3.6.2 ຮ້ອງຂໍຂະຫຍາຍ

ສະຫນັບສະຫນູນການຮ້ອງຂໍການນໍາໃຊ້ຮູບແບບການຄາດຄະເນທີ່ຈະສົມທົບຂໍ້ມູນການສໍາຫຼວດຈາກຄົນຈໍານວນຫນ້ອຍທີ່ມີແຫຼ່ງຂໍ້ມູນໃຫຍ່ມາຈາກຫຼາຍໆຄົນ.

ວິທີທີ່ແຕກຕ່າງກັນເພື່ອສົມທົບການສໍາຫຼວດແລະແຫຼ່ງຂໍ້ມູນໃຫຍ່ແມ່ນຂະບວນການທີ່ຂ້າພະເຈົ້າຈະ ຮ້ອງຂໍໃຫ້ມີຄວາມຮຽກຮ້ອງ ຫຼາຍ. ໃນການຮຽກຮ້ອງຮ່ໍາຮຽນ, ນັກຄົ້ນຄວ້າໃຊ້ຕົວແບບການຄາດຄະເນທີ່ຈະສົມທົບຂໍ້ມູນການສໍາຫຼວດຈໍານວນຫນ້ອຍທີ່ມີແຫລ່ງຂໍ້ມູນທີ່ໃຫຍ່ຫຼວງເພື່ອຜະລິດການຄາດຄະເນທີ່ມີຂະຫນາດຫຼືຂະຫນາດທີ່ບໍ່ສາມາດນໍາໃຊ້ໄດ້ກັບແຫຼ່ງຂໍ້ມູນແຕ່ລະຄົນ. ຕົວຢ່າງທີ່ສໍາຄັນຂອງການຮຽກຮ້ອງຮ່ໍາຮຽນແມ່ນມາຈາກການເຮັດວຽກຂອງ Joshua Blumenstock, ຜູ້ທີ່ຕ້ອງການເກັບກໍາຂໍ້ມູນທີ່ສາມາດຊ່ວຍແນະນໍາການພັດທະນາໃນປະເທດທີ່ທຸກຍາກ. ໃນໄລຍະຜ່ານມາ, ນັກຄົ້ນຄວ້າເກັບກໍາຂໍ້ມູນນີ້ໂດຍທົ່ວໄປແລ້ວຕ້ອງໄດ້ໃຊ້ວິທີຫນຶ່ງໃນສອງວິທີຄື: ການສໍາຫຼວດຕົວຢ່າງຫຼືການສໍາຫຼວດ. ການສໍາຫຼວດຕົວຢ່າງ, ບ່ອນທີ່ນັກຄົ້ນຄວ້າສໍາພາດຄົນຈໍານວນຫນ້ອຍ, ສາມາດປ່ຽນແປງໄດ້, ທັນເວລາ, ແລະລາຄາຖືກ. ຢ່າງໃດກໍ່ຕາມ, ການສໍາຫຼວດເຫຼົ່ານີ້, ເນື່ອງຈາກວ່າພວກເຂົາແມ່ນອີງໃສ່ຕົວຢ່າງ, ແມ່ນມັກຈະຈໍາກັດໃນການແກ້ໄຂຂອງພວກເຂົາ. ມີການສໍາຫຼວດຕົວຢ່າງ, ມັນມັກຈະເຮັດໃຫ້ການຄາດຄະເນກ່ຽວກັບເຂດພູມສັນຖານທີ່ສະເພາະຫຼືສໍາລັບກຸ່ມປະຊາກອນສະເພາະ. ການສໍາຫຼວດ, ໃນທາງກົງກັນຂ້າມ, ພະຍາຍາມສໍາພາດທຸກຄົນ, ແລະດັ່ງນັ້ນພວກເຂົາສາມາດນໍາໃຊ້ເພື່ອຜະລິດປະມານການສໍາລັບເຂດພູມສັນຖານຂະຫນາດນ້ອຍຫລືກຸ່ມປະຊາກອນ. ແຕ່ການສໍາຫຼວດໂດຍທົ່ວໄປແມ່ນລາຄາແພງ, ຈຸດກັງວົນ (ພວກເຂົາມີພຽງແຕ່ຈໍານວນນ້ອຍໆຄໍາຖາມ) ແລະບໍ່ທັນເວລາ (ມັນເກີດຂຶ້ນໃນເວລາທີ່ກໍານົດເຊັ່ນທຸກໆ 10 ປີ) (Kish 1979) . ແທນທີ່ຈະຖືກຕິດກັບການສໍາຫຼວດຕົວຢ່າງຫຼືການສໍາຫຼວດ, ຈິນຕະນາການຖ້ານັກຄົ້ນຄວ້າສາມາດສົມທົບລັກສະນະທີ່ດີທີ່ສຸດຂອງທັງສອງ. ຈິນຕະນາການຖ້ານັກຄົ້ນຄວ້າສາມາດຖາມທຸກຄໍາຖາມທຸກໆຄົນທຸກໆມື້. ແນ່ນອນ, ການສໍາຫຼວດສະເຫມີໄປ, ນີ້ສະເຫມີໄປແມ່ນປະເພດຂອງປັນຍາວິທະຍາສາດສັງຄົມ. ແຕ່ວ່າມັນຈະປາກົດວ່າພວກເຮົາສາມາດ ເລີ່ມຕົ້ນ ປະມານນີ້ໄດ້ໂດຍການສົມທົບຄໍາຖາມການສໍາຫຼວດຈາກຈໍານວນຄົນນ້ອຍທີ່ມີຮ່ອງຮອຍທາງດ້ານດິຈິຕອນຈາກຫຼາຍໆຄົນ.

