2.3.7

ജനസംഖ്യാ ചലനം, ഉപയോഗശക്തി, സിസ്റ്റം ഡ്രിഫ്റ്റ് എന്നിവ ദീർഘകാല പ്രവണതകൾ പഠിക്കാൻ വലിയ ഡാറ്റ സ്രോതസ്സുകൾ ഉപയോഗിക്കുന്നത് ബുദ്ധിമുട്ടുള്ളതാക്കുന്നു.

വളരെയധികം ഡാറ്റ സ്രോതസുകളുടെ വലിയ നേട്ടങ്ങളിൽ ഒന്ന് എന്നത് കാലാകാലങ്ങളിൽ വിവരങ്ങൾ ശേഖരിക്കുന്നു എന്നതാണ്. സോഷ്യൽ സയൻസസ് ഇത്തരത്തിലുള്ള കാലതാമസം ഡാറ്റ രേഖപ്പെടുത്തുന്നു . സ്വാഭാവികമായും, രേഖാപരമായ ഡാറ്റകൾ പഠനത്തിനായി വളരെ പ്രധാനമാണ്. മാറ്റം നിശ്ചയിക്കുന്നതിനു വേണ്ടി, അളവെടുക്കൽ സംവിധാനം സ്വയം സ്ഥിരതയുള്ളതായിരിക്കണം. സോഷ്യോളജിസ്റ്റ് ഓട്ടിസ് ഡഡ്ലി ഡങ്കന്റെ വാക്കുകളിൽ, "നിങ്ങൾ മാറ്റം വരുത്താൻ ആഗ്രഹിക്കുന്നെങ്കിൽ, അളവുകോൽ മാറ്റരുത്" (Fischer 2011) .

നിർഭാഗ്യവശാൽ, പല വലിയ ഡാറ്റാ സംവിധാനങ്ങളും, പ്രത്യേകിച്ച് ബിസിനസ്സ് സിസ്റ്റങ്ങളും - എപ്പോഴും മാറിക്കൊണ്ടിരിക്കുന്നു, ഞാൻ ഒരു ചലനത്തെ വിളിക്കുന്നു. പ്രത്യേകിച്ച്, ഈ സംവിധാനങ്ങൾ മൂന്ന് പ്രധാന രീതികളിലായി മാറുന്നു: ജനസംഖ്യ ചലനം (ആരാണ് ഉപയോഗിക്കുന്നതാരാണ് മാറ്റം), പെരുമാറ്റത്തിലെ ചലനം (ആളുകൾ എങ്ങനെ ഉപയോഗിക്കുമെന്നതിൽ മാറ്റം), സിസ്റ്റം ഡൈറ്റ് (സിസ്റ്റത്തിൽ തന്നെ മാറ്റം) എന്നിവയാണ്. ചലനത്തിന്റെ മൂന്ന് സ്രോതസ്സുകൾ സൂചിപ്പിക്കുന്നത്, ഒരു വലിയ ഡാറ്റാ സ്രോതസ്സിലെ ഏത് രീതിയും ലോകത്തിലെ ഒരു പ്രധാന വ്യതിയാനം മൂലമാണ്, അല്ലെങ്കിൽ ഇത് ഏതെങ്കിലും വിധത്തിലുള്ള ചലനത്താൽ ഉണ്ടാകാം.

ദീര്ഘ-ജനസംഖ്യ ചിഹ്നത്തിന്റെ ആദ്യ ഉറവിടം -ഉപയോഗിച്ച് ആരൊക്കെയാണ് സിസ്റ്റം ഉപയോഗിക്കുന്നത് എന്നതുകൊണ്ടാണ്. ചെറുതും, നീണ്ടതുമായ കാലങ്ങളിൽ ഈ മാറ്റങ്ങൾ സംഭവിക്കാം. ഉദാഹരണത്തിന്, 2012 ലെ അമേരിക്കൻ രാഷ്ട്രപതി തിരഞ്ഞെടുപ്പിന്റെ സമയത്ത്, സ്ത്രീകൾ എഴുതിയ എല്ലാ ദിവസവും ട്വീറ്റുകളുടെ അനുപാതം (Diaz et al. 2016) . അതായത്, ട്വിറ്റർ വാക്യത്തിന്റെ മാനസികാവസ്ഥയിൽ എന്തെല്ലാം മാറ്റങ്ങൾ വന്നേക്കാനിടയുണ്ട് യഥാർത്ഥത്തിൽ ഒരു നിമിഷത്തിൽ സംസാരിക്കുന്ന ആർക്കുമാറ്റം ഒരു മാറ്റം മാത്രമായിരിക്കും. ഈ ഹ്രസ്വകാല ഏറ്റക്കുറച്ചിലുകൾക്ക് പുറമെ, ട്വിറ്റർ സ്വീകരിക്കുന്നതിനും അവ ഉപേക്ഷിക്കുന്നതിനുമുള്ള ചില ജനസംഖ്യാ ഗ്രൂപ്പുകളുടെ ഒരു ദീർഘകാല പ്രവണതയും ഉണ്ടായിട്ടുണ്ട്.

