പ്രവർത്തനങ്ങൾ

കീ:

• വൈഷമ്യം ബിരുദം: എളുപ്പമുള്ള , ഇടത്തരം , ഹാർഡ് വളരെ ബുദ്ധിമുട്ടു
• മാത്ത് ആവശ്യമാണ് ( )
• കോഡിങ് ആവശ്യമാണ് ( )
• ഡാറ്റ ശേഖരണം ( )
• എന്റെ പ്രിയപ്പെട്ടവ ( )

1. [ , ] അൽഗോരിത്മിക് മറിച്ച്നോക്കിക്കൊണ്ട് Google ഫ്ലൂ ട്രെൻഡ് ഉപയോഗിച്ച് ഒരു പ്രശ്നമുണ്ടായി. പ്രബന്ധത്തിൽ വായിക്കുക Lazer et al. (2014) , Google -ന് പ്രശ്നം പരിഹരിക്കുക എങ്ങനെ ഒരു ആശയം വാഗ്ദാനം ചെയ്തത് എൻജിനീയറുടെ ഒരു ഹ്രസ്വ, വ്യക്തമായ ഇമെയിൽ എഴുതുക.

2. [ ] Bollen, Mao, and Zeng (2011) ട്വിറ്റർ നിന്ന് ഡാറ്റ ഓഹരി വിപണി പ്രവചിക്കാൻ ഉപയോഗിക്കാൻ കഴിയും അവകാശപ്പെടുന്നുണ്ട്. ഈ കണ്ടെത്തിയിരിക്കുന്നത് ട്വിറ്റർ നിന്നും ശേഖരിച്ച വിവരം അടിസ്ഥാനമാക്കി സ്റ്റോക്ക് വിപണിയിൽ നിക്ഷേപിക്കും മാർക്കറ്റ്സ്-ഒരു ഹെഡ്ജ് ഫണ്ട്-Derwent ക്യാപിറ്റൽ സൃഷ്ടിക്ക് നയിച്ചു (Jordan 2010) . എന്തു തെളിവുണ്ട് ആ ഫണ്ട് നിങ്ങളുടെ പണം ഇടുന്നതു മുമ്പ് കാണാൻ ആഗ്രഹിക്കുക?

3. [ ] ചില പൊതു ആരോഗ്യ അഭിഭാഷകരും, ന്യൂസ്പേപ്പർ വിരാമം ഫലപ്രദമായ എയ്ഡ് ഇ-സിഗററ്റ് കന്മഴ സമയത്ത് മറ്റുള്ളവരെ പോലുള്ള നിക്കോട്ടിൻ ഉയർന്ന അളവ് .ജാബിദ്, കുറിച്ച് മുന്നറിയിപ്പ്. ഒരു ഗവേഷകൻ ഇ-സിഗററ്റ് ബന്ധപ്പെട്ട ട്വിറ്റർ കുറിപ്പുകൾ ശേഖരിച്ച് വികാരം വിശകലനം നടത്തുന്നതിന് വഴി ഇ-സിഗററ്റ് നേരെ പൊതുജനാഭിപ്രായം പഠിക്കാൻ തീരുമാനിക്കുന്നു സങ്കൽപ്പിക്കുക.

   1. നിങ്ങൾ ഈ പഠനത്തിൽ ഏറ്റവും ഒക്കെ മൂന്ന് സാധ്യത പക്ഷപാത എന്തെല്ലാമാണ്?
   2. Clark et al. (2016) അത്തരമൊരു പഠനം ഓടി. ആദ്യം അവർ ജനുവരി 2012 മുതൽ ഇ-സിഗരറ്റ് ബന്ധപ്പെട്ട കീവേഡുകൾ ഉപയോഗിച്ച അടുത്തതാണ് പരിശോധനയും മേൽ ഡിസംബർ 2014. വഴി 850,000 ട്വീറ്റുകൾ ശേഖരിച്ച അവർ ഈ ട്വീറ്റുകൾ പല ഓട്ടോമേറ്റഡ് ചെയ്തു മനസ്സിലായി (അതായത്, മനുഷ്യർ നിർമ്മിക്കുന്ന അല്ല) ഈ ട്വീറ്റ് പല അടിസ്ഥാനപരമായി ആയിരുന്നു വാണിജ്യ. അവർ ജൈവ ട്വീറ്റുകൾ നിന്ന് ട്വീറ്റ് വേർതിരിക്കാൻ ഹ്യൂമൻ രോഗനിർണയം അൽഗോരിതം വികസിപ്പിച്ചെടുത്തത്. ഈ ഹ്യൂമൻ ഉപയോഗിക്കുന്നു അവർ ട്വിറ്ററിലെ 80% ഓട്ടോമേറ്റഡ് കണ്ടെത്തി അൽഗോരിതം കണ്ടെത്തുക. ഈ കണ്ടെത്തൽ` ഭാഗം (എ) ലേക്ക് നിങ്ങളുടെ ഉത്തരം മാറ്റുക നൽകുന്നത്?
   3. അവർ ജൈവ ട്വീറ്റ് ലെ വികാരം അപേക്ഷിച്ച് അവർ ട്വീറ്റ് ജൈവ ട്വീറ്റുകൾ (6.17 പ്രബലം 5.84) അധികം നല്ല കണ്ടെത്തി. ഈ കണ്ടെത്തിയിരിക്കുന്നത് ലേക്ക് (ബി) നിങ്ങളുടെ ഉത്തരം മാറ്റുക നൽകുന്നത്?

4. [ ] 2009 നവംബറിൽ ട്വിറ്റർ ചോദ്യം ട്വീറ്റ് ബോക്സിൽ നിന്ന് മാറ്റി "നീ എന്തു ചെയ്യുന്നു?" "എന്താണ് സംഭവിക്കുന്നത്?" (Https://blog.twitter.com/2009/whats-happening).

   1. എങ്ങനെ ആവശ്യപ്പെടുന്നു മാറ്റം ട്വീറ്റ് കൂടാതെ / അല്ലെങ്കിൽ അവർ ട്വീറ്റ് എന്തു ആർ ബാധിക്കും തോന്നുന്നു?
   2. നിങ്ങൾ പ്രോംപ്റ്റ് തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ ഏത് ഒന്നു ഗവേഷണ പ്രോജക്ടിന്റെ പേര് "നീ എന്തു ചെയ്യുന്നു?" കാരണം വിശദീകരിക്കുക.
   3. നിങ്ങൾ പ്രോംപ്റ്റ് തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ ഏത് ഒന്നു ഗവേഷണ പ്രോജക്ടിന്റെ പേര് "സംഭവിക്കുന്നത് എന്താണ്?" കാരണം വിശദീകരിക്കുക.

