A survey megjelenése és tömegessé válása egészen biztosan jelentősen átrendezte a szociológiai mezőt, hiszen olyan, korábban nem használt tudáselemeket kellett, hogy beépítsen a szakma, amelyek addig kívül voltak a határain. A survey megjelenése jelentősen felértékelte a statisztika szerepét, hiszen mintákat kellett tervezni, hibákat kellett számolni, statisztikai modelleket kellett alkotni. A kellett persze erős szó, hiszen az elméleti és történeti szociológusok vagy a kvalitatív kutatásokra koncentráló kutatók ideig-óráig elkerülhették ezt a kérdést, de ma már nem nagyon lehet anélkül a szociológia szakot elvégezni, hogy valaki legalább minimális mértékben ne sajátítsa el a statisztikai alapokat, és a kvantitatív adatelemzési technikákat. Az 1930–60-as években a survey-jellegű kutatások felfutása (Groves, 2011) valószínűleg megrémítette az akkori statisztikailag még nem képzett társadalomtudós-generációt, hiszen olyan tudásra lett volna szükségük, amellyel általánosságban nem rendelkeztek. Sokakban akkor fel is merülhetett, hogy az ezzel a tudással viszont rendelkező statisztikusok átvehetik majd a „hatalmat” a társadalomértelmezés addigi szociológia dominanciája fölött. Több mint ötven évvel később, bátran kijelenthetjük, hogy ez nem történt meg, csak azok a statisztikusok, „módszertanászok” lettek fontosak a társadalomértelmezés szempontjából, akik maguk is releváns szociológia tudást vettek magukra. A tanulság az, hogy külön kell választani a módszert, és külön az értelmezést, ha valaki jó az elsőben, még nem lesz jó a másodikban. Ezt az előbb bemutatott példát analógiaként használhatjuk a Big Data esetére. A hatalmas mennyiségű digitális tartalom kezelése olyan tudást igényel, amellyel a legtöbb szociológus nem rendelkezik. Az adatok „megszerzése”, mozgatása, elemzése olyan programokat, elemzői rutinokat kíván meg, amit nem egyszerű elsajátítani. A korai statisztikusok helyére ebben a mostani helyzetben az „adattudósok” érkeznek, statisztikai tudás helyett különböző programozási nyelvek és adattárolási technikák ismerői. De ők továbbra is csak a módszert tudják nyújtani. És ez igaz azokra a természettudósokra, akik sokéves Big Data kezelési tapasztalattal a hátuk mögött kiváltják az adattudósokat, és a maguk útját járva elkezdik a társadalmi folyamatokat értelmezni. Ha nincs meg a jó kérdés, és nincs meg az értelmezési keret, akkor nem lesz meg a jó válasz sem. A számok bármekkora sokaságból, és bármilyen bonyolult módon is keletkezzenek, magukban nem fognak sok mindent jelenteni, nem lesz társadalomtudományi relevanciájuk. Az adatok pusztán induktív feldolgozásából nem fognak szociológiai szempontból izgalmas eredmények kijönni, pusztán olyan állításokig fogunk eljutni, hogy az emberek idejük nagy részét otthon és a munkahelyükön töltik, ezért egyszerűen megjósolható a térbeli helyzetük (Barabási, 2010). Nem akarom elvetni (és nyilván a szociológusok többsége sem veti el) az induktív tudásfelhalmozást (lásd ezt támogatva a Big Data-paradigmán belül: Lee–Martin, 2015), de amellett mindenképpen érvelnék, hogy a Big Data-elemzésekben is fontos lenne érvényesíteni a konfirmatív logikát. A konfirmatív logikai munkákhoz viszont kérdések és társadalomtudományi értelmezések kellenek, és ez már a szociológusok terepe. És itt vissza is kanyarodhatunk a fejezet címéhez – mivel foglalkozik a szociológus? Vagyis pontosabban a Big Datá­val foglalkozó szociológusok (hiszen nyilván lehet majd e nélkül is szociológiát művelni, akárcsak statisztika nélkül), milyen tudással kell, hogy rendelkezzenek?

Az adattudósokra jellemző tudás hasznos lehet, de nem előfeltétele a Big Datá­val való foglalkozásnak. Sok szociológus dolgozik úgy (a kutatóintézetek is így épülnek fel), hogy vannak a társszerző kollégák között survey-statisztikusok, akik speciális módszertani és adatelemzési tudással rendelkeznek. A Big Data-paradigmán belül ezt a pozíciót veszi át, vagy ezen pozíció mellé épül be egy adattudós is, aki képes nagy mennyiségű adathalmazokkal jól és hatásosan bánni. A szociológus szerepe azonban egy ilyen munkában nemcsak az, hogy a releváns társadalomtudományi kérdést megfogalmazza (és az adatok alapján megválaszolja), hanem az is, hogy eldöntse, hogy a nagy mennyiségű, sokszor strukturálatlan adatból megválaszolható-e egyáltalán az a kérdés, és ha igen, akkor milyen érvényességgel. Az érvényesség itt minimum három szempont mentén érdekes.

