2.5 Συμπέρασμα
Big δεδομένων είναι παντού, αλλά χρησιμοποιούν και άλλες μορφές παρατηρησιακά δεδομένα για την κοινωνική έρευνα είναι δύσκολη. Σύμφωνα με την εμπειρία μου δεν υπάρχει κάτι σαν μια μη ελεύθερη ιδιοκτησία γεύμα για την έρευνα: αν δεν βάλει σε μια πολλή δουλειά συλλογής δεδομένων, τότε είναι πιθανόν να πρόκειται να πρέπει να βάλει σε μια πολλή δουλειά αναλύοντας τα δεδομένα σας ή να σκεφτόμαστε τι είναι μια ενδιαφέρουσα ερώτηση για να ζητήσει τα δεδομένα. Με βάση τις ιδέες σε αυτό το κεφάλαιο, πιστεύω ότι υπάρχουν τρεις βασικοί τρόποι με τους οποίους μεγάλες πηγές δεδομένων θα είναι πιο πολύτιμο για την κοινωνική έρευνα:
- εμπειρικά εκδίκαση μεταξύ ανταγωνιστικών θεωρητικές προβλέψεις. Παραδείγματα αυτού του είδους των εργασιών περιλαμβάνει Farber (2015) (οδηγοί ταξί της Νέας Υόρκης) και King, Pan, and Roberts (2013) (Η λογοκρισία στην Κίνα)
- βελτιωμένη κοινωνική μέτρηση για την πολιτική μέσω της άμεσης πρόβλεψης. Ένα παράδειγμα αυτού του είδους της εργασίας είναι Ginsberg et al. (2009) (Google Flu Trends).
- εκτίμηση αιτιώδους συνάφειας με φυσικά πειράματα και να ταιριάζουν. Παραδείγματα αυτού του είδους της εργασίας. Mas and Moretti (2009) (peer επιπτώσεις στην παραγωγικότητα) και Einav et al. (2015) (επίδραση της τιμής εκκίνησης για τις δημοπρασίες στο eBay).
Πολλά σημαντικά θέματα στην κοινωνική έρευνα θα μπορούσε να εκφραστεί ως ένα από αυτά τα τρία. Ωστόσο, αυτές οι προσεγγίσεις απαιτούν γενικά ερευνητές να φέρει πολλά στα δεδομένα. Αυτό που κάνει Farber (2015) ενδιαφέρον είναι η θεωρητική κίνητρο για τη μέτρηση. Αυτή η θεωρητική κίνητρο έρχεται από έξω από τα δεδομένα. Έτσι, για εκείνους που είναι καλοί στο να ζητούν ορισμένα είδη ερευνητικών ερωτήσεων, μεγάλες πηγές δεδομένων μπορεί να είναι πολύ καρποφόρα.
Τέλος, παρά τη θεωρία με γνώμονα την εμπειρική έρευνα (η οποία ήταν η εστίαση σε αυτό το κεφάλαιο), μπορούμε να αναστρέψετε το σενάριο και να δημιουργήσει εμπειρικά με γνώμονα θεωριών. Δηλαδή, μέσα από την προσεκτική συσσώρευση εμπειρικών γεγονότων, τα πρότυπα, και παζλ, μπορούμε να χτίσουμε νέες θεωρίες.
Αυτή η εναλλακτική λύση, δεδομένων πρώτη προσέγγιση στη θεωρία δεν είναι νέα, και ήταν πιο δυναμικά διατυπωθεί από Glaser and Strauss (1967) με την έκκλησή τους για θεμελιωμένη θεωρία. Αυτά τα δεδομένα-πρώτη προσέγγιση, όμως, δεν σημαίνει "το τέλος της θεωρίας», όπως έχει ζητηθεί από μεγάλο μέρος της δημοσιογραφίας γύρω από την έρευνα στην ψηφιακή εποχή (Anderson 2008) . Αντίθετα, όπως το περιβάλλον δεδομένα αλλαγές, θα πρέπει να αναμένουμε μια επανεξισορρόπηση της σχέσης μεταξύ θεωρίας και δεδομένων. Σε έναν κόσμο όπου η συλλογή δεδομένων ήταν ακριβό, είναι λογικό να συλλέγουν μόνο τα δεδομένα που θεωρίες δείχνουν θα είναι το πιο χρήσιμο. Όμως, σε έναν κόσμο όπου τεράστιες ποσότητες δεδομένων που είναι ήδη διαθέσιμα για δωρεάν, είναι λογικό να προσπαθήσει επίσης μια προσέγγιση δεδομένων πρώτο (Goldberg 2015) .
Όπως έχω δείξει σε αυτό το κεφάλαιο, οι ερευνητές μπορούν να μάθουν πολλά από βλέποντας ανθρώπους. Στα επόμενα τρία κεφάλαια, θα περιγράψω πώς μπορούμε να μάθουμε περισσότερα και διαφορετικά πράγματα, αν προσαρμόσουμε τη συλλογή δεδομένων μας και να αλληλεπιδρούν με τους ανθρώπους πιο άμεσα, ζητώντας τους ερωτήσεις (κεφάλαιο 3), τρέχει πειράματα (Κεφάλαιο 4), και ακόμη και τη συμμετοχή τους κατά τη διαδικασία της έρευνας άμεσα (Κεφάλαιο 5).