5. [ ] Kwak et al. (2010) 41.7 ദശലക്ഷം ഉപയോക്തൃ പ്രൊഫൈലുകൾ, 1.47 ബില്യൺ സോഷ്യൽ ബന്ധങ്ങൾ, 4262 പ്രചാരമുള്ള വിഷയങ്ങളും, ജൂൺ 6 ജൂൺ 31, 2009 നും 106 ദശലക്ഷം ട്വീറ്റുകൾ വിശകലനത്തിനു അവർ ട്വിറ്റർ വിവരങ്ങളുടെ പങ്കിടൽ ഒരു പുതിയ മാധ്യമമായി കൂടുതൽ ലെ നിഗമനം ഈ വിശകലനത്തിൽ അടിസ്ഥാനമാക്കി സോഷ്യൽ നെറ്റ്വർക്ക്.

   1. , Kwak എറ്റ് അൽ കണ്ടെത്തിയിരിക്കുന്നത് കണക്കിലെടുത്ത് നിങ്ങൾക്ക് Twitter ഡാറ്റ ഉപയോഗിച്ച് ചെയ്യുമായിരുന്നു ഗവേഷണ ഏതു തരം? നിങ്ങൾക്ക് Twitter ഡാറ്റ ഗവേഷണകേന്ദ്രം എന്തു തരം മനസ്സുവന്നില്ല? എന്തുകൊണ്ട്?
   2. 2010 ൽ ട്വിറ്റർ ഉപയോക്താക്കൾക്ക് കൂട്ടിച്ചേർത്ത നിർദ്ദേശം making സേവനം പിന്തുടരുക ചേർത്തു. മൂന്ന് ശുപാർശകൾ പ്രധാന പേജിൽ ഒരു സമയം പ്രദർശിപ്പിക്കും. ശുപാർശകൾ പലപ്പോഴും ഒരാളുടെ "സുഹൃത്തുക്കൾ ഓഫ് സുഹൃത്തുക്കൾ," പരസ്പര ബന്ധങ്ങൾ നിന്ന് വരയ്ക്കും പുറമേ ശുപാർശ പ്രദർശിപ്പിക്കുന്നു. ഉപയോക്താക്കൾ ശുപാർശകൾ ഒരു പുതിയ കൂട്ടം കാണാനോ ശുപാർശകൾ ഒരു ദീർഘമായ ലിസ്റ്റ് ഒരു പേജ് സന്ദർശിക്കാൻ പുതുക്കുക കഴിയും. നിങ്ങൾ ഈ പുതിയ സവിശേഷത പൊളിയും നിങ്ങളുടെ ഉത്തരം മാറ്റാൻ ചിന്തിക്കുന്നുണ്ടോ)? എന്തുകൊണ്ട് എന്താണ്?
   3. Su, Sharma, and Goel (2016) എന്ന സേവനം പിന്തുടരുക ആർ പ്രാബല്യത്തിൽ വിലയിരുത്തുകയും ജനപ്രീതിയും സ്പെക്ട്രം ഉടനീളം ഉപയോക്താക്കൾ ശുപാർശകൾ പ്രയോജനം അതേസമയം, ഏറ്റവും പ്രശസ്തമായ ഉപയോക്താക്കൾ ശരാശരി എത്രയോ കൂടുതൽ പ്രയോജനപ്പെടുകയും കണ്ടെത്തി. ഈ കണ്ടെത്തൽ` ഭാഗം ബി നിങ്ങളുടെ ഉത്തരം മാറ്റില്ല)? എന്തുകൊണ്ട് എന്താണ്?

6. [ ] "Retweets" പലപ്പോഴും ട്വിറ്ററിൽ സ്വാധീനം സ്വാധീനം പ്രചാരത്തിനും അളക്കാൻ ഉപയോഗിക്കുന്നു. തുടക്കത്തിൽ, ഉപയോക്താക്കൾക്ക് പകർത്താനും ഒട്ടിക്കുക അവർ ഇഷ്ടപ്പെട്ടു ട്വീറ്റ് അവന്റെ / അവളുടെ നഗരിയില് യഥാർത്ഥ സ്രഷ്ടാവ് ചെയ്യുക, അത് സ്വമേധയാ ഒരു ReTweet എന്ന് സൂചിപ്പിക്കാൻ ട്വീറ്ററിലൂടെ മുമ്പ് 'ആർടി "ടൈപ്പ് ഉണ്ടായിരുന്നു. പിന്നെ, 2009 ൽ ട്വിറ്റർ ഒരു "ReTweet" ബട്ടൺ ചേർത്തു. ജൂൺ 2016 ൽ ട്വിറ്റർ ഉപയോക്താക്കൾ അവരുടെ ട്വീറ്റുകൾ (https://twitter.com/twitter/status/742749353689780224) ReTweet സാധ്യത ഉണ്ടാക്കി. ഈ മാറ്റങ്ങൾ നിങ്ങളുടെ ഗവേഷണം "retweets" എങ്ങനെ ഉപയോഗിക്കും സ്വാധീനിക്കണം കരുതുന്നുണ്ടോ? എന്തുകൊണ്ട് എന്താണ്?

7. [ , , ] Michel et al. (2011) പുസ്തകങ്ങൾ ഡിജിറ്റൈസ് ഗൂഗിളിന്റെ ശ്രമം നിന്ന് ഉയർന്നുവരുന്ന ഒരു കോർപ്പസ് നിർമ്മിച്ചത്. 2009 ൽ പ്രസിദ്ധീകരിച്ച 5 ദശലക്ഷം ഡിജിറ്റൽ പുസ്തകങ്ങൾ മേൽ അടങ്ങിയിരിക്കുന്ന ചെയ്തു കോർപ്പസ്, ഒന്നാം പതിപ്പ് ഉപയോഗിക്കുന്നു, രചയിതാക്കൾ ഭാഷാപരമായ മാറ്റങ്ങൾ സാംസ്കാരിക പ്രവണതകൾ അന്വേഷിക്കാൻ വചനം ഉപയോഗം ആവൃത്തി വിശകലനം ചെയ്തു. ഉടൻ Google പുസ്തകങ്ങൾ കോർപ്പസ് ഗവേഷകർ ഒരു പ്രമുഖ ഡാറ്റാ ഉറവിട മാറി, ഡാറ്റാബേസ് 2nd പതിപ്പ് 2012 ൽ പുറത്തിറങ്ങി.

