Key ကို:
[ , , ] အနေဖြင့်စိတ်လှုပ်ရှားဖွယ်အကောင်းဆုံးတောင်းဆိုမှုများတစ်ခုမှာ Benoit et al. (2015) ကနိုင်ငံရေးကြေညာစာတမ်း၏လူအစုအဝေး-နိုင်တဲ့ coding ပေါ်မှာ။ ရလဒ်တွေ reproducible ဖြစ်ပါတယ် Merz, Regel, and Lewandowski (2016) ကိုကြေညာစာတမ်း Corpus မှ access ကိုပေးသည်။ ကနေပုံ 2 မျိုးပွားဖို့ကြိုးစားပါ Benoit et al. (2015) အမေဇုံစက်မှု Turk မှလုပ်သားများကိုသုံးနိုင်သည်။ သင့်ရဲ့ရလဒ်တွေကိုဘယ်လိုဆင်တူရှိသနည်း
[ ] သ InfluenzaNet စီမံကိန်းအတွက်ကလူတစ်ဦးစေတနာ့ဝန်ထမ်း panel ကိုဖြစ်ပွားမှု, ပျံ့နှံ့နှင့်တုပ်ကွေးကဲ့သို့-နာမကျန်းနှင့်ဆက်စပ်သောကျန်းမာရေးကိုရှာဖွေလျက်အပြုအမူ (Ili) သတင်းပို့ခုနှစ်တွင် (Tilston et al. 2010; Noort et al. 2015) ။
[ , , ] The Economist အပတ်စဉ်သတင်းမဂ္ဂဇင်းဖြစ်ပါတယ်။ အဖုံးပေါ်မှာလူအမြိုးသမီးမြား၏အချိုးအစားအချိန်ကျော်တိုးမြှင့်လိုက်ပါတယ်လျှင်ကြည့်ဖို့လူသားတစ်ဦးတွက်ချက်မှုစီမံကိန်းကိုဖန်တီးပါ။
ဒီမေးခွန်းကို Justin Tenuto ခြင်း, crowdsourcing ကုမ္ပဏီတစ်ခုမှာဒေတာသိပ္ပံပညာရှင်များကအလားတူစီမံကိန်းကြောင့်မှုတ်သွင်းခဲ့သည် CrowdFlower တွေ့ "Time Magazine မှအမှန်တကယ် Dudes Likes" ။
[ , , ] အထက်ပါမေးခွန်းအပေါ်တည်ဆောက်ခြင်း, ယခုအားလုံးရှစ်ဒေသများများအတွက်ခွဲခြမ်းစိတ်ဖြာလုပ်ဆောင်။
[ , ] [Kaggle] (https://www.kaggle.com/) ပွင့်လင်းခေါ်ဆိုခစီမံကိန်းများကိုအိမ်ရှင်အဖြစ်ကြောင်း website တစ်ခုဖြစ်ပါတယ်။ သူတို့အားစီမံကိန်းများ၏တဦးတည်းတွင်ပါဝင်။
[ ] သင်၏လယ်ပြင်၌တစ်ဂျာနယ်၏လတ်တလောပြဿနာကတဆင့်ကြည့်ရှုပါ။ ပွင့်လင်းခေါ်ဆိုခစီမံကိန်းများအဖြစ် reformulated ခဲ့ကြနိုင်ကြောင်းမည်သည့်စာတမ်းများရှိပါသလား အဘယ်ကြောင့်အဘယ်ကြောင့်မခံသနည်း
[ ] Purdam (2014) လန်ဒန်မြို့ရှိတောင်းစားအကြောင်းဖြန့်ဝေဒေတာစုဆောင်းဖော်ပြခဲ့သည်။ ဤသုတေသနပြုဒီဇိုင်း၏အားသာချက်နှင့်အားနည်းချက်များကို summarize ။
[ ] redundancy ဖြန့်ဝေဒေတာစုဆောင်း၏အရည်အသွေးအကဲဖြတ်ဖို့အရေးပါသောနည်းလမ်းဖြစ်ပါတယ်။ Windt and Humphreys (2016) အရှေ့ကွန်ဂိုရှိလူများကနေပဋိပက္ခဖြစ်ရပ်များ၏အစီရင်ခံစာများစုဆောင်းဖို့တဲ့စနစ်ဖွံ့ဖြိုးတိုးတက်စေရန်နှင့်စမ်းသပ်ရန်။ စက္ကူကိုဖတ်ပါ။
[ ] Karim က Lakhani နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2013) ကွန်ပျူတာဇီဝဗေဒအတွက်ပြဿနာတစ်ခုဖြေရှင်းဖို့သစ်ကို algorithms မြှူဆွယ်တောင်းခံရန်ပွင့်လင်းခေါ်ဆိုခကိုဖန်တီးခဲ့တယ်။ သူတို့က 89 ဝတ္ထုကွန်ပျူတာချဉ်းကပ်ပါဝင်တဲ့ 600 ကျော်တင်ပြချက်များကိုလက်ခံရရှိခဲ့သည်။ ထိုတင်ပြချက်များ၏, သူတို့ကကနျြးမာရေးရဲ့ MegaBLAST ၏အမေရိကန်အမျိုးသား Institutes ၏စွမ်းဆောင်မှုကိုကျော်လွန်လျက်, အကောင်းဆုံးတင်သွင်းခဲ့တဲ့ (1000 ဆပိုမြန်) သာ. ကြီးတိကျမှန်ကန်မှုနှင့်မြန်နှုန်းနှစ်ခုလုံးအောင်မြင်ကြောင်း 30 ကိုလက်ခံရရှိခဲ့သည်။
[ ] အများစုကလူ့တွက်ချက်မှုစီမံကိန်းများကို Amazon ကစက်မှု Turk မှသင်တန်းသားများအပေါ်အားကိုး။ Sign-up က Amazon ကစက်မှု Turk အပေါ်တစ်ဦးအလုပ်သမားဖြစ်လာဖို့။ အဲဒီမှာအလုပ်လုပ်တစ်နာရီဖြုန်းနေကြတယ်။ ယင်းကိုမည်သို့သက်ရောက်မှုဒီဇိုင်း, အရည်အသွေး, နှင့်လူ့ compuation စီမံကိန်းများ၏ကျင့်ဝတ်နှင့် ပတ်သက်. သင်တို့၏အကြံအစည်သနည်း