2.3.1.2 Завжди-на
Завжди-на великих даних дозволяє вивчати несподіваних подій і вимірювань в режимі реального часу.
Багато великих інформаційні системи завжди-на; вони постійно збирає дані. Це завжди на характеристика забезпечує дослідникам поздовжніх даних (тобто даних з плином часу). Будучи завжди на два важливих наслідки для досліджень.
По-перше, завжди на зборі даних дозволяє дослідникам вивчати несподівані події способами, що не були можливі раніше. Наприклад, дослідники, зацікавлені у вивченні Займайте Gezi протести в Туреччині влітку 2013 року, як правило, зосереджені на поведінці учасників протесту під час заходу. Серен Будак і Дункан Уоттс (2015) були в змозі зробити більше, використовуючи завжди на природу Twitter , щоб , перш ніж вивчати Twitter-використовуючи протестуючих, під час і після заходу. І вони були в змозі створити групу порівняння осіб, які не є учасниками (або учасників, які не чірікать про протест) до, під час і після заходу (Малюнок 2.1). В цілому їх постфактум групи входили твіти 30000 чоловік в протягом двох років. Шляхом збільшення часто використовувані дані від протестів з цієї іншої інформації, Будак і Уоттс змогли дізнатися набагато більше: вони були в змозі оцінити, які люди були більш схильні до участі в Gezi протестів і оцінити зміни у відносинах учасники і які не є учасниками, як в короткостроковій перспективі (порівнюючи попередньо Gezi протягом Gezi) і в довгостроковій перспективі (порівнюючи пре-Gezi пост-Gezi).
Малюнок 2.1: Конструкція використовується Budak and Watts (2015) для вивчення Займайте Gezi протести в Туреччині влітку 2013 року Використовуючи завжди на природу Twitter, дослідники створили то , що вони називають постфактум панель , яка включала близько 30000 чоловік протягом двох років. На відміну від типового дослідження, яке зосереджено на учасників під час протестів, екс-пост панель додає 1) дані від учасників до і після події і 2) дані, які не є учасниками до, під час і після заходу. Ця збагачена структура даних дозволило Будак і вати, щоб оцінити, які люди були більш схильні до участі в Gezi протестів і оцінити зміни у ставленні учасників і неучастников, як в короткостроковій перспективі (порівнюючи попередньо Gezi протягом Gezi) і в довгостроковій перспективі (порівнюючи попередньо Gezi пост-Gezi).
Це правда, що деякі з цих оцінок могли б бути зроблені без завжди на джерела збору даних (наприклад, довгострокові оцінки зміни ставлення), хоча збір таких даних для 30000 чоловік були б досить дорого. І, навіть з огляду на необмежений бюджет, я не можу думати про яку - небудь інший метод , який по суті дозволяє дослідникам подорожувати назад в часі і безпосередньо спостерігати за поведінкою учасників в минулому. Найближчою альтернативою буде збирати ретроспективні звіти про поведінку, однак ці звіти будуть мати обмежену зернистості і сумнівною точності. У таблиці 2.1 представлені інші приклади досліджень, які використовують завжди на джерелі даних для вивчення несподівана подія.
| несподівана подія | Завжди-на вихідних даних | цитування |
|---|---|---|
| Займайте рух Gezi в Туреччині | щебетати | Budak and Watts (2015) |
| Парасолька протести в Гонконзі | Zhang (2016) | |
| Зйомки поліції в Нью-Йорку | Стоп-і-FRISK звіти | Legewie (2016) |
| Вступник ISIS | щебетати | Magdy, Darwish, and Weber (2016) |
| 11 вересня 2001 напад | livejournal.com | Cohn, Mehl, and Pennebaker (2004) |
| 11 вересня 2001 напад | пейджера повідомлення | Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011) |
По-друге, завжди на зборі даних дозволяє дослідникам проводити вимірювання в реальному часі, що може бути важливо в умовах, коли політики хочуть не тільки вчитися у існуючого поведінки, але і відповість на нього. Наприклад, дані соціальні медіа можуть бути використані для направлення реагування на стихійні лиха (Castillo 2016) .
На закінчення, завжди на дані системи дозволяють дослідникам вивчати несподівані події і надавати інформацію в реальному часі для осіб, що визначають політику. Я, однак, не передбачають, що, що завжди на дані системи дозволяють дослідникам відстежувати зміни протягом тривалих періодів часу. Це відбувається тому , що багато великих інформаційні системи постійно змінюються-процесу , званого дрейфом (розділ 2.3.2.4).
