လှုပ်ရှားမှုများ

Key ကို:

• အခက်အခဲ၏ဒီဂရီ: လွယ်ကူသော , အလယ်အလတ် မာ , အရမ်းခက်တယ်
• (သင်္ချာလိုအပ်ပါတယ် )
• (coding လိုအပ်ပါတယ် )
• ဒေတာစုဆောင်း ( )
• ကျွန်မအကြိုက်ဆုံး ( )

1. [ , ] အခနျးတှငျ, ငါသည် Post-stratification အကြောင်းကိုအလွန်အပြုသဘောဆောင်တဲ့ခဲ့သည်။ သို့ရာတွင်ထိုသို့အစဉ်အမြဲခန့်မှန်းတွက်ချက်မှုများအရညျအသှေးတိုးတကျအောငျမပေးပါဘူး။ နိုင် post-stratification ခန့်မှန်းချက်များ၏အရည်အသွေးလျော့နည်းကျဆင်းနိုင်ပါတယ်တဲ့အခွအေနတည်ဆောက်ရန်။ (ကအရိပ်အမြွက်များအတွက်တွေ့ Thomsen (1973) ) ။

2. [ , , ] ဒီဇိုင်းနှင့်သေနတ်ပိုင်ဆိုင်မှုနှင့် ပတ်သက်. မေးရန်အမေဇုံ MTurk အပေါ် non-ဖြစ်နိုင်ခြေစစ်တမ်းကောက်ယူ ( "သငျသညျပွုပါ, သို့မဟုတ်သင့်အိမ်ထောင်စုအတွက်မည်သူမဆိုတတ်, တစ်ဦးသေနတ်, ရိုင်ဖယ်သို့မဟုတ်ပစ္စတိုပိုင်ဆိုင်? သင်သို့မဟုတ်သင့်အိမ်ထောင်စုအတွက်တစ်စုံတစ်ဦးကလား?") နှင့် သေနတ်ထိန်းချုပ်ရေးဆီသို့ဦးတည်သဘောထားများ ( "သင်ပိုမိုအရေးကြီးသောမှသေနတ်ပိုင်ဆိုင်အမေရိကန်များ၏ညာဘက်ကာကွယ်, ဒါမှမဟုတ်သေနတ်ပိုင်ဆိုင်မှုကိုထိန်းချုပ်ရန်သည်အဘယ်သို့ထင်သနည်း") ။

   1. သင့်ရဲ့စစ်တမ်းအဘယ်မျှကာလပတ်လုံးယူသနည်း? ဒါဘယ်လောက်ကုန်ကျလဲ? ဘယ်လိုသင့်ရဲ့နမူနာများ၏သူရဲ့လူဦးရေဟာအမေရိကန်လူဦးရေရဲ့သူရဲ့လူဦးရေအားနှိုင်းယှဉ်ပါသနည်း
   2. သင့်ရဲ့နမူနာကို အသုံးပြု. သေနတ်ပိုင်ဆိုင်မှုများ၏ကုန်ကြမ်းခန့်မှန်းချက်ကဘာလဲ?
   3. Post-stratification သို့မဟုတ်အချို့သောအခြား technique ကိုသုံးပြီးသင့်ရဲ့နမူနာ၏ non-ကိုယ်စားပြုမှုများအတွက်မှန်ကန်သော။ အခုဆိုရင်သေနတ်ပိုင်ဆိုင်မှုများ၏ခန့်မှန်းချက်ကဘာလဲ?
   4. ဘယ်လိုသင့်ရဲ့ခန့်မှန်းတွက်ချက်မှု Pew Research Center ကနေနောက်ဆုံးပေါ်ခန့်မှန်းချက်မှနှိုင်းယှဉ်ပါသနည်း သငျသညျမဆိုရှိလြှငျ, ထိုကှာဟရှင်းပြပါဘယ်လိုထင်ပါသလဲ
   5. သေနတ်ထိန်းချုပ်ရေးဆီသို့သဘောထားတွေများအတွက်လေ့ကျင့်ခန်း 2-5 ထပ်ခါတလဲလဲလုပ်ပါ။ ဘယ်လိုသင့်ရဲ့တွေ့ရှိချက်များကွာခြားသလဲ?

