2.3.1.2 Always-on
Tansah ing data amba mbisakake sinau acara sing ora dikarepke lan pangukuran nyata-wektu.
Akeh sistem data amba tansah ing; lagi saya ngempalaken data. Karakteristik iki tansah ing menehi peneliti karo data longitudinal (IE, data liwat wektu). Kang tansah ing wis loro mbek penting kanggo riset.
First, tansah ing data koleksi mbisakake kanggo riset sinau acara sing ora dikarepke ing cara sing padha ora bisa sadurunge. Contone, peneliti kasengsem sinau Occupy Gezi mbantah ing Turki ing mangsa panas 2013 biasane bakal fokus ing prilaku demontran sak acara. Ceren Budak lan Duncan Watts (2015) padha bisa nindakake luwih dening nggunakake alam tansah ing Twitter kanggo sinau Twitter-nggunakake demontran sadurunge, sak, lan sawise acara. Lan, padha bisa nggawe grup comparison non-peserta (utawa peserta sing durung tweet babagan protest ing) sadurunge, sak, lan sawise acara (Figure 2.1). In total panel ex-post sing klebu ing tweets saka 30,000 wong liwat rong taun. Miturut nambah data umum digunakake saka mbantah karo informasi liyane iki, Budak lan Watts padha bisa sinau luwih: padha bisa ngira apa jinis wong padha luwih kamungkinan kanggo melu ing Gezi mbantah lan kanggo ngira owah-owahan ing Donyane saka peserta lan non-peserta, loro ing short-term ing (mbandingaken wis Gezi kanggo sak Gezi) lan ing long-term (mbandingaken wis Gezi kanggo ngirim-Gezi).
Figure 2.1: Design digunakake dening Budak and Watts (2015) kanggo sinau Occupy Gezi mbantah ing Turki ing mangsa panas 2013. Kanthi nggunakake alam tansah ing Twitter, peneliti digawe apa padha disebut panel ex-post sing klebu bab 30,000 wong liwat rong taun. Ing kontras sinau khas sing fokus ing peserta sak mbantah, panel ex-post nambah 1) data saka peserta sadurunge lan sawise acara lan 2) data saka non-peserta sadurunge, sak, lan sawise acara. struktur data kandungan iki aktif Budak lan Watts kanggo ngira apa jinis wong padha luwih kamungkinan kanggo melu ing Gezi mbantah lan kanggo ngira owah-owahan ing Donyane peserta lan non-peserta, loro ing short-term ing (mbandingaken wis Gezi kanggo sak Gezi) lan ing long-term (mbandingaken wis Gezi kanggo ngirim-Gezi).
Sampeyan bener kang sawetara iki prakiraan bisa wis digawe tanpa tansah ing sumber data (eg, prakiraan long-term pangowahan sikap), sanajan data kuwi kanggo 30,000 wong kang wis mèh larang. Lan, malah diwenehi budget Unlimited, aku ora bisa mikir samubarang cara liyane sing ateges ngidini kanggo riset lelungan bali ing wektu lan langsung mirsani peserta prilaku ing sasi. Alternatif cedhak bakal kanggo ngumpulake laporan retrospektif saka prilaku, nanging iki bakal granularity winates lan akurasi jelas. Tabel 2.1 menehi conto liyane saka studi sing nggunakake tansah ing sumber data kanggo sinau acara sing ora dikarepke.
| acara sing ora dikarepke | Tansah ing data sumber | citation |
|---|---|---|
| Occupy gerakan Gezi ing Turki | Budak and Watts (2015) | |
| mbantah payung ing Hong Kong | Zhang (2016) | |
| Bombing saka polisi ing New York City | Stop-lan-Frisk laporan | Legewie (2016) |
| Wong gabung Suster | Magdy, Darwish, and Weber (2016) | |
| September 11, 2001 serangan | livejournal.com | Cohn, Mehl, and Pennebaker (2004) |
| September 11, 2001 serangan | pesen pager | Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011) |
Kapindho, tansah ing data koleksi mbisakake kanggo riset gawé pangukuran nyata-wektu, kang wigati ing setelan ngendi privasi produsen pengin ora mung sinau saka prilaku ana nanging uga nanggapi kanggo iku. Contone, data media sosial bisa kanggo mandhu respon kanggo bencana alam (Castillo 2016) .
Wusananipun, tansah ing data sistem ngaktifake peneliti sinau acara sing ora dikarepke lan nyedhiyani nyata-wektu kanggo privasi produsen. Aku ora, Nanging, propose sing sing tansah ing data sistem ngaktifake peneliti nglacak owah-owahan liwat suwene wektu. Sing amarga akeh sistem data amba saya ganti-prosès sing diarani mabur (Section 2.3.2.4).
