2.5 Conclusión
grandes datos está en todas partes, pero usarlo y otras formas de datos de observación para la investigación social es difícil. En mi experiencia hay algo así como una propiedad de almuerzo gratis para la investigación: si usted no pone en un montón de trabajo la recopilación de datos, entonces usted está probablemente va a tener que poner en un montón de trabajo el análisis de sus datos o en el pensamiento acerca lo que está en una pregunta interesante de los datos. Sobre la base de las ideas de este capítulo, creo que hay tres formas principales de que las grandes fuentes de datos serán más valioso para la investigación social:
- empíricamente la adjudicación de la competencia entre las predicciones teóricas. Ejemplos de este tipo de trabajo incluyen Farber (2015) (conductores de taxi de Nueva York) y King, Pan, and Roberts (2013) (La censura en China)
- una medición más precisa de la política social, a través de la predicción inmediata. Un ejemplo de este tipo de trabajo es Ginsberg et al. (2009) (Google Flu Trends).
- la estimación de efectos causales con experimentos naturales y coincidente. Ejemplos de este tipo de trabajo. Mas and Moretti (2009) (peer efectos sobre la productividad) y Einav et al. (2015) (efecto del precio de salida en las subastas en eBay).
Muchas preguntas importantes en la investigación social podrían expresarse como uno de estos tres. Sin embargo, estos métodos requieren generalmente a los investigadores a aportar mucho a los datos. Lo que hace Farber (2015) interesante es la motivación teórica para la medición. Esta motivación teórica proviene de fuera de los datos. Por lo tanto, para aquellos que son bueno para hacer ciertos tipos de preguntas de investigación, grandes fuentes de datos pueden ser muy fructífera.
Por último, en lugar de la teoría impulsada por la investigación empírica (que ha sido el foco en este capítulo), podemos darle la vuelta al guión y crear teorías impulsado empíricamente. Es decir, a través de la cuidadosa acumulación de hechos empíricos, patrones y rompecabezas, podemos construir nuevas teorías.
Esta alternativa, enfoque basado en datos primero en teoría no es nueva, y se articula con mayor fuerza por Glaser and Strauss (1967) con su llamado a la teoría fundamentada. Este enfoque basado en datos primero, sin embargo, no implica "el fin de la teoría", como ha sido reclamada por gran parte del periodismo torno a la investigación en la era digital (Anderson 2008) . Más bien, como los cambios en el entorno de datos, debemos esperar un re-equilibrio en la relación entre la teoría y los datos. En un mundo donde la recolección de datos era caro, tiene sentido sólo para recopilar los datos que teorías sugieren que será la más útil. Pero, en un mundo donde enormes cantidades de datos ya están disponibles de forma gratuita, que tiene sentido para tratar también de un enfoque basado en datos primero (Goldberg 2015) .
Como he mostrado en este capítulo, los investigadores pueden aprender mucho observando a la gente. En los tres capítulos siguientes, describiré cómo podemos aprender más y diferentes cosas si ajustamos nuestra recopilación de datos e interactuar con las personas más directamente haciéndoles preguntas (Capítulo 3), los experimentos en funcionamiento (capítulo 4), e incluso involucrándolos en el proceso de investigación directa (capítulo 5).