3. [ , , ] Goel နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2016) အမေဇုံ MTurk အပေါ် Pew Research Center ကအားဖြင့်အထွေထွေလူမှုစစ်တမ်း (GSS) နှင့်ကို select လုပ်ပါစစ်တမ်းများကနေရေးဆွဲ 49 မျိုးစုံကို-ရွေးချယ်စရာ attitudinal မေးခွန်းများကိုပါဝင်သည်ဟု non-ဖြစ်နိုင်ခြေ-based စစ်တမ်းအုပ်ချုပ်ခွင့်ရ။ ထို့နောက်စံပြ-based Post-stratification (မစ္စတာ P) ကိုအသုံးပြုခြင်းအချက်အလက်များ၏ non-ကိုယ်စားပြုမှုများအတွက်ချိန်ညှိနှင့်ဖြစ်နိုင်ခြေ-based GSS / Pew သုတေသနအဖွဲ့စစ်တမ်းများသုံးပြီးခန့်မှန်းခြေသူတို့နှင့်အတူညှိပြီးခန့်မှန်းခိုင်းနှိုင်း။ MTurk အပေါ်တူညီတဲ့စစ်တမ်းကောက်ယူနှင့် (49 မေးခွန်းများကိုများ၏စာရင်းအတွက်နောက်ဆက်တွဲဇယား A2 ကိုကြည့်ပါ) GSS / Pew သုတေသနအဖွဲ့၏လတ်တလောကျည်အနေဖြင့်ခန့်မှန်းတွက်ချက်မှုနှင့်သင်၏ညှိပြီးခန့်မှန်းချက်နှိုင်းယှဉ်ခြင်းဖြင့်ပုံ 2- နဲ့ပုံ 2 ခပုံတူပွားဖို့ကြိုးစားပါ။

   1. နှိုငျးယှဉျနှင့် Pew သုတေသနအဖွဲ့နှင့် GSS မှရလဒ်များကိုရန်သင့်ရလဒ်များကိုနှိုငျးယှဉျ။
   2. နှိုငျးယှဉျနှင့်ထဲမှာ MTurk စစ်တမ်းမှရလဒ်များကိုရန်သင့်ရလဒ်များကိုနှိုငျးယှဉျ Goel, Obeng, and Rothschild (2016) ။

4. [ , , ] အများစုကလေ့လာမှုများမိုဘိုင်းဖုန်းလှုပ်ရှားမှုအချက်အလက်များ၏ Self-အစီရင်ခံစာအစီအမံကိုအသုံးပြုပါ။ ဒီသုတေသီများက Logged အပြုအမူ (ဥပမာတွေ့နှင့်အတူ Self-ဖော်ပြခဲ့သည်အပြုအမူနှိုင်းယှဉ်နိုင်သည့်နေရာတွင်တစ်ဦးစိတ်ဝင်စားစရာ setting ကိုဖြစ်ပါတယ် Boase and Ling (2013) ) ။ အကြောင်းမေးမြန်းဖို့နှစ်ဦးဘုံအပြုအမူတွေတောင်းဆိုနှင့်စာသား, နှစ်ယောက်ဘုံအချိန်ဘောင် "မနေ့က" ဖြစ်ကြောင်းနှင့်နေကြတယ် "အတိတ်ရက်သတ္တပတ်၌တည်၏။ "