ການຄົ້ນຄວ້າຂອງ Blumenstock ໄດ້ເລີ່ມຕົ້ນໃນເວລາທີ່ເພິ່ນໄດ້ຮ່ວມມືກັບຜູ້ໃຫ້ບໍລິການໂທລະສັບມືຖືທີ່ໃຫຍ່ທີ່ສຸດໃນ Rwanda ແລະບໍລິສັດໄດ້ໃຫ້ຂໍ້ມູນການໂອນເງິນແບບບໍ່ຖືກຕ້ອງຈາກປະມານ 1,5 ລ້ານລູກຄ້າໃນລະຫວ່າງປີ 2005 ແລະ 2009. ບັນທຶກເຫຼົ່ານີ້ມີຂໍ້ມູນກ່ຽວກັບການໂທແລະຂໍ້ຄວາມຂໍ້ຄວາມເຊັ່ນ: , ແລະສະຖານທີ່ຕັ້ງພູມສາດທີ່ໃກ້ຄຽງຂອງຜູ້ໂທແລະຜູ້ຮັບ. ກ່ອນທີ່ຂ້ອຍຈະເວົ້າກ່ຽວກັບບັນຫາທາງສະຖິຕິ, ມັນຄວນຈະຊີ້ໃຫ້ເຫັນວ່າຂັ້ນຕອນທໍາອິດນີ້ອາດຈະເປັນຫນຶ່ງໃນທີ່ຍາກທີ່ສຸດສໍາລັບນັກຄົ້ນຄວ້າຈໍານວນຫຼາຍ. ໃນຂະນະທີ່ຂ້ອຍໄດ້ອະທິບາຍໃນບົດທີ 2 ແຫຼ່ງຂໍ້ມູນໃຫຍ່ທີ່ສຸດແມ່ນ ບໍ່ສາມາດເຂົ້າເຖິງ ນັກຄົ້ນຄວ້າໄດ້. ຂໍ້ມູນ meta-data ໂດຍເສພາະຢ່າງຍິ່ງແມ່ນບໍ່ສາມາດເຂົ້າເຖິງໄດ້ເພາະວ່າມັນເປັນສິ່ງຈໍາເປັນເພື່ອ anonymize ແລະມັນປະກອບດ້ວຍຂໍ້ມູນທີ່ຜູ້ເຂົ້າຮ່ວມຈະພິຈາລະນາຢ່າງລະອຽດ (Mayer, Mutchler, and Mitchell 2016; Landau 2016) . ໃນກໍລະນີນີ້, ນັກຄົ້ນຄວ້າໄດ້ລະມັດລະວັງໃນການປົກປ້ອງຂໍ້ມູນແລະການເຮັດວຽກຂອງພວກເຂົາໄດ້ຖືກເບິ່ງແຍງໂດຍພາກສ່ວນທີສາມ (ເຊັ່ນ IRB ຂອງພວກເຂົາ). ຂ້າພະເຈົ້າຈະກັບຄືນຫາບັນຫາດ້ານຈັນຍາບັນເຫຼົ່ານີ້ໂດຍລະອຽດຕື່ມໃນພາກ 6.

Blumenstock ມີຄວາມສົນໃຈໃນການວັດແທກຄວາມຮັ່ງມີແລະສະຫວັດດີການ. ແຕ່ລັກສະນະເຫຼົ່ານີ້ແມ່ນບໍ່ໄດ້ໂດຍກົງໃນບັນທຶກການໂທ. ໃນທາງກົງກັນຂ້າມ, ບັນທຶກການໂທເຫຼົ່ານີ້ ບໍ່ຄົບຖ້ວນ ສໍາລັບການຄົ້ນຄວ້ານີ້ - ລັກສະນະທົ່ວໄປຂອງແຫຼ່ງຂໍ້ມູນທີ່ໃຫຍ່ທີ່ໄດ້ມີການປຶກສາຫາລືລາຍລະອຽດໃນພາກທີ 2. ແຕ່ວ່າມັນອາດຈະມີບັນດາຂໍ້ມູນທີ່ສາມາດໃຫ້ຂໍ້ມູນກ່ຽວກັບຄວາມຮັ່ງມີແລະ ສຸຂະພາບ. ເນື່ອງຈາກຄວາມເປັນໄປໄດ້ນີ້, Blumenstock ໄດ້ຖາມວ່າມັນເປັນໄປໄດ້ທີ່ຈະຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຈະຄາດຄະເນວ່າຜູ້ໃດຈະຕອບສະຫນອງຕໍ່ການສໍາຫຼວດໂດຍອີງໃສ່ບັນທຶກການໂທຂອງເຂົາເຈົ້າ. ຖ້າວ່ານີ້ເປັນໄປໄດ້, ຫຼັງຈາກນັ້ນ Blumenstock ສາມາດນໍາໃຊ້ຮູບແບບນີ້ເພື່ອຄາດຄະເນການຕອບສະຫນອງຂອງການສໍາຫຼວດຂອງລູກຄ້າທັງຫມົດ 1.5 ລ້ານຄົນ.

ເພື່ອສ້າງແລະຝຶກອົບຮົມແບບດັ່ງກ່າວ, Blumenstock ແລະຜູ້ຊ່ວຍການຄົ້ນຄວ້າຈາກວິທະຍາສາດວິທະຍາສາດແລະເຕັກໂນໂລຍີ Kigali ເອີ້ນວ່າຕົວຢ່າງແບບສຸ່ມປະມານພັນຄົນ. ນັກຄົ້ນຄວ້າໄດ້ອະທິບາຍເປົ້າຫມາຍຂອງໂຄງການໃຫ້ແກ່ຜູ້ເຂົ້າຮ່ວມຂໍອະນຸຍາດໃຫ້ເຂົາເຈົ້າເຊື່ອມຕໍ່ກັບການຕອບສະຫນອງການສໍາຫຼວດກັບບັນທຶກການໂທແລະຫຼັງຈາກນັ້ນໄດ້ຖາມຄໍາຖາມຕ່າງໆເພື່ອວັດແທກຄວາມຮັ່ງມີແລະສະຫວັດດີການຂອງພວກເຂົາເຊັ່ນ " ວິດທະຍຸ? "ແລະ" ທ່ານເປັນເຈົ້າຂອງຈັກຍານ? "(ເບິ່ງຮູບພາບ 3.14 ສໍາລັບລາຍຊື່ບາງສ່ວນ). ຜູ້ເຂົ້າຮ່ວມທັງຫມົດໃນການສໍາຫຼວດໄດ້ຮັບການຊົດເຊີຍທາງດ້ານການເງິນ.

