خريطة الأدوات: الإنسانيات الرقمية والعلوم الاجتماعية الحاسوبية

في هذه الصفحة، وكيف تُقرأ الجداول

نشأ مجالان بحثيان في العشرين سنة الأخيرة حول الحقيقة نفسها – أن النصوص والعلاقات والأماكن والسلوكيات موجودة اليوم بصيغة رقمية وقابلة للحساب. الإنسانيات الرقمية (digital humanities, DH) جاءت من فقه اللغة والتاريخ والدراسات الأدبية: سؤالها هو ما الذي يمكن معرفته عن نص أو أرشيف أو حقبة حين تُقرأ بمساعدة الحاسوب (Schreibman, Siemens & Unsworth, 2016). العلوم الاجتماعية الحاسوبية (computational social science, CSS) جاءت من علم الاجتماع والعلوم السياسية وعلم النفس: سؤالها هو ما الذي يمكن معرفته عن مجتمع من الآثار الرقمية التي يتركها (Lazer et al., 2009, 2020; Edelmann et al., 2020). الأدوات متداخلة في معظمها، وهذه الخريطة تعرضها معًا – بحسب ما تفعله، لا بحسب المجال الذي اخترعها.

تعريفات المجال نفسه كثيرة، ويستعرضها Carter (2013, p. ix-xi) بصراحة: "تقاطع بين الإنسانيات وتقنيات المعلومات" (Svensson, 2010, as cited in Carter)، و"نسيج من التخصصات" تُطرح فيه أسئلة الإنسانيات التقليدية عن التقنيات والعكس (Fitzpatrick, 2010, as cited in Carter)، و"موجتان" – كمّية-متنية ثم تأويلية-تجريبية (Schnapp & Presner, 2009, as cited in Carter). واستنتاجه العملي مفيد لهذه الخريطة: لا حاجة إلى فهم الشيفرة لاستخدامها، ومن يعمل اليوم في المجال يعاني من "خيارات كثيرة تكاد تكون مفرطة". وتقترح Drucker وAlbrezzi (2026، ص 1-2) أبسط صيغة لكل مشروع – مواد + معالجة + عرض + مشاركة – والعنصر الرابع جديد في الطبعة الثانية: أصحاب الشأن الذين تُستخدم موادهم أو ممتلكاتهم الثقافية شركاء فاعلون في القرارات المتعلقة بالوصول والاستخدام والوصف والعرض، والمهنيون والطلاب في الفريق يستحقون الاعتراف والإسناد – وسبع عمليات أساسية كل منها قرار لا خطوة تقنية: الوساطة (التحويل إلى الرقمي)، و"التحويل إلى بيانات" والنمذجة، والمعالجة والتحليل، والعرض، والإخراج والتضمين، والاستدامة والحفظ، والاعتبارات الأخلاقية؛ "الأدوات التقنية ليست أبدًا محايدة من الناحية القيمية" (ص 2). وحجتهما المركزية هي السبب في أن كل فئة في الخريطة تبدأ بـ"المبدأ قبل الأداة": "الأدوات والمنصات تتغير، لكن مبادئ العمل الرقمي اتضحت وترسخت" (ص 2) – من تعرف كيف تبني قائمة حواف ستنقلها إلى Gephi أو Cytoscape أو إلى أي شيء يأتي بعدهما. وتوسّع Dawson (2020، ص 1) الإطار من الإنسانيات إلى العلوم الاجتماعية: "الرقمي" مصطلح جامع للطرق التي تجمع البيانات وتحللها بوسائل حاسوبية – الطرق الجديدة (تعلّم الآلة، تحليلات البيانات الضخمة) والقديمة التي عُدِّلت (الاستبانة، المقابلة، تحليل الشبكات) على السواء – ولكل مدخل في كتابها قسم بعنوان "الأخلاق والقيم والقانون" منه أُخذت الملاحظات الأخلاقية في الفئات أدناه.

ومن جانب العلوم الاجتماعية الحاسوبية – كتابان دراسيان. يعرّف Cioffi-Revilla (2017، ص 2) المجال بأنه "دراسة متعددة التخصصات للكون الاجتماعي على مقاييس كثيرة، من الفاعل الفرد حتى أكبر التجمعات، بواسطة الحساب"، ويحذّر من أنه لا يقتصر على البيانات الضخمة أو تحليل الشبكات أو المحاكاة – فهذه أربعة مجالات يغذي بعضها بعضًا: الاستخراج الآلي للمعلومات، والشبكات الاجتماعية، والتعقيد الاجتماعي، والمحاكاة الاجتماعية (ص 12-17). وهو، بحسب قوله، "علم تُمكّنه الأدوات" مثل علم الفلك بعد التلسكوب – "الأدوات هي الوسائل الرئيسية التي يُنتج بها العلمُ علمًا جديدًا" (ص 3-4) – ولهذا السبب فخريطة الأدوات مسألة منهجية لا تقنية. ويقدّم Salganik (2018، ص 6-8) الثنائية التي تنظّم فئات الجمع: بيانات "جاهزة مسبقًا" (readymades – آثار أنتجتها شركات وحكومات لأغراض أخرى، ويغيّر الباحث وظيفتها، مثل دوشامب) مقابل بيانات "حسب الطلب" (custommades – استبانة أو تجربة صُمّمت للسؤال، مثل مايكل أنجلو)، وأكثر البحوث إثارة هي "جزء منها دوشامب وجزء مايكل أنجلو". ومثل Drucker وAlbrezzi، يكتب هو أيضًا عن مبادئ لا عن منصات: "بدلًا من نهج منصة-تلو-منصة"، عشر خصائص عامة لمصادر البيانات الضخمة، ستنطبق أيضًا على "مصادر البيانات التي ستنشأ في المستقبل" (ص 17) – وهي في الفئة 7.

ولماذا ينتمي هذا إلى موقع للإحصاء؟ لأن الإحصاء هو الطبقة التي تحت المجالين كليهما: نمذجة الموضوعات تحليل عاملي على الكلمات، ومؤشر المركزية إحصاء وصفي على العلاقات، والمحاكاة تُفحص مقابل البيانات بالأدوات المألوفة. من يعرف قراءة مصفوفة الارتباطات يعرف قراءة مصفوفة التجاور.