   എന്നിരുന്നാലും, Pechenick, Danforth, and Dodds (2015) ഗവേഷകർ പൂർണ്ണമായി വിശാലമായ നിഗമനങ്ങളിൽ വരയ്ക്കുന്നതിന് ഉപയോഗിക്കുന്നതിന് മുമ്പ് വരുമാനത്തിന്റെ ഒരുപറ്റം പ്രക്രിയ ചിത്രീകരിക്കുന്നതും വേണമെങ്കിൽ മുന്നറിയിപ്പ് നൽകി. പ്രധാന പ്രശ്നം ഓരോ പുസ്തകവും ഒന്ന് അടങ്ങുന്ന കോർപ്പസ് ലൈബ്രറി പോലുള്ള എന്നതാണ്. തത്ഫലമായി, ഒരു വ്യക്തിഗത, രചനാസിദ്ധിക്ക് പ്രകടമാകും Google പുസ്തകങ്ങൾ സബീലില്ലാഹി പുതിയ ശൈലികളും തിരുകാൻ കഴിയും. മാത്രമല്ല, ശാസ്ത്രീയ എഴുത്തുകൾ 1900 മുഴുവൻ കോർപ്പസ് വർദ്ധിച്ചുവരുന്ന കഴമ്പുള്ള പങ്കു സ്ത്രീകളുമാണ്. കൂടാതെ, ഇംഗ്ലീഷ് ഫിക്ഷൻ ഡാറ്റാസെറ്റുകളുടെ രണ്ട് പതിപ്പുകൾ, Pechenick എറ്റ് താരതമ്യം. അപര്യാപ്തമായ ഫിൽട്ടറിംഗ് ആദ്യ പതിപ്പ് ഉത്പാദക ഉപയോഗിച്ചിരുന്ന തെളിവുകൾ കണ്ടെത്തി. പ്രവർത്തനം ആവശ്യമായ ഡാറ്റ എല്ലാ ഇവിടെ ലഭ്യമാണ്: http://storage.googleapis.com/books/ngrams/books/datasetsv2.html

   1. ന്റെ മിഷെൽ എറ്റ്. യഥാർത്ഥ പ്രബന്ധത്തിൽ (2011) , അവർ ഇംഗ്ലീഷ് ഡാറ്റ സെറ്റിന്റെ 1st പതിപ്പ് ഉപയോഗിക്കുന്ന വർഷം ഉപയോഗം ആവൃത്തി കുതന്ത്രങ്ങളുടെ "1880", "1912" ഉം "1973", ഞങ്ങൾ ആകുന്നു "നിഗമനം (ചിത്രം. 3 എ, മൈക്കൽ എറ്റ്.) ഓരോ വർഷം വേഗത്തിൽ നമ്മുടെ കഴിഞ്ഞകാലത്തെ മറന്ന് ". , ഇംഗ്ലീഷ് ഡാറ്റാഗണത്തിന്റെ 1 ഉപയോഗിച്ച് ഒരേ തന്ത്രം അവരാഗ്രഹിച്ചില്ല) വരുമാനത്തിന്റെ 1st പതിപ്പ് (ചിത്രം. 3 എ, മൈക്കൽ എറ്റ് അതേ.)
   2. ഇപ്പോൾ 1st പതിപ്പ്, ഇംഗ്ലീഷ് ഫിക്ഷൻ ഡാറ്റാഗണത്തിന്റെ ഒരേ തന്ത്രം അവരാഗ്രഹിച്ചില്ല.
   3. ഇപ്പോൾ വരുമാനത്തിന്റെ 2nd പതിപ്പ് അതേ തന്ത്രം അവരാഗ്രഹിച്ചില്ല, ഇംഗ്ലീഷ് ഡാറ്റാഗണം.
   4. ഒടുവിൽ 2nd പതിപ്പ്, ഇംഗ്ലീഷ് ഫിക്ഷൻ ഡാറ്റാഗണത്തിന്റെ ഒരേ തന്ത്രം അവരാഗ്രഹിച്ചില്ല.
   5. ഈ നാലു പ്ലോട്ടുകൾ തമ്മിലുള്ള വ്യത്യാസങ്ങൾ ആൻഡ് സമാനതകൾ വിവരിക്കുക. നിങ്ങൾ നിരീക്ഷിച്ചു പ്രവണത എന്ന മൈക്കൽ എറ്റ്. യഥാർത്ഥ അർത്ഥം അംഗീകരിക്കുന്നുണ്ടോ? (സൂചന: സി), ഡി) ചിത്രം 16 അതേ Pechenick എറ്റ് ആയിരിക്കണം).
   6. ഇപ്പോൾ നിങ്ങൾ വ്യത്യസ്ത Google പുസ്തകങ്ങൾ കോർപ്പറ ഉപയോഗിച്ച് കണ്ടെത്തുന്നതിൽ ഈ ഒറ്റ ശരിപ്പകര്പ്പായ എന്നു, ന്റെ മിഷേൽ എറ്റ്. യഥാർത്ഥ പേപ്പറിൽ ഹാജരാക്കിയ മറ്റൊരു ഭാഷാപരമായ മാറ്റം അല്ലെങ്കിൽ സാംസ്കാരിക പ്രതിഭാസങ്ങളും തിരഞ്ഞെടുക്കുക. നിങ്ങൾ Pechenick എറ്റ് അവതരിപ്പിച്ച പരിമിതികൾ വെളിച്ചത്തിൽ അവരുടെ വ്യാഖ്യാനം അംഗീകരിക്കുന്നുണ്ടോ.? നിങ്ങളുടെ വാദം ശക്തമാക്കുന്നതിന്, പോലെ മുകളിൽ ഡാറ്റ വ്യത്യസ്ത പതിപ്പുകൾ ഉപയോഗിച്ച് ഒരേ ഗ്രാഫ് അവരാഗ്രഹിച്ചില്ല ശ്രമിക്കുക.