ຕໍ່ມາ, Blumenstock ໃຊ້ຂັ້ນຕອນສອງຂັ້ນຕອນທົ່ວໄປໃນການຮຽນຮູ້ເຄື່ອງ: ວິສະວະກໍາດ້ານຄຸນລັກສະນະຕາມການຮຽນການເບິ່ງແຍງ. ຫນ້າທໍາອິດ, ໃນຂັ້ນຕອນ ວິສະວະກໍາຄຸນນະສົມບັດ , ສໍາລັບທຸກຄົນທີ່ໄດ້ຖືກສໍາພາດ, Blumenstock ໄດ້ປ່ຽນແປງການບັນທຶກການໂທເຂົ້າໄປໃນຊຸດຂອງລັກສະນະກ່ຽວກັບແຕ່ລະຄົນ; ນັກວິທະຍາສາດຂໍ້ມູນອາດຈະເອີ້ນວ່າຄຸນລັກສະນະເຫຼົ່ານີ້ "ລັກສະນະ" ແລະນັກວິທະຍາສາດສັງຄົມຈະເອີ້ນວ່າ "ຕົວແປ". ຕົວຢ່າງ, ສໍາລັບແຕ່ລະຄົນ, Blumenstock ຄິດໄລ່ຈໍານວນມື້ທີ່ມີກິດຈະກໍາ, ຈໍານວນຄົນທີ່ແຕກຕ່າງກັນທີ່ຄົນທີ່ໄດ້ຕິດຕໍ່, ຈໍານວນເງິນທີ່ໃຊ້ຈ່າຍໃນເວລາຖ່າຍທອດ, ແລະອື່ນໆ. ສິ່ງສໍາຄັນ, ວິສະວະກໍາດ້ານຄຸນນະພາບທີ່ດີຕ້ອງໃຊ້ຄວາມຮູ້ກ່ຽວກັບການຄົ້ນຄວ້າ. ຕົວຢ່າງ, ຖ້າຫາກວ່າມັນເປັນສິ່ງສໍາຄັນທີ່ຈະແຍກແຍະລະຫວ່າງການໂທພາຍໃນແລະຕ່າງປະເທດ (ພວກເຮົາອາດຄາດຫວັງວ່າຜູ້ທີ່ໂທຫາສາກົນເປັນຜູ້ທີ່ມີຄວາມຮັ່ງມີ), ຫຼັງຈາກນັ້ນມັນຕ້ອງໄດ້ເຮັດໃນຂັ້ນຕອນວິສະວະກໍາ. ນັກຄົ້ນຄວ້າທີ່ມີຄວາມເຂົ້າໃຈນ້ອຍໆກ່ຽວກັບ Rwanda ອາດຈະບໍ່ປະກອບມີລັກສະນະນີ້, ແລະຫຼັງຈາກນັ້ນຜົນການຄາດຄະເນຂອງຕົວແບບນີ້ຈະທົນທຸກ.

ຕໍ່ໄປ, ໃນຂັ້ນຕອນ ການຮຽນຮູ້ທີ່ຕິດຕາມ , Blumenstock ສ້າງຮູບແບບການຄາດຄະເນການຕອບສະຫນອງການສໍາຫຼວດສໍາລັບແຕ່ລະຄົນໂດຍອີງໃສ່ລັກສະນະຂອງເຂົາເຈົ້າ. ໃນກໍລະນີນີ້, Blumenstock ນໍາໃຊ້ regression logistic, ແຕ່ເຂົາສາມາດນໍາໃຊ້ແນວທາງການຮຽນແບບສະຖິຕິຫຼືເຄື່ອງຈັກອື່ນໆ.

ສະນັ້ນມັນເຮັດແນວໃດດີ? Blumenstock ສາມາດຄາດຄະເນຄໍາຕອບສໍາລັບຄໍາຖາມການສໍາຫຼວດເຊັ່ນ: "ເຈົ້າມີວິດທະຍຸບໍ?" ແລະ "ເຈົ້າມີຈັກຍານ?" ໂດຍໃຊ້ຄຸນສົມບັດທີ່ມາຈາກບັນທຶກການໂທ? ໃນການປະເມີນຜົນຂອງຮູບແບບການຄາດຄະເນຂອງລາວ, Blumenstock ໄດ້ນໍາໃຊ້ການຮັບຮອງ ຂ້າມ , ເຕັກນິກທີ່ໃຊ້ໃນວິທະຍາສາດຂໍ້ມູນ, ແຕ່ບໍ່ຄ່ອຍໃນວິທະຍາສາດສັງຄົມ. ເປົ້າຫມາຍຂອງການກວດສອບແມ່ນເພື່ອສະຫນອງການປະເມີນຜົນທີ່ຖືກຕ້ອງຂອງການປະເມີນຜົນແບບຕົວແບບໂດຍການຝຶກອົບຮົມມັນແລະການທົດສອບມັນໃນເອກະສານຕ່າງໆຂອງຂໍ້ມູນ. ໂດຍສະເພາະ, Blumenstock ແບ່ງປັນຂໍ້ມູນຂອງຕົນເປັນ 10 ຕ່ອນຂອງ 100 ປະຊາຊົນແຕ່ລະຄົນ. ຫຼັງຈາກນັ້ນ, ເພິ່ນໄດ້ນໍາໃຊ້ເກົ້າບົດຮຽນເພື່ອຝຶກອົບຮົມຮູບແບບຂອງຕົນ, ແລະການປະພຶດຂອງຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມໄດ້ຖືກປະເມີນຜົນໃນຕອນທີ່ຍັງເຫຼືອ. ລາວໄດ້ຊ້ໍາຊ້ໍາກັບຂັ້ນຕອນນີ້ 10 ເທື່ອ - ດ້ວຍຂໍ້ມູນແຕ່ລະຂໍ້ຫນຶ່ງໄດ້ເຮັດໃຫ້ເປັນຂໍ້ມູນການກວດສອບ - ແລະສະເລ່ຍຜົນໄດ້ຮັບ.

ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນແມ່ນສູງສໍາລັບລັກສະນະບາງຢ່າງ (ຮູບ 3.14); ສໍາລັບການຍົກຕົວຢ່າງ, Blumenstock ສາມາດຄາດຄະເນທີ່ມີຄວາມຖືກຕ້ອງ 97.6% ຖ້າໃຜຜູ້ຫນຶ່ງທີ່ເປັນເຈົ້າຂອງວິດທະຍຸ. ນີ້ອາດຈະຫນ້າປະທັບໃຈແຕ່ມັນກໍ່ມີຄວາມສໍາຄັນຕໍ່ການປຽບທຽບວິທີການຄາດຄະເນທີ່ສັບສົນຕໍ່ກັບທາງເລືອກທີ່ງ່າຍດາຍ. ໃນກໍລະນີນີ້, ທາງເລືອກທີ່ງ່າຍດາຍແມ່ນການຄາດຄະເນວ່າທຸກຄົນຈະໃຫ້ຄໍາຕອບທີ່ພົບເລື້ອຍທີ່ສຸດ. ຕົວຢ່າງເຊັ່ນ 973% ຂອງຜູ້ຕອບຖືກລາຍງານໃຫ້ມີວິທະຍຸດັ່ງນັ້ນຖ້າ Blumenstock ໄດ້ຄາດຄະເນວ່າທຸກຄົນຈະລາຍງານວ່າມີວິດທະຍຸເຂົາຈະມີຄວາມຖືກຕ້ອງ 97,3% ເຊິ່ງເປັນເລື່ອງທີ່ຫນ້າແປກທີ່ຄ້າຍກັບຜົນຂອງຂັ້ນຕອນທີ່ສະລັບສັບຊ້ອນຂອງລາວ (ຄວາມຖືກຕ້ອງ 97,6% ທີ່ຢູ່ ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ທັງຫມົດຂໍ້ມູນ fancy ແລະການສ້າງແບບຈໍາລອງເພີ່ມຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຈາກ 97,3% ເຖິງ 97,6%. ຢ່າງໃດກໍ່ຕາມ, ສໍາລັບຄໍາຖາມອື່ນໆເຊັ່ນ "ທ່ານເປັນເຈົ້າຂອງຈັກຍານ?", ການຄາດຄະເນໄດ້ເພີ່ມຂຶ້ນຈາກ 54,4% ເປັນ 67,6%. ໂດຍທົ່ວໄປແລ້ວ, ຕົວເລກ 3.15 ສະແດງໃຫ້ເຫັນວ່າສໍາລັບລັກສະນະບາງຢ່າງ Blumenstock ບໍ່ໄດ້ປັບປຸງຫຼາຍກ່ວາພຽງແຕ່ເຮັດໃຫ້ການຄາດຄະເນພື້ນຖານງ່າຍດາຍ, ແຕ່ວ່າສໍາລັບລັກສະນະອື່ນໆທີ່ມີການປັບປຸງບາງຢ່າງ. ຢ່າງໃດກໍ່ຕາມ, ພຽງແຕ່ຊອກຫາຜົນໄດ້ຮັບເຫຼົ່ານີ້, ທ່ານອາດຈະບໍ່ຄິດວ່າວິທີການນີ້ແມ່ນມີຄວາມຫວັງຢ່າງແທ້ຈິງ.

ຮູບທີ 3.14: ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນສໍາລັບຕົວແບບສະຖິຕິທີ່ໄດ້ຮັບການຝຶກອົບຮົມກັບບັນທຶກການໂທ. ດັດແປງຈາກ Blumenstock (2014) , ຕາຕະລາງ 2.

ຮູບພາບ 3.15: ການປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຄາດເດົາສໍາລັບຕົວແບບສະຖິຕິທີ່ໄດ້ຮັບການຝຶກອົບຮົມກັບບັນທຶກການໂທຫາການຄາດຄະເນພື້ນຖານທີ່ງ່າຍດາຍ. ຈຸດແມ່ນ jittered ເລັກນ້ອຍເພື່ອຫຼີກເວັ້ນການ overlap. ດັດແປງຈາກ Blumenstock (2014) , ຕາຕະລາງ 2.

ຢ່າງໃດກໍຕາມ, ພຽງແຕ່ຫນຶ່ງປີຕໍ່ມາ, Blumenstock ແລະເພື່ອນຮ່ວມງານສອງຄົນ - Gabriel Cadamuro ແລະ Robert On-published a paper in Science with significant results (Blumenstock, Cadamuro, and On 2015) . ມີສອງເຫດຜົນດ້ານວິຊາການສໍາລັບການປັບປຸງນີ້: (1) ພວກເຂົາໃຊ້ວິທີການທີ່ມີຄວາມທັນສະໄຫມຫລາຍຂຶ້ນ (ເຊັ່ນ: ວິທີການໃຫມ່ເພື່ອໃຫ້ມີວິສະວະກໍາວິສະວະກໍາແລະຮູບແບບທີ່ທັນສະໄຫມທີ່ຈະຄາດຄະເນການຕອບສະຫນອງຈາກລັກສະນະຕ່າງໆ) ແລະ (2) ແທນທີ່ຈະພະຍາຍາມຕອບຄໍາຕອບຕໍ່ບຸກຄົນ ຄໍາຖາມກ່ຽວກັບການສໍາຫຼວດ (ຕົວຢ່າງ, "ທ່ານເປັນເຈົ້າຂອງວິດທະຍຸ?"), ພວກເຂົາເຈົ້າພະຍາຍາມທີ່ຈະ infer ດັດສະນີຄວາມຮັ່ງມີລວມ. ການປັບປຸງດ້ານເຕັກນິກເຫຼົ່ານີ້ຫມາຍຄວາມວ່າພວກເຂົາສາມາດເຮັດວຽກທີ່ເຫມາະສົມໃນການໃຊ້ບັນທຶກການໂທເພື່ອຄາດຄະເນຄວາມຮັ່ງມີສໍາລັບປະຊາຊົນໃນຕົວຢ່າງຂອງພວກເຂົາ.