A zajnál picit komplikáltabb a második érvényességet érintő aspektusunk, ami a Big Data-adatok keletkezési körülményeit érinti. Akárcsak egy kérdőívre adott válaszok, a Big Data-adatok is valamilyen kontextusban keletkeznek, nem semlegesek (Lewis, 2015). Kontextuson nemcsak a dinamikai kontextust értjük (például egy bejegyzés milyen más bejegyzésre reagál), hanem legalább ennyire fontosnak gondoljuk a makrokontextust, vagyis azokat a kereteket, normákat és szabályokat, amelyek például egy adott oldal használóit szabályozzák. Ilyen normatív keret például az, hogy mik az elvárt viselkedési minták egy oldalon. Megmondhatjuk-e Facebook-használók posztjai alapján, hogy az emberek hány százaléka boldog, ha feltételezzük azt, hogy a boldogságot tökéletesen tudjuk definiálni a felhasználói aktivitás alapján? A válaszunk természetesen nem. Még csak a Facebook-felhasználókra sem tudunk ilyen állítást megfogalmazni. A közösségi oldalakon a „jó” oldalunkat szeretjük megmutatni, ebből következően inkább a boldogságot jelző üzenetek fognak dominálni. A normatív mozzanatoknál még erősebb cezúrát jelölnek ki, a letiltási, kitiltási, moderálási szabályok. Mivel a legtöbb oldal igyekszik valahogy meggátolni, csökkenteni az uszító tartalmak arányát, megjelenését, ezért ilyen jellegű téma elterjedtségének vizsgálata valószínűleg nem tud érvényes tudáshoz vezetni minket.

Dinamikai folyamatok vizsgálatánál még inkább fontos az adatkeletkezési környezet ismerete, mivel ezekben az esetekben azzal is tisztában kell lennünk, hogy történt-e változás az adatkeletkezést befolyásoló szabályrendszerben. A keletkezési körülmények kapcsán a normán és a szabályrendszeren felül az oldalakat működtető algoritmusokban is lehetnek olyan pontok, amelyek torzíthatják az adatstruktúrát (Shaw, 2015). A Facebook-falat (feed) generáló algoritmus például ilyen, hiszen ismerőseink posztjai nem véletlenül jelennek meg, hanem azokat látjuk gyakran, akik/amik az algoritmus szerint érdekesek nekünk. Azt, hogy az „érdekes” milyen számítások alapján generálódik, nem lehet tudni, és igazából most számunkra nem is fontos. Azt viszont szem előtt kell tartanunk, hogy ha Facebook interakciós gráfot szeretnénk elemezni, akkor ez a típusú torzító mechanizmus ott lesz az adatok mögött. Ha megváltozik az algoritmus, megváltozik az interakciós gráf is. Tehát nem a „valóságról” tudunk meg valamit, hanem az adatfolyam-generáló mechanizmus természetéről vagy legalábbis a kettő valamilyen kihámozhatatlan egyvelegéről.

A problémát szemléltetem egy telefonhálózatos példán is. „A” körzet lakói gyakran telefonálnak településen belül, „B” körzet lakói kevésbé gyakran. Ebből vajon következtethetünk arra, hogy „A” körzetben erősebb a lakóhelyi közösségi háló? Talán. Ha azonban tudom azt, hogy az „A” körzetben működő telefontársaságnál már hosszú évek óta ingyen van a helyi beszélgetés, míg „B” körzetben lévő másik telefontársaságnál ez a kedvezmény nem létezik, akkor fennáll annak a veszélye, hogy a nagyobb helyi interakciós sűrűség csak a kedvezményre vezethető vissza. Itt is az adatgeneráló mechanizmusok torzítási hatását kell megértenünk és mérlegelnünk, különben búcsút inthetünk a szociológiai szempontból is érvényes állításoknak.

Az érvényesség harmadik sarokköve a mintaszelekció, illetve az önszelekció kérdése. A „kikről” van adatunk ezen paradigmán belül még égetőbb kérdés, mint általában a survey kutatások esetében, mivel a mintákat nem mi tervezzük, hanem készen kapjuk őket. Kik tweetelnek, kik facebookoznak rendszeresen, kik használnak helymegosztó szolgáltatásokat? Ha ezekre a kérdésekre nem tudunk megnyugtató választ adni, akkor nem beszélhetünk érvényes eredményekről, legyen bármennyi adatunk is.

Tehát a szociológusnak nemcsak az a feladata ezen paradigmán belül, hogy társadalmi szempontból releváns kérdéseket tegyen fel, és válaszokat fogalmazzon meg, hanem az is, hogy az eredmények érvényességéről is meggyőződjön. Ehhez pedig értenie kell az adatgeneráló mechanizmusok természetét, és tudnia kell, hogy milyen adatforrásnak hol vannak az értelmezési határai. Egy Big Data-szociológusnak ezzel is kell foglalkoznia…

A kis csoportok mellett a ritka események is jobban vizsgálhatóvá válnak. Meg lehet-e válaszolni azt a kérdést egy surveyből, hogy a szülinaposok boldogabbak az életükkel? Aligha. Egy Big Data-adatforrásból ez a kérdés viszont akár meg is válaszolható.

