2.5 Casgliad

data Mawr yn mhob man, ond ei ddefnyddio a ffurfiau eraill o ddata arsylwadol ar gyfer ymchwil gymdeithasol yn anodd. Yn fy mhrofiad i, mae rhywbeth fel dim eiddo cinio am ddim ar gyfer ymchwil: os nad ydych yn rhoi yn llawer o waith casglu data, yna rydych yn ôl pob tebyg yn mynd i gael i roi llawer o waith dadansoddi eich data neu wrth feddwl am yr hyn sydd yn gwestiwn diddorol i ofyn y data. Yn seiliedig ar y syniadau yn y bennod hon, yr wyf yn meddwl bod tri phrif ffordd y bydd ffynonellau data mawr yn fwyaf gwerthfawr ar gyfer ymchwil gymdeithasol:

  • empirig beirniadu rhwng cystadlu rhagfynegiadau damcaniaethol. Mae enghreifftiau o'r math hwn o waith yn cynnwys Farber (2015) (Gyrwyr New York tacsi) a King, Pan, and Roberts (2013) (Sensoriaeth yn Tsieina)
  • gwell dulliau o fesur cymdeithasol ar gyfer polisi drwy nowcasting. Un enghraifft o'r math hwn o waith yn Ginsberg et al. (2009) (Tueddiadau Ffliw Google).
  • amcangyfrif effeithiau achosol gyda arbrofion naturiol a pharu. Mae enghreifftiau o'r math hwn o waith. Mas and Moretti (2009) (cymheiriaid effeithiau ar gynhyrchiant) a Einav et al. (2015) (effaith pris cychwyn ar arwerthiannau ar eBay).

gallai llawer o gwestiynau pwysig mewn ymchwil gymdeithasol yn cael ei fynegi fel un o'r tri hyn. Fodd bynnag, mae dulliau hyn yn gyffredinol yn gofyn i ymchwilwyr yn dod â llawer i'r data. Beth sy'n gwneud Farber (2015) ddiddorol yw'r cymhelliant damcaniaethol ar gyfer mesur. Daw hyn yn gymhelliant damcaniaethol o'r tu allan i'r data. Felly, ar gyfer y rhai sydd yn dda am ofyn rhai mathau o gwestiynau ymchwil, gall ffynonellau data mawr fod yn ffrwythlon iawn.

Yn olaf, yn hytrach na-theori gyrru ymchwil empirig (sydd wedi bod yn ffocws ar y bennod hon), gallwn troi y sgript a chreu theorizing empirig sy'n cael ei yrru. Hynny yw, trwy gronni gofalus o ffeithiau empirig, patrymau, a phosau, gallwn adeiladu damcaniaethau newydd.

Nid yw hyn amgen, dull data-cyntaf i theori yn newydd, ac yr oedd yn gymalog fwyaf rymus gan Glaser and Strauss (1967) gyda'u galwad am theori wreiddio. Mae'r dull hwn data-cyntaf, fodd bynnag, yn awgrymu "diwedd y theori," fel wedi cael ei hawlio gan lawer o'r newyddiaduraeth o gwmpas ymchwil yn yr oes ddigidol (Anderson 2008) . Yn hytrach, gan fod y newidiadau yn amgylchedd data, mae'n rhaid i ni ddisgwyl ail-gydbwyso yn y berthynas rhwng theori a data. Mewn byd lle mae casglu data yn ddrud, mae'n gwneud synnwyr i ddim ond casglu'r data y damcaniaethau yn awgrymu fydd y mwyaf defnyddiol. Ond, mewn byd lle mae symiau enfawr o ddata sydd eisoes ar gael ar gyfer rhad ac am ddim, mae'n gwneud synnwyr hefyd i roi cynnig ar ddull data-cyntaf (Goldberg 2015) .

Fel yr wyf wedi dangos yn y bennod hon, gall ymchwilwyr ddysgu llawer drwy wylio pobl. Yn y tair pennod nesaf, byddaf yn disgrifio sut y gallwn ddysgu mwy a gwahanol bethau os ydym yn teilwra ein casglu data ac yn rhyngweithio â phobl yn fwy uniongyrchol drwy ofyn cwestiynau iddynt (Pennod 3), yn rhedeg arbrofion (Pennod 4), a hyd yn oed eu cynnwys yn y broses ymchwil yn uniongyrchol (Pennod 5).