كيف تُقرأ الجداول

يعرض كل جدول الأدوات في فئة واحدة في خمسة أعمدة. الترخيص والتكلفة في ثلاث شارات: مفتوح المصدر – الشيفرة مكشوفة، مجانية، ويمكن تثبيتها وتعديلها؛ مجاني (مغلق) أو مجاني + مدفوع – مجاني للاستخدام لكن الشيفرة مغلقة، وأحيانًا مع خطط مدفوعة أو قيود؛ مدفوع – ترخيص مدفوع، عادةً بسعر أكاديمي أو ترخيص للحرم الجامعي. الواجهة: "برنامج للتثبيت" – واجهة رسومية على الحاسوب؛ "متصفح" – يعمل في موقع، بلا تثبيت؛ "شيفرة" – مكتبة أو سطر أوامر، يتطلب R أو Python أو Java.

فُحصت الروابط والتراخيص وحالة التطوير لكل الأدوات الـ99 مقابل مواقع الأدوات في سبتمبر 2026. الأداة التي لم يعد تطويرها مستمرًا مؤشَّرة في الملاحظات؛ والأداة التي حُذفت – حُذفت لأنه لم يمكن التحقق منها، لا لأنها ليست جيدة.

1. تحليل النصوص والتنقيب في النصوص

أكبر فئة في المجالين، وهي أيضًا الموضع الذي يظهر فيه الفرق بينهما. في الإنسانيات الرقمية يُتحدَّث عن "القراءة عن بُعد" (distant reading; Moretti, 2013; Jockers, 2013): عدّ الكلمات، والفهرس السياقي (الكوكوردانس) ونمذجة الموضوعات (topic modeling) على مدوّنة أكبر من أن تُقرأ. وفي العلوم الاجتماعية الحاسوبية يُتحدَّث عن "النص بوصفه بيانات" (text as data; Grimmer, Roberts & Stewart, 2022): النص متغير، وكل ما عداه – القياس والثبات والصدق – كما في أي بحث كمّي. الأدوات متداخلة؛ والفرق في السؤال.

المبدأ قبل الأداة. Drucker (2021, Section 7a): القرارات بشأن ما يمكن قياسه (تحويله إلى مَعلَمة) وعدّه وفرزه وعرضه "عمليات تأويلية تشكّل نتائج البحث"؛ وفي الطبعة الثانية يُسمّى هذا التحويل إلى مَعالِم – هناك خصائص تتحول إلى مؤشر بسهولة (عدد الكلمات، طول القصيدة)، وكثير غيرها "مقروء تمامًا للإدراك البشري" ومع ذلك يصعب تحويله إلى مَعالِم، وما يُشمَل في البيانات وكيف يُنسَّق يتطلب أيضًا "انتباهًا نقديًا" (Drucker & Albrezzi, 2026, pp. 14, 49). ولغة الأدوات تُخفي ذلك: تُوصف نمذجة الموضوعات بأنها "تستخرج" الموضوعات من النص، "كأن الموضوعات موجودة في النص أصلًا ولا تنشأ بوصفها فعل قراءة وتأويل" (ص 51). ومثال صغير وحاد من الطبعة الأولى: معظم الأدوات تحذف "كلمات التوقف" مثل أدوات التعريف، لكن الفرق بين "الإله" و"إله" هو كل الفرق (Drucker, 2021, Section 7a). ومشكلة إعادة الإنتاج: التشغيلات المتكررة للتنقيب في النصوص والتحليلات الثقافية "تعيد نتائج تحركت وتغيرت"، لأن المدوّنة غير مستقرة ولأن المعالجة احتمالية (ص 54) – ولذلك فالبذرة العشوائية والإصدار والمَعالِم جزء من النتيجة. ومن الجانب الحاسوبي-الاجتماعي، يسمّي Cioffi-Revilla (2017، ص 13-14) هذه الفئة "الاستخراج الآلي للمعلومات" ويرى فيها "منهجية أساسية" للمجال، لأنها تغذي كل ما عداها؛ وفي عملية التنقيب في البيانات عنده (ص 115-117) يسبق السؤالُ الأداةَ – على متصل بين سؤال تقوده البيانات (استقرائي) وسؤال تقوده النظرية (استنباطي) – و"صياغة أسئلة البحث يجب أن تؤطّر كل دراسة للتنقيب في البيانات، لأن أسئلة البحث تشترط كل واحدة من المراحل التالية"؛ وقبل التحليل – المسح الضوئي (OCR)، والتنظيف، والتصفية، والتقطيع إلى وحدات (الفئة التالية). الأخلاق والقانون (Dawson, 2020, pp. 79-85): التنقيب في البيانات "الواعي بالتمييز" – يبيّن Berendt وPreibusch (2017, as cited in Dawson) كيف يولد التمييز من "الأثر المشترك للاستدلال البشري والآلي"؛ وفي الاتحاد الأوروبي وبريطانيا يوجد "حق قاعدة البيانات" على المجموعات التي تطلّب جمعها استثمارًا كبيرًا، والتحليل الحاسوبي لمادة محمية مسموح هناك لأغراض غير تجارية فقط – ومن ينقّب في مدوّنة محمية عليه أن يتحقق من القانون المحلي.

للعبرية مشكلة بنيوية: معظم الأدوات طُوّرت للإنجليزية وتفترض أن الكلمة = سلسلة حروف بين مسافات، بينما في العبرية "וכשהלכנו" أربع وحدات. الأداة التي تعلن "دعم العبرية" تقصد عادةً التقطيع إلى وحدات فقط؛ والتحليل الصرفي الحقيقي يتطلب الأدوات التي في الجدول 3.

2. ترميز النصوص، وOCR والأرشيف الرقمي

قبل تحليل النص يجب أن يكون هناك نص. ثلاث مراحل تسبق التحليل: تحويل المسح الضوئي أو المخطوطة إلى نص (OCR للمطبوع، HTR للمخطوط)، وترميز البنية والتأويل بمعيار مفتوح (TEI – معيار الطبعات العلمية الرقمية)، وتنظيم المادة الأرشيفية نفسها. قاعدة FAIR (Wilkinson et al., 2016) – بيانات قابلة للعثور عليها، وللوصول، وللتكامل، ولإعادة الاستخدام – تبدأ هنا: الصيغة المفتوحة القابلة للتصدير أفضل من أداة جميلة تحبس المادة.

