BIG DATA SOURCES Meaning in Thai - translations and usage examples

• แหล่งข้อมูลขนาดใหญ่
• แหล่งที่มาของข้อมูลขนาดใหญ่

Examples of using Big data sources in English and their translations into Thai

Big data sources tend to have ten characteristics;
แหล่งที่มาของข้อมูลขนาดใหญ่มักจะมีลักษณะที่สิบ;

Surveys linked to big data sources section 3.6.
แบบสำรวจที่เชื่อมโยงกับแหล่งข้อมูลขนาดใหญ่ส่วนที่.3.6

Big data sources can be loaded with junk and spam.
แหล่งที่มาของข้อมูลขนาดใหญ่สามารถจะเต็มไปด้วยขยะและสแปม

Measurement is much less likely to change behavior in big data sources.
วัดเป็นโอกาสน้อยมากที่จะเปลี่ยนพฤติกรรมในแหล่งที่มาของข้อมูลขนาดใหญ่

Big data sources tend to have a number of characteristics in common;
แหล่งข้อมูลขนาดใหญ่มักมีหลายลักษณะเหมือนกัน

Now, I will turn to the seven properties of big data sources that are bad for research.
ตอนนี้ฉันจะหันไปเจ็ดคุณสมบัติของแหล่งข้อมูลขนาดใหญ่ที่ไม่ดีสำหรับการวิจัย

Big data sources do not mean the end of survey research.
แหล่งข้อมูลขนาดใหญ่ไม่ได้หมายถึงการสิ้นสุดของการวิจัยการสำรวจ

Two approaches that especially benefit from big data sources are natural experiments and matching.
สองวิธีที่ได้รับประโยชน์โดยเฉพาะจากแหล่งข้อมูลขนาดใหญ่คือการทดลองตามธรรมชาติและการจับคู่

Third era Non-probability sampling Computer-administered Surveys linked to big data sources.
ยุคที่สามการสุ่มตัวอย่างแบบไม่น่าจะเป็นคอมพิวเตอร์บริหารแบบสำรวจที่เชื่อมโยงกับแหล่งข้อมูลขนาดใหญ่

Measurement in big data sources is much less likely to change behavior.
การวัดในแหล่งข้อมูลขนาดใหญ่มักไม่ค่อยเปลี่ยนแปลงพฤติกรรม

Population drift, usage drift, and system drift make it hard to use big data sources to study long-term trends.
การเลื่อนลอยการใช้งานและการลอยลำของระบบทำให้ยากที่จะใช้แหล่งข้อมูลขนาดใหญ่เพื่อศึกษาแนวโน้มในระยะยาว

Rather than thinking of big data sources as observing people in a natural setting, a more apt metaphor is observing people in a casino.
แทนที่จะคิดของแหล่งข้อมูลขนาดใหญ่เป็นคนสังเกตในการตั้งค่าธรรมชาติอุปมาฉลาดมากขึ้นจะสังเกตคนในคาสิโน

For examples of researchers expressing concern about non-representative nature of big data sources, see boyd and Crawford(2012).
สำหรับตัวอย่างของนักวิจัยที่แสดงความกังวลเกี่ยวกับลักษณะที่ไม่ใช่ตัวแทนของแหล่งข้อมูลขนาดใหญ่ดู

Another way in which researchers can use big data sources in survey research is as a sampling frame for people with specific characteristics.
อีกวิธีหนึ่งที่นักวิจัยสามารถใช้แหล่งข้อมูลขนาดใหญ่ในการวิจัยเชิงสำรวจเป็นกรอบการสุ่มตัวอย่างสำหรับผู้ที่มีลักษณะเฉพาะ

Rosenbaum(2015) and Hernán and Robins(2016) offer other advice for discovering useful comparisons within big data sources.
Rosenbaum2015 และHernánandRobins2016 มีคำแนะนำอื่นสำหรับการค้นพบการเปรียบเทียบที่มีประโยชน์ภายในแหล่งข้อมูลขนาดใหญ่

One of the great advantages of many big data sources are that they collect data over time.
หนึ่งในข้อได้เปรียบที่ดีของหลายแหล่งที่มาของข้อมูลขนาดใหญ่ที่พวกเขาเก็บรวบรวมข้อมูลในช่วงเวลา

Most big data sources are incomplete, in the sense that they don't have the information that you will want for your research.
แหล่งข้อมูลขนาดใหญ่ส่วนใหญ่ไม่สมบูรณ์ในแง่ที่ว่าพวกเขาไม่มีข้อมูลที่คุณต้องการสำหรับการวิจัยของคุณนี่เป็นลักษณะทั่วไปของข้อมูลที่สร้างขึ้นเพื่อวัตถุประสงค์อื่นนอกเหนือจากงานวิจัย

One of the great advantages of many big data sources is that they collect data over time.
หนึ่งในข้อได้เปรียบที่ยอดเยี่ยมของแหล่งข้อมูลขนาดใหญ่จำนวนมากคือพวกเขารวบรวมข้อมูลเมื่อเวลาผ่านไป

Big data sources and surveys are complements not substitutes so as the amount of big data increases, I expect that the value of surveys will increases as well.
แหล่งที่มาของข้อมูลขนาดใหญ่และการสำรวจมีการเติมเต็มไม่ได้ทดแทนเพื่อให้เป็นจำนวนเงินที่เพิ่มขึ้นของข้อมูลขนาดใหญ่ผมคาดว่ามูลค่าของการสำรวจจะเพิ่มขึ้นเช่นกัน

