2.4.1 Counting aferoj

Simpla nombrado povas esti interesa se ​​vi kombinas bona demando kun bona datumoj.

Kvankam ĝi genuigxis en kompleksa trumpetis lingvo, multa socia esploro vere nur rakonti aferojn. En la aĝo de grandaj datumoj, esploristoj povas kalkuli pli ol iam, sed tio ne aŭtomate signifas, ke esplorado povas esti temigis rakonti pli aĵoj. Anstataŭe, se ni estas irantaj fari bonan esploron kun grandaj datumoj, ni devas demandi: kion valoras rakonti? Tio povas ŝajni tute subjektiva afero, sed estas iuj ĝeneralaj padronoj.

Ofte studentoj motivi ilian kalkula esploro dirante: Mi tuj kalkuli iun kiu neniu iam rakontita antaŭe. Ekzemple, studento povus diri, multaj personoj studis migrantoj kaj multaj personoj studis ĝemeloj, sed neniu studis migrantaj ĝemeloj. Motivado por foresto kutime ne kondukas al bono esploro. Kompreneble, eble estas bonaj kialoj por studi migrantaj ĝemeloj, sed la fakto ke ili ne estis studitaj antaŭ ne signifas ke ili devas esti lernata nun. Neniu iam kalkulis la nombron de fadenoj sur la tapiŝo en mia oficejo, sed tio ne aŭtomate signifas, ke tiu estus bona esplorprojekto. Motivado por foresto estas ia kiel jene: rigardu, ekzistas truo tien, kaj mi tuj funkcios tre malfacile plenigi ĝin. Sed ne ĉiu truo devas esti plenigitaj.

Anstataŭ instiganta por foresto, mi opinias ke rakonti kondukas al bono esploro en du situacioj, kiam la esploro estas interesagrava (aŭ ideale ambaŭ). Ekzemple, mezurante la imposto de senlaboreco estas grava ĉar ĝi estas en indikilo de la ekonomio kiu pelas politikaj decidoj. Ĝenerale, homoj havas sufiĉe bonan senson de kio estas grava. Do, en la resto de ĉi tiu sekcio, mi tuj havigos tri ekzemplojn kie nombrado estas interesa. En ĉiu kazo, la esploristoj ne kalkulante hazarde, prefere ili rakonti en tre aparta agordojn kiuj rivelis gravajn komprenojn en pli ĝeneralaj ideoj pri kiel sociaj sistemoj laboro. Alivorte, multe de kio faras tiujn apartajn kalkula ekzercoj interesa ne en la datumoj mem, ĝi venas de tiuj pli ĝeneralaj ideoj.

Malsupre mi prezenti tri ekzemplojn sur: 1) la laboranta konduto de taksiistoj en Novjorko (Sekcio 2.4.1.1), 2) amikeco formado de studentoj (Sekcio 2.4.1.2) kaj 3) socia amaskomunikilaro cenzuras konduto de la ĉina registaro (Sekcio 2.4.1.3). Kio tiuj ekzemploj kunhavigi estas ke ili ĉiuj montras ke rakonti grandaj datumoj povas esti uzataj por testi teoriaj antaŭdiroj. En iuj kazoj, grandaj datumoj fontoj ebligas vin fari tion kalkula relative rekte (kiel en la kazo de Nov-Jorko Taksioj). En aliaj kazoj, esploristoj bezonos trakti nekompleteco kunfandante datumoj kune kaj funkciigi teoriaj konstruoj (kiel en la kazo de amikeco formado); kaj en iuj kazoj esploristoj bezonos kolekti sian propran observaj datumoj (kiel en la kazo de sociaj amaskomunikiloj cenzuras). Mi esperas tiuj ekzemploj montras, por esploristoj kiuj kapablas demandi interesaj demandoj, granda datumo tenas grandan promeson.