အမြဲတမ်း-အပေါ်ကြီးမားတဲ့ data တွေကိုမျှော်လင့်မထားတဲ့အဖြစ်အပျက်များနှင့် Real-time တိုင်းတာခြင်း၏လေ့လာမှုနိုင်ပါတယ်။
အများစုကကြီးမားတဲ့ data တွေကိုစနစ်များကိုအမြဲ-အပေါ်ပါ၏ သူတို့အဆက်မပြတ်ဒေတာစုဆောင်းနေကြသည်။ ဤသည်အမြဲ-အပေါ်ဝိသေသ longitudinal ဒေတာ (အချိန်ကျော်ဆိုလိုသည်မှာ, ဒေတာ) နဲ့သုတေသီများပေးစွမ်းသည်။ အမြဲ-အပေါ်ဖြစ်ခြင်းသုတေသနအတွက်နှစ်ဦးအရေးကြီးသောသက်ရောက်မှုရှိပါတယ်။
ပထမဦးစွာ, ဒေတာစုဆောင်းအမြဲ-အပေါ်ယခင်ကမဖွစျနိုငျကွနည်းလမ်းတွေထဲမှာမမျှော်လင့်ဘဲဖြစ်ရပ်များကိုလေ့လာမှသုတေသီများနိုင်ပါတယ်။ ဥပမာအားဖြင့် 2013 ခုနှစ်, နွေရာသီအတွက်တူရကီအတွက် Occupy Gezi ဆန္ဒပြပွဲများပုံမှန်အားဖြင့်ထိုအဖြစ်အပျက်စဉ်အတွင်းဆန္ဒပြသူများ၏အပြုအမူအပေါ်အာရုံစူးစိုက်မယ်လို့လေ့လာနေစိတ်ဝင်စားသုတေသီများ။ Ceren Budak နှင့် Duncan က Watts (2015) နှင့်ထိုအဖြစ်အပျက်ပြီးနောက်စဉ်အတွင်းရှေ့တော်၌, Twitter ကို-သုံးပြီးဆန္ဒပြသူတွေကိုလေ့လာဖို့ဖို့အမြဲ-အပေါ်တွစ်တာ၏သဘောသဘာဝကိုအသုံးပြုခြင်းအားဖြင့်ပိုမိုလုပ်ဆောင်နိုင်ခဲ့တယ်။ ထိုအခါသူတို့ကအတွင်းနဲ့ဖြစ်ရပ် (ပုံ 2.1) ပြီးနောက်ရှေ့တော်၌, (ထိုဆန္ဒပြပွဲနှင့် ပတ်သက်. tweet ဘူးသောသူသို့မဟုတ်သင်တန်းသားများ) Non-သင်တန်းသားများကိုတစ်ဦးနှိုင်းယှဉ်ကြည့်ပါအုပ်စုတစ်စုဖန်တီးနိုင်ခဲ့တယ်။ စုစုပေါင်းကာလ၌မိမိတို့ဟောင်းပို့စ် panel ကိုနှစျနှစျကျြော 30,000 ကလူချက်တွေကိုပါဝင်သည်။ ဒီအခြားသတင်းအချက်အလက်နှင့်အတူဆန္ဒပြပွဲများအနေဖြင့်အသုံးများသောဒေတာတိုးပွားလာခြင်းအားဖြင့်, Budak နှင့် Watts အများကြီးပိုမိုလေ့လာသင်ယူနိုင်ခဲ့ကြတယ်: သူတို့ Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူမျိုး၏အဘယျအမြိုးမြိုးခန့်မှန်းနိုင်ခဲ့ကြတယ် သင်တန်းသားများနှင့် Non-သင်တန်းသားများ, (Gezi စဉ်အတွင်းမှ Pre-Gezi နှိုင်းယှဉ်) ကိုရေတိုရေရှည်နှင့်ရေရှည်၌ (-Gezi post မှ Pre-Gezi နှိုင်းယှဉ်) နှစ်ဦးစလုံး။
