3.6.1 ಅಮ್ಪ್ಲಿಫೈಡ್ ಕೇಳುವ

ಡಿಜಿಟಲ್ ಕುರುಹುಗಳು ನಿಮ್ಮ ಸಮೀಕ್ಷೆ ಲಿಂಕ್ ಎಲ್ಲಾ ಸಮಯದಲ್ಲೂ ಎಲ್ಲರೂ ನಿಮ್ಮ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುವ ಹಾಗೆ ಮಾಡಬಹುದು.

ಮಾದರಿ ಸಮೀಕ್ಷೆಗಳು ಮತ್ತು ಗಣತಿಗಳು: ಕೇಳುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಎರಡು ಮುಖ್ಯ ವಿಭಾಗಗಳು ಬರುತ್ತದೆ. ನೀವು ಜನರ ಒಂದು ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಪ್ರವೇಶಿಸಲು ಇಲ್ಲಿ ಮಾದರಿ ಸಮೀಕ್ಷೆಗಳು, ಹೊಂದಿಕೊಳ್ಳುವ ಸಕಾಲಿಕ, ಮತ್ತು ಅಗ್ಗದ ಇರಬಹುದು. ಆದಾಗ್ಯೂ, ಮಾದರಿ ಸಮೀಕ್ಷೆಗಳು, ಅವರು ಮಾದರಿಯನ್ನು ಆಧರಿಸಿ ಏಕೆಂದರೆ, ತಮ್ಮ ತೀರ್ಮಾನ ಸೀಮಿತವಾಗಿದೆ; ಮಾದರಿ ಸಮೀಕ್ಷೆಯನ್ನು, ಇದು ನಿರ್ದಿಷ್ಟ ಭೌಗೋಳಿಕ ಪ್ರದೇಶಗಳ ಬಗ್ಗೆ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಜನಸಮೂಹಕ್ಕೆ ಅಂದಾಜು ಮಾಡಲು ಸಾಮಾನ್ಯವಾಗಿ ಕಷ್ಟ. ಜನಗಣತಿ, ಮತ್ತೊಂದೆಡೆ, ಜನಸಂಖ್ಯೆಯ ಎಲ್ಲರೂ ಸಂದರ್ಶಿಸಿ ಪ್ರಯತ್ನ. ಅವರು ಮಹಾನ್ ನಿಖರತೆ ಹೊಂದಿವೆ, ಆದರೆ ಸಕಾಲಿಕ (ಅವರು ಇಂತಹ ಪ್ರತಿ 10 ವರ್ಷಗಳ, ಒಂದು ಸ್ಥಿರ ವೇಳಾಪಟ್ಟಿ ಸಂಭವಿಸಿ) ಸಾಮಾನ್ಯವಾಗಿ, ದುಬಾರಿ ಗಮನ ಕಿರಿದಾದ (ಅವರು ಕೇವಲ ಕಡಿಮೆ ಪ್ರಮಾಣದ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ), ಮತ್ತು (Kish 1979) . ವೇಳೆ ಸಂಶೋಧಕರು ಮಾದರಿ ಸಮೀಕ್ಷೆಗಳು ಮತ್ತು ಜನಗಣತಿ ಉತ್ತಮ ಲಕ್ಷಣಗಳನ್ನು ಒಂದುಗೂಡಿಸಲು ಸಾಧ್ಯವಾಯಿತು ಈಗ ಊಹಿಸಿ; ಸಂಶೋಧಕರು ಪ್ರತಿ ದಿನ ಎಲ್ಲರಿಗೂ ಪ್ರತಿ ಪ್ರಶ್ನೆ ಕೇಳಲು ಆದಲ್ಲಿ ಕಲ್ಪನೆ.

ನಿಸ್ಸಂಶಯವಾಗಿ, ಈ ನಿರಂತರ, ಜಾರಿಮಾಡಲ್ಪಟ್ಟಿರುವ ಸಮೀಕ್ಷೆ ಸಮಾಜ ವಿಜ್ಞಾನ ಫ್ಯಾಂಟಸಿ ಒಂದು ರೀತಿಯ. ಆದರೆ, ಇದು ನಾವು ಅನೇಕ ಜನರು ಡಿಜಿಟಲ್ ಕುರುಹುಗಳನ್ನು ಹೊಂದಿರುವ ಜನರ ಒಂದು ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಸಮೀಕ್ಷೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ ಅಂದಾಜಿಸುತ್ತದೆ ಪ್ರಾರಂಭಿಸಬಹುದು ಎಂದು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ನಾನು ಸಂಯೋಜನೆಯನ್ನು ಈ ರೀತಿಯ ಕೇಳುವ ವರ್ಧಿತ ಕರೆ. ಚೆನ್ನಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ, ಇದು ನಮಗೆ (ಸಣ್ಣ ಭೌಗೋಳಿಕ ಪ್ರದೇಶಗಳಿಗೆ) ಹೆಚ್ಚು ಸ್ಥಳೀಯ ಎಂದು ಅಂದಾಜು, ಹೆಚ್ಚು ಹರಳಿನ (ನಿರ್ದಿಷ್ಟ ಜನಸಂಖ್ಯಾ ಗುಂಪುಗಳಿಗೆ), ಮತ್ತು ಹೆಚ್ಚು ಸಕಾಲಿಕ ಒದಗಿಸುತ್ತದೆ ಸಹಾಯ.

ವರ್ಧಿತ ಕೇಳುವ ಒಂದು ಉದಾಹರಣೆ ಬಡ ರಾಷ್ಟ್ರಗಳಲ್ಲಿ ಮಾರ್ಗದರ್ಶಿ ಅಭಿವೃದ್ಧಿ ಸಹಾಯ ಎಂದು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಬಯಸಿದ ಜೋಶುವಾ Blumenstock, ವ್ಯಾಸಂಗದಿಂದ ಬರುತ್ತದೆ. ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾಗಿ, Blumenstock ನಮ್ಯತೆ ಮತ್ತು ಸಮೀಕ್ಷೆಯ ಬಾರಿ ಜನಗಣತಿ ಸಂಪೂರ್ಣತೆಯನ್ನು ಸೇರಿಕೊಂಡು ಸಂಪತ್ತು ಮತ್ತು ಯೋಗಕ್ಷೇಮ ಅಳೆಯಲು ಒಂದು ವ್ಯವಸ್ಥೆ ಸೃಷ್ಟಿಸಲು ಬಯಸಿದ್ದರು (Blumenstock 2014; Blumenstock, Cadamuro, and On 2015) . ವಾಸ್ತವವಾಗಿ, ನಾನು ಈಗಾಗಲೇ Blumenstock ಕೆಲಸ ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಅಧ್ಯಾಯ 1 ರಲ್ಲಿ ವಿವರಿಸಲಾಗಿದೆ ಬಂದಿದೆ.

ಆರಂಭಿಸಲು, Blumenstock ರುವಾಂಡಾ ದೊಡ್ಡ ಮೊಬೈಲ್ ದೂರವಾಣಿ ಸಹಭಾಗಿ. ಕಂಪನಿಯು ಅವರಿಗೆ ಅನಾಮಧೇಯ ವ್ಯವಹಾರ ದಾಖಲೆಗಳು ಆರಂಭದ ಸಮಯ, ಕಾಲಾವಧಿ, ಮತ್ತು ಕಾಲರ್ ಮತ್ತು ಗ್ರಾಹಕರ ಅಂದಾಜಿನ ಭೌಗೋಳಿಕ ಸ್ಥಳ 2005 ಮತ್ತು 2009 ದಾಖಲೆಗಳು ಪ್ರತಿ ಕರೆ ಮತ್ತು ಪಠ್ಯ ಸಂದೇಶ ಬಗೆಗಿನ ಮಾಹಿತಿ ರಿಂದ ವರ್ತನೆಯನ್ನು ಒಳಗೊಂಡ 1.5 ದಶಲಕ್ಷ ಗ್ರಾಹಕರಿಂದ ಒದಗಿಸಿದ. ನಾವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ವಿಷಯಗಳ ಬಗ್ಗೆ ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು, ಅದನ್ನು ಈ ಮೊದಲ ಹಂತದ ಕಠಿಣ ಒಂದು ಗಮನಸೆಳೆದರು ಯೋಗ್ಯವಾಗಿದೆ. ಅಧ್ಯಾಯ 2 ವಿವರಿಸಿದಂತೆ, ಅತ್ಯಂತ ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಸಂಶೋಧಕರ ಪ್ರವೇಶಿಸಲಾಗುವುದಿಲ್ಲ. ಮತ್ತು, ಅನೇಕ ಕಂಪನಿಗಳು ಖಾಸಗಿ ಏಕೆಂದರೆ ತಮ್ಮ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು justifiably ಹಿಂದುಮುಂದು ನೋಡುತ್ತಾರೆ; ತಮ್ಮ ಗ್ರಾಹಕರಿಗೆ ಬಹುಶಃ ತಮ್ಮ ದಾಖಲೆಗಳನ್ನು ಸಂಶೋಧಕರು-ಬೃಹತ್ ಕಡಿಮೆಯಾದ-ರಲ್ಲಿ ನಡೆಯಲಿದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಿರಲಿಲ್ಲ ಆಗಿದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸಂಶೋಧಕರು ಡೇಟಾ ಅನಾಮಧೇಯಗೊಳಿಸುತ್ತೇವೆ ಎಚ್ಚರಿಕೆಯಿಂದ ಹಂತಗಳನ್ನು ತೆಗೆದುಕೊಂಡು ತಮ್ಮ ಕೆಲಸ ಒಂದು ತೃತೀಯ (ಅಂದರೆ, ತಮ್ಮ ಸಮಿತಿ) ಉಸ್ತುವಾರಿ ನಡೆಸಿದ್ದಳು. ಆದರೆ, ಈ ಪ್ರಯತ್ನಗಳ ಹೊರತಾಗಿಯೂ, ಈ ಡೇಟಾವನ್ನು ಬಹುಶಃ ಇನ್ನೂ ಗುರುತಿಸಬಹುದು ಮತ್ತು ಅವರು ಹೊಂದಿರುವುದಿಲ್ಲ ಸಾಧ್ಯತೆ ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯನ್ನು (Mayer, Mutchler, and Mitchell 2016; Landau 2016) . ನಾನು ಅಧ್ಯಾಯ 6 ಈ ನೈತಿಕ ಪ್ರಶ್ನೆಗೆ ಬರುತ್ತೇವೆ.

Blumenstock ಸಂಪತ್ತು ಮತ್ತು ಯೋಗಕ್ಷೇಮ ಅಳೆಯುವ ಆಸಕ್ತಿ ಸ್ಮರಿಸುತ್ತಾರೆ. ಆದರೆ, ಈ ಲಕ್ಷಣಗಳು ಕರೆ ದಾಖಲೆಗಳನ್ನು ನೇರವಾಗಿ ಅಲ್ಲ. ಅರ್ಥಾತ್, ಈ ಕರೆ ದಾಖಲೆಗಳನ್ನು ಈ ಸಂಶೋಧನೆ, ಡಿಜಿಟಲ್ ಕುರುಹುಗಳು ಒಂದು ಸಾಮಾನ್ಯ ಲಕ್ಷಣವನ್ನು ಅಧ್ಯಾಯ 2. ವಿವರವಾಗಿ ಚರ್ಚಿಸಲಾಗಿದೆ ಎಂದು ಅಪೂರ್ಣವಾಗಿವೆ ಆದರೆ, ಇದು ಕರೆ ದಾಖಲೆಗಳನ್ನು ಬಹುಶಃ ಸಂಪತ್ತು ಮತ್ತು ಯೋಗಕ್ಷೇಮ ಬಗ್ಗೆ ಕೆಲವು ಮಾಹಿತಿ ಹೊಂದಿರುವ ಸಾಧ್ಯತೆಯಿದೆ. ಆದ್ದರಿಂದ, Blumenstock ಪ್ರಶ್ನೆಗೆ ಆಗಿರಬಹುದು ಕೇಳುವ ಒಂದು ರೀತಿಯಲ್ಲಿ: ಇದು ಸಾಧ್ಯವೇ ಯಾರಾದರೂ ತಮ್ಮ ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಆಧರಿಸಿ ಸಮೀಕ್ಷೆ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಹೇಗೆ ಊಹಿಸಲು ಇದು? ಹಾಗಿದ್ದಲ್ಲಿ, ನಂತರ ಕೆಲವು ಜನರು ಕೇಳುವ ಮೂಲಕ ನಾವು ಯಾರ ಉತ್ತರಗಳನ್ನು ಊಹೆ ಮಾಡಬಹುದು.

ಪ್ರಾಯೋಗಿಕವಾಗಿ ಈ ನಿರ್ಣಯಿಸಲು, ಕಿಗಾಲಿ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ರಿಂದ Blumenstock ಮತ್ತು ಸಂಶೋಧನಾ ಸಹಾಯಕರು ಬಗ್ಗೆ ಸಾವಿರ ಮೊಬೈಲ್ ಫೋನ್ ಗ್ರಾಹಕರಿಗೆ ಮಾದರಿಯನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ. ಸಂಶೋಧಕರು ಭಾಗವಹಿಸುವವರಿಗೆ ಯೋಜನೆಯ ಗುರಿಗಳನ್ನು ವಿವರಿಸಿದರು ಕರೆ ದಾಖಲೆಗಳನ್ನು ಸಮೀಕ್ಷೆ ಪ್ರತಿಸ್ಪಂದನಗಳು ಲಿಂಕ್ ಅವರ ಒಪ್ಪಿಗೆ ಕೇಳಿದರು, ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ನೀವು ಹೊಂದಿರುವಿರಾ ಉದಾಹರಣೆಗೆ ", ತಮ್ಮ ಸಂಪತ್ತು ಮತ್ತು ಯೋಗಕ್ಷೇಮ ಅಳೆಯಲು ಪ್ರಶ್ನೆಗಳ ಸರಣಿ ಕೇಳಿದಾಗ ರೇಡಿಯೋ? "ಮತ್ತು" ನೀವು ಒಂದು ಬೈಸಿಕಲ್ ಹೊಂದಿರುವಿರಾ? "(ಭಾಗಶಃ ಪಟ್ಟಿ ಚಿತ್ರ 3.11 ನೋಡಿ). ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರು ಆರ್ಥಿಕವಾಗಿ ಪರಿಹಾರ ಮಾಡಲಾಯಿತು.

ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಲಿಕೆಯಲ್ಲಿ ನಂತರ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಎಂಜಿನಿಯರಿಂಗ್: ಮುಂದೆ, Blumenstock ಒಂದು ಎರಡು ಹಂತದ ಕಾರ್ಯವಿಧಾನವನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ ಸಾಮಾನ್ಯ ಬಳಸಲಾಗುತ್ತದೆ. ಮೊದಲ, ವೈಶಿಷ್ಟ್ಯವನ್ನು ಎಂಜಿನಿಯರಿಂಗ್ ಹಂತದಲ್ಲಿ, ಸಂದರ್ಶನ ಎಲ್ಲರಿಗೂ, Blumenstock ಕರೆ ದಾಖಲೆಗಳನ್ನು ಪ್ರತಿ ವ್ಯಕ್ತಿಯ ಬಗ್ಗೆ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸೆಟ್ ಪರಿವರ್ತಿಸಲಾಯಿತು; ಮಾಹಿತಿ ವಿಜ್ಞಾನಿಗಳು ಈ ಗುಣಲಕ್ಷಣಗಳನ್ನು "ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು" ಪ್ರತಿ ವ್ಯಕ್ತಿಗೆ, ಉದಾಹರಣೆಗೆ ಕರೆ ಇರಬಹುದು, ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಕರೆ ಎಂದು "ಅಸ್ಥಿರ.", Blumenstock ಚಟುವಟಿಕೆ ದಿನಗಳ ಒಟ್ಟು ಸಂಖ್ಯೆ ಲೆಕ್ಕಾಚಾರ, ಭಿನ್ನ ಜನರ ಸಂಖ್ಯೆಯು ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ಸಂಪರ್ಕಕ್ಕೆ ಪ್ರಮಾಣವನ್ನು ಹಣದ ಪ್ರಸಾರ ಖರ್ಚು, ಹೀಗೆ. ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ, ಉತ್ತಮ ಲಕ್ಷಣ ಎಂಜಿನಿಯರಿಂಗ್ ಸಂಶೋಧನಾ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಜ್ಞಾನ. ಉದಾಹರಣೆಗೆ, ಇದು (ನಾವು ಅಂತಾರಾಷ್ಟ್ರೀಯವಾಗಿ ಕರೆ ಜನರು ಶ್ರೀಮಂತ ಎಂದು ಅಪೇಕ್ಷಿಸಬಹುದು) ದೇಶೀಯ ಮತ್ತು ಅಂತಾರಾಷ್ಟ್ರೀಯ ಕರೆಗಳನ್ನು ನಡುವೆ ವ್ಯತ್ಯಾಸ ಮುಖ್ಯ, ಈ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಎಂಜಿನಿಯರಿಂಗ್ ಹಂತದಲ್ಲೂ ಮಾಡಬೇಕು. ರುವಾಂಡಾ ಸ್ವಲ್ಪ ತಿಳುವಳಿಕೆ ಸಂಶೋಧಕರು ಈ ಸೌಲಭ್ಯವನ್ನು ಇರಬಹುದು, ಮತ್ತು ನಂತರ ಮಾದರಿಯ ಭವಿಷ್ಯಸೂಚಕ ಪ್ರದರ್ಶನ ಹಾನಿಯಾಗುತ್ತದೆ.

ಮುಂದೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಲಿಕೆಯಲ್ಲಿ ಹಂತದಲ್ಲಿ, Blumenstock ಅಂಕಿಅಂಶಗಳ ಮಾದರಿ ತಮ್ಮ ಲಕ್ಷಣಗಳನ್ನು ಆಧರಿಸಿದೆ ಪ್ರತಿ ವ್ಯಕ್ತಿಗೆ ಸಮೀಕ್ಷೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಊಹಿಸುವುದು ನಿರ್ಮಿಸಲಾಯಿತು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, Blumenstock 10 ಪಟ್ಟು ಅಡ್ಡ ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆಯೊಂದಿಗಿನ ವ್ಯವಸ್ಥಾಪನ ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಆದರೆ ಇತರ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಅಥವಾ ಯಂತ್ರ ಕಲಿಕೆ ಮಾರ್ಗಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ ಸಾಧ್ಯವಿಲ್ಲ.

ಆದ್ದರಿಂದ ಹೇಗೆ ಅದು ಕೆಲಸ ಮಾಡಲಿಲ್ಲ? ಕರೆ ದಾಖಲೆಗಳನ್ನು ಪಡೆದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿ "ನೀವು ರೇಡಿಯೊ ಹೊಂದಿರುವಿರಾ?" ಮತ್ತು Blumenstock ರೀತಿಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಸಮೀಕ್ಷೆ ಉತ್ತರಗಳನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಯಿತು "ನೀವು ಒಂದು ಬೈಸಿಕಲ್ ಹೊಂದಿರುವಿರಾ?"? ರೀತಿಯ. ಮುನ್ನೋಟಗಳನ್ನು ನಿಖರತೆಯನ್ನು ಕೆಲವು ಲಕ್ಷಣಗಳು (ಚಿತ್ರ 3.11) ಫಾರ್ ಹೆಚ್ಚಾಗಿದೆ. ಆದರೆ, ಇದು ಒಂದು ಸರಳ ಪರ್ಯಾಯ ವಿರುದ್ಧ ಸಂಕೀರ್ಣ ಭವಿಷ್ಯ ವಿಧಾನ ಹೋಲಿಸಿ ಮುಖ್ಯವಾದವರು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಒಂದು ಸರಳ ಪರ್ಯಾಯ ಎಲ್ಲರೂ ಸಾಮಾನ್ಯ ಉತ್ತರ ನೀಡುವ ಊಹಿಸಲು ಇದು. ಉದಾಹರಣೆಗೆ, 97.3% ಹಾಗಾಗಿ Blumenstock ಎಲ್ಲರೂ ಅವರು 97.3%, ಇದು ಅವರ ಹೆಚ್ಚು ಸಂಕೀರ್ಣತೆಯ ವಿಧಾನ (97.6% ನಿಖರತೆ) ಪ್ರಸ್ತುತಿಯ ಆಶ್ಚರ್ಯವಾಗುವಷ್ಟು ಹೋಲುತ್ತದೆ ನಿಖರತೆಯಲ್ಲಿ ಹೊಂದಿತ್ತು ರೇಡಿಯೋ ಮಾಲೀಕತ್ವದ ವರದಿ ಎಂದು ಭವಿಷ್ಯ ನುಡಿದಿದ್ದರು ರೇಡಿಯೋ ಮಾಲೀಕತ್ವದ ವರದಿ. ಅರ್ಥಾತ್, ಎಲ್ಲಾ ಅಲಂಕಾರಿಕ ಡೇಟಾ ಮತ್ತು ಮಾಡೆಲಿಂಗ್ 97,6% ಗೆ 97.3% ರಿಂದ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯನ್ನು ಹೆಚ್ಚಾಯಿತು. ಆದಾಗ್ಯೂ, ಇತರ ಪ್ರಶ್ನೆಗಳನ್ನು, "ನೀವು ಒಂದು ಬೈಸಿಕಲ್ ಹೊಂದಿರುವಿರಾ?", ಮುನ್ನೋಟಗಳನ್ನು 54.4% ರಿಂದ 67,6% ಸುಧಾರಣೆಗೊಂಡಿದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಚಿತ್ರ 3.12 ಪ್ರದರ್ಶನಗಳು ಕೆಲವು ಗುಣಗಳು Blumenstock ಕೇವಲ ಸರಳ ಬೇಸ್ಲೈನ್ ಊಹೆ ಮಾಡುತ್ತದೆ ಮೀರಿ ಸುಧಾರಣೆಯಾಗಲಿಲ್ಲ, ಆದರೆ ಇತರ ಗುಣಗಳು ಕೆಲವು ಸುಧಾರಣೆ ಕಂಡುಬಂದಿದೆ.

ಚಿತ್ರ 3.11: ಕರೆ ದಾಖಲೆಗಳನ್ನು ತರಬೇತಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಾದರಿ ಭವಿಷ್ಯದಲ್ಲಿ ನಿಖರತೆ. ಪಟ್ಟಿ 2 ಫಲಿತಾಂಶಗಳು Blumenstock (2014) .

ಚಿತ್ರ 3.12: ಸರಳ ಬೇಸ್ಲೈನ್ ಭವಿಷ್ಯ ಕರೆ ದಾಖಲೆಗಳನ್ನು ತರಬೇತಿ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಾದರಿ ಭವಿಷ್ಯದಲ್ಲಿ ನಿಖರತೆ ಹೋಲಿಕೆ. ಪಾಯಿಂಟುಗಳು ಸ್ವಲ್ಪ ಅತಿಕ್ರಮಣ ತಪ್ಪಿಸಲು jittered ಮಾಡಲಾಗುತ್ತದೆ; ಪಟ್ಟಿ 2 ನೋಡಿ Blumenstock (2014) ನಿಖರವಾದ ಮೌಲ್ಯಗಳಿಗೆ.

ಈ ಹಂತದಲ್ಲಿ ನೀವು ಈ ಫಲಿತಾಂಶಗಳು ಸ್ವಲ್ಪ ನಿರಾಶೆಯನ್ನು ಎಂದು, ಆದರೆ ಕೇವಲ ಒಂದು ವರ್ಷದ ನಂತರ, Blumenstock ಮತ್ತು ಎರಡು ಸಹೋದ್ಯೋಗಿಗಳು-ಗೇಬ್ರಿಯಲ್ Cadamuro ಮತ್ತು ರಾಬರ್ಟ್ ರಂದು ಪ್ರಕಟವಾದ ಗಣನೀಯವಾಗಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ವಿಜ್ಞಾನದ ಪತ್ರಿಕೆಯು ಆಲೋಚನೆ ಇರಬಹುದು (Blumenstock, Cadamuro, and On 2015) . , 1) ಅವರು ಅತ್ಯಾಧುನಿಕ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ (ಅಂದರೆ, ಹೊಸ ವಿಧಾನ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಹೆಚ್ಚು ಅತ್ಯಾಧುನಿಕ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಒಳಗೊಂಡಿದ್ದ) ಮತ್ತು 2) ವೈಯಕ್ತಿಕ ಸಮೀಕ್ಷೆ ಪ್ರಶ್ನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ನಿರ್ಣಯಿಸಲು ಪ್ರಯತ್ನ (ಉದಾ ಹೆಚ್ಚು: ಸುಧಾರಣೆಗೆ ಎರಡು ಮುಖ್ಯ ತಾಂತ್ರಿಕ ಕಾರಣಗಳಿದ್ದವು "ನೀವು ಒಂದು ರೇಡಿಯೋ ಹೊಂದಿರುವಿರಾ?"), ಅವರು ಒಂದು ಸಮ್ಮಿಶ್ರ ಸಂಪತ್ತು ಸೂಚ್ಯಂಕ ನಿರ್ಣಯಿಸಲು ಪ್ರಯತ್ನಿಸಿದರು.

