in tempo reale, la maggior parte dei dati digitali presenti nella rete rappresenta semplicemente un insieme di istantanee di eventi che si aggiornano molto rapidamente. Niente di ciò che i big data registrano è in grado di catturare i processi o i meccanismi che determinano i cambiamenti che vengono rilevati dai dati (O’ Sullivan, 2017). I big data su internet possono essere un interessante e promettente modo per ispirare l’analisi sociologica solo se saremo in grado di ispezionare le premesse teoriche che sono iscritte nei dati, e i processi socio-tecnici che ne hanno determinato la forma finale.

41Inoltre, un ultimo aspetto essenziale per un’epistemologia del digitale è l’adozione di una postura metodologica che sia creativa, e allo stesso tempo critica. Riconoscere il ruolo della tecnologia nelle configurazioni che può assumere la ricerca sociale, non implica il determinismo tecnologico, e che la tecnologia debba guidare la conoscenza scientifica. Per affermare un metodo digitale creativo e critico vanno elaborati disegni di ricerca con e contro il digitale (Marres, 2017), cercando di valorizzare ciò che le tecniche digitali possono dare come valore aggiunto, ma andando a testare la loro affidabilità, affiancandogli altre tecniche, anche di tipo qualitativo. È solo in una cornice di metodo mista, creativa e critica che l’attuale carattere tecnologico della ricerca sociale può essere riportato proficuamente all’interno dell’alveo della nostra disciplina.

42Rimane ancora però tanto da fare su almeno due versanti. Da un lato, ormai la maturazione che ha raggiunto il digitale preme affinché si identifichino chiaramente i riferimenti teorici che possono aiutare nella produzione di conoscenza scientifica digitale. Teorie dell’azione -vs- teoria della struttura, teorie dell’ordine o del conflitto, teorie micro o macro, nella riflessione teorica sul digitale tutte le teorie possono servire a patto che siano ricontestualizzate e riformulate. Lo statuto della teoria sociologica è al momento molto incerto, ed è difficile immaginare una sua ricomposizione in un quadro unitario, ma l’emergere di un’epistemologia del digitale può rappresentare l’occasione per fare il punto sui fondamenti del pensiero sociologico, alla luce delle sfide che le tecnologie e le nuove forme di dati stanno generando (Daniels et al., 2017). Dall’altro, il digitale deve essere anche un modo per testare se e come stanno cambiando alcune categorie concettuali che da sempre fanno parte della nostra disciplina, quali ad esempio comunità, disuguaglianza, cooperazione, valore, fiducia, ecc. Si tratta di concetti su cui è stata costruita la sociologia e su cui non potrà non fondarsi anche una sociologia digitale. Solo la riflessione teorica e concettuale potrà davvero tenerci al riparo dal tecnicismo, evitando che tutti questi dati digitali rimangano semplicemente «un insieme di frammenti confusi di realtà umana» (Mills, 1959, 47).

Haut de page

Bibliographie

Abbott A. (2011), Google of the past. Do keywords really matter?, Lecture of the Department of Sociology, Goldsmith, 15th march.

Amaturo E., Aragona B. (2016), La “rivoluzione” dei nuovi dati: quale metodo per il futuro, quale futuro per il metodo?, in Corbisiero F., Ruspini E. (a cura di), Sociologia del futuro. Studiare la società del ventunesimo secolo, Lavis, Wolters Kluwer, pp. 25-50.

Amaturo E., Punziano G. (a cura di) (2013), Content Analysis. Tra comunicazione e politica, Milano, Ledizioni.

Aragona B., Felaco C., Marino M. (2018), The Politics of Big Data Assemblages, «Partecipazione e conflitto», XI, 2, pp. 448-471.

Beer D., Burrows R. (2013), Popular culture, digital archives and the new social life of data, «Theory, culture & society», XXX, 4, pp. 47-71.

Boyd D., Crawford K. (2012), Critical Questions for Big Data, «Information, Communication and Society», XV, 5, pp. 662-679. doi: 10.1080/1369118X.2012.678878.

Brooks D. (2013), What data can’t do, «New York Times», 18 February, accessibile all’URL http://www.nytimes.com/2013/02/19/opinion/brooks-what-data-cant-do.html.

Calude C. S., Longo G. (2017), The deluge of spurious correlations in big data, «Foundations of science», 22, 3, pp. 595-612.

Chieppa A., Gallo G., Tomeo V., Borrelli F., Di Domenico S. (2019), Knowledge discovery for inferring the usually resident population from administrative registers, «Mathematical Population Studies », XXVI, 2, pp. 92-106.

Clark L. (2013), No questions asked: Big Data firm maps solution without human input, «Wired», 16th January, accessibile all’URL https://westminster.rl.talis.com/items/CC7F1A86-6139-9583-99E3-F33B97D6E046.html (ultimo accesso 28 gennaio 2015).

