3.6.2 សុំការធ្វើឱ្យប្រសើរ

Amplified ស្នើសុំប្រើគំរូព្យាករណ៍មួយដើម្បីបញ្ចូលទិន្នន័យស្ទង់មតិពីមនុស្សពីរបីនាក់ដែលមានប្រភពទិន្នន័យធំពីមនុស្សជាច្រើន។

វិធីផ្សេងគ្នាដើម្បីផ្សំការស្ទង់មតិនិងប្រភពទិន្នន័យធំគឺជាដំណើរការមួយដែលខ្ញុំនឹងអំពាវនាវ ឱ្យមានការស្នើសុំ ។ នៅក្នុងការសួរឱ្យមានការកើនឡើងអ្នកស្រាវជ្រាវមួយប្រើគំរូព្យាករណ៍មួយដើម្បីបញ្ចូលគ្នានូវចំនួនទិន្នន័យតូចមួយនៃទិន្នន័យស្ទង់មតិដោយប្រភពទិន្នន័យដ៏ធំមួយដើម្បីធ្វើការប៉ាន់ស្មាននៅក្នុងមាត្រដ្ឋានឬបន្សំដែលនឹងមិនអាចធ្វើទៅបានជាមួយប្រភពទិន្នន័យណាមួយដាច់ដោយឡែក។ ឧទាហរណ៏ដ៏សំខាន់មួយនៃការស្នើសុំឱ្យមានការកើនឡើងគឺមកពីការងាររបស់ Joshua Blumenstock ដែលចង់ប្រមូលទិន្នន័យដែលអាចជួយណែនាំដល់ការអភិវឌ្ឍនៅក្នុងប្រទេសក្រីក្រ។ កាលពីមុនអ្នកស្រាវជ្រាវប្រមូលទិន្នន័យប្រភេទនេះជាទូទៅត្រូវប្រើវិធីសាស្រ្តមួយក្នុងចំណោមវិធីសាស្រ្តពីរគឺការស្ទង់មតិគំរូឬការធ្វើជំរឿន។ ការស្ទង់មតិគំរូដែលអ្នកស្រាវជ្រាវសម្ភាសមនុស្សមួយចំនួនតូចអាចមានភាពបត់បែនទាន់ពេលវេលានិងមានតំលៃថោក។ ទោះជាយ៉ាងណាការស្ទង់មតិទាំងនេះដោយសារតែពួកគេត្រូវបានផ្អែកលើគំរូមួយត្រូវបានកំណត់ជាញឹកញាប់នៅក្នុងដំណោះស្រាយរបស់ពួកគេ។ ជាមួយនឹងការស្ទង់មតិគំរូមួយវាជាញឹកញាប់ពិបាកក្នុងការធ្វើការប៉ាន់ស្មានអំពីតំបន់ភូមិសាស្ត្រជាក់លាក់ឬសម្រាប់ក្រុមប្រជាសាស្ត្រជាក់លាក់។ ផ្ទុយទៅវិញការស្ទង់មតិព្យាយាមសម្ភាសមនុស្សគ្រប់រូបហើយដូច្នេះពួកគេអាចប្រើដើម្បីបង្កើតការប៉ាន់ស្មានសម្រាប់តំបន់ភូមិសាស្ត្រតូចៗឬក្រុមប្រជាសាស្ត្រ។ ប៉ុន្តែការប្រមូលផ្តុំជាទូទៅមានតំលៃថ្លៃចំនុចតូចចង្អៀត (ពួកគេគ្រាន់តែរួមបញ្ចូលសំណួរមួយចំនួនតូចប៉ុណ្ណោះ) និងមិនទាន់ពេលវេលា (វាកើតឡើងតាមកាលកំណត់ដូចរៀងរាល់ 10 ឆ្នាំ) (Kish 1979) ។ ជាជាងការជាប់ពាក់ព័ន្ធជាមួយការស្ទង់មតិគំរូឬការសិក្សាស្រាវជ្រាវសូមស្រមៃប្រសិនបើអ្នកស្រាវជ្រាវអាចរួមបញ្ចូលគ្នានូវលក្ខណៈល្អបំផុតរបស់ទាំងពីរ។ ស្រមៃមើលថាតើអ្នកស្រាវជ្រាវអាចសួររាល់សំណួរទៅមនុស្សគ្រប់រូបជារៀងរាល់ថ្ងៃ។ ជាក់ស្តែងការស្ទង់មតិនេះនៅគ្រប់ទីកន្លែងតែងតែជាប្រភេទចក្ខុវិស័យសង្គម។ ប៉ុន្តែវាបង្ហាញថាយើងអាច ចាប់ផ្តើម ប្រហាក់ប្រហែលគ្នានេះដោយការរួមបញ្ចូលគ្នារវាងសំណួរស្ទង់មតិពីមនុស្សមួយចំនួនតូចដែលមានដានឌីជីថលពីមនុស្សជាច្រើន។

ការស្រាវជ្រាវរបស់ Blumenstock បានចាប់ផ្តើមនៅពេលគាត់បានធ្វើជាដៃគូជាមួយអ្នកផ្តល់សេវាទូរស័ព្ទចល័តធំជាងគេនៅប្រទេសរ៉្វាន់ដាហើយក្រុមហ៊ុនបានផ្តល់កំណត់ត្រាប្រតិបត្តិការអនាមិកពីអតិថិជនប្រហែល 1,5 លាននាក់ក្នុងចន្លោះឆ្នាំ 2005 និងឆ្នាំ 2009 ។ កំណត់ត្រាទាំងនេះមានផ្ទុកព័ត៌មានអំពីការហៅនិងសារអត្ថបទនីមួយៗដូចជាពេលវេលាចាប់ផ្តើម, រយៈពេល , និងទីតាំងភូមិសាស្រ្តប្រហាក់ប្រហែលនៃអ្នកទូរស័ព្ទចូលនិងអ្នកទទួល។ មុននឹងខ្ញុំនិយាយអំពីបញ្ហាស្ថិតិវាគួរអោយកត់សំគាល់ថាជំហានដំបូងនេះអាចជាបញ្ហាមួយក្នុងចំណោមបញ្ហាលំបាកបំផុតសម្រាប់អ្នកស្រាវជ្រាវជាច្រើន។ ដូចខ្ញុំបានពិពណ៌នានៅក្នុងជំពូកទី 2 ប្រភពទិន្នន័យធំ ៗ មិនអាច រកបានសម្រាប់អ្នកស្រាវជ្រាវទេ។ ទិន្នន័យមេតាទូរស័ព្ទជាពិសេសមិនអាចចូលដំណើរការបានទេព្រោះវាមិនអាចទៅរួចទេក្នុងការអនាមិកហើយវាស្ទើរតែប្រាកដជាមានព័ត៌មានដែលអ្នកចូលរួមនឹងគិត (Mayer, Mutchler, and Mitchell 2016; Landau 2016) ។ ក្នុងករណីពិសេសអ្នកស្រាវជ្រាវបានប្រុងប្រយ័ត្នក្នុងការការពារទិន្នន័យហើយការងាររបស់ពួកគេត្រូវបានត្រួតពិនិត្យដោយភាគីទីបី (ឧទាហរណ៍ IRB របស់ពួកគេ) ។ ខ្ញុំនឹងត្រលប់ទៅបញ្ហាក្រមសីលធម៌ទាំងនេះឱ្យបានលម្អិតបន្ថែមទៀតនៅក្នុងជំពូកទី 6 ។

Blumenstock ចាប់អារម្មណ៍ក្នុងការវាស់វែងទ្រព្យសម្បត្តិនិងសុខុមាលភាព។ ប៉ុន្តែលក្ខណៈទាំងនេះមិនត្រូវបានភ្ជាប់ដោយផ្ទាល់នៅក្នុងកំណត់ត្រាការហៅទេ។ ម៉្យាងវិញទៀតការកត់ត្រាការហៅទាំងនេះគឺ មិនពេញលេញ សម្រាប់ការស្រាវជ្រាវនេះដែលជាលក្ខណៈទូទៅនៃប្រភពទិន្នន័យធំដែលត្រូវបានពិភាក្សាលម្អិតនៅក្នុងជំពូកទី 2. ប៉ុន្តែវាទំនងជាថាកំណត់ត្រាការហៅអាចមានព័ត៌មានមួយចំនួនដែលអាចផ្តល់ព័ត៌មានដោយប្រយោលអំពីទ្រព្យសម្បត្តិនិង សុខុមាលភាព។ ដោយបានផ្តល់លទ្ធភាពនេះ Blumenstock បានសួរថាតើវាអាចធ្វើទៅរួចដើម្បីហ្វឹកហាត់គំរូម៉ាស៊ីនរៀនដើម្បីព្យាករណ៍ពីរបៀបដែលនរណាម្នាក់នឹងឆ្លើយតបទៅនឹងការស្ទង់មតិមួយដោយផ្អែកលើកំណត់ត្រាហៅរបស់ពួកគេ។ ប្រសិនបើអាចធ្វើទៅបាននោះ Blumenstock អាចប្រើម៉ូដែលនេះដើម្បីទស្សន៍ទាយការស្ទង់មតិរបស់អតិថិជនទាំងអស់ 1,5 លាននាក់។

ដើម្បីកសាងនិងបណ្តុះបណ្តាលគំរូបែបនេះ Blumenstock និងជំនួយការស្រាវជ្រាវមកពីវិទ្យាស្ថានវិទ្យាសាស្ត្រនិងបច្ចេកវិទ្យាគីលហ្គាលីបានហៅគំរូចៃដន្យមួយដែលមានអតិថិជនប្រហែលមួយពាន់នាក់។ អ្នកស្រាវជ្រាវបានពន្យល់ពីគោលដៅនៃគម្រោងទៅឱ្យអ្នកចូលរួមបានសុំការយល់ព្រមរបស់ពួកគេដើម្បីភ្ជាប់ការស្ទង់មតិទៅនឹងកំណត់ត្រាហៅហើយបន្ទាប់មកសួរពួកគេនូវសំណួរជាច្រើនដើម្បីវាស់ស្ទង់ទ្រព្យសម្បត្តិនិងសុខុមាលភាពរបស់ពួកគេដូចជា " វិទ្យុ? "និង" តើអ្នកមានកង់ទេ? "(សូមមើលរូបភាព 3.14 សម្រាប់បញ្ជីផ្នែកខ្លះ) ។ អ្នកចូលរួមទាំងអស់ក្នុងការស្ទង់មតិត្រូវបានផ្តល់សំណងផ្នែកហិរញ្ញវត្ថុ។

បន្ទាប់មក Blumenstock បានប្រើវិធីសាស្រ្តពីរជំហានជាទូទៅនៅក្នុងការរៀនម៉ាស៊ីន: វិស្វកម្មលក្ខណៈពិសេសបន្ទាប់មកការរៀនត្រួតពិនិត្យ។ ដំបូងក្នុងជំហាន វិស្វកម្មលក្ខណៈពិសេស សម្រាប់អ្នកគ្រប់គ្នាដែលត្រូវបានសម្ភាស Blumenstock បានបម្លែងកំណត់ត្រាការហៅទៅជាសំណុំនៃលក្ខណៈអំពីមនុស្សម្នាក់ៗ។ អ្នកវិទ្យាសាស្ត្រទិន្នន័យអាចហៅលក្ខណៈទាំងនេះថា "លក្ខណៈពិសេស" ហើយអ្នកវិទ្យាសាស្រ្តសង្គមនឹងហៅពួកគេថា "អថេរ" ។ ឧទាហរណ៍សម្រាប់មនុស្សម្នាក់ៗ Blumenstock បានគណនាចំនួនសរុបនៃថ្ងៃដែលមានសកម្មភាពចំនួនមនុស្សដែលខុសគ្នាដែលមនុស្សម្នាក់មានទំនាក់ទំនងជាមួយ ចំនួនប្រាក់ចំណាយលើការផ្សាយតាមវិទ្យុ។ ល។ ជាការសំខាន់វិស្វកម្មលក្ខណៈពិសេសល្អតម្រូវឱ្យមានចំនេះដឹងនៃការស្រាវជ្រាវ។ ឧទាហរណ៍ប្រសិនបើវាសំខាន់ក្នុងការបែងចែករវាងការហៅទូរស័ព្ទក្នុងស្រុកនិងក្រៅស្រុក (យើងអាចរំពឹងថាអ្នកដែលហៅថាជាអ្នកមានលំដាប់អន្តរជាតិ) នោះត្រូវតែធ្វើនៅជំហានវិស្វកម្មពិសេស។ អ្នកស្រាវជ្រាវដែលមានការយល់ដឹងតិចតួចអំពីប្រទេសរ្វ៉ាន់ដាអាចនឹងមិនរួមបញ្ចូលលក្ខណៈពិសេសនេះទេហើយបន្ទាប់មកការអនុវត្តការព្យាករណ៍នៃគំរូនេះនឹងទទួលរង។

បន្ទាប់មកនៅក្នុងជំហាននៃ ការសិក្សាដែលត្រូវបានត្រួតពិនិត្យ នោះ Blumenstock បានបង្កើតគំរូដើម្បីព្យាករណ៍ការឆ្លើយតបនៃការស្ទង់មតិសម្រាប់មនុស្សម្នាក់ៗដោយផ្អែកលើលក្ខណៈពិសេសរបស់ពួកគេ។ នៅក្នុងករណីនេះ Blumenstock បានប្រើការតំរែតំរង់ logistic ប៉ុន្តែគាត់អាចប្រើវិធីសាស្ត្រសិក្សាស្ថិតិឬម៉ាស៊ីនផ្សេងៗ។

ដូច្នេះតើវាដំណើរការបានល្អប៉ុណ្ណា? តើ Blumenstock អាចព្យាករណ៍ចម្លើយចំពោះសំណួរស្ទង់មតិដូចជា "តើអ្នកជាម្ចាស់វិទ្យុ?" និង "តើអ្នកមានកង់ទេ?" ដោយប្រើលក្ខណៈពិសេសដែលទទួលបានពីកំណត់ត្រាហៅទូរស័ព្ទ? ដើម្បីវាយតម្លៃការសម្តែងនៃគំរូព្យាករណ៍របស់គាត់ Blumenstock ត្រូវបានប្រើ សុពលភាពឆ្លងដែល ជាបច្ចេកទេសដែលត្រូវបានប្រើជាទូទៅក្នុងវិទ្យាសាស្រ្តទិន្នន័យប៉ុន្តែកម្រនៅក្នុងវិទ្យាសាស្ត្រសង្គម។ គោលដៅនៃការធ្វើសុពលភាពឆ្លងគឺដើម្បីផ្តល់នូវការវាយតម្លៃដោយយុត្តិធម៌នៃការអនុវត្តការទស្សន៍ទាយគំរូដោយការបណ្តុះបណ្តាលវានិងសាកល្បងវានៅលើសំណុំរងផ្សេងៗនៃទិន្នន័យ។ ជាពិសេស Blumenstock បានបំបែកទិន្នន័យរបស់គាត់ទៅជា 10 កំណាត់នៃមនុស្ស 100 នាក់។ បន្ទាប់មកគាត់បានប្រើកំណាត់ចំនួនប្រាំបួនដើម្បីហ្វឹកហាត់គំរូរបស់គាត់ហើយការទស្សន៍ទាយនៃគំរូដែលបានទទួលការបណ្តុះបណ្តាលត្រូវបានវាយតម្លៃលើកំណាត់ដែលនៅសល់។ គាត់បានធ្វើម្តងទៀតនូវនីតិវិធីនេះចំនួន 10 ដងដោយក្នុងមួយភាគនៃទិន្នន័យទទួលបានវេនជាទិន្នន័យសុពលភាពហើយលទ្ធផលជាមធ្យម។

ភាពត្រឹមត្រូវនៃការព្យាករណ៍នេះគឺខ្ពស់ចំពោះលក្ខណៈមួយចំនួន (រូបភាព 3.14) ។ ឧទាហរណ៍ Blumenstock អាចព្យាករណ៍ថាមានភាពត្រឹមត្រូវត្រឹមតែ 97.6% បើនរណាម្នាក់មានវិទ្យុ។ នេះប្រហែលជាគួរឱ្យចាប់អារម្មណ៍ប៉ុន្តែវាតែងតែមានសារៈសំខាន់ក្នុងការប្រៀបធៀបវិធីសាស្រ្តព្យាករណ៍ស្មុគស្មាញមួយប្រឆាំងនឹងជម្រើសសាមញ្ញ។ ក្នុងករណីនេះជម្រើសសាមញ្ញមួយគឺត្រូវទាយថាមនុស្សគ្រប់រូបនឹងផ្តល់ចម្លើយទូទៅបំផុត។ ឧទាហរណ៍ 97,3% នៃអ្នកឆ្លើយឆ្លងបានរាយការណ៍ថាមានវិទ្យុដូច្នេះប្រសិនបើ Blumenstock បានទស្សន៍ទាយថាមនុស្សគ្រប់គ្នានឹងរាយការណ៍ថាមានវិទ្យុមួយគាត់នឹងមានភាពត្រឹមត្រូវ 97,3% ដែលជាការគួរឱ្យភ្ញាក់ផ្អើលដែលស្រដៀងទៅនឹងដំណើរការនៃវិធីសាស្រ្តដែលស្មុគស្មាញជាងនេះ (ភាពត្រឹមត្រូវ 97,6% ។ ម៉្យាងទៀតទិន្នន័យនិងពុម្ពអក្សរទំនើបទាំងអស់បានបង្កើនភាពត្រឹមត្រូវនៃការព្យាករណ៍ពី 97,3% ទៅ 97,6% ។ ទោះជាយ៉ាងណាក៏ដោយសម្រាប់សំណួរផ្សេងទៀតដូចជា "តើអ្នកមានកង់ឬទេ?" ការទស្សន៍ទាយបានប្រសើរឡើងពី 54,4% ដល់ 67,6% ។ ជាទូទៅតួលេខ 3.15 បង្ហាញថាសម្រាប់លក្ខណៈខ្លះ Blumenstock មិនបានកែលម្អច្រើនហួសពីការគ្រាន់តែធ្វើការព្យាករណ៍តាមបន្ទាត់ធម្មតាទេប៉ុន្តែសម្រាប់លក្ខណៈផ្សេងទៀតមានភាពប្រសើរឡើងខ្លះ។ ទោះបីជាអ្នកក្រឡេកទៅមើលលទ្ធផលទាំងនេះក៏ដោយអ្នកប្រហែលជាមិនគិតថាវិធីសាស្រ្តនេះពិតជាមានជោគជ័យ។

រូបភាពទី 3.14: ភាពត្រឹមត្រូវនៃការទស្សន៍ទាយសម្រាប់គំរូស្ថិតិដែលបានទទួលការហ្វឹកហ្វឺនជាមួយនឹងកំណត់ត្រាការហៅ។ សម្របសម្រួលពី Blumenstock (2014) តារាងទី 2 ។

រូបភាពទី 3.15: ប្រៀបធៀបភាពត្រឹមត្រូវនៃការព្យាករណ៍សម្រាប់គំរូស្ថិតិដែលបានទទួលការហ្វឹកហាត់ជាមួយកំណត់ត្រាការហៅទៅការទស្សន៍ទាយជាមូលដ្ឋាន។ ពិន្ទុមានភាពអយុត្តិធម៌បន្តិចដើម្បីជៀសវាងការជាន់គ្នា។ សម្របសម្រួលពី Blumenstock (2014) តារាងទី 2 ។