ການຄາດຄະເນຄວາມຮັ່ງມີຂອງປະຊາຊົນໃນຕົວຢ່າງ, ແນວໃດກໍ່ຕາມ, ບໍ່ແມ່ນເປົ້າຫມາຍສຸດທ້າຍຂອງການຄົ້ນຄວ້າ. ຈົ່ງຈື່ໄວ້ວ່າເປົ້າຫມາຍສຸດທ້າຍແມ່ນການສົມທົບບາງຢ່າງຂອງຄຸນລັກສະນະທີ່ດີທີ່ສຸດຂອງການສໍາຫຼວດແບບຕົວຢ່າງແລະການສໍາຫຼວດເພື່ອຜະລິດການຄາດຄະເນຄວາມຖືກຕ້ອງແລະຄວາມລະອຽດສູງຂອງຄວາມທຸກຍາກໃນບັນດາປະເທດກໍາລັງພັດທະນາ. ເພື່ອພິຈາລະນາຄວາມສາມາດຂອງພວກເຂົາເພື່ອບັນລຸເປົ້າຫມາຍນີ້, Blumenstock ແລະເພື່ອນຮ່ວມງານໄດ້ນໍາໃຊ້ຮູບແບບແລະຂໍ້ມູນຂອງເຂົາເຈົ້າເພື່ອຄາດຄະເນຄວາມຮັ່ງມີຂອງທຸກໆ 1,5 ລ້ານຄົນໃນບັນທຶກການໂທ. ແລະພວກເຂົາເຈົ້ານໍາໃຊ້ຂໍ້ມູນ geospatial ທີ່ຕິດຢູ່ໃນບັນທຶກການໂທ (ບອກວ່າຂໍ້ມູນປະກອບດ້ວຍສະຖານທີ່ຂອງຫໍຫ້ອງທີ່ໃກ້ທີ່ສຸດສໍາລັບແຕ່ລະໂທ) ເພື່ອປະເມີນສະຖານທີ່ປະມານຂອງແຕ່ລະບຸກຄົນ (ຮູບທີ່ 3.17). ການປະເມີນຜົນການຄາດຄະເນເຫຼົ່ານີ້ຮ່ວມກັນ, Blumenstock ແລະເພື່ອນຮ່ວມງານໄດ້ຜະລິດປະມານການແຈກຢາຍດ້ານພູມສັນຖານຂອງຄວາມຮັ່ງມີຂອງຜູ້ຊື້ຢູ່ທີ່ມີຄວາມແຕກຕ່າງທາງດ້ານສະຖານພາບທີ່ບໍ່ດີ. ຕົວຢ່າງ, ພວກເຂົາສາມາດຄາດຄະເນຄວາມຮັ່ງມີໃນແຕ່ລະຫ້ອງຂອງ 2,148 ແຫ່ງຂອງຣັສຕາເວັນອອກ (ຫນ່ວຍບໍລິຫານຂະຫນາດນ້ອຍສຸດໃນປະເທດ).

ການຄາດຄະເນເຫຼົ່ານີ້ແມ່ນເທົ່າໃດທຽບກັບລະດັບຄວາມທຸກຍາກຂອງຕົວຈິງໃນຂົງເຂດເຫຼົ່ານີ້? ກ່ອນຂ້າພະເຈົ້າຕອບຄໍາຖາມນັ້ນ, ຂ້າພະເຈົ້າຕ້ອງການເນັ້ນຫນັກເຖິງຄວາມຈິງທີ່ວ່າມີຫຼາຍເຫດຜົນທີ່ຈະບໍ່ຄ່ອຍເຊື່ອງ່າຍໆ. ຕົວຢ່າງ, ຄວາມສາມາດທີ່ຈະເຮັດໃຫ້ການຄາດຄະເນຢູ່ໃນລະດັບແຕ່ລະຄົນແມ່ນມີສຽງດັງຂື້ນ (ຮູບທີ 3.17). ແລະ, ບາງທີອາດມີຄວາມສໍາຄັນຫຼາຍ, ປະຊາຊົນທີ່ມີໂທລະສັບມືຖືອາດຈະແຕກຕ່າງກັນລະບົບຈາກຄົນທີ່ບໍ່ມີໂທລະສັບມືຖື. ດັ່ງນັ້ນ, Blumenstock ແລະເພື່ອນຮ່ວມງານອາດຈະທົນທຸກຈາກການປະເພດຂອງຄວາມຜິດພາດການຄຸ້ມຄອງທີ່ລໍາອຽງຂອງການສໍາຫຼວດວັນນະຄະດີຫົວຂໍ້ສໍາຄັນ 1936 ທີ່ຂ້າພະເຈົ້າອະທິບາຍກ່ອນຫນ້ານີ້.

