3.6.2 செழுமையாக கேட்டு

அது அசுத்தமாக இருக்க முடியும் என்றாலும், செறிவூட்டப்பட்ட கேட்டு சக்தி வாய்ந்த இருக்க முடியும்.

டிஜிட்டல் சுவடு தரவு முற்றுப்பெறாத கையாள்வதில் ஒரு வித்தியாசமான அணுகுமுறை ஆய்வு தரவு, நான் செழுமையாக கேட்டு அழைக்கிறேன் என்று ஒரு செயல்முறை நேரடியாக அதை வளப்படுத்த வேண்டும். செறிவூட்டப்பட்ட விண்ணப்பம் ஒரு உதாரணம் ஆய்வு செய்வது ஆகும் Burke and Kraut (2014) நான் பேஸ்புக் உரையாடி நட்பு வலிமையை அதிகரிக்கிறது என்பதை பற்றி, அத்தியாயம் முந்தைய விவரித்தார் (பிரிவு 3.2),. அந்த வழக்கில், பர்க் மற்றும் Kraut பேஸ்புக் பதிவு தரவு ஆய்வு தரவு இணைந்து.

பர்க் மற்றும் Kraut வேலை செய்து வந்தனர் என்று அமைப்பு, எனினும், அவர்கள் ஆராய்ச்சியாளர்கள் செழுமையாக முகம் கேட்டு செய்து இரண்டு பெரிய பிரச்சினைகளை சமாளிக்க இல்லை என்று பொருள். முதல், உண்மையில் தரவு செட்-ஒரு செயல்முறை சாதனை தொடர்புகள், கீழே இந்த பிரச்சினையை மற்ற ஒரு உதாரணம் தரவுத்தொகுப்பின்-முடியும் கடினமான மற்றும் பிழைகளுக்கு இருக்கும் (நாம் பார்க்க வேண்டும் அதற்கான சாதனையை ஒரு தரவுத்தொகுப்பில் சாதனை பொருந்தும் ஒன்றாக இணைக்கும் ). செறிவூட்டப்பட்ட கேட்டு இரண்டாவது முக்கிய பிரச்சினை டிஜிட்டல் தடயங்கள் தரம் அடிக்கடி ஆராய்ச்சியாளர்கள் மதிப்பிட கடினமாக இருக்கும் என்று. உதாரணமாக, சில நேரங்களில் அது சேகரிக்கப்பட்ட இதன் மூலம் செயல்முறை உரிமையாளர் மற்றும் பாடம் 2. விவரித்தார் வேறு வார்த்தைகளில் கூறுவதானால் பிரச்சினைகள் பல எளிதில் இருக்க முடியும், செறிவூட்டப்பட்ட கேட்டு அடிக்கடி தெரியாத பிளாக் பாக்ஸ் தரவு மூலங்கள் கணக்கெடுப்புகளை பிழைகளுக்கு இணைக்கும் தேவைப்படுவர் தரமான. இந்த இரண்டு பிரச்சினைகளை அறிமுகப்படுத்த என்று கவலைகள் இருந்தாலும், அதை ஸ்டீபன் Ansolabehere மற்றும் Eitan ஹெர்ஷ் நிரூபிக்கப்பட்டது போல் இந்த மூலோபாயத்தை முக்கியமான ஆய்வு நடத்த முடியும் (2012) அமெரிக்க வாக்களிக்கும் முறைகள் தங்கள் ஆய்வில். அது சில விரிவாக இந்த ஆய்வு மேல் செல்ல பயனுள்ளது உத்திகள் Ansolabehere மற்றும் ஹெர்ஷ் உருவாக்கப்பட்டது என்று செறிவூட்டப்பட்ட விண்ணப்பம் பிற பயன்பாடுகளில் பயனுள்ளதாக இருக்கும் பல ஏனெனில்.

வாக்காளர் வாக்குப் அரசியல் அறிவியல் விரிவான ஆராய்ச்சியின் பொருளாக, மற்றும் கடந்த காலத்தில், வாக்குகள் ஏன் பொதுவாக ஆய்வு தரவு பகுப்பாய்வு அடிப்படையில் வருகிறது ஆராய்ச்சியாளர்கள் 'புரிதல். அமெரிக்க வாக்களிப்பு, எனினும், ஒவ்வொரு குடிமகனும் வாக்களித்தனர் என்பதை அரசு ஆவணங்கள் ஒரு அசாதாரண நடத்தை (நிச்சயமாக, அரசாங்கம் யார், ஒவ்வொரு குடிமகனும் வாக்குகள் பதிவு இல்லை). பல ஆண்டுகளாக, இந்த அரசு வாக்கு பதிவுகள் நாடு முழுவதிலும் உள்ள பல்வேறு உள்ளூர் அரசாங்க அலுவலகங்கள் சிதறி, காகித வடிவங்கள் கிடைத்து. இது அரசியல் விஞ்ஞானிகள் வாக்காளர்கள் ஒரு முழு படத்தை வேண்டும் மற்றும் மக்கள் அவர்களின் உண்மையான வாக்களிக்கும் முறை வாக்களித்தது பற்றி ஆய்வுகள் சொல்ல என்ன ஒப்பிட்டு கடினமாக, ஆனால் முடியாதது அல்ல, செய்த (Ansolabehere and Hersh 2012) .

ஆனால், இப்போது இந்த வாக்களியுங்கள் பதிவுகளை டிஜிட்டல் வருகின்றன, மற்றும் தனியார் நிறுவனங்கள் பல முறையாக சேகரிக்கப்பட்டு அனைத்து அமெரிக்கர்கள் வாக்களிக்கும் முறை பதிவு என்று விரிவான மாஸ்டர் வாக்கு கோப்புகளை தயாரிக்க இந்த வாக்கு பதிவுகள் இணைக்கப்பட்டது. Ansolabehere மற்றும் ஹெர்ஷ் வாக்காளர்களில் ஒரு நல்ல படம் உருவாக்க உதவும் எஜமானர் வாக்கு கோப்பு பயன்படுத்த LCC,-இந்த நிறுவனங்கள்-Catalist ஒன்று கூட்டுசேர்ந்து. மேலும், அது சேகரிக்கப்பட்டு ஒரு நிறுவனம் மூலம் வெப்பத்தை டிஜிட்டல் பதிவுகள் நம்பியிருந்தன ஏனெனில், அது நிறுவனங்கள் உதவி மற்றும் அனலாக் பதிவுகளை பயன்படுத்தி இல்லாமல் முடிந்துவிட்டன என்று ஆராய்ச்சியாளர்கள் முந்தைய முயற்சிகள் மீது நன்மைகள் பல வழங்கப்படும்.

பாடம் 2 டிஜிட்டல் சுவடு ஆதாரங்கள் பல போன்ற, Catalist மாஸ்டர் கோப்பு Ansolabehere மற்றும் ஹெர்ஷ் தேவை என்று, மக்கள் தொகை மனோபாவ, மற்றும் நடத்தை தகவல்களை மிகவும் சேர்க்கவில்லை. இந்த தகவல் கூடுதலாக, Ansolabehere மற்றும் ஹெர்ஷ் சரிபார்க்கப்பட்டது வாக்களிக்கும் முறை (அதாவது, Catalist தரவுத்தள தகவலை) அறிக்கை வாக்களிக்கும் முறை ஒப்பிட்டு குறிப்பாக ஆர்வமாக இருந்தனர். எனவே, ஆராய்ச்சியாளர்கள் அவர்கள் கூட்டுறவு காங்கிரஸ் தேர்தல் ஆய்வு (CCES), ஒரு பெரிய சமூக சர்வே பகுதியாக வேண்டும் என்று தரவு சேகரிக்கப்பட்ட. அடுத்து, ஆராய்ச்சியாளர்கள் Catalist இந்த தரவு கொடுத்து, Catalist ஆராய்ச்சியாளர்கள் சுய தகவல் வாக்களிக்கும் முறை (CCES இருந்து) வாக்களிக்கும் முறை சரிபார்க்கப்பட்டது உட்படுத்தியதென (Catalist இருந்து) ஒன்றிணைத்த தரவு கோப்பு, மற்றும் விளக்கப்படங்கள் மற்றும் பதிலளித்தவர்களில் அணுகுமுறைகளை மீண்டும் (CCES இருந்து கொடுத்தார் ). வேறு வார்த்தைகளில் கூறுவதானால், Ansolabehere மற்றும் ஹெர்ஷ் கணக்கெடுப்பு தரவு வாக்குப்பதிவு தரவு செறிவூட்டப்பட்ட, மற்றும் விளைவாக இணைக்கப்பட்ட கோப்புக்கு அவர்களுக்கு எந்த கோப்பு தனித்தனியாக செயல்படுத்தப்படும் என்று ஏதாவது செய்ய உதவுகிறது.

கணக்கெடுப்பு தரவு Catalist முதன்மை தரவு கோப்பு மெருகேற்றி மூலம், Ansolabehere மற்றும் ஹெர்ஷ் மூன்று முக்கியமான முடிவுகள் வந்தது. முதல், மீது புகார் வாக்களிக்கும் பரவலாக உள்ளது: அல்லாத வாக்காளர்கள் கிட்டத்தட்ட அரை வாக்கு பதிவாகும். அல்லது, அதை பார்த்து மற்றொரு வழியில் யாரோ வாக்கு பதிவாகும் என்றால், அவர்கள் உண்மையில் வாக்களித்த ஒரே ஒரு 80% வாய்ப்பு உள்ளது. இரண்டாவது, மீது புகார் இல்லை சீரற்ற உள்ளது; மீது புகார் நன்கு படித்த, உயர் வருமானம் மத்தியில் அதிக அளவில் காணப்படுகிறது, பொது விவகாரங்களில் ஈடுபட்டுள்ள கிளர்ச்சியாளர்கள். வேறு வார்த்தைகளில் கூறுவதானால், வாக்களிக்க ஆவர் மக்கள் மிகவும் வாக்குப்பதிவு பொய் சொல்லத் தொடங்கலாம். மூன்றாவது, மற்றும் மிக முக்கியமாக, ஏனெனில் மீது புகார், வாக்காளர்கள் மற்றும் அல்லாத வாக்காளர்கள் இடையே உண்மையான வேறுபாடுகள் அவர்கள் ஆய்வுகள் இருந்து தான் தோன்றும் விட சிறியதாக இருக்கும் பற்றிய முறையான இயற்கை. உதாரணமாக, ஒரு இளநிலை பட்டம் அந்த 22 சதவீத புள்ளிகள் வாக்கு தெரிவிக்க வாய்ப்பு அதிகமாக இருக்கிறது, ஆனால் மட்டும் 10 சதவீத புள்ளிகள் உண்மையான வாக்குகள் வாய்ப்பு அதிகமாக இருக்கிறது. மேலும், வாக்களிக்கும் இருக்கும் வளம் சார்ந்த கோட்பாடுகள் உண்மையில் யார் வாக்குகள் புதிய தத்துவங்களை புரிந்து வாக்களிக்கும் கணிக்க அழைப்பு விடுக்கும் பட்டறிவு விட வாக்களிக்கும் தெரிவிக்க யார் கணிக்கும் மிகவும் நன்றாக இருக்கும்.

ஆனால், எவ்வளவு நாம் இந்த முடிவுகளை நம்ப வேண்டும்? இந்த முடிவுகளை பிழை தெரியவில்லை அளவில் கறுப்பு பெட்டியில் தரவு பிழைகளுக்கு இணைக்கும் சார்ந்தது என்பதை நினைவில் கொள்ளுங்கள். மேலும் குறிப்பாக, முடிவுகளை இரண்டு முக்கிய வழிமுறைகளை இல்லைதான்: 1) ஒரு துல்லியமான மாஸ்டர் datafile மற்றும் 2) ஆய்வு தரவு அதன் மாஸ்டர் datafile இணைக்க Catalist திறனை தயாரிக்க பல வேறான தரவு மூலங்கள் இணைக்க Catalist திறனை. இந்த வழிமுறைகளை ஒவ்வொரு மிகவும் கடினமாக உள்ளது மற்றும் ஒன்று படியிலும் பிழைகள் தவறான முடிவுகளை ஆராய்ச்சியாளர்கள் வழிவகுக்கலாம். எனினும், அது பெரும்பாலும் ஆராய்ச்சியாளர்களை எந்த தனிப்பட்ட கல்வி ஆராய்ச்சியாளர் அல்லது குழு பொருத்த முடியும் என்று ஒரு அளவில், இந்த பிரச்சினைகளை தீர்க்கும் வளங்களை முதலீடு செய்யலாம், அதனால் தரவு செயலாக்கம் மற்றும் பொருத்தம் இரண்டையும் ஒரு நிறுவனம் Catalist தொடர்ந்து இருப்பது முக்கியமானதாக இருக்கிறது. அத்தியாயம் இறுதியில் கூடுதல் வாசிப்பு, நான் மேலும் விவரம் மற்றும் எப்படி Ansolabehere மற்றும் ஹெர்ஷ் தங்கள் முடிவுகளை நம்பிக்கையை உருவாக்க இந்தப் பிரச்சினைகளை விவரிக்க. இந்த விவரங்கள் இந்த ஆய்வில் குறிப்பிட்ட இருந்தாலும், இந்த ஒத்த பிரச்சினைகள் கருப்பு பெட்டியில் டிஜிட்டல் சுவடு தரவு மூலங்கள் இணைக்க விரும்பும் மற்ற ஆராய்ச்சியாளர்கள் எழும்.

பொது பாடங்கள் இந்த ஆய்வின் ஆராய்ச்சியாளர்கள் இருந்து வரைய முடியும் என்ன? முதல், ஆய்வு தரவு டிஜிட்டல் தடயங்கள் மெருகேற்றி இருந்து மிகப்பெரிய மதிப்பு உள்ளது. இரண்டாவதாக, இந்த ஒன்றுதிரட்டப்படும் கூட, வணிக தரவு மூலங்கள் "தரையில் உண்மை" கருத முடியாது, சில சமயங்களில் அவர்கள் பயனுள்ளதாக இருக்க முடியும். உண்மையில், அது இந்த தரவு மூலங்கள் (அவர்கள் எப்போதும் குறுகிய விழும் இருந்து) இல்லை சத்தியத்திற்கு எதிராக ஒப்பிடுவது சரியானதாகும். மாறாக, அதை தவிர்க்க அதே பிழைகள் கொண்ட மற்ற கிடைக்க தரவு மூலங்கள், அவற்றை ஒப்பிட்டு நல்லது.