Loading [Contrib]/a11y/accessibility-menu.js

2.3.2 எப்போதும்-இல்

எப்போதும், பெரிய தரவு எதிர்பாராத நிகழ்வுகள் மற்றும் நிகழ் நேர அளவீட்டு ஆய்வு செயல்படுத்துகிறது.

பல பெரிய தரவு அமைப்புகள் எப்போதும் உள்ளன; அவர்கள் தொடர்ந்து தரவு சேகரிக்கும். இந்த எப்போதும் பண்பு நெடுக்கு தரவு ஆராய்ச்சியாளர்கள் வழங்குகிறது (அதாவது, காலப்போக்கில் தரவு). எப்போதும் இருப்பது ஆராய்ச்சி இரண்டு முக்கிய அம்சங்கள் உள்ளன.

முதல், எப்பொழுதும் தரவு சேகரிப்பு ஆராய்ச்சியாளர்கள் சாத்தியமற்றதாக இருக்க முடியாது என்று வழிகளில் எதிர்பாராத நிகழ்வுகள் படிக்க உதவுகிறது. உதாரணமாக, 2013 கோடைகாலத்தில் துருக்கியில் ஆக்கிரமிப்பு கீசி போராட்டங்களைப் படிப்பதில் ஆர்வமுள்ள ஆய்வாளர்கள் நிகழ்வின் போது எதிர்ப்பாளர்களின் நடத்தை மீது கவனம் செலுத்த வேண்டும். Ceren Budad மற்றும் டன்கன் வாட்ஸ் (2015) ஆகியோர் ட்விட்டரின் இயல்பான தன்மையைப் பயன்படுத்தி மேலும், ட்விட்டர், நிகழ்வை மற்றும் நிகழ்விற்குப் பின்னர் ஆர்ப்பாட்டக்காரர்களைப் பற்றிக் கற்றுக் கொண்டனர். மேலும், நிகழ்வுக்கு முன்பும், பின்னர், மற்றும் சம்பவத்திற்குப் பின்னரும் (ஒப்பற்ற 2.2) ஒப்பற்ற குழுவினரை உருவாக்க முடிந்தது. மொத்தத்தில், அவர்களின் முன்னாள் பதவி குழு இரண்டு வருடங்களுக்கும் மேலாக 30,000 மக்களை உள்ளடக்கியது. இந்த பிற தகவல்களுடன் எதிர்ப்பாளர்களிடமிருந்து பொதுவாக பயன்படுத்தப்படும் தரவுகளை அதிகரிப்பதன் மூலம், புடாக் மற்றும் வாட்ஸ் ஆகியோர் இன்னும் பலவற்றைக் கற்றுக் கொள்ள முடிந்தது: என்ன வகையான மக்கள் ஜிஜி எதிர்ப்புக்களில் பங்கேற்கக்கூடும் என்பதையும், பங்கேற்பாளர்கள் மற்றும் பங்கேற்பாளர்கள், குறுகிய காலத்தில் இருவரும் (ஜிஜிக்கு முன்னர் கீஸியுடன் ஒப்பிடுகையில்) மற்றும் நீண்ட காலமாக (ஜிஜிக்குப் பிந்தைய கீஸிடன் ஒப்பிடுகையில்).

