2.4.1 मतमोजणी गोष्टी

आपण चांगले डेटा एक चांगला प्रश्न एकत्र तर साधे मतमोजणी मनोरंजक असू शकते.

तो अत्याधुनिक उच्चार भाषेत couched असले, तरी सामाजिक संशोधन बरेच खरोखर काही गोष्टी मोजणी चालू आहे. मोठे डेटा वयाच्या मध्ये, संशोधक नेहमीपेक्षा अधिक मोजू शकते, परंतु आपोआप संशोधन अधिक आणि अधिक सामग्री मोजणी लक्ष केंद्रित केले याचा अर्थ असा नाही. मोजणी वाचतो आहेत काय गोष्टी उलट, आपण मोठे डेटा चांगले संशोधन करणार आहेत तर, आम्ही विचारण्याची गरज आहे? या एक संपूर्णपणे काल्पनिक बाब सारखी वाटू शकते, पण काही सामान्य नमुने आहेत.

मी एक कधीही आधी गणली आहे की काहीतरी गणना करणार आहे: अनेकदा विद्यार्थी म्हणाला त्यांच्या मतमोजणी संशोधन प्रवृत्त. उदाहरणार्थ, एक विद्यार्थी म्हणेल, अनेक लोक स्थलांतरित अभ्यास केला आहे आणि अनेक लोक जुळे अभ्यास केला आहे, परंतु कोणीही स्थलांतरित जुळे अभ्यास केला आहे. नसतानाही साधारणतः हेतु चांगला संशोधन होऊ देत नाही. अर्थात, स्थलांतरित जुळे अभ्यास चांगली कारणे असू शकते, परंतु अभ्यास केला गेला नाही आहे की ते आता अभ्यास करणे आवश्यक आहे याचा अर्थ असा नाही. कोणीही कधीही माझ्या ऑफिस मध्ये विचाराधीन थ्रेड संख्या गणली आहे, पण त्या आपोआप हा एक चांगला संशोधन प्रकल्प होईल, असा त्याचा अर्थ नाही. नसतानाही प्रेरणा प्रकारची म्हणाला आहे: पाहा, एक भोक तिथे आहे, आणि मी ते भरण्यासाठी खूप कष्ट करणार आहे. पण, प्रत्येक छिद्र भरुन करणे आवश्यक आहे.

त्याऐवजी नसतानाही प्रेरणा देणारे, मी, दोन घटनांमध्ये चांगले संशोधन ठरतो मोजणी चालू संशोधन (किंवा आदर्श दोन्ही) मनोरंजक किंवा महत्वाचे आहे असे मला वाटते. उदाहरणार्थ, बेरोजगारांच्या मोजण्यासाठी कारण धोरणात्मक निर्णय नाही की अर्थव्यवस्था निर्देशक आहे महत्वाचे आहे. साधारणपणे, लोक महत्वाचे आहे काय एक तेही चांगली अर्थ आहे. त्यामुळे, हा विभाग उरलेल्या, मी मोजणी मनोरंजक आहे जेथे तीन उदाहरणे प्रदान होणार आहे. प्रत्येक बाबतीत, संशोधक haphazardly मोजणी नाही, ऐवजी ते कसे सामाजिक प्रणाली काम अधिक सामान्य कल्पना मध्ये महत्वाचे अंतरंग आले की फार विशिष्ट सेटिंग्ज मध्ये मोजणी होते. दुसऱ्या शब्दांत, काय या विशिष्ट मतमोजणी व्यायाम मनोरंजक करते भरपूर नाही आहे डेटा, स्वतः, हे अधिक सामान्य कल्पना येते.

1) काम (विभाग 2.4.1.1) चीनी सरकारने विद्यार्थ्यांना (विभाग 2.4.1.2 करून, 2) मैत्री निर्मिती) आणि 3) सामाजिक मीडिया सेन्सॉरशिप वर्तन न्यू यॉर्क मध्ये टॅक्सी ड्रायव्हर्स वर्तन: मी तीन उदाहरणे सादर करू खाली (विभाग 2.4.1.3). काय ही उदाहरणे शेअर सर्व मोठे डेटा मोजणी सैद्धांतिक अंदाज चाचणी करण्यासाठी वापरले जाऊ शकते, हे दाखवण्यासाठी आहे. काही प्रकरणांमध्ये, मोठा डेटा स्रोत तुलनेने थेट या मतमोजणी करू (न्यू यॉर्क टॅक्सीज बाबतीत म्हणून) सक्षम. इतर प्रकरणांमध्ये, संशोधक एकत्र आणि operationalizing सैद्धांतिक बांधकाम डेटा एकत्र करणे (मैत्री निर्मिती बाबतीत म्हणून) यांनी अपुरेपणा सामोरे करणे आवश्यक आहे, आणि काही बाबतींत संशोधक त्यांच्या स्वत: च्या आकलनशक्तीच्या माहिती गोळा करण्यासाठी (सामाजिक मीडिया सेन्सॉरशिप बाबतीत म्हणून) आवश्यकता आहे. मला आशा आहे या उदाहरणे दाखवा, मनोरंजक प्रश्न विचारू सक्षम आहेत कोण संशोधक आहे, मोठे डेटा महान वचन दिले आहे वस्तू.