Kosinski, M.; Stillwell, D. J.; Ungar, L. H.; Seligman, M. E. P. 2015. Automatic Personality Assessment Through Social Media Language. – Journal of Personality and Social Psychology 108, 6, 934–952. https://doi.org/10.1037/pspp0000020.
Pink, S.; Ruckenstein, M.; Willim, R.; Duque, M. 2018. Broken data: Conceptualising data in an emerging world. – Big Data and Society 5, 1. https://doi.org/10.1177/2053951717753228.
Puschmann, C.; Burgess, J. 2014. Metaphors of big data. – International Journal of Communication 8, 1690–1709.
Raley, R. 2013. Dataveillance and countervailance. – Lisa Gitelman (ed.), ‘Raw Data’ Is an Oxymoron. MIT Press.
Rogers, R. 2013. Digital Methods. MIT.
Rogers, R. 2019. Doing Digital Methods. Sage.
Rossi, U. 2019. The common-seekers: Capturing and reclaiming value in the platform metropolis. – Environment and Planning C: Politics and Space 37, 8, 1418–1433. https://doi.org/10.1177/2399654419830975.
Runnel, P.; Pruulmann-Vengerfeldt, P.; Reinsalu, K. 2009. The Estonian Tiger Leap from Post-Communism to the Information Society: From Policy to Practice. – Journal of Baltic Studies 40, 1, 29–51. https://doi.org/10.1080/01629770902722245.
Schot, J.; Kanger, L. 2018. Deep transitions: Emergence, acceleration, stabilization and directionality. – Research Policy 47, 6, 1045–1059. https://doi.org/10.1016/j.respol.2018.03.009.
Schäfer, M. 2016. Challenging Citizenship: Social Media and Big Data. – Computer Supported Cooperative Work 25, 2, 111–113. https://doi.org/10.1007/s10606-016-9255-8.
Schäfer, M. T.; Es, K. van 2017. The Datafied Society: Studying Culture through Data. Amsterdam University Press.
Shaw, R. 2015. Big Data and reality. – Big Data and Society 2, 2, 1–4. https://doi.org/10.1177/2053951715608877.
Slota, S. C.; Hoffman, A. S.; Ribes, D.; Bowker, G. C. 2020. Prospecting (in) the data sciences. 0 Big Data and Society 7, 1, 1–12. https://doi.org/10.1177/205 3951720906849.
Stark, L.; Hoffmann, A. L. 2019. Data Is the New What? Popular Metaphors & Professional Ethics in Emerging Data Culture. – Journal of Cultural Analytics, May 1, 1–22. https://doi.org/10.22148/16.036.
Tammpuu, P.; Masso, A. 2018. ‘Welcome to the virtual state’: Estonian e-residency and the digitalised state as a commodity. – European Journal of Cultural Studies 21, 5, 543–560. https://doi.org/10.1177/1367549417751148.
Thylstrup, N. B.: Flyverbom, M.: Helles, R. 2019. Datafied knowledge production: Introduction to the special theme. – Big Data and Society 6, 2, 1–5. https://doi.org/10.1177/2053951719875985.
Wagner-Pacifici, R.; Mohr, J. W.; Breiger, R. L. 2015. Ontologies, methodologies, and new uses of Big Data in the social and cultural sciences. – Big Data and Society 2, 2, 1–11. https://doi.org/10.1177/2053951715613810.
Veltri, G. A. 2017. Big Data is not only about data: The two cultures of modelling. – Big Data and Society 4, 1, 1–6. https://doi.org/10.1177/2053951717703997.
Viik, K. 2015. Sõnastik: intersektsionaalsus. Feministeerium. https://feministeerium.ee/nadala-sona-intersektsionaalsus/.
Whitby, A. 2020. The Sum of the People: How the Census Has Shaped Nations, from the Ancient World to the Modern Age. Hachette UK.
1
MAAILMA ANDMESTUMINE
See raamat on loetav Eesti sotsiaalteadustes praegu aktuaalsete meetodialaste algatuste ülevaatena. Huvilisi lugejaid võiks leiduda sotsiaalteadlaste ja kraadiõppurite hulgas.
