2.3.2.4 Лебдат

Населението лебдат, користење лебдат, и системот лебдат го прават тоа тешко да се користи голем извор на податоци да учат долгорочни трендови.

Еден од големите предности на многу големи извори на податоци се дека тие се собираат податоци со текот на времето. Социјални научници го нарекуваат овој вид на функција од времето на податоци, надолжните податоци. И, се разбира, надолжните податоци се многу важни за студирање промени. Со цел да се измери веродостојно да се промени, сепак, самиот систем за мерење треба да биде стабилен. Според зборовите на социолог Отис Дадли Данкан, "ако сакате да се измери промена, не се менува мерка" (Fischer 2011) .

За жал, многу системи, особено на големи податоци бизнис систем кој се создаде и да се фати дигиталните траги-се менува цело време, процес кој јас ќе се јавам лебдат. Конкретно, овие системи се промени во три главни начини: популација лебдат (промена во кој ги користи), однесувањето лебдат (промена во начинот на кој луѓето ги користат) и системот лебдат (промена во самиот систем). Три извори на отстапување значи дека било кој модел во дигитални податоци трага може да биде предизвикана од страна на важни промени во светот, или тоа може да биде предизвикана од некоја форма на лебдат.

Првиот извор на лебдат-популација лебдат-е кој е со користење на системот, а тоа се менува на долгогодишен размери и со скратено работно време размери. На пример, од 2008 година да го претстави просечната возраст на луѓето на социјалните медиуми е зголемен. Во прилог на овие долгорочни трендови, луѓето со користење на системот во секој момент да варира. На пример, за време на изборите во САД Претседателските на 2012 година процентот на твитови за политиката што беа напишани од жени флуктуира од ден на ден (Diaz et al. 2016) . Така, она што може да се појави да биде промена во расположението на Твитер стих, всушност, може само да се промени во кои се зборува во секој момент.

Во прилог на промените во кој е со користење на системот, исто така има и промени во тоа како се користи системот. На пример, за време на протестите Окупирај паркот Гези во Истанбул, Турција во 2013 демонстранти се промени нивната употреба на хаштаговите како протест еволуирале. Еве како Зејнеп Туфекчи (2014) е опишано на лебдат, која таа беше во можност да се открие, бидејќи таа беше набљудување на однесувањето на Твитер и на земјата:

"Она што се случи е дека веднаш штом протестот стана доминантна приказна, голем број на луѓе. . . престана со користење на хаштагови, освен да привлече внимание кон нов феномен. . .. И покрај протестите продолжија и уште посилно, на хаштагови замре. Интервјуа откри две причини за тоа. Прво, кога сите знаеја тема, хаштагот беше одеднаш излишно и непотребно за карактерот ограничен Твитер платформа. Второ, hashtags се гледа само како корисни за да привлечат внимание на одредена тема, а не за да зборува за тоа. "

Така, истражувачи, кои биле проучување на протести со анализа твитови со протестите поврзани со хаштагови ќе имаат погрешна смисла на она што се случува затоа што на овој однесувањето лебдат. На пример, тие би можеле да веруваат дека дискусијата на протестот намали долго пред тоа всушност се намали.

Третиот вид на лебдат е систем лебдат. Во овој случај, тоа не е на луѓето да се менува или нивното однесување се менува, но самиот систем се менува. На пример, со текот на времето Фејсбук се зголеми на ограничување на должината на ажурирања на статус. Оттука, сите студија на ажурирање на статусот ќе биде подложен на артефакти предизвикани од оваа промена. Систем лебдат е тесно поврзана со проблемот наречен алгоритамски изненадувачките на која ние сега се сврти.