2.3.2.4 Drifting
Väestön drift, käyttö drift, ja järjestelmä ajelehtia tehdä vaikea käyttää suuria tietolähdettä tutkia pitkän aikavälin kehitystä.
Yksi suurista eduista monet suuret tietolähteet ovat, että ne keräävät tietoja ajan. Sosiaalinen tutkijat kutsuvat tällaista yli-ajan data, pitkittäinen data. Ja luonnollisesti pitkittäinen tiedot ovat erittäin tärkeitä opiskeluun muutokseen. Jotta luotettavasti mitata muutos on kuitenkin Mittausjärjestelmän itsensä täytyy olla vakaa. Sanoin sosiologi Otis Dudley Duncan, "jos haluat mitata muutosta, älä muuta toimenpidettä" (Fischer 2011) .
Valitettavasti monet suuret tietojärjestelmät-erityisesti liiketoiminnan järjestelmä, joka luo ja tallentaa digitaalisia jälkiä-muuttuvat koko ajan, prosessi, joka soitan drift. Erityisesti nämä järjestelmät muuttuvat kolmella tavalla: väestö drift (muutos, joka käyttää niitä), käyttäytymisen drift (muutos, miten ihmiset käyttävät niitä), ja järjestelmä drift (muutos itse järjestelmä). Kolme lähteet drift tarkoittaisi, että kuvio digitaalisessa jäljittää tietoja voitaisiin aiheuttama merkittävä muutos maailmassa, tai se voisi johtua jonkinlainen drift.
Ensimmäinen lähde drift-väestön drift-on, joka käyttää järjestelmää, ja tämä muuttuu pitkän aikatauluista ja lyhyen aikajänteellä. Esimerkiksi vuodesta 2008 esittää keski-ikä ihmisiä sosiaalisessa mediassa on kasvanut. Näiden lisäksi pitkän aikavälin suuntauksia, ihmiset käyttävät järjestelmää milloin tahansa vaihtelee. Esimerkiksi aikana Yhdysvaltain presidentinvaalissa 2012 osuus tweets politiikasta, jotka on kirjoittanut naisia vaihteli päivästä toiseen (Diaz et al. 2016) . Niinpä, mikä saattaa vaikuttaa olevan muutos mieliala Twitter-jae saattaisi juuri olla muutoksia, jotka puhuvat milloin tahansa.
Sen lisäksi, että muutokset, jotka käyttää järjestelmää, on myös muutoksia, miten järjestelmää käytetään. Esimerkiksi aikana Occupy Gezi Park mielenosoituksia Istanbulissa vuonna 2013 mielenosoittajat muuttaneet käyttöä hashtags kuin protesti kehittynyt. Näin Zeynep Tufekci (2014) kuvaili drift, jonka hän pystyi havaitsemaan, koska hän tarkkaili käyttäytyminen Twitterissä ja kentällä:
"Mitä oli tapahtunut oli, että heti kun protesti tuli hallitseva tarina, suuri määrä ihmisiä. . . lopetti käyttäen hashtags paitsi kiinnittää huomiota uusi ilmiö. . .. Vaikka mielenosoitukset jatkui, ja jopa lisättävä, hashtags laantunut. Haastattelut paljasti kaksi syytä. Ensinnäkin, kun kaikki tunsivat aihe, hashtagin oli heti tarpeeton ja tuhlaileva merkki rajoitettu Twitter alustalla. Toiseksi hashtags nähtiin vain hyödyllistä houkutella huomiota tiettyyn aiheeseen, ei puhu siitä. "
Niinpä tutkijat jotka opiskelivat mielenosoituksista analysoimalla tweets kanssa protesti liittyviä hashtags olisi vääristynyt tunne, mitä oli tapahtumassa, koska tämän käyttäytymisen drift. Esimerkiksi ne uskoisivat, että keskustelu protesti laski kauan ennen kuin se todella vähentynyt.
Kolmas sellainen drift on järjestelmän drift. Tässä tapauksessa se ei ole ihmisten muuttuviin tai käyttäytymistään muuttuvat, mutta itse järjestelmä muuttuu. Esimerkiksi ajan Facebook on kasvanut raja pituuden tilan päivitykset. Siten mikä tahansa pitkittäistutkimukseen tilan päivitykset ovat herkkiä esineitä aiheuttamia tämän muutoksen. Järjestelmän drift liittyy läheisesti ongelma nimeltä algoritmista sekoittavia, johon olemme nyt kääntyä.
