Pułapki myślowe data-driven. Krytyka (nie tylko) metodologiczna

• Authors: Remigiusz Żulicki Żulicki

Title variants

EN

The mind traps of data-driven. (Not only) methodological critique

Abstracts

EN

The data-driven approach is a strong trend in modern marketing and other areas of life. From the position of methodological criticism, I discuss the data-driven mind traps. I indicate that contrary to popular beliefs: data does not speak for themselves; data is not given, but collected and generated, so biased; a larger amount of data does not necessarily mean a higher value; the tools used shape the examined reality; faith in data is a belief that is impossible to justify logically; there is no imperative but trend for the use of data and the most modern quantitative methods. I point to the links between epistemological and ethical assumptions as well as social consequences. I suggest alternatives

PL

Podejście data-driven jest silnym trendem we współczesnym marketingu i innych dziedzinach życia. Z pozycji krytyki metodologicznej autor omawia pułapki myślowe data-driven. Wskazuje, że wbrew pozorom, dane nie mówią same za siebie, dane nie są „dane”, tylko zbierane i generowane, więc nieobiektywne. Większa ilość danych nie musi oznaczać większej wartości. Stosowane narzędzia kształtują badaną rzeczywistość. Wiara w dane jest wiarą, niemożliwą do zasadniczo logicznego uzasadnienia. Panuje nie konieczność, ale moda na korzystanie z danych i najnowocześniejszych metod obliczeniowych. Autor wskazuje powiązania założeń epistemologicznych z etycznymi oraz konsekwencjami społecznymi oraz proponuje alternatywy.

Keywords

PL

data-driven; data science; sztuczna inteligencja; etnografia; metodologia

EN

data-driven; data science; artificial intelligence; ethnography; methodology

• Publisher: Polskie Wydawnictwo Ekonomiczne
• Journal: Marketing i Rynek
• Year: 2019
• Issue: 8
• Pages: 3-14

