2.5 Fazit

Big Data ist überall, aber es und andere Formen von Beobachtungsdaten für Sozialforschung mit, ist schwierig. Nach meiner Erfahrung ist es so etwas wie ein kostenloses Mittagessen ohne Eigenschaft für die Forschung: wenn Sie nicht in einer Menge Arbeit setze Daten zu sammeln, dann werden Sie wahrscheinlich in einer Menge Arbeit zu setzen haben , die Analyse über Ihre Daten oder im Denken was in einer interessanten Frage ist von den Daten zu fragen. Basierend auf den Ideen in diesem Kapitel, glaube ich, dass es drei Möglichkeiten gibt, die große Datenquellen wertvollste sein wird für Sozialforschung:

  • empirisch erkennende theoretischen Vorhersagen zwischen konkurrierenden. Beispiele für diese Art von Arbeit umfassen Farber (2015) (New York Taxifahrer) und King, Pan, and Roberts (2013) (Zensur in China)
  • verbesserte soziale Messung für die Politik durch Nowcasting. Ein Beispiel für diese Art von Arbeit ist Ginsberg et al. (2009) (Google Grippe - Trends).
  • Schätzung kausaler Effekte mit natürlichen Experimente und Matching. Beispiele für diese Art von Arbeit. Mas and Moretti (2009) (Peer Auswirkungen auf die Produktivität) und Einav et al. (2015) (Effekt der Startpreis auf Auktionen bei eBay).

Viele wichtige Fragen in der Sozialforschung könnte als eine dieser drei ausgedrückt werden. Jedoch erfordern diese Ansätze im Allgemeinen Forscher eine Menge zu den Daten zu bringen. Was macht Farber (2015) interessant ist die theoretische Motivation für die Messung. Diese theoretische Motivation kommt von außerhalb der Daten. So für diejenigen, die können bestimmte Arten von Forschungsfragen, große Datenquellen sehr fruchtbar sein zu fragen, sind gut.

Schließlich eher als theoriegeleitete empirische Forschung (das ist der Schwerpunkt dieses Kapitels war), können wir das Skript Flip und erstellen empirisch getriebene Theoretisieren. Das heißt, durch die sorgfältige Anhäufung von empirischen Fakten, Muster und Puzzles, können wir neue Theorien bauen.

Diese Alternative, Daten-First - Ansatz zur Theorie ist nicht neu, und es wurde am nachdrücklichsten von artikuliert Glaser and Strauss (1967) mit ihrem Ruf nach Grounded Theory. Diese Daten-First - Ansatz jedoch nicht bedeutet , "das Ende der Theorie" , wie sie von viel des Journalismus rund um Forschung im digitalen Zeitalter behauptet worden (Anderson 2008) . Vielmehr als die Datenumgebung ändert, müssen wir eine Neugewichtung in der Beziehung zwischen Theorie und Daten erwarten. In einer Welt, in der Datenerhebung teuer war, ist es sinnvoll, nur die Daten zu sammeln, die Theorien besagen, werden die meisten nützlich sein. Aber in einer Welt , wo enorme Mengen an Daten , die bereits kostenlos zur Verfügung stehen, ist es sinnvoll, auch einen Daten-First - Ansatz versuchen (Goldberg 2015) .

Wie ich in diesem Kapitel gezeigt haben, können die Forscher eine Menge von Menschen beobachten lernen. In den nächsten drei Kapiteln, werde ich beschreiben, wie wir mehr und verschiedene Dinge lernen können, wenn wir unsere Datensammlung zuzuschneiden und die Interaktion mit Menschen mehr direkt von ihnen Fragen (Kapitel 3) zu fragen, laufen Experimente (Kapitel 4), und auch die Einbindung dieser Länder in den Forschungsprozess direkt (Kapitel 5).