2.5 Päätelmät

Big data on kaikkialla, mutta sen käyttö ja muiden havaintoaineistoa sosiaalisen tutkimukseen on vaikeaa. Kokemukseni on jotain ole ilmainen lounas omaisuutta tutkimuksen: jos et laittaa paljon työtä kerätä tietoja, niin olet todennäköisesti menossa on laittaa paljon työtä analysoimalla tietoja tai ajatellut mikä on mielenkiintoinen kysyä tietoja. Ideoiden pohjalta tässä luvussa, uskon, että on olemassa kolme pääasiallista tapaa, että suuret tietolähteet ovat arvokkain sosiaalisen tutkimus:

  • empiirisesti ratkaistessaan kilpailevien teoreettisten ennusteiden. Esimerkkejä tällaista työtä kuuluvat Farber (2015) (New York Taksinkuljettajat) ja King, Pan, and Roberts (2013) (Sensuuri Kiina)
  • parantunut sosiaalinen mittaus politiikan kautta lyhyen aika välin. Esimerkkinä tällaista työtä on Ginsberg et al. (2009) (Google Flu Trends).
  • arvioimalla syy vaikutuksia luonnon kokeita ja vastaavia. Esimerkkejä tällaista työtä. Mas and Moretti (2009) (peer vaikutukset tuottavuuteen) ja Einav et al. (2015) (vaikutus lähtöhinnan huutokaupoista eBay).

Monia tärkeitä kysymyksiä yhteiskuntatutkimuksen voidaan ilmaista yksi näistä kolmesta. Nämä lähestymistavat vaativat yleensä tutkijoita tuoda paljon tietoihin. Mikä tekee Farber (2015) mielenkiintoista on teoreettinen motivaatio mittausta varten. Tämä teoreettinen motivaatio tulee ulkopuolelta tiedot. Siten niille, jotka ovat hyviä pyytävät tietyntyyppisten tutkimuskysymyksiä, iso tietolähteet voivat olla hyvin hedelmällistä.

Lopuksi, pikemminkin kuin teoriassa perustuva empiirinen tutkimus (joka on ollut keskittyä tässä luvussa), voimme kääntää käsikirjoitus ja luoda empiirisesti perustuva theorizing. Tämä on kautta huolellista kertyminen empiirisiä tosiasioita, kuvioita, ja pulmia, voimme rakentaa uusia teorioita.

Tämä vaihtoehto, data-ensimmäinen lähestymistapa teoria ei ole uusi, ja se oli eniten voimakkaasti julki Glaser and Strauss (1967) kanssa edellyttävät maadoitettu teoriaa. Tämä data-Ensimmäinen lähestymistapa, ei kuitenkaan tarkoita "loppua teoria", kuten on väittänyt paljon journalismin ympärillä tutkimuksen digitaaliaikana (Anderson 2008) . Pikemminkin koska tiedot ympäristö muuttuu, meidän täytyy odottaa tasapainottamista väliseen suhteeseen teoriaa ja tiedot. Maailmassa, jossa tiedonkeruu oli kallis, on järkevää vain kerätä tietoja, teorioiden mukaan on eniten hyötyä. Mutta maailmassa, jossa valtavia määriä tietoja on jo saatavilla ilmaiseksi, on järkevää myös kokeilla data-Ensimmäinen lähestymistapa (Goldberg 2015) .

Kuten olen osoittanut tässä luvussa, tutkijat voivat oppia paljon katselemalla ihmisiä. Seuraavassa kolme lukua, minä kuvata, kuinka voimme oppia enemmän ja erilaisia ​​asioita, jos me räätälöidä tiedonkeruu- ja ihmisten kanssa suoremmin pyytämällä heitä kysymyksiä (luku 3), kokeiluja (luku 4), ja jopa kutsumalla ne tutkimusprosessin suoraan (luku 5).