2.3.1.2 എപ്പോഴും ഓൺ

എല്ലായ്പ്പോഴും-ന് ബിഗ് ഡാറ്റ അപ്രതീക്ഷിത ഇവന്റുകൾ തത്സമയ അളവിന്റെ പഠനം സജ്ജമാക്കുന്നു.

പല വൻകിട ഡേറ്റാ സിസ്റ്റംസ് എപ്പോഴും ഓൺ-ആകുന്നു; അവർ നിരന്തരം ഡാറ്റ ശേഖരിക്കുന്നത്. ഇത് എപ്പോഴും മുഖമുദ്ര രേഖാംശ ഡാറ്റ (അതായത്, കാലാകാലങ്ങളിൽ ഡാറ്റ) ഉപയോഗിച്ച് ഗവേഷകർ ലഭ്യമാക്കുന്നു. എപ്പോഴും ഒരാളായി റിസർച്ച് രണ്ട് പ്രധാന പ്രാധാന്യമുണ്ടെന്ന്.

ആദ്യം, ഡാറ്റ ശേഖരണം എപ്പോഴും മുമ്പ് സാധ്യമല്ല ഉണ്ടായിരുന്ന വഴികളിൽ അപ്രതീക്ഷിത ഇവന്റുകൾ പഠിക്കാൻ ഗവേഷകർ പ്രാപ്തമാക്കുന്നു. ഉദാഹരണത്തിന്, 2013 ലെ വേനൽക്കാലത്ത് തുർക്കിയിൽ വ്യാപാരം Gezi പ്രതിഷേധം സാധാരണ ഇവന്റ് സമയത്ത് പ്രതിഷേധക്കാർ പെരുമാറ്റം ശ്രദ്ധ തന്നെ പഠിക്കുന്ന താൽപ്പര്യമുള്ള ഗവേഷകർ. Ceren Budak ആൻഡ് ഡങ്കൻ വാട്ട്സ് (2015) , ഇവന്റ് ശേഷം സമയത്ത്, മുമ്പ് പ്രക്ഷോഭകർ ട്വിറ്റർ-ഉപയോഗിച്ച് പഠിക്കാൻ എപ്പോഴും ട്വിറ്റർ സ്വഭാവം ഉപയോഗിച്ച് കൂടുതൽ ചെയ്യാൻ സാധിച്ചു. അവർ സമയത്ത്, ഇവന്റ് (ചിത്രം 2.1) മുമ്പോ നോൺ-പങ്കെടുക്കുന്നവർ (പങ്കാളികളെയോ പ്രതിഷേധം കുറിച്ച് ട്വീറ്റ് ചെയ്തിട്ടില്ലാത്ത) ഒരു ഒത്തുനോക്കിയാൽ ഗ്രൂപ്പ് സൃഷ്ടിക്കാൻ സാധിച്ചു. മൊത്തം അവരുടെ മുൻ കുറിപ്പ് പാനൽ രണ്ടു വർഷത്തിനുള്ളിൽ 30,000 ജനങ്ങളുടെ ട്വീറ്റുകൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഈ മറ്റ് വിവരങ്ങൾ സംഭവത്തെ നിന്ന് സാധാരണ ഉപയോഗിക്കുന്ന ഡാറ്റ ശക്തിവർദ്ധിപ്പിക്കുകയുമായിരുന്നു വഴി, Budak ആൻഡ് വാട്ട്സ് അധികം പഠിക്കാൻ കഴിയും; അവർ ജനത്തിന്റെ ഏത് തരത്തിലുള്ള Gezi പ്രതിഷേധം പങ്കെടുക്കാനും എന്ന സമീപനത്തിൽ മാറ്റങ്ങൾ കണക്കാക്കാൻ സാധ്യതയും കണക്കാക്കാൻ സാധിച്ചു പങ്കെടുക്കുന്നവർ ഇതര പങ്കെടുക്കുന്നവർ, ഹ്രസ്വകാല (Gezi സമയത്ത് പ്രീ-Gezi തട്ടിച്ചു), ലെ ദീർഘകാല ൽ (പോസ്റ്റ്-Gezi പ്രീ-Gezi തട്ടിച്ചു) രണ്ടും.

