4.5.4 အင်အားကြီးနှင့်အတူအဖော်

ဒီဘာသာပြန်ချက်ကွန်ပျူတာအသုံးပြုနေသူများကဖန်တီးခဲ့ပါတယ်။ ×

4.5.4 အင်အားကြီးနှင့်အတူအဖော်

Partners ကုန်ကျစရိတ်လျှော့ချရန်နှင့်စကေးတိုးမြှင့်ပေမယ့်တက်ရောက်လာသူများ၏အမျိုးမျိုးပြောင်းလဲနိုင်, ကုသ, သင်သုံးနိုငျသကထွက်ပေါ်လာနိုင်ပါတယ်။

ဒါကြောင့်ကိုယ့်ကိုယ်လုပ်နေတာဖို့အခြားရွေးချယ်စရာတစ်အစွမ်းထက်ထိုကဲ့သို့သောကုမ္ပဏီအဖြစ်အဖှဲ့အစညျး, အစိုးရ, ဒါမှမဟုတ်အန်ဂျီအိုနှင့်အတူ ပူးပေါင်း. ဖြစ်ပါတယ်။ တစ်ဖက်နဲ့အလုပ်လုပ်၏အားသာချက်ကိုသူတို့သင်ရုံကိုယ့်ကိုယ်အားဖြင့်မလုပ်ဆောင်နိုင်သောစမ်းသပ်ချက်ကို run ရန်သင့်အား enable နိုငျသောကွောငျ့ဖွစျသညျ။ ဥပမာအားဖြင့်, ငါအကြောင်းကိုအောက်တွင်ဖော်ပြထားသောသင်ပြောပြပါ့မယ်သောစမ်းသပ်ချက်တွေထဲက 61 သန်းသင်တန်းသားများကိုမတစ်ဦးချင်းစီသုတေသီကြောင်းစကေးအောင်မြင်ရန်နိုင်ပါဝင်ပတ်သက်။ Partners သင်သည်အဘယ်သို့ပြုနိုင်သည်တိုးပွါးကြောင်းတစ်ချိန်တည်းမှာပင်ပြုလုပ်သင်တို့ကိုလည်းဖိအား။ ဥပမာအားဖြင့်, အရှိဆုံးကုမ္ပဏီများအသင်သည်သူတို့၏လုပ်ငန်းသို့မဟုတ်သူတို့၏ဂုဏ်သတင်းကိုထိခိုက်စေနိုင်ကြောင်းစမ်းသပ်မှုတစ်ခု run ဖို့ခွင့်ပြုလိမ့်မည်မဟုတ်ပေ။ မိတ်ဖက်နှင့်အလုပ်လုပ်ကိုလည်းထုတ်ဝေဖို့အချိန်ကြွလာသောအခါ, သင်သည် "Re-frame ကို" သင်၏ရလဒ်များကိုမှဖိအားအောက်မှာလာစေခြင်းငှါဆိုလိုတယ်, အချို့မိတ်ဖက်ပင်ကသူတို့ကိုမကောင်းတဲ့ကိုကြည့်စေသည်လျှင်သင့်ရဲ့အလုပ်၏ထုတ်ဝေပိတ်ဆို့ဖို့ကြိုးစားပါလိမ့်မယ်။ နောက်ဆုံးအနေနဲ့ Partners လည်း, ဤပူးပေါင်းဆောင်ရွက်မှုဖွံ့ဖြိုးဆဲနှင့်ထိန်းသိမ်းခြင်းနှင့်ဆက်စပ်သောကုန်ကျစရိတ်နှင့်တကွကြွလာ။

