Ingo Scholtes – Soziologie und Informatik können viel voneinander lernen

- Host (Erium Podcast)Host
- Prof. Dr. Ingo ScholtesProfessor of Data Analytics, University of Wuppertal; previously University of Zurich and ETH Zurich; Computational Social Scientist
Overview
In this episode of the Erium Podcast, the host speaks with Prof. Dr. Ingo Scholtes about the intersection of sociology and computer science in the field of Computational Social Science. The conversation explores how Data Science and Machine Learning can enrich social science research – and, conversely, how social science concepts are becoming indispensable for computer science. Scholtes' research on dynamic network structures and the Ringelmann Effect in open-source software projects serves as a concrete example.
About the guest
Prof. Dr. Ingo Scholtes is a Computational Social Scientist and Professor of Data Analytics at the University of Wuppertal. He earned his doctorate with distinction (Summa cum laude) in Computer Science from the University of Trier, taught at the Karlsruhe Institute of Technology and ETH Zurich, and led the Data Analytics Research Group at the University of Zurich. Before his academic career in the field of social networks, he worked at CERN on software for the Atlas detector. Within the executive board of the German Informatics Society (Gesellschaft fuer Informatik), he founded a working group for Computational Social Science.
Summary
What is Computational Social Science?
Scholtes describes the field as the intersection of social science and computer science. He distinguishes two directions: on one hand, methods from computer science such as data mining, machine learning, simulations, or online experiments can be used to investigate social science questions. On the other hand – and this is particularly important to him – computer science itself increasingly needs social science expertise, for example in the design of online platforms or in the development of fair machine learning methods. He views both disciplines as equal partners, rather than one serving as an auxiliary science to the other.
Interdisciplinary Collaboration: Opportunities and Challenges
Scholtes shares insights from his day-to-day research with an interdisciplinary team comprising computer scientists, an engineer, and a social scientist. Interdisciplinary communication is certainly a challenge, but works well when both sides bring genuine interest in each other and can agree on shared scientific foundations – hypothesis formation and testing. He emphasises that computer scientists neither want to nor can replace sociologists, and cautions against an arrogant attitude toward other disciplines. Methodological overlaps such as data visualisation or modelling do exist, but do not constitute a change of discipline – just as shared knowledge of mathematics does not make computer scientists epidemiologists.
Will Data Science Become Part of Sociology Degrees?
Scholtes is convinced that the professional handling of data is becoming more important across all scientific disciplines – sociology is no exception. Precisely because information technology and human behaviour are becoming ever more intertwined through online platforms, big data opens up new sources of information for sociology. He observes that data science modules already exist in sociology degree programmes, for example at the University of Wuppertal, although the pace of development varies depending on the institution and the composition of its faculty.
Dynamic Network Analysis: When Temporal Sequences Are Decisive
A central research topic for Scholtes is dynamic network structures. While classical network analyses examine a static snapshot of relationships, his work shows that the temporal order of interactions is crucial. He illustrates this with the example of virus transmission: whether an infection can be passed from person A via person B to person C depends on the sequence in which the contacts occur – not merely on whether those contacts exist in principle. This insight gives rise to complex fundamental research questions that require new machine learning methods.
The Ringelmann Effect in Software Development – A Key Moment
Scholtes describes how he came to Computational Social Science through his postdoctoral position at ETH Zurich: his team analysed open-source software repositories and found that in larger developer teams, each individual contributes on average less code than in smaller teams. While researching this phenomenon, the team discovered that it had already been described in the 19th century as the 'Ringelmann Effect' – named after the agricultural engineer Maximilien Ringelmann, who observed that individual effort in a rope-pulling task decreases as group size increases. This finding – that a social science hypothesis more than 100 years old could be tested and confirmed using modern repository mining methods – was the intellectual starting point for Scholtes' engagement with Computational Social Science.
Practical Tips: How Data Scientists Can Get Started in Computational Social Science
Scholtes recommends that data scientists and computer scientists ask themselves which social science questions are relevant within their own discipline – for example in the design of online platforms or in fairness in AI systems. As a concrete starting point, he mentions the Computational Social Science working group of the German Informatics Society (Gesellschaft fuer Informatik) and its ethical guidelines for computer scientists. Those who wish to engage more deeply with social science should read into the specialist literature and explore whether social science theories can be operationalised and empirically tested using available data and methods.
Key takeaways
- Computational Social Science is not a one-way street: computer science methods enrich sociology, but social science concepts are increasingly indispensable for computer science.
- Interdisciplinary collaboration works when both sides have genuine interest in each other and agree on shared scientific principles – hypothesis formation and testing.
- The temporal sequence of interactions in social networks is crucial and is systematically ignored by static network models.
