3.6.2 സമ്പന്നന്മാർ ചോദിക്കുന്ന

അതു കൌമാരം കഴിയും പോലും, സമ്പന്നന്മാർ ചോദിക്കുന്ന ശക്തമാണ്.

ഡിജിറ്റൽ അംശമോ ഡാറ്റ incompleteness ഇടപെടുന്നതിൽ ഒരു വ്യത്യസ്ത സമീപനം ഞാൻ സമ്പന്നന്മാർ ചോദിക്കുന്ന വിളിക്കാം ഒരു പ്രക്രിയ സർവേ ഡാറ്റ നേരിട്ട് പരിപോഷിപ്പിക്കുന്നതിനും എന്നതാണ്. സമ്പന്നന്മാർ ചോദിക്കുന്ന ഒരു ഉദാഹരണം പഠനമാണ് Burke and Kraut (2014) ഞാൻ അധ്യായം (വിഭാഗം 3.2) നേരത്തെ ഫേസ്ബുക്കിൽ സംവദിക്കുമ്പോൾ സൗഹൃദം ബലം വർദ്ധിപ്പിക്കുന്നു എന്ന് കുറിച്ച് വിവരിക്കുന്ന. ആ സാഹചര്യത്തിൽ ബർക്കും Kraut ഫേസ്ബുക്ക് ലോഗ് ഡാറ്റ ഉപയോഗിച്ച് സർവേ ഡാറ്റ കൂട്ടിച്ചേർക്കാം.

ആ ബർക്കും Kraut ജോലി ചെയ്തത് ക്രമീകരണം എന്നാൽ, ഗവേഷകർ മുഖം ആവശ്യപ്പെട്ട് സമ്പന്നന്മാർ ചെയ്യുന്നത് രണ്ടു വലിയ പ്രശ്നങ്ങൾ കൈകാര്യം വന്നില്ല നൽകണമായിരുന്നു. ആദ്യം, യഥാർത്ഥത്തിൽ ഒരുമിച്ചു ഡാറ്റ ഗണങ്ങൾ-റെക്കോഡ് ബന്ധം വിളിച്ചു പ്രക്രിയ ലിങ്കിംഗ്, മറ്റ് അനുയോജ്യമായ റെക്കോഡ് ഉപയോഗിച്ച് ഒറ്റ ഡാറ്റാഗണത്തിലെ ഒരു റെക്കോർഡിന്റെ ചേരുന്ന ബുദ്ധിമുട്ടുള്ള പ്രശ്നസാധ്യതയുള്ളതുമായ ആയിരിക്കും ഡാറ്റാഗണത്തിന്റെ-കഴിയും (താഴെ ഞങ്ങൾ ഈ പ്രശ്നം ഒരു ഉദാഹരണം കാണും ). സമ്പന്നന്മാർ ചോദിക്കുന്ന രണ്ടാം പ്രധാന പ്രശ്നം ഗവേഷകർ വിലയിരുത്താൻ ഡിജിറ്റൽ ജലരേഖകളെ ഗുണമേന്മയുള്ള പതിവായി ദുഷ്കരമായിരിക്കും എന്നതാണ്. ഉദാഹരണത്തിന്, ചിലപ്പോൾ ശേഖരിച്ച ഏത് പ്രക്രിയ കുത്തക ആണ് പാഠം 2. വിവരിച്ചിട്ടുള്ള മറ്റു വാക്കുകളിൽ പ്രശ്നങ്ങൾ തൽപരരായ കഴിഞ്ഞില്ല, സമ്പന്നന്മാർ ചോദിക്കുന്ന പതിവായി സർവ്വേകൾ പ്രശ്നസാധ്യതയുള്ളതുമായ ലിങ്കുചെയ്യലിനെ അജ്ഞാത കറുത്ത-ബോക്സ് ഡാറ്റ ഉറവിടങ്ങളിൽ ലേക്ക് ഉൾപ്പെട്ടിരിക്കുന്നത് ചെയ്യും ഗുണമേന്മയുള്ള. ഈ രണ്ടു പ്രശ്നങ്ങൾ അവതരിപ്പിക്കുമെന്ന് ആശങ്കകളാണ് നൽകിയിട്ടും അതു സ്റ്റീഫൻ Ansolabehere ആൻഡ് Eitan Hersh പ്രദർശനത്തിലൂടെ പോലെത്തന്നെ ഈ തന്ത്രത്തിന്റെ ഉപയോഗിച്ച് പ്രധാനപ്പെട്ട ഗവേഷണം നടത്തി സാധ്യമാണ് (2012) യുഎസ് വോട്ടിംഗ് രീതിയെ തങ്ങളുടെ ഗവേഷണത്തിൽ. തന്ത്രങ്ങൾ Ansolabehere ആൻഡ് Hersh വികസിപ്പിച്ച പല സമ്പന്നന്മാർ ചോദിക്കുന്ന മറ്റ് അപേക്ഷകൾ ഉപയോഗപ്പെടും കാരണം ചില വിശദമായി ഈ പഠനത്തിൽ പോകുന്നതിന് ഗുണകരമാണെന്ന്.

പോളിങ് പൊളിറ്റിക്കല് ​​സയന്സ് പഠനങ്ങൾ വിഷയമായിട്ടുണ്ട്, മുൻകാലങ്ങളിൽ, വോട്ട് എന്തുകൊണ്ട് ആർ ഗവേഷകർ 'ബുദ്ധി സാധാരണയായി സർവേ ഡാറ്റ വിശകലനം അടിസ്ഥാനമാക്കി. യുഎസ് വോട്ടെടുപ്പു എന്നാൽ, ഓരോ പൌരനും വോട്ട് എന്നത് സർക്കാർ രേഖകളിൽ അസാധാരണമായ പെരുമാറ്റം (തീർച്ചയായും, സർക്കാർ ഓരോ പൗരനും വോട്ടുകൾ രേഖപ്പെടുത്തിയിട്ടില്ല അതിനാൽ) ആണ്. വർഷങ്ങളായി ഈ ഗവൺമെന്റൽ വോട്ടിംഗ് രേഖകള് പേപ്പർ ഫോമുകൾ, രാജ്യത്തെ വിവിധ പ്രാദേശിക സർക്കാർ ഓഫീസുകൾ ചിതറിക്കിടക്കുന്ന ലഭ്യമായിരുന്നത് ആയിരുന്നു. ഈ രാഷ്ട്രീയ ശാസ്ത്രജ്ഞർ വോട്ടർാരെ പൂർണ്ണമായ ചിത്രം ലേക്ക് ജനങ്ങൾക്ക് അവരുടെ യഥാർത്ഥ വോട്ടിംഗ് പെരുമാറ്റം വോട്ടു സർവേകളിൽ പറയുന്നതിന് താരതമ്യം അതു ബുദ്ധിമുട്ടാണ്, പക്ഷെ അസാധ്യമാണ് ഉണ്ടാക്കി (Ansolabehere and Hersh 2012) .

എന്നാൽ, ഇപ്പോൾ ഈ വോട്ടിംഗ് റെക്കോർഡുകൾ ഡിജിറ്റൈസ് അനുസരിച്ചാണ് സ്വകാര്യ കമ്പനികളുടെ എണ്ണം വ്യവസ്ഥാപിതമായി ശേഖരിച്ച എല്ലാ അമേരിക്കക്കാർക്കും വോട്ടിങ് സ്വഭാവം രേഖപ്പെടുത്താൻ ആ സമഗ്രമായ മാസ്റ്റർ വോട്ടിംഗ് ഫയലുകൾ ഉത്പാദിപ്പിക്കാൻ ഈ വോട്ടിംഗ് റെക്കോർഡുകൾ ലയിപ്പിച്ചു. Ansolabehere ആൻഡ് Hersh ഈ കമ്പനികൾ-Catalist അസംബന്ധം-ഇൻ വോട്ടർാരെ മെച്ചപ്പെട്ട ചിത്രം സംരംഭത്തിന്റെ സഹായത്തിനായി തങ്ങളുടെ യജമാനന്റെ വോട്ടിംഗ് ഫയൽ ഉപയോഗിക്കുന്നതിനായി ഒന്ന് പങ്കാളിത്തത്തിൽ. അതിനാൽ, ഒരു കമ്പനി ശേഖരിച്ച് പരിപാലിച്ച ഡിജിറ്റൽ രേഖകള് താഴ്ച അതു ഗുണങ്ങളുമുണ്ട് ഒരു എണ്ണം അനലോഗ് രേഖകള് ഉപയോഗിച്ച് കമ്പനികളുടെ എയ്ഡ് കൂടാതെ ചെയ്തു എന്നും ഗവേഷകർ കഴിഞ്ഞ ശ്രമങ്ങൾ മേൽ കഴിച്ചു.

അദ്ധ്യായം 2 ഡിജിറ്റൽ അംശവും സ്രോതസ്സുകൾ തോന്നിയത്, Catalist മാസ്റ്റർ ഫയൽ, ജനസംഖ്യാ വളരെ attitudinal, ഒപ്പം Ansolabehere ആൻഡ് Hersh ആവശ്യമായിരുന്ന പെരുമാറ്റ വിവരങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടില്ല. ഈ വിവരങ്ങൾ പുറമെ, Ansolabehere ആൻഡ് Hersh സാധൂകരിച്ചു വോട്ടിംഗ് സ്വഭാവം (അതായത്, Catalist ഡാറ്റാബേസ് വിവരം) റിപ്പോർട്ടുചെയ്തു വോട്ടിങ് സ്വഭാവം തട്ടിച്ചു പ്രത്യേകിച്ച് താൽപ്പര്യമുണ്ടെന്ന്. അങ്ങനെ ഗവേഷകർ സഹകരണ കോൺഗ്രഷണൽ തിരഞ്ഞെടുപ്പ് സ്റ്റഡി (CCES), ഒരു വലിയ സോഷ്യൽ സർവേയുടെ ഭാഗമായി ആഗ്രഹിച്ചു ഡാറ്റ ശേഖരിച്ചു. അടുത്തതായി, ഗവേഷകർ Catalist ഈ ഡാറ്റ കൊടുത്തു; Catalist തിരികെ ലയിപ്പിച്ച ഡാറ്റ സാധൂകരിച്ചു വോട്ടിംഗ് സ്വഭാവം (Catalist നിന്ന്) ഉൾപ്പെട്ടിരുന്നു സ്വയം റിപ്പോർട്ട് വോട്ടിംഗ് സ്വഭാവം (CCES നിന്നും) (പ്രമാണത്തിന്റെ, CCES നിന്ന് പ്രതികരിച്ച ജനസംഖ്യയും മനോഭാവം ഗവേഷകർ കൊടുത്തു ). മറ്റു വാക്കുകളിൽ, Ansolabehere ആൻഡ് Hersh സർവേ ഡാറ്റ ഉപയോഗിച്ച് വോട്ടിങ് ഡാറ്റ സമ്പന്നന്മാർ, തത്ഫലമായി ലയിപ്പിച്ച ഫയൽ എന്നുമില്ല ഫയൽ വ്യക്തിഗതമായി പ്രാപ്തമാക്കിയ എന്തെങ്കിലും ചെയ്യാൻ അവരെ പ്രാപ്തമാക്കുന്നു.

സർവേ വിവരങ്ങൾ ഉപയോഗിച്ച് Catalist മാസ്റ്റർ ഡാറ്റ ഫയൽ സമ്പന്നമാക്കി, Ansolabehere ആൻഡ് Hersh മൂന്ന് സുപ്രധാന നിഗമനങ്ങളിൽ എത്തി. ആദ്യം, മേൽ-റിപ്പോർട്ടിംഗ് വോട്ടെടുപ്പ് സത്യമേ: നോൺ-വോട്ടർമാർ പകുതിയോളം വോട്ടിങ്ങുമാണ് റിപ്പോർട്ട്. അല്ലെങ്കിൽ, അതു നോക്കി മറ്റൊരു ആരെങ്കിലും വോട്ടിംഗ് റിപ്പോർട്ട് ചെയ്താൽ അവർ യഥാർഥത്തിൽ വോട്ടു മാത്രമേ ഒരു 80% അവസരം ഉണ്ട് എന്നതാണ്. രണ്ടാമത്തേത്, അമിതമായി റിപ്പോർട്ടുചെയ്യൽ റാൻഡം അല്ല; മേൽ-റിപ്പോർട്ടിംഗ് പൊതു കാര്യങ്ങളിൽ ഏർപ്പെട്ടിരിക്കുകയാണ് ആർ ഉയർന്ന വരുമാനം നല്ല വിദ്യാഭ്യാസമുള്ള, അനുഭാവികളെ ഇടയിൽ കൂടുതൽ സാധാരണം. മറ്റു വാക്കുകളിൽ, വോട്ടുചെയ്യാൻ ഏറ്റവും സാധ്യത ആളുകളും .നവ നുണ ഏറ്റവും സാധ്യത. മൂന്നാമതായി, ഏറ്റവും വിമർശനപരമായി, കാരണം അമിത റിപ്പോർട്ടിംഗ് സിസ്റ്റമാറ്റിക് പ്രകൃതി, വോട്ടർമാരും നോൺ-വോട്ടർമാർ തമ്മിലുള്ള യഥാർത്ഥ വ്യത്യാസങ്ങൾ അവർ സർവേകളിലും നിന്ന് ദൃശ്യമാകും കുറവായിരിക്കും. ഉദാഹരണത്തിന്, ഒരു ബാച്ച്ലർ ബിരുദം ആ വോട്ടിംഗ് റിപ്പോർട്ടുചെയ്യാൻ 22 ശതമാനം കൂടുതൽ സാധ്യത, മാത്രം 10 ശതമാനത്തിന്റെ യഥാർത്ഥ വോട്ട് കൂടുതൽ സാധ്യത. കൂടുതൽ, വോട്ടെടുപ്പ് നിലവിലുള്ള റിസോഴ്സ് ബേസ്ഡ് സിദ്ധാന്തങ്ങൾ ആരാണ് യഥാർഥത്തിൽ വോട്ടുകൾ അധികം വോട്ടവകാശം, പുതിയ സിദ്ധാന്തങ്ങളും മനസ്സിലാക്കാനും വോട്ടിംഗ് പ്രവചിക്കാൻ എന്ന മുറവിളി സീനാന് കണ്ടെത്തിയിരിക്കുന്നത് ഹാജരാക്കുകയും ചെയ്യും ആർ ഷിതമായത് തോരാതെ ആകുന്നു.

എന്നാൽ എത്ര ഞങ്ങൾ ഈ ഫലങ്ങൾ ഭരമേൽപിക്കേണ്ടത്? ഈ ഫലങ്ങൾ പിശക് അറിയപ്പെടാത്ത അളവിൽ കറുത്ത-ബോക്സ് ഡാറ്റ ലേക്കുള്ള പ്രശ്നസാധ്യതയുള്ളതുമായ ലിങ്കുചെയ്യലിനെ ആശ്രയിക്കുന്നത് ഓർക്കുക. 1) കൃത്യമായ മാസ്റ്റർ രസികന് ഉം 2 ഉത്പാദിപ്പിക്കാൻ പല വ്യത്യസ്ത ഡാറ്റ ഉറവിടങ്ങളിൽ സംയോജിപ്പിച്ച് Catalist കഴിവ്) സർവേ ഡാറ്റ അതിന്റെ മാസ്റ്റർ രസികന് ലിങ്കിനു Catalist കഴിവ്: പോരാഞ്ഞ്, ഫലങ്ങള് രണ്ട് കീ ഘട്ടങ്ങളിൽ വിജാഗിരി. ഓരോ നടപടികളിലും പ്രയാസമാണ് ആണ് ഒന്നുകിൽ ഘട്ടത്തിലും പിശകുകൾ തെറ്റായ നിഗമനങ്ങളിൽ ശാസ്ത്രജ്ഞരെ നയിച്ചേക്കാം. എന്നിരുന്നാലും, പലപ്പോഴും സ്കെയിലിൽ, ഈ പ്രശ്നങ്ങൾക്ക് പരിഹാരം വിഭവങ്ങൾ നിക്ഷേപിക്കാൻ കഴിയും ഗവേഷകർ യാതൊരു വ്യക്തിഗത അക്കാദമിക് ഗവേഷകൻ അല്ലെങ്കിൽ ഗ്രൂപ്പ് പൊരുത്തപ്പെടുന്നില്ല കഴിയുന്ന മനശാസ്ത്രം, മാച്ചിങ് ഇരുവരും ഒരു കമ്പനിയെന്ന നിലയിൽ Catalist തുടർന്ന് അസ്തിത്വം നിർണായകമാണ്. അധ്യായത്തിൻറെ അവസാനം കൂടുതൽ വായനയ്ക്കായി എനിക്ക് കൂടുതൽ വിശദമായി എങ്ങനെ Ansolabehere ആൻഡ് Hersh അവരുടെ ഫലങ്ങളിൽ ആത്മവിശ്വാസം ഈ പ്രശ്നങ്ങൾ വിവരിക്കുക. ഈ വിശദാംശങ്ങൾ ഈ പഠനത്തിൽ നിർദിഷ്ട ആണെങ്കിലും, ഈ സമാനമായ പ്രശ്നങ്ങൾ കറുത്ത-ബോക്സ് ഡിജിറ്റൽ ട്രെയ്സ് ഡാറ്റ ഉറവിടങ്ങളിൽ കണ്ണികളുണ്ട് വൈമുഖ്യം മറ്റ് ഗവേഷകർക്കും വേണ്ടി എഴുന്നേല്ക്കും.

ജനറൽ പാഠങ്ങൾ ഗവേഷകർ ഈ പഠനത്തിൽ നിന്നും കഴിയും എന്തെല്ലാമാണ്? ആദ്യം, സർവേ വിവരങ്ങൾ ഡിജിറ്റൽ പ്രകടമാകുന്നത് സമ്പന്നമാക്കി നിന്ന് വിലയുണ്ട് ഇല്ല. രണ്ടാമത്തേത്, ഈ സമാഹരിച്ചതാണ് പോലും വാണിജ്യ ഡാറ്റ ഉറവിടങ്ങളിൽ, ചില കേസുകളിൽ അവർ ഉപയോഗപ്പെടും കണക്കാക്കും "നിലത്തു സത്യം" പാടില്ല. വാസ്തവത്തിൽ, അത് സത്യത്തിന് ഈ ഡാറ്റ ഉറവിടങ്ങളിൽ താരതമ്യം (അവർ എപ്പോഴും ഹ്രസ്വ വീഴും അതിൽ നിന്ന്) നല്ലത്. പകരം, അത് മാറ്റമില്ലാതെ പോലെ പിശകുകളുള്ള ലഭ്യമായ മറ്റ് ഡാറ്റ ഉറവിടങ്ങളിൽ, അവരെ താരതമ്യം നല്ലതു.