Big Data – Eine Revolution, die unser Leben verändern wird

Leitthema
  • 1.8k Downloads

Zusammenfassung

Big Data ermöglicht es, aus einer – relativ gesehen – großen Datenmenge Einsichten in die Wirklichkeit zu gewinnen, die bisher so für uns nicht zugänglich waren. Unsere bisherige Schwierigkeit im Umgang mit großen Datenmengen hat die Methoden wissenschaftlicher Erkenntnis geprägt. In dem Maß, in dem sich das Sammeln und Analysieren von Daten durch die digitalen Werkzeuge erleichtert und verbessert, werden wir auch unsere Erkenntnismethoden anpassen müssen. Im Gegenzug dazu, erhalten wir einen beschleunigten und verbesserten Zugang zu wissenschaftlicher Erkenntnis, insbesondere in den Bereichen der Lebens- und Sozialwissenschaften. Die Mächtigkeit von Big Data gebietet aber auch, dass wir uns seiner Grenzen ebenso gewahr sind wie der außergewöhnlichen Gefahren einer missbräuchlichen Verwendung.

Schlüsselwörter

Big Data Digitalisierung Wissenschaftliche Methode Statistik Kausalität 

Big data: a revolution that will transform our lives

Abstract

Big data denotes our capacity to gain insights from (in relative terms!) large amounts of data that we could not have had by just looking at samples. Our difficulty in working with data has shaped our methods in the small data age. As these limitations with respect to data diminish, we will have to rethink and adjust our scientific methods. In return, we will gain a wealth of new insights, perhaps leading towards a new golden era of scientific discovery. Big Data power demands, however, that we also are cognizant of its limitations and the significant dangers of abusing it.

Keywords

Big data Digitization Scientific method Statistics Causality 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

Viktor Mayer-Schönberger gibt an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine Studien an Menschen und Tieren.

Literatur

  1. 1.
    Ginsburg J et al (2009) Detecting influenza epidemics using search engine query data. Nature 457:1012–1014CrossRefGoogle Scholar
  2. 2.
    Neyman J (1934) On the two different aspects of the representative method: the method of stratified sampling and the method of purposive selection. J Royal Stat Soc 97:558–625CrossRefGoogle Scholar
  3. 3.
    Hilbert M, López P (2011) The world’s technological capacity to store, communicate, and compute information. Science 332:60–65CrossRefPubMedGoogle Scholar
  4. 4.
    Eisenstein E (1993) The printing revolution in early modern Europe. Cambridge University Press, Cambridge, S 13–14Google Scholar
  5. 5.
    Duggan M, Levitt S (2002) Winning isn’t everything: corruption in sumo wrestling. Am Econ Rev 92:1594–1605CrossRefGoogle Scholar
  6. 6.
    Mayer-Schönberger V, Cukier K (2013) Big data: a revolution that will transform how we live work and think. Houghton Mifflin Harcourt, Boston, S 59–61Google Scholar
  7. 7.
    Kahneman D (2011) Thinking, fast and slow. Farrar, Straus and Giroux, New York City, S 74–75Google Scholar
  8. 8.
    White R et al (2013) Web-scale pharmacovigilance: listening to signals from the crowd. J Am Med Informat Assoc 20:404–408CrossRefGoogle Scholar
  9. 9.
    http://www.tylervigen.com. Zugegriffen: 3. Feb. 2015
  10. 10.
    Silver N (2012) The signal and the noise: why so many predictions fail – but some don’t. Penguin, New YorkGoogle Scholar
  11. 11.
    Lazer D, Kennedy R, King G, Vespignani A (2014) The parable of google flu: traps in big data analysis. Science 343:1203–1205CrossRefPubMedGoogle Scholar
  12. 12.
    Stefansen C (2014) Google flu trends gets a brand new engine. http://googleresearch.blogspot.co.at/2014/10/google-flu-trends-gets-brand-new-engine.html. Zugegriffen: 5. Jan. 2015

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.Oxford Internet InstituteUniversität OxfordOxfordGroßbritannien

Personalised recommendations