7 Glasnik SED 59|1 2019 * Ajda Pretnar, doktorska kandidatka na Univerzi v Ljubljani, Filozofska fakulteta, Oddelek za etnologijo in kulturno antropologijo, raziskovalka na Univerzi v Ljubljani, Fakulteta za računalništvo in informatiko, Večna pot 1 13, 1000 Ljubljana; ajda.pretnar@fri.uni-lj.si. Etnografija 2.0 Ajda Pretnar* Uvod Kvantitativne metode niso prva stvar, na katero antropolog pomisli pri snovanju raziskave. Še manj pomisli na raču- nalniške programe za obdelavo podatkov, na matematiko in statistiko. A antropologiji tovrstne metode niso popol- noma tuje. V dvajsetih letih prejšnjega stoletja se je naj- prej začela uveljavljati matematična obravnava naravnih jezikov, nato pa se je postopoma uveljavilo tudi 'računsko družboslovje' (angl. computational social sciences). V antropologiji so sredi šestdesetih let prejšnjega stoletja (z vrhuncem v osemdesetih letih) začele nastajati raziskave, ki so sprva vključevale zlasti digitalizacijo in urejanje te- renskih zapiskov, pozneje pa se je področje razširilo tudi na modeliranje kultur, družbenih razredov in sorodstvenih sistemov. Danes se to področje znova uveljavlja in postaja pomembno za analizo velikih količin podatkov, najsi bo- do to spletna besedila, množice dokumentov, povezave na družbenih omrežjih, senzorske meritve, arhivsko gradivo ali slikovni material. 'Računska antropologija' (angl. computational anthropolo- gy) je podpodročje računskega družboslovja, ki se ukvarja s celostnim proučevanjem človeškega vedenja, kulturnih specifik in razvoja družbe s pomočjo računskih metod. V bistvu je to antropologija, katere metode so tudi računske in ne več (samo) kvalitativne, obsegajo pa analizo družbe- nih omrežij, podatkovno rudarjenje, obdelavo naravnega jezika in interpretacijo ter modeliranje družbenih fenome- nov. Pristopi računske antropologije so uporabni zlasti ta- krat, ko je množica podatkov prevelika za ročno obdelavo (npr. nabor tvitov, arhivsko gradivo v muzeju), ko želimo hkrati opazovati različne spremenljivke, oziroma ko bi ra- di pojave sočasno spremljali na več različnih lokacijah in z več udeleženci (npr. senzorski podatki in pametne napra- ve), ali ko šele spoznavamo teren oziroma temo ter želimo oblikovati raziskovalna vprašanja (npr. demografski profili ciljne populacije, analiza besedil). Vendar računske metode nudijo le enega od možnih pogledov na preučevani pojav ali populacijo. Drugo, dodatno perspektivo nam omogočata etnografija in terensko delo, s čimer podatke osmislimo in jih postavimo v kontekst, iz katerega smo jih pridobili. Združevanje kvalitativnih in kvantitativnih pristopov nudi plodno metodološko osnovo, saj se problema hkrati lotimo z različnih, a komplementarnih izhodišč. Nove metode dopolnjujejo klasične antropološke metode, nove perspektive pa so dodatni vir informacij. Zgodovina računske antropologije Med prvimi, ki je razmišljal o uporabi računalnikov za potrebe antropologije, je bil Claude Lévi-Strauss. Pri ana- lizi univerzalne strukture mitov si je Lévi-Strauss mite- me, osnovne »gradbene enote« mitov, zapisoval na kar- tice. Ker je bilo teh mitemov mnogo, med seboj pa so bili Izvleček: Računska antropologija je podpodročje računskega družboslovja, ki se ukvarja s celostnim proučevanjem člove- škega vedenja, kultur in družbenih procesov s pomočjo račun- skih metod. V prispevku avtorica predstavi razvoj področja od začetkov v šestdesetih letih prejšnjega stoletja do današnjega navdušenja nad »velikimi podatki« in prehoda v podatkovno etnografijo. Računski pristopi in delo s kvantitativnimi podatki postavljajo tako etične kot metodološke izzive, ki so v prispevku obravnavani z antropološkega zornega kota. Kot možno rešitev avtorica predlaga sintezo kvalitativnih in kvantitativnih pristopov, ki nudi plodno metodološko izhodišče in dopolnjuje klasične an- tropološke metode. Ključne besede: računska antropologija, podatkovna etno- grafija, metodologija, krožne mešane metode, digitalna antro- pologija Abstract: Computational anthropology is a branch of com- putational social science that uses computational methods for a holistic study of human behaviour, cultures and societal processes. The paper follows the development of the field from its beginnings in the 1960s to today’s excitement about ‘big data’ and the transition towards data ethnography. Computa- tional techniques and quantitative data pose ethical and meth- odological challenges, which are addressed within the context of anthropology. As a possible solution, the author proposes a synthesis of qualitative and quantitative approaches, which becomes a fruitful methodological base and a complement to traditional anthropological methods. Keywords: computational anthropology, data ethnography, methodology, circular mixed methods, digital anthropology RAČUNSKA ANTROPOLOGIJA Razvoj področja in metodološki izzivi Pregledni znanstveni članek | 1.02 Datum prejema: 29. 1 1. 2018 Glasnik SED 59|1 2019 8 Etnografija 2.0 Ajda Pretnar različno povezani, si je zaželel naprave, ki bi omogočala večdimenzionalno strukturiranje podatkov. Lévi-Strauss je celo eksplicitno zapisal, da bi za to potrebovali računalnike ter da bi bilo dobrodošlo sodelovanje z matematiki (1955: 436). Podobno je tudi Edmund Leach razmišljal o matema- tični formalizaciji družbenih struktur, ki so kljub svoji kom- pleksnosti zapisane kot binarne kode. 1 Kot strukturalist je trdil, da obstajajo splošni strukturni vzorci, ki so povezani v topologijo družbe (1961: 7); čeprav vsaka družba zavzame svojo specifično obliko (topologijo), so njeni vzorci v ozad - ju enaki. Oba, tako Lévi-Strauss kot Leach, sta računalnik razumela bolj kot konceptualni pripomoček pri mišljenju o strukturi družbe in ne kot konkretno orodje za operiranje z množico empiričnih podatkov (glej Spletni vir 1). Pozneje se je z dostopnostjo osebnih računalnikov tudi v antropologiji, podobno kot na drugih humanističnih in družboslovnih področjih (npr. korpusna in računska ling- vistika, računska sociologija), uveljavila računska antro- pologija, ki za raziskovanje uporablja digitalno tehnologi- jo, za analizo pa računske metode. V začetku je bilo največ zanimanja za sistematizacijo terenskih zapiskov, urejanje baz podatkov in sprotno zapisovanje na terenu (Kuzara, Mead in Dixon 1966; Podolefsky in McCarty 1983; Ki- ppen 1988). Pozneje se je nekaj raziskovalcev lotilo tudi uvajanja matematičnih in računalniških metod v antro- pologijo, zlasti za modeliranje kompleksnih družbenih sistemov, vpeljavo splošnih modelov kultur(e) (Dobbert idr. 1984) in topografske študije (Furbee in Benfer 1983). Tovrstne raziskave so stremele k vzpostavljanju splošnih modelov, ki pa zaradi kompleksnosti človeškega vedenja niso možni niti z današnjo tehnologijo. Prvi, ki so hitro in uspešno posvojili računske metode, so bili lingvistični antropologi, ki so hkrati z drugimi jezikoslovci začeli upo- rabljati programe za obdelavo naravnega jezika (V oegelin 1955; Goodenough 1964; Pierce 1962; Bradley idr. 1990). Sočasno z njimi je v šestdesetih in sedemdesetih letih oživelo zanimanje za analizo družbenih omrežij, ki jo je konceptualno vzpostavil Barnes (1954), teoretsko pa so jo opredelili Mitchell (1974) ter Whitten in Wolfe (1974; za pregled področja glej tudi Wolfe 2011). Analiza družbenih omrežij temelji na ideji družbe kot mreže ekonomskih, socialnih, kulturnih, družinskih in drugih interakcij, kjer se ravni medsebojno prepletajo in spremembe v enem delu mreže vplivajo horizontalno na druge dele mreže ter vertikalno na druge ravni. Primer raziskave, ki združuje etnografijo in matematično analizo omrežij, sta Schweizerjevi študiji obdarovanja med ljudstvom !Kung ter ritualnih praznovanj v javanski vasi (Schweizer 1997). Ti študiji sta dober primer sinteze etnografskih in matematičnih pristopov, kjer statistična analiza grafov interkacij omogoča podrobne in nove poglede v družbeno 1 Tukaj ni jasno, ali je Leach mislil binarne spremenljivke ali zgolj spremenljivke, zapisane v inherentno binarni strukturi računalnika. strukturo preučevanih skupnosti. Analiza družbenih omrežij je hitro postala samostojno področje, ki združuje heterogena interdisciplinarna znanja v enotno metodologijo. Precejšen vpliv na razvoj računske antropologije je imela tudi sociologija, natančneje 'utemeljena teorija' Glaserja in Straussa (angl. grounded theory, Glaser in Strauss 1967). Utemeljena teorija izhaja iz predpostavke, da je razumeva- nje družbenih pojavov možno zgolj, če izhajajo iz sistema- tične analize podatkov oz. so na njej utemeljeni. Podatki, ki jih pridobivamo v več fazah, so osrednja os raziskave, z njihovim rekurzivim zbiranjem pa se osredotočamo na teme, ki vzniknejo na terenu oziroma iz podatkov samih. Z vračanjem na teren potrjujemo hipoteze in odkrite vzorce, ki jih lahko dodatno dopolnimo z novimi podatki. Čeprav je utemeljena teorija izšla iz sociologije, sta jo Glaser in Strauss zasnovala prav na podlagi etnografskega dela. Podatki, ki so temelj teorije, so v njunem primeru kvalitativni, terenski podatki, metoda pa iterativna etno- grafija. Utemeljitev teorij na podatkih je enako pomembna tudi za kvantitativne podatke in pristope. Zlasti ciklično pridobivanje podatkov in iskanje pomena rezultatov pri sogovornikih sta povezana z računsko antropologijo in predvsem s predlaganimi krožnimi mešanimi metodami, ki jih obravnavam v nadaljevanju. Računska antropologija danes Metodološki razvoj računske antropologije je dvodelen. Prvi sklop se dotika paradigmatskih sprememb, kjer prihaja do vključevanja matematičnih in statističnih pristopov za analizo podatkov. Drugi sklop je tehnološki, kjer nam napredek, in to tako na področju strojne kot programske opreme, omogoča nove načine zbiranja in obdelave podatkov. Napredek je pomemben tudi za kvalitativne analize, na primer pri zbiranju podatkov s kamero, fotoaparati in z digitaliziranjem zgodovinskih arhivov ter pri uporabi programov za obdelavo kvalitativnih podatkov. Primer so komercialni programi NVivo, Atlas.ti in MaxQDA (glej Mckether in Friese 2016) ter odprtokodni program RQDA, pri katerih se analizo izvede s kodiranjem besedil ter s pomočjo konkordanc in pomenskih mrež. Računska antropologija pa je v marsičem drugačna od računalniško podprte kvalitativne analize. Predvsem je utemeljena na svojevrstni epistemologiji, ki sicer izhaja iz znanosti o podatkih, a se zavestno umešča v antropologijo. S tega vidika jo lahko razumemo kot dediščino pozitiviz- ma, ki znanstveno védenje išče v empirično pridobljenih, kvantificiranih podatkih, s pomočjo katerih odkriva splo- šne zakonitosti. K antropologiji se vrnemo z zavedanjem, da pozitivizem namerno spregleda kompleksnost člove- ške izkušnje in zavrača metafizične in normativne vidike družb (Kitchin 2014). Združevanje obeh pristopov je tako bistveno drugačno od tehnološko podprte kvalitativne ana- lize, saj navidezno diametralno nasprotne epistemologije poveže v enotno metodološko paradigmo. Glasnik SED 59|1 2019 9 Etnografija 2.0 Ajda Pretnar Poleg epistemološkega vidika je kvalitativna analiza podat- kov drugačna tudi s tehničnega vidika. Pri tovrstni analizi je treba podatke najprej ročno zakodirati ali jih pretvoriti v no- ve kategorije (Gläser in Laudel 2013), kar zahteva precej- šen časovni vložek. Običajno se obdeluje besedila, fotogra- fije, avdio ter video posnetke in ne tabelaričnih podatkov. Čeprav so končni rezultati lahko kvantificirani, so statistike osnovane na podlagi kodirnega postopka, ki je temeljno orodje analize. Nasprotno je pri računski antropologiji večji poudarek na kvantitativnih metodah, statistični analizi in odkrivanju znanj iz podatkov, kjer predhodno kodiranje ni potrebno. Zlasti nas zanima, kakšni so prevladujoči vzorci v podatkih, katere spremenljivke najpomembneje prispeva- jo k odkritim vzorcem in napovedim ter kako lahko mo- deliramo in opišemo vedenje ljudi. Pri tem ni nujno, da so podatki besedilni, lahko so tudi povsem tabelarični, na pri- mer meritve iz senzorjev in pametnih naprav, interakcije na družabnih omrežjih ali slikovno gradivo. Računska antro- pologija se tesno povezuje s strojnim učenjem, 2 saj metode področja, na primer združevanje v skupine, zmanjševanje dimenzij, analizo časovnih vrst in klasifikacijske modele, uporablja na antropoloških podatkih. V družboslovju sicer kar nekaj raziskav računske pristope uporablja za analizo spletnih družbenih omrežij (Procter, Vis in V oss 2013), na antropološkem področju pa se na te pristope osredotoča le peščica raziskovalcev. Univerza MIT v svojem tehnološkem poročilu Technology Review občasno objavi prispevke s področja računske antropolo- gije (Spletni vir 2; Yang idr. 2017) in predstavi možnosti uporabe računskih metod za razumevanje delovanja družb (Spletni vir 3). Anderson in sodelavci (2009) so razvili pri- stop, ki podatkovno rudarjenje baz in terensko delo zdru- žuje v skupno metodologijo; imenujejo jo »etno-rudarje- nje«. Blok in Pedersen (2014) ob analizi digitalnih zapisov (oziroma »sledi«, kot jim pravita avtorja) družbenih odno- sov med študenti Danske tehniške univerze razmišljata o preseku kvantitativnih »velikih podatkov« in kvalitativnih etnografskih podatkov kot o gonilni sili nove veje družbo- slovja, ki bi ji lahko rekli kar računska antropologija (glej tudi Hjorth idr. 2017). Krieg, Berning in Hardon (2017) v svojem prispevku preproste statistične analize besedil do- polnijo z mrežami sopojavitev besed ter souporabe drog na primeru analize poročil o uporabi drog s portala Erowid. Ta primer uspešno pokaže, kako lahko antropologi izko- ristijo spletne vire za raziskovanje občutljivih tem, kadar je dostop do ciljne populacije otežen, ter kako lahko s po- močjo vizualizacij izluščijo zanimive vedenjske vzorce ter razkrijejo razmerja in povezave med ljudmi. 