Potencjał Big Data w badaniach społecznych

• Authors: Remigiusz Żulicki

Title variants

EN

The Potential of Big Data in Social Research

• Languages of publication: PL

Abstracts

PL

Problematykę podjęto z powodu epistemologicznych „obietnic”, pojawiających się wśród entuzjastów Big Data. Przedyskutowano możliwości wykorzystania Big Data jako metody czy techniki badań społecznych. Krytycznej ocenie poddano wspomniane „obietnice” oraz popularne w środowisku Big Data hasła o śmierci ekspertów. Wnioski dotyczą szans i zagrożeń poznawczych, szczególnie w naukach społecznych. Uznano, że stosowanie Big Data może być narzędziem poznania świata w różnych dziedzinach życia. Niezbędne jest jednak podejście sceptyczne. Dla socjologów poznawanie samego zjawiska przedstawiono jako cenne dla rozumienia społeczeństwa informacyjnego. Wskazano także możliwy kierunek przyszłych badań Big Data.

EN

The problem was taken up by the epistemological promises emerging among the Big Data enthusiasts. There have been discussions about the use of Big Data as a method or a technique for social research. Also, the promises mentioned above and the common ‘the end of experts’ slogan were criticised. Conclusions concern cognitive opportunities and risks, especially in the social sciences. It was considered that Big Data could be known as a knowledge acquisition tool. However, a strong skeptical approach is necessary. For sociologists, exploring the phenomenon itself is valuable for understanding the information society. The possible direction of future Big Data research is also indicated.

Keywords

PL

Big Data; epistemologia; metody badań społecznych; społeczeństwo informacyjne

EN

Big Data; research methodology; information society; epistemology

• Publisher: Institute of Philosophy and Sociology, Polish Academy of Sciences
• Journal: Studia Socjologiczne
• Year: 2017
• Issue: 3(226)
• Pages: 175-207

Contributors

author

Remigiusz Żulicki

• Uniwersytet Łódzki, Katedra Socjologii Kultury, ul. Rewolucji 1905r. nr 41, 90-214 Łódź

