Hajaantukaa – täällä ei ole mitään nähtävää – algoritmikeskustelusta Suomessa (osa 1)

nScreenshot 2017-03-15 11.42.35Algoritmit ovat kuuma aihe paitsi julkisessa keskustelussa, myös kansainvälisessä yhteiskuntatieteellisessä kirjallisuudessa. Pelkästään viime vuoden aikana julkaistiin ainakin kolme erikoisnumeroa, missä käsiteltiin algoritmeja ja niiden roolia yhteiskunnassa. Niin akateemisessa keskustelussa, kuin populaareissakin teksteissä on aistittavissa tietynlainen algoritmien musta magia. Algoritmit eivät ole mitään taikaotuksia jotka hallitsevat maailmaa. Algoritmi on Wikipedian ensimmäisen lauseen mukaan

yksityiskohtainen kuvaus tai ohje siitä, miten tehtävä tai prosessi suoritetaan; jota seuraamalla voidaan ratkaista tietty ongelma.

Maailma on siis täynnä digitaalisia ja vähemmän digitaalisia algoritmeja. Silti pääpaino tuntuu olevan digitaalisissa ympäristössä, kuten Kari Haakanan suomenkielisessä pohdinnassa, vaikka siinä taitavasti tuodaan yhteen jopa klassista teknologian tutkimuksen argumenttejä. On totta, että digitaalisuus todella muuttaa monia ympäröiviä tapahtumia ja algoritmit ovat digitaalisuudessa  keskeisessä roolissa. Vastaavia yksityiskohtaisia kuvauksia ja ohjeita ongelman ratkaisuun on kuitenkin  aina ollut olemassa.

Esimerkiksi Kelan viimeaikainen toimeentulotukisotku monine muotoineen herättää varsin paljon kysymyksiä toimeentulotuen laskennassa käytetystä algoritmista. En tiedä onko taustalla tietojärjestelmän sotkut vai muuten prosessisuo, mutta julkisuuteen nostetut esimerkit – kuten tarve myöntää henkilölle sentin toimeentulotuki maksusitoumusten saamiseksi eteenpäin  – kertovat, että ”algoritmi” ei nyt oikeastaan toimi erityisen järkevästi. Ehkä tässä tullaan keskeiseen huomioon, jota jo Jansson & Erlinngsson (2014) havaitsivat jo aiemmasta tutkimuksesta: haasteena digitaalisissa (sekä ei-digitaalisissa) algoritmeissa on sääntöjen joustamattomuus – usein todellinen maailma ei sopeudu tiukkaan algoritmin ajattelemaan muotoon.

Tässä kohtaa ehkä voi huokaista helpotuksesta, algoritmit ovat kuin todella tarkkoja byrokraatteja. Mutta missä sitten piilee digitalisaation suuri mullistus? Miksi algoritmit ovat niin tapetilla yhteiskuntatieteellisessä kirjallisuudessa ja miksi niistä vouhkotaan (juuri nyt) niin paljon?

On toki totta, että digitaalisten palveluiden myötä me kaikki altistumme mahdollisesti uudenlaiselle, näkymättömälle byrokratialle ja vallankäytölle. Uutta ehkä on, että nyt päätöksentekijänä voi olla joku kasvottomalta näyttävä järjestelmä (noh, en tiedä onko se Kela yhtään parempi esimerkki kasvollisesta järjestelmästä). Mutta, kuten useimmiten, kaiken takaa löytyy kuitenkin ihminen. Algoritmi on aina ihmistoimijoiden tuottama väline, joka toteuttaa ihmistoimijoiden suunnitteleman prosessin. Teknologia-alan demografian perusteella tuo ihmistoiija on melko varmasti valkoinen mies, vaikkei tosin keski-ikäinen. Ja tässä nyt ei ole mitään uutta taivaan alla, valitettavasti. Jyllääväthän valkoiset (keski-ikäiset) miehet monessa muussakin yhteiskunnan päätöksenteon koneessa.

