5.3.4 နိဂုံး

ဒီဘာသာပြန်ချက်ကွန်ပျူတာအသုံးပြုနေသူများကဖန်တီးခဲ့ပါတယ်။ ×

You are reading the Open Review Edition of Bit by Bit. Click here to read the 1st Edition.

5.3.4 နိဂုံး

ပွင့်လင်းဖုန်းခေါ်ဆိုမှုအများအပြားကျွမ်းကျင်သူများပါစေနှင့် Non-ကျွမ်းကျင်သူများကဖြေရှင်းနည်း generate ထက်စစျဆေးဖို့ပိုမိုလွယ်ကူနေသောပြဿနာများအားဖြေရှင်းနည်းများတင်ပြသည်။

အားလုံးသုံးပွင့်လင်းခေါ်ဆိုခစီမံကိန်းများကို-Netflix နဲ့ဆု, Foldit ခုနှစ်, ရွယ်တူချင်းမှမူပိုင်ခွင့်-သုတေသီများ, တစ်ဦးသတ်သတ်မှတ်မှတ်ပုံစံ၏မေးခွန်းများကို စုပေါင်း. ဖြေရှင်းချက်ကျရကြောင်း, အဲဒီနောက်အကောင်းဆုံးဖြေရှင်းနည်းခူး။ အဆိုပါသုတေသီများပင်မေးမြန်းဖို့အကောင်းဆုံးကျွမ်းကျင်သူကိုသိရန်မလိုအပ်ခဲ့သလဲ, တစ်ခါတစ်ရံကောင်းသောစိတ်ကူးများမျှော်လင့်မထားတဲ့နေရာတွေကနေလာ၏။

ယခုငါလည်းပွင့်လင်းခေါ်ဆိုခစီမံကိန်းများနှင့်လူ့တွက်ချက်မှုစီမံကိန်းများအကြားနှစ်ဦးအရေးကြီးသောကွဲပြားခြားနားမှုကိုမီးမောင်းထိုးပြနိုင်ပါတယ်။ ပထမဦးစွာဖွင့်ခေါ်သံစီမံကိန်းများအတွက်သုတေသီ (ရုပ်ရှင် ratings ခန့်မှန်းဥပမာ,) တဲ့ရည်မှန်းချက်ကိုသတ်မှတ်ပါတယ်လူ့တွက်ချက်မှုအတွက်သုတေသနတစ်ခု Micro-လုပ်ငန်းတာဝန် (ဥပမာ, တစ်ဦးကတော့ galaxy ရှိတာလေးတွေ) သတ်မှတ်ပါတယ်သော်လည်း။ ဒုတိယအချက်မှာပွင့်လင်းဖုန်းခေါ်ဆိုမှုအတွက်သုတေသီများအကောင်းဆုံးအလှူငွေ-ရုပ်ရှင် ratings, တစ်ဦးမှာပရိုတိန်း၏နိမ့်ဆုံးစွမ်းအင် configuration ကို, ဒါမှမဟုတ်ကြိုတင်အနုပညာ-မပံ့ပိုးမှုများကိုအားလုံး၏ရိုးရှင်းတဲ့ပေါင်းစပ်အချို့ကိုမျိုးအရှိဆုံးသက်ဆိုင်ရာအပိုင်းအစခန့်မှန်းဘို့အကောင်းဆုံး algorithm ကိုချင်တယ်။