المبدأ قبل الأداة. تُصرّ Drucker وAlbrezzi (2026، ص 15) على كلمة: البيانات ليست "معطيات" (data، "ما أُعطي") بل "مأخوذات" – capta – "معلومات التُقطت في عملية تجريد وبناء تتوقف على قرارات هي أصلًا أفعال تأويل"؛ ولذلك يجب أن يُوثَّق نموذج البيانات – ما يُعَدّ، وما الوحدة، وما يُطرح – مثل أي قرار منهجي (ص 18: "البيانات ليست أبدًا محايدة، بل مبنية دائمًا من وجهة نظر معينة"). وعن لغات الترميز (ص 35): ميزتها أنها تزيل الالتباس – وهذا أيضًا عيبها، لأن "الحواسيب لا تحتمل الالتباس" بينما معظم المادة الإنسانية مليئة به؛ ترميز استعارة هي أيضًا قول حرفي بـTEI يعني الاختيار، وهما تسألان إن كان في ذلك إشكال أخلاقي وتجيبان: "بالتأكيد". صيغ الملفات واصطلاحات التسمية تُحدَّد في مرحلة التخطيط، مع الشركاء المؤسسيين الذين سيحفظون المادة (ص 27). الأخلاق والقانون: البيانات الموروثة (legacy data) – بيانات أنتجها شخص آخر، أحيانًا بلا توثيق، والقرارات بشأن ما جُمع ونُظِّف وحُذف "قد لا يمكن استعادتها"؛ لمن البيانات، وأي أذونات تطلّبها إنتاجها، وماذا عن الخصوصية – إعادة استخدام فهرس أو قاعدة بيانات قديمة لا تُعفي من هذه الأسئلة (ص 15-16، 42).

3. العبرية، واليهودية واللغات الكلاسيكية

الفئة التي لا تكون فيها "الأداة الرائدة عالميًا" بالضرورة الأداة الصحيحة. العبرية – التوراتية، ولغة الحكماء (الحاخامية) والحديثة – لغة غنية صرفيًا مع كتابة بلا تشكيل، وكل تحليل جاد يبدأ بتحليل صرفي لا تقوم به الأدوات العامة. وإلى جانب أدوات المعالجة – قواعد البيانات: النص اليهودي الكلاسيكي مُرمَّز اليوم بالكامل تقريبًا ومفتوح عبر API، والصحافة العبرية التاريخية قابلة للبحث الكامل. وفي آخر الجدول – ثلاثة موارد للسنسكريتية وللغات الكلاسيكية، للباحث الذي يعمل مقارنيًا.

المبدأ قبل الأداة. هنا يعمل مبدأ Drucker وAlbrezzi بشأن الالتباس (2026، ص 35) مضاعفًا: الكتابة بلا تشكيل التباس مُدمَج في كل وحدة، والتحليل الصرفي قرار تتخذه الأداة نيابةً عنكم. وفي قواعد البيانات الموسومة – من يعتمد على BHSA يرث النموذج اللساني لـETCBC؛ وما هو بالضبط، في القسم 6 من صفحة معالجة اللغة العبرية الطبيعية (NLP).

4. تحليل الشبكات

تحليل الشبكات الاجتماعية (social network analysis) هو أقدم فروع العلوم الاجتماعية الحاسوبية – قياس اجتماعي (سوسيومتري) من القرن الـ20 حصل على قدرة حاسوبية. سؤاله مختلف عن السؤال الإحصائي المعتاد: لا "ما الذي يميز الفرد" بل "ما الذي يميز العلاقات". وفي الإنسانيات تُستخدم الأدوات نفسها لشبكات المراسلات، وللشخصيات في الرواية وللاقتباسات بين النصوص.

الاختيار العملي: Gephi للتصوير البياني والاستكشاف، ومكتبة شيفرة (igraph أو NetworkX) للمؤشرات والإحصاء، وUCINET إن كان دليلكم هو Borgatti. وللشبكات الببليومترية – VOSviewer.

المبدأ قبل الأداة. نموذج بيانات الشبكة صيغة من ثلاثة عناصر – كيان-علاقة-كيان – يمكن بناؤها في ورقة عمل وتصديرها إلى أي منصة؛ والعمل الحقيقي هو تدقيق نوع العلاقة (لا "مرتبط بـ" واحدة للجميع) والتغيّر عبر الزمن (Drucker & Albrezzi, 2026, p. 70). ويدقق Cioffi-Revilla (2017، ص 147) التمييز: "المخططات (graphs) بالنسبة إلى الشبكات كنماذج نظرية القرار بالنسبة إلى اتخاذ القرار" – المخطط هو التمثيل، لا الشبكة؛ الشبكة مجموعة منتهية من الكيانات (العُقد) ومجموعة علاقات (حواف) مُعرَّفة عليها، وهذان التعريفان هما العمل. وعن البرمجيات (ص 168-169): UCINET "واحدة من أكثر حزم البرمجيات انتشارًا"، والشبكات ذات المئات والآلاف من العُقد لم تصبح قابلة للتطبيق إلا في السنوات الأخيرة – زمن الحساب وقابلية الحل (tractability) اعتبار قبل اختيار المؤشر. وتضيف Dawson (2020، ص 356-361) أسئلة الصدق: كيف تُبرَّر حدود الشبكة؛ وما الذي تفعله المعلومات المفقودة عن الأشخاص والعلاقات بتحيّز المؤشرات؛ وهل التصوير البياني هو الطريقة الصحيحة لتفسير الخصائص البنيوية – "هل يمكن للتمثيل البصري أن يعرضها بصورة مضللة؟" (الجواب: نعم، ولذلك فالمؤشرات في igraph لا بالعين). الأخلاق والقانون (المصدر نفسه): من يحدد شبكته أعطى موافقته – أما الآخرون في الشبكة فلا؛ ويمكن أن ينكسر إخفاء الهوية من الموقع في الشبكة وحده؛ وقد يؤدي تحليل شبكة تنظيمية إلى فصل من العمل أو إلى ضرر – "هل يمكن أن يُلحق تحليلك ضررًا بأفراد؟" سؤال يُطرح قبل الجمع.

5. نظم المعلومات الجغرافية والخرائط المكانية-التاريخية

نظم المعلومات الجغرافية (GIS) تجيب عن سؤال "أين": الأطراف مقابل المركز، وتوزيع الإجابات بحسب المنطقة الإحصائية، وخريطة تاريخية موضوعة فوق خريطة معاصرة. للباحث الاجتماعي في إسرائيل موردان مجانيان مهمّان بشكل خاص: طبقات المناطق الإحصائية لدائرة الإحصاء المركزية – الوحدة التي تُنشر فيها بيانات التعداد والرفاه – وGovMap، بوابة الخرائط الوطنية. دمج ملف مسح مع طبقة المناطق الإحصائية هو الخطوة التي تنقل التحليل من "بحسب البلدة" إلى "بحسب الحي".

