برای دیدن تمام محتوا و ویژگی ها باید با نام کاربری دانشجویی و تایید شده وارد سایت شوید

درس مقدمات و چیستی هوش مصنوعی برای آشنایی عمومی دانشجویان با مفاهیم پایه، تاریخچه و کاربردهای اصلی این حوزه طراحی شده است. این درس نیازی به پیش‌زمینه در ریاضیات یا برنامه‌نویسی ندارد و هدف آن ایجاد درکی شهودی و کاربردی از اینکه هوش مصنوعی چیست، چگونه کار می‌کند و چه تأثیری بر زندگی و آینده جوامع انسانی دارد، می‌باشد.

در ابتدای درس، مفهوم هوش و تلاش انسان برای بازآفرینی آن مورد بررسی قرار می‌گیرد. دانشجویان با تفاوت میان هوش طبیعی انسان و هوش مصنوعی ساخته‌شده توسط ماشین آشنا می‌شوند. در این بخش، تاریخچه‌ی کوتاهی از پیشرفت‌های هوش مصنوعی از دهه ۱۹۵۰ تا امروز مرور می‌شود؛ از نخستین برنامه‌های بازی شطرنج و سیستم‌های خبره تا ظهور یادگیری ماشین، شبکه‌های عصبی و مدل‌های زبانی مدرن. هدف این است که دانشجو درک کند هوش مصنوعی محصول ترکیب چندین رشته است: علوم کامپیوتر، ریاضیات، زبان‌شناسی، روان‌شناسی شناختی و فلسفه ذهن.

در بخش دوم، به چیستی و کارکرد هوش مصنوعی پرداخته می‌شود. دانشجویان می‌آموزند که هوش مصنوعی به معنای ساخت ماشین‌هایی است که می‌توانند از داده‌ها یاد بگیرند، تصمیم بگیرند، و در محیط‌های پیچیده عمل کنند. مفاهیمی مانند داده، الگوریتم، یادگیری نظارت‌شده و بدون نظارت، و تصمیم‌گیری مبتنی بر الگو به زبان ساده و با مثال‌های روزمره توضیح داده می‌شوند. به عنوان نمونه، بررسی می‌شود که چگونه تلفن‌های همراه چهره‌ها را تشخیص می‌دهند، چگونه موتورهای جست‌وجو پاسخ مناسب را پیدا می‌کنند، یا چگونه خودروهای خودران محیط پیرامون خود را تحلیل می‌کنند.

در بخش سوم، کاربردهای هوش مصنوعی در زندگی واقعی معرفی می‌شود. این بخش با هدف ایجاد انگیزه و درک عملی از اهمیت این علم طراحی شده است. حوزه‌هایی مانند سلامت و پزشکی، کشاورزی، آموزش، اقتصاد، محیط زیست، و حکمرانی داده‌محور بررسی می‌شوند تا دانشجو بتواند تصور کند که چگونه این فناوری در بهبود تصمیم‌سازی‌ها و افزایش کارایی سیستم‌ها نقش دارد. تأکید بر این است که هوش مصنوعی صرفاً فناوری نیست، بلکه ابزاری است برای بازاندیشی در شیوه‌ی حل مسائل انسانی و اجتماعی.

در بخش چهارم، مباحث اخلاقی، اجتماعی و فلسفی هوش مصنوعی مطرح می‌شود. موضوعاتی مانند حریم خصوصی، سوگیری الگوریتمی، تأثیر بر اشتغال، و مسئولیت تصمیم‌های ماشین‌ها مورد بحث قرار می‌گیرد. این بخش کمک می‌کند دانشجویان دریابند که هوش مصنوعی نه تنها فرصت‌های بزرگی برای پیشرفت فراهم کرده، بلکه چالش‌های اخلاقی و سیاستی جدیدی نیز پدید آورده است. هدف، پرورش ذهنی نقاد و مسئولیت‌پذیر است که بتواند میان کارایی فنی و پیامدهای انسانی تعادل برقرار کند.

در بخش پایانی، آینده‌ی هوش مصنوعی و مسیرهای یادگیری پیشرفته معرفی می‌شود. دانشجویان با شاخه‌های مهم این حوزه مانند یادگیری عمیق، پردازش زبان طبیعی، بینایی ماشین و رباتیک آشنا می‌شوند و مسیرهای مطالعاتی و شغلی مرتبط را می‌شناسند. همچنین بحث می‌شود که در آینده، ترکیب هوش مصنوعی با علوم اجتماعی، هنر، فلسفه و اقتصاد چگونه می‌تواند چهره‌ی جدیدی از علم و حکمرانی خلق کند.

این درس با هدف برانگیختن کنجکاوی و تفکر طراحی شده است. دانشجو در پایان دوره باید بتواند به این پرسش پاسخ دهد که هوش مصنوعی چیست، چگونه کار می‌کند، در چه زمینه‌هایی می‌تواند به انسان کمک کند و چه مرزهایی میان انسان و ماشین باید حفظ شود. هدف نهایی این درس نه آموزش برنامه‌نویسی، بلکه آشنایی با یک تحول فکری و فناورانه است که در حال تغییر بنیادین شیوه‌ی شناخت، تصمیم‌گیری و زندگی در قرن بیست‌ویکم است.

درس شبیه‌سازی اجتماعی برای آشنایی دانشجویان با روش‌های مدرن مطالعه جامعه از طریق مدل‌سازی و محاسبات طراحی شده است. این درس با این پیش‌فرض آغاز می‌شود که پدیده‌های اجتماعی – مانند همکاری، رقابت، نابرابری یا شکل‌گیری هنجارها – نتیجه تعامل میلیون‌ها فرد و نهاد هستند و برای فهم آن‌ها نمی‌توان تنها از روش‌های آماری یا نظریه‌های کلی استفاده کرد. شبیه‌سازی اجتماعی روشی است که به کمک آن می‌توان با ساخت مدل‌هایی از کنش‌های فردی و روابط میان آن‌ها، رفتارهای جمعی و پیامدهای کلان را بازآفرینی و تحلیل کرد.

در بخش نخست، مفهوم مدل و جایگاه آن در علوم اجتماعی معرفی می‌شود. دانشجویان می‌آموزند که مدل، بازنمایی ساده‌شده‌ای از واقعیت است و هدف آن، توضیح سازوکارهای درونی پدیده‌هاست نه پیش‌بینی دقیق اعداد. در این بخش تفاوت میان مدل‌های آماری، نظری و محاسباتی توضیح داده می‌شود و نشان داده می‌شود که چرا در مطالعه سیستم‌های اجتماعی پیچیده، مدل‌سازی عامل‌محور و شبیه‌سازی کامپیوتری اهمیت ویژه‌ای دارد.

در بخش دوم، تاریخچه و فلسفه شبیه‌سازی اجتماعی مرور می‌شود. از مدل کلاسیک جدایی نژادی توماس شلینگ و شبیه‌سازی تعاملات جمعی تا کارهای جدیدتر در حوزه رفتار جمعی، شایعه‌پراکنی، پویایی شبکه‌های اجتماعی و شکل‌گیری نهادها بررسی می‌شود. این مرور تاریخی به دانشجویان کمک می‌کند بفهمند که چگونه اندیشه‌های میان‌رشته‌ای از فیزیک، زیست‌شناسی، روان‌شناسی و اقتصاد در شکل‌گیری این حوزه نقش داشته‌اند.

در بخش سوم، روش‌شناسی مدل‌سازی عامل‌محور (Agent-Based Modeling) آموزش داده می‌شود. دانشجویان با مفهوم «عامل» به عنوان واحد تصمیم‌گیرنده آشنا می‌شوند؛ موجودی ساده که بر اساس قوانین مشخص عمل می‌کند اما در تعامل با دیگران می‌تواند الگوهای پیچیده و پیش‌بینی‌ناپذیر ایجاد کند. با استفاده از نرم‌افزارهای ساده مانند NetLogo، نمونه‌هایی از مدل‌های اجتماعی پیاده‌سازی می‌شود تا دانشجویان بتوانند فرایند ظهور پدیده‌های جمعی را مشاهده و تحلیل کنند.

