Integrar la explicación y la predicción en las ciencias sociales computacionales

Área de la Ciencia:

• Ciencias sociales computacionales
• Investigaciones interdisciplinarias
• Ciencia de los datos

Sus antecedentes:

• Las ciencias sociales computacionales implican grandes conjuntos de datos digitales y técnicas analíticas avanzadas.
• Representa una convergencia de diversas disciplinas científicas con distintas metodologías.
• Los enfoques existentes a menudo se centran en la explicación o la predicción, lo que lleva a una posible fragmentación.

Objetivo del estudio:

• Aclarar las diferencias entre los enfoques de las ciencias sociales computacionales.
• Proponer estrategias de integración productiva para diversas metodologías.
• Abogar por la combinación de modelos explicativos y predictivos en la investigación.

Principales métodos:

• Desarrollo de un esquema para analizar las actividades de investigación.
• Categoría de la investigación a lo largo de las dimensiones de explicación (efectos causales) y predicción (pruebas de resultados).
• Defensa del "modelado integrador" que combina la predicción y la explicación.

Principales resultados:

• Un esquema bidimensional para evaluar las prioridades de la investigación (explicación frente a predicción).
• Identificación de la complementariedad entre los objetivos de la investigación explicativa y predictiva.
• Propuesta de "modelado integrador" como enfoque unificado.

Conclusiones:

• Las ciencias sociales computacionales se benefician de la integración de diversas perspectivas disciplinarias y métodos computacionales.
• Un enfoque equilibrado que combina explicación y predicción mejora el rigor científico.
• El modelado integrador ofrece un camino hacia una investigación computacional de ciencias sociales más completa e impactante.