2.5 Sklepna ugotovitev
Big podatkov je povsod, ampak jo in druge oblike opazovalnih podatkov za socialne raziskave uporabo je težko. Po mojih izkušnjah je nekaj podobnega brezplačne kosilo lastnine za raziskave: če ne vložiti veliko dela, zbiranje podatkov, potem ste verjetno bo treba vložiti veliko dela, ki analizira podatke ali v razmišljanje o kaj je v zanimivem vprašanju vprašati podatkov. Na podlagi zamisli v tem poglavju, mislim, da obstajajo trije glavni načini, da bodo veliki podatkovni viri najbolj dragoceni za socialne raziskave:
- empirično odloča med konkurenčnimi teoretične napovedi. Primeri tovrstnega dela vključiti Farber (2015) (New York Taxi vozniki) in King, Pan, and Roberts (2013) (cenzura na Kitajskem)
- izboljšano socialno meritev za politike s kratkoročnega napovedovanja. Primer tovrstnega dela je Ginsberg et al. (2009) (Google Flu Trends).
- ocenjevanju vzročnih učinkov naravnih poskusov in ujemanje. Primeri te vrste dela. Mas and Moretti (2009) (peer učinke na produktivnost) in Einav et al. (2015) (učinek začetne cene na dražbah na eBayu).
Veliko pomembnih vprašanj s področja socialne raziskave je mogoče izraziti kot eno od teh treh. Vendar pa ti pristopi na splošno zahtevajo raziskovalce, da bi veliko podatkov. Kaj naredi Farber (2015) zanimivo je teoretično motivacija za merjenje. To teoretično motivacija prihaja od zunaj podatkov. Tako, za tiste, ki so dobri pri prosi nekatere vrste raziskovalnih vprašanj, lahko velike viri podatkov biti zelo plodno.
Končno, ne-teorija temelji empirične raziskave (ki je bil poudarek na tem poglavju), lahko flip scenarij in ustvariti empirično usmerja teoretiziranja. To pomeni, da s skrbnim kopičenje empiričnih dejstev, vzorcev in uganke, lahko gradimo nove teorije.
Ta alternativa, podatki, prvi pristop k teoriji, ni nova, pa je bilo najbolj prepričljivo artikuliral Glaser and Strauss (1967) pri njihovem pozivu za utemeljeno teorijo. Ti podatki, prvi pristop pa ne pomeni "konec teorije", kot je zahteval velik del novinarstva okrog raziskav v digitalni dobi (Anderson 2008) . Namesto, saj podatki okolja spreminja, moramo pričakovati ponovno uravnoteženje v odnosu med teorijo in podatkov. V svetu, kjer je bilo zbiranje podatkov drago, je smiselno, da samo zbiranje podatkov, ki teorije predlagajo bo najbolj koristno. Ampak, v svetu, kjer so ogromne količine podatkov, ki so že na voljo brezplačno, je smiselno, da poskusite tudi pristop podatkovno-prva (Goldberg 2015) .
Kot sem navedel v tem poglavju, lahko raziskovalci veliko naučimo z opazovanjem ljudi. V naslednjih treh poglavjih, bom opisati, kako se lahko naučimo več in drugačne stvari, če smo prilagodili našo zbirko podatkov in interakcijo z ljudmi, bolj neposredno, tako da jim postavljajo vprašanja (poglavje 3), ki poteka eksperimentov (poglavje 4), in tudi njihovim vključevanjem v raziskovalnem procesu neposredno (poglavje 5).
