黎焰欣同学首先简要介绍了本书的作者马修·萨尔加尼克。马修·萨尔加尼克是普林斯顿大学的社会学教授，他的研究领域广泛且深入，涵盖了计算社会科学和社交网络等多个方面。《计算社会学》作为他的畅销书之一屡获殊荣，其本人也被学界誉为“纯粹的计算社会学家”。本书的写作背景为我们当前所处的大数据时代，在这个时代中，我们大量的信息被政府、企业等机构以数字化的形式获取及储存，然而，面对海量的数据，社会科学研究者应该如何利用？理论范式如何与大数据间搭建起有效的联系？这是未来社会科学研究亟待推进的方向，也是本书重点讲述的内容。全书共七个章节，在前两章中，作者先对大数据的特征与研究价值进行总结，为后文提供方向性的概括和指引。其后，作者重点介绍了大数据时代下如何开展调查研究、实验研究以及大规模协作，生动案例与专业理论相结合的叙述方式既引人入胜又“干货满满”。最后，作为大数据时代下社会科学研究的热点话题，道德伦理问题也纳入了本书的讨论范围，作者认为，在道德义务论所关注的过程以及结果主义者关注的结果之间，共同道德准则和标准的制定尤为关键，在此基础上，社会科学研究者应采取基于原则的思维方式平衡大数据研究的利弊以更好地开展大数据研究。
随后，吴昊同学分享了本书的重要章节，即大数据时代下的调查研究。从传统的社区实地调查到上世纪70年代广泛使用的电话调查，再到如今计算机管理下的调查，数字技术的变革为调查研究人员创造了越来越多的机会，使他们能利用大数据资源放大调查数据的价值，以更低的成本、更快的速度搜集数据，并提出不同类型的问题。在作者看来，尽管大数据调查起步较晚且提升空间广阔，但研究者仍需顺应技术和社会的发展变化，在汲取前两个时代的智慧的基础下学习大数据调查研究方法。在具体介绍研究方法前，作者先总结了调查研究在前两个时代发展起来的调查误差总框架，并认为该框架对于数字时代的调查研究仍有重要的指导意义。紧接着，作者以数字时代下“概率抽样”方法的实践困境为引，分析了“非概率抽样”方法在发展中不断凸显的优势，并用“Xbox样本预测美国大选结果”为例进行深入探讨。在本章的后半部分中，作者以生动有趣的研究实例分享了几种主要的大数据调查研究方法，包括将研究融入被调查者日常生活的生态瞬时评估法、调查问题形式的开放度极高的维基调查法，以及使问题回答过程更愉快的游戏化方法，多方面、多维度地展现了大数据调查方法的魅力。除此之外，作者还提到了两种将传统调查数据与大数据资源结合的方法，包括丰富型提问和扩充型提问。在这两种方法中，两种数据互为增加与补充，使研究内容更丰富、视角更多元。
与调查研究以并非有意地、系统地改变世界的情况下进行数据采集不同，开展实验会系统性地干预世界，以创造出最适合因果关系问题的数据。在模拟时代，社会科学研究者们囿于诸多混杂因素，只能从现有数据中寻找数据所呈现出的相关性，而在数字时代，研究者们不仅可以开展大规模实验，还能利用数字实验的特殊性提高效度，评估处理效应的异质性，以对实验原理进行更为透彻的分析。在本章中，作者首先基于维基百科的“谷仓之星”实验说明了实验的基本逻辑。接着，作者阐述了实验的两个维度，即实验室—实地实验以及模拟—数字实验，并认为在大规模范围内，数字实地实验使研究者能将实验室实验对实验过程的严格控制和实地实验更自然的实验环境相结合，极大地丰富社会科学研究的维度。随后，作者介绍了进行实验设计的三个重要概念：效度、处理效应的异质性和原理，并为研究者提供了几种自行开展或与有能力的公司合作开展实验的主要策略及建议，使研究者能对数百万计的研究对象进行干预时，明确作为研究者的责任所在。
数字时代不仅创造了新的实验方式，也使许多新的协作形式成为可能。在具体讲述本章内容前，作者先向读者抛出了一个问题：有哪些重大的科学问题，尤其是我们无法单独解决的问题，是现在通过协作能够解决的？当前，科研协作已成常态，然而数字时代使我们能够接触数量更多、更多样化的人，能与全世界能够上网的数十亿人进行协作。这就犹如将100名研究助理与10万名熟练的协作者相比，后者的优势是巨大且明显的。大规模协作项目具体有三种类型，包括人本计算、公开募集和分布式数据采集。以人本计算项目为例，其解决的是宏大问题，但通过将问题分解、问题发布与问题整合三个环节，就能实现那些凭一己之力无法完成的研究。对此，作者以星系动物园（Galaxy Zoo）这一经典的人本计算实验为例，讲述了研究者如何利用10万名志愿者协助天文学家对100万个星系进行了分类，该实验在保证分类准确度有所保障的前提下还发现了全新的星系，侧面展现了大规模协作在社会科学研究中的广阔前景。
