shughuli

muhimu:

• kiwango cha ugumu: rahisi , kati , ngumu , ngumu sana
• inahitaji math ( )
• inahitaji coding ( )
• ukusanyaji wa takwimu ( )
• favorites yangu ( )

1. [ , ] Algorithmic confounding na tatizo na Google Flu Mwelekeo. Kusoma karatasi na Lazer et al. (2014) , na kuandika mfupi, email wazi kwa mhandisi katika Google kueleza tatizo na sadaka wazo la jinsi ya kurekebisha tatizo.

2. [ ] Bollen, Mao, and Zeng (2011) anadai kuwa data kutoka Twitter inaweza kutumika kutabiri soko la hisa. Kutafuta Hii ulisababisha kuundwa kwa mfuko ua-Derwent ya Masoko ya Mitaji-kuwekeza katika soko la hisa kwa kuzingatia takwimu zilizokusanywa kutoka Twitter (Jordan 2010) . Ushahidi gani ingekuwa unataka kuona kabla ya kuweka fedha yako katika mfuko huo?

3. [ ] Wakati baadhi ya mawakili wa afya ya umma mvua ya mawe e-sigara kama misaada kuwa na ufanisi kwa kuacha sigara, wengine kuonya kuhusu hatari inayoweza kutokea, kama vile high-ngazi ya nikotini. Fikiria kwamba mtafiti anaamua kujifunza maoni ya umma kuelekea e-sigara kwa kukusanya e-sigara-kuhusiana posts Twitter na kufanya uchambuzi kutokuwa.

   1. ni biases tatu inawezekana kwamba wewe ni wasiwasi zaidi kuhusu katika utafiti huu ni nini?
   2. Clark et al. (2016) mbio tu utafiti huo. Kwanza, walikusanya 850,000 tweets kwamba kutumika e-sigara-kuhusiana maneno kutoka Januari 2012 hadi Desemba 2014. Baada ya ukaguzi wa karibu, waligundua kwamba wengi wa tweets hizi walikuwa automatiska (yaani, si zinazozalishwa na binadamu) na wengi wa tweets hizi automatiska walikuwa kimsingi matangazo. Wao maendeleo Binadamu Detection Algorithm kutenganisha tweets automatiska kutoka tweets hai. Kwa kutumia Binadamu hii Kuchunguza Algorithm walikuta kwamba 80% ya tweets walikuwa automatiska. Je, kutafuta hii kubadilisha jibu lako kwa sehemu (a)?
   3. Wakati wao ikilinganishwa kutokuwa katika tweets hai na automatiska waligundua kuwa tweets automatiska ni chanya zaidi kuliko tweets hai (6.17 dhidi ya 5.84). Je, kutafuta hii kubadilisha jibu lako kwa (b)?

4. [ ] Mwezi Novemba 2009, Twitter iliyopita swali katika sanduku tweet kutoka "Unafanya nini?" Na "Nini kinatokea?" (Https://blog.twitter.com/2009/whats-happening).

   1. Jinsi gani unadhani mabadiliko ya papo kwa hapo yataathiri ambao tweet na / au kile tweet?
   2. Jina moja mradi wa utafiti ambayo ungependelea haraka "Unafanya nini?" Eleza kwa nini.
   3. Jina moja mradi wa utafiti ambayo ungependelea haraka "Ni nini kinatokea?" Eleza kwa nini.

5. [ ] Kwak et al. (2010) kuchambuliwa maelezo milioni 41.7 user, bilioni 1.47 mahusiano ya kijamii, 4262 trending mada, na tweets milioni 106 kati ya Juni 6 na 31 Juni, 2009. Kutokana na uchambuzi huu wao alihitimisha kuwa Twitter mtumishi zaidi kama kati ya mwezi wa kubadilishana taarifa ya mtandao wa kijamii.

