2.4.1 కౌంటింగ్ విషయాలు

మీరు మంచి సమాచారంతో ఒక మంచి ప్రశ్న మిళితం ఉంటే సాధారణ లెక్కింపు ఆసక్తికరమైన ఉంటుంది.

ఇది ఆధునిక సౌండింగ్ భాషలో దాచిపెట్టిందన్నారు పొందినా, సామాజిక పరిశోధన మా నిజంగా కేవలం విషయాలు లెక్కింపు ఉంటుంది. పెద్ద డేటా వయస్సు లో, పరిశోధకులు గతంలో కంటే మరింత పరిగణించవచ్చు, కానీ ఆ స్వయంచాలకంగా ఆ పరిశోధన మరింత స్టఫ్ లెక్కింపు పై దృష్టి చేయాలి అర్ధం లేదు. ఏమి విషయాలు లెక్కింపు విలువ ఉన్నాయి: బదులుగా, మేము పెద్ద డేటా మంచి పరిశోధన చేయడానికి వెళ్తున్నారు ఉంటే, మేము అడగాలి? ఈ పూర్తిగా ఆత్మాశ్రయ పదార్థం వంటి అనిపించవచ్చు ఉండవచ్చు, కానీ కొన్ని సాధారణ నమూనాలు దర్శనమిస్తాయి.

నేను ఎవరూ ఎప్పుడూ ముందు గణించారు ఏదో లెక్కించడానికి వెళుతున్న: తరచుగా విద్యార్థులు చెప్పి వారి లెక్కింపు పరిశోధనా ప్రోత్సహించండి. ఉదాహరణకు, ఒక విద్యార్థి అనవచ్చు, అనేక మంది వలసదారులు అభ్యసించారు మరియు అనేక మంది కవలలు అధ్యయనం, కానీ ఎవరూ వలస కవలలు అధ్యయనం చేసింది. లేకపోవడం ప్రేరణ సాధారణంగా మంచి పరిశోధన దారి లేదు. వాస్తవానికి, వలస కవలలు అధ్యయనం మంచి కారణాలు ఉండవచ్చు, కానీ వారు ముందు అధ్యయనం చేయలేదు వాస్తవం వారు ఇప్పుడు అధ్యయనం చేయాలి అని కాదు. ఎవరూ కూడా ఎప్పుడూ నా ఆఫీసు లో కార్పెట్ పై దారాలుగా సంఖ్యలో పౌరులు, అయితే ఆ స్వయంచాలకంగా ఈ మంచి పరిశోధన ప్రాజెక్ట్ అని అర్థం కాదు. లేకపోవడం ప్రేరణ మాట్లాడుతూ వంటి రకమైన ఉంది: అక్కడ ఒక రంధ్రం యొక్క, చూడండి, మరియు నేను దానిని నింపి చాలా పని వెళుతున్న. కానీ, ప్రతి రంధ్రం చేయవలసినవి.

బదులుగా లేకపోవడం ప్రేరేపించడం యొక్క, నేను ఈ రెండు సందర్భాల్లో మంచి పరిశోధన లీడ్స్ లెక్కింపు పరిశోధన (లేదా ఆదర్శంగా రెండు) ఆసక్తికరమైన లేదా ముఖ్యం అనుకుంటున్నాను. ఇది విధాన నిర్ణయాలను వెళ్ళే ఆర్ధిక సూచిక ఉంది ఎందుకంటే ఉదాహరణకు, నిరుద్యోగం రేటు కొలిచే ముఖ్యం. సాధారణంగా, ప్రజలు ముఖ్యం ఏమి ఒక అందమైన మంచి భావం. సో, ఈ విభాగం యొక్క మిగిలిన నేను లెక్కింపు ఆసక్తికరమైన ఉన్న మూడు ఉదాహరణలు అందించేందుకు వెళుతున్న. ప్రతి సందర్భంలో, పరిశోధకులు, అడ్డదిడ్డంగా లెక్కించకుండా కాకుండా వారు ఎలా సామాజిక వ్యవస్థలు పని గురించి మరిన్ని సాధారణ సలహాలు ముఖ్యమైన అవగాహన వెల్లడించారు చాలా ముఖ్యంగా సెట్టింగులను లో లెక్కింపు పెట్టబడ్డాయి. ఇతర మాటలలో, ఈ ప్రత్యేక లెక్కింపు వ్యాయామాలు ఆసక్తికరమైన చేస్తుంది ఏమి చాలా కాదు డేటా లోనే, ఈ మరింత సాధారణ ఆలోచనల నుంచి వస్తుంది.

1) న్యూయార్క్ లో టాక్సీ డ్రైవర్లు పని ప్రవర్తన (విభాగం 2.4.1.1) చైనీస్ ప్రభుత్వం విద్యార్థులు (విభాగం 2.4.1.2 ద్వారా, 2) స్నేహం ఏర్పడటానికి) మరియు 3) సామాజిక మీడియా సెన్సార్షిప్ ప్రవర్తన: నేను మూడు ఉదాహరణలు ప్రస్తుత చేస్తాము క్రింద (విభాగం 2.4.1.3). ఏమి ఈ ఉదాహరణలు భాగస్వామ్యం వారు అన్ని పెద్ద డేటా లెక్కింపు సైద్ధాంతిక అంచనాలు పరీక్షించటానికి ఉపయోగించవచ్చు చేయవచ్చు అని ఉంది. కొన్ని సందర్భాల్లో, పెద్ద డేటా మూలాల సాపేక్షంగా నేరుగా ఈ లెక్కింపు చేయాలని (న్యూ యార్క్ టాక్సీలు సందర్భంలో వలె) ఎనేబుల్. ఇతర సందర్భాల్లో, పరిశోధకులు డేటా (స్నేహం ఏర్పాటు సందర్భంలో వలె) కలిసి operationalizing సైద్ధాంతిక నిర్మాణాలు విలీనం ద్వారా అసంపూర్ణ ఎదుర్కోవటానికి అవసరం; మరియు కొన్ని సందర్భాలలో పరిశోధకులు తమ సొంత పరిశీలన డేటా సేకరించడానికి (సోషల్ మీడియా సెన్సార్షిప్ సందర్భంలో వలె) ఉంటుంది. నేను ఆశిస్తున్నాము గా ఈ ఉదాహరణలు ఆసక్తికరమైన ప్రశ్నలు అడగండి గలిగిన పరిశోధకులకు, పెద్ద డేటా గొప్ప వాగ్దానం కలిగి, చూపించు.