Hesaplamalı sosyal bilimler nedir?

Psikoloji, sosyoloji, iktisat, siyaset bilimi, dilbilim… Sosyal bilimler, insanı ve davranışlarını, insanın etkilediği ve etkilendiği bütün bağlamları ile inceleyen, bireyden topluma çeşitli ölçeklerde araştırmayı kapsayan geniş bir alan. İnsan hayatının giderek artan bir kısmı dijital dünyada geçtiği için sosyal bilimlerin araştırma yöntemlerinin dijital ayak izlerini takip edebilecek şekilde genişletilmesi kaçınılmazdı. Hesaplamalı sosyal bilimler (İng. computational social science, social computing), bir yandan bu ihtiyaca cevap vermeye yönelik bir alan olarak ortaya çıktı. Diğer yandan da bu yöntemlerle toplumun sosyal ağlarda ve diğer dijital platformlarda bıraktığı ayak izlerinden bir şeyler öğrenerek sosyal bilimleri zenginleştirme fırsatı doğdu. Bu yazıda dünyada ve Türkiye’de gittikçe önem kazanan bu alanı kısaca tanıtmayı amaçladım.

2000’lerin başından itibaren büyük sosyal medya şirketleri ellerindeki verinin inanılmaz bir hızla büyüdüğüne şahit oldular. 2006’da matematikçi Clive Humby’nin “veri yeni petroldür” sözleri sadece büyük verinin değerine değil, bu verinin işlenmesi ve “rafine edilmesi” gerektiğine de işaret ediyordu.

Tanım olarak hesaplamalı sosyal bilimler, karmaşık ve çoğunlukla büyük ölçekte işlenen, doğal veya simülasyon ile oluşturulmuş insan davranışı verisini analiz etmek için hesaplamalı yöntemler geliştirmeyi ve bunları uygulamayı içeriyor.[1]Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., (2009). Computational social science. Science, 323(5915), pp.721-723.

Doğal davranış verisine örnek olarak bireylerin cep telefonu kullanım verisi, banka işlemleri, sosyal medya kullanımı gibi, arkasında dijital bir iz bırakan her türlü davranışı gösterebiliriz. Simülasyonlar ise genellikle bu doğal davranış verilerinden yola çıkarak olası senaryolar dahilinde yapay veri üretiyorlar.[2]Axelrod, R. (1997). Advancing the art of simulation in the social sciences. Simulating social phenomena (pp. 21-40). Springer, Berlin, Heidelberg. Örneğin gerçek cep telefonu kullanım verisinden öğrenilmiş hareketlilik modelleri ile bir şehirde salgın hastalık çıksa bunun nasıl yayılabileceğini yapay olarak sentezleyip, buna göre çıkarımlar yapıyorlar.[3]Bosetti, P., Poletti, P., Stella, M., Lepri, B., Merler, S., De Domenico, M. (2019). Reducing measles risk in Turkey through social integration of Syrian refugees. Proc. Data for Refugees Challenge.9

Bu yenilikçi yöntemlere çok basit bir örnek olarak Twitter verisi ile acil durumları izleme (ESA – Emergency System Awareness) uygulamasını gösterebiliriz.[4]Cameron, M.A., Power, R., Robinson, B., Yin, J., (2012). Emergency situation awareness from Twitter for crisis management. Proceedings of the 21st international conference on world wide web (pp. 695-698). Bu uygulamada Twitter platformundan düzenli olarak, 5 dakika aralıklarla veri toplanıyor, toplanan veride bölge başına acil durum gösterebilecek kelimelerin (örneğin “yangın”, “alev”, “duman”) sıklığı izleniyor ve buna göre bir alarm üretiliyor. Yani herhangi bir yerde yangın gören insanların Twitter kullanarak bunu duyuracakları varsayımı ile bir sanal yangın kulesi üretmek mümkün. Her ne kadar yangın izleme bir sosyal bilimsel problem sayılmasa da, insan davranışının analizi ile yapılabilecek uygulamaların çeşitliliğini göstermesi açısından ilginç bir örnek.

Sosyal bilimlerin her alanında, felsefede bile, büyük ölçekli ve sosyal medyadan toplanmış veriye dayalı araştırmalar yapılabiliyor. Daha önceki bir Sarkaç yazımda ahlaki normların coğrafyaya göre nasıl değiştiğini ve bunun otonom arabalardan beklentileri nasıl etkilediğini gösteren bir çalışmayı anlatmıştım. O çalışmada araştırmacılar deneylerini bir anket araştırması gibi tasarlamış, sosyal medya sayesinde yaklaşık yarım milyon insana ulaşmışlardı.[5]Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J.F., Rahwan, I., (2018). The moral machine experiment. Nature, 563(7729), pp.59-64.

Seçim analizleri ve kestirimleri için sosyal medya ile toplumsal dinamiklerin anlık değişimlerini gözlemleme de hesaplamalı sosyal bilimler yaklaşımlarına güzel bir örnek. Türkiye’de büyük veriye dayalı seçim analizleri 2015 seçimlerinde Çilek Ağacı platformunda yapılmış ve geniş kitlelere ulaşmıştı. Sabancı Üniversitesi’nde başlatılan #Secim2023 projesi de dezenformasyon yayılımı, sosyal ağlarda yaratılan bot hesaplar ile seçim manipülasyonu gibi konularda toplumu bilinçlendiriyor.[6]Varol, O., Ferrara, E., Davis, C., Menczer, F., Flammini, A. (2017). Online human-bot interactions: Detection, estimation, and characterization. Proceedings of the International AAAI Conference on Web and Social Media, 11(1), pp. 280-289.

Özyeğin Üniversitesi’nde yürütülen bir TÜBİTAK projesi ise bilgi alınması zor savaş ve çatışma bölgelerinden yeni bulgular elde edebilmek için sosyal medyayı kullanıyor.[7]Ünver, A., Kurnaz, A (2022). Social Media as Conflict Event Data. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press.

Bu projelerin ortak noktası büyük verinin ve yapay zekânın toplum yararına kullanımı için özgün yaklaşımlar getirmeleri.

Hesaplamalı sosyal bilimler klasik araştırma yöntemlerinin ölçeğini büyütmek dışında da imkanlar sağlıyor. Örneğin Covid-19 ile mücadelede cep telefonu uygulamaları ve verisinin kullanımı çok farklı şekillerde gerçekleşti: telefon verisi sayesinde gerçekçi hareketlilik simülasyonları ile senaryolar test edildi, karantina süreçleri izlendi, pandemi politikalarının sonuçları analiz edildi.[8]Oliver, N., Lepri, B., Sterly, H., Lambiotte, R., Deletaille, S., De Nadai, M., Letouzé, E., Salah, A.A., Benjamins, R., Cattuto, C., Colizza, V., Vinck, P. (2020). Mobile phone data for informing public health actions across the COVID-19 pandemic life cycle. Science advances, 6(23), eabc0764.[9]Jia, J. S., Lu, X., Yuan, Y., Xu, G., Jia, J., Christakis, N.A. (2020). Population flow drives spatio-temporal distribution of COVID-19 in China. Nature, 582(7812), pp. 389-394.

İnsan duygu durumu değişiklikleri psikolojide genellikle birey seviyesinde incelenirken, yüz binlerce Tweet’in analizi ile kitlelerin olumlu ve olumsuz duygularının zaman içerisinde değişimlerini incelemek mümkün oldu[10]Fan, R., Varol, O., Varamesh, A., Barron, A., van de Leemput, I. A., Scheffer, M., Bollen, J. (2019). The minute-scale dynamics of online emotions reveal the effects of affect labeling. Nature Human Behaviour, 3(1), 92-100. Benzer bir yaklaşımla Selfie City projesinde Lev Manovich farklı şehirlerin duygu dağılımlarını o şehirlerde çekilen Instagram fotoğraflarındaki yüzlerin imgeye dayalı duygu analizi ile görselleştirdi.

Hangi veri?

Hesaplamalı sosyal bilimlerin en büyük malzemesini büyük şirketlerin işlem kayıtları ve müşterilerini daha iyi anlamak (ve onlara uygun içerik sunmak) için topladığı muazzam miktarda veri ile kullanıcıları tarafından oluşturulan içeriğin tekrar dağıtımını sağlayan (Facebook, Twitter, Instagram gibi) platformlarda biriken veri oluşturuyor.

