2.3.1.2 အမြဲတမ်း-On

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

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

ပထမဦးစွာ, ဒေတာစုဆောင်းအမြဲ-အပေါ်ယခင်ကမဖွစျနိုငျကွနည်းလမ်းတွေထဲမှာမမျှော်လင့်ဘဲဖြစ်ရပ်များကိုလေ့လာမှသုတေသီများနိုင်ပါတယ်။ ဥပမာအားဖြင့် 2013 ခုနှစ်, နွေရာသီအတွက်တူရကီအတွက် Occupy Gezi ဆန္ဒပြပွဲများပုံမှန်အားဖြင့်ထိုအဖြစ်အပျက်စဉ်အတွင်းဆန္ဒပြသူများ၏အပြုအမူအပေါ်အာရုံစူးစိုက်မယ်လို့လေ့လာနေစိတ်ဝင်စားသုတေသီများ။ Ceren Budak နှင့် Duncan က Watts (2015) နှင့်ထိုအဖြစ်အပျက်ပြီးနောက်စဉ်အတွင်းရှေ့တော်၌, Twitter ကို-သုံးပြီးဆန္ဒပြသူတွေကိုလေ့လာဖို့ဖို့အမြဲ-အပေါ်တွစ်တာ၏သဘောသဘာဝကိုအသုံးပြုခြင်းအားဖြင့်ပိုမိုလုပ်ဆောင်နိုင်ခဲ့တယ်။ ထိုအခါသူတို့ကအတွင်းနဲ့ဖြစ်ရပ် (ပုံ 2.1) ပြီးနောက်ရှေ့တော်၌, (ထိုဆန္ဒပြပွဲနှင့် ပတ်သက်. tweet ဘူးသောသူသို့မဟုတ်သင်တန်းသားများ) Non-သင်တန်းသားများကိုတစ်ဦးနှိုင်းယှဉ်ကြည့်ပါအုပ်စုတစ်စုဖန်တီးနိုင်ခဲ့တယ်။ စုစုပေါင်းကာလ၌မိမိတို့ဟောင်းပို့စ် panel ကိုနှစျနှစျကျြော 30,000 ကလူချက်တွေကိုပါဝင်သည်။ ဒီအခြားသတင်းအချက်အလက်နှင့်အတူဆန္ဒပြပွဲများအနေဖြင့်အသုံးများသောဒေတာတိုးပွားလာခြင်းအားဖြင့်, Budak နှင့် Watts အများကြီးပိုမိုလေ့လာသင်ယူနိုင်ခဲ့ကြတယ်: သူတို့ Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူမျိုး၏အဘယျအမြိုးမြိုးခန့်မှန်းနိုင်ခဲ့ကြတယ် သင်တန်းသားများနှင့် Non-သင်တန်းသားများ, (Gezi စဉ်အတွင်းမှ Pre-Gezi နှိုင်းယှဉ်) ကိုရေတိုရေရှည်နှင့်ရေရှည်၌ (-Gezi post မှ Pre-Gezi နှိုင်းယှဉ်) နှစ်ဦးစလုံး။

