2.3.2 હંમેશા-ચાલુ

હંમેશા પર મોટા માહિતી અણધારી ઘટનાઓ અને વાસ્તવિક સમય માપન અભ્યાસ કરે છે.

ઘણા મોટા માહિતી સિસ્ટમો હંમેશા હોય છે; તેઓ સતત માહિતી એકઠી કરવામાં આવે છે. આ હંમેશા લાક્ષણિકતા સમાંતર માહિતી સાથે સંશોધકો પૂરી પાડે છે (એટલે ​​કે, સમય પર માહિતી). હંમેશા પર હોવાથી સંશોધન માટે બે મહત્વપૂર્ણ સૂચિતાર્થ ધરાવે છે.

પ્રથમ, હંમેશાં ડેટા સંગ્રહ સંશોધકોને એવી રીતે અણધારી ઘટનાઓનો અભ્યાસ કરવાની તક આપે છે જે શક્ય નથી હોત. દાખલા તરીકે, 2013 ના ઉનાળામાં તૂર્કીમાં ઓક્યુપાઇ ગેઝી વિરોધના અભ્યાસમાં રસ ધરાવતા સંશોધકો સામાન્ય રીતે ઘટના દરમિયાન વિરોધીઓના વર્તન પર ધ્યાન કેન્દ્રિત કરશે. સીરેન બુડાક અને ડંકન વોટ્સ (2015) ટ્વિટરના હંમેશાંના સ્વભાવનો ઉપયોગ કરીને પ્રદર્શનકારોનો અભ્યાસ કરવા માટે સક્ષમ હતા, જેમણે ઇવેન્ટ પહેલા, દરમિયાન અને પછી ટ્વિટરનો ઉપયોગ કર્યો હતો. અને, તેઓ ઇવેન્ટ (આકૃતિ 2.2) પહેલાં, દરમિયાન અને પછી, બિનઆધારકોની સરખામણી ગ્રુપ બનાવવા માટે સક્ષમ હતા. કુલ, તેમના ભૂતપૂર્વ પોસ્ટ પેનલમાં બે વર્ષમાં 30,000 લોકોના ટ્વીટ્સ શામેલ છે. આ અન્ય માહિતી સાથેના વિરોધના સામાન્ય રીતે ઉપયોગમાં લેવાતા ડેટાને વધારીને, બુડાક અને વોટ્સ વધુ શીખવા સક્ષમ હતા: તેઓ અંદાજ આપી શકતા હતા કે કયા પ્રકારના લોકો ગેઝીઓના વિરોધમાં ભાગ લે તેવી શક્યતા વધારે છે અને તેના વલણમાં ફેરફારનો અંદાજ છે. સહભાગીઓ અને બિનભાગીય સહકાર, બંને ટૂંકા ગાળામાં (પૂર્વ Gezi ની Gezi દરમિયાન સરખામણી) અને લાંબા ગાળાના (ભૂતપૂર્વ Gezi પોસ્ટ Gezi સાથે સરખામણી) બંને

આકૃતિ 2.2: Budak and Watts (2015) દ્વારા ઉપયોગમાં લેવાતા ડિઝાઇન, 2013 ના ઉનાળામાં તુર્કીમાં ઓક્યુપિ ગેઝી વિરોધનો અભ્યાસ કરવા માટે. Budak and Watts (2015) પ્રકૃતિનો ઉપયોગ કરીને, સંશોધકોએ એક પૂર્વ-પોસ્ટ પેનલ તરીકે જેનું સર્જન કર્યું હતું તે બનાવ્યું બે વર્ષમાં 30,000 લોકો વિરોધના સમયગાળા દરમિયાન સહભાગીઓ પર ધ્યાન કેન્દ્રીત કરેલા એક વિશિષ્ટ અભ્યાસની વિપરીત, ભૂતપૂર્વ પોસ્ટ પેનલ ઇવેન્ટ પહેલા અને પછી સહભાગીઓના 1) ડેટા ઉમેરે છે અને 2) ઇવેન્ટ પહેલા, દરમિયાન અને પછીના નોન-સહભાગીઓના ડેટા. આ સમૃદ્ધ ડેટા માળખું બુદક અને વોટ્સને અંદાજ લગાવે છે કે કયા પ્રકારનાં લોકો ગેઝીઓના વિરોધમાં ભાગ લે તેવી શક્યતા છે અને સહભાગીઓ અને બિન-સહભાગીઓના વલણમાં અંદાજ કાઢવા માટે ટૂંકા ગાળામાં (Gezi ની સાથે પ્રી-ગેઝીની સરખામણી કરતા) ) અને લાંબા ગાળાના (ભૂતપૂર્વ Gezi પોસ્ટ Gezi સાથે સરખામણી)