ဒါဟာ 30,000 လူများအတွက်ထိုကဲ့သို့သောအချက်အလက်များစုဆောင်းခြင်းအတော်လေးစျေးကြီးကြပြီဖြစ်သော်လည်းဤအခန့်မှန်းချက်အခြို့, ဒေတာစုဆောင်းသတင်းရပ်ကွက်များ (ဥပမာ, သဘောထားပြောင်းလဲမှု၏ရေရှည်ခန့်မှန်းချက်) အမြဲ-အပေါ်မပါဘဲကြပြီနိုင်ကြောင်းမှန်သည်။ ထိုအပင်တစ်န့်အသတ်ဘတ်ဂျက်ပေးထားငါမရှိမဖြစ်လိုအပ်တဲ့သုတေသီများအချိန်အတွက်ပြန်ခရီးနှင့်တိုက်ရိုက်အတိတ်အတွက်သင်တန်းသားများအမူအကျင့်ကိုစောငျ့ရှောကျဖို့ခွင့်ပြုမဆိုအခြားနည်းလမ်းစဉ်းစားလို့မရပါဘူး။ အနီးဆုံးကအခြားရွေးချယ်စရာအမူအကျင့်များနောက်ကြောင်းပြန်အစီရင်ခံစာများစုဆောင်းဖို့ဖြစ်လိမ့်မယ်, ဒါပေမဲ့အဲဒီအစီရင်ခံစာများကန့်သတ်အသေးစိတ်မှုနှင့်မေးခွန်းထုတ်စရာတိကျမှန်ကန်မှု၏လိမ့်မည်။ စားပွဲတင် 2.1 တစ်မျှော်လင့်မထားတဲ့အဖြစ်အပျက်လေ့လာဖို့တစ်ဦးအမြဲ-အပေါ်ဒေတာအရင်းအမြစ်ကိုသုံးကြောင်းလေ့လာမှုများ၏အခြားဥပမာပေးစွမ်းသည်။
မျှော်လင့်မထားတဲ့အဖြစ်အပျက် | အမြဲတမ်း-အပေါ်ဒေတာအရင်းအမြစ် | ဆင့်ခေါ်ချက် |
---|---|---|
တူရကီနိုင်ငံ Gezi လှုပ်ရှားမှု Occupy | တွစ်တာ | Budak and Watts (2015) |
ဟောင်ကောင်ရှိထီးဆန္ဒပြပွဲများ | Zhang (2016) | |
နယူးယောက်စီးတီးရှိရဲပစ်ခတ်မှု | stop-and frisk အစီရင်ခံစာများ | Legewie (2016) |
ISIS အဖွဲ့ပူးပေါင်းပုဂ္ဂိုလ် | တွစ်တာ | Magdy, Darwish, and Weber (2016) |
စက်တင်ဘာလ 11, 2001 တိုက်ခိုက် | livejournal.com | Cohn, Mehl, and Pennebaker (2004) |
စက်တင်ဘာလ 11, 2001 တိုက်ခိုက် | ပေဂျာမက်ဆေ့ခ်ျ | Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011) |
ဒုတိယအချက်မှာအမြဲ-အပေါ်ဒေတာစုဆောင်းမူဝါဒချမှတ်သူများမယ့်လက်ရှိအပြုအမူကနေလေ့လာသင်ယူဒါပေမယ့်လည်းသူကတုံ့ပြန်မဟုတ်ချင်ဘယ်မှာ setting တွင်အရေးကြီးသောဖြစ်နိုငျသော Real-time တိုင်းတာ, ထုတ်လုပ်သုတေသီများနိုင်ပါတယ်။ ဥပမာအားဖြင့်, ဆိုရှယ်မီဒီယာဒေတာသဘာဝဘေးအန္တရာယ်တုံ့ပြန်လမ်းပြသုံးနိုင်တယ် (Castillo 2016) ။
နိဂုံးအတွက်, ဒေတာစနစ်များကိုအမြဲ-အပေါ်မျှော်လင့်မထားတဲ့ဖြစ်ရပ်များကိုလေ့လာနှင့်မူဝါဒချမှတ်သူများမှ real-time သတင်းအချက်အလက်များကိုသုတေသီများက enable ။ ငါ, သို့သော်, ကြောင်းအမြဲ-အပေါ်ဒေတာစနစ်များကိုအချိန်ရဲ့ရှည်လျားကာလကျော်အပြောင်းအလဲများကိုခြေရာခံရန်သုတေသနပညာရှင်များကို enable ကြောင်းအဆိုပြုကြဘူး။ များစွာသောကြီးမားသောဒေတာစနစ်များကိုအဆက်မပြတ်ပြောင်းလဲနေတဲ့-တစ်ဦးကြောင့်ပျံ့ (ပုဒ်မ 2.3.2.4) လို့ခေါ်တဲ့လုပ်ငန်းစဉ်တွေဖြစ်ပါတယ်။