ပွင့်လင်းခေါ်ဆိုမှုများနှင့်ဤသုံးပါးဥပမာများအတွက်ယေဘုယျ template ကိုပေးသော, လူမှုရေးသုတေသနတွင်ပြဿနာများ၏အဘယျအမြိုးမြိုးကဒီချဉ်းကပ်မှုမှသင့်လျော်စေခြင်းငှါ? ဤအချက်မှာငါ (ငါခဏအတွက်ရှင်းပြပါလိမ့်မယ်ကအကြောင်းပြချက်များအတွက်) သေးအများအပြားအောင်မြင်သောဥပမာရှိခဲ့ကြပြီမဟုတ်ကြောင်းဝန်ခံသင့်သည်။ တိုက်ရိုက် Analogues ၏စည်းကမ်းချက်များ၌, တစ်ဦးရွယ်တူချင်းမှမူပိုင်ခွင့်စတိုင်စီမံကိန်းကိုတိကျတဲ့လူတစ်ဦးသို့မဟုတ်စိတ်ကူးဖော်ပြထားခြင်းမှအစောဆုံးစာရွက်စာတမ်းရှာဖွေနေတဲ့သမိုင်းဆိုင်ရာသုတေသီကအသုံးပြုလျှက်ကြောင်းစိတ်ကူးနိုင်။ သက်ဆိုင်ရာစာရွက်စာတမ်းများတစ်ခုတည်း archive ကိုအတွက်စုဆောင်းကြသည်မဟုတ်ပေမယ့်ကျယ်ပြန့်ဖြန့်ဖြူးသည့်အခါပြဿနာဒီလိုမျိုးတစ်ပွင့်လင်းခေါ်ဆိုခချဉ်းကပ်မှုအထူးသဖြင့်တန်ဖိုးရှိသောဖြစ်နိုင်ပါတယ်။

ပိုများသောယေဘုယျအားဖြင့်များစွာသောအစိုးရများသူတို့ action ကိုလမျးညှနျဖို့အသုံးပြုနိုင်ဟောကိန်းများဖန်တီးခြင်းအကြောင်းကြောင့်ဖုန်းခေါ်ဆိုမှုဖွင့်လှစ်ဖို့အာမင်ဖြစ်အံ့သောငှါပြဿနာများရှိသည် (Kleinberg et al. 2015) ။ ဥပမာအားဖြင့်, ပဲ Netflix ဟာရုပ်ရှင်တွေအပေါ် ratings ကြိုတင်ခန့်မှန်းဖို့လိုခငျြအဖြစ်, အစိုးရများစားသောက်ဆိုင်ပိုပြီးထိထိရောက်ရောက်စစ်ဆေးရေးသယံဇာတများကိုခွဲဝေချထားပေးရန်နိုင်ရန်အတွက်ကျန်းမာရေးကို code ကိုချိုးဖောက်မှုရှိသည်ဖို့အများဆုံးများပါတယ်ထိုကဲ့သို့သောအရာအဖြစ်ရလဒ်များခန့်မှန်းချင်ပေလိမ့်မည်။ ပြဿနာ, ဒီလိုမျိုးလှုံ့ဆျောမှု Glaeser et al. (2016) ဘော့စတွန်မြို့ Yelp ပြန်လည်သုံးသပ်ခြင်းနှင့်သမိုင်းစစ်ဆေးရေးဒေတာမှဒေတာများအပေါ်အခြေခံပြီးစားသောက်ဆိုင်သန့်ရှင်းရေးနှင့်သန့်ရှင်းရေးချိုးဖောက်မှုများခန့်မှန်းကူညီတခုဖွင့်ခေါ်သံကိုအသုံးပြုခဲ့သည်။ Glaeser နှင့်လုပ်ဖော်ကိုင်ဖက်များကအဖွင့်ခေါ်သံအနိုင်ရသောကြိုတင်ခန့်မှန်းချက်မော်ဒယ်နှင့် ပတ်သက်. 50% အားဖြင့်စားသောက်ဆိုင်စစ်ဆေးရေးမှူးများ၏ကုန်ထုတ်စွမ်းအားတိုးတက်စေလိမ့်မယ်လို့ခန့်မှန်းကြသည်။ စီးပွားရေးလုပ်ငန်းများလည်းထိုကဲ့သို့သောဖောက်သည်အလွန်အမင်းခန့်မှန်းအဖြစ်အလားတူဖွဲ့စည်းပုံနှင့်အတူပြဿနာများရှိသည် (Provost and Fawcett 2013) ။