એક સંદિગ્ધ વ્યક્તિએ નિર્દેશ કરી શકે છે કે આમાંના કેટલાક અંદાજો હંમેશાં ડેટા સંગ્રહના સ્રોતો (દા.ત., વલણ પરિવર્તનના લાંબા ગાળાના અંદાજો) વિના કરવામાં આવ્યા છે, અને તે સાચું છે, જો કે 30,000 લોકો માટે આવા ડેટા સંગ્રહ તદ્દન કરવામાં આવ્યો હોત. ખર્ચાળ અત્યારે અમર્યાદિત બજેટ આપવામાં આવે છે, તેમ છતાં, હું કોઈપણ અન્ય પદ્ધતિનો વિચાર કરી શકતો નથી જે આવશ્યકપણે સંશોધકોને સમયસર પાછા ફરવાની પરવાનગી આપે છે અને ભૂતકાળમાં સહભાગીઓના વર્તનને સીધી રીતે અવલોકન કરે છે. સૌથી નજીકનો વિકલ્પ વર્તનની પશ્ચાદવર્તી અહેવાલો એકત્રિત કરવા માટે હશે, પરંતુ આ અહેવાલો મર્યાદિત ગ્રેન્યુલારિટી અને પ્રશ્નાર્થ ચોકસાઈના હશે. કોષ્ટક 2.1 અભ્યાસના અન્ય ઉદાહરણો આપે છે જે અણધારી ઘટનાનો અભ્યાસ કરવા માટે હંમેશાંના ડેટા સ્રોતનો ઉપયોગ કરે છે.

અણધારી ઘટનાઓનો અભ્યાસ કરવા ઉપરાંત, હંમેશા મોટી માહિતી સિસ્ટમ્સ સંશોધકોને પ્રત્યક્ષ-સમયના અંદાજ ઉત્પન્ન કરવા સક્ષમ કરે છે, જે સેટિંગ્સમાં મહત્વપૂર્ણ હોઈ શકે છે જ્યાં નીતિ-ઉત્પાદકો-સરકાર અથવા ઉદ્યોગમાં- પરિસ્થિતીની જાગૃતિના આધારે જવાબ આપવા માંગે છે. ઉદાહરણ તરીકે, કુદરતી આફતો (Castillo 2016) કટોકટીના પ્રતિભાવને માર્ગદર્શન આપવા માટે સામાજિક મીડિયા ડેટાનો ઉપયોગ કરી શકાય છે અને વિવિધ મોટા ડેટા સ્રોતોનો ઉપયોગ આર્થિક પ્રવૃત્તિ (Choi and Varian 2012) ના વાસ્તવિક (Choi and Varian 2012) અંદાજોને પ્રોડક્ટમાં કરી શકાય છે.

નિષ્કર્ષમાં, હંમેશા-પર ડેટા સિસ્ટમ્સ સંશોધકોને અણધારી ઇવેન્ટ્સનું અભ્યાસ કરવા અને નીતિ નિર્માતાઓને પ્રત્યક્ષ-સમયની માહિતી પ્રદાન કરવા માટે સક્ષમ કરે છે. તેમ છતાં, મને લાગે છે કે હંમેશા લાંબા સમયથી ડેટા સિસ્ટમ્સ લાંબા સમયના લાંબા સમયથી બદલાતા ફેરફારો માટે અનુકૂળ છે. તે કારણ કે ઘણા મોટા ડેટા સિસ્ટમો સતત બદલાતી એક આવે એવી પ્રક્રિયા છે જે હું પછી પ્રકરણ (કલમ 2.3.7) માં ડ્રિફ્ટ કૉલ પડશે.