8. [ , , , ] Penney (2016) ജൂൺ 2013 ൽ എൻഎസ്എ / കാണരുത് നിരീക്ഷണം (അതായത്, സ്നോഡൻ മക്ക) കുറിച്ച് വ്യാപകമായ പബ്ലിസിറ്റി സ്വകാര്യതാ ആശങ്കകൾ ഉളവാക്കുവാൻ വിഷയങ്ങളെക്കുറിച്ചുള്ള വിക്കിപീഡിയ ലേഖനങ്ങളിൽ ട്രാഫിക്ക് ഒരു മൂർച്ചയുള്ള പെട്ടെന്നു കുറയുന്നു ബന്ധപ്പെട്ടിരിക്കുന്നു എന്നത് പുന. അങ്ങനെയെങ്കിൽ, പെരുമാറ്റത്തിലെ ഈ മാറ്റം ബഹുജന നിരീക്ഷണ ഫലമായി ഒരു ശീതീകരണരീതികൾ പ്രാബല്യത്തോടെ ഒരുക്കിയിരിക്കുന്നതു തന്നെ. സമീപനം Penney (2016) ചിലപ്പോൾ ഒരു തടസപ്പെട്ടതിൽ സമയം പരമ്പര ഡിസൈൻ വിളിക്കുകയും നിരീക്ഷണ ഡാറ്റ (വിഭാഗം 2.4.3) മുതൽ പരീക്ഷണങ്ങൾ അപരന്മായുള്ള കുറിച്ച് അധ്യായത്തിൽ സമീപനങ്ങളിലും ബന്ധപ്പെട്ടാണ്.

   വിഷയം തിരഞ്ഞെടുക്കാൻ കീവേഡുകളൊന്നുമില്ല Penney സോഷ്യൽ മീഡിയ ട്രാക്കിംഗും നിരീക്ഷിക്കുന്നതിന് ഹോംലാൻഡ് സെക്യൂരിറ്റി അമേരിക്കൻ വ്യവസായ വകുപ്പ് ഉപയോഗിക്കുന്ന ലിസ്റ്റ് പരാമർശിക്കുന്നു. സര്വീംസ് ലിസ്റ്റ് അതായത് "ആരോഗ്യ ആശങ്ക" "ഇൻഫ്രാസ്ട്രക്ചർ സുരക്ഷ," എന്നും "ഭീകരവാദം പ്രശ്നങ്ങൾ ഒരു പരിധി കടന്നു ചില തിരയൽ പദങ്ങൾ തരം തിരിക്കുന്നു. ടെററിസം" "സ്റ്റഡി ഗ്രൂപ്പ് വേണ്ടി Penney ബന്ധപ്പെട്ട നാല്പത്തെട്ടു കീവേഡുകൾ ഉപയോഗിച്ച" (പട്ടിക 8 കാണാൻ അനുബന്ധം). അതിനുശേഷം പൊരുത്തപ്പെടുന്ന നാല്പത്തെട്ടു വിക്കിപീഡിയ ഒരു മുപ്പത്തിരണ്ടു മാസം കാലയളവിൽ ജനുവരി 2012 തുടക്കം മുതൽ ഓഗസ്റ്റ് 2014 അവസാനം തന്റെ വാദം ശക്തമാക്കുന്നതിന് ലേഖനങ്ങൾ, ഒരു പ്രതിമാസ അടിസ്ഥാനത്തിൽ വിക്കിപീഡിയ ലേഖനം എണ്ണമുള്ളതിനാൽ സമാഹരിച്ച നിരവധി താരതമ്യത്തിന് സൃഷ്ടിച്ചു മറ്റ് വിഷയങ്ങളെക്കുറിച്ചുള്ള ലേഖനം കാഴ്ചകൾ ട്രാക്കുചെയ്തുകൊണ്ട് ഗ്രൂപ്പുകൾ.

   ഇപ്പോൾ നിങ്ങൾ പകർപ്പെടുക്കാൻ വിപുലീകരിക്കാനുമാകും പോകുന്നു Penney (2016) . ഈ പ്രവർത്തനം ആവശ്യം എന്നു സകല റോ ഡാറ്റ വിക്കിപീഡിയ (https://dumps.wikimedia.org/other/pagecounts-raw/) മുതൽ ലഭ്യമാണ്. അല്ലെങ്കിൽ നിങ്ങൾക്ക് R പാക്കേജ് wikipediatrend നിന്ന് അത് ലഭിക്കും (Meissner and Team 2016) . നിങ്ങൾ എഴുതുന്ന-അപ്പ് നിങ്ങളുടെ പ്രതികരണങ്ങൾ ചെയ്യുമ്പോൾ, ഉപയോഗിച്ച ഡാറ്റ ഉറവിടം ശ്രദ്ധിക്കുക. (ശ്രദ്ധിക്കുക: ഈ അതേ പ്രവർത്തനം പുറമേ അദ്ധ്യായം 6 ദൃശ്യമാവുന്ന)