   1. Kwa kuzingatia Kwak et al ya kutafuta, ni aina gani ya utafiti gani unaweza kufanya na data Twitter? Ni aina gani ya utafiti gani unaweza kufanya na data Twitter? Kwa nini?
   2. Mwaka 2010, Twitter aliongeza Nani Kwa Kufuata huduma kufanya kulengwa pendekezo kwa watumiaji. mapendekezo tatu ni inavyoonekana wakati katika ukurasa wa kuu. Mapendekezo mara nyingi inayotolewa kutoka moja ya "marafiki-ya-marafiki," na mawasiliano kuheshimiana pia kuonyeshwa katika mapendekezo. Watumiaji wanaweza kupata mahitaji ya kuona kuweka mpya ya mapendekezo au kutembelea ukurasa na orodha tena ya mapendekezo. Je, unafikiri kipengele hii mpya bila mabadiliko jibu lako kwa sehemu a)? Kwa nini unafikiri hivyo?
   3. Su, Sharma, and Goel (2016) tathmini ya athari za nani Ili Kufuata huduma na kugundua kwamba wakati watumiaji hela umaarufu wigo kunufaika kutokana na mapendekezo, watumiaji maarufu faida kikubwa zaidi kuliko wastani. Je, kutafuta hii kubadilisha jibu lako kwa sehemu b)? Kwa nini unafikiri hivyo?

6. [ ] "Retweets" mara nyingi hutumika kupima ushawishi na kuenea ya ushawishi juu ya Twitter. Awali, watumiaji alikuwa na nakala na kuweka tweet wao walipenda, kumtambulisha mwandishi wa awali na wake / kushughulikia yake, na manually aina "RT" kabla tweet zinaonyesha kwamba ni retweet. Kisha, mwaka 2009 Twitter aliongeza "retweet" kifungo. Mwezi Juni 2016, Twitter alifanya hivyo inawezekana kwa watumiaji wa retweet tweets yao wenyewe (https://twitter.com/twitter/status/742749353689780224). Je, unafikiri mabadiliko haya lazima kuathiri jinsi gani matumizi "retweets" katika utafiti wako? Kwa nini unafikiri hivyo?

7. [ , , ] Michel et al. (2011) yalijengwa corpus kujitokeza kutokana na juhudi Google digitize vitabu. Kwa kutumia toleo la kwanza la corpus, kilichochapwa mwaka 2009 na zilizomo zaidi ya milioni 5 vitabu digitized, waandishi kuchambuliwa neno matumizi ya mzunguko kuchunguza mabadiliko ya lugha na mwenendo wa utamaduni. Mara Google Books Corpus akawa data maarufu chanzo kwa ajili ya watafiti, na 2 toleo la database ilitolewa mwaka 2012.

   Hata hivyo, Pechenick, Danforth, and Dodds (2015) alionya kwamba watafiti unahitaji kikamilifu kuelezea sampuli mchakato wa corpus kabla ya kutumia kwa kuchora hitimisho mpana. suala kubwa ni kwamba corpus ni maktaba-kama, zenye moja ya kila kitabu. Matokeo yake, mtu binafsi, mwandishi prolific ni uwezo wa noticeably kuingiza misemo mpya katika Google Books Lexicon. Aidha, maandiko kisayansi kuanzisha fungu inazidi makubwa ya corpus katika miaka ya 1900. Aidha, kwa kulinganisha matoleo mawili ya Kiingereza Kubuniwa seti za data, Pechenick et al. kupatikana ushahidi kwamba hayatoshi kuchuja ilitumika katika kuzalisha toleo la kwanza. Wote wa data zinazohitajika kwa ajili ya shughuli inapatikana hapa: http://storage.googleapis.com/books/ngrams/books/datasetsv2.html

