7.2.1 ترکیب Readymades و Custommades

نه یک استراتژی آماده ناب و نه یک استراتژی Custommade خالص به طور کامل بهره گیری از قابلیت های عصر دیجیتال. در آینده ما می رویم به ایجاد ارقام.

در مقدمه، من سبک آماده مارسل دوشان با سبک Custommade از میکل آنژ در تضاد است. این تضاد نیز قطاری تفاوت بین دانشمندان داده، که تمایل به کار با Readymades، و دانشمندان علوم اجتماعی، که تمایل به کار با Custommades. در آینده، با این حال، من انتظار دارم که ما هیبریدی بیشتر زیرا هر یک از این روش ها خالص محدود است. محققانی که تنها می خواهید به استفاده Readymades در حال رفتن به مبارزه چرا که بسیاری از نمی Readymades زیبا در جهان وجود دارد. بنابراین، محققان چسبیده به این سبک خالص یا رفتن به فدا کردن کیفیت با استفاده از Readymades زشت، یا آنها می خواهند به صرف مقدار زیادی از زمان دنبال محل ادرار کامل است. محققانی که تنها می خواهید به استفاده Custommades، از سوی دیگر، در حال رفتن به قربانی مقیاس. روش ترکیبی، با این حال، می توانید مقیاس است که همراه با Readymades با جا تنگ بین درخواست و داده هایی را که از Custommades ناشی می شود.

ما نمونه هایی از این ارقام در هر یک از چهار فصل تجربی دیدم. در فصل 2، ما دیدیم که چگونه آنفولانزای روند گوگل ترکیب همیشه در سیستم داده های بزرگ (جستجو نمایش داده شد) با یک سیستم اندازه گیری سنتی مبتنی بر احتمال (سیستم آنفلوانزا CDC) به تولید برآورد سریعتر (Ginsberg et al. 2009) . در فصل 3، ما دیدیم که چگونه استفن آنسولابهره و ایتان هرش (2012) ترکیب داده های نظر سنجی سفارشی ساخته شده با داده های اداری دولت آماده ساخته شده به منظور کسب اطلاعات بیشتر در مورد مشخصات افرادی که در واقع رای دهید. در فصل 4، دیدیم چگونه آزمایش OPower که ترکیب زیرساخت اندازه گیری برق آماده ساخته شده با درمان های سفارشی ساخته شده به منظور مطالعه اثرات هنجارهای اجتماعی بر رفتار در یک مقیاس گسترده (Allcott 2015) . در نهایت، در فصل 5، من به شما در مورد چگونه کنت بنوا و همکارانش گفت (2015) یک فرایند جمعیت، برنامه نویسی سفارشی ساخته شده برای یک مجموعه آماده ساخته شده از بیانیه ایجاد شده توسط احزاب سیاسی به منظور ایجاد داده که محققان می توانند به مطالعه استفاده از اعمال انتخابات و پویایی بحث سیاست.

این چهار مثال همه نشان می دهد که یک استراتژی قدرتمند در آینده خواهد بود به غنی سازی منابع داده های بزرگ، که برای تحقیقات جمع آوری شده است، با اطلاعات اضافی که باعث می شود آنها را مناسب تر برای تحقیق (Groves 2011) . این که آیا آن را با Custommade یا آماده شروع می شود، این سبک ترکیبی نوید بسیاری از مشکلات پژوهش.