As I'm describing these characteristics you will notice that they often arise because big data sources were not created for the purpose of research.
ขณะที่ฉันกำลังอธิบายลักษณะเหล่านี้คุณจะสังเกตเห็นว่ามักเกิดขึ้นเนื่องจากไม่ได้สร้างแหล่งข้อมูลขนาดใหญ่เพื่อวัตถุประสงค์ในการวิจัย

Rather than thinking of big data sources as observing people in a natural setting, a more apt metaphor is observing people in a casino.
แทนที่จะคิดว่าแหล่งข้อมูลขนาดใหญ่เป็นคนที่สังเกตการณ์ในสภาพแวดล้อมทางธรรมชาติคำอุปมาที่ซับซ้อนมากขึ้นคือการเฝ้าสังเกตผู้คนในคาสิโน

For more on construct validity, see Westen and Rosenthal(2003), and for more on construct validity in big data sources, Lazer(2015) and Chapter 2 of this book.
สำหรับข้อมูลเพิ่มเติมเกี่ยวสร้างความถูกต้องให้ดูWestenandRosenthal2003 และสำหรับข้อมูลเพิ่มเติมเกี่ยวกับความถูกต้องในการสร้างแหล่งข้อมูลขนาดใหญ่Lazer2015 และบทที่2ของหนังสือเล่มนี้

Linking surveys to big data sources enables you to produce estimates that would be impossible with either data source individually.
การเชื่อมโยงการสำรวจไปยังแหล่งข้อมูลขนาดใหญ่ช่วยให้คุณสามารถสร้างการประมาณค่าที่อาจเป็นไปไม่ได้กับแหล่งข้อมูลอย่างใดอย่างหนึ่ง

Social scientists call this match construct validity and it is a major challenge with using big data sources for social research Lazer 2015.
ตัวอย่างร่องรอยดิจิตอลที่ใช้เป็นมาตรการของแนวคิดทฤษฎีนามธรรมมากขึ้นนักวิทยาศาสตร์สังคมเรียกสิ่งนี้ว่าถูกต้องตรงกับการสร้างและมันเป็นความท้าทายที่สำคัญที่มีการใช้แหล่งข้อมูลขนาดใหญ่สำหรับการวิจัยทางสังคมLazer.2015

To conclude, many big data sources are drifting because of changes in who is using them, in how they are being used, and in how the systems work.
สรุปได้ว่าแหล่งข้อมูลขนาดใหญ่จำนวนมากล่องลอยเนื่องจากการเปลี่ยนแปลงในผู้ที่กำลังใช้พวกเขาในวิธีการใช้งานและวิธีการทำงานของระบบ

These sources of change are sometimes interesting research questions, but these changes complicate the ability of big data sources to track long-term changes over time.
แหล่งที่มาของการเปลี่ยนแปลงเหล่านี้เป็นคำถามที่น่าสนใจบางครั้งในการวิจัยแต่การเปลี่ยนแปลงเหล่านี้ทำให้ความสามารถของแหล่งข้อมูลขนาดใหญ่สามารถติดตามการเปลี่ยนแปลงในระยะยาวได้เมื่อเวลาผ่านไป

Given these ten characteristics of big data sources and the inherent limitations of even perfectly observed data, what kind of research strategies are useful?
ลักษณะเหล่านี้ได้รับหนึ่งในสิบของแหล่งข้อมูลขนาดใหญ่และข้อจำกัดโดยธรรมชาติของข้อมูลได้อย่างสมบูรณ์แบบสังเกตสิ่งที่ชนิดของกลยุทธ์การวิจัยที่มีประโยชน์หรือไม่?

Matching in massive data might be better than a small number of field experiments when: 1 heterogeneity in effects is important and 2 there are good observables for matching. Table 2.4 provides some other examples of how matching can be used with big data sources.
นักวิทยาศาสตร์ทางสังคมมากมายจับคู่รู้สึกเหมือนสองที่ดีที่สุดในการทดลองแต่ที่เป็นความเชื่อที่ว่าควรจะปรับปรุงให้เล็กน้อยตรงกันในข้อมูลขนาดใหญ่อาจจะดีกว่าจำนวนเล็กของการทดลองภาคสนามเมื่อ: 1ความแตกต่างในลักษณะเป็นสิ่งสำคัญและ2มีobservablesที่ดีสำหรับการจับคู่ตารางที่24มีบางส่วนตัวอย่างอื่นของวิธีการจับคู่สามารถใช้กับแหล่งที่มาของข้อมูลขนาดใหญ่

These four examples all show that a powerful strategy in the future will be to enrich big data sources, which are not created for research, with additional information that makes them more suitable for research Groves 2011.
ทั้งสี่ตัวอย่างนี้แสดงให้เห็นว่ากลยุทธ์ที่มีประสิทธิภาพในอนาคตคือการเพิ่มแหล่งข้อมูลขนาดใหญ่ซึ่งไม่ได้สร้างขึ้นเพื่อการวิจัยพร้อมด้วยข้อมูลเพิ่มเติมที่เหมาะสมสำหรับการวิจัยGroves.2011

These four examples all show that a powerful strategy in the future will be to enrich big data sources, which are not collected for research, with additional information that makes them more suitable for research Groves 2011.
สี่เหล่านี้ตัวอย่างทั้งหมดแสดงให้เห็นว่ากลยุทธ์ที่มีประสิทธิภาพในอนาคตจะได้รับการเสริมสร้างแหล่งข้อมูลขนาดใหญ่ซึ่งจะไม่เก็บสำหรับการวิจัยที่มีข้อมูลเพิ่มเติมที่ทำให้พวกเขามากขึ้นเหมาะสำหรับการวิจัยGroves.2011