ក៏ប៉ុន្តែគ្រាន់តែមួយឆ្នាំក្រោយមក Blumenstock និងសហការីពីរនាក់គឺលោក Gabriel Cadamuro និងលោក Robert On បានបោះពុម្ពក្រដាសមួយនៅក្នុង វិទ្យាសាស្ត្រ ជាមួយនឹងលទ្ធផលល្អប្រសើរជាងមុន (Blumenstock, Cadamuro, and On 2015) ។ មានហេតុផលបច្ចេកទេសសំខាន់ពីរសម្រាប់ការកែលម្អនេះ: (1) ពួកគេបានប្រើវិធីសាស្រ្តទំនើបបន្ថែមទៀត (ឧ។ វិធីសាស្រ្តថ្មីមួយដើម្បីវិស្វកម្មលក្ខណៈពិសេសនិងគំរូស្មុគស្មាញបន្ថែមទៀតដើម្បីទស្សន៍ទាយការឆ្លើយតបពីលក្ខណៈពិសេស) និង (2) ជាជាងការព្យាយាមឆ្លើយសំណួរទៅបុគ្គល សំណួរស្ទង់មតិ (ឧ។ "តើអ្នកជាម្ចាស់វិទ្យុដែរឬទេ?") ពួកគេបានព្យាយាមធ្វើការប៉ាន់ស្មាននូវសន្ទស្សន៍ទ្រព្យសម្បត្តិសមាសធាតុ។ ការកែលម្អបច្ចេកទេសទាំងនេះមានន័យថាពួកគេអាចធ្វើការងារសមស្របមួយដោយប្រើកំណត់ត្រាហៅដើម្បីទស្សន៍ទាយទ្រព្យសម្បត្តិសម្រាប់ប្រជាជននៅក្នុងគំរូរបស់ពួកគេ។

ប៉ុន្តែការទស្សន៍ទាយទ្រព្យសម្បត្តិរបស់មនុស្សនៅក្នុងគំរូនេះមិនមែនជាគោលដៅចុងក្រោយនៃការស្រាវជ្រាវនោះទេ។ ចងចាំថាគោលដៅចុងក្រោយគឺដើម្បីបញ្ចូលគ្នានូវលក្ខណៈល្អ ៗ មួយចំនួននៃការស្ទង់មតិគំរូនិងការសិក្សាស្រាវជ្រាវដើម្បីបង្កើតការប៉ាន់ស្មានដែលមានភាពច្បាស់លាស់និងភាពល្អប្រសើរនៃភាពក្រីក្រនៅក្នុងបណ្តាប្រទេសកំពុងអភិវឌ្ឍន៍។ ដើម្បីវាយតម្លៃសមត្ថភាពរបស់ពួកគេដើម្បីសម្រេចបាននូវគោលដៅនេះ Blumenstock និងសហសេវិកបានប្រើគំរូនិងទិន្នន័យរបស់ពួកគេដើម្បីព្យាករណ៍អំពីទ្រព្យសម្បត្តិរបស់មនុស្ស 1,5 លាននាក់នៅក្នុងកំណត់ត្រាហៅ។ ហើយពួកគេបានប្រើពត៌មានដែលមិនត្រូវបានបញ្ចូលក្នុងបញ្ជីហៅទូរស័ព្ទ (ចងចាំថាទិន្នន័យដែលរួមបញ្ចូលទីតាំងនៃប៉មកោសិកាដែលជិតបំផុតសម្រាប់ការហៅទូរស័ព្ទនីមួយៗ) ដើម្បីប៉ាន់ស្មានទីកន្លែងរស់នៅប្រហាក់ប្រហែលរបស់មនុស្សម្នាក់ៗ (រូបភាព 3.17) ។ ដោយការប៉ាន់ស្មានទាំងពីរនេះរួមគ្នាលោក Blumenstock និងសហសេវិកបានបង្កើតការប៉ាន់ស្មាននៃការបែងចែកភូមិសាស្ដ្រនៃទ្រព្យសម្បត្តិរបស់អ្នកជាវដែលមានលក្ខណៈល្អឥតខ្ចោះ។ ឧទាហរណ៍ពួកគេអាចប៉ាន់ប្រមាណអំពីទ្រព្យសម្បត្តិមធ្យមនៅក្នុងកោសិកាចំនួន 2.148 របស់ប្រទេសរ៉្វាន់ដា (អង្គភាពរដ្ឋបាលតូចបំផុតនៅក្នុងប្រទេស) ។

តើការប៉ាន់ប្រមាណទាំងនេះសមស្របទៅនឹងកម្រិតជាក់ស្តែងនៃភាពក្រីក្រនៅក្នុងតំបន់ទាំងនេះដែរឬទេ? មុនពេលខ្ញុំឆ្លើយសំណួរនោះខ្ញុំចង់សង្កត់ធ្ងន់លើហេតុការណ៍ដែលថាមានហេតុផលច្រើនណាស់ដែលគួរឱ្យសង្ស័យ។ ឧទាហរណ៍សមត្ថភាពក្នុងការធ្វើការទស្សន៍ទាយនៅកំរិតបុគ្គលមានភាពរំជើបរំជួលខ្លាំង (រូបភាព 3.17) ។ ហើយប្រហែលជាសំខាន់ជាងនេះទៀតមនុស្សដែលមានទូរស័ព្ទដៃអាចមានភាពខុសគ្នាជាប្រព័ន្ធពីមនុស្សដែលមិនមានទូរស័ព្ទដៃ។ ដូច្នេះ Blumenstock និងសហសេវិកអាចទទួលរងពីប្រភេទនៃកំហុសគ្របដណ្តប់ដែលលំអៀងទៅនឹងការស្ទង់មតិ អក្សរសិល្ប៍អក្សរសាស្រ្ត ឆ្នាំ 1936 ដែលខ្ញុំបានពិពណ៌នាពីមុន។

ដើម្បីយល់ពីគុណភាពនៃការប៉ាន់ប្រមាណរបស់ពួកគេ, Blumenstock និងមិត្តរួមការងាររបស់គាត់ត្រូវការប្រៀបធៀបពួកគេជាមួយអ្វីផ្សេងទៀត។ ជាសំណាងល្អនៅពេលជាមួយគ្នានៃការសិក្សារបស់ពួកគេក្រុមអ្នកស្រាវជ្រាវមួយក្រុមផ្សេងទៀតកំពុងធ្វើការស្ទង់មតិសង្គមតាមប្រពៃណីនៅក្នុងប្រទេសរ៉្វាន់ដា។ ការស្ទង់មតិផ្សេងទៀតដែលជាផ្នែកមួយនៃកម្មវិធីស្ទាបស្ទង់ប្រជាសាស្ត្រនិងសុខភាពដែលមានការគោរពយ៉ាងទូលំទូលាយមានថវិកាដ៏ច្រើននិងប្រើវិធីសាស្ត្របែបប្រពៃណីដែលមានគុណភាពខ្ពស់។ ដូច្នេះការប៉ាន់ស្មានពីការស្ទង់មតិប្រជាសាស្ត្រនិងសុខភាពអាចត្រូវបានគេចាត់ទុកថាជាការប៉ាន់ស្មានស្តង់ដារមាស។ នៅពេលការប៉ាន់ប្រមាណចំនួនពីរត្រូវបានគេប្រៀបធៀបពួកគេមានភាពស្រដៀងគ្នា (រូបភាព 3.17) ។ ម៉្យាងទៀតដោយរួមបញ្ចូលទិន្នន័យតូចៗនៃទិន្នន័យស្ទង់មតិជាមួយនឹងកំណត់ត្រាហៅ Blumenstock និងសហសេវិកអាចបង្កើតការប៉ាន់ប្រមាណដែលអាចប្រៀបធៀបទៅនឹងវិធីសាស្រ្តស្តង់ដារមាស។

ការសង្ស័យអាចឃើញលទ្ធផលទាំងនេះជាការខកចិត្ត។ យ៉ាងណាមិញមធ្យោបាយមួយនៃការមើលវាគឺនិយាយដោយប្រើទិន្នន័យធំនិងការរៀនម៉ាស៊ីន Blumenstock និងមិត្តរួមការងាររបស់គាត់អាចបង្កើតការប៉ាន់ស្មានដែលអាចត្រូវបានធ្វើឱ្យកាន់តែជឿជាក់បានតាមវិធីសាស្ដ្រដែលមានស្រាប់។ ប៉ុន្តែខ្ញុំមិនគិតថានេះគឺជាវិធីត្រឹមត្រូវដើម្បីគិតអំពីការសិក្សានេះដោយមូលហេតុពីរ។ ទី 1 ការប៉ាន់ស្មានពី Blumenstock និងសហសេវិកមានប្រហែល 10 ដងលឿនជាងនិង 50 ដងថោកជាង (នៅពេលតម្លៃត្រូវបានវាស់វែងតាមតម្លៃអថេរ) ។ ដូចដែលខ្ញុំបានលើកយកមកមុននៅក្នុងជំពូកនេះក្រុមអ្នកស្រាវជ្រាវមិនអើពើនឹងការចំណាយទៅលើគ្រោះថ្នាក់របស់ពួកគេ។ ក្នុងករណីនេះឧទាហរណ៍ការថយចុះគួរឱ្យកត់សម្គាល់នៃការចំណាយមានន័យថាជាជាងដំណើរការរៀងរាល់ពីរបីឆ្នាំ - ជាស្តង់ដារសម្រាប់ការស្ទង់មតិប្រជាសាស្ដ្រនិងសុខភាព - ការស្ទង់មតិប្រភេទនេះអាចត្រូវបានដំណើរការជារៀងរាល់ខែដែលនឹងផ្តល់អត្ថប្រយោជន៍ជាច្រើនដល់អ្នកស្រាវជ្រាវនិងគោលនយោបាយ អ្នកផលិត។ មូលហេតុទី 2 ដែលមិនឱ្យមានទស្សនៈសង្ស័យនោះគឺថាការសិក្សានេះផ្តល់នូវរូបមន្តមូលដ្ឋានដែលអាចត្រូវបានរៀបចំតាមស្ថានភាពស្រាវជ្រាវផ្សេងៗគ្នា។ រូបមន្តនេះមានគ្រឿងផ្សំពីរប៉ុណ្ណោះនិងពីរជំហាន។ គ្រឿងផ្សំគឺ (1) ប្រភពទិន្នន័យធំទូលាយដែលមានទំហំធំប៉ុន្តែស្តើង (មានន័យថាវាមានមនុស្សច្រើនប៉ុន្តែមិនមានព័ត៌មានដែលអ្នកត្រូវការអំពីមនុស្សម្នាក់ៗទេ) និង (2) ការស្ទង់មតិដែលតូចចង្អៀតប៉ុន្តែក្រាស់ (ឧទាហរណ៍វាមានតែមួយប៉ុណ្ណោះ មានមនុស្សពីរបីនាក់ប៉ុន្តែវាមានព័ត៌មានដែលអ្នកត្រូវការអំពីមនុស្សទាំងនោះ) ។ គ្រឿងផ្សំទាំងនេះត្រូវបានបញ្ចូលគ្នាជាពីរជំហាន។ ទីមួយសម្រាប់ប្រជាជនទាំងប្រភពទិន្នន័យបង្កើតគំរូសិក្សាម៉ាស៊ីនដែលប្រើប្រភពទិន្នន័យធំដើម្បីទស្សន៍ទាយចម្លើយស្ទង់មតិ។ បន្ទាប់មកចូរប្រើគំរូនោះដើម្បីវាយតម្លៃចម្លើយនៃការស្ទង់មតិរបស់មនុស្សគ្រប់គ្នានៅក្នុងប្រភពទិន្នន័យធំ ៗ ។ ដូច្នេះប្រសិនបើមានសំណួរមួយចំនួនដែលអ្នកចង់សួរមនុស្សជាច្រើនស្វែងរកប្រភពទិន្នន័យដ៏ធំមួយពីមនុស្សទាំងនោះដែលអាចត្រូវបានប្រើដើម្បីទស្សន៍ទាយចម្លើយរបស់ពួកគេ ទោះបីជាអ្នកមិនខ្វល់អំពីប្រភពទិន្នន័យធំ ក៏ដោយ។ នោះគឺ Blumenstock និងសហសេវិកមិនមានការយកចិត្តទុកដាក់ចំពោះកំណត់ត្រាហៅទេ។ ពួកគេគ្រាន់តែយកចិត្តទុកដាក់លើកំណត់ត្រាហៅដោយសារតែពួកគេអាចត្រូវបានប្រើដើម្បីព្យាករចម្លើយការស្ទង់មតិដែលពួកគេយកចិត្តទុកដាក់។ ការចាប់អារម្មណ៍ដោយប្រយោលលក្ខណៈចរិតលក្ខណៈនៅក្នុងប្រភពទិន្នន័យធំ - ធ្វើឱ្យមានទំហំធំទូលាយដែលសួរខុសគ្នាពីការសួរដែលបានបង្កប់ដែលខ្ញុំបានរៀបរាប់ពីមុន។