ဤအမိတ်ဖက်အောင်မြင်သောအောင်ဖြေရှင်းခံရဖို့ရှိပါတယ်အဓိကစိန်ခေါ်မှုနှစ်ဖက်စလုံး၏အကျိုးစီးပွားချိန်ခွင်လျှာညှိရန်လမ်းရှာတွေ့သည်နှင့်ချိန်ခွင်လျှာကိုစဉ်းစားရန်အထောက်အကူလမ်း Pasteur ရဲ့ quadrant ဖြစ်ပါတယ် (Stokes 1997) ။ အတော်များများကသုတေသီများသူတို့တစ်ခုခုတစ်ဖက်-ထိုအခါသူတို့သည်စစ်မှန်သောသိပ္ပံလုပ်နေတာမရနိုငျမှအကျိုးစီးပွားဖြစ်အံ့သောငှါလက်တွေ့ကျတဲ့-တစ်ခုခုပေါ်တွင်အလုပ်လုပ်နေကြလျှင်ထင်ပါတယ်။ ဤသည်အတွေးအခေါ်တွေကအလွန်ခက်ခဲအောင်မြင်သောမိတ်ဖက်ဖန်တီးစေမည်, ထိုသို့လည်းလုံးဝမှားဖွစျသှား။ စဉ်းစားတွေးခေါ်၏ဤလမ်းနှင့်အတူပြဿနာကိုအံ့ဩဘွယ်သောသည့်ဇီဝဗေဒပညာရှင်လူးဝစ် Pasteur ရဲ့ path-ခြိုးဖောကျသုတေသနပြုခြင်းဖြင့်သရုပ်ဖော်ထားသည်။ အရက်သို့ beet ဖျော်ရည်ပြောင်းစီးပွားဖြစ်ကစော်ဖောက်ခြင်းစီမံကိန်းအတွက်အလုပ်လုပ်နေစဉ်, Pasteur နောက်ဆုံးမှာရောဂါပိုးများကူးစက်သီအိုရီမှဦးဆောင်ကြောင်းဇီဝ၏အသစ်တစ်ခုလူတန်းစားရှာဖွေတွေ့ရှိခဲ့သည်။ ဤသည်ရှာဖွေတွေ့ရှိမှုဟာအလွန်လက်တွေ့ကျပြဿနာ-၏ဖြစ်စဉ်ကိုတိုးတက်ကောင်းမွန်အောင်ကူညီပေးခဲ့သည်ကစော်ဖောက်ခြင်း-ကအဓိကသိပ္ပံနည်းကျကြိုတင်မှဦးဆောင်ဖြေရှင်း။ ထို့ကြောင့်မဟုတ်ဘဲစစ်မှန်သောသိပ္ပံနည်းကျသုတေသနနှင့်အတူပဋိပက္ခဖြစ်ခြင်းအဖြစ်လက်တွေ့ကျတဲ့ applications များနှင့်အတူသုတေသနအကြောင်းကိုစဉ်းစားခြင်းထက်, ကနှစ်ခုသီးခြားရှုထောင့်အဖြစ်ဤအရာထင် သာ. ကောင်း၏။ သုတေသနအသုံးပြုမှု (သို့မဟုတ်မပါ) အားဖြင့်လှုံ့ဆော်ခြင်းကိုခံရနိုင်ပြီး, သုတေသနအခြေခံနားလည်မှုရှာအံ့သောငှါ (သို့မဟုတ်မဟုတ်) နိုင်ပါတယ်။ ပြင်းထန်စွာအချို့သောသုတေသနကဲ့သို့ Pasteur's-နိုင်ပါတယ်အသုံးပြုလှုံ့ဆော်နှင့်အခြေခံနားလည်မှု (ပုံ 4.17) ရှာကြံရလိမ့်မည်။ မူလကပင်သုတေသီများနှင့်မိတ်ဖက်များအကြားပူးပေါင်းဆောင်ရွက်မှုများအတွက်စံပြ Two-ဖြစ်ပါတယ်ရည်မှန်းချက်များတိုးတက်လာသည်ဟု Pasteur ရဲ့ quadrant-သုတေသနအတွက်သုတေသန။ ကုမ္ပဏီနှင့်အတူတဦးတည်းနှင့် NGO အဖွဲ့နှင့်အတူတဦးတည်းသောနောက်ခံပေးထားသောငါမိတ်ဖက်နှင့်အတူနှစ်ဦးကိုစမ်းသပ်လေ့လာမှုများကိုဖော်ပြရန်ပါလိမ့်မယ်။

