2.4.1.3 ಸೆನ್ಸಾರ್ಶಿಪ್ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮದ ಚೀನೀ ಸರ್ಕಾರ

ಸಂಶೋಧಕರು ಸೆನ್ಸಾರ್ಶಿಪ್ ಅಧ್ಯಯನ ಚೀನೀ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಸೈಟ್ಗಳು ಬರೆಯಲಾಗುತ್ತದೆ. ಅವರು ಸುಪ್ತ-ಲಕ್ಷಣ ತೀರ್ಮಾನಿಸುವುದು ಅಪೂರ್ಣತೆಯ ವ್ಯವಹರಿಸಬೇಕು.

ಎರಡು ಹಿಂದಿನ ಉದಾಹರಣೆಗಳು ಬಳಸಲಾಗುತ್ತದೆ ದೊಡ್ಡ ದಶಮಾಂಶ ಜೊತೆಗೆ, ಸಂಶೋಧಕರು ತಮ್ಮ ವೀಕ್ಷಣೆಯ ಅಂಕಿಅಂಶಗಳೊಂದಿಗೆ, ಅತ್ಯದ್ಭುತವಾಗಿ ಗ್ಯಾರಿ ಕಿಂಗ್, ಜೆನ್ನಿಫರ್ ಪ್ಯಾನ್, ಮತ್ತು ಮೊಲ್ಲಿ ರಾಬರ್ಟ್ಸ್ 'ಸ್ಪಷ್ಟಪಡಿಸಿದ್ದಾರೆ ಎಂದು ಸಂಗ್ರಹಿಸಬಲ್ಲವು (2013) ಸಂಶೋಧನಾ ಸೆನ್ಸಾರ್ ಮೇಲೆ ಚೀನೀ ಸರ್ಕಾರ.

ಚೀನಾ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪೋಸ್ಟ್ಗಳನ್ನು ಜನರು ಸಾವಿರಾರು ಸೇರಿವೆ ತಿಳಿಯಲಾಗಿದೆ ಎಂದು ಅಪಾರ ರಾಜ್ಯದ ಉಪಕರಣ ಸೆನ್ಸಾರ್ ಮಾಡಲಾಗುತ್ತದೆ. ಸಂಶೋಧಕರು ಮತ್ತು ನಾಗರಿಕರಿಗೆ, ಆದಾಗ್ಯೂ, ಈ ಸೆನ್ಸಾರ್ ವಿಷಯ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಅಳಿಸಲ್ಪಡುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಹೇಗೆ ಕಡಿಮೆ ಪ್ರಜ್ಞೆ. ಚೀನಾ ಪಂಡಿತರು ವಾಸ್ತವವಾಗಿ ವಿರುದ್ಧವಾದ ನಿರೀಕ್ಷೆಗಳನ್ನು ಪೋಸ್ಟ್ಗಳ ರೀತಿಯ ಅಳಿಸಲಾಗಿದೆ ಪಡೆಯುತ್ತೀರಿ ಸಾಧ್ಯತೆಗಳಿವೆ ಬಗ್ಗೆ ಹೊಂದಿವೆ. ಕೆಲವು ಸೆನ್ಸಾರ್ ಇತರರು ಅವು ಪ್ರತಿಭಟನೆಗಳು ಒಟ್ಟಾರೆ ನಡವಳಿಕೆ ಪ್ರೋತ್ಸಾಹಿಸುವ ಪೋಸ್ಟ್ಗಳನ್ನು, ಗಮನ ಭಾವಿಸುತ್ತೇನೆ ರಾಜ್ಯದ ವಿಮರ್ಶಾತ್ಮಕ ಎಂದು ಪೋಸ್ಟ್ಗಳನ್ನು ಗಮನ ಎಂದು ಭಾವಿಸುತ್ತೇನೆ. ಕುರಿತಾಗಿ ಈ ನಿರೀಕ್ಷೆಗಳನ್ನು ಸರಿಯಾದ ಇದು ಸಂಶೋಧಕರು ಚೀನಾ ಮತ್ತು ಸೆನ್ಸಾರ್ಶಿಪ್ ತೊಡಗಿಸಿಕೊಳ್ಳಲು ಇತರ ಸರ್ವಾಧಿಕಾರಿ ಸರ್ಕಾರಗಳು ಅರ್ಥ ಹೇಗೆ ಪರಿಣಾಮವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಕಿಂಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಪ್ರಕಟವಾದ ನಂತರ ಎಂದು ಪ್ರಕಟಿಸಿದರು ಮತ್ತು ಎಂದಿಗೂ ಎಂದು ಅಳಿಸಲಾಗಿದೆ ಪೋಸ್ಟ್ಗಳನ್ನು ಅಳಿಸಲಾಗಿದೆ ಪೋಸ್ಟ್ಗಳನ್ನು ಹೋಲಿಸಿ ಬಯಸಿದ್ದರು.

