تفصيل المؤلف
مؤلف Ollion, Étienne |
الوثائق الموجودة المؤلفة من طرف المؤلف (2)
Affiner la rechercheAu delà des big data. Les sciences sociales et la multiplication des données numériques / Ollion, Étienne in Sociologie, 3 (Trimestrielle)
عنوان : Au delà des big data. Les sciences sociales et la multiplication des données numériques نوع الوثيقة : نص مطبوع مؤلفين : Ollion, Étienne, مؤلف ; Boelaert, Julien, مؤلف تاريخ النشر : 2016 مقالة في الصفحة: P295-P310 اللغة : فرنسي (fre) الكلمة المفتاح : méthodes, statistiques, données numériques, sciences sociales خلاصة : Dans le débat public comme dans le monde académique, l'enthousiasme pour les big data n'a eu d'égal que les critiques que ce phénomène a suscité. « Opportunité empirique inouïe » vs « données pauvres » ; « révolution méthodologique » vs « fascination pour le nombre » ; « révolution scientifique » vs « dégradation du savoir produit » : les positions sont tranchées. À partir d'une lecture de ces débats et des travaux en sciences sociales souvent regroupés sous ce label, l'article soutient que cette situation polarisée a de fortes chances de perdurer tant que la discussion s'organise autour du concept mal défini de big data. Il propose de distinguer différents types de données souvent regroupées sous ce terme. Il montre ce faisant que les big data souvent évoquées ne sont qu'un aspect limité d'une transformation bien plus importante : la disponibilité croissante et massive de données numériques, qui pose des questions nouvelles à nos disciplines. Quatre aspects sont plus particulièrement explorés : les réorganisations disciplinaires, les transformations des méthodes quantitatives, l'accès et la gestion des données, les objets des sciences sociales et leur rapport à la théorie.
in Sociologie > 3 (Trimestrielle) . - P295-P310[مقالة] Au delà des big data. Les sciences sociales et la multiplication des données numériques [نص مطبوع ] / Ollion, Étienne, مؤلف ; Boelaert, Julien, مؤلف . - 2016 . - P295-P310.
اللغة : فرنسي (fre)
in Sociologie > 3 (Trimestrielle) . - P295-P310
الكلمة المفتاح : méthodes, statistiques, données numériques, sciences sociales خلاصة : Dans le débat public comme dans le monde académique, l'enthousiasme pour les big data n'a eu d'égal que les critiques que ce phénomène a suscité. « Opportunité empirique inouïe » vs « données pauvres » ; « révolution méthodologique » vs « fascination pour le nombre » ; « révolution scientifique » vs « dégradation du savoir produit » : les positions sont tranchées. À partir d'une lecture de ces débats et des travaux en sciences sociales souvent regroupés sous ce label, l'article soutient que cette situation polarisée a de fortes chances de perdurer tant que la discussion s'organise autour du concept mal défini de big data. Il propose de distinguer différents types de données souvent regroupées sous ce terme. Il montre ce faisant que les big data souvent évoquées ne sont qu'un aspect limité d'une transformation bien plus importante : la disponibilité croissante et massive de données numériques, qui pose des questions nouvelles à nos disciplines. Quatre aspects sont plus particulièrement explorés : les réorganisations disciplinaires, les transformations des méthodes quantitatives, l'accès et la gestion des données, les objets des sciences sociales et leur rapport à la théorie.
عنوان : The Great Regression : Machine Learning, Econometrics, and the Future of Quantitative Social Sciences نوع الوثيقة : نص مطبوع مؤلفين : Boelaert, Julien, مؤلف ; Ollion, Étienne, مؤلف تاريخ النشر : 2014 مقالة في الصفحة: P475-P506 اللغة : إنكليزي (eng) الكلمة المفتاح : Supervised machine learning, Econometrics, Quantitative social sciences, Knowledge خلاصة : What can social sciences do with machine learning, and what can the latter do to them? A contribution to the emerging debate on the role of machine learning for the social sciences, this article offers an introduction to this class of statistical techniques. It details its premises, logic, and the challenges it faces. This is done by comparing machine learning to more classical approaches to quantification - most notably parametric regression - both at a general level and in practice. The article is thus an intervention in the contentious debates about the role and possible consequences of adopting statistical learning in science. We claim that the revolution announced by many and feared by others will not happen any time soon, at least not in the terms that both proponents and critics of the technique have spelled out. The growing use of machine learning is not so much ushering in a radically new quantitative era as it is fostering an increased competition between the newly termed classic method and the learning approach. This, in turn, results in more uncertainty with respect to quantified results. Surprisingly enough, this may be good news for knowledge overall.
in Revue française de sociologie > 3 (Trimestrielle) . - P475-P506[مقالة] The Great Regression : Machine Learning, Econometrics, and the Future of Quantitative Social Sciences [نص مطبوع ] / Boelaert, Julien, مؤلف ; Ollion, Étienne, مؤلف . - 2014 . - P475-P506.
اللغة : إنكليزي (eng)
in Revue française de sociologie > 3 (Trimestrielle) . - P475-P506
الكلمة المفتاح : Supervised machine learning, Econometrics, Quantitative social sciences, Knowledge خلاصة : What can social sciences do with machine learning, and what can the latter do to them? A contribution to the emerging debate on the role of machine learning for the social sciences, this article offers an introduction to this class of statistical techniques. It details its premises, logic, and the challenges it faces. This is done by comparing machine learning to more classical approaches to quantification - most notably parametric regression - both at a general level and in practice. The article is thus an intervention in the contentious debates about the role and possible consequences of adopting statistical learning in science. We claim that the revolution announced by many and feared by others will not happen any time soon, at least not in the terms that both proponents and critics of the technique have spelled out. The growing use of machine learning is not so much ushering in a radically new quantitative era as it is fostering an increased competition between the newly termed classic method and the learning approach. This, in turn, results in more uncertainty with respect to quantified results. Surprisingly enough, this may be good news for knowledge overall.