الأداة الرئيسية هي QGIS – بديل مجاني كامل لـArcGIS. وللتحليل الإحصائي-المكاني (الارتباط الذاتي المكاني، الانحدار المكاني) – GeoDa.

المبدأ قبل الأداة. "كل أنظمة الخرائط مبنية على إسقاطات تترجم شكلًا ثلاثي الأبعاد إلى تمثيل ثنائي الأبعاد وتحتوي على تشوهات"، والافتراضات المُدمَجة في التمثيل يجب أن تكون ظاهرة في الحجة التي تخدمها الخريطة (Drucker & Albrezzi, 2026, p. 77)؛ و"الأسس الوضعية لـGIS" تُصعّب عليه فهم السكن والتجربة، "حتى حين تجعله موضوعيته المزعومة عرضًا قويًا للحجج" (المصدر نفسه). وفي خلاصة الفصل 8b (ص 82) – الحدّ: الخرائط ممتازة في تحديد موقع البيانات بالنسبة إلى الجغرافيا، و"أقل فعالية في عرض التجربة النوعية للمكان" – خريطة المناطق الإحصائية تقول أين، لا كيف يكون الشعور بالسكن هناك. الأخلاق والقانون (Dawson, 2020, pp. 140-146): تتبع الموقع والطائرات المسيّرة وصور الأقمار الصناعية عالية الدقة انتهاك للخصوصية يتطلب ميثاقًا أخلاقيًا (تحيل Dawson إلى ميثاق GISCI)؛ والخرائط التشاركية (crowdsourced) يمكن أن تُستخدم للتهميش على يد من يملك القوة – سؤال "هل يمكن أن يستخدم أصحاب المصالح التحليل للإضرار بمجموعة؟" يُطرح مسبقًا.

6. النماذج القائمة على الوكلاء والمحاكاة الاجتماعية

النمذجة القائمة على الوكلاء (agent-based modeling) تعكس اتجاه البحث: بدلًا من استنتاج قاعدة من البيانات، تُعرَّف قواعد بسيطة للوكلاء ويُفحص أيّ ظاهرة اجتماعية كلية تنبثق منها – الفصل الحضري من تفضيلات طفيفة (Schelling)، والاتفاق من التأثير المتبادل، والمعيار من التعاون المتكرر. إنها أداة للنظرية أكثر منها للعمل التجريبي، ولذلك هي مهمة تحديدًا للباحث الذي يريد أن يفحص إن كان تفسيره قادرًا أصلًا على إنتاج الظاهرة.

NetLogo هي نقطة الدخول بلا منافس – "عتبة منخفضة، وسقف مرتفع" – مع مكتبة مدمجة من النماذج الكلاسيكية. ومن يكتب Python سيذهب إلى Mesa؛ والنماذج مع GIS – GAMA. مكتبة نماذج CoMSES هي المكان للبحث عن نموذج قائم قبل كتابة نموذج جديد.

المبدأ قبل الأداة. تدقق Dawson (2020، ص 4-9) الكلمات: النموذج يمثّل، والمحاكاة تستخدم النموذج – والطريقة تبني "من الأسفل إلى الأعلى، من الجزئي إلى الكلي"، بحيث تنبثق الأنماط من تفاعل الوكلاء. سؤالان منها يستلزمان جوابًا في فصل المنهجية: "هل تمثّل النماذج العالم، أم تأويل الباحث للعالم؟" وكيف يُتحقَّق – التحقق (النموذج يعمل بشكل صحيح) مقابل التصديق (بُني النموذج الصحيح). ويبسط Cioffi-Revilla (2017، ص 384-390) ذلك إلى مراحل: أسئلة البحث تسبق كل شيء وتحدد مستوى أمانة (fidelity) النموذج – من التجريد النظري حتى المعايرة التجريبية الكاملة (ص 385) – وسلّم الأمانة "لا علاقة له إطلاقًا" بالقيمة العلمية للنموذج (ص 382-383)؛ التحقق هو المقابل للصدق الداخلي – "النموذج الذي لم يُتحقَّق منه لا يستحق التحليل" – ويُنجَز بقراءة الشيفرة سطرًا سطرًا، وبتحليل تكرار استدعاءات الدوال وبمسح المَعالِم الذي يكشف الشذوذات (ص 388-389)؛ التصديق هو مطابقة الأنماط بين مخرجات المحاكاة والبيانات التجريبية – المدرجات التكرارية، والعزوم، والسلاسل الزمنية، ومؤشرات مثل جيني – و"ينطوي دائمًا على مطابقة بيانات محاكاة مع بيانات تجريبية" (ص 389-390). وتحذيران: "شيفرة المحاكاة سريعة التلف جدًا، أكثر بكثير من النماذج الرياضية أو الإحصائية" – محاكاة مشهورة ضاعت بعد وقت قصير من كتابتها، ولم يبق منها إلا النموذج المفاهيمي (ص 388)؛ والتحقق والتصديق "لا يكفيان وحدهما" للحكم على الجودة – إلى جانبهما تقف معايير Lave وMarch الثلاثة (1993، كما ورد في Cioffi-Revilla): الحقيقة، والجمال (الاقتصاد والشكل) والعدالة – إسهام النموذج في عالم أفضل (ص 391-393). وقبل اختيار أداة: يصف Abar وآخرون (2017, as cited in Dawson) 85 مجموعة أدوات ABM – NetLogo هي نقطة الدخول، لا الوحيدة. الأخلاق والقانون (المصدر نفسه): يمكن للنموذج أن يضر – حين يُستهدف أفراد بإجراء بناءً على تنبؤ، وحين يستند التنبؤ إلى سلوك ماضٍ تغيّر، وحين لا توجد طريقة لتصحيح المُدخل؛ وهل سُلّمت البيانات أصلًا لغرض النمذجة.

7. جمع البيانات الرقمية

عائلتان: المسح الإلكتروني – الأداة العريقة التي حصلت على واجهة جديدة – وجمع "الآثار الرقمية" (digital traces; Salganik, 2018): كشط المواقع، والوصول إلى API المنصات، والتقاط المحتوى من الشبكات الاجتماعية. الأولى تطرح سؤال الترميز والصدق؛ والثانية تطرح، قبل كل شيء، سؤال الأخلاق والقانونية – شروط استخدام المنصة، وخصوصية المستخدمين، وموافقة لجنة أخلاقيات البحث. Salganik (2018، الفصل 6، ص 281-354) هو القراءة الإلزامية.

لبحوث المسح في إسرائيل – معظم الجامعات لديها ترخيص Qualtrics؛ وLimeSurvey هو البديل المفتوح حين لا يتوفر. مخرجات كلها – ملف إكسل بالقالب القياسي للموقع، أو ملف SPSS تحوّله صفحة من SPSS إلى إكسل.

المبدأ قبل الأداة. يعدّد Salganik (2018، ص 17-41) عشر خصائص لمصادر البيانات الضخمة، ويجمعها تقريبيًا: ثلاث "مفيدة عمومًا" – كبيرة، تعمل دائمًا (always-on)، غير تفاعلية (القياس لا يغيّر السلوك) – وسبع "إشكالية عمومًا": ناقصة ("مهما كانت البيانات كبيرة، فالأرجح أنها لا تحتوي على المعلومات التي تريدونها")، وغير متاحة، وغير ممثِّلة ("سيئة للتعميم خارج العينة، لكنها مفيدة للمقارنات داخل العينة"، ص 29)، ومنجرفة (الانجراف في المجتمع وفي الاستخدام وفي النظام يُصعّب الاتجاهات طويلة الأمد)، ومُربَكة خوارزميًا ("السلوك في أنظمة البيانات الضخمة ليس طبيعيًا؛ إنه مدفوع بالأهداف الهندسية للأنظمة"، ص 35)، وقذرة ("محمّلة بالنفايات والرسائل المزعجة"، ص 37) وحساسة. وقاعدة عليا: "مجموعات البيانات الكبيرة وسيلة لغاية، لا غاية في حد ذاتها" (ص 17). وعن المسح: "سنحتاج دائمًا إلى طرح أسئلة على الناس" – الحالات الداخلية مثل الانفعال والمعرفة والتوقع ليست في بيانات السلوك، حتى المثالية منها (ص 87-88)؛ والمعاينة الاحتمالية تصبح صعبة عمليًا بينما تفتح المعاينة غير الاحتمالية إمكانات جديدة – بشرط التصحيح (ص 99). وللشبكات الاجتماعية (Dawson, 2020, pp. 349-355): البيانات "غير مطلوبة وغير مُعَدّة بنص، وكثيرًا ما تكون متعددة الوسائط" (Brooker et al., 2016, as cited in Dawson) – نص، رابط، صورة، فيديو – ولذلك تُختار طريقة التحليل (تحليل المحتوى، الخطاب، المشاعر، الشبكة، الزمن) بحسب السؤال، لا بحسب ما تطبعه الأداة؛ وسياسة API المنصات "تزداد تقييدًا"، بحيث إن البيانات التي حُصل عليها عبرها "لا يمكن استعادتها بدقة بسبب المنطق المجهول للخوارزمية التي أنتجتها" (Felt, 2016, as cited in Dawson) – قيد يُكتب صراحةً. وللمسح الإلكتروني (ص 288-294): رابط فريد لكل مستجيب يمنع التعبئة المزدوجة ويتيح التذكيرات؛ وللموضوعات الحساسة – السؤال غير المباشر ("كيف سيستجيب أناس آخرون") أفضل أحيانًا من المباشر. وللقياسات الشبكية (ويبومتريكس) (ص 398-403): "تغطية الشبكة جزئية" ومنحازة لصالح الدول التي تبنّتها مبكرًا (Thelwall, 2008, as cited in Dawson)، ومحركات البحث في نسخها القُطرية تُفضّل المواقع المحلية. الأخلاق والقانون: "هل المنشور الإلكتروني بيانات عامة أم خاصة؟"؛ الموافقة المستنيرة حين لا يعلم المشاركون أنهم في بحث؛ وإخفاء الهوية حين تشترط المنصة نسبة النص إلى كاتبه (ص 349-355)؛ عنوان IP واسم المستخدم ومصدر الإحالة في ملفات السجل "بيانات شخصية" وفق GDPR، وتخزينها يتطلب موافقة لغرض محدد، وتأمينًا، وحذفًا حين تنتفي الحاجة إليها (ص 188-193) – وفي إسرائيل، قانون حماية الخصوصية وأنظمته (ما الذي يطلبه القانون من باحث يجمع معلومات شخصية، بعد التعديل 13 – في صفحة أخلاقيات البحث، القسم 11). وتضيف Drucker وAlbrezzi (2026، ص 49) لعصر البيانات الضخمة: "كون البيانات متاحة لا يعني أنه يجوز أخلاقيًا استخدامها بلا وسائل حماية"، لأن من نشر لم يقصد بالضرورة تحليلًا علميًا؛ وإخفاء الهوية الحقيقي "صعب التحقيق"، لأن الناس يُعاد التعرف عليهم من خصائص أخرى أو من المقاطعة بين قواعد البيانات؛ ولذلك تقليص البيانات – جمع ما يتطلبه التحليل فقط: للمشاعر العامة لا حاجة إلى موقع دقيق وملف شخصي كامل. ويقول Salganik (2018) عمّا تغيّر: قوة الباحثين – "القدرة على فعل أشياء بالناس دون موافقتهم بل دون علمهم" – ازدادت، والقواعد لم تتضح بالقدر نفسه (ص 288)؛ المبادئ الأربعة لتقريرَي بلمونت ومنلو – احترام الأشخاص، والإحسان (عدم الإضرار، وتعظيم النفع وتقليل الضرر)، والعدالة في توزيع العبء والنفع، واحترام القانون والمصلحة العامة (ص 294-299)؛ القاعدة العملية "شكل ما من الموافقة لمعظم البحوث" (ص 303)؛ والخطر المعلوماتي – الضرر من كشف المعلومات – هو "الخطر الأكثر شيوعًا في البحث الاجتماعي، وقد ازداد ازديادًا هائلًا، وهو الأصعب فهمًا" (ص 307)؛ وثلاث نصائح: لجنة أخلاقيات البحث "أرضية، لا سقف"؛ ضعوا أنفسكم مكان كل الآخرين؛ وفكروا في الأخلاق بوصفها متصلًا لا ثنائية (ص 321-324).