   1. Katika Michel et al. Karatasi ya awali (2011) , walitumia 1 toleo la kuweka data Kiingereza, walipanga mzunguko wa matumizi ya miaka "1880", "1912" na "1973", na alihitimisha kuwa "sisi ni kusahau siku za nyuma yetu kwa kasi kwa kila mwaka kupita "(Kielelezo. 3A, Michel et al.). Kuiga njama hiyo kwa kutumia 1) 1 toleo la corpus, Kiingereza CCD (sawa kama Mtini. 3A, Michel et al.)
   2. Sasa kuiga njama hiyo na toleo 1, English uongo dataset.
   3. Sasa kuiga njama hiyo na toleo 2 ya corpus, Kiingereza dataset.
   4. Hatimaye, kuiga njama hiyo na toleo 2, English uongo dataset.
   5. Kuelezea tofauti na kufanana kati mashamba hayo manne. Je, unakubaliana na Michel et al. Ya tafsiri ya awali ya mwenendo aliona? (Hint: c) na d) lazima sawa kama Kielelezo 16 katika Pechenick et al).
   6. Sasa kwa kuwa kuigwa hii kutafuta moja kwa kutumia mbalimbali Google Books corpora, kuchagua mwingine mabadiliko ya lugha au matukio ya kitamaduni iliyotolewa katika Michel et al. Karatasi ya awali. Je, unakubaliana na tafsiri yao katika mwanga wa mapungufu iliyotolewa katika Pechenick et al.? Kufanya hoja yako na nguvu, jaribu kuiga graph huo kutumia matoleo tofauti ya data kuweka kama hapo juu.

8. [ , , , ] Penney (2016) inahusu kama utangazaji kuenea kuhusu NSA / PRISM ufuatiliaji (yaani, Snowden Aya) mwezi Juni 2013 ni kuhusishwa na kupungua kwa kasi na kwa ghafla kwa trafiki kwa Wikipedia makala juu ya mada kwamba kuongeza wasiwasi faragha. Kama ni hivyo, mabadiliko haya katika tabia itakuwa thabiti na madhara mabaya kutokana na wingi wa ufuatiliaji. Mbinu ya Penney (2016) wakati mwingine inaitwa kuingiliwa wakati mfululizo kubuni na ni kuhusiana na mbinu katika sura kuhusu approximating majaribio kutoka data za uchunguzi (Sehemu ya 2.4.3).

   Kuchagua mada maneno, Penney inajulikana orodha kutumiwa na Idara ya Marekani ya Usalama wa Nchi kwa ajili ya kufuatilia na ufuatiliaji wa vyombo vya habari kijamii. orodha DHS categorizes suala fulani search katika masuala mbalimbali, yaani "Health Concern," "Miundombinu ya usalama," na "Ugaidi." Kwa kundi utafiti, Penney kutumika maneno arobaini na nane kuhusiana na "Ugaidi" (tazama Jedwali 8 Maelezo). Kisha totala Wikipedia article ona hesabu ya kila mwezi kwa sambamba arobaini na nane makala Wikipedia kwa kipindi thelathini na mbili mwezi, tangu mwanzo wa Januari 2012 hadi mwishoni mwa Agosti 2014. Ili kuimarisha hoja yake, yeye pia kuundwa kulinganisha kadhaa makundi kwa kufuatilia maoni juu ya makala mada nyingine.

   Sasa, wewe ni kwenda kuiga na kupanua Penney (2016) . data zote mbichi kwamba unahitaji kwa shughuli hii inapatikana kutoka Wikipedia (https://dumps.wikimedia.org/other/pagecounts-raw/). Au unaweza kupata kutoka R mfuko wikipediatrend (Meissner and Team 2016) . Wakati kuandika-up majibu yako, tafadhali kumbuka ambayo data chanzo wewe kutumika. (Kumbuka: Shughuli hii huo pia inaonekana katika Sura ya 6)

