4.4.2 ផលប៉ះពាល់ការព្យាបាលវិសភាគមួយនៃ

ពិសោធន៍ជាធម្មតាជាមធ្យមមានឥទ្ធិពលវាស់ប៉ុន្តែការមានប្រសិទ្ធិភាពអាចជាខុសគ្នាសម្រាប់មនុស្សផ្សេងគ្នា។

គំនិតសំខាន់ទីពីរសម្រាប់ការផ្លាស់ប្តូលើសពីការពិសោធន៍ធម្មតាគឺវិសភាគមួយនៃផលប៉ះពាល់ការព្យាបាល។ ការពិសោធន៍របស់ Schultz et al. (2007) ខ្លាំងបង្ហាញពីរបៀបដែលការព្យាបាលដូចគ្នាអាចមានផលប៉ះពាល់ផ្សេងនៅលើប្រភេទផ្សេងគ្នានៃប្រជាជន (រូបភាព 4.4) ប៉ុន្តែការវិភាគនៃការដូចគ្នានេះគឺពិតជាមិនធម្មតាណាស់សម្រាប់ការពិសោធន៍អាយុអាណាឡូក។ ការពិសោធន៍ដែលមានអាយុច្រើនបំផុតដែលពាក់ព័ន្ធនឹងអាណាឡូកមួយចំនួនតូចនៃអ្នកចូលរួមដែលត្រូវបានចាត់ទុកជា "ធាតុក្រាហ្វិក" ដែលអាចផ្លាស់ប្តូដោយសារតែតិចតួចអំពីពួកគេត្រូវបានគេស្គាល់ថាការព្យាបាលមុន។ នៅក្នុងការពិសោធន៍ឌីជីថល, ទោះជាយ៉ាងណាឧបសគ្គទិន្នន័យទាំងនេះគឺជារឿងធម្មតាតិចដោយសារតែអ្នកស្រាវជ្រាវមាននិន្នាការទៅមានអ្នកចូលរួមកាន់តែច្រើននិងបានដឹងបន្ថែមទៀតអំពីពួកគេ។ នៅក្នុងបរិស្ថានទិន្នន័យផ្សេងគ្នានេះយើងអាចប៉ាន់ប្រមាណពីផលប៉ះពាល់ការព្យាបាលដូចគ្នាក្នុងគោលបំណងដើម្បីផ្តល់គន្លឹះអំពីរបៀបដែលការព្យាបាលធ្វើការ, របៀបដែលវាអាចត្រូវបានធ្វើឱ្យប្រសើរឡើង, និងរបៀបដែលវាអាចត្រូវបានកំណត់គោលដៅដែលភាគច្រើនទំនងទៅនឹងអ្នកដើម្បីទទួលប្រយោជន៍។

ឧទាហរណ៍ពីរនៃវិសភាគនៃផលប៉ះពាល់ការព្យាបាលនៅក្នុងបរិបទនៃបទដ្ឋានសង្គមនិងការប្រើប្រាស់ថាមពលដែលបានមកពីការស្រាវជ្រាវបន្ថែមទៀតនៅលើរបាយការណ៍ថាមពលដើម។ ជាដំបូង Allcott (2011) ត្រូវបានគេប្រើទំហំគំរូធំ (600,000 គ្រួសារ) ដើម្បីបំបែកគំរូបន្ថែមទៀតនិងការប៉ាន់ស្មានថាផលប៉ះពាល់នៃរបាយការណ៍ថាមពលទំព័រដើមដោយ decile នៃការប្រើប្រាស់ថាមពលការព្យាបាលមុន។ ខណៈពេលដែល Schultz et al. (2007) បានរកឃើញភាពខុសគ្នារវាងអ្នកប្រើប្រាស់ធ្ងន់និងស្រាល Allcott (2011) បានរកឃើញថាមានភាពខុសគ្នានៅក្នុងក្រុមអ្នកប្រើធ្ងន់និងពន្លឺផងដែរ។ ឧទាហរណ៍អ្នកប្រើប្រាស់ធ្ងន់ធ្ងរបំផុត (ដែលនៅក្នុង decile កំពូល) បានកាត់បន្ថយការប្រើប្រាស់ថាមពលរបស់ពួកគេពីរដងជាច្រើនដូចជានរណាម្នាក់នៅក្នុងពាក់កណ្តាលនៃក្រុមអ្នកប្រើធ្ងន់ (រូបភាព 4.7) បាន។ លើសពីនេះទៅទៀតការប៉ាន់ប្រមាណផលប៉ះពាល់ដោយឥរិយាបថការព្យាបាលមុនបានបង្ហាញផងដែរថាមិនមានឥទ្ធិពលសូម្បីតែសម្រាប់អ្នកប្រើ boomerang ស្រាល (រូបភាពទី 4.7) ។

