2.3.2 အမြဲတမ်း-On

အမြဲတမ်း-အပေါ်ကြီးမားတဲ့ data တွေကိုမျှော်လင့်မထားတဲ့အဖြစ်အပျက်များနှင့် Real-time တိုင်းတာခြင်း၏လေ့လာမှုနိုင်ပါတယ်။

အများစုကကြီးမားတဲ့ data တွေကိုစနစ်များကိုအမြဲ-အပေါ်ပါ၏ သူတို့အဆက်မပြတ်ဒေတာစုဆောင်းနေကြသည်။ ဤသည်အမြဲ-အပေါ်ဝိသေသ longitudinal ဒေတာ (အချိန်ကျော်ဆိုလိုသည်မှာ, ဒေတာ) နဲ့သုတေသီများပေးစွမ်းသည်။ အမြဲ-အပေါ်ဖြစ်ခြင်းသုတေသနအတွက်နှစ်ဦးအရေးကြီးသောသက်ရောက်မှုရှိပါတယ်။

ပထမဦးစွာဒေတာစုဆောင်းခြင်းကိုအမြဲ-အပေါ်မဟုတ်ရင်ဖြစ်နိုင်မှာမဟုတ်ဘူးလို့နည်းလမ်းတွေထဲမှာမမျှော်လင့်ဘဲဖြစ်ရပ်များလေ့လာဖို့သုတေသီများနိုင်ပါတယ်။ ဥပမာအားဖြင့်, 2013 ခုနှစ်နွေရာသီအတွင်းတူရကီအတွက် Occupy Gezi ဆန္ဒပြပွဲများပုံမှန်အားဖြစ်ရပ်စဉ်အတွင်းဆန္ဒပြသူများ၏အပြုအမူအပေါ်အာရုံစူးစိုက်မယ်လို့လေ့လာနေစိတ်ဝင်စားသုတေသီများ။ Ceren Budak နှင့် Duncan က Watts (2015) , နှင့်ဖြစ်ရပ်အပြီးစဉ်အတွင်းရှေ့တော်၌, တွစ်တာကိုအသုံးပြုတဲ့သူဆန္ဒပြသူတွေလေ့လာရန်အစဉ်အမြဲ-on ကိုတွစ်တာ၏သဘောသဘာဝကို အသုံးပြု. ပိုမိုလုပ်ဆောင်နိုင်ခဲ့တယ်။ နှင့်အညီ, သူတို့စဉ်အတွင်းနှင့်ဖြစ်ရပ် (ပုံ 2.2) ပြီးနောက်ရှေ့တော်၌, nonparticipants တစ်ဦးနှိုင်းယှဉ်အုပ်စုကိုဖန်တီးနိုင်ခဲ့တယ်။ စုစုပေါင်းသူတို့၏ဟောင်း post ကို panel ကိုနှစျနှစျကျြော 30,000 ကလူချက်တွေကိုပါဝင်သည်။ ဒီကတခြားသတင်းအချက်အလက်နှင့်အတူဆန္ဒပြပွဲများကနေအသုံးအများဆုံး data တွေကိုတိုးပွားလာခြင်းအားဖြင့်, Budak နှင့် Watts အများကြီးပိုမိုလေ့လာသင်ယူနိုင်ခဲ့ကြတယ်: သူတို့က Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူများ၏အဘယ်အရာကိုမျိုးကိုခန့်မှန်းနိုင်ခဲ့ကြတယ် (Gezi စဉ်အတွင်းမှ Pre-Gezi နှိုင်းယှဉ်) သည်တိုတောင်းသောသက်တမ်းအတွင်းနှင့်ရေရှည် (post-Gezi နှင့်အတူ Pre-Gezi နှိုင်းယှဉ်) တွင်နှစ်ဦးစလုံးသင်တန်းသားများနှင့် nonparticipants ။