8. الإحصاء وتعلّم الآلة

الفئة التي ينتمي إليها هذا الموقع نفسه، ولذلك الملاحظة المهمة: لكل الاختبارات التي لها حاسبة هنا – صفحة الحاسبة هي الأداة، في المتصفح ودون أن تغادر البيانات الحاسوب (انظروا الروابط في النهاية). هذا الجدول لما هو أبعد: النماذج متعددة المستويات، وتعلّم الآلة، وSEM الكامل، ولمن يريد برنامجًا متكاملًا. التمييز المركزي هو بين الإحصاء (التفسير: أيّ متغير يؤثر وبكم) وتعلّم الآلة (التنبؤ: ماذا سيحدث لمشاهدة جديدة) – هدفان مختلفان يتطلبان تحققًا مختلفًا، حتى حين يكون النموذج متطابقًا. هذا التمييز، والمسار من البداية إلى النهاية، والنماذج – من شجرة القرار حتى الشبكة العصبية – وأدواتها، في صفحة تعلّم الآلة للباحث الاجتماعي؛ والمقاييس، والتحقق المتقاطع، وتسرّب البيانات والبيانات غير المستقلة – في مقاييس الأداء والتحقق؛ وتحليل العوامل والمكونات والعناقيد – التعلّم بلا متغير تابع – في التعلّم غير الموجَّه؛ ويبقى الجدول 8 هنا جدول البرامج الإحصائية.

الثنائي JASP / jamovi يستحق انتباهًا خاصًا: كلاهما بديل مجاني لـSPSS بواجهة رسومية، مبنيان على R، ويحسبان بايزيًا أيضًا. PSPP هو البرنامج المرجعي الذي يُتحقَّق به من أجزاء من هذا الموقع – مجاني، ويشغّل أوامر SPSS Syntax.

المبدأ قبل الأداة. تعرّف Dawson (2020، ص 194-199) تعلّم الآلة بأنه خوارزميات "تتعلم من حسابات سابقة لاتخاذ قرارات وتنبؤات متكررة دون برمجة صريحة قائمة على القواعد"، موجَّهة (مدخلات ومخرجات موسومة) أو غير موجَّهة – وهذا بالضبط الفرق عن الحاسبات في الموقع، حيث القاعدة مكشوفة. وتسمّي Drucker وAlbrezzi (2026، ص 1) المعالجة "الصندوق الأسود للعمل الرقمي"، لأن معظمها يُنجَز بأدوات جاهزة عملُها خفي، وتحذّران من أنه كلما ازدادت العمليات تطورًا وانطوت على تعلّم الآلة والذكاء الاصطناعي "كثيرًا ما تعزّز التحيزات المُدمَجة في نموذجها" (ص 2). وعن التحليل العنقودي أيضًا تسأل Dawson (ص 31-37): "هل يمكن الوثوق بالبرنامج وبالأدوات وبالخوارزميات؟" – وتقترح الفحص ببرنامج إضافي، وهو بالضبط مبدأ المقاطعة في هذا الموقع (PSPP وR وPython على البيانات نفسها). وما لا تعطيه البيانات الضخمة من تلقاء نفسها – السببية: يبيّن Salganik (2018، ص 50-61) كيف "تُقارَب تجارب لا يمكن إجراؤها" بطريقتين وسّعهما العصر الرقمي، التجارب الطبيعية والمطابقة (matching) – وكلتاهما تبدأ بافتراضات يجب كتابتها، لا بأداة. وللنماذج اللغوية الكبيرة، التي تخصص لها الطبعة الثانية من Drucker وAlbrezzi فصلًا (12a)، محوران لاختيار النموذج: مفتوح أو مغلق، ومحلي أو بعيد. النموذج المغلق الذي يعمل على خادم شركة يعني أن "بياناتكم تُلتقط وتُعالج على خوادم مملوكة"، والبديل – نموذج مفتوح يُنزَّل ويُشغَّل محليًا (مثلًا في Ollama) – لمن لا يريد مشاركة المادة؛ ونظام استرجاع من نوع RAG، يجيب فقط من قاعدة بيانات حددها الباحث، أدق ومناسب للبيانات الحساسة أو المحمية (ص 118-119). والهلوسات (hallucinations) لا تزال تحدث: كل مُخرَج، حتى حين يبدو دقيقًا، "يجب أن يُستقصى ويُفحص ويُقارَن بمصادر موثوقة معروفة" (ص 119). الأخلاق والقانون (Dawson, 2020, pp. 194-199): "هل تعلّم الآلة محايد أخلاقيًا؟" – حين يُولِّد نموذج تنبؤ قرارات اجتماعية، يلزم الإنصاف والمساءلة والشفافية (Veale & Binns, 2017, as cited in Dawson). وتضيف Drucker وAlbrezzi (2026، ص 120-121): "كل عملية يُعَدّ فيها البشر أو يُفرزون أو يُعامَلون بوصفهم بيانات تخاطر بفقدان إنسانيتهم الذاتية"؛ ومصدر بيانات (provenance) النماذج "معتم جدًا" – مجموعات التدريب مملوكة، وما لم يكن النظام RAG فلا يُعرف على أي مصادر يستند المُخرَج وكيف رُجِّحت؛ وفي شروط استخدام أدوات كثيرة يوافق المستخدم على أن تُستخدم مطالباته ومخرجاته لمواصلة التدريب بل أن تُنقل إلى شركاء – وهو ما لا يجوز فعله ببيانات المشاركين.

9. التصوير البياني للبيانات

ثلاثة مستويات: أدوات "بلا شيفرة" في المتصفح (Datawrapper، Flourish، RAWGraphs) لشكل سريع ولائق للنشر؛ وقواعد الرسوم بالشيفرة (ggplot2، Vega-Lite، Plotly) لشكل قابل لإعادة الإنتاج والتحديث الآلي؛ وD3.js لتصوير بياني مخصص لا قالب له. للكتابة التحليلية-الصحفية – Datawrapper هو أداة غرف الأخبار، وهو الوحيد هنا الذي يعلن صراحة دعمًا كاملًا للكتابة من اليمين إلى اليسار (RTL) وللعبرية.

