3.6.2 સઘન પૂછવા

તેમ છતાં તે અવ્યવસ્થિત બની શકે છે, સમૃદ્ધ પૂછવા શક્તિશાળી બની શકે છે.

ડિજિટલ માહિતી ટ્રેસ અપૂર્ણતા સાથે વ્યવહાર કરવા માટે એક અલગ પ્રકારનો અભિગમ મોજણી માહિતી, એક પ્રક્રિયા કે જે હું સમૃદ્ધ પૂછવા કહી શકશો સાથે સીધા જ સમૃદ્ધ કરવા માટે છે. સમૃદ્ધ પૂછવા એક ઉદાહરણ અભ્યાસ છે Burke and Kraut (2014) , કે જે હું પ્રકરણ પહેલાં વર્ણવાયેલ (વિભાગ 3.2) વિશે ફેસબુક પર વાતચીત મિત્રતા તાકાત વધે છે કે કેમ. તે કિસ્સામાં, બર્ક અને Kraut ફેસબુક લોગ માહિતી સાથે મોજણી માહિતી જોડાઈ.

સેટિંગ કે બર્ક અને Kraut માં કામ કરતા હતા, જો કે, અર્થ થાય છે કે તેઓ બે મોટી સમસ્યાઓ કે જે કરી સંશોધકો સમૃદ્ધ પૂછવા ચહેરો સાથે વ્યવહાર કરવા માટે ન હતી. પ્રથમ, ખરેખર એક સાથે માહિતી સમૂહો એક પ્રક્રિયા કહેવાય રેકોર્ડ જોડાણ, અન્ય નીચે આ સમસ્યા એક ઉદાહરણ dataset કરી શકે મુશ્કેલ અને ભૂલ ભરેલું હોવું (અમે જોશો યોગ્ય રેકોર્ડ સાથે એક dataset રેકોર્ડ બંધબેસતા લિંક ). સમૃદ્ધ પૂછવા બીજા મુખ્ય સમસ્યા એ છે કે ડિજિટલ નિશાનો ગુણવત્તા વારંવાર સંશોધકો મૂલ્યાંકન કરવા માટે મુશ્કેલ હશે. ઉદાહરણ તરીકે, ક્યારેક પ્રક્રિયા છે, જેના દ્વારા તે એકત્રિત કરવામાં આવે છે માલિકીનું છે અને પ્રકરણ 2. વર્ણવેલ અન્ય શબ્દોમાં ઘણી સમસ્યાઓ માટે સંવેદનશીલ હોઇ શકે છે, સમૃદ્ધ પૂછવા વારંવાર અજ્ઞાત કાળા બોક્સ માહિતી સ્ત્રોત માટે સર્વે ખામીવાળું લિંક સમાવેશ થશે ગુણવત્તા. ચિંતા છે કે આ બે સમસ્યાઓ રજૂ હોવા છતાં, તે સ્ટીફન Ansolabehere અને Eitan Hersh દ્વારા પ્રદર્શિત કરવામાં આવ્યો હતો આ વ્યૂહરચના સાથે મહત્વપૂર્ણ સંશોધન કરવા શક્ય છે (2012) યુ માં મતદાન પેટર્ન પર તેમના સંશોધનમાં. તે કેટલાક વિગતવાર આ અભ્યાસ પર જવા માટે યોગ્ય છે કે જે વ્યૂહરચના Ansolabehere અને Hersh વિકસિત સઘન પૂછવા અન્ય કાર્યક્રમોમાં ઉપયોગી થશે ઘણા છે.

મતદાર મતદાન રાજકીય વિજ્ઞાન વ્યાપક સંશોધન વિષય રહ્યો છે, અને છેલ્લા, જે મત અને શા માટે સામાન્ય રીતે મોજણી માહિતી વિશ્લેષણ પર આધારિત કરી દેવામાં આવી સંશોધકો 'સમજ. આ યુ માં મતદાન, તેમ છતાં, સરકાર રેકોર્ડ દરેક નાગરિક મતદાન કર્યું છે કે કેમ તે એક અસામાન્ય વર્તન છે (અલબત્ત, સરકાર માટે જે દરેક નાગરિક મત રેકોર્ડ નથી). ઘણા વર્ષો સુધી, આ સરકારી મતદાન રેકોર્ડ કાગળ સ્વરૂપો પર ઉપલબ્ધ હતા, સમગ્ર દેશમાં વિવિધ સ્થાનિક સરકારી કચેરીઓ વેરવિખેર. આ તે મુશ્કેલ છે, પરંતુ અશક્ય નથી, રાજકીય વૈજ્ઞાનિકો મતદારોના એક સંપૂર્ણ ચિત્ર હોય છે અને લોકો શું તેમના વાસ્તવિક મતદાન વર્તન માટે મતદાન વિશે સર્વેક્ષણ કહે તુલના માટે કરવામાં (Ansolabehere and Hersh 2012) .

પરંતુ, હવે આ મતદાન રેકોર્ડ ડિજિટાઇઝ્ડ કરવામાં આવી છે, અને ખાનગી કંપનીઓ નંબર વ્યવસ્થિત એકઠી કરી છે અને આ મતદાન રેકોર્ડ મર્જ વ્યાપક માસ્ટર મતદાન ફાઈલો છે કે જે બધા અમેરિકનો મતદાન વર્તન રેકોર્ડ પેદા કરે છે. Ansolabehere અને Hersh તેમના માસ્ટર મતદાન ફાઈલ વાપરવા માટે મદદ કરવા માટે મતદારોને એક સારી ચિત્ર વિકાસ LCC-આ કંપનીઓ-Catalist એક સાથે ભાગીદારી કરી. વધુમાં, કારણ કે તે એકત્રિત અને એક કંપની દ્વારા બનાવાયેલા ડિજિટલ રેકોર્ડ પર આધાર રાખ્યો છે, તે સંશોધકો દ્વારા અગાઉના પ્રયત્નો કંપનીઓ સહાય અને એનાલોગ રેકોર્ડ ઉપયોગ કર્યા વગર કરવામાં આવી હતી પર લાભ સંખ્યાબંધ ઓફર કરે છે.

પ્રકરણ 2 માં ડિજિટલ ટ્રેસ સ્ત્રોત ઘણા જેમ, Catalist માસ્ટર ફાઇલ, વસ્તી વિષયક વર્તનને, અને વર્તન માહિતી કે Ansolabehere અને Hersh જરૂરી ખૂબ સમાવેશ થયો ન હતો. આ માહિતી ઉપરાંત, Ansolabehere અને Hersh ખાસ કરીને માન્ય મતદાન વર્તન (એટલે ​​કે, Catalist ડેટાબેઝમાં માહિતી) અહેવાલ મતદાન વર્તન સરખામણી રસ હતા. તેથી, સંશોધકો માહિતી છે કે તેઓ સહકારી કોંગ્રેશનલ ચૂંટણી અભ્યાસ (CCES), મોટી સામાજિક સર્વે ભાગ તરીકે ઇચ્છતા એકત્ર કરી હતી. આગળ, સંશોધકો Catalist આ માહિતી આપી હતી, અને Catalist સંશોધકો કે માન્ય સમાવેશ થાય છે (Catalist માંથી) મતદાન વર્તન મર્જ માહિતી ફાઈલ, સ્વ અહેવાલ મતદાન વર્તન (CCES) અને વસ્તી વિષયક અને ઉત્તરદાતાઓ વલણ પાછળ (CCES થી આપ્યો ). અન્ય શબ્દોમાં, Ansolabehere અને Hersh મોજણી માહિતી સાથે મતદાન માહિતી સમૃદ્ધ, અને પરિણામી મર્જ થયેલી ફાઇલ તેમને કંઈક છે જે ન તો ફાઈલ વ્યક્તિગત સક્રિય કરવા માટે સક્રિય કરે છે.

મોજણી માહિતી સાથે Catalist માસ્ટર ડેટા ફાઇલ માધ્યમથી, Ansolabehere અને Hersh ત્રણ મહત્વપૂર્ણ તારણો આવ્યા હતા. પ્રથમ, ઓવર રિપોર્ટિંગ મતદાન પ્રબળ છે: બિન-મતદારો લગભગ અડધા મતદાન અહેવાલ. અથવા, તે જોઈ બીજી રીતે જો કોઇ મતદાન અહેવાલ, ત્યાં માત્ર એક 80% તક છે કે તેઓ ખરેખર મતદાન કર્યું છે. બીજું, વધુ અહેવાલ રેન્ડમ નથી; ઓવર રિપોર્ટિંગ સુશિક્ષિત, ઉચ્ચ આવક વચ્ચે વધુ સામાન્ય છે, શસ્ત્રવિરામ જાહેર બાબતોમાં વ્યસ્ત છે. બીજા શબ્દોમાં કહીએ તો, જે લોકો સૌથી મત તેવી શક્યતા છે પણ મોટા ભાગના મતદાન વિશે આવેલા તેવી શક્યતા છે. ત્રીજું, અને સૌથી વિવેચનાત્મક, વધુ અહેવાલ, મતદારો અને બિન-મતદારો વચ્ચે વાસ્તવિક તફાવત નાના કરતાં તેઓ સર્વેક્ષણ માંથી માત્ર દેખાય છે વ્યવસ્થિત પ્રકૃતિ છે. ઉદાહરણ તરીકે, એક સ્નાતક ડિગ્રી સાથે તે વિશે 22 ટકા વધુ મતદાન જાણ તેવી શક્યતા છે, પરંતુ માત્ર 10 ટકા વધુ વાસ્તવિક મત તેવી શક્યતા છે. વધુમાં, મતદાન વર્તમાન સ્ત્રોત આધારિત સિદ્ધાંતો ખૂબ આગાહી જે ખરેખર જે મત, પ્રયોગમૂલક શોધવી નવા સિદ્ધાંતો સમજવા અને મતદાન આગાહી માટે કહે છે કે કરતાં મતદાન જાણ કરશે સારી હોય છે.

પરંતુ, કેટલી અમે આ પરિણામો પર ભરોસો રાખવો જોઈએ? યાદ રાખો કે આ પરિણામો ભૂલ અજ્ઞાત પ્રમાણમાં સાથે કાળા બોક્સ માહિતી ખામીવાળું લિંક પર આધાર રાખે છે. વધુ ખાસ રીતે, પરિણામો બે કી પગલાંઓ પર મિજાગરું: 1) ઘણા વિષમ માહિતી સ્ત્રોતો ભેગા એક ચોક્કસ માસ્ટર datafile અને 2) તેના મુખ્ય datafile મોજણી માહિતી લિંક કરવા Catalist ક્ષમતા પેદા કરવા માટે Catalist ક્ષમતા. આ પગલાંઓ દરેક તદ્દન મુશ્કેલ છે અને ક્યાં પગલે ભૂલો ખોટું તારણો સંશોધકો દોરી શકે છે. જો કે, બંને માહિતી પ્રોસેસીંગ અને બંધબેસતા તેથી તે આ સમસ્યા ઉકેલવા સાધનો રોકાણ કરી શકે છે, ઘણી વાર પાયે કે કોઈ વ્યક્તિગત શૈક્ષણિક સંશોધક અથવા સંશોધકો જૂથ મેળ કરી શકે છે એક કંપની તરીકે Catalist સતત અસ્તિત્વ માટે મહત્વપૂર્ણ છે. પ્રકરણ ઓવરને અંતે વધુ વાંચન, હું વધુ વિગતવાર અને કેવી રીતે Ansolabehere અને Hersh તેમના પરિણામો વિશ્વાસ બિલ્ડ આ સમસ્યા વર્ણવે છે. જોકે, આ વિગતો આ અભ્યાસ સંગત છે, આ સમાન મુદ્દાઓ અન્ય કાળા બોક્સ ડિજિટલ ટ્રેસ માહિતી સ્ત્રોત લિંક કરવા ઈચ્છતા સંશોધકો માટે ઊભી થાય છે.

સામાન્ય પાઠ સંશોધકો આ અભ્યાસ પરથી ડ્રો કરી શકો છો શું છે? પ્રથમ, ત્યાં મોજણી માહિતી સાથે ડિજીટલ નિશાનો માધ્યમથી થી જબરદસ્ત કિંમત છે. બીજું, છતાં પણ આ એકીકૃત, વ્યાપારી માહિતી સ્ત્રોત નથી "જમીન સત્ય" ધ્યાનમાં લેવાવી જોઈએ, કેટલાક કિસ્સાઓમાં તેઓ ઉપયોગી હોઈ શકે છે. હકીકતમાં, તે આ માહિતી સ્ત્રોત સંપૂર્ણ સત્ય નથી (જેના પરથી તેઓ હંમેશા ટૂંકા પડી જશે) સરખાવવા માટે શ્રેષ્ઠ છે. તેના બદલે, તે તેમને જે અચૂક ભૂલો તેમજ અન્ય ઉપલબ્ધ માહિતી સ્ત્રોતો, સરખાવવા માટે સારી છે.