#bedemocracy på Instagram og Twitter

Besøkende til ustilingen #bedemocracy på Nobel Fredsentret bruker sosiale medier (Instagram og Twitter) for det meste for å informere om utstillingen. Den meste parten av postene er positive til utstilingen. Ikke noe spor av kontroversielle debatter forbundet til hastag #bedemocracy. Her er en oversikt over temaer og nøkkelord i postene med denne hastagen.

Twitter

Instagram

Det lønner seg å bli statsråd på Twitter

Høyre og Frp statsråder som var på Twitter før 2013-valg og som har blitt statsråd, og særlig statsminiteren har opplevd en betydelig økning i antall followers på Twitter:

What does Twitter say (about @jensstoltenberg)?

Gjorde Twitter noen forskjell i valgkampen 2013?

Gjorde Twitter noen forskjell i valgkampen 2013? I en ny rapport analyserer jeg sammen med  Kari Steen-Johnsen og Rune Karlsen dette spørsmålet. Studien, som bygger på en analyse av alle politiske tweets under valgkampen viser at Twitter endret styrkeforholdet mellom partiene og partilederne. Selv om massemediene  i hovedsak satte agenda for valgkampen, ble  Twitter et viktig, kritisk forum for debatt om politiske budskap. Men er det politiske Twitter, personifisert og drevet av en ny type elite, en velsignelse eller et problem for det representative demokratiet?

Styrkeforholdet mellom partier og partiledere endres på Twitter. 

De største partiene og de mest kjente politikerne fikk mest oppmerksomhet på Twitter i valgkampen. Arbeiderpartiet, Høyre og Fremskrittspartiet var klart størst.  Fremskrittspartiet på tross av at Twitter ikke var et satsningsområde for partiet.  Samtidig fikk Miljøpartiet de Grønne, SV og Venstre mer oppmerksomhet enn det velgeroppslutningen og partienes valgkampressurser skulle tilsi.

Lysbakken  mest effektiv på Twitter

Det foregikk mye mellom politikere og velgere på Twitter i valgkampperioden, men det ga seg sjelden utslag i direkte dialog. Mye handlet om spredning av informasjon fra politikernes side, og kommentarvirksomhet fra twitterbrukernes side. Partilederne varierte sterkt i hvor mye de brukte Twitter og i hvor effektive de var med å nå ut med sine budskap. 

Analysen av de ulike partiledernes twitteraktivitet og effektivitet viser at Audun Lysbakken, med sitt store antall twittermeldinger og høye antall retweets nådde ut til flest velgere. Muligheten til å nå ut er altså ikke bare betinget av partistørrelse. 

Samtidig påpeker han at Stoltenberg fikk klart mest oppmerksomhet på Twitter. 40 prosent av alle twittermeldingene om partiledere i valgkampen handlet om ham. 

Twitter – et kritisk forum

Kommunikasjonen på Twitter er en kompleks og uforutsigbar øvelse for politikerne. Tonen i valgkampen 2013 var overveiende kritisk, både i forhold til partier og politikere. De største partiene fikk mest negativ omtale på Twitter, og særlig Frp, Høyre og Ap. Blant de mindre partiene var en stor andel av postene negative til SP, SV og Venstre. KrF og partiene som ikke var på Stortinget fikk mest positiv omtale og minst negativ omtale.  

Dette mønsteret, at de største partiene utsettes for mest kritikk, ligner i stor grad på mønsteret fra tradisjonelle medier. Andelen negative twittermeldinger under valgkampen var likevel overraskende stor på Twitter – det var en klar overvekt av negative twittermeldinger. Dette gir en indikasjon om at fordelingen mellom positive og negative kommentarer ikke bare har å gjøre med twitterbrukernes holdninger til enkeltpartier, men om kulturen for å uttrykke seg på akkurat denne plattformen.

En utvidet offentlighet

Selv om det overordnede bildet er at massemediene fremdeles setter agenda for den norske offentligheten i en valgkamp, er ikke dette lenger like entydig. Både enkeltpolitikere, enkeltborgere og partier er i stand til å skape oppmerksomhet om sine budskap på Twitter. Å få oppmerksomheten avhenger av timing, beherskelse av Twitter som medium, og ikke minst av de nettverkene ulike aktører besitter.

