Parlando come uno al di fuori delle scienze sociali il cui lavoro è stato fortemente influenzato dalle letture delle scienze sociali, penso che potrebbe essere più chiaro se si separano tre concetti che sono spesso confusi: rigore, finanziamento e importanza:

• Il rigore matematico o analitico di una materia rende più difficile per gli estranei comprendere o mantenere un'opinione, e l'inaccessibilità può far sembrare le cose più importanti, ma tutto ciò che mostra davvero è che è difficile da capire .
• La quantità di denaro lanciata su un argomento è un altro facile indicatore dell'importanza, ma tutto ciò che realmente mostra è la popolarità o la struttura del mercato.

Le scienze sociali si occupano effettivamente di molti dei problemi veramente difficili della società, le cose con cui tutti lottiamo e non sappiamo come affrontare bene, come l'ingiustizia, la politica e il conflitto sociale. A noi delle scienze dure e dell'ingegneria piace fingere di poter risolvere questi problemi mediante l'iniezione di nuove tecnologie, ma tutto ciò che possiamo davvero fare è creare interruzioni che destabilizzano l'ordine corrente, a seguito del quale la società può diventare più inclusiva (ad esempio, il creazione di Internet) o più sfruttamento (ad esempio, la creazione di protocolli QoS, che portano all'attuale battaglia per la neutralità della rete).

Le scienze sociali sono ulteriormente sfidate da problemi di strumentazione (la maggior parte di ciò a cui tengono è davvero difficile o inappropriato da misurare), replicabilità (molti fenomeni hanno una durata abbastanza grande o abbastanza lunga da avere solo uno o pochi punti dati) e controlli sperimentali (molti esperimenti interessanti non possono essere eseguiti perché sarebbero orribilmente non etici , ad esempio, isolare le popolazioni dal resto della società).

Eppure ... eppure penso che le scienze sociali producano alcuni dei lavori più importanti per noi come umanità, perché il lavoro svolto lì ein fa parte del motivo per cui l'arco dell'universo morale si piega verso la giustizia.

Quindi penso che vada bene per uno scienziato sociale invidiare l'accessibilità dei dati per le persone che hanno solo bisogno di costruire una macchina multimiliardaria per fare le loro ricerche. Ma non invidiarli nel loro campo: i tuoi problemi sono importanti quanto i loro.

Background : sono un accademico in psicologia che si impegna ad applicare tecniche statistiche innovative per rispondere a domande di ricerca psicologica. Negli anni ho condiviso alcune delle tue preoccupazioni. Mentre la formazione standard in psicologia universitaria e post-laurea insegna molte tecniche statistiche avanzate, è spesso insegnata ad un livello elevato che si concentra sull'utilizzo efficace di software standardizzato. Per raggiungere i miei obiettivi di applicazione di metodi statistici innovativi, ho trascorso anni facendo corsi brevi e insegnando a me stesso tutta una serie di cose: (a) un curriculum universitario di matematica in probabilità, statistica matematica, calcolo, algebra lineare, ecc; (b) adeguati strumenti di calcolo statistico come R, strumenti a riga di comando unix e un'ampia gamma di altri concetti di calcolo; (c) statistiche più avanzate relative alla mia area (ad esempio, statistiche bayesiane, psicometria, ecc.).

Ho anche passato un bel po 'di tempo a interagire con persone quantitativamente addestrate in altre aree (ad esempio, statistici, biostatistici e professionisti concentrati sulla matematica). Queste interazioni mi hanno permesso di apprezzare maggiormente le competenze che i diversi campi possiedono e non possiedono. Ha anche aiutato a chiarire non solo le carenze quantitative della mia formazione, ma anche i punti di forza della mia formazione psicologica esistente.

Alcuni principi generali

• Pensa a ciò che stai cercando di ottenere con la tua carriera . Molti accademici e ricercatori di scienze sociali funzionano in modo molto efficace solo con la comprensione standard dei metodi quantitativi. Ho anche visto molte aree di consulenza relative alla psicologia in cui sono le persone che gestiscono le relazioni con i clienti che guadagnano molto di più e le persone che svolgono il lavoro quantitativo ottengono molto meno (per citare una frase che ho sentito, i quants potrebbe fare il "lavoro grugnito"). Lo menziono solo per evidenziare la prospettiva alternativa. Come me, potresti trovare appagante essere un accademico che applica tecniche quantitative all'avanguardia alla propria disciplina.
• Se hai una passione per i metodi quantitativi ma la tua formazione è nelle scienze sociali, puoi sempre acquisire competenze quantitativamente più rigorose . Fare corsi formali; guardare video; lavorare attraverso libri di testo; lavorare su progetti che richiedono un maggiore livello di comprensione.
• Apprezza le capacità che hai . Se giudichi le tue abilità in base ai valori di una disciplina diversa, probabilmente rimarrai deluso: conoscenza delle teorie e scoperte empiriche nella tua disciplina; metodologia, tecniche di misurazione del progetto rilevanti per la tua disciplina; e così via. È probabile che esista un'intera gamma di abilità che dai per scontato che le persone in altre discipline più rigorose dal punto di vista quantitativo normalmente non possiederebbero.