   1. Kusoma Penney (2016) na kuiga Kielelezo 2 ambayo inaonyesha maoni ukurasa kwa ajili ya "Ugaidi" kurasa unaohusiana kabla na baada ya Snowden ufunuo. Kutafsiri matokeo ya utafiti.
   2. Next, kuiga Kielelezo 4A, ambayo inalinganishwa kundi utafiti ( "Ugaidi" unaohusiana makala) na kundi comparator kwa kutumia maneno hapa chini "DHS & nyingine Mashirika" kutoka orodha DHS (angalia Kiambatisho Jedwali 10). Kutafsiri matokeo ya utafiti.
   3. Katika sehemu b) wewe ikilinganishwa kundi utafiti na kundi moja comparator. Penney pia ikilinganishwa na makundi mengine mawili comparator: "Miundombinu Usalama" unaohusiana makala (Kiambatisho Jedwali 11) na maarufu kurasa Wikipedia (Kiambatisho Jedwali 12). Kuja na njia mbadala comparator kundi, na mtihani kama matokeo kutoka sehemu b) ni nyeti kwa uchaguzi wako wa comparator kikundi. Ambayo uchaguzi wa comparator kundi mantiki zaidi? Kwa nini?
   4. mwandishi alisema kuwa maneno yanayohusiana na "Ugaidi" zilitumika kuchagua makala Wikipedia kwa sababu serikali ya Marekani alitoa ugaidi kama uhalali muhimu kwa ajili ya matendo yake online ufuatiliaji. Kama hundi ya haya 48 "Ugaidi" maneno unaohusiana, Penney (2016) pia ilifanya utafiti juu ya MTurk kuuliza waliohojiwa kiwango kila mmoja maneno katika suala la Shida Serikali, usiri-Sensitive, na Uepukaji (Kiambatisho Jedwali 7 na 8). Kuiga utafiti juu ya MTurk na kulinganisha matokeo yako.
   5. Kutokana na matokeo katika sehemu d) na usomaji wako wa makala, unakubaliana na uchaguzi mwandishi wa mada maneno katika kundi utafiti? Kwa nini unafikiri hivyo? Kama si, gani wewe kupendekeza badala yake?

9. [ ] Efrati (2016) ripoti, kulingana na taarifa za siri, kwamba "jumla kugawana" katika Picha alikuwa ulipungua kwa mwaka kuhusu 5.5% zaidi ya mwaka wakati "awali kugawana matangazo" ilikuwa chini 21% mwaka zaidi ya mwaka. kushuka hii ilikuwa papo hasa kwa watumiaji wa Facebook chini ya umri wa miaka 30. Ripoti hiyo ulitokana na kushuka kwa mambo mawili. Moja ni ukuaji wa idadi ya "marafiki" watu kuwa juu ya Facebook. nyingine ni kwamba baadhi ya shughuli kugawana ina kubadilishwa kwa ujumbe na washindani kama vile SnapChat. Ripoti hiyo pia umebaini mbinu kadhaa Picha alijaribu kuongeza kugawana, ikiwa ni pamoja na News Feed algorithm tweaks kwamba kufanya posts awali maarufu zaidi, kama vile kuwakumbusha mara kwa mara ya awali posts watumiaji "Siku hii" miaka kadhaa iliyopita. athari gani, kama ipo, je matokeo haya na kwa watafiti ambao wanataka kutumia Facebook kama chanzo data?

10. [ ] Tumasjan et al. (2010) taarifa kwamba uwiano wa tweets kutaja chama cha siasa kuendana uwiano wa kura kuwa chama kupokea katika uchaguzi wa bunge German mwaka 2009 (Kielelezo 2.9). Kwa maneno mengine, ilionekana kwamba unaweza kutumia Twitter kutabiri uchaguzi. Wakati huo utafiti huu ilikuwa kuchapishwa ilikuwa kuchukuliwa kusisimua sana kwa sababu ilionekana zinaonyesha matumizi muhimu kwa ajili ya chanzo ya kawaida ya data kubwa.

    Kutokana na makala mbaya ya data kubwa, hata hivyo, unapaswa mara moja kuwa na wasiwasi juu ya matokeo haya. Wajerumani juu ya Twitter mwaka 2009 walikuwa kabisa zisizo mwakilishi wa kundi, na wafuasi wa chama mtu anaweza tweet kuhusu siasa mara nyingi zaidi. Hivyo, inaonekana ajabu kwamba biases zote inawezekana kwamba unaweza anaweza kufikiria kwa namna nyingine kufuta nje. Kwa kweli, matokeo katika Tumasjan et al. (2010) aligeuka kuwa nzuri pia kuwa ni kweli. Katika karatasi zao, Tumasjan et al. (2010) kuchukuliwa sita vyama vya siasa: Christian Democrats (CDU), Christian Social Democrats (CSU), SPD, Liberals (FDP), kushoto (Die Linke), na Green Party (Grüne). Hata hivyo, zilizotajwa zaidi German chama cha siasa juu ya Twitter wakati huo alikuwa Pirate Party (Piraten), chama kwamba mapambano udhibiti wa serikali ya Internet. Wakati Party Pirate ilikuwa ni pamoja na katika uchambuzi, Twitter anataja inakuwa predictor ya kutisha ya matokeo ya uchaguzi (Kielelezo 2.9) (Jungherr, Jürgens, and Schoen 2012) .

