2.5 קאָנקלוסיאָן
גרויס דאַטן איז אומעטום, אָבער ניצן עס און אנדערע Forms פון אָבסערוואַטיאָנאַל דאַטע פֿאַר געזעלשאַפטלעך פאָרשונג איז שווער. אין מיין דערפאַרונג עס איז עפּעס ווי אַ ניט פּאָטער לאָנטש פאַרמאָג פֿאַר פאָרשונג: אויב איר טאָן ניט שטעלן אין אַ פּלאַץ פון אַרבעט קאַלעקטינג דאַטן, דעמאָלט איר זענען מיסטאָמע געגאנגען צו האָבן צו שטעלן אין אַ פּלאַץ פון אַרבעט אַנאַלייזינג אייער דאַטע אָדער אין טראכטן וועגן וואָס איז אין אַ טשיקאַווע קשיא צו פרעגן פון די דאַטן. באַזירט אויף די געדאנקען אין דעם קאַפּיטל, איך טראַכטן אַז עס זענען דרייַ הויפּט וועגן אַז גרויס דאַטן קוואלן וועט זיין רובֿ ווערטפול פֿאַר געזעלשאַפטלעך פאָרשונג:
- עמפּיריקלי אַדדזשודיקאַטינג צווישן קאַמפּיטינג טעאָרעטיש פֿאָרויסזאָגן. עקסאַמפּלעס פון דעם מין פון אַרבעט אַרייַננעמען Farber (2015) (ניו יארק טאַקסי דריווערס) און King, Pan, and Roberts (2013) (צענזור אין טשיינאַ)
- ימפּרוווד געזעלשאַפטלעך מעזשערמאַנט פֿאַר פּאָליטיק דורך נאָווקאַסטינג. אַ משל פון דעם מין פון אַרבעט איז Ginsberg et al. (2009) (גוגל פלו טרענדס).
- עסטאַמייטינג קאַוסאַל ווירקונג מיט נאַטירלעך יקספּעראַמאַנץ און וואָס ריכטן זיך. עקסאַמפּלעס פון דעם מין פון אַרבעט. Mas and Moretti (2009) (ייַנקוקנ זיך ווירקונג אויף פּראָודאַקטיוויטי) און Einav et al. (2015) (ווירקונג פון סטאַרטינג פּרייַז אויף אָקשאַנז בייַ eBay).
פילע וויכטיק שאלות אין געזעלשאַפטלעך פאָרשונג קען זיין אויסגעדריקט ווי איין פון די דרייַ. אָבער, די אַפּראָוטשיז בכלל דאַרפן ריסערטשערז צו ברענגען אַ פּלאַץ צו די דאַטן. וואָס מאכט Farber (2015) טשיקאַווע איז די טעאָרעטיש מאָוטאַוויישאַן פֿאַר די מעזשערמאַנט. דאס טעאָרעטיש מאָוטאַוויישאַן קומט אַרויס די דאַטן. אזוי, פֿאַר די וואס זענען גוט בייַ אַסקינג זיכער טייפּס פון פאָרשונג שאלות, גרויס דאַטן קוואלן קענען זיין זייער פרוכטיק.
צום סוף, אלא ווי טעאָריע-געטריבן עמפּיריקאַל פאָרשונג (וואָס האט שוין די פאָקוס אויף דעם קאַפּיטל), מיר קענען Flip די שריפט און מאַכן עמפּיריקלי-געטריבן טהעאָריזינג. אַז איז, דורך די אָפּגעהיט אַקיומיאַליישאַן פון עמפּיריקאַל Facts, פּאַטערנז, און פּאַזאַלז, מיר קענען בויען נייַ טיריז.
דעם אנדער ברירה, דאַטן-ערשטער צוגאַנג צו טעאָריע איז נישט נייַ, און עס איז געווען רובֿ פאָרסעפוללי אַרטיקיאַלייטאַד דורך Glaser and Strauss (1967) מיט זייער רוף פֿאַר גראָונדעד טעאָריע. דאס דאַטן-ערשטער צוגאַנג, אָבער, טוט נישט מיינען "דער סוף פון טעאָריע", ווי האט שוין קליימד דורך פיל פון די זשורנאליסטיק אַרום פאָרשונג אין די דיגיטאַל עלטער (Anderson 2008) . אלא, ווי די דאַטן סוויווע ענדערונגען, מיר מוזן דערוואַרטן אַ שייַעך-באַלאַנסינג אין די שייכות צווישן טעאָריע און דאַטע. אין אַ וועלט ווו דאַטן זאַמלונג איז טייַער, עס מאכט חוש צו בלויז קלייַבן די דאַטן וואָס טיריז פֿאָרשלאָגן וועט זיין די מערסט נוציק. אבער, אין אַ וועלט ווו ריזיק אַמאַונץ פון דאַטן זענען שוין בנימצא פֿאַר פּאָטער, עס מאכט חוש צו אויך פּרובירן אַ דאַטן-ערשטער צוגאַנג (Goldberg 2015) .
ווי איך האב געוויזן אין דעם קאַפּיטל, ריסערטשערז קענען לערנען אַ פּלאַץ דורך וואַטשינג מענטשן. אין דער ווייַטער דרייַ טשאַפּטערז, איך וועט באַשרייַבן ווי מיר קענען לערנען מער און אַנדערש זאכן אויב מיר שנייַדער אונדזער דאַטן זאַמלונג און ינטעראַקט מיט מענטשן מער גלייַך דורך אַסקינג זיי שאלות (טשאַפּטער 3), פליסנדיק יקספּעראַמאַנץ (טשאַפּטער 4), און אַפֿילו ינוואַלווינג זיי אין די פאָרשונג פּראָצעס גלייַך (טשאַפּטער 5).