Twitters rolle i valgkampen kan tolkes som et "laboratorium for hverdagslig politikk" i den forstand at folk tolket, ga mening til og fikk eierskap til politiske nyheter og politikernes utsagn gjennom tvitring og diskusjon på plattformen. Twitter utvider dermed rommet for tilegnelse av politisk informasjon og for meningsdannelse. Politisk meningsdanning og meningsbrytning som tidligere foregikk gjennom diskusjoner med familien, venner, på arbeidsplassen, eller i andre offentlige rom finner nå også sted på Twitter. 

Se også Kronikk på Aftenposten Viten: En mer kritisk offentlighet og mangfoldig valgkamp 

Big Data og Samfunnsforsknings fremtid

Denne bloggposten er en forkortet versjon av en artikkel publisert i Tidsskrift for Samfunnsforskning (NR 1, 2014) og som vil bli diskutert i seminaret "Digitale data - bruk og begrensinger". 

I kjølvannet av digitaliseringens fremvekst i alle deler av samfunnet har en teknologisk revolusjon som vil prege både samfunnet og samfunnsforskningen, funnet sted.  Mengden av tilgjengelige digitale data har eksplodert de siste årene. Det dreier seg om hverdagslige statusoppdateringer på Facebook, videoer lagt ut på YouTube, og Twitter-meldinger som er tilgjengelige for alle som vil lese dem. Det handler også om data fra kjøpstransaksjoner, søkemotorer, og andre digitaliserte transaksjoner i offentlig sektor, helsevesen, skoleverk, osv.  Vi snakker om Big Data – et moteord som antageligvis vil bli erstattet av en ny betegnelse i nærmeste fremtid, men også betegnelsen på en utvikling som har kommet for å bli.

Begrepet Big Data er en samlebetegnelse for data som er av et slikt omfang at de krever mer enn vanlig datakraft for å samles inn, lagres og analyseres. Begrepet brukes ofte ikke bare for å betegne selve dataene, men også for å beskrive de nye problemstillingene slike data reiser, både teknisk, juridisk og etisk. Felles for Big Data er at de innebærer en registrering av faktiske handlinger, interaksjoner og transaksjoner koblet til individer.

 «Big Data» betegner fenomenet hvor store datasett er fanget, lagret, aggregert og analysert i alle samfunnssektorer. Mengden av tilgjengelig data har eksplodert i løpet av de siste årene. Grunnen til denne utviklingen er en teknologisk revolusjon kjennetegnet av en rekke innovasjoner knyttet til overgangen til Web 2.0 (O’Reilly, 2005), det vil si fra statiske websider til interaktive web- tjenester. Disse innovasjonene, parallelt med utviklingen av mobile Internett-teknologier, har dannet grunnlaget for flere innovasjoner, blant annen knyttet til tingenes Internett, hvor ulike maskiner og apparater inkorporerer digitale elementer som er koblet mot Internett. Maskin-til-maskin-teknologi (M2M) innebærer å benytte fastnett, mobilnett eller trådløse nettverk for å kople opp enheter og terminaler. Det finnes et mangfold av gjenstand som har denne muligheten og som er brukt i ulike bransjer som transport, kapitalforvaltning, offentlige tjenester (vann- og strømleveranser, helsevesen). I tillegg til data generert av websbaserte tjenester, søkemotorer og sosiale medieplattformer, genererer internettkoblede enheter (mobile telefoner, GPS, bompasseringer, osv.), blir data fra kunder og operasjoner kontinuerlig lagret og analysert. Det er mulig å skille mellom fem ulike typer Big Data:

-          Web og sosiale medier data som består av klikkstrøm og oppdateringer fra Facebook, Twitter, LinkedIn og blogger.

-          Maskin-til-maskin data (M2M) som referer til teknologier som muliggjør at elektroniske systemer (trådløse eller ikke) kommuniser med hverandre. M2M kommunikasjoner danner det såkalte «tingenes Internett», hvor maskiner utstyrt med ulike sensorer produserer meningsfull informasjon (som for eksempel GPS posisjoner) som kan lagres for videre analyse.

-          Big transaksjonsdata som består av helsejournaler, telekommunikasjonslogger, kundefakturering, osv.  Disse dataene inneholder også viktige metadata som kan utfordre personvernet. Metadata er informasjon (data) som beskriver dataene. Metadata (for eksempel et brukernavn, e-post eller IP adresse) er avgjørende for å kunne koble ulike typer strukturerte elle ustrukturerte data sammen og dermed identifisere enkelte personer, samt samle en mengde informasjon om denne personen. 