2 Strojno učenje je področje umetne inteligence, ki se ukvarja z obli- kovanjem in uporabo algoritmov; ti se na podlagi vhodnih podatkov naučijo reševati ciljni problem, ne da bi bili specifično zasnovani za reševanje tega problema. Povečano zanimanje za »digitalno« se kaže tudi v krepi- tvi področja digitalne humanistike, ki zajema presek ra- čunskih zanesenjakov humanističnih oddelkov. V konte- kstu antropologije je na tem področju najbolj zastopana folkloristika (Strle in Marolt 2014a; 2014b), ki se ukvar- ja z algoritmično analizo folklornih besedil (Tangherlini 2016), čemur je pot odprla že prej omenjena lingvistična antropologija. Zanimanje za uvedbo digitalnih tehnologij in računske analize se krepi tudi v muzeologiji (Arnold in Kaminski 2014). Nove tehnologije namreč omogočajo di- gitalizacijo obstoječih virov materialne (artefakti, snovna dediščina) in nematerialne kulture (zapisi in metapodatki o nesnovni dediščini) ter s tem spodbujajo raziskave in ana- lize digitaliziranih objektov (Pretnar idr. 2018). Digitalna antropologija Marsikdo bo na tem mestu opozoril na pomembno podro- čje digitalne antropologije. Ta se posveča uporabi digital- nih tehnoloških rešitev in njihovi vpletenosti v vsakdanje življenje (Bell 2006; Bell in Kaye 2002), virtualnim sve- tovom in identitetam (Boellstorff 2008; Nardi 2010; boyd 2014) ter odnosu med digitalnim in materialnim (Horst in Miller 2012). V tem smislu je digitalna antropologija bi- stveno drugačna od računske antropologije. Slednja namreč računske metode, algoritme in modele uporablja za razisko- vanje človeških družb in kultur, medtem ko se digitalna an- tropologija osredotoča na kvalitativno raziskovanje virtual- nih svetov, identitet in razmerja med virtualnim in stvarnim. Kot zanimivost lahko omenimo, da obstaja še matematična antropologija, ki se analizi matematičnih konstruktov in logičnega razmišljanja posveča zlasti (a ne izključno) pri ljudstvih brez pisave (Eglash idr. 2006). V slovenski di- gitalni antropologiji se je Podjed (2011, 2012) s pomočjo kombinacije »tradicionalne« in spletne etnografije ukvarjal s samopromocijo po spletu in z razumevanjem vsakdanjega sporazumevanja po družbenih omrežjih, Šimenc (2017) pa že vrsto let raziskuje družbene kompleksnosti, ki vznikajo ob digitalizaciji zdravstvenega sistema. Obetaven projekt Data Ethnographies Lab, ki ga je vodi- la Sarah Pink, je pozicioniran na preseku digitalne in ra- čunske antropologije. Člani laboratorija preko delavnic in diskusij z etnografskimi pristopi raziskujejo nastanek, razvoj in naravo podatkov ter posledice uporabe t. i. 've- likih podatkov' (angl. big data) za raziskovalce in tiste, ki jih raziskujejo. Teme segajo od (meta)materialnih vidikov podatkov (Pink idr. 2016a) do etike zbiranja in uporabe velikih podatkov (Pink idr. 2016b). Na prehodu med vedama sta ključna dva vidika. Prvi je razmislek o naravi podatkov, ki so s človekom dejansko v zelo intimnem odnosu. Človek podatke ustvarja, jih pri- reja, nalaga v strežnike na oblaku in na pametne naprave in jih v sklenjenem krogu tudi konzumira (Pink idr. 2017, 2018). Antropolog je tako lahko glavni posrednik in preva- jalec med človekom in podatki, saj s pomočjo etnografije Glasnik SED 59|1 2019 10 Etnografija 2.0 Ajda Pretnar podatke postavi v kontekst, jih osmisli in razloži. Pri tem je zelo pomembna etika zbiranja, analiziranja in delje- nja podatkov. Ni namreč samoumevno, da lahko podatke analiziramo zgolj zato, ker imamo do njih dostop. Javno dostopne informacije, na primer, niso nujno podane z do- voljenjem za analizo in interpretacijo. Še več, pri inter- pretaciji podatkov, ki je do neke mere vedno subjektivna, moramo ravnati z veliko mero pozornosti in odgovornosti do subjektov raziskave. Vse to globoko posega na podro- čje etike podatkov in podatkovnih praks. Etični vidiki Etika znanosti o podatkih je ključno področje računske antropologije in računskega družboslovja nasploh. V gro- bem zajema tri področja, in sicer etiko podatkov, etiko al- goritmov in etiko raziskovalnih praks (Floridi in Taddeo 2016). Etika podatkov obsega etično uporabo podatkov ter vprašanja o zasebnosti, transparentnosti, nadzoru, varova- nju, shranjevanju in odnosu do podatkov. Etika algoritmov se posveča etičnemu snovanju in predvsem uporabi algo- ritmov, etika podatkovnih praks pa se veže na konkretne podatkovne prakse, ki vključujejo zbiranje in uporabo podatkov ter diseminacijo rezultatov. Raziskovalci nismo omejeni zgolj s splošnimi uredbami o varovanju osebnih podatkov, temveč tudi z etiko raziskovalnega dela, ki nam nalaga posebno odgovornost do udeležencev v raziskavi, v računski antropologiji pa še z omenjenimi etičnimi vidiki znanosti o podatkih. Odgovornost do raziskovalnih subjektov, torej ljudi, nuj- no vključuje posebno pozornost v zvezi z zagotavljanjem anonimnosti, dostopanjem do podatkov in oblikovanjem algoritmov (Mittelstadt idr. 2016) ter obdelavo podatkov. Prav slednje je posebej pomembno. Refleksija o pomenu in vlogi podatkov mora namreč biti ključni sestavni del vsake raziskave s področja računske antropologije. Kako so bili podatki zbrani? Kdo jih je uredil in na kakšen na- čin? Kako so bili surovi podatki obdelani? Treba se je za- vedati, da smo lahko pristranski v kateremkoli od naštetih delov procesa. Če smo podatke zbirali le na množici, ki si lahko privošči dostop do tehnologije (npr. uporabniki Twi- tterja), je to pomembno zabeležiti in upoštevati pri analizi. Če smo podatke pridobili s strani podjetja, je treba vedeti, ali so to res surovi podatki ali pa je podjetje že predhodno izključilo del za objavo neprimernih podatkov. Če