2.3.1.2 எப்போதும்

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, எப்போதும் தரவு சேகரிப்பு ஆராய்ச்சியாளர்கள் முன்பு முடியாது என்று வழிகளில் எதிர்பாராத நிகழ்வுகள் படிக்க உதவுகிறது. உதாரணமாக, 2013 ம் ஆண்டு கோடை காலத்தில் துருக்கி கெஜி முற்றுகை படிக்கும் ஆர்வம் ஆராய்ச்சியாளர்கள் பொதுவாக நிகழ்வின் போது எதிர்ப்பாளர்கள் நடத்தை கவனம் செலுத்த வேண்டும். Ceren Budak மற்றும் டங்கன் வாட்ஸ் (2015) போது, முன் எதிர்ப்பாளர்களை ட்விட்டர் பயன்படுத்தி படிக்க ட்விட்டர் எப்போதும் இயல்பு பயன்படுத்தி இன்னும் செய்ய முடிந்தது, மற்றும் நிகழ்வுக்கு பின்னர். மேலும், அவர்கள் போது, முன் அல்லாத பங்கேற்பாளர்கள் (அல்லது பங்கேற்பாளர்கள் எதிர்ப்பு பற்றி ட்வீட் வில்லை) ஒரு ஒப்பீடு குழு உருவாக்க முடிந்தது, மற்றும் நிகழ்வுக்கு பின்னர் (படம் 2.1). மொத்தத்தில் அவர்களின் முன்னாள் பதவியை குழு இரண்டு ஆண்டுகளில் 30,000 பேரைக் ட்வீட் சேர்க்கப்பட்டுள்ளது. அவர்கள் மக்கள் என்ன வகையான கெஜி எதிர்ப்புக்கள் பங்கேற்க மற்றும் மனநிலையில் மாற்றங்கள் மதிப்பிட அதிகமாக இருந்தது மதிப்பிட முடிந்தது: இந்த பிற தகவல்களை எதிர்ப்புக்கள் இருந்து பொதுவாக பயன்படுத்தப்படும் தரவு augmenting மூலம், Budak மற்றும் வாட்ஸ் மிகவும் அறிய முடிந்தது பங்கேற்பாளர்கள் மற்றும் அல்லாத பங்கேற்பாளர்கள், இரண்டு குறுகிய கால (முன் கெஜி செய்ய கெஜி போது ஒப்பிட்டு) மற்றும் நீண்ட கால (பிந்தைய கெஜி க்கு முன் கெஜி ஒப்பிட்டு).

படம் 2.1: பயன்படுத்தப்படும் வடிவமைப்பு Budak and Watts (2015) படிக்க 2013 கோடை காலத்தில் துருக்கி கெஜி முற்றுகை ட்விட்டர் எப்போதும் இயல்பு பயன்படுத்தி, ஆராய்ச்சியாளர்கள் அவர்கள் பற்றி சேர்க்கப்பட்டுள்ளது என்று ஒரு முன்னாள் பதவியை குழு என்று என்ன உருவாக்கப்பட்ட இரண்டு ஆண்டுகளில் 30,000 பேர். மாறாக, ஆர்ப்பாட்டத்தின் போது பங்கேற்பாளர்கள் கவனம் என்று வழக்கமான ஆய்வு, முன்னாள் பதவியை குழு முன் நிகழ்விற்குப் பின் மற்றும் 2) போது முன் அல்லாத பங்கேற்பாளர்கள் இருந்து தரவு,, மற்றும் நிகழ்வுக்கு பின்னர் 1) பங்கேற்பாளர்கள் இருந்து தரவு சேர்க்கிறது. இந்த செறிவூட்டப்பட்ட தரவு கட்டமைப்பு மக்கள் என்ன வகையான, குறுகிய கால இருவரும் (போது, முன்-கெஜி ஒப்பிட்டு கெஜி எதிர்ப்புக்கள் பங்கேற்க மற்றும் பங்கேற்பாளர்கள் மற்றும் அல்லாத பங்கேற்பாளர்கள் மனப்பான்மையில் மாற்றங்கள் மதிப்பிட அதிகமாக இருந்தது மதிப்பிட Budak மற்றும் வாட்ஸ் செயல்படுத்தப்படும் கெஜி) மற்றும் நீண்ட கால (ஒப்பிட்டு முன் கெஜி பிந்தைய கெஜி).

அது இந்த மதிப்பீடுகள் சில இல்லாமல் செய்யப்பட்டுள்ளது முடியவில்லை என்பது எவ்வளவு உண்மையோ எப்போதும் தரவு சேகரிப்பு ஆதாரங்கள் (எ.கா., அணுகுமுறை மாற்றம் நீண்ட கால மதிப்பீடுகள்), 30,000 மக்கள் அத்தகைய தகவல் சேகரிப்பை மிகவும் விலையுயர்ந்த இருந்திருக்கும் என்றாலும். மற்றும், கூட வரம்பற்ற பட்ஜெட் கொடுக்கப்பட்ட, நான் அடிப்படையில் ஆராய்ச்சியாளர்கள் நேரத்தில் மீண்டும் பயணம் மற்றும் நேரடியாக கடந்த காலத்தில் பங்கேற்பாளர்கள் நடத்தையை கண்காணிக்க அனுமதிக்கிறது என்று வேறு எந்த முறையை நினைக்க முடியாது. நெருங்கிய மாற்று நடத்தை பின்னோக்கிய அறிக்கைகள் சேகரிக்க இருக்க வேண்டும், ஆனால் இந்த அறிக்கைகள் வரையறுக்கப்பட்ட நுணுக்கத்தை மற்றும் கேள்விக்குரிய துல்லியம் இருக்கும். அட்டவணை 2.1 ஒரு எப்போதும் தரவு மூல ஒரு எதிர்பாராத நிகழ்வு படிக்க பயன்படுத்த என்று ஆய்வுகள் மற்ற உதாரணங்கள் வழங்குகிறது.

இரண்டாவது, எப்போதும் தரவு சேகரிப்பு ஆராய்ச்சியாளர்கள் கொள்கை வகுப்பாளர்கள் தான் இருக்கும் நடத்தை கற்க முடியாது ஆனால் அதை பதிலளிக்க வேண்டும், அங்கு அமைப்புகளை முக்கியமான முடியும் நிகழ் நேர அளவீடுகள், உற்பத்தி செய்ய உதவுகிறது. உதாரணமாக, சமூக ஊடக தரவு இயற்கை பேரழிவுகள் பதில்களை வழிகாட்ட பயன்படுத்த முடியும் (Castillo 2016) .

முடிவில், எப்போதும் தரவு அமைப்புகள் எதிர்பாராத நிகழ்வுகள் படிக்க மற்றும் கொள்கை வகுப்பாளர்கள் உண்மையான நேர தகவல்களை வழங்க ஆராய்ச்சியாளர்கள் செயல்படுத்த. நான் இல்லை என்று, எனினும், எப்போதும் தரவு அமைப்புகள் ஆராய்ச்சியாளர்கள் நீண்ட காலத்திற்கு மேல் மாற்றங்களை கண்காணிக்க உதவும் என்று கேட்டாய். பல பெரிய தரவு அமைப்புகள் மாறிக்கொண்டே-ஒரு ஏனெனில் செயல்முறை நகர்வு (பிரிவு 2.3.2.4) என்று.