© FernUniversität in Hagen / Horst Pierdolla

Big Data: Neue Taxonomien in Forschung und Alltag

10. Juni 2015

Wissenschaftsgespräche, FernUniversität in Hagen

Karolin Eva Kappler

FernUniversität in Hagen - Institut für Soziologie

Soziologie II – Soziologische Gegenwartsdiagnosen

Gliederung

1. Big Data – Annäherung und Abgrenzung

2. Empirisches Beispiel 1: Selbstvermessung

3. Empirisches Beispiel 2: Digital Humanitarians

4. Schlussfolgerungen

11.06.2015 Folie 2

Wertschöpfungs- und Kontrollpotential, basierend auf

ihrem vernetzten Charakter

Hauptrohstoff in der Informations- bzw.

Wissensgesellschaft (Mayer-Schönberger/Cukier 2013,

182), zu vergleichen mit der Rolle von Erdöl in der

Industriegesellschaft

11.06.2015 Folie 3

Big Data soll hierbei verstanden werden als Praktik

„Daten zu sammeln, Software nach Mustern suchen zu

lassen und anschlieβend aus den Ergebnissen die

richtigen Schlüsse zu ziehen“ (Geiselberger und

Moorstedt 2013, 9).

11.06.2015 Folie 4

The 3 (and more) Vs of Big Data

11.06.2015 Folie 5

Uprichard 2013

The 3 Rs of Big Data

11.06.2015 Folie 6

Boellstorff / Maurer 2015

Big Data:

Valuation Studies, Soziokalkulation und Taxonomien

Valuation Studies:

- In welcher Weise „objects become amenable to valuation and trade through

the market“? (Lamont 2012: 203)

- Fourcade (2011: 1721): „How do we attribute a monetary value to intangible

things?“

Soziokalkulation (Vormbusch 2012): Ausweitung und Formveränderung

kalkulativer Praktiken

Bewertung als Kulturtechnik der Konstruktion und Zuweisung von Wert

11.06.2015 Folie 7

11.06.2015 Folie 8

Erstes Beispiel:

Selbstvermessung

DFG-Projekt: Taxonomien des Selbst.

Zur Genese und Verbreitung kalkulativer

Praktiken der Selbstinspektion

LG Soziologie II: Soziologische

Gegenwartsdiagnosen

Explorative Untersuchungen

2013 Quantified Self Europe Conference in Amsterdam

21 Interviews online verfügbar : http://quantifiedself.com/2013/05/the-

2013-quantified-self-europe-conference-roundup/

2014 Quantified Self Europe Conference in Amsterdam

8 qualitative Interviews mit Quantified Selfern, die selbst Glück

vermessen bzw. die hierzu sogar Apps entwickelt haben

1 breakout session zum Thema „Grief and Mood Tracking“

4 Show and Tells zu „Tracking Happiness“ bzw. „Mood,

Emotion, and Meaning“ von der QS-Internetseite

11.06.2015 Folie 10

Big Data und Selbstvermessung –

soziale Normierung

„Quantified Sex” (Lupton 2013): Retraditionalisierung von

Geschlechterrollen

Wie glücklich bin ich? Die Optimierung von Glück

“Question: So, optimal happiness for you is not necessarily like a 10

every day…

A.M.: I do not think that a 10 for every day would be sustainable, I

mean a seven is good and I am working towards improving it, but

in the 8s and 9s I am so happy that it is not…” (AM – SnT)

11.06.2015 Folie 11

Big Data und Selbstvermessung –

gesteigerte Autonomie, Kontrolle und Rechenschaft!

Autonomie und Kontrolle:

“You are not depending on health care any more.” (I 11)

“More data means more informed choices.”(I 15)

Rechenschaft:

“... one of the principles of Quantified Self is it makes you accountable in

a very numeric quantitative way. [...] The data has power because it tells

you a story. And it’s a story that you can’t sort of twist out of shape and

spin because it has numbers behind it.” (I 14)

11.06.2015 Folie 12

Selbstkontrolle vs. Kontrolle von auβen (Surveillance)

Big Data als Fortsetzung von Ratgebern

11.06.2015 Folie 13

Big Data und Selbstvermessung –

gesteigerte Autonomie, Kontrolle und Rechenschaft?

