Skip to main content
SpringerLink
Log in
Book cover

Erklärende Soziologie und soziale Praxis pp 101–125Cite as

„Big Data“ aus wissenschaftssoziologischer Sicht: Warum es kaum sozialwissenschaftliche Studien ohne Befragungen gibt

  • Chapter
  • First Online:

Zusammenfassung

Der Anteil an Veröffentlichungen, die auf Daten beruhen, die durch standardisierte Befragungen erhoben wurden, steigt in den Sozialwissenschaften – mit Ausnahme der Ökonomie – monoton weiter (Schnell 2012). Dafür gibt es mehrere Gründe.

This is a preview of subscription content, log in via an institution.

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   44.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD   59.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  • Administrative Data Research Network Board. (2016). Second Annual Report. UK Statistics Authority. London. Zugriff unter https://www.statisticsauthority.gov.uk/wpcontent/uploads/2016/10/ADRN-AR-15-16.pdf.

  • Angrist, J. D. & Krueger, A. B. (1999). Empirical Strategies in Labor Economics. In: O. C. Ashenfelter & D. Card (Hg.), Handbook of Labor Economics (3). Amsterdam: Elsevier. S. 1277–1366.

    Google Scholar 

  • Antoni, M. & Schnell, R. (2017). The Past, Present and Future of the German Record Linkage Center (GRLC). Journal of Economics and Statistics. https://doi.org/10.1515/jbnst-2017-1004.

  • BDS. (2011). SoziologInnen in den skandinavischen Ländern. BDS Newsletter. Zugriff unter http://bds-soz.de/BDS/PDF/Internationales/skandinavien.pdf.

  • Biemer, P. (2017). Errors and Inference. In: I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter & J. Lane (Hg.), Big Data and Social Science. Boca Raton: CRC Press. S. 265–297.

    Google Scholar 

  • Bundesakademie für öffentliche Verwaltung im Bundesministerium des Innern. (2016). Leitfaden Behördliche Datenschutzbeauftragte in der Bundesverwaltung. Zugriff unter http://www.bakoev.bund.de/SharedDocs/Downloads/LG_5/BDSB/Leitfaden.pdf.

  • Certo, S. T., Busenbark, J. R., Woo, H.-s. & Semadeni, M. (2016). Sample Selection Bias and Heckman Models in Strategic Management Research. Strategic Management Journal, 37 (13), S. 2639–2657. https://doi.org/10.1002/smj.2475.

    Article  Google Scholar 

  • Chetty, R. (2012). Time Trends in the Use of Administrative Data for Empirical Research. NBER Summer Institute, July 2012. Zugriff unter http://www.rajchetty.com/chettyfiles/admin_data_trends.pdf.

  • Christen, P. (2012). Data Matching: Concepts and Techniques for Record Linkage, Entity Resolution, and Duplicate Detection. Berlin: Springer.

    Google Scholar 

  • Connelly, R., Playford, C. J., Gayle, V. & Dibben, C. (2016). The Role of Administrative Data in the Big Data Revolution in Social Science Research. Social Science Research, 59 (Supplement C), S. 1–12. https://doi.org/10.1016/j.ssresearch.2016.04.015.

    Article  Google Scholar 

  • Council of the European Union. (2016). Council regulation (EU) no 679/2016: On the Protection of Natural Persons With Regard to the Processing of Personal Data and on the Free Movement of Such Data, and Repealing Directive 95/46/EC (General Data Protection Regulation).

    Google Scholar 

  • D’Orazio, M., Zio, M. D. & Scanu, M. (2006). Statistical Matching: Theory and Practice. Chichester: Wiley.

    Book  Google Scholar 

  • Die Landesbeauftragte für den Datenschutz Niedersachsen. (2018). Bausteinreihe Basiswissen Datenschutz. Zugriff unter https://www.lfd.niedersachsen.de/startseite/fortbildung_service/datenschutzinstitut_niedersachsen_dsin/programm_2018/bausteinreihe_basiswissen_behoerdliche_datenschutzbeauftragte/bausteinreihebasiswissen-fuer-behoerdliche-datenschutzbeauftragte-138862.html.

  • Ekland-Olson, S. & Gibbs, J. P. (2017). Science and Sociology: Predictive Power Is the Name of the Game. Abingdon: Routledge.

    Book  Google Scholar 

  • Elliot, M., Mackey, E., O’Hara, K. & Tudor, C. (2016). The Anonymisation Decision- Making Framework. Manchester: UKAN.

    Google Scholar 

  • Frambach, R. T. & Schillewaert, N. (2002). Organizational Innovation Adoption: A Multi- level Framework of Determinants and Opportunities for Future Research. Journal of Business Research, 55 (2), S. 163–176. https://doi.org/10.1016/s0148-2963(00)00152-1.

    Article  Google Scholar 

  • Golder, S. A. & Macy, M. W. (2014). Digital Footprints: Opportunities and Challenges for Online Social Research. Annual Review of Sociology, 40, S. 129–152.

    Article  Google Scholar 

  • Guo, S. & Fraser, M. W. (2010). Propensity Score Analysis: Statistical Methods and Applications. Advanced Quantitative Techniques in the Social Sciences. Los Angeles: Sage.

    Google Scholar 

  • Herzog, T. N., Scheuren, F. J. & Winkler, W. E. (2007). Data Quality and Record Linkage Techniques. New York: Springer.

    Google Scholar 

  • Iezzoni, L. I. (Hg.). (2003). Risk Adjustment for Measuring Health Care Outcomes (3. Aufl.). Chicago, IL: Health Administration Press.

    Google Scholar 

  • Innes, M., Roberts, C., Preece, A. & Rogers, D. (2016). Of Instruments and Data: Social Media Uses, Abuses and Analysis. In N. G. Fielding, R. M. Lee & G. Blank (Hg.), The SAGE Handbook of Online Research Methods. London: Sage. S. 108–124

    Google Scholar 

  • Japec, L., Kreuter, F., Berg, M., Biemer, P., Decker, P., Lampe, C., Lane, J., O’Neil, C. & Usher, A. (2015). Big Data in Survey Research: AAPOR Task Force Report. Public Opinion Quarterly, 79 (4), S. 839–880.

    Article  Google Scholar 

  • Karaalp, R. N. (2017). Der Schutz von Patientendaten für die medizinische Forschung in Krankenhäusern. Wiesbaden: Springer.

    Google Scholar 

  • Kennedy, P. (2008). A Guide to Econometrics (6. Aufl.). Malden: Blackwell Publishing.

    Google Scholar 

  • Kinsley, B. (2014). A Political Economy of Twitter Data? Conducting Research With Proprietary Data Is Neither Easy nor Free. Zugriff unter http://bit.ly/1DboYPg.

  • Maret-Ouda, J., Tao, W., Wahlin, K. & Lagergren, J. (2017). Nordic Registry-based Cohort Studies: Possibilities and Pitfalls When Combining Nordic Registry Data. Scandinavian Journal of Public Health, 45 (17_suppl), S. 14–19. https://doi.org/10.1177/1403494817702336.

    Article  Google Scholar 

  • Martini, M. & Wenzel, M. (2017). Rechtliche Grenzen einer Personen- bzw. Unternehmenskennziffer in staatlichen Registern. Speyer: Universität Speyer.

    Google Scholar 

  • Mechanic, D. (1962). Sources of Power of Lower Participants in Complex Organizations. Administrative Science Quarterly, 7 (3), S. 349–364.

    Article  Google Scholar 

  • Metschke, R. (2010). Record Linkage from the Perspective of Data Protection. In: G. D. F. (RatS-WD) (Hg.), Building on progress: Expanding the research infrastructure for the social, economic, and behavioral sciences (1). Opladen: Budrich UniPress. S. 643–656.

    Google Scholar 

  • Morstatter, F., Pfeffer, J. & Liu, H. (2014). When is it biased? Assessing the Representativeness of Twitter’s Streaming API. In Proceedings of the 23rd International Conference on World Wide Web. ACM. S. 555–556.

    Google Scholar 

  • Mueller, U. & Werdecker, A. (2014). Bedeutung von Leichenschau- und Sektionsdaten für ein bundeseinheitliches Mortalitätsregister. In: B. Madea (Hrsg.), Die ärztliche Leichenschau: Rechtsgrundlagen, Praktische Durchführung, Problemlösungen, S. 227–238. Berlin/Heidelberg: Springer.

    Chapter  Google Scholar 

  • Petrila, J. (2015). Challenges in Using Administrative Data: Legal, Technical and Political. Presentation OPRE Methods Meeting. Zugriff unter https://opremethodsmeeting.org/docs/2015/Petrila_ChallengesAdministrativeData.pdf

  • Randall, S. M., Ferrante, A. M., Boyd, J. H., Brown, A. P. & Semmens, J. B. (2016). Limited Privacy Protection and Poor Sensitivity: Is It Time to Move on From the Statistical Linkage Key-581? Health Informatics Management Journal, 45 (2), S. 71–79.

    Article  Google Scholar 

  • Rat für Sozial- und Wirtschaftsdaten. (2017). Handreichung Datenschutz. RatSWD Output Series. Berlin.

    Google Scholar 

  • Sakshaug, J. W., Hülle, S., Schmucker, A. & Liebig, S. (2017). Exploring the Effects of Interviewer- and Self-Administered Survey Modes on Record Linkage Consent Rates and Bias. Survey Research Methods, 11 (2), S. 171–188.

    Google Scholar 

  • Scartazzini, R. & Teichgräber, M. (2017). Rechtliche Grundlagen der Verknüpfung von Daten der öffentlichen Statistik und Bewilligungsprozesse im BFS. Vortrag im Rahmen des Workshops ’Verknüpfung statistischer Daten - Erfahrungen, Möglichkeiten, Grenzen und Perspektiven Workshop FORS - BFS, 11. April 2017’, Lausanne.

    Google Scholar 

  • Schaar, P. (2014). Anonymisieren und Pseudonymisieren als Möglichkeit der Forschung mit sensiblen, personenbezogenen Forschungsdaten. In: C. Lenk, G. Duttge & H. Fangerau (Hrsg.), Handbuch Ethik und Recht der Forschung am Menschen. Springer. S. 95–100.

    Google Scholar 

  • Schelhase, T. (2014). Die Todesursachenstatistik der Statistischen Ämter des Bundes und der Länder. In: B. Madea (Hg.), Die ärztliche Leichenschau: Rechtsgrundlagen, Praktische Durchführung, Problemlösungen,. Berlin/Heidelberg: Springer. S. 217–225

    Chapter  Google Scholar 

  • Schnell, R. (1997). Nonresponse in Bevölkerungsumfragen: Ausmaß, Entwicklung und Ursachen.Opladen: Leske+Budrich.

    Google Scholar 

  • Schnell, R. (2012). Survey-Interviews: Methoden standardisierter Befragungen. Wiesbaden: VS Verlag für Sozialwissenschaften.

    Chapter  Google Scholar 

  • Schnell, R., Bachteler, T. & Reiher, J. (2009). Privacy-Preserving Record Linkage Using Bloom Filters. BMC Medical Informatics and Decision Making, 9 (41), S. 1–11.

    Google Scholar 

  • Schnell, R. & Borgs, C. (2015). Building a National Perinatal Database Without the Use of Unique Personal Identifiers. In Proceedings of the 2015 IEEE 15th International Conference on Data Mining Workshop, S. 232–239.

    Google Scholar 

  • Smith, D. (2017). Secure Pseudonymisation for Privacy-preserving Probabilistic Record Linkage. Journal of Information Security and Applications, 34, S. 271–279.

    Article  Google Scholar 

  • Tokle, J. & Bender, S. (2017). Record Linkage. In: I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter & J. Lane (Hg.), Big data and social science. Boca Raton: CRC Press. S. 71–92.

    Google Scholar 

  • Vatsalan, D., Christen, P. & Verykios, V. S. (2013). A Taxonomy of Privacy-Preserving Record Linkage Techniques. Information Systems, 38 (6), S. 946–969.

    Article  Google Scholar 

  • Verknüpfungsstelle. (2017). Verknüpfungsrichtlinen, Version 1.1. Bundesamt für Statistik BFS. Bern.

    Google Scholar 

  • Voitel, B. (2017). Sind Hash-Werte personenbezogene Daten? Datenschutz und Datensicherheit, 41 (11), S. 686–687.

    Google Scholar 

  • Wejnert, B. (2002). Integrating Models of Diffusion of Innovations: A Conceptual Framework. Annual review of sociology, 28, S. 297–396.

    Article  Google Scholar 

  • Winkler, W. E. (2009). Record linkage. In: D. Pfeffermann & C. Rao (Hrsg.), Handbook of Statistics Band 29a, Sample surveys: Design, methods and applications. Amsterdam: Elsevier, North-Holland. S. 351–380.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Institut für Soziologie, Universität Duisburg-Essen (Campus Duisburg), Duisburg, Deutschland

    Rainer Schnell

Authors
  1. Rainer Schnell
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Rainer Schnell .

Editor information

Editors and Affiliations

  1. RWTH Aachen, Aachen, Germany

    Daniel Baron

  2. Martin-Luther-Universität Halle-Wittenberg, Halle (Saale), Germany

    Oliver Arránz Becker

  3. Universität der Bundeswehr München, Neubiberg, Germany

    Daniel Lois

Rights and permissions

Reprints and permissions

Copyright information

© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Schnell, R. (2019). „Big Data“ aus wissenschaftssoziologischer Sicht: Warum es kaum sozialwissenschaftliche Studien ohne Befragungen gibt. In: Baron, D., Arránz Becker, O., Lois, D. (eds) Erklärende Soziologie und soziale Praxis. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-23759-2_6

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-23759-2_6

  • Published:

  • Publisher Name: Springer VS, Wiesbaden

  • Print ISBN: 978-3-658-23758-5

  • Online ISBN: 978-3-658-23759-2

  • eBook Packages: Social Science and Law (German Language)

Publish with us

Policies and ethics

Search

Navigation