smo po- datke obdelali sami, je treba opozoriti, kako smo jih pred- procesirali in obdelali ter česa nismo upoštevali. Previdnost je potrebna tudi pri interpretaciji podatkov. Vsak nabor podatkov, ki zajema družbene pojave in sku- pine, izhaja iz specifičnega družbenega, političnega, eko- nomskega, zgodovinskega, geografskega in kulturnega konteksta. Formulacija teorij mora zato nujno izhajati iz razumevanja omenjenih kontekstov in umestiti empirične ugotovitve v družbeno realnost, iz katere so podatki izšli, kar velja tako za kvantitativne kot za kvalitativne pristope. Raziskovalec lahko pri tem vedno izhaja predvsem iz sebe in interpretacijo podaja preko lastnega spoznanja. Možnost znanstvene objektivnosti je odvisna od predpo- stavke o vsebini objektivnosti. Objektivnost po Reissu in Sprengerju (2017) obsega zvestobo dejstvom, odsotnost normativne zavezanosti oziroma odsotnost vrednot ter pri- stranskosti. Zvestobo dejstvom je mogoče doseči z etično naravnanostjo in nenehnim preverjanjem dejstev. Za odso- tnost pristranskosti se moramo najprej te sploh zavedati, da jo potem stalno preverjamo in jo odvzemamo iz inter- pretacije. Odsotnost vrednot pa je zelo vprašljiva, saj so vrednote tako globoko vpete v naše razumevanje sveta, da je njihovo zanikanje v bistvu nemogoče. V izogib moral- nemu kulturnemu relativizmu se tako opremo na metodo- loški kulturni relativizem (primerjaj Feyerabend 1993), ki pomeni praktično varovalo pred spontanim obsojanjem in instantnimi vrednostnimi sodbami ter zagovarja kompara- tivno metodo kot osnovo za oblikovanje znanstvenih odkri- tij. Oziroma, kot je že leta 1949 zapisal Clyde Kluckhohn: Medtem ko ohranja zdrav skepticizem o večnosti katerekoli vrednote, ki jo ceni neko ljudstvo, antro- pologija teoretsko ne zanika obstoja moralno abso- lutnega. Nasprotno, uporaba komparativne metode nudi znanstven način odkrivanja absolutnega. Če vse preživele družbe razumejo nekatere omejitve vedenja svojih članov za neobhodne, to ponuja mo- čan argument za to, da so ta moralna načela nepo- grešljiva. (Kluckhohn 1949: 41) V fazi interpretacije analitičnih rezultatov podatke ume- ščamo v družbeni kontekst in jim dajemo (pozitivno ali negativno) vrednost. Tako kot pri kvalitativni analizi se je tudi pri kvantitativni pomembno zavedati lastne subjek- tivnosti, saj je le z zavedanjem mogoče reflektirati, ali subjektivnost spodbuja ali ovira objektivno razumevanje (Ratner 2002). Tako antropologija izobrazi raziskovalca v metodološkem relativizmu, ki je pravzaprav tudi podlaga za uspešno delo s podatki. Z razumevanjem konteksta, iz katerega podatki prihajajo in v katerega se njihova analiza vrača, se antropolog umešča kot posrednik med znanostjo in družbo. Objektivnost je ideal, h kateremu stremimo, se ga trudimo doseči, čeprav je popolna objektivnost nemo- goča. Prav zato, ker je objektivnost nedosegljiva, lahko dosežemo vsaj nepristranskost, ki je relativistično usmer- jeno prepoznavanje in poznavanje lastne tradicije (Škof in Pirc 2016). Dokler dejavno reflektiramo lastne omejitve, smo v največji možni meri zadostili kriterijem znanosti. Metodologija podatkovne etnografije Nove raziskovalne možnosti vodijo v nove metodologije oziroma v novo kombinacijo obstoječih metod. Antropo- logija ni zgolj bivanje na terenu in pisanje monografij in člankov, je tudi analiza podatkov, najsi bodo ti zgodovin- ski, demografski, ekonomski, politični, vedenjski ali pa kombinacija naštetega. Antropološke raziskave so sicer Glasnik SED 59|1 2019 11 Etnografija 2.0 Ajda Pretnar pretežno kvalitativne, saj s pomočjo etnografije in teren- skih izkušenj spoznavamo različne poglede na izbrano temo, lokacijo, skupnost. Tovrstne raziskave se poglablja- jo v določen problem, preverjajo koncepte in stereotipe, predstavljajo pripovedi o načinih življenja in črpajo iz po- sameznika ter njegovega razumevanja družbenega sveta. Del raziskave se vedno dotakne tudi kvantitativnih podat- kov, na primer štetja populacije, smrtnosti, rodnosti, mi- gracijskih tokov, razporeditve časa za določena opravila, družinska drevesa ... Kljub temu so taki podatki običajno sekundarni vir, analiza pa zelo osnovna. Lažji dostop do kvalitativnih podatkov in množica prepro- stih orodij za njihovo analizo sta razširila nabor možnih pristopov za antropološke raziskave. Ker se raznoliki na- čini življenja nenehno spreminjajo, morajo tudi tehnike raziskovalnega dela dohajati te spremembe (Muršič 2011: 7). Z vse večjo prepletenostjo digitalnega življenja s fizič- nim življenjem mora antropolog po eni strani usvojiti teh- nike preučevanja digitalnih sledi, po drugi pa se soočiti s porastom obsega podatkov, do katerih lahko v sodobnosti dostopamo. Metodološki principi področja so izrazito interdiscipli- narni. Kombinacija različnih tehnik, tako kvantitativnih kot kvalitativnih, sodi med mešane metode. Raziskave z mešanimi metodami naslavljajo različna stališča, per- spektive, pozicije in izhodišča (Johnson, Onwuegbuzie in Turner 2007), zato so po naravi vključujoče in celostne. Tehnike, ki izhajajo iz mešanih metod, običajno kombini- rajo statistične pristope in odkrivanje znanj iz podatkov z etnografskimi opisi ter opazovanjem z udeležbo. Anderson in sodelavci (2009) predlagajo 'etno rudarjenje' (angl. eth- no-mining), pri čemer elementi kvalitativnih in kvantita- tivnih tehnik niso ločeni oziroma so celo neločljivi. Etno rudarjenje gradi na odprti, celostni, sodelovalni etnografiji, empirični in analitski elementi pa so pri tem obogatitev antropološke perspektive. Avtorji so v raziskavi uporabe računalnikov uporabili kombinacijo vizualizacij senzor- skih podatkov ter etnografije. Udeležence v raziskavi so namreč prosili, da sami interpretirajo svoje podatke, kar je omogočilo heterogeno razumevanje interakcij s tehnologi- jo, namesto zgolj vpogleda v »povprečnega uporabnika«. Blok in Pedersen (2014) sta v interdisciplinarni ekipi sle- dila digitalnim sledem družbenih interkacij vseh prvih letnikov na Danski tehnični univerzi. V članku zagovar- jata komplementarnost obeh pristopov, in čeprav izhajata iz socioloških 'kvali-kvantitativnih metod' (angl. quali- -quantitative methods), sočasno zagovarjata obogatitev »velikih« (računskih) podatkov z »majhnimi« (etnograf- skimi) [sic], saj lahko po njunem le tako dobimo dovolj podrobne podatke o preučevanem pojavu. V drugem, po- znejšem članku (Blok idr. 2017) s sodelavci podrobneje opišeta metodološki pristop za raziskovanje socialnih