    

    Kielelezo 2.9: Twitter anataja itaonekana kutabiri matokeo ya 2009 uchaguzi wa Ujerumani (Tumasjan et al. 2010) , Lakini matokeo yake hii zinageuka hutegemea baadhi holela na zisizokuwa na uchaguzi (Jungherr, Jürgens, and Schoen 2012) .

    Baada ya hapo, wengine watafiti duniani kote wametumia mbinu-kama fancier kama kutumia uchambuzi kutokuwa kutofautisha kati ya chanya na hasi anataja wa vyama-ili kuboresha uwezo wa data Twitter kutabiri aina ya aina mbalimbali ya uchaguzi (Gayo-Avello 2013; Jungherr 2015, Ch. 7.) . Hapa ni jinsi gani Huberty (2015) muhtasari matokeo ya majaribio hayo kutabiri uchaguzi:

    "All inayojulikana utabiri mbinu msingi kijamii vyombo vya habari kuwa umeshindwa wakati wanakabiliwa na madai ya kweli utabiri uchaguzi mbele-kuangalia. kushindwa hizi kuonekana kuwa kutokana na tabia ya msingi ya kijamii vyombo vya habari, badala ya matatizo kimbinu au algorithmic. Kwa kifupi, kijamii vyombo vya habari hawana, na pengine kamwe, kutoa imara, unbiased, mwakilishi picha ya wapiga kura; na urahisi sampuli ya kijamii vyombo vya habari wanakosa data za kutosha kurekebisha matatizo haya baada hoc. "

    Kusoma baadhi ya utafiti kwamba kusababisha Huberty (2015) na hitimisho kwamba, na kuandika ukurasa mmoja memo kwa mgombea wa kisiasa kuelezea kama na jinsi Twitter itumike kwa utabiri wa uchaguzi.

11. [ ] Tofauti kati ya mwanasosholojia na historia gani? Kwa mujibu wa Goldthorpe (1991) , tofauti kubwa kati mwanasosholojia na historia ni udhibiti wa ukusanyaji wa takwimu. Historians wanalazimika kutumia sanduku ambapo wanasosholojia unaweza tailor ukusanyaji yao data kwa madhumuni maalum. Kusoma Goldthorpe (1991) . Jinsi ni tofauti kati ya sosholojia na historia kuhusiana na wazo la Custommades na Readymades?

12. [ ] Kujenga juu ya swali uliopita, Goldthorpe (1991) waliochota idadi ya majibu muhimu, ikiwa ni pamoja na mmoja kutoka Nicky Hart (1994) kwamba changamoto ibada Goldthorpe ya tailor data alifanya. Kufafanua mipaka inayoweza kuwepo data Tailor-made, Hart alieleza ukwasi Mfanyakazi Project, uchunguzi mkubwa wa kupima uhusiano kati ya tabaka la kijamii na upigaji kura kwamba ulifanywa na Goldthorpe na wenzake katika miaka ya 1960. Kama mtu anaweza kutarajia kutoka msomi ambaye Maria iliyoundwa data juu ya data kupatikana, ukwasi Mfanyakazi Project zilizokusanywa data kwamba alikuwa kulengwa kushughulikia nadharia hivi karibuni mapendekezo juu ya hatma ya tabaka la kijamii katika zama za kuongeza viwango vya maisha. Lakini, Goldthorpe na wenzake kwa namna fulani "alisahau" kukusanya taarifa kuhusu upigaji kura tabia ya wanawake. Hapa ni jinsi gani Nicky Hart (1994) muhtasari sehemu nzima:

