比如，在线调查可能会吸引并不能代表普通大众的受访者。以2013年英国阶层调查(Great British Class Survey）为例(Savage et al.,2013)，该调查是由社会学家与BBC联合进行的。尽管大量的受访者完成了在线调查，但是他们大多数人是典型的BBC受众阶层：受过良好教育并在专业、职业中享有经济特权的人。随后，研究人员被迫进行了第二次调查，与一家能够吸引社会多元群体的社会研究公司合作，采用了标准的配额抽样程序，并开展面对面访谈。
除了这些对社交媒体分析感兴趣的学术研究者所面临的困难之外，布伦斯（Bruns，2013）还提出了其他许多问题。他指出，研究者面临的数字数据量十分庞大，这意味着他们必须不断选择如何筛选特定数据进行分析。例如，他们根本无法分析关于某一具体主题或来自特定社交媒体平台的所有数据。对在线材料感兴趣的研究人员在决策时，必须考虑数据存储容量等技术问题。布伦斯还警告说，学术研究者对开源或商业社交媒体分析工具盲目信任，不假思索便接受了所有提供给他们的数据，而不会对它们的信度和效度提出质疑。另外，直接复制其他研究者的结论也变得非常困难，因为所使用的工具和数据集往往具有不稳定性，社交媒体平台也通常不允许研究者公开共享他们的数据集。
使用原生数字数据的社会研究实践引发了更广泛的关注。正如我在本书第五章中详细阐述的那样，数字数据和其他任何形式的数据（定量数据或定性数据）一样，在生成和分析的任何阶段都会受到不准确、偏差、失真和误差的影响。尽管数字数据（因由计算机技术产生的、通常数量巨大）具有客观性和科学中立性的光环，但是它们和任何其他形式的数据一样都是人类决策的产物。随着时间的推移，在线材料的内容可能会发生变化，因为它会被修改，甚至从互联网上完全删除。大多数大数据分析只能提供极为片面的信息，总是会缺乏背景特征，如数据提供者的性别、年龄、民族、地理位置、社会阶层和教育水平(boyd and Crawford，2012；Edwards et al.,2013; Mahrt and Scharkow, 2013)。
数字社会学
62
72