ເພື່ອໃຫ້ໄດ້ຄວາມຮູ້ສຶກກ່ຽວກັບຄຸນນະພາບຂອງການຄາດຄະເນຂອງພວກເຂົາ, Blumenstock ແລະເພື່ອນຮ່ວມງານຕ້ອງປຽບທຽບພວກເຂົາກັບສິ່ງອື່ນ. ໂຊກດີ, ໃນເວລາດຽວກັນກັບການສຶກສາຂອງພວກເຂົາ, ກຸ່ມນັກຄົ້ນຄວ້າຄົນອື່ນໄດ້ດໍາເນີນການສໍາຫຼວດສັງຄົມແບບດັ້ງເດີມຫຼາຍຂຶ້ນໃນປະເທດ Rwanda. ການສໍາຫຼວດອື່ນໆນີ້ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງໂຄງການສໍາຫຼວດດ້ານສຸຂະພາບແລະພົນລະເມືອງທີ່ມີຄວາມເຄົາລົບນັບຖືຢ່າງກວ້າງຂວາງມີງົບປະມານອັນໃຫຍ່ຫຼວງແລະນໍາໃຊ້ວິທີການທີ່ມີຄຸນນະພາບສູງ, ແບບດັ້ງເດີມ. ດັ່ງນັ້ນ, ການຄາດຄະເນຈາກການສໍາຫຼວດພົນລະເມືອງແລະສຸຂະພາບສາມາດພິຈາລະນາສົມເຫດສົມຜົນເປັນການຄາດຄະເນມາດຕະຖານຄໍາ. ເມື່ອມີການປຽບທຽບສອງປະມານ, ພວກມັນແມ່ນຄ້າຍຄືກັນ (ຮູບທີ່ 3.17). ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ໂດຍການລວມຂໍ້ມູນການສໍາຫຼວດເລັກນ້ອຍກັບບັນທຶກການໂທ, Blumenstock ແລະເພື່ອນຮ່ວມງານສາມາດຜະລິດປະມານການທຽບເທົ່າກັບຜູ້ທີ່ມາຈາກວິທີມາດຕະຖານຄໍາ.

ຄວາມສົງໄສອາດຈະເຫັນຜົນໄດ້ຮັບເຫຼົ່ານີ້ເປັນຄວາມຜິດຫວັງ. ຫຼັງຈາກທີ່ທັງຫມົດ, ຫນຶ່ງໃນວິທີການເບິ່ງພວກເຂົາແມ່ນເວົ້າວ່າໂດຍການນໍາໃຊ້ຂໍ້ມູນທີ່ໃຫຍ່ແລະການຮຽນຮູ້ເຄື່ອງ, Blumenstock ແລະເພື່ອນຮ່ວມງານສາມາດຜະລິດການຄາດຄະເນທີ່ສາມາດເຮັດໄດ້ຫຼາຍທີ່ເຊື່ອຖືໄດ້ໂດຍວິທີການທີ່ມີຢູ່ແລ້ວ. ແຕ່ຂ້ອຍບໍ່ຄິດວ່ານີ້ແມ່ນວິທີທີ່ເຫມາະສົມທີ່ຈະຄິດກ່ຽວກັບການສຶກສານີ້ສໍາລັບສອງເຫດຜົນ. ຫນ້າທໍາອິດ, ການຄາດຄະເນຈາກ Blumenstock ແລະເພື່ອນຮ່ວມງານແມ່ນປະມານ 10 ເທື່ອແລະໄວກວ່າ 50 ເທື່ອ (ເມື່ອຄ່າໃຊ້ຈ່າຍໃນການຄິດໄລ່ຄ່າໃຊ້ຈ່າຍ). ໃນຂະນະທີ່ຂ້າພະເຈົ້າໄດ້ໂຕ້ຖຽງກ່ອນຫນ້ານີ້ໃນບົດນີ້, ນັກວິໄຈບໍ່ສົນໃຈຄ່າໃຊ້ຈ່າຍໃນການອັນຕະລາຍຂອງພວກເຂົາ. ໃນກໍລະນີນີ້, ຕົວຢ່າງເຊັ່ນການຫຼຸດລົງຂອງຄ່າໃຊ້ຈ່າຍໃນລະດັບທີ່ສູງກ່ວາການດໍາເນີນການໃນແຕ່ລະປີ - ຕາມມາດຕະຖານສໍາລັບການສໍາຫຼວດພົນລະເມືອງແລະສຸຂະພາບ - ການສໍາຫຼວດແບບນີ້ສາມາດດໍາເນີນການທຸກໆເດືອນເຊິ່ງຈະຊ່ວຍໃຫ້ນັກຄົ້ນຄວ້າແລະນະໂຍບາຍ ຜູ້ຜະລິດ. ເຫດຜົນທີສອງບໍ່ໃຫ້ທັດສະນະທີ່ບໍ່ຄ່ອຍເຊື່ອງ່າຍໆແມ່ນວ່າການສຶກສານີ້ສະຫນອງສູດສູດພື້ນຖານທີ່ສາມາດປັບຕົວກັບສະຖານະການຄົ້ນຄ້ວາຕ່າງໆ. ສູດນີ້ມີພຽງແຕ່ສອງສ່ວນປະກອບແລະສອງຂັ້ນຕອນ. ສ່ວນປະກອບເຫຼົ່ານີ້ແມ່ນ (1) ແຫລ່ງຂໍ້ມູນທີ່ໃຫຍ່ແຕ່ກວ້າງ (ແຕ່ມັນມີຫຼາຍຄົນແຕ່ບໍ່ແມ່ນຂໍ້ມູນທີ່ທ່ານຕ້ອງການກ່ຽວກັບແຕ່ລະບຸກຄົນ) ແລະ (2) ການສໍາຫຼວດທີ່ເປັນແຄບແຕ່ຫນາແຫນ້ນ (ຕົວຢ່າງມັນມີພຽງແຕ່ ປະຊາຊົນຈໍານວນຫນ້ອຍ, ແຕ່ວ່າມັນມີຂໍ້ມູນທີ່ທ່ານຕ້ອງການກ່ຽວກັບປະຊາຊົນເຫຼົ່ານັ້ນ). ສ່ວນປະກອບເຫຼົ່ານີ້ແມ່ນໄດ້ຖືກລວມເຂົ້າໃນສອງຂັ້ນຕອນ. ຫນ້າທໍາອິດ, ສໍາລັບປະຊາຊົນໃນແຫຼ່ງຂໍ້ມູນທັງສອງ, ກໍ່ສ້າງຮູບແບບການຮຽນເຄື່ອງທີ່ນໍາໃຊ້ແຫລ່ງຂໍ້ມູນໃຫຍ່ເພື່ອຄາດຄະເນການສໍາຫຼວດ. ຕໍ່ໄປ, ນໍາໃຊ້ຮູບແບບດັ່ງກ່າວເພື່ອປະເມີນຄໍາຕອບຂອງການສໍາຫຼວດຂອງທຸກຄົນໃນແຫຼ່ງຂໍ້ມູນໃຫຍ່. ດັ່ງນັ້ນ, ຖ້າຫາກວ່າມີຄໍາຖາມທີ່ທ່ານຕ້ອງການໃຫ້ຫຼາຍໆຄົນ, ຊອກຫາແຫຼ່ງຂໍ້ມູນໃຫຍ່ຈາກຜູ້ທີ່ສາມາດນໍາໃຊ້ເພື່ອຄາດຄໍາຕອບຂອງພວກເຂົາ ເຖິງແມ່ນວ່າທ່ານບໍ່ສົນໃຈກັບແຫຼ່ງຂໍ້ມູນໃຫຍ່ . ນັ້ນແມ່ນ, Blumenstock ແລະເພື່ອນຮ່ວມງານບໍ່ໄດ້ດູແລຮັກສາກ່ຽວກັບບັນທຶກການໂທ; ພວກເຂົາເຈົ້າພຽງແຕ່ສົນໃຈກ່ຽວກັບບັນທຶກການໂທເພາະພວກເຂົາສາມາດນໍາໃຊ້ຄໍາຕອບການສໍາຫຼວດທີ່ພວກເຂົາສົນໃຈ. ນີ້ມີຄວາມສົນໃຈທາງດ້ານຄຸນລັກສະນະເສພາະໃນແຫລ່ງຂໍ້ມູນໃຫຍ່ - ເຮັດໃຫ້ເກີດຄວາມຮຽກຮ້ອງທີ່ແຕກຕ່າງກັນຈາກການຮ້ອງຂໍທີ່ຝັງໄວ້ຊຶ່ງຂ້ອຍໄດ້ອະທິບາຍກ່ອນຫນ້ານີ້.

