2.3.1.2 ఎల్లప్పుడూ ఆన్

ఎప్పుడూ పెద్ద డేటా అనూహ్య సంఘటనలు మరియు వాస్తవ కాల లెక్కింపు అధ్యయనం అనుమతిస్తుంది.

అనేక పెద్ద డేటా సిస్టమ్స్ ఎప్పుడూ ఉంటాయి; వారు నిరంతరం డేటా సేకరిస్తున్నారు. ఈ ఎప్పుడూ లక్షణం రేఖీయ డేటా తో పరిశోధకులు అందిస్తుంది (అంటే, కాలక్రమేణా డేటా). ఎప్పుడూ ఉండటం పరిశోధనకు రెండు ముఖ్యమైన చిక్కులను కలిగి ఉంది.

మొదటి, ఎప్పుడూ డేటా సేకరణ పరిశోధకులు గతంలో సాధ్యంకాని విధంగా విధాలుగా ఊహించని సంఘటనలు అధ్యయనం పనికొస్తుంది. ఉదాహరణకు, 2013 వేసవిలో టర్కీలో Gezi నిరసనలు ఆక్రమిస్తాయి చదవాలనే ఆసక్తి పరిశోధకులు సాధారణంగా ఘటనలో నిరసనకారులు ప్రవర్తన పై దృష్టి సారించారు. Ceren Budak మరియు డంకన్ వాట్స్ (2015) సమయంలో, ముందు నిరసనకారులు ట్విట్టర్ ఉపయోగించి అధ్యయనం అసాధారణంగా ట్విటర్ ఎప్పుడూ స్వభావం ఉపయోగించి మరింత చేస్తామని ఉన్నాయి, మరియు ఆ సంఘటన తర్వాత. మరియు, వారు కాని పాల్గొనే (లేదా నిరసన గురించి ట్వీట్ చేయని పాల్గొనేవారు) పోలిక సమూహం ముందు, సందర్భంగా సృష్టించడానికి పోయారు, మరియు ఆ సంఘటన తర్వాత (మూర్తి 2.1). మొత్తంగా వారి మాజీ పోస్ట్ ప్యానెల్ రెండేళ్లలో 30,000 మంది ట్వీట్లు చేర్చారు. వారు ప్రజల రకాల Gezi నిరసనలు పాల్గొనేందుకు మరియు వైఖరిలో మార్పులు అంచనా అవకాశం ఎక్కువగా అంచనా పోయారు: ఈ ఇతర సమాచారంతో నిరసనలు సామాన్యంగా ఉపయోగించే డేటా వృద్ధి చేయడంతోపాటు ద్వారా, Budak అండ్ వాట్స్ మరింత తెలుసుకోవడానికి పోయారు పాల్గొనే మరియు కాని పాల్గొనే రెండు స్వల్పకాలంలోనే (ముందు Gezi వరకు Gezi సమయంలో పోల్చడం) మరియు దీర్ఘ-కాలిక లో (పోస్ట్-Gezi ముందే Gezi పోల్చడం).

మూర్తి 2.1: అధ్యయనం Budak మరియు వాట్స్ (2015) ఉపయోగించిన నమూనాపై ట్విటర్ ఎప్పుడూ స్వభావం ఉపయోగించడం ద్వారా 2013. వేసవిలో టర్కీలో Gezi నిరసనలు ఆక్రమిస్తాయి, పరిశోధకులు వారు గురించి చేర్చారు ఒక మాజీ పోస్ట్ ప్యానెల్ పిలిచారు రూపొందించినవారు రెండు సంవత్సరాలుగా 30,000 మంది. దీనికి విరుద్ధంగా నిరసన సమయంలో పాల్గొన్న దృష్టి సామాన్య అధ్యయనం, మాజీ పోస్ట్ ప్యానెల్ ముందు మరియు సంఘటన తర్వాత మరియు 2) ముందు కాని పాల్గొనే నుండి డేటా, సమయంలో, మరియు ఈవెంట్ తర్వాత 1) దారుల నుండి డేటా జతచేస్తుంది. ఈ సుసంపన్నం డేటా నిర్మాణం ప్రజలు ఏ రకాల (సమయంలో ముందే Gezi పోల్చడం స్వల్పకాలంలోనే రెండు, Gezi నిరసనలు పాల్గొనేందుకు మరియు పాల్గొనే మరియు కాని పాల్గొనే వైఖరిలో మార్పులు అంచనా అవకాశం ఎక్కువగా అంచనా వేయడం Budak మరియు వాట్స్ ఎనేబుల్ Gezi) మరియు దీర్ఘకాలిక (పోల్చడం ముందు Gezi కు పోస్ట్-Gezi).