References

• Abriszewski, Krzysztof. 2010. Wszystko otwarte na nowo. Teoria Aktora-Sieci i filozofia kultury. Toruń: Wydawnictwo Naukowe UMK.
• Abriszewski, Krzysztof. 2012. Poznanie, zbiorowość, polityka. Analiza Teorii Aktora-Sieci Bruno Latoura. Kraków: TAiWPN Uniwersitas.
• Amazon. 2017. https://www.amazon.com/gp/site-directory/ (dostęp 16.02.2017).
• Babbie, Earl. 2003. Badania społeczne w praktyce. Tłum. W. Betkiewicz, M. Bucholc i P. Gadoms. Warszawa: WN PWN.
• Barabási, Albert-László. 2002. Linked: The New Science of Networks. Cambridge, MA: Perseus Publishing.
• Bamman, David i Noah A. Smith. 2015. Contextualized Sarcasm Detection on Twitter. „International AAAI Conference on Web and Social Media, North America” (04.2015.), http://www.aaai.org/ocs/index.ph0p/ICWSM/ICWSM15/paper/view/ 10538/10445.
• Barcelona GSE. 2017. Text Mining for Social Sciences; http://www.barcelonagse.eu/tmp/pdf/Text_Mining_Social_Sciences.pdf (dostęp 22.02.2017).
• Bauman, Zygmunt. 2007. Płynne życie. Tłum. T. Kunz. Kraków: Wydawnictwo Literackie.
• Berman, J. Jules. 2013. Principles of Big Data: Preparing, Sharing, and Analyzing Complex Information. Waltham: Elsevier.
• Castells, Manuel. 2013. Społeczeństwo sieci. Tłum. M. Marody, K. Pawluś i J. Stawiński. Warszawa: WN PWN.
• Chen, Hsinchun, H.L. Roger Chiang i C. Veda Storey. 2012. Business Intelligence and Analytics: From Big Data to Big Impast. „MIS Quarterly” 36/4: 1165–1188.
• Cukier, Kenneth i Victor Mayer-Schönberger. 2014. Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie. Tłum. M. Głatki. Warszawa: MT Biznes Ltd.
• Data Science Central. 2012. http://www.datasciencecentral.com/forum/topics/the-3vs-that-define-big-data [wpis na forum], wypowiedź użytkownika o nicku „Steve” (06.07.2012 r., godzina 11:21) [dostęp 25.01.2017].
• DARIAH-EU. 2017. http://www.dariah.eu/ (dostęp 27.02.2017).
• Davenport, H. Thomas i D.J. Patil. 2012. Data Scientist: The Sexiest Job of The 21st Century. „Harvard Business Review” (10.2012), https://hbr.org/2012/10/data-sci- entist-the-sexiest-job-of-the-21st-century.
• Diebold, X. Francis. 2012. A Personal Perspective on the Origin(s) and Development of “Big Data”: The Phenomenon, the Term, and the Discipline, (26.11.2012), http://www.ssc.upenn.edu/~fdiebold/papers/paper112/Diebold_Big_Data.pdf (dostęp 14.01.2017).
• Dijck, van José. 2014. Datafication, Dataism and Dataveillance: Big Data between scientific paradigm and ideology. „Surveillance & Society” 12: 197–208.
• Dugas, F. Anderea, Yu-Hsiang Hsieh, Scott R. Levin, Jesse M. Pines, Darren P. Mareiniss, Amir Mohareb, Charlotte A. Gaydos, Trish M. Perl i Richard E. Rothman. 2012. Google Flu Trends: Correlation With Emergency Department Influenza Rates and Crowding Metrics. „Clinical Infection Diseases” 54/4: 463–469, doi:10.1093/cid/cir883.
• Dutcher, Jennifer. 2014. What is Big Data?, Blog Data Science Berkley, https://data-science.berkeley.edu/what-is-big-data (dotęp 03.08.2014).
• Dzieciątko, Mariusz i Dominik Spinczyk. 2016. Text mining. Metody, narzędzia, zastosowania. Warszawa: WN PWN.
• Freeman, Linton. 2011. The Development of Social Network Analysis –with an Emphasis on Recent Events. W: J. Scott i P.J. Carrington (red.). The Sage Handbook of Social Media Analysis. London: SAGE.
• Fung, Kaiser. 2014. Google Flu Trends’ Failure Shows Good Data > Big Data. „Harvard Business Review” (25.03.2014), https://hbr.org/2014/03/google-flu-trends-failure-shows-good-data-big-data.
• Gandomi, Amir i Murtaza Haider. 2015. Beyond the Hype: Big Data Concepts, Methods, and Analytics. „International Journal of Information Management” 35/2: 137–144.
