2.3.2 Always-on
ตลอดเวลาในข้อมูลขนาดใหญ่จะช่วยให้การศึกษาของเหตุการณ์ที่ไม่คาดคิดและการวัดเวลาจริง
หลายระบบข้อมูลขนาดใหญ่อยู่เสมอบน; พวกเขามีอย่างต่อเนื่องการเก็บรวบรวมข้อมูล ลักษณะนี้เสมอในการให้นักวิจัยที่มีข้อมูลระยะยาว (เช่นข้อมูลในช่วงเวลา) เป็นเสมอในการมีสองนัยสำคัญสำหรับการวิจัย
ครั้งแรกการเก็บรวบรวมข้อมูลตลอดเวลาช่วยให้นักวิจัยสามารถศึกษาเหตุการณ์ที่ไม่คาดฝันได้ด้วยวิธีที่จะไม่เป็นไปได้ ตัวอย่างเช่นนักวิจัยที่สนใจในการศึกษาการประท้วง Occupy Gezi ในประเทศตุรกีในช่วงฤดูร้อนปี 2013 จะเน้นที่พฤติกรรมของผู้ประท้วงในระหว่างการแข่งขัน Ceren Budak และ Duncan Watts (2015) สามารถทำสิ่งต่างๆได้มากขึ้นโดยใช้ธรรมชาติ Twitter ในการศึกษาผู้ประท้วงที่เคยใช้ Twitter ก่อนระหว่างและหลังเหตุการณ์ และพวกเขาก็สามารถที่จะสร้างกลุ่มเปรียบเทียบของผู้ที่ไม่ได้เข้าร่วมกิจกรรมก่อนระหว่างและหลังเหตุการณ์ (รูปที่ 2.2) โดยรวมแล้ว แผงโพสต์โพสต์ ของพวกเขารวมถึงทวีตของ 30,000 คนในช่วงสองปี Budak และ Watts สามารถเรียนรู้ได้มากขึ้น: พวกเขาสามารถประมาณว่าคนประเภทใดมีแนวโน้มที่จะเข้าร่วมประท้วง Gezi และประเมินการเปลี่ยนแปลงทัศนคติของ (เทียบกับก่อน Gezi ไปในช่วง Gezi) และในระยะยาว (เปรียบเทียบก่อน Gezi กับโพสต์ Gezi)
รูปที่ 2.2: Budak and Watts (2015) เพื่อศึกษาการประท้วง Occupy Gezi ในตุรกีในช่วงฤดูร้อนปี 2013 โดยใช้ลักษณะ Twitter ที่ใช้งานอยู่ตลอดเวลานักวิจัยสร้างสิ่งที่เรียกว่า แผงควบคุมอดีต ซึ่งรวมถึง 30,000 คนมากกว่าสองปี ในทางตรงกันข้ามกับการศึกษาทั่วไปที่มุ่งเน้นไปที่ผู้เข้าร่วมประชุมในระหว่างการประท้วงแผงหลังการโพสต์จะเพิ่ม 1) ข้อมูลจากผู้เข้าร่วมก่อนและหลังเหตุการณ์และ 2) ข้อมูลจากผู้ที่ไม่ได้เป็นผู้เข้าร่วมก่อนระหว่างและหลังเหตุการณ์ โครงสร้างข้อมูลเสริมนี้ช่วยให้ Budak และ Watts สามารถประมาณว่าคนประเภทใดมีแนวโน้มที่จะเข้าร่วมการประท้วงของ Gezi และประเมินการเปลี่ยนแปลงทัศนคติของผู้เข้าร่วมและผู้ที่ไม่เข้าร่วมทั้งในระยะสั้น (เปรียบเทียบกับ Gezi ก่อน Gezi ) และในระยะยาว (เมื่อเทียบกับ Gezi ที่มีโพสต์ Gezi)
