Contributions of machine learning to knowledge acquisition in the field of social sciences

Abstract

The research in Social Sciences is fundamental to the study of human behavior. Beliefs and motivations play an important role in people’s decision-making and choices. This relationship is relevant to explain the behavior in a population, and therefore, it allows for outlining social actions to improve the community. Knowing this, we proposed a way to discover meaningful patterns from a database of social studies using state-of-the-art techniques of Artificial Intelligence and Social Sciences. In this context, we selected Social Activism to perform classification using the extensive Word Values Survey (WVS) database. The algorithms applied in the task were Random Forest, Multilayer Perceptron , Stochastic Gradient Descent, and Support Vector Machine. Additionally, we use Recursive Feature Elimination to dimensionality reduction and analyze the selected features. The database used contain a survey applied in several countries, organized into Waves conducted in every five years. The Waves handled in this study were Wave 5 (2005- 2009), Wave 6 (2010-2014), and Wave 7 (2018-2022). Thus, we discovered the patterns in the databases in the longitudinal view that make sense from the perspective of the Social Sciences. These patterns indicate that people are usually more concerned about moralethical issues than other aspects such as politics. This way, the results demonstrated that the use of the approach proposed contributed to discovering implicit knowledge in structured data.

A pesquisa em Ciências Sociais é fundamental para o estudo do comportamento humano. Crenças e motivações desempenham um papel importante nas decisões e escolhas das pessoas. Essa relação é relevante para explicar o comportamento de uma população e, portanto, permite delinear ações sociais para a melhoria da comunidade. Sabendo disso, propusemos uma forma de descobrir padrões a partir de um banco de dados de estudos sociais usando técnicas de Inteligência Artificial e Ciências Sociais. Nesse contexto, selecionamos o Ativismo Social para realizar a classificação por meio do banco de dados Word Values Survey (WVS). Os algoritmos aplicados na tarefa foram Random Forest, Multilayer Perceptron, Stochastic Gradient Descent e Support Vector Machine. Além disso, usamos Recursive Feature Elimination para reduzir a dimensionalidade e analisar as features selecionadas. O dataset utilizado contém uma pesquisa aplicada em diversos países, organizada em Ondas realizadas a cada cinco anos. As ondas tratadas neste estudo foram Onda 5 (2005-2009), Onda 6 (2010-2014) e Onda 7 (2018-2022). Assim, descobrimos os padrões nas bases de dados na visão longitudinal que fazem sentido na perspectiva das Ciências Sociais. Esses padrões indicam que as pessoas geralmente estão mais engajadas com questões éticas morais do que com outros aspectos, como exemplo, aspectos políticos. Dessa forma, os resultados demonstraram que a utilização da abordagem proposta contribuiu para a descoberta do conhecimento implícito em dados estruturados.