- The Ringelmann Effect demonstrates that data science methods can help empirically test social science hypotheses that are more than 100 years old using large-scale data for the first time.
- The professional handling of data is becoming more important across all scientific disciplines – sociology is no exception.
- Computer scientists should not arrogantly underestimate social science expertise; Computational Social Scientists are not better sociologists, but they are valuable partners.
Conclusion
The conversation with Prof. Dr. Ingo Scholtes makes clear that sociology and computer science are not in competition, but can benefit from each other. Data science opens up new data sources and testing opportunities for social research and classical theories, while social scientific thinking helps computer science develop more responsible and fairer systems. The key lies in genuine interdisciplinary curiosity – on both sides.
For Data Scientists and Computer Scientists
Those looking to get started in Computational Social Science should take social science questions seriously as a legitimate and exciting field of application – for example around fairness, platform design, or group behaviour – and use existing social science theories as a source of hypotheses.
For Sociology Students and Social Scientists
Data science skills will not remain an optional add-on; they unlock new data sources and testing methods for classical theories. Engaging openly with these methods is not a loss of control, but a gain for one's own research.
Show full transcript
Speaker0: Ihr hört die IRIUM Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute ist Computational Social Scientist, Professor Doktor Ingo Scheutest zu Gast. Wie genau sieht die Schnittstelle zwischen Data Science und Soziologie aus? Und müssen sich Soziologiestudenten in Zukunft darauf gefasst machen, Data Science zu lernen? Das erfahrt ihr jetzt. Wissenschaftlicher Mitarbeiter der Universität Trier, wo er auch seinen Doktor in Informatik mit Suma Kum Lauda abgeschlossen hat, diverse Lehrtätigkeiten am Karlsruher Institut für Technologie und an der ETH in Zürich, Professor und Leiter der Data Analytics Research Group an der Universität in Zürich. Und jetzt ist der Professor für Data Analytics an der Universität in Wuppertal.
Speaker2: Herzlich willkommen, Professor Doktor Ingo Schultes. Ja, herzlichen Dank für die Einladung. Freut mich auch, dass ich hier sprechen kann.
Speaker1: Wie geht's Ihnen? Wobei stör ich Sie gerade? Was haben Sie denn bis heute schon so gemacht? Na ja, kurz vorher gab's halt das tägliche Gespräch aktuell im Homeoffice mit meinen Doktoranden,
Speaker2: wo wir halt dann sozusagen die aktuellen Forschungen besprechen und ich Sie auch in Ihren Forschungstätigkeiten unterstützen. Unterstütze, das nimmt natürlich jetzt aktuell 'n großen Teil meiner Zeit in Anspruch und dann natürlich sind wir grade im Semester Endspurt, die Klausuren müssen vorbereitet werden, die nächste Woche geschrieben werden. Das nimmt im Moment 'n großen Teil meiner Zeit in Anspruch.
Speaker1: Also grade sehr geprägt von Lehrtätigkeiten und und Organisationen der Research Group. Genau. Herr Scholz, wir haben Sie heute eingeladen, über einen gewissen Themenbereich zu sprechen, und zwar über die Mischung von Soziologie und Machine Learning und Data Science. Können Sie uns vielleicht, da mal direkt reinzuspringen, können Sie uns vielleicht eine 'n bisschen erklären, was Sie woran Sie genau forschen und was genau man verstehen kann unter.
Speaker2: Ja, also wir können mal mit dem Begriff anfangen. Also computational Social Science bezeichnet erst mal die Schnittschnitt, ach so, die Schnittmenge zwischen den Sozialwissenschaften und der Informatik. Und in der Informatik ist es insbesondere aber nicht ausschließlich natürlich Data Science, was da eine wichtige Rolle spielt. Und eigentlich gibt es verschiedene Aspekte. Es gibt die vielleicht häufiger verwendete Bedeutung mit, wo man hauptsächlich bezeichnet, dass es ja die Nutzung von Informatikmethoden bei der Untersuchung sozialwissenschaftlicher Fragestellungen bezeichnet. Und hier gibt's natürlich eine Vielzahl von Methoden, die da zum Einsatz kommen können, zum Beispiel das das Sammeln, das Speichern und das Verwalten großer Datenmengen aus öffentlich verfügbaren Quellen wie beispielsweise dem Word Work Web. Oder auch ja, die Auswertung dieser Daten mittels Data Mining Machine Learning Verfahren, die Entwicklung, Simulationen von Modellen sozialer Systeme, der Abgleich der Simulationsergebnisse mit empirischen Erkenntnissen oder auch sogar die Durchführung von sozialwissenschaftlichen Experimenten mit zum Beispiel Apps oder oder irgendwelchen Onlineplattformen, die entwickelt werden. Also das ist mal die 1. Sicht. Also das ist natürlich jetzt, was was uns auch betrifft, weil wir ja zum Teil solche Methoden entwickeln und die gerne dann auch in dem Bereich anwenden. Allerdings ist es auch aus meiner Perspektive nur eine besondere Sicht aus Computational Social Science, in der, ja, man könnte sagen, wir als Informatiker oder Data Scientist sone Data Scientist sone Art Hilfswissenschaftler für die Soziologie spielen. Mhm. Was vollkommen okay ist, aber es geht auch andersrum. Also ich find halt auch, dass die Soziologie eine immer wichtigere Rolle für die Informatik spielt. Zum Beispiel ist halt die Soziologie und der Psychologie nutzen können, zum Beispiel Mechanismen von Onlineplattformen zu bauen oder soziale Medienplattformen zu entwerfen. Oder auch ganz aktuelles Thema, welche Rolle sozialwissenschaftliche Konzepte bei der Entwicklung von Fairness in Machine Learning Verfahren spielen. Also das sind, denk ich mal, alles Beispiele, wo wir jetzt zunehmend auch die umgekehrte Richtung sehen, dass halt die die Soziologie eine wichtige Rolle innerhalb der Informatikforschung spielt. Und gemeinsam würd ich das als Computational Social Science bezeichnen.