4.17 ပုံ: Pasteur ရဲ့ quadrant (Stokes 1997) ။ အဲဒီအစားအခြေခံသို့မဟုတ်လျှောက်ထားဖြစ်စေအဖြစ်သုတေသနစဉ်းစားခြင်းထက်အသုံးပြုမှု (သို့မဟုတ်မပါ) အားဖြင့်လှုံ့ဆော်အဖြစ်ကစဉ်းစား သာ. ကောင်း၏နှင့်အခြေခံနားလည်မှု (သို့မဟုတ်မဟုတ်) ရှာကြံ။ နှစ်ဦးစလုံးကိုအသုံးပြုခြင်းအားဖြင့်လှုံ့ဆော်နှင့်အခြေခံနားလည်မှုရှာကြံကြောင်းသုတေသနတခုရဲ့ဥပမာရောဂါပိုးများကူးစက်သီအိုရီဖို့ဦးဆောင်လမ်းပြကြောင်းအရက်သို့ beet ဖျော်ရည် converting အပေါ် Pasteur ရဲ့အလုပ်ပါပဲ။ ဒါဟာအင်အားကြီးမားနှင့်အတူမိတ်ဖက်များအတွက်အကောင်းဆုံးသင့်လျော်ကြောင်းအလုပ်မျိုးဖြစ်ပါတယ်။ အလုပ်၏နမူနာကိုအသုံးပြုခြင်းအားဖြင့်လှုံ့ဆော်နေသည်သို့သော်အသုံးပြုမှုအားဖြင့်လှုံ့ဆော်ပေမယ့် Niels Bohr ကနေလာနားလည်မှုရှာကြံရာမဟုတ်ကြောင်းသောမတ်စ်အက်ဒီဆင်နှင့်အလုပ်၏နမူနာကနေလာအခြေခံနားလည်မှုမရှာပါဘူး။ ဒီမူဘောင်နှင့်ဤအမှုများကိုအသီးအသီး၏တစ်ဦးထက်ပိုနှံ့နှံ့စပ်စပ်ဆွေးနွေးမှုများအတွက် Stokes (1997) ကိုကြည့်ပါ။ Stokes (1997) မှအဆင်ပြေအောင်, 3.5 တွက်ဆ။

4.17 ပုံ: Pasteur ရဲ့ quadrant (Stokes 1997) ။ အဲဒီအစား "အခြေခံ" သို့မဟုတ်အသုံးပြုမှု (သို့မဟုတ်မပါ) အားဖြင့်လှုံ့ဆော်အဖြစ်အဲဒါကိုစဉ်းစား သာ. ကောင်း၏ "လျှောက်ထား" တစ်ခုခုအဖြစ်သုတေသနစဉ်းစားနှင့်အခြေခံနားလည်မှု (သို့မဟုတ်မဟုတ်) ရှာကြံထက်။ နှစ်ဦးစလုံးကိုအသုံးပြုခြင်းအားဖြင့်လှုံ့ဆော်နှင့်အခြေခံနားလည်မှုရှာကြံကြောင်းသုတေသနတခုရဲ့ဥပမာရောဂါပိုးများကူးစက်သီအိုရီဖို့ဦးဆောင်လမ်းပြကြောင်းအရက်သို့ beet ဖျော်ရည် converting အပေါ် Pasteur ရဲ့အလုပ်ပါပဲ။ ဒါဟာအင်အားကြီးမားနှင့်အတူမိတ်ဖက်များအတွက်အကောင်းဆုံးသင့်လျော်ကြောင်းအလုပ်မျိုးဖြစ်ပါတယ်။ အလုပ်၏နမူနာကိုအသုံးပြုခြင်းအားဖြင့်လှုံ့ဆော်နေသည်သို့သော်အသုံးပြုမှုအားဖြင့်လှုံ့ဆော်ပေမယ့် Niels Bohr ကနေလာနားလည်မှုရှာကြံရာမဟုတ်ကြောင်းသောမတ်စ်အက်ဒီဆင်နှင့်အလုပ်၏နမူနာကနေလာအခြေခံနားလည်မှုမရှာပါဘူး။ ကြည့်ရှုပါ Stokes (1997) ကဤမူဘောင်နှင့်ဤအမှုများကိုအသီးအသီး၏တစ်ဦးထက်ပိုနှံ့နှံ့စပ်စပ်ဆွေးနွေးမှုသည်။ ကနေအဆင်ပြေအောင် Stokes (1997) , 3.5 တွက်ဆ။

