3.6.2 баяжуулсан нь анхны

Энэ нь эмх замбараагүй байж болох ч, баяжуулсан нь анхны хүчирхэг байж болно.

Дижитал ул мөр өгөгдөл дутуу шийдвэрлэх өөр арга судалгаа мэдээлэл, би баяжуулсан гуйж дуудаж болно процесс нь шууд баяжуулах юм. Баяжуулсан асууж нэг жишээ нь судалгаа юм Burke and Kraut (2014) , Би Facebook дээр харилцан найрамдлын хүч нэмэгдүүлдэг эсэх талаар, бүлгийн өмнө дурдсан (Хэсэг 3.2). Энэ тохиолдолд, Burke болон Краут Facebook бүртгэлийн мэдээлэл Судалгааны мэдээлэл хосолсон.

Burke болон Краут-д ажиллаж байсан тохиргоо Гэхдээ тэд баяжуулсан асууж нүүрээ хийж байгаа судлаачид хоёр том асуудлыг шийдвэрлэх юм биш үү гэсэн үг. Нэгдүгээрт, үнэндээ мэдээллийн багц-процесс гэж нэрлэдэг рекорд уялдаа холбоог доор энэ асуудлыг бусад өгөгдлийн олонлогийн-боломжгүй хэцүү, алдаагүй байх (бид харах болно Жишээ нь зохих рекорд нэг датасетийн Тэмдэглэлийн зохицох хамтад нь холбох ). баяжуулсан асууж хоёр дахь гол асуудал бол дижитал ул мөр чанар нь байнга судлаачид үнэлэх нь хэцүү байх болно гэж байна. Жишээ нь, зарим үед дамжуулан энэ нь цуглуулж байгаа үйл явц өмчийн бөгөөд Өөрөөр хэлбэл Бүлэг 2.-д заасан асуудал олон өртөмтгий байж болох баяжуулсан нь анхны удаа үл мэдэгдэх хар хайрцаг мэдээллийн эх үүсвэрт судалгаа алдаагүй холболт оролцуулах болно чанар. Энэ хоёр асуудал танилцуулах асуудал хэдий ч, энэ нь Стивен Ansolabehere болон Eitan Hersh харуулж байсан энэ стратегийн чухал ач холбогдолтой судалгаа хийх боломжтой юм (2012) АНУ-д санал өгөх хэв маяг тэдний судалгаа байна. Энэ нь зарим нарийвчлан энэ судалгаанд дээгүүр явах нь зүйтэй юм Ansolabehere болон Hersh боловсруулсан баяжуулсан асууж бусад програмуудад ашигтай байх болно стратегийн олон юм.

Сонгогчдын ирц улс төрийн шинжлэх ухааны өргөн цар хүрээтэй судалгааны сэдэв байсан, байгаа өнгөрсөн, хэн санал, яагаад ерөнхийдөө Судалгааны мэдээлэлд дүн шинжилгээ хийсэн байна ийн судлаачдын ойлголт. АНУ-д санал Гэсэн хэдий ч, иргэн бүр саналаа өгсөн эсэх гэсэн засгийн газрын тэмдэглэл нь ер бусын зан юм (мэдээж, Засгийн газар нь хүн бүр иргэн саналаа тэмдэглэх биш). Олон жилийн турш эдгээр Засгийн газрын санал өгөх бүртгэл улс орон даяар янз бүрийн орон нутгийн засаг захиргааны албан тархай бутархай, цаасан хэлбэрээр авах боломжтой байсан. Энэ нь хэцүү, гэхдээ боломжгүй зүйл биш, улс төрийн эрдэмтэд сонгогчдын бүрэн зураг байх бөгөөд хүмүүс бодит санал зан санал өгөх талаар судалгаанд хэлснийг харьцуулж хийсэн (Ansolabehere and Hersh 2012) .

Харин одоо эдгээр санал өгөх бүртгэл зураглалд орууллаа байсан, мөн хувийн компаниудын хэд хэдэн системтэй цуглуулсан бүх америкчуудын санал зан бичиж цогц мастер саналын файлуудыг гаргах санал авах нь эдгээр бүртгэлийг нэгтгэсэн. Ansolabehere болон Hersh сонгогчдын илүү сайн дүр зургийг боловсруулах туслах нь тэдний эзэн санал файлыг ашиглахын тулд LCC-эдгээр компаниудын-Catalist нэг хамтран. Цаашилбал, энэ нь цуглуулж, компанийн гаргасан олдвор, тоон баримт дээр тулгуурладаг байсан, учир нь энэ нь компаниудын тусламж, аналог бүртгэлийг ашиглан ямар ч хийж байсан эрдэм шинжилгээний өмнөх хүчин чармайлт дээр давуу тал нь хэд хэдэн санал болгосон байна.

2-р бүлэгт тоон ул мөр эх сурвалжаас олон адил Catalist мастер файл Ansolabehere болон Hersh хэрэгтэй, хүн ам зүйн хандлагын болон зан үйлийн мэдээллийг олон оруулж чадаагүй. Энэ мэдээллээс гадна, Ansolabehere болон Hersh баталгаажуулах санал зан (өөрөөр хэлбэл, Catalist мэдээллийн санд мэдээлэл) мэдээлсэн саналын зан харьцуулан ялангуяа сонирхож байлаа. Тиймээс судлаачид тэд Хоршооллын Конгрессийн Сонгуулийн судалгаа (CCES), том нийгмийн судалгааны нэг хэсэг болгон хүссэн мэдээллийг цуглуулсан. Дараа нь судлаачид Catalist энэ мэдээллийг өгч, Catalist судлаачид ((Catalist нь) баталгаажуулсан орсон саналын зан нь нийлсэн өгөгдлийн файлыг өөрөө мэдээлсэн санал хураах зан (CCES нь) болон хүн ам зүйн болон оролцогчдын хандлагыг нөөцлөх CCES-аас өгсөн ). Өөрөөр хэлбэл, Ansolabehere болон Hersh Судалгааны мэдээлэл саналын мэдээллийг баяжуулсан бөгөөд үр дүнд нь нийлсэн файл нь тэдний аль нь ч файл нь тус тусдаа идэвхтэй ямар нэг зүйл хийх боломжийг олгодог.

Судалгааны мэдээлэл Catalist мастер өгөгдлийн файлыг баяжуулах гэхэд Ansolabehere болон Hersh гурван чухал дүгнэлт ирсэн. Нэгдүгээрт, хэт тайлагнах санал хураалтын газар авсан байна: төрийн бус сонгогчдын бараг тал хувь нь санал хураалт байна. Эсвэл үүн хараад өөр нэг арга нь хэн нэгэн санал хураалт мэдээлсэн бол, тэдгээр нь яг үнэндээ санал нь зөвхөн 80% боломж байдаг юм. Хоёрдугаарт, хэт тайлагнах нь санамсаргүй биш юм; хэт тайлагнах, сайн боловсролтой, өндөр орлоготой дунд илүү түгээмэл байдаг, олон нийтийн үйл хэрэгт оролцож байна партизануудын. Өөрөөр хэлбэл, санал өгөх хамгийн магадлалтай хүмүүс мөн хамгийн их санал хураалтын тухай худал байх магадлалтай. Гуравдугаарт, хамгийн шүүмжлэлтэй, учир нь хэт тайлагнах, сонгогчдын болон сонгогчдын бус хооронд бодит ялгаа нь тэд судалгааны зүгээр л гарч бага байдаг системтэй шинжтэй. Жишээ нь, бакалавр зэрэгтэй хүмүүсийн санал хураалт мэдээлэх магадлал 22 хувиар, харин бодит саналаар илүү магадлалтай зөвхөн 10 хувь нь оноо байна. Цаашилбал, санал хураалтын одоо байгаа нөөц дээр суурилсан онол үнэн хэрэгтээ хэн санал, шинэ онол ойлгож, санал хураалт урьдчилан уриалсан нь эмпирик олдвортой илүү санал хураалт тайлагнах хэн таамаглах үед илүү сайн байдаг.

Гэхдээ хичнээн бид эдгээр үр дүнг итгэх ёстой вэ? Эдгээр үр дүн нь алдаа үл мэдэгдэх хэмжээний хар хайрцаг өгөгдөлд алдаагүй холбох хамаардаг гэдгийг санаарай. Тодруулбал, үр дүн нь хоёр гол алхмууд дээр нугасны: 1) үнэн зөв мастер datafile, 2) өөрийн мастер datafile тулд судалгаа мэдээллийг холбох Catalist чадварыг гаргаж олон өөр өөр мэдээллийн эх үүсвэрийг нэгтгэх Catalist чадвар. Эдгээр үе шат бүр нь маш хэцүү байдаг ба аль аль шатандаа алдаа буруу дүгнэлт судлаачид хүргэж болох юм. Гэсэн хэдий ч, өгөгдөл боловсруулах, тохирсон аль аль нь энэ нь ихэвчлэн судлаачдын ямар ч бие даасан эрдэм шинжилгээний судлаач, эсвэл бүлэг таарахгүй чадах хэмжээнд эдгээр асуудлыг шийдвэрлэхэд нөөц хөрөнгө оруулалт болох тул компанийн хувьд Catalist үргэлжлүүлэн оршин тогтнох нь маш чухал юм. бүлгийн эцэст Цааш нэмж уншихад би илүү дэлгэрэнгүй, хэрхэн Ansolabehere болон Hersh тэдний үр дүнд итгэх итгэлийг бий болгох эдгээр асуудлыг тайлбарлаж байна. Эдгээр мэдээлэл нь энэ судалгаанд тодорхой байгаа хэдий ч, эдгээр ижил төстэй асуудал хар хайрцаг дижитал ул мөр өгөгдлийн эх үүсвэр холбох хүсэлтэй бусад судлаачдын хувьд гарч болно.

Судлаачид энэ судалгааны зурж болно ерөнхий сургамж юу вэ? Нэгдүгээрт, судалгааны мэдээлэл дижитал ул мөр баяжуулах нь асар их үнэ цэнэ байна. Хоёрдугаарт, эдгээр нэгтгэсэн ч, арилжааны мэдээллийн эх сурвалж "газар үнэн" гэж үзэж болохгүй, зарим тохиолдолд тэдгээр нь ашигтай байж болох юм. Үнэн хэрэгтээ эдгээр мэдээллийн эх үүсвэрийг (тэд үргэлж богино унана аль нь) туйлын унэн байх нь харьцуулж шилдэг арга юм. Харин бусад боломжтой мэдээллийн эх үүсвэр, чухамхүү бас алдаа байх нь тэднийг харьцуулах нь илүү дээр юм.