Blumenstock ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಎರಡು ರೀತಿಯಲ್ಲಿ ತಮ್ಮ ವಿಧಾನದ ಪ್ರದರ್ಶನ ಪ್ರದರ್ಶಿಸಿದರು. ಮೊದಲ, ಅವರು ತಮ್ಮ ಮಾದರಿಯಲ್ಲಿ ಜನರಿಗೆ, ಅವರು ಕರೆ ದಾಖಲೆಗಳನ್ನು (ಚಿತ್ರ 3.14) ತಮ್ಮ ಸಂಪತ್ತನ್ನು ಊಹಿಸುವ ಒಂದು ಒಳ್ಳೆಯ ಕೆಲಸ ಮಾಡಲು ಯೋಚಿಸಿದರು. ಎರಡನೇ ಮತ್ತು ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿ, Blumenstock ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಅವರ ಕಾರ್ಯವಿಧಾನದ ರುವಾಂಡಾ ಸಂಪತ್ತು ಭೌಗೋಳಿಕ ಹಂಚಿಕೆಯು ಗುಣಮಟ್ಟದ ಅಂದಾಜುಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ತೋರಿಸಲಾಯಿತು. ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾಗಿ, ಅವರು ಕರೆ ದಾಖಲೆಗಳನ್ನು ಎಲ್ಲ 1.5 ದಶಲಕ್ಷ ಜನರು ಸಂಪತ್ತು ಊಹಿಸಲು ಸುಮಾರು 1,000 ಜನರ ಮಾದರಿಯ ತರಬೇತಿ ಇದು ತಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ, ಬಳಸಲಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಕರೆ ಡೇಟಾ ಹುದುಗಿದೆ ಭೌಗೋಳಿಕ ದತ್ತಾಂಶ (ಕರೆ ಡೇಟಾ ಪ್ರತಿ ಕರೆ ಹತ್ತಿರದ ಸೆಲ್ ಟವರ್ ಸ್ಥಳ ಒಳಗೊಂಡಿದೆ ಸ್ಮರಿಸುತ್ತಾರೆ) ಸಂಶೋಧಕರು ಪ್ರತಿ ವ್ಯಕ್ತಿಯ ನಿವಾಸದ ಅಂದಾಜು ಸ್ಥಳದಲ್ಲಿ ಅಂದಾಜು ಸಾಧ್ಯವಾಯಿತು. ಒಟ್ಟಿಗೆ ಈ ಎರಡು ಅಂದಾಜು ಪುಟ್ಟಿಂಗ್, ಸಂಶೋಧನೆ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಪ್ರಾದೇಶಿಕ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ನಲ್ಲಿ ಚಂದಾದಾರರ ಸಂಪತ್ತು ಭೌಗೋಳಿಕ ಹಂಚಿಕೆಯು ಅಂದಾಜು ನಿರ್ಮಾಣ. ಉದಾಹರಣೆಗೆ, ಅವರು ರುವಾಂಡಾ 2148 ಜೀವಕೋಶಗಳು (ದೇಶದಲ್ಲಿ ಚಿಕ್ಕ ಆಡಳಿತಾತ್ಮಕ ಘಟಕ) ಪ್ರತಿ ಸರಾಸರಿ ಸಂಪತ್ತು ಅಂದಾಜು ಮಾಡಬಹುದು. ಈ ಭವಿಷ್ಯ ಸಂಪತ್ತು ಮೌಲ್ಯಗಳು ಅವುಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಕಷ್ಟ ಆದ್ದರಿಂದ ಹರಳಿನ ಇದ್ದರು. ಆದ್ದರಿಂದ, ಸಂಶೋಧಕರು ರುವಾಂಡಾ 30 ಜಿಲ್ಲೆಗಳಲ್ಲಿ ಸರಾಸರಿ ಸಂಪತ್ತಿನ ಅಂದಾಜು ತಯಾರಿಸಲು ತಮ್ಮ ಫಲಿತಾಂಶಗಳು ಒಟ್ಟುಗೂಡಿಸಲಾಗಿದೆ. ಈ ಜಿಲ್ಲಾ ಮಟ್ಟದ ಅಂದಾಜುಗಳು ಬಲವಾಗಿ ಗೋಲ್ಡ್ ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಸಾಂಪ್ರದಾಯಿಕ ಸಮೀಕ್ಷೆಯಿಂದ ಅಂದಾಜು ಸಂಬಂಧಿಸಿದ್ದು, Rwandan ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮತ್ತು ಆರೋಗ್ಯ ಸಮೀಕ್ಷೆ (ಚಿತ್ರ 3.14). ಎರಡು ಮೂಲಗಳಿಂದ ಅಂದಾಜು ಇದೇ ಸಹ, Blumenstock ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳಿಂದ ಅಂದಾಜು ಅಗ್ಗದ ಸುಮಾರು 50 ಪಟ್ಟು ಮತ್ತು 10 ಬಾರಿ ವೇಗವಾಗಿ (ವೆಚ್ಚ ವೇರಿಯಬಲ್ ವೆಚ್ಚಗಳ ವಿಷಯದಲ್ಲಿ ಅಳತೆ ಮಾಡಿದಾಗ) ಇದ್ದರು. ವೆಚ್ಚ ಈ ನಾಟಕೀಯ ಇಳಿಕೆ ಪ್ರತಿ ಕೆಲವು ವರ್ಷಗಳ ರನ್ ಬದಲಿಗೆ ಇವರು ಸಮೀಕ್ಷೆಗಳು ದೊಡ್ಡ ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಸೇರಿ ಸಣ್ಣ ಸಮೀಕ್ಷೆಯ ಹೈಬ್ರಿಡ್ ಪ್ರತಿ ತಿಂಗಳು ಚಾಲನೆ ಮಾಡಲು ಅನುಕೂಲವಾಗುವಂತೆ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮತ್ತು ಆರೋಗ್ಯ ಗುಣಮಟ್ಟ ಅರ್ಥ.

ಚಿತ್ರ 3.13: ಸೂತ್ರೀಯ Blumenstock, Cadamuro, and On (2015) . ಫೋನಿನ ದತ್ತಾಂಶವನ್ನು ಕಾಲ್ ಪ್ರತಿ ವೈಶಿಷ್ಟ್ಯವನ್ನು (ಅಂದರೆ, ವೇರಿಯಬಲ್) ಅನ್ನು ಪ್ರತಿಯೊಬ್ಬರಿಗೂ ಒಂದು ಸಾಲು ಮತ್ತು ಒಂದು ಕಾಲಮ್ ಒಂದು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಪರಿವರ್ತಿಸಲಾಯಿತು. ಮುಂದೆ, ಸಂಶೋಧಕರು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ವ್ಯಕ್ತಿಯಿಂದ ಸಮೀಕ್ಷೆ ಪ್ರತಿಸ್ಪಂದನಗಳು ಊಹಿಸಲು ಮೇಲ್ವಿಚಾರಣೆ ಕಲಿಕೆಯ ಮಾದರಿಯು ನಿರ್ಮಿಸಲಾಯಿತು. ನಂತರ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಲಿಕೆಯಲ್ಲಿ ಮಾದರಿ ಎಲ್ಲರಿಗೂ ಸಮೀಕ್ಷೆ ಪ್ರತಿಸ್ಪಂದನಗಳು ಆರೋಪಣೆ ಬಳಸಲಾಯಿತು. ಮೂಲಭೂತವಾಗಿ, ಸಂಶೋಧಕರು ಸುಮಾರು ಒಂದು ಮಿಲಿಯನ್ ಜನರು ಸಂಪತ್ತು ಆರೋಪಣೆ ಗೆ ಸುಮಾರು ಒಂದು ಸಾವಿರ ಜನರ ಪ್ರತಿಕ್ರಿಯೆಗಳು. ಅಲ್ಲದೆ, ಸಂಶೋಧಕರು ತಮ್ಮ ಕರೆಗಳನ್ನು ಸ್ಥಳಗಳಲ್ಲಿ ಆಧರಿಸಿ ಎಲ್ಲಾ 1.5 ದಶಲಕ್ಷ ಜನರು ನಿವಾಸದ ಅಂದಾಜು ಸ್ಥಳದಲ್ಲಿ ಅಂದಾಜು. ಈ ಎರಡು ಅಂದಾಜು ಜಂಟಿ ಯಾವಾಗ ಪತ್ತಿನ ಮತ್ತು ನಿವಾಸಿ-ಫಲಿತಾಂಶಗಳ ಅಂದಾಜು ಸ್ಥಳದಲ್ಲಿ ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮತ್ತು ಹೆಲ್ತ್ ಸರ್ವೆ, ಒಂದು ಚಿನ್ನದ ಗುಣಮಟ್ಟದ ಸಾಂಪ್ರದಾಯಿಕ ಸಮೀಕ್ಷೆ (ಚಿತ್ರ 3.14) ಅಂದಾಜಿನ ಹೋಲುವಂತಿದ್ದವು.

