2.4.1 Počítání věci

Jednoduché počítání může být zajímavé, pokud budete kombinovat je dobrá otázka s dobrými daty.

I když je formulováno sofistikované znějící jazyk, spousta sociálního výzkumu je opravdu jen počítání věci. Ve věku zpracování velkých objemů dat, výzkumníci mohou počítat více než kdy jindy, ale to automaticky neznamená, že výzkum by měl být zaměřen na počítání stále více a více věcí. Místo toho, pokud budeme dělat dobrý výzkum s velkými daty, musíme si položit otázku: jaké věci se vyplatí počítat? To se může zdát jako zcela subjektivní záležitost, ale tam jsou některé obecné vzory.

Často se studenty motivovat k počítání výzkumu tím, že říká: Jdu počítat něco, co ještě nikdo počítal předtím. Například, student by se říci, mnozí lidé studovali migrantům a mnozí lidé studovali dvojčata, ale nikdo studoval migrující dvojčata. Motivace absencí obvykle nevede k dobrým výzkumu. Samozřejmě, že mohou existovat dobré důvody, proč studovat migrující dvojčata, ale skutečnost, že nebyly studovány dříve, neznamená, že by měly být studovány teď. Nikdo nikdy počítal počet vláken na koberci v mé kanceláři, ale to automaticky neznamená, že by to mohl být dobrý výzkumný projekt. Motivace absencí je trochu jako říkat: Podívejte se, tam je díra tam a budu tvrdě pracovat, než se naplní. Ale ne každý otvor musí být vyplněna.

Namísto motivování absencí, myslím, že počítání vede k dobrým výzkumu ve dvou situacích, kdy se výzkum je zajímavý nebo důležitý (nebo v ideálním případě obojí). Například měření míry nezaměstnanosti je důležitá, protože je ukazatel ekonomiky, která pohání politická rozhodnutí. Obecně platí, že lidé mají dobrou představu o tom, co je důležité. Tak, ve zbytku tohoto oddílu, budu poskytovat tři příklady, kdy počítání je zajímavé. V každém případě, výzkumníci byli nepočítaje nahodile, spíše počítali ve velmi specifickém prostředí, které odhalila závažné poznatky do více obecných myšlenek o tom, jak sociální systémy fungují. Jinými slovy, mnoho z toho, co dělá tyto konkrétní počítání cvičení zajímavé, není v samotná data, pochází z těchto více obecných myšlenek.

Níže budu prezentovat tři příklady: 1) na pracovní chování taxikářů v New Yorku (§ 2.4.1.1), 2) formace přátelství studenty (§ 2.4.1.2) a 3) mediální chování sociální cenzura čínské vlády (§ 2.4.1.3). Tyto příklady sdílet je, že všichni ukazují, že počítání velkých objemů dat mohou být použity k testování teoretické předpovědi. V některých případech velké datové zdroje umožňují provádět tuto počítání relativně přímo (jako je tomu v případě New York taxi). V jiných případech, výzkumní pracovníci budou muset zabývat neúplnosti sloučením dat dohromady a operationalizing teoretické konstrukty (jako v případě tvorby přátelství); a v některých případech budou výzkumníci muset sbírat své pozorovací data (jako v případě cenzury sociálních médií). Jako Doufám, že tyto příklady ukazují, pro výzkumné pracovníky, kteří jsou schopni klást zajímavé otázky, zpracování velkých objemů dat je velmi slibná.