1.1. ANDMEPÕHINE MUUTUSTE JUHTIMINE
Anu Masso, Triin Vihalemm, Leno Saarniit
LUGEMISSOOVITUSED
• Linnet Taylor, What is data justice? The case for connecting digital rights and freedoms globally. – Big Data and Society 2017, 4, 2. https://doi.org/10.1177/205 3951717736335.
• Abubakar Mohammed Abubakar, Hamzah Elrehail, Maher Ahmad Alatailat, Alev Elçi, Knowledge management, decision-making style and organizational performance. – Journal of Innovation and Knowledge 2019, 4, 2, 104–114.
• Michael Kearns, Aaron Roth, The Ethical Algorithm: The Science of Socially Aware Algorithm Design. Oxford University Press 2019.
1.1.1. Andmepõhised otsused andmestunud ühiskonnas
Selles peatükis tuleb juttu andmepõhisest muutuste juhtimisest, mille all mõistavad autorid olukorra analüüsi, tegevuseesmärkide püstitamist, nende saavutamise plaani koostamist ning uue olukorra analüüsi. Andmepõhist otsustamist ja protsesside juhtimist mõistame mitte kitsalt organisatsioonis kvantitatiivselt mõõdetavalt või kvalitatiivselt uute struktuursete tulemusteni jõudmisena, vaid laiemalt – andmetest tihedalt läbi põimunud organisatsioonilise ja kultuurilise otsustamise ja tööprotsessina. Kasutame väljendeid „andmepõhine otsustamine“, „andmepõhine juhtimine“ ja „andmepõhine muutuste juhtimine“ vastavalt tegevuse konkreetsemale või üldisemale kontekstile.
Kuigi andmete põhjal otsustamises pole iseenesest midagi uut, on digitaalsed andmed loonud mitmeid võimalusi reaalajas kiireid otsuseid teha valdkondades, kus see varem andmete puudumise tõttu polnud võimalik. Digitaalsete andmete loodud võimalused on muutnud andmete põhjal otsustamise uueks normiks ja organisatsioonikultuuri osaks. Andmeid on viimasel kümnendil kasutatud juhtimisotsuste tegemisel ja organisatsioonikultuuris eri viisil, mistõttu ka igapäevases kõnes kasutatud terminid võivad tähistada erinevaid otsusetegemise praktikaid. Soovitame niihästi kriitilisi kui ka kiitvaid publikatsioone lugedes, soovitusi või hoiatusi kuulates endale selgeks teha, millise metoodika ja kontekstiga parajasti tegu on, ning sellest tulenevalt hinnata info asjakohasust enda probleemi lahendamise jaoks.
Otsustamisviisi, kus lastakse andmetel endil „kõnelda“ lootes, et andmetes leiduvad mustrid annavad nähtustest tõese pildi, nimetatakse andmetest juhitud otsustamiseks (data driven decision making, vt ka governance by numbers, management by numbers) (Miller 2001; Hood 2007; Jackson 2011). On arvatud, et selline otsustamine täiendab või mõningatel juhtudel ka asendab inimlikku, tunnetus- ja kogemuspõhist, teatud mäluepisoodidel põhinevat ja isiku otsustamisstiilist kujundatud otsustamist (Brynjolfsson et al. 2011; Abubakar et al. 2019) ning on inimlikest emotsioonidest kallutamata, seetõttu n-ö täpsem, ratsionaalsem ja süsteemsem (nt Jones-Devitt, Samiei 2011; Peters 2001). Selline käsitlus võib jääda aga liiga kitsaks, kasulik on ka mõõtmise metoodikat kriitiliselt kaaluda, et „selitada oma teoreetilist mõtlemist ja soovitada uusi muutujaid“ (Blalock 1974: 88), et soovitud eesmärke ellu viia. Seetõttu hõlmab andmete abil juhtimine ja otsustamine lisaks otseselt numbrilise mõõtmisega seotud tegevustele ka praktikate ja protsesside kogumit, mis aitavad tagada andmevara ametlikku kujundamist, haldamist