ما در روزگار خود شاهد روند فزایندۀ داده‌نگاری[1] در زندگی اجتماعی‌مان هستیم. فعالیت‌های انسان و ارتباطش با محیط با دقت و کارآمدی روبه‌رشدی ثبت می‌شوند و ردپای دیجیتالی عظیمی از فعالیت‌های انسان و محیط به وجود می‌آید. «داده‌ بزرگ» که معمولاً طیِ چنین فرایندی انباشته می‌شود را گنجینه‌ای بی‌بدیل برای تحقیقات علمی در نظر می‌گیرند چرا که امروز دسترسی به داده‌های انبوه با در اختیار داشتنِ ادوات پردازشیِ پیچیده‌ و توانمند همراه شده و استخراج دانش از آن را میسر کرده است.

یک نمونۀ شناخته‌شده از فرایند یادشده، داده‌های گوناگونی است که از بیماران سرطانی جمع‌آوری می‌شود مانند توالی ژنوم، مشخصات روانشناختی و پاسخ‌های بدن بیمار به مداخلات درمانی که همگی با هدف ارتقای فرایند تشخیص و درمان انجام می‌شوند. نمونه دیگر جمع‌آوری داده‌ از ترافیک شهری، شرایط جوّی، وضعیت جغرافیایی و رفتار انسانی برای به وجود آوردن شاخص‌های رفتار ایمن در وسایل نقلیه بدون راننده است. تعریف و محاسبۀ این شاخص‌ها باعث می‌شود استراتژی معینی برای پردازش داده‌ها وجود داشته باشد و داده‌ها هنگام مواجهه با اتفاقات غیرمنتظره، بی‌درنگ تحلیل شوند تا واکنش مناسب بدون فوت وقت در دستور کار قرار گیرد. مثلا اگر یک خودروی در حال حرکت، ناگهان با کودکی در خیابان مواجه شود، باید مسیر حرکت خود را منحرف کند تا به او برخورد نکند. در عین حال، اگر زیاد مسیرش را تغییر دهد ممکن است از کنترل خارج شود و به دیگران برخورد کند. اگر این اتفاق در زمستان بیافتد و جاده یخ‌زده باشد ماشین به راحتی از کنترل خارج می‌شود که خود ضرورت اجتناب از حرکت اضافه هنگام تغییر مسیر را بیشتر می‌کند. این داده‌ها همگی در ماشین‌های خودران پردازش می‌شوند و مورد استفاده قرار می‌گیرند. نمونۀ دیگر آگاهی پیدا کردن از وضعیت تغذیه و پی بردن به نیازهای یک جمعیت مشخص است که از ترکیب داده‌های مصرف مواد غذایی از یک طرف و داده‌های سلامت عمومی از طرف دیگر قابل استخراج است. داده‌های مصرف مواد غذایی و روند تغییرات آن در تراکنش فروشگاه‌ها، رستوران‌ها، رسانه‌های اجتماعی و موارد دیگری از این دست تولید می‌شود و داده‌های سلامت عمومی در ارائه خدمات تشخیص‌طبی مانند نتیجۀ آزمایش‌های خون و مراجعات بیمارستانی مرتبط با سوء تغذیه تولید می‌شوند.

در هر یک از این نمونه‌ها، دسترسی به داده‌ها  و ابزار تحلیلیِ مرتبط، فرصت‌های تازه‌ای برای تحقیق ایجاد کرده و امکان‌های تازه‌ای برای طرح پرسش به وجود آورده است. از این رو باوری عمومی وجود دارد که این ویژگی‌ها کلیت علم را دگرگون می‌کند.

برای نشان دادن اهمیت این گونه نمونه‌ها در فهم چهارچوب فلسفی فرایند تحقیقات، یک نقطۀ شروع سودمند توجه به چیزی است که عبارت «داده‌های بزرگ» در گفتمان‌ معاصر علم به آن اشاره می‌کند. روش‌های مختلفی برای تعریف داده بزرگ وجود دارد[2]. سرراست‌ترین توصیف از مشخصات داده بزرگ، اشاره به داده‌ای حجیم است که به صورت دیجیتال تولید می‌شود و با ابزار پردازشی، تحلیل می‌شود. به همین خاطر، حجم[3] و سرعتِ انباشت[4]، نخستین ویژگی‌هایی است که معمولاً به داده‌های بزرگ نسبت داده می‌شود. حجم به اندازه فایلی اشاره دارد که برای ذخیره و انتقال داده‌ها استفاده می‌شود، و سرعت به مدت‌‌زمانی که داده در آن تولید و پردازش می‌شود. پیکرۀ داده‌های دیجیتالی که به واسطۀ مطالعات گوناگون به وجود آمده با سرعت سرسام‌آوری در حال رشد است. بررسی و تحلیل این حجم فزاینده از داده‌ها به کلی از عهده قوای شناختی انسان بیرون است. به همین دلیل، برای انجام این کار نوعی تحلیل خودکارسازی‌شده مورد نیاز است که کامپیوتر بتواند آن را به جای انسان انجام دهد.

