2.5 Gevolgtrekking
Big data is oral, maar die gebruik daarvan en ander vorme van waarneming data vir sosiale navorsing is moeilik. In my ervaring is daar iets soos 'n geen gratis middagete eiendom vir navorsing: as jy nie in 'n baie werk dataversameling het nie, dan is jy waarskynlik gaan hê in 'n baie werk ontleding van jou data of dink oor te sit wat is 'n interessante vraag om te vra van die data. Op grond van die idees in hierdie hoofstuk, ek dink dat daar is drie hoof maniere waarop groot databronne mees waardevolle vir sosiale navorsing sal wees:
- empiries beoordeel tussen mededingende teoretiese voorspellings. Voorbeelde van hierdie soort werk insluit Farber (2015) (New York Taxi bestuurders) en King, Pan, and Roberts (2013) (sensuur in China)
- verbeterde sosiale meting vir beleid deur nowcasting. 'N Voorbeeld van hierdie soort werk is Ginsberg et al. (2009) (Google Flu Trends).
- beraming oorsaaklike uitwerking met natuurlike eksperimente en bypassende. Voorbeelde van hierdie soort werk. Mas and Moretti (2009) (eweknie uitwerking op produktiwiteit) en Einav et al. (2015) (effek van aanvang van die prys op veilings by eBay).
Baie belangrike vrae in sosiale navorsing kan uitgedruk word as een van die drie. Maar hierdie benaderings vereis oor die algemeen navorsers om 'n baie om die data te bring. Wat maak Farber (2015) interessant is, is die teoretiese motivering vir die meting. Dit teoretiese motivering kom van buite die data. So, vir diegene wat goed is in vra sekere tipes navorsingsvrae, groot databronne kan baie vrugbaar wees.
Ten slotte, eerder as teorie-gedrewe empiriese navorsing (wat die fokus op hierdie hoofstuk is), kan ons die script flip en skep empiries-gedrewe teoretisering. Dit is deur die versigtige opbou van empiriese feite, patrone, en raaisels, ons kan nuwe teorieë bou.
Hierdie alternatief, data-eerste benadering tot teorie is nie nuut nie, en dit is die meeste kragtig verwoord deur Glaser and Strauss (1967) met hul oproep vir gegronde teorie. Hierdie data-eerste benadering is egter nie impliseer "die einde van teorie," soos reeds deur die grootste deel van die joernalistiek om navorsing in die digitale era beweer (Anderson 2008) . Inteendeel, as die data omgewing verander, ons moet 'n her-balansering in die verhouding tussen teorie en data te verwag. In 'n wêreld waar data-insameling was duur, maak dit sin om net die data wat teorieë dui daarop sal die mees nuttig wees in te samel. Maar, in 'n wêreld waar groot hoeveelhede data is reeds beskikbaar vir gratis, is dit sinvol om ook probeer om 'n data-eerste benadering (Goldberg 2015) .
Soos ek in hierdie hoofstuk aangetoon, kan navorsers baie leer deur te kyk na mense. In die volgende drie hoofstukke, sal ek beskryf hoe ons meer en verskillende dinge kan leer as ons maat ons data-insameling en interaksie met mense meer direk deur hulle uitvra (Hoofstuk 3), hardloop eksperimente (Hoofstuk 4), en selfs met hulle in die navorsingsproses direk (Hoofstuk 5).