ചിത്രം 2.1: 2013 ലെ വേനൽക്കാലത്ത് തുർക്കിയിലെ Gezi പ്രതിഷേധം വാൾസ്ട്രീറ്റ് എപ്പോഴും ട്വിറ്റർ സ്വഭാവം ഗവേഷകർ കുറിച്ച് ഉൾപ്പെട്ടിരുന്നു മുൻ കുറിപ്പ് പാനൽ വിളിച്ചു എന്തു സൃഷ്ടിച്ചു ഉപയോഗിക്കുന്നതിലൂടെ പഠിക്കാൻ Budak ആൻഡ് വാട്ട്സ് (2015) ഉപയോഗിക്കുന്ന ഡിസൈൻ രണ്ട് വർഷമായി 30,000 ആളുകളെ. വിപരീതമായി പ്രതിഷേധങ്ങളിൽ പങ്കെടുക്കുന്നവർ കേന്ദ്രീകരിച്ചായിരുന്നു ആ സാധാരണ പഠനം, മുൻ പോസ്റ്റ് പാനൽ 1) മുമ്പും ഇവന്റ് ശേഷം പങ്കെടുക്കുന്നവർ നിന്ന് ഡാറ്റയും 2) മുമ്പ് നോൺ-പങ്കെടുക്കുന്നവർ നിന്ന് ഡാറ്റ, എന്നിവയിൽ ഇവന്റ് ശേഷം സമയത്ത് ചേർക്കുന്നു. ഈ സമ്പന്നന്മാർ ഡാറ്റ ഘടന (ആളുകൾ ഏത് തരത്തിലുള്ള Gezi പ്രതിഷേധം പങ്കെടുക്കാനും ഹ്രസ്വകാല രണ്ട് പങ്കെടുക്കുന്നവർ ഇതര പങ്കാളികളുടെ സമീപനത്തിൽ മാറ്റങ്ങൾ കണക്കാക്കാൻ സാധ്യതയും കണക്കാക്കാൻ സമയത്ത് പ്രീ-Gezi തട്ടിച്ചു Budak ആൻഡ് വാട്ട്സ് പ്രവർത്തനക്ഷമമാക്കി Gezi) ദീർഘകാല ൽ (പോസ്റ്റ്-Gezi പ്രീ-Gezi തട്ടിച്ചു).

ചിത്രം 2.1: ഉപയോഗിക്കുന്ന ഡിസൈൻ Budak and Watts (2015) 2013 ലെ വേനൽക്കാലത്ത് തുർക്കിയിലെ Gezi പ്രതിഷേധം വാൾസ്ട്രീറ്റ് എപ്പോഴും ട്വിറ്റർ സ്വഭാവം ഗവേഷകർ കുറിച്ച് ഉൾപ്പെട്ടിരുന്നു മുൻ കുറിപ്പ് പാനൽ വിളിച്ചു എന്തു സൃഷ്ടിച്ചു ഉപയോഗിക്കുന്നതിലൂടെ പഠിക്കാൻ രണ്ട് വർഷമായി 30,000 ആളുകളെ. വിപരീതമായി പ്രതിഷേധങ്ങളിൽ പങ്കെടുക്കുന്നവർ കേന്ദ്രീകരിച്ചായിരുന്നു ആ സാധാരണ പഠനം, മുൻ പോസ്റ്റ് പാനൽ 1) മുമ്പും ഇവന്റ് ശേഷം പങ്കെടുക്കുന്നവർ നിന്ന് ഡാറ്റയും 2) മുമ്പ് നോൺ-പങ്കെടുക്കുന്നവർ നിന്ന് ഡാറ്റ, എന്നിവയിൽ ഇവന്റ് ശേഷം സമയത്ത് ചേർക്കുന്നു. ഈ സമ്പന്നന്മാർ ഡാറ്റ ഘടന (ആളുകൾ ഏത് തരത്തിലുള്ള Gezi പ്രതിഷേധം പങ്കെടുക്കാനും ഹ്രസ്വകാല രണ്ട് പങ്കെടുക്കുന്നവർ ഇതര പങ്കാളികളുടെ സമീപനത്തിൽ മാറ്റങ്ങൾ കണക്കാക്കാൻ സാധ്യതയും കണക്കാക്കാൻ സമയത്ത് പ്രീ-Gezi തട്ടിച്ചു Budak ആൻഡ് വാട്ട്സ് പ്രവർത്തനക്ഷമമാക്കി Gezi) ദീർഘകാല ൽ (പോസ്റ്റ്-Gezi പ്രീ-Gezi തട്ടിച്ചു).

