2.5 Conclusioni

Big Data è ovunque, ma il suo utilizzo e altre forme di dati osservativi per la ricerca sociale è difficile. Nella mia esperienza c'è qualcosa di simile a un no di proprietà pranzo libero per la ricerca: se non si mette in un sacco di lavoro raccolta dei dati, allora probabilmente stai andando ad avere per mettere in un sacco di lavoro l'analisi dei dati o nel modo di pensare ciò che è in una domanda interessante a chiedere dei dati. Sulla base delle idee in questo capitolo, penso che ci sono tre modi principali che le grandi fonti di dati saranno più prezioso per la ricerca sociale:

  • empiricamente giudicare tra competizione previsioni teoriche. Esempi di questo tipo di lavoro sono Farber (2015) (driver New York taxi) e King, Pan, and Roberts (2013) (La censura in Cina)
  • una migliore misura sociale per la politica attraverso nowcasting. Un esempio di questo tipo di lavoro è Ginsberg et al. (2009) (Google Trend influenzali).
  • stimare effetti causali con esperimenti naturali e di corrispondenza. Esempi di questo tipo di lavoro. Mas and Moretti (2009) (peer effetti sulla produttività) e Einav et al. (2015) (effetto del prezzo di partenza per le aste su eBay).

Molte domande importanti nella ricerca sociale potrebbero essere espressi come uno di questi tre. Tuttavia, questi approcci richiedono generalmente ricercatori per portare un sacco ai dati. Ciò che rende Farber (2015) interessante è la motivazione teorica per la misurazione. Questa motivazione teorica viene da fuori i dati. Così, per coloro che sono bravi a chiedere certi tipi di domande di ricerca, grandi fonti di dati possono essere molto fruttuoso.

Infine, piuttosto che la teoria-driven ricerca empirica (che è stato al centro di questo capitolo), siamo in grado di capovolgere lo script e creare teorizzazione empiricamente-driven. Vale a dire, attraverso l'attenta accumulo di empirici fatti, modelli e puzzle, possiamo costruire nuove teorie.

Questa alternativa, approccio data-prima alla teoria non è nuova, ed è stato più forza articolata da Glaser and Strauss (1967) con la loro chiamata per la teoria messa a terra. Questo approccio data-first, tuttavia, non implica "la fine del teoria", come è stato sostenuto da gran parte della giornalistico attorno ricerca nell'era digitale (Anderson 2008) . Piuttosto, come cambia l'ambiente dei dati, dobbiamo aspettarci un riequilibrio nel rapporto tra teoria e dati. In un mondo in cui la raccolta dei dati era costoso, ha senso per raccogliere solo i dati che teorie suggeriscono che sarà il più utile. Ma, in un mondo in cui enormi quantità di dati sono già disponibili gratuitamente, ha senso provare anche un approccio data-prima (Goldberg 2015) .

Come ho mostrato in questo capitolo, i ricercatori possono imparare molto da guardare la gente. Nei prossimi tre capitoli, vi descriverò come possiamo imparare cose sempre diverse se ci adattiamo la nostra raccolta di dati e interagire con le persone più direttamente, chiedendo loro domande (capitolo 3), in esecuzione esperimenti (capitolo 4), e anche il loro coinvolgimento nel processo di ricerca direttamente (capitolo 5).