in- terakcij na primeru študentske zabave. Študenti so med ek- sperimentom z Bluetooth oddajnikom na svojih telefonih zbirali podatke o številu drugih telefonov v desetmetrskem radiju, pri čemer so bili podatki opremljeni še z zapisom časa, geolokacije ter števila klicev in sporočil. Ti podatki so bili podlaga za izgradnjo omrežij odnosov in analizo družbenih interkacij. Ker pa različni parametri predproce- siranja podatkov in gradnje omrežij pomembno vplivajo na končne rezultate analize, so raziskovalci za kalibracijo parametrov in interpretacijo ugotovitev uporabili etnograf- ske podatke. Združevanje procesualnega fokusa etnogra- fije s prostorsko širokim fokusom kvantitativnih raziskav poimenujejo 'zvezovanje' (angl. stitching), saj navidezno nepremostljive paradigme premoščajo s prepletanjem raz- ličnih vrst podatkov. Dihotomijo izhodišč presegata tudi Bornakke in Due (2018), ki se osredotočata na združevanje analitičnih rezul- tatov, pridobljenih s kvalitativnimi in kvantitativnimi meto- dami, in ponujata konkretne metodološke usmeritve. Njuni 'zliti prostori' (angl. blended spaces) prav s pomočjo 'zliva- nja' (angl. big-thick blending) rezultatov analiz velikih in bogatih podatkov omogočajo odkrivanje novih pomenov in informacij. »Zlivanje« prikažeta na primeru izboljševanja uporabniške izkušnje v eni od poslovalnic danske verige optik. V tem primeru sta s kombiniranjem rezultatov video sledenja ljudi po prostoru in posnetkov komunikacije ose- bja s strankami identificiriala ključne problemske točke. Z analizo premikanja oseb po poslovalnici sta avtorja identi- ficirala tista vedenja, ki velikokrat ostanejo neizrečena (npr. stranke se večinoma ne zadržujejo pred vhodom v prostor), z intervjuji in opazovanjem pa sta določila različne tipe vedenja strank in opisala konkretne probleme pri obisku poslovalnic (npr. nerazumljivi diagrami). »Zlivanje« ra- zumeta kot snovanje generičnega prostora z dveh izhodišč (veliki in bogati podatki), kjer so nove ideje utemeljene na vznikajočem »zlitem« konceptualnem polju. Podobno tudi tehnika krožnih mešanih metod (Pretnar in Podjed 2018), ki simultano izhaja iz obeh izhodišč, vključuje večkratno reformulacijo hipotez in ugotovitev na podlagi analize podatkov ter etnografskih pripovedi. Podatkovna analitika omogoči splošen pregled raziskovane skupnosti in snovanje statistično veljavnih ugotovitev, medtem kot etnografija podatke razloži, osmisli in postavi v družbeni kontekst. Tovrstni pristop olajša časovno (zgodovinsko) ter horizontalno (kategorično) primerjavo med skupinami ljudi, z vizualizacijami podatkov pa dobimo odlično orodje za primerjalno in kontrastivno analizo ter za poenostavljene predstavitve kompleksnih interakcij. Izhodišči kvantitativnih in kvalitativnih pristopov sta bi- stveno drugačni. Prvo je razlagalno oziroma pozitivistič- no, drugo pa pojasnjevalno oziroma interpretivistično (Muršič 2011: 32). Ti dve paradigmi pa se v kontekstu posamezne raziskave vendarle lahko dopolnjujeta. Vsaka raziskava začrta problemski kontekst, v katerem je izpe- ljana (Star 1983). To velja tako za naravoslovne kot za Glasnik SED 59|1 2019 12 Etnografija 2.0 Ajda Pretnar družboslovne raziskave. Niti laboratorijskih eksperimen- tov ne moremo povsem posplošiti na dejanske razmere, saj smo v laboratoriju lahko odstranili celo kopico dejavnikov (npr. sonce, zrak, druge snovi) in s tem problem izolirali. V družboslovju, ki preučuje kompleksno človeško družbo, je to še toliko teže. V obeh primerih je potrebna določena mera abstrakcije in poenostavitve problema. V družbo- slovnih in humanističnih raziskavah lahko s poenostavi- tvijo izgubimo veliko več dragocenih informacij kot pri laboratorijskem eksperimentu, zato so posplošitve toliko redkejše (ali morda sploh nemogoče, prim. Larsson 2009). Če izhajamo iz dejstva, da v obeh primerih raziskujemo v začrtanih okvirih, spoznamo, da sta oba pristopa le dve različni poti k istemu cilju, namreč k razumevanju preuče- vanega pojava ali skupine. Kvantitativni, naravoslovni pri- stop išče splošne vzorce, pogoste interakcije in osamelce, medtem ko kvalitativni pristop vzorce in interakcije poja- snjuje ter kontekstualizira, osamelce pa razlaga in vrača v družbeni okvir. Informacije, ki vzniknejo ob kateremkoli od obeh pristopov, se združijo v celostno interpretacijo, ki ima prav zaradi inovativne metodološke kombinacije ve- čjo posplošitveno moč. Razliko med kvantitativnimi in kvalitativnimi pristopi lah- ko razumemo tudi kot razliko med 'velikimi' in 'bogatimi podatki' (angl. big data in thick data). Veliki podatki so množične longitudinalne podatkovne zbirke več milijonov ljudi, vključno z lokacijo, s finančnimi transakcijami in komunikacijami (Lazer idr. 2009), in so ena od fokusnih točk računske antropologije. Velike podatke lahko obdela- mo zgolj računsko, saj je njihov obseg za ročno obdelavo nemogoč analitski izziv. Čeprav gre pri velikih podatkih običajno za količino informacij, ki je ne zmore obdelati procesor navadnega osebnega računalnika, in čeprav ima antropolog redko dostop do takih podatkov, je že 10.000 meritev za antropologijo pravzaprav veliko. Pri tem nam lahko računske metode močno olajšajo delo, saj v kratkem času ter s pomočjo zgoščenih predstavitev (npr. vizualiza- cij) podajo informacijo o populaciji ali pojavu. Kot protiutež velikim podatkom se je oblikovala zamisel o 'bogatih podatkih' (angl. thick data), na katero je Clif- ford Geertz (1973) namignil v izrazu »bogat opis«, v kon- tekst sodobnih podatkovnih analiz pa jo je postavila Tricia Wang (2013). Bogati podatki so s podrobnostmi bogate in- formacije, ki jih je pogosto nemogoče kvantificirati. Če so veliki podatki »široki«, torej obsegajo širok časovni okvir ali pa veliko število posameznikov, so bogati podatki »glo- boki« in definirajo časovni kontekst, v katerem je bila po- samezna meritev opravljena, ali pa razložijo motivacijo za posamezno dejanje. Veliki podatki odgovarjajo predvsem na vprašanja »kdo«, »kje« in »kaj«, bogati podatki pa nam povedo, »zakaj« ljudje nekaj počno. Podobna je analogija z emskim in etskim, če koncepta ra- zumemo kot »izkušnji bližnji« in »izkušnji oddaljeni« pri- stop (Geertz 1975) oziroma emsko kot konkretno in etsko kot splošno. Seveda vlečenje tovrstnih vzporednic ni pov- sem neproblematično, saj lahko tudi kvantitativni podatki opisujejo konkretne dogodke, medtem ko je etnografija lahko komparativna in splošna. V tem kontekstu imamo lahko v mislih bolj