2.5 निष्कर्ष

मोठे डेटा सर्वत्र आहे, पण तो आणि सामाजिक संशोधन आकलनशक्तीच्या डेटाच्या इतर फॉर्म वापरून कठीण आहे. माझे अनुभव संशोधन नाही मोफत लंच मालमत्ता सारखे काहीतरी आहे: आपण माहिती गोळा काम भरपूर मध्ये ठेवले नाही, तर आपण कदाचित आपल्या डेटा विश्लेषण काम भरपूर किंवा विचार घालणे जात आहेत डेटा काय एक मनोरंजक प्रश्न आहे विचारा. या धड्यातील कल्पनांवर आधारित, मी मुख्यत्वे तीन प्रकारे मोठा डेटा स्रोत सामाजिक संशोधन सर्वात मौल्यवान असेल की आहेत असे वाटते की,

  • empirically सैद्धांतिक अंदाज स्पर्धा दरम्यान adjudicating. काम या प्रकारची काही उदाहरणे आहेत Farber (2015) (न्यू यॉर्क टॅक्सी ड्राइवर) आणि King, Pan, and Roberts (2013) (चीन सेन्सॉरशिप)
  • nowcasting माध्यमातून धोरण करीता सुधारीत सामाजिक मापन. काम या प्रकारच्या एक उदाहरण आहे Ginsberg et al. (2009) (Google Flu Trends).
  • नैसर्गिक प्रयोग जुळणारे कार्यकारण भाव प्रभाव अंदाज. काम. या प्रकारची उदाहरणे Mas and Moretti (2009) (उत्पादन परिणाम सरदार) आणि Einav et al. (2015) (eBay येथे लिलावाने सुरू किंमत परिणाम).

सामाजिक संशोधन अनेक महत्वाचे प्रश्न या तीन एक म्हणून व्यक्त केले जाऊ शकते. तथापि, या पध्दती साधारणपणे संशोधक डेटा भरपूर आणण्यासाठी आवश्यक आहे. काय करते Farber (2015) मनोरंजक मापन सैद्धांतिक प्रेरणा आहे. या सैद्धांतिक प्रेरणा डेटा बाहेर येते. अशा प्रकारे, संशोधन प्रश्न विशिष्ट प्रकारच्या विचारून चांगले आहेत ज्यांना, मोठा डेटा स्रोत अतिशय सुपीक होऊ शकते.

शेवटी, सिद्धांत-चेंडू प्रायोगिक संशोधन (हा धडा लक्ष केंद्रीत केले आहे), आम्ही स्क्रिप्ट झटका आणि empirically-चेंडू theorizing तयार करू शकता ऐवजी. आहे, शाबूत तथ्ये, नमुने, आणि कोडी सोडवणे काळजीपूर्वक जमा माध्यमातून, आम्ही नवीन सिद्धांत तयार करू शकता.

या पर्यायी डेटा-प्रथम सिद्धांत दृष्टिकोन नवीन नाही आहे, आणि तो सर्वात जबरदस्तीने करून जोड होते Glaser and Strauss (1967) प्रवृत्ती सिद्धांत त्यांच्या कॉल. हा डेटा-प्रथम दृष्टिकोन मात्र, "सिद्धांत शेवटी" ध्वनित नाही डिजिटल युगात संशोधन सुमारे पत्रकारिता जास्त दावा केला गेला आहे म्हणून (Anderson 2008) . उलट, डेटा वातावरण बदल, आम्ही सिद्धांत आणि डेटा दरम्यान संबंध पुन्हा संतुलनास अपेक्षा पाहिजे. डेटा संकलन महाग होते अशा जगात, तो सिद्धांत सूचित सर्वात उपयुक्त होईल माहिती गोळा करण्यासाठी अर्थ प्राप्त होतो. पण, डेटा प्रचंड प्रमाणात आधीच विनामूल्य उपलब्ध आहे, जेथे जगात, तो अर्थ देखील एक डाटा प्रथम दृष्टिकोन प्रयत्न करते (Goldberg 2015) .

मी या धड्यातील दर्शविले आहेत तर, संशोधक लोक पाहून खूप जाणून घेऊ शकता. पुढील तीन अध्याय, मी आम्ही त्यांना प्रश्न (धडा 3) (4) विचारून, प्रयोग चालू, आणि त्यांना सहभागी करून थेट आमच्या डेटा संग्रह आवडीनुसार आणि संवाद साधता जर आम्ही अधिक आणि विविध गोष्टी जाणून घेऊ शकता कसे वर्णन करू थेट संशोधन प्रक्रिया (धडा 5).