La rivoluzione dei dati nella ricerca storica

L'analisi quantitativa ha rimodellato fondamentalmente la pratica della storia sociale, spostandola oltre le prove aneddotiche e i piccoli studi di casi verso le indagini sistematiche su larga scala del passato. Gli storici utilizzano ora abitualmente strumenti computazionali per esplorare i dataset che si snodano nei secoli, collegando i record di livello individuale per rivelare i modelli di migrazione, mobilità sociale, struttura familiare e disuguaglianza economica.

La fondazione di questo cambiamento poggia su tre pilastri: l'espansione massiccia degli archivi storici digitalizzati, lo sviluppo di metodi computazionali sofisticati, e la crescente collaborazione interdisciplinare tra storici, demografi, sociologi e scienziati informatici. Ognuno di questi elementi ha rafforzato gli altri, creando un loop di feedback che accelera l'innovazione.

Digitizzazione e Rise of Big Historical Data

I singoli più importanti driver dell'innovazione nella storia sociale quantitativa sono stati la digitalizzazione delle fonti primarie. Le istituzioni in tutto il mondo hanno investito pesantemente nella conversione dei documenti di carta in formati leggibili dalla macchina, creando un vasto corpora che può essere cercato, collegato, e analizzato in scala.

I dati storici sono intrinsecamente disordinati: i nomi sono scritti in modo inconsistente, le età sono arrotondate o erroneamente reportate, e intere popolazioni possono essere omesse o sottovalutate. Il famoso "ritorno digitale" ha quindi richiesto agli storici di diventare abile a pulizia dei dati, standardizzazione e validazione.

Un altro problema è che gli archivi digitalizzati sono spesso frammentari: un singolo censimento può sopravvivere per una città, ma i corrispondenti registri parrocchiali potrebbero essere persi. Gli storici devono quindi lavorare con dati incompleti, utilizzando tecniche di imputazione e analisi della sensibilità per testare la robustezza dei loro risultati.

Case study: La transizione demografica

I risultati di un'indagine sono stati evidenziati in modo particolare dal fatto che la ricerca di un'analisi comparativa dei dati relativi alla vita economica è stata effettuata in modo da consentire ai ricercatori di valutare le loro aspettative di vita e di ridurre i costi di produzione e di sviluppo.

Metodi computazionali oltre le statistiche di base

La storia sociale moderna quantitativa impiega una serie di metodi computazionali che vanno ben oltre le semplici correlazioni e i test chi-square. L'apprendimento automatico, l'analisi della rete, l'analisi spaziale e l'elaborazione del linguaggio naturale sono diventati strumenti standard per estrarre il significato da dati storici complessi.

Imparare a registrare la connessione e la classificazione

Uno dei più efficaci applicazioni di machine learning è nel collegamento record, il processo di identificazione della stessa persona o entità attraverso diversi dataset storici. I primi metodi di collegamento si basano su un esatto abbinamento di nomi e date, che si è esibito male con variazioni di ortografia, errori di trascrizione e dati mancanti.

I censimenti storici spesso contengono professioni registrate in linguaggio idiosincratico - "baker", "master paner," "bread venditore," ecc - che devono essere standardizzati in una tassonomia coerente. I classificatori supervisionati formati su esempi codificati manualmente possono raggiungere alta precisione, liberando gli storici da milioni di ore possibili di tempo di studio.

Elaborazione e menzione di testi naturali

Oltre ai dati strutturati, gli storici si rivolgono sempre più a fonti di testo non strutturate: lettere, diari, giornali, dibattiti parlamentari e opuscoli, per analisi quantitativa. Le tecniche di elaborazione del linguaggio naturale (NLP) permettono ai ricercatori di estrarre temi, sentimenti e denominati entità da milioni di pagine.

Il riconoscimento delle entità nominate (NER) è un altro strumento potente: identificando automaticamente nomi di persona, nomi di luoghi, organizzazioni e date, NER consente la ricostruzione dei social network, la mappatura dei modelli di mobilità e l'analisi quantitativa della geografia storica.

Sistemi di informazione geografica e analisi territoriale

GIS (Geographic Information Systems) è diventato uno strumento indispensabile per gli storici sociali. Attraverso la geocodifica dei dati storici, il collegamento dei record a specifiche sedi, i ricercatori possono visualizzare la distribuzione spaziale di ricchezza, etnia, occupazione e salute.

Impatto sulla storia sociale

L'infusione di metodi quantitativi non ha cambiato solo come gli storici raccolgono le prove, ma anche le storie che raccontano.Un effetto notevole è stato quello di sfidare narrazioni di declino o progresso che si basano su prove selettive. Studi a lungo termine della mobilità sociale, per esempio, hanno dimostrato che la mobilità intergenerazionale negli Stati Uniti era in realtà più alta quantità nel tardo XIX e all'inizio del XX secolo rispetto agli ultimi decenni, un risultato che complica i resoconti popolari della ricchezza di una "pacità di una ricchezza" qualità di una "terra di una concentrazione più rigida.

I metodi quantitativi hanno dato voce anche a gruppi che sono spesso silenziosi negli archivi tradizionali. Con l'aggregazione di dati da molti individui, gli storici possono ricostruire le esperienze dei poveri, delle donne e delle minoranze che hanno lasciato pochi record personali. Ad esempio, il collegamento di record di poveri beneficiari di soccorso in decenni ha permesso di studiare la trasmissione strutturale intergenerazionale della povertà, come le famiglie hanno ciclizzato e fuori della dipendenza.

Collaborazione interdisciplinare e nuovi quadri

L'ascesa della storia sociale quantitativa ha favorito la collaborazione tra i confini disciplinari tradizionali. Gli storici lavorano insieme ai demografi per modellare le dinamiche della popolazione, con i sociologi per analizzare i social network, e con gli scienziati informatici per sviluppare nuovi algoritmi.

Responsabilità etiche e metodiche

I dati storici spesso contengono informazioni personali sensibili – nomi, indirizzi, relazioni familiari – che si appartengono a individui che non possono acconsentire al suo utilizzo. Gli storici devono bilanciare il valore della ricerca contro la privacy dei morti, e gli archivi digitali dovrebbero implementare le restrizioni appropriate e l'anonimizzazione, laddove possibile.

I modelli di apprendimento automatico formati su dati storici possono perpetuare e amplificare le biasime dei registratori originali. Ad esempio, un algoritmo che classifica le professioni potrebbe imparare ad etichettare i mestieri femminili come "non qualificati" anche quando hanno richiesto una notevole esperienza, riflettendo le biasi di genere degli enumeratori del censimento.

Orizzonti futuri

I dati relativi alla creazione di un sistema di controllo e alla diffusione di dati di tipo sociale, che possono essere utilizzati per la realizzazione di un'analisi comparativa globale, possono essere analizzati in modo più dettagliato e più dettagliato.

La riproducibilità e la trasparenza diventeranno sempre più importanti. Poiché i flussi di lavoro di ricerca diventano più complessi, gli storici devono adottare pratiche da scienza dei dati: condivisione di codice, dataset e documentazione in modo che gli altri possano verificare e costruire sul loro lavoro.

L'analisi quantitativa non è una sostituzione del core craft dello storico – interpretazione critica, comprensione contestuale e sintesi narrativa – ma è una potente amplificazione di esso.Ammirando questi strumenti mantenendo una posizione scettica verso i dati e i modelli, gli storici sociali possono scoprire modelli quantitativi che sono stati nascosti per secoli, test ipotesi che sono andati incalcolabili, e raccontare storie più ricche e più evidenti sulla forza vitale del passato umano.