Yhteiskuntatieteellinen mielenkiinto algoritmeihin selittyy niiden tuoreudella. Kyseessä on konkreettinen uusi ”esine”, jota mätkiä tutkimusmenetelmillä ja ajatuksilla. Ja tuoreet aiheet usein herättävät tutkijoiden mielenkiintoa, koska ne ovat uusia ja tuoreita. Toki on tutkimukselle myös tarvetta. Kuten Kitchin (2017) huomauttaa, kriittistä tutkimusta algoritmeista on vähän – varsinkin verrattuna kaikkeen muuhun algoritmitutkimukseen esimerkiksi tietojenkäsittelytieteessä ja insinööritieteissä. Pohdinkin siis,

  • Miten julkisessa keskustelussa käytetään sanaa algoritmi ja mitä sillä oikeastaan tarkoitetaan?
  • Miten perinteiset vallankäytön muodot soveltuvat algoritmien kritisoimsieen ja mitä uutta algoritmit tuovat esimerkiksi perinteiseen byrokratian ajatukseen?
  • Voisimmeko silti koettaa olla nostamasta algoritmia kultaiselle jalustalle ja sen sijaan purkaa mitä oikeastaan tarkoitamme sillä?

Postailen kevään aikana enemmän ajatuksiamme tästä aiheesta ja käsittelemme tematiikkaa myös meetupeissamme.

Call for abstracts: Our data futures

We are organising a one-day workshop in the end of August for researchers working on, or participating in, initiatives that aim for societally sustainable data practices. The workshop is part of the academic programme within the MyData 2017 conference. See the call text below:

Call for abstracts: Our data futures

Datafication, referring to the conversion of life into digital data, generates new societal opportunities alongside power asymmetries. Initiatives, such as MyData, Open mHealth, MIDATA.coop, Hub of All Things, and Open Humans take datafication as a starting point, but try to steer data flows and data practices in a societally more sustainable direction. These initiatives address asymmetries in terms of data usage and distribution, or inadequacies of existing ethical and regulatory frameworks; they push for the rearticulation of concepts such as participation, sharing, governance, or public good.

This workshop of the MyData 2017 conference invites scholars, participating in and studying such data-driven initiatives, to discuss how the capacities of data technology might be harnessed to promote social justice, new forms of agency, political participation, and collective action. We are also interested in research on data activism and how uses of data challenge accepted norms, assumptions and ideological projects. The aim is to promote debate on the ways forms of data are thought to guide, or shape us as we move into data futures, and whether the data initiatives succeed in promoting new communities of producers and users of data.

Workshop: 30.8.2017 at Tallinn University, Tallinn, Estonia
Abstract deadline: 300 words by 2.5.2017

Details are available at http://mydata2017.org/session/our-data-futures/

Workshop organizers:
Minna Ruckenstein, University of Helsinki
Indrek Ibrus, Tallinn University
Tuukka Lehtiniemi, Helsinki Institute for Information Technology

The workshop is arranged in connection with MyData 2017 conference, Helsinki, Finland & Tallinn, Estonia. Information on the academic workshops of the conference is available at http://mydata2017.org/programme/academic/.

How to study Big Data epistemology in the social sciences?

In the recent years there has been discussion about whether the rise of Big Data—understood as a collection of methods and practices involved in the analysis of voluminous and rapidly accumulating data with varying structure—calls for a new kind of epistemological understanding of science (e.g. Kitchin 2014; Frické 2015; Floridi 2012; Hey et al. 2009). For instance, Rob Kitchin proclaims that

There is little doubt that the development of Big Data and new data analytics offers the possibility of reframing the epistemology of science, social science and humanities, and such a reframing is already actively taking place across disciplines. (Kitchin 2014, 10.)

This epistemological reframing is due to the idea that Big Data enable a novel form of inquiry called data-driven science, which seeks to generate scientific hypotheses by discovering patterns in vast amounts of data (Kelling et al. 2009, 613-614; Kitchin 2014, 6-7). Data-driven science contrasts with the more traditional ‘knowledge-driven science’, where the hypotheses to be examined are derived from theory rather than data (Kelling et al. 2009, 613). Thus, the argument is that Big Data can reorient the roles that data and theory play in research, and that therefore we should rethink our conception of how scientific knowledge production works.

How, then, should one go about studying Big Data epistemology? How to assess the claim that Big Data enable a novel form of scientific inquiry, which cannot be analysed using traditional epistemological concepts?