Bunlardan birincisine örnek olarak telekom operatörlerinin ve bankaların tuttuğu işlem kayıtlarını gösterebiliriz. Örneğin 2022 Kasım ayında Boğaziçi Üniversitesi’ni ziyaret ederek bir konuşma yapan Joshua Blumenstock, bu konuda çok bilinen bir çalışmasında Ruanda’da gelir dağılımının detaylı bir haritasını çıkartmak için cep telefonu kullanım verisini inceledi.[11]Blumenstock, J., Cadamuro, G., On, R., (2015). Predicting poverty and wealth from mobile phone metadata. Science, 350(6264), pp.1073-1076. Doğrudan telekom operatöründen alınan ve anonim olarak işlenen bu veri, bir buçuk milyon kullanıcı için yapılan telefon konuşmalarının hangi semtten, hangi saat aralığında ve ne kadar sürdüğünü içeriyordu. Buna dayanarak, her bir kullanıcının ne kadar hareket ettiği, hangi ilçede yaşayıp hangi ilçede çalıştığı gibi saptamalar yapılabildi. Blumenstock bu telefon verisine ek olarak 856 telefon kullanıcısından alınmış anket verisi ile oluşturduğu bir örneklemi kullanarak, yapay öğrenme yöntemleri sayesinde bütün bir ülke için ayrıntılı gelir dağılımı haritası çıkarabildi. Kurdukları model kişi bazında cep telefonu hareketliliğini gelir seviyesi kestirimi için kullanıyordu ve anket yapılan kişiler denetimli öğrenme (supervised learning) yaklaşımı kullanılabilmesini sağlamıştı. Bu şekilde normalde 12-18 ay süren ve bir milyon doların üzerinde maliyeti olan bir nüfus sayımı ile elde edilebilen bir demografik bilgiyi, dört haftada, yaklaşık on iki bin dolar maliyetle üretmek mümkün oldu.

İkinci veri tipine örnek olarak da Facebook ve LinkedIn sosyal platformlarında toplanmış veriyi kullanarak nitelikli göç üzerine yapılan araştırmaları gösterebiliriz.[12]Vieira, C.C., Fatehkia, M., Garimella, K., Weber, I. and Zagheni, E., (2022). Using Facebook and LinkedIn data to study international mobility. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press. Sosyal medya özellikle başka bir ülkeye göç eden insanların geride bıraktıkları aile ve arkadaş çevresi ile bağlantılarını sürdürmek için yoğun olarak kullanıldığından, buradaki izlerin analizi kıymetli nicel bilgi sağlıyor.

İnterdisipliner bir araştırma alanı 

Hesaplamalı sosyal bilimler dediğimiz zaman, tanımından da anlaşılacağı gibi, sosyal bilimlerin alet çantasına eklenen bir dizi yeni (ve ekseriyetle nicel) gereçten bahsediyoruz.

Bu gereçler ne her türlü soruya cevap verme iddiasındalar, ne de klasik yaklaşımların yerine geçebilirler. Yüz binlerce göçmenin cep telefonu verisini işlemek onların ülke içindeki dağılımını az çok gösterir elbette ama göçmenlerle konuşarak, sahada yapılacak çalışmanın vereceği içgörünün yerini doldurmaz. Tam tersine, büyük verinin işlenmesi ve yorumlanması sırasında uzmanların değerlendirmesi gereklidir. Örneğin Kolombiya’daki Venezuela’lı göçmen sayılarını cep telefonu kullanımından kestirmeye çalışırken burada çok yaygın olan ortak telefon kullanımını bilmiyorsanız, yaptığınız kestirimler tamamen yanlış olacaktır. Bu yüzden hesaplamalı sosyal bilimler temelinde disiplinlerarası bir uğraştır. Büyük verinin işlenmesi ve algoritma geliştirilmesi hesaplamalı alanlardaki araştırmacılar tarafından yapılsa da örneklemin ve sonuçların değerlendirilmesi, yöntemin sağlamlığının teyidi sosyal bilimler alanından araştırmacılarca yürütülür.

