3.3.1 តំណាង

ការតំណាងគឺអំពីការធ្វើសេចក្ដីសន្និដ្ឋានពីការឆ្លើយតបរបស់អ្នកទៅឱ្យប្រជាជនគោលដៅរបស់អ្នក។

ដើម្បីយល់ពីប្រភេទកំហុសដែលអាចកើតឡើងនៅពេលសួរពីអ្នកឆ្លើយសំណួរទៅប្រជាជនដែលមានទំហំធំចូរយើងពិនិត្យមើលការស្ទង់មតិតាម ស្តង់ដារធ្នាប់សង្ខេប ដែលបានព្យាករណ៍ពីលទ្ធផលនៃការបោះឆ្នោតប្រធានាធិបតីអាមេរិកឆ្នាំ 1936 ។ ថ្វីបើវាបានកើតឡើងជាង 75 ឆ្នាំមុនក៏ដោយក៏មហន្តរាយនេះនៅតែមានមេរៀនដ៏សំខាន់មួយដើម្បីបង្រៀនអ្នកស្រាវជ្រាវនៅថ្ងៃនេះ។

Literary Digest គឺជាទស្សនាវដ្តីចំណាប់អារម្មណ៍ទូទៅដែលមានប្រជាប្រិយហើយចាប់ផ្តើមពីឆ្នាំ 1920 ពួកគេបានចាប់ផ្តើមការស្ទង់មតិចំបើងដើម្បីទស្សន៍ទាយលទ្ធផលនៃការបោះឆ្នោតប្រធានាធិបតី។ ដើម្បីធ្វើការព្យាករណ៍ទាំងនេះពួកគេនឹងផ្ញើសន្លឹកឆ្នោតដល់មនុស្សជាច្រើនហើយបន្ទាប់មកសង្ខេបសន្លឹកឆ្នោតដែលត្រូវបានប្រគល់មកវិញ។ អក្សរសាស្ត្រ Digest បានរាយការណ៍ដោយមោទនភាពថាសន្លឹកឆ្នោតដែលពួកគេទទួលមិនត្រូវបាន "មានទម្ងន់សម្របសម្រួលនិងមិនបកប្រែទេ" ។ នីតិវិធីនេះបានទាយត្រឹមត្រូវពីអ្នកឈ្នះនៃការបោះឆ្នោតនៅឆ្នាំ 1920, 1924, 1928 និង 1932 ។ នៅឆ្នាំ 1936 នៅចំកណ្ដាលទំនាបដ៏មហិមា អក្សរសាស្ត្រ Digest បានផ្ញើសន្លឹកឆ្នោតដល់មនុស្សចំនួន 10 លាននាក់ដែលឈ្មោះរបស់ពួកគេភាគច្រើនមកពីថតទូរស័ព្ទនិងកំណត់ត្រាចុះបញ្ជីរថយន្ត។ នេះជារបៀបដែលពួកគេបានពិពណ៌នាវិធីសាស្រ្តរបស់ពួកគេ:

ម៉ាស៊ីនម៉ាស៊ីនរលូនរបស់ DIGEST ផ្លាស់ទីជាមួយភាពច្បាស់លាស់នៃបទពិសោធសាមសិបឆ្នាំដើម្បីកាត់បន្ថយការព្យាករណ៍ការពិត ... នៅសប្តាហ៍នេះប៊ិចចំនួន 500 ប៊ិចបានគ្របដណ្ដប់ជាងមួយភាគបួននៃមួយលានអាសយដ្ឋានក្នុងមួយថ្ងៃ។ ជារៀងរាល់ថ្ងៃនៅក្នុងបន្ទប់ដ៏ធំមួយដែលមានកម្ពស់ខ្ពស់ជាងរណបម៉ូតូបួននៅទីក្រុងញូវយ៉កកម្មករ 400 នាក់បានរអិលផ្ទាំងមួយដុំ ៗ រាប់លានដុំ - ដើម្បីលាងសមាតសែសិបប្លុកទីក្រុងចូលទៅក្នុងស្រោមព័ទ្ធជុំវិញ។ រាល់ពេលនៅក្នុងការិយាល័យប៉ុស្ដិ៍ post របស់ការិយាល័យឌីជីថលរបស់ខ្លួនមានម៉ាស៊ីនវាស់ស្ទង់ចំនួនបីដែលបិទជិតនិងបោះត្រាលើពណ៍ខៀវ។ និយោជិកប្រៃសណីយ៍ដែលមានជំនាញបានបញ្ចោញពួកវាចូលទៅក្នុងរទេះភ្លើង។ រថយន្តដឹកទំនិញ DIGEST បានជំរុញឱ្យពួកគេបង្ហាញពីរថភ្លើងតាមសំបុត្រ។ ។ ។ សប្តាហ៍ក្រោយចម្លើយទី 1 ពីចំនួន 10 លាននាក់ទាំងនេះនឹងចាប់ផ្តើមនូវការបោះត្រាដែលបានកត់សម្គាល់ដែលត្រូវបានកត់សម្គាល់ដែលត្រូវបានត្រួតពិនិត្យបីដងបានផ្ទៀងផ្ទាត់ចំនួនប្រាំដងឆ្លងកាត់ចំណាត់ថ្នាក់និងសរុប។ នៅពេលដែលតួលេខចុងក្រោយត្រូវបានគេពិនិត្យហើយបើសិនជាបទពិសោធកន្លងមកគឺជាលក្ខណៈវិនិច្ឆ័យមួយប្រទេសនឹងដឹងថាមានចំនួនតិចតួចនៃ 1 ភាគរយនៃការបោះឆ្នោតប្រជាប្រិយពិតប្រាកដរបស់អ្នកបោះឆ្នោត 40 លាននាក់»។ (22 សីហា 1936)