ಚಿತ್ರ 3.14: ಫಲಿತಾಂಶಗಳು Blumenstock, Cadamuro, and On (2015) . ವೈಯಕ್ತಿಕ ಮಟ್ಟದಲ್ಲಿ, ಸಂಶೋಧಕರು ತಮ್ಮ ಕರೆ ದಾಖಲೆಗಳನ್ನು ಯಾರಾದರೂ ಸಂಪತ್ತು ಮುನ್ಸೂಚನೆ ಒಂದು ಸಮಂಜಸವಾದ ಕೆಲಸ ಮಾಡಲು ಸಾಧ್ಯವಾಯಿತು. ಜಿಲ್ಲಾ ಮಟ್ಟದ ಆಸ್ತಿ ಸಂಪತ್ತು ಮತ್ತು ನಿವಾಸದ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ಥಳದಲ್ಲಿ ಪ್ರತ್ಯೇಕ ಮಟ್ಟದ ಅಂದಾಜಿನ ಮೇಲೆ ಆಧರಿಸಲಾಗಿದೆ ಅಂದಾಜು ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮತ್ತು ಹೆಲ್ತ್ ಸರ್ವೆ, ಒಂದು ಚಿನ್ನದ ಗುಣಮಟ್ಟದ ಸಾಂಪ್ರದಾಯಿಕ ಸಮೀಕ್ಷೆಯಿಂದ ಫಲಿತಾಂಶಗಳು ಹೋಲುವಂತಿದ್ದವು.

ತೀರ್ಮಾನಕ್ಕೆ ರಲ್ಲಿ, Blumenstock ನ ಚಿನ್ನದ ಗುಣಮಟ್ಟದ ಸಮೀಕ್ಷೆಗಳ ಅಂದಾಜು ಹೋಲಿಕೆಗೆ ಅಂದಾಜು ತಯಾರಿಸಲು ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಅನುಸಂಧಾನ ಸೇರಿ ಸಮೀಕ್ಷೆ ಅಕ್ಷಾಂಶ ಕೇಳುವ ಹೆಚ್ಚುತ್ತವೆ. ಈ ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆಗೆ ಸಹ ವರ್ಧಿತ ಕೇಳುವ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಸಮೀಕ್ಷೆ ವಿಧಾನಗಳ ನಡುವೆ ವಿನಿಮಯಗಳಿಗೆ ಕೆಲವು ಸ್ಪಷ್ಟೀಕರಿಸುತ್ತದೆ. ಮೊದಲ, ವರ್ಧಿತ ಕೇಳುವ ಅಂದಾಜು ಹೆಚ್ಚು, ಸಕಾಲಿಕ ಗಣನೀಯವಾಗಿ ಅಗ್ಗದ, ಮತ್ತು ಹೆಚ್ಚು ಹರಳಿನ ಇದ್ದರು. ಆದರೆ, ಮತ್ತೊಂದೆಡೆ, ಈ ಸಮಯದಲ್ಲಿ, ಇಲ್ಲ ವರ್ಧಿತ ಕೇಳುವ ಈ ರೀತಿಯ ಬಲವಾದ ಸೈದ್ಧಾಂತಿಕ ಆಧಾರವಾಗಿದೆ. ಇದು ತಿನ್ನುವೆ ಇದು ಕೆಲಸ ಮತ್ತು ಯಾವಾಗ, ಈ ಒಂದು ಉದಾಹರಣೆ ತೋರಿಸುವುದಿಲ್ಲ. ಮತ್ತಷ್ಟು ವರ್ಧಿಸಿದೆ ಕೇಳುವ ವಿಧಾನ ಇನ್ನೂ ತನ್ನ ಅಂದಾಜು ಸುಮಾರು ಅನಿಶ್ಚಿತತೆಯ ಪ್ರಮಾಣೀಕರಿಸಿ ಉತ್ತಮ ಹೊಂದಿರುವಂತಿಲ್ಲ. ಆದಾಗ್ಯೂ, ವರ್ಧಿತ ಕೇಳುವ ಅಂಕಿಅಂಶಗಳು ಮಾದರಿ ಆಧಾರಿತ ನಂತರದ ಶ್ರೇಣೀಕರಣದ ಮೂರು ದೊಡ್ಡ ಪ್ರದೇಶಗಳಿಗೆ ಆಳವಾದ ಸಂಪರ್ಕಗಳನ್ನು ಹೊಂದಿದೆ (Little 1993) , ಆರೋಪಣೆ (Rubin 2004) , ಮತ್ತು ಸಣ್ಣ ಪ್ರದೇಶದಲ್ಲಿ ಅಂದಾಜು (Rao and Molina 2015) -ಮತ್ತು ಆದ್ದರಿಂದ ನಾನು ಮುಂದುವರೆಯುವುದು ಎಂದು ನಿರೀಕ್ಷಿಸಬಹುದು ಕ್ಷಿಪ್ರ ಎಂದು.

ವರ್ಧಿತ ಕೇಳುವ ಮಾಡಬಹುದು ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶದ ಕಡೆ ಒಂದು ಮೂಲ ಪಾಕವಿಧಾನವನ್ನು ಅನುಸರಿಸುತ್ತದೆ. ಎರಡು ಅಂಶಗಳು ಮತ್ತು ಎರಡು ಕ್ರಮಗಳನ್ನು. ಎರಡು ಅಂಶಗಳು 1) ವ್ಯಾಪಕ ತೆಳುವಾದ (ಅಂದರೆ ಡಿಜಿಟಲ್ ಜಾಡಿನ ದತ್ತಾಂಶ, ಇದು ಅನೇಕ ಜನರು ಆದರೆ ಮಾಹಿತಿ ನೀವು ಪ್ರತಿ ವ್ಯಕ್ತಿಗಳು ಬಗ್ಗೆ ಅಗತ್ಯವಿರುವ) ಮತ್ತು 2) ಕಿರಿದಾದ ಆದರೆ ದಪ್ಪ (ಅಂದರೆ ಒಂದು ಸಮೀಕ್ಷೆ, ಇದು ಹೊಂದಿದೆ ಕೆಲವೇ ಜನರು, ಆದರೆ ಆ ವ್ಯಕ್ತಿ ಬಗ್ಗೆ ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿ) ಹೊಂದಿದೆ. ನಂತರ, ಎರಡು ಕ್ರಮಗಳನ್ನು. ಮೊದಲ, ಎರಡೂ ದಶಮಾಂಶ ಮೂಲಗಳು ಜನರಿಗೆ, ಸಮೀಕ್ಷೆ ಉತ್ತರಗಳನ್ನು ಊಹಿಸಲು ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಬಳಸುವ ಒಂದು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಬಲ್ಲ. ಮುಂದೆ, ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ಎಲ್ಲರೂ ಸಮೀಕ್ಷೆ ಉತ್ತರಗಳನ್ನು ಆರೋಪಣೆ ಗೆ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಬಳಸಿ. ಆದ್ದರಿಂದ, ನೀವು ತಮ್ಮ ಉತ್ತರವನ್ನು ಊಹಿಸಲು ಬಳಸಬಹುದು ಆ ವ್ಯಕ್ತಿ ಡಿಜಿಟಲ್ ಟ್ರೇಸ್ ಡೇಟಾ ನೋಡಿ, ಜನರು ಸಾಕಷ್ಟು ಕೇಳಲು ಬಯಸುವ ಕೆಲವು ಪ್ರಶ್ನೆ ಇದ್ದರೆ.

ಸಮಸ್ಯೆ Blumenstock ಮೊದಲ ಮತ್ತು ಎರಡನೇ ಪ್ರಯತ್ನ ಹೋಲಿಸಿ ಸಂಶೋಧನಾ ಸಮೀಕ್ಷೆ ಮೂರನೇ ಯುಗದ ವಿಧಾನಗಳು ಎರಡನೇ ಯುಗದ ಪರಿವರ್ತನೆಯ ಬಗ್ಗೆ ಪ್ರಮುಖ ಪಾಠ ವಿವರಿಸುತ್ತದೆ: ಆರಂಭದಲ್ಲಿ ಕೊನೆಯಲ್ಲಿ ಅಲ್ಲ. ಅಂದರೆ, ಅನೇಕ ಬಾರಿ, ಮೊದಲ ವಿಧಾನ ಅತ್ಯುತ್ತಮ ಸಾಧ್ಯವಿಲ್ಲ, ಆದರೆ ಸಂಶೋಧಕರು ಕೆಲಸ ಮುಂದುವರೆಯುವ, ವಿಷಯಗಳನ್ನು ಉತ್ತಮ ಪಡೆಯುವುದು. ಸಾಮಾನ್ಯವಾಗಿ, ಡಿಜಿಟಲ್ ಯುಗದಲ್ಲಿ ಸಾಮಾಜಿಕ ಸಂಶೋಧನೆ ಹೊಸ ಮಾರ್ಗಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ, ಇದು ಪ್ರಮುಖ ಎರಡು ವಿಭಿನ್ನ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಮಾಡುವುದು: 1) ಈಗ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಹೇಗೆ ಮತ್ತು 2) ಹೇಗೆ ನೀವು ಈ ಡೇಟಾವನ್ನು ಭೂದೃಶ್ಯ ಭವಿಷ್ಯದಲ್ಲಿ ಕೆಲಸ ಸಂಶಯವಿಲ್ಲ ಮಾಡಲು ಬದಲಾವಣೆಗಳು ಮತ್ತು ಸಂಶೋಧಕರು ಸಮಸ್ಯೆಗೆ ಹೆಚ್ಚಿನ ಗಮನವನ್ನು ಹರಿಸಿದ. ಆದಾಗ್ಯೂ, ಸಂಶೋಧಕರು ಮೌಲ್ಯಮಾಪನ ಮೊದಲ ರೀತಿಯ (ಒಳ್ಳೆಯ ಸಂಶೋಧನೆಯ ಈ ನಿರ್ದಿಷ್ಟ ತುಣುಕು) ಮಾಡಲು ತರಬೇತಿ, ಎರಡನೇ ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿದೆ.