书籍介绍
随着信息技术的飞速发展，社会研究正经历着一场前所未有的变革。传统的调查、观察和实验方法在数字时代的背景下，得到了新的诠释和应用。然而，这也带来了新的挑战，如数据隐私、算法偏见以及道德伦理问题。因此，《计算社会学》应运而生，旨在帮助读者了解和应对这些挑战，推动社会研究的进一步发展。
作者简介
马修·萨尔加尼克，普林斯顿大学社会学教授，专注于社会网络与计算社会学的研究。他被《科学》杂志誉为“纯然的计算社会学家”，其研究受到微软、脸谱网和谷歌的资助，并广受主流媒体关注，包括《纽约时报》、《华尔街日报》、《经济学人》等，以及美国公共广播电台的专题报道。
推荐理由
《计算社会学》一书以深入浅出的方式探讨了数字时代社会研究的多个方面，包括大数据、提问、实验、协作以及道德伦理等。它不仅提供了丰富的理论知识和实践经验，还揭示了数字技术对社会研究带来的变革和挑战。这本书适合那些对社会科学、数据科学以及数字时代研究感兴趣的读者，因为它不仅能够拓宽读者的视野，还能提供实用的研究方法和伦理指导。
适合哪些人读
这本书适合以下人群阅读：
1. 社会科学研究者和学生，希望了解数字时代社会研究的最新动态和方法。
2. 数据科学家和工程师，对将数字技术应用于社会研究感兴趣。
3. 对数字时代伦理问题、隐私保护以及算法偏见等话题感兴趣的公众。
4. 任何希望了解数字技术如何改变社会研究的人士。
书籍脑图
用户评论
虽然是学术书，但案例非常丰富，作为入门读物也挺有趣
然后得一点一点摸索，一点一点完善知识结构。路漫漫……希望本科毕业前能搞出一份相关研究来。
清晰流畅，教科书一般，作为案例的论文和研究很具代表性，可作延伸阅读。
传统统计学与社会学的结合，与今日读的《为什么》进行比较阅读，在提及的对象样本相同的情况下，(吸烟，流行病学等例)，两本书在思维方法上的差异非常明显。如何问问问题，果然会导致答案的不同，答案不同，解释的成因也就不同。
材料很丰富，引人展开可能性的想象。翻译也非常流畅。
作为跨学科研究的，这本书的视角和我做数据出身的更相似。但不得不说，传统的统计学和因果推断的研究核心始终是在方差分解上，为了解决这个问题，我们用了rct，为了解决这个问题我们在观察性研究中用了did用了iv和late. 但 late 反而也问出了一个问题，依从者的结果到底应该怎么推断？这就变成了第二套统计学的问题，怎么分组？
回到这本书，这本书好就好在他属于相对保持中立的一个视角，承认ml的优势也承认ci的传统逻辑。并且给了比较明确的研究边界，这个是很多方法论书籍不太好的地方。
这本书除了统计的设计还讨论了很多额外的事情，比如分布式，这也算是统计设计的一个意外之喜，原来他不仅仅可以做试验还可以做实验。一下子就把cross sectional的东西变成了parallel computing 了
计算社会科学入门必读。
@2019-12-15 14:04:35
作为一本方法书其实和读之前想象的不大一样，虽然基于big data但重点还是实验/调查的social science methodology，至于case稍显过时这可能是因为CSS和CS学科一样在实践层面上突飞猛进。心得（1.原来Duncan Watts是作者导师而Han Zhang是作者学生（译本中他的研究被和谐），并且引用了Kenneth Benoit的研究贵圈比想象中还要小，（2.无论演绎归纳抑或预测，复杂系统和网络科学是不是这学科兜兜转转的归宿？在本书中我没找到明确的答案。
补标 很系统的入门书 看完对基本研究逻辑清晰了不少
书籍解析
立即阅读