    ". . . ni [ni] vigumu kuepuka hitimisho kwamba wanawake walikuwa omitted kwa sababu hii 'Tailor alifanya' CCD ulikomea kwa mantiki ya kisayansi ambayo kutengwa uzoefu wa kike. Inaendeshwa na maono ya kinadharia ya darasa fahamu na hatua kama preoccupations kiume. . . , Goldthorpe na wenzake yalijengwa seti ya dalili empirical ambayo kulishwa na kutunzwa mawazo yao wenyewe kinadharia badala ya kuwasababishia kupata mtihani halali ya kudumu. "

    Hart aliendelea:

    "Matokeo ya utafiti wa kisayansi wa ukwasi Mfanyakazi Project kutuambia zaidi juu ya maadili masculinist ya katikati ya karne sosholojia kuliko wao kuwajulisha mchakato wa stratification, siasa na maisha nyenzo."

    Je, unaweza kufikiria mifano mingine ambapo mkusanyiko Tailor-made data ina biases ya ushuru data kujengwa ndani yake? Jinsi gani hii kulinganisha na confounding algorithmic? Nini maana inaweza huu na kwa wakati watafiti lazima kutumia Readymades na wakati wao wanapaswa kutumia Custommades?

13. [ ] Katika sura hii, mimi kulinganishwa data zilizokusanywa na watafiti kwa watafiti na kumbukumbu ya utawala kuundwa kwa makampuni na serikali. Baadhi ya watu kuwaita kumbukumbu hizi za utawala "kupatikana data," ambayo wao kulinganisha na "data iliyoundwa." Ni kweli kwamba kumbukumbu ya utawala ni kupatikana kwa watafiti, lakini wao pia ni sana iliyoundwa. Kwa mfano, makampuni ya kisasa tech kutumia kiasi kikubwa cha muda na rasilimali kukusanya na kutengeneza data zao. Hivyo, kumbukumbu hizi za utawala ni wawili kupatikana na iliyoundwa, ni tu inategemea mtazamo wako (Kielelezo 2.10).

    

    Kielelezo 2.10: picha ni wa bata na sungura; nini kuona inategemea mtazamo wako. Serikali na biashara kumbukumbu ya utawala ni wawili kupatikana na iliyoundwa; nini kuona inategemea mtazamo wako. Kwa mfano, rekodi wito takwimu zilizokusanywa na kampuni ya simu ya mkononi hupatikana data kutoka katika mtazamo wa mtafiti. Lakini, hizi halisi rekodi sawa zimeundwa data mtazamo wa mtu kufanya kazi katika idara ya bili ya kampuni ya simu. Chanzo: Wikimedia Commons

    Kutoa mfano wa chanzo data ambapo kuona ni wote kama kupatikana na iliyoundwa ni muhimu wakati wa kutumia kwamba chanzo data kwa ajili ya utafiti.

14. [ ] Katika insha kuelimishana, Christian Sandvig na Eszter Hargittai (2015) kuelezea aina mbili za utafiti digital, ambapo mfumo wa digital ni "chombo" au "kitu cha utafiti." Mfano wa aina ya kwanza ya utafiti ni ambapo Bengtsson na wenzake (2011) kutumika data ya simu ya mkononi kufuatilia uhamiaji baada ya tetemeko katika Haiti mwaka 2010. mfano wa aina ya pili ni ambapo Jensen (2007) tafiti jinsi ya kuanzishwa ya simu za mkononi katika Kerala, India wanashikiliwa utendaji wa soko kwa samaki. Mimi kupata hii msaada mkubwa kwa sababu inafafanua kuwa masomo kwa kutumia digital data vyanzo wanaweza kuwa na malengo tofauti kabisa hata kama wao ni kutumia aina hiyo ya chanzo data. Ili kufafanua zaidi tofauti hii, kuelezea masomo manne kwamba ve kuonekana: mbili zinazotumia mfumo wa digital kama chombo na mbili zinazotumia mfumo wa digital kama kitu cha utafiti. Unaweza kutumia mifano kutoka katika sura hii kama unataka.