-          Biometriske data er knyttet til automatisk identifisering av personer basert på anatomiske kjennetegn. Anatomiske data er generert gjennom lagring av individuelle fysiske kjennetegn som fingeravtrykk, iris, retina, ansikt, stemmemønster, DNA.   

-          Menneskegenererte data består av data som for eksempel samtaletapping, e-poster, surveydata, elektroniske helseregistre, osv. som er produsert i ulike sammenheng og organisasjoner.

Overgangen fra Web 1.0 til Web 2.0 har blitt drevet av og har drevet utviklingen av Big data-teknologier. For å håndtere den stadig økende mengden av data har selskaper som Yahoo, Google, Amazon og Facebook utviklet nye modeller for datalagring basert på distribuert databehandling (distributed computing). Istedenfor å øke beregnings- og lagringskapasitet ved å utvikle stadig større datamaskiner, så muliggjør distribuert databehandling økning i beregnings- og lagringskapasitet ved å legge til flere beregningsenheter koblet sammen i et nettverk (cluster). Distribuert databehandling innebærer at flere tusen datamaskiner koblet sammen i et nettverk jobber sammen om de samme oppgavene. Den best kjente konkretisering av distribuert databehandling er de store Internettselskapenes datafarmer som består av flere tusener dataservere[1].

Big Data har mange eksisterende og potensielle bruksområder innen onlinetjenester, digital markedsføring, svindelavsløring, risikostyring, helse, offentlig sektor, osv. Big Data kombinert med maskinlæringsalgoritmer er basis for en rekke anvendelser i alle samfunnssektorer som predikerer individenes atferd. Et kjennetegn ved maskinlæringsalgoritmer er at deres ytelse øker med datamengden tilgjengelig for både trening og prediksjon. Teknologioptimister anser Big Data som løsningen som gjennom treffsikre prediksjoner vil bidra til effektivisering av ulike funksjoner i offentlig sektor, helse og næringsliv, og til bekjempelse av kriminalitet og terror.  Predictive Analytics (Siegel, 2013) er et område av datamining som har som hensikt å trekke ut informasjon fra data og bruke den til å forutse trender og atferdsmønstre. Datamining består i å analysere en stor mengde data ved hjelp av ulike statistiske og maskinlærings metoder for å finne mønstre. Resultater fra datamining prosesser (de estimerte modellene) kan anvende til prediksjon (prediktiv analyse).   Prediktiv analyse kan brukes blant annen for å identifisere mistenkte etter at en forbrytelse er begått eller kredittkortsvindel. Kjernen i prediktive analyser er å forutsi et ukjent utfall ved å estimere, gjennom Bayesianske metoder[2], sammenhenger mellom kjente forklaringsvariabler (førkunnskap) og den ukjente variabelen av interesse.

Fra et slikt perspektiv kan også Big data anses som et nytt verktøy for samfunnsforskningen.  Hovedgrunnen til at samfunnsforskningen skal investere i Big Data som metodisk verktøy er at samfunnsvitenskapene risikerer til å bli utryddet på sikt hvis de overlater Big Data til andre.

Ifølge Mayer-Schönberger og Cukier (2013) risikerer samfunnsvitenskapene å miste monopolet til å analysere samfunnet ettersom Big Data analyser vil erstatte tradisjonelle kvantitative og kvalitative metoder. Med Big Data forsvinner behovet for å trekke utvalg og for å designe case-studier. Med Big data er N= alle.  

For Savage og Burrows (2007), hviler de empiriske samfunnsvitenskapene på distinkte empiriske redskaper, survey og det kvalitative forskningsintervju, som i stadig mindre grad blir sentrale innenfor den forskningsinfrastrukturen som kunnskapskapitalismen utgjør. Samfunnsforskningens metoder har en historisitet: deres sentralitet er knyttet til den øvrige kunnskapsproduksjonen dvs. forhold som kjennetegner både andre kunnskapsprodusenter og kunnskapsbehovene i samfunnet. Surveyens suksess skyldes de mulighetene den gir til generalisering og prediksjon ved hjelp av begrensede ressurser. Den var svært kostnadseffektiv da den kom, men er i økende grad utfordret av fallende responsrater og av konkurranse fra kommersielle aktører (markedsanalyse). Gitt tilgangen til digitale transaksjonsdata fremstår Big data som mer effektive – fordi slike data er komplette og baserer seg på reelle transaksjoner.

