3.4 ដើម្បីសួរតើនរណា

គំរូប្រូនិងគំរូដែលមិនមែនជាប្រូបាប៊ីលីតេគឺមិនខុសគ្នានៅក្នុងការអនុវត្ត; នៅក្នុងករណីទាំងពីរនេះវាជាការទាំងអស់អំពីទម្ងន់។

គំរូគឺជាមូលដ្ឋានក្នុងការអង្កេតស្រាវជ្រាវ។ ក្រុមអ្នកស្រាវជ្រាវបានសួរសំណួរស្ទើរតែមិនដែលទៅមនុស្សគ្រប់គ្នាក្នុងរបស់ខ្លួនចំនួនប្រជាជនគោលដៅរបស់ពួកគេ។ ក្នុងន័យនេះការស្ទង់មតិមិនមានតែមួយគត់។ ការស្រាវជ្រាវភាគច្រើនបំផុត, នៅក្នុងវិធីមួយឬមួយផ្សេងទៀតជាប់ពាក់ព័ន្ធនឹងគំរូ។ ពេលខ្លះគំរូនេះត្រូវបានធ្វើយ៉ាងជាក់លាក់ដោយអ្នកស្រាវជ្រាវបាន; ដងផ្សេងទៀតវាកើតឡើងទាំងស្រុង។ ឧទាហរណ៍ដែលរត់ពិសោធន៍ស្រាវជ្រាវមួយនៅលើមន្ទីរពិសោធន៍នៅសាកលវិទ្យាល័យនិស្សិតថ្នាក់បរិញ្ញាបត្ររបស់នាងបានយកគំរូផងដែរ។ ដូច្នេះគំរូជាបញ្ហាមួយដែលភ្ជាប់មកឡើងនៅទូទាំងសៀវភៅនេះ។ នៅក្នុងការពិត, មួយនៃការព្រួយបារម្ភទូទៅបំផុតដែលខ្ញុំបានឮពីប្រភពនៃទិន្នន័យឌីជីថលអាយុគឺ "ពួកគេមិនមានតំណាង" ។ យើងនឹងឃើញនៅក្នុងផ្នែកនេះ, ការព្រួយបារម្ភនេះគឺមានទាំងការធ្ងន់ធ្ងរនិងតិចជាងការសង្ស័យកាន់តែច្រើនល្បិចច្រើនទេដឹង។ នៅក្នុងការពិត, ខ្ញុំនឹងជជែកតវ៉ាថាទស្សនៈទាំងស្រុងនៃ "ភាពជាតំណាង" គឺមិនមានប្រយោជន៍សម្រាប់ការគិតអំពីគំរូប្រូបាបនិងមិនប្រូបាប។ ផ្ទុយទៅវិញ, គន្លឹះសំខាន់គឺដើម្បីគិតអំពីរបៀបដែលទិន្នន័យត្រូវបានប្រមូលនិងរបៀបដែលភាពលំអៀងណាមួយនៅក្នុងការប្រមូលទិន្នន័យដែលអាចត្រូវបានធ្វើវិញបានទេនៅពេលដែលការធ្វើការប៉ាន់ប្រមាណ។

បច្ចុប្បន្ននេះវិធីសាស្រ្តទ្រឹស្តីលេចធ្លោតំណាងគឺជាគំរូប្រហែលជា។ នៅពេលដែលទិន្នន័យត្រូវបានប្រមូលជាមួយវិធីសាស្ត្រគំរូប្រូបាបដែលត្រូវបានប្រតិបត្តិឥតខ្ចោះ, អ្នកស្រាវជ្រាវអាចទម្ងន់ទិន្នន័យរបស់ពួកគេដោយផ្អែកលើវិធីដែលពួកគេត្រូវបានគេប្រមូលដើម្បីធ្វើឱ្យការប៉ាន់ស្មានមិនលម្អៀងអំពីចំនួនប្រជាជនគោលដៅ។ ទោះជាយ៉ាងណា, គំរូប្រូល្អឥតខ្ចោះជាមូលដ្ឋាននឹងមិនកើតឡើងនៅក្នុងពិភពពិត។ ជាធម្មតាបញ្ហានេះមានសំខាន់ពីរទី 1) ភាពខុសគ្នារវាងប្រជាជនគោលដៅនិងប្រជាជនស៊ុមនិង 2) មិនមែនជាការឆ្លើយតប (ទាំងនេះគឺជាបញ្ហាពិតប្រាកដថាការស្ទង់មតិលិចអក្សរសាស្ត្រសង្ខេប) ។ ដូច្នេះជាជាងការគិតពីគំរូប្រូបាបជាគំរូប្រាកដនិយមនៃអ្វីដែលកើតឡើងពិតជានៅក្នុងពិភពលោកវាជាការល្អប្រសើរជាងមុនក្នុងការគិតពីគំរូជាការមានប្រយោជន៍ប្រូបាប៊ីលីតេតារាម៉ូដែលអរូបីច្រើនដូចជាវិធីដែលអ្នករូបវិទ្យាគិតអំពីបាល់កកិតរមៀលធ្លាក់ចុះជាយូរមកហើយឆ្លៀ បង្កើន។

ជំនួសទៅនឹងគំរូប្រូបាប៊ីលីតេគឺមិនមែនជាគំរូប្រូបាប។ ភាពខុសគ្នារវាងប្រូបាបនិងសំខាន់មិនមែនជាគំរូគឺថាជាមួយប្រូគំរូប្រូមនុស្សគ្រប់គ្នាក្នុងចំនួនប្រជាជនដែលមានប្រូគេស្គាល់ថានៃការដាក់បញ្ចូល។ មាន, នៅក្នុងការពិតពូជជាច្រើននៃគំរូដែលមិនមែនជាប្រូបាប៊ីលីតេ, និងវិធីសាស្រ្តនៃការប្រមូលទិន្នន័យទាំងនេះត្រូវបានក្លាយជារឿងធម្មតាកាន់តែខ្លាំងឡើងនៅក្នុងអាយុឌីជីថល។ ប៉ុន្តែមិនមែនជាគំរូមានកេរ្តិ៍ឈ្មោះប្រូគួរឱ្យស្ញែងខ្លាចនៅក្នុងចំណោមអ្នកវិទ្យាសាស្ដ្រសង្គមនិងស្ថិតិ។ នៅក្នុងការពិតដែលមិនមែនជាគំរូត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងប្រូខ្លះនៃការបរាជ័យយ៉ាងខ្លាំងបំផុតនៃការស្រាវជ្រាវការស្ទង់មតិដូចជាបង្កើតស្ថានភាពអក្សរសាស្ត្រសង្ខេប (ពិភាក្សាមុន) និងការទាយខុសអំពីការបោះឆ្នោតប្រធានាធិបតីសហរដ្ឋអាមេរិកឆ្នាំ 1948 ( "Dewey ផ្តួ Truman") (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) ។

ទោះយ៉ាងណាពេលនេះគឺជាសិទ្ធិក្នុងការពិចារណាឡើងវិញពីគំរូដែលមិនមែនជាប្រូបាប៊ីលីតេសម្រាប់ហេតុផលពីរ។ ជាដំបូង, ជាគំរូប្រហែលជាបានក្លាយជាការលំបាកកាន់តែខ្លាំងឡើងដើម្បីធ្វើការនៅក្នុងការអនុវត្តបន្ទាត់រវាងគំរូនិងគំរូប្រូប្រូបាប៊ីលីតេដែលមិនមែនព្រិលត្រូវ។ នៅពេលដែលមានអត្រាខ្ពស់នៃការមិនឆ្លើយតប (ដូចមាននៅក្នុងការស្ទង់មតិពិតប្រាកដឥឡូវនេះ) ដែលជាប្រូពិតប្រាកដនៃការរួមបញ្ចូលសម្រាប់ការឆ្លើយតបមិនត្រូវបានគេស្គាល់ថា, ហើយដូច្នេះ, គំរូនិងគំរូប្រូប្រហែលជាមិនមែនជាមិនត្រូវបានជាការខុសគ្នាដូចដែលក្រុមអ្នកស្រាវជ្រាវជាច្រើនជឿ។ ជាការពិត, ដូចដែលយើងនឹងឃើញដូចខាងក្រោម, វិធីសាស្រ្តទាំងពីរនេះជាមូលដ្ឋានពឹងផ្អែកលើវិធីសាស្ដ្រប៉ាន់ស្មានដូចគ្នា: ក្រោយការ stratification ។ ទីពីរ, មានការអភិវឌ្ឍជាច្រើននៅក្នុងការប្រមូលនិងវិភាគសំណាកដែលមិនមែនជាប្រូបាប។ វិធីសាស្រ្តទាំងនេះគឺមានភាពខុសគ្នាឱ្យបានគ្រប់គ្រាន់ពីវិធីសាស្រ្តដែលបណ្តាលឱ្យមានបញ្ហានៅក្នុងពេលកន្លងមកដែលខ្ញុំគិតថាវាធ្វើឱ្យយល់ក្នុងការគិតរបស់ពួកគេថាជា "មិនមែនជាការប្រូគំរូ 2.0 ។ «យើងមិនគួរមានការជៀងវាងមិនសមហេតុផលទៅនឹងវិធីសាស្រ្តមិនមែនជាការប្រហែលដោយសារកំហុសដែលបានកើតឡើង ជា​យូរ​យា​ណាស់​មក​ហើយ។

បន្ទាប់មកទៀតនៅក្នុងគោលបំណងដើម្បីធ្វើឱ្យអាគុយម៉ង់នេះបន្ថែមទៀតបេតុង, ខ្ញុំនឹងពិនិត្យគំរូស្ដង់ដារនិងទម្ងន់ប្រូបាប៊ីលីតេ (ផ្នែកទី 3.4.1) ។ គំនិតសំខាន់នោះគឺថារបៀបដែលអ្នកបានប្រមូលទិន្នន័យរបស់អ្នកគួរតែប៉ះពាល់ដល់របៀបដែលអ្នកធ្វើឱ្យការប៉ាន់ប្រមាណ។ ជាពិសេសតើអ្នករាល់គ្នាមិនមានប្រហែលជាដូចគ្នានៃការដាក់បញ្ចូល, បន្ទាប់មកមនុស្សគ្រប់រូបមិនគួរមានទំងន់ដូចគ្នានេះ។ នៅក្នុងពាក្យផ្សេងទៀតប្រសិនបើគំរូរបស់អ្នកមិនប្រជាធិ​​បតេយ្យបន្ទាប់មកការប៉ាន់ប្រមាណរបស់អ្នកគួរតែមិនមែនជាប្រជាធិ​​បតេយ្យ។ បន្ទាប់ពីបានពិនិត្យទម្ងន់, ខ្ញុំនឹងរៀបរាប់អំពីវិធីសាស្រ្តចំនួនពីរដើម្បីគំរូដែលមិនមែនជាប្រូបាបមួយដែលផ្តោតលើទំងន់ដើម្បីដោះស្រាយជាមួយបញ្ហានេះទិន្នន័យដែលប្រមូល haphazardly (ផ្នែកទី 3.4.2) និងមួយដែលព្យាយាមដាក់ត្រួតពិនិត្យបន្ថែមលើរបៀបដែលទិន្នន័យនេះគឺ ប្រមូល (ផ្នែកទី 3.4.3) ។ អាគុយម៉ង់ក្នុងអត្ថបទមេនឹងត្រូវបានពន្យល់ដូចខាងក្រោមជាមួយពាក្យនិងរូបភាព; អ្នកអានដែលចង់បានច្រើនជាងការព្យាបាលគណិតវិទ្យាគួរតែមើលឃើញសេចក្ដីបន្ថែមផងដែរបច្ចេកទេស។