Big Data und Selbstvermessung –

wissenschaftlicher Paradigmentwechsel

“So what I am trying to do is to derive my personal formula that includes all

the different variables and factors in my life that kind of influence and define

happiness. Last December, I started tracking data points in my everyday life in

order to test some psychological and behavioral theories of happiness.” (KA –

SnT)

Ziel fast aller Vermessungspraktiken ist es, die Glücksvariable

mit anderen Messdaten zu korrelieren, um herauszufinden, was

„glücklich macht“.

Frage nach Korrelation, Kausalität und Vorhersagbarkeit

treten auf

11.06.2015 Folie 14

Big Data – Paradigmenwechsel

(nach Mayer-Schönberger und Cukier (2013))

1. Erhebung und Analyse ‚aller‘ Daten (N=alle) und den daraus

folgenden Verzicht auf Stichproben;

2. Akzeptanz von teilweise unordentlichen und chaotischen

Daten, d.h. der Abschwächung von Qualitäts- und

Präzisionsmerkmalen;

3. der Verschiebung der Bedeutung und Suche von

Kausalitätsbeziehungen hin zu reinen Korrelationen.

11.06.2015 Folie 15

Zwischen-Résumé

Zahlen als sozio-technische Artefakte

Alte und neue Formen von “Wertschreibung”

Neue interdisziplinäre Herausforderungen

11.06.2015 Folie 16

Beispiel 2: Digital Humanitarians

11.06.2015 Folie 17

Crisis Map von Haiti – Ushahidi

Crowd Computing

11.06.2015 Folie 18

http://news.nationalgeographic.com/2015/05/150501-nepal-crisis-

mapping-disaster-relief-earthquake/

Big (crisis) Data

Die „Nadel im Heuhaufen suchen“

Bsp.: Yahoo! Research (Barcelona)

„the propagation of tweets that correspond to rumors differs from tweets

that spread [accurate] news by the Twitter community. Notice that this

fact suggests that the Twitter community works like a collaborative filter

of information“ (Mendoza/Castillo/Poblete, 2012)

11.06.2015 Folie 19

“Predicting Information Credibility in Time-Sensitive Social

Media” Average number of tweets posted by authors of the tweets on the topic in past

Average number of followees of authors posting these tweets.

Fraction of tweets having a positive sentiment

Fraction of tweets having a negative sentiment

Fraction of tweets containing a URL that contains most frequent URL

Fraction of tweets containing a URL

Fraction of URLs pointing to a domain among top 10,000 most visited ones

Fraction of tweets containing a user mention

Average lenth of the tweets

Fraction of tweets containing a question mark

Fraction of tweets containing an exclamation mark

Fraction of tweets containing a question or an exclamation mark

Fraction of tweets containing a “smiling” emoticon

Fraction of tweets containing a first-person pronoun

Fraction of tweets containing a third-person pronoun

Maximum depth of the propagation trees

11.06.2015 Folie 20

Big (crisis) Data

Die „Nadel im Heuhaufen suchen“

Bsp.: Yahoo! Research (Barcelona)

„the propagation of tweets that correspond to rumors differs from tweets

that spread [accurate] news by the Twitter community. Notice that this

fact suggests that the Twitter community works like a collaborative filter

of information“ (Mendoza/Castillo/Poblete, 2012)

Diskriminierung und neue soziale Ungleichheiten durch Big

(crisis) Data

Ethische Bedenken

11.06.2015 Folie 21

Résumé - The 13 Ps of Big Data

11.06.2015 Folie 22

Lupton 2015

“Perhaps the biggest threat that a data-driven world presents

is an ethical one. Our social safety net is woven on

uncertainty. We have welfare, insurance, and other institutions

precisely because we can’t tell what’s going to happen — so

we amortize that risk across shared resources. The better we

are at predicting the future, the less we’ll be willing to share

our fates with others.”

(Alistair Croll - http://radar.oreilly.com/2012/10/new-ethics-for-

a-new-world.html)

11.06.2015 Folie 23

Résumé - The 13 Ps of Big Data

11.06.2015 Folie 24

Lupton 2015

© FernUniversität in Hagen / Horst Pierdolla

Vielen Dank für Ihre Aufmerksamkeit!