Speaker1: Und ist das auch Ihr Forschungsbereich hauptsächlich?
Speaker2: Auch, nicht hauptsächlich. Also wir beschäftigen uns schon, na ja, ich weiß nicht, ob man sagen kann, in der Hauptsache, aber zumindest zu großen Teilen mit Grundlagenforschung in Data Science und Machine Learning. Also wir haben einen speziellen Forschungszweig, vielleicht können wir da später noch, wenn gewünscht, im Detail drauf eingehen. Da geht's hauptsächlich die Entwicklung statistischer Lernverfahren für relationale Datensätze, insbesondere hier in Netzwerkanalyseverfahren. Und bei Netzwerk fällt einem natürlich sofort soziales Netzwerk ein, also spielen soziale Netzwerke und Daten dazu natürlich in auch in unseren Grundlagenforschung eine gewisse Rolle. Also das ist so ein Bereich, da haben wir aktuell auch 'n 'n großes Projekt, was vom schweizerischen Nationalfond gefördert wird. Und dann find ich's aber insbesondere in in in Data Science und Machine Learning natürlich immer auch wichtig, mit der Praxis in Kontakt zu kommen. Deswegen haben wir eigentlich noch sonen zweiten Track, wo ich sagen würde, das sind so Appliedworks, wo wir halt diese Verfahren dann eben einsetzen, tatsächliche Praxisprobleme zu lösen. Und das gibt uns natürlich immer die Gelegenheit, auch 'n bisschen ausm Elfenbeinturm rauszukommen.
Speaker1: Sehr gut. Jetzt haben Sie tatsächlich 2 Sachen angesprochen, die bei uns im Podcast auch ganz oft angesprochen werden, nämlich einmal die Anwendbarkeit von Englisch Learning und Data Science in verschiedenen Bereichen und tatsächlich auch, hab ich jetzt, sag ich mal, so implizit rausgehört, interdisziplinäre Kommunikation. Ja. Ich bin jetzt mal ich bin jetzt mal so frech zu behaupten, dass ein Soziologe und ein Informatiker, sag ich mal, eher ein unterschiedliches Skill Set mit mitbringt, rein von der Ausbildung her. Und vielleicht können Sie, vielleicht widersprechen Sie mir da auch gleich. Aber wie sieht das denn genau aus? Also vielleicht haben Sie irgend 'n Projekt als Beispiel, wo Sie sagen, hey, da haben wir uns 'n Soziologen herangezogen Mhm. Und uns mit dem mal ausgetauscht. Und wie sieht da genau die Kommunikation aus? Beziehungsweise schafft man überhaupt es irgendwie, das Expertenwissen von diesem Soziologen zu implementieren in einen Code jetzt zum Beispiel, ja. Also ganz, ganz doof gesprochen.