در بخش چهارم، به تحلیل و تفسیر نتایج شبیه‌سازی پرداخته می‌شود. دانشجویان یاد می‌گیرند که چگونه نتایج مدل را با داده‌های واقعی مقایسه کنند، حساسیت مدل به پارامترها را بررسی کنند و از شبیه‌سازی به عنوان ابزاری برای آزمون فرضیه‌های نظری یا طراحی سیاست‌های عمومی بهره گیرند. تأکید بر این است که شبیه‌سازی جایگزین واقعیت نیست، بلکه ابزاری است برای درک بهتر آن و آزمودن ایده‌ها در محیطی کنترل‌شده و تکرارپذیر.

در بخش پنجم، کاربردهای شبیه‌سازی اجتماعی در سیاست‌گذاری و حکمرانی بررسی می‌شود. از مدل‌سازی بحران‌های اقتصادی و گسترش شایعات در شبکه‌های اجتماعی گرفته تا تحلیل رفتار رأی‌دهندگان، پویایی بازار کار، یا الگوهای مصرف انرژی، نمونه‌های متعددی مورد مطالعه قرار می‌گیرد. دانشجویان در پروژه پایانی خود یکی از مسائل اجتماعی واقعی را انتخاب کرده و با طراحی مدل مفهومی و پیاده‌سازی نسخه‌ای ساده از آن، فرایند شبیه‌سازی را تجربه می‌کنند.

این درس در نهایت بر اهمیت نگاه سیستم‌محور به جامعه تأکید دارد. دانشجو در پایان دوره می‌آموزد که پدیده‌های اجتماعی حاصل جمع ساده کنش‌های فردی نیستند، بلکه از تعاملات و بازخوردهای میان آن‌ها ساختارهایی پیچیده و گاه غیرمنتظره پدید می‌آید. هدف نهایی شبیه‌سازی اجتماعی این است که به جای پاسخ دادن قطعی به پرسش‌ها، راهی برای اندیشیدن، مشاهده و آزمودن فرضیات درباره جامعه فراهم کند. درک این روش به پژوهشگر کمک می‌کند تا به جای تکیه بر تعمیم‌های انتزاعی، بتواند پویایی واقعی رفتار اجتماعی را در قالب مدل‌های قابل آزمایش بازآفرینی کند و از این طریق پلی میان نظریه، داده و سیاست‌گذاری بسازد.

درس علوم اجتماعی محاسباتی برای آشنایی دانشجویان با نسل جدیدی از روش‌های پژوهش اجتماعی طراحی شده است که در آن داده‌های کلان، محاسبات، و مدل‌سازی عددی جایگزین مشاهدات محدود و تحلیل‌های صرفاً نظری می‌شوند. این درس در پی آن است که نشان دهد چگونه فناوری‌های دیجیتال، شبکه‌های اجتماعی و داده‌های تولیدشده توسط کاربران، افق‌های تازه‌ای برای فهم رفتارهای انسانی، الگوهای ارتباطی و پویایی‌های اجتماعی گشوده‌اند. علوم اجتماعی محاسباتی در واقع پیوندی میان علوم اجتماعی کلاسیک و علوم داده است و می‌کوشد جامعه را نه فقط از طریق مصاحبه و آمارهای سنتی، بلکه با تحلیل داده‌های واقعی در مقیاس بزرگ مطالعه کند.

در آغاز درس، چیستی و فلسفه علوم اجتماعی محاسباتی بررسی می‌شود. پرسش‌های بنیادینی مانند تفاوت این رویکرد با علوم اجتماعی سنتی، جایگاه نظریه در عصر داده‌های بزرگ، و چگونگی تبدیل پدیده‌های انسانی به داده‌های قابل تحلیل مطرح می‌شود. دانشجویان می‌آموزند که داده‌های دیجیتال، نه بازنمایی کامل واقعیت، بلکه نوعی ردپای رفتاری هستند که با دقت و تفسیر صحیح می‌توانند دید تازه‌ای از جامعه ارائه دهند.