Domande successive: bilanciare sostanziale e metodo di lavoro

1. Come riesci a bilanciare l'apprendimento di nuove tecniche con il raggiungimento dei risultati della ricerca?

Penso che questo sia un esempio del compromesso generale tra investire nell'auto-miglioramento e produrre risultati di valore. In una certa misura questo compromesso dovrebbe essere nella mente di tutti gli studenti di dottorato. E non si ferma quando ti trasferisci nel mondo accademico. Alcuni pensieri casuali:

• Un dottorato di ricerca è un periodo in cui avrai un bel po 'di tempo da investire nell'apprendimento di nuove competenze. È importante sfruttarlo al meglio.
• Tirarsi su dai propri bootstrap può insegnarti molto. Tuttavia, se riesci a trovare un consulente che ha seguito il percorso (ad es. Qualcuno che ha le competenze che desideri acquisire) puoi risparmiare molto tempo.
• Impegnati in progetti con risultati tangibili che si estendono tu ma che sei capace di realizzare. Ad esempio, potresti fare uno studio per il tuo dottorato di ricerca che richiede di fare qualche tecnica statistica innovativa. In particolare, nei campi delle scienze sociali, ci sono molte opportunità di utilizzare le tue abilità statistiche per ottenere la co-autore su documenti con i tuoi colleghi meno esperti di statistica.
• Ricorda che le abilità quantitative sono solo una parte dell'essere un pozzo studente di dottorato / accademico. È importante continuare a sviluppare queste altre abilità in parallelo. Cercare di produrre un risultato tangibile (come una pubblicazione o una tesi) ti manterrà con i piedi per terra in termini di sviluppo delle tue capacità in modo equilibrato.
• Considera l'idea di impegnarti in altre attività rilevanti per la carriera che si svilupperanno ulteriormente le tue capacità quantitative. Esempi tipici includono consulenza industriale, insegnamento e consulenza statistica.
• Il mondo delle competenze quantitative è molto ampio. Può essere utile concentrarsi su aree particolari. Il mondo accademico si concentra sui valori.
• Il bilanciamento del compromesso tra apprendimento e produzione di output dipende da molte circostanze personali. Quanto sei sicuro che le abilità che stai sviluppando ora siano effettivamente rilevanti per dove vuoi andare? Quali pressioni a breve termine avete per produrre risultati tangibili? Quanto sei disposto e in grado di ritardare i premi immediati per un obiettivo a lungo termine?

2. Come affronti il ​​problema che la ricerca sostanziale sembra essere valutata più del lavoro metodologico?

Penso che il lavoro metodologico sia apprezzato e tu puoi fare ricerche che attingono ai tuoi punti di forza sia sostanziali che metodologici.

• Alcuni degli articoli più citati nelle scienze sociali sono documenti metodologici (ad es. , Il documento mediatore-moderatore di Barron e Kenny del 1984 contiene oltre 49.000 citazioni su Google Scholar).
• Le tue capacità quantitative possono essere molto apprezzate nelle collaborazioni di ricerca. Questo può aiutarti a ottenere la co-autore laddove forse altri autori hanno competenze più sostanziali. Tuttavia, il tuo background nella disciplina ti darà un vantaggio rispetto a uno statistico diretto perché sarà più facile per te comunicare con il collaboratore sostanziale.
• Puoi dare un contributo sostanziale al tuo campo utilizzando metodi quantitativi innovativi. Per lo meno dovresti essere in grado di interpretare i risultati quantitativi meglio di altri se hai una profonda comprensione dei metodi quantitativi. Tutte queste cose possono aiutarti con i tuoi obiettivi di ricerca.

Penso che una cosa che dovresti tenere a mente è che la superiorità e l'adeguatezza di un metodo di ricerca è determinata dalla natura della domanda di ricerca. Mentre i metodi quantitativi hanno il vantaggio, ad esempio, di essere precisi, i metodi di ricerca qualitativa hanno ancora il loro posto. La ricerca qualitativa coglie aspetti del mondo fisico / sociale che non si presta alla quantificazione. Un esempio di combinazione di metodi di ricerca qualitativi e quantitativi nelle scienze sociali è il libro Soul Searching di Christian Smith, dove puoi vedere come le interviste faccia a faccia forniscono una visione unica della religiosità adolescenziale che non è rivelata da domande di indagine quantitativa. Per superare la sensazione che la scienza sociale non sia "scientifica", consiglierei il libro How to Think Straight about Psychology di Stanovich, che fornisce una bella argomentazione sul perché la psicologia (e in realtà le scienze sociali in generale ) è scientifica anche se tali discipline non utilizzano attrezzature sofisticate o matematica rigorosa.