• Ginsberg, Jeremy, Matthew H. Mohebbi, Rajan S. Patel, Lynnette Brammer, Mark S. Smolinski i Larry Brilliant. 2009. Detecting Influenza Epidemics Using Search Engine Query Data. „Nature” 457: 1012–1014, doi:10.1038/nature07634.
• Google Trends, https://www.google.pl/trends/explore?q=Big%20Data
• Ignatow, Gabe i Rada Mihalcea. 2016. Text Mining. A Guidebook for the Social Sciences. London: SAGE.
• Iwasiński, Łukasz. 2016. Społeczne zagrożenia danetyzacji rzeczywistości. W: B. Sosińska-Kalata (red.). Nauka o informacji w okresie zmian. Informatologia i humanistyka cyfrowa. Warszawa: Wydawnictwo SBP, s. 135–146.
• Kao, Anne i Stephen R. Poteet (red.). 2010. Natural Language Processing and Text Mining. Springer-Verlag London Limited.
• KCS. Computational Text Analysis for Social Sciences; http://www.kcl.ac.uk/study/graduate-school/doctoral-training-centre/training/quantitative-training-competi-tion.aspx.
• Kitchin, Robert. 2014. Big Data, New Epistemologies and Paradigm Shifts. „Big Data and Society Sage” (Jun 2014), doi: 10.1177/2053951714528481.
• Konecki, T. Krzysztof. 2000. Studia z metodologii badań jakościowych. Teoria ugruntowana. Warszawa: WN PWN.
• Kongres Badaczy. 2015. http://www.kongresbadaczy.pl/2015/index.php/po-co-sluchac-ludzi-skoro-wszystko-o-nich-wiemy-o-sztuce-interpretacji-danych-niedeklaratywnych (dostęp 13.02.2017).
• Krzysztofek, Kazimierz. 2012. Big Data Society. Technologie samozapisu i samopokazu. „Transformacje. Pismo interdyscyplinarne” 1–4(72–55): 223–257.
• Krzysztofek, Kazimierz. 2015. Technologie cyfrowe w dyskursach o przyszłości pracy. „Studia Socjologiczne” 4: 5–31.
• Kwon, Ohbyung, Namyeon Lee i Bongsik Shin. 2014. Data Quality Management, Data Usage Experience and Acquisition Intention of Big Data Analytics. „International Journal of Information Management” 34/3: 387–394.
• LaCH UW. 2017. http://lach.edu.pl/o-laboratorium/ (dostęp 04.02.2017).
• Laney, Douglas. 2001. 3-D data management: Controlling data volume, velocity and variety. Application delivery strategies META Group Inc., http://blogs.gartner. com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data- Volume-Velocity-and-Variety.pdf.
• Larose, T. Daniel. 2006. Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych. Tłum. A. Wilbik. Warszawa: WN PWN.
• Latour, Bruno. 2013. Nadzieja Pandory. Esej o rzeczywistości w studiach nad nauką. Tłum. K. Abriszewski, A. Derra, M. Smoczyński, M. Wróblewski i M. Zuber. Toruń: Wydawnictwo Naukowe UMK.
• Lazer, David, Ryan Kennedy, Gary King i Alessandro Vespignani. 2014. The Parable of Google Flu: Traps in Big Data Analysis. „Science” 343/6167: 1203-1205, doi: 10.1126/science.1248506, http://nrs.harvard.edu/urn-3:HUL.InstRepos:12016836.
• Lazer, David i Ryan Kennedy. 2015. What We Can Learn From the Epic Failure of Google Flu Trends. „Wired” (01.10.2015), https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/.
• Lohr, Steve. 2013. The Origins of ‘Big Data’: An Etymological Detective Story. Bits Blog of New York Times (01.02.2013), http://bits.blogs.nytimes.com/2013/02/01/the-origins-of-big-data-an-etymological-detective-story/?_r=0.
• London KCLMS. 2015. Computational Text Analysis for Social Sciences; http://www. kcl.ac.uk/study/graduate-school/doctoral-training-centre/training/quantitative-training-competition.aspx (dostęp 22.02.2017).
• Lutostański, Michał. 2015. 10 mln respondentów rocznie to nie jest mała grupa. „Badania marketingowe. Rocznik Polskiego Towarzystwa Badaczy Rynku i Opinii – 2014/15 – edycja XIX”, s. 58.
