2.4.1 Skaitīšanas lietas

Simple skaitīšanas var būt interesanti, ja jūs apvienot labu jautājumu ar labiem datiem.

Lai gan tas ir formulēts sarežģītu skan valodā, daudz sociālo pētījumu ir patiešām vienkārši skaitīšanas lietas. Laikmetā lielo datu, pētnieki var rēķināties vairāk nekā jebkad agrāk, bet tas automātiski nenozīmē, ka pētniecība ir vērsta uz skaitīšanas vairāk un vairāk stuff. Tā vietā, ja mēs gatavojamies darīt labu pētījumu ar lielu datiem, mums jājautā: kas lietas ir vērts skaitīt? Tas var šķist pilnīgi subjektīvu lietu, bet ir daži vispārīgi modeļi.

Bieži vien studenti motivēt savus skaitīšanas pētījumus, sakot: Es esmu gatavojas rēķināties kaut ko neviens nekad uzskaita pirms. Piemēram, students varētu teikt, daudzi cilvēki ir studējis migrantus, un daudzi cilvēki ir studējis dvīņi, taču neviens nav pētīta migrantu dvīņi. Motivācija, ko nav parasti nav radīt labu pētniecību. Protams, varētu būt iemesli, lai mācās migrantu dvīņi, bet fakts, ka tie nav pētīta pirms nenozīmē, ka tie būtu pētīta tagad. Neviens nekad ieskaita vairākus pavedienus uz paklāja manā birojā, bet tas automātiski nenozīmē, ka tas būtu labs pētniecības projekts. Motivācija prombūtne ir veids kā sakot: lūk, tur ir caurums tur, un es esmu gatavojas strādāt ļoti grūti aizpildīt to uz augšu. Bet ne katrs caurums ir jāaizpilda.

Tā vietā, motivēšanas, ko nav, es domāju, ka skaitīšana noved pie labas pētījumu divos gadījumos, kad pētījumi ir interesants vai svarīgs (vai ideālā variantā abiem). Piemēram, mērot bezdarba līmenis ir svarīgs, jo tas ir rādītājs, ekonomikā, kas vada politikas lēmumus. Parasti cilvēki ir diezgan labu sajūtu par to, kas ir svarīgi. Tātad, pārējā šajā sadaļā, es esmu gatavojas sniegt trīs piemēri, kad skaitīšana ir interesanti. Katrā gadījumā, pētnieki netika skaitīšanas haphazardly, drīzāk tie bija skaitīšanas ļoti īpaši iestatījumi, kas atklājusi būtiskus ieskatu vairāk vispārīgas idejas par to, kā sociālo sistēmu darbu. Citiem vārdiem sakot, daudz kas padara šīs īpašās skaitīšanas vingrinājumi interesants nav pašiem datiem, tas nāk no šiem vispārīgākiem idejām.

Zemāk es klāt trīs piemērus: 1) darba uzvedību taksometru vadītāju Ņujorkā (2.4.1.1 iedaļas), 2) draudzība veidošanās studenti (2.4.1.2 sadaļa) un 3) sociālo mediju cenzūra uzvedība Ķīnas valdības (2.4.1.3 sadaļa). Ko šie piemēri dalīties ir tas, ka viņi visi rāda, ka skaitīšana lielie dati var tikt izmantoti, lai pārbaudītu teorētiskās prognozes. Dažos gadījumos, lielas datu avoti ļauj jums to darīt skaitīšanu salīdzinoši tieši (kā gadījumā Ņujorkas taksometru). Citos gadījumos, pētnieki būs nepieciešams, lai risinātu ar nepilnībām, apvienojot datu kopā un operationalizing teorētiskās konstrukcijas (kā gadījumā draudzības veidošanās); un dažos gadījumos pētnieki būs nepieciešams, lai savāktu savu novērojumu dati (kā gadījumā sociālo mediju cenzūru). Kā es ceru, ka šie piemēri rāda, pētniekiem, kuri spēj uzdot interesantus jautājumus, lielie dati tur liels solījums.