Se ti fa sentire meglio, indico semplicemente anche discipline come la matematica che sono considerate più "rigorose" e " hard "hanno i loro problemi che minacciano la validità e l'interpretazione della disciplina (ad esempio, i teoremi di incompletezza di Gödel e il teorema di Löwenheim-Skolem).

Se dal tuo esame di quanto è verde l'erba sul lato quantitativo della staccionata guardassi in alto, potresti notare qualcuno che sbircia nella direzione opposta (Sorpresa! Sono io!).

Come te, mi piace imparare le teorie su come funziona il mondo, ma il mio primo background in matematica mi ha portato a una specializzazione in fisica. Cercando più di una connessione umana nel mio lavoro (attraverso l'applicazione diretta), sono passato all'ingegneria all'università, in particolare al lavoro di simulazione. Man mano che ho imparato di più sulla modellazione matematica, sono stato esposto ad esempi di altre discipline, ad es. economia e ho appreso la dura verità sui modelli matematici: possono essere abbastanza soggettivi.

La matematica è una disciplina normativa, quindi i risultati della modellazione (statistica o altro) riflettono solo tanta verità quanto le tue assunzioni e semplificazioni lasciarsi alle spalle. Più "morbida" è la disciplina, più presupposti sei costretto a fare per rendere trattabile la matematica. In molti casi, le ipotesi che fai dettano i risultati del modello, in sostanza dandoti una pacca sulla spalla costosa, circolare e autocelebrativa. Quindi non lasciarti sgomentare dalla mancanza di risposte definitive fornite dagli scienziati sociali; le persone quantitative non stanno ottenendo quanto potrebbe sembrare. Si scopre che il mondo è difficile da capire.

Il punto: se sei interessato al lato quantitativo delle scienze sociali, cerca con ogni mezzo di spostare la tua ricerca in quella direzione; ci sono molte persone che modellano il comportamento sociale, ad esempio (controlla swarm intelligence). Ma fallo senza nutrire alcuna delusione sull'esistenza di una panacea matematica che rivelerà La verità con la T maiuscola. Un cambio di laurea all'ingrosso può essere troppo costoso (o meno, se si hanno le risorse e la pazienza), ma il trasferimento all'interno del dipartimento o presso un consulente adatto in un'altra istituzione sono opzioni che potrebbero essere di interesse.

Divulgazione completa: mi sto avvicinando al mio ME ora e ho intenzione di farlo esattamente in estate / autunno. Cercherò di sfruttare l'esperienza di modellazione fluida per passare alla politica energetica / decisionale / alla modellazione economica.

Sono in una situazione simile alla tua. Ho studiato geografia a Cambridge. Ero interessato alla geografia umana: volevo prevedere la crescita delle città e calcolare su quale lato del marciapiede le persone cammineranno. Sfortunatamente, la geografia umana quantitativa è passata di moda a Cambridge e nella maggior parte delle altre istituzioni di geografia umana. Invece discutono del discorso, della performatività e degli altri e leggono molto Foucalt. Dopo un anno o due mi sono reso conto che la maggior parte di ciò che stavo imparando non era sufficientemente rigoroso / quantitativo per essere di grande utilità o interesse. Ho provato la tua stessa invidia. Mi sono spostato il più possibile sulla geografia fisica, ma anche questo mancava di rigore. A quel punto avevo imparato a buttare giù abilmente parole d'ordine prive di senso ma convincenti, il che mi ha permesso di finire con una laurea di primo livello, ma con la sensazione che il processo fosse in gran parte una farsa. Ho promesso di fare "vera scienza" per la scuola di specializzazione. Ho conseguito una laurea in geochimica e ora sto andando alla deriva verso la geofisica mentre completerò il mio dottorato di ricerca. Per tutto il tempo sono diventato più quantitativo, ma desiderando di aver iniziato con la matematica e poi di essere diventato morbido invece del contrario.

Quindi, per rispondere alla tua domanda: asseconda la tua invidia! Passa al quantitativo il prima possibile. Scoprirai che hai effettivamente appreso utili capacità di pensiero critico e di scrittura che spesso mancano alle persone quantistiche. Combina questo con il rigore teorico e scriverai articoli killer.