ပုံ 2.2: အပုတွစ်တာ၏သဘောသဘာဝအစဉ်အမြဲ-on သုတေသီသူတို့အကြောင်းကိုထည့်သွင်းထားတဲ့ဟောင်း post ကို panel ကိုခေါ်တော်မူသောအရာကိုဖန်တီးအသုံးပြုခြင်းအားဖြင့် 2013 ခုနှစ်နွေရာသီအတွက်တူရကီအတွက် Gezi ဆန္ဒပြပွဲများ Occupy လေ့လာဖို့ Budak နှင့် Watts (2015) ကအသုံးပြုဒီဇိုင်း နှစ်နှစ်ကျော် 30000 လူတွေ။ , ထိုအဖြစ်အပျက်ပြီးနောက်စဉ်အတွင်း, ရှေ့တော်၌ထိုဆန္ဒပြပွဲများကာလအတွင်းသင်တန်းသားများကိုအာရုံစိုက်မယ့်ပုံမှန်လေ့လာမှုမတူဘဲခုနှစ်, ဟောင်း post ကို panel ကိုမီနှင့်ထိုအဖြစ်အပျက်ပြီးနောက်သင်တန်းသားများအနေဖြင့် 1) ဒေတာဖြည့်စွက်ခြင်းနှင့် nonparticipants ကနေ 2) ဒေတာ။ ဤသည်ကြွယ်ဝစေ data တွေကိုဖွဲ့စည်းပုံ Gezi စဉ်အတွင်းအတူ Pre-Gezi နှိုင်းယှဉ်ပါ (Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်နှစ်ဦးစလုံးရေတိုသက်တမ်းအတွက်သင်တန်းသားများကိုနှင့် Non-သင်တန်းသားများ၏သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူများ၏အဘယ်အရာကိုမျိုးကိုကိုခန့်မှန်းရန် Budak နှင့် Watts enabled ) နှင့်ရေရှည် (post-Gezi နှင့်အတူ Pre-Gezi နှိုင်းယှဉ်) ၌တည်၏။

ပုံ 2.2: ကအသုံးပြုဒီဇိုင်း Budak and Watts (2015) အတွစ်တာ၏သဘောသဘာဝအစဉ်အမြဲ-on သုတေသီသူတို့အကြောင်းကိုထည့်သွင်းထားတဲ့ဟောင်း post ကို panel ကိုခေါ်တော်မူသောအရာကိုဖန်တီးအသုံးပြုခြင်းအားဖြင့် 2013 ခုနှစ်နွေရာသီအတွက်တူရကီအတွက် Gezi ဆန္ဒပြပွဲများ Occupy လေ့လာဖို့ နှစ်နှစ်ကျော် 30000 လူတွေ။ , ထိုအဖြစ်အပျက်ပြီးနောက်စဉ်အတွင်း, ရှေ့တော်၌ထိုဆန္ဒပြပွဲများကာလအတွင်းသင်တန်းသားများကိုအာရုံစိုက်မယ့်ပုံမှန်လေ့လာမှုမတူဘဲခုနှစ်, ဟောင်း post ကို panel ကိုမီနှင့်ထိုအဖြစ်အပျက်ပြီးနောက်သင်တန်းသားများအနေဖြင့် 1) ဒေတာဖြည့်စွက်ခြင်းနှင့် nonparticipants ကနေ 2) ဒေတာ။ ဤသည်ကြွယ်ဝစေ data တွေကိုဖွဲ့စည်းပုံ Gezi စဉ်အတွင်းအတူ Pre-Gezi နှိုင်းယှဉ်ပါ (Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်နှစ်ဦးစလုံးရေတိုသက်တမ်းအတွက်သင်တန်းသားများကိုနှင့် Non-သင်တန်းသားများ၏သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူများ၏အဘယ်အရာကိုမျိုးကိုကိုခန့်မှန်းရန် Budak နှင့် Watts enabled ) နှင့်ရေရှည် (post-Gezi နှင့်အတူ Pre-Gezi နှိုင်းယှဉ်) ၌တည်၏။

တစ်ဦးကသံသယသည်ဤခန့်မှန်းချက်အချို့ဒေတာစုဆောင်းခြင်းကိုအမြဲ-အပေါ်သတင်းရင်းမြစ် (သဘောထားကိုပြောင်းလဲမှုဥပမာရေရှည်ခန့်မှန်းချက်) မပါဘဲကြပြီနိုင်ကြောင်းနှင့် 30000 လူတို့အဘို့ဤကဲ့သို့သောအချက်အလက်စုဆောင်းခြင်းအတော်လေးဖြစ်ရပြီလိုသော်လည်းအကြောင်း, မှန်ကန်သောကြောင်းထောက်ပြမယ် စျေးကြီးတဲ့။ တောင်မှတစ်န့်အသတ်ဘတ်ဂျက်ပေးထားသို့သော်ကျွန်မမရှိမဖြစ်လိုအပ်တဲ့သုတေသီများအချိန်ပြန်ခရီးနှင့်တိုက်ရိုက်အတိတ်အတွက်သင်တန်းသားများကို '' အပြုအမူကိုစောငျ့ရှောကျဖို့ခွင့်ပြုထားသည့်အခြားနည်းလမ်းကိုစဉ်းစားလို့မရပါဘူး။ အနီးဆုံးကအခြားရွေးချယ်စရာအမူအကျင့်များနောက်ကြောင်းပြန်အစီရင်ခံစာများစုဆောင်းဖို့ပါလိမ့်မယ်, ဒါပေမယ့်, ဤအစီရင်ခံစာများကန့်သတ်အသေးစိတ်မှုနှင့်မေးခွန်းထုတ်စရာတိကျမှန်ကန်မှု၏လိမ့်မည်။ စားပွဲပေါ်မှာ 2.1 အနေနဲ့မျှော်လင့်မထားတဲ့အဖြစ်အပျက်လေ့လာဖို့တစ်ခုအမြဲ-on ကိုဒေတာအရင်းအမြစ်အသုံးပြုလေ့လာမှုများ၏အခြားဥပမာပေးပါသည်။

