Большие данные в этнографии: вызовы и возможности

Большие данные в этнографии: вызовы и возможности

Денис Юрьевич Сивков

 КЛЮЧЕВЫЕ СЛОВА:

ДАННЫЕ, БОЛЬШИЕ ДАННЫЕ, ЭТНОГРАФИЯ, АНТРОПОЛОГИЯ, КАЧЕСТВЕННЫЕ ИССЛЕДОВАНИЯ, КОЛИЧЕСТВЕННЫЕ ИССЛЕДОВАНИЯ, КОЛЛАБОРАЦИЯ, КОНТЕКСТ, НЕПРЕДСТАВЛЕННЫЕ СООБЩЕСТВА, DATA, BIG DATA, ETHNOGRAPHY, ANTHROPOLOGY, QUALITATIVE STUDIES, QUANTITATIVE STUDIES, COLLABORATION, UNDERREPRESENTED COMMUNITY, CONTEXT

АННОТАЦИЯ:

Появление феномена больших данных в маркетинге и сфере управления стало серьезным вызовом для социальных наук и заставило социальные науки переоценить свои возможности. В «эмпирической эпистемологии» считается, что «механическая объективность» устраняет субъекта-исследователя и оставляет принятие решений техническим специалистам. В этом смысле этнография и качественные исследования, кажется, вступают в противоречие с методами разработки больших данных. В корпоративных исследованиях этнографический маркетинг показал ограниченность подходов, основанных на машинном обучении. Помимо противопоставления этнографии и методов машинного обучения, более перспективной видится коллаборативная работа, в которой возможно реляционное объединение и корреляция больших и малых данных, поиск теоретических рамок. Большим данным необходимы «маленькие паттерны», определяющие место, объект и способ поиска данных. Малые данные этнографии также уточняют определение и применение больших данных. С одной стороны, этнография позволяет быть более внимательным к малым и исключенным группам пользователей, которые оставляют специфические цифровые следы, но в общем контексте остаются незамеченными (Б. Уеллес). С другой стороны, исследования больших данных помогают уточнить и проблематизировать традиционные качественные понятия, например, понятие контекста (Н. Сивер).

ОПИСАНИЕ НА АНГЛИЙСКОМ ЯЗЫКЕ:

Big Data and Ethnography: Challenges and Opportunities

Sivkov Denis Yu.

Russian Presidential Academy of Economics and Public Administration, Volgograd Branch

The emergence of the phenomenon of big data in marketing and management, the ability to explain and predict the behavior of large groups have become a serious challenge and forced the social sciences to overestimate their capabilities. Firstly, digitized data processing and machine conceive the necessity of the social sciences as the matter of concern. “Empirical epistemology” (R. Kitchin) considers “mechanical objectivity” addressing the subject-researcher and leaves decision-making to technical experts. In this sense, ethnography and wider qualitative research with a focus on small data, full-bodied with rich description and contextuality seem to be in contradiction with the methods of big data development. In corporate ethnographic research, marketing has shown the limitations of approaches based on machine learning. Besides of the opposition of ethnography and machine learning methods, the collaborative work seems more perspective, it has ability to relational integration and correlation of big and small data, as well as search for theoretical frameworks (H. Ford). Big data needs “small patterns” that define place, object and method of data retrieval. Small ethnographical data also clarify definition and application of big data. On the one hand, ethnography allows us to be more attentive to the small and excluded groups of users, which leave specific digital trails, but generally go unnoticed (B. Welles). On the other hand, study ofbig data helps us to clarify and problematize traditional quality concepts such as the concept of “context” (N. Seaver).