In the context of biology, Sabina Leonelli has argued convincingly that in order to critically evaluate the epistemological novelty of Big Data, ‘one needs to analyse the ways in which data are actually disseminated and used to generate knowledge’ (Leonelli 2014, 2). This is quite plausibly so in the context of the social sciences, too. As Kitchin and McArdle (2016) argue, there is no single notion of ‘Big Data’ that would apply across all contexts, and accordingly the ways in which knowledge is generated are likely to vary as well.

Thus it seems sensible that a study of Big Data epistemology in the social sciences should begin with an analysis of the different ways in which Big Data are used in different social scientific contexts. With this purpose in mind, I have collected a number of special issues, sections, and symposia on Big Data that have been published in social scientific journals in the past few years (2013-2016). A review of the different conceptions and uses of Big Data in this collection should give some basis for an assessment of the extent to which the epistemology of the social sciences needs to be reframed.

Below is a list of the collected issues along with short descriptions of their contents.

Special issues, sections, and symposia on Big Data

Political Behavior and Big Data
International Journal of Sociology 46(1), 2016.

The articles in this special issue come from political sociology, cross-national methodology, and computer science. The purpose of the issue is to identify and discuss a set of pressing methodological problems pertaining to the use of Big Data methods in these fields, including the following:

  1. Can Big Data tools be used to describe and explain political behaviour?
  2. How to create a large numerical data set from textual data?
  3. How to deal with the problem of selection in constructing event data with Big Data methods?
  4. How to harmonize large volumes of survey data from distinct sources into one integrated data set?

Big Data in Psychology
Psychological Methods 21(4), 2016.

This special issue provides 10 articles that discuss the benefits of engaging psychological research with Big Data and give instructions for the use of various common research tools. The first four articles offer guides to using Big Data methods and tools in psychological research, giving advice on the use of various APIs and web scraping tools to collect data, as well as on managing and analysing large datasets. The remaining six articles then demonstrate the use of Big Data in psychology, examining the spread of negative emotion on college campuses, models of human declarative memory, methods of theory-guided exploration of empirical data, the uses of statistical learning theory in psychology, and methods for detecting the genetic contributions to cognitive and behavioural phenomena.

Big Data and Media Management
International Journal on Media Management 18(1), 2016.

The stated goal of this special issue is to showcase media management research that employs Big Data, or analyses its use in media management (see the issue introduction, 1-2). The issue includes four research articles, which use Big Data to derive metrics for audience ratings, identify influential factors in terms of news sharing, discuss television use measurement, and examine consumers’ willingness to share personal data.

Special Issue on Big Data
Journal of Business & Economic Statistics 34(4), 2016.

This special issue includes six articles on Big Data finance and seven articles on macroeconomics, high-dimensional econometrics, high-dimensional time series and spatial data. The articles discuss a variety of issues in these fields, developing theory and methods for addressing them as well as investigating applications. (See the issue introduction, 2-3.)

Transformational Issues of Big Data and Analytics in Networked Business
MIS Quarterly 40(4), 2016.

This special issue consists of eleven research articles, which develop a variety of Big Data analysis methods relevant for information systems and business. Included are a data-driven tree based method for assessing interventions in the presence of selection bias; network methods combining sentiment and textual analysis for developing brand advertising; methods for using fine-grained payment data to improve targeted marketing; a study of the causal effectiveness of display advertising; a model to improve resource allocation decisions; a crowd-based method for selecting parts of data as model input; methods for dealing with the scalability and privacy of data sharing; a utility-theory based structural model for mobile app analytics; a predictive modeling method for business process event data; a topic modelling method for measuring the business proximity between firms; and a method to address various wicked problems of societal scale in information systems. (See the issue introduction, 815-817.)

Toward Computational Social Science: Big Data in Digital Environments
The ANNALS of the American Academy of Political and Social Science 659(1), 2015.

The articles in this special issue on Big Data and computational social science come from diverse disciplines, including psychology, epidemiology, political science, and communication studies. The twenty research articles included in the issue are divided into five subsections, titled ‘Perspectives on Computational Social Science’, ‘Computer Coding of Content and Sentiment’, ‘Mapping Online Clusters and Networks’, ‘Examining Social Media Influence’, and ‘Innovations in Computational Social Science’. Each of these sections contains four articles with discussions of the section theme or empirical studies using Big Data.

Big Data, Causal Inference, and Formal Theory: Contradictory Trends in Political Science?
Symposium in Political Science & Politics 48(1), 2015.

The purpose of this symposium is to discuss whether formal theorising, causal inference-making such as experimentation, and the use of Big Data hinder or benefit from each other in political science. The seven articles included in the symposium agree that while there are limits to the extent to which Big Data can help solve problems in theoretical development of causal inference, the three should not be seen as contradictory to each other. In many cases Big Data can supplement the other two.

Section on Big Data
Sociological Methodology 45(1), 2015.

This section focusing on Big Data includes two articles. The first of these develops methods for analysing large-scale administrative datasets to yield econometric measures for urban studies. The second argues for a supervised learning method for analysing unstructured text content that combines machine-based and human-centric approaches.

Big Data, Big Questions
Special section in International Journal of Communication 8, 2014.

This special section includes eight articles which discuss political, ethical, and epistemological issues pertaining to Big Data. The issues discussed in the articles include power asymmetries related to data access; meanings attached to the term ‘Big Data’ in different discourses; the implications for democratic media of the use of Big Data in market advertising; problems pertaining to simplifications and standardizations in large-scale data sets; transparency in Twitter data collection and production; the uses and limitations of spatial Big Data; understanding the practices of the Quantified Self Movement; and the relationship between theory and Big Data.

Big Data in Communication Research
Journal of Communication 64(2), 2014.

This special issue includes eight research articles that use Big Data to address various questions in communication research. The questions addressed include agenda formation in politics; organizational forms of peer production projects; temporal dynamics and content of Twitter messages during elections; the relationship between television broadcasts and online discussion and participation; the acceptance of anti-smoking advertisements; the measurement of political homophily on Twitter; and cross-cultural variation in the use of emoticons.

Symposium on Big Data
Journal of Economic Perspectives 28(2), 2014.

This symposium contains four articles that focus on discussing problems of Big Data analysis in economics and introducing machine learning techniques suitable for addressing them, applications of data mining to analysing high-dimensional data, the uses of data gathered in political campaigns, and privacy issues pertaining to the use of Big Data in economics.

Policy by Numbers: How Big Data is Transforming Security, Governance, and Development
SAIS Review of International Affairs 34(1), 2014.

This issue features essays characterising the role of data in international affairs. The themes discussed range from the effects of selection bias in data collection on policymaking and the potential to use Big Data to estimate slavery, to issues pertaining to the openness of data and data custodianship.

Big Data/Ethnography or Big Data Ethnography
Session in Ethnographic Praxis in Industry Conference 2013.

The EPIC 2013 session on Big Data examines the relationship between Big Data and ethnographic research. The five articles in this session discuss the value of ‘small’ personal data in business, develop tools for analysing qualitative Big Data, argue that Big Data and ethnography should both be viewed as interpretative approaches to analysing human behaviour, examine the discourses and practices surrounding data among technology designers and the health and wellness community, and investigate the use of mobile money using mixed ethnographic methods.

Big Data in Political Science
Political Analysis virtual issue 5, 2013.

This virtual issue is a collection of articles published in Political Analysis between 2005-2013 that showcase the uses of Big Data and methods for analysing it in political science. The uses demonstrated by the articles include the validation of survey reports of voting, validation of online experiments, development of techniques for identifying word usage differences between groups of people, spatial sampling methods based on GPS data, and the measurement of legal significance and doctrinal development in judicial politics. The methods introduced include various Bayesian approaches to Big Data analysis and a general method for statistical inference with network data.

References

Floridi, L. (2012): Big Data and Their Epistemological Challenge. Philosophy & Technology 25(4).

Frické, M. (2015): Big Data and its epistemology. Journal of the Association for Information Science and Technology 66(4).

Hey, T., Tansley, S., and Tolle, K. (Eds.) (2009): The fourth paradigm: Data-intensive scientific discovery. Redmond,WA: Microsoft Research.

Kelling, S., Hochachka, W., Fink, D., Riedewald, M., Caruana, R., Ballard, G., and Hooker, G. (2009): Data-intensive Science: A New Paradigm for Biodiversity Studies. BioScience 59(7).

Kitchin, R. (2014): Big Data, new epistemologies and paradigm shifts. Big Data & Society 1(1).

Kitchin, R. and McArdle, G. (2016): What makes Big Data, Big Data? Exploring the ontological characteristics of 26 datasets. Big Data & Society 3(1).