ပုံ 2.1: အတွစ်တာ၏သဘာဝအစဉ်အမြဲ-on သုတေသီသူတို့နှင့် ပတ်သက်. ထည့်သွင်းထားတဲ့ဟောင်းပို့စ် panel ကိုခေါ်တော်သောအရာကိုဖန်တီးအသုံးပြုခြင်းဖြင့် 2013 ခုနှစ်၏နွေရာသီအတွက်တူရကီနိုင်ငံ Gezi ဆန္ဒပြပွဲများ Occupy လေ့လာဖို့ Budak နှင့် Watts (2015) ကအသုံးပြုဒီဇိုင်း နှစျနှစျကျြော 30,000 ကလူ။ နှိုင်းယှဉ်ခုနှစ်တွင်ဆန္ဒပြပွဲများကာလအတွင်းသင်တန်းသားများအပေါ်အာရုံစူးစိုက်သောပုံမှန်လေ့လာမှု, အဟောင်းပို့စ် panel ကို၎င်း, အဖြစ်အပျက်ပြီးနောက်စဉ်အတွင်း 1) သင်တန်းသားများမှဒေတာမီနှင့်ထိုအဖြစ်အပျက်ပြီးနောက်သူ့မတိုင်ခင် Non-သင်တန်းသားများထံမှ 2) ဒေတာကထပ်ပြောသည်။ ဒီသန့်စင်ဒေတာဖွဲ့စည်းပုံမှာစဉ်အတွင်းမှ Pre-Gezi နှိုင်းယှဉ်ခြင်း (Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်နှစ်ဦးစလုံးရေတိုရေရှည်အတွက်သင်တန်းသားများနှင့် Non-သင်တန်းသားများ၏သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူမျိုး၏အဘယျအမြိုးမြိုးကိုခန့်မှန်းရန် Budak နှင့် Watts enabled Gezi) နှင့်ရေရှည်အတွက် ()-Gezi post မှ Pre-Gezi နှိုင်းယှဉ်။

ပုံ 2.1: ကအသုံးပြုဒီဇိုင်း Budak and Watts (2015) အတွစ်တာ၏သဘာဝအစဉ်အမြဲ-on သုတေသီသူတို့နှင့် ပတ်သက်. ထည့်သွင်းထားတဲ့ဟောင်းပို့စ် panel ကိုခေါ်တော်သောအရာကိုဖန်တီးအသုံးပြုခြင်းဖြင့် 2013 ခုနှစ်၏နွေရာသီအတွက်တူရကီနိုင်ငံ Gezi ဆန္ဒပြပွဲများ Occupy လေ့လာဖို့ နှစျနှစျကျြော 30,000 ကလူ။ နှိုင်းယှဉ်ခုနှစ်တွင်ဆန္ဒပြပွဲများကာလအတွင်းသင်တန်းသားများအပေါ်အာရုံစူးစိုက်သောပုံမှန်လေ့လာမှု, အဟောင်းပို့စ် panel ကို၎င်း, အဖြစ်အပျက်ပြီးနောက်စဉ်အတွင်း 1) သင်တန်းသားများမှဒေတာမီနှင့်ထိုအဖြစ်အပျက်ပြီးနောက်သူ့မတိုင်ခင် Non-သင်တန်းသားများထံမှ 2) ဒေတာကထပ်ပြောသည်။ ဒီသန့်စင်ဒေတာဖွဲ့စည်းပုံမှာစဉ်အတွင်းမှ Pre-Gezi နှိုင်းယှဉ်ခြင်း (Gezi ဆန္ဒပြပွဲများတွင်ပါဝင်ရန်နှင့်နှစ်ဦးစလုံးရေတိုရေရှည်အတွက်သင်တန်းသားများနှင့် Non-သင်တန်းသားများ၏သဘောထားများအတွက်အပြောင်းအလဲများကိုခန့်မှန်းဖို့ပိုဖွယ်ရှိခဲ့ကြသည်လူမျိုး၏အဘယျအမြိုးမြိုးကိုခန့်မှန်းရန် Budak နှင့် Watts enabled Gezi) နှင့်ရေရှည်အတွက် ()-Gezi post မှ Pre-Gezi နှိုင်းယှဉ်။