សៀវភៅណែនាំរបស់អ្នកនិពន្ធសៀវភៅ Literary Digest ត្រូវបានគេស្គាល់ភ្លាមៗចំពោះអ្នកស្រាវជ្រាវ "ទិន្នន័យដ៏ធំ" នាពេលបច្ចុប្បន្ននេះ។ ក្នុងចំណោមសន្លឹកឆ្នោតចំនួន 10 លានសន្លឹកដែលបានផ្តល់ជូនគួរឱ្យភ្ញាក់ផ្អើលមានចំនួន 2,4 លាននាក់ដែលមានចំនួនច្រើនជាងការស្ទង់មតិនយោបាយសម័យទំនើបប្រហែល 1.000 ដង។ ក្នុងចំណោមអ្នកឆ្លើយឆ្លងព័ត៌មានចំនួន 2,4 លាននាក់នេះសាលក្រមគឺច្បាស់លាស់ថា Alf Landon នឹងយកឈ្នះលើលោក Franklin Roosevelt ដែលកំពុងកាន់កាប់។ ប៉ុន្តែការពិតលោក Roosevelt បានចាញ់ Landon ក្នុងការរអិលបាក់ដី។ តើ រឿងនិទានសង្ខេប អាចទៅជាខុសដោយមានទិន្នន័យច្រើនយ៉ាងដូចម្ដេច? ការយល់ដឹងសម័យទំនើបរបស់យើងធ្វើឱ្យកំហុស អក្សរសិល្ប៍ ច្បាស់លាស់ហើយជួយយើងចៀសវាងកំហុសឆ្គងស្រដៀងគ្នានាពេលអនាគត។

ការគិតយ៉ាងច្បាស់អំពីការជ្រើសរើសគំរូតម្រូវឱ្យយើងពិចារណាលើក្រុមមនុស្សខុសគ្នា 4 នាក់ (រូបភាព 3.2) ។ ក្រុមទី 1 គឺ ប្រជាជនគោលដៅ ។ នេះគឺជាក្រុមដែលអ្នកស្រាវជ្រាវកំណត់ជាប្រជាជនដែលចាប់អារម្មណ៍។ នៅក្នុងករណី Literary Digest ប្រជាជនគោលដៅគឺអ្នកបោះឆ្នោតនៅក្នុងការបោះឆ្នោតប្រធានាធិបតីឆ្នាំ 1936 ។

បនា្ទ្រប់ពីការសម្រចចិត្តលើប្រជាជនគោលដៅមួយអ្នកស្រាវជ្រាវត្រូវការបង្កើតបញ្ជីមនុស្រសដ្រលអាចប្រើប្រស់បាន។ បញ្ជីនេះត្រូវបានគេហៅថា ស៊ុមគំរូ ហើយប្រជាជននៅលើវាត្រូវបានគេហៅថា ចំនួនប្រជាជនស៊ុម ។ តាមឧត្ដមគតិប្រជាពលរដ្ឋគោលដៅនិងចំនួនប្រជាជនស៊ុមនឹងមានភាពដូចគ្នាប៉ុន្តែនៅក្នុងការអនុវត្តជាក់ស្តែងនេះមិនមែនជាករណីនោះទេ។ ជាឧទាហរណ៍ក្នុងករណី Literary Digest ចំនួនប្រជាជនមានចំនួន 10 លាននាក់ដែលមