3.3.1 නිෙයෝජනය

නිෙයෝජනය ඔබේ ප්රතිචාර දැක්වූවන්ගෙන් සිට ඔබේ ඉලක්ක ජනගහනය වැටහීමක් සිදු කිරීමට උත්සාහ කිරීමය.

ප්රතිචාර දැක්වූවන් විශාල ජනගහනය වෙත ඉදිරිපත් කිරීමෙන් සිදුවිය හැකි ආකාරයේ වැරදි අවබෝධ කර ගැනීම සඳහා, 1936 එක්සත් ජනපද ජනාධිපතිවරණයේ ප්රතිපලය අනාවැකි කිරීමට උත්සාහ කල ස්ට්රෝවෝ ඡන්දය විමසමු . මීට අවුරුදු 75 කට පෙර සිදු වූවත්, මෙම අවපාතය තවමත් පර්යේෂකයන්ට උගන්වන වැදගත් පාඩමකි.

සාහිත්ය අනුග්රහය ජනප්රිය පොදු පොතක් වන සඟරාවක් විය. 1920 දී ආරම්භ වූ ජනාධිපතිවරණ ප්රතිඵලවල අනාවැකි පල කිරීම සඳහා පිදුරු ඡන්දය ආරම්භ කිරීම ආරම්භ විය. මෙම පුරෝකථනයන් සිදු කිරීම සඳහා, ඔවුන් බොහෝ දෙනෙකුට ඡන්ද පත්රිකා යැවීමට සහ පසුව ආපසු ලැබුනු ඡන්ද පත්රිකා හසුරුවනු ඇත. ඔවුන් ලැබුණු ඡන්ද පත්රිකා හෝ සිටි බව සාහිත්ය ඩයිජස්ට් ආඩම්බරයෙන් වාර්තා ", බරු සකස් හෝ අර්ථ දක්වනු ලැබීය." මෙම ක්රියා පටිපාටිය නිවැරදිව මැතිවරණ ජයග්රාහකයින් 1920, 1924, 1928 සහ 1932 1936 දී දී, මහා අවපාතය මධ්යයේ, අනාවැකි සාහිත්ය ඩයිජස්ට් නම් නොලියවුණු දුරකථන නාමාවලි සහ මෝටර් වාහන ලියාපදිංචි වාර්තාවලින් ප්රධාන වශයෙන් පැමිණි මිලියන 10 ජනතාවට, පත්රිකා යැව්වේය. ඔවුන්ගේ ක්රමවේදය විස්තර කර ඇත්තේ මෙන්න:

"දුම්වැටිතුරේ දෘඪ කාර්යය සඳහා නිවරැදිව කටයුතු කිරීම සඳහා තිස් වසරක අත්දැකීම් සහිත වේගයෙන් ධාවනය වන යන්ත්රය වේගයෙන් ගමන් කරයි ... මෙම සතියේ දිනකට 500 ක පෑන් දිනකට කෝටි ගණනක ලිපිනයකට වඩා වැඩි ගණනක් පිට විය. සෑම දිනකම, නිව් යෝර්ක්හි මෝටර් රෙඩ්බෑන්ඩ් හතර වන පටුමඟට ඉහලින් ඇති විශාල කාමරයක, කම්කරුවන් 400 කට මුද්රිත ලිපි මාලාවක් සවි කර තිබේ. සෑම පැයකදීම, අපරාධ කරුවෙකුගේම තැපැල් කාර්යාල උප දුම්රියපොළෙහි, තැපැල් තැපැල් මැනීමේ යන්ත්ර තුනක් මුද්රා තැබූ අතර, පුහුණු තැපැල් සේවකයන් ඔවුන් බ්ලොග් මේල් පණිවිඩවලට අත තැබුවේය; ඩයිජස්ට් ට්රක් රථ සමූහය විසින් තැපැල් දුම්රියන් ප්රකාශයට පත් කරන ලදි. . . ඊළඟ සතියේ, මෙම දස මිලියන ගනනාවෙන් ලැබෙන පළමු පිළිතුරු, ලකුණු කර ඇති ඡන්ද පත්රිකා ආරම්භ වනු ඇත, ත්රිමාණ පරික්ෂා කර, තහවුරු කර ඇති, පස් වරක් එකිනෙකට හරස් වී වර්ගීකරණයට ලක් කරනු ඇත. අතීත අත්දැකීම් ක්රමානුකූලව පිරික්සා බැලූ විට, අවසන් සංඛ්යා අගයන් හා පරික්ෂා කර බැලූවිට, රටෙන් මිලියන හතලිහක් [ඡන්දදායකයින්ගේ] ජනප්රිය ඡන්ද සංඛ්යාවෙන් සියයට 1 ක කොටසකින් තොරව රට දැන ගනු ඇත. "(1936 අගෝස්තු 22)

"විශාල දත්ත" පර්යේෂකයෙකුගේ ක්ෂණිකව හඳුනා ගැනීම සඳහා සාහිත්යමය ඩිජිටල් ප්රමාණයේ fetishization ක්ෂණිකව හඳුනාගත හැකිය. මිලියන 10 ක ඡන්ද පත්රිකා බෙදා දීමෙන් මිලියන 2.4 ක් ආපසු ලැබුණු අතර නවීන දේශපාලන ඡන්ද සංඛ්යාව මෙන් දහසකට වඩා විශාලය. මෙම ප්රතිශෝධකයන්ගෙන් මිලියන 2.4 ක් වූ තීන්දුව පැහැදිලි ය: ඇල්ඩන් ලන්ඩන් වත්මන් ෆ්රෑන්ක්ලින් රූස්වෙල්ට් පරාජය කිරීමට යන්නේ ය. එහෙත්, ඇත්ත වශයෙන්ම, රූස්වෙල්ට් නායයාමේ දී ලන්ඩන් පරාජය කළේය. සාහිත්යමය දත්තයන් බොහෝ දත්ත සමඟ වැරදි ලෙස හැසිරවිය හැක්කේ කෙසේද? සාම්පල පිළිබඳව අපගේ නූතන අවබෝධය සාහිත්යමය ඩිජිටි හි වැරදි නිවැරදිව පැහැදිළි කරවයි. අනාගතයේ දී ඒ හා සමාන වැරදි සිදු නොකිරීමට උපකාරී වේ.

නියැදීම් ගැන පැහැදිළි ලෙස සිතීම අප විවිධ කණ්ඩායම් හතරක් සලකා බැලිය යුතු ය (රූපය 3.2). පළමු කණ්ඩායම ඉලක්කගත ජනගහනය ; මෙම පර්යේෂකයා නිර්වචනය කරන ජනගහනය ලෙස සැලකේ. සාහිත්ය අනුග්රහය දැක්වීමේ දී, 1936 ජනාධිපතිවරණයේ දී ඉලක්කගත ජනගහනය චන්දදායකයන් විය.

ඉලක්කගත ජනගහනය පිළිබඳ තීරණය කිරීමෙන් පර්යේෂකයෙකු විසින් නියැදීම් සඳහා භාවිතා කළ හැකි ලැයිස්තුවක් සැකසිය යුතුය. මෙම ලැයිස්තුව හැඳින්වේ නියැදිකරණ රාමුවක් ලෙස හඳුන්වන අතර එහි සිටින ජනතාව රාමු ජනගහනය ලෙස හැඳින්වේ. සාමාන්යයෙන් ඉලක්කගත ජනගහනය සහ රාමු ජනගහනය හරියටම සමාන වේ, නමුත් ප්රායෝගිකව මෙය බොහෝ විට නොවේ. නිදසුනක් වශයෙන්, සාහිත්යමය ඩිජිටල්කරණයේ දී, රාමු ජනගහනය මිලියන 10 ක ජනකායක් වන අතර, දුරකථන නාමාවලියේ සහ රථවාහන ලියාපදිංචියේ වාර්තා වලින් ප්රධාන වශයෙන්ම පැමිණ ඇත. ඉලක්ක ජනගහනය හා රාමු ජනගහනය අතර ඇති වෙනස්කම් ආවරණ දෝෂයක් ලෙස හැඳින්වේ. ආවරණ වැරදීම් මගින් තමන් විසින්ම ගැටළු සහතික කරනු නොලැබේ. කෙසේ වෙතත් එය රාමු ජනගහනය නොකරන ජනගහනයෙන් ජනගහනයෙන් ජනගහනයෙන් ක්රමානුකූලව වෙනස් වේ නම් එය ආවරණ පක්ෂග්රාහී වීමට හේතු විය හැක. සාහිත්යමය ඩිජිටෙස් විමසුම තුළ සිදුවූ දේ හරියටම මෙයයි. ඔවුන්ගේ රාමු ජනගහනයෙන් වැඩි දෙනෙක් ඇල්ෆඩ් ලන්ඩන් සඳහා ආධාර කිරීමට ඉඩ ඇති අතර, ඔවුන් ධනවත් වූ නිසා (1936 දී දුරකථන සහ මෝටර් රථ නව හා මිල අධික වූ බව සිහිපත් කරති). එබැවින්, සාහිත්යමය අනුවාදය තුල ආවරණය කිරීමේ ආවරණ ආවරණ ආවරණ වලට හේතු විය.

රූප සටහන 3.2: දෝෂ දැක්වීම.

රාමු ජනගහනය නිර්ණය කිරීමෙන් පසුව ඊළඟ පියවර වන්නේ නියැදි ජනගහනය තෝරා ගැනීමට පර්යේෂකයෙකු සඳහා ය. පර්යේෂකයා සම්මුඛ පරීක්ෂණ කිරීමට උත්සාහ කරන අය මේවාය. නියැදි රාමු ජනගහනයට වඩා වෙනස් ලක්ෂණ තිබේ නම්, නියැදීම් මගින් නියැදීමේදී දෝෂයක් ඇති විය හැක . කෙසේ වෙතත්, සාහිත්යමය ඩිජස්ට් ෆයාස්කෝ නඩුවේ දී, ජනගහනය රාමුව තුළ සෑම කෙනෙකුම සම්බන්ධ කර ගැනීම සඳහා සඟරාවක් නොතිබූ අතර, එම නිසා කිසිදු නියැදීමක් දෝෂයක් නොතිබිණි. බොහෝ පර්යේෂකයන් නියැදීම් වරදක් පිළිබඳව අවධානය යොමු කර ඇත. මෙය සාමාන්යයෙන් සමීක්ෂණවලින් වාර්තා වන දෝෂයේ ආන්තිකය මගින් අල්ලා ගන්නා ලද දෝෂයකි. නමුත් සාහිත්යමය ඩිජිටල් ෆයෙස්කෝ අපට අහඹු ලෙස හා ක්රමානුකූලව දෝෂ සහිත සියලු ප්රභවයන් සලකා බැලිය යුතු බව අපට මතක් කර දෙයි.

අවසාන වශයෙන්, නියැදි ජනගහනය තෝරා ගැනීමෙන් පසුව පර්යේෂකයෝ සියලු සාමාජිකයන් හමු වී සාකච්ඡා කිරීමට උත්සාහ කරති. සාර්ථකව සම්මුඛ පරීක්ෂණයට ලක් කරන අය ප්රතිචාර දක්වන්නන් ලෙස හැඳින්වේ. නියැදි, නියැදි ජනගහනය හා ප්රතිචාර දැක්වූවන් හරියටම සමාන වනු ඇත, නමුත් ප්රායෝගිකව ප්රතිචාර නොලැබේ. එනම් නියැදියක තෝරාගත් අය සමහර අවස්ථාවල සහභාගි නොවේ. ප්රතිචාර නොලබන අය ප්රතිචාර නොදක්වන අයගෙන් වෙනස් නම්, එසේ නොකළ හැකි පක්ෂපාතී විය හැකිය. Nonresponse නැඹුරුව සාහිත්ය ඩයිජස්ට් ඡන්ද දෙවැනි ප්රධාන ප්රශ්නය විය. ඡන්ද පත්රිකාවක් ලැබුණු අයගෙන් 24% ක් ප්රතිචාර දැක්වූ අතර, ලන්ඩන් වෙත සහයෝගය දුන් අය ප්රතිචාර දැක්වූයේ වැඩි ප්රතිශතයක් ය.