   1. ကိုယ်ပိုင်အစီရင်ခံစာအစီအမံများသင်ပိုမိုတိကျထင်ပါသလဲသောမည်သည့်အချက်အလက်များ, စုဆောင်းခင်မှာ? အဘယ်ကြောင့်?
   2. သင့်ရဲ့စစ်တမ်း၌ဖြစ်ရန်သင်၏အဆွေခင်ပွန်း၏ 5 စုဆောင်း။ အကျဉ်းချုပ်သည်ဤ 5 မိတ်ဆွေများနမူနာခဲ့ကြပုံကိုအကျဉ်းချုပ်ပါ။ ဒီနမူနာလုပ်ထုံးလုပ်နည်းသင့်ရဲ့ခန့်မှန်းတွက်ချက်မှုအတွက်တိကျတဲ့ဘက်လိုက်ကြဉ်းစျနိုငျသလဲ
   3. သူတို့ကိုအောက်ပါ Micro-စစ်တမ်းမေးမြန်းပါ:
   • "အကြိမ်မည်မျှသင်မနေ့ကအခြားသူများကိုမခေါ်မှမိုဘိုင်းဖုန်းကိုသုံးခဲ့တာလဲ"
   • "ဘယ်နှစ်ယောက်စာသားမက်ဆေ့ခ်ျကိုသင်မနေ့ကပေးပို့ခဲ့သနည်း"
   • "အကြိမ်မည်မျှသင်နောက်ဆုံးခုနစ်ရက်ပတ်လုံးအတွက်အခြားသူများကိုခေါ်ခြင်းကသင့်ရဲ့လက်ကိုင်ဖုန်းကိုသုံးခဲ့တာလဲ"
   • စစ်တမ်းကောက်ယူပြီးပြည့်စုံသည်နှင့်တပြိုင်နက် "အကြိမ်မည်မျှသင်နောက်ဆုံးခုနစ်ရက်ပတ်လုံးစာသားမက်ဆေ့ခ်ျများ / SMS ပို့သို့မဟုတ်လက်ခံရရှိရန်သင့်မိုဘိုင်းဖုန်းကိုအသုံးပွုခဲ့?", သူတို့ရဲ့ဖုန်းသို့မဟုတ်ဝန်ဆောင်မှုပေးနေဖြင့် logged အဖြစ်၎င်းတို့၏အသုံးပြုမှုဒေတာစစျဆေးဖို့မေးမြန်း။
   4. ဘယ်လို Self-အစီရင်ခံစာအသုံးပြုမှုဒေတာ log မှနှိုင်းယှဉ်ရသနည်း အနည်းဆုံးတိကျမှန်ကန်သောအရှိဆုံးတိကျမှန်ကန်သောပါသလဲ
   5. (သင်က class အဘို့ဤလှုပ်ရှားမှုလုပ်နေတာလျှင်) အခုဆိုရင်သင့်အတန်းထဲတွင်အခြားလူများအနေဖြင့်ဒေတာများနှင့်အတူစုဆောင်းကောက်ယူသောဒေတာများပေါင်းစပ်။ ဒီပိုကြီး Datasets နှင့်အတူ, အပိုင်း (ဃ) ကိုပြန်လုပ်ပါ။

5. [ , ] Schuman နှင့် Presser (1996) ထိုမေးခွန်းကိုအမိန့်မေးခွန်းတွေကိုအကြားဆက်ဆံရေးနှစ်မျိုးများအတွက်အရေးပါမယ်လို့ငြင်း: မေးခွန်းနှစ်ခု Specifications များမှာအတူတူပင်အဆင့်မှာရှိပါတယ်ဘယ်မှာအစိတ်အပိုင်း-အစိတ်အပိုင်းမေးခွန်းများကို (နှစ်ခုသမ္မတကိုယ်စားလှယ်လောင်းဥပမာ ratings); နှင့်အထွေထွေမေးခွန်းကပိုပြီးတိကျတဲ့မေးခွန်း (ဥပမာတောင်း "သင်သည်သင်၏အလုပ်နှင့်အတူဘယ်လိုစိတ်ကျေနပ်မှု?" "သင်သည်သင်၏အသက်တာနှင့်အတူနေကြသည်ကိုဘယ်လိုစိတ်ကျေနပ်မှု?" အားဖြင့်နောက်တော်သို့လိုက်) မှာအောက်ပါအတိုင်းဘယ်မှာပိုငျးတပြင်လုံးကိုမေးခွန်းများကို။

   သူတို့ကနောက်ထပ်မေးခွန်းအမိန့်သက်ရောက်မှုနှစ်မျိုးလက္ခဏာ: တစ်အကြာတွင်မေးခွန်းကိုတုံ့ပြန်မှုတခုအစောပိုင်းကမေးခွန်းအားပေးပြီးမှသူတို့အား (သူတို့မဟုတ်ရင်လိမ့်မည်ထက်) ပိုမိုနီးကပ်စွာပို့ဆောင်ကြသောအခါအကိုက်ညီမှုအကျိုးသက်ရောက်မှုများဖြစ်ပေါ်; မေးခွန်းနှစ်ခုမှတုံ့ပြန်မှုအကြားကြီးမြတ်ကွဲပြားခြားနားမှုရှိပါတယ်ကြသောအခါသက်ရောက်မှုများဖြစ်ပေါ်နှိုငျးယှဉျ။

   1. အစိတ်အပိုင်း-အစိတ်အပိုင်းသင်တစ်ဦးကြီးများမေးခွန်းအမိန့်သက်ရောက်မှုရှိလိမ့်မည်ထင်မေးခွန်းများ, သင်ကကြီးမားတဲ့အမိန့်သက်ရောက်မှုရှိလိမ့်မည်ထင်ကြောင်းပိုငျးတပြင်လုံးကိုမေးခွန်းတွေတရံများနှင့်အဘယ်သူ၏အမိန့်ကိုသင်အရေးမမယ်လို့စဉ်းစားမေးခွန်းတွေအခြားတစ်စုံတစ်ဦးတစ်စုံကိုဖန်တီးပါ။ သင့်ရဲ့မေးခွန်းတွေကိုစမ်းသပ်ဖို့ MTurk အပေါ်စစ်တမ်းတစ်ခုစမ်းသပ်မှုကို run ပါ။
      
   2. အစိတ်အပိုင်း-တစ်စိတ်တစ်ပိုင်းသက်ရောက်သင်ဖန်တီးနိုင်ကိုဘယ်လိုကြီးမားတဲ့ခဲ့ကြသည်ခဲ့သလဲ ဒါကြောင့်တစ်ဦးကိုက်ညီမှုသို့မဟုတ်နှိုင်းယှဉ်အကျိုးသက်ရောက်ခဲ့သလော
   3. အစိတ်အပိုင်း-တပြင်လုံးကိုအကျိုးသက်ရောက်သငျသညျဖန်တီးနိုင်ကိုဘယ်လိုကြီးမားတဲ့ခဲ့ကြသည်ခဲ့သလဲ ဒါကြောင့်တစ်ဦးကိုက်ညီမှုသို့မဟုတ်နှိုင်းယှဉ်အကျိုးသက်ရောက်ခဲ့သလော
   4. သငျသညျအမိန့်အရေးပါမယ်လို့မစဉ်းစားခဲ့ဘူးဘယ်မှာသင့်ရဲ့စုံတွဲအတွက်မေးခွန်းအမိန့်သက်ရောက်မှုရှိခဲ့သလား

6. [ , ] Schuman နှင့် Presser ၏လုပျငနျးပေါ်တွင်တည်ဆောက်ခြင်း Moore (2002) ထို့အပြင်နှင့်နုတ်: မေးခွန်းအမိန့်သက်ရောက်မှု၏သီးခြားရှုထောင်ဖော်ပြသည်။ နှိုင်းယှဉ်ခြင်းနှင့်ကိုက်ညီမှုအကျိုးသက်ရောက်မှုများအသီးအသီးအခြား ဆက်စပ်. အတွက်နှစ်ခုပစ္စည်းများဖြေဆိုသူ '' အကဲဖြတ်၏အကျိုးဆက်အဖြစ်ထုတ်လုပ်နေချိန်မှာဖြေဆိုသူမေးခွန်းများကို စုပေါင်း. ထားတဲ့အတွင်းပိုကြီးမူဘောင်ဖို့ပိုအထိခိုက်မခံစေကြသောအခါ, ထို့အပြင်နှင့်နုတ်သက်ရောက်မှုများထုတ်လုပ်လျက်ရှိသည်။ Read Moore (2002) ထို့အပြင်သို့မဟုတ်နုတ်သက်ရောက်မှုများသရုပ်ပြ MTurk အပေါ်စစ်တမ်းတစ်ခုစမ်းသပ်မှုဒီဇိုင်းနှင့် run ပြီးတော့။

7. [ , ] ခရစ္စတိုဖာ Antoun နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2015) လေးကွဲပြားခြားနားသောအွန်လိုင်းစုဆောင်းရေးရင်းမြစ်များမှရရှိသောအဆင်ပြေနမူနာနှိုင်းယှဉ်လေ့လာမှုတစ်ခုကောက်ယူ: MTurk, Craigslist Google က AdWords အနှင့် Facebook ။ (သူတို့အတွက်အသုံးပြုလေးပါးသတင်းရပ်ကွက်ထံမှကွဲပြားခြားနားသောသတင်းရင်းမြစ်များရှိနိုင်ပါသည်ရိုးရှင်းတဲ့စစ်တမ်း Design နှင့်အနည်းဆုံးနှစ်ဦးကွဲပြားခြားနားသောအွန်လိုင်းစုဆောင်းရေးသတင်းရပ်ကွက်မှတဆင့်သင်တန်းသားများကိုစုဆောင်း Antoun et al. (2015) ) ။

   1. ကွဲပြားခြားနားသောသတင်းရင်းမြစ်များအကြား, ငွေကြေးနှင့်အချိန်၏စည်းကမ်းချက်များ၌, ကလေးစစ်သားနှုန်းကုန်ကျစရိတ်နှိုင်းယှဉ်ကြည့်ပါ။
   2. ကွဲပြားခြားနားသောသတင်းရပ်ကွက်မှရရှိသောနမူနာ၏ဖွဲ့စည်းမှုနှိုငျးယှဉျ။
   3. အနမူနာအကြားအချက်အလက်များ၏အရည်အသွေးနှိုငျးယှဉျ။ ဖြေဆိုသူမှဒေတာများရဲ့အရည်အသွေးတိုင်းတာဖို့ဘယ်လိုအကြောင်းအတွေးအခေါ်များသည်ကိုတွေ့ Schober et al. (2015) ။
   4. သင်နှစ်သက်တဲ့အရင်းအမြစ်ကဘာလဲ? အဘယ်ကြောင့်?

8. [ ] YouGov, အင်တာနက်-based ဈေးကွက်သုတေသနကုမ္ပဏီ, ဗြိတိန်၌အကြောင်းကို 800,000 ဖြေဆိုသူတစ်ဦး panel ကို၏အွန်လိုင်းရွေးကောက်ပွဲကောက်ယူနှင့်အီးယူဆန္ဒခံယူပွဲ (ဆိုလိုသည်မှာ, Brexit) ၏ရလဒ်ခန့်မှန်းဖို့မစ္စတာ P. အသုံးပြုတဲ့ဗြိတိန်မဲဆန္ဒရှင်ဆက်လက်ရှိနေရန်ဖြစ်စေမဲပေးဘယ်မှာ ဒါမှမဟုတ်ဥရောပသမဂ္ဂထားခဲ့ပါ။

   YouGov ရဲ့စာရင်းအင်းမော်ဒယ်တစ်အသေးစိတ်ဖော်ပြချက်ကဒီမှာ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/) ဖြစ်ပါသည်။ အကြမ်းအားဖြင့်စကားပြော, YouGov 2015 အထွေထွေရွေးကောက်ပွဲတွင်မဲပေးရှေးခယျြမှု, အသက်, အရည်အချင်း, ကျား, မ, အင်တာဗျူး၏နေ့စွဲအဖြစ်သူတို့နထေိုငျမဲဆန္ဒနယ်အပေါ်အခြေခံပြီးအမျိုးအစားများသို့မဲဆန္ဒရှင် partitions ။ ပထမဦးစွာသူတို့အနက်ခန့်မှန်းဖို့ YouGov ဟောပြောထံမှကောက်ယူဒေတာအသုံးပြု အဘယ်သူသည် Leave မဲပေးရန်ရည်ရွယ်သူအသီးအသီးမဲဆန္ဒရှင်အမျိုးအစားလူမျိုး၏အချိုးအစားမဲပေး။ သူတို့ဟာရွေးကောက်ပွဲဆိုင်ရာလိပ်မှမဲပေးသူအတည်ပြုသော 2015 ခုနှစ်ဗြိတိသျှတို့ရွေးကောက်ပွဲလေ့လာမှု (ကမ္ဘာပေါ်မှာအကောင်းဆုံးသော) Post-ရွေးကောက်ပွဲမျက်နှာ-to-မျက်နှာစစ်တမ်းကိုအသုံးပြုခြင်းအားဖြင့်အသီးအသီးမဲဆန္ဒရှင်အမျိုးအစားမဲပေးသူခန့်မှန်းကြသည်။ နောက်ဆုံးတော့သူတို့ကနောက်ဆုံးသန်းခေါင်စာရင်းနှင့်ကမ္ဘာပေါ်မှာအကောင်းဆုံးသောမှအချို့သောထို့အပြင်သတင်းအချက်အလက်နှင့်အတူနှစ်စဉ်လူဦးရေစစ်တမ်း (အထွေထွေရွေးကောက်ပွဲတွင်ပတ်ပတ်လည်ကနေ YouGov စစ်တမ်းဒေတာနှင့်လူများအတွက်မဲပေးမည်မျှစသည်ဖြင့်သတင်းအချက်အလက်အပေါ်အခြေခံပြီးမဲဆန္ဒရှင်များအတွက်အသီးအသီးမဲဆန္ဒရှင်အမျိုးအစားရှိပါတယ်လူမည်မျှခန့်မှန်း အသီးအသီးမဲဆန္ဒနယ်တခုစီပါတီ) ။

   သုံးရက်ပတ်လုံးမဲ, ရှေ့တော်၌ YouGov ခွင့်များအတွက်တစ်ဦးနှစ်ဦးအမှတ်ခဲပြသခဲ့တယ်။ မဲပေး၏အကြိုတွင်စစ်တမ်း (49-51 တည်နေ) ခေါ်ခြင်းနီးကပ်လွန်းပြသခဲ့သည်။ နောက်ဆုံး On-The-နေ့ကလေ့လာမှုတည်နေ (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ၏မျက်နှာသာအတွက် 48/52 ခန့်မှန်းခဲ့ပါတယ်။ တကယ်တော့ဒီခန့်မှန်းချက်လေးရာခိုင်နှုန်းမှတ်ခြင်းအားဖြင့်နောက်ဆုံးရလဒ် (52-48 Leave) လွဲချော်။

   1. မှားပြီနိုင်ကြောင်းအဘယျသို့အကဲဖြတ်ရန်ဤအခ​​နျးတှငျဆှေးနှေးစုစုပေါင်းစစ်တမ်းအမှားမူဘောင်ကိုသုံးပါ။
   2. ရွေးကောက်ပွဲပြီးနောက် YouGov ရဲ့တုန့်ပြန် (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) ရှင်းပြခဲ့သည်: "ဒီကြောင့်မဲပေးသူတစ်ဦးကြီးမားသောအစိတ်အပိုင်းအတွက်ပုံရသည် - အရာတစ်ခုခု ကျွန်ုပ်တို့ထိုကဲ့သို့သောထုမျှမျှတတယှဉ်ပြိုင်၏ရလဒ်ကိုမှအရေးပါပါလိမ့်မယ်အားလုံးတလျှောက်ပြောဆိုကြပြီ။ ကျွန်ုပ်တို့၏မဲပေးသူမော်ဒယ်အခြေစိုက်အစိတ်အပိုင်းအတွက်, ဖြေဆိုသူအထွေထွေရွေးကောက်ပွဲ၏အထက်နောက်ဆုံးအထွေထွေရွေးကောက်ပွဲနှင့်တစ်ဦးမဲပေးသူအဆင့်မှာမဲပေးခဲ့ရှိမရှိအပေါ်အထူးသဖြင့်မြောက်ကိုရီးယားအတွက်စံပြကမောက်ကမခဲ့ပါတယ်။ "ဒီအပိုင်း (က) ရန်သင့်အဖြေကိုပြောင်းလဲပစ်သလား