ຮູບທີ 3.16: ແຜນການຂອງການສຶກສາໂດຍ Blumenstock, Cadamuro, and On (2015) . ບັນທຶກການໂທຈາກບໍລິສັດໂທລະສັບໄດ້ຖືກປ່ຽນແປງມາເປັນຕາຕະລາງຫນຶ່ງແຖວສໍາລັບແຕ່ລະຄົນແລະຫນຶ່ງຄໍລໍາສໍາລັບແຕ່ລະຄຸນສົມບັດ (ຕົວຢ່າງ, ຕົວແປ). ຕໍ່ໄປ, ນັກຄົ້ນຄວ້າໄດ້ສ້າງຮູບແບບການຮຽນແບບທີ່ໄດ້ຮັບການເບິ່ງແຍງເພື່ອຄາດຄະເນການຕອບສະຫນອງຂອງການສໍາຫຼວດຈາກມາຕາຖານໂດຍບຸກຄົນ. ຫຼັງຈາກນັ້ນ, ຮູບແບບການຮຽນແບບທີ່ໄດ້ຮັບການຊີ້ນໍາໄດ້ຖືກນໍາໃຊ້ເພື່ອຄໍານຶງເຖິງການຕອບສະຫນອງຂອງການສໍາຫຼວດສໍາລັບລູກຄ້າທັງຫມົດ 1.5 ລ້ານຄົນ. ນອກຈາກນັ້ນ, ນັກຄົ້ນຄວ້າໄດ້ຄາດຄະເນສະຖານທີ່ປະມານການສໍາລັບລູກຄ້າທັງຫມົດ 1.5 ລ້ານຄົນໂດຍອີງຕາມສະຖານທີ່ຂອງການໂທຂອງພວກເຂົາ. ໃນເວລາທີ່ການຄາດຄະເນເຫຼົ່ານີ້ - ຄວາມຮັ່ງມີທີ່ຄາດຄະເນແລະສະຖານທີ່ທີ່ໄດ້ປະສົມປະສານ - ໄດ້ລວມກັນ, ຜົນໄດ້ຮັບຄືກັນກັບການຄາດຄະເນຈາກການສໍາຫຼວດພົນລະເມືອງແລະສຸຂະພາບ, ການສໍາຫຼວດແບບດັ້ງເດີມທີ່ມີມາດຕະຖານຄໍາ (ຮູບທີ່ 3.17).

ຮູບທີ 3.17: ຜົນໄດ້ຮັບຈາກ Blumenstock, Cadamuro, and On (2015) . ໃນລະດັບບຸກຄົນ, ນັກຄົ້ນຄວ້າສາມາດເຮັດວຽກທີ່ສົມເຫດສົມຜົນໃນການຄາດຄະເນຄວາມຮັ່ງມີຂອງຜູ້ໃດຜູ້ຫນຶ່ງຈາກບັນທຶກການໂທຂອງເຂົາເຈົ້າ. ການຄາດຄະເນຂອງຄວາມຮັ່ງມີໃນລະດັບເມືອງຂອງ 30 ເມືອງຂອງຣັຕານ - ອີງຕາມການຄາດຄະເນຂອງຄວາມຮັ່ງມີແລະສະຖານທີ່ຢູ່ - ແມ່ນຄ້າຍຄືກັບຜົນໄດ້ຮັບຈາກການສໍາຫຼວດພົນລະເມືອງແລະສຸຂະພາບ, ການສໍາຫຼວດແບບດັ້ງເດີມທີ່ມີມາດຕະຖານຄໍາ. ດັດແປງຈາກ Blumenstock, Cadamuro, and On (2015) , ຕົວເລກ 1a ແລະ 3c.

