សកម្មភាព

• កម្រិតនៃការលំបាក: ងាយស្រួល មធ្យម រឹង , ពិបាក​ណាស់
• តម្រូវឱ្យគណិតវិទ្យា ( )
• ទាមទារសរសេរកូដ ( )
• ការ​ប្រមូល​ទិន្នន័យ ( )
• ចំណង់ចំណូលចិត្ត​របស់ខ្ញុំ ( )

1. [ ,, ] នៅក្នុងជំពូកនេះខ្ញុំមានអារម្មណ៍វិជ្ជមានអំពីការបែងចែកក្រោយ។ ទោះជាយ៉ាងណាក៏ដោយនេះមិនតែងតែធ្វើឱ្យប្រសើរឡើងនូវគុណភាពនៃការប៉ាន់ប្រមាណទេ។ ស្ថាបនាស្ថានភាពដែលជាលំដាប់ក្រោយការបែងចែកអាចបន្ថយគុណភាពនៃការប៉ាន់ប្រមាណ។ (សម្រាប់ព័ត៌មានជំនួយសូមមើល Thomsen (1973) ។ )

2. [ ,, ,, ] រចនានិងធ្វើការស្ទង់មតិមួយដែលមិនអាចធ្វើទៅបាននៅលើ Amazon Mechanical Turk ដើម្បីសួរអំពីភាពជាម្ចាស់កាំភ្លើងនិងឥរិយាបថឆ្ពោះទៅរកការគ្រប់គ្រងកាំភ្លើង។ ដូច្នេះអ្នកអាចប្រៀបធៀបការប៉ាន់ប្រមាណរបស់អ្នកទៅនឹងអ្នកដែលមកពីគំរូប្រូបាបប្រហែលជាចម្លងអត្ថបទសំណួរនិងជម្រើសឆ្លើយតបដោយផ្ទាល់ពីការស្ទង់មតិដែលមានគុណភាពខ្ពស់ដូចជាការគ្រប់គ្រងដោយមជ្ឈមណ្ឌលស្រាវជ្រាវ Pew ។

   1. តើការស្ទង់មតិរបស់អ្នកមានរយៈពេលប៉ុន្មាន? តេ​ី​វា​ថ្លៃ​ប៉ុន្មាន​? តើប្រជាសាស្ត្រនៃគំរូរបស់អ្នកប្រៀបធៀបជាមួយនឹងប្រជាសាស្ត្ររបស់ប្រជាជនអាមេរិកបានយ៉ាងដូចម្តេច?
   2. តើការប៉ាន់ប្រមាណឆៅនៃភាពជាម្ចាស់នៃកាំភ្លើងដោយប្រើគំរូរបស់អ្នកដែរឬទេ?
   3. ត្រឹមត្រូវសម្រាប់ការមិនបង្ហាញពីគំរូនៃគំរូរបស់អ្នកដោយប្រើ stratification ក្រោយឬបច្ចេកទេសផ្សេងទៀត។ ឥឡូវនេះការប៉ាន់ស្មាននៃភាពជាម្ចាស់កាំភ្លើងគឺជាអ្វី?
   4. តើការប៉ាន់ប្រមាណរបស់អ្នកប្រៀបធៀបជាមួយនឹងការប៉ាន់ប្រមាណចុងក្រោយពីសំណាកផ្អែកលើប្រូបាប? តើអ្នកគិតថាពន្យល់ពីភាពខុសគ្នាយ៉ាងណាប្រសិនបើមាន?
   5. ធ្វើម្តងទៀតសំណួរ (ខ) - (ឃ) សម្រាប់ឥរិយាបថចំពោះការគ្រប់គ្រងកាំភ្លើង។ តើការរកឃើញរបស់អ្នកខុសគ្នាយ៉ាងដូចម្តេច?

