En relación con la Ciencia Política
En la política aplicada y en la investigación académica en ciencia política, las técnicas de big data han ganado considerable impulso para analizar relaciones causales, hacer clasificaciones útiles y realizar pronósticos. En términos generales, los métodos de big data se refieren a técnicas que pueden poner a prueba el software o hardware existente, lo que requiere cierto grado de ingenio para hacer frente a las demandas computacionales de los datos o del método. Con ese fin, lo que se puede clasificar como big data es un objetivo en movimiento de año en año y de generación en generación a medida que mejora el procesamiento, almacenamiento y software informático. Para ilustrar este patrón: la Almirante Grace Hopper, inventora del primer compilador para un lenguaje de programación, solía repartir piezas de alambre de 11.8 pulgadas en las conferencias que impartía. Observó que, en un vacío perfecto, esta es la distancia que la luz podría recorrer en un solo nanosegundo. Los ordenadores debían ser pequeños y rápidos para minimizar la distancia recorrida. A medida que los ordenadores se han vuelto más pequeños y eficientes, en parte gracias al trabajo de Hopper, las oportunidades para analizar conjuntos de datos más grandes con estructuras más complejas y con métodos de aprendizaje automático más complejos se vuelven cada vez más factibles. ¿Cómo se ha convertido el big data en parte de la investigación política? En la política aplicada, las campañas ahora participan frecuentemente en microsegmentación, un tipo de análisis por clúster que toma extensas bases de datos sobre tantos votantes como sea posible y determina clasificaciones lógicas para ellos. Al rastrear comportamientos conocidos para estandarizar el modelo, las campañas pueden luego pronosticar cuál sería el mensaje ideal para los votantes a los que se dirigen. Mientras tanto, en la investigación académica en ciencia política, muchos métodos de aprendizaje automático están despegando para permitir que los expertos respondan a preguntas más complicadas y utilicen datos más complejos. Un gran cuerpo de investigación trata textos como registros escritos o discursos en el pleno como datos, utilizando de nuevo algoritmos de agrupamiento para determinar patrones de habla comunes. Un flujo más extenso de investigación utiliza técnicas de Monte Carlo y Monte Carlo de Cadena de Markov para evaluar métodos y estimar modelos bayesianos. Los métodos basados en árboles han surgido como una técnica para escapar de la maldición de la dimensionalidad: el problema que surge cuando hay más variables que podrían afectar un resultado del que se pueden incluir en el modelo. Las técnicas de medición que pueden necesitar abarcar muchos años y hacer comparaciones en diferentes entornos se han vuelto fundamentales para la ciencia política. El siguiente ensayo de resumen señala varios temas generales que el potencial analista de big data puede necesitar considerar y varias fuentes que consultar dentro de cada tema.
