Kuidas mõista andmestunud maailma. Anto Aasa, Mare Ainsaar, Mai Beilmann, Marju Himma Muischnek,

Чтение книги онлайн.

СКАЧАТЬ sotsiaalteaduse nurgakiviks kujunenud andmetele ja meetoditele. Juttu tuleb visualiseerimise abil andmetes leiduvate mustrite hindamisest, tunnusepõhiselt analüüsilt indiviidipõhisele analüüsile (võrgustiku- ja agendipõhise modelleerimise meetodid) liikumisest ning viimastel aastatel sotsiaal- ja humanitaarteaduslikes uuringutes valdavaks muutunud masinõppe meetodite rakendustest. Anto Aasa peatükk „(Suur)andmete visuaalne esitamine“ annab ülevaate visualiseerimistehnikatest, mis aitavad andmeid mõtestada ja neid väärtuslikuks ressursiks muuta. Analüüsi kiiruse ja keerukuse kasvuga, ent ka interaktiivsete visualiseerimisvahendite rohkusega kaasneb üks suurandmete visualiseerimise peamisi kitsaskohti – pakutavate vahendite ülekülluse kontekstis peab uurija suutma teha mõistlikke valikuid värvi- ja sümbolilahenduste osas. Innar Liivi peatükk „Sotsiaalvõrgustike analüüs“ annab detailse ülevaate sotsiaalsete struktuuride tehnikatest, vahenditest ja meetoditest mustrite avastamiseks. Sotsiaalsete võrgustike meetodid aitavad mõista ja leida uudseid lahendusi näiteks sellele, kuidas institutsioonid ja riik inimestega suhtlevad. Sarnaselt sotsiaalvõrgustike meetodiga keskendub ka Kuldar Taveteri peatükk „Agendipõhine modelleerimine“ keerukatele sotsiaalsetele suhtevõrgustikele, milles osalejad ei pruugi käituda ratsionaalselt, mistõttu nende käitumine ei pruugi olla ennustatav. Agendipõhine modelleerimine selgitab keeruliste nähtuste (nt Brexiti mõju majandusele, ingliskeelsete elanike arvu kasvu mõju eesti keele elujõulisusele või koroonaviiruse leviku kiirus) aktiivseid olemeid ehk agente ja nende vastastikust mõju. Raamatu teise osa lõpetab Toomas Kirdi peatükk „Masinõppe meetodid ja rakendused suurandmete töötlemisel“. Peatükis tutvustatud masinõppe meetodeid kasutatakse näiteks klientide ostukorvi analüüsimiseks äriettevõtte müügi suurendamise eesmärgil või inimeste linna kolimise põhjuste selgitamiseks individuaalsete profiilide analüüsi kaudu. Masinõppe leviku ja meetodite paljususe kontekstis on käsitluse peamisteks ülesanneteks kvaliteetsete andmete tagamine, tööprotsessi kiirendavate töövahendite paralleelne kasutamine ja treeningandmete kättesaadavus.