2021 yılında düzenlenen Networks konferansında hesaplamalı sosyal bilimler konusunda bir panel düzenlendi ve bu panelin katılımcılarının katkılarıyla Nature dergisinde bu konuda bir özel sayı çıkarıldı. Bu sayıda farklı disiplinlerin problemlere yaklaşım biçimleri üzerinden ilginç bir tartışma yapıldı ve hesaplamalı sosyal bilimlerin bazı sorunları vurgulandı.[13]Hofman, J.M., Watts, D.J., Athey, S., Garip, F., Griffiths, T.L., Kleinberg, J., Margetts, H., Mullainathan, S., Salganik, M.J., Vazire, S., Vespignani, A., (2021). Integrating explanation and prediction in computational social science. Nature, 595(7866), pp.181-188.

Bu çalışmaya göre en temel sorunlardan biri büyük verinin gelişmiş yapay öğrenme teknikleri ile buluştuğunda güçlü kestirim modelleri sağlaması ama bunu problemin doğasına ilişkin fazla bir şey söylemeden yapabilmesiydi. Gelişmiş yapay öğrenme modellerinin pek çoğunda gördüğümüz bu sorun aslında hesaplamalı bilimlerin problemlere daha indirgemeci yaklaşmasından, anlamaktan çok kestirmeye, bilgisayarla işlemesi daha zor olan nitel veri yerine nicel veriye önem vermelerinden de kaynaklanıyor. Bu sistemler karışık bir ilişkiler ağı oluşturup bir karar vermeyi “öğreniyorlar” ama dışarıdan bakan birisi kolay kolay bu kararların nasıl verildiğini anlayamıyor.

Örneğin Google Flu uygulaması insanların Google arama motoru kullanarak yaptıkları aramaların coğrafi dağılımı ve sıklık analizi ile grip salgınlarını başarıyla kestirebiliyordu, ama epidemiyologlara bunun ötesinde çok fazla işe yarar bilgi veremiyor, salgının yayılmasında hangi faktörün ne kadar önemli olduğu, faktörlerin birbirini nasıl etkilediğini söyleyemiyordu. Zaman içinde insanların arama davranışı değiştiğinden kestirim başarısı da düştü. Kullanılan çok parametreli yapay öğrenme modeli çok karmaşık olduğu için modeli uyarlamak kolay değildi, tamamen baştan eğitilmesi gerekiyordu. Oysa sosyal bilimlerde problemin doğası ile ilgili içgörülerin üretilmesi, faktörlerin birbiriyle ilişkilerinin anlaşılması, bağlamın dikkatle değerlendirilmesi önemliydi. Bu sorunların çözümü belki de yapay zekâ araştırmalarının son yıllarda özellikle yoğunlaştığı “açıklanabilir (explainable) modelleme” yaklaşımlarında gizli. Özellikle derin yapay sinir ağları gibi milyonlarca parametre içeren modelleri bir tarafından verinin girdiği, diğer tarafından bir takım kararların çıktığı “kara kutular” olarak kullanmak yerine, içeride olup biteni daha iyi anlayabileceğimiz “cam kutu” yaklaşımları geliştiriliyor.

Türkiye’de hesaplamalı sosyal bilimler

Türkiye’de son on yılda pek çok üniversitede bu alanda çalışmaların yapıldığını, dersler ve seminerler verildiğini, yüksek lisans ve doktora tezlerinin üretildiğini görüyoruz.

Boğaziçi Üniversitesi Bilgisayar Mühendisliği Bölümü’nde bu konuda ilk yüksek lisans dersi 2020-2021 öğretim yılında, Özyeğin Üniversitesi Uluslararası İlişkiler Bölümü’nde bütün bölümlere açık olarak verilen bir lisans dersi 2021-2022 öğretim yılında başlatıldı.

2021 yılında Koç Üniversitesi’nde başlatılan Hesaplamalı Sosyal Bilimler yüksek lisans programı ise bu alanda Türkiye’deki ilk yüksek lisans programı olma özelliğini taşıyor. Çalışmalarını bu alanda yoğunlaştıran merkezler arasında 2015, 2016, ve 2021’de Sabancı Üniversitesi’nde, 2019’da Koç Üniversitesi’nde, 2022’de Özyeğin Üniversitesi’nde kurulan araştırma gruplarını ve 2022’de Koç Üniversitesi’nde kurulan Hesaplamalı Sosyal Bilimler Araştırma Merkezi’ni örnek verebiliriz.