Tieni presente che non puoi imparare TUTTA la matematica. Sembra che tu abbia una specialità statistica; probabilmente concentrati su quello. Magari fatti coinvolgere in un progetto di codifica open source che combina aree che già conosci con quelle che vuoi imparare.

Inoltre, prova a separare qui l'invidia "buona" da quella "cattiva". Se vuoi avere strumenti analitici più potenti e rispondere a domande più difficili, ha senso. Ma se sei sedotto da graziose figure 3D e costose attrezzature di ricerca, fai attenzione! Sono stato portato fuori strada da fantastici gadget più di una volta ...

Un'altra cosa ... ho imparato a programmare dai miei amici durante la laurea. Avevo amici in matematica e informatica e la loro conoscenza ed entusiasmo erano contagiosi. Sapere come programmare in un paio di lingue è stata la grazia salvifica che ha reso davvero possibile il passaggio dalla scienza soft a quella hard.

Penso che il tuo sentimento sia abbastanza diffuso in alcuni ambienti, e l'economia è stata celebrata per il suo impegno nel metodo quantitativo di generazione di nuova conoscenza (ma allo stesso modo, dopo la crisi finanziaria l'economia è stata derisa dal suo fallimento nell'avventurarsi al di fuori dei suoi modelli astratti e comprendere le economie effettivamente esistenti, ma questa è una parte). Tuttavia, come detto da @Drecate, dipende davvero dalla tua domanda di ricerca. Ci sono molti rami sull'albero della conoscenza e molti concetti usati, diciamo, dagli economisti provengono dall'esterno della disciplina vera e propria.

Il lavoro quantitativo è affascinante e può fornire molte intuizioni. Ma potrebbero essere più domande del tipo "come" che del tipo "perché". Se sei interessato, ad esempio, alla crisi di Cuba, e come è arrivata così vicina, o perché le politiche abitative e di gentrificazione di New York e San Francisco possono differire, avrai bisogno di molto di più del semplice lavoro quantitativo.

Per me, un segno distintivo delle scienze sociali è che incontrano l'oggetto di studio dove si trova - parte di esso viene scoperto attraverso le sue numerose regolarità con metodi quantitativi, ma un vasto numero di argomenti socialmente interessanti si trovano al di là di tali scopi e richiedono un lavoro decisamente qualitativo. Per un'interessante esposizione su alcuni di questi problemi, consulta l'articolo di Bent Flyvbjerg sui casi di studio.

Background: ho una laurea in fisica, un master in antropologia culturale (etnografia) e un dottorato di ricerca. interdisciplinare in metodi matematici in psicologia ed economia. Ora sono uno psicologo accademico (professore) e amo il mio lavoro. Mi consuma in modo positivo.

Anche se amo il mio lavoro, sono profondamente disincantato dal campo. Sembra così sbagliato per i seguenti due motivi: I. La teoria è un dribbling verbale culturalmente e linguisticamente circoscritto. La mia formazione in etnografia mi ha lasciato critico nei confronti delle spiegazioni astoriche e contestuali che usiamo in psicologia. II. La maggior parte delle persone celebra la complessità piuttosto che cercare parsimonia, legalità o regolarità.

Essere un intellettuale estraneo al campo mi dà uno scopo. Uso le mie capacità quantitative e statistiche per cercare strutture nei dati che siano teoricamente significative. Cerco invarianze piuttosto che effetti. Non semplici invarianze, ma più profonde. Esiste una sola forma di RT in tutte le persone e condizioni? Gli errori riflettono l'ipotesi che in quelle prove non è stata elaborata alcuna informazione di stimolo, o c'è un'elaborazione parziale? Tutte le curve ROC possono essere descritte con un modello a fattore singolo o sono necessari più fattori (ad esempio da due processi)? A volte, date le mie capacità, posso rispondere a domande in modi nuovi che altri non hanno visto o pensato o sono impreparati a fare.

La mia sensazione è che la psicologia abbia un disperato bisogno di giovani intelligenti e di talento che siano andando a sfidare lo status quo. Il bisogno è riconosciuto e le persone che lo fanno vengono spesso premiate.

Migliore,

Ho avuto la stessa sensazione in passato e ancora in una certa misura ce l'ho. Tuttavia, per me rientra nelle aree dell'ingegneria. Personalmente, ho cambiato campo all'interno della mia specializzazione e ho ricominciato da capo.

Ero uno studente di dottorato in ingegneria meccanica che studiava meccanica dei fluidi sperimentale e ad un certo punto ho capito di essere più interessato alla strumentazione, ai sensori, all'elaborazione dei segnali, ecc. Mi sono anche reso conto che mi piace programmare. Alla fine ho conseguito un master e ho lasciato il programma. Il mio piano era di lavorare per un anno o due e prendere il mio tempo per decidere se voglio o meno tornare alla scuola di specializzazione.

Trovare un lavoro è stato così difficile che mi ha fatto davvero invidiare i laureati in informatica (dato che c'erano molte più opportunità per loro e come studente universitario ero molto vicino a scegliere CS). Una volta ottenuto un lavoro, non mi piaceva molto il lavoro comunque, quindi sono stato davvero incoraggiato a tornare al college. Il mio problema più grande era che avevo paura di cambiare maggiore poiché sentivo di non avere il background necessario per studiare EE o CS. Inoltre non pensavo che sarei stato ammesso a nessun programma CS o EE e non avevo i soldi extra per fare domanda a troppi programmi di laurea. Ho finito per candidarmi di nuovo ai programmi di ME e una volta entrato in un corso di laurea ho provato a unirmi a gruppi di ricerca multidisciplinari. Alla fine sono finito in un gruppo che fa lavori di robotica che combina tutte le aree che mi interessano. Personalmente, sono estremamente contento di aver apportato il cambiamento. Mi piace molto di più il campo e la mia ricerca è molto più interessante; tuttavia, sono anche sempre consapevole di essere un po 'più vecchio dei miei coetanei e sono anche consapevole di aver lasciato un lavoro ben pagato e una carriera decente per questo e ho silenziosamente paura che finirò per avere problemi trovando un lavoro che mi piaccia di nuovo (perché sento che le major di CS ed EE ottengono la maggior parte dei lavori di robotica) e finirò per accontentarmi di qualcosa di simile a quello che avevo in primo luogo ... E questo riconduce alla cosa dell'invidia stavi parlando ... Invidio ancora le major di CS e EE. Anche se non così tanto come prima.

Una cosa da tenere a mente è che la nostra capacità di valutare la soluzione a un problema è direttamente proporzionale alla certezza con cui possiamo rispondere alle domande al riguardo. Problemi ben definiti possono avere risposte molto ben definite. Le domande meno definite hanno necessariamente risposte meno definite. Le domande più ben definite consentono di utilizzare i numeri per risolverle, ma non tutte le domande importanti rientrano in quella categoria.

I sociologi non sono pigri e ci sono molti campi di indagine sociale in cui l'analisi statistica non si aggiunge alla conversazione. Per essere chiari, ci sono scienziati pigri che potrebbero fare le cose meglio, ma devi chiederti che cosa contribuirà un'analisi statistica dettagliata . Viviamo in una cultura che glorifica la scienza e presume che se puoi dare un numero a qualcosa, allora ne sai più di qualcuno che non può, ma non è sempre il modo migliore per affrontare le cose.

Considera un ingegnere che vuole determinare la resistenza ultima di un nuovo tipo di lega metallica. Costruiscono un mucchio di aste di metallo e lo attaccano in una macchina che separa l'asta finché non si rompe. Lo fanno 30 volte, registrando la forza richiesta per rompere la canna ogni volta, quindi eseguono alcune statistiche per mostrare che il 90% delle loro canne si è rotto entro +/- 5% di 30.000 PSI. Questo è un problema molto ben definito che ammette una soluzione quantitativa molto ben definita.

Considera ora un ingegnere che desidera costruire il ponte più robusto possibile soggetto a un limite di costo di $ 10 milioni di dollari. Questo è un problema molto più complicato e, dato l'enorme numero di decisioni di progettazione, non è possibile trovare effettivamente la singola soluzione ottimale, ma possono provare molti diversi progetti possibili e accontentarsi di quello che dà la massima forza rispettando tutte le specifiche vincoli. In questo caso la domanda è complessa ma ammette un semplice criterio di valutazione (forza totale), quindi è facile dire quale dei cento progetti proposti è "corretto": il design con la forza più elevata.

Ora considera un ingegnere incaricato di costruire il ponte più ecologico. All'improvviso non sai nemmeno come formulare domande ragionevoli, tanto meno trovare la soluzione "corretta". Non esiste una misura ben definita di "rispetto dell'ambiente". Un ponte potrebbe generare un milione di tonnellate di CO2 nell'atmosfera da costruire, mentre un altro ponte potrebbe generare dieci milioni di tonnellate di CO2. Il secondo ponte attraversa zone umide sensibili e probabilmente ucciderà una specie di tartaruga in via di estinzione. Vale la pena uccidere 9 milioni di tonnellate in più di CO2 nell'atmosfera e una tartaruga in pericolo di estinzione? Possiamo quantificare con precisione le possibili alternative, ma la domanda non ammette una soluzione ottimale e ben definita.

Allo stesso modo, la psicologia ha alcune domande molto ben definite con risposte molto ben definite. I militari hanno svolto molte ricerche su ciò che serve per addestrare qualcuno a sparare e uccidere un'altra persona a comando. Nella seconda guerra mondiale un uomo di nome SLA Marshall ha condotto semplici studi di osservazione che hanno dimostrato che circa il 75% delle truppe non avrebbe sparato a un altro essere umano e non avrebbe sparato con le armi in combattimento anche se la propria vita era in pericolo. Quindi, la domanda psicologica "Quante persone sono disposte a uccidere un altro per salvare la propria vita?" risponde in modo quantitativo e inequivocabile: circa il 25%.

Ci sono domande più complesse che hanno risposte meno ben definite. La domanda successiva dei militari era come fare in modo che più persone sparassero con la loro arma in combattimento. Hanno sperimentato una serie di tecniche, ma nel libro di Dave Grossman On Killing egli riferisce che nel momento in cui il Vietnam ha fatto il giro dei militari è stato in grado di aumentare la frequenza di fuoco dal 25% al ​​90%. Possiamo porre e rispondere a una seconda domanda analoga all'ingegnere che voleva costruire il ponte più resistente: quale tecnica di addestramento dovrebbe usare i militari per massimizzare la velocità di fuoco dei loro soldati?

Tuttavia, Grossman e altri hanno proposto che l'aumento del tasso di licenziamento ha aumentato l'incidenza del disturbo da stress post-traumatico e della relativa disabilità psicologica inducendo le persone a compiere azioni (con conseguenze orribili) che non sono naturalmente disposte a fare. Ciò solleva una terza domanda che è meno ben definita nel senso che la terza domanda dell'ingegnere non è ben definita. "Come dovremmo addestrare i nostri soldati?" Se li insegni ad essere troppo aggressivi, i tassi di PTSD e traumi psicologici aumentano. Se non sono abbastanza aggressivi, i tuoi soldati muoiono sul campo di battaglia. Il bilanciamento di queste due preoccupazioni non ammette una semplice misura che possiamo massimizzare o misurare.

In ogni disciplina sorgono domande difficili: accade solo che le scienze naturali tendano a porre domande più chiare e inequivocabili delle Scienze sociali. Ciò non significa che le scienze sociali siano meno rigorose o meno importanti, ma significa che gli approcci non qualitativi sono più diffusi nelle scienze sociali.

http: //www.gocomics .com / calvinandhobbes / 1986/11/26

Sono un ingegnere con un minore in sociologia e ho vinto uno dei più prestigiosi premi di sociologia della mia università come studente universitario in ingegneria. Sono profondamente ispirato da un professore con tre lauree, civile, meccanica e sociologia che ha studiato a fondo sugli effetti dell'industrializzazione.

Sono nella situazione inversa. So che ciò che sto imparando è più accessibile a una carriera, più rigoroso come dici tu, ma allo stesso tempo sono profondamente consapevole che non sta trasformando fondamentalmente la mia società e l'esperienza umana.

Come posso continuare il mio lavoro in una bolla quando ci sono così tante disuguaglianze nel mondo, così tanta negligenza nel mondo, com'è possibile che le mie piccole equazioni cambieranno la gerarchia sociale fondamentalmente razzista in America, solleveranno le persone dalla povertà, ripareranno il il dolore provato dai nativi americani che li spinge ad abusi e suicidi o a fermare lo sfruttamento dei lavoratori del terzo mondo in questa schiavitù new age?

Come farà Flappy Bird a fare tutto questo, qual è il merito di creare il nuovo Facebook, qual è il punto per accelerare il processore di un altro microsecondo o creare una tastiera ad attivazione vocale?

La domanda in ultima analisi risiede nella tua visione realistica della vita. Molte persone perdono di vista ciò che desiderano veramente fare quando il denaro diventa improvvisamente il fattore più importante della loro vita. Conosco innumerevoli ingegneri che ora studiano informatica perché il campo ha più opportunità di lavoro, non è quello che vogliono fare. Le persone nello sviluppo di software spesso lavorano senza una comprensione molto profonda della teoria di base e molte persone hanno difficoltà a digerire. Molti tornano a scuola, ma la maggior parte rimane nell'industria. Gli ingegneri invidiano le major di fisica e matematica, la matematica applicata invidia le major di matematica pura, i biologi invidiano i biochimici, le persone di software invidiano le persone di informatica, le persone di informatica invidiano le persone di matematica pura e sai che le major di matematica pura invidieranno le persone di software quando verrà il momento di laureato ... e il ciclo continua.

Quindi i miei due centesimi sono vedere la connessione tra il proprio lavoro e ciò che si desidera fare, ci deve essere una connessione in qualche modo e lavorare su quella connessione. Einstein ha scoperto la verità sul nostro universo mentre lavorava come impiegato, mi chiedo cosa gli passasse per la mente come impiegato, mi chiedo se si sia mai reso conto che sarebbe stato ricordato per sempre dall'intera razza umana. Nel mio lavoro di ingegneria trovo l'opportunità di lavorare con le comunità svantaggiate locali e le comunità native e faccio la mia parte nella creazione di un ponte. Non importa in quale carriera finirai per andare, sarai in grado di vedere una connessione e quella connessione ha un valore fondamentale che va oltre qualsiasi guadagno monetario o sociale.

Penso che la relazione tra matematica statistica e scienza reale debba trovarsi a un livello più profondo. È il livello di modellazione della realtà. Prendiamo ad esempio Johannes Kepler. È arrivato dopo Tycho Brahe e prima di Isaac Newton. Ha trascorso circa 20 anni facendo un'analisi dettagliata delle osservazioni di Brahe ed è riuscito a determinare che i pianeti seguivano un percorso ellittico attorno al sole. Ma perché le ellissi? Perché non un'altra forma? Keplero non aveva una risposta.

Non è stato fino a quando Newton è arrivato e ha inventato il modello meccanico di gravitazione e inerzia e ha aggiunto un po 'di matematica nuova e potente al mix, che improvvisamente "aveva un senso". Se applichi le leggi di Newton al problema scopri che i cammini devono essere ellissi, in prima approssimazione. Il motivo per cui dico l'approssimazione è che ci sono effetti del secondo ordine dovuti all'attrazione tra i pianeti, e ci sono effetti del terzo ordine dovuti al fatto che i pianeti seguono le leggi del moto di Einstein, che sono sempre leggermente diverse da quelle di Newton, in questo situazione.

Allora, Keplero ha sprecato 20 anni della sua vita? Penso di no. Ma non biasimerei un suo contemporaneo che si chiedeva cosa fosse veramente tutta questa analisi matematica.

Quindi, per quanto riguarda la sociologia, direi che hanno applicato metodi matematici sempre più sofisticati e modelli molto, molto primitivi nel campo di studio degli ultimi 50 anni. Questa è più o meno l'era dei computer, se inizi con i circuiti transistorizzati. I transistor rendevano i computer molto più veloci e molto più economici di prima. E ha reso possibile il calcolo dei numeri su vasta scala.

Perché i modelli di sociologia sono così primitivi, rispetto alla fisica, alla chimica o alla biologia? Non ne sono sicuro, ma penso che sia perché il sistema in esame è fondamentalmente più complesso. Fisica, Chimica e Biologia fanno progressi nei loro modelli astraendo gli aspetti che "non contano". Separare ciò che conta e ciò che non importa in sociologia mi sembra in definitiva difficile. C'è di più, ma questo è quanto ho capito, con capacità intellettuali limitate.

Nella tua domanda ti concentri molto su questioni quantitative. Ma "quantitativo" non significa "accurato" o "migliore". Come si suol dire, "bugie, dannate bugie e statistiche". È possibile utilizzare le tecniche analitiche più rigorose e ottenere gli intervalli di confidenza più stretti e i valori p più bassi mai visti nella propria disciplina, ma se si utilizza il campionamento pratico e si ottiene un tasso di risposta inferiore al 10%, i risultati sono privi di significato, indipendentemente da come numericamente sono sani. Allo stesso modo, se ignori le variabili confondenti pertinenti, potresti ottenere risposte tecnicamente corrette, ma informativamente inutili. (Vedi Simpson's Paradox.)

Se non l'hai già fatto, leggi il saggio di Feynman " Cargo Cult Science", in particolare la parte sui ratti . (Sì, Feynman era sessista - per favore leggi attentamente il sessismo e concentrati su ciò che dice sulla scienza.) La buona scienza sta cercando di capire correttamente il mondo, e questo richiede più che eseguire una grande quantità di numeri attraverso un sofisticato algoritmo - anche uno di cui conosci tutti i presupposti e le derivazioni.

Per alcuni aspetti, la fisica è facile. Lo scherzo comune con l'approccio dei fisici è "immagina una mucca sferica senza attrito nel vuoto". Anche i fisici rideranno un po 'di questo, perché sanno che molto del loro successo è dovuto a problemi di semplificazione eccessiva. Ma non si sentono troppo male a ridere perché è ancora un successo. Sono in grado di semplificare e isolare i loro sistemi di studio in modi impossibili o immorali per uno scienziato sociale. Inoltre, sanno dove i loro metodi iniziano a fallire e devono solo alzare le mani e smettere.

Gli scienziati sociali non ottengono davvero questo lusso. Devono trattare con gli umani così come sono: disordinati, complessi, interconnessi e caotici. Non puoi affrontare l'equivalente di un essere umano sferico e senza attrito nel vuoto. Uno, non mostrerebbero il comportamento che ti interessa e due, non otterrai mai l'approvazione IRB per eseguire effettivamente il test. Questo è parte del motivo da cui proviene l'odio degli scienziati sociali: sono costretti a gestire sistemi disordinati con strumenti molto limitati, facendo del loro meglio e spesso, comprensibilmente, facendo un pasticcio di cose.

Questo non vuol dire che non ci sono un gruppo di grossolani scienziati sociali là fuori, o che un approccio più rigoroso non li avvantaggerebbe. È solo che lanciare "quantitativi" al problema è scienza del culto del carico. Tecniche statistiche migliori sono inutili se il tuo sistema di studio ha variabili confondenti mal definite o è intrinsecamente sottocampionato.

Per quanto riguarda i lavori, sì, i datori di lavoro sono alla ricerca di competenze quantitative, ma principalmente perché è facile filtrare i CV per. Quello che cercano veramente sono abilità analitiche . Potete affrontare questo problema complesso, con queste difficili restrizioni, mettere dei limiti al sistema di studio e fornire una buona analisi della questione chiave di interesse nonostante tutto il caos?

Tieni presente che l'obiettivo non è quello di essere "quantitativamente rigorosi" ma di essere scientificamente rigorosi. Le tecniche quantitative sono solo uno strumento per farlo e potrebbero non essere lo strumento principale o addirittura migliore per farlo. Inoltre, anche se i datori di lavoro affermano di volere abilità quantitative, ciò che vogliono veramente sono abilità analitiche, e un bravo scienziato sociale dovrebbe averle. In effetti, in alcune aree possono anche avere un vantaggio, poiché sono abituati ad affrontare la complessità della condizione umana. Non puoi semplicemente dire "immagina un proprietario di casa sferico ..."

Le discipline sociali sono già rigorose come le loro "rivali"

Anche se sembra controintuitivo, torniamo alla domanda di fondo: da dove viene il rigore delle discipline naturali? Riuscire a raccogliere dati e ridurli a formule? Ma non sono esattamente ciò che gli scienziati sociali fanno ogni giorno: osservare e trovare schemi? Non è perché le discipline sociali sono così primitive da non essere quantitative come le loro rivali, è perché gli strumenti quantitativi sono così primitivi che non possono essere usati efficacemente in esse. Non c'è distinzione tra i due, anche se in apparenza sembra.

Mentre li invidi, invidiano se stessi: Come dovrei affrontare lo scoraggiamento da studente laureato? Cosa fanno i ricercatori di matematica se non sono bravi? Non c'è niente di sbagliato nel dire che Einstein è il genio, ma ciò non significa che qualcun altro sia meno importante . Questo è ciò che chiamiamo "lavoro di squadra". Hai accettato il fatto che in questo preciso momento i tuoi pensieri sono tossici. Questo è estremamente importante, perché solo quando lo accetti, ti sentirai magicamente meglio immediatamente *. Quindi, con il sollievo in mano, usalo per scoprire quanto il tuo lavoro è importante per i tecnici . È già lì, non l'hai ancora visto. Quando e solo quando trovi il tuo valore, la tua invidia può finire.

_{* Psicologia 101. Come potrebbero le scienze sociali non essere meravigliose? sub>}

Due suggerimenti, da qualcuno che si occupa di una scienza quantitativa che è "adiacente" alle scienze sociali e che spesso rimprovera i miei colleghi per aver ignorato le scienze sociali e reinventato la ruota di tanto in tanto:

Aggiungi più rigore : segui più corsi di statistica e, nel tuo lavoro, fonda la tua analisi su metodi difendibili statisticamente. L'economia, ad esempio, ha iniziato a condurre studi controllati più randomizzati e le scienze sociali sono state responsabili di molto lavoro nell'analisi dei social network, nella modellazione basata su agenti e in altri metodi quantitativi.

Don " t Worship Math : Math = / = Rigor, per quanto alle persone piace confondere i due. Questo accade spesso nel mio campo: ci sarà una matematica molto elegante, con moltissime prove di accompagnamento, che in realtà non si associa a nulla nel mondo reale.

Questa è stata anche una critica mossa contro economia più di recente: che sofisticati modelli matematici sono stati usati per nascondere un elemento del pensiero magico e dare alle cose una patina di rigore senza che fosse effettivamente lì.