analitske ravni, pri čemer kvantitativne analize razkrijejo vzorce, ki veljajo v podatkih in so ta- ko splošni za populacijo, medtem ko kvalitativne analize definirajo vzročnosti in motivacije na terenu. Razkriva- nje vzročnosti je sicer tudi ena od prednosti kombiniranja obeh pristopov. S kvantitativnimi pristopi lahko identifici- ramo visoko korelirane spremenljivke, s kvalitativnimi pa potrdimo ali ovržemo njihovo vzročno povezanost. Tudi v antropologiji, tako kot v vsaki drugi znanosti, poskušamo najprej »opisati pojav, ki nas zanima, nato »razložiti, kaj ga povzroča«, in na koncu predvideti oziroma napovedati, kaj ta pojav povzroča (Bernard 1994: 27; glej tudi Muršič 2011: 53). Kvantitativni pristopi pojav opišejo, kvalitativ- ni razložijo, kaj ga povzroča (in tudi zakaj do njega priha- ja), končne napovedi pa lahko preverimo tako z računski- mi modeli kot tudi z etnografijo. Zavedati se moramo, da vsaka raziskava ni primerna za računsko analizo, vendar je vedno več primerov, kjer nam lahko računalniški programi in statistika učinkovito poma- gajo. Prvi primer so večje količine podatkov, ki jih še tako vesten raziskovalec ne more predelati sam. Pri tem ima- mo v mislih več sto, tisoč ali milijon primerov, na primer zbirko tvitov, arhivskih zapisov, meritev iz pametnih na- prav itn. V sodobnem času ni nerealno pričakovati, da bo antropolog posegel tudi po tovrstnih podatkih, zlasti ker so bogati z informacijami in dostopni v trenutku. Čeprav podatki niso bili zbrani za raziskovalne namene, lahko z njimi poglobimo naše razumevanje določenih fenomenov ali pa odkrijemo nepričakovane relacije in vzorce. Drugi primer so pojavi, ki jih želimo opazovati na raz- ličnih lokacijah ob istem času, česar en sam antropolog prav tako ne zmore. Pri tem nam lahko pomagajo senzorji, video posnetki in podatki iz aplikacij, ki sočasno merijo rezultate. Z longitudinalno analizo vzporednih meritev, zlasti za daljša časovna obdobja, odkrivamo in definira- mo kratko- in dolgoročne procese, hkrati pa komparativno preverjamo razlike in podobnosti med posamezniki in sku- pinami. Ker so podatki pogosto podrobni, lahko neovirano prehajamo med splošnim pregledom fenomena in manjši- mi analitskimi enotami (npr. časovnimi izseki, posamezni- ki, podskupinami, posameznimi dogodki). Tretji primer je nekoliko bolj metodološki. Računske metode nam namreč omogočajo tudi predhodno analizo terena, oblikovanje hipotez in snovanje raziskovalnih vprašanj (Krieg idr. 2017). Pred vstopom na teren lahko raziskovalec z analizo podatkov razbere, kakšna je demografska sestava ljudi in katere tematike tam prevladujejo. Predhodno lahko celo oceni, kakšna so razmerja moči. Slednja dva primera se specifično vežeta na analizo besedil v družbenih omrežjih, medtem ko Glasnik SED 59|1 2019 13 Etnografija 2.0 Ajda Pretnar pri drugih vrstah podatkov, na primer pri tistih, ki jih pridobimo s pomočjo senzorjev, lahko izvedemo že prvo terensko raziskavo. S pomočjo analize velike množice podatkov lahko odpremo nova vprašanja, ki jih potem preverimo na terenu. Poiščemo lahko značilne vzorce vedenja, ki nas pozneje vodijo pri terenskem delu, in identificiramo posameznike, ki so posebej zanimivi za nadaljnje intervjuje. Predhodna analiza terena ni iskanje bližnjic, temveč nujno potrebna seznanitev z delovanjem neke skupnosti. Takšna analiza je pomembna tudi za kreativno oblikovanje hipotez, ki jih na terenu lahko relativno hitro zožimo na nekaj najbolj pomembnih in potem dolgotrajno ohranjamo in preverjamo. Sklep Oksimoronski prizvok računske antropologije je v sodob- nem času nepotreben. Po prvem valu navdušenja nad no- vimi tehnologijami in računskimi pristopi konec prejšnje- ga stoletja je podpodročje antropologije znova v vzponu, sodobne raziskave pa potrjujejo njegov raziskovalni po- tencial. Lažji dostop do podatkov in programski paketi, ki jih raziskovalci zlahka uporabljajo na svojem prenosnem računalniku, omogočajo antropologom nove raziskovalne priložnosti in interdisciplinarno povezovanje. S preple- tanjem različnih metodoloških pristopov in tehnik lahko pojave sočasno spremljamo in opazujemo z več zornih ko- tov ter tako pridobimo raznoliko ter hkrati poglobljeno in široko znanje. Z vključitvijo kvantitativnih metod lahko raziskovalci učinkoviteje raziskujemo določene teme, pogledamo na teren z nove perspektive in si olajšamo tehnične vidike raziskave. Zlasti učinkovito je ciklično kroženje med tere- nom in podatki, ki jih z etnografijo osmišljamo, razlagamo in dopolnjujemo. Vsak korak namreč prispeva nove in- formacije. Kvantitativni pogled poda širšo sliko družbene skupine in razkrije zanimive vzorce v podatkih, kvalitativ- ni pogled pa odkrite informacije razloži in osmisli. Stalno prehajanje med velikimi in bogatimi podatki tako postane točka sreč(ev)anja računskih in etnografskih pristopov ter plodno metodološko izhodišče. Oziroma, kot pravi Mur- šič: »Če hočemo dobro razumeti pojav, ki nas zanima, v raziskovalnem delu pridobivamo in uporabljamo tako kva- litativno kot tudi kvantitativno zbrane podatke. Natančnost in relevantnost ugotovitev sta pogosto odvisni od oboje- stranskega načina merjenja oz. opazovanja« (2011: 44). Kvalitativni pristopi v antropologiji ne zavračajo klasičnih etnografskih pristopov, temveč jih obogatijo in opolnomo- čijo. Računska antropologija je praktično orodje, s katerim lahko raziskovalci pridobijo splošen pregled nad terenom in oblikujejo raziskovalna vprašanja, pridobljene uvide pa kontekstualizirajo in obogatijo z etnografijo. Pri tem je nujno obdržati etično rahločutnost, izsledke pa podajati z veliko skrbjo za udeležence v raziskavi. Etika je povezana tudi z zavezanostjo k smiselni in pravilni analizi podatkov, pri čemer ni pomembno zgolj dobro poznavanje statistike, temveč predvsem razumevanje, da korelacija še ne pome- ni vzročnosti. Odkrivanje vzročnosti je tudi ena največjih prednosti kombiniranja obeh metod. Novi metodološki pristopi nudijo zanimive raziskovalne možnosti tako v digitalnih kot fizičnih skupnostih (in nji- hovih prepletih in povezavah), etična vprašanja znanosti o podatkih pa postavljajo antropologe v osrednjo vlogo po- srednikov med podatki, tehnologijami in družbo. Razisko- valcem ni treba ostati v vlogi opazovalcev, ki »od daleč« spremljajo nastajanje novih pristopov in metod. Namesto tega lahko z usvajanjem in uporabo novih metodologij ter s poglobljenim razumevanjem sveta podatkov postanejo ak- tivni udeleženci, ki bodo