3. [ ,, ,, ហ្គូអេលនិងសហសេវិក (2016) ដឹកនាំសំណួរចំនួន 49 ជម្រើសដែលត្រូវបានដកស្រង់ចេញពីការស្ទង់មតិសង្គមទូទៅ (GSS) និងជ្រើសរើសការស្ទង់មតិដោយមជ្ឈមណ្ឌលស្រាវជ្រាវ Pew ទៅនឹងគំរូនៃអ្នកឆ្លើយសំណួរមិនត្រូវបានដកចេញពីក្រុមហ៊ុន Amazon Mechanical Turk ។ បន្ទាប់មកពួកគេបានកែតម្រូវទិន្នន័យដែលមិនតំណាងដោយប្រើវិធីសាស្ត្រក្រោយការបែងចែកតាមគំរូនិងប្រៀបធៀបការប៉ាន់ប្រមាណដែលបានប៉ាន់ប្រមាណរបស់ពួកគេជាមួយនឹងអ្នកដែលមកពីការស្ទង់មតិ GSS និង Pew ដែលមានមូលដ្ឋានប្រូបាប។ ធ្វើការស្ទង់មតិដូចគ្នានឹងក្រុមហ៊ុន Amazon Mechanical Turk ហើយព្យាយាមថតចម្លងតួលេខ 2a និងតួលេខ 2b ដោយប្រៀបធៀបការប៉ាន់ប្រមាណរបស់អ្នកជាមួយនឹងការប៉ាន់ស្មានពីជុំចុងក្រោយបំផុតនៃការស្ទង់មតិ GSS និង Pew ។ (សូមមើលតារាងឧបសម្ព័ន្ធ A2 សម្រាប់បញ្ជីសំណួរចំនួន 49 ។ )

   1. ប្រៀបធៀបនិងផ្ទុយលទ្ធផលរបស់អ្នកជាមួយអ្នកដែលមកពី Pew និង GSS ។
   2. ប្រៀបធៀបនិងប្រៀបធៀបលទ្ធផលរបស់អ្នកជាមួយអ្នកដែលមកពីការស្ទង់មតិមេកានិចនៅក្នុង Goel, Obeng, and Rothschild (2016) ។

4. [ ,, ,, ] ការសិក្សាជាច្រើនប្រើវិធានការដោយខ្លួនឯងបានរាយការណ៍ពីការប្រើប្រាស់ទូរស័ព្ទដៃ។ នេះគឺជាការកំណត់គួរឱ្យចាប់អារម្មណ៍ដែលក្រុមអ្នកស្រាវជ្រាវអាចប្រៀបធៀបឥរិយាបថដែលខ្លួនបានរាយការណ៍ជាមួយឥរិយាបថដែលបានកំណត់ (មើលឧទាហរណ៍ Boase and Ling (2013) ) ។ អាកប្បកិរិយាធម្មតាពីរដែលត្រូវសួរគឺការហៅទូរស័ព្ទនិងការផ្ញើរសារហើយស៊ុមពេលវេលាធម្មតាពីរគឺ "កាលពីម្សិលមិញ" និង "កាលពីសប្តាហ៍មុន" ។

   1. មុននឹងប្រមូលទិន្នន័យណាមួយតើអ្នកគិតថាមានភាពត្រឹមត្រូវច្រើនជាងមុនដែរឬទេ? ហេតុអ្វី?
   2. ជ្រើសរើសមិត្តភក្តិ 5 នាក់របស់អ្នកដើម្បីធ្វើការស្ទង់មតិ។ សូមសង្ខេបពីរបៀបដែលមិត្តប្រាំនាក់ទាំងនេះត្រូវបានគេជ្រើសរើស។ តើវិធីសាស្ត្រគំរូនេះអាចបង្កឱ្យមានភាពលំអៀងជាក់លាក់នៅក្នុងការប៉ាន់ប្រមាណរបស់អ្នកដែរឬទេ?
   3. សួរពួកគេនូវសំណួរ microsurvey ដូចខាងក្រោម:
   • "តើអ្នកបានប្រើទូរស័ព្ទដៃរបស់អ្នកប៉ុន្មានដងដើម្បីទូរស័ព្ទទៅអ្នកផ្សេងកាលពីម្សិលមិញ?"
   • "តើអ្នកបានផ្ញើសារជាអក្សរប៉ុន្មានពីម្សិលមិញ?"
   • "តើអ្នកបានប្រើទូរស័ព្ទដៃរបស់អ្នកប៉ុន្មានដងក្នុងរយៈពេល 7 ថ្ងៃចុងក្រោយ?"
   • "តើអ្នកបានប្រើទូរស័ព្ទដៃរបស់អ្នកប៉ុន្មានដងដើម្បីផ្ញើឬទទួលសារអត្ថបទ / សារខ្លីៗក្នុងរយៈពេល 7 ថ្ងៃចុងក្រោយនេះ?"
   4. នៅពេលដែល microsurvey នេះត្រូវបានបញ្ចប់សូមសួររកមើលទិន្នន័យប្រើប្រាស់របស់ពួកគេតាមទូរស័ព្ទរបស់អ្នកឬអ្នកផ្តល់សេវា។ តើការប្រើរបាយការណ៏ដោយខ្លួនឯងប្រៀបធៀបជាមួយនឹងទិន្នន័យកំណត់ហេតុដោយរបៀបណា? ដែលមានភាពត្រឹមត្រូវបំផុតដែលមានភាពត្រឹមត្រូវតិចតួច?
   5. ឥឡូវនេះបញ្ចូលទិន្នន័យដែលអ្នកបានប្រមូលជាមួយទិន្នន័យពីមនុស្សផ្សេងទៀតក្នុងថ្នាក់របស់អ្នក (ប្រសិនបើអ្នកធ្វើសកម្មភាពនេះសម្រាប់ថ្នាក់) ។ ជាមួយសំណុំទិន្នន័យធំនេះធ្វើម្តងទៀតផ្នែក (ឃ) ។

5. [ ,, Schuman និង Presser (1996) អះអាងថាការបញ្ជាទិញសំណួរនឹងមានសារៈសំខាន់ចំពោះសំណួរពីរប្រភេទគឺៈសំណួរពាក់កណ្តាលសំណួរដែលសំណួរពីរមានកម្រិតដូចគ្នានៃភាពជាក់លាក់ (ឧទាហរណ៍ចំណាត់ថ្នាក់របស់បេក្ខជនប្រធានាធិបតីពីររូប) ។ និងសំណួរទាំងមូលដែលសំណួរទូទៅត្រូវធ្វើតាមសំណួរជាក់លាក់ (ឧទាហរណ៍ការសួរថា "តើអ្នកពេញចិត្តនឹងការងាររបស់អ្នកឬទេ?" បន្ទាប់មក "តើអ្នកពេញចិត្តនឹងជីវិតរបស់អ្នកយ៉ាងណា?") ។

   ពួកគេបន្ថែមលក្ខណៈពីរប្រភេទនៃបែបផែនលំដាប់: ផលប៉ះពាល់នៅពេលកើតមានឡើងនៅពេលដែលការឆ្លើយតបទៅនឹងសំណួរក្រោយមកត្រូវបានគេយកទៅជិត (ជាងបើមិនដូច្នោះទេ) ទៅអ្នកដែលត្រូវបានសួរ។ ផលផ្ទុយគ្នាកើតឡើងនៅពេលមានការខុសគ្នារវាងការឆ្លើយតបទៅនឹងសំណួរពីរ។

   1. បង្កើតសំនួរមួយផ្នែកដែលអ្នកគិតថានឹងមានប្រសិទ្ធិភាពលំដាប់សំណួរធំ។ សំណួរមួយទាំងមូលដែលអ្នកគិតថានឹងមានប្រសិទ្ធិភាពធំធេង។ និងសំណួរមួយគូដែលអ្នកគិតថានឹងមិនមានបញ្ហា។ រត់ការស្ទង់មតិមួយនៅលើក្រុមហ៊ុន Amazon Mechanical Turk ដើម្បីសាកល្បងសំណួររបស់អ្នក។
      
   2. តើអ្នកអាចបង្កើតនូវឥទ្ធិពលមួយផ្នែកធំប៉ុនណា? តើវាមានភាពស្រដៀងគ្នាឬឥទ្ធិពលផ្ទុយគ្នាមែនទេ?
   3. តើមានឥទ្ធិពលធំប៉ុនណាដែលអ្នកអាចបង្កើតបាន? តើវាមានភាពស្រដៀងគ្នាឬឥទ្ធិពលផ្ទុយគ្នាមែនទេ?
   4. តើមានប្រសិទ្ធិភាពបញ្ជាទិញសំណួរនៅក្នុងគូរបស់អ្នកដែលជាកន្លែងដែលអ្នកមិនគិតថាលំដាប់នេះនឹងជាបញ្ហា?

6. [ ,, ] ការកសាងលើស្នាដៃរបស់ Schuman និង Presser, Moore (2002) ពិពណ៌នាអំពីវិមាត្រដាច់ដោយឡែកមួយនៃបែបផែនលំដាប់សំណួរ: ផលប៉ះពាល់បន្ថែមនិងផលបញ្ញត្តិ។ ថ្វីបើឥទ្ធិពលផ្ទុយគ្នានិងភាពស៊ីសង្វាក់ត្រូវបានបង្កើតឡើងដោយលទ្ធផលនៃការវាយតម្លៃរបស់អ្នកឆ្លើយឆ្លងគ្នាចំពោះធាតុពីរដែលទាក់ទងនឹងគ្នាទៅវិញទៅមកក៏ដោយក៏ផលប៉ះពាល់និងផលប៉ះពាល់ត្រូវបានបង្កើតឡើងនៅពេលដែលអ្នកឆ្លើយសំណួរត្រូវបានគេធ្វើឱ្យងាយយល់ដល់ក្របខ័ណ្ឌធំជាងដែលក្នុងនោះមានសំនួរ។ សូមអាន Moore (2002) ហើយបន្ទាប់មករៀបចំនិងដំណើរការការស្ទង់មតិមួយលើ MTurk ដើម្បីបង្ហាញពីផលប៉ះពាល់បន្ថែមឬដក។

7. [ ,, ] Christopher Antoun និងសហសេវិក (2015) បានធ្វើការសិក្សាប្រៀបធៀបគំរូភាពងាយស្រួលដែលទទួលបានពីប្រភពជ្រើសរើសបុគ្គលិកតាមអ៊ិនធ័រណែតខុសៗគ្នាចំនួនបួនគឺ: MTurk, Craigslist, Google AdWords និង Facebook ។ រចនាការស្ទង់មតិសាមញ្ញនិងជ្រើសរើសអ្នកចូលរួមតាមរយៈយ៉ាងហោចណាស់ប្រភពជ្រើសរើសបុគ្គលិកអនឡាញចំនួនពីរខុសគ្នា (ប្រភពទាំងនេះអាចខុសគ្នាពីប្រភពទាំងបួនដែលត្រូវបានប្រើនៅក្នុង Antoun et al. (2015) ) ។

   1. ប្រៀបធៀបថ្លៃចំណាយក្នុងមួយជ្រើសរើស - ក្នុងលក្ខខណ្ឌនៃប្រាក់និងពេលវេលា - រវាងប្រភពផ្សេងៗគ្នា។
   2. ប្រៀបធៀបសមាសធាតុនៃសំណាកដែលទទួលបានពីប្រភពផ្សេងៗគ្នា។
   3. ប្រៀបធៀបគុណភាពទិន្នន័យរវាងគំរូ។ ចំពោះគំនិតអំពីរបៀបវាស់គុណភាពទិន្នន័យពីអ្នកឆ្លើយសំណួរសូមមើល Schober et al. (2015) ។
   4. តើអ្វីទៅជាប្រភពដែលអ្នកពេញចិត្ត? ហេតុអ្វី?