      Kolmas osa „Teksti- ja tajuandmete analüüs“ pakub sissejuhatuse meetoditesse, mis tegelevad struktureerimata (teksti)andmete viimisega struktureeritud kujule. See osa näitab ilmekalt, et andmed võivad tekkida inimeste kognitiivsete ressursside n-ö ekspluateerimise tagajärjel sotsiaalmeedia keskkondades (inimestele meeldivaid emotsioone loovate nn klikitegevuste tulemusel) (Mühlhoff 2019). Teisalt on meil üha enam võimalusi kasutada erinevaid tööriistu samade tajuprotsesside uurimiseks (nt kuidas inimesed tajuvad erinevaid tekste, andmetehnoloogiaid ja neis sisalduvat meelestatust). Selliselt kajastab see osa sotsiaal- ja humanitaarteaduste n-ö kognitiivset pööret – tekkinud on võimalused uurida tekstides leiduvaid hoiakuid ja meelestatust, aga ka meelestatuse kujunemise kognitiivseid mehhanisme. Raamatu kolmanda osa juhatab sisse Kristel Uiboaia peatükk „Tekstikaeve“, mis näitlikustab Eesti erakondade valimisprogrammide põhjal, kuidas tekstikaeve meetodid võimaldavad otsida suurtest tekstikogudest uut informatsiooni, mustreid ja korrapära. Peatükk annab tänuväärse ülevaate eripäradest, mis on seotud eestikeelsete andmete töötlemisega, ning tutvustab tekstikaeve projekti eri etappe ja enim kasutatavaid meetodeid. Kadri Muischneki ja Liina Lindströmi peatükk „Digitaalsed tekstiandmed ja korpuslingvistika“ annab ülevaate sellest, kuidas rakendada suuri tekstikollektsioone ehk -korpusi, saamaks süstematiseeritud infot nii keele arengusuundade kui ka veebikorpustes kujutatud ühiskonna kohta. Tekstiandmete üheks levinumaks analüüsiviisiks on hoiakute automatiseeritult mõõtmine ja meelestatuse analüüs, mida käsitlevad järgmises peatükis põhjalikumalt Mare Koit ja Haldur Õim. Autorid näitavad, et vaatamata meelestatuse hindamise automatiseerimisele, näiteks masinõppe meetodeid rakendades, tuleb eri tüüpi tekstides positiivse või negatiivse meelestatuse väljendamiseks kasutatavaid keelelisi erinevusi enamasti hinnata ka lähilugemise abil. Kolmanda osa lõpetab Kristian Pentuse ja Andres Kuusiku peatükk „Pilgujälgimine“, mis kirjeldab, kuidas pilgujälgimise abil on võimalik selgitada seda, kuidas inimene maailma näeb ja kogeb, kuidas on fikseeritud inimese tähelepanu ning kuidas optimeerida andmekuvamise lahendusi.

      Neljas osa „Lugude jutustamine andmetest ja andmetega“ näitab, kuidas kogutud ja töödeldud andmed võimaldavad jutustada veenvaid, haaravaid, mobiliseerivaid, reaalsust, ajalugu ja tulevikku ümberkujundavaid lugusid nii tänapäeva- kui ka minevikuühiskondadest. Oskus andmete põhjal kas visuaalselt (ptk 2.1) või tekstiliselt lugusid jutustada ning andmete (varjatud) diskursiivseid tähendusi mõista on muutunud andmeühiskonna uurijate üheks keskseks kompetentsiks. Marek Tamme ja Hembo Pagi peatükk „Digiajaloo ja -arheoloogia uurimismeetodid“ tutvustab meetodeid, mis aitavad mitmekesistada meie teadmisi minevikuühiskondadest. Näiteks antakse peatükis ülevaade käsikirjaliste tekstide tuvastamise, ajaloolise võrgustikuanalüüsi, aga ka laserskaneerimise ja konstruktsioonianalüüsi võimalustest. Ragne Kõutsi ja Marju Himma peatükk „Ajakirjandus andmeajastul“ näitab, kuidas andmeajakirjandus informatsiooni vahendades sotsiaalset tegelikkust konstrueerib. Andmetest küllastunud ühiskonnas lasub andmeajakirjaniku roll kõigil andmete kogumise, töötlemise ja esitamisega tegelevatel analüütikutel, kes peaks vältima moonutatud pildi loomist tegelikkusest. Nii andmeajakirjanikud kui ka teised andmetega tegelevad indiviidid ja institutsioonid vastutavad valeinfo leviku ja andmetega manipuleerimise piiramise eest. Järgmises peatükis „Diskursusanalüüs“ (autorid Katrin Tiidenberg, Anu Masso, Maili Pilt, Liisi Laineste) on lähemalt käsitletud kolme meetodit: multimodaalne kvalitatiivne, kriitiline tehnokultuuriline diskursusanalüüs ja Q-metodoloogia. Peatükk näitab, et kriitilised tähendusi, tegevusi-praktikaid, identiteete, suhteid, põhimõtteid, seoseid, märgisüsteeme ja teadmisi analüüsivad võtted on andmestunud ühiskonna mõistmisel ja selgitamisel hädavajalikud. Samas on uued analüüsi tööriistad, andmekogumise ja -analüüsi keskkonnad (nt Ken-Q Analysis), aga ka kvalitatiivse analüüsitarkvara kasutamine loonud võimaluse analüüsiprotsessi kiirendamiseks ja läbipaistvamaks muutmiseks. Sarnaselt käsitleb järgmine peatükk „Narratiivid sotsiaalmeedias“ (autorid Liisi Laineste, Maili Pilt) sotsiaalmeedia levikuga kaasnevate uute multimodaalsete narratiivsete nähtuste analüüsimise võimalusi, loomaks inimeste argisuhtlusest ja kogemustest mitmekihilisi tõlgendusi.

