2.4.1 สิ่งที่นับ
นับง่ายสามารถที่น่าสนใจถ้าคุณรวมเป็นคำถามที่ดีกับข้อมูลที่ดี
แม้ว่ามันจะเป็นสำนวนในภาษาทำให้เกิดเสียงที่มีความซับซ้อนจำนวนมากของการวิจัยทางสังคมเป็นจริงเพียงสิ่งที่นับ ในยุคของข้อมูลขนาดใหญ่นักวิจัยสามารถนับมากขึ้นกว่าเดิม แต่ไม่ได้หมายความว่าการวิจัยควรจะมุ่งเน้นไปที่การนับสิ่งที่มากขึ้นและมากขึ้น แต่ถ้าเราจะไปทำวิจัยที่ดีกับข้อมูลขนาดใหญ่ที่เราต้องถาม: สิ่งที่มีมูลค่านับ? นี้อาจดูเหมือนเรื่องอัตนัยอย่างสิ้นเชิง แต่มีบางรูปแบบทั่วไป
นักเรียนมักจะกระตุ้นการวิจัยของพวกเขานับโดยพูดว่า: ฉันจะนับสิ่งที่ไม่มีใครเคยนับก่อน ยกตัวอย่างเช่นนักเรียนอาจจะบอกว่าหลายคนมีการศึกษาแรงงานข้ามชาติและหลายคนมีการศึกษาฝาแฝด แต่ไม่มีใครได้ศึกษาฝาแฝดข้ามชาติ การสร้างแรงจูงใจโดยขาดไม่ได้มักจะนำไปสู่การวิจัยที่ดี แน่นอนอาจจะมีเหตุผลที่ดีในการศึกษาฝาแฝดข้ามชาติ แต่ความจริงที่ว่าพวกเขายังไม่ได้รับการศึกษาก่อนที่จะไม่ได้หมายความว่าพวกเขาควรจะได้รับการศึกษาในขณะนี้ ไม่มีใครได้เคยนับจำนวนเธรดบนพรมในสำนักงานของฉัน แต่นั่นก็ไม่ได้หมายความว่าโดยอัตโนมัตินี้จะเป็นโครงการวิจัยที่ดี การสร้างแรงจูงใจโดยไม่มีเป็นชนิดเช่นพูดว่า: ดูมีหลุมที่นั่นและผมจะทำงานอย่างหนักเพื่อเติม แต่ไม่ทุกหลุมจะต้องกรอก
แทนการสร้างแรงจูงใจโดยไม่มีผมคิดว่าการนับนำไปสู่การวิจัยที่ดีในสองสถานการณ์เมื่อการวิจัยที่น่าสนใจหรือมีความสำคัญ (หรือนึกคิดทั้งสอง) ยกตัวอย่างเช่นการวัดอัตราการว่างงานที่มีความสำคัญเพราะมันเป็นในตัวบ่งชี้ของเศรษฐกิจที่ไดรฟ์การตัดสินใจเชิงนโยบาย โดยทั่วไปคนมีความรู้สึกที่ดีงามของสิ่งที่สำคัญ ดังนั้นในส่วนที่เหลือของส่วนนี้ผมจะให้สามตัวอย่างที่นับเป็นที่น่าสนใจ ในแต่ละกรณีนักวิจัยก็ไม่นับส่งเดชค่อนข้างจะถูกนับในการตั้งค่าโดยเฉพาะอย่างยิ่งมากที่เปิดเผยข้อมูลเชิงลึกที่สำคัญในความคิดทั่วไปเกี่ยวกับการทำงานของระบบวิธีการทางสังคม ในคำอื่น ๆ จำนวนมากของสิ่งที่ทำให้การออกกำลังกายเหล่านี้นับเฉพาะที่น่าสนใจไม่ได้อยู่ในข้อมูลที่ตัวเองก็มาจากความคิดเหล่านี้ทั่วไปมากขึ้น
ด้านล่างนี้ผมจะนำเสนอสามตัวอย่างเมื่อ: 1) พฤติกรรมการทำงานของคนขับรถแท็กซี่ในนิวยอร์ก (มาตรา 2.4.1.1) 2) การสร้างมิตรภาพโดยนักศึกษา (มาตรา 2.4.1.2) และ 3) พฤติกรรมการเซ็นเซอร์สื่อทางสังคมของรัฐบาลจีน (มาตรา 2.4.1.3) อะไรตัวอย่างเหล่านี้ร่วมกันคือการที่พวกเขาทั้งหมดแสดงให้เห็นว่าการนับข้อมูลขนาดใหญ่สามารถนำมาใช้ในการทดสอบการคาดการณ์ในเชิงทฤษฎี ในบางกรณีแหล่งข้อมูลขนาดใหญ่ช่วยให้คุณสามารถที่จะทำนี้ค่อนข้างนับโดยตรง (เช่นในกรณีของนิวยอร์กรถแท็กซี่) ในกรณีอื่น ๆ นักวิจัยจะต้องจัดการกับความไม่สมบูรณ์โดยการผสานข้อมูลร่วมกันและ operationalizing สร้างทฤษฎี (เช่นในกรณีของการสร้างมิตรภาพ); และในบางกรณีนักวิจัยจะต้องเก็บรวบรวมข้อมูลของตนเองสังเกตการณ์ (เช่นในกรณีของการเซ็นเซอร์สื่อสังคม) ขณะที่ผมหวังว่าตัวอย่างเหล่านี้แสดงสำหรับนักวิจัยที่มีความสามารถที่จะถามคำถามที่น่าสนใจข้อมูลขนาดใหญ่ถือสัญญาที่ดี
