പ്രവർത്തനങ്ങൾ

• പ്രയാസത്തിന്റെ ഡിഗ്രി: എളുപ്പമാണ് , മീഡിയം , കഠിനമായി , വളരെ ബുദ്ധിമുട്ടാണ്
• കണക്ക് ആവശ്യമാണ് )
• കോഡിംഗ് ആവശ്യമാണ് ( )
• ഡാറ്റ ശേഖരണം ( )
• എന്റെ പ്രിയപ്പെട്ടവ )

1. [ , അദ്ധ്യായത്തിൽ പോസ്റ്റ് സ്ട്രാറ്റിഫിക്കേഷനുമായി ഞാൻ വളരെയധികം പോസിറ്റീവ്സ് ആയിരുന്നു. എന്നിരുന്നാലും ഇത് എല്ലായ്പ്പോഴും ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നുമില്ല. പോസ്റ്റ് സ്ട്രാറ്റജിഫിക്കേഷന്റെ ഗുണനിലവാരം കുറയ്ക്കാൻ കഴിയുന്ന ഒരു സാഹചര്യം സൃഷ്ടിക്കൽ. (ഒരു സൂചനയ്ക്ക്, Thomsen (1973) .)

2. [ , , ] ആമസോൺ മെക്കാനിക്കൽ ടക്ക്കുമായി നോൺ-പ്രോബബിലിറ്റി സർവ്വേ നടത്താനും ഗൺ ഉടമസ്ഥാവകാശം, തോക്ക് നിയന്ത്രണം നീക്കുന്നതിനെക്കുറിച്ചു മനസിലാക്കാനും ആവശ്യപ്പെടാം. ഒരു പ്രോബബിലിറ്റി സാമ്പിളിൽ നിന്നാണ് നിങ്ങളുടെ മതിപ്പ് താരതമ്യം ചെയ്യാൻ കഴിയുന്നത്, പ്യൂ റിസർച്ച് സെന്റർ നടത്തുന്ന മികച്ച നിലവാരത്തിലുള്ള സർവേയിൽ നിന്നും ചോദ്യ ടെക്സ്റ്റും പ്രതികരണ ഓപ്ഷനുകളും നേരിട്ട് പകർത്തുക.

   1. നിങ്ങളുടെ സർവേ എത്ര സമയം എടുക്കും? ഇതിന് എത്രമാത്രം ചെലവാകും? നിങ്ങളുടെ മാതൃകാ ഡെമോഗ്രാഫിക്സ് യുഎസ് ജനസംഖ്യയുടെ ജനസംഖ്യാശാസ്ത്രവുമായി എങ്ങനെ താരതമ്യം ചെയ്യുന്നു?
   2. നിങ്ങളുടെ സാമ്പിൾ ഉപയോഗിച്ച് തോക്ക് ഉടമസ്ഥാവകാശത്തിന്റെ അസംബന്ധം എന്താണ്?
   3. പോസ്റ്റ്-സ്ട്രാറ്റജിഫിക്കേഷൻ അല്ലെങ്കിൽ മറ്റേതെങ്കിലും സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് നിങ്ങളുടെ മാതൃകയുടെ വിശദീകരണമല്ലാത്ത രീതിയിൽ ശരിയാക്കുക. തോക്ക് ഉടമസ്ഥതയുടെ കണക്ക് എന്താണ്?
   4. ഒരു പ്രോബബിലിറ്റി അടിസ്ഥാനമാക്കിയുള്ള സാമ്പിളിൽ നിന്ന് ഏറ്റവും പുതിയ എസ്റ്റിമേറ്റ് ഉപയോഗിച്ച് നിങ്ങളുടെ മതിപ്പുകളെ താരതമ്യം ചെയ്യുന്നത് എങ്ങനെയാണ്? എന്തെങ്കിലും ഉണ്ടെങ്കിൽ, അബദ്ധങ്ങൾ വിശദീകരിക്കുമോ?
   5. ചോദ്യങ്ങൾ (ബി) - (d) ഗൺ കാൻസലിലേക്കുള്ള മനോഭാവങ്ങൾക്ക് ആവർത്തിക്കുക. നിങ്ങളുടെ കണ്ടെത്തലുകൾ എങ്ങനെ വ്യത്യസ്തമാണ്?