• Maison, Dominika. 2016. Czy badacze marketingowi będą jeszcze potrzebni? „Badania marketingowe. Rocznik Polskiego Towarzystwa Badaczy Rynku i Opinii – 2015/16 – edycja XX”, s. 32.
• Manovich, Lev. 2011. Język nowych mediów. Tłum. P. Cypryański. Warszawa: Oficyna Wydawnicza Łośgraf.
• Marcus, James. 2004. Amazonia: Five Years at the Epicenter of the Dot.Com Juggernaut. New York: The New Press.
• Minelli, Michael, Michele Chambers i Ambiga Dhiraj. 2013. Big Data, Big Analytics. Emerging Business Intelligence and Analytic Trends for Today’s Businesses. New Jersey: John Wiley & Sons Inc.
• Mróz, Bogdan. 2016. Zrozumieć duszę konsumenta. „Badania marketingowe. Rocznik Polskiego Towarzystwa Badaczy Rynku i Opinii – 2015/16 – edycja XX”, s. 5–9.
• Niedbalski, Jakub. 2013. Odkrywanie CAQDAS. Łódź: Wydawnictwo Uniwersytetu Łódzkiego.
• O’Connor, Brendan, David Bamman i Noah A. Smith. 2011. Computational Text Analysis for Social Science: Model Complexity and Assumptions. Proc. of the NIPS Workshop on Computational Social Science and the Wisdom of Crowds, http://people.cs.umass.edu/~wallach/workshops/nips2011css/papers/OConnor.pdf.
• Ohlhorst, J. Frank. 2013. Big Data Analytics: Turning Big Data into Big Money. Wiley and SAS Business Series.
• Paharia, Rajat. 2014. Lojalność 3.0: jak zrewolucjonizować zaangażowanie klientów i pracowników dzięki big data i rywalizacji. Tłum. D. Gasper. Warszawa: MT Biznes Ltd.
• Powers, William. 2014. Wyloguj się do życia. Tłum. E. Kleszcz. Warszawa: Grupa Wydawnicza PWN.
• Przanowski, Karol. 2014. Credit Scoring w erze Big Data. Warszawa: Oficyna Wydawnicza SGH.
• PTS. 2016. Program XVI Ogólnopolskiego Zjazdu Socjologicznego, Gdańsk 14-17 września 2016, s. 44, http://16zjazdpts.pl (dostęp 08.02.2017).
• Quantified Self Poland. 2017. https://pl-pl.facebook.com/QuantifiedSelfPoland/ (dostęp 21.02.2017).
• RENOIR. 2017. http://www.renoirproject.eu/ (dostęp 17.02.2017).
• Savage, Mike i Roger Burrows. 2007. The Coming Crisis of Empirical Sociology. „Sociology SAGE” 41(5): 885–899.
• Schreibman, Susan, Ray Siemens i John Unsworth. 2004. A Companion to Digital Humanities. Oxford: Blackwell.
• Silver, Nate. 2014. Sygnał i szum. Sztuka prognozowania w erze technologii. Tłum. M. Lipa. Gliwice: Wydawnictwo Helion.
• Soubra, Diya. 2012. The tree Vs that define big data, Data Science Central, http://www.datasciencecentral.com/forum/topics/the-3vs-that-define-big-data (dostęp 28.01.2017).
• Sumbul, Michel. 2014. Big Data problematic [wpis na blogu] http://whatsbigdata.be/category/big-data-overview/ (dostęp 30.01.2017).
• Starzyński, Sebastian. 2015. Big data zagrożenie czy szansa dla branży badawczej. „Badania marketingowe. Rocznik Polskiego Towarzystwa Badaczy Rynku i Opinii – 2014/15 – edycja XIX”, s. 34.
• TechAmerica Foundation’s Federal Big Data Commission. 2012. Demystifying big data: A practical guide to transforming the business of Government, http://www. techamerica.org/Docs/fileManager.cfm?f=techamerica-bigdatareport-final.pdf (dostęp 26.01.2017).
• Turner, Vernon. 2014. The Digital Universe of Opportunities, IDC (04.2014), http://www.emc.com/leadership/digital-universe/2014iview/index.htm (dostęp 19.01.2017).
• UNECE. 2014. How big is Big Data? Exploring the role of Big Data in Official Statistics, http://www1.unece.org/stat/platform/pages/viewpage.action?pageId=99484307 (dostęp 14.01.2017).
• Wójcik, Paweł. 2016. Czy/kiedy podejście BIG DATA zastąpi badania marketingowe? „Badania marketingowe. Rocznik Polskiego Towarzystwa Badaczy Rynku i Opinii – 2015/16 – edycja XX”, s. 30.