znanosti in različnim strokam po- nudili ključne veščine in edinstven pristop za reševanje tako teoretskih kot tudi praktičnih problemov, hkrati pa pridobili tudi boljši vpogled v družbene svetove in kulturne prakse. Literatura ANDERSON, Ken idr.: Numbers Have Qualities Too: Experi- ences with Ethno-Mining. EPIC 2009 Proceedings 1 (1), 2009, 123–140. ARNOLD, David in Jaime Kaminski: 3d Scanning and Presen- tation of Ethnographic Collections –Potentials and Challenges. Journal of Museum Ethnography 27, 2014, 78–97. BARNES, John A.: Class and Committees in a Norwegian Par- ish. Human Relations 7 (1), 1954, 39–58. BELL, Genevieve in Joseph Kaye: Designing Technology for Domestic Spaces: A Kitchen Manifesto. Gastronomica 2 (2), 2002, 46–62. BELL, Genevieve: Satu Keluarga, Satu Komputer (One Home, One Computer): Cultural Accounts of ICTs in South and South- east Asia. Design Issues 22 (2), 2006, 35–55. BERNARD, Russell H.: Research Methods in Anthropology: Qualitative and Quantitative Approaches, (2. izdaja). Thousand Oaks: Sage, 1994. BLOK, Anders idr.: Stitiching Together the Heterogeneous Par- ty: A Complementary Social Data Science Experiment. Big Data & Society 4 (2), 2017, 1–15. BLOK, Anders in Morten A. Pedersen: Complementary Social Science? Quali-Quantitative Experiments in a Big Data World. Big Data & Society 1 (2), 2014, 1–6. BOELLSTORFF, Tom: Coming of Age in Second Life: An An- thropologist Explores the Virtually Human. Princeton University Press, 2008. BORNAKKE, Tobias in Brian L. Due: Big–Thick Blending: A Method for Mixing Analytical Insights from Big and Thick Data Sources. Big Data & Society 5 (1), 2018, 1–16. BOYD, danah: It’ s Complicated: The Social Lives of Networked Teens. Yale University Press, 2015. BRADLEY , Candice idr.: A Cross-Cultural Historical Analysis of Subsistence Change. American Anthropologist, New Series 92 (2), 1990, 447–457. Glasnik SED 59|1 2019 14 Etnografija 2.0 Ajda Pretnar DOBBERT, Marion L. idr.: An Application of Dimensional Analysis in Cultural Anthropology. American Anthropologist 86 (4), 1984, 854–884. EGLASH, Ron idr.: Culturally Situated Design Tools: Ethnocomputing from Field Site to Classroom. American Anthropologist 108 (2), 2006, 347–362. FEYERABEND, Paul: Against Method. London: Verso, 1993. FLORIDI, Luciano in Mariarosaria Taddeo: What is Data Ethics? Philosophical Transactions A 374, 2016, 1–5. FURBEE, Louanna in Robert A. Benfer: Cognitive and Geographic Maps: Study of Individual Variation Among Tojolabal Mayans. American Anthropologist 85 (2), 1983, 305– 334. GEERTZ, Clifford: The Interpretation of Cultures. New York: Basic Books, 1973. GEERTZ, Clifford: On the Nature of Anthropological Understanding. American Scientist 63 (1), 1975, 47–53. GLASER, Barney G. in Anselm L. Strauss: The Discovery of Grounded Theory: Strategies for Qualtitative Research. Chicago: Aldine, 1967. GLÄSER, Jochen in Grit Laudel: Life With and Without Coding: Two Methods for Early-Stage Data Analysis in Qualitative Research Aiming at Causal Explanations. Forum: Qualitative Social Research 14 (2), 2013; http://www.qualitative-research. net/index.php/fqs/article/view/1886, 6. 8. 2018. GOODENOUGH, Ward H.: Cultural Anthropology and Linguistics. V: Dell H. Hymes (ur.), Language in Culture and Society. New York: Harper and Row, 1964, 1–24. HJORTH, Larissa idr. (ur.): The Routledge Companion to Digital Ethnography. New York: Taylor & Francis, 2017. HORST, Heather A. in David Miller: Normativity and Materiality: A View from Digital Anthropology. Media International Australia 145 (1), 2012, 103–111. JOHNSON, R. Burke, Anthony J. Onwuegbuzie in Lisa A. Turner: Toward a Definition of Mixed Methods Research. Journal of Mixed Methods Research 1 (2), 2007, 112–133. KIPPEN, James: On the Uses of Computers in Anthropological Research. Current Anthropology 29 (2), 1988, 317–320. KITCHIN, Rob: Big Data, New Epistemologies and Paradigm Shifts. Big Data & Society 1 (1), 2014, 1–12. KLUCKHOHN, Clyde: Mirror for Man: The Relation of Anthropology to Modern Life. New York: University of Arizona Press, 1949. KRIEG, Lisa J., Moritz Berning in Anita Hardon: Anthropology with Algorithms? Medicine Anthropology Theory 4 (3), 2017, 21–52. KUZARA, Richard S., George R. Mead in Keith A. Dixon: Seriation of Anthropological Data: A Computer Program for Matrix-Ordering. American Anthropologist 68 (6), 1966, 1442– 1455. LARSSON, Staffan: A Pluralist View of Generalization in Qualitative Research. International Journal of Research & Method in Education 32 (1), 2009, 25–38. LAZER, David idr.: Life in The Network: The Coming of Age of Computational Social Science. Science 323 (5915), 2009, 721–723. LEACH, Edmund: Rethinking Anthropology. London: The Ath- lone Press, 1961. LÉVI-STRAUSS, Claude: The Structural Study of Myth. The Journal of American Folklore 68 (270), 1955, 428–444. MCKETHER, Wille L. in Susanne Friese: Qualitative Social Network Analysis With ATLAS.ti Increasing Power in a Black Community. V: Susanne Friese in Thomas Ringmayr (ur.), Pro- ceedings of the ATLAS.ti User Conference. Berlin: Universität- sverlag der TU Berlin, 2015, 1–28. MITCHELL, J. Clyde: Social Networks. Annual Review of An- thropology 3, 1974, 279–299. MITTELSTADT, Brent D. idr.: The Ethics of Algorithms: Map- ping the Debate. Big Data & Society 3 (2), 2016, 1–21. MURŠIČ, Rajko: Metodologija preučevanja načinov življenja: Temelji raziskovalnega dela v etnologiji ter socialni in kulturni antropologiji. Ljubljana: Filozofska fakulteta, 2011. NARDI, Bonnie: My Life as a Night Elf Priest: An Anthropologi- cal Account of World of Warcraft (Technologies of the Imagina- tion: New Media in Everyday Life). Ann Arbor: University of Michigan Press, 2010. PIERCE, Joe E.: Possible Electronic Computation of Typologi- cal Indices for Linguistic Structures. International Journal of American Linguistics 28 (4), 1962, 215–226. PINK, Sarah idr.: Ethics and Data Futures. Data Ethnographies 2, 2016a; https://dataethnographies.com/paper-ii-ethics-and- data-futures/. PINK, Sarah idr.: Broken Data. Data Ethnographies 5, 2016b; https://dataethnographies.com/paper-v-broken-data/. PINK, Sarah idr.: Mundane Data: The Routines, Contingencies and Accomplishments of Digital Living. Big Data & Society 4 (1), 2017, 1–12. PINK, Sarah idr.: Broken Data: Conceptualising Data in an Emerging World. Big Data & Society 5 (1), 2018, 1–13. PODJED, Dan: Google vas gleda: Način življenja in mišljenja v panoptični