   1. വായിക്കുക Penney (2016) ഉം ചിത്രം 2 അവരാഗ്രഹിച്ചില്ല കാണിക്കുന്ന "ഭീകരവാദം" എന്ന പേജ് കാഴ്ചകൾ മുമ്പും സ്നോഡൻ വെളിപ്പാടു ശേഷം പേജുകൾ -related. കണ്ടെത്തലുകൾ വ്യാഖ്യാനിക്കുക.
   2. അടുത്തതായി, ( "ടെററിസം" ലേഖനങ്ങൾ -related) സ്റ്റഡി ഗ്രൂപ്പ് സര്വീംസ് ലിസ്റ്റിൽ നിന്ന് "സര്വീംസ് & മറ്റ് ഏജൻസികളും" കീഴിൽ ഗണത്തിൽ കീവേഡുകൾ ഉപയോഗിച്ച് ഒരു comparator ഗ്രൂപ്പുമായി (അനുബന്ധം പട്ടിക 10 കാണുക) താരതമ്യം ചെയ്യുന്ന ചിത്രം 4A, അവരാഗ്രഹിച്ചില്ല. കണ്ടെത്തലുകൾ വ്യാഖ്യാനിക്കുക.
   3. പാര്ട് ബി) നിങ്ങൾ ഒരു comparator ഗ്രൂപ്പിലേക്ക് സ്റ്റഡി ഗ്രൂപ്പ് അപേക്ഷിച്ച്. Penney വേറെ രണ്ടു comparator ഗ്രൂപ്പുകൾ അപേക്ഷിച്ച്: "ഇൻഫ്രാസ്ട്രക്ചർ സുരക്ഷ" ലേഖനങ്ങൾ (അനുബന്ധം പട്ടിക 11) ജനപ്രിയ വിക്കിപീഡിയ പേജുകൾ (അനുബന്ധം ടേബിൾ 12) -related. ഒരു ഇതര comparator ഗ്രൂപ്പുമായി കയറിവന്നു, ഭാഗം ബി നിന്ന് കണ്ടെത്തലുകൾ പരിശോധന) comparator ഗ്രൂപ്പിന്റെ നിങ്ങളുടെ നിര സെൻസിറ്റീവ് ആണ്. comparator ഗ്രൂപ്പ് ഏത് നിര ഏറ്റവും അർത്ഥത്തിൽ? എന്തുകൊണ്ട്?
   4. സ്രഷ്ടാവ് അമേരിക്കൻ സർക്കാർ അതിന്റെ ഓൺലൈൻ നിരീക്ഷണ സമ്പ്രദാങ്ങളും ഒരു കീ കാരണമായി ഭീകരത ഉദ്ധരിച്ചിരിക്കുന്നത് കാരണം "ഭീകരവാദം" ബന്ധപ്പെട്ട കീവേഡുകൾ വിക്കിപീഡിയ ലേഖനങ്ങൾ തിരഞ്ഞെടുക്കുക ഉപയോഗിച്ചത് പ്രസ്താവിച്ചു. ഈ 48 "ഭീകരത 'എന്ന ഒരു ചെക്ക് കീവേഡുകൾ -related നിലയിൽ Penney (2016) പുറമേ MTurk ഒരു സർവേ സർക്കാർ ട്രബിൾ, സ്വകാര്യത സെൻസിറ്റീവ്, ഒപ്പം ഒഴിവാക്കൽ (അനുബന്ധം പട്ടിക 7, 8) നിബന്ധനകൾ കീവേഡ് ഓരോ റേറ്റുചെയ്യുന്നതിന് പ്രതികരിച്ചവരിൽ ആവശ്യപ്പെട്ട് സംഘടിപ്പിച്ചു. MTurk ന് സർവേ അവരാഗ്രഹിച്ചില്ല നിങ്ങളുടെ ഫലങ്ങൾ താരതമ്യം.
   5. ഭാഗം d) ലേഖനം നിങ്ങളുടെ വായനാ ഫലങ്ങൾ അടിസ്ഥാനമാക്കി, സ്റ്റഡി ഗ്രൂപ്പ് വിഷയത്തിൽ കീവേഡുകളിലൊന്നിൽ രചയിതാവിന്റെ നിര അംഗീകരിക്കുന്നുണ്ടോ? എന്തുകൊണ്ട് എന്താണ്? ഇല്ലെങ്കിൽ, പകരം എന്തു അഭിപ്രായപ്പെടുന്നു?

9. [ ] Efrati (2016) റിപ്പോർട്ടുകൾ, രഹസ്യസ്വഭാവമുള്ള വിവരങ്ങൾ അടിസ്ഥാനമാക്കി "മൊത്തം പങ്കിടൽ" ഫേസ്ബുക്കിൽ "യഥാർത്ഥ പ്രക്ഷേപണം പങ്കിടൽ" അതേസമയം ഇറങ്ങി 21% വർഷത്തേക്കാൾ വർഷം ആയിരുന്നു കുറിച്ച് 5.5% വഴി വർഷത്തേക്കാൾ വർഷം കുറഞ്ഞു എന്ന്. ഈ ഇടിവ് പ്രായം 30 വയസ്സിനു താഴെയുള്ള ഫേസ്ബുക്ക് ഉപയോക്താക്കളുമായി പ്രത്യേകിച്ച് നിശിതം ആയിരുന്നു. റിപ്പോർട്ട് രണ്ടു ഘടകങ്ങളാണ് ഇടിയാൻ കാരണമായതായി. വൺ "സുഹൃത്തുക്കൾ" ജനം ഫേസ്ബുക്കിൽ ഉണ്ട് എണ്ണത്തിൽ വർധനയാണ്. മറ്റ് ചില പങ്കിടൽ പ്രവർത്തനം മെസ്സേജിംഗ് അത്തരം Snapchat പോലെ എതിരാളികൾ മാറ്റിയത് പരക്കുന്നുണ്ട്. റിപ്പോർട്ട് നിരവധി തന്ത്രങ്ങൾ ഫേസ്ബുക്ക് ഏതാനും വർഷം മുൻപ് യഥാർത്ഥ പോസ്റ്റുകൾ കൂടുതൽ പ്രമുഖ ഉണ്ടാക്കുന്ന ന്യൂസ് ഫീഡ് അൽഗോരിതം ട്വീക്കുകൾ, അതുപോലെ "ഈ ദിവസം" യഥാർത്ഥ പോസ്റ്റുകളുടെ ഉപയോക്താക്കളുടെ ആനുകാലികമായ ഓർമ്മപ്പെടുത്തലുകൾ ഉൾപ്പെടെ പങ്കിടൽ വർധിപ്പിക്കാൻ ശ്രമിച്ചത് വെളിപ്പെടുത്തി. എന്തു പ്രാധാന്യമുണ്ടെന്ന്, എന്തെങ്കിലും ഉണ്ടെങ്കിൽ, ഈ റിപ്പോർട്ടിലെ ഒരു ഡാറ്റ ഉറവിടമായി ഫേസ്ബുക്ക് ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്ന ഗവേഷകർ പ്രതീക്ഷിക്കുന്നത്?

10. [ ] Tumasjan et al. (2010) ഒരു രാഷ്ട്രീയ പാർട്ടി പരാമർശിക്കുന്നതിൽ ട്വിറ്ററിലെ അനുപാതത്തിന്റെ പാർട്ടി 2009 ജർമൻ പാർലമെന്റ് തിരഞ്ഞെടുപ്പിൽ (ചിത്രം 2.9) ൽ ലഭിച്ച വോട്ടിന്റെ അനുപാതത്തിൽ ഒപ്പമെത്തിയ റിപ്പോർട്ട്. മറ്റു വാക്കുകളിൽ പറഞ്ഞാൽ, അത് നിങ്ങൾക്ക് തെരഞ്ഞെടുപ്പ് പ്രവചിക്കാൻ ട്വിറ്റർ ഉപയോഗിക്കാൻ കഴിയുന്ന തരത്തിലുള്ള പ്രത്യക്ഷനായി. അതു വലിയ ഡാറ്റ ഒരു സാധാരണ സ്രോതസ്സ് ഒരു മൂല്യവത്തായ ഉപയോഗം നിർദ്ദേശിക്കുന്നു തോന്നി കാരണം സമയം ഈ പഠനം പ്രസിദ്ധീകരിച്ചു അതു വളരെ ആവേശകരമായ പരിഗണിച്ചിരുന്നു.

    ബിഗ് ഡാറ്റ മോശമായ സവിശേഷതകൾ കണക്കിലെടുക്കുമ്പോൾ എന്നിരുന്നാലും, നിങ്ങൾ ഉടൻ ഈ ഫലം സംശയിക്കും വേണം. 2009 ൽ ട്വിറ്ററിൽ ജർമ്മൻകാർ തികച്ചും ഒരു നോൺ-പ്രതിനിധി ഗ്രൂപ്പ് ആയിരുന്നു, ഒരു വിഭാഗം സഹായികളാകുന്നു കൂടുതൽ പലപ്പോഴും രാഷ്ട്രീയം ട്വീറ്റിലൂടെ വേണ്ടി. ഇപ്രകാരം, നിങ്ങൾക്ക് തോന്നുന്നതുപോലെ കഴിഞ്ഞില്ല എല്ലാ സാധ്യത പക്ഷപാത എങ്ങനെയോ പൂരകങ്ങളാകും തന്നെ അസ്വാഭാവികതയൊന്നും തോന്നുന്നു. വാസ്തവത്തിൽ, ഫലങ്ങൾ Tumasjan et al. (2010) സത്യം വളരെ നല്ല പുറത്തായി. അവരുടെ പേപ്പർ ൽ Tumasjan et al. (2010) ക്രിസ്തീയ ഡെമോക്രാറ്റുകളും (എന്നദ്ദേഹം), ക്രിസ്ത്യൻ സോഷ്യൽ ഡെമോക്രാറ്റുകൾ (കൊളമ്പസ്), spd, ലിബറലുകൾ (FDP) ഇടതുപക്ഷം (Die LINKE), ഗ്രീൻ പാർട്ടി (Grüne): ആറു രാഷ്ട്രീയ പാർട്ടികൾ പരിഗണിക്കും. എന്നിരുന്നാലും, അക്കാലത്ത് ഏറ്റവും പരാമർശിച്ചു ജർമൻ രാഷ്ട്രീയ ട്വിറ്ററിൽ പാർട്ടി പൈറേറ്റ് പാർട്ടി (Piraten), ഇന്റർനെറ്റ് സർക്കാർ നിയന്ത്രണം പൊരുതുന്ന പാർട്ടി ആയിരുന്നു. പൈറേറ്റ് പാർട്ടി വിശകലനം ഉൾപ്പെടുത്തിയിട്ടുണ്ട് ചെയ്തപ്പോൾ, ട്വിറ്റർ പരാമർശങ്ങൾ തെരഞ്ഞെടുപ്പ് ഫലങ്ങൾ (ചിത്രം 2.9) ഭീകരമായ ഒരു ഘടകം മാറുന്നു (Jungherr, Jürgens, and Schoen 2012) .

    

    ചിത്രം 2.9: ട്വിറ്റർ 2009 ജർമൻ തെരഞ്ഞെടുപ്പിൽ ഫലങ്ങൾ പ്രവചിക്കാൻ ദൃശ്യമാകും പരാമർശങ്ങൾ (Tumasjan et al. 2010) , എന്നാൽ ഈ ഫലം ചില എത്രവേണമെങ്കിലും ആൻഡ് അന്യായമായ തിരഞ്ഞെടുക്കാൻ ആശ്രയിച്ചിരിക്കുന്നു ഓഫാകും (Jungherr, Jürgens, and Schoen 2012) .

    തുടർന്ന് ലോകവ്യാപകമായി ഗവേഷകർ fancier രീതികൾ-അത്തരം പോസിറ്റീവും നെഗറ്റീവും വേർതിരിച്ച് വികാരം വിശകലനം ഉപയോഗിച്ച് ഉപയോഗിച്ചിട്ടുണ്ട് കക്ഷികൾക്ക് തിരഞ്ഞെടുപ്പുഫലങ്ങളെ വിവിധ തരം മുറികൾ പ്രവചിക്കാൻ ട്വിറ്റർ ഡാറ്റ കഴിവ് മെച്ചപ്പെടുത്താൻ ഉത്തരവിന്റെ പരാമർശങ്ങൾ (Gayo-Avello 2013; Jungherr 2015, Ch. 7.) . എങ്ങനെയെന്ന് ഇവിടെ Huberty (2015) തെരഞ്ഞെടുപ്പ് പ്രവചിക്കാൻ ഈ ശ്രമങ്ങൾ ഫലങ്ങൾ സംഗ്രഹിച്ച്:

    "യഥാർഥ മുന്നോട്ട്-തിരയുന്ന തെരഞ്ഞെടുപ്പ് പ്രവചന ആവശ്യങ്ങൾ വിധേയമാക്കിയിരുന്നു വരുമ്പോൾ സോഷ്യൽ മീഡിയ അടിസ്ഥാനത്തിൽ എല്ലാ അറിയപ്പെടുന്ന പ്രവചന രീതികൾ പരാജയപ്പെട്ടിരിക്കുന്നു. ഈ പരാജയങ്ങൾ സോഷ്യൽ മീഡിയയുടെ അടിസ്ഥാനപരമായ ഉള്ള പകരം methodological അല്ലെങ്കിൽ അൽഗോരിത്മിക് ബുദ്ധിമുട്ടുകൾ കാരണം തോന്നുന്നില്ല. ചുരുക്കത്തിൽ, സോഷ്യൽ മീഡിയ ചെയ്യാതിരിക്കുകയും ഒരുപക്ഷേ ഒരിക്കലും സ്ഥിരതയുള്ള ഒരു, ബൈജു, പ്രതിനിധി വോട്ടർമാരുടെ ചിത്രം ഓഫർ; , സോഷ്യൽ മീഡിയയുടെ സൗകര്യം സാമ്പിളുകൾ ഈ പ്രശ്നങ്ങൾ കുറിപ്പ് ഹോക് പരിഹരിക്കാൻ മതിയായ ഡാറ്റ കുറവ്. "

    നയിക്കും ഗവേഷണത്തിന്റെ ചില വായിക്കുക Huberty (2015) എന്ന നിഗമനത്തിലേക്ക്, ഒരു രാഷ്ട്രീയ സ്ഥാനാർഥി എങ്കിൽ വിവരിക്കുന്ന എങ്ങനെ ട്വിറ്റർ പ്രവചനം തെരഞ്ഞെടുപ്പിൽ ഉപയോഗിച്ച് വേണം ഒരു ഒരു പേജ് മെമോ എഴുതുക.

11. [ ] ഒരു സോഷ്യോളജിസ്റ്റ് ഒരു ചരിത്രകാരനായ തമ്മിലുള്ള വ്യത്യാസം എന്താണ്? Goldthorpe പ്രകാരം (1991) , ഒരു സോഷ്യോളജിസ്റ്റും ചരിത്രകാരനായ തമ്മിലുള്ള പ്രധാന വ്യത്യാസം ഡാറ്റ ശേഖരണം നിയന്ത്രണം ആണ്. ചരിത്രകാരന്മാർ സാമൂഹിക പ്രത്യേകാവശ്യത്തിനുമൊരുപോലെ അവരുടെ ഡാറ്റ ശേഖരണം കൂട്ടിച്ചേർക്കാനാകും അതേസമയം അവശിഷ്ടങ്ങളുമുണ്ട് ഉപയോഗിക്കാൻ നിർബന്ധിതരാകുന്നു. വായിക്കുക Goldthorpe (1991) . സോഷ്യോളജി ചരിത്രവും Custommades ആൻഡ് Readymades എന്ന ആശയം ബന്ധപ്പെട്ട തമ്മിലുള്ള വ്യത്യാസം എങ്ങനെ?

12. [ ] മുമ്പത്തെ ചോദ്യം പണിയുന്നത്, Goldthorpe (1991) നിക്കി ഹാർട്ട് നിന്ന് ഉൾപ്പെടെ ഗുരുതര പ്രതികരണങ്ങൾ ഒരു എണ്ണം, വലിച്ചു (1994) ഉണ്ടാക്കി ഡാറ്റ താൽപ്പര്യങ്ങൾക്കിണങ്ങിയതാക്കുന്നതിന് Goldthorpe ന്റെ ഭക്തിയും വെല്ലുവിളിച്ചു എന്നു. വളിക്കുന്നു ഉണ്ടാക്കി ഡാറ്റ സാധ്യതകൾ പരിമിതികൾ വിശദീകരിക്കാൻ, ഹാർട്ട് സമ്പന്നരായ വർക്കർ പദ്ധതി, സോഷ്യൽ ക്ലാസ് വോട്ട് തമ്മിലുള്ള ബന്ധം 1960-ലെ Goldthorpe സഹപ്രവർത്തകരും നടത്തിയ എന്ന് അളക്കാൻ ഒരു വലിയ സർവേ വിശേഷിപ്പിച്ചത്. ഒറ്റ കണ്ടെത്തി ഡാറ്റ മേൽ രൂപകൽപ്പന ഡാറ്റ ശ്രേഷ്ഠത ഒരു പണ്ഡിതൻ നിന്ന് പ്രതീക്ഷിക്കും പോലെ, സമ്പന്നരായ വർക്കർ പദ്ധതി ജീവിതനിലവാരം വർദ്ധിച്ചുവരുന്ന ഒരു കാലഘട്ടത്തിനു സാമൂഹിക ക്ലാസ് ഭാവിയെക്കുറിച്ച് ഒരു അടുത്തിടെ proposed സിദ്ധാന്തം അഭിസംബോധന കൂട്ടിയോജിപ്പിച്ച് എന്നു ഡാറ്റ ശേഖരിച്ചു. എന്നാൽ, Goldthorpe സഹപ്രവർത്തകരും എങ്ങനെയോ സ്ത്രീകളുടെ വോട്ടിങ് സ്വഭാവം വിവരങ്ങൾ ശേഖരിക്കാൻ "മറന്നു". ഇവിടെ നിക്കി ഹാർട്ട് എങ്ങനെ (1994) മുഴുവൻ എപ്പിസോഡ് സംഗ്രഹങ്ങൾ:

    ". . . ഈ 'തയ്യൽ ഉണ്ടാക്കി' ഡാറ്റാഗണത്തിന്റെ പെൺ അനുഭവം ഒഴിവാക്കിയ ഒരു paradigmatic യുക്തിയും പരിമിതമായിരുന്നുവെന്ന കാരണം സ്ത്രീകൾ ഒഴിവാക്കിയ നിഗമനത്തിൽ ഒഴിവാക്കാൻ ബുദ്ധിമുട്ടാണ് [ആണ്]. ആൺ preoccupations ക്ലാസ് ബോധം നടപടി ഒരു സൈദ്ധാന്തിക ദർശനം നയിക്കപ്പെടുന്ന. . . , Goldthorpe സഹപ്രവർത്തകരും ഭക്ഷണമായി പകരം പര്യാപ്തത ഒരു സാധുവായ ടെസ്റ്റ് അവരെ അനാവരണം സ്വന്തം സൈദ്ധാന്തിക അനുമാനങ്ങൾ പരിപോഷിപ്പിക്കുകയും ചെയ്ത അനുഭവവേദ്യമായ തെളിവുകൾ ഒരു കൂട്ടം നിർമ്മിച്ചത്. "

    ഹാർട്ട് തുടർന്നു:

    "സമ്പന്നരായ വർക്കർ പദ്ധതിയുടെ അനുഭവവേദ്യമായ കണ്ടെത്തലുകൾ നമ്മെ അവർ നാടകമുണ്ടായിരുന്നു രാഷ്ട്രീയ-ഭൗതികതയുടെ ജീവിതത്തിന്റെ പ്രക്രിയകൾ വിവരമറിയിക്കും അധികം മധ്യ നൂറ്റാണ്ടിലെ സാമൂഹിക masculinist മൂല്യങ്ങൾ കൂടുതൽ പറയുക."

    നിങ്ങൾ വളിക്കുന്നു ഉണ്ടാക്കി ഡാറ്റ ശേഖരണം അതിലേക്കു പണിതു ഡാറ്റ കളക്ടറുടെ പക്ഷപാത ഉണ്ട് എവിടെ മറ്റ് ഉദാഹരണങ്ങൾ നിങ്ങൾക്കറിയാമോ? ഈ അൽഗോരിത്മിക് മറിച്ച്നോക്കിക്കൊണ്ട് എങ്ങനെ താരതമ്യം ചെയ്യുന്നു? എന്താണ് പ്രാധാന്യമുണ്ടെന്ന് ഈ ഗവേഷകർ Readymades ഉപയോഗിക്കണം അവർ Custommades ഉപയോഗിക്കണം സന്ദർഭത്തിലും വേണ്ടി സാധിച്ചെങ്കിൽ?