Figure 2.2: 2013 ஆம் ஆண்டின் கோடைகாலத்தில் துருக்கியில் ஜீசி ஆர்ப்பாட்டங்களை ஆக்கிரமிப்பதற்கான பதுக் மற்றும் வாட்ஸ் (2015) ஆகியவற்றால் வடிவமைக்கப்பட்ட வடிவமைப்பு. ட்விட்டரின் இயல்பான தன்மையைப் பயன்படுத்தி, ஆராய்ச்சியாளர்கள், இரண்டு ஆண்டுகளில் 30,000 மக்கள். எதிர்ப்பின் போது பங்கேற்பாளர்கள் மீது கவனம் செலுத்தும் ஒரு பொதுவான ஆய்வுக்கு மாறாக, முன்னாள் அஞ்சல் குழு குழுவினர் நிகழ்வை முன் மற்றும் பின் பங்கேற்பாளர்களிடமிருந்து 1 மற்றும் 2 நாட்களுக்கு முன்பாக பங்கேற்பாளர்களிடமிருந்து தரவு மற்றும் நிகழ்வுக்குப் பின்னரும், பங்கேற்பாளர்களிடமிருந்து தரவுகளை சேர்க்கிறது. இந்த செறிவூட்டப்பட்ட தரவு அமைப்பு புடிக்கும் மற்றும் வாட்ஸ்ஸும் எந்தவிதமான மக்கள் புவியியல் ஆர்ப்பாட்டங்களில் பங்கேற்கக்கூடும் மற்றும் குறுகிய காலத்திற்குள் பங்கேற்பாளர்கள் மற்றும் பங்கேற்பாளர்களின் அணுகுமுறைகளில் ஏற்படும் மாற்றங்களை மதிப்பிடுவது ஆகியவற்றை மதிப்பிடுவதற்கு வழிவகுத்தது (ஜிஜி முன் ஜிஜியை ஒப்பிடுகையில் ) மற்றும் நீண்ட காலமாக (ஜிஜிக்குப் பிந்தைய கீஜியுடன் ஒப்பிடுகையில்).

படம் 2.2: பயன்படுத்தப்பட்ட வடிவமைப்பில் Budak and Watts (2015) படிக்க 2013 கோடை காலத்தில் துருக்கி கெஜி முற்றுகை எதிர்ப்பாளர்களை ட்விட்டர் எப்போதும் இயக்கத்தில் உள்ள இயற்கை பயன்படுத்துவதன் மூலம், ஆராய்ச்சியாளர்கள் அவர்கள் பற்றி உள்ளிட்டோருடன் ஒரு முன்னாள் பதவியை குழு அழைத்ததான உருவாக்கப்பட்ட இரண்டு ஆண்டுகளில் 30,000 மக்கள். எதிர்ப்பின் போது பங்கேற்பாளர்கள் மீது கவனம் செலுத்தும் ஒரு பொதுவான ஆய்வுக்கு மாறாக, முன்னாள் அஞ்சல் குழு குழுவினர் நிகழ்வை முன் மற்றும் பின் பங்கேற்பாளர்களிடமிருந்து 1 மற்றும் 2 நாட்களுக்கு முன்பாக பங்கேற்பாளர்களிடமிருந்து தரவு மற்றும் நிகழ்வுக்குப் பின்னரும், பங்கேற்பாளர்களிடமிருந்து தரவுகளை சேர்க்கிறது. இந்த செறிவூட்டப்பட்ட தரவு அமைப்பு புடிக்கும் மற்றும் வாட்ஸ்ஸும் எந்தவிதமான மக்கள் புவியியல் ஆர்ப்பாட்டங்களில் பங்கேற்கக்கூடும் மற்றும் குறுகிய காலத்திற்குள் பங்கேற்பாளர்கள் மற்றும் பங்கேற்பாளர்களின் அணுகுமுறைகளில் ஏற்படும் மாற்றங்களை மதிப்பிடுவது ஆகியவற்றை மதிப்பிடுவதற்கு வழிவகுத்தது (ஜிஜி முன் ஜிஜியை ஒப்பிடுகையில் ) மற்றும் நீண்ட காலமாக (ஜிஜிக்குப் பிந்தைய கீஜியுடன் ஒப்பிடுகையில்).