Dates

published

2019

Contributors

author

Remigiusz Żulicki Żulicki

• https://orcid.org/0000000326242422

References

• Alekseichenko, V. (2019a). 10 mitów o sztucznej inteligencji. Pozyskano z http://biznesmysli.pl/10-mitow-o-sztucznej-inteligencji/
• Alekseichenko, V. (2019b). The difference between AI vs ML. Pozyskano z https://www.linkedin.com/feed/update/urn:li:activity:6501030890754314240
• Anderson, C. (2008). The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Pozyskano z https://www.wired.com/2008/06/pb-theory/
• Arena, M. J., Pentland, A. i Price, D. (2010). Honest Signals – Hard Measures for Social Behavior. Organization Development Journal, 28(3), 11–20. Pozyskano z http://www.questia.com/library/journal/1P3-2127733261/honest-signals-hard-measures-for-social-behavior
• Artun, O., i Levin, D. (2015). Predictive Marketing: Easy Ways Every Marketer Can Use Customer Analytics and Big Data. New York: Wiley.
• Babbie, E. (2003). Badania społeczne w praktyce. Warszawa: Wydawnictwo Naukowe PWN.
• Barton, D. i Court, D. (2013). Three keys to building a data-driven strategy. Pozyskano z https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/three-keys-to-building-a-data-driven-strategy
• Biecek, P. (2015a). Pogromcy Danych. Przetwarzanie danych w programie R. Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego. Pobrano z http://pogromcydanych.icm.edu.pl/
• Biecek, P. (2015b). Pogromcy Danych. Wizualizacja oraz modelowanie danych. Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego. Pobrano z http://pogromcydanych.icm.edu.pl/
• Błażewicz, G. (2016). Rewolucja z marketing automation: jak wykorzystać potencjał Big Data. Warszawa: Wydawnictwo Naukowe PWN.
• Bornakke, T., i Due, B. L. (2018). Big–Thick Blending: A method for mixing analytical insights from big and thick data sources. Big Data & Society, 5(1), 1–16. https://doi.org/10.1177/2053951718765026
• Botsman, R. (2017). Big data meets Big Brother as China moves to rate its citizens. Pozyskano z http://www.wired.co.uk/article/chinese-government-social-credit-score-privacy-invasion
• Bowker, G. C. (2005). Memory Practices in the Sciences. Cambridge, Massachussets: MIT Press.
• Boyd, D. i Crawford, K. (2011). Six Provocations for Big Data. SSRN Electronic Journal, 1–17. https://doi.org/10.2139/ssrn.1926431
• Boyd, D. i Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information Communication and Society, 15(5), 662–679. https://doi.org/10.1080/1369118X.2012.678878
• Breiman, L. (2001). Statistical Modeling: The Two Cultures. Statistical Science, 16(3), 199–231. https://doi.org/10.2307/2676681
• Brynjolfsson, E., Hitt, L. M. i Kim, H. H. (2011). Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance? SSRN Electronic Journal. https://doi.org/10.2139/ssrn.1819486
• Cain, M. i Finch, J. (1981). Towards a Rehabilitation of Data. W: Practice and Progress: British Sociology 1950-1980. London: George Allen and Unwin.
• Ceri, S. (2018). On the role of statistics in the era of big data: A computer science perspective. Statistics i Probability Letters, 136, 68–72. https://doi.org/10.1016/j.spl.2018.02.019
• Chang, R. M., Kauffman, R. J. i Kwon, Y. (2014). Understanding the paradigm shift to computational social science in the presence of big data. Decision Support Systems, 63, 67–80. https://doi.org/10.1016/J.DSS.2013.08.008
• Chouldechova, A. (2017). Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments. Big Data, 5(2), 153–163. https://doi.org/10.1089/big.2016.0047
• Chudziak, J., i Zalewska, K. (2018). Trendy, które zmieniają brand marketing. Pozyskano z https://nowymarketing.pl/a/18202,trendy-ktore-zmieniaja-brand-marketing