Leonelli, S. (2014): What difference does quantity make? On the epistemology of Big Data in biology. Big Data & Society 1(1).

Rajapinta January meetup: Organizing social movements, doing political science with computational methods

Our near-monthly Rajapinta meetup was organized on Monday 16.1. In addition to content presentations on themes of organizing social movements and doing political science with computational methods, we also worked on related things in practice: we set in motion the official process of incorporating Rajapinta as a registered association (more about this here), and worked out ways to combine the efforts of different research groups and projects in order to efficiently collect online data related to this year’s municipal elections.

In the first content presentation, Salla-Maaria Laaksonen presented a paper (co-authored with Merja Porttikivi) on the organizational elements of a social movement in Facebook. The case in point was the popular “Lisää kaupunkia Helsinkiin” group, an arena of lively discussion on urban planning in Helsinki with over 10 000 members at the moment. The group specifically focuses on the benefits of dense urban city planning, and tries to find out ways to make Helsinki more “city-like” in this sense. Arguably, it has had an effect on the discussion of city planning in Helsinki at large.

The data for the study were the private discussions between the administrators of the group, which allowed the examination of how and when the elements of organization appear. These tell-tale signs of organization include negotiations on membership, hierarchies, defining rules and monitoring them, and sanctioning. Summarizing the results, social movements online are highly constituted through communication and not so much through, for example, organizational structures. The “Lisää kaupunkia Helsinkiin” group initially seems to be an emergent, grass-roots level and network-like social order, but organizational elements are clearly present in the admin discussions. Salla-Maaria’s presentation slides can be found here (in Finnish).

In the second presentation of the day, professor Pertti Ahonen shared the experiences he has gathered over the years working on the edges of the mainstream research in political science. He has never identified with any particular school of thought and has gathered a lot of connections during his career to people working different paradigms. Long career has allowed him to get accustomed with multiple different philosophies of science and methodologies. Professor Ahonen has had his first contact to what has become “data science” very early. He reminisced the early days of R, which is now widely adopted open source tool in academia and business world. In the recent years, he has used computational tools in his research. As an example, he mentioned work where he applied topic modeling to study Finnish party programs.

Professor Ahonen stated that fitting social theory together with modern computational methods in a meaningful way is one of the key questions to be solved so that social sciences will be able to get the best out of computational research (Ahonen, 2015). In addition, Ahonen stated that computational methods should not be something to be afraid of: in many cases, one can also consider them as computationally assisted qualitative methods.

Rajapinta meetups will continue to be organized about once per month in the spring, details will follow. If you would like to take advantage of the chance to discuss your work with like-minded colleagues, let us know!

Let’s get organized – Rajapinta ry perustettu

2017-01-16-15-55-52

Tapaamisessamme 16.1.2017 pidimme perustamiskokouksen Rajapinta ry -nimiselle yhdistykselle, jonka tarkoituksena on tukea tieto- ja viestintäteknologian yhteiskuntatieteellistä tutkimusta. Täsmällisemmin, PRH:lla nyt hyväksyttävänä olevista säännöistä lainaten:

Yhdistyksen tarkoituksena on ylläpitää, tukea ja kehittää tieto- ja viestintäteknologian yhteiskunnallista tutkimusta, ylläpitää, tukea ja kehittää tietoteknologiaa soveltavia tutkimusmenetelmiä yhteiskuntatieteelliseen tutkimukseen, sekä seurata ja ottaa kantaa tieto- ja viestintäteknologian yhteiskunnallista vaikutusta tai niiden soveltamista koskeviin kysymyksiin. Yhdistys edistää alan tutkimuksen kotimaista sekä kansainvälistä yhteistyötä.

Miksi tällainen yhdistys tarvitaan? Toisin kuin useissa muissa maissa, Suomessa ei ole vielä muodostettu erillistä akateemista tutkimusyksikköä tieto- ja viestintäteknologian yhteiskunnallisista vaikutuksista kiinnostuneille yhteiskuntatieteilijöille. Teemaan erikoistuminen esimerkiksi maisteriopinnoissa ei ole mahdollista missään yhteiskuntatieteellisessä koulutusohjelmassa tällä hetkellä. Siksi päätimme ketterästi ryhtyä rakentemaan tutkimusyhteisöä itse, monitieteiselle pohjalle eri tutkimusorganisaatioiden yhteistyönä. Rajapinta on tutkimusyhteisö tieto- ja viestintäteknologian ja yhteiskunnan välissä oleville tutkijoille ja opiskelijoille.