మూర్తి 2.1: ఉపయోగించిన నమూనాపై Budak and Watts (2015) అధ్యయనం అసాధారణంగా ట్విటర్ ఎప్పుడూ స్వభావం ఉపయోగించడం ద్వారా 2013. వేసవిలో టర్కీలో Gezi నిరసనలు ఆక్రమిస్తాయి, పరిశోధకులు వారు గురించి చేర్చారు ఒక మాజీ పోస్ట్ ప్యానెల్ పిలిచారు రూపొందించినవారు రెండు సంవత్సరాలుగా 30,000 మంది. దీనికి విరుద్ధంగా నిరసన సమయంలో పాల్గొన్న దృష్టి సామాన్య అధ్యయనం, మాజీ పోస్ట్ ప్యానెల్ ముందు మరియు సంఘటన తర్వాత మరియు 2) ముందు కాని పాల్గొనే నుండి డేటా, సమయంలో, మరియు ఈవెంట్ తర్వాత 1) దారుల నుండి డేటా జతచేస్తుంది. ఈ సుసంపన్నం డేటా నిర్మాణం ప్రజలు ఏ రకాల (సమయంలో ముందే Gezi పోల్చడం స్వల్పకాలంలోనే రెండు, Gezi నిరసనలు పాల్గొనేందుకు మరియు పాల్గొనే మరియు కాని పాల్గొనే వైఖరిలో మార్పులు అంచనా అవకాశం ఎక్కువగా అంచనా వేయడం Budak మరియు వాట్స్ ఎనేబుల్ Gezi) మరియు దీర్ఘకాలిక (పోల్చడం ముందు Gezi కు పోస్ట్-Gezi).

ఇది ఈ అంచనాలు కొన్ని లేకుండా చేసిన ఎలాగంటే నిజం ఎప్పుడూ డేటా సేకరణ మూలాలు (ఉదాహరణ, వైఖరి మార్పు దీర్ఘకాల అంచనాలు), 30,000 మంది ఇటువంటి డేటా సేకరణ చాలా ఖరీదైన ఉండేవి అయితే. మరియు, కూడా ఒక అపరిమిత బడ్జెట్ ఇచ్చిన, నేను తప్పనిసరిగా పరిశోధకులు సమయంలో తిరిగి వెళ్ళటానికి మరియు నేరుగా గతంలో పాల్గొనే తీరును పరిశీలించడానికి అనుమతించే ఏ ఇతర పద్ధతి భావిస్తారు కాదు. సన్నిహిత ప్రత్యామ్నాయ ప్రవర్తన యొక్క పునరావృత్త నివేదికలు సేకరించడానికి ఉంటుంది, కానీ ఈ నివేదికలు పరిమిత ఆకృతి మరియు అనుమానాస్పదమైన ఖచ్చితత్వం యొక్క ఉంటుంది. టేబుల్ 2.1 ఎల్లప్పుడూ ఆన్లో డేటా మూలం ఊహించని సంఘటన అధ్యయనం చేయడానికి ఉపయోగించే అధ్యయనాలు ఇతర ఉదాహరణలు అందిస్తుంది.

టేబుల్ 2.1: ఎప్పుడూ ఉపయోగించి పెద్ద డేటా మూలాల ఊహించని సంఘటనలు స్టడీస్.
ఊహించని సంఘటన ఎప్పుడూ డేటా మూలం citation
టర్కీలో Gezi ఉద్యమం ఆక్రమిస్తాయి ట్విట్టర్ Budak and Watts (2015)
హాంగ్ కాంగ్ లో గొడుగు నిరసనలు Weibo Zhang (2016)
న్యూ యార్క్ సిటీ పోలీసు కాల్పుల ఆపు మరియు కుప్పిగంతులు వేయు నివేదికలు Legewie (2016)
వ్యక్తి ఐసిస్ చేరిన ట్విట్టర్ Magdy, Darwish, and Weber (2016)
సెప్టెంబర్ 11, 2001 దాడి livejournal.com Cohn, Mehl, and Pennebaker (2004)
సెప్టెంబర్ 11, 2001 దాడి పేజర్ సందేశాలను Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011)

రెండవది, ఎప్పుడూ డేటా సేకరణ పరిశోధకులు విధాన నిర్ణేతలు కేవలం ఉన్న ప్రవర్తన నుండి తెలుసుకోవడానికి కాదు కానీ కూడా అది స్పందించడం ఎక్కడ అమర్పులను చాలా ముఖ్యమైనవి కావచ్చు వాస్తవ కాల కొలతలు, ఉత్పత్తి అనుమతిస్తుంది. ఉదాహరణకు సామాజిక మీడియా డేటాను సహజ విపత్తుల స్పందనలు ఉపయోగపడే చేయవచ్చు (Castillo 2016) .

ముగింపు లో, ఎప్పుడూ డేటా సిస్టమ్స్ ఊహించని సంఘటనలు అధ్యయనం మరియు విధాన నిర్ణేతలు రియల్ టైమ్ సమాచారం అందించడానికి పరిశోధకులు ఎనేబుల్. నేను, అయితే, ఆ ఎప్పుడూ డేటా వ్యవస్థల పరిశోధకులు ఎక్కువ సమయం పైగా మార్పులు ట్రాక్ ఎనేబుల్ ప్రపోజ్ చేయలేదు. అనేక పెద్ద డేటా సిస్టమ్స్ నిరంతరం మారుతున్న ఒక ఎందుకంటే అనే ప్రక్రియలో చలనం (విభాగం 2.3.2.4) అంటే.