2.3.2 Bob amser-ymlaen
Bob amser-ar ddata mawr yn galluogi astudiaeth o ddigwyddiadau annisgwyl a mesur amser real.
Mae llawer o systemau data mawr bob amser-ar; maent yn gyson yn casglu data. Mae'r nodwedd hon bob amser-ar yn darparu ymchwilwyr data hydredol (hy, data dros gyfnod o amser). Being ymlaen bob amser wedi dwy oblygiadau pwysig ar gyfer ymchwil.
Yn gyntaf, mae casglu data bob amser yn galluogi ymchwilwyr i astudio digwyddiadau annisgwyl mewn ffyrdd na fyddai fel arall yn bosibl. Er enghraifft, byddai ymchwilwyr sydd â diddordeb mewn astudio protestiadau Occupy Gezi yn Nhwrci yn haf 2013 fel arfer yn canolbwyntio ar ymddygiad protestwyr yn ystod y digwyddiad. Roedd Ceren Budak a Duncan Watts (2015) yn gallu gwneud mwy trwy ddefnyddio natur bob dydd Twitter i astudio protestwyr a ddefnyddiodd Twitter cyn, yn ystod ac ar ôl y digwyddiad. Ac, roeddent yn gallu creu grŵp cymhariaeth o anfantais cyn, yn ystod, ac ar ôl y digwyddiad (ffigwr 2.2). Yn gyfan gwbl, roedd eu panel cyn-post yn cynnwys tweets o 30,000 o bobl dros ddwy flynedd. Drwy ychwanegu at y data a ddefnyddir yn gyffredin o'r protestiadau gyda'r wybodaeth arall hon, roedd Budak a Watts yn gallu dysgu llawer mwy: roedden nhw'n gallu amcangyfrif pa fath o bobl oedd yn fwy tebygol o gymryd rhan yn y protestiadau Gezi ac i amcangyfrif y newidiadau yn agweddau cyfranogwyr a rhai nad ydynt yn cymryd rhan, yn y tymor byr (yn cymharu cyn Gezi i yn ystod Gezi) ac yn y tymor hir (yn cymharu cyn Gezi gyda Gezi ar ôl).
Ffigwr 2.2: Dyluniad a ddefnyddiwyd gan Budak and Watts (2015) i astudio'r protestiadau Occupy Gezi yn Nhwrci yn haf 2013. Trwy ddefnyddio natur bob dydd Twitter, creodd yr ymchwilwyr yr hyn a elwir yn banel cyn-post a oedd yn cynnwys 30,000 o bobl dros ddwy flynedd. Mewn cyferbyniad ag astudiaeth nodweddiadol a oedd yn canolbwyntio ar gyfranogwyr yn ystod y protestiadau, mae'r panel cyn-post yn ychwanegu 1) o gyfranogwyr cyn ac ar ôl y digwyddiad a 2) data gan rai nad oeddent yn cymryd rhan cyn, yn ystod ac ar ôl y digwyddiad. Roedd y strwythur data cyfoethog hwn yn galluogi Budak a Watts i amcangyfrif pa fath o bobl oedd yn fwy tebygol o gymryd rhan yn y protestiadau Gezi ac i amcangyfrif y newidiadau yn agweddau cyfranogwyr a rhai nad ydynt yn cymryd rhan, yn y tymor byr (yn cymharu cyn Gezi gyda yn ystod Gezi ) ac yn y tymor hir (yn cymharu cyn Gezi gyda Gezi ôl-).
Gallai amheuaeth nodi y gellid bod wedi gwneud rhai o'r amcangyfrifon hyn heb ffynonellau casglu data bob amser (ee amcangyfrifon hirdymor o newid yn yr agwedd), ac mae hynny'n gywir, er y byddai casglu data o'r fath ar gyfer 30,000 o bobl wedi bod yn eithaf drud. Hyd yn oed wedi rhoi cyllideb ddiwethaf, fodd bynnag, ni allaf feddwl am unrhyw ddull arall sy'n ei hanfod i ganiatáu i ymchwilwyr deithio yn ôl mewn amser ac arsylwi ymddygiad y cyfranogwyr yn y gorffennol yn uniongyrchol. Yr amgen agosaf fyddai casglu adroddiadau ôl-weithredol o ymddygiad, ond byddai'r adroddiadau hyn o grynwlaidd cyfyngedig ac yn fanwl gywir. mae tabl 2.1 yn darparu enghreifftiau eraill o astudiaethau sy'n defnyddio ffynhonnell ddata bob amser i astudio digwyddiad annisgwyl.
| Digwyddiad annisgwyl | Ffynhonnell ddata bob amser | Enwi |
|---|---|---|
| Dewch â symud Gezi yn Nhwrci | Budak and Watts (2015) | |
| Protestiau Umbrella yn Hong Kong | Zhang (2016) | |
| Shootings yr heddlu yn Ninas Efrog Newydd | Adroddiadau stop-a-frisk | Legewie (2016) |
| Person sy'n ymuno ag ISIS | Magdy, Darwish, and Weber (2016) | |
| Ymosodiad Medi 11, 2001 | livejournal.com | Cohn, Mehl, and Pennebaker (2004) |
| Ymosodiad Medi 11, 2001 | negeseuon pager | Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011) |
Yn ychwanegol at astudio digwyddiadau annisgwyl, mae systemau data mawr bob amser hefyd yn galluogi ymchwilwyr i gynhyrchu amcangyfrifon amser real, a all fod yn bwysig mewn lleoliadau lle mae gwneuthurwyr polisi-mewn llywodraeth neu ddiwydiant - eisiau ymateb yn seiliedig ar ymwybyddiaeth sefyllfaoedd. Er enghraifft, gellir defnyddio data cyfryngau cymdeithasol i arwain ymateb brys i drychinebau naturiol (Castillo 2016) a gellir defnyddio amrywiaeth o ffynonellau data mawr gwahanol yn cynhyrchu amcangyfrifon amser real o weithgaredd economaidd (Choi and Varian 2012) .
I gloi, mae systemau data bob amser yn galluogi ymchwilwyr i astudio digwyddiadau annisgwyl a darparu gwybodaeth amser real i wneuthurwyr polisi. Nid wyf, fodd bynnag, yn meddwl bod systemau data bob amser yn addas ar gyfer olrhain newidiadau dros gyfnodau hir iawn. Y rheswm am hynny yw bod llawer o systemau data mawr yn newid yn gyson - proses y byddaf yn galw drift yn ddiweddarach yn y bennod (adran 2.3.7).
