The increasing availability of data, along with sophisticated computational methods for analyzing them, presents researchers with new opportunities and challenges. In this article, we address both by describing computational and network methods that can be used to identify cases of rare phenomena. We evaluate each method’s relative utility in the identification of a specific rare phenomenon of interest to social movement researchers: the spillover of social movement claims from one movement to another. We identify and test five different approaches to detecting cases of spillover in the largest data set of protest events currently available, finding that an ensemble approach that combines clique and correspondence analysis and an ensemble approach combining all methods perform considerably better than others. Our approach is preferable to other ways of analyzing such cases; compared to qualitative approaches, our computational process identifies many more cases of spillover—some of which are surprising and would likely not be otherwise investigated. At the same time, compared to crude quantitative measures, our approach substantially reduces the “noise,” or identification of false-positive cases, of movement spillover. We argue that this technique, which can be adapted to other research topics, is a good illustration of how the thoughtful implementation of computational methods can allow for the efficient identification of rare events and also bridge deductive and inductive approaches to scientific inquiry.

数据可用性的增加以及用于分析数据的复杂计算方法为研究人员带来了新的机遇和挑战。在本文中，我们通过描述可用于识别罕见现象的计算和网络方法来解决这两个问题。我们评估了每种方法在识别社会运动研究人员感兴趣的特定罕见现象方面的相对效用：社会运动主张从一个运动到另一个运动的溢出。我们识别并测试了五种不同的方法来检测当前可用的最大抗议事件数据集中的溢出案例，发现结合派系和对应分析的集成方法和结合所有方法的集成方法比其他方法性能好得多。我们的方法优于其他分析此类案例的方法；与定性方法相比，我们的计算过程识别了更多的溢出案例——其中一些令人惊讶，可能不会以其他方式进行调查。同时，与粗略的定量测量相比，我们的方法大大减少了运动溢出的“噪音”或误报案例的识别。我们认为，这种可以适用于其他研究主题的技术很好地说明了计算方法的周到实施如何能够有效识别稀有事件，并将演绎和归纳方法连接到科学探究中。我们的计算过程确定了更多的溢出案例——其中一些令人惊讶，可能不会以其他方式进行调查。同时，与粗略的定量测量相比，我们的方法大大减少了运动溢出的“噪音”或误报案例的识别。我们认为，这种可以适用于其他研究主题的技术很好地说明了计算方法的周到实施如何能够有效识别稀有事件，并将演绎和归纳方法连接到科学探究中。我们的计算过程确定了更多的溢出案例——其中一些令人惊讶，可能不会以其他方式进行调查。同时，与粗略的定量测量相比，我们的方法大大减少了运动溢出的“噪音”或误报案例的识别。我们认为，这种可以适用于其他研究主题的技术很好地说明了计算方法的周到实施如何能够有效识别稀有事件，并将演绎和归纳方法连接到科学探究中。