Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 7

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  data science
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

Pomiędzy data science a performansem. O niektórych wyzwaniach stojących przed współczesną socjologią

100%
Pietrowicz K.
Ruch Prawniczy, Ekonomiczny i Socjologiczny
|
2020
|
vol. 82
|
issue 4
335-346
EN
The article is an attempt to describe the state of contemporary sociology and one of the challenges facing our discipline. This challenge is the emergence of data science: an approach that deals in a systematic, quantitative way with the analysis of digitally accumulated unstructured data on human behavior. Importantly, data science analyses do not draw on the achievements of sociology, neither in theories nor in the research methods. However, data science is replacing sociology (and other social sciences) outside the academic world. The paper tries to show how data science differs from other, earlier challenges for sociology.
PL
Artykuł jest próbą opisania stanu współczesnej socjologii i jednego z wyzwań stojących przed naszą dyscypliną. Wyzwaniem tym jest pojawienie się data science: tj. podejścia, które w systematyczny, ilościowy sposób zajmuje się analizą gromadzonych cyfrowo nieustrukturyzowanych danych, dotyczących zachowań ludzi. Co ważne, analizy data science nie korzystają z dorobku socjologii ani w odniesieniu do tradycji teoretycznej, ani w odniesieniu do metod badawczych. Zastępują jednak socjologię (i inne nauki społeczne) poza światem akademickim. Tekst próbuje pokazać, czym data science różni się od innych, wcześniejszych wyzwań, przed którymi stała socjologia.
2
Publication available in full text mode
Content available

Pułapki myślowe data-driven. Krytyka (nie tylko) metodologiczna

82%
Żulicki R. Ż.
Marketing i Rynek
|
2019
|
issue 8
3-14
EN
The data-driven approach is a strong trend in modern marketing and other areas of life. From the position of methodological criticism, I discuss the data-driven mind traps. I indicate that contrary to popular beliefs: data does not speak for themselves; data is not given, but collected and generated, so biased; a larger amount of data does not necessarily mean a higher value; the tools used shape the examined reality; faith in data is a belief that is impossible to justify logically; there is no imperative but trend for the use of data and the most modern quantitative methods. I point to the links between epistemological and ethical assumptions as well as social consequences. I suggest alternatives
PL
Podejście data-driven jest silnym trendem we współczesnym marketingu i innych dziedzinach życia. Z pozycji krytyki metodologicznej autor omawia pułapki myślowe data-driven. Wskazuje, że wbrew pozorom, dane nie mówią same za siebie, dane nie są „dane”, tylko zbierane i generowane, więc nieobiektywne. Większa ilość danych nie musi oznaczać większej wartości. Stosowane narzędzia kształtują badaną rzeczywistość. Wiara w dane jest wiarą, niemożliwą do zasadniczo logicznego uzasadnienia. Panuje nie konieczność, ale moda na korzystanie z danych i najnowocześniejszych metod obliczeniowych. Autor wskazuje powiązania założeń epistemologicznych z etycznymi oraz konsekwencjami społecznymi oraz proponuje alternatywy.
3
Publication available in full text mode
Content available

Synergia badań społecznych, analiz statystycznych i nowych technologii – nowe możliwości i zastosowania