Big Data gjør det også mulig å analysere flere sosiale objekter med kvantitative metoder: tekst, bilder, videoer, osv. Savage og Burrows mener det kvalitative intervjuet er mindre egnet for å generere sofistikerte forståelser av de veldig ulike og varierte verdensanskuelser som eksiterer i dagens samfunn. Det kvalitative intervjuet risikerer til, i økende grad, å bli erstattet av metoder (basert på Big Data og web-mining[3]) som vil gi mulighet til å analysere kvalitative objekter i stor skala samt til å generalisere funnene til hele populasjon (N=alle).

Big Data vil kunne utfordre samfunnsforskningens tradisjonelle datagrunnlag på flere måter. For det første utgjør Big data en ny kilde for data innsamling som fanger opp både handlinger (transaksjonsdata) og meninger (publiserte tekster og bildet), ikke bare holdninger og selvrapporterte handlinger. For det andre muliggjør Big Data innsamling av alle relevante data og ikke bare et utvalg, det som kan oppfattes som mer pålitelig enn generalisering basert på et utvalg. For det tredje risikerer prediksjon basert på Big Data til å erstatte kausale analyser basert på «small data».   

Big Data generer både utopiske og dystopiske profetier om hvordan de vil kunne påvirke både samfunnsutvikling og samfunnsforskning (boyd & Crawford, 2012). Teknologien produserer ofte både positive og negative effekter. Big Data, etter min mening, vil forandre samfunnsforskning. Det betyr ikke at de tradisjonelle samfunnsforskningsmetodene vil være utdaterte og forsvinne, men det innebærer at nye data og nye metoder vil være tilgjengelig og vil kunne anvendes til problemstillinger som er sentrale for samfunnsforskning. Spørsmålet er om disse metoder og data vil bli benyttet av samfunnsforskerne eller om deler av samfunnsforskning vil konstituere et nytt felt for den voksende computervitenskapen. 

Referanser

boyd. d., & Crawford, K., 2012, “Critical questions for Big Data”, Information, Communication & Society, 15:5, 662-679.

 Brown, I. & Mardsen, C.T., 2013, Regulating code. Good governance and better regulation in the information age. Cambridge: The MIT Press.

Hoff, P.D., 2009, A first course in Bayesian statistical methods. New York: Springer

Lessig, L., 2006, Code 2.0. New York: Basic Books.

Mayer-Schönberger, V. & Cukier, K., 2013, Big Data. A revolution that will transform how we live, work, and think. Boston: Houghton Mifflin Harcourt.

Morozov, E., 2013, To save everything click here. The folly of technological solutionism. New York: Public Affairs.

O’Reilly, T., 2005, “What Is Web 2.0. Design Patterns and Business Models for the Next Generation of Software”. http://oreilly.com/web2/archive/what-is-web-20.html

 Savage & Burrows, 2007, “The coming crisis of Empirical Sociology”, Sociology, 41:5, 885–899.

Schmidt, E., Cohen, J., 2013, The new digital age. Reshaping the future of people, nations and business. New York: Knopf  

 Shy, O., 2001, The economics of network industries, Cambridge, Cambridge University Press.

 Siegel, E., 2013, Predictive Analytics. Hoboken: Wiley.

---

[1] Distribuert databehandling har blitt muliggjort gjennom to innovasjoner, den ene er Google File System sin open source versjon Hadoop som styrer lagring og beregning gjennom alle datamaskiner som danner en cluster, og det andre er algoritmen «Map Reduce» som effektiviserer databehandling av store mengder data. Parallelt, har også nye databaseløsninger blitt utviklet som har erstattet det dominerende databaseparadigmet kjent som SQL (Structured Query Language) for Big Data applikasjoner. Det nye database-paradigmet, relasjonell eller noSQL database, er tilpasset interaktive webteknologier og distribuerte databehandlingssystemer.  

[2] Bayesiansk metoder estimerer en posterior sannsynlighet ut fra to størrelser: en prior sannsynlighet og en likelihood funksjon basert på en statistisk modell tilpasset dataene som er estimert. Bayesiansk inferens beregner den posterior sannsynligheten ifølge Bayes regel. Se Hoff (2009) for mer detaljer.

[3] Web mining er anvendelsen av data mining teknikker til Internett. Avhengig av målet for analysen, kan web mining deles inn i tre forskjellige typer, Web bruk mining (hvordan Internett brukes), webinnhold mining (innhenting av data og informasjon fra websidenes innhold) og Web struktur mining (bruker grafteorien for å analysere nettverks struktur på Internett).