• Clarke, A. E. (1991). Social Words / Arenas Theory as Organizational Theory. W Social Organization and Social Process. Essays in Honor of Anselm Strauss (s. 119–158). New York: Aldine de Gruyter.
• Clarke, A. E. (2005). Situational Analysis. Grounded Theory After the Postmodern Turn. London: Sage.
• Clarke, A. E., Friese, C. i Washburn, R. S. (2017). Situational Analysis: Grounded Theory After the Interpretive Turn. Los Angeles: Sage.
• Crawford, K., West, S. M. i Whittaker, M. (2019). Discriminating Systems: Gender, Race and Power in AI. New York. Pozyskano z https://ainowinstitute.org/discriminatingsystems.pdf
• CrowdFlower. (2017). 2017 Data Scientist Report. Pozyskano z https://visit.crowdflower.com/rs/416-ZBE-142/images/data-scientist-report-dec.pdf?mkt_tok=eyJpIjoiWXpNek5EQmtNalJsTkdWayIsInQiOiJPb29MV2JJdU81alRhbGh6OUVWcmt2UWpibXJ3cG5pSlFrNUxlVUdwT2hna1VOOU5Gd2tMU3ZEWmhoTVVmVHRXNWFhMFM4eTI1dDJwbWRJczVoTVlnRjFkQjl4ekNmT
• Cukier, K. i Mayer-Schönberger, V. (2014). Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie. Warszawa: MT Biznes.
• Culkin, J. M. (1967). A Shoolman’s Guide to Marshall McLuhan. The Saturday Review, 51–53; 70–72. Pozyskano z https://webspace.royalroads.ca/llefevre/wp-content/uploads/sites/258/2017/08/A-Schoolmans-Guide-to-Marshall-McLuhan-1.pdf
• Czech, M. (2018). 6 najczęstszych błędów podczas implementacji chatbota i jak ich uniknąć. Pozyskano z https://nowymarketing.pl/a/20278,6-najczestszych-bledow-podczas-implementacji-chatbota-i-jak-ich-uniknac
• Dalton, C. M., Taylor, L. i Thatcher, J. (2016). Critical Data Studies: A dialog on data and space. Big Data & Society, 3(1). https://doi.org/10.1177/2053951716648346
• Dasgupta, S. (2018). Machine Learning for Data Science. Pozyskano z https://www.edx.org/course/machine-learning-fundamentals-uc-san-diegox-dse220x
• DataCamp. (2018). DataCamp. The Smartest Way To Learn Data Science Online. Pozyskano z https://www.datacamp.com/
• Davenport, T. H. i Patil, D. J. (2012). Data scientist: The sexiest job of the 21st century. Harvard Business Review. https://doi.org/10.1109/MITP.2016.41
• Dijck van, J. (2014). Datafication, dataism and dataveillance: Big data between scientific paradigm and ideology. Surveillance and Society, 12(2), 197–208. https://doi.org/10.24908/ss.v12i2.4776
• Divan, M. J. (2018). Data-driven decision making. 2017 International Conference on Infocom Technologies and Unmanned Systems: Trends and Future Directions. ICTUS 2017, 50–56. https://doi.org/10.1109/ICTUS.2017.8285973
• Dunson, D. B. (2018). Statistics in the big data era: Failures of the machine. Statistics and Probability Letters, 136, 4–9. https://doi.org/10.1016/j.spl.2018.02.028
• Eagle, N. i Greene, K. (2014). Reality Mining: Using Big Data to Engineer a Better World. Cambridge, London: The MIT Press. Pozyskano z http://www.jstor.org/stable/j.ctt9qf8q3
• Eagle, N. i Pentland, A. (2006). Reality mining: Sensing complex social systems. Journal Personal and Ubiquitous Computing, 10(4), 255–268. https://doi.org/10.1007/s00779-005-0046-3
• Eder, M. (2014). Metody ścisłe w literaturoznawstwie i pułapki pozornego obiektywizmu – przykład stylometrii. Teksty Drugie, (2), 90–105.
• Evans, N. (2016). Five Steps to Better Campaigns in Data-Driven Marketing. Pozyskano z https://www.cmo.com/features/articles/2016/3/25/five-steps-to-better-campaigns-in-datadriven-marketing.html#gs.5xr9fw
• Facebook. (2019). About. Pozyskano z https://www.facebook.com/pg/facebook/about/
• Faraway, J. J. i Augustin, N. H. (2018). When small data beats big data. Statistics & Probability Letters, 136(may), 142–145. https://doi.org/10.1016/j.spl.2018.02.031
• Ford, H. (2014). Big Data and Small: Collaborations between ethnographers and data scientists. Big Data & Society, 1(2). https://doi.org/10.1177/2053951714544337
