2.3.3 Nonreactive

పెద్ద సమాచార వనరులలో కొలత ప్రవర్తనను మార్చడం చాలా తక్కువ.

సామాజిక పరిశోధనలో ఒక సవాలు ఏమిటంటే, వారు పరిశోధకులు పరిశీలించినట్లు తెలుసుకున్నప్పుడు ప్రజలు తమ ప్రవర్తనను మార్చగలుగుతారు. సోషల్ శాస్త్రవేత్తలు సాధారణంగా ఈ ప్రతిచర్యను (Webb et al. 1966) . ఉదాహరణకి, ప్రయోగశాల అధ్యయనాల కంటే ప్రజలు ప్రయోగశాల అధ్యయనాలలో మరింత ఉదారంగా ఉంటారు, ఎందుకంటే వారు ముందుగా వారు గమనించబడుతున్నారని తెలుసుకుంటారు (Levitt and List 2007a) . చాలామంది పరిశోధకులు హామీనిచ్చే పెద్ద డేటా యొక్క ఒక అంశం ఏమిటంటే పాల్గొనే వారు సాధారణంగా వారి డేటాను స్వాధీనం చేసుకుంటున్నారని లేదా అవి ఈ డేటా సేకరణకు అలవాటుపడిపోయాయి, అది వారి ప్రవర్తనను ఇక మార్చదు. పాల్గొనేవారు nonreactive ఎందుకంటే, అందువలన, గతంలో ఖచ్చితమైన కొలత సరిగ్గా లేని ప్రవర్తన అధ్యయనం పెద్ద డేటా అనేక మూలాల ఉపయోగించవచ్చు. ఉదాహరణకి, Stephens-Davidowitz (2014) యునైటెడ్ స్టేట్స్ లోని వివిధ ప్రాంతాలలో జాతి విద్వేషాలను కొలిచేందుకు శోధన ఇంజిన్ ప్రశ్నల్లో జాత్యహంకార పదాల ప్రాబల్యాన్ని ఉపయోగించారు. సర్వేలు వంటి ఇతర పద్ధతులను ఉపయోగించి కష్టంగా ఉండే శోధన డేటా ఎనేబుల్ చేయబడిన కొలతల స్వభావం యొక్క nonreactive మరియు పెద్ద (విభాగం 2.3.1 చూడండి).

ఏది ఏమయినప్పటికీ, ఈ డేటా ప్రజల ప్రవర్తన లేదా వైఖరుల ప్రత్యక్ష ప్రతిబింబం అని నిర్థారించదు. ఉదాహరణకు, ఇంటర్వ్యూ-ఆధారిత అధ్యయనంలో ఒక ప్రతినిధి మాట్లాడుతూ, "నాకు సమస్యలేమీ లేవు, నేను వాటిని ఫేస్బుక్లో పెట్టలేదు" (Newman et al. 2011) . ఇతర మాటల్లో చెప్పాలంటే, కొన్ని పెద్ద సమాచార వనరులు నాన్ రియాక్టివ్ కానప్పటికీ, వారు ఎల్లప్పుడూ సామాజిక అభిరుచి పక్షపాతం లేనివి కాదు, ప్రజలందరికీ ఉత్తమమైన మార్గంలో ఉండటానికి కావలసిన ధోరణి. ఇంకా, నేను తరువాత అధ్యాయంలో వివరించాను, పెద్ద డేటా మూలాలలోని స్వాధీనం ప్రవర్తన కొన్నిసార్లు ప్లాట్ఫామ్ యజమానుల లక్ష్యాలచే ప్రభావితమవుతుంది, ఒక సమస్య అల్గోరిథమిక్ గందరగోళాన్ని నేను పిలుస్తాను. చివరగా, nonreactivity పరిశోధన కోసం ప్రయోజనకరంగా ఉన్నప్పటికీ, వారి సమ్మతి మరియు అవగాహన లేకుండా ప్రజల ప్రవర్తనను ట్రాక్ చేయడం నేను అధ్యాయం 6 లో వివరంగా వివరించే నైతిక ఆందోళనలను పెంచుతుంది.

నేను ఇప్పుడే వివరించిన మూడు లక్షణాలు, పెద్దవి, ఎల్లప్పుడు మరియు నాన్ రియాక్టివ్-సాధారణంగా ఉంటాయి, కానీ ఎల్లప్పుడూ సామాజిక పరిశోధన కోసం లాభదాయకం కాదు. తరువాత, పెద్ద డేటా మూలాల యొక్క ఏడు లక్షణాలకు నేను అసంపూర్తిగా, యాక్సెస్ చేయలేని, ప్రతినిధికి, డ్రిఫ్టింగ్, అల్గారిథమిక్ గందరగోళంగా, మురికిగా మరియు సున్నితమైనదిగా మారుస్తాను-సాధారణంగా, కానీ పరిశోధన కోసం సమస్యలను సృష్టిస్తుంది.