ಈ ಪೋಸ್ಟ್ಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಸಂಬಂಧಿತ ಪೋಸ್ಟ್ಗಳು ವಿವಿಧ ಪುಟ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಹುಡುಕುವುದು, ಮತ್ತು ನಂತರ ತರುವಾಯದಲ್ಲಿ ತೆಗೆದುಹಾಕಲಾಯಿತು ಇದು ನೋಡಲು ಈ ಪೋಸ್ಟ್ಗಳನ್ನು ಪುನರಾವಲೋಕಿಸುವ 1,000 ಹೆಚ್ಚು ಚೀನೀ ಸಾಮಾಜಿಕ ವೆಬ್ಸೈಟ್ಗಳಿಂದ-ಪ್ರತಿ ಕ್ರಾಲ್ ಅದ್ಭುತ ಇಂಜಿನಿಯರಿಂಗ್ ಸಾಧನೆಯನ್ನು ಒಳಗೊಂಡಿತ್ತು. ದೊಡ್ಡ ಪ್ರಮಾಣದ ವೆಬ್ ಸಂಚಾರ ಸಂಬಂಧಿಸಿದ ಸಾಮಾನ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ಜೊತೆಗೆ, ಈ ಯೋಜನೆಯ ಅನೇಕ ಸೆನ್ಸಾರ್ ಕಂಬಗಳಿವೆ ಕಡಿಮೆ 24 ಗಂಟೆಗಳ ಕೆಳಗೆ ತೆಗೆದುಕೊಂಡ ಕಾರಣ ಇದು ಅತ್ಯಂತ ವೇಗದ ಎಂದು ಅಗತ್ಯವಿದೆ ಎಂದು ಸೇರಿಸಲಾಗಿದೆ ಸವಾಲು ಹೊಂದಿತ್ತು. ಅರ್ಥಾತ್, ನಿಧಾನಗತಿಯ ಕ್ರಾಲರ್ ಆ ಸೆನ್ಸಾರ್ ಮಾಡಲಾಯಿತು ಪೋಸ್ಟ್ಗಳ ನಮ್ಮ ತಪ್ಪಿಸಿಕೊಂಡು. ಇದಲ್ಲದೆ, ತೆವಳುವ ಘಟಕಗಳು ಸಾಮಾಜಿಕ ವೆಬ್ಸೈಟ್ಗಳಿಂದ ಅಧ್ಯಯನ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ತಮ್ಮ ನೀತಿಗಳನ್ನು ಬದಲಾಯಿಸಲು ಪ್ರವೇಶವನ್ನು ನಿರ್ಬಂಧಿಸಲು ಅಥವಾ ಆಗದಂತೆ ಪತ್ತೆ evading ಸಂದರ್ಭದಲ್ಲಿ ಈ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹ ಮಾಡಲೇಬೇಕಿತ್ತು.

ಒಮ್ಮೆ ಈ ಬೃಹತ್ ಎಂಜಿನಿಯರಿಂಗ್ ಕಾರ್ಯ ಪೂರ್ಣಗೊಂಡಿತು ರಾಜ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಪೂರ್ವ ನಿಗದಿತ ಸಂವೇದನೆ ತಮ್ಮ ನಿರೀಕ್ಷಿತ ಮಟ್ಟದ ಆಧಾರಿತವಾದ 85 ವಿವಿಧ ವಿಷಯಗಳ ಬಗ್ಗೆ ಸುಮಾರು 11 ದಶಲಕ್ಷ ಪೋಸ್ಟ್ಗಳನ್ನು ಪಡೆದ. ಉದಾಹರಣೆಗೆ, ಹೆಚ್ಚಿನ ಸಂವೇದನೆಯ ವಿಷಯ ಐ Weiwei, ಭಿನ್ನಮತೀಯ ಕಲಾವಿದೆ; ಮಧ್ಯಮ ಸಂವೇದನೆಯ ವಿಷಯ ಮೆಚ್ಚುಗೆ ಮತ್ತು ಚೀನೀ ಕರೆನ್ಸಿ ಅಪಮೌಲ್ಯೀಕರಣಕ್ಕೆ, ಮತ್ತು ಕಡಿಮೆ ಸಂವೇದನೆಯ ವಿಷಯ ವಿಶ್ವ ಕಪ್. ಈ 11 ದಶಲಕ್ಷ ಪೋಸ್ಟ್ಗಳನ್ನು ಸುಮಾರು 2 ಮಿಲಿಯನ್ ಸೆನ್ಸಾರ್, ಆದರೆ ಅತೀ ಸೂಕ್ಷ್ಮ ವಿಷಯಗಳು ಪೋಸ್ಟ್ಗಳನ್ನು ಮಧ್ಯಮ ಮತ್ತು ಕಡಿಮೆ ಸಂವೇದನೆ ವಿಷಯಗಳು ಪೋಸ್ಟ್ಗಳನ್ನು ಅದಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಾಮಾನ್ಯವಾಗಿ ಕತ್ತರಿಪ್ರಯೋಗ ಮಾಡಲಾಯಿತು. ಅರ್ಥಾತ್, ಚೀನೀ ಸೆನ್ಸಾರ್ ವಿಶ್ವಕಪ್ ಹೇಳಿಕೊಂಡಿದ್ದಾರೆ ಪೋಸ್ಟ್ ಐ Weiwei ಹೇಳಿಕೊಂಡಿದ್ದಾರೆ ಪೋಸ್ಟ್ ಪರಾಮರ್ಶಿಸಲು ಬಗ್ಗೆ ಸಾಧ್ಯತೆಯಿದೆ. ಈ ಶೋಧನೆಗಳು ಸರ್ಕಾರದ ಸೂಕ್ಷ್ಮ ವಿಷಯಗಳು ಎಲ್ಲಾ ಪೋಸ್ಟ್ಗಳನ್ನು ಸೆನ್ಸಾರ್ ಎಂದು ಸರಳ ಕಲ್ಪನೆ ಹೊಂದಿಕೆಯಾಗಲಿಲ್ಲ.

ವಿಷಯ ಸೆನ್ಸಾರ್ಶಿಪ್ ದರ ಈ ಸರಳ ಲೆಕ್ಕಾಚಾರದ ಆದಾಗ್ಯೂ, ತಪ್ಪು ಆಗಿರಬಹುದು. ಉದಾಹರಣೆಗೆ, ಸರ್ಕಾರದ ಐ Weiwei ಬೆಂಬಲ ಎಂದು, ಆದರೆ ಅವರಿಗೆ ಹೊಂದಿವೆ ಎಂದು ಟೀಕೆಗಳಿಗೆ ಪೋಸ್ಟ್ಗಳನ್ನು ಬಿಟ್ಟು ಪೋಸ್ಟ್ಗಳನ್ನು ಸೆನ್ಸಾರ್ ಇರಬಹುದು. ಎಚ್ಚರಿಕೆಯಿಂದ ಪೋಸ್ಟ್ಗಳನ್ನು ನಡುವೆ ವ್ಯತ್ಯಾಸ ಸಲುವಾಗಿ, ಸಂಶೋಧಕರು ಪ್ರತಿ ಪೋಸ್ಟ್ ಭಾವನೆ ಅಳೆಯಲು ಅಗತ್ಯವಿದೆ. ಹೀಗಾಗಿ, ಅದರ ಬಗ್ಗೆ ಯೋಚಿಸುವುದು ಒಂದು ಮಾರ್ಗವಾಗಿದೆ ಪ್ರತಿ ಪೋಸ್ಟ್ ಭಾವನೆ ಪ್ರತಿ ಪೋಸ್ಟ್ ಒಂದು ಪ್ರಮುಖ ಸುಪ್ತ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಎಂದು. ದುರದೃಷ್ಟವಶಾತ್, ಹೆಚ್ಚು ಕೆಲಸ ಹೊರತಾಗಿಯೂ, ಮೊದಲೇ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ನಿಘಂಟುಗಳು ಬಳಸಿಕೊಂಡು ಭಾವನೆ ಪತ್ತೆ ಸಂಪೂರ್ಣ ಸ್ವಯಂಚಾಲಿತ ವಿಧಾನಗಳು ಇನ್ನೂ ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಹಳ ಒಳ್ಳೆಯದು (ವಿಭಾಗ 2.3.2.6 ಸೆಪ್ಟೆಂಬರ್ 11, 2001 ಭಾವನಾತ್ಮಕ ಟೈಮ್ಲೈನ್ ರಚಿಸುವ ಸಮಸ್ಯೆಗಳಿಗೆ ಮತ್ತೆ ಭಾವಿಸುತ್ತೇನೆ). ಆದ್ದರಿಂದ, ಕಿಂಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಎಂಬುದನ್ನು ಅವರು 1 ರಾಜ್ಯದ ಟೀಕಿಸಲಾಗಿತ್ತು) ಗೆ ತಮ್ಮ 11 ಮಿಲಿಯನ್ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪೋಸ್ಟ್ಗಳನ್ನು ಲೇಬಲ್ ಒಂದು ರೀತಿಯಲ್ಲಿ ಅಗತ್ಯವಿದೆ, 2) ರಾಜ್ಯದ, ಅಥವಾ 3) ಘಟನೆಗಳ ಬಗ್ಗೆ ಅಸಂಬದ್ಧ ಅಥವಾ ವಾಸ್ತವಿಕ ವರದಿಗಳು ಬೆಂಬಲ. ಈ ಒಂದು ಬೃಹತ್ ಕೆಲಸ ರೀತಿಯಲ್ಲಿ ಧ್ವನಿಸುತ್ತದೆ, ಆದರೆ ಪ್ರಬಲ ಟ್ರಿಕ್ ಬಳಸಿಕೊಂಡು ಅದನ್ನು ಪರಿಹಾರ; ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ ಸಾಮಾನ್ಯ ಆದರೆ ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನದಲ್ಲಿ ಪ್ರಸ್ತುತ ಆಗದು ಒಂದು.

ಮೊದಲ, ಒಂದು ಹೆಜ್ಜೆ ಸಾಮಾನ್ಯವಾಗಿ ಪೂರ್ವ ಪ್ರಕ್ರಿಯೆಗೆ ಕರೆಯಲ್ಪಡುವ, ಸಂಶೋಧಕರು ಮತ್ತು ಪ್ರತಿ ದಸ್ತಾವೇಜಿಗೆ ಒಂದು ಸಾಲು ಪೋಸ್ಟ್ ನಿರ್ದಿಷ್ಟ ಪದವನ್ನು ಒಳಗೊಂಡಿರುವ ಎಂಬುದನ್ನು ದಾಖಲಿಸಿದ ಒಂದು ಕಾಲಮ್ ಇತ್ತು ಅಲ್ಲಿ ಡಾಕ್ಯುಮೆಂಟ್ ಕಾಲದ ಮ್ಯಾಟ್ರಿಕ್ಸ್, ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪೋಸ್ಟ್ಗಳನ್ನು ಪರಿವರ್ತನೆ (ಉದಾಹರಣೆಗೆ, ಪ್ರತಿಭಟನೆ, ಸಂಚಾರ, ಇತ್ಯಾದಿ). ಮುಂದೆ, ಸಂಶೋಧನಾ ಸಹಾಯಕರು ಒಂದು ಗುಂಪು ಪೋಸ್ಟ್ ಮಾದರಿಯನ್ನು ಭಾವನೆ ಕೈ ಲೇಬಲ್. ನಂತರ, ಕಿಂಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ತನ್ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಆಧರಿಸಿ ಒಂದು ಪೋಸ್ಟ್ ಭಾವನೆ ನಿರ್ಣಯಿಸಲು ಎಂದು ಒಂದು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಅಂದಾಜು ಮಾಡಲು ಈ ಕೈ ಲೇಬಲ್ ದತ್ತಾಂಶವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಅವರು ಎಲ್ಲಾ 11 ದಶಲಕ್ಷ ಪೋಸ್ಟ್ಗಳನ್ನು ಭಾವನೆ ಅಂದಾಜು ಮಾಡಲು ಈ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತವೆ. ಹೀಗಾಗಿ, ಕೈಯಾರೆ ಓದುವ ಮತ್ತು ಲೇಬಲಿಂಗ್ 11 ಮಿಲಿಯನ್ ಪೋಸ್ಟ್ಗಳು (ವ್ಯವಸ್ಥಾಪನ ತಂತ್ರದದಿಮದ ಅಸಾಧ್ಯ ಎಂದು ಇದು) ಬದಲಿಗೆ, ಅವರು ಕೈಯಾರೆ ಪೋಸ್ಟ್ಗಳನ್ನು ಒಂದು ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಲೇಬಲ್ ಮತ್ತು ನಂತರ ವಿಜ್ಞಾನಿಗಳು ಎಲ್ಲಾ ಪೋಸ್ಟ್ಗಳನ್ನು ವಿಭಾಗಗಳು ಅಂದಾಜು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಲಿಕೆಯಲ್ಲಿ ಕರೆ ಎಂದು ದತ್ತಾಂಶವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಈ ವಿಶ್ಲೇಷಣೆ ಮುಗಿದ ನಂತರ, ಕಿಂಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಸ್ವಲ್ಪ ಆಶ್ಚರ್ಯಕರ, ಒಂದು ಪೋಸ್ಟ್ ಸಂಭವನೀಯತೆ ಡಿಲೀಟ್ ಅಥವಾ ರಾಜ್ಯದ ವಿಮರ್ಶಾತ್ಮಕ ರಾಜ್ಯದ ಬೆಂಬಲ ಎಂದು ಯಾವುದೇ ಸಂಬಂಧವಿಲ್ಲ, ಎಂದು ಅಭಿಪ್ರಾಯ ಸಾಧ್ಯವಾಯಿತು.

ಚಿತ್ರ 2.3: ಬಳಸಲಾಗುತ್ತದೆ ವಿಧಾನ ಸರಳೀಕೃತ ನೀಲನಕ್ಷೆಯನ್ನು King, Pan, and Roberts (2013) 11 ಮಿಲಿಯನ್ ಚೀನೀ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪೋಸ್ಟ್ಗಳನ್ನು ಭಾವನೆ ಅಂದಾಜು ಗೆ. ಮೊದಲ, ಒಂದು ಹೆಜ್ಜೆ ಸಾಮಾನ್ಯವಾಗಿ ಪೂರ್ವ ಪ್ರಕ್ರಿಯೆಗೆ ಕರೆಯಲ್ಪಡುವ, ಸಂಶೋಧಕರು ದಾಖಲೆಯಲ್ಲಿ ಕಾಲದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪೋಸ್ಟ್ಗಳನ್ನು ಪರಿವರ್ತನೆ (ನೋಡಿ Grimmer and Stewart (2013) ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ). ಎರಡನೇ, ಸಂಶೋಧಕರು ಪೋಸ್ಟ್ಗಳ ಸಣ್ಣ ಮಾದರಿಯ ಭಾವನೆ ಕೈ ಕೋಡೆಡ್. ಮೂರನೇ, ಸಂಶೋಧಕರು ಪೋಸ್ಟ್ಗಳ ಭಾವನೆ ವರ್ಗೀಕರಿಸಲು ಮೇಲ್ವಿಚಾರಣೆ ಕಲಿಕೆಯ ಮಾದರಿಯು ತರಬೇತಿ. ನಾಲ್ಕನೆಯದಾಗಿ, ಸಂಶೋಧಕರು ಎಲ್ಲಾ ಪೋಸ್ಟ್ಗಳನ್ನು ಭಾವನೆ ಅಂದಾಜು ಮೇಲ್ವಿಚಾರಣೆ ಕಲಿಕೆಯ ಮಾದರಿಯು ಬಳಸಲಾಗುತ್ತದೆ. ನೋಡಿ King, Pan, and Roberts (2013) , ಅನುಬಂಧ B ಹೆಚ್ಚು ವಿವರವಾದ ವಿವರಣೆಯನ್ನು.

, ಸೆನ್ಸಾರ್ ರವರ ಟೀಕೆಗೆ ಮತ್ತು ಅಶ್ಲೀಲ, ಸಾಮೂಹಿಕ ಕ್ರಮ ಸಂಭಾವ್ಯ ಎಂದು ಆ (ಅಂದರೆ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಪ್ರತಿಭಟನೆಗಳು ಕಾರಣವಾಗುತ್ತದೆ ಸಾಧ್ಯತೆಯನ್ನು): ಕೊನೆಯಲ್ಲಿ, ಕಿಂಗ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಪೋಸ್ಟ್ಗಳ ಕೇವಲ ಮೂರು ರೀತಿಯ ನಿಯಮಿತವಾಗಿ ಸೆನ್ಸಾರ್ ಎಂದು ಕಂಡುಹಿಡಿಯಲಾಯಿತು. ಅಳಿಸಿಲ್ಲ ಎಂದು ಅಳಿಸಲಾಗಿದೆ ಮತ್ತು ಪೋಸ್ಟ್ಗಳನ್ನು ಎಂದು ಪೋಸ್ಟ್ಗಳನ್ನು ಒಂದು ದೊಡ್ಡ ಸಂಖ್ಯೆಯ ಗಮನಿಸುವುದರ ಮೂಲಕ, ರಾಜ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಸೆನ್ಸಾರ್ ನೋಡುತ್ತಿರುವ ಎಣಿಸುವ ಮೂಲಕ ಕೆಲಸ ಹೇಗೆ ತಿಳಿಯಲು ಸಾಧ್ಯವಾಯಿತು. ನಂತರದ ಸಂಶೋಧನೆಗಳು, ಅವರು ವಾಸ್ತವವಾಗಿ ನೇರವಾಗಿ ಚೀನೀ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಪರಿಸರ ಸೆನ್ಸಾರ್ ಪಡೆಯುವುದು ವ್ಯವಸ್ಥಿತವಾಗಿ ವಿವಿಧ ವಿಷಯ ಮತ್ತು ಅಳೆಯುವ ಪೋಸ್ಟ್ಗಳನ್ನು ರಚಿಸಲು ಹಸ್ತಕ್ಷೇಪ (King, Pan, and Roberts 2014) . ನಾವು ಕಥೆಯಾದ್ಯಂತ ಸಂಭವಿಸುತ್ತದೆ ಒಂದು ಥೀಮ್ ಮುನ್ಸೂಚನೆ, ಅಧ್ಯಾಯ 4. ಮತ್ತಷ್ಟು ಪ್ರಯೋಗಾತ್ಮಕ ಬಗ್ಗೆ ಕಲಿಯುವಿರಿ, ಈ ಸುಪ್ತ ಗುಣಲಕ್ಷಣ ನಿರ್ಣಯ ತೊಂದರೆಗಳಿಗೆ ಕೆಲವೊಮ್ಮೆ ಪರಿಹರಿಸಬಹುದು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಲಿಕೆಯಲ್ಲಿ ತಿರುಗಿ ಸಾಮಾಜಿಕ ಸಂಶೋಧನೆಯಲ್ಲಿ ಬಹಳ ಸಾಮಾನ್ಯವಾಗಿತ್ತು ಔಟ್ ಡಿಜಿಟಲ್ ವಯಸ್ಸು. ನೀವು ಚಿತ್ರಗಳು ಚಿತ್ರ ಅಧ್ಯಾಯ 3 (ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುವುದು) ಮತ್ತು 5 2.3 ನೋಡುತ್ತಾರೆ (ಸಮೂಹ ಸಹಯೋಗದೊಂದಿಗೆ ರಚಿಸಲಾಗುತ್ತಿದೆ); ಇದು ಅನೇಕ ಅಧ್ಯಾಯಗಳಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಕೆಲವು ಕಲ್ಪನೆಗಳನ್ನು ಒಂದಾಗಿದೆ.

ಈ ಉದಾಹರಣೆಗಳು ನ್ಯೂಯಾರ್ಕ್ ಟ್ಯಾಕ್ಸಿ ಚಾಲಕರು, ವಿದ್ಯಾರ್ಥಿಗಳು ಸ್ನೇಹಕ್ಕಾಗಿ ರಚನೆ, ವೀಕ್ಷಣೆಯ ಅಂಕಿಅಂಶಗಳೊಂದಿಗೆ ತುಲನಾತ್ಮಕವಾಗಿ ಸಾಮಾನ್ಯ ಎಣಿಕೆಯ ಸೈದ್ಧಾಂತಿಕ ಮುನ್ನೋಟಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಸಂಶೋಧಕರು ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು ಚೀನೀ ಸರ್ಕಾರದ ಶೋ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಸೆನ್ಸಾರ್ಶಿಪ್ ನಡವಳಿಕೆಯ ಕೆಲಸ ವರ್ತನೆಯನ್ನು ಎಲ್ಲಾ ಮೂರು. ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ದೊಡ್ಡ ದಶಮಾಂಶ ನೀವು ತುಲನಾತ್ಮಕವಾಗಿ ನೇರವಾಗಿ ಈ ಎಣಿಕೆಯ ಮಾಡಲು (ನ್ಯೂಯಾರ್ಕ್ ಟ್ಯಾಕ್ಸಿಗಳು ಸಂದರ್ಭದಲ್ಲಿ ಮಾಹಿತಿ) ಅನ್ನು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ. ಇತರ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಸಂಶೋಧಕರು (ಚೀನೀ ಸೆನ್ಸಾರ್ಶಿಪ್ ವಿಷಯದಲ್ಲಿ) ತಮ್ಮ ವೀಕ್ಷಣೆಯ ಅಂಕಿಅಂಶಗಳೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಲು ಅಗತ್ಯವಿದೆ; (ನೆಟ್ವರ್ಕ್ ವಿಕಾಸದ ಸಂದರ್ಭದಲ್ಲಿ ಮಾಹಿತಿ) ಒಟ್ಟಿಗೆ ಮಾಹಿತಿ ವಿಲೀನಗೊಳಿಸುವ ಮೂಲಕ ಅಪೂರ್ಣತೆಯ ಎದುರಿಸಲು; ಅಥವಾ ಸುಪ್ತ-ಲಕ್ಷಣ ಸಿದ್ಧಾಂತಕ್ಕೆ ಕೆಲವು ರೂಪ ಪ್ರದರ್ಶನ (ಚೀನೀ ಸೆನ್ಸಾರ್ಶಿಪ್ ವಿಷಯದಲ್ಲಿ). ನಾನು ಭಾವಿಸುತ್ತೇವೆ ಈ ಉದಾಹರಣೆಗಳು ಆಸಕ್ತಿದಾಯಕ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಸಂಶೋಧಕರಿಗೆ, ದೊಡ್ಡ ಶ್ರೇಷ್ಠ ಭರವಸೆ ಹೊಂದಿದ್ದಾರೆ ತೋರಿಸಲು.