Son üç yılda Türkiye’de bu konularda öğrencilerin ve araştırmacıların katılımına yönelik pek çok toplantı gerçekleştirildi. Bunların ufak bir kısmını burada sayabiliriz.

2019’da Kadir Has Üniversitesi’nde Hesaplamalı Sosyal Bilimler Yaz Enstitüsü’nün (SICCS – Summer Institute in Computational Social Science) ilk Türkiye organizasyonu gerçekleştirildi.[14]2017’de başlatılan ve dünyanın pek çok ülkesinde düzenlenen bu yaz okulu için üretilen ders malzemelerine açık kaynaklı olarak ulaşılabiliyor. 2020’de Koç Üniversitesi’nde hesaplamalı sosyal bilimler ve yapay zekâ alanlarında araştırma yapan akademisyenlerin çevrimiçi olarak sunumlar yaptığı bir seminer dizisi başlatıldı. Koç Üniversitesi’nde AB desteği ile yürütülen “Social Comquant” projesi Türkiye’de hesaplamalı sosyal bilimler altyapısını güçlendirmek amacı taşıyordu; 2021 ve 2022’de birer yaz okulu düzenleyerek Covid-19 ile mücadelede büyük verinin rolü gibi güncel konularda eğitimler verdi, çalıştaylar ve yurtdışı araştırmacı değişimleri gerçekleştirdi. Yine AB desteği ile yürütülen “Hummingbird” projesi ise cep telefonu verisinin göç araştırmalarında kullanımı ile ilgili iki günlük bir çalıştayı Boğaziçi Üniversitesi’nde düzenledi. Koç Üniversitesi’nde yürütülen ERC projesi Emerging Welfare kapsamında,  hesaplamalı sosyal bilimler yöntemleri kullanarak bir protesto hareketleri veri seti oluşturuldu ve bu konuda çalıştaylar düzenlendi. Bu toplantılar Türkiye’deki araştırmacılarla sınırlı değildi, yurtdışından da pek çok araştırmacı bu toplantılara katıldı.

Bunlara ek olarak, ağırlıklı olarak yurtiçi katılımla düzenlenen toplantılar da gerçekleştirildi. Bilkent Üniversitesi’nde Social Sciences Society (SSS) öğrenci grubu 2021 ve 2022’de hesaplamalı sosyal bilimler konulu ikişer günlük etkinlikler düzenleyerek özellikle bu konularda çalışan Türkiyeli araştırmacıları bir araya getirdi. Çevrimiçi bir grup olan Karmaşık Sistemler ve Veri Bilimi Topluluğu 2022’de Boğaziçi Üniversitesi ve Galatasaray Üniversitesi işbirliğiyle ana teması hesaplamalı sosyal bilimler olan bir çalıştay düzenledi. 2022’de otuzuncusu düzenlenen IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU) da ilk defa bu sene hesaplamalı sosyal bilimler konusunda bir özel oturuma yer verdi ve göç, politika, ekonomi gibi oldukça geniş bir yelpazede Türkiye’de ve yurtdışında çalışmalar yapan akademisyenleri Safranbolu’da bir araya getirdi.

Veri işbirlikleri

Saydığımız araştırma ve eğitim faaliyetleri dışında endüstri ile veri işbirliklerinden de kısaca söz etmek gerekir. “Veri işbirliği”, özel şirketlerin araştırma ve devlet kurumlarıyla veri paylaşarak toplumsal bir konuda politika geliştirmeye ve çözüm üretmeye yardımcı olmaları, şirketin normal süreçleri için toplanan bazı verilerin toplumsal fayda için (elbette kullanıcı hakları ve gizlilik korunmak suretiyle) analize açılmasını anlatan bir kavram.