• Ford, H. (2016). What does it mean to be a “participant observer” in a place like Wikipedia? Pozyskano z https://medium.com/ethnography-matters/what-does-it-mean-to-be-a-participant-observer-in-a-place-like-wikipedia-89d6727276ba
• Gagné, J.-F., Karmanov, F. i Hudson, S. (2018). Global AI Talent Pool Report. Pozyskano z http://www.jfgagne.ai/talent/
• Gitelman, L. i Jackson, V. (2013). Introduction. W: L. Gitelman (red.), „Raw Data” is an oxymoron. Cambridge, London: The MIT Press. https://doi.org/10.1080/1369118X.2014.920042
• Glaser, B. G. i Strauss, A. L. (1967). The Discovery of Grounded Theory: Strategies for Qualitative Research. New York: Aldine.
• Golik-Górecka, G. (2017). Types of Big Data and their Use in Strategies of Marketing. Marketing i Zarządzanie, 49(3), 43–54. https://doi.org/10.18276/miz.2017.49-04
• Golik-Górecka, G. (2018). Innowacyjne dashboardy a zakres Big Data marketingu analitycznego. Marketing i Rynek, (8), 129–138.
• Google Akademia Analytics. (2019). Google Analytics dla początkujacych. 1. Wprowadzenie. 1.4. Konfigurowanie widoków za pomocą filtrów. Pozyskano z https://analytics.google.com/analytics/academy/course/6/unit/1/lesson/4?authuser=0
• Google. (2019). Informacje. Pozyskano z https://www.google.com/about/
• Grush, L. (2015). Google engineer apologizes after Photos app tags two black people as gorillas. Pozyskano z https://www.theverge.com/2015/7/1/8880363/google-apologizes-photos-app-tags-two-black-people-gorillas?
• Grygierek, R. (2017). Koniec ery nieobliczalności. Technologia, marketerze! Pozyskano z https://nowymarketing.pl/a/13937,koniec-ery-nieobliczalnosci-technologia-marketerze
• Gutierrez, S. (2014). Data Scientists at Work: Sexy Scientists Wrangling Data And Begetting New Industries. Berkeley: Appres.
• Halford, S. i Savage, M. (2017). Speaking Sociologically with Big Data: Symphonic Social Science and the Future for Big Data Research. Sociology, 51(6), 1132–1148. https://doi.org/10.1177/0038038517698639
• Halper, F. (2018). Five Data Management and Analytics Best Practices for Becoming Data-Driven Consider a Cohesive Platform That Supports. Pozyskano z https://tdwi.org/research/2018/06/adv-all-checklist-five-data-management-and-analytics-best-practices-for-becoming-data-driven.aspx
• Hałas, E. (1987). Społeczny kontekst znaczeń w teorii symbolicznego interakcjonizmu. Lublin: Wydawnictwo Katolickiego Uniwersytetu Lubelskiego.
• Harari, Y. N. (2017). Homo Deus: A Brief History of Tomorrow. London: Vintage.
• Harris, J. (2012). Data Driven. W: R. Smolan i J. Erwitt (red.), The Human Face of Big Data (s. 200–203). Sausalito: Against All Odds Production.
• Hippold, S. (2018). Build a Data-Driven Organization – Smarter With Gartner. Pozyskano z https://www.gartner.com/smarterwithgartner/build-a-data-driven-organization/
• Hosni, H. i Vulpiani, A. (2018). Data science and the art of modelling. Lettera Matematica, 6(2), 121–129. https://doi.org/10.1007/s40329-018-0225-5
• Hsu, W. F. (2014). Digital Ethnography Toward Augmented Empiricism: A New Methodological Framework. Journal of Digital Humanities, 3(1). Pozyskano z http://journalofdigitalhumanities.org/3-1/digital-ethnography-toward-augmented-empiricism-by-wendy-hsu/
• Iwasiński, Ł. (2016). Społeczne zagrożenia danetyzacji rzeczywistości. W: B. Sosińska-Kalata (red.), Nauka o informacji w okresie zmian. Informatologia i humanistyka cyfrowa (s. 135–146). Warszawa: Wydawnictwo SBP.
• Iwasiński, Ł. (2017). Przyczynek do rozważań nad suwerennością konsumenta w epoce danetyzacji i big data. Kultura - Historia - Globalizacja, 21, 119–133.
• Jeffery, M. (2010). Data-driven marketing: the 15 metrics everyone in marketing should know. Hoboken: John Wiley i Sons.