Conte R. (2016), Big Data: unopportunità per le scienze sociali?, «Sociologia e Ricerca Sociale», CIX, pp. 18-27.

Conte R., Gilbert N., Bonelli G., Cioffi-Revilla C., Deffuant G., Kertesz J., Loreto V., Moat S., Nadal J.P., Sanchez A., Nowak A., Flache A., San Miguel M., Helbing D. (2012), Manifesto of Computational Social Science, «The European Physical Journal Special Topics», CCXIV, pp. 325-346.

Croll A. (2012), Big Data is our generation’s civil right issue, and we don’t know it, in Croll A. Big Data now: Current perspectives from O’Reilly Media, Sebastopol (CA), O’Reillly Media, pp. 55-59.

Daniels J., Gregory K. (a cura di) (2016), Digital sociologies, Bristol, Policy Press.

de Leonardis O., Neresini F. (2015), Introduzione. Il potere dei grandi numeri, «Rassegna Italiana di Sociologia», 3-4, pp. 371-378.

Durkheim E. (1895), Les règles de le méthode sociologique, Milano, Edizioni di Comunità (1963).

Espeland W. N., Stevens M. L. (1998) Commensuration as a social process, «Annual review of sociology», 24, 1, pp. 313-343.

Fayad M.E., Sanchez H.A., Hedge S. G., Basia A., Vakil A. (2015), Software patterns, knowledge maps and domain analysis, Boca Raton (FL), CRC Press.

Feyerabend P. (1969), Science without experience. «Journal of Philosophy», LVI, pp. 791-794.

Floridi L. (2014), The 4th Revolution. How the Infosphere is reshaping human reality, Oxford, Oxford University Press.

Foucault M. (1976), Discipline and Punish, London, Allen Lane.

Gallino L. (1978), Dizionario di Sociologia, voce Neopositivismo e Sociologia, Torino, UTET, pp. 463-475.

Ginsberg J., Mohebbi M. H., Patel R. S., Brammer L., Smolinski M. S., Brilliant L. (2009), Detecting influenza epidemics using search engine query data, «Nature», CDLVII, 7232, pp. 1012-1014.

Hacking I. (1999), The social construction of what?, Harvard, Harvard University Press.

Halford S., Pope C., Weal M. (2013), Digital Futures? Sociological Challenges and Opportunities in the Emergent Semantic Web, «Sociology», XLVII, 1, pp. 173-189. doi: 10.1177/0038038512453798.

Halford S., Savage M. (2017), Speaking sociologically with big data: Symphonic social science and the future for big data research, «Sociology», LI, 6, pp. 1132-1148.

Herring S. C. (2010), Web content analysis: Expanding the paradigm, in Hunsinger J., Klastrup L., Allen M. (a cura di), International handbook of Internet research, Dordrecht, Springer.

Hey T., Tansley S., Tolle K. (2009), Jim Grey on eScience: A transformed scientific method, in Hey T., Tansley S., Tolle K. (a cura di) The Fourth Paradigm: Data-Intensive Scientific Discovery, Redmond, Microsoft Research.

Kitchin R. (2014a), The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences, Sage, London.

Kitchin R. (2014b), Big Data, New Epistemologies and Paradigm Shifts, «Big Data & Society», I, 1, pp. 1-12. doi: 10.1177/2053951714528481.

Kuhn T. (1962), The structure of scientific revolutions, Chicago, University of Chicago Press.

Lakatos I. (1976), Proof and refutations, in Worral J., Zahar E. (a cura di), The logic of mathematical discovery, Cambridge, Cambridge University Press.

Latour B. (1987), Science in action, Cambridge (MA), Harvard University Press.

Latour B. (2012), We have never been modern, Cambridge (MA), Harvard University Press.

Lazarsfeld P. F. (1955), Interpretation of statistical relations as a research operation, in Lazersfeld P.F., Rosenberg M. (a cura di), The language of social research: A reader in the methodology of social research, Glencoe, Free Press, pp. 115-125.

Lazer D., Brewer D., Christakis N., Fowler J., King G. (2009), Life in the Network: the Coming Age of Computational Social Science, «Science», CCCXXIII, 5915, pp. 721-723.

Locke J. (1690), An essay concerning humane understanding, London, The Baffett.

Lupton D. (2015), Digital sociology, London, Routledge.

Manovich L. (2013), Software takes command, vol. 5, London, A&C Black.

Manyika J., Chui M., Brown B., Bughin J., Dobbs R., Roxburgh C., Byers A. H. (2011), Big data: The next frontier for innovation, competition, and productivity, McKinsey Global Institute.

Marradi A. (1996), Metodo come arte, «Quaderni di Sociologia», XL, 10, pp. 71-92.

Marradi A. (2007), Metodologia della ricerca sociale, Bologna, il Mulino.

Marres N. (2017), Digital sociology: The reinvention of social research, New York, John Wiley & Sons.

