2.5 Kesimpulan

data besar di mana-mana, tetapi menggunakannya dan bentuk lain dari data pengamatan untuk penelitian sosial sulit. Dalam pengalaman saya ada sesuatu yang seperti tidak ada properti makan siang gratis untuk penelitian: jika Anda tidak dimasukkan ke dalam banyak pekerjaan pengumpulan data, maka Anda mungkin akan harus dimasukkan ke dalam banyak pekerjaan menganalisis data atau dalam memikirkan apa yang ada dalam pertanyaan yang menarik untuk meminta data. Berdasarkan ide-ide dalam bab ini, saya berpikir bahwa ada tiga cara utama yang sumber data besar akan sangat berharga untuk penelitian sosial:

• empiris mengadili antara bersaing prediksi teoritis. Contoh semacam ini termasuk Farber (2015) (driver New York Taxi) dan King, Pan, and Roberts (2013) (Sensor di Cina)
• pengukuran sosial ditingkatkan untuk kebijakan melalui nowcasting. Contoh dari pekerjaan semacam ini adalah Ginsberg et al. (2009) (Google Flu Trends).
• memperkirakan efek kausal dengan eksperimen alami dan cocok. Contoh pekerjaan semacam ini. Mas and Moretti (2009) (rekan efek pada produktivitas) dan Einav et al. (2015) (efek harga mulai dari lelang di eBay).

Banyak pertanyaan yang penting dalam penelitian sosial dapat dinyatakan sebagai salah satu dari tiga tersebut. Namun, pendekatan ini umumnya memerlukan peneliti untuk membawa banyak untuk data. Apa yang membuat Farber (2015) menarik adalah motivasi teoritis untuk pengukuran. Motivasi teoritis ini berasal dari luar data. Jadi, bagi mereka yang pandai meminta jenis tertentu dari pertanyaan penelitian, sumber data yang besar dapat sangat bermanfaat.

Akhirnya, daripada teori-driven penelitian empiris (yang telah menjadi fokus pada bab ini), kita dapat flip script dan menciptakan teori empiris-driven. Artinya, melalui akumulasi hati-hati fakta empiris, pola, dan teka-teki, kita dapat membangun teori-teori baru.

Alternatif, pendekatan data pertama teori tidak baru, dan itu yang paling tegas diartikulasikan oleh Glaser and Strauss (1967) dengan panggilan mereka untuk grounded theory. Pendekatan Data-pertama ini, bagaimanapun, tidak berarti "akhir teori," seperti yang telah diklaim oleh banyak jurnalisme sekitar penelitian di era digital (Anderson 2008) . Sebaliknya, karena perubahan lingkungan data, kita harus mengharapkan re-balancing dalam hubungan antara teori dan data. Dalam dunia di mana pengumpulan data itu mahal, masuk akal untuk hanya mengumpulkan data yang teori menyatakan akan menjadi yang paling berguna. Tapi, di dunia di mana sejumlah besar data yang sudah tersedia secara gratis, masuk akal untuk juga mencoba pendekatan data pertama (Goldberg 2015) .

Seperti yang saya telah menunjukkan dalam bab ini, peneliti dapat belajar banyak dengan menonton orang. Dalam tiga bab berikutnya, saya akan menjelaskan bagaimana kita bisa belajar lebih banyak dan berbeda hal jika kita menyesuaikan pengumpulan data dan berinteraksi dengan orang-orang lebih langsung dengan mengajukan pertanyaan (Bab 3), menjalankan percobaan (Bab 4), dan bahkan melibatkan mereka dalam proses penelitian secara langsung (Bab 5).