3. [ , , ഗോയലും സഹപ്രവർത്തകരും (2016) ജനറൽ സോഷ്യൽ സർവവി (GSS) ൽ നിന്നും വ്യത്യസ്തമായി പലതരം വ്യവഹാരങ്ങളോട് കൂടിയ 49 ചോദ്യങ്ങളാണ് കൈകാര്യം ചെയ്തത്. ആമസോൺ മെക്കാനിക്കൽ ടക്ക്കിൽ നിന്നുള്ള പ്രതികരിക്കാത്ത സാമ്പിളുകൾക്ക് പ്യൂ റിസർച്ച് സെന്റർ തെരഞ്ഞെടുത്ത സർവേകൾ. അവർ മാതൃകാ അടിസ്ഥാനമാക്കിയുള്ള പോസ്റ്റ് സ്ട്രാറ്റാലിറ്റി ഉപയോഗിച്ചുള്ള വിവരങ്ങളുടെ പ്രതിനിധമല്ലാത്തതിനാൽ അവർ ക്രമീകരിച്ചു, ഇവയുടെ ക്രമീകരിക്കപ്പെട്ട സംവിധാനങ്ങൾ, പ്രോബബിലിറ്റി അടിസ്ഥാനത്തിലുള്ള ജി.എസ്.എസ്, പ്യൂ സർവ്വേകൾ എന്നിവയുമായി താരതമ്യം ചെയ്തു. ആമസോൺ മെക്കാനിക്കൽ തുർക്കിയുടെ അതേ സർവ്വേ നടത്തുക, നിങ്ങളുടെ ക്രമീകരിക്കാവുന്ന മൂല്യങ്ങളെ ജി.എസ്.എസ്, പ്യൂ സർവ്വേകളുടെ ഏറ്റവും പുതിയ റൗണ്ടുകളുമായി താരതമ്യം ചെയ്തുകൊണ്ട് 2a, Figure 2b എന്നിവയുടെ പകർപ്പെടുക്കാനും ശ്രമിക്കുക. (49 ചോദ്യങ്ങളുടെ പട്ടിക അനുബന്ധം പട്ടിക A2 കാണുക.)

   1. പ്യൂ, ജി.എസ്.എസ് എന്നിവയിൽ നിന്നുള്ള നിങ്ങളുടെ ഫലങ്ങൾ താരതമ്യപ്പെടുത്തുക, അതിൽ നിന്ന് വ്യത്യസ്തമായിരിക്കുക.
   2. Goel, Obeng, and Rothschild (2016) ടർക്കി സർവേയിൽ നിന്ന് Goel, Obeng, and Rothschild (2016) നിന്ന് നിങ്ങളുടെ ഫലങ്ങൾ താരതമ്യം ചെയ്ത് അതിൽ നിന്ന് വ്യത്യസ്തമായി.

4. [ , , ] പല പഠനങ്ങളും മൊബൈൽ ഫോൺ ഉപയോഗത്തിന്റെ സ്വയം റിപ്പോർട്ട് ചെയ്ത നടപടികൾ ഉപയോഗിക്കുന്നു. സ്വയം പരിചയപ്പെട്ട പെരുമാറ്റം ലോഗുചെയ്ത പെരുമാറ്റം ഉപയോഗിച്ച് ഗവേഷകർക്ക് താരതമ്യം ചെയ്യാൻ കഴിയുന്ന രസകരമായ ഒരു ക്രമീകരണമാണ് (ഉദാ: Boase and Ling (2013) ). ആവശ്യപ്പെടാൻ രണ്ടു സാധാരണ സ്വഭാവങ്ങൾ കോൾ ആൻഡ് ടെക്സ്റ്റിങ് ആണ്, രണ്ട് സാധാരണ സമയ ഫ്രെയിമുകൾ "ഇന്നലെ", "കഴിഞ്ഞ വാരത്തിൽ".

   1. ഏതെങ്കിലും ഡാറ്റ ശേഖരിക്കുന്നതിനു മുൻപ്, സ്വയം റിപ്പോർട്ട് ചെയ്യുന്ന നടപടികൾ കൂടുതൽ കൃത്യമായി നിങ്ങൾക്ക് തോന്നുന്നുണ്ടോ? എന്തുകൊണ്ട്?
   2. നിങ്ങളുടെ സുഹൃത്തുക്കളിൽ അഞ്ചുപേരെ നിങ്ങളുടെ സർവേയിൽ പങ്കെടുപ്പിക്കുക. ഈ അഞ്ചു സുഹൃത്തുക്കൾ എങ്ങനെ മാതൃകയാക്കി എന്നതിനെ പറ്റി ചുരുക്കിപ്പറയുക. നിങ്ങളുടെ മാതൃകാടിസ്ഥാനത്തിൽ ഈ മാതൃകാപരമായ നടപടിക്രമം പ്രത്യേക ആനുകൂല്യങ്ങൾ നൽകുന്നുണ്ടോ?
   3. ഇനിപ്പറയുന്ന മൈക്രോസ്കോര്ഷോ ചോദ്യങ്ങൾ ചോദിക്കുക
   • "ഇന്നലെ മറ്റുള്ളവരെ വിളിക്കാൻ നിങ്ങൾ എത്ര തവണ നിങ്ങളുടെ മൊബൈൽ ഫോൺ ഉപയോഗിച്ചു?"
   • "ഇന്നലെ എത്ര സന്ദേശം അയച്ചു?"
   • "കഴിഞ്ഞ ഏഴ് ദിവസങ്ങളിൽ മറ്റുള്ളവരെ വിളിക്കാൻ നിങ്ങളുടെ മൊബൈൽ ഫോൺ എത്ര തവണ നിങ്ങൾ ഉപയോഗിച്ചു?"
   • "കഴിഞ്ഞ ഏഴ് ദിവസത്തിനുള്ളിൽ നിങ്ങൾ എത്ര തവണ വാചക സന്ദേശങ്ങൾ / സന്ദേശങ്ങൾ അയയ്ക്കാനോ സ്വീകരിക്കാനോ മൊബൈൽ ഫോൺ ഉപയോഗിച്ചോ?"
   4. ഈ മൈക്രോസ്കോര് ഒരിക്കൽ പൂർത്തിയായതിനുശേഷം, അവരുടെ ഡാറ്റ അല്ലെങ്കിൽ സേവന ദാതാവിൽ നിന്ന് ലോഗ് ചെയ്തതായി ഉപയോഗ ഡാറ്റ പരിശോധിക്കാൻ ആവശ്യപ്പെടുക. ഡാറ്റ റിപ്പോർട്ട് രേഖപ്പെടുത്തുന്നതിന് സ്വയം റിപ്പോർട്ട് റിപ്പോർട്ടുചെയ്യുന്നത് എങ്ങനെയാണ്? ഏറ്റവും കൃത്യമായ, കുറഞ്ഞത് കൃത്യതയുള്ളത്?
   5. നിങ്ങളുടെ ക്ലാസിലെ മറ്റ് ആളുകളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് ശേഖരിച്ച ഡാറ്റ ഇപ്പോൾ കൂട്ടിച്ചേർക്കുക (നിങ്ങളൊരു ക്ലാസ്സിൽ ഈ പ്രവർത്തനം ചെയ്യുകയാണെങ്കിൽ). ഈ വലിയ ഡാറ്റാഗണത്തിലൂടെ, ഭാഗം (ഡി) ആവർത്തിക്കുക.

5. [ , രണ്ടു ചോദ്യങ്ങളുള്ള രണ്ടു ഭാഗങ്ങളുള്ള വിഷയങ്ങൾ: ചോദ്യോത്തര ചോദ്യങ്ങൾ (ഉദാ: രണ്ട് പ്രസിഡന്റ് സ്ഥാനാർത്ഥികളുടെ റേറ്റിംഗുകൾ) രണ്ടു വിഭാഗങ്ങളുള്ള ഭാഗങ്ങളിൽ ഭാഗിക ചോദ്യങ്ങളുണ്ടെന്ന് ഷുമൻ ആൻഡ് പ്രഷർ (1996) വാദിക്കുന്നു; ഒരു പൊതുവായ ചോദ്യത്തിന് കൂടുതൽ പ്രത്യേക ചോദ്യം (ഉദാഹരണമായി, "നിങ്ങളുടെ ജോലിയിൽ നിങ്ങൾ എത്രത്തോളം സംതൃപ്തരാണ്?" എന്നതും "നിങ്ങളുടെ ജീവിതത്തിൽ നിങ്ങൾ എത്രത്തോളം സംതൃപ്തരാണ്" എന്നും ചോദിക്കുന്നു).