Mayer-Schönberger V., Cukier K. (2012), Big Data: A revolution that transforms how we work, live, and think, Boston, Houghton Mifflin Harcourt.

Merton R.K. (1968), Social theory and Social Structure, Glencoe (IL), Free Press.

Mitchell M. (1998), An Introduction to Genetic Algorithms, Cambridge (MA), MIT Press.

Moreno J. L. (1934), Who shall survive?, Washington (DC), Nervous and Mental Disease Publishing Company.

Neresini F. (2015), Quando i numeri diventano grandi: che cosa possiamo imparare dalla scienza, «Rassegna italiana di sociologia», LVI, 3-4, pp. 405-432.

O’Neil C. (2016), Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy, London, Crown.

Orton-Johnson K., Prior N. (a cura di) (2013), Digital sociology: Critical perspectives, Heidelberg, Springer-Verlag.

O’Sullivan D. (2017), Big Data: why (oh why?) this computational social science?, www.escholarship.org, accessibile all’URL https://escholarship.org/uc/item/0rn5n832.

Peirce C.S. (a cura di) (1883), Studies in logic, Boston (MA), Little, Brown and Company.

Phillips D. (1999), How to play the game: a Popperian approach to the conduct of research, in Zecha G., Critical Rationalism and Educational Discourse, Amsterdam, Rodopi.

Popper K. R. (1967), Knowledge: Subjective versus Objective, in Miller D. (a cura di), A Pocket Popper, Oxford, Oxford University Press, 1983, pp. 58-77.

Popper K. R. (1972), Objective Knowledge. An Evolutionary Approach, Oxford, Clarendon Press.

Poston T., McCain K. (2017), Best explanations, in Poston T., McCain K. (a cura di), Best explanations: New essays on inference to the best explanation, Oxford, Oxford University Press.

Rieder B. (2013), Studying Facebook via data extraction: the Netvizz application, in Proceedings of the 5th annual ACM web science conference, Paris, WebSci.

Resnyansky L. (2019), Conceptual frameworks for social and cultural Big Data analytics: Answering the epistemological challenge, «Big Data & Society», VI, 1, pp. 1-12.

Rogers R. (2013), Digital methods, Cambridge (MA), MIT Press.

Ruppert E. Law J., Savage M. (2013), Reassembling social science methods: The challenge of digital devices, «Theory, Culture & Society», XXX, 4, pp. 22-46.

Savage M., Burrows R. (2007), The coming crisis of empirical sociology, «Sociology», XLI, 5, pp. 885-899.

Schutz A. (1962), Common sense and scientific interpretation of human action, in Id., Collected papers, Heidelberg, Springer.

Stefanizzi S. (2016), Small, open, big: i dati e la conoscenza scientifica, «Sociologia e ricerca sociale», CIX, 2, pp. 38-57.

The Economist (2010), The data deluge: Businesses, governments and society are only starting to tap its vast potential, accessibile all’URL https://www.economist.com/leaders/2010/02/25/the-data-deluge.

Van Dijck J., Poell T., De Waal M. (2018), The platform society: Public values in a connective world, Oxford, Oxford University Press.

Weber M. (1904), Die «Objektivität» sozialwissenschaftlicher und sozialpolitischer Erkenntnis, Archiv für Sozialwissenschaft und Sozialpolitik, XIX.

Wright Mills C. (1959), The Sociological Imagination, Oxford, Oxford University Press.

Haut de page

Notes

1 Per una rassegna di alcune correlazioni spurie che si possono trovare nell’analisi dei big data, si consulti il link https://tylervigen.com/spurious-correlations.

Haut de page

Pour citer cet article

Référence papier

Enrica Amaturo et Biagio Aragona, « Per un’epistemologia del digitale: note sull’uso di big data e computazione nella ricerca sociale »Quaderni di Sociologia, 81- LXIII | 2019, 71-90.

Référence électronique

Enrica Amaturo et Biagio Aragona, « Per un’epistemologia del digitale: note sull’uso di big data e computazione nella ricerca sociale »Quaderni di Sociologia [En ligne], 81- LXIII | 2019, mis en ligne le 01 juin 2020, consulté le 27 septembre 2020. URL : http://journals.openedition.org/qds/3508; DOI: https://doi.org/10.4000/qds.3508

Haut de page

Auteurs

Enrica Amaturo

Dipartimento di Scienze Sociali – Università di Napoli “Federico II”

Articles du même auteur

Biagio Aragona

Dipartimento di Scienze Sociali – Università di Napoli “Federico II”

Articles du même auteur

Haut de page

Droits d’auteur

Licenza Creative Commons
Quaderni di Sociologia è distribuita con Licenza Creative Commons Attribuzione - Non commerciale - Non opere derivate 4.0 Internazionale.

Haut de page
  • Logo Rosenberg & Sellier
  • Logo DOAJ - Directory of Open Access Journals
  • OpenEdition Journals
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search