Kétségkívül ezek a lehetőségek megnyitnak számos olyan területet a kvantitatív szociológia előtt, ahova eddig csak a kvalitatív szociológia tudott bejutni. Ez olyan lehetőség, amit nem szabad kihagyni.

A kérdést a másik oldalról is megközelíthetjük – megnehezíti-e egyes módszerek használatát az, ha túl nagy az adathalmaz? A válasz itt is egyértelműen igen. Az adatkezelés nehézségeiről és gépigényéről nem kell beszélnünk, az az adattudósok dolga. Ebben az esetben inkább az érdekel bennünket, hogy a statisztikai módszerek hogyan reagálnak a nagyobb adathalmazokra, vagyis pontosabban fogalmazva, vannak-e olyan módszerek, amelyek rosszul reagálnak a nagy adathalmazokra? Két példát hoznék ezzel kapcsolatban. A hierarchikus klaszteranalízis tipikusan olyan módszer, amelyet viszonylag kis adathalmazon szoktak csak futtatni, mivel a futási idő nem polinomiálisan függ össze az esetszámmal, a polinomiálisnál nagyobb a futási idő növekedése. Több tíz- vagy százmilliós adathalmaznál a hierarchikus klaszterezés futtatása ellehetetlenül. És ez igaz minden olyan módszerre, ahol a futási idő a polinominálisnál gyorsabban nő. A másik példa szintén egy csoportosító eljárás, a látens profilelemzés, ami tulajdonképpen egy modellalapú klaszterezési módszer, ami a kevert eloszlások szétválasztásának logikájára épül (Vermunt–Magidson, 2002). Itt a futási idő nem feltétlen jelent gondot nagy adathalmaz esetében sem, viszont a csoportszám meghatározása annál inkább. Mivel modellalapú klaszterezésről van szó, a modellek illeszkedését különféle mutatók segítségével tudjuk vizsgálni (ilyen lehet, többek között, az AIC- vagy a BIC-mutató). A probléma csak az, hogy minél nagyobb az adathalmazunk, annál több a kategóriás szegmentáció, ami a legjobban illeszkedik (Fraley–Raftery, 1998). Ebben az esetben tehát a megszokotthoz képest új kapaszkodókat kell keresnünk az ideális csoportszám megtalálásához.

A kultúra-, a fogyasztás- és az ízlésszociológia lehet az egyik nagy nyertes az új paradigmán belül. A mit és hogyan fogyasztunk gyakori témái a közösségi oldalaknak, utazásokról és ételekről teszünk fel leírásokat vagy fotókat a Facebookra, és az Instagrammra. A Vivinóra feltöltjük, hogy milyen bort ittunk, a Foursquare-re hogy hol jártunk, a TripAdvisorra, hogy miként értékeljük az éttermet, ahol ettünk, az Amazonra (vagy itthon a Molyra), hogy mennyire tetszett az olvasott könyv. Ez a hatalmas digitalizált adatfolyam teljesen újraírhatja azt, hogy mit tudunk kultúráról, ízlésről, fogyasztásról, olyan komplex mintákat mutathat meg nekünk, amelyek a standard surveyekből sosem bukkanhattak elő. Persze itt ismét nyithatunk egy zárójelet és visszautalhatunk a korábban írtakra a mintaszerkezet kapcsán. Az, hogy kik töltenek fel ételfotókat, kik értékelnek könyveket, kik használnak közösségi alkalmazásokat, egyáltalán nem véletlenszerű, a magasabb státusz mellett (több alkalmazás is implicit módon megköveteli az okostelefon használatát), a digitális tudás vagy akár valamilyen önreprezentációs kényszer is megjelenhet a megosztási minták között, ami megnehezíti azt, hogy az eredményeinket általánosíthassuk.

A szegénység, társadalmi kirekesztettség, kizáródás vizsgálata viszont vélhetően azon szociológiai szegmensek közé tartozik, amit csak kismértékben fog elérni a Big Data-paradigma. Ezeknek a kérdéseknek, problémáknak lenyomatai elsősorban nem az online térben keletkeznek (bár akár ott is megjelenhetnek), tehát nem is vizsgálhatók jól digitális adatforrások segítésével. A szegénységgel foglalkozó kvantitatív kutatók tehát többségében továbbra is hagyományos surveyekre fognak támaszkodni, legalábbis a közeljövőben nem várható ide a Big Data-paradigma betörése.

A két kiragadott példa csak szemléltetni hivatott azt, hogy az egyes szakszociológiák nagyon eltérő módon fognak találkozni a Big Data jelentette lehetőséggel, kihívással, ami akár a szakma további differenciálódásához, fragmentálódásához is vezethet.