للشكل الأكاديمي وفق APA (الأقسام 7.22-7.28) – أشكال الحاسبات في الموقع مبنية هكذا أصلًا؛ ولـR انظروا قسم "وكيف يُنفَّذ ذلك في R" في صفحة شكل الانتشار، بما في ذلك حل علامات الترقيم العبرية (محرك AGG).

المبدأ قبل الأداة. الإحساس بأن للبيانات شكلًا بصريًا مُدمَجًا "وهم" – كل سلسلة يمكن عرضها بعشرات القوالب، وبعضها فقط يلائم خصائص البيانات (Drucker & Albrezzi, 2026, p. 57)؛ "كل التصويرات البيانية تأويلات، لا عروض لحقائق" (ص 67). والأخطاء الشائعة التي تعدّدانها (ص 60-66): إساءة استخدام المساحة (حين تتضاعف القيمة وتكبر المساحة أربع مرات – الشكل 7.5 عندهما)، والاتصال المصطنع (خط يصل بين نقاط منفصلة ليست سلسلة – الشكل 7.4a)، والمقياس الذي يتمدد بسبب قيمة متطرفة واحدة فيمحو الفروق في الوسط (الشكل 7.7). وتضيف Dawson (2020، ص 86-92) التحيزات غير الرسومية: تحيز السرد (اختيار القصة التي تُصوَّر)، والتصوير البياني الذي يدعم أيديولوجيا، واللغة التي تُقصي. الأخلاق والقانون (المصدر نفسه): إسناد مصادر البيانات وذكرها في الشكل نفسه، وشفافية مراحل البناء – "كيف ستضمنون ألّا يؤدي التصوير البياني إلى استنتاجات خاطئة؟"

10. إدارة المراجع، والعلم المفتوح والتعاون

الأدوات التي لا تحلل شيئًا ودونها لا يمكن إعادة إنتاج البحث: إدارة المراجع، والتسجيل المسبق (preregistration)، وإدارة الإصدارات، والكتابة المشتركة. مبدآن من مبادئ العلم المفتوح يتصلان مباشرة بهذا الموقع: النموذج المسجّل مسبقًا يُعرَض بطريقة مختلفة عن النموذج الذي عُدّل لاحقًا (انظروا صفحة تحليل المسار)، والشيفرة والإصدار موثّقان – كما تحمل كل صفحة في الموقع رقم إصدار.

المبدأ قبل الأداة. إدارة المشروع الرقمي عند Drucker وAlbrezzi (2026، ص 126-127): "ابدأوا بشيء يمكن إنجازه"؛ ابنوا مع إمكانية التوسع لكن دون الاعتماد على صيانة دائمة؛ وثّقوا كل عملية عمل خطوة خطوة، لأنه دون سجل مكتوب "حتى تكرار عملكم أنتم قد يكون تحديًا"؛ الأدوات مفتوحة المصدر ذات المجتمع الكبير من المستخدمين "يُتوقع أن تصمد أكثر من الصيغ المملوكة"؛ وخططوا مسبقًا "لدورة حياة" المشروع – "ليس كل مشروع رقمي سيصمد"، و"الوقت للتفكير في كيفية تصدير المحتوى الفكري هو في البداية". وصاغت الطبعة الأولى ذلك بحدة أكبر: "قد يكون توثيق المشروع هو الإسهام الأفضل" (Drucker, 2021, Section 12a). وعن المنصات (ص 110): "افحصوا دائمًا وظيفة التصدير" – المحتوى الذي بُني داخل برنامج عرض لا يصدّر عملٌ ضائع؛ ومعايير مشاركة البيانات (LoD، IIIF، CIDOC-CRM) فعالة، لكنها مكلفة التطبيق ولذلك تحابي المؤسسات الغنية (ص 114). الأخلاق والقانون (ص 128-129): الرقمي يُسهّل النسخ، ولذلك يلزم فهم حقوق المؤلف والاستخدام العادل وتراخيص Creative Commons؛ "الاستشهاد جانب أساسي من البحث ويجب الالتزام به في كل الظروف"؛ الربط لا يتطلب إذنًا، ويمكن عرض مادة في نافذة دون تخزينها على خادمكم؛ والقاعدة الذهبية – "عاملوا عمل الآخرين كما تحبون أن يُعامَل عملكم".

أخطاء شائعة

اختيار أداة قبل السؤال. الخطأ الأول والأكثر شيوعًا: "لديّ مدوّنة، فلنُجرِ نمذجة موضوعات". نمذجة الموضوعات تجيب عن سؤال معين (أيّ تجمعات كلمات تتكرر معًا) لا عن غيره (من قال ماذا لمن). السؤال أولًا، ثم نوع البيانات التي تجيب عنه، وبعد ذلك فقط الأداة – وهذا أيضًا ترتيب الأعمدة في قائمة التحقق أدناه.

إرسال بيانات حساسة إلى خادم دون انتباه. مقابلة أُلصقت في Voyant، وملف مسح رُفع إلى Flourish – لم يعودا على حاسوبكم. وموافقة لجنة أخلاقيات البحث التي حصلتم عليها نصّت، على الأرجح، على شيء آخر.

تصديق تقطيع العبرية إلى وحدات. الأداة التي تعامل "וכשהלכנו" كلمة واحدة ستنتج إحصاءات خاطئة بصمت – ستختفي تكرارات "הלך" في آلاف الصيغ. للعبرية – التحليل الصرفي يسبق كل عدّ (الجدول 3).

بناء مشروع على أداة غير مُطوَّرة. Palladio وYAP وGRETIL – تعمل، لكن آخر تحديث كان قبل سنوات. أداة كهذه جيدة للاستكشاف؛ ولمشروع مدته سنتان – تأكدوا من التصدير إلى صيغة مفتوحة (CSV, GraphML, TEI) لكي يصمد العمل بعد الأداة.

الكشط دون سؤال. شروط استخدام المنصة وخصوصية المستخدمين والقانون المحلي تسبق سطر الشيفرة الأول. يقترح Salganik (2018، ص 294-299) إطارًا من أربعة مبادئ – احترام الأشخاص، والإحسان، والعدالة، واحترام القانون والمصلحة العامة – ولماذا تختلف الموافقة المستنيرة هنا عنها في تجربة المختبر (ص 303-306).

