A legtágabb perspektívában minden olyan „új adatról” gondolkodunk, amely a jelenben folyamatosan termelődik, és kezelhetővé tételük strukturálásra vagy újrastrukturálásra készteti a kutatót, átalakítva ezzel a kutatási eljárásmódokat is. Szűkülő fókuszunk ezután a nem kutatási céllal létrejött, ám strukturált mikroadatokra helyeződik át, melyeknek kutatási célú felhasználása egyfelől megköveteli a maga tudományos validációs eljárásait, másfelől azonban az adatfelhasználás új lehetőségei felé mozdítja el az empirikus vizsgálatokat. Legszűkebb perspektívában ezen lehetőségek megmutatása írásunk célja.

In the broadest perspective we are thinking of any kind of “new data” that is constantly produced in the present forcing the researcher to structure or re-structure them, to modify the research methods too. Our shrinking focus concentrates for micro data, which are produced definitely for non-research purposes. Using them for research purposes on the one hand, require their own scientific validation procedures, on the other hand open new perspectives. In the narrowest perspective the goal of our paper is to show these new opportunities.

 

 

 

 

Évszázadok óta termelődnek olyan adatok, melyeket a kutató kigyűjtött, de a számítástechnika előtti korban csak egyediségüktől megfosztva és csak aggregált formában kerülhettek tudományos felhasználásra. Az aggregáció a „változók” kombinálhatóságának természetes határt szabott. Más esetekben az adatok „a változók kombinálhatóságát” megőrző helytörténeti elemzések formájában dolgoztathattak fel. Ez utóbbi viszont kizárta az általánosíthatóság reális igényét. Voltak ugyan olyan történészi programok, melyek szisztematikus helytörténeti elemzések utólagos összekapcsolhatóságát vették célba – az Ila Bálint kezdeményezte megyei monográfiasorozat, vagy az 1929-es Zsidó Lexikon hitközség címszósorozata példa erre –, de részben e szakirodalom korabeli szisztematikus feldolgozásának gyakori elmaradása, részben az utólagos – napjainkban folyó – adatbázisba szervezés nyomán egyértelművé váló adathiányok jelzik e törekvések tényleges korlátait. Ha pedig az adattömeg felhasználásának célja nem egyes jelenségek gyakoriságának megragadása volt – például jelentős életpályákra vonatkozó adatgyűjtések esetében –, a kutatóknak eleve le kellett mondaniuk arról, hogy konkrét tárgyukra vonatkozóan „minden” adatot összeszednek. Hiszen a „jelentős” életpályák, „jelentős” egyszeri történések épp azért minősíttettek önálló feldolgozásra méltónak, mert mind kortársaikra, mind az utókorra olyan hatást gyakoroltak, hogy távoli levéltárakban, félreeső sajtótermékekben is maradtak velük kapcsolatos adatok. Az újkori levéltári és könyvészeti termelés nagyságrendje pedig gyakorlatilag kizárta, hogy a kutató – egy konkrét személy vagy esemény nyomai után kutatva – minden olyan adatforrást átnézzen, ahol semmilyen logikus előfeltevés nem valószínűsítette vonatkozó adat felbukkanását. A személyekkel vagy egyedi történésekkel kapcsolatos különböző forrásokban megőrzött adatok feltárása és összekapcsolása csak a források tömeges digitalizálása nyomán vált lehetségessé, amit az olvasó akkor tapasztal meg leginkább, ha sok millió oldalas szövegtárakban – mint az Adtplus vagy az országos levéltár honlapja – indít el egy-egy névre vagy évszámra vonatkozó keresést. A kutatási célra felvett modern személysoros szociológiai adatbázisokhoz szokott, korrelációs vagy oksági hipotéziseket feltevő kutató számára a régi szövegek vagy táblázatok egyszerű szkennelésen alapuló digitalizált változata nem elégséges: ezek csak alapanyagul szolgálhatnak a kutatásra alkalmas adatbázisok felépítéséhez. E régi források vagy régi feldolgozások adatbázisba szervezése után azonban már az egyedi adatok tömeges összekapcsolása – avagy kis aggregátumok valószínűségi összekapcsolása – is lehetségessé válik. A régi adatok egy része a kortársak számára is adatként funkcionált (például adóösszeírások, anyakönyvek). Szociológiai vagy tudományos adattá válásuk az összekapcsolás, a tömegesedés, illetve – kortársak számára elvileg talán ismert, de gép nélkül elképesztő időigényű – matematikai elemzések révén történik meg. Vannak azonban olyan történeti források, melyeket a kortársak semmilyen értelemben nem adatként éltek meg: ilyenek a történeti térképek, ahol a települések, az úthálózat, a csatornahálózat adatait önmagában is elemzésnek vetheti alá a számítógéppel felszerelt kutató, de összekapcsolhatja adataikat szöveges forrásokkal, illetve napjaink térképadataival is. Ilyen a templomképek, családi fotók millióinak elemezhetősége is. De nem élték meg „adatteremtésként” a szavak és kifejezések megválasztását az írók és újságírók, a magánleveleket írók, és az államigazgatási szövegeket, vállalati ügyiratokat termelők sem. Mindezeknek a forrásoknak a használata, „adattá alakítása”, adatként elemzése a következő évtizedek történészei számára olyan lehetőségeket nyit a számítástechnika előtti évszázadok elemzéséhez is, amelyek folyamatosan újraalkotják a múltról szóló képünket.

