创造性地发现数据意味着跳出传统数据集的局限，去寻找能够间接衡量你所研究现象的非传统数据源、代理变量（proxy variables）或日常数字足迹。
对于早期职业研究人员（early-career researchers）而言，仅依赖标准的机构数据库很难产生真正新颖的见解。通过采用创造性的数据收集方法，你可以避开过度研究的领域，利用非传统数据源来解答复杂问题。以下是一些实用策略，可帮助你在研究方法中发现并利用创造性数据。
1. 识别代理变量
当你无法直接测量某个事物时，可以寻找一个代理变量——即与目标变量高度相关的间接迹象或次级指标。例如，经济学家利用夜间灯光的卫星图像来估算区域经济增长，这已成为一个著名的案例；而公共卫生研究人员则通过追踪城市废水来衡量社区的疾病水平。问问自己：如果我的主要研究对象是不可见或未被记录的，它会留下怎样的物理或数字痕迹？
2. 挖掘“数字废气”
每天，人们都会产生海量的被动数据，通常被称为“数字废气”（digital exhaust）。这包括搜索引擎趋势、公共交通刷卡记录、社交媒体情感倾向以及电商评论。抓取这些公开的网络数据，可以提供传统问卷调查往往会遗漏的实时行为洞察。
3. 结合不相关的数据集
有时，创造性地发现数据并不在于寻找全新的信息，而是以新颖的方式将现有的开源数据集结合起来。通过将历史天气模式与当地犯罪统计数据相叠加，或者将快餐店分布位置与标准化考试成绩进行映射，你可以揭示出单源数据挖掘（single-source data mining）永远无法发现的隐藏相关性。
4. 量化定性档案
尝试以定量（quantitative）的视角来审视历史记录、数字化书籍或法律档案。借助现代文本分析和自然语言处理（Natural Language Processing）工具，你可以将流传数百年的定性文献转化为丰富的定量数据集，从而衡量特定词汇的演变或文化情绪随时间的变迁等现象。
5. 瞄准方法论空白
最好的创造性数据源能够直接解决你所在领域的现有局限。如果你正苦于寻找哪里需要全新的研究方法，WisPaper 的 Idea Discovery 功能可以利用代理人工智能（agentic AI）直接从你的文献中识别研究空白，帮助你精准定位哪些课题正因传统数据的限制而停滞不前。一旦你明确了当前学术探讨中缺失的内容，就更容易通过头脑风暴找到填补这一空白所需的非传统指标。