Speaker2: Ja, das sind eine Reihe von Fragen und spannende Fragen und würde ich auch sagen, das das adressiert eigentlich unmittelbar unseren Forschungsalltag, weil Also wir sind ein sehr interdisziplinäres Team. Mhm. Mhm. Tatsächlich, wir sind jetzt an der Uni Zürich meine Gruppe, 2 Informatiker, ein Ingenieur und jetzt gerade eingestellt eine Sozialwissenschaftlerin. Und das ist auch aus dem Grund, weil wir 'n gemeinsames Projekt mit mit Bildungswissenschaftlern an der Uni Zürich haben. Und also ich kann aus meiner Erfahrung sagen, ja, das das kann natürlich Diese interdisziplinäre Kommunikation kann tatsächlich eine Herausforderung sein, aber in der Regel, wenn eigentlich von beiden Seiten ein Interesse daran besteht, funktioniert das ganz gut. Denn im Grunde geht es ja darum, dass man ja sozusagen versteht, was ist eine wissenschaftliche Fragestellung und wie kann man jetzt sozusagen eine Hypothese formulieren und eine Hypothese testen? Wenn man sich darüber schon mal verständigen kann, dann glaube ich, ist halt diese ja vielleicht, wie Sie sagen, unterschiedlichen Hintergründe und die unterschiedlichen Skillsets können natürlich 'n 'n Asset sein. Und das empfinde ich, funktioniert in aller Regel gut, aber es ist natürlich keine Garantie, dass es funktioniert. Es hat natürlich immer auch eine große persönliche Komponente. Und es gibt natürlich auch bei den Sozialwissenschaftlern einfach 'n immer stärkeres Interesse an diesen Fragen. Das das sollte uns auch nicht überraschen, denn ich mein, die Soziologie betrachtet ja im Prinzip die Frage, wie sich Menschen in Gruppen verhalten. Und nun ist es nun mal heute so, dass eben Data Science- und Machine Learning Verfahren vielleicht nicht, ja, unmittelbar sichtbar, aber dann doch über Empfehlungssysteme, über soziale Medien dann eben doch zu großen Teilen menschliches Verhalten beeinflussen und insofern
Speaker1: gibt's natürlich auch aus der Disziplin da 'n großes Interesse an diesen Themen. Das wär jetzt meine nächste Frage gewesen. Also wie sehr nimmt denn die Welt der Soziologie diese, ich nenn's jetzt mal, neuen Methoden auf, ne? Also ich ich erzähl vielleicht mal was aus 'ner vorherigen Episode von unserem Podcast. Da hatten wir sone sone ähnliche Fragestellung und zwar Machine Learning in der Medizin, ne. Mhm. Und da hatte der Gast erwähnt, dass es da oft so 2 Lager gibt in der Welt der Medizin, sag ich mal, die etwas älter eingesessenen Mediziner, die davon dann eher nichts hören wollten und das eher, sag ich mal, traditioneller machen möchten. Und dann eher eine jüngere Generation, die da offener dem offener gegenübersteht. Wie ist es denn in der Soziologie? Sind da schreien da wirklich alle, hurra, wir wir lernen jetzt alle Data Science oder
Speaker2: wie genau ist das? Das Jetzt hab ich natürlich son son Saming Bias, dass ich natürlich sehr viel mit den Soziologen spreche, die dem gegenüber sehr offen sind. Aber es ist nicht zu bestreiten, dass es natürlich auch Vorbehalte gibt. Also ich würde dem immer entgegnen, dass dass das erst mal ist das unabhängig von der Soziologie, weil ich bin davon überzeugt, dass halt Daten und auch der professionelle Umgang damit werden in einfach allen Wissenschafts Disziplinen immer wichtiger. Und es wär seltsam zu sich vorzustellen, dass die Soziologie da die große Ausnahme ist. Eigentlich im Gegenteil, denn die Verflechtung von Informationstechnologie und ja menschlichem Verhalten, was wir halt jetzt durch Onlineplattformen sehen, führt eben dazu, dass eben grade für die Soziologie eigentlich der Umgang mit Big Data beispielsweise wichtiger wird, weil man einfach eine neue Informationsquelle sich damit erschließt. Allerdings sehe ich absolut auch das, was Sie ansprechen. Und ich würd jetzt mal vielleicht meine Disziplin da 'n bisschen in die Verantwortung nehmen, dass Und nicht nur meine Disziplin, das betrifft in ähnlichem Maße vielleicht einige Disziplinen in den Naturwissenschaften, dass dass das vielleicht manchmal als eine Art Arroganz gesehen wird, wenn jetzt die Informatiker und Naturwissenschaftler sich mit Soziologie beschäftigen oder soziologischen Fragestellungen beschäftigen, weil sie sozusagen so tun, als ob sie das so oder so alles besser könnten. Und das wird vielleicht auch als als eine Art Kontrollverlust empfunden. Und das muss ich sagen, also diese arrogante Sichtweise liegt mir ehrlich gesagt sehr fern, weil ich schon mal klar zwischen Informatikern und Computational Social Scientists jetzt, was die die Skills angeht, unterscheiden würde. Also es gibt natürlich methodische Schnittpunkte dazwischen, das ist klar. Also zum Beispiel Data Science, Machine Learning, Datenvisualisierungs- und Modellierungsansätze. Aber die aber diese methodischen Schnittpunkte gibt's ja natürlich auch zwischen, sag ich jetzt mal, Mathematik, Informatik und ja, aktuelles Beispiel zu nennen Epidemiologie. Deswegen würden wir uns nicht sozusagen jetzt zutrauen, dass wir die besseren Epidemiologen sind. Aber wir können das einfach unterstützen. Also ich ich sehe das weniger so, dass wir jetzt Soziologen ersetzen wollen. Das ist ganz und gar nicht der Fall. Das ist eigentlich genau das Gegenteil. Wir brauchen eben auch für, wie ich eben gesagt hab, für Kernprobleme in der Informatik zunehmend ja sozialwissenschaftliche Kompetenzen.
Speaker1: Vielleicht daran direkt anschließend, spulen wir mal jetzt vielleicht 10, 15 Jahre in die Zukunft und schauen uns einen Soziologiestudenten in dieser Zeit an. Halten Sie es für möglich, dass während dass dieser Student während seines Studiums dann tatsächlich Data Science Module zu lernen hat? Oder generell sag ich mal, ich mein, was er jetzt was es jetzt schon gibt, ist so etwas wie Statistik im Soziologiestudium, wenn ich mich nicht irre. Und wird das mehr in die Richtung Data Science tatsächlich dann gehen in der Zukunft? Was was haben Sie da Also meine Meinung ist, dass es so sein sollte.
Speaker2: Ob es dann so ist, also ich glaube, das ist halt auch so, dass es sehr unterschiedlich sein wird, je nach Studienorten, könnte ich mir vorstellen. Weil es natürlich auch Es hängt 'n bisschen mit der Konstruktion der jeweiligen Fakultät zusammen. Gibt es dort zum Beispiel eine Informatik, in der irgendwie thematisch nahestehende Leute auch unterrichten, die dann vielleicht auch sich da engagieren wollen. Also das ist, glaube ich, immer auch sehr von von lokalen Gegebenheiten abhängig. Ich kann aber zum Beispiel sagen, an der Universität Wuppertal, wo ich jetzt 'n Lehrstuhl habe, gibt es solche Module schon. Also da gibt es auch Leute, die in der Soziologie Computational Social Science machen. Also das ist aber das ist vielleicht auch 'n Vorteil von 'ner relativ jungen Universität, dass sie sich da vielleicht 'n bisschen schneller bewegen kann. Aber es gibt es gibt andere Beispiele, also Kollegen, die auch in den Sozialwissenschaften beheimatet sind, die auch 'n Informatikhintergrund haben. Also also das findet, würd ich sagen, definitiv aktuell schon statt schon statt in der ein oder anderen Form.
Speaker1: Dann vielleicht können Sie uns noch einen kleinen Einblick geben. Jetzt ich ich weiß nicht genau, inwiefern Sie über spezifisch Ihre über Ihre Forschung sprechen möchten oder nicht, aber vielleicht, mal son sonen klaren Einblick zu bekommen, welches Werkzeug aus der Machine Learning Toolbox verwenden Sie denn besonders häufig? Oder fällt Ihnen da ein Beispiel ein, wo Sie sagen, hey, da hat der Clustering Algorithmus der Soziologie wirklich was Gutes getan? Oder haben Sie da vielleicht 'n Beispiel?
Speaker2: Ich will's vielleicht nicht so sehr an konkreten Libraries oder so oder Algorithmen festmachen. Also wir verwenden sehr viele unterschiedliche Tools. Also vieles, was wir tun, ist, würd ich sagen, mal, es gibt schon eine starke Affaffinität zu Python und dem ganzen Ökosystem. Wenn ich jetzt ein Tool Set nennen müsste, dann wär das wahrscheinlich unsere eigene Bibliothek, mit der wir halt Netzwerkanalyse machen. Und das ist vielleicht auch 'n 'n Set von Tools, wo ich sage, das ist was, was wir sehr häufig einsetzen, wo wir sehr gute Ergebnisse bekommen. Also allgemein Netzwerkanalyseverfahren. Also Verfahren, beispielsweise zu bewerten, wie zentral ist ein Knoten in einem Netzwerk? Und dieser Knoten kann dann eben 'n sozialer Akteur sein in 'nem, keine Ahnung, Kollovationsnetzwerk oder in 'nem Kontaktnetzwerk. Dort auch eventuell Clustering Verfahren, also Craft Clustering Verfahren, mit denen man halt ja Gruppenstrukturen abbilden kann. Und das sind alles Dinge, die wir halt auch selber entwickeln in diesem Paket. Und in diesem Kontext, was uns ganz besonders interessiert, ist, was was ich unglaublich spannend finde, sind dynamische Netzwerkstrukturen. Also das meiste, was in der Netzwerkanalyse aktuell zumindest, sage ich jetzt mal, in der Praxis eingesetzt wird, in der Forschung ist es schon 'n bisschen stärker angekommen vielleicht, sind halt staatliche Netzwerkanalyseverfahren. Das heißt, man macht, ich jetzt mal, 'n gewissen Snapshot und sagt, jetzt nehmen wir uns die Daten von einem Monat und dann repräsentieren wir die Beziehungen zwischen bestimmten Menschen in Kommunikation, über E-Mail oder was auch immer in Form von einem sozialen Netzwerk und dann analysieren wir das. Und da kann man natürlich tolle Sachen machen. Man kann da eben dann sagen, wer ist da vielleicht in 'ner wichtigen Position, in dieser sozialen Organisation? Aber was natürlich wichtig ist, ist genau die zeitliche Dynamik und insbesondere die zeitliche Reihenfolge dieser Interaktionen mit zu berücksichtigen. Und das führt zu sehr, sehr komplizierten Effekten, die bei Weitem noch nicht verstanden sind. Und das ist halt toll, weil das das ist 'n unmittelbares praktisches Problem, was uns dann sehr tief eigentlich in die Grundlagenforschung auch führt, wo wir halt entsprechende Modelle und und Analysemethoden für entwickeln müssen. Also am besten versteht man das vielleicht anhand von 'nem einfachen Beispiel, wenn wenn wir beide jetzt beispielsweise in Kontakt stehen und sagen wir mal, wir würden jetzt physisch in Kontakt stehen. Und ich hab 'n weiteren Kontakt, nennen wir die mal, keine Ahnung, Alice oder so. Und jetzt wär Alice beispielsweise mit Corona infiziert, dann gibt es natürlich jetzt einen indirekten Pfad zu Ihnen. Das könnte natürlich bedeuten, dass sich dann der Virus gewissermaßen über mich zu Ihnen weiterverbreitet. Und so werden ja dann zum Teil auch tatsächlich Vorhersagen von Verbreitungsprozessen gemacht. Allerdings, wenn wir jetzt die zeitliche Abfolge unserer Interaktion damit berücksichtigen, dann sehen wir natürlich, dass das 'n Riesenunterschied macht, ne. Also wenn ich Sie zuerst treffe, dann sind Sie Absolut, ja. Wenn ich Alice zuerst treffe, dann sieht's schon anders aus. Und also da das zeigt schon, dass wer wen über welchen Pfad in 'nem sozialen Netzwerk oder auch in anderen Netzwerken beeinflussen kann, hängt von der konkreten zeitlichen Abfolge der Interaktion ab. Und das ist genau das, was uns aktuell interessiert und wo wir dann auch neue Verfahren Machine Learning Verfahren entwickeln.
Speaker1: Das klingt tatsächlich sehr, sehr spannend und sorgt in meinen Augen, so wie ich das höre, vermutlich im Endeffekt auch für mehr Effizienz, sobald man da die zeitliche Abfolge in Betracht ziehen kann, zumindest eine Methode hat, das zu tun. Lassen Sie uns mal kurz darüber sprechen noch, wie Sie da denn genau hingekommen sind. Also ich, sehr beeindruckt, ich hab gesehen, Sie haben Ihren Doktor mit Summa cum laude abgeschlossen. Wie genau sind Sie denn, und ich glaube, Sie haben eher Informatik und Mathematik studiert, so wie ich das sehe. Genau. Wie sind Sie wie sind Sie denn dann zur Soziologie hingekommen? Also wie wie woher kam denn dieser Einfluss?