الانبهار بالحجم. مليون سجل من منصة واحدة عيّنة غير ممثِّلة لمستخدمي المنصة، الذين سلوكهم "مدفوع بالأهداف الهندسية للنظام" – لا للمجتمع؛ "مجموعات البيانات الكبيرة وسيلة لغاية، لا غاية في حد ذاتها" (Salganik, 2018, pp. 17, 29, 35). السؤال ليس كم، بل من، وما الذي فعله النظام بهم.

محاكاة بلا تحقق وتصديق. النموذج الذي يعمل وينتج شكلًا ليس نتيجة: أولًا التحقق – أن الشيفرة تفعل ما يقوله النموذج المفاهيمي ("النموذج الذي لم يُتحقَّق منه لا يستحق التحليل") – ثم التصديق مقابل بيانات تجريبية؛ وكلاهما لا يكفي بعدُ للحكم على الجودة (Cioffi-Revilla, 2017, pp. 388-393). وشيفرة المحاكاة "سريعة التلف" – دون توثيق ومستودع (CoMSES) تختفي.

عدم توثيق الإصدار والمَعالِم. نمذجة الموضوعات مع k = 20 وk = 40 تعطي بحثين مختلفين؛ وGephi مع تخطيط آخر يعطي صورتين مختلفتين. النتيجة الحاسوبية غير الموثّقة حتى مستوى الإصدار والمَعلَمة لا يمكن إعادة إنتاجها – ولذلك ليست نتيجة.

الخلط بين التنبؤ والتفسير. نموذج تعلّم الآلة الذي يتنبأ بشكل صحيح بنسبة 92% لا يفسر شيئًا عن السبب، ومعامل الانحدار الدالّ إحصائيًا لا يضمن تنبؤًا جيدًا. هدفان، واختبارا صدق.

تسمية البيانات "معطيات". ما يدخل الأداة أُخذ من المادة بقرارات – ما الوحدة، وما يُعَدّ، وما يُطرح – وتقترح Drucker وAlbrezzi (2026، ص 15) تسميته capta. الخطأ ليس في الكلمة بل فيما تُخفيه: نموذج البيانات الذي لم يُوثَّق تأويل لم يُذكر.

تصديق المساحة والخط. دائرة قيمتها مضاعفة ومساحتها أربعة أضعاف؛ خط يصل بين فئات كأنها سلسلة؛ مقياس مدّته قيمة متطرفة واحدة. Drucker وAlbrezzi (2026، ص 67): "كل التصويرات البيانية تأويلات، لا عروض لحقائق" – وبعض الخصائص الرسومية نتاج العرض، لا البيانات.

الاستشهاد بما "وجده" نموذج لغوي. النموذج اللغوي العام يجيب حتى حين لا يكون لديه مصدر، وما ليس في مجموعة تدريبه يبدو كأنه غير موجود – "وأحيانًا، حين يحدث ذلك، يحاول النظام إنشاء المعلومات المطلوبة"؛ مصدر بيانات معظم النماذج معتم، وما لم يكن النظام RAG فلا يُعرف على ماذا يستند المُخرَج (Drucker & Albrezzi, 2026, pp. 119, 121). مُخرَج النموذج نقطة بداية للفحص مقابل مصدر – لا مصدر.

افتراض أن الشبكة كاملة. مؤشرات المركزية والمسافة تُحسَب على ما جُمع؛ وعلاقة واحدة مفقودة يمكن أن تحوّل "جسرًا" إلى "ثقب بنيوي". Dawson (2020، ص 356-361): برّروا حدود الشبكة، وقولوا ما الذي ينقص.

قائمة تحقق – قبل البدء بأداة جديدة

وما الذي يوجد هنا، في الموقع

تغطي صفحات الحاسبات في بروفيسور ستات الطبقة الإحصائية لمعظم البحوث في المجالين – في المتصفح، ودون أن تغادر البيانات الحاسوب، مع جدول وفق APA وجملة عرض النتيجة بالعربية والإنجليزية:

القائمة الكاملة للحاسبات موجودة في الألسنة أعلى الصفحة. صفحات الدليل الأخرى في الجزء أ: معالجة اللغة العبرية الطبيعية (NLP) · تعلّم الآلة للباحث الاجتماعي · مقاييس الأداء والتحقق · التعلّم غير الموجَّه.

المراجع

Carter, B. W. (2013). Digital humanities: Current perspective, practices, and research (Cutting-Edge Technologies in Higher Education, Vol. 7). Emerald.

Cioffi-Revilla, C. (2017). Introduction to computational social science: Principles and applications (2nd ed.). Springer. https://doi.org/10.1007/978-3-319-50131-4

Dawson, C. (2020). A–Z of digital research methods. Routledge.

Drucker, J. (2021). The digital humanities coursebook: An introduction to digital methods for research and scholarship. Routledge.

Drucker, J., & Albrezzi, F. (2026). The digital humanities coursebook: Applied concepts and critical approaches (2nd ed.). Routledge. https://doi.org/10.4324/9781003589792

Edelmann, A., Wolff, T., Montagne, D., & Bail, C. A. (2020). Computational social science and sociology. Annual Review of Sociology, 46, 61-81. https://doi.org/10.1146/annurev-soc-121919-054621

Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as data: A new framework for machine learning and the social sciences. Princeton University Press.

Jockers, M. L. (2013). Macroanalysis: Digital methods and literary history. University of Illinois Press.

Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.-L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D., & Van Alstyne, M. (2009). Computational social science. Science, 323(5915), 721-723. https://doi.org/10.1126/science.1167742

Lazer, D. M. J., Pentland, A., Watts, D. J., Aral, S., Athey, S., Contractor, N., Freelon, D., Gonzalez-Bailon, S., King, G., Margetts, H., Nelson, A., Salganik, M. J., Strohmaier, M., Vespignani, A., & Wagner, C. (2020). Computational social science: Obstacles and opportunities. Science, 369(6507), 1060-1062. https://doi.org/10.1126/science.aaz8170

Moretti, F. (2013). Distant reading. Verso.

Rieder, B. (2015). YouTube Data Tools (Version 1.x) [Computer software]. https://ytdt.digitalmethods.net

Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1-36. https://doi.org/10.18637/jss.v048.i02

Salganik, M. J. (2018). Bit by bit: Social research in the digital age. Princeton University Press. https://www.bitbybitbook.com

Schreibman, S., Siemens, R., & Unsworth, J. (Eds.). (2016). A new companion to digital humanities. Wiley Blackwell. https://doi.org/10.1002/9781118680605

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., . . . Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, Article 160018. https://doi.org/10.1038/sdata.2016.18