• Jemielniak, D. (2018). Socjologia 2.0: o potrzebie łączenia big data z etnografią cyfrową, wyzwaniach jakościowej socjologii cyfrowej i systematyzacji pojęć. Studia Socjologiczne, 2(229), 7–29. https://doi.org/10.24425/122461
• Jeske, M. (2018). Data-driven marketing. Poznaj i zrozum swojego klienta dzięki umiejętnemu wykorzystaniu danych. Pozyskano z https://www.bluerank.pl/data-driven-marketing-poznaj-i-zrozum-swojego-klienta-dzieki-umiejetnemu-wykorzystaniu-danych/
• Jifa, G. i Lingling, Z. (2014). Data, DIKW, Big Data and Data Science. Procedia Computer Science, 31, 814–821. https://doi.org/10.1016/J.PROCS.2014.05.332
• Julia, A., Larson, J., Mattu, S. i Kirchner, L. (2016). Machine Bias: There’s software used across the country to predict future criminals. And it’s biased against blacks. Pozyskano z https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
• Kaggle. (2017). The State of Data Science i Machine Learning 2017. Pozyskano z https://www.kaggle.com/surveys/2017
• Karasek, D. (2018). Przewidywanie przyszłości i sztuczna inteligencja dla każdego. Pozyskano z https://nowymarketing.pl/a/18613,przewidywanie-przyszlosci-i-sztuczna-inteligencja-dla-kazdego
• Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1), 1–12. https://doi.org/10.1177/2053951714528481
• Kitchin, R. i Carrigan, M. (2014). Big data should complement small data, not replace them. Pozyskano z http://blogs.lse.ac.uk/impactofsocialsciences/2014/06/27/series-philosophy-of-data-science-rob-kitchin/
• Knox, H. i Nafus, D. (red.). (2018). Ethnography for a Data-saturated World. Manchester: Manchester University Press.
• Konecki, K. T. (2000). Studia z metodologii badań jakościowych. Teoria ugruntowana. Warszawa: Wydawnictwo Naukowe PWN.
• Kozielski, R. (2016). Przyszłość marketingu – wymiar koncepcyjny, organizacyjny i implementacyjny. Handel Wewnętrzny, 4(363), 101–109.
• Krzemiński, I. (1986). Symboliczny interakcjonizm i socjologia. Warszawa: PWN.
• Krzysztofek, K. (2011). W stronę maszyn społecznych. Jaka będzie socjologia, której nie znamy? Studia Socjologiczne, 2(201), 123–145.
• Krzysztofek, K. (2012). Big Data Society. Technologie samozapisu i samopokazu: ku humanistyce cyfrowej. Transformacje, 1–4(72–75), 223–257.
• Kumar, V., Chattaraman, V., Neghina, C., Skiera, B., Aksoy, L., Buoye, A. i Henseler, J. (2013). Data-driven services marketing in a connected world. Journal of Service Management, 24(3), 330–352. https://doi.org/10.1108/09564231311327021
• Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken: John Wiley & Sons.
• Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabasi, A. L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D. i Van Alstyne, M. (2009). Social science. Computational social science. Science, 323(February), 721–723. https://doi.org/10.1126/science.1167742.
• Łapińska, M. (2019). MarTech – Marketing Technology a rozwój platform SaaS do automatyzacji marketingu. Marketing i Rynek, (3). https://doi.org/10.33226/1231-7853.2019.3.2
• Mah, P. (2019). 3 steps to successful data-driven marketing. Pozyskano z https://www.enterpriseinnovation.net/article/3-steps-successful-data-driven-marketing-2011594387
• Manhart, K. (1996). Artificial Intelligence Modelling: Data Driven and Theory Driven Approaches. W: K. Troitzsch, U. Müller, G. Nigel, J. E. Doran, (red.), Social Science Micro Simulation (s. 416–431). Berlin: Springer.
• Manovich, L. (2012). Język nowych mediów. Warszawa: Oficyna Wydawnicza Łóśgraf.
• Marcus, G. E. (1995). Ethnography in / of the World System : The Emergence of Multi-Sited Ethnography. Annual Review of Anthropology, 24, 95–117.
• Mazurek, G. (2018). Transformacja cyfrowa – implikacje dla marketingu. W: B. Gregor i D. Kaczorowska-Spychalska (red.), Marketing w erze technologii cyfrowych. Nowoczesne koncepcje i wyzwania (s. 33–57). Warszawa: Wydawnictwo Naukowe PWN.