နောက်ဆုံးအနေနဲ့ပြီးသားတစ်ဦးအထူးသဖြင့်ဒေတာအစုထဲမှာဖြစ်ပျက်ပြီရလဒ်များ (ဥပမာ, အတိတ်ကနျြးမာရေး code ကိုချိုးဖောက်မှုများအပေါ်ဒေတာကို အသုံးပြု. ကျန်းမာရေးကို code ကိုချိုးဖောက်မှုများခန့်မှန်း) ပါဝင်ပတ်သက်ကြောင်းဖုန်းခေါ်ဆိုမှုဖွင့်လှစ်ဖို့အပြင်, တ Datasets အတွက်မည်သူမဆိုအဘို့အသေးဖြစ်ပျက်ကြပြီမဟုတ်ကြောင်းရလဒ်တွေကိုခန့်မှန်းမြင်ယောင်ကြည့်နိုင် ။ ဥပမာအားဖြင့်, စောကြိုးမိသားစုများနှင့်ကလေးသာယာဝပြောရေးလေ့လာမှု 20 ကွဲပြားခြားနားသောအမေရိကန်မြို့ကြီးတွေမှာကလေးမွေးဖွားကတည်းက ပတ်သက်. 5000 ကလေးများခြေရာခံခဲ့သည် (Reichman et al. 2001) ။ သုတေသီများကသုတေသနပညာရှင်များကထိုကဲ့သို့သောသူဘွဲ့ရလိမ့်မည်အဖြစ်ရလဒ်များခန့်မှန်းပုံကိုကောင်းစွာတတျနိုငျသဤကလေးများအကြောင်းအချက်အလက်တွေအားလုံးကိုအားဤအမြိုးသား, ၎င်းတို့၏မိသားစုများနှင့်ကလေးမွေးဖွားမှာအသက်အရွယ် 1 မှာသူတို့၏ကျယ်ပြန့်ပတ်ဝန်းကျင်အကြောင်းအချက်အလက်များ, 3, 5, 9, နှင့် 15 ကောက်ယူခဲ့ကြ ကောလိပ်ကျောင်းကနေ? သို့မဟုတျ, အချက်အလက်များနှင့်သီအိုရီများကဤရလဒ်များခန့်မှန်းအတွက်အထိရောက်ဆုံးဖြစ်လိမ့်မည်ဟုသောများစွာသောသုတေသီများ, ပိုပြီးစိတ်ဝင်စားစရာဖြစ်လိမ့်မယ်လို့တစ်လမ်းအတွက်ထုတ်ဖော်ပြောဆို? ဤအမြိုးသားအဘယ်သူမျှမလက်ရှိတွင်ကောလိပ်ကိုသွားဖို့လုံလောက်တဲ့အဟောင်းဖြစ်တဲ့အတွက်ဒီစစ်မှန်တဲ့မျှော်လင့်-ရှာဖွေနေခန့်မှန်းပါလိမ့်မည်နှင့်သုတေသီများ employ စေခြင်းငှါများစွာသောကွဲပြားခြားနားသောမဟာဗျူဟာများရှိပါသည်။ မိသားစုများအပေါ်အာရုံစိုက်တဲ့သူတစ်ဦးသုတေသီလုံးဝကွဲပြားခြားနားသောအရာတစ်ခုခုပြုအံ့စဉ်ရပ်ကွက်ဘဝရလဒ်များပုံဖော်အတွက်အရေးပါတဲ့ဖြစ်ကြောင်းယုံကြည်သောသူတစ်ဦးကသုတေသီတစ်ချဉ်းကပ်ယူပေလိမ့်မည်။ ဤသူချဉ်းကပ်၏ဘယ်ပိုကောင်းအလုပ်လုပ်မလဲ ကျနော်တို့မသိရပါဘူး, ထွက်ရှာဖွေခြင်းဖြစ်စဉ်၌မိသားစုများ, ရပ်ကွက်, ပညာရေးနှင့်လူမှုရေးမညီမျှမှုနှင့် ပတ်သက်. အရေးကြီးသောအရာတစ်ခုခုကိုသင်ယူပါလိမ့်မယ်။ နောက်ထပ်အဲဒီခန့်မှန်းချက်အနာဂတ်ဒေတာစုဆောင်းကိုလမ်းပြဖို့အသုံးပြုစေခြင်းငှါ။ အမော်ဒယ်များမဆိုအားဖြင့်ဘွဲ့ရမှခန့်မှန်းကြသည်မဟုတ်ကြောင်းကောလိပ်ဘွဲ့ရ၏သေးငယ်တဲ့အရေအတွက်ရှိခဲ့သည်ဆိုပါစို့, ဤလူနောက်ဆက်တွဲအရည်အသွေးအင်တာဗျူးနှင့်ရှေးဟောင်းယဥ်ကျေးမှုလေ့လာရေးများအတွက်စံပြကိုယ်စားလှယ်လောင်းဖြစ်လိမ့်မည်။ ထို့ကြောင့်ပွင့်လင်းခေါ်ဆိုခဒီလိုမျိုးထဲမှာ, ဟောကိန်းအဆုံးမဟုတ်; အစား, သူတို့က, နှိုင်းယှဉ်ကြွယ်ဝစေနှင့်ကွဲပြားခြားနားသောသီအိုရီအစဉ်အလာပေါင်းစပ်ဖို့နည်းလမ်းသစ်ကိုပေး။ ပွင့်လင်းခေါ်ဆိုခဒီလိုမျိုးကောလိပ်မှသွားပါလိမ့်မယ်တဲ့သူကိုခန့်မှန်းရန်စောကြိုးမိသားစုမှဒေတာများကို အသုံးပြု. ရန်တိကျသောမျှမက, ဒါကြောင့်နောက်ဆုံးမှာမဆို longitudinal လူမှုရေးဒေတာအစုအတွက်စုဆောင်းကောက်ယူလိမ့်မည်ဟုမဆိုရလဒ်ကိုကြိုတင်ခန့်မှန်းဖို့အသုံးပြုနိုင်ပါတယ်။