រូបភាពទី 3.16: គំនូសតាងនៃការសិក្សាដោយ Blumenstock, Cadamuro, and On (2015) ។ កំណត់ត្រាហៅពីក្រុមហ៊ុនទូរស័ព្ទត្រូវបានបម្លែងទៅជាម៉ាទ្រីសជាមួយជួរដេកមួយសម្រាប់មនុស្សម្នាក់ៗនិងជួរឈរមួយសម្រាប់លក្ខណៈនីមួយៗ (ឧ។ អថេរ) ។ បន្ទាប់មកអ្នកស្រាវជ្រាវបានបង្កើតគំរូសិក្សាដែលត្រូវបានត្រួតពិនិត្យដើម្បីទស្សន៍ទាយការស្ទង់មតិស្ទង់មតិពីម៉ាទ្រីសដោយផ្ទាល់។ បន្ទាប់មកគំរូសិក្សាដែលត្រូវបានគេមើលឃើញថាត្រូវបានប្រើប្រាស់ដើម្បីឆ្លើយតបទៅនឹងការស្ទង់មតិសម្រាប់អតិថិជនទាំងអស់ចំនួន 1,5 លាននាក់។ ដូចគ្នានេះផងដែរ, អ្នកស្រាវជ្រាវបានប៉ាន់ប្រមាណកន្លែងប្រហាក់ប្រហែលនៃការស្នាក់នៅសម្រាប់អតិថិជនទាំងអស់ 1,5 លាននាក់ដោយផ្អែកលើទីតាំងនៃការហៅរបស់ពួកគេ។ នៅពេលការប៉ាន់ស្មានពីរនេះទ្រព្យសម្បត្តិដែលប៉ាន់ប្រមាណនិងទីកន្លែងដែលបានប៉ាន់ប្រមាណត្រូវបានបញ្ចូលគ្នានោះលទ្ធផលគឺស្រដៀងគ្នាទៅនឹងការប៉ាន់ស្មានពីការស្ទង់មតិប្រជាសាស្ដ្រនិងសុខភាពដែលជាការស្ទង់មតិតាមប្រពៃណីមាស (រូបភាព 3.17) ។

រូបភាពទី 3.17: លទ្ធផលពី Blumenstock, Cadamuro, and On (2015) ។ នៅកម្រិតបុគ្គលក្រុមអ្នកស្រាវជ្រាវអាចធ្វើការងារដែលសមស្របក្នុងការទស្សន៍ទាយទ្រព្យសម្បត្តិរបស់នរណាម្នាក់ពីកំណត់ត្រាហៅរបស់ពួកគេ។ ការប៉ាន់ប្រមាណអំពីទ្រព្យសម្បត្តិថ្នាក់ស្រុកសម្រាប់ស្រុកចំនួន 30 នៅ Rwanda ដែលផ្អែកលើការប៉ាន់ប្រមាណកម្រិតទ្រព្យសម្បត្តិនិងទីកន្លែងរស់នៅគឺស្រដៀងគ្នាទៅនឹងលទ្ធផលនៃការអង្កេតប្រជាសាស្ដ្រនិងសុខភាពដែលជាការស្ទង់មតិតាមប្រពៃណីមាស។ សម្របសម្រួលពី Blumenstock, Cadamuro, and On (2015) តួលេខ 1a និង 3c ។