ഇത് 30,000 ജനങ്ങൾക്ക് അത്തരം ഡാറ്റ ശേഖരം വളരെ ചെലവേറിയ ആകുമായിരുന്നു ആണെങ്കിലും ഈ കണക്കുകളെ ചില എപ്പോഴും ഡാറ്റ ശേഖരണം ഉറവിടങ്ങളിൽ (ഉദാ മനോഭാവം മാറ്റം ദീർഘകാല എസ്റ്റിമേറ്റുകൾ) ഉണ്ടാക്കിയിരിക്കുന്നു കഴിയുന്ന സത്യമാണ്. പിന്നെ പോലും പരിമിതികളില്ലാത്ത ബജറ്റ് തന്നിരിക്കുന്നു ഞാൻ പ്രധാനമായും ഗവേഷകർ സമയം പോകേണ്ടി നേരിട്ട് മുൻകാലങ്ങളിൽ പങ്കെടുക്കുന്നവർ പെരുമാറ്റം ആചരിക്കേണം അനുവദിക്കുന്ന മറ്റേതെങ്കിലും രീതി കരുതരുത്. അടുത്തുള്ള ബദൽ ബിഹേവിയർ മുൻകാല റിപ്പോർട്ടുകൾ ശേഖരിക്കാൻ ആയിരിക്കും, പക്ഷെ ഈ റിപ്പോർട്ടുകൾ പരിമിതമായ ഗ്രാനുലാരിറ്റിയുടെ ആൻഡ് സംശയാസ്പദമാണെന്ന് കൃത്യത പദ്ധതി. പട്ടിക 2.1 ഒരു അപ്രതീക്ഷിത ഇവന്റ് പഠിക്കാൻ എല്ലായ്പോഴും ഡാറ്റ ഉറവിടം ഉപയോഗിക്കുന്ന പഠനങ്ങൾ മറ്റ് ഉദാഹരണങ്ങൾ നൽകുന്നു.

പട്ടിക 2.1: എപ്പോഴും വലിയ ഡാറ്റ ഉറവിടങ്ങൾ ഉപയോഗിച്ച് അപ്രതീക്ഷിത സംഭവങ്ങളുടെ പഠനം.
അപ്രതീക്ഷിത ഇവന്റ് എല്ലായ്പ്പോഴും-ഡാറ്റ ഉറവിടം ഉദ്ധരണി
തുർക്കിയിലെ Gezi പ്രക്ഷോഭത്തിൽ ട്വിറ്റർ Budak and Watts (2015)
ഹോങ്കോങ്ങിലെ കുട പ്രതിഷേധം വെയ്ബോയിൽ Zhang (2016)
ന്യൂ യോർക്ക് നഗരത്തിലെ പോലീസ് ഷൂട്ടിംഗിനു സ്റ്റോപ്പ്-ആൻഡ്-സിരാക്ഷോഭം റിപ്പോർട്ടുകൾ Legewie (2016)
ഐസിസ് ചേരുന്നത് പേഴ്സൺ ട്വിറ്റർ Magdy, Darwish, and Weber (2016)
സെപ്റ്റംബർ 11, 2001 ആക്രമണം livejournal.com Cohn, Mehl, and Pennebaker (2004)
സെപ്റ്റംബർ 11, 2001 ആക്രമണം പേജർ സന്ദേശങ്ങൾ Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011)

രണ്ടാമത്തേത് എപ്പോഴും ഡാറ്റ ശേഖരണം ത്തേക്കുറിച്ചും വെറും നിലവിലുള്ള പെരുമാറ്റം നിന്ന് പഠിക്കാൻ അല്ല മാത്രമല്ല പ്രതികരിക്കുന്നതിനും ആഗ്രഹിക്കുന്ന എവിടെ ക്രമീകരണങ്ങളിൽ പ്രധാനപ്പെട്ട കഴിയുന്ന തത്സമയം അളവുകൾ, ഹാജരാക്കാൻ ഗവേഷകർ പ്രാപ്തമാക്കുന്നു. ഉദാഹരണത്തിന്, സോഷ്യൽ മീഡിയ ഡാറ്റ പ്രകൃതി ദുരന്തങ്ങൾ പ്രതികരണങ്ങൾ മികവുറ്റ ഉപയോഗിയ്ക്കാം (Castillo 2016) .

ഉപസംഹാരമായി എപ്പോഴും ഡേറ്റാ സിസ്റ്റംസ് അപ്രതീക്ഷിത ഇവന്റുകൾ പഠിക്കാനും നയം കുലപതികളിലൊരാളായ തൽസമയ വിവരങ്ങൾ നൽകാൻ ഗവേഷകർ പ്രാപ്തമാക്കാൻ. ഞാൻ എന്നിരുന്നാലും, എപ്പോഴും-ഡാറ്റ സിസ്റ്റങ്ങൾ കാലം മാറ്റങ്ങൾ ട്രാക്കുചെയ്യാൻ ഗവേഷകർ പ്രാപ്തമാക്കാൻ മലയാളത്തിലുപയോഗിക്കുന്നവര്ക്കതിഷ്ടപ്പെടും ചെയ്തു. പല വലിയ ഡേറ്റാ സിസ്റ്റംസ് നിരന്തരം മാറ്റുന്നതിൽ-ഒരു കാരണം ചായ് (വിഭാഗം 2.3.2.4) വിളിച്ചു പ്രക്രിയ അത്.