9. [ , ] ပုံ 3.1 အတွက်ကိုယ်စားပြုမှုအမှားများကိုအသီးအသီးသရုပျဖျောဖို့ခြင်း simulation ရေးပါ။

   1. အဲဒီချို့ယွင်းချက်ကိုအမှန်တကယ်ထုတ်ဖျက်သိမ်းတဲ့အခွအေနေကိုဖန်တီးပါ။
   2. ထိုအမှားများကိုအသီးအသီးအခြားပူပေါင်းဘယ်မှာအခြေအနေမျိုးကိုဖန်တီးပါ။

10. [ , ] Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များ၏အဆိုပါသုတေသန (2015) စစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ဒစ်ဂျစ်တယ်သဲလွန်စဒေတာကိုသုံးနိုင်ကြောင်းစက်သင်ယူမှုပုံစံကိုတည်ဆောက်ပါဝင်ပတ်သက်။ အခုဆိုရင်သင်တစ်ဦးကွဲပြားခြားနားသော Datasets တွေနဲ့အတူတူပဲကြိုးစားကြည့်ပါသွားကြသည်။ Kosinski, Stillwell, and Graepel (2013) က Facebook တစ်ဦးချင်းစီစရိုက်များနှင့် Attribute တွေကြိုတင်ခန့်မှန်းနိုင် likes ကြောင်းတွေ့ရှိခဲ့ပါတယ်။ အံ့သြစရာကောင်းတာကအဲဒီဟောကိန်း ပို. ပင်တိကျမှန်ကန်မိတ်ဆွေများနှင့်လုပ်ဖော်ကိုင်ဖက်များ၏တွေထက်ဖြစ်နိုင် (Youyou, Kosinski, and Stillwell 2015) ။

    1. Read Kosinski, Stillwell, and Graepel (2013) နှင့်သူတို့ရဲ့ဒေတာ 2. ပုံပုံတူပွားဤနေရာတွင်ရရှိနိုင်ပါသည်: http://mypersonality.org/
    2. အခုတော့ပုံ 3 ပုံတူပွား။
    3. http://applymagicsauce.com/: နောက်ဆုံးအနေနဲ့သင့်ရဲ့ကိုယ်ပိုင် Facebook ကဒေတာအပေါ်သူတို့ရဲ့စံပြကြိုးစားပါ။ ဘယ်လိုကောင်းစွာသင်တို့အဘို့အလုပ်လုပ်သလဲ

11. [ ] Toole et al. (2015) စုစုပေါင်းအလုပ်လက်မဲ့ခေတ်ရေစီးကြောင်းကြိုတင်ခန့်မှန်းဖို့မိုဘိုင်းဖုန်းများမှဖုန်းခေါ်ဆိုမှုအသေးစိတ်မှတ်တမ်းများ (CDRs) ကိုအသုံးပြုပါ။

    1. ၏ဒီဇိုင်းကိုနှိုငျးယှဉျနှင့်နှိုငျးယှဉျ Toole et al. (2015) နှင့်အတူ Blumenstock, Cadamuro, and On (2015) ။
    2. သငျသညျ CDRs အလုပ်လက်မဲ့ကိုခြေရာခံရန်အစိုးရမူဝါဒချမှတ်ဘို့အားလုံးမှာအသုံးပြုရ, အစဉ်အလာစစ်တမ်းများကိုအစားထိုးသူတို့ကိုဖြည့်သို့မဟုတ်မပြုလုပ်သင့်ထင်ပါသလား? အဘယ်ကြောင့်?
    3. CDRs လုံးဝအလုပ်လက်မဲ့နှုန်းသည်၏အစဉ်အလာအစီအမံကိုအစားထိုးနိုင်မသငျသညျအဘယျသို့အထောက်အထားစည်းရုံးသိမ်းသွင်းမလဲ