2.5 Zaključak
Big podataka je posvuda, ali ga koristiti i druge oblike opservacijskih podataka za društvena istraživanja je teško. U mom iskustvu postoji nešto poput postoji besplatan ručak imovine za istraživanje: ako ne stavi u puno posla za prikupljanje podataka, onda ste vjerojatno idući u morati staviti u puno rada analizira podatke ili na razmišljanje o ono što je u zanimljivo pitanje pitati podataka. Na temelju ideje u ovom poglavlju, mislim da postoje tri glavna načina da se veliki izvori podataka će biti najvredniji za društvena istraživanja:
- empirijski rješavanja između konkurentnih teorijska predviđanja. Primjeri ove vrste rada su Farber (2015) (New York taksisti) i King, Pan, and Roberts (2013) (cenzura u Kini)
- Poboljšan društveni mjerenja za politiku kroz nowcasting. Primjer ove vrste rada je Ginsberg et al. (2009) (Google Raširenost gripe).
- procjenu uzročno-posljedične efekte s prirodnim eksperimentima i podudaranja. Primjeri ove vrste posla. Mas and Moretti (2009) (peer utjecaj na produktivnost) i Einav et al. (2015) (učinak početnu cijenu na dražbi na eBayu).
Mnoga važna pitanja u društvenim istraživanjima može se izraziti kao jedan od ova tri. Međutim, ovi pristupi u pravilu zahtijevaju istraživače donijeti puno podataka. Ono što čini Farber (2015) je zanimljiva teorijska motivacija za mjerenje. To teoretski motivacija dolazi izvana podataka. Dakle, za one koji su dobri u traži određene vrste istraživačkih pitanja, veliki izvori podataka mogu biti vrlo plodonosna.
Na kraju, umjesto da teorija-driven empirijska istraživanja (što je fokus u ovom poglavlju), možemo okrenuti skriptu i stvoriti empirijski-pogon teoretiziranja. To je, kroz oprezni akumulacije empirijskih činjenica, uzoraka i zagonetke, možemo izgraditi nove teorije.
Ova alternativa, podaci-prvi pristup teoriji nije nova, a to je najsnažnije artikulirao Glaser and Strauss (1967) sa svojim pozivom na uzemljenu teorije. Ovi podaci-prvi pristup, međutim, ne znači "kraj teorije", kako to tvrde mnogo novinarstva oko istraživanja u digitalno doba (Anderson 2008) . Umjesto toga, kao i promjene podataka okoliša, moramo očekivati ponovno uravnoteženje u odnosu između teorije i podataka. U svijetu u kojem prikupljanje podataka je skupo, to ima smisla samo prikupiti podatke koji teorije sugeriraju će biti najkorisniji. Ali, u svijetu u kojem su već dostupne za besplatno ogromne količine podataka, ima smisla da se također pokušati pristup podacima i prvi (Goldberg 2015) .
Kao što sam već prikazano u ovom poglavlju, znanstvenici mogu puno naučiti promatrajući ljude. U sljedeća tri poglavlja, ja ću opisati kako možemo naučiti više i različite stvari ako smo prilagoditi naše prikupljanje podataka i komunicirati s ljudima više izravno postavljajući im pitanja (Poglavlje 3), radi eksperimente (Poglavlje 4), pa čak i njihovo uključivanje u proces istraživanja izravno (poglavlje 5).