ഒരു സിസ്റ്റം ഉപയോഗിക്കുന്ന ആർക്കുളള മാറ്റങ്ങൾക്കുപുറമേ, സിസ്റ്റം എങ്ങനെ ഉപയോഗിക്കുമെന്നതിൽ മാറ്റമുണ്ട്, ഇത് ഞാൻ പെരുമാറ്റത്തിലെ ചലനത്തെ വിളിക്കുന്നു. ഉദാഹരണത്തിന്, 2013 ഓക്യുപൈ ഗീസി പ്രക്ഷോഭ സമയത്ത് ടർക്കിയിൽ പ്രതിഷേധം പ്രകടമായിത്തുടങ്ങിയതോടെ പ്രതിഷേധക്കാർ ഹാഷ് ടാഗുകൾ ഉപയോഗിച്ചു. സെയ്നെപ് ടഫകെക്കി (2014) പെരുമാറ്റ ദിശയെക്കുറിച്ച് വിശദീകരിച്ചു, അവൾ ട്വിറ്ററിലും വ്യക്തിയിലും പെരുമാറ്റം നിരീക്ഷിക്കുന്നതിനാൽ അവൾക്കു കണ്ടെത്താൻ സാധിച്ചു:

"പ്രതിഷേധം ആധിപത്യത്തിലായിത്തുടങ്ങിയപ്പോഴേക്കും ഒരു വലിയ പ്രതിഭാസത്തിലേക്ക് ശ്രദ്ധ തിരിക്കുന്നതിനു പകരം ഹാഷ്ടാഗുകൾ ഉപയോഗിക്കുന്നത് നിർത്തിയായിരുന്നു ... പ്രതിഷേധങ്ങൾ തുടർന്നെങ്കിലും, ഹസ്തഘാതാക്കൾ അപ്രത്യക്ഷമായി. രണ്ട് കാരണങ്ങളാൽ അഭിമുഖങ്ങൾ വെളിപ്പെടുത്തി. ആദ്യം, എല്ലാവർക്കും വിഷയം അറിയാമെങ്കിലും, ഹാഷ് ടാഗ് പ്ലാറ്റ്ഫോം, പരിമിതമായ ട്വിറ്റർ പ്ലാറ്റ്ഫോമിൽ അപ്രത്യക്ഷമായിരുന്നു. രണ്ടാമതായി, ഹാഷ് ടാഗുകൾ ഒരു പ്രത്യേക വിഷയത്തിൽ ശ്രദ്ധ ആകർഷിക്കാൻ മാത്രം ഉപയോഗപ്രദമായിരുന്നു, അതിനെക്കുറിച്ച് സംസാരിക്കാൻ വേണ്ടിയല്ല. "

ഇപ്രകാരം, പ്രതിഷേധം-അനുബന്ധ ഹാഷ്ടാഗുകളുള്ള ട്വീറ്റുകൾ വിശകലനം പ്രതിഷേധം പഠിക്കുന്നത് ആർ ഗവേഷകർ കാരണം ഈ പെരുമാറ്റ ഫലകചലനം എന്താണ് സംഭവിക്കുന്നതെന്ന് വളച്ചൊടിച്ച് അർത്ഥത്തിൽ ലഭിക്കുമായിരുന്നു. ഉദാഹരണത്തിന്, യഥാർത്ഥത്തിൽ കുറഞ്ഞു മുമ്പ് പ്രതിഷേധത്തിന്റെ ചർച്ച നീണ്ട കുറഞ്ഞു എന്ന് വിശ്വസിക്കാം.

മൂന്നാമത്തെ തരം ചായ്പ്പിന് സിസ്റ്റം ഡൈറ്റ് ആണ്. ഈ സാഹചര്യത്തിൽ, അത് ആൾക്കാരെ മാറ്റുന്നതോ അവരുടെ സ്വഭാവം മാറുന്നതോ അല്ല, പക്ഷെ സിസ്റ്റം തന്നെ മാറുന്നു. ഉദാഹരണമായി, കാലക്രമേണ ഫേസ് അപ്ഡേറ്റുകളുടെ ദൈർഘ്യത്തിലെ പരിധി വർദ്ധിപ്പിച്ചു. അതിനാൽ, ഈ വ്യവസ്ഥിതിയിൽ ഉണ്ടാകുന്ന അന്യാപദേശങ്ങളിൽ, സ്റ്റാറ്റസ് അപ്ഡേറ്റുകളെ സംബന്ധിച്ച രേഖാപരമായ പഠനങ്ങളെ ബാധിക്കും. സിസ്റ്റത്തിന്റെ ചലനശേഷി അൽഗോരിത്മിക് കൗണ്ടിംഗ് എന്ന പ്രശ്നവുമായി വളരെ അടുപ്പമുള്ളതാണ്, ഞാൻ അതിനെ 2.3.8 വിഭാഗത്തിൽ ഉൾപ്പെടുത്തും.

അവസാനിപ്പിക്കാൻ, പല വലിയ ഡാറ്റാ സ്രോതസ്സുകളും അവർ ഉപയോഗിക്കുന്ന ആരൊക്കെയാണ്, അവർ എങ്ങനെ ഉപയോഗിച്ചുവെന്നും, എങ്ങനെ സിസ്റ്റങ്ങൾ പ്രവർത്തിക്കുന്നുവെന്നതുമൂലം മാറുന്നു. ഈ മാറ്റത്തിന്റെ ഉറവിടം ചിലപ്പോൾ രസകരമായ ഗവേഷണ ചോദ്യങ്ങളാണ്, എന്നാൽ കാലാകാലങ്ങളിൽ ദീർഘകാല മാറ്റങ്ങൾ നിരീക്ഷിക്കുന്നതിനായി വലിയ ഡാറ്റാ സ്രോതസുകളുടെ കഴിവുകൾ ഈ മാറ്റങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമാക്കുന്നു.