រូបភាពទី 4.7: វិសភាគមួយនៃផលប៉ះពាល់ការព្យាបាលនៅក្នុង Allcott (2011) ។ ការប្រើប្រាស់ថាមពលថយចុះនេះគឺផ្សេងគ្នាសម្រាប់មនុស្សនៅក្នុងភាពខុសគ្នានៃការប្រើប្រាស់ deciles មូលដ្ឋាន។

រូបភាពទី 4.7: វិសភាគមួយនៃផលប៉ះពាល់ការព្យាបាលនៅក្នុង Allcott (2011) ។ ការប្រើប្រាស់ថាមពលថយចុះនេះគឺផ្សេងគ្នាសម្រាប់មនុស្សនៅក្នុងភាពខុសគ្នានៃការប្រើប្រាស់ deciles មូលដ្ឋាន។

នៅក្នុងការសិក្សាពាក់ព័ន្ធមួយ Costa and Kahn (2013) បានសន្និដ្ឋានថាប្រសិទ្ធភាពនៃរបាយការណ៍ថាមពលទំព័រដើមអាចនឹងប្រែប្រួលដោយផ្អែកលើមនោគមវិជ្ជានយោបាយរបស់អ្នកចូលរួមនិងថាការព្យាបាលនេះពិតជាអាចបណ្តាលឱ្យមនុស្សដែលមានមនោគមវិជ្ជាមួយចំនួនដើម្បីបង្កើនការប្រើប្រាស់អគ្គិសនីរបស់ពួកគេ។ នៅក្នុងពាក្យផ្សេងទៀតដែលពួកគេបានប៉ាន់ស្មានថារបាយការណ៍ថាមពលអាចត្រូវបានបង្កើតទំព័រមួយដែលមានប្រសិទ្ធិភាព boomerang សម្រាប់ប្រភេទមួយចំនួននៃមនុស្ស។ ដើម្បីវាយតម្លៃលទ្ធភាពនេះ, Costa និង Kahn បានច្របាច់បញ្ចូលគ្នាទិន្នន័យ Opower ជាមួយនឹងទិន្នន័យដែលប្រមូលទិញពីភាគីទីបីដែលរួមមានពដូចជាការចុះឈ្មោះគណបក្សនយោបាយ, ការបរិច្ចាគដល់អង្គការបរិស្ថាននិងការចូលរួមរបស់គ្រួសារនៅក្នុងកម្មវិធីថាមពលកកើតឡើងវិញ។ ជាមួយនឹងសំណុំទិន្នន័យច្របាច់បញ្ចូលគ្នានេះ, Costa និង Kahn បានរកឃើញថារបាយការណ៍ទំព័រដើមផលិតផលថាមពលទូលំទូលាយសម្រាប់អ្នកចូលរួមស្រដៀងគ្នានេះដែរមានមនោគមវិជ្ជាខុសគ្នា; មានភស្តុតាងថាមានក្រុមណាមួយបានដាក់តាំងបង្ហាញផលប៉ះពាល់ boomerang (រូបភាព 4.8) ទេ។