ငါအစောပိုင်းကဤအပိုင်းကိုရေးသားခဲ့သည်အဖြစ်, ပွင့်လင်းဖုန်းခေါ်ဆိုမှုသုံးပြီးလူမှုရေးသုတေသနပညာရှင်များကအများအပြားဥပမာရှိခဲ့ကြပြီမဟုတ်။ ငါပွင့်လင်းဖုန်းခေါ်ဆိုမှုလူမှုရေးသိပ္ပံပညာရှင်တွေဟာပုံမှန်အားဖြင့်သူတို့ရဲ့မေးခွန်းတွေကိုဘောင်သောလမ်းမှကောင်းစွာသင့်လျော်မဟုတ်ဤအကြောင်းကြောင့်ကြောင်းထင်တယ်။ အ Netflix နဲ့ Prize ကိုမှပြန်လာသော, လူမှုရေးသိပ္ပံပညာရှင်တွေဟာများသောအားဖြင့်သူတို့ကအရသာကွဲပြားခြားနားသောလူမှုရေးအတန်းမှလူများအတွက်ကွဲပြားခြားနားပုံကိုအဘယျကွောငျ့, ယဉ်ကျေးမှုနှင့် ပတ်သက်. မေးမြန်းလိုအရသာခန့်မှန်းအကြောင်းမမေးမယ်လို့ (Bourdieu 1987) ။ ထိုကဲ့သို့သော "ဘယ်လို" နှင့် "အဘယ်ကြောင့်" ဆိုတဲ့မေးခွန်းကိုဖြေရှင်းနည်းများကိုအတည်ပြုဖို့လွယ်ကူဖို့ဦးဆောင်လမ်းပြ, ထို့ကြောင့်ဖုန်းခေါ်ဆိုမှုဖွင့်လှစ်ရန်ညံ့ဖျင်းမထိုက်မတန်မထင်ကြပါဘူး။ ထို့ကြောင့်သူကပွင့်လင်းဖုန်းခေါ်ဆိုမှုရှင်းပြချက်၏မေးခွန်းများကိုထက်ခန့်မှန်း၏မေးခွန်းဖို့ပိုပြီးအာမင်ဖြစ်ကြောင်းပေါ်လာပါ; ခန့်မှန်းခြင်းနှင့်ရှင်းပြချက်ကိုတွေ့မြင်ကြားကခြားနားအပေါ်ပိုပြီးအဘို့အ Breiman (2001) ။ မကြာမီကသီအိုရီသမားတှသို့သော်ရှင်းလင်းချက်နှင့်ခန့်မှန်းအကြား dichotomy ပြန်လည်စဉ်းစားရန်လူမှုရေးသိပ္ပံပညာရှင်တွေပေါ်ခေါ်ပြီ (Watts 2014) ။ ခန့်မှန်းခြင်းနှင့်ရှင်းလင်းချက် Blur အကြားမျဉ်းအဖြစ်ငါပွင့်လင်းပြိုင်ပွဲလူမှုရေးသိပ္ပံအတွက် ပို. ပို. အဖြစ်များဖြစ်လာလိမ့်မည်ဟုမျှော်လင့်ကြသည်။