Speaker2: Na ja, also erst mal würd ich, wie gesagt, ich würde nicht für mich in Anspruch nehmen, dass ich 'n nehmen, dass ich 'n Soziologe bin. Ich ich bin höchstens ein Informatiker, der gerne mit Soziologen spricht und versucht, die Probleme, die es dort gibt, zu verstehen und vielleicht dabei zu helfen. Es es hat Ja, das ist eigentlich 'n interessanter Pfad, wenn man das so selber rückblickend betrachtet, weil ich halt eigentlich mit was angefangen hab, was da überhaupt gar keinen Bezug hat. Also ich war eine Zeit lang am CERN und hab auch Software für den Atlas Detektor entwickelt. Also die ersten Daten, mit denen ich mich beschäftigt hab, waren eigentlich Teilchenkollisionen und nicht unbedingt Menschen. Zu den zu den sozialen Dingen bin ich gekommen, weil ich mich da schon mit Netzwerken beschäftigt hat, also mit mit Kommunikationsnetzwerken damals allerdings. Und dann bin ich über meine Postdoc Stelle am Lehrstuhl für Systemgestaltung an der ETH Zürich zu 'nem Projekt gekommen, wo wir die sozialen Aspekte in der Softwareentwicklung untersucht haben. Und das fand ich halt superspannend, weil wir dort dann gewissermaßen dieselben Netzwerkmodellierungs- und Analyseverfahren einsetzen konnten. Und da hat uns dann die Frage interessiert, ob wir gewissermaßen den Einfluss von Kollaborationsmustern und Strukturen zwischen Softwareentwicklern in Bezug setzen können zwischen, sagen wir mal, dem Erfolg und dem Misserfolg 1 Projekts. Und das das Tolle ist natürlich, dass wir in diesem Bereich unglaubliche Datenschätze haben, weil bei Softwareentwicklungen ist es ja so, dass eben ja jede kleine Transaktion von 'nem Entwickler, also 'n Commit in 'nem Git Repositry, sage ich jetzt mal sehr technisch Ja. Wird ja aufgezeichnet mit 'nem konkreten Zeitstempel. Wir wissen auch zum Teil, wer mit wem kommuniziert hat zu welchem Zeitpunkt und wir wissen dann auch, wie viele Bugs gibt es? Wo treten diese Bugs auf? Wie lange dauert's, bis die Bugs behoben sind? Und da haben wir halt dann angefangen, die Software Repositries in dieser Hinsicht auszuwerten. Und da haben wir dann auch 'n spannenden Zusammenhang entdeckt. Und zwar und das war für mich so so der gedankliche Urknall, mich mit Computational Social Science zu beschäftigen. Und zwar haben wir festgestellt, dass es so ist, dass wir haben ganz viele Projekte, Open Source Projekte miteinander verglichen und haben gewissermaßen die Größe 1 Entwicklungsteams, also wie viele Entwickler dazu beitragen, in Bezug gesetzt mit dem im mittleren Beitrag 1 jedes jeden Entwicklers in Form von der Menge von Code, die sozusagen dazu beigetragen wird. Und haben dann festgestellt, dass es 'n 'n sehr starken negativen Zusammenhang gibt. Das bedeutet, in größeren Teams trägt jeder Entwickler im Mittel weniger Code zum Gesamtergebnis bei, als das in kleineren Teams der Fall ist. Und es gibt eine relativ klaren Zusammenhang dort. Und dann haben wir das 'n bisschen weiter recherchiert und haben dann festgestellt, dass das tatsächlich 'n ja, eine sozialwissenschaftliche Theorie ist, die auf, ja, bis ins 19. Jahrhundert zurückgeht. Und das wurde von Maximilian Ringelmann erstmals formuliert und wird deswegen auch der Ringelmann Effekt genannt. Und das ist eine sehr lustige Geschichte, wie Ringelmann darauf kam, weil ihn hat eigentlich Also er war Agraringenieur und ihn hat eigentlich interessiert, wie viele Ochsen man vorn Flug spannen muss, eine gewisse Kraft zu erzeugen. Und scheinbar hat er keinen Zugriff auf Ochsen gehabt und hat das stattdessen mit Studierenden getestet. Und hat dann größere und größere Gruppen von Studierenden einem Seil ziehen lassen und hat dann die Kraft gemessen. Hat halt festgestellt, dass je mehr das sind, umso weniger trägt jeder individuell zu der gesamten Kraft bei. Und deswegen wird das der Rilmann Effekt genannt. Und dann haben wir plötzlich und und das ist halt vielfach auch in der Literatur in anderen Zusammenhängen diskutiert worden, dass es sozusagen son Motivationseffekt gibt. Aber es hat natürlich auch was was mit der Schwierigkeit zu tun, sozusagen seine Arbeit untereinander abzustimmen. Die es wird natürlich immer schwieriger, je größer das Team wird. Und dann haben wir eben festgestellt, dass wir ja tatsächlich dann gewissermaßen eine sozialwissenschaftliche Hypothese mit mit diesem, ja, mit diesen Repositry Mining Techniken auch testen können und haben das dann entsprechend publiziert. Und das ist dann tatsächlich auf das Interesse von Sozialwissenschaftlern gestoßen und wir haben das dann auch auf 'nem Computational Social Science Symposium vorgestellt und so kam es eigentlich dahin. Interessant. Ja.
Speaker1: Also da hätte ich jetzt gar nicht tatsächlich mit Recht, dass es tatsächlich dann solche freaky Auswirkungen haben kann.
