လှုပ်ရှားမှုများ

ဒီဘာသာပြန်ချက်ကွန်ပျူတာအသုံးပြုနေသူများကဖန်တီးခဲ့ပါတယ်။ ×

လှုပ်ရှားမှုများ

အခက်အခဲ၏ဒီဂရီ: လွယ်ကူပါတယ် , အလယ်အလတ် မာ , အရမ်းခက်တယ်
(သင်္ချာလိုအပ်ပါတယ် $သင်္ချာလိုအပ်ပါတယ်$ )
(coding လိုအပ်ပါတယ် )
ဒေတာစုဆောင်းခြင်း ( )
ငါရဲ့အကြိုက်တွေ ( )

[ , $သင်္ချာလိုအပ်ပါတယ်$ ] အခန်း၌, ငါ Post-stratification အကြောင်းကိုအလွန်အပြုသဘောဆောင်တဲ့ဖြစ်ခဲ့သည်။ သို့သော်ဤအစဉ်အမြဲခန့်မှန်းများ၏အရည်အသွေးတိုးတက်စေမထားဘူး။ Post-stratification ခန့်မှန်းချက်၏အရည်အသွေးလျော့နည်းကျဆင်းနိုင်ပါတယ်ရှိရာအခြေအနေကိုတည်ဆောက်ရန်။ (ကအရိပ်အမြွက်သည်တွေ့ Thomsen (1973) ။ )
[ , , ] ဒီဇိုင်းနှင့်သေနတ်ပိုင်ဆိုင်မှုနှင့်သေနတ်ထိန်းချုပ်ရေးဆီသို့သဘောထားများနှင့် ပတ်သက်. မေးရန်အမေဇုံစက်မှု Turk အပေါ် non-ဖြစ်နိုင်ခြေစစ်တမ်းလုပ်ဆောင်ရပါမည်။ သင်တစ်ဦးဖြစ်နိုင်ခြေနမူနာကနေဆင်းသက်လာသောသူတို့ကိုရန်သင့်ခန့်မှန်းချက်နှိုင်းယှဉ်နိုင်အောင်, ထိုကဲ့သို့သောတယ်လို့ Pew သုတေသနစင်တာကို run ရှိသူများအဖြစ်အရည်အသွေးမြင့်စစ်တမ်းမှတိုက်ရိုက်မေးခွန်းစာသားနဲ့တုန့်ပြန်ရွေးချယ်စရာကူးယူပါ။
1. သင့်ရဲ့စစ်တမ်းဘယ်လောက်ကြာယူပါသလဲ? ဒါဘယ်လောက်ကုန်ကျလဲ? ဘယ်လိုသင့်ရဲ့နမူနာများ၏အသက်အပိုင်းအခြားအမေရိကန်လူဦးရေရဲ့အသက်အပိုင်းအခြားနှင့်အတူနှိုင်းယှဉ်ပါသနည်း
2. သင့်ရဲ့နမူနာကို အသုံးပြု. သေနတ်ပိုင်ဆိုင်မှုများ၏ကုန်ကြမ်းခန့်မှန်းချက်ကဘာလဲ?
3. Post-stratification သို့မဟုတ်အချို့သောအခြား technique ကိုသုံးပြီးသင့်ရဲ့နမူနာများ၏ nonrepresentativeness ဘို့ပြင်ပေး။ အခုဆိုရင်သေနတ်ပိုင်ဆိုင်မှုများ၏ခန့်မှန်းချက်ကဘာလဲ?
4. ဘယ်လိုသင့်ရဲ့ခန့်မှန်းချက်တစ်ခုဖြစ်နိုင်ခြေ-based နမူနာအနေဖြင့်နောက်ဆုံးပေါ်ခန့်မှန်းချက်နှင့်အတူနှိုင်းယှဉ်ပါသနည်း သင်သည်မည်သည့်ရှိပါတယ်လျှင်, ကှာဟကရှင်းပြသည်ဘယ်လိုထင်သလဲ
5. သေနတ်ထိန်းချုပ်ရေးဆီသို့သဘောထားတွေများအတွက် (ဃ) - မေးခွန်းများကို (ခ) ကိုပြန်လုပ်ပါ။ ဘယ်လိုသင့်ရဲ့တွေ့ရှိချက်များကွာခြားသလဲ?
[ , , ] Goel နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2016) အထွေထွေလူမှုစစ်တမ်း (GSS) မှရေးဆွဲ 49 မျိုးစုံ-ရွေးချယ်မှု attitudinal မေးခွန်းများကိုအုပ်ချုပ်ခွင့်နဲ့ Amazon စက်မှု Turk ကနေရေးဆွဲဖြေဆိုသူ Non-ဖြစ်နိုင်ခြေနမူနာဖို့ Pew သုတေသနစင်တာစစ်တမ်းများကိုရွေးပါ။ ထို့နောက်စံပြ-based Post-stratification သုံးပြီးအချက်အလက်များ၏ non-ကိုယ်စားပြုမှုများအတွက်ချိန်ညှိခြင်းနှင့်ဖြစ်နိုင်ခြေ-based GSS နှင့် Pew စစ်တမ်းများကနေသူတို့နှင့်အတူ၎င်းတို့၏ပြုပြင်ခန့်မှန်းခြေနှိုင်းယှဉ်။ အမေဇုံစက်မှု Turk အပေါ်တူညီတဲ့စစ်တမ်းကောက်ယူနှင့် GSS နှင့် Pew စစ်တမ်းများ၏လတ်တလောကျည်ကနေခန့်မှန်းချက်နှင့်အတူသင့်ရဲ့ပြုပြင်ခန့်မှန်းခြေနှိုင်းယှဉ်ခြင်းဖြင့်ကိန်းဂဏန်း 2- နှင့်ကိန်းဂဏန်း 2 ခပုံတူပွားဖို့ကြိုးစားပါ။ (49 မေးခွန်းများကိုများ၏စာရင်းများအတွက်နောက်ဆက်တွဲစားပွဲပေါ်မှာ A2 ကိုကြည့်ပါ။ )
1. နှိုင်းယှဉ်ခြင်းနှင့် Pew နှင့် GSS ကနေသူတို့နှင့်အတူသင့်ရဲ့ရလဒ်တွေကိုနှိုငျးယှဉျ။
2. နှိုင်းယှဉ်ခြင်းနှင့်အတွင်းစက်မှု Turk စစ်တမ်းကနေသူတို့နှင့်အတူသင့်ရဲ့ရလဒ်တွေကိုနှိုငျးယှဉျ Goel, Obeng, and Rothschild (2016) ။
[ , , ] အတော်များများလေ့လာမှုများမိုဘိုင်းဖုန်းအသုံးပြုမှု Self-အစီရင်ခံအစီအမံကိုအသုံးပြုပါ။ ဤသည် (ဥပမာတွေ့သုတေသီများ Logged အပြုအမူနှင့်အတူ Self-အစီရင်ခံအပြုအမူနှိုင်းယှဉ်နိုင်သည့်အတွက်စိတ်ဝင်စားဖွယ် setting ကိုတစ်ခုဖြစ်သည် Boase and Ling (2013) ) ။ အကြောင်းကိုမေးရန်နှစ်ဦးကိုဘုံအပြုအမူတွေကိုတောင်းဆိုခြင်းနှင့်စာသား, နှစ်ယောက်ဘုံအချိန်ဘောင် "မနေ့က" ဖြစ်ကြပြီးနေကြတယ် "ဟုအဆိုပါအတိတ်ရက်သတ္တပတ်၌တည်၏။ "
1. ကိုယ်ပိုင်အစီရင်ခံစာအစီအမံများသင်ပိုမိုတိကျထင်ပါသလဲရာမဆိုဒေတာ, စုဆောင်းခင်မှာ? အဘယ်ကြောင့်?
2. သင့်ရဲ့စစ်တမ်းများတွင်ဖြစ်သင်၏မိတ်ဆွေသူငယ်ချင်းငါးယောက်စုဆောင်း။ ခေတ္တမျှငါးပါးမိတ်ဆွေများကိုနမူနာခဲ့ကြသည်ဘယ်လိုအနှစ်ချုပ်ပေးပါ။ ဒီနမူနာလုပ်ထုံးလုပ်နည်းသင့်ရဲ့ခန့်မှန်းချက်များတွင်တိကျသောဘက်လိုက်မှုသွေးဆောင်စျနိုငျသလဲ
3. သူတို့ကိုအောက်ပါ microsurvey မေးခွန်းများကိုမေးပါ:
- "ဘယ်လိုအကြိမ်ပေါင်းများစွာသင်မနေ့ကအခြားသူများကိုဖုန်းဆက်ဖို့သင့်မိုဘိုင်းဖုန်းကိုအသုံးပွုခဲ့သနညျး"
- "ဘယ်နှစ်ယောက်စာသားမက်ဆေ့ခ်ျကိုသင်မနေ့ကပေးပို့ခဲ့တာလဲ"
- "ဘယ်လိုအကြိမ်ပေါင်းများစွာသင်နောက်ဆုံးခုနစ်ရက်ပတ်လုံးအတွက်အခြားသူများကိုဖုန်းဆက်ဖို့သင့်မိုဘိုင်းဖုန်းကိုအသုံးပွုခဲ့သနညျး"
- "ဘယ်လိုအကြိမ်ပေါင်းများစွာသင်နောက်ဆုံးခုနစ်ရက်ပတ်လုံးစာသားမက်ဆေ့ခ်ျများ / SMS ပို့သို့မဟုတ်လက်ခံရရှိရန်သင့်မိုဘိုင်းဖုန်းကိုအသုံးပွုခဲ့သနညျး"
1. ဒီ microsurvey ပြီးစီးခဲ့ပြီးပြီးတာနဲ့သူတို့ရဲ့ဖုန်းသို့မဟုတ်ဝန်ဆောင်မှုပေးနေဖြင့် logged အဖြစ်၎င်းတို့၏သုံးစွဲမှုဒေတာကိုစစျဆေးဖို့မေးမြန်းပါ။ ဘယ်လို Self-အစီရင်ခံစာအသုံးပြုမှုဒေတာ log မှနှိုင်းယှဉ်ရသနည်း အနည်းဆုံးတိကျမှန်ကန်သောအရှိဆုံးတိကျဘယ်လဲ?
2. (သင်တစ်ဦးလူတန်းစားအဘို့ဤလှုပ်ရှားမှုလုပ်နေတာလျှင်) အခုဆိုရင်သင့်အတန်းထဲတွင်အခြားလူများအနေဖြင့်ဒေတာများနှင့်အတူစုဆောင်းသောဒေတာများပေါင်းစပ်။ ဒီပိုကြီး Datasets နှင့်အတူ, အပိုင်း (ဃ) ကိုပြန်လုပ်ပါ။
[ , ] Schuman နှင့် Presser (1996) ထိုမေးခွန်းကိုအမိန့်မေးခွန်းများကိုနှစ်မျိုးများအတွက်အရေးပါမယ်လို့ငြင်းခုန်: မေးခွန်းနှစ်ခုသတ်သတ်မှတ်မှတ်၏တူညီသောအဆင့်ကို (ဥပမာနှစ်ခုသမ္မတလောင်း၏ ratings) မှာနေရာအစိတ်အပိုင်းတစ်ခု-တစ်စိတ်တစ်ပိုင်းမေးခွန်းများကို; နှင့်အထွေထွေမေးခွန်းတစ်ခုကိုပိုပြီးတိကျတဲ့ဆိုတဲ့မေးခွန်းကိုအောက်ပါအတိုင်းရှိရာ (တောငျးဆိုဥပမာ, "သင်သည်သင်၏အလုပ်နှင့်အတူရှိသောဘယ်လိုစိတ်ကျေနပ်မှု?" "သင်သည်သင်၏အသက်တာနှင့်အတူနေကြသည်ကိုဘယ်လိုစိတ်ကျေနပ်မှု?" အားဖြင့်နောက်တော်သို့လိုက်) စိတျအပိုငျး-တပြင်လုံးကိုမေးခွန်းများကို။

သူတို့ကနောက်ထပ်မေးခွန်းတစ်ခုကိုအမိန့်သက်ရောက်မှုနှစ်မျိုးတို့၏သွင်ပြင်လက္ခဏာများ: တစ်အကြာမှာမေးခွန်းတုံ့ပြန်မှုတစ်ခုအစောပိုင်းကမေးခွန်းတစ်ခုကိုအားပေးပြီးမှသူတို့အား (သူတို့မဟုတ်ရင်လိမ့်မယ်ထက်) ပိုမိုနီးကပ်စွာယူဆောင်ကြသောအခါကိုက်ညီမှုဆိုးကျိုးများဖြစ်ပေါ်; မေးခွန်းနှစ်ခုမှတုံ့ပြန်မှုအကြား သာ. ကြီးမြတ်ကွဲပြားခြားနားမှုရှိပါတယ်သည့်အခါဆိုးကျိုးများဖြစ်ပေါ်နှိုငျးယှဉျ။
1. သင်တစ်ဦးကြီးမားသောဆိုတဲ့မေးခွန်းကိုအမိန့်သက်ရောက်မှုရှိပါလိမ့်မယ်ထင်ပါတယ်ကြောင်းပိုငျးစိတျအပိုငျးမေးခွန်းတစ်စုံကိုဖန်တီး; သင်တစ်ဦးကြီးမားသောအမိန့်သက်ရောက်မှုရှိပါလိမ့်မယ်ထင်ပါတယ်ကြောင်းပိုငျးတစျခုလုံးကိုမေးခွန်းများကိုတရံ; သူ၏အမိန့်သင်ထင်မေးခွန်းများကိုတရံအရေးမဟုတ်ဘူး။ သင့်ရဲ့မေးခွန်းများကိုစမ်းသပ်ဖို့အမေဇုံစက်မှု Turk အပေါ်စစ်တမ်းတစ်ခုစမ်းသပ်မှု run လိုက်ပါ။
2. အစိတ်အပိုင်းတစ်ခု-တစ်စိတ်တစ်ပိုင်းသက်ရောက်သင်ဖန်တီးနိုင်ကိုဘယ်လိုကြီးမားတဲ့ရှိသနည်း ကရှေ့နောက်ညီညွတ်မှုသို့မဟုတ်ဆနျ့ကငျြဘအကျိုးသက်ရောက်မှုခဲ့သလား
3. အစိတ်အပိုင်းတစ်ခု-တပြင်လုံးကိုအကျိုးသက်ရောက်သငျသညျဖန်တီးနိုင်ကိုဘယ်လိုကြီးမားတဲ့ရှိသနည်း ကရှေ့နောက်ညီညွတ်မှုသို့မဟုတ်ဆနျ့ကငျြဘအကျိုးသက်ရောက်မှုခဲ့သလား
4. သငျသညျအမိန့်အရေးပါမယ်လို့မထင်ခဲ့ဘူးဘယ်မှာသင့်ရဲ့ pair တစုံအတွက်မေးခွန်းတစ်ခုအလို့ငှာအကျိုးသက်ရောက်မှုရှိခဲ့သလား
[ , ] Schuman နှင့် Presser ၏လုပျငနျးပေါ်တွင်တည်ဆောက်ခြင်း Moore (2002) ထို့အပြင်နှင့်နုတ်သက်ရောက်မှု: ဆိုတဲ့မေးခွန်းကိုအမိန့်သက်ရောက်မှု၏သီးခြားရှုထောင်ဖော်ပြသည်။ contrast နဲ့ကိုက်ညီမှုသက်ရောက်မှုအချင်းချင်းစပ်လျဉ်းနှစ်ခုပစ္စည်းများဖြေဆိုသူ '' အကဲဖြတ်၏အကျိုးဆက်အဖြစ်ထုတ်လုပ်နေကြပြီးနေစဉ်ဖြေဆိုသူမေးခွန်းများကို စုပေါင်း. ထားတဲ့အတွင်းပိုကြီးတဲ့မူဘောင်ကိုပိုမိုထိခိုက်မခံတဲ့ကိုဖန်ဆင်းသောအခါ, ထို့အပြင်နှင့်နုတ်သက်ရောက်မှုထုတ်လုပ်လျက်ရှိသည်။ Read Moore (2002) ထို့အပြင်သို့မဟုတ်နုတ်သက်ရောက်မှုသရုပ်ပြ MTurk အပေါ်စစ်တမ်းတစ်ခုစမ်းသပ်မှုဒီဇိုင်းနှင့် run ပြီးရင်။
[ , ] ခရစ္စတိုဖာ Antoun နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2015) လေးခုကွဲပြားခြားနားသောအွန်လိုင်းစုဆောင်းရေးရင်းမြစ်များမှရရှိသောအဆင်ပြေနမူနာနှိုင်းယှဉ်လေ့လာမှုတစ်ခုကောက်ယူ: MTurk, Craigslist Google က AdWords အနှင့် Facebook ။ ရိုးရှင်းတဲ့စစ်တမ်းဒီဇိုင်းရေးဆွဲအနည်းဆုံးနှစ်ခုကွဲပြားခြားနားသောအွန်လိုင်းစုဆောင်းရေးသတင်းရပ်ကွက်မှတဆင့်သင်တန်းသားများကိုစုဆောင်း (ဤသတင်းရင်းမြစ်များတွင်အသုံးပြုလေးပါးရင်းမြစ်များမှကွဲပြားခြားနားနိုင်ပါတယ် Antoun et al. (2015) ) ။
1. ငွေကြေးနှင့်အချိန်အကြားကွဲပြားခြားနားသောသတင်းရင်းမြစ်၏စည်းကမ်းချက်များ၌ကလေးစစ်သားတ-နှုန်းကုန်ကျစရိတ်နှိုင်းယှဉ်ကြည့်ပါ။
2. ကွဲပြားခြားနားသောရင်းမြစ်များမှရရှိသောနမူနာများ၏ဖွဲ့စည်းမှုနှိုင်းယှဉ်ကြည့်ပါ။
3. ယင်းနမူနာအကြားအချက်အလက်များ၏အရည်အသွေးနှိုင်းယှဉ်ကြည့်ပါ။ ဖြေဆိုသူထံမှဒေတာကိုအရည်အသွေးကိုတိုင်းတာရန်ဘယ်လိုအိုင်ဒီယာအဘို့အတွေ့ Schober et al. (2015) ။
4. သင်နှစ်သက်တဲ့အရင်းအမြစ်ကဘာလဲ? အဘယ်ကြောင့်?
[ ] က 2016 အီးယူဆန္ဒခံယူပွဲ (ဆိုလိုသည်မှာ Brexit), YouGov-အင်တာနက်-based စျေးကွက်သုတေသနကုမ္ပဏီ-ကောက်ယူယူနိုက်တက်ကင်းဒမ်းခန့် 800,000 ဖြေဆိုသူတစ်ဦး panel ကို၏အွန်လိုင်းရွေးကောက်ပွဲ၏ရလဒ်များကိုကြိုတင်ခန့်မှန်းဖို့ကြိုးစားအားထုတ်မှု၌။

YouGov ရဲ့စာရင်းအင်းမော်ဒယ်တစ်အသေးစိတ်ဖော်ပြချက် https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ မှာတှေ့နိုငျပါသညျ။ အကြမ်းအားဖြင့်ပြော YouGov 2015 အထွေထွေရွေးကောက်ပွဲမဲရွေးချယ်မှု, အသက်, အရည်အချင်းများ, ကျား, မ, နှင့်အင်တာဗျူး၏နေ့စွဲအဖြစ်သူတို့နထေိုငျရာအတွက်မဲဆန္ဒနယ်အပေါ်အခြေခံပြီးအမျိုးအစားများသို့မဲဆန္ဒရှင် partitioned ။ ပထမဦးဆုံးအကြမဲပေးသူတို့တွင်အရွက်မဲပေးရန်ရည်ရွယ်သောသူတစ်ဦးချင်းစီမဲဆန္ဒရှင်အမျိုးအစားလူမျိုး၏အချိုးအစားခန့်မှန်းဖို့ YouGov ဟောပြောထံမှကောက်ယူဒေတာကိုအသုံးပြုခဲ့သည်။ သူတို့က 2015 ဗြိတိန်ရွေးကောက်ပွဲလေ့လာမှု (ကမ္ဘာပေါ်မှာအကောင်းဆုံးသော), ရွေးကောက်ပွဲလိပ်ကနေမဲပေးသူအတည်ပြုထားတဲ့ Post-ရွေးကောက်ပွဲကိုမျက်နှာ-to-မျက်နှာစစ်တမ်းကို အသုံးပြု. တစ်ခုချင်းစီကိုမဲဆန္ဒရှင်အမျိုးအစားများ၏မဲပေးသူခန့်မှန်းပါတယ်။ နောက်ဆုံးတော့သူတို့နောက်ဆုံးပေါ်သန်းခေါင်စာရင်းနှင့် (အခြားဒေတာရင်းမြစ်များမှအချို့များအပြင်သတင်းအချက်အလက်နှင့်အတူ) နှစ်ပတ်လည်ပြည်သူ့အင်အားစစ်တမ်းပေါ်တွင်အခြေခံသည်မဲဆန္ဒရှင်များအတွက်တစ်ဦးချင်းစီမဲဆန္ဒရှင်အမျိုးအစားရှိခဲ့သည်လူမည်မျှခန့်မှန်းပါတယ်။

သုံးရက်မဲမတိုင်မီ YouGov ခွင့်အဘို့အနှစ်အချက်ခဲပြသခဲ့သည်။ မဲပေး၏အကြိုတွင်စစ်တမ်းရလဒ် (ညျနကွေ 49/51) ခေါ်ခြင်းနီးကပ်လွန်းခဲ့ကြောင်းညွှန်ပြ။ နောက်ဆုံး On-The-နေ့ကလေ့လာမှုညျနကွေ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ၏မျက်နှာသာအတွက် 48/52 ခန့်မှန်းခဲ့ပါတယ်။ တကယ်တော့ဒီခန့်မှန်းချက်လေးရာခိုင်နှုန်းမှတ်ခြင်းဖြင့်နောက်ဆုံးရလဒ် (52/48 Leave) လွဲချော်။
1. မှားယွင်းနေကြပြီနိုင်ကြောင်းအဘယျသို့အကဲဖြတ်ရန်ဤအခနျးတှငျဆှေးနှေးစုစုပေါင်းစစ်တမ်းအမှားမူဘောင်ကိုသုံးပါ။
2. ရွေးကောက်ပွဲအပြီး YouGov ရဲ့တုံ့ပြန်မှု (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ကရှင်းပြခဲ့သည်: "ဒါကကြောင့်ကြောင်းမဲပေးသူ-တစ်ခုခုမှကြီးမားသောအစိတ်အပိုင်းအတွက်ပုံရသည် ကျနော်တို့ထိုကဲ့သို့သောထုမျှတတဲ့ပြိုင်ပွဲများ၏ရလဒ်ကိုအရေးပါပါလိမ့်မယ်အားလုံးတလျှောက်ပြောဆိုကြပြီ။ ကျွန်ုပ်တို့၏မဲပေးသူမော်ဒယ်အခြေစိုက်အစိတ်အပိုင်းတစ်ရပ်အတွက်ဖြေဆိုသူအထွေထွေရွေးကောက်ပွဲ၏အထက်နောက်ဆုံးအထွေထွေရွေးကောက်ပွဲနှင့်မဲပေးသူအဆင့်မှာမဲပေးခဲ့ကြခြင်းရှိမရှိအပေါ်အထူးသဖြင့်မြောက်အမေရိက၌, မော်ဒယ်ကမောက်ကမခံခဲ့ရသည်။ "ဒီအပိုင်း (က) ရန်သင့်အဖြေကိုပြောင်းလဲပစ်သလား