រូបភាពទី 4.8: ផលប៉ះពាល់ការព្យាបាលវិសភាគមួយនៃ Costa និងខាន់ក្នុងការ (2013) ។ ជាមធ្យមបានប៉ាន់ប្រមាណថាមានប្រសិទ្ធិភាពការព្យាបាលគំរូសម្រាប់គឺ -2,1% ទាំងមូល [-1.5% -2,7%] ។ តាមរយៈការរួមបញ្ចូលគ្នារវាងទិន្នន័យពីការពិសោធន៍នេះជាមួយនឹងគ្រួសារដែលបានអំពី, Costa និងខាន់ (2013) បានប្រើស៊េរីនៃម៉ូដែលស្ថិតិដើម្បីប៉ាន់ប្រមាណដែលមានប្រសិទ្ធិភាពការព្យាបាលសម្រាប់ក្រុមជាក់លាក់នៃមនុស្ស។ ការប៉ាន់ប្រមាណចំនួនពីរត្រូវបានបង្ហាញសម្រាប់ក្រុមនីមួយដោយសារតែការប៉ាន់ប្រមាណអាស្រ័យលើកូវ៉ារ្យង់ដែលពួកគេបានរួមបញ្ចូលនៅក្នុងម៉ូដែលស្ថិតិរបស់ពួកគេ (សូមមើលគំរូនិងម៉ូដែល 6 4 ក្នុងតារាង 3 និង 4 នៅក្នុងតារាង Costa និងខាន់ (2013)) ។ ជាឧទាហរណ៍នេះបានបង្ហាញថាផលប៉ះពាល់ការព្យាបាលអាចជាខុសគ្នាសម្រាប់មនុស្សផ្សេងគ្នានិងការប៉ាន់ស្មាននៃផលប៉ះពាល់ការព្យាបាលដែលមកពីម៉ូដែលស្ថិតិអាចពឹងផ្អែកទៅលើសេចក្ដីលម្អិតនៃម៉ូដែលទាំងនោះ (មានភាពធ្ងន់ធ្ងរ, រញ៉េរញ៉ៃនិង Westwood 2014) ។

រូបភាពទី 4.8: វិសភាគមួយនៃផលប៉ះពាល់ការព្យាបាលនៅ Costa and Kahn (2013) ។ ជាមធ្យមបានប៉ាន់ប្រមាណថាមានប្រសិទ្ធិភាពការព្យាបាលគំរូសម្រាប់គឺ -2,1% ទាំងមូល [-1.5% -2,7%] ។ តាមរយៈការរួមបញ្ចូលគ្នារវាងទិន្នន័យពីការពិសោធន៍នេះជាមួយនឹងគ្រួសារដែលបានអំពី, Costa and Kahn (2013) បានប្រើស៊េរីនៃម៉ូដែលស្ថិតិដើម្បីប៉ាន់ប្រមាណដែលមានប្រសិទ្ធិភាពការព្យាបាលសម្រាប់ក្រុមជាក់លាក់នៃមនុស្ស។ ការប៉ាន់ប្រមាណចំនួនពីរត្រូវបានបង្ហាញសម្រាប់ក្រុមនីមួយដោយសារតែការប៉ាន់ប្រមាណអាស្រ័យលើកូវ៉ារ្យង់ដែលពួកគេបានរួមបញ្ចូលនៅក្នុងម៉ូដែលស្ថិតិរបស់ពួកគេ (សូមមើលគំរូនិងម៉ូដែល 6 4 ក្នុងតារាង 3 និង 4 នៅក្នុងតារាង Costa and Kahn (2013) ) ។ ជាឧទាហរណ៍នេះបានបង្ហាញថាផលប៉ះពាល់ការព្យាបាលអាចជាខុសគ្នាសម្រាប់មនុស្សផ្សេងគ្នានិងការប៉ាន់ស្មាននៃផលប៉ះពាល់ការព្យាបាលដែលមកពីម៉ូដែលស្ថិតិអាចពឹងផ្អែកទៅលើសេចក្ដីលម្អិតនៃម៉ូដែលទាំងនោះ (Grimmer, Messing, and Westwood 2014)

ជាឧទាហរណ៍ទាំងពីរនេះជាឧទាហរណ៍ក្នុងអាយុឌីជីថលយើងអាចផ្លាស់ប្តូរពីការប៉ាន់ប្រមាណផលប៉ះពាល់ការព្យាបាលជាមធ្យមក្នុងការប៉ាន់ប្រមាណពីផលប៉ះពាល់ការព្យាបាលដូចគ្នានេះបានព្រោះយើងអាចមានអ្នកចូលរួមច្រើនទៀតជាច្រើនហើយយើងដឹងបន្ថែមទៀតអំពីអ្នកចូលរួមទាំងនោះ។ ការរៀនអំពីវិសភាគនៃផលការព្យាបាលអាចបើកកំណត់ទិសដៅនៃការព្យាបាលដែលជាកន្លែងដែលវាជាការមានប្រសិទ្ធិភាពបំផុតមួយដែលបានផ្តល់នូវការពិតដែលថាទ្រឹស្តីថ្មីជំរុញការអភិវឌ្ឍនិងការផ្តល់នូវការណែនាំអំពីយន្តការដែលអាចធ្វើបានជាប្រធានបទមួយដែលឥឡូវនេះខ្ញុំបានក្លាយនេះ។