Toimintaamme kuuluu muun muassa tieteen popularisointia ja ajankohtaisten ilmiöiden asiantuntevaa käsittelyä tämän Rajapinta.co-blogin kautta, kuukausittaiset tutkijatapaamiset sekä vuosittainen Rajapinta-päivä, jossa esitetään alan suomalaista tutkimusta ja kutsutaan kansainvälisiä vierasluennoitsijoita. Tervetuloa meetup-tapaamisiin tutustumaan toimintaamme!

Yhdistyksen toimintaa tukee seuraavat neljä vuotta Koneen Säätiö vuoden 2016 lopulla myönnetyllä apurahalla. Yhdistyksen puheenjohtajana toimii Matti Nelimarkka.

– –

Same briefly in English: in out meetup on Monday Jan 16th we founded an association for social science orientated ICT research, under the name Rajapinta ry. The purpose of the association is to support and develop social science orientated research on information and communication technologies in the Finnish academia. Currently there are no institutions in Finnish universities that would specialize on ICT with a social scientific orientation, and for example no master programs allow students to specialize in these questions. Therefore, we decided to start a lean format of collaboration between Finnish researchers and universities to promote and support theoretical, methodological and practical issues related to ICTs and the society. Most of our activities are bilingual in Finnish and in English – you are most welcome to our future meetups!

Botteja, algoritmeja ja kokemuksen väärentämistä

 

Tällä viikolla Etelä-Saimaa julkaisi Juho Maijalan kirjoittaman jutun, jossa kerrottiin kansanedustaja Jani Mäkelän (ps.) mielipidekirjoituksiin kohdistuneesta bottiklikkausliikenteestä. Klikkiliikenteen seurauksena kyseiset kirjoitukset olivat nousseet lehden luetuimpien listalla kärkeen. Tapaus on rakenteeltaan mielenkiintoinen. Joku tai jotkut tahot ovat käyttäneet botteja vaikuttaakseen algoritmiin vaikuttaakseen juttujen asemaan verkkosivulla, minkä mitä luultavimmin toivotaan vaikuttavan lukijoiden toimintaan ja ajatuksiin. Tapaus siis suorastaan huokuu nykyaikaa ja näyttää osuvasti, kuinka algoritmeja voidaan valjastaa palvelemaan tarkoitusperiä, joita niiden kehittäjät eivät ole toivoneet.

Erving Goffman puhuu teoksessaan Frame analysis (1986) kokemuksen väärentämisestä (käyttäen termiä fabrication englanniksi). Etelä-Saimaan jutussa puhutaan näkyvyyden lisääntymisestä yhtenä seurauksena manipulaatiosta; itse lisäisin joukkoon myös kokemuksen muokkaamisen. Korkea asema luetuimpien listalla viestii myös jutun asemasta suosittuna muiden ihmisten keskuudessa, eli siihen liittyy sosiaalista informaatiota. Tässä tapauksessa kokemuksen väärentäminen kohdistuu juuri tähän. Kehys, jossa informaatiota tulkitaan perustuu oletukseen, että muut ihmiset ovat omalla toiminnallaan nostaneet tietyn tekstin luetuimpien listalla kärkipaikoille. Ihmiset käyttävät usein muiden toimintaa tiedonlähteenä oman toimintansa suhteen ja se voi osaltaan vaikuttaa myös sisällön arviointiin (e.g. Salganik, Dodds, & Watts, 2006; Knobloch-Westerwick, Sharma, Hansen, & Alter, 2005). Paljon luettu artikkeli voidaan tulkita sisällöltään ja näkökulmaltaan validiksi ja suosionsa perusteella tärkeäksi. Algoritmi toimi tilanteessa niin kuin se oli rakennettu: sen kannalta jokainen klikkaus oli yhtä aito kuin mikä tahansa muu. Se mikä tälle algoritmille on relevanttia dataa on ihmisen valinta. Klikkauksen ajatellaan symboloivan kiinnostusta tai muuta mahdollisesti positiivista suhtautumista tiettyyn kirjoitukseen. Tässä tapauksessa paljastui, että jos klikkausmäärä on se, minkä ajatellaan olevan objektiivinen mittari, niin klikkaus ei itsessään aina tarkoita ihmisen klikkausta ja intentio klikkauksen takana ei aina ole selvä.