စားပွဲတင် 2.1: အမြဲ-အပေါ်ကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်ကို အသုံးပြု. မမျှော်လင့်ဘဲဖြစ်ရပ်များ၏လေ့လာရေး။
မျှော်လင့်မထားတဲ့အဖြစ်အပျက် အမြဲတမ်း-on ကိုဒေတာအရင်းအမြစ် ဆင့်ခေါ်ချက်
တူရကီအတွက် Gezi လှုပ်ရှားမှု Occupy တွစ်တာ Budak and Watts (2015)
ဟောင်ကောင်ရှိထီးဆန္ဒပြပွဲများ Weibo Zhang (2016)
နယူးယောက်စီးတီးရှိရဲပစ်ခတ်မှု stop-and frisk အစီရင်ခံစာများ Legewie (2016)
ISIS အဖွဲ့ပူးပေါင်းပုဂ္ဂိုလ် တွစ်တာ Magdy, Darwish, and Weber (2016)
စက်တင်ဘာလ 11, 2001 တိုက်ခိုက် livejournal.com Cohn, Mehl, and Pennebaker (2004)
စက်တင်ဘာလ 11, 2001 တိုက်ခိုက် ပေဂျာမက်ဆေ့ခ်ျ Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011)

မမျှော်လင့်ဘဲဖြစ်ရပ်များလေ့လာနေအပြင်, ကြီးမားတဲ့ data တွေကိုစနစ်များကိုအစဉ်အမြဲ-အပေါ်လည်းမူဝါဒချမှတ်သူများအတွက်အစိုးရသို့မဟုတ်စက်မှုလုပ်ငန်း-လိုအခွအေနေအသိပညာအပေါ်အခြေခံပြီးတုံ့ပြန်ရန်အဘယ်မှာရှိ setting တွင်အရေးကြီးသောဖြစ်နိုင်သည့်, Real-time ခန့်မှန်းချက်ထုတ်လုပ်ရန်သုတေသီများကို enable ။ ဥပမာအားဖြင့်, လူမှုမီဒီယာဒေတာသဘာဝဘေးအန္တရာယ်အရေးပေါ်တုံ့ပြန်မှုကိုလမ်းပြဖို့အသုံးပြုနိုင်ပါတယ် (Castillo 2016) နှင့်ကွဲပြားခြားနားသောကြီးတွေဒေတာသတင်းရင်းမြစ်အမျိုးမျိုးကိုအသုံးပြုနိုင်ပါတယ်စီးပွားရေးလုပ်ဆောင်မှုများ၏ Real-time ခန့်မှန်းချက်ထုတ်လုပ်ရန် (Choi and Varian 2012)

နိဂုံးချုပ်မှာတော့ဒေတာစနစ်များကိုအစဉ်အမြဲ-on ကိုမမျှော်လင့်ဘဲဖြစ်ရပ်များကိုလေ့လာနှင့်မူဝါဒချမှတ်သူများမှ real-time သတင်းအချက်အလက်များကိုသုတေသီများကို enable ။ ငါသို့သော်အမြဲ-on ကိုဒေတာစနစ်များကိုအချိန်အလွန်ကြာမြင့်စွာကာလကျော်ပြောင်းလဲမှုများကိုခြေရာခံများအတွက်ကောင်းစွာသင့်လျော်ဖြစ်ကြောင်းသည်ဟုမထင်ကြဘူး။ များစွာသောကြီးမားသောဒေတာစနစ်များကိုအဆက်မပြတ်ပြောင်းလဲနေတဲ့-တစ်ဦးအဘယ်ကြောင့်ဆိုသော်ကျနော်အခန်း (အပိုင်း 2.3.7) တွင်အကြာတွင်ပျံ့မခေါ်ပါလိမ့်မယ်ထိုလုပ်ငန်းစဉ်ဖြစ်ပါတယ်။