3.5.2 نظرسنجی ویکی
نظرسنجی ویکی فعال هیبریدی جدید از سوالات باز و بسته.
علاوه بر این به پرسیدن سوال در زمان طبیعی تر و در زمینه های طبیعی تر، تکنولوژی جدید همچنین اجازه می دهد تا ما را به تغییر شکل به سوالات. ترین سوالات تحقیق بسته است، که در آن پاسخ دهندگان از یک مجموعه انتخاب نوشته شده توسط محققان را انتخاب نمایید. این یک فرایند است که یک بررسی برجسته تماس پژوهشگر به عنوان مثال، در اینجا یک سوال نظرسنجی بسته است "قرار دادن کلمات در دهان مردم.":
"این سوال بعدی در مورد این موضوع کار است. آیا شما لطفا در این کارت نگاه کنید و به من بگویید که چیزی که در این لیست شما را بیشتر در یک کار ترجیح می دهید؟ "
- درآمد بالا؛
- هیچ خطر اخراج شدن؛
- ساعات کار کوتاه، مقدار زیادی از وقت آزاد.
- شانس برای پیشرفت؛
- کار مهم است، و حس موفقیت را می دهد.
حالا در اینجا همان سوال را پرسید در فرم باز است:
"این سوال بعدی در مورد این موضوع کار است. مردم را برای کارهای مختلف در یک کار است. آنچه را که شما در یک کار ترجیح می دهید؟ "
اگر چه این دو سوال به نظر می رسد کاملا مشابه، یک آزمایش بررسی توسط هاوارد شومان و استنلی پرسر (1979) نشان داد که آنها می توانند نتایج بسیار متفاوت تولید: نزدیک به 60٪ از نتایج باز خارج از دسته بندی در پاسخ بسته (شکل 3.7) قرار می گیرند.
شکل 3.7: نمایش نتایج: از Schuman and Presser (1979) . پاسخ بسته به اینکه آیا سوال این است که در فرم بسته و یا باز کردن خواسته کاملا متفاوت است.
اگر چه سوالات باز و بسته می توانید اطلاعات کاملا متفاوت و عملکرد هر دو محبوب در روزهای اولیه از تحقیق پیمایشی بود، سوال بسته آمده اند به تسلط این زمینه است. این سلطه است، زیرا سوال بسته شده اند ثابت شده است به ارائه اندازه گیری بهتر، و نه به این دلیل است که آنها بسیار آسان تر به استفاده نیست؛ روند برنامه نویسی سوالات باز پیچیده و گران است. این حرکت به دور از سوالات باز مایه تاسف است زیرا آن را دقیقا اطلاعاتی که محقق نمی دانم جلوتر از زمان است که می تواند با ارزش ترین است.
در برخی از تحقیقات من با کارن لوی انجام داده ام، تلاش برای ایجاد نوع جدیدی از درخواست بررسی که ترکیبی از بهترین ویژگی های هر دو سوال باز و بسته (Salganik and Levy 2015) . است که، آن محققان را قادر به یادگیری اطلاعات جدید را به عنوان در یک سوال باز، و نتیجه آن آسان به تجزیه و تحلیل داده ها به عنوان یک درخواست بسته شده است. با الهام از سیستم های آنلاین رانده شده توسط کاربر تولید محتوا، که ویکیپدیا یک نمونه است، ما به نام سیستم ما یک بررسی ویکی. با ترکیب ویژگی های ویکیپدیا و بررسی های سنتی، ما امیدواریم که برای ایجاد یک راه جدید برای پرسیدن سوال.
فرآیند جمع آوری داده در یک بررسی ویکی است که توسط یک پروژه ما با دفتر شهردار نیویورک انجام داد به منظور یکپارچه سازی ایده ساکنان به PlaNYC 2030، طرح پایداری سراسر شهر نیویورک شده است. برای شروع روند، دفتر شهردار تولید یک لیست از 25 ایده های مبتنی بر توسعه قبلی خود را (به عنوان مثال، "نیاز به همه ساختمان های بزرگ به برخی ارتقاء بهره وری انرژی"، "آموزش کودکان در مورد مسائل سبز به عنوان بخشی از برنامه آموزشی مدرسه"). با استفاده از این 25 ایده به عنوان "دانه" دفتر شهردار این سوال "فکر می کنید کدام یک ایده بهتر برای ایجاد یک سبزتر، بیشتر شهر نیویورک است؟" پاسخ دهندگان با یک جفت از ایده های ارائه شده (به عنوان مثال، "schoolyards گسترش در سراسر شهرستان به عنوان زمین های بازی عمومی "و" افزایش هدف قرار کشت درخت در محله با نرخ آسم بالا ")، و خواست تا بین آنها را انتخاب کنید (شکل 3.8). پس از انتخاب، پاسخ دهندگان بلافاصله با یکی دیگر از زوج به صورت تصادفی انتخاب ایده ارائه شده است. پاسخ دهندگان قادر به ادامه کمک اطلاعات در مورد تنظیمات خود را برای تا زمانی که آنها توسط هر رای آرزو و یا انتخاب باشند: "من نمی تواند تصمیم بگیرد." به طور قطع، در هر نقطه، پاسخ دهندگان قادر به کمک ایده های خود را، که، در انتظار تایید توسط شد دفتر شهردار-شد بخشی از استخر از ایده به دیگران ارائه می شود. بنابراین، پرسش هایی که شرکت کنندگان دریافت هر دو باز و به طور همزمان بسته است.
شکل 3.8: رابط برای بررسی ویکی (Salganik and Levy 2015) .
دفتر شهردار بررسی ویکی خود را در اکتبر سال 2010 در رابطه با یک سری از جلسات جامعه راه اندازی شد برای به دست آوردن بازخورد ساکن. بیش از حدود چهار ماه، 1436 پاسخ دهندگان 31،893 پاسخ و 464 ایده های جدید کمک کرده است. انتقادی، 8 از 10 ایده به ثمر رساند بالا توسط شرکت کنندگان به جای بخشی از مجموعه ای از ایده دانه از دفتر شهردار بارگذاری شد. و، همانطور که در مقاله ما توصیف، این یک الگوی در بسیاری از نظرسنجی ویکی است. به عبارت دیگر، با به اطلاعات جدید باز بودن، محققان قادر به یادگیری چیزهای که می شده اند از دست رفته با استفاده از روش بسته تر به درخواست.