80%
Wais K.
Nauka i Szkolnictwo Wyższe
|
2013
|
issue 1(41)
203-216
EN
New technologies consistently and inevitably changing our reality. It also occurs due to increasing quantities of generated data and its new types. A large part of that data is a valuable product, suitable for use in analytical and research projects. Especially Internet technologies have great potential conducive to the development of social research. There are also developing widely available statistical and analytical tools. The problem that remains is the lack of highly qualified and interdisciplinary educated analysts and researchers. This applies particularly to those who freely combine IT and programming competences with analytical and statistical skills and with a deep, humanistic understanding of social problems. However, there are already examples of successful combination of new technology and statistical methods in the service of social studies, that have a huge potential in providing key data for the purpose of conducting innovative research and development of evidence-based policies.
PL
Nowe technologie w konsekwentny i nieunikniony sposób zmieniają otaczającą nas rzeczywistość. Następuje to również dzięki coraz większym ilościom generowanych danych i ich nowym rodzajom. Duża część z tych danych jest wartościowym produktem, nadającym się do wykorzystania w projektach analitycznych i badawczych. Ogromnym potencjałem sprzyjającym rozwojowi badań społecznych dysponują zwłaszcza technologie internetowe. Rozwijają się również szeroko dostępne narzędzia analityczno-statystyczne. Problemem pozostaje jednak brak wysoko wykwalifikowanych, interdyscyplinarnie wykształconych analityków i badaczy. Dotyczy to szczególnie takich, którzy swobodnie łączą kompetencje informatyczno-programistyczne z umiejętnościami analityczno-statystycznymi i głębokim, humanistycznym rozumieniem problemów społecznych. Można jednak wskazać już przykłady udanego połączenia nowych technologii i metod statystycznych w służbie badań społecznych, które niosą ze sobą ogromny potencjał w dostarczeniu danych kluczowych z punktu widzenia potrzeb prowadzenia innowacyjnych badań naukowych i tworzenia polityk publicznych opartych na danych.
4
Content available remote

Prévoir - Savoir - Pouvoir czyli od przewidywania do wiedzy i władzy

58%
Krzysztofek K.
Stan Rzeczy
|
2018
|
issue 1 (14) Przyszłość w naukach społecznych
17-39
PL
Zdaniem autora panuje niewiara w możliwość przewidywania przeszłości, ponieważ z reguły nie udaje się jej przewidzieć. Wymyślano w przeszłości wiele scenariuszy, aby obniżyć barierę postrzegalności nowych zjawisk. Im więcej scenariuszy, tym większe prawdopodobieństwo, że jeden z nich okaże się trafiony, ale tym większa niepewność, który. Socjologia pomna swych porażek w przeszłości utraciła wiarę w swój potencjał predykcyjny, utożsamiając predykcję ze spekulacją. Narasta przekonanie, że sami data scientists sobie poradzą, mając do dyspozycji wielkie złoża Big Data. Nie potrzeba im socjologów ani innych specjalistów dziedzinowych, bo sami uporają z interpretacją danych, i potrafią dostarczyć odpowiednich policy czy business oriented recommendations. Autor sądzi, że socjologia ma nadal niebagatelne zasoby, ale musi przekonać, także samą siebie, że bez niej nie poradzą sobie data scientists. Ten potencjał socjologii dostrzegają niektórzy przedstawiciele nauk ścisłych, zdaniem których nauki społeczne przestaną być „ubogim krewnym”. Coraz więcej badań socjologicznych przynosi interesujące rezultaty, także w sferze przewidywania zachowań społecznych.
EN
There is less and less faith as to the possibility of forecasting since the rules of doing this are increasingly fallible. In the past many scenarii have been conceptualised in order to lower the barier of perception of the new phenomena. The more such scenarii are applied the bigger is the plausibility that one of these might be true, yet the more uncertainty which one. Sociology aware of its defeats in the past lost its faith in predictive potential to avoid repproach of being speculative. There is an increasing conviction that data science and scientists will manage to do it having Big Data at their disposal. Data scientists believe that neither socologists nor any other field experts in social sciences are necessary as data scientists themselves will do to interpret data and succeed in delivering appropriate and relevant policy and business oriented recommendations. The author claims our discipline is still in possession of important resources but sociologists should persuade themselves, the data science can do little without their assistance. The potential of sociology in forecasting is being confirmed by some „hard” scientists. More and more sociological research bring interesting and promising results in forecasting the social behaviour.
5
Publication available in full text mode
Content available

Finding opportunity windows in time series data using the sliding window technique: The case of stock exchanges

