2.3.1.2 नेहमी चालू
नेहमी-मोठ्या डेटा प्रसंग आणि रिअल-टाइम मापन अभ्यास सक्षम करते.
अनेक मोठे डेटा प्रणाली नेहमी आहेत; ते सतत माहिती गोळा आहेत. या नेहमी वैशिष्ट्यपूर्ण रेखांशाचा डेटा संशोधक उपलब्ध आहे (म्हणजेच, वेळ डेटा). नेहमी जात संशोधन दोन महत्त्वाचे मानले आहे.
प्रथम, नेहमी चालू डेटा संकलन संशोधक पूर्वी शक्य नव्हते अशा प्रकारे प्रसंग अभ्यास करण्यास सक्षम करते. उदाहरणार्थ, 2013 च्या उन्हाळ्यात तुर्की मध्ये Gezi निषेध यावर व्यापार अभ्यास रस संशोधक विशेषत कार्यक्रम दरम्यान निदर्शक वर्तन लक्ष केंद्रित होईल. Ceren Budak आणि डंकन वॅट्स (2015) दरम्यान आधी आंदोलक ट्विटर वापरून अभ्यास Twitter वर नेहमी निसर्ग वापरून, करून जास्त त्यांना काही करता होते, आणि कार्यक्रम नंतर. आणि ते गैर-सहभागी (किंवा निषेध बद्दल ट्विट नाही सहभागी) एक तुलना गट दरम्यान, आधी निर्माण करू शकलो, आणि इव्हेंट नंतर (आकृती 2.1). एकूण त्यांच्या कार्योत्तर पॅनल दोन वर्षांत 30,000 लोक ट्वीट समावेश आहे. ते अंदाज लोक कोणत्या प्रकारची Gezi निषेध सहभागी होण्यासाठी आणि दृष्टिकोन बदल अंदाज होण्याची अधिक शक्यता होते सक्षम होते: या इतर माहिती निषेध सर्वसाधारणपणे वापरले डेटा वाढवण्यासाठी करून, Budak आणि वॉट्स जास्त जाणून घेण्यासाठी सक्षम होते सहभागी आणि बिगर सहभागी दोन्ही अल्पकालीन (पूर्व Gezi करण्यासाठी Gezi दरम्यान तुलना) आणि दीर्घकालीन (पोस्ट-Gezi प्री-Gezi तुलना).
आकृती 2.1: द्वारे वापरले डिझाईन Budak and Watts (2015) अभ्यास 2013 च्या उन्हाळ्यात तुर्की मध्ये Gezi निषेध यावर व्यापार Twitter वर नेहमी निसर्ग वापर करून, संशोधक ते समाविष्ट ex-post पॅनल म्हणतात काय निर्माण 30,000 दोन वर्षांत लोक. याउलट protests दरम्यान सहभागी लक्ष केंद्रित की ठराविक अभ्यास, कार्योत्तर समितीसमोर आणि कार्यक्रम नंतर आणि 2) बिगर सहभागी डेटा आधी, दरम्यान, आणि कार्यक्रम नंतर 1) सहभागी डेटा जोडते. या समृद्ध डाटा स्ट्रक्चर अंदाज लोक कोणत्या प्रकारची अल्पकालीन, दोन्ही Gezi निषेध सहभागी होण्यासाठी आणि सहभागी आणि बिगर सहभागी दृष्टिकोन बदल अंदाज (पूर्व Gezi दरम्यान तुलना अधिक शक्यता होते Budak आणि वॉट्स सक्षम Gezi) आणि दीर्घकालीन (तुलना पूर्व Gezi पोस्ट-Gezi).
हे खरे आहे, या अंदाज काही न केलेल्या गेले आहेत असे नेहमी डेटा संकलन स्रोत (उदा, वृत्ती बदल दीर्घकालीन अंदाज), 30,000 लोकांना हे माहिती संकलन जोरदार महाग झाली असती तरी. आणि, अगदी अमर्यादित आर्थिक निधी देण्यात आला, मी इतर कोणत्याही पद्धतीचा मूलत: वेळ परत प्रवास संशोधक आणि थेट भूतकाळात सहभागी वर्तन देखणे परवानगी देतो विचार करू शकत नाही. जवळचा पर्यायी वर्तन पूर्वलक्ष्यी प्रभावाने अहवाल संकलित करण्यासाठी होईल, पण हे अहवाल मर्यादित ग्रॅन्युलॅरिटिच्या आणि शंकास्पद अचूकता होईल. तक्ता 2.1 एक नेहमी डेटा स्त्रोत एक अनपेक्षित घटना अभ्यास करण्यासाठी वापरता अभ्यास इतर उदाहरणे उपलब्ध आहे.
| अनपेक्षित घटना | नेहमी-स्त्रोत डेटा | उतारा |
|---|---|---|
| तुर्की मध्ये Gezi चळवळ व्यापू | ट्विटर | Budak and Watts (2015) |
| हाँगकाँग मध्ये छत्री निषेध | Zhang (2016) | |
| न्यू यॉर्क शहर पोलीस shootings | थांबवा आणि बागडणे अहवाल | Legewie (2016) |
| व्यक्ती ISIS सामील | ट्विटर | Magdy, Darwish, and Weber (2016) |
| सप्टेंबर 11, 2001 हल्ला | livejournal.com | Cohn, Mehl, and Pennebaker (2004) |
| सप्टेंबर 11, 2001 हल्ला | पेजर संदेश | Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011) |
दुसरी गोष्ट म्हणजे, नेहमी डेटा संकलन संशोधक रिअल-टाइम मोजमाप, धोरण निर्मात्यांना फक्त विद्यमान वर्तन शिकला नाही तर तो प्रतिसाद दिला इच्छित जेथे सेटिंग्ज मध्ये जे महत्वपूर्ण असू शकते निर्मिती करण्यास सक्षम करते. उदाहरणार्थ, सामाजिक माध्यम डेटा नैसर्गिक संकटे प्रतिसाद मार्गदर्शन करण्यासाठी वापरले जाऊ शकते (Castillo 2016) .
शेवटी, नेहमी डेटा प्रणाली प्रसंग अभ्यास आणि धोरण निर्मात्यांना रिअल-टाइम माहिती प्रदान करण्यासाठी संशोधक सक्षम करा. मी नाही, तथापि, की नेहमी डेटा प्रणाली संशोधक दीर्घकाल प्रती बदल ट्रॅक करण्यास सक्षम मांडणे. अनेक मोठे डेटा प्रणाली सतत बदलत-एक आहेत कारण प्रोसेस म्हणतात वाहून नेणे (विभाग 2.3.2.4 करीता) आहे.