නිරූපණය පිළිබඳ අදහස් හඳුන්වා දීම සඳහා නිදසුනක් පමණි. Literary Digest විමසුම සාමාන්යයෙන් අනුපිළිවෙළින් උපමාවකි. අන්තරාදායක නියැදීම්වල අන්තරායන් පිලිබඳව පර්යේෂකයන්ට අනතුරු අඟවා ඇත. අවාසනාවකට මෙන්, බොහෝ අය මේ කතාවෙන් පාඩම් උගත යුතු බව මා සිතනවා. මෙම කථාවේ වඩාත් සුලබ සදාචාරය නම් පර්යේෂකයන්ට නොගැලපෙන සාම්පල වලින් කිසිවක් ඉගෙන ගත නොහැකි බව (එනම්, සහභාගී වන්නන් තෝරාගැනීම සඳහා දැඩි සම්භාවිතාව පදනම් වූ රීතීන් නොමැති සාම්පල) ය. නමුත්, මම මේ පරිච්ඡේදයේ පසුව පෙන්වන්නම්, එය නිවැරදි නොවේ. ඒ වෙනුවට, මම මේ කතාවට ඇත්ත වශයෙන්ම සදාචාරයක් තිබේ යැයි මම සිතනවා. 1936 දී මෙන් සැබෑ ලෙසම අදේවයට සමාන වූ සදාචාරාත්මක සාධක. පළමුව, ඉතා ඉක්මනින් රැස්කරන ලද දත්ත විශාල ප්රමාණයේ හොඳ තක්සේරුවක් සහතික නොවේ. පොදුවේ ප්රතිචාර දක්වන විශාල සංඛ්යාවක් ඇස්තමේන්තු කිරීමේ විචලනය අඩු වන නමුත්, එය අනිවාර්යයෙන් ම අනිවාර්යයෙන් අඩු නොවේ. බොහෝ දත්ත සමඟ පර්යේෂකයන්ට වැරදි දේ පිළිබඳ නිවැරදි තක්සේරුවක් ලබා ගත හැකිය; ඒවා නිවැරදිව නිවැරදියි (McFarland and McFarland 2015) . සාහිත්යමය ඩිජයස් ෆයාසෝහි දෙවන ප්රධාන පාඩම නම්, ඇස්තමේන්තු සකස් කිරීමේදී ඔවුන්ගේ නියැදිය එකතු කරන ආකාරය පිළිබඳව පර්යේෂකයන්ට ගිණුම්ගත කළ යුතු බවයි. වෙනත් වචන වලින් කිවහොත්, සාහිත්යමය ඩිජිටල් විමසුමෙහි නියැදීම් ක්රියාවලිය සමහර ප්රතිචාර දැක්වූවන් වෙත ක්රමානුකූලව කපා හැරීම නිසා, පර්යේෂකයන්ට අනෙකුත් ප්රතිචාර දැක්වූවන්ගෙන් වැඩි දෙනා බරින් වඩාත් සංකීර්ණ තක්සේරු ක්රියාවලියක් භාවිතා කිරීමට අවශ්ය විය. මේ පරිච්ඡේදයේ පසුව, මම ඔබට එවන් බර පටිපාටියක් එක් පශ්චාත්-ස්ථරයිනකරණයක් ඔබට පෙන්වනු ඇත. එමගින් අස්ථි සාම්පල වලින් වඩා හොඳ ඇස්තෙම්න්තු කිරීමට ඔබට හැකි වනු ඇත.