தரவு சேகரிப்பு ஆதாரங்களில் (எ.கா., அணுகுமுறை மாற்றத்தின் நீண்டகால மதிப்பீடுகள்) எப்பொழுதும் இல்லாமல் இந்த மதிப்பீடுகள் சில செய்யப்படலாம் என்று சுட்டிக்காட்டலாம், மேலும் அது சரியானது என்றாலும் 30,000 மக்களுக்கான தரவு சேகரிப்பு விலையுயர்ந்த. ஆயினும் வரம்பற்ற வரவுசெலவுத் திட்டத்தை வழங்கிய போதிலும், ஆராய்ச்சியாளர்கள் நேரத்தைச் செலவழிக்கவும் , கடந்த காலத்தில் பங்கேற்பாளர்களின் நடத்தை நேரடியாக கண்காணிக்கும் வகையிலும் வேறு எந்த முறையையும் நான் கருத முடியாது. நெருக்கமான மாற்று நடத்தை பற்றிய முந்தைய அறிக்கைகள் சேகரிக்க வேண்டும், ஆனால் இந்த அறிக்கைகள் வரையறுக்கப்பட்ட விரிவாக்க மற்றும் கேள்விக்குரிய துல்லியமாக இருக்கும். அட்டவணை 2.1 ஒரு எதிர்பாராத நிகழ்வைப் படிப்பதற்கு ஒரு தரவுத்தள ஆதாரத்தை பயன்படுத்தும் படிப்புகளின் மற்ற எடுத்துக்காட்டுகளை வழங்குகிறது.

அட்டவணை 2.1: பெரிய நிகழ்வுகளின் மூலம் எப்போதும் எதிர்பாராத நிகழ்வுகளின் ஆய்வுகள்.
எதிர்பாராத நிகழ்வு எப்பொழுதும் தரவு மூலமாகும் சான்று
துருக்கியில் கீசி இயக்கத்தை ஆக்கிரமித்துக்கொள் ட்விட்டர் Budak and Watts (2015)
ஹாங்காங்கில் குடை ஆர்ப்பாட்டம் Weibo Zhang (2016)
நியூயார்க் நகரில் போலீஸ் துப்பாக்கி சூடு நிறுத்து மற்றும் frisk அறிக்கைகள் Legewie (2016)
ISIS இல் சேரும் நபர் ட்விட்டர் Magdy, Darwish, and Weber (2016)
செப்டம்பர் 11, 2001 தாக்குதல் livejournal.com Cohn, Mehl, and Pennebaker (2004)
செப்டம்பர் 11, 2001 தாக்குதல் பேஜர் செய்திகள் Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011)

எதிர்பாராத நிகழ்வைப் படிப்பதோடு மட்டுமல்லாமல், பெரிய தரவு முறைகளிலும் ஆராய்ச்சியாளர்கள் உண்மையான நேர மதிப்பீடுகளை உருவாக்கவும் உதவுகின்றனர், இது கொள்கை வகுப்பாளர்கள்-அரசாங்கத்திலோ அல்லது தொழில்துறை-சூழ்நிலை விழிப்புணர்வை அடிப்படையாகக் கொண்டு பிரதிபலிக்க வேண்டிய அமைப்புகளில் முக்கியமானதாக இருக்கலாம். உதாரணமாக, இயற்கை பேரழிவுகளுக்கு (Castillo 2016) அவசரகால வழிகாட்டலுக்கு வழிகாட்ட சமூக ஊடகத் தரவு பயன்படுத்தப்படலாம், பல்வேறு பெரிய தரவு ஆதாரங்கள் பொருளாதார செயல்பாட்டின் நிகழ் நேர மதிப்பீடுகளை (Choi and Varian 2012) .

முடிவில், எப்பொழுதும் தரவு முறைகளில் ஆராய்ச்சியாளர்கள் எதிர்பாராத நிகழ்வைப் படிப்பதோடு கொள்கை வகுப்பாளர்களுக்கான உண்மையான நேர தகவலை வழங்கவும் உதவுகிறது. எப்போதாவது, தரவு முறைகளில் மிக நீண்ட காலத்திற்குள் மாற்றங்களை கண்காணிப்பதற்கான மிகவும் பொருத்தமானது என்று நான் நினைக்கவில்லை. பல பெரிய தரவு அமைப்புகள் மாறிக்கொண்டே ஒரு ஏனெனில் நான் அழைக்கிறேன் என்று பின்னர் அத்தியாயம் (பிரிவு 2.3.7) இழுப்பின் செயல்முறை என்று.