A régi adatok digitalizálásának, történeti adatbázisba szervezésének valamilyen tudományos motivációja van. Az adatbővülési folyamatok teljesen más típusát jelenti az a napról napra az interneten megjelenő adattömeg, melyet termelője közigazgatási, politikai, üzleti, társadalmi vagy „társasági”, esetleg magánéleti célból tesz nyilvánossá. Ez az adattömeg a közigazgatási, politikai, üzleti stb. valóságot soha nem látott mértékben teszi kutathatóvá. Az egyedi konkrét eseményekre irányuló tudományos kutatás szempontjából – a gyakorlatilag korlátlan ingyenes tárhelykapacitások megnyílása óta – az adattermelődés és hozzáférés legfontosabb korábbi korlátja tovatűnt. Még két évtizeddel ezelőtt is biztosak lehettünk abban, hogy – az anyagi erő különbözőségénél fogva – nem mindenki publikálhatja adatait vagy mondanivalóját, akinek szándéka van azokat publikálni. A nem szöveges, hanem képi, különösen mozgóképi anyagok vonatkozásában ez még tíz éve is igaz volt.

Akár az internet, akár a Big Data adattömegéhez képest elhanyagolható nagyságrendű, de a korábbi korok hasonló adattermelésének többszörösét jelenti az a tudatosan strukturált, interneten vagy kiválasztott kör számára zártkörűen hozzáférhetővé tett táblázat-, számítás- és grafikontömeg, amely valamiféle szakértői munka, háttéranyag, tudományos munka.

A tudományos céllal rendszerezett adattömeg kezelési sajátosságai mellett a nem tudományos – például adminisztrációs, regisztrációs – céllal gyűjtött, ám strukturált adatok kutatási szempontú kezelése is új lehetőségek előtt áll. Első ránézésre a regiszteradatok rendelkezésre állása nem tűnik nagy újdonságnak a kutatók számára, hiszen a statisztikai rendszerek hosszú történetük során mindig is produkálták ezt az információforrást, és a tudomány élt is a lehetőséggel. (A magyar statisztikát és államigazgatást e szempontból közepes mértékű előrelátás jellemzi. 1880 óta megőrizték ugyan a népszámlálási kiadványok alapjául szolgáló elsődleges aggregációkat – ez a számítástechnika korában kis aggregációkat esetként megjelenítő, s összekapcsolást lehetővé tevő adatbázisok felépítését teszi lehetővé –, de a népszámlálás személysoros adatait még az 1980-as és 1990-es népszámlálás után sem őrizték meg, noha akkor már a számítástechnika lehetőségei mindenki számára ismertek voltak. Az intézmények, illetve a levéltárak az 1850–1950 közötti évszázadban megőrizték a középiskolai és egyetemi anyakönyveket, de azt a vélhetőleg szintén eredetileg személysoros adatlapot, melyek alapján országos összesítések készülhettek, például a tanulók anyanyelvéről, már nem lehet fellelni.) A lényeges fejleményt ezen adatbázisok egyénsoros összekapcsolási lehetőségeinek felfutása jelenti, amit mind az informatikai lehetőségek, mind a jogi szabályozás alakulása nagyban elő tud segíteni. A technológiai környezet esetében ez olyannyira érvényes, hogy egyenesen a Big Data kutatási felhasználásának alapproblémájaként szembesülünk azzal, miszerint a tudományos célú felhasználás gyakorlati és szemléleti szempontból egyaránt nehezen tud lépést tartani az informatikai lehetőségek gyors fejlődésével.