အကြီးစားကုမ္ပဏီများ, အထူးသဖြင့်နည်းပညာကုမ္ပဏီများ, ရှုပ်ထွေးသောစမ်းသပ်ချက်အပြေးဘို့မယုံကြည်နိုင်လောက်အောင်ခေတ်မီအခြေခံအဆောက်အအုံဖွံ့ဖြိုးတိုးတက်ပါပြီ။ သူတို့နှစ်ဦးကိုကုသ၏ထိရောက်မှုကိုနှိုင်းယှဉ်ကြောင့်နည်းပညာစက်မှုလုပ်ငန်းများတွင်ဤစမ်းသပ်ချက်မကြာခဏ A / B စမ်းသပ်မှုဟုခေါ်ကြသည်: A နှင့် B တွင်ထိုသို့သောစမ်းသပ်ချက်မကြာခဏလည်းနိုင်ပါတယ်ကြော်ငြာတွေကို click-မှတဆင့်နှုန်းထားများတိုးမြှင့်တူသောအရာများအတွက် run ပေမယ့်တူညီတဲ့စမ်းသပ်အခြေခံအဆောက်အအုံနေကြတယ် သိပ္ပံနည်းကျနားလည်မှုတိုးတက်လာသည်ဟုသုတေသနအတွက်အသုံးပြုရလိမ့်မည်။ သုတေသနဒီလိုမျိုး၏အလားအလာသရုပ်ဖော်ထားတဲ့ဥပမာမဲပေးသူအပေါ်ကွဲပြားခြားနားသောမက်ဆေ့ခ်ျ၏ဆိုးကျိုးများအပေါ် Facebook နှင့်ကယ်လီဖိုးနီးယားတက္ကသိုလ်, San Diego မှသုတေသီ, အကြားမိတ်ဖက်များကကောက်ယူလေ့လာမှုတစ်ခုဖြစ်ပါသည် (Bond et al. 2012) ။

နိုဝင်ဘာလ 2, တွင်အမေရိကန်ကွန်ဂရက်ရွေးကောက်ပွဲများ-အားလုံးအမေရိကန်ပြည်ထောင်စု၌နထေိုငျနဲ့ 18 နှင့်အထက်ရှိနသောသူ 61 သန်းကို Facebook သုံးစွဲသူ 2010-နေ့ကိုမဲပေးအကြောင်းကိုစမ်းသပ်မှုတစ်ခုအတွက်တစ်စိတ်တစ်ပိုင်းယူခဲ့ပါတယ်။ Facebook ကိုသွားရောက်လည်ပတ်အပေါ်သို့အသုံးပြုသူများကျပန်းသူတို့ရဲ့ News Feed တွေကို (ပုံ 4.18) ၏ထိပ်မှာနေရာချခံခဲ့ရသောအရာကိုနဖူးစည်းစာတမ်း (ရှိပါက) စိတ်ပိုင်းဖြတ်ထားတဲ့သုံးအုပျစုမြား၏တဦးတည်းသို့တာဝန်ကျ:

တစ်ဦးကိုထိန်းချုပ်အုပ်စုတစ်စု
တစ်နှိပ်ခလုတ်နှင့်တစ်ဦးကောင်တာ (အင်ဖို) "ငါမဲပေး" နဲ့မဲပေးအကြောင်းကိုအချက်အလက်များဆိုင်ရာသတင်းစကား
ခလုတ်နှင့်တစ်ဦးကောင်တာပေါင်းအမည်များနှင့်ပြီးသားကို "ငါမဲပေး" (အင်ဖို + လူမှုရေး) နှိပ်လိုက်ခဲ့သူသူတို့ရဲ့မိတ်ဆွေဓါတ်ပုံတွေကို "ကျွန်မမဲပေး" ဟုနှိပ်နှင့်အတူမဲပေးအကြောင်းကိုအချက်အလက်များဆိုင်ရာသတင်းစကား

ဘွန်းနဲ့လုပ်ဖော်ကိုင်ဘက်နှစ်ဦးကိုအဓိကရလဒ်ကိုလေ့လာ: မဲပေးအပြုအမူများနှင့်အမှန်တကယ်မဲပေးအပြုအမူကဖော်ပြခဲ့သည်။ ပထမဦးစွာသူတို့အင်ဖို + လူမှုအုပ်စုတွင်လူများတို့သည်အင်ဖိုအုပ်စုကလူ (18% သာရှိပြီးပြည်ပမှအကြောင်းကို 20%) "ငါမဲပေး" ကိုနှိပ်ပါဖို့ထက်အကြောင်းကိုနှစ်ခုရာခိုင်နှုန်းအချက်များကိုပိုမိုကြောင်းတွေ့ရှိခဲ့ရသည်။ ထို့ပြင်သုတေသီသူတို့အင်ဖို + လူမှုအုပ်စုလူတွေအမှန်တကယ်ထိန်းချုပ်အုပ်စုတွေထက်မဲပေးဖို့ပိုဖွယ်ရှိ 0,39 ရာခိုင်နှုန်းအချက်များဖြစ်ကြသည်နှင့်အင်ဖိုအုပ်စုတွင်လူပေါင်းကြောင်းကိုတွေ့ရှိခဲ့အကြောင်းကိုခြောက်လလူဦးရေသန်းဘို့လူသိရှင်ကြားမရရှိနိုင်မဲပေးမှတ်တမ်းများနှင့်အတူ၎င်းတို့၏ဒေတာပေါင်းစည်းပြီးနောက် ထိန်းချုပ်မှုအုပ်စုသည် (ပုံ 4.18) တွင်သူများအဖြစ်မဲပေးမယ့်အဖြစ်ဖွယ်ရှိခဲ့ကြသည်။

4,18 ပုံ: Facebook ပေါ်မှာတစ် get-ထွက်-The-မဲစမ်းသပ်မှုကနေရလာဒ် (ဘွန်း et al, 2012 ။ ) ။ အဆိုပါအင်ဖိုအုပ်စုတွင်ပါဝင်သူထိန်းချုပ်မှုအုပ်စုသူများကဲ့သို့တူညီသောနှုန်းမဲပေးပေမယ်အင်ဖို + လူမှုအုပ်စုတွင်လူအနည်းငယ်ပိုမိုမြင့်မားမှုနှုန်းမှာမဲပေးကြသည်။ ဘားခန့်မှန်း 95% ယုံကြည်မှုကြားကာလကိုကိုယ်စားပြုသည်။ အဆိုပါဂရပ်များတွင်ရလဒ်များမဲပေးမှတ်တမ်းများမှကိုက်ညီသူခန့်မှန်းခြေအားဖြင့်ခြောက်လသန်းသင်တန်းသားများအဘို့ဖြစ်ကြ၏။ ဘွန်း et al ထံမှအဆင်ပြေအောင်။ (2012), ပုံ 1 ။

4,18 ပုံ: Facebook ပေါ်မှာတစ် get-ထွက်-The-မဲစမ်းသပ်မှုကနေရလာဒ် (Bond et al. 2012) ။ အဆိုပါအင်ဖိုအုပ်စုတွင်ပါဝင်သူထိန်းချုပ်မှုအုပ်စုသူများကဲ့သို့တူညီသောနှုန်းမဲပေးပေမယ်အင်ဖို + လူမှုအုပ်စုတွင်လူအနည်းငယ်ပိုမိုမြင့်မားမှုနှုန်းမှာမဲပေးကြသည်။ ဘားခန့်မှန်း 95% ယုံကြည်မှုကြားကာလကိုကိုယ်စားပြုသည်။ အဆိုပါဂရပ်များတွင်ရလဒ်များမဲပေးမှတ်တမ်းများမှကိုက်ညီသူခန့်မှန်းခြေအားဖြင့်ခြောက်လသန်းသင်တန်းသားများအဘို့ဖြစ်ကြ၏။ ကနေအဆင်ပြေအောင် Bond et al. (2012) , ပုံ 1 ။

ဒီစမ်းသပ်မှု၏ရလဒ်များကိုအချို့သောအွန်လိုင်း get-ထွက်-The-မဲမက်ဆေ့ခ်ျကိုအခြားသူများထက် ပို. ထိရောက်သောဖြစ်ကြပြီးထိရောက်မှုတစ်သုတေသီရဲ့ခန့်မှန်းချက်ရလဒ်ကိုမဲပေးသို့မဟုတ်အမှန်တကယ်မဲပေးအစီရင်ခံတင်ပြတာဖြစ်ပါတယ်ရှိမရှိအပေါ်မူတည်နိုင်သည်ကြောင်းကိုပြသပါ။ ဒါဟာစမ်းသပ်မှုကံမကောင်းလူမှုသတင်းအချက်အလက်-ရာအချို့သုတေသီများ playfully a "ကိုမျက်နှာပုံ" -increased မဲပေးခေါ်ပြီအရာကနေတဆင့်ယန္တရားများနှင့် ပတ်သက်. မည်သည့်သဲလွန်စပူဇော်မထားဘူး။ ဒါဟာလူမှုရေးသတင်းအချက်အလက်တစ်စုံတစ်ဦးကိုနဖူးစည်းစာတမ်းသတိပြုမိသို့မဟုတ်ကနဖူးစည်းစာတန်းသတိပြုမိသူတစ်ဦးအမှန်တကယ်မဲပေးသို့မဟုတ်နှစ်ဦးစလုံးကြောင့်ဖြစ်နိုင်ခြေတိုးလာကြောင်းကိုဖြစ်နိုင်ခြေတိုးလာကြောင်းဖြစ်နိုင်ပါတယ်။ ရဟန်းတို့ဤသို့လျှင်ဤစမ်းသပ်မှုသည်အခြားသုတေသီများဖွယ်ရှိ (ဥပမာ, ကိုတွေ့မြင်လေ့လာစူးစမ်းကြလိမ့်မည်သည့်စိတ်ဝင်စားဖွယ်တွေ့ရှိချက်ကိုထောက်ပံ့ပေး Bakshy, Eckles, et al. (2012) ) ။

သုတေသီများ၏ရည်မှန်းချက်များတိုးတက်အပြင်, ဒီစမ်းသပ်မှုကိုလည်းမိတ်ဖက်အဖွဲ့အစည်းက (Facebook မှ) ၏ရည်မှန်းချက်ကြရပြီ။ သငျသညျကိုပြောင်းလဲလျှင်အပြုအမူဆပ်ပြာဝယ်ယူမှမဲပေးထံမှလေ့လာပြီးတော့သင်လေ့လာမှု (ဥပမာတွေ့အွန်လိုင်းကြော်ငြာများ၏အကျိုးသက်ရောက်မှုကိုတိုင်းတာရန်စမ်းသပ်မှုတစ်ခုအဖြစ်အတိအကျတူညီဖွဲ့စည်းတည်ဆောက်ပုံရှိကွောငျးတှေ့မွငျနိုငျ RA Lewis and Rao (2015) ) ။ ဤကြော်ငြာထိရောက်မှုလေ့လာမှုများမကြာခဏအွန်လိုင်းကြော်ငြာတွေ-ထဲမှာကုသမှုမှထိတွေ့မှု၏အကျိုးသက်ရောက်မှုကိုတိုင်းတာ Bond et al. (2012) အခြေခံအားဖြင့်မဲပေး-on ကိုအော့ဖ်လိုင်းအပြုအမူများအတွက်ကြော်ငြာတွေဖြစ်ကြသည်။ ထို့ကြောင့်ဤသုတေသနအွန်လိုင်းကြော်ငြာများ၏ထိရောက်မှုကိုလေ့လာဖို့ Facebook ရဲ့စွမ်းရည်ကိုတိုးနိုင်နှင့် Facebook Facebook ကကြော်ငြာတွေအပြုအမူကိုပြောင်းလဲမှာထိရောက်သောဖြစ်ကြောင်းအလားအလာကြော်ငြာစည်းရုံးသိမ်းသွင်းကူညီနိုင်ဘူး။

သုတေသီများနှင့်မိတ်ဖက်များ၏အကျိုးစီးပွားအများအားဖြင့်ဒီလေ့လာမှုမှာ aligned ခဲ့ကြသည်သော်လည်း, သူတို့သည်တစ်စိတ်တစ်ပိုင်းတင်းမာမှုလည်းဖြစ်ကြသည်။ အထူးသဖြင့်အဆိုပါအုပ်စုသုံးစု-ထိန်းချုပ်မှုမှသင်တန်းသားများကို၏, ခွဲဝေချထား, အင်ဖိုနှင့်အင်ဖို + လူမှု-ခဲ့သည်လွန်စွာများညီမျှမှု: နမူနာများ၏ 98% အင်ဖို + လူမှုတာဝန်ကျခဲ့တယ်။ ဤသည် imbalanced ခွဲဝေကစာရင်းအင်းမတတ်နိုင်သောဖြစ်တယ်, သုတေသီတစ်အများကြီးပိုကောင်းခွဲဝေတစ်ဦးချင်းစီအုပ်စုတွင်ပါဝင်သူများထဲမှသုံးပုံတစ်ပုံခဲ့ကြပေသည်။ Facebook ကလူတိုင်းအင်ဖို + လူမှုကုသမှုခံယူဖို့လိုခငျြသောကွောငျ့ဒါပေမယ့် imbalanced ခွဲဝေဖြစ်ပျက်ခဲ့သည်။ ကံကောင်းထောက်မစွာ, သုတေသီတစ်ဦးထိန်းချုပ်ရေးအဖွဲ့ကိုပြန်မယ့်ဆက်စပ်ကုသမှုများအတွက် 1% နှင့်သင်တန်းသားများ၏ 1% ကျင်းပရန်သူတို့ကိုယုံကြည်စိတ်ချသွားတယ်။ ဒါကြောင့်တစ်ဦး "အထင်သည်တုန်လှုပ်မှုတည်းနှင့်စောငျ့ရှောကျ" စမ်းသပ်မှုထက်တစ် randomized ထိန်းချုပ်ထားစမ်းသပ်မှုဖြစ်လိမ့်မည်ဖြစ်သောကြောင့်ထိန်းချုပ်မှုအုပ်စုတစ်စုခြင်းမရှိဘဲကအင်ဖို + လူမှုကုသမှု၏အကျိုးသက်ရောက်မှုကိုတိုင်းတာရန်အခြေခံအားဖြင့်မဖြစ်နိုင်ကြပြီ။ ဒီဥပမာမိတ်ဖက်အတူလုပ်ကိုင်မှုအတွက်တန်ဖိုးရှိသောလက်တွေ့ကျတဲ့သင်ခန်းစာပေးပါသည်: တစ်ခါတစ်ရံသင်တစ်ဦးကိုကုသကယ်မနှုတ်နှင့်တစ်ခါတစ်ရံသငျသညျ (ဆိုလိုသည်မှာတစ်ဦးထိန်းချုပ်ရေးအဖွဲ့ကိုဖန်တီးရန်) တစ်ဦးကိုကုသကယ်မနှုတ်ဖို့မတစ်စုံတစ်ဦးကိုစည်းရုံးအားဖြင့်စမ်းသပ်မှုတစ်ခုဖန်တီးရန်တစ်စုံတစ်ဦးကိုစည်းရုံးအားဖြင့်စမ်းသပ်မှုတစ်ခုဖန်တီးပါ။

မိတ်ဖက်အမြဲသင်တန်းသားများကိုသန်းပေါင်းများစွာနှင့်အတူနည်းပညာကုမ္ပဏီများနှင့် A / B စမ်းသပ်မှုပါဝင်ရန်မလိုအပ်ပါဘူး။ ဥပမာအားဖြင့်, အလက်ဇန်းဒါး Coppock, အန္ဒြေ Guess, ယောဟန် Ternovski (2016) လူမှုရေးစည်းရုံးခြင်းမြှင့်တင်ရန်အတွက်မတူညီသောနည်းဗျူဟာများစမ်းသပ်စမ်းသပ်ချက်ကို run ဖို့မဲဆန္ဒရှင်တွေ-အနေနဲ့သဘာဝပတ်ဝန်းကျင်အန်ဂျီအို-The ထိန်းသိမ်းရေး၏အဖွဲ့ချုပ်နှင့်အတူပူးပေါင်း။ အဆိုပါသုတေသီများအများပြည်သူ tweets အထောက်အထားတွေကို၏ချုပ်အမျိုးမျိုးကြိုးစားခဲ့ကြောင်းပုဂ္ဂလိကတိုက်ရိုက်မက်ဆေ့ခ်ျနှစ်ဦးစလုံးမှထွက်ပေးပို့ဖို့အန်ဂျီအိုရဲ့တွစ်တာအကောင့်ကိုအသုံးပြုခဲ့သည်။ ထို့နောက်တစ်ဦးအသနားခံစာလက်မှတ်ထိုးကာအသနားခံစာနှင့် ပတ်သက်. သတင်းအချက်အလက် Retweet လူတွေကိုအားပေးအားမြှောက်များအတွက်အထိရောက်ဆုံးခဲ့ကြသည်, ဤမက်ဆေ့ခ်ျ၏အရာတိုင်းတာ။

စားပွဲတင် 4.3: သုတေသီများနှင့်အဖွဲ့အစည်းများအကြားမိတ်ဖက်သက်ဆိုင်သောစမ်းသပ်မှု၏ဥပမာများ
အကွောငျး	ကိုးကား
Facebook ကသတင်း၏အကျိုးသက်ရောက်မှုသတင်းအချက်အလက်ဝေမျှခြင်းအပေါ် Feed	Bakshy, Rosenn, et al. (2012)
အွန်လိုင်းချိန်းတွေ့က်ဘ်ဆိုက်ပေါ်မှာအပြုအမူအပေါ်တစ်စိတ်တစ်ပိုင်းအမည်မဖော်လိုအကျိုးသက်ရောက်မှု	Bapna et al. (2016)
လျှပ်စစ်မီးအသုံးပြုမှုအပေါ်မူလစာမျက်နှာစွမ်းအင်အစီရင်ခံစာများ၏အကျိုးသက်ရောက်မှု	Allcott (2011) ; Allcott and Rogers (2014) ; Allcott (2015) ; Costa and Kahn (2013) ; Ayres, Raseman, and Shih (2013)
ဗိုင်းရပ်စ်ပျံ့နှံ့အပေါ် app ကိုဒီဇိုင်းအကျိုးသက်ရောက်မှု	Aral and Walker (2011)
ပျံ့နှံ့အပေါ်ယန္တရားပြန့်ပွား၏အကျိုးသက်ရောက်မှု	SJ Taylor, Bakshy, and Aral (2013)
ကြော်ငြာတွေအတွက်လူမှုရေးအချက်အလက်များ၏အကျိုးသက်ရောက်မှု	Bakshy, Eckles, et al. (2012)
ဖောက်သည်များ၏ကွဲပြားခြားနားသောအမျိုးအစားများကိုများအတွက် catalog နှင့်အွန်လိုင်းမှတစ်ဆင့်အရောင်းအပေါ် catalog အကြိမ်ရေ၏အကျိုးသက်ရောက်မှု	Simester et al. (2009)
အလားအလာရှိသောအလုပ် applications များအပေါ်လူကြိုက်များမှုအချက်အလက်များ၏အကျိုးသက်ရောက်မှု	Gee (2015)
လူကြိုက်များအပေါ်ကနဦးအဆင့်သတ်မှတ်ချက်များ၏အကျိုးသက်ရောက်မှု	Muchnik, Aral, and Taylor (2013)
နိုင်ငံရေးအကျဉ်းသားများစည်းရုံးခြင်းအပေါ်သတင်းစကားအကြောင်းအရာအကျိုးသက်ရောက်မှု	Coppock, Guess, and Ternovski (2016)

ယေဘုယျအားအင်အားကြီးနှင့်အတူ ပူးပေါင်း. သင်တို့ဆီသို့ဖွလုပ်ဖို့မဟုတ်ရင်ခက်သောစကေးမှာ operate နှင့်စားပွဲပေါ်မှာ 4.3 သုတေသီများနှင့်အဖွဲ့အစည်းများအကြားမိတ်ဖက်၏အခြားဥပမာပေးပါသည်။ Partners သင့်ကိုယ်ပိုင်စမ်းသပ်မှုတည်ဆောက်ခြင်းထက်အများကြီးပိုလွယ်နိုင်ပါတယ်။ သို့သော်ဤအားသာချက်များအားနည်းချက်များနှင့်အတူလာ: မိတ်ဖက်သင်တန်းသားများ, ကုသ, သင်လေ့လာနိုငျသောရလဒ်များ၏အမျိုးမျိုးကန့်သတ်နိုင်ပါတယ်။ နောက်ထပ်အဲဒီမိတ်ဖက်ကျင့်ဝတ်ဆိုင်ရာစိန်ခေါ်မှုများဖြစ်ပေါ်စေနိုင်ပါသည်။ တစ်ဦးမိတ်ဖက်များအတွက်အခွင့်အလမ်းကိုရှာဖွေတွေ့ရှိဖို့အကောင်းဆုံးနည်းလမ်းတစ်ခုကိုသင်စိတ်ဝင်စားဖို့သိပ္ပံလုပ်နေတာနေချိန်မှာသင်ကဖြေရှင်းပေးနိုင်မယ့်အစစ်အမှန်ပြဿနာသတိထားမိဖို့ဖြစ်ပါတယ်။ သငျသညျကမ်ဘာပျေါမှာရှာဖွေနေ၏ဤလမ်းမှအသုံးမနေတယ်ဆိုရင်, ဒါဟာ Pasteur ရဲ့ quadrant အတွက်ပြဿနာတွေဆိုတာတွေ့ရဖို့ခဲယဉ်းနိုင်ပါတယ်, ဒါပေမယ့်, အလေ့အကျင့်နှင့်အတူ, သငျသညျ ပို. ပို. သူတို့ကိုသတိပြုမိရန်စတင်ပါလိမ့်မယ်။