7.2.1 مزج من readymades و custommades

لا تستخدم استراتيجية جاهزة صافية أو استراتيجية مخصصة تمامًا قدرات العصر الرقمي. في المستقبل سنقوم بإنشاء الهجينة.

في المقدمة ، قارنت النمط المألوف لـ Marcel Duchamp بأسلوب Michelangelo المصمم حسب الطلب. هذا التباين يجسد أيضا الفرق بين علماء البيانات ، الذين يميلون إلى العمل مع readymades ، وعلماء الاجتماع ، الذين يميلون إلى العمل مع custommades. في المستقبل ، ومع ذلك ، أتوقع أن نرى المزيد من الهجينة لأن كل من هذه الأساليب النقية محدودة. الباحثون الذين يريدون استخدام readymades فقط سوف نكافح بسبب عدم وجود العديد من readymades جميلة في العالم. الباحثون الذين يريدون استخدام custommades فقط ، من ناحية أخرى ، سوف تضحي بالحجم. ومع ذلك ، يمكن للنهج الهجينة الجمع بين المقياس الذي يأتي مع الماكينات الجاهزة مع التوافق الدقيق بين السؤال والبيانات التي تأتي من custommades.

رأينا أمثلة من هذه الهجينة في كل من الفصول التجريبية الأربعة. في الفصل 2 ، رأينا كيف دمجت مؤشرات الإنفلوانزا بحسب بيانات Google نظام البيانات الضخمة دائمًا (استعلامات البحث) مع نظام قياس تقليدي قائم على الاحتمالية (نظام مراقبة إنفلونزا CDC) لإنتاج تقديرات أسرع (Ginsberg et al. 2009) . في الفصل الثالث ، رأينا كيف قام كل من ستيفن أنسولاباييري وإيتان هيرش (2012) بجمع بيانات مسح حسب الطلب مع بيانات إدارية حكومية جاهزة لمعرفة المزيد عن خصائص الأشخاص الذين يصوتون بالفعل. في الفصل 4 ، رأينا كيف دمجت تجارب أوباور البنية التحتية لقياس الكهرباء مع المعالجة المخصصة لدراسة تأثيرات المعايير الاجتماعية على سلوك الملايين من الناس (Allcott 2015) . وأخيرًا ، في الفصل الخامس ، رأينا كيف قام كينيث بينويت وزملاؤه (2016) بتطبيق عملية ترميز جماعي مخصصة لمجموعة من البيانات الجاهزة التي أنشأتها الأحزاب السياسية من أجل إنشاء بيانات يمكن للباحثين استخدامها لدراسة ديناميكيات المناقشات السياسية.

تظهر جميع هذه الأمثلة الأربعة أن استراتيجية قوية في المستقبل ستتمثل في إثراء مصادر البيانات الضخمة ، والتي لم يتم إنشاؤها للبحث ، مع معلومات إضافية تجعلها أكثر ملاءمة للبحث (Groves 2011) . سواء كان ذلك بدءاً بالمصنوعات المخصصة أو الجاهزة ، فإن هذا النمط المختلط يحمل في طياته الكثير من الأمل في العديد من مشاكل البحث.