   അവർ രണ്ട് തരത്തിലുള്ള ചോദ്യ ഓർഡർ പ്രഭാവം കൂടുതൽ സ്വഭാവത്തിലാക്കുന്നു: പിന്നീടുള്ള ചോദ്യത്തിനുള്ള പ്രതികരണങ്ങൾ മുൻകാല ചോദ്യത്തിൽ നൽകിയിരിക്കുന്നവയ്ക്ക് (അല്ലാതെ മറ്റേതെങ്കിലും തരത്തിൽ ആയിരിക്കുമെന്നതിനാൽ) അടുപ്പമുള്ള ഫലങ്ങൾ ഉണ്ടാകാറുണ്ട്. രണ്ട് ചോദ്യങ്ങൾക്കുള്ള പ്രതികരണങ്ങൾ തമ്മിൽ വലിയ വ്യത്യാസങ്ങൾ വരുമ്പോൾ വിപരീത ഫലങ്ങൾ സംഭവിക്കും.

   1. വലിയ ചോദ്യ ഓർഡർ പ്രാബല്യത്തിൽ ഉണ്ടാവാമെന്ന് നിങ്ങൾ കരുതുന്ന ഒരു ഭാഗം ഭാഗിക ഭാഗങ്ങൾ സൃഷ്ടിക്കുക; നിങ്ങൾ ഒരു വലിയ ഓർഡർ പ്രഭാവം ഉണ്ടാകും എന്ന് കരുതുന്ന ഒരു ഭാഗം ഭാഗമായി ചോദ്യങ്ങൾ; ഒരു ജോടി ചോദിക്കുന്ന ചോദ്യങ്ങളൊന്നും നിങ്ങൾ കണക്കിലെടുക്കില്ല. നിങ്ങളുടെ ചോദ്യങ്ങൾ പരിശോധിക്കുന്നതിനായി ആമസോൺ മെക്കാനിക്കൽ ടർക്കിൽ ഒരു സർവേ പരീക്ഷണം നടത്തുക.
      
   2. നിങ്ങൾക്ക് എങ്ങനെയാണ് ഭാഗിക ഭാഗത്തെ സൃഷ്ടിക്കാൻ സാധിച്ചത്? ഇത് ഒരു സ്ഥിരത അല്ലെങ്കിൽ വൈരുദ്ധ്യമായിരുന്നോ?
   3. നിങ്ങൾക്കെങ്ങനെ ഒരു ഭാഗം മുഴുവൻ സ്വാധീനവും സൃഷ്ടിക്കാൻ കഴിയും? ഇത് ഒരു സ്ഥിരത അല്ലെങ്കിൽ വൈരുദ്ധ്യമായിരുന്നോ?
   4. നിങ്ങളുടെ ജഡത്തിൽ ഒരു ചോദ്യം ഓർഡർ ഇഫക്ട് ഉണ്ടായിരിക്കുമോ, ഓർഡർ വേണ്ടെന്ന് വച്ചില്ലേ?

6. [ , ഷുമൻ ആൻഡ് പ്രെസറുടെ പ്രവർത്തനത്തെക്കുറിച്ച് Moore (2002) ചോദ്യപേപ്പറുകളുടെ ഒരു വ്യതിരിക്തത വിവരിക്കുന്നു: ചേരുവകളും ഫലപ്രദവുമായ ഫലങ്ങൾ. പരസ്പരം ബന്ധപ്പെട്ട രണ്ട് വസ്തുക്കളുടെ വിലയിരുത്തലുകളുടെ വിലയിരുത്തലിന്റെ ഫലമായി കോൺട്രാസ്റ്റും സ്ഥിരതയാർന്ന ഫലങ്ങളും ഉൽപാദിപ്പിക്കപ്പെടുമ്പോൾ, ചേരുവകകളായ ചോദ്യങ്ങളൊക്കെ ഉയർത്തിക്കാട്ടുന്ന വലിയ ചട്ടക്കൂടിനെ കൂടുതൽ പ്രതികരിക്കാൻ കഴിയുമ്പോൾ, ആഡ്രിറ്റീവ് ആൻഡ് കെയ്റ്റീവ് ഇഫക്ടുകൾ ഉൽപാദിപ്പിക്കും. Read Moore (2002) , പിന്നീട് MTK- ൽ സങ്കലനം അല്ലെങ്കിൽ കയിന്റ് ഇഫക്റ്റുകൾ പ്രകടമാക്കുന്നതിനായി ഒരു സർവേ പരീക്ഷണം നടത്തി.

7. [ , ക്രിസ്റ്റഫർ ആന്റൺ, സഹപ്രവർത്തകർ (2015) നാലു വ്യത്യസ്ത ഓൺലൈൻ റിക്രൂട്ടിംഗ് സ്രോതസ്സുകളിൽ നിന്നും ലഭിച്ച സൗകര്യങ്ങളെ താരതമ്യം ചെയ്ത ഒരു പഠനം നടത്തി: MTurk, Craigslist, Google AdWords, Facebook എന്നിവ. കുറഞ്ഞത് രണ്ട് വ്യത്യസ്ത ഓൺലൈൻ റിക്രൂട്ടിംഗ് സ്രോതസ്സുകളിലൂടെ ഒരു ലളിത സർവേയും റിക്രൂട്ട്മെൻറ് പങ്കാളിയും രൂപകൽപ്പന ചെയ്യുക (ഈ ഉറവിടങ്ങൾ Antoun et al. (2015) ഉപയോഗിക്കുന്ന നാല് ഉറവിടങ്ങളിൽ നിന്നും വ്യത്യസ്തമായിരിക്കും.

   1. ഓരോ റിക്രൂട്ട്മെന്റിനുമുള്ള പണം-സമയം, സമയം എന്നിവ തമ്മിലുള്ള താരതമ്യം താരതമ്യം ചെയ്യുക.
   2. വിവിധ സ്രോതസ്സുകളിൽ നിന്ന് ലഭിച്ച സാമ്പിളുകളുടെ ഘടന താരതമ്യം ചെയ്യുക.
   3. സാമ്പിളുകൾ തമ്മിലുള്ള ഡാറ്റയുടെ നിലവാരം താരതമ്യം ചെയ്യുക. പ്രതികരിച്ചവരിൽ നിന്നുള്ള ഡാറ്റ നിലവാരം എങ്ങനെ കണക്കാക്കുക എന്നതിനെക്കുറിച്ച് ആശയങ്ങൾക്കായി, Schober et al. (2015) .
   4. നിങ്ങളുടെ അഭിലഷണീയ ഉറവിടം എന്താണ്? എന്തുകൊണ്ട്?

8. [ ] 2016-ലെ യൂറോപ്യൻ റിഫെർഡം (അതായത് ബ്രെക്സിറ്റ്), ഇൻറർനെറ്റിലെ മാർക്കറ്റ് റിസേർച്ച് കമ്പനിയായ യുഗാവോവ് നടത്തിയ ഫലങ്ങളെ പ്രവചിക്കാൻ ബ്രിട്ടനിലെ 800,000 ആളുകളുടെ ഒരു പാനലിന്റെ ഓൺലൈൻ സർവെകൾ നടത്തിയത്.

   YouGov ന്റെ സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലിന്റെ വിശദമായ വിവരണം കാണാം https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/. ഏതാണ്ട് പറഞ്ഞാൽ, 2015 ലെ പൊതുതിരഞ്ഞെടുപ്പിൽ വോട്ട് ചോയിസ്, വയസ്സ്, യോഗ്യത, ലിംഗഭേദം, അഭിമുഖത്തിന്റെ തീയതി എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള വോട്ടർമാരെ യുഗോവ് വിഭജിച്ചു, ഒപ്പം അവർ താമസിച്ചിരുന്ന മണ്ഡലവും. ആദ്യമായി, വോട്ടുചെയ്യാൻ ആഗ്രഹിക്കുന്ന ഓരോ വോട്ടർ തരം ആളുകളുടെ അനുപാതവും, വോട്ടുചെയ്തിരിക്കുന്നവരിൽ, യുഗോജിലെ പാനലിസ്റ്റുകളിൽ നിന്നും ശേഖരിക്കുന്ന വിവരങ്ങൾ അവർ ഉപയോഗിച്ചു. 2015 ലെ ബ്രിട്ടീഷ് തിരഞ്ഞെടുപ്പ് പഠന (ബി.ഇ.എസ്) ഉപയോഗിച്ച് ഓരോ വോട്ടർ തരം വോട്ടെടുപ്പിനും അവർ കണക്കാക്കിയിരുന്നു. അവസാനമായി, ഏറ്റവും പുതിയ സെൻസസും വാർഷിക ജനസംഖ്യാ സർവേയുമൊക്കെ അടിസ്ഥാനമാക്കി, വോട്ടർമാരിൽ ഓരോ വോട്ടർ തരത്തിലും എത്രപേർ ഉണ്ടായിരുന്നു എന്ന് അവർ കണക്കാക്കിയിരുന്നു (മറ്റ് വിവരങ്ങളിൽ നിന്നുള്ള ചില വിവരങ്ങൾ കൂടി).

   വോട്ടുചെയ്യുന്നതിന് മൂന്നു ദിവസം മുൻപ്, യൂഗോവ് ലീവ് പിന്നിടുന്നതിന് രണ്ട് പോയിന്റ് ലീഡ് കാണിച്ചു. വോട്ടെടുപ്പിന് തൊട്ടുമുമ്പ് നടന്ന വോട്ടെടുപ്പിൽ ഫലമുണ്ടായില്ലെന്നാണ് ഫലം. (49/51 ശേഷിയുള്ളത്). അന്തിമ ദിനപഠനത്തിനിടയിൽ 48/52 ന് ശേഷമുള്ള അന്തിമ പഠനത്തിന്റെ തുടക്കം (പുനരാരംഭിക്കുക). വാസ്തവത്തിൽ, ഈ എസ്റ്റിമേറ്റ് അവസാന ഫലം നഷ്ടമായി (52/48 ലീഡ്) നാലു ശതമാനം പോയിന്റുകൾ.

   1. തെറ്റായ എന്തു വിലയിരുത്തുന്നതിന് ഈ അധ്യായത്തിൽ ചർച്ച ചെയ്ത ആകെ സർവേ പിശക് ചട്ടക്കൂട് ഉപയോഗിക്കുക.
   2. തിരഞ്ഞെടുപ്പ് കഴിഞ്ഞതിന് ശേഷം നിങ്ങൾക്കുള്ള മറുപടി (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) വിശദീകരിച്ചു: "വോട്ടെടുപ്പ് കാരണം ഇത് വലിയൊരു ഭാഗമായി തോന്നുന്നു- അത്തരം സമതുലിതമായ സന്തുലിതമായ വർഗത്തിന്റെ അനന്തരഫലത്തെല്ലാം വളരെ പ്രധാനപ്പെട്ടതാണെന്ന് ഞങ്ങൾ പറഞ്ഞു. പൊതു തെരഞ്ഞെടുപ്പിനു മുകളിലുള്ള വോട്ടെടുപ്പ് പൊതുവേ ഉത്തരാഖണ്ഡിൽ പ്രത്യേകിച്ച് വോട്ടർമാർക്ക് വോട്ട് ചെയ്തിട്ടുണ്ടോ എന്ന കാര്യം അടിസ്ഥാനമാക്കിയാണ് ഞങ്ങളുടെ വോട്ട് ഔട്ട് മോഡൽ അടിസ്ഥാനമാക്കിയത്. ഇത് (ഉദാഹരണം) നിങ്ങളുടെ ഉത്തരത്തിനു മാറ്റമുണ്ടോ?