družbi. Etnolog 21, 2011, 17–34. PODJED, Dan: Slovenske instant zvezde: Ustvarjanje in ohranjanje slave po svetovnem spletu. Glasnik SED 52 (1–4), 2012, 72–81. PODOLEFSKY , Aaron in Christopher McCarty: Topical Sort- ing: A Technique for Computer Assisted Qualitative Data Analy- sis. American Anthropologist 85 (4), 1983, 886–890. PRETNAR, Ajda idr.: Power of Algorithms for Cultural Heri- tage Classification: The Case of Slovenian Hayracks. V: Daria Spampinato (ur.), AIUCD 2018: Cultural Heritage in the Digital Age. Bologna: Associazione per l’Informatica Umanistica e la Cultura Digitale, 2018, 212–215. PRETNAR, Ajda in Dan Podjed: Data Mining Workspace Sen- sors: A New Approach to Anthropology. V: Darja Fišer in Andrej Pančur (ur.), Jezikovne tehnologije in digitalna humanistika. Lju- bljana: Znanstvena založba Filozofske fakultete, 2018, 227–233. Glasnik SED 59|1 2019 15 Etnografija 2.0 Ajda Pretnar PROCTER, Rob, Farida Vis in Alex V oss: Reading the Riots on Twitter: Methodological Innovation for the Analysis of Big Data. International Journal of Social Research Methodology 16 (3), 2013, 197–214. RATNER, Carl: Subjectivity and Objectivity in Qualitative Methodology. Forum: Qualitative Social Research 3 (3), 2002. REISS, Julian in Jan Sprenger: Scientific Objectivity. The Stanford Encyclopedia of Philosophy (ur. Edward N. Zalta); https://plato.stanford.edu/archives/win2017/entries/scientific- objectivity/, 3. 8. 2018. SALGANIK, Matthew J.: Bit by Bit: Social Research in the Digital Age. Princeton University Press, 2017. SCHWEIZER, Thomas: Embeddedness of Ethnographic Cases: A Social Networks Perspective. Current Anthropology 38 (5), 1997, 739–760. STAR, Susan L.: Simplification in Scientific Work: An Example From Neuroscience Research. Social Studies of Science 13 (2), 1983, 205–228. STRLE, Gregor in Matija Marolt: Novi pristopi: Odkrivanje semantičnih struktur v etnoloških vsebinah. Glasnik SED 54 (1–2), 2014a, 17–21. STRLE, Gregor in Matija Marolt: Računalniška folkloristika: Semantična analiza in vizualizacija tematske porazdelitve pesemskih tipov. Glasnik SED 54 (3), 2014b, 36–43. ŠIMENC, Jana: Sinhronizacija digitalnosti v medicinski praksi. Glasnik SED 57 (1–2), 2017, 45–53. ŠKOF, Nika in Tadej Pirc: Nedosegljivost ideala znanstvene objektivnosti. Analiza 20 (3), 2016, 55–68. TANGHERLINI, Timothy R.: Big Folklore: A Special Issue on Computational Folkloristics. The Journal of American Folklore 129 (511), 2016, 5–13. VOEGELIN, Charles F.: On Developing New Typologies, and Revising Old Ones. Southwestern Journal of Anthropology 11 (4), 1955, 355–360. WANG, Tricia: Big Data Needs Thick Data. Ethnography Matters 13, 2013. WHITTEN, Norman E., ml. in Alvin W. Wolfe: Network Analysis. V: John Honigmann (ur.), Handbook of Social and Cultural Anthropology. Chicago: Rand McNally, 1974, 717– 746. YANG, Zimo idr.: Indigenization of Urban Mobility. Physica A: Statistical Mechanics and its Applications 469, 2017, 232–243. Spletni viri Spletni vir 1: SEA VER, Nick: Structuralism: Thinking With Computers, 21. 5. 2014; https://savageminds.org/2014/05/21/ structuralism-thinking-with-computers/, 22. 1. 2019. Spletni vir 2: Technology Review: The Emerging Science of Computational Anthropology, 10. 6. 2014; https://www. technologyreview.com/s/528216/the-emerging-science-of- computational-anthropology/, 8. 4. 2018. Spletni vir 3: Technology Review: Computational Anthropology Reveals How the Most Important People in History Vary by Culture, 23. 2. 2015; https://www.technologyreview. com/s/535356/computational-anthropology-reveals-how-the- most-important-people-in-history-vary-by/, 8. 4. 2018. Glasnik SED 59|1 2019 16 Etnografija 2.0 Ajda Pretnar Computational Anthropology: Its Development and Methodological Challenges Computational anthropology is a field of social sciences that uses computational methods to study human behaviour, cultural specifics and social development. It is different from a traditional qualitative analysis, where a text needs to be manually encoded or transformed into new categories. Instead, computational anthropology focuses more on quantitative methods, statistical analysis and data mining. The key area of computational anthropology and computational social sciences in general is the ethics of data science. It encompasses roughly three subfields, namely the ethics of data, the ethics of algorithms and the ethics of practices. The ethics of data considers the ethical use of data and questions on privacy, transparency, security, storage and relationship to data, the ethics of algorithms addresses ethical design and the use of algorithms, and the ethics of practices focuses on a concrete data practice, which includes data collection, analysis and dissemination of results. New research possibilities lead to new combinations of existing methods. The techniques that originate in mixed methods combine statistical approaches and data mining with ethnographic descriptions and participant observation. The data analysis enables a general overview of the researched community and formation of statistically valid findings, while ethnography explains the data, gives them meaning and puts them into a social context. Such approaches allow a historical and categorical comparison of social groups, while visualisations provide a tool for a comparative and contrastive analysis and concise representation of complex interactions. Not every research is appropriate for computational analysis, but there are more and more cases where software and statistics can be of help. The first example are large data collections that are impossible to analyse manually. The second example are phenomena that occur in different places at the same time, which cannot be observed by a single individual. The third example is methodological. Computational methods enable a preliminary analysis of the field, generate hypotheses and help with establishing research questions. By incorporating quantitative methods, researchers can study certain topics more effectively, observe the field from a new perspective and facilitate the technical aspects of the research. It is particularly fruitful to go back and forth between the field and the data, which are (re-)contextualized, explained and supplemented with ethnography in each pass. Continuous traversing between big and thick data becomes a nexus of computational and ethnographic approaches and a fruitful methodological starting point.