2016-2019 yılları arasında Türk Telekom, Boğaziçi Üniversitesi ve TÜBİTAK tarafından düzenlenen Mülteciler İçin Büyük Veri (D4R – Data for Refugees) Yarışması’nda Türkiye’deki bir çok araştırma grubu, Kızılay, UNHCR, UNICEF gibi kurumlar ve sivil toplum örgütleri, bir milyon kullanıcıdan toplanmış cep telefonu üst verisi ile mültecilerin eğitim, sağlık, güvenlik, işsizlik, ve entegrasyon sorunları üzerine projeler geliştirdi.[15]Salah, A.A., Pentland, A., Lepri, B., Letouzé, E., De Montjoye, Y.A., Vinck, P., (2019). Guide to mobile data analytics in refugee scenarios: The ‘Data for Refugees Challenge’ study. Cham: Springer.[16]Proceedings of the Data for Refugees Challenge Workshop (21 Ocak 2019) https://webspace.science.uu.nl/~salah006/d4r-proceedings.pdf

2019’da başlayan ve göç alanında büyük veri kullanımını araştıran Hummingbird AB projesinde ise Turkcell Teknoloji yer alarak Türkiye’nin iç ve dış göç dinamiklerinin araştırılmasına destek oldu. Finans kurumları ile yapılan veri işbirliklerine bir örnek Sabancı Üniversitesi, Massachusetts Institute of Technology (MIT) ve Akbank arasında 2015’te gerçekleşti. Bu işbirliği finansal hizmetler konusunda hesaplamalı sosyal bilimler araştırmalarına ön ayak oldu,[17]Kaya, E., Dong, X., Suhara, Y., Balcisoy, S., Bozkaya, B., (2018). Behavioral attributes and financial churn prediction. EPJ Data Science, 7(1), p.41. göç araştırmalarında bu tip verilerin nasıl kullanılacağına dair önemli ipuçları sağladı.[18]Gürkan, M., Bozkaya, B., Balcisoy, S., (2022). Financial datasets: Leveraging transactional big data in mobility and migration studies. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press. Tıpkı cep telefonu kayıtlarında olduğu gibi, finansal hizmet alınan şehrin değişimi ülkedeki iç göç ve göç edenlerin demografik dağılımı konularında bilgi veriyordu. Böylece finansal hizmet verisinin müşterilerin banka değiştirme tercihlerinin kestirimi gibi bankacılık uygulamalarının ötesinde kullanılabileceği gösterildi.

Hesaplamalı sosyal bilimlerin veri ihtiyacını sağlayan belli başlı veri kaynakları (ör. devlet istatistik enstitüleri, bakanlık ve belediyelerin veri portalları) ile veri işbirliklerinden doğan verinin araştırma ve geliştirmeye dönüşebilmesi için veriye erişimin düzenlenmesi ve kolaylaştırılması gerekiyor. Bu amaçla örneğin Avrupa Birliği’nin yaratmış olduğu veri portalında bir buçuk milyon veritabanına erişilebiliyor, her veritabanı için üst veriye ulaşılarak verinin nasıl, ne zaman, kimler tarafından toplandığı, hangi lisans ile temin edilebileceği ve FAIR[19]Findable, Accessible, Interoperable ve Reusable” kelimelerinin baş harflerinden oluşur ve “Bulunabilir, erişilebilir, her yerde çalışabilir ve tekrar kullanılabilir” anlamına gelir. veri prensipleri açısından değerlendirmelerine ulaşılabiliyor. Türkiye’de de yapay zekâ, büyük veri ve hesaplamalı sosyal bilimlerin veri ihtiyacını giderebilmek için 2022’de TÜBİTAK TÜSSİDE bünyesinde çalışmalar başlatıldı. Hazırlanan verilerin durağan değil sürekli güncellenen, akışkan bir yapıda olması, üst verinin tam ve doğru hazırlanması, paylaşımı kolaylaştıracak lisans modellerinin hazırlanmış ve kolayca seçilip düzenlenecek formatta verilmesi, veriyi kullanmak isteyenlere hızlıca cevap verecek iletişim kanallarının tanımlanması, ve en önemlisi, ilgili veri kaynaklarının kolayca bulunabilecek şekilde endekslenmesi için devlet kurumlarının ve üniversitelerin işbirliği gerekiyor. Ayrıca üniversitelerdeki etik komisyonlarının büyük veriye has problemlere aşina olması ve bu tip projelerin değerlerlendirilmesi için onlara yardımcı olacak kaynakların da hazırlanması gerekiyor.