9. [ , ] ചിത്രം 3.2-ൽ ഓരോ പ്രാതിനിധ്യ പിശകുകളെയും വിവരിയ്ക്കുന്നതിന് ഒരു സിമുലേഷൻ എഴുതുക.

   1. ഈ പിശകുകൾ യഥാർത്ഥത്തിൽ റദ്ദാക്കിക്കൊണ്ടിരിക്കുന്ന സാഹചര്യം സൃഷ്ടിക്കുക.
   2. പിശകുകൾ തമ്മിൽ പരസ്പരം സംവദിക്കുന്ന സാഹചര്യം സൃഷ്ടിക്കുക.

10. [ , ബ്ലെമൻ സ്റ്റോക്കും സഹപ്രവർത്തകരും (2015) ഗവേഷണ പ്രതികരണങ്ങൾ പ്രവചിക്കാൻ ഡിജിറ്റൽ ട്രെയ്സ് ഡാറ്റ ഉപയോഗിക്കാവുന്ന ഒരു യന്ത്രം പഠന മാതൃക നിർമ്മിക്കുന്നതിൽ ഉൾപ്പെടുന്നു. ഇപ്പോൾ, നിങ്ങൾ വേറൊരു ഡാറ്റാഗണത്തിലൂടെ അതേ കാര്യം പരീക്ഷിക്കാൻ പോകുന്നു. Kosinski, Stillwell, and Graepel (2013) ഫേസ്ബുക്ക് ഇഷ്ടപ്പെടുന്നു വ്യക്തിഗത ഗുണങ്ങളും ഗുണവിശേഷങ്ങളും പ്രവചിക്കാൻ കഴിയും. അതിശയകരമെന്നു പറയട്ടെ, ഈ പ്രവചനങ്ങൾ സുഹൃത്തുക്കളുടെയും സഹപ്രവർത്തകരുടെയും (Youyou, Kosinski, and Stillwell 2015) കൂടുതൽ കൃത്യതയോടെയാണ്.

    1. Kosinski, Stillwell, and Graepel (2013) , ഒപ്പം ആവർത്തിക്കണം. അവരുടെ ഡാറ്റ http://mypersonality.org/ ൽ ലഭിക്കും.
    2. ഇപ്പോൾ, ആവർത്തിക്കണം ചിത്രം 3.
    3. അവസാനമായി, നിങ്ങളുടെ സ്വന്തം ഫെയ്സ്ബുക്ക് ഡാറ്റയിൽ അവരുടെ മാതൃക പരീക്ഷിക്കുക: http://applymagicsauce.com/. നിങ്ങൾക്കായി എത്ര നന്നായി പ്രവർത്തിക്കുന്നു?

11. [ ] Toole et al. (2015) മൊത്തവ്യാപാര തൊഴിലില്ലായ്മ പ്രവണതകളെ പ്രവചിക്കാൻ മൊബൈൽ ഫോണുകളിൽ നിന്നുള്ള കോൾ വിശദമായ രേഖകൾ (സിഡിആർ Toole et al. (2015) ഉപയോഗിക്കുന്നു.

    1. Toole et al. (2015) ന്റെ പഠനം ഡിസൈൻ ചെയ്തതിനു വിപരീതമായി Toole et al. (2015) Blumenstock, Cadamuro, and On (2015) .
    2. സി.ഡി.ആർ കൾ പരമ്പരാഗത സര്വേകളെ മാറ്റി പകരം വയ്ക്കണം, സര്വീസ് പോളിസി നിര്മ്മാതാക്കള്ക്ക് തൊഴിലില്ലായ്മ ട്രാക്ക് ചെയ്യാന് എല്ലാവര്ക്കും ഉപയോഗിക്കാന് കഴിയുമോ? എന്തുകൊണ്ട്?
    3. തൊഴിലില്ലായ്മ നിരക്കിന്റെ പരമ്പരാഗതമായ നടപടികൾ സി ഡി ആർക്ക് പകരം വയ്ക്കാൻ കഴിയുമെന്ന് നിങ്ങൾക്ക് എന്ത് തെളിവാണ്?