13. [ ] ഈ അധ്യായത്തിൽ, ഞാൻ കമ്പനികളും സർക്കാരുകൾ സൃഷ്ടിച്ച അഡ്മിനിസ്ട്രേറ്റീവ് രേഖകളുമായി ഗവേഷകർ വേണ്ടി ഗവേഷകർ ശേഖരിച്ച ഡാറ്റ പ്രതികൂലമായ. ചില ആളുകൾ വ്യത്യസ്തമായി ചെയ്ത ", ഡാറ്റ കണ്ടില്ല" ഈ ഭരണപരമായ റെക്കോർഡുകൾ വിളിക്കും "രൂപകല്പന ഡാറ്റ." ഭരണപരമായ രേഖകള് ഗവേഷകർ കണ്ടെത്തുന്ന, എന്നാൽ അവർ വളരെ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് സത്യമാണ്. ഉദാഹരണത്തിന്, ആധുനിക ഹൈടെക് കമ്പനികൾ അവരുടെ ഡാറ്റ ശേഖരിച്ച് സഹകരണമനോഭാവത്തോടെ സമയവും വിഭവങ്ങളും വമ്പിച്ച അളവിൽ ചെലവഴിക്കുന്നത്. ഇപ്രകാരം, ഈ അഡ്മിനിസ്ട്രേറ്റീവ് റെക്കോർഡുകൾ ഇരുവരും കണ്ടെത്തി രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, നിങ്ങളുടെ കാഴ്ചപ്പാട് (ചിത്രം 2.10) ആശ്രയിച്ചിരിക്കുന്നു.

    

    ചിത്രം 2.10: ചിത്രം ഒരു സൈഡിലേക്ക് മുയലിന്റെ ആണ്; എന്താണ് നിങ്ങൾ കാണുകയാണെങ്കിൽ കാഴ്ചപ്പാട് ആശ്രയിച്ചിരിക്കുന്നു. ഭരണസംവിധാനവും ബിസിനസ്സ് അഡ്മിനിസ്ട്രേറ്റീവ് രേഖകള് കണ്ടെത്തി ഇരുവരും വികസിപ്പിച്ചെടുത്ത; എന്താണ് നിങ്ങൾ കാണുകയാണെങ്കിൽ കാഴ്ചപ്പാട് ആശ്രയിച്ചിരിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു സെൽ ഫോൺ കമ്പനി ശേഖരിച്ച കോൾ ഡാറ്റ രേഖകൾ ഒരു ഗവേഷകൻ നിലപാടുകളിൽ നിന്ന് ഡാറ്റ കാണപ്പെടുന്നത്. എന്നാൽ, ഈ കൃത്യമായ ഒരേ റെക്കോർഡുകൾ ഫോൺ കമ്പനിയുടെ ബില്ലിംഗ് വകുപ്പിൽ അധ്വാനിക്കുന്ന ആരുടെയെങ്കിലും ഡാറ്റ കാഴ്ചപ്പാട് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. അവലംബം: വിക്കിമീഡിയ കോമൺസിൽ

    ഡാറ്റാ ഉറവിടം ഒരു ഉദാഹരണം ഗവേഷണ ആ ഡാറ്റ ഉറവിട ഉപയോഗിക്കുമ്പോൾ കണ്ടെത്തിയ വികസിപ്പിച്ചെടുത്ത പോലെ ഇരുവരും കണ്ടിട്ടു സഹായകരമാണ് നൽകുക.

14. [ ] ചിന്താഭാരമുള്ള ലേഖനത്തിൽ ക്രിസ്തീയ Sandvig ആൻഡ് Eszter Hargittai (2015) ഡിജിറ്റൽ സിസ്റ്റം "ഉപകരണ" അല്ലെങ്കിൽ എവിടെ ഡിജിറ്റൽ റിസർച്ച്, രണ്ട് തരം വിവരിക്കുക "പഠനത്തിന്റെ ഒബ്ജക്റ്റ്." പഠനത്തിന്റെ ആദ്യ തരത്തിലുള്ള ഒരു ഉദാഹരണം എവിടെ Bengtsson സഹപ്രവർത്തകരും ആണ് (2011) 2010 ൽ ഹെയ്ത്തി ഭൂകമ്പം രണ്ടാം തരത്തിലുള്ള ഒരു ഉദാഹരണം ശേഷം മൈഗ്രേഷൻ ട്രാക്കുചെയ്യുന്നതിന് മൊബൈൽ ഫോൺ ഡേറ്റാ ഉപയോഗിയ്ക്കുന്നു കുത്തൊഴിക്കില് എവിടെ (2007) എങ്ങനെ കേരളത്തിലുടനീളം മൊബൈൽ ഫോണുകൾ പരിചയപ്പെടുത്തൽ പഠിക്കുകയും ഇന്ത്യ മീൻ വിപണിയിൽ പ്രവർത്തനം പ്രതിഫലിച്ചു. അതു ഡിജിറ്റൽ ഡാറ്റ ഉറവിടങ്ങൾ ഉപയോഗിച്ച് പഠനങ്ങൾ അവർ ഡാറ്റ ഉറവിട അതേ ഉപയോഗിക്കുന്നു പോലും തികച്ചും വ്യത്യസ്തമായ ഗോളുകൾ ലഭിക്കും വ്യക്തമാക്കി കാരണം ഞാൻ ഈ സഹായകരമായി. ഉപകരണമായി പഠനം ഒരു വസ്തുവായി ഡിജിറ്റൽ സിസ്റ്റം ഉപയോഗിക്കുന്ന രണ്ട് പോലെ ഒരു ഡിജിറ്റൽ സിസ്റ്റം ഉപയോഗിക്കുന്ന രണ്ട്: കൂടുതൽ ഈ വേർതിരിവ് വിശദീകരിക്കാൻ, നിങ്ങൾ കണ്ട നാലു പഠനങ്ങൾ വിവരിക്കുക. ആവശ്യമെങ്കിൽ ഈ അധ്യായത്തിൽ നിന്ന് ഉദാഹരണങ്ങൾ ഉപയോഗിക്കാൻ കഴിയും.