3.6.1 கேட்டு ஆம்ப்ளிஃபைட்

டிஜிட்டல் தடயங்கள் உங்கள் கணக்கெடுப்பு இணைக்கும் எல்லா நேரங்களிலும் எல்லோருக்கும் உங்கள் கேள்விகளை கேட்டு போல் இருக்க முடியும்.

மாதிரி ஆய்வுகள் மற்றும் கணக்கெடுப்பின் படி: கேட்டு பொதுவாக இரண்டு பிரிவுகளில் கிடைக்கிறது. நீங்கள் மக்கள் ஒரு சிறிய எண்ணிக்கையிலான அணுக அங்கு மாதிரி ஆய்வுகள்,,, நெகிழ்வான சரியான நேரத்தில், மற்றும் ஒப்பீட்டளவில் மலிவான இருக்க முடியும். எனினும், மாதிரி ஆய்வுகள், ஏனெனில் அவர்கள் ஒரு மாதிரி அடிப்படையில், பெரும்பாலும் தங்கள் தீர்மானம் மட்டுமே; ஒரு மாதிரி ஆய்வு, அது குறிப்பிட்ட புவியியல் பகுதிகள் பற்றி அல்லது குறிப்பிட்ட மக்கள் தொகை குழுக்கள் மதிப்பீடுகள் செய்ய அடிக்கடி கடினமாக உள்ளது. கணக்கெடுப்புகள், மறுபுறம், மக்கள் தொகை அனைவருக்கும் பேட்டி முயற்சிக்கும். அவர்கள் பெரிய தீர்மானம் வேண்டும், ஆனால் அவர்கள் சரியான நேரத்தில் (அவர்கள் போன்ற ஒவ்வொரு 10 ஆண்டுகளுக்கும், ஒரு குறிப்பிட்ட கால அட்டவணைப்படி நடக்கும்) (அவர்கள் மட்டும் கேள்விகள் ஒரு சிறிய எண்ணிக்கையிலான அடங்கும்) பொதுவாக, விலையுயர்ந்த கவனம் குறுகிய உள்ளன, மற்றும் (Kish 1979) . ஆராய்ச்சியாளர்கள் மாதிரி ஆய்வுகள் மற்றும் கணக்கெடுப்பின் படி சிறந்த பண்புகள் இணைக்க முடியும் என்றால், இப்போது கற்பனை; ஆராய்ச்சியாளர்கள் ஒவ்வொரு நாளும் அனைவருக்கும் ஒவ்வொரு கேள்வி கேட்க முடியும் என்று கற்பனை.

வெளிப்படையாக, இந்த தொடர்ச்சியான, எங்கும், எப்போதும் கணக்கெடுப்பு சமூக அறிவியல் கற்பனை ஒரு வகையான. ஆனால், அதை நாம் பல மக்கள் இருந்து டிஜிட்டல் தடயங்கள் மூலம் மக்கள் ஒரு சிறிய எண்ணிக்கையிலான இருந்து கணக்கெடுப்பு கேள்விகளை இணைப்பதன் மூலம் இந்த சமப்படும் தொடங்க முடியும் என்று தோன்றுகிறது. நான் இணைந்து இந்த வகை கேட்டு பெருக்கப்படுகிறது அழைக்க. நன்கு செய்யவில்லை என்றால், அது எங்களுக்கு (சிறிய புவியியல் பகுதிகளில்) மேலும் உள்ளூர் என்று மதிப்பீடு, மேலும் சிறுமணி (குறிப்பிட்ட மக்கள் தொகை குழுக்கள்), மற்றும் காலத்திற்கேற்ற வழங்குகிறது உதவ முடியும்.

பெருக்கப்படுகிறது விண்ணப்பம் ஒரு உதாரணம் ஏழை நாடுகளில் வழிகாட்டி வளர்ச்சி உதவும் என்று தரவுகளை சேகரிக்க விரும்பிய யோசுவா Blumenstock, பணியில் இருந்து வருகிறது. மேலும் குறிப்பாக, Blumenstock ஒரு ஆய்வு நெகிழ்வு மற்றும் அதிர்வெண் ஒரு கணக்கெடுப்பில் முழுமை இணைந்து என்று செல்வம் மற்றும் நல்வாழ்வை அளவிட ஒரு அமைப்பு உருவாக்க வேண்டும் (Blumenstock 2014; Blumenstock, Cadamuro, and On 2015) . உண்மையில், நான் ஏற்கனவே Blumenstock வேலை சுருக்கமாக பாடம் 1 இல் விவரித்தார்.

தொடங்க, Blumenstock ருவாண்டா உள்ள பெரிய மொபைல் தொலைபேசி வழங்குனரான கூட்டுசேர்ந்து. நிறுவனம் அவரை அநாமதேய பரிவர்த்தனை பதிவுகளை போன்ற தொடக்க நேரம், காலம், மற்றும் அழைப்பாளர் மற்றும் பெறுநரின் தோராயமான புவியியல் இடம் 2005 மற்றும் 2009 பதிவுகள் ஒவ்வொரு அழைப்பு மற்றும் உரை செய்தி பற்றிய தகவல்களை கொண்டிருக்கும் இருந்து நடத்தை உள்ளடக்கிய சுமார் 1.5 மில்லியன் வாடிக்கையாளர்கள் இருந்து வழங்கப்படும். நாங்கள் புள்ளிவிவர பிரச்சினைகள் பற்றி பேசி தொடங்கும் முன், அது இந்த முதல் படி கடினமான ஒன்றாக இருக்கலாம் என்று சுட்டிக்காட்டி மதிப்பு. அத்தியாயம் 2 இல் குறிப்பிட்டது போல, பெரும்பாலான டிஜிட்டல் சுவடு தரவு ஆராய்ச்சியாளர்கள் அணுக உள்ளது. மேலும், பல நிறுவனங்கள் தனிப்பட்டதாக உள்ளதால் தங்கள் தரவு பகிர்ந்து நியாயமான தயக்கம்; என்று தங்கள் வாடிக்கையாளர்கள் ஒருவேளை தங்கள் பதிவுகளை பகிர்வு-ல் சேரும் என்றும் ஆராய்ச்சியாளர்கள் மொத்தமாக கொண்டு எதிர்பார்க்க வில்லை உள்ளது. இந்த வழக்கில், ஆராய்ச்சியாளர்கள் தரவை அநாமதேயமாக்குவோம் கவனமாக நடவடிக்கைகளை எடுத்து தங்கள் வேலையை ஒரு மூன்றாம் தரப்பு (அதாவது, தங்கள் IRB) மேற்பார்வையில். ஆனால், இந்த முயற்சிகள் இருந்த போதிலும், இந்த தரவு அநேகமாக இன்னும் அடையாளம் காணப்பட்டால் மற்றும் அவர்கள் வாய்ப்பு முக்கிய தகவல்களை கொண்டிருக்கும் (Mayer, Mutchler, and Mitchell 2016; Landau 2016) . நான் 6-ம் அதிகாரத்தில் இந்த நெறிமுறை கேள்வி திரும்ப வேண்டும்.

Blumenstock செல்வம் மற்றும் நல்வாழ்வை அளவிடும் ஆர்வம் இருந்தது என்று நினைவு. ஆனால், இந்த பண்புகளை அழைப்பு பதிவுகளை நேரடியாக இல்லை. வேறு வார்த்தைகளில் கூறுவதானால், இந்த அழைப்பு பதிவுகளை இந்த ஆராய்ச்சி, டிஜிட்டல் தடயங்கள் ஒரு பொதுவான அம்சம் பாடம் 2. விரிவாக விவாதிக்கப்படும் என்று க்கான முழுமையில்லாத ஆனால், அது அழைப்பு பதிவுகளை ஒருவேளை செல்வம் மற்றும் நல்வாழ்வை பற்றி சில தகவல் தெரிகிறது. எனவே, Blumenstock கேள்வி இருக்க முடியும் கேட்டு ஒரு வழி: தங்கள் டிஜிட்டல் சுவடு தரவுகளின் அடிப்படையில் ஆய்வு செய்ய யாராவது எப்படி பதிலளிக்க வேண்டும் கணிக்க முடியுமா? அப்படி என்றால், ஒரு சில மக்கள் கேட்டு நாங்கள் எல்லோரும் பதில்களை யூகிக்க முடியும்.

அனுபவத்தால் இந்த மதிப்பீடு செய்ய, அறிவியல் கிகாலி நிறுவனம் மற்றும் தொழில்நுட்ப இருந்து Blumenstock மற்றும் ஆராய்ச்சி உதவியாளர்கள் சுமார் ஆயிரம் மொபைல் போன் வாடிக்கையாளர்கள் ஒரு மாதிரி. ஆராய்ச்சியாளர்கள் அவர்களை நீங்கள் ஒரு சொந்தமானதா போன்ற "என, தங்கள் செல்வத்தை மற்றும் நல்வாழ்வை அளவிட தொடர் கேள்விகள் கேட்டார், பங்கேற்பாளர்கள் திட்டத்தின் இலக்குகளை விளக்கினார் அழைப்பு பதிவுகளை ஆய்வு பதில்களை இணைக்க அவர்களின் அனுமதியின்றி கேட்டார், பின்னர் வானொலி? "மற்றும்" நீங்கள் ஒரு சைக்கிள் வேண்டுமா? "(ஒரு பகுதி பட்டியலில் படம் 3.11 பார்க்க). கணக்கெடுப்பில் அனைத்து பங்கேற்பாளர்கள் நிதி இழப்பீட்டுத் தொகை வழங்கப்பட்டது.

மேற்பார்வையில் கற்றலில் தொடர்ந்து அம்சம் பொறியியல்: அடுத்து, Blumenstock இரண்டு படி செயல்முறை தரவு அறிவியல் பொதுவான பயன்படுத்தப்படும். முதல், அம்சம் பொறியியல் படி, பேட்டி என்று அனைவருக்கும், Blumenstock அழைப்பு பதிவுகளை ஒவ்வொரு நபர் பற்றிய பண்புகள் ஒரு தொகுப்பு மாற்றப்படுகிறது; தரவு விஞ்ஞானிகள், இந்த பண்புகள் "அம்சங்கள்" ஒவ்வொரு நபரும், உதாரணமாக கூப்பிடுகிறேன் மற்றும் சமூக விஞ்ஞானிகள் அவர்களை அழைக்க வேண்டும் "மாறிகள்.", Blumenstock நடவடிக்கை மூலம் நாட்கள் மொத்த எண்ணிக்கை கணக்கிடப்படும், தனித்துவமான மக்கள் எண்ணிக்கை ஒரு நபர் தொடர்பு உள்ளது, அளவு அதனால் நேரத்தைப் செலவு, மற்றும் பணம். விமர்சன ரீதியாக, நல்ல அம்சம் பொறியியல் ஆராய்ச்சி அமைப்பை அறிவு தேவை. உதாரணமாக, இது (நாம் சர்வதேச அழைக்கும் நபர்கள், செல்வத்தை எதிர்பார்க்க முடியும்) உள்ளூர் மற்றும் சர்வதேச அழைப்புகள் வேறுபடுத்தி முக்கியமானது என்றால், பிறகு இந்த அம்சம் பொறியியல் படியிலும் செய்யப்பட வேண்டும். ருவாண்டா சிறிதளவு புரிந்து கொண்டு ஒரு ஆராய்ச்சியாளர் இந்த அம்சத்தை சேர்க்க மாட்டார்கள், பின்னர் மாதிரி முன்னறிவிக்கும் செயல்திறன் பாதிக்கப்படும்.

அடுத்து, மேற்பார்வையில் கற்றலில் படி, Blumenstock ஒரு புள்ளிவிவர மாதிரி தங்கள் அம்சங்களின் அடிப்படையில் ஒவ்வொரு நபரும் கணக்கெடுப்பு பதில் கணிக்க கட்டப்பட்டது. இந்த வழக்கில், Blumenstock 10 மடங்கு குறுக்கு சரிபார்த்தல் லாஜிஸ்டிக் பின்னடைவு பயன்படுத்தப்படும், ஆனால் அவர் மற்ற புள்ளியியல் அல்லது இயந்திர கற்றல் பல்வேறு அணுகுமுறைகள் பயன்படுத்தப்படுகிறது.

எனவே அது எவ்வளவு நன்றாக வேலை? அழைப்பு பதிவுகள் பெறப்பட்ட அம்சங்களை பயன்படுத்தி "நீங்கள் ஒரு ரேடியோ சொந்தமானதா?" போன்ற கேள்விகள் ஆய்வு பதில்களை கணிக்க முடியும் Blumenstock இருந்தது "நீங்கள் ஒரு சைக்கிள் சொந்தமானதா?"? வரிசைப்படுத்த. கணிப்புகள் துல்லியம் சில குணாம்சங்கள் (படம் 3.11) க்கான அதிகமாக இருந்தது. ஆனால், இது ஒரு எளிய மாற்று எதிராக ஒரு சிக்கலான கணிப்பு முறை ஒப்பிட்டு முக்கியமான எப்போதும் உள்ளது. இந்த வழக்கில், ஒரு எளிய மாற்று அனைவருக்கும் மிகவும் பொதுவான பதில் கொடுக்க வேண்டும் என்று கணிக்க ஆகும். உதாரணமாக, 97.3% Blumenstock அனைவருக்கும் அவர் அவரது மிகவும் சிக்கலான செயல்முறை (97.6% துல்லியம்) செயல்திறனை செய்ய ஒன்றே இது 97.3% ஆகவும், ஒரு துல்லியம் அறிந்திருக்கமுடியும் ஒரு ரேடியோ வைத்திருக்கும் தெரிவிக்க வேண்டும் என்று எதிர்பார்க்கிறேன் என்றால் அதனால் ஒரு ரேடியோ வைத்திருக்கும் தகவல். வேறு வார்த்தைகளில் கூறுவதானால், அனைத்து ஆடம்பரமான தகவல்கள் மற்றும் மாதிரிகளை 97,6% ஆக 97.3% ஆகவும் இருந்து கணிப்பை துல்லியம் அதிகரித்துள்ளது. எனினும், இது போன்ற மற்ற கேள்விகளுக்கு, ஐந்து "நீங்கள் ஒரு சைக்கிள் வேண்டுமா?", கணிப்புகள் 54.4% இருந்து 67,6% ஆக அதிகரித்துள்ளது. மேலும் பொதுவாக, படம் 3.12 நிகழ்ச்சிகள் சில பண்புகளை Blumenstock எளிய பேஸ்லைனையும் கணித்ததற்காக தாண்டி அதிகமாக மாறவில்லை, ஆனால் மற்ற பண்புகளை சில முன்னேற்றம் இருந்தது.

படம் 3.11: அழைப்பு பதிவுகளை பயிற்சி புள்ளிவிவர மாதிரி கணிப்பு துல்லியம். அட்டவணை 2 ல் முடிவுகள் Blumenstock (2014) .

படம் 3.12: எளிய பேஸ்லைனையும் கணிப்பை அழைப்பு பதிவுகளை பயிற்சி புள்ளிவிவர மாதிரி முன்னறிவிக்கும் துல்லியம் ஒப்பீடு. புள்ளிகள் சற்று ஒன்றுடன் தவிர்க்க jittered உள்ளன; அட்டவணை 2 பார்க்க Blumenstock (2014) சரியான மதிப்புகள்.

இந்த இடத்தில் நீங்கள் இந்த முடிவுகளை ஒரு பிட் ஏமாற்றத்தை என்று, ஆனால் ஒரு வருடம் கழித்து, Blumenstock மற்றும் இரண்டு சக-கேப்ரியல் Cadamuro மற்றும் ராபர்ட் அன்று வெளியிடப்பட்ட கணிசமாக சிறந்த முடிவுகளை அறிவியல் ஒரு காகித நினைத்து இருக்கலாம் (Blumenstock, Cadamuro, and On 2015) . 1) அவர்கள் மேலும் அதிநவீன முறைகள் பயன்படுத்தப்படும் (அதாவது, ஒரு புதிய அணுகுமுறை பொறியியல் மற்றும் ஒரு சிக்கலான இயந்திர கற்றல் மாதிரி இடம்பெறும்) மற்றும் 2) மாறாக (எ.கா. தனிப்பட்ட கணக்கெடுப்பு கேள்விகளுக்கு பதில்களை உய்த்துணர முயற்சியாக அல்லாமல்,: முன்னேற்றம் இரண்டு முக்கிய தொழில்நுட்ப காரணங்கள் இருந்தன "நீங்கள் ஒரு ரேடியோ சொந்தமானதா?"), அவர்கள் ஒரு கலப்பு செல்வம் குறியீட்டு உய்த்துணர முயற்சி.

Blumenstock மற்றும் சக இரண்டு வழிகளில் அவர்களின் அணுகுமுறை செயல்திறனை ஆர்ப்பாட்டம். முதல், அவர்கள் மாதிரி உள்ள மக்கள், அவர்கள் அழைப்பு பதிவுகளை (படம் 3.14) தங்களது செல்வத்தை கணிக்கும் ஒரு நல்ல வேலை செய்ய முடியும் என்று கண்டுபிடிக்கப்பட்டுள்ளது. இரண்டாவது, மற்றும் முன்னெப்போதையும் விட முக்கியமாக, Blumenstock மற்றும் சக அவர்கள் நடைமுறை ருவாண்டா செல்வம் புவியியல் பகிர்வில் உயர்-தரமான மதிப்பீடுகள் தயாரிக்க முடியும் என்று காட்டியது. மேலும் குறிப்பாக, அவர்கள் அழைப்பு பதிவுகளை அனைத்து 1.5 மில்லியன் மக்கள் செல்வம் கணிக்க இது சுமார் 1,000 பேர் தங்கள் மாதிரி பயிற்சி பெற்றார், தங்கள் இயந்திர கற்றல் மாதிரி, பயன்படுத்தப்படும். மேலும், அழைப்பு தரவு பதிக்கப்பட்ட நிலபரப்பு தரவு (நினைவு அழைப்பு தரவு ஒவ்வொரு அழைப்பிற்கும் அருகில் உள்ள செல் கோபுரம் இடம் அடங்கும் என்று), ஆராய்ச்சியாளர்கள் ஒவ்வொரு நபர் வசிக்கும் தோராயமான இடத்தில் மதிப்பிட முடிந்தது. ஒன்றாக இந்த இரண்டு மதிப்பீடுகள் வைத்து, ஆராய்ச்சி மிகவும் நன்றாக வெளி சார்ந்த நுணுக்கத்தை மணிக்கு சந்தாதாரர் செல்வம் புவியியல் ரீதியான பகிர்வு ஒரு மதிப்பீட்டை. உதாரணமாக, அவர்கள் ருவாண்டா 2148 செல்கள் (நாட்டில் சிறிய நிர்வாக அலகு) ஒவ்வொன்றிலும் சராசரி செல்வம் மதிப்பிட முடியும். இந்த கணித்து செல்வம் மதிப்புகள் அவர்கள் பார்க்கலாம் கடினமாக இருந்தது அதனால் சிறுமணி இருந்தன. எனவே, ஆராய்ச்சியாளர்கள் ருவாண்டா 30 மாவட்டங்களில் சராசரி வளங்களில் மதிப்பீடுகள் தயாரிக்க தங்கள் முடிவுகளை ஒன்றுதிரட்டப்படும். இந்த மாவட்ட அளவிலான மதிப்பீடுகள் கடுமையாக தங்கத் தரநிலை பாரம்பரிய ஆய்வு மதிப்பீடுகள் தொடர்பான இருந்தன, ருவண்டா கணக்கெடுப்புக்களில் (படம் 3.14). இரண்டு ஆதாரங்களில் இருந்து மதிப்பீடுகள் போன்ற இருந்தன என்றாலும், Blumenstock மற்றும் சக இருந்து மதிப்பீடுகள் சுமார் 50 முறை மலிவான மற்றும் 10 மடங்கு வேகமாக (செலவு மாறி செலவுகள் அடிப்படையில் அளவிடப்படுகிறது போது) இருந்தது. செலவு இந்த அளவில் குறைக்கின்றன விட ஒவ்வொரு சில ஆண்டுகளிலும் போன்ற நடத்தப்படும் என்று-கருத்தாய்வு பெரிய டிஜிட்டல் சுவடு தரவு இணைந்து சிறிய ஆய்வு கலப்பின ஒவ்வொரு மாதமும் இயக்க முடியும் மக்கள் தொகையியல் மற்றும் சுகாதார தரநிலை என்பது பொருள்.

படம் 3.13: திட்ட Blumenstock, Cadamuro, and On (2015) . போன் நிறுவனத்தின் கால் தரவு ஒவ்வொரு அம்சம் (அதாவது, மாறி) ஒவ்வொரு நபர் ஒரு வரிசையில் மற்றும் ஒரு பத்தியில் ஒரு அணி மாற்றப்பட்டது. அடுத்து, ஆராய்ச்சியாளர்கள் அம்சம் அணியின் மூலம் நபர் இருந்து ஆய்வு பதில்களை கணிக்க ஒரு மேற்பார்வையில் கற்றலில் மாதிரி கட்டப்பட்டது. பின்னர், மேற்பார்வையில் கற்றலில் மாதிரி அனைவருக்கும் ஆய்வு பதில்களை சுமத்து பயன்படுத்தப்பட்டது. சாராம்சத்தில், ஆராய்ச்சியாளர்கள் சுமார் ஒரு மில்லியன் மக்கள் செல்வம் சுமத்து பற்றி ஒரு ஆயிரம் மக்கள் பதில்களை பயன்படுத்தப்படும். மேலும், ஆராய்ச்சியாளர்கள், அவர்களின் அழைப்புகள் இடங்களில் அடிப்படையில் அனைத்து 1.5 மில்லியன் மக்கள் வசிக்கும் தோராயமான இடத்தில் மதிப்பிடப்பட்டுள்ளது. இந்த இரண்டு மதிப்பீடுகள் ஒருங்கிணைந்த போது மதிப்பிடப்பட்டுள்ள செல்வத்தை மற்றும் குடியிருப்பு-முடிவு மதிப்பிடப்பட்டுள்ளது இடத்தில் கணக்கெடுப்புக்களில், ஒரு தங்க தரநிலை பாரம்பரிய கணக்கெடுப்பு (படம் 3.14) மதிப்பீடுகள் போலவே இருந்தன.

படம் 3.14: இருந்து முடிவுகள் Blumenstock, Cadamuro, and On (2015) . தனிப்பட்ட அளவில், ஆராய்ச்சியாளர்கள், அவர்களின் அழைப்பு பதிவுகளை இருந்து யாரோ செல்வம் கணிக்கும் ஒரு நியாயமான வேலை செய்ய முடிந்தது. மாவட்ட அளவிலான செல்வம்-செல்வம் மற்றும் குடியிருப்பு-முடிவு இடத்தில் தனிப்பட்ட நிலை மதிப்பீடுகளின் அடிப்படையில் செய்யப்பட்டனர் மதிப்பீடுகள் கணக்கெடுப்புக்களில், ஒரு தங்க தரநிலை பாரம்பரிய ஆய்வு முடிவுகளை போலவே இருந்தன.

முடிவில், Blumenstock தங்க-தரமான அளவை மதிப்பீடுகள் ஒப்பிட மதிப்பீடுகள் தயாரிக்க டிஜிட்டல் சுவடு தரவு அணுகுமுறை இணைந்து ஆய்வு தரவு கேட்டு பெருக்கப்படுகிறது. இந்த குறிப்பிட்ட உதாரணம் பெருக்கப்படுகிறது கேட்டு மற்றும் பாரம்பரிய ஆய்வு முறைகளுக்கு இடையே வர்த்தக பரிமாற்ற சமாதானங்களை சில தெளிவுபடுத்துகிறார். முதல், பெருக்கப்படுகிறது கேட்டு மதிப்பீடுகள், காலத்திற்கேற்ற கணிசமாக மலிவான, மற்றும் மேலும் சிறுமணி இருந்தன. ஆனால், மறுபுறம், இந்த நேரத்தில், அங்கு இல்லை பெருக்கப்படுகிறது கேட்டு இந்த வகையான பலமான கோட்பாட்டு அடிப்படையில் உள்ளது. என்று, அது முடியாது போது அது வேலை மற்றும் போது இந்த ஒரு உதாரணம் காட்ட முடியாது உள்ளது. மேலும், பெருக்கப்படுகிறது கேட்டு அணுகுமுறை இன்னும் அதன் மதிப்பீடுகள் இந்த நிச்சயமற்ற கணக்கிட நல்ல வழிகள் இல்லை. எனினும், பெருக்கப்படுகிறது கேட்டு புள்ளி-மாதிரி-சார்ந்த பிந்தைய ஸ்டிராடிபிகேஷனால் மூன்று பெரிய பகுதிகளில் ஆழ்ந்த தொடர்பு உள்ளது (Little 1993) , சுட்டிக்காட்டுவதற்கு (Rubin 2004) , மற்றும் சிறிய பகுதியில் மதிப்பின்படி (Rao and Molina 2015) சாடியுள்ளார் அதனால் நான் எதிர்பார்க்க முன்னேறும் என்று விரைவான இருக்கும்.

பெருக்கப்படுகிறது கேட்டு உங்கள் குறிப்பிட்ட சூழ்நிலையில் ஏற்ப முடியும் என்று ஒரு அடிப்படை செய்முறையை பின்வருமாறு. இரண்டு பொருட்கள் மற்றும் இரண்டு படிகள் உள்ளன. இரண்டு பொருட்கள் 1) பரந்த ஆனால் மெல்லிய (என்று இருக்கும் என்று ஒரு டிஜிட்டல் சுவடு தரவுத்தொகுப்பின் உள்ளன, அதை நீங்கள் ஒவ்வொரு நபர்கள் பற்றிய வேண்டும் என்று பல மக்கள் ஆனால் தகவல்) மற்றும் 2) குறுகிய ஆனால் அடர்த்தியான (என்று ஆகிறது என்று ஒரு ஆய்வு உள்ளது, அது உள்ளது ஒரு சில மக்கள், ஆனால் அதை நீங்கள் அந்த மக்களை பற்றி வேண்டும் என்று தகவல்) உள்ளது. பிறகு, இரண்டு படிகள் உள்ளன. முதல், இரண்டு தரவு மூலங்கள் மக்களுக்கு, ஆய்வில் பதில்களை கணிக்க டிஜிட்டல் சுவடு தரவு பயன்படுத்துகிறது என்று ஒரு இயந்திர கற்றல் மாதிரி உருவாக்க. அடுத்து, டிஜிட்டல் சுவடு தரவு எல்லோரும் ஆய்வில் பதில்களை சுமத்து என்று இயந்திர கற்றல் மாதிரி பயன்படுத்த. எனவே, நீங்கள், மக்கள் நிறைய கேட்க அவர்களின் பதில் கணிக்க பயன்படுத்த வேண்டும் என்று அந்த மக்கள் இருந்து டிஜிட்டல் சுவடு தரவு பார்க்க வேண்டும் என்று சில கேள்வி இருந்தால்.

பிரச்சனை Blumenstock முதல் மற்றும் இரண்டாவது முயற்சி ஒப்பிட்டு ஆராய்ச்சி ஆய்வு செய்ய மூன்றாவது காலத்தில் அணுகுமுறைகள் இரண்டாவது காலத்தில் இருந்து மாற்றம் பற்றிய முக்கியமான பாடத்தைக் விளக்குகிறது: ஆரம்பத்தில் முடிவு அல்ல. அதாவது, பல முறை, முதல் அணுகுமுறை சிறந்த முடியாது, ஆனால் ஆராய்ச்சியாளர்கள் தொழிலாள தொடர்ந்து இருந்தால், நல்ல விஷயங்களை பெற முடியும். மேலும் பொதுவாக, டிஜிட்டல் வயது சமூக ஆராய்ச்சி புதிய அணுகுமுறைகளை மதிப்பீடு போது, அது முக்கியம் இரண்டு வேறுபட்ட மதிப்பீடுகளை செய்ய உள்ளது: 1) இப்போது இந்த வேலை செய்கிறது என்பதை நன்கு மற்றும் 2) எப்படி நன்றாக நீங்கள் இந்த தரவு இயற்கை போன்ற எதிர்காலத்தில் வேலை என்று நினைக்கிறீர்களா மாற்றங்கள் மற்றும் ஆராய்ச்சியாளர்கள் பிரச்சினை இன்னும் கவனம் செலவிட. , ஆராய்ச்சியாளர்கள் மதிப்பீடு முதல் வகையான (எப்படி நல்ல ஆராய்ச்சி இந்த குறிப்பிட்ட துண்டு உள்ளது) செய்ய பயிற்சி என்றாலும், இரண்டாவது அடிக்கடி மிகவும் முக்கியம்.