Zusammenfassung
Big Data ist zunächst einmal ein großes Versprechen, eine Gelddruckmaschine, Waffe im Krieg gegen den Terror und im Kampf gegen Verbrechen, Reformator von Verwaltungen, diagnostisches Wunderkind der Medizin, Stein der Weisen empirischer Wissenschaft und der kleine Helfer im Alltag einer ubiquitär vernetzten Welt. Big Data ist aber auch ein riesiger Hype, Allmachtsfantasie, gläserner Bürger, Kunde, Patient, Feind der Privatheit – und möglicherweise auch das drohende Ende konventioneller Umfrageforschung. Die positive Erwartungshaltung der empirischen Sozialforschung, in Echtzeit Daten über alles und jedes zu haben und endlich Antworten auch auf schwer erfassbare Fragen zu erhalten, ist dabei von der Angst begleitet, dass große Teile ihres etablierten Instrumentariums obsolet werden.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Baur, Nina (2009): Measurement and Selection Bias in Longitudinal Data. A Framework for Re-Opening the Discussion on Data Quality and Generalizability of Social Bookkeeping Data. In: Historical Social Research 34 (3): 9-50
Bick, Wolfgang/Müller, Paul J. (1984): Sozialwissenschaftliche Datenkunde für prozessproduzierte Daten: Entstehungsbedingungen und Indikatorenqualität. In: Bick, Wolfgang/ Mann, Reinhard/Müller, Paul J. (Hg.): Sozialforschung und Verwaltungsdaten. Stuttgart: Klett-Cotta, 123-159
Bryson, Maurice C. (1976): The Literary Digest Poll: Making of a Statistical Myth. In: The American Statistician 30: 184–185
De Choudhury, Munmun/Counts, Scott/Horvitz, Eric/Hoff, Aaron (2014): Characterizing and Predicting Postpartum Depression from Shared Facebook Data. In: Proceedings of the 17th ACM Conference on Computer Supported Cooperative Work and Social Computing. Baltimore, MD: ACM Press: 626-638. URL: https://doi.org/10.1145/2531602.2531675
Foster, Ian/Ghani, Rayid/Jarmin, Ron S./Kreuter, Frauke/Lane, Julia (Hg.) (2017): Big Data and Social Science: A Practical Guide to Methods and Tools. Boca Raton, FL: CRC Press
Ghani, Rayid/Schierholz, Malte (2017): Machine Learning. In: Foster, Ian/Ghani, Rayid/ Jarmin, Ron S./Kreuter, Frauke/Lane, Julia (Hg.) (2017): Big Data and Social Science: A Practical Guide to Methods and Tools. Boca Raton, FL: CRC Press, 147-186
Heiberger, Raphael/Riebling, Jan (2016): Installing computational social science: Facing the challenges of new information and communication technologies in social science. In: Methodological Innovations 9: 1-11
Klochikhin, Evgeny/Boyd-Graber, Jordan (2017): Text Analysis. In: Foster, Ian/Ghani, Rayid/Jarmin, Ron S./Kreuter, Frauke/Lane, Julia (Hg.) (2017): Big Data and Social Science: A Practical Guide to Methods and Tools. Boca Raton, FL: CRC Press, 187-214
Laney, Douglas (2001): 3-D Data Management: Controlling Data Volume, Velocity, and Variety. In: META Group Research Note. URL: https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocityand-Variety.pdf
Lazer, David/Kennedy, Ryan/King, Gary/Vespignani, Alessandro (2014): The Parable of Google Flu: Traps in Big Data Analysis. In: Science 343: 1203–1205
Mayerl, Jochen (2015): Bedeutet Big Data das Ende der sozialwissenschaftlichen Methodenforschung? Soziopolis. URL: https://soziopolis.de/beobachten/wissenschaft/artikel/bedeutet-big-data-das-ende-der-sozialwissenschaftlichen-methodenforschung/; zuletzt zugegriffen am 21.9.2017
Morstatter, Fred/Pfeffer, Jürgen/Liu, Huan (2014): When Is It Biased? Assessing the Representativeness of Twitter’s Streaming API. In: Proceedings of the 23rd International Conference on World Wide Web. New York, NY, USA: ACM: 555-556. URL: https://doi.org/10.1145/2567948.2576952
Neylon, Cameron (2017): Working with Web Data and APIs. In: Foster, Ian/Ghani, Rayid/Jarmin, Ron S./Kreuter, Frauke/Lane, Julia (Hg.) (2017): Big Data and Social Science: A Practical Guide to Methods and Tools. Boca Raton, FL: CRC Press, 23-70
Schmitz, Andreas/Skopek, Jan/Schulz, Florian/Blossfeld, Hans-Peter (2009): Indicating Mate Preferences by Mixing Survey and Process-generated Data. The Case of Attitudes and Behaviour in Online Mate Search. In: Historical Social Research 34 (1): 77-93
Zimmer, Michael (2010): „But the data is already public“: on the ethics of research in Facebook. In: Ethics and Information Technology 12 (4): 313-325
Zwitter, Andrej (2014): Big Data ethics. In: Big Data & Society 1 (2): 1-6
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Trübner, M., Mühlichen, A. (2019). Big Data. In: Baur, N., Blasius, J. (eds) Handbuch Methoden der empirischen Sozialforschung. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-21308-4_9
Download citation
DOI: https://doi.org/10.1007/978-3-658-21308-4_9
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-21307-7
Online ISBN: 978-3-658-21308-4
eBook Packages: Social Science and Law (German Language)