Az egyéni szintű adatokat tartalmazó – akár kutatási, akár adminisztratív – adatbázisok összekapcsolásával az adatok kutatási célú újrastrukturálásának új lehetőségeihez érkeztünk el. (A különféle helyeken felvett adatok összekapcsolása kutatási szempontból végzett adatfelvételeknél sem túl gyakori. Nagyobb, tehát államigazgatásival összevethető nagyságrendű esetszámú adat-összekapcsolásra két példát tudnánk említeni: az egyik a Csákó Mihály vezetésével folyt adatfelvétel, amely 1998 tavaszán valamennyi 12. évfolyamos középiskolással kérdőívet vett fel, majd – később eltüntetett – név és születési dátum alapján összekapcsolta ezt az adott év őszén a felsőoktatásba beiratkozott diákok adataival.4 A másik a Karády Viktor és Nagy Péter Tibor vezetésével felvett adatbázis, amely az 1870 és 1918 között érettségizett diákok középiskolai értesítőkből, illetve anyakönyvekből felvett adatsorát kapcsolta össze – név és születési év alapján – az egyetemi anyakönyvekkel és diplomakönyvekkel.5) Az állami adminisztrációban több olyan egyénsoros adatbázis áll rendelkezésünkre, amely egyedi azonosítói vagy egyéni adatkombinációi révén lehetővé teszi az információtartalom integrálását. Ezen lehetőségek teljes köre aligha térképezhető fel, és talán hamar aktualitását is vesztené, éppen ezért a következőkben már megvalósított vagy tervezett konkrét adatkapcsolási eljárások bemutatásához fordulunk. Két hazai példát veszünk alapul: az egyik az Oktatási Hivatal által a Diplomás Pályakövetési Rendszer keretein belül végrehajtott államigazgatási adatbázisok pályakövetési célú integrációja. Ebben az esetben a felsőoktatásban abszolutóriumot szerzettek évfolyamának alapsokaságához kötötték hozzá az adózási, társadalombiztosítási, foglalkoztatási rendszerekben található adatokat a végzést követő időszakra nézve, egyénsoros anonimizált módon.6 Az adatok átstrukturálása itt az oktatási adminisztrációban összegyűjtött információhalmaz munkaerőpiaci szempontú rendezését jelenti annak érdekében, hogy a friss diplomások kilépési sikerességét az elérhető paraméterek mentén – foglalkoztatottság, jövedelem, foglalkozás – becsüljék. Ebben a példában adminisztratív adatbázisok közötti összekapcsolásról van szó, amely egy előzetesen definiált alapsokaság teljes körére kiterjedően integrálja a lehetséges információkat. A regiszteradatok kutatási célú transzformálása ez esetben is szükségeltetik, a validálási eljárást minden bevont változóra szükséges kiterjeszteni a kutatási nézőpontnak megfelelően. Ezt követően az egyénsoros összekapcsolás abban az esetben, ha minden adatbázis tartalmazza ugyanazt az egyedi azonosítót (ez esetben a TAJ-szám tölti be ezt a szerepet), match-merge eljárással mechanikusan végrehajtható. Ennek hiányában az összekapcsolás – deterministic linkage – a személyes adatok egyedi megkülönböztetést lehetővé tévő kombinációjára támaszkodhat (például a név, születési hely és idő együttesen már biztosíthatja az azonosítást). Az adatkapcsoláson alapuló kutatási adatbázisból aztán vizsgálhatóvá válnak például az egyes szakokon végzettek NAV-nál rögzített havi bruttó keresetei néhány évvel a végzettség megszerzése után.

 

Funkcionalista megközelítésből ez azt jelenti, hogy minden társadalomtudományi elemzés legnagyobb kihívása, hogy egyszerre kellene…

 

Konfliktuselméleti paradigmában az önreflexió és álcázás sajátos dinamikáját fenntartva ugyanakkor arról beszélünk, hogy…

 

Az államigazgatási alapú adattömeg használatával egyszerre növeljük – finanszírozási esetlegességektől függetlenítve – a társadalomtudományi kutatások lehetőségeit, s egyben nézünk szembe azzal a kísértéssel, hogy ne arra akarjunk válaszolni, ami tiszta tudományos kérdésként megfogalmazódik, hanem arra, amire a más célú és más motivációjú adatfelvételek választ kínálnak. Egyénenként és kutatóközösségként is vigyáznunk kell arra, hogy a lényegtelen kérdésekkel kapcsolatos lehetőségek ne szorítsák háttérbe a lényeges, de nehezebben „adatolható” kérdések megfogalmazását, felelős megvitatását.