      Viies osa võtab lähema vaatluse alla „Platvormid ja andmetaristud uurimisvahendi ja -objektina“. Osa keskendub nii teiseste andmebaaside (nt filmiandmebaas) rollile ühiskonna ja kultuuri mõtestamisel kui ka kommertsteenuste tulemusena loodud andmete (nt sotsiaalmeedia-, mobiili- ja internetiandmed) kasutamisele ajaliste ja ruumiliste ning sotsiaalsete protsesside mõistmisel. Indrek Ibrus ja Maarja Ojamaa näitavad peatükis „Audiovisuaalne kultuur, metaandmed ja lingianalüüs“ unikaalse kultuurianalüüsi võimalusi Eestis ja rahvusvaheliselt, tuginedes filmiandmebaasi metaandmetele. Filmide autorite seotuse ja filmide märksõnavõrgustike ajaperioodide kaupa võrdlemine loob uudsed võimalused varem märkamata jäänud tendentside, aga ka ootamatute anomaaliate avastamiseks. Olle Järve ja Kerli Müüriseppa peatükk „Sotsiaalmeedia andmete sotsiaal-ruumiline analüüs“ avab lisaks eelnevalt käsitlemist leidnud tekstiliste sotsiaalmeediaandmete analüüsile (nt ptk-des 3.1 ja 3.2) lugejale ka platvormiandmete potentsiaali ruumilisi ja sotsiaalseid struktuure käsitlevate uuringute jaoks. Platvormiandmete analüüsile keskenduvad ka Anna Veremchuk ja Jaan Masso peatükis „Internetiandmete kasutamine tööturu-uuringuteks“. Mõlema peatüki autorid näitavad sotsiaalmeedia ja CV Keskuse veebikeskkonna näitel platvormiandmete unikaalset potentsiaali näiteks tööturu-uuringuteks või inimeste ruumilise käitumise selgitamiseks. Platvormide eelis uuringutandrina peitub selles, et uurijal on suhteliselt odavalt võimalik koguda uurimistööks vajalikke andmeid, muidugi juhul, kui andmete omanik seda lubab. Samuti annavad internetiandmed teiste andmestikega kombineerituna võimaluse saada täpsemaid ja usaldusväärsemaid tulemusi. Siiri Silma ja Olle Järve peatükk „Mobiiltelefonid ühiskonna aegruumilises analüüsis“ rõhutab, et mobiilpositsioneerimise meetodite paljud tugevused (reaalajas suhteliselt täpne liikuvuse jälgimine) kaaluvad selgelt üle nõrkused (nt valimi kallutatus), mistõttu meetod leiab üha enam kasutust nii passiivse (anonüümsed suuremahulised kõnetoimingute asukohapõhised andmed) kui ka aktiivse positsioneerimise (väikeses mahus nutitelefonide positsioneerimine) kaudu loodud andmete kujul. Meetod annab võimaluse reaalajas ühiskonda dünaamiliselt jälgida ning targalt juhtida, näiteks liikluse СКАЧАТЬ