7.2.1 ການຜະສົມຜະສານການ readymades ແລະ custommades

ບໍ່ມີແຜນຍຸດທະສາດທີ່ບໍ່ຖືກຕ້ອງແລະບໍລິສັດດຽວກັນຢ່າງເຕັມທີ່ໃຊ້ຄຸນນະສົມບັດຂອງອາຍຸດິຈິຕອນ. ໃນອະນາຄົດພວກເຮົາຈະສ້າງລູກປະສົມ.

ໃນການນໍາສະເຫນີ, ຂ້າພະເຈົ້າກົງກັນຂ້າມກັບແບບ readymade ຂອງ Marcel Duchamp ກັບແບບ custommade ຂອງ Michelangelo. ຄວາມແຕກຕ່າງນີ້ຍັງມີຄວາມແຕກຕ່າງກັນລະຫວ່າງນັກວິທະຍາສາດຂໍ້ມູນ, ຜູ້ທີ່ມັກຈະເຮັດວຽກຮ່ວມກັບຄົນອ່ານແລະນັກວິທະຍາສາດສັງຄົມ, ຜູ້ທີ່ມັກຈະເຮັດວຽກກັບ custommades. ໃນອະນາຄົດ, ຂ້າພະເຈົ້າຄາດຫວັງວ່າພວກເຮົາຈະເຫັນລູກຫລານຫຼາຍເພາະວ່າແຕ່ລະວິທີການບໍລິສຸດເຫຼົ່ານີ້ມີຈໍາກັດ. ນັກຄົ້ນຄວ້າຜູ້ທີ່ຕ້ອງການໃຊ້ພຽງແຕ່ readymades ຈະຕ້ອງມີການຕໍ່ສູ້ເພາະວ່າບໍ່ມີຄົນອ່ານທີ່ສວຍງາມຫຼາຍໃນໂລກ. ອີກດ້ານຫນຶ່ງ, ນັກຄົ້ນຄວ້າຜູ້ທີ່ຕ້ອງການໃຊ້ custommades ເທົ່ານັ້ນ, ໃນຂະນະດຽວກັນ, ພວກເຮົາກໍ່ຈະເສຍສະຫລະຂະຫນາດ. ວິທີການປະສົມປະສານ, ແຕ່, ສາມາດສົມທົບຂະຫນາດທີ່ມາພ້ອມກັບ readymades ກັບຄວາມເຫມາະແຫນ້ນລະຫວ່າງຄໍາຖາມແລະຂໍ້ມູນທີ່ມາຈາກ custommades.

ພວກເຮົາໄດ້ເຫັນຕົວຢ່າງຂອງລູກປະສົມເຫຼົ່ານີ້ໃນແຕ່ລະພາກຂອງສີ່ປະໂຫຍກ. ໃນບົດທີ 2, ພວກເຮົາໄດ້ເຫັນວິທີທີ່ Google Flu Trends ປະສົມປະສານລະບົບຂໍ້ມູນທີ່ມີຄວາມເປັນໄປໄດ້ທີ່ສຸດ (ລະບົບການກວດສອບເຊື້ອໄວຣັສ CDC) ເພື່ອຜະລິດການຄາດຄະເນໄວຂຶ້ນ (Ginsberg et al. 2009) . ໃນບົດທີ 3, ພວກເຮົາໄດ້ເຫັນວິທີການ Stephen Ansolabehere ແລະ Eitan Hersh (2012) ລວມຂໍ້ມູນການສໍາຫຼວດທີ່ເຮັດດ້ວຍຕົວເອງດ້ວຍຂໍ້ມູນກ່ຽວກັບການບໍລິຫານຂອງລັດຖະບານທີ່ພ້ອມທີ່ຈະຮຽນຮູ້ກ່ຽວກັບຄຸນລັກສະນະຂອງຜູ້ທີ່ມີການລົງຄະແນນສຽງ. ໃນພາກທີ 4, ພວກເຮົາໄດ້ເຫັນວິທີການທົດລອງ Opower ລວມເອົາໂຄງສ້າງພື້ນຖານການວັດແທກໄຟຟ້າທີ່ມີ readymade ດ້ວຍການປິ່ນປົວແບບກໍານົດເອງເພື່ອສຶກສາຜົນກະທົບຂອງບັນດາມາດຕະຖານທາງສັງຄົມກ່ຽວກັບພຶດຕິກໍາຂອງປະຊາຊົນລ້ານໆຄົນ (Allcott 2015) . ສຸດທ້າຍ, ໃນບົດທີ 5, ພວກເຮົາໄດ້ເຫັນວິທີການ Kenneth Benoit ແລະເພື່ອນຮ່ວມງານ (2016) ນໍາໃຊ້ຂະບວນການລະຫັດຈໍານວນຝູງແກະສະຫຼັກທີ່ກໍານົດໄວ້ໃນຮູບແບບຂອງການສ້າງນິຍາມທີ່ສ້າງຂື້ນໂດຍຝ່າຍທາງດ້ານການເມືອງເພື່ອສ້າງຂໍ້ມູນທີ່ນັກຄົ້ນຄວ້າສາມາດນໍາໃຊ້ເພື່ອສຶກສາດ້ານນະໂຍບາຍຂອງການໂຕ້ວາທີນະໂຍບາຍ.

ຕົວຢ່າງສີ່ຕົວນີ້ສະແດງໃຫ້ເຫັນວ່າຍຸດທະສາດທີ່ມີປະສິດທິພາບໃນອະນາຄົດຈະສ້າງແຫຼ່ງຂໍ້ມູນໃຫຍ່ທີ່ບໍ່ໄດ້ສ້າງຂື້ນເພື່ອການຄົ້ນຄວ້າ, ໂດຍມີຂໍ້ມູນເພີ່ມເຕີມທີ່ເຮັດໃຫ້ພວກເຂົາເຫມາະສົມກັບການຄົ້ນຄວ້າ (Groves 2011) . ບໍ່ວ່າຈະເລີ່ມຕົ້ນດ້ວຍ custommade ຫຼື readymade, ແບບປະສົມປະສານນີ້ຖືຄໍາສັນຍາທີ່ດີສໍາລັບບັນຫາການຄົ້ນຄວ້າຈໍານວນຫຼາຍ.