2.3.1.2 שטענדיק-אויף

שטענדיק-אויף גרויס דאַטן ענייבאַלז די לערנען פון אומגעריכט געשעענישן און פאַקטיש-צייַט מעזשערמאַנט.

פילע גרויס דאַטן סיסטעמען זענען שטענדיק-אויף; זיי זענען קעסיידער קאַלעקטינג דאַטן. דאס שטענדיק-אויף כאַראַקטעריסטיש גיט ריסערטשערז מיט לאַנדזשאַטודאַנאַל דאַטן (ד"ה, דאַטן איבער צייַט). ווייל שטענדיק-אויף האט צוויי וויכטיק ימפּלאַקיישאַנז פֿאַר פאָרשונג.

ערשטער, שטענדיק-אויף דאַטן זאַמלונג ענייבאַלז ריסערטשערז צו לערנען אומגעריכט געשעענישן אין וועגן וואס זענען נישט מעגלעך ביז אַהער. לעמאָשל, ריסערטשערז אינטערעסירט אין סטאַדיינג די אָקקופּי געזי פּראַטעס אין טערקיי אין די זומער פון 2013 וואָלט טיפּיקלי פאָקוס אויף די נאַטור פון פּראָטעסטערס בעשאַס דער געשעעניש. סערען בודאַק און דונקאַן וואַטץ (2015) זענען געווען ביכולת צו טאָן מער דורך ניצן די שטענדיק-אויף נאַטור פון טוויטטער צו לערנען טוויטטער-ניצן פּראָטעסטערס איידער, בעשאַס, און נאָך די געשעעניש. און, זיי זענען ביכולת צו שאַפֿן אַ פאַרגלייַך גרופּע פון ​​ניט-פּאַרטיסאַפּאַנץ (אָדער פּאַרטיסאַפּאַנץ וואס האט ניט טוועעט וועגן די פּראָטעסט) איידער, בעשאַס, און נאָך די געשעעניש (Figure 2.1). אין גאַנץ זייער עקס-פּאָסטן טאַפליע ינקלודעד די טוועעץ פון 30,000 מענטשן איבער צוויי יאר. דורך אַוגמענטינג די קאַמאַנלי געניצט דאַטן פון די פּראַטעס מיט דעם אנדערע אינפֿאָרמאַציע, בודאַק און וואַטץ זענען ביכולת צו לערנען פיל מער: זיי זענען ביכולת צו שאַצן וואָס מינים פון מענטשן זענען מער מסתּמא צו אָנטייל נעמען אין די געזי פּראַטעס און צו אָפּשאַצן די ענדערונגען אין אַטאַטודז פון פּאַרטיסאַפּאַנץ און ניט-פּאַרטיסאַפּאַנץ, ביידע אין די קורץ-טערמין (קאַמפּערינג PRE-געזי צו בעשאַס געזי) און אין די לאַנג-טערמין (קאַמפּערינג PRE-געזי צו פּאָסטן-געזי).

ציפער 2.1: פּלאַן געניצט דורך בודאַק און וואַטץ (2015) צו לערנען די אָקקופּי געזי פּראַטעס אין טערקיי אין די זומער פון 2013. דורך ניצן די שטענדיק-אויף נאַטור פון טוויטטער, די ריסערטשערז Created וואָס זיי גערופֿן אַן עקס-פּאָסטן טאַפליע אַז ינקלודעד וועגן 30,000 מענטשן איבער צוויי יאר. אין קאַנטראַסט די טיפּיש לערנען אַז פאָקוסעד אויף פּאַרטיסאַפּאַנץ בעשאַס די פּראַטעס, דער עקס-פּאָסטן טאַפליע מוסיף 1) דאַטן פון פּאַרטיסאַפּאַנץ איידער און נאָך די געשעעניש און 2) דאַטע פון ​​נאַן-פּאַרטיסאַפּאַנץ איידער, בעשאַס, און נאָך די געשעעניש. דאס ענריטשט דאַטן סטרוקטור ענייבאַלד בודאַק און וואַטץ צו אָפּשאַצן וואָס מינים פון מענטשן זענען מער מסתּמא צו אָנטייל נעמען אין די געזי פּראַטעס און צו אָפּשאַצן די ענדערונגען אין אַטאַטודז פון פּאַרטיסאַפּאַנץ און ניט-פּאַרטיסאַפּאַנץ, ביידע אין די קורץ-טערמין (קאַמפּערינג PRE-געזי צו בעשאַס געזי) און אין די לאַנג-טערמין (קאַמפּערינג PRE-געזי צו פּאָסטן-געזי).

ציפער 2.1: פּלאַן געניצט דורך Budak and Watts (2015) צו לערנען די אָקקופּי געזי פּראַטעס אין טערקיי אין די זומער פון 2013. דורך ניצן די שטענדיק-אויף נאַטור פון טוויטטער, די ריסערטשערז Created וואָס זיי גערופֿן אַן עקס-פּאָסטן טאַפליע אַז ינקלודעד וועגן 30,000 מענטשן איבער צוויי יאר. אין קאַנטראַסט די טיפּיש לערנען אַז פאָקוסעד אויף פּאַרטיסאַפּאַנץ בעשאַס די פּראַטעס, דער עקס-פּאָסטן טאַפליע מוסיף 1) דאַטן פון פּאַרטיסאַפּאַנץ איידער און נאָך די געשעעניש און 2) דאַטע פון ​​נאַן-פּאַרטיסאַפּאַנץ איידער, בעשאַס, און נאָך די געשעעניש. דאס ענריטשט דאַטן סטרוקטור ענייבאַלד בודאַק און וואַטץ צו אָפּשאַצן וואָס מינים פון מענטשן זענען מער מסתּמא צו אָנטייל נעמען אין די געזי פּראַטעס און צו אָפּשאַצן די ענדערונגען אין אַטאַטודז פון פּאַרטיסאַפּאַנץ און ניט-פּאַרטיסאַפּאַנץ, ביידע אין די קורץ-טערמין (קאַמפּערינג PRE-געזי צו בעשאַס געזי) און אין די לאַנג-טערמין (קאַמפּערינג PRE-געזי צו פּאָסטן-געזי).

עס איז אמת אַז עטלעכע פון ​​די עסטאַמאַץ קען האָבן שוין געמאכט אָן שטענדיק-אויף דאַטן זאַמלונג קוואלן (למשל, לאַנג-טערמין עסטאַמאַץ פון שטעלונג טוישן), כאָטש אַזאַ דאַטן זאַמלונג פֿאַר 30,000 מענטשן וואָלט האָבן שוין גאַנץ טייַער. און, אַפֿילו געגעבן אַ אַנלימאַטאַד בודזשעט, איך קען נישט טראַכטן פון קיין אנדערע אופֿן אַז יסענשאַלי אַלאַוז ריסערטשערז צו אַרומפאָרן צוריק אין מאָל און גלייַך אָבסערווירן פּאַרטיסאַפּאַנץ נאַטור אין די פאַרגאַנגענהייַט. די קלאָוסאַסט אנדער ברירה וואָלט זייַן צו קלייַבן רעטראַספּעקטיוו מעלדעט פון נאַטור, אָבער די מעלדעט וואָלט זייַן פון באגרענעצט גראַנולאַריטי און פּראָבלעמאַטיש אַקיעראַסי. טיש 2.1 גיט אנדערע יגזאַמפּאַלז פון שטודיום אַז נוצן אַ שטענדיק-אויף דאַטן מקור צו לערנען אַ אומגעריכט געשעעניש.

טיש 2.1: סטודיעס פון אומגעריכט געשעענישן ניצן שטענדיק-אויף גרויס דאַטן קוואלן.
אומגעריכט געשעעניש שטענדיק-אויף דאַטן מקור סייטיישאַן
פאַרנעמען געזי באַוועגונג אין טערקיי טוויטטער Budak and Watts (2015)
שירעם פּראַטעס אין האָנג קאָנג וועיבאָ Zhang (2016)
שוטינגז פון פּאָליצייַ אין ניו יארק סיטי האַלטן-און-פריסק מעלדעט Legewie (2016)
מענטש דזשוינינג ייסאַס טוויטטער Magdy, Darwish, and Weber (2016)
11 סעפטעמבער 2001 באַפאַלן livejournal.com Cohn, Mehl, and Pennebaker (2004)
11 סעפטעמבער 2001 באַפאַלן פּיידזשער אַרטיקלען Back, Küfner, and Egloff (2010) , Pury (2011) , Back, Küfner, and Egloff (2011)

רגע, שטענדיק-אויף דאַטן זאַמלונג ענייבאַלז ריסערטשערז צו פּראָדוצירן פאַקטיש-צייַט מעזשערמאַנץ, וואָס קענען זיין וויכטיק אין סעטטינגס ווו פּאָליטיק מייקערז ווילן צו נישט נאָר לערן פון יגזיסטינג אָפּפירונג אָבער אויך ריספּאַנד צו עס. לעמאָשל, געזעלשאַפטלעך מידיאַ דאַטן קענען זיין געניצט צו פירן רעספּאָנסעס צו נאַטירלעך דיזאַסטערז (Castillo 2016) .

אין מסקנא, שטענדיק-אויף דאַטאַ סיסטעמס געבן ריסערטשערז צו לערנען אומגעריכט געשעענישן און צושטעלן פאַקטיש-צייַט אינפֿאָרמאַציע צו פּאָליטיק מייקערז. איך האט ניט, אָבער, פאָרשלאָגן אַז אַז שטענדיק-אויף דאַטאַ סיסטעמס געבן ריסערטשערז צו שפּור ענדערונגען איבער לאַנג פּיריאַדז פון צייַט. אַז איז ווייַל פילע גרויס דאַטאַ סיסטעמס זענען קעסיידער טשאַנגינג-אַ פּראָצעס גערופֿן DRIFT (אָפּטיילונג 2.3.2.4).