计算社会科学(computational social science)的研究范式可分成两大类，第一类是基于多主体模型的复杂系统建模的演绎范式——借助计算机，模拟微观个体的互动进而对其涌现的宏观社会现象进行分析和研究；第二类则是大数据范式，从互联网（包括社交媒体）这一大数据生产源中获得规模大、时空跨度大、来源多、范围广、多元化的人类真实互动的资料，通过网络爬虫、机器学习、文本分析等技术对数据进行提取、挖掘和分析来验证或者构建社会理论。
为推动计算社会科学在中国的发展，培养计算社会科学的研究者，中山大学国家治理研究院将于2020年8月18-8月23日举办第四届“中山大学人工社会与计算社会科学讲习班”。本届讲习班采取专题讲座、课程与学生实践相结合的形式，通过专题讲座介绍基于多主体模型的复杂系统建模在社会研究中的应用，通过专题课程与实践对大数据研究范式的数据来源、分析工具、研究方法和研究实例进行介绍，让学员在短时间内掌握实用的大数据分析理论和工具。
讲习班采取网络直播方式进行教学，不收取任何课程费。我们热诚欢迎国内各高等院校和科研院所的青年老师、博士、硕士研究生报名参加。为方便教学管理，请填写以下链接（或扫描下方二维码）进行报名。报名截止时间：2020年8月15日。
报名链接：
https://www.wjx.top/jq/87318532.aspx
专题内容介绍
专题一：人工社会与Agent-Based Modeling
近年来，“基于多主体模型的计算（模拟）”方法已成为继实证、实验之外的新的社会科学研究手段。基于自主行动者建模（Agent-based modeling）是一种通过自下而上的方式来研究复杂社会系统的有效工具，通过基于自主行动者建模，我们可以研究微观个体的行动和互动如何涌现出宏观社会现象。目前利用人工社会已经在大规模传染病传播、舆情传播、人群疏散等方向开展了大量的工作，多Agent仿真技术已经应用在越来越多的学科交叉领域，社会计算成为研究社会问题的新趋势。本专题将对基于多Agent仿真方法及其发展脉络进行梳理，并结合实例介绍该方法在社会研究中的运用。
专题二： 机器学习理论与应用
传统的社会科学量化实证研究主要基于理论驱动，研究者提出研究假设，通过统计模型对调查数据进行分析，从而验证研究假设。随着大数据时代的到来和人工智能的发展，海量、高维、动态变化的大数据为社会科学研究提供了新的数据来源，使得人社会科学的分析对象由传统的截面数据主导，变为截面数据、时间序列、面板数据、空间数据、文本数据、网络数据并存的格局；机器学习的方法以数据驱动的范式、凭借计算机强大的计算能力对复杂的数据进行分析，。为学术研究提供了新的方法和驱动力。本专题将结合具体的研究实例对机器学习的重要概念进行梳理，对各类有监督学习、无监督学习、集成学习和神经网络模型的原理及其Stata实现进行系统教学，并结合因果分析理论介绍及其学习在因果分析中的应用。
专题三：文本数据抓取、分析、建模与应用
大数据时代，海量数字化文本数据的快速积累使社会科学学者可以从更细的颗粒度、更大的样本规模上持续性的捕捉所感兴趣内容的长期变化。海量文本数据，在为社会科学带来研究机会的同时，也为如何基于特定研究目的选择合适的文本数据并使用合适的文本建模方法加以分析提供了新的需求。针对不同来源的非结构化的文本数据，本专题将从尝试梳理文本数据爬取、文本数据预处理与描述分析、文本相似度计算、无监督模型等文本挖掘技术，并结合研究实例，从媒体文本数据应用的科学哲学问题、如何从纯数据驱动的研究走向数据、理论双重驱动、和文本数据中的因果问题等方面探讨其在社会科学中的适用性和具体应用场景。
课程安排