• Merity, S. (2017). Bias is not just in our datasets, it’s in our conferences and community. Pozyskano z https://smerity.com/articles/2017/bias_not_just_in_datasets.html
• Metcalf, J. i Crawford, K. (2016). Where are human subjects in Big Data research? The emerging ethics divide. Big Data & Society, 3(1). https://doi.org/10.1177/2053951716650211
• Micheaux, A. i Bosio, B. (2018). Customer Journey Mapping as a New Way to Teach Data-Driven Marketing as a Service. Journal of Marketing Education, 41(2). https://doi.org/10.1177/0273475318812551
• Minelli, M., Dhiraj, A. i Chambers, M. (2013). Big Data, Big Analytics. Emerging business intelligence and analytic trends for today’s businesses. New Jersey: John Wiley i Sons.
• Mojżesz-Zimonczyk, J. (2017). E-mail. Ewolucja. Data Driven Mailing. Pozyskano z https://nowymarketing.pl/a/15811,e-mail-ewolucja-data-driven-mailing
• Moneta, M. (2018). Jan Zając (Sotrender): O matematyce w marketingu. Pozyskano z https://nowymarketing.pl/a/17989,jan-zajac-sotrender-o-matematyce-w-marketingu
• Mulvenna, M., Norwood, M. i Büchner, A. (1998). Data-Driven Marketing. Electronic Markets, 8(3), 32–35. https://doi.org/10.1080/10196789800000038
• Nadler, A. i McGuigan, L. (2018). An impulse to exploit: The behavioral turn in data-driven marketing. Critical Studies in Media Communication, 35(2), 151–165. https://doi.org/10.1080/15295036.2017.1387279
• Nicolaus, H., Bughin, J., Chui, M., Manyika, J., Saleh, T., Wiesman, B. i Sethupathy, G. (2016). The age of analytics: Competing in a data-driven world. McKinsey Global Institute. https://doi.org/10.1111/bjet.12230
• O’Neil, C. (2017). Broń matematycznej zagłady. Jak algorytmy zwiększają nierówności i zagrażają demokracji. Warszawa: Wydawnictwo Naukowe PWN.
• Ogilvy. (2018). The Dress For Respect. Pozyskano z https://www.ogilvy.com/work/the-dress-for-respect/
• Owczarek, K. (2018). Why Python is growing so quickly. Future trends. Pozyskano z https://www.netguru.co/blog/why-python-is-growing-so-quickly-future-trends
• Parvinen, P., Kaptein, M. i Pöyry, E. (2012). Data-driven vs. Theory-driven Approaches to e-Selling. 2nd International Conference on Management and Artificial Intelligence. Pozyskano z http://ipedr.com/vol35/021-ICMAI2012-E10033.pdf
• Peltarion. (2018). The Essential AI Handbook for Leaders. Pozyskano z https://peltarion.com/article/ai-handbook
• Pentland, A. (2009). Reality Mining of Mobile Communications: Toward a New Deal on Data. W: S. Doutta i I. Mia (red.), The Global Information Technology Report, World Economic Forum 2008–2009. Mobility in a Networked World. (s. 75–80). INSEAD. Pozyskano z http://hd.media.mit.edu/wef_globalit.pdf
• Pentland, A. i Heibeck, T. (2008). Honest Signals. How They Shape Our World. Cambridge: The MIT Press.
• Piatetsky, G. (2017). Python overtakes R, becomes the leader in Data Science, Machine Learning platforms. Pozyskano z https://www.kdnuggets.com/2017/08/python-overtakes-r-leader-analytics-data-science.html
• Pink, S., Ruckenstein, M., Willim, R. i Duque, M. (2018). Broken data: Conceptualising data in an emerging world. Big Data & Society, 5(1). https://doi.org/10.1177/2053951717753228
• Provost, F. i Fawcett, T. (2013). Data Science and its Relationship to Big Data and Data-Driven Decision Making. Big Data, 1(1), 51–59. https://doi.org/10.1089/big.2013.1508
• PTBRiO. (2017). Data driven decisions. Przewodnik po źródłach wiedzy w marketingu. Polskie Towarzystwo Badaczy Rynku i Opinii. Pozyskano z http://datadrivendecisions.pl/ddd_guide.pdf
• PTBRiO. (2019). Data Driven Decisions 2.0. Polskie Towarzystwo Badaczy Rynku i Opinii. Pozyskano z http://www.datadrivendecisions.pl/
