El futuro del estudio de la brecha digital: el Big Data

  1. David Salgado 1
  2. José Manuel Robles 2
  1. 1 Instituto Nacional de Estadística (INE)
  2. 2 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

Revista:
Panorama social

ISSN: 1699-6852

Año de publicación: 2017

Título del ejemplar: Las desigualdades digitales. Los límites de la Sociedad Red

Número: 25

Páginas: 177-186

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Panorama social

Resumen

Los Big Data se han transformado en una fuente de datos de especial relevancia para las distintas disciplinas de las ciencias sociales. El volumen de datos que se ponen a disposición de los investigadores, la velocidad con la que estos se generan y pueden ser analizados, así como la variedad de formatos hacen que muchos especialistas consideren que estamos ante una transformación trascendental para la investigación científica. Sin cuestionar estas expectativas, este trabajo se pregunta qué efectos tiene el uso de estas nuevas fuentes de datos sobre un campo de investigación que, como la brecha digital, requiere bases de datos representativas de la población objeto de estudio para, de esta forma, fundamentar las políticas que persiguen el correcto desarrollo de la sociedad de la información, así como para realizar análisis que ofrezcan una visión ajustada de la penetración de este fenómeno en una población concreta. En este trabajo planteamos "el problema de la inferencia" como una cuestión abierta para la aplicación sistemática de los Big Data al estudio de cuestiones sociales, y mantenemos que este problema afecta, de manera especial, al estudio de la brecha digital.

Referencias bibliográficas

  • BUTLER, D. (2013), “When Google got flu wrong”, Nature, 494: 155–156.
  • CHAMBERS, R. L., y R. G. CLARK (2012), An introduction to model­based survey sampling with applications, Oxford, Oxford University Press.
  • CRAIN, M. (2016), “The limits of transparency: Data brokers and commodification”, New Media & Society, 7: 1­-17.
  • DE MARCO, S.; ROBLES J. M., y M. ANTINO (2014), “Digital skills as a conditioning factor for digital political participation”, Communications: The European Journal of Communication Research, 39(1): 146–167.
  • DIMAGGIO P., y E. HARGITTAI (2001), “From the Digital Divide to Digital Inequality. Studying Internet use as penetration increase”, Centre for Arts and Cultural Policy Studies, 15: 1-­23.
  • EUROPEAN STATISTICAL SYSTEM (2012), ESSnet on Automated Data Collection and Reporting in Accommodation Statistics (https://ec.europa. eu/eurostat/cros/content/tourism).
  • EUROPEAN STATISTICS CODE OF PRACTICE (2011), Eurostat and ESS (http://ec.europa.eu/eurostat/ web/products­manuals­andguidelines/­/KS­32­ 11-­955).
  • GOLDTHORPE, J. H. (2017), La sociología como ciencia de la población, Madrid, Alianza editorial.
  • HANSEN, M. H. (1987), “Some history and reminiscences on survey sampling”, Statistical Science, 2: 180–190.
  • HANSEN, M. H.; MADOW, W. G., y B. J. TEPPING (1983), “An evaluation of model­dependent and probability sampling inferences in sample surveys”, Journal of the American Statistical Association, 78: 776–793.
  • HARGITTAI, E. (2010), “Digital na(t)ives? Variation in Internet skills and uses among members of the ‘Net Generation‘”, Sociological Inquiry, 80(1): 92-­113.
  • HARGITTAI, E. (2015), “Is bigger always better? Potential biases of Big Data derived from social network sites”, Annals of the American Academy of Political and Social Science, 659(1): 63–76.
  • IBM (2013), “What is Big Data? – Bringing Big Data to the enterprise”, (https://www­01. ibm.com/software/in/data/bigdata/).
  • JENKINS, J. C.; SLOMCZYNSKI, K. M., y J. K. DUBROW (2016), “Political behavior and Big Data”. International Journal of Sociology, 46(1): 1–7.
  • LIN, J. (2015), “On building better mousetraps and understanding the human condition: Reflections on Big Data in the social sciences”, Annals of the American Academy of Political and Social Science, 659(1): 33–47.
  • MAYER-SCHÖNBERGER, V., y K. CUKIER (2014), Big Data: A Revolution That Will Transform How We Live, Work, and Think, Nueva York, Mariner Books.
  • MURPHY, K. P. (2012), Machine learning: A probabilistic perspective, Massachusetts, The MIT Press.
  • MÜTZEL, S. (2015), “Facing Big Data: Making sociology relevant”, Big Data & Society, 2(2): 115-­128.
  • NAGLER, J., y J. A. TUCKER (2015), “Drawing inferences and testing theories with Big Data”, Political Science and Politics, 48(1): 84–88.
  • OLSON, D. R.; KONTY, K. J., PALADINI, M., VIBOUD, C., y L. SIMONSEN (2013), “Reassessing Google flu trends data for detection of seasonal and pandemic influenza: A comparative epidemiological study at three geographic scales”, PLOS Computational Biology, 9: 156­-170.
  • ROBLES, J. M.; TORRES, C., y O. MOLINA (2010), “Brecha digital. Un análisis de las desigualdades tecnológicas en España”, Sistema, 218: 3­22.
  • ROSA-PÉREZ, E. (2016), “Improving the statistical process in the hotel occupancy survey”, European Conference on Quality in Official Statistics (http://www.ine.es/q2016/ docs/q2016Final00112.pdf).
  • SHARON, T., y D. ZANDBERGEN (2016), “From data fetishism to quantifying selves: Self­ tracking practices and the other values of data”, New Media & Society, 60: 1­17 .
  • SÄRNDAL, C. E.; SWENSSON, B., y J. WRETMAN (1992), Model assisted survey sampling, Berlín, Springer.
  • SAUTER, M. (2014), From GSM to LTE – advanced: An introduction to mobile networks and mobile broadband, Nueva Jersey, Wiley.
  • SMITH T. M. F. (1976), “The foundations of survey sampling: A review”, Journal of the Royal Statistical Society, 139: 183–204.
  • SMITH T. M. F. (1994), “Sample surveys 1975­-90; an age of reconciliation?”, International Statistical Review, 62: 5–34.
  • TORRES-ALBERO, C.; ROBLES, J. M., y S. DE MARCO (2013), “Inequalities in the Information Society: From the Digital Divide to Digital Inequality”, en A. LÓPEZ PELÁEZ (Ed.), The robotics divide. A new frontier in the 21st Century?, Berlín, Springer: 173-­194.
  • TORRES-ALBERO, C.; ROBLES, J. M., y S. DE MARCO (2017), “Revisión analítica del modelo de aceptación de la tecnología. El cambio tec­ nológico”, Papers, Revista de Sociología, 102 (1): 5­27.
  • VALLIANT, R.; DORFMAN, A. H., y R. M. ROYALL (2000), Finite population sampling and inference: a prediction approach, Nueva Jersey, Wiley.
  • VAN DEURSEN, A. J. A. M., y J. A. G. M. VAN DIJK (2011), “Rethinking Internet skills: The contribution of gender, age, education, Internet experience, and hours online to medium­ and content­related Internet skills”, Poetics, 39: 124-­144.
  • VAN DIJK, J. (2006), “Digital Divide research. Achievements and shortcomings”, Poetics, 34: 221–235.
Fuente de los datos: Dialnet