ໃນການສະຫລຸບ, Blumenstock ຂອງຂະບວນການສະເຫນີວິທີການສະເຫນີລວມຂໍ້ມູນການສໍາຫຼວດທີ່ມີແຫຼ່ງຂໍ້ມູນທີ່ໃຫຍ່ທີ່ສຸດເພື່ອຜະລິດປະມານການທຽບເທົ່າກັບຜູ້ທີ່ຈາກການສໍາຫຼວດມາດຕະຖານຄໍາ. ຕົວຢ່າງໂດຍສະເພາະນີ້ຍັງຊີ້ແຈງບາງຢ່າງກ່ຽວກັບການແລກປ່ຽນການຄ້າລະຫວ່າງການສະເຫນີຂໍແລະວິທີການສໍາຫຼວດແບບດັ້ງເດີມ. ການຄາດຄະເນສະເຫນີຂໍຮຽກຮ້ອງແມ່ນມີຫຼາຍຂຶ້ນ, ມີລາຄາຖືກກວ່າ, ແລະຫຼາຍຂື້ນ. ແຕ່, ໃນທາງກົງກັນຂ້າມ, ຍັງບໍ່ທັນມີພື້ນຖານທິດສະດີທີ່ເຂັ້ມແຂງສໍາລັບການຮ້ອງຂໍຂະຫຍາຍແບບນີ້. ຕົວຢ່າງດຽວນີ້ບໍ່ໄດ້ສະແດງໃຫ້ເຫັນໃນເວລາທີ່ວິທີການນີ້ຈະເຮັດວຽກແລະເວລາມັນຈະບໍ່ແລະນັກວິໄຈທີ່ນໍາໃຊ້ວິທີການນີ້ຕ້ອງມີຄວາມກັງວົນກ່ຽວກັບຄວາມເປັນເບື້ອງຕົ້ນທີ່ເກີດຂື້ນໂດຍຜູ້ທີ່ຖືກລວມແລະບໍ່ລວມຢູ່ໃນແຫລ່ງຂໍ້ມູນໃຫຍ່ຂອງພວກເຂົາ. ນອກຈາກນັ້ນ, ວິທີການສະເຫນີຂະຫຍາຍໄດ້ຍັງບໍ່ທັນມີວິທີທີ່ດີທີ່ຈະກໍານົດຄວາມບໍ່ແນ່ນອນກ່ຽວກັບການຄາດຄະເນຂອງຕົນ. ໂຊກດີ, ຄວາມຮຽກຮ້ອງເພີ່ມຂື້ນມີການເຊື່ອມໂຍງຢ່າງເລິກເຊິ່ງກັບສາມເຂດທີ່ມີຂະຫນາດໃຫຍ່ໃນການຄາດຄະເນດ້ານສະຖິຕິ - ຂະຫນາດນ້ອຍ (Rao and Molina 2015) , ການຈໍາແນກ (Rubin 2004) ວິທີທີ່ຂ້າພະເຈົ້າໄດ້ອະທິບາຍໃນບົດກ່ອນຫນ້ານີ້) (Little 1993) . ເນື່ອງຈາກການເຊື່ອມຕໍ່ເລິກເຫຼົ່ານີ້, ຂ້າພະເຈົ້າຄາດຫວັງວ່າຫຼາຍໆພື້ນຖານທາງວິຊາການຂອງການຮຽກຮ້ອງຮຸກຮານຈະໄວຂຶ້ນ.

ສຸດທ້າຍ, ການປຽບທຽບຄວາມພະຍາຍາມຄັ້ງທໍາອິດແລະຄັ້ງທີສອງຂອງ Blumenstock ຍັງສະແດງໃຫ້ເຫັນບົດຮຽນທີ່ສໍາຄັນກ່ຽວກັບການຄົ້ນຄວ້າທາງດ້ານສັງຄົມດິຈິຕອນ - ອາຍຸ: ບໍ່ແມ່ນຈຸດເລີ່ມຕົ້ນ. ນັ້ນແມ່ນ, ຫຼາຍຄັ້ງ, ວິທີການທໍາອິດຈະບໍ່ດີທີ່ສຸດ, ແຕ່ຖ້ານັກວິໄຈສືບຕໍ່ເຮັດວຽກ, ສິ່ງຕ່າງໆສາມາດໄດ້ຮັບການດີຂຶ້ນ. ໂດຍທົ່ວໄປແລ້ວ, ໃນເວລາທີ່ການປະເມີນວິທີການໃຫມ່ໃນການຄົ້ນຄວ້າທາງດ້ານສັງຄົມໃນອາຍຸທາງດ້ານດິຈິຕອ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຕ້ອງປະເມີນຜົນສອງຢ່າງຄື: (1) ມັນເຮັດວຽກໄດ້ດີແນວໃດ? ແລະ (2) ການເຮັດວຽກນີ້ຈະເປັນແນວໃດໃນອະນາຄົດໃນຖານະເປັນພູມສັນຖານຂໍ້ມູນທີ່ມີການປ່ຽນແປງແລະເປັນນັກຄົ້ນຄວ້າທີ່ເອົາໃຈໃສ່ຫລາຍຂຶ້ນຕໍ່ບັນຫານີ້? ເຖິງແມ່ນວ່ານັກຄົ້ນຄວ້າໄດ້ຮັບການຝຶກອົບຮົມເພື່ອເຮັດໃຫ້ການປະເມີນຜົນທໍາອິດ, ຄັ້ງທີສອງມັກຈະມີຄວາມສໍາຄັນຫຼາຍ.