حجم و سرعت اگرچه متداول‌ترین ویژگی‌ها در تعریف داده بزرگ هستند، اما مورد مناقشه‌ترین نیز هستند. آنچه به عنوان «حجم بالا» و «سرعت زیاد» مطرح می‌شود تا اندازه زیادی به فناوری‌های تولید، ذخیره‌سازی، پردازش، جابجایی و مصورسازیِ داده‌ها بستگی دارد که اتفاقاً همگی با سرعت چشمگیری در حال تغییر و توسعه هستند. این مسئله در توالی‌یابی‌های ژنتیکی[5] و بیان ژن‌ها[6] به خوبی قابل مشاهده است. داده‌های ژنتیکی با توان عملیاتی بالایی تولید، ذخیره و جابجا می‌شوند. حجم و سرعتِ انباشتِ داده‌ها در این حوزه در دو دهه اخیر افزایش خیره‌کننده‌ای داشته است.

فهمی رایج از داده‌های بزرگ وجود دارد که می‌گوید «هر داده‌ای که به راحتی نتوان آن را در جدول‌های اِکسِل تحلیل کرد دادۀ بزرگ به حساب می‌آید». اما افزایش توان پردازش و نگهداری داده‌ها این فهم را متحول کرده است. پدید آمدن امکانات و نرم‌افزارهای تحلیلی جدید سبب شده تا ایدۀ تحلیل داده‌ها در قالب جداول اکسل و دیگر برنامه‌های مشابه آن به تاریخ بپیوندد. علاوه بر این، حجم و سرعت، چیزی دربارۀ تنوع داده‌هایی که پژوهشگران پردازش و تحلیل می‌کنند نمی‌گوید. این داد‌ه‌ها گاهی ممکن است از ابتدا به صورت دیجیتال تولید نشده باشند یا در اَشکالِ دیجیتالی دسترس باشند که پردازش آن‌ها به سادگی امکان‌پذیر نباشد. عدم توجه به گوناگونی موجود در ساختار داده‌هایی که در پژوهش‌های کمّی جدید مورد استفاده قرار می‌گیرد باعث غفلت از اهمیتِ شرایط ابتدایی در تولید و انتشار داده‌ها و تاثیر آن بر نتیجه‌گیری‌ها و تفسیرهای نهایی می‌شود. همچنان که در ادامه بحث خواهد شد، تاکید زیاد بر ویژگی‌های فیزیکی داده‌، وابستگی بالای نتیجه‌گیری‌های نهاییِ تحقیقات به الزامات گوناگون کار با داده‌ مثل شرایط ناشی از دستورات ویژۀ استخراج داده[7]، مقدارهای مرجع، تخصص‌های مشارکت‌کننده در تحقیق و بسیاری موارد دیگر را تحت‌الشعاع قرار می‌دهد.

اگر داده بزرگ را با ارجاع به ویژگی‌های فیزیکی آن تعریف نکنیم، برای ارائه تعریف جایگزین باید ببینیم با داده بزرگ چه کاری می‌توانیم و چه کاری نمی‌توانیم انجام دهیم. از این منظر، داده بزرگ مجموعه‌ای ناهمگون از داده‌هایی است که از منابع متنوع جمع‌آوری می‌شود. این داده‌ها معمولاً – اما نه همیشه – به صورت‌های دیجیتالی وجود دارند که برای طراحی و پیاده‌سازی الگوریتم‌هایی با هدف تولید دانش‌های جدید مناسب است. به عنوان نمونه بوید و کرافورد[8] داده بزرگ را با توجه به «ظرفیت جستجو، تجمیع و قابلیت برقراری ارتباط‌های متقابل در چند مجموعه دادۀ پرشمار و عظیم» مشخص می‌کنند، در حالیکه اومالی و سویر[9] تمرکز خود را بر قابلیت جستجو و برقراری ارتباط‌های درونی داده‌هایی با انواع گوناگون قرار می‌دهند با این هدف که تمامی آن‌ها برای رسیدن به یک مجموعه‌ مرتبط از شواهد به کار گرفته شود.

نمونه‌هایی که از «بزرگ‌داده‌پژوهشی[10]» مطرح شد در این نگاه قابل جمع هستند: در دسترس بودن مجموعه عظیمی از داده‌ها به تنهایی نمی‌تواند داده‌های بزرگ را متمایز کند، مهم‌تر از آن امکان جابجا کردن داده‌ بین منابع مختلف مانند سوابق درمانی، تحقیقات محیطی، اندازه‌گیری‌های آب و هوایی و رفتار مصرف‌کنندگان و قابلیت برقراری ارتباط بین آن‌هاست. این روایت، مجال طرح مجموعه کامل‌تری از ویژگی‌های داده‌ بزرگ که از قضا همه آن‌ها در زبان انگلیسی با حرف V شروع می‌شوند را فراهم می‌کند. این ویژگی‌ها عبارتند از:

• گوناگونی[11]: داده‌ بزرگ از نظر نوع و اهداف استفاده از ویژگیِ گوناگونی برخوردار است. این گوناگونی می‌تواند مقولاتی به غایت متنوع مانند نمونه‌هایی از بافت بدن حیوانات، مشاهدات بصری، اندازه‌گیری‌ حسگرهای رطوبتی، موقعیت جغرافیایی (GPS) و نتایج آزمایش‌های خون را در بر بگیرد[12].
• صحت[13]: داده‌ بزرگ تنها زمانی قابل استفاده است که کیفیت و قابل اتکا بودن مقدارهای آن در فرایند تولید داده دچار اشکال نشده باشد. زیرساخت‌های سخت‌افزاری و نرم‌افزاری به دلایل مختلف ممکن است در ثبت و نگهداری داده‌ها درست عمل نکنند. داده‌‌ای که با سرعت زیاد و با اتصال به منابع متعدد به روز می‌شود در خطر بروز خطا، ثبت مقادیر ناصحیح و سوگیری‌های بی‌حساب و کتاب است. در غیاب مکانیزم‌های کیفیت‌سنجی و تایید اعتبار، داده بزرگ ممکن است به پایه‌ای مخدوش و گمراه‌کننده برای استخراج دانش بدل شود[14]. صحت داده بزرگ نشان‌دهنده میزان کیفیت و قابل اتکا بودن مقادیر درون آن است.
• روایی[15]: داده بزرگ زمانی به کار می‌آید به اهداف مورد نظر مربوط باشد. انتخاب مجموعه‌ای از داده‌ها به عنوان مشاهدات پایه نیازمند دلایل کافی و تصریح‌شده است. این دلایل باید از پشتوانه دانش‌های تخصصی آن حوزه برخوردار باشد تا بتواند تعیین کند چه چیزی در زمینه مورد مطالعه به عنوان داده قلمداد شود[16].
• ناپایداری[17]: داده‌ بزرگ تنها زمانی می‌تواند به عنوان موجودیتی پایدار و قابل اتکا در تحقیقات نقش‌آفرینی کند که علی رغم تغییر در فناوری‌های بایگانی، همچنان موجود، در دسترس و قابل فهم باقی بماند. این مسئله از آن رو حائز اهمیت است که اَشکال و ابزارِ ذخیره‌سازی و تحلیل داده‌ها مطابق گرایش‌ غالب در فناوری اطلاعات ممکن است دستخوش تغییرات گسترده شود یا حتی به کلی منسوخ گردد. با توجه به اینکه بسیاری از پژوهش‌ها نیازمند جمع‌آوری داده در دوره‌های زمانی طولانی هستند، داده بزرگ نیازمند برنامه‌ریزی‌هایی است که زیرساخت‌هایش را به روز کند تا دسترسی بلندمدت به داده‌ها ضمانت شود[18].
• ارزش[19]: داده‌ بزرگ از وجوه گوناگون اهمیت و ارزشمندی برای بخش‌های مختلف اجتماع برخوردار است. اهمیت پروژه‌های مبتنی بر داده‌های بزرگ، برای بخش‌های مختلف جامعه، به انگیزه‌های بهره‌برداری از داده‌ها و شرایط تاریخی، اجتماعی و جغرافیایی آنان بستگی دارد[20]. در کنار ارزش علمی، پژوهشگران ممکن است بسته به انگیزه‌هایشان برای استفاده از داده و همچنین پیامدهای تاریخی، اجتماعی و جغرافیایی به‌کارگیری داده‌ها، ارزش‌های مالی و اخلاقی، و همینطور شهرت و محبوبیت و حتی احساسات خود را با پژوهش ممزوج کنند. موسساتی که در مدیریت داده‌ها مسئولیت دارند و پژوهش‌ها را تامین مالی می‌کنند نیز در ارزش‌گذاری داده‌ها رویکرد خود را دارند که همیشه نیز با ارزش‌های پژوهشگران همراستا نیست[21].