[ , ] ကိန်းဂဏန်း 3.2 အတွက်ကိုယ်စားပြုမှုအမှားများကိုအသီးအသီးသရုပျဖျောဖို့ခြင်း simulation ရေးပါ။
1. အဲဒီချို့ယွင်းချက်ကိုအမှန်တကယ်ထုတ် cancel ရှိရာအခြေအနေကိုဖန်တီးပါ။
2. အမှားများကိုတစ်ဦးချင်းစီကတခြားယင်းကိစ္စများတဲ့အခွအေနေကိုဖန်တီးပါ။
[ , ] Blumenstock နှင့်လုပ်ဖော်ကိုင်ဘက်များ၏သုတေသန (2015) စစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာကိုသုံးပါနိုင်မယ့်စက်သင်ယူမှုပုံစံကိုတည်ဆောက်ပါဝင်ပတ်သက်။ အခုတော့သင်တစ်ဦးကွဲပြားခြားနားသော Datasets နှင့်တူညီသောအရာကြိုးစားပြီးသွားရသည်။ Kosinski, Stillwell, and Graepel (2013) Facebook မှာတစ်ဦးချင်းစီစရိုက်များနှင့် attribute တွေကြိုတင်ခန့်မှန်းနိုင်ပါတယ် likes ကြောင်းတွေ့ရှိခဲ့ပါတယ်။ အံ့သြစရာကောင်းလောက်အောင်ဤဟောကိန်းများ ပို. ပင်တိကျမှန်ကန်မိတ်ဆွေများနှင့်လုပ်ဖော်ကိုင်ဖက်များ၏တွေထက်နိုင်ပါတယ် (Youyou, Kosinski, and Stillwell 2015) ။
1. Read Kosinski, Stillwell, and Graepel (2013) နှင့်သူတို့၏ data တွေကို 2. ပုံပုံတူပွား http://mypersonality.org/ မှာရရှိနိုင်ပါ
2. အခုတော့ပုံ 3 ပုံတူပွား။
3. http://applymagicsauce.com/: နောက်ဆုံးအနေနဲ့သင့်ကိုယ်ပိုင် Facebook ကိုဒေတာအပေါ်သူတို့ရဲ့မော်ဒယ်စမ်းပါ။ ဘယ်လိုကောင်းစွာကြောင့်သင်တို့အဘို့အလုပ်လုပ်ပါသလဲ
[ ] Toole et al. (2015) စုစုပေါင်းအလုပ်လက်မဲ့ခေတ်ရေစီးကြောင်းကြိုတင်ခန့်မှန်းဖို့မိုဘိုင်းဖုန်းများအနေဖြင့်ခေါ်ဆိုမှုကိုအသေးစိတ်မှတ်တမ်းများ (CDRs) ကိုအသုံးပြုခဲ့သည်။
1. ၏လေ့လာမှုဒီဇိုင်းကိုနှိုင်းယှဉ်ကြည့်ပါနဲ့နှိုငျးယှဉျ Toole et al. (2015) ၏နှင့်အတူ Blumenstock, Cadamuro, and On (2015) ။
2. သငျသညျ CDRs အလုပ်လက်မဲ့ကိုခြေရာခံရန်အစိုးရမူဝါဒချမှတ်အားလုံးကိုမှာအသုံးပြုရိုးရာစစ်တမ်းများကိုအစားထိုးသူတို့ကိုဖြည့်စွတ်သို့မဟုတ်မပြုလုပ်သင့်ထင်ပါသလား? အဘယ်ကြောင့်?
3. CDRs လုံးဝအလုပ်လက်မဲ့နှုန်း၏ရိုးရာအစီအမံကိုအစားထိုးနိုင်မသငျသညျအဘယျသို့သက်သေအထောက်အထားများစည်းရုံးသိမ်းသွင်းမလဲ