Ciências Sociais Computacionais e análise de conteúdo: reflexões a partir da produção latino-americana
DOI:
https://doi.org/10.14201/reb20231021151167Palavras-chave:
Ciências Sociais Computacionais, Análise de Conteúdo, América Latina, Text as Data, PLNResumo
As Ciências Sociais Computacionais (CSC) têm emergido como um campo híbrido formado pela intersecção das Ciências Sociais e da Ciência da Computação, e que se desenvolve pela ampliação da capacidade de análise dos pesquisadores pelos computadores e pelo exponencial crescimento de dados digitais, além de pesquisas baseadas em simulações computacionais baseadas em agentes. Nesse sentido, diversos temas, áreas e metodologias das humanidades têm sido impactadas. Um dos campos potencializados, nesse sentido, é o estudo de objetos sociais/políticos a partir da comunicação humana com Análise de Conteúdo. Apesar de não ser um método recente, pesquisadores e analistas de conteúdos lidam com dificuldades e limites da pesquisa causados pela subjetividade e replicabilidade e têm visto na automatização por meio de computadores a superação desta questão. Assim, buscamos identificar como se deu a incorporação de uma metodologia tradicional pelas CSC na América Latina buscando escrutinar como os cientistas sociais estão operacionalizando as transições teóricas/epistemológicas nesse campo em formação. Para tanto, fizemos análise cientométrica de artigos publicados por instituições e pesquisadores da região e os dados demonstram uma bibliografia composta de autores mais tradicionais das humanidades, mas com forte incorporação metodológica das técnicas da Ciência da Computação.
Downloads
Referências
Bardin, L. (2008). Análise de conteúdo. Lisboa: Edições 70.
Benoit, K. (2020). Text as Data: an overview. In L. Curini, & R. Franzese. The SAGE Handbook of Research Methods in Political Science and IR. Londres: Sage Publications.
Blei, D. M., Ng., A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. The Journal of Machine Learning Research, 3, 993-1022.
Bourdieu, P. (1989). O poder simbólico. Lisboa/Rio de Janeiro: Difel/Bertrand Brasil.
Camargo, B. V., & Justo, A. M. (2013). Tutorial para uso do software IRaMuTeQ (Interface de R pour les Analyses Multidimensionnelles de Textes et de Questionnaires). Florianópolis: Laboratório de Psicologia Social da Comunicação e Cognição – UFSC.
Cioffi-Revilla, C. (2017). Introduction to Computational Social Science: Principles and Applications. Londres: Springer.
Conte, R. et al. (2012). Manifesto of computational social science. The European Physical Journal Special Topics, 214, 325-346.
Cúrcio, V. R. (2006). Estudos estatísticos de textos literários. Revista Texto Digital, 2(2), 9-28.
Eck, N. J. van, & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538.
Edelman, A., Wolff, T., Montagne, D., & Bail, C. A. (2020). Computational Social Science and Sociology. Annual Review of Sociology, 46, 61-81.
Feng, G. (2014). Intercoder reliability indices: disuse, misuse, and abuse. Quality & Quantity, 48, 1803-1815.
Grácio, M. C. C. (2020). Análises relacionais de citação para a identificação de domínios científicos. São Paulo: Cultura Acadêmica.
Grimmer, J., & Stewart, B. M. (2013). Text as Data: The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts. Political Analysis, 21(3), 267-297.
Grimmer, J; Roberts, & M. Stewart, B.M. (2021). Machine Learning for Social Science: An Agnostic Approach. Annual Review of Political Science, 24, 395-419
Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as Data. Princenton: Princenton University Press.
Habermas, J. (1984). A mudança estrutural da esfera pública. Rio de Janeiro: Tempo Universitário.
Hayes, A. & Krippendorff, K. (2007). Answering the call for a standard reliability measure for coding data. Communication methods and measures, 1(1), 77-89.
Izumi, M., & Moreira, D. (2018). O texto como dado: desafios e oportunidades para as ciências sociais. BIB - Revista Brasileira de Informação Bibliográfica em Ciências Sociais, 86, 138-174.
Kolbe, R. H., & Burnett, M. S. (1991). Content-analysis research: an examination of applications with directives for improving research reliability and objectivity. Journal of Consumer Research, 18(2), 243-250.
Krippendorff, K. (2004). Content Analysis: an introduction to its methodology. SAGE Publications.
Lasswell, H. (1978). A estrutura e a função da comunicação na sociedade. In G. Cohn (Org.). Comunicação e indústria cultural. São Paulo: Cia Editora Nacional.
Lazer, D. et al. (2009). Computational Social Science. Science, 323(5915), 721-723.
Lazer, D. et al. (2020). Computational social science: Obstacles and opportunities. Science, 369(6507), 1060-1062.
Lebart, L., & Salem, A. (1994). Statistique textuelle. Paris: Dunod.
Lima, J. Á. (2013). Por uma Análise de Conteúdo mais fiável. Revista Portuguesa de Pedagogia, 47(1), 7-29.
Lipman, W. (2008). Opinião pública. Petrópolis: Vozes.
Moreira, D., Pires, A., & Medeiros, M. A. (2022). Do ‘texto como texto’ ao ‘texto como dado’: o potencial das pesquisas em Relações Internacionais. Revista de Sociologia e Política, 30, 1-29.
Moraes, R., & Galiazzi, M. C. (2006). Análise textual discursiva: processo reconstrutivo de múltiplas faces. Ciência & Educação (Bauru), 12, 117-128.
Neuendorf, K. A. (2017). The Content Analysis: guidebook. Thousand Oaks: Sage Publications.
Salganik, M. (2018). Bit by bit: social research in digital age. Nova Jersey: Princeton University Press.
Sampaio, R. C., & Lycarião, D. (2021). Análise de Conteúdo Categorial: manual de aplicação. Brasília, DF: ENAP. Recuperado em 4 de janeiro de 2023, de https://repositorio.enap.gov.br/bitstream/1/6542/1/Analise_de_conteudo_categorial_final.pdf.
Sampaio, R. C., Lycarião, D., Codato, A. N., Marioto, D. J. F., Bittencourt, M., Nichols, B. W., & Sanchez, C. S. (2022). Mapeamento e reflexões sobre o uso da análise de conteúdo na SciELO-Brasil (2002-2019). New Trends in Qualitative Research, 15, e747-e747.
Sartori, G. (1998). Homo Videns: la sociedad teledirigida. Rio de Janeiro: Taurus.
Tennant, J. P. (2020). Web of Science and Scopus are not global databases of knowledge. European Science Editing, 46, e51987.
Zhou, ZH. (2021). Machine Learning. Springer Nature Singapure.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2023 Gleidylucy Oliveira, Rafael Cardoso Sampaio
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