در بخش دوم، منابع داده در علوم اجتماعی محاسباتی معرفی می‌شود. داده‌های حاصل از شبکه‌های اجتماعی، موتورهای جست‌وجو، تراکنش‌های مالی، تلفن‌های همراه و داده‌های متنی از رسانه‌ها از جمله مهم‌ترین منابع هستند. دانشجویان می‌آموزند که چگونه این داده‌ها گردآوری، پاک‌سازی و ساختاردهی می‌شوند و چه محدودیت‌هایی از نظر اخلاقی و حریم خصوصی دارند. در این بخش، روش‌های پایه‌ای مانند تحلیل شبکه‌های اجتماعی، استخراج متن، تحلیل احساسات و خوشه‌بندی رفتار کاربران توضیح داده می‌شود.

در بخش سوم، مدل‌سازی و تحلیل داده‌ها محور آموزش قرار می‌گیرد. دانشجویان یاد می‌گیرند چگونه با استفاده از ابزارهای آماری و محاسباتی (مانند Stata، Python یا R) الگوهای پنهان در داده‌ها را شناسایی کنند. مفاهیمی مانند علیت، هم‌بستگی، و شناسایی الگوهای رفتاری از طریق داده‌های بزرگ مطرح می‌شود. هدف این است که دانشجو بتواند از داده‌ها برای آزمون فرضیه‌های اجتماعی یا ساخت مدل‌های پیش‌بینی‌کننده استفاده کند، نه صرفاً برای توصیف پدیده‌ها.

در بخش چهارم، کاربردهای علوم اجتماعی محاسباتی در سیاست‌گذاری عمومی و حکمرانی بررسی می‌شود. تحلیل احساسات مردم نسبت به سیاست‌های اقتصادی، پایش اعتماد اجتماعی، پیش‌بینی بحران‌های اجتماعی یا نوسانات بازار، و تحلیل شبکه‌های قدرت و اطلاعات از جمله موضوعات مورد بحث است. این بخش به دانشجویان نشان می‌دهد چگونه می‌توان از داده‌های اجتماعی برای تصمیم‌سازی دقیق‌تر و پاسخ‌گویی بهتر دولت‌ها و نهادهای عمومی استفاده کرد.

در بخش پایانی، چالش‌های نظری و اخلاقی علوم اجتماعی محاسباتی مورد توجه قرار می‌گیرد. مسائلی مانند سوگیری داده‌ها، خطاهای الگوریتمی، حریم خصوصی کاربران و پیامدهای سیاسی و فرهنگی استفاده از داده‌های بزرگ تحلیل می‌شود. هدف این است که دانشجو بیاموزد داده و الگوریتم به‌تنهایی بی‌طرف نیستند و هر تحلیل محاسباتی باید در پرتو شناخت نظری و اخلاقی تفسیر شود.

این درس با ترکیب نظریه اجتماعی، مهارت‌های داده‌کاوی و تفکر نقاد، دانشجویان را برای پژوهش در دنیایی آماده می‌کند که داده و محاسبه به ابزار اصلی شناخت جامعه تبدیل شده‌اند. در پایان دوره، انتظار می‌رود دانشجو بتواند مسئله‌ای اجتماعی را شناسایی کند، داده‌های مرتبط را گردآورد، با روش‌های محاسباتی تحلیل کند و یافته‌ها را در قالب نظریه و سیاست تبیین نماید. علوم اجتماعی محاسباتی در این سطح، تنها یک مهارت فنی نیست؛ بلکه رویکردی جدید برای فهم جامعه در عصر دیجیتال است، جایی که هر تعامل انسانی می‌تواند داده‌ای باشد برای بازسازی نقشه پیچیده رفتار و ساختار اجتماعی.