Etik meseleler

Burada yer verdiğim projelerde büyük veri analizi yöntemleri geliştirmenin yanı sıra büyük veri etiği, kişisel bilgilerin korunumu, veri işbirliklerinin hukuki boyutlarına dair çalışmalar da yapıldı.[20]Salah, A.A., Canca, C. Erman, B., (2022). Ethical and legal concerns on data science for large scale human mobility. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press. Büyük veri ile insan davranışının analizi Orwell’in kurguladığı büyük biraderin, yahut Foucault’un uyardığı gözetim toplumundaki otoritenin elinde bir baskı aracına dönüşebilir. Dolayısıyla bu konudaki bütün çalışmalar etik değerlendirmeden geçmek zorundadır. Burada en önemli husus büyük veri kullanımının getirdiği yararlar ile olası riskleri birlikte, katılımcı ve geniş bir yaklaşımla değerlendirmektir. Örneğin cep telefonu verisi ile bir pandemi veya doğal felaket sırasında çok daha etkin müdahale yapılabilecekse, bunu bireyin özgürlüklerinin kısıtlanmayacağı ve kişisel bilgilerinin paylaşılmayacağı şekilde yapmak gerekir.

Hesaplamalı sosyal bilimlerin önümüzdeki yıllarda önemini koruyacağını ve yeni yöntemlerle zenginleşeceğini kestirmek güç değil. Türkiye’de ve yurtdışında bu konuyla ilgilenen akademisyenler yapılan çalışma ve etkinliklerin duyurulması ve bilgi paylaşımı için 2019 yılında iletişim dili Türkçe olan bir e-posta listesi kurdular.[21]Resmi bir kuruma bağlı olmayan ve gönüllülük esasıyla moderasyonu yapılan bu listeye https://groups.google.com/g/soc-comp-tr adresinden ulaşarak üye olabilirsiniz. Bu konulardaki gelişmeleri takip etmek isteyen okuyucuları bu listeye davet ediyoruz.

Bu yazının hazırlanmasında değerli katkılarını esirgemeyen Merih Angın, Selim Balcısoy, Uzay Çetin, Didem Gündoğdu,  Akın Ünver, Onur Varol ve  Erdem Yörük’e teşekkür ederim.

Albert Ali Salah
Utrecht Üniversitesi, Enformasyon ve Bilgisayar Bilimleri Bölümü


Creative Commons LisansıBu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır. İçerik kullanım koşulları için tıklayınız.