• Richardson, R., Schultz, J. i Crawford, K. (2019). Dirty Data, Bad Predictions: How Civil Rights Violations Impact Police Data, Predictive Policing Systems, and Justice. New York University Law Review Online, (February), 192–233. Pozyskano z https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3333423
• Savage, M. i Burrows, R. (2007). The Coming Crisis of Empirical Sociology. Sociology, 41(5), 885–899. https://doi.org/10.1177/0038038507080443
• Schmidt, E., Rosenberg, J. i Eagle, A. (2014). Jak działa Google. Kraków: Insignis Media.
• Shah, D. V., Cappella Ramesh, J. N. i Neuman, W. R. (2015). Big Data, Digital Media, and Computational Social Science: Possibilities and Perils. Annals of the American Academy of Political and Social Science, 659(1). https://doi.org/10.1177/0002716215572084
• Silver, N. (2014). Sygnał i szum. Gliwice: Helion.
• Strauss, A. L. (1978). A Social World Perspective. Studies in Symbolic Interaction, (1), 119–128.
• Strong, A. (2018). Why I’m Learning Python in 2018. Pozyskano z: https://news.codecademy.com/why-learn-python/
• Surma, J. (2017). Cyfryzacja życia w erze big data. Człowiek, biznes, państwo. Warszawa: Wydawnictwo Naukowe PWN.
• Symeonidis, I., Tsormpatzoudi, P. i Preneel, B. (2015). Collateral damage of Facebook Apps: An enhanced privacy scoring model. IACR Cryptology ePrint Archive, 1–18. Pozyskano z http://dblp.uni-trier.de/db/journals/iacr/iacr2015.html#SymeonidsBTP15
• Szymielewicz, K. i Iwańska, K. (2019). Śledzenie i profilowanie w sieci. Jak z klienta stajesz się towarem. Pozyskano z https://panoptykon.org/sites/default/files/publikacje/panoptykon_raport_o_sledzeniu_final.pdf
• Teddlie, C. i Tashakkori, A. (2009). Foundations of Mixed Methods Research: Integrating Quantitative and Qualitative Approaches in the Social and Behavioral Sciences. Los Angeles: Sage.
• Törnberg, P. i Törnberg, A. (2018). The limits of computation: A philosophical critique of contemporary Big Data research. Big Data & Society, 5(2), 1–12. https://doi.org/10.1177/2053951718811843
• USACM (2017). Statement on algorithmic transparency and accountability, USACM press releases §. Association for Computing Machinery US Public Policy Council. Pozyskano z https://www.acm.org/binaries/content/assets/public-policy/2017_usacm_statement_algorithms.pdf
• Vedder, A. (1999). KDD: The challenge to individualism. Ethics and Information Technology, (1), 275–281. https://doi.org/10.1023/A:1010016102284
• Wang, S. i Qu, H. (2008). Journal of Travel i Tourism Impacts of Accession to WTO on China ’ s Travel Industry. Journal of Travel i Tourism Marketing, 12(1), 63–80. https://doi.org/10.1300/J073v12n01
• Wang, T. (2013). Why Big Data Needs Thick Data. Pozyskano z https://medium.com/ethnography-matters/why-big-data-needs-thick-data-b4b3e75e3d7
• Wang, T. (2016). The human insights missing from big data. Pozyskano z https://www.ted.com/talks/tricia_wang_the_human_insights_missing_from_big_data#t-9755
• Whittaker, M., Crawford, K., Dobbe, R., Fried, G., Kaziunas, E., Mathur, V., West, S. M., Richardson, R., Schulz, J. i Schwartz, O. (2018). AI Now Report 2018. New York. Pozyskano z https://ainowinstitute.org/AI_Now_2018_Report.pdf
• Wickham, H. (2014). Tidy Data. Journal of Statistical Software, 59(10), 1–23. https://doi.org/10.18637/jss.v059.i10
• Wickham, H. i Grolemund, G. (2017). R for Data Science. Pozyskano z http://r4ds.had.co.nz/
• Zuboff, S. (2015). Big other: Surveillance capitalism and the prospects of an information civilization. Journal of Information Technology, 30(1), 75–89. https://doi.org/10.1057/jit.2015.5
• Żulicki, R. (2017). Potencjał Big Data w badaniach społecznych. Studia Socjologiczne, 3(226), 176–207. Pozyskano z http://www.studiasocjologiczne.pl/pliki/Studia_Socjologiczne_2017_nr3_str175_207.pdf

Identifiers

DOI

10.33226/1231-7853.2019.8.1

Biblioteka Nauki

1058749