ဒါဟာ 30,000 လူများအတွက်ထိုကဲ့သို့သောအချက်အလက်များစုဆောင်းခြင်းအတော်လေးစျေးကြီးကြပြီဖြစ်သော်လည်းဤအခန့်မှန်းချက်အခြို့, ဒေတာစုဆောင်းသတင်းရပ်ကွက်များ (ဥပမာ, သဘောထားပြောင်းလဲမှု၏ရေရှည်ခန့်မှန်းချက်) အမြဲ-အပေါ်မပါဘဲကြပြီနိုင်ကြောင်းမှန်သည်။ ထိုအပင်တစ်န့်အသတ်ဘတ်ဂျက်ပေးထားငါမရှိမဖြစ်လိုအပ်တဲ့သုတေသီများအချိန်အတွက်ပြန်ခရီးနှင့်တိုက်ရိုက်အတိတ်အတွက်သင်တန်းသားများအမူအကျင့်ကိုစောငျ့ရှောကျဖို့ခွင့်ပြုမဆိုအခြားနည်းလမ်းစဉ်းစားလို့မရပါဘူး။ အနီးဆုံးကအခြားရွေးချယ်စရာအမူအကျင့်များနောက်ကြောင်းပြန်အစီရင်ခံစာများစုဆောင်းဖို့ဖြစ်လိမ့်မယ်, ဒါပေမဲ့အဲဒီအစီရင်ခံစာများကန့်သတ်အသေးစိတ်မှုနှင့်မေးခွန်းထုတ်စရာတိကျမှန်ကန်မှု၏လိမ့်မည်။ စားပွဲတင် 2.1 တစ်မျှော်လင့်မထားတဲ့အဖြစ်အပျက်လေ့လာဖို့တစ်ဦးအမြဲ-အပေါ်ဒေတာအရင်းအမြစ်ကိုသုံးကြောင်းလေ့လာမှုများ၏အခြားဥပမာပေးစွမ်းသည်။

စားပွဲတင် 2.1: အမြဲ-အပေါ်ကြီးမားတဲ့ data တွေကိုသတင်းရပ်ကွက်များ အသုံးပြု. မမျှော်လင့်ဘဲဖြစ်ရပ်များ၏လေ့လာရေး။
မျှော်လင့်မထားတဲ့အဖြစ်အပျက် အမြဲတမ်း-အပေါ်ဒေတာအရင်းအမြစ် ဆင့်ခေါ်ချက်
တူရကီနိုင်ငံ 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)

ဒုတိယအချက်မှာအမြဲ-အပေါ်ဒေတာစုဆောင်းမူဝါဒချမှတ်သူများမယ့်လက်ရှိအပြုအမူကနေလေ့လာသင်ယူဒါပေမယ့်လည်းသူကတုံ့ပြန်မဟုတ်ချင်ဘယ်မှာ setting တွင်အရေးကြီးသောဖြစ်နိုငျသော Real-time တိုင်းတာ, ထုတ်လုပ်သုတေသီများနိုင်ပါတယ်။ ဥပမာအားဖြင့်, ဆိုရှယ်မီဒီယာဒေတာသဘာဝဘေးအန္တရာယ်တုံ့ပြန်လမ်းပြသုံးနိုင်တယ် (Castillo 2016)

နိဂုံးအတွက်, ဒေတာစနစ်များကိုအမြဲ-အပေါ်မျှော်လင့်မထားတဲ့ဖြစ်ရပ်များကိုလေ့လာနှင့်မူဝါဒချမှတ်သူများမှ real-time သတင်းအချက်အလက်များကိုသုတေသီများက enable ။ ငါ, သို့သော်, ကြောင်းအမြဲ-အပေါ်ဒေတာစနစ်များကိုအချိန်ရဲ့ရှည်လျားကာလကျေ​​ာ်အပြောင်းအလဲများကိုခြေရာခံရန်သုတေသနပညာရှင်များကို enable ကြောင်းအဆိုပြုကြဘူး။ များစွာသောကြီးမားသောဒေတာစနစ်များကိုအဆက်မပြတ်ပြောင်းလဲနေတဲ့-တစ်ဦးကြောင့်ပျံ့ (ပုဒ်မ 2.3.2.4) လို့ခေါ်တဲ့လုပ်ငန်းစဉ်တွေဖြစ်ပါတယ်။