Notlar/Kaynaklar

Notlar/Kaynaklar
1 Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., (2009). Computational social science. Science, 323(5915), pp.721-723.
2 Axelrod, R. (1997). Advancing the art of simulation in the social sciences. Simulating social phenomena (pp. 21-40). Springer, Berlin, Heidelberg.
3 Bosetti, P., Poletti, P., Stella, M., Lepri, B., Merler, S., De Domenico, M. (2019). Reducing measles risk in Turkey through social integration of Syrian refugees. Proc. Data for Refugees Challenge.9
4 Cameron, M.A., Power, R., Robinson, B., Yin, J., (2012). Emergency situation awareness from Twitter for crisis management. Proceedings of the 21st international conference on world wide web (pp. 695-698).
5 Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J.F., Rahwan, I., (2018). The moral machine experiment. Nature, 563(7729), pp.59-64.
6 Varol, O., Ferrara, E., Davis, C., Menczer, F., Flammini, A. (2017). Online human-bot interactions: Detection, estimation, and characterization. Proceedings of the International AAAI Conference on Web and Social Media, 11(1), pp. 280-289.
7 Ünver, A., Kurnaz, A (2022). Social Media as Conflict Event Data. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press.
8 Oliver, N., Lepri, B., Sterly, H., Lambiotte, R., Deletaille, S., De Nadai, M., Letouzé, E., Salah, A.A., Benjamins, R., Cattuto, C., Colizza, V., Vinck, P. (2020). Mobile phone data for informing public health actions across the COVID-19 pandemic life cycle. Science advances, 6(23), eabc0764.
9 Jia, J. S., Lu, X., Yuan, Y., Xu, G., Jia, J., Christakis, N.A. (2020). Population flow drives spatio-temporal distribution of COVID-19 in China. Nature, 582(7812), pp. 389-394.
10 Fan, R., Varol, O., Varamesh, A., Barron, A., van de Leemput, I. A., Scheffer, M., Bollen, J. (2019). The minute-scale dynamics of online emotions reveal the effects of affect labeling. Nature Human Behaviour, 3(1), 92-100.
11 Blumenstock, J., Cadamuro, G., On, R., (2015). Predicting poverty and wealth from mobile phone metadata. Science, 350(6264), pp.1073-1076.
12 Vieira, C.C., Fatehkia, M., Garimella, K., Weber, I. and Zagheni, E., (2022). Using Facebook and LinkedIn data to study international mobility. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press.
13 Hofman, J.M., Watts, D.J., Athey, S., Garip, F., Griffiths, T.L., Kleinberg, J., Margetts, H., Mullainathan, S., Salganik, M.J., Vazire, S., Vespignani, A., (2021). Integrating explanation and prediction in computational social science. Nature, 595(7866), pp.181-188.
14 2017’de başlatılan ve dünyanın pek çok ülkesinde düzenlenen bu yaz okulu için üretilen ders malzemelerine açık kaynaklı olarak ulaşılabiliyor.
15 Salah, A.A., Pentland, A., Lepri, B., Letouzé, E., De Montjoye, Y.A., Vinck, P., (2019). Guide to mobile data analytics in refugee scenarios: The ‘Data for Refugees Challenge’ study. Cham: Springer.
16 Proceedings of the Data for Refugees Challenge Workshop (21 Ocak 2019) https://webspace.science.uu.nl/~salah006/d4r-proceedings.pdf
17 Kaya, E., Dong, X., Suhara, Y., Balcisoy, S., Bozkaya, B., (2018). Behavioral attributes and financial churn prediction. EPJ Data Science, 7(1), p.41.
18 Gürkan, M., Bozkaya, B., Balcisoy, S., (2022). Financial datasets: Leveraging transactional big data in mobility and migration studies. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press.
19 Findable, Accessible, Interoperable ve Reusable” kelimelerinin baş harflerinden oluşur ve “Bulunabilir, erişilebilir, her yerde çalışabilir ve tekrar kullanılabilir” anlamına gelir.
20 Salah, A.A., Canca, C. Erman, B., (2022). Ethical and legal concerns on data science for large scale human mobility. A.A. Salah, E.E. Korkmaz, T. Bircan (ed.), Data Science for Migration and Mobility, British Academy / Oxford University Press.
21 Resmi bir kuruma bağlı olmayan ve gönüllülük esasıyla moderasyonu yapılan bu listeye https://groups.google.com/g/soc-comp-tr adresinden ulaşarak üye olabilirsiniz.
Önceki İçerikBu Ay Gökyüzü: Ocak 2023
Sonraki İçerikYapay zekâ ve açık bilimin başarısı: Protein katlanması probleminde yeni gelişmeler
Avatar photo

Albert Ali Salah 1994 yılında İstanbul Alman Lisesi’nden, 1998 yılında Boğaziçi Üniversitesi Bilgisayar Mühendisliği Bölümü’nden mezun oldu. 2006 yılında Avrupa Biyometri Ödülü’nü, 2014 yılında BÜVAK Araştırmada Üstün Başarı Ödülü’nü, 2017 yılında Bilim Akademisi BAGEP Ödülü’nü aldı. 2018 yılında Suriyeli mültecilerin sağlık, eğitim, işsizlik, güvenlik ve entegrasyon sorunlarına büyük veri yöntemleri ile çözümler getirmeyi amaçlayan D4R: Data for Refugees projesinin yürütücülüğünü yaptı. Araştırma konuları insan davranışının bilgisayarla analizi, örüntü tanıma ve yapay öğrenmedir. Halen Hollanda’da Utrecht Üniversitesi’nde öğretim üyesi, Boğaziçi Üniversitesi Bilgisayar Mühendisliği Bölümü’nde ilintili öğretim üyesi olarak çalışmaktadır. Albert Ali Salah’ın websitesi