8. [ ក្នុងកិច្ចប្រឹងប្រែងដើម្បីទស្សន៍ទាយលទ្ធផលនៃការធ្វើប្រជាមតិរបស់សហភាពអឺរ៉ុបឆ្នាំ 2016 (ឧ។ Brexit) YouGov ដែលជាក្រុមហ៊ុនស្រាវជ្រាវទីផ្សារតាមអ៊ិនធឺរណែតបានធ្វើការស្ទង់មតិតាមអ៊ីនធរណេតពីក្រុមអ្នកឆ្លើយតបប្រហែល 800.000 នាក់នៅក្នុងចក្រភពអង់គ្លេស។

   សេចក្ដីពិពណ៌នាលំអិតនៃគំរូស្ថិតិ YouGov អាចរកបាននៅ https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/ ។ ប្រហែលនិយាយ YouGov បានបែងចែកអ្នកបោះឆ្នោតទៅជាប្រភេទដែលផ្អែកលើជម្រើសបោះឆ្នោតទូទៅឆ្នាំ 2015 អាយុសមាសភាពយេនឌ័រនិងកាលបរិច្ឆេទនៃការសម្ភាសន៍ក៏ដូចជាមណ្ឌលបោះឆ្នោតដែលពួកគេរស់នៅ។ ដំបូងពួកគេបានប្រើទិន្នន័យដែលប្រមូលបានពីក្រុមអ្នកគាំទ្រ YouGov ដើម្បីប៉ាន់ប្រមាណក្នុងចំណោមអ្នកដែលបានបោះឆ្នោតសមាមាត្រនៃប្រជាជននៃប្រភេទអ្នកបោះឆ្នោតដែលមានបំណងបោះឆ្នោតចេញ។ ពួកគេបានប៉ាន់ប្រមាណពីចំនួនអ្នកទៅបោះឆ្នោតនីមួយៗដោយប្រើការស្ទង់មតិអង់គ្លេសឆ្នាំ 2015 (BES) ដែលជាការស្ទង់មតិផ្ទាល់មាត់ក្រោយការបោះឆ្នោតដែលបានបង្ហាញពីចំនួនអ្នកចូលរួមបោះឆ្នោតដែលបានចុះបញ្ជី។ ចុងបញ្ចប់ពួកគេបានប៉ាន់ប្រមាណថាតើមានចំនួនអ្នកបោះឆ្នោតចំនួនប៉ុន្មាននាក់នៅក្នុងការបោះឆ្នោតដោយផ្អែកលើជំរឿនប្រជាជននិងការស្ទង់មតិប្រជាជនប្រចាំឆ្នាំ (ជាមួយនឹងព័ត៌មានបន្ថែមពីប្រភពទិន្នន័យផ្សេងទៀត) ។

   បីថ្ងៃមុនការបោះឆ្នោត YouGov បានបង្ហាញពីការនាំមុខពីរពិន្ទុសម្រាប់ការចាកចេញ។ នៅមុនថ្ងៃបោះឆ្នោតការបោះឆ្នោតបានបង្ហាញថាលទ្ធផលគឺជិតដល់ការហៅ (49/51 នៅសល់) ។ ការសិក្សាចុងក្រោយលើការសិក្សាមួយបានព្យាករណ៍ថា 48/52 ចំពោះការបន្តរបស់ Remain (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ។ ការពិត, ការប៉ាន់ប្រមាណនេះបានខកខានលទ្ធផលចុងក្រោយ (52/48 ទុក) ដោយ 4 ភាគរយ។

   1. ប្រើក្របខ័ណ្ឌកំហុសការស្ទង់មតិសរុបដែលបានពិភាក្សានៅក្នុងជំពូកនេះដើម្បីវាយតំលៃនូវអ្វីដែលអាចខុស។
   2. ការឆ្លើយតបរបស់ YouGov បន្ទាប់ពីការបោះឆ្នោត (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) បានពន្យល់ថា: "នេះហាក់បីដូចជាផ្នែកមួយធំដោយសារតែការចូលរួមបោះឆ្នោត យើងបាននិយាយថានឹងមានភាពចាំបាច់ចំពោះលទ្ធផលនៃការប្រណាំងដ៏មានតុល្យភាពមួយ។ គំរូរបស់អ្នកចូលរួមរបស់យើងគឺផ្អែកទៅតាមថាតើអ្នកឆ្លើយឆ្លងបានបោះឆ្នោតនៅឯការបោះឆ្នោតទូទៅចុងក្រោយហើយកម្រិតនៃការបោះជំហានខ្ពស់ជាងការបោះឆ្នោតជាទូទៅដែលធ្វើឱ្យម៉ូឌែលខកចិត្តជាពិសេសនៅក្នុងប្រទេសកូរ៉េខាងជើង។ តើវាផ្លាស់ប្តូរចម្លើយរបស់អ្នកទៅផ្នែក (ក) ដែរឬទេ?

9. [ ,, ] សរសេរការក្លែងបន្លំដើម្បីពន្យល់អំពីកំហុសនីមួយៗក្នុងរូបភាព 3.2 ។

   1. បង្កើតស្ថានភាពដែលកំហុសទាំងនេះពិតជាលុបចោល។
   2. បង្កើតស្ថានភាពមួយដែលមានកំហុសឆ្គងផ្សំគ្នា។

10. [ ,, ] ការស្រាវជ្រាវរបស់ Blumenstock និងសហសេវិក (2015) ពាក់ព័ន្ធនឹងការបង្កើតគំរូសិក្សាម៉ាស៊ីនដែលអាចប្រើទិន្នន័យដានឌីជីថលដើម្បីទស្សន៍ទាយការស្ទង់មតិ។ ឥឡូវអ្នកនឹងព្យាយាមរឿងដូចគ្នាជាមួយសំណុំទិន្នន័យផ្សេងគ្នា។ Kosinski, Stillwell, and Graepel (2013) រកឃើញថាការចូលចិត្តរបស់ហ្វេសប៊ុកអាចទស្សន៍ទាយលក្ខណៈនិងគុណលក្ខណៈបុគ្គល។ គួរឱ្យភ្ញាក់ផ្អើល, ការព្យាករណ៍ទាំងនេះអាចមានភាពត្រឹមត្រូវជាងចំនួនមិត្តភក្តិនិងមិត្តរួមការងារ (Youyou, Kosinski, and Stillwell 2015) ។

    1. អាន Kosinski, Stillwell, and Graepel (2013) និងចម្លងរូបលេខ 2. ទិន្នន័យរបស់ពួកគេអាចរកបាននៅ http://mypersonality.org/ ។
    2. ឥឡូវនេះតម្លាភាពតួលេខទី 3 ។
    3. ចុងក្រោយសូមសាកល្បងគំរូរបស់ពួកគេនៅលើទិន្នន័យហ្វេសប៊ុកផ្ទាល់ខ្លួនរបស់អ្នក: http://applymagicsauce.com/ ។ តើវាមានប្រសិទ្ធភាពយ៉ាងណាចំពោះអ្នក?

11. [ ] Toole et al. (2015) បានប្រើកំណត់ត្រាលម្អិតការហៅទូរស័ព្ទ (CDRs) ពីទូរស័ព្ទដៃដើម្បីព្យាករណ៍និន្នាការគ្មានការងារធ្វើសរុប។

    1. ចេះប្រៀបធៀបនិងធ្វើផ្ទុយពីការរៀបចំការសិក្សារបស់ Toole et al. (2015) ជាមួយ Blumenstock, Cadamuro, and On (2015) ។
    2. តើអ្នកគិតថា CDR គួរតែជំនួសការស្ទង់មតិបែបប្រពៃណីបំពេញបន្ថែមពួកគេឬមិនត្រូវបានគេប្រើទាំងអស់សម្រាប់អ្នកបង្កើតគោលនយោបាយរបស់រដ្ឋាភិបាលដើម្បីតាមដានភាពអត់ការងារធ្វើ? ហេតុអ្វី?
    3. តើភ័ស្តុតាងអ្វីខ្លះដែលនឹងបញ្ចុះបញ្ចូលអ្នកថា CDR អាចជំនួសទាំងស្រុងនូវវិធានការចាស់នៃអត្រាគ្មានការងារធ្វើ?