คนขี้ระแวงอาจชี้ให้เห็นว่าการประมาณค่าเหล่านี้อาจเกิดขึ้นได้โดยไม่ต้องมีแหล่งข้อมูล (เช่นประมาณการระยะยาวของการเปลี่ยนแปลงทัศนคติ) และถูกต้องแม้ว่าจะมีการรวบรวมข้อมูลดังกล่าวสำหรับ 30,000 คนก็ตาม แพง แม้ว่าจะมีงบประมาณไม่ จำกัด แต่ฉันไม่สามารถคิดหาวิธีการอื่นใดที่เป็นหลักช่วยให้นักวิจัยสามารถ เดินทางย้อนเวลากลับไปได้ และสังเกตพฤติกรรมของผู้เข้าร่วมในอดีตได้โดยตรง ทางเลือกที่ใกล้เคียงที่สุดคือการเก็บรวบรวมรายงานย้อนหลังของพฤติกรรม แต่รายงานเหล่านี้จะมีขอบเขต จำกัด และความถูกต้องที่น่าสงสัย ตาราง 2.1 มีตัวอย่างอื่น ๆ ของการศึกษาที่ใช้แหล่งข้อมูลที่มีอยู่ตลอดเวลาเพื่อศึกษาเหตุการณ์ที่ไม่คาดคิด
| เหตุการณ์ที่ไม่คาดฝัน | แหล่งข้อมูลที่เปิดตลอดเวลา | การอ้างอิง |
|---|---|---|
| เคลื่อนไหว Occupy Gezi ในตุรกี | พูดเบาและรวดเร็ว | Budak and Watts (2015) |
| การประท้วงของร่มในฮ่องกง | Zhang (2016) | |
| การถ่ายทำของตำรวจในนครนิวยอร์ก | รายงาน Stop-and-frisk | Legewie (2016) |
| บุคคลที่เข้าร่วม ISIS | พูดเบาและรวดเร็ว | Magdy, Darwish, and Weber (2016) |
| โจมตี 11 กันยายน 2001 | livejournal.com | Cohn, Mehl, and Pennebaker (2004) |
| โจมตี 11 กันยายน 2001 | ข้อความเพจเจอร์ | Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011) |
นอกเหนือจากการศึกษาเหตุการณ์ที่ไม่คาดฝันระบบข้อมูลขนาดใหญ่ตลอดเวลายังช่วยให้นักวิจัยสามารถสร้างการประมาณเวลาแบบเรียลไทม์ซึ่งอาจมีความสำคัญในการตั้งค่าที่ผู้กำหนดนโยบายในรัฐบาลหรืออุตสาหกรรมต้องการตอบสนองตามความตระหนักในสถานการณ์ ตัวอย่างเช่นข้อมูลโซเชียลมีเดียสามารถนำมาใช้เพื่อเป็นแนวทางในการรับมือกับเหตุฉุกเฉินจากภัยพิบัติทางธรรมชาติ (Castillo 2016) และสามารถใช้แหล่งข้อมูลขนาดใหญ่ต่างๆในการประมาณการทางเศรษฐกิจในเวลาจริงได้ (Choi and Varian 2012)
สรุปได้ว่าระบบข้อมูลตลอดเวลาช่วยให้นักวิจัยสามารถศึกษาเหตุการณ์ที่ไม่คาดฝันและให้ข้อมูลตามเวลาจริงแก่ผู้กำหนดนโยบายได้ อย่างไรก็ตามฉันไม่คิดว่าระบบข้อมูลที่มีอยู่ตลอดเวลาเหมาะสำหรับการติดตามการเปลี่ยนแปลงในช่วงเวลาที่ยาวนานมาก นั่นเป็นเพราะว่าระบบข้อมูลขนาดใหญ่จำนวนมากมีการเปลี่ยนแปลงตลอดเวลาซึ่งเป็นกระบวนการที่ผมจะเรียกว่า drift ในบทนี้ (ส่วน 2.3.7)