Etelä-Saimaa paljastaessaan epäilyttävän verkkoliikenteen purki, Goffmanin termejä käyttäen, kehyksen joka oli botteja käyttäen rakennettu Jani Mäkelän mielipidekirjoitusten ympärille. Koko tapaus on osuva kuvaamaan, kuinka haavoittuvainen jopa hyvin yksinkertaisten mittareiden perusteella rakennettu kokemus voi olla, miten algoritmeja on mahdollista manipuloida omien intressien edistämiseksi, ja toisaalta kuinka fabrikoituja kehyksiä on mahdollista purkaa.

Kirjallisuutta:

Goffman, E. (1986). Frame analysis: An essay on the organization of experience. Harvard University Press.

Knobloch-Westerwick, S., Sharma, N., Hansen, D. L., & Alter, S. (2005). Impact of popularity indications on readers’ selective exposure to online news. Journal of Broadcasting & Electronic Media, 49(3), 296–313.

Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental study of inequality and unpredictability in an artificial cultural market. Science, 311(5762), 854–856.

Algoritmitutkimuksesta yleisemmin:

Gillespie, T. (2012). The relevance of algorithms. Media Technologies: Essays on Communication, Materiality, and Society, (Light 1999), 167–194. http://doi.org/10.7551/mitpress/9780262525374.003.0009

Kitchin, R. (2016). Thinking critically about and researching algorithms. Information, Communication & Society, 1-16.

CFP: Sosiologipäivät: Yhteiskunnan ja menetelmien digitalisaatio

profiiliSosiologipäivät 23.–24.3.2017, Tampereen yliopisto

Yhteiskunnan ja menetelmien digitalisaatio

Koordinaattorit: Veikko Eranti (veikko.eranti@gmail.com), Epp Lauk (epp.lauk@jyu.fi), Erle Rikmann (erle.rikmann@jyu.fi), Tuukka Ylä-Anttila (tuukka.yla.anttila@gmail.com)

Kun ihmiset elävät sosiaalisia elämiään entistä enemmän digitaalisesti ja verkossa, digitaalinen elämä on otettava osaksi kaikkea sosiaalitutkimusta, mutta samalla on tutkittava digitaalisen elämän erityisyyttä: millä kaikilla tavoilla digitaalisuus vaikuttaa sosiaalisuuteen? Miten jokapäiväisen elämän, kulutuksen ja työn digitalisaatio muuttaa elämäntapojamme? Millaisia epätasa-arvon ilmiöitä digitalisaatio tuo mukanaan? Kasvavatko ja mukautuvatko sosiaaliset instituutiot ja kansalaisten kyvyt digitalisaation tahdissa? Tuottaako anonyymi verkostokommunikaatio salaliittoteorioita ja vihapuhetta?

Big data ja computational social science tuovat sosiaalitutkimuksen kentälle muitakin ammattilaisia kuin sosiaalitieteilijöitä. Aineisto- ja menetelmämahdollisuuksien mukana tulee myös ongelmia: miten datatiede ja yhteiskuntatiede saadaan puhumaan keskenään? Vai pitäisikö mieluummin varmistua yhteiskuntatieteilijöiden datataidoista ja datatieteilijöiden yhteiskunnallisista analyysitaidoista? Digitaalisuus hämärtää määrällisten ja laadullisten menetelmien rajaa, kun lisääntyvältä määrälliseltä tutkimukselta vaaditaan entistä enemmän tulosten tulkintaa, kun taas laadulliselta tutkimukselta on alettu vaatia edustavien aineistojen käyttöä ja mitattavuutta. Mitä kvantisosiologi voi tehdä some-aineistolla ja miten kulttuurisosiologi voi käyttää algoritmeja?

Toivotamme tervetulleiksi esitykset yhteiskuntien ja menetelmien digitalisaatiosta suomeksi tai englanniksi! Abstraktien deadline 22.1.

https://www.lyyti.fi/reg/sosiologipaivat2017cfp