58%
Gürsakal N., Yilmaz F. M., Uğurlu E.
Econometrics. Ekonometria. Advances in Applied Data Analytics
|
2020
|
issue vol. 24, nr 3
1-19
EN
Data have shapes, and human intelligence and perception have to classify the forms of data to understand and interpret them. This article uses a sliding window technique and the main aim is to answer two questions. Is there an opportunity window in time series of stock exchange index? The second question is how to find a way to use the opportunity window if there is one. The authors defined the term opportunity window as a window that is generated in the sliding window technique and can be used for forecasting. In analysis, the study determined the different frequencies and explained how to evaluate opportunity windows embedded using time series data for the S&P 500, the DJIA, and the Russell 2000 indices. As a result, for the S&P 500 the last days of the patterns 0111, 1100, 0011; for the DJIA the last days of the patterns 0101, 1001, 0011; and finally for the Russell 2000, the last days of the patterns 0100, 1001, 1100 are opportunity windows for prediction.
PL
Dane mają swoje formy, a ludzka inteligencja i pojmowanie muszą klasyfikować te formy w celu ich zrozumienia i interpretacji. W niniejszym artykule stosuje się technikę rozsuwanego okna (sliding window) i podejmuje próbę odpowiedzi na dwa pytania: czy możliwe jest pojawienie się szansy (opportunity window) w szeregach czasowych ideksów giełdowych; jak znaleźć sposób na wykorzystanie pojawiającej się okazji, jeśli taka istnieje. Autorzy zdefiniowali pojęcie opportunity window jako okazja (otwarcie) wygenerowana w technice sliding window, która może być zastosowana w prognozowaniu. Szukając odpowiedzi, autorzy określili częstotliwości na 3, 4 i 5 długościach wzorców skierowanych w górę i w dół oraz wyjaśnili, jak oszacować okazje osadzone przy użyciu danych szeregów czasowych dla giełd S&P 500, DJIA i Russell 2000. W rezultacie dla S&P 500 ostatnie dni wzorców 0111,1100,0011, dla DJIA ostatnie dni dla 0101, 1001, 0011 oraz dla Russell 2000 ostatnie dni dla 0100, 1001 i 1100 stanowią okazję dla prognozy.
6
Publication available in full text mode
Content available

Datafication – the epistemological implications

47%
Osika G., Osika G.
Przegląd Filozoficzny. Nowa Seria
|
2020
|
issue 3
7
Publication available in full text mode
Content available

Analityka kulturowa, czyli jak narzędzia Data Science zmieniły humanistykę

47%
Radomski A.
Studia Humanistyczne AGH
|
2022
|
vol. 21
|
issue 1
7-22
EN
The article presents research paradigms that have radically changed the contemporary humanities. The most important of these is cultural analytics. It is based on Data Science methods. The author presents the assumptions of data science, and then the characteristics of digital humanities and cultural analytics. The second part of the article presents examples of research and projects conducted as part of cultural analysis. These are projects implemented at the DH Lab at Yale University, Software Studies Initiative, and Media Lab Katowice. Research conducted in these institutions transformed the humanities. Its characteristic features are the study of large data collections, research automation, the use of machine learning and knowledge visualization. The new humanities, the author claims, has become an exact science.
PL
W artykule zostały przedstawione paradygmaty badawcze, które radykalnie zmieniły współczesną humanistykę. Najważniejszym z nich jest analityka kulturowa. Jest ona oparta na metodach Data Science. Autor prezentuje założenia data science, a następnie cechy charakterystyczne humanistyki cyfrowej i analityki kulturowej. W drugiej części artykułu zostały przedstawione przykłady badań i projektów prowadzonych w ramach analityki kulturowej. Są to projekty realizowane w DH Lab uniwersytetu w Yale, Software Studies Initiative oraz Media lab Katowice. Badania prowadzone w tych instytucjach przeobraziły humanistykę. Jej cechy charakterystyczne – to badanie dużych kolekcji danych, automatyzacja badań, wykorzystanie uczenia maszynowego i wizualizacja wiedzy. Nowa humanistyka, twierdzi autor, stała się nauką ścisłą.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.