Speaker2: Ja, ich ich muss natürlich jetzt als, ja, als Wissenschaftler muss ich natürlich sofort jetzt da was nachschieben und muss das 'n bisschen einsteigen. Gerne, gerne. Tun Sie das, tun Sie das. Weil weil die Tatsache, dass jetzt vielleicht jeder weniger im im Sinne von, sag ich jetzt mal, messbarem Output beiträgt. Muss ja nicht heißen, dass dass man weniger beiträgt im Sinne von der Qualität des Outputs, so. Also das das kann man sich ja gut vorstellen, dass beispielsweise dann ein größeres Team einfach auch besser dabei ist, zum Beispiel Bugs zu verhindern. Das sind natürlich alles Dinge, die 'n bisschen schwieriger zu messen sind. Und natürlich hat das auch ganz offensichtliche Gründe, weil's eben immer schwieriger wird, sozusagen auch den Code beispielsweise, den andere geschrieben haben, erst zu verstehen, bevor man selber drauf arbeiten kann. Also ich ich würde das nicht so negativ sehen. Es ist halt einfach 'n 'n interessantes Resultat, was halt übereinstimmt mit ja sozialwissenschaftlichen Hypothesen, die zum Teil mehr als 100 Jahre alt sind. Jetzt
Speaker1: zum Abschluss, Herr Scholtes, können Sie vielleicht unseren Hörern den Complexity Masters vielleicht noch einen Tipp mit auf den Weg geben? Vielleicht eine Art Hands on Tipp, wie man das nächste Mal, wenn man von 1 soziologischen Studie was hört, wie man darüber nachdenken sollte. Haben Sie da irgendwas, was Sie unseren Hörer vielleicht mitgeben können?
Speaker2: Na ja, also wenn man schon sozusagen Data Science macht und sich mit Machine Learning auskennt und sich in in diese Richtung bewegen will, dann ist es natürlich erstens mal spannend, sich zu überlegen, welche überhaupt sozialwissenschaftlichen Fragestellungen es auch innerhalb der Informatik gibt. Also da gibt's ja im Moment ganz, ganz viele Möglichkeiten, wie man sich engagieren kann. Also das Design von Onlineplattformen ist ja jetzt was, was eben in aller Munde ist auf aufgrund ja offen offenkundiger Phänomene, die man dort beobachten kann. Und es gibt auch eine Reihe von von ja Leuten, ja, Ingenieuren, Wissenschaftlerinnen und Wissenschaftlern, wo ich sagen würde, das sind Competational Social Scientists, die halt in führender Position auch für solche Unternehmen arbeiten und sich genau darüber Gedanken Das ist also die eine Sache, wenn man das mehr auf die Informatikseite ziehen will, aber sich trotzdem mit sozialwissenschaftlichen Fragen auseinandersetzen will, dann muss ich noch natürlich 'n bisschen Werbung machen, weil ich bin natürlich im Präsidium der Gesellschaft für Informatik und hab dort auch 'n Arbeitskreis Compretational Social Science gegründet, wo wir uns mit solchen Fragen beschäftigen. Und die Gesellschaft für Informatik hat auch vor nicht allzu langer langer Zeit für Informatiker eben ethische Richtlinien, Leitlinien rausgegeben, die sich auch mit solchen Fragen beschäftigen, welche Verantwortung haben wir eigentlich bei der Entwicklung von Systemen? Also da gerne mal reinschauen, wenn einen das, sag ich jetzt mal, auch aus gesamtgesellschaftlicher Sicht interessiert. Ja und und die andere Seite ist natürlich, wenn wenn man wirklich was zur sozialwissenschaftlichen Theorie beitragen will, dann kann man sich natürlich immer fragen, also da muss man natürlich erst mal sich 'n bisschen in die Literatur einlesen und sich fragen, okay, kann man jetzt sozusagen mit seinen eigenen Skills, mit den Daten, die einem zur Verfügung stehen, mit den entsprechenden Methoden, die man zur Verfügung hat, jetzt vielleicht eine Theorie, wie man das so schön nennt, operationalisieren? Das heißt, können wir ja, können wir das jetzt wirklich 'nem Test unterziehen, diese Hypothese, ob das so stimmt oder nicht? Das ist ja sozusagen die Grundlage von Wissenschaft allgemein. Und da glaub ich, kann man als Informatiker und Data Scientist tatsächlich eine ganze Menge dazu beitragen. Alles klar.
Speaker1: Ich sag vielen Dank, Herr Schultest. Toll, dass Sie da waren und ich wünsch Ihnen noch alles Gute bei Ihrer Forschung und Computational
Speaker2: Social Science. Vielen Dank. Ich danke Ihnen auch. Das
Speaker1: war mein Gespräch mit Ingo Schuldes. Es war wirklich interessant zu hören, wie Machine Learning und Data Science neue Chancen für diese Theologie bieten. Welche Bereiche gibt es noch, in denen Machine Learning seine Spuren hinterlässt? Und aus welchen ist es jetzt schon nicht mehr wegzudenken? Schreibt uns auf unseren Social Media Kanälen. Wenn ihr wissen wollt, welchen Einfluss Data Science auf die Politikwissenschaften nimmt, dann hört man in die Folge mit Juan Carlos Medina Serano rein. Der Link ist in der Beschreibung. Master the Complexity.
Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.