2.3.2 Always-on- ը

Միշտ-ին մեծ տվյալների թույլ է տալիս ուսումնասիրությունը անսպասելի իրադարձությունների եւ իրական ժամանակի չափման.

Շատ մեծ տվյալների համակարգերը միշտ-ին, նրանք անընդհատ հավաքում տվյալներ: Այս մշտապես բնորոշ հետազոտողներին հետ երկայնական տվյալները (այսինքն `տվյալների ժամանակի ընթացքում): Լինելով մշտապես ունի երկու կարեւոր հետեւանքներ հետազոտության.

Առաջին հերթին, տվյալների հավաքագրման ժամանակ հետազոտողները հնարավորություն են տալիս ուսումնասիրել անսպասելի իրադարձություններ, որոնք այլ կերպ հնարավոր չէ: Օրինակ, 2013 թ. Ամռանը Թուրքիայում Զինված Գեզիի բողոքի ուսումնասիրությունը հետաքրքրված հետազոտողները սովորաբար կենտրոնանում են միջոցառման ընթացքում ցուցարարների վարքագծին: Ceren Budak- ը եւ Duncan Watts- ը (2015) Կարողացան ավելին անել, օգտագործելով Twitter- ի մշտապես բնույթը `ուսումնասիրելու այն միջոցառումը, որն օգտագործվել էր Twitter- ից առաջ, ընթացքում եւ դրանից հետո: Եվ նրանք կարողացան ստեղծել մասնակիցների համեմատական ​​խումբ նախքան, ընթացքում եւ դրանից հետո (նկար 2.2): Ընդհանուր առմամբ, նրանց նախնական գրասեղանն ընդգրկում էր երկու տարվա ընթացքում 30,000 մարդու թվիթներ: Ընդլայնելով տարածված օգտագործված տվյալները բողոքներից այս այլ տեղեկատվության հետ, Բուդակն ու Ուոթսը կարողացան շատ բան սովորել, նրանք կարողացան գնահատել, թե ինչպիսի մարդիկ ավելի հավանական են մասնակցելու Գեզիի բողոքի ակցիաներին եւ գնահատելու իրենց վերաբերմունքի փոփոխությունները: մասնակիցները եւ մասնակից չհանդիպողները, ինչպես կարճ ժամանակում (համեմատելով նախորդ Գեզիի `Գեզի շրջանում), եւ երկարաժամկետ (նախորդ Գեզիի հետ հետախուզման հետ հետաքննություն):

Նկար 2.2. Դիզայն, օգտագործելով Budak- ի եւ Watts- ի (2015) օգտագործումը, 2013 թ. Ամռանը Թուրքիայում Occupy Gezi բողոքի ուսումնասիրությունը: Twitter- ի մշտապես օգտագործելով, հետազոտողները ստեղծեցին այն, Երկու տարվա ընթացքում 30,000 մարդ: Ընդհակառակը, բողոքների ընթացքում մասնակիցների վրա կենտրոնացած տիպական ուսումնասիրության արդյունքում նախնական ցուցակի վահանակը ավելացնում է 1) միջոցառման մասնակիցներին նախքան եւ դրանից հետո տվյալները եւ 2) միջոցառման մասնակիցներից նախքան, ընթացքում եւ դրանից հետո տվյալները: Այս հարստացված տվյալների կառուցվածքը հնարավորություն տվեց Բուդակի եւ Ուոթսի համար գնահատել, թե ինչպիսի մարդիկ ավելի հաճախ են մասնակցում Գեզիի բողոքի ակցիաներին եւ գնահատելու մասնակիցների եւ ոչ մասնակիցների մոտեցումների փոփոխությունները, ինչպես կարճ ժամանակահատվածում (համեմատելով նախորդ Գեզիի հետ Գեզիում ) եւ երկարաժամկետ հեռանկարում (համեմատելով նախորդ Գեզիի հետ `Գեզի հետ):

Գծապատկեր 2.2: Design օգտագործվում է Budak and Watts (2015) Է ուսումնասիրել Գրավիր Գեզի բողոքի ակցիաները Թուրքիայում է ամռանը 2013 Ըստ օգտագործելով մշտապես բնույթը Twitter, որ հետազոտողները ստեղծել, թե ինչ են նրանք կոչվում է նախկին գրություն վահանակը, որը ներառված մասին Երկու տարվա ընթացքում 30,000 մարդ: Ընդհակառակը, բողոքների ընթացքում մասնակիցների վրա կենտրոնացած տիպական ուսումնասիրության արդյունքում նախնական ցուցակի վահանակը ավելացնում է 1) միջոցառման մասնակիցներին նախքան եւ դրանից հետո տվյալները եւ 2) միջոցառման մասնակիցներից նախքան, ընթացքում եւ դրանից հետո տվյալները: Այս հարստացված տվյալների կառուցվածքը հնարավորություն տվեց Բուդակի եւ Ուոթսի համար գնահատել, թե ինչպիսի մարդիկ ավելի հաճախ են մասնակցում Գեզիի բողոքի ակցիաներին եւ գնահատելու մասնակիցների եւ ոչ մասնակիցների մոտեցումների փոփոխությունները, ինչպես կարճ ժամանակահատվածում (համեմատելով նախորդ Գեզիի հետ Գեզիում ) եւ երկարաժամկետ հեռանկարում (համեմատելով նախորդ Գեզիի հետ `Գեզի հետ):

Հավանաբար, թերահավատությունը կարող է մատնանշել, որ այդ գնահատականներից մի քանիսը կարող են կատարվել առանց տվյալների հավաքագրման աղբյուրների (օրինակ, վերաբերմունքի փոփոխության երկարաժամկետ գնահատականները), եւ դա ճիշտ է, չնայած 30.000 մարդու համար նման տվյալների հավաքագրումը թանկ է: Չնայած անսահմանափակ բյուջեին, ես չեմ կարող մտածել որեւէ այլ մեթոդի մասին, որը, ըստ էության, թույլ է տալիս հետազոտողներին ժամանակին ճանապարհորդել եւ ուղղակիորեն դիտարկել անցյալի մասնակիցների պահվածքը: Մոտակա այլընտրանքն այն է, որ պետք է հավաքվեն վարքի հետադարձ հաղորդումներ, սակայն այդ զեկույցները կլինեն սահմանափակ սահմանափակման եւ կասկածելի ճշգրտության: աղյուսակ 2.1- ը տրամադրում է ուսումնասիրությունների այլ օրինակներ, որոնք օգտագործում են տվյալների աղբյուրը, անսպասելի իրադարձություն ուսումնասիրելու համար:

Աղյուսակ 2.1. Անսպասելի իրադարձությունների ուսումնասիրություն, օգտագործելով միշտ մեծ տվյալների աղբյուրներից:
Անսպասելի իրադարձություն Միշտ `տվյալների աղբյուրը Մեջբերում
Զինված Գեզի շարժումը Թուրքիայում Twitter- ը Budak and Watts (2015)
Հոնկոնգում բողոքի ակցիաները Ուայբո Zhang (2016)
Նյու Յորքի ոստիկանության կրակոցները Stop-and-frisk զեկույցները Legewie (2016)
Անձը միանում է ISIS- ին Twitter- ը Magdy, Darwish, and Weber (2016)
2001 թ. Սեպտեմբերի 11-ին հարձակումը livejournal.com- ը Cohn, Mehl, and Pennebaker (2004)
2001 թ. Սեպտեմբերի 11-ին հարձակումը pager messages Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011)

Բացի անսպասելի իրադարձությունների ուսումնասիրությունից, միշտ մեծ տվյալների համակարգերը հնարավորություն են տալիս հետազոտողներին իրական ժամանակի գնահատականներ պատրաստել, որոնք կարող են կարեւոր լինել այնպիսի պարամետրերում, երբ քաղաքականության մշակողները կառավարությունում կամ արդյունաբերությունում ցանկանում են արձագանքել իրավիճակային իրազեկման վրա: Օրինակ, սոցիալական լրատվամիջոցների տվյալները կարող են օգտագործվել բնական աղետների (Castillo 2016) արտակարգ իրավիճակների արձագանքման նպատակով եւ կարող են օգտագործվել տարբեր տվյալների մեծ աղբյուրներից, որոնք կարող են օգտագործվել տնտեսական գործունեության իրական ժամանակի գնահատականների համար (Choi and Varian 2012) :

Ի վերջո, միշտ էլ տվյալների համակարգերը հնարավորություն են տալիս հետազոտողներին ուսումնասիրել անսպասելի իրադարձություններ եւ իրական ժամանակի տեղեկատվություն տրամադրել քաղաքականության մշակողների համար: Չեմ կարծում, սակայն, որ միշտ էլ տվյալների համակարգերը շատ հարմար են շատ երկար ժամանակի փոփոխությունների հետեւելու համար: Դա այն պատճառով, որ շատ մեծ տվյալների համակարգեր, որոնք անընդհատ, մի գործընթաց, որը ես կանվանեմ դրեյֆ ուշ է գլխի (բաժին 2.3.7):