នៅក្នុងការសន្និដ្ឋានវិធីសួរទូលំទូលាយរបស់ Blumenstock បានរួមបញ្ចូលទិន្នន័យស្ទង់មតិជាមួយប្រភពទិន្នន័យដ៏ធំមួយដើម្បីបង្កើតការប៉ាន់ស្មានប្រៀបធៀបទៅនឹងអ្នកដែលមកពីការស្ទង់មតិស្តង់ដារមាស។ ឧទាហរណ៏ពិសេសនេះក៏បញ្ជាក់ពីការដោះដូរខ្លះរវាងការស្នើសុំនិងការស្ទង់មតិបែបប្រពៃណី។ ការប៉ាន់ប្រមាណសុំការប៉ាន់ប្រមាណមានភាពទាន់ពេលវេលាទាន់ពេលវេលាដែលមានតម្លៃថោកនិងមានច្រើនទៀត។ ប៉ុន្តែផ្ទុយទៅវិញមិនទាន់មានមូលដ្ឋានទ្រឹស្តីរឹងមាំសម្រាប់ការស្នើសុំនេះ។ ឧទាហរណ៍តែមួយនេះមិនបង្ហាញនៅពេលវិធីសាស្រ្តនេះនឹងដំណើរការហើយនៅពេលដែលវាមិនដំណើរការហើយអ្នកស្រាវជ្រាវដែលប្រើវិធីសាស្រ្តនេះចាំបាច់ត្រូវព្រួយបារម្ភអំពីភាពលំអៀងដែលអាចបង្កឡើងដោយអ្នកដែលត្រូវបានរាប់បញ្ចូលនិងអ្នកណាមិនត្រូវបានបញ្ចូលក្នុងប្រភពទិន្នន័យធំរបស់ពួកគេ។ ជាងនេះទៅទៀតវិធីសួរដែលមានទំហំធំមិនទាន់មានវិធីល្អដើម្បីកំណត់ភាពមិនច្បាស់លាស់ជុំវិញការប៉ាន់ប្រមាណរបស់វាឡើយ។ ជាសំណាងល្អការស្នើសុំឱ្យមានភាពទូលំទូលាយមានទំនាក់ទំនងយ៉ាងជ្រាលជ្រៅចំពោះតំបន់ធំ ៗ ចំនួនបីគឺការប៉ាន់ប្រមាណលើទំហំតូចៗ (Rao and Molina 2015) ស្ថិតិ (Rao and Molina 2015) , ការទាយ (Rubin 2004) និងការបែងចែកក្រោយគំរូ (ដែលខ្លួនវាមានទំនាក់ទំនងជិតស្និទ្ធទៅនឹងលោក P. , វិធីសាស្រ្តដែលខ្ញុំបានពិពណ៌នាកាលពីដើមនៅក្នុងជំពូក) (Little 1993) ។ ដោយសារតែការតភ្ជាប់ជ្រៅទាំងនេះខ្ញុំរំពឹងថាមូលដ្ឋានគ្រឹះនៃវិធីសាស្រ្តនៃការសួរជាច្រើននឹងត្រូវបានកែលម្អឆាប់ៗនេះ។

ទីបំផុតការប្រៀបធៀបការប៉ុនប៉ងលើកទី 1 និងទី 2 របស់ Blumenstock ក៏បង្ហាញពីមេរៀនសំខាន់មួយផងដែរអំពីការស្រាវជ្រាវសង្គមឌីជីថលសម័យកាល: ការចាប់ផ្តើមមិនមែនជាទីបញ្ចប់នោះទេ។ នោះច្រើនដងវិធីសាស្ដ្រទី 1 នឹងមិនល្អបំផុតនោះទេតែប្រសិនបើអ្នកស្រាវជ្រាវបន្តធ្វើការងារអ្វីៗអាចនឹងប្រសើរឡើង។ ជាទូទៅនៅពេលដែលការវាយតម្លៃវិធីសាស្រ្តថ្មីៗទៅនឹងការស្រាវជ្រាវសង្គមនៅក្នុងយុគសម័យឌីជីថលវាមានសារៈសំខាន់ណាស់ដើម្បីធ្វើការវាយតម្លៃពីរខុសគ្នា: (1) តើវាដំណើរការបានយ៉ាងដូចម្តេចឥឡូវនេះ? និង (2) តើវានឹងដំណើរការយ៉ាងដូចម្តេចនៅពេលអនាគតនៅពេលដែលស្ថានភាពទិន្នន័យប្រែប្រួលហើយនៅពេលអ្នកស្រាវជ្រាវផ្តោតការយកចិត្តទុកដាក់បន្ថែមលើបញ្ហានេះ? ថ្វីបើពួកអ្នកស្រាវជ្រាវត្រូវបានទទួលការបណ្តុះបណ្តាលដើម្បីធ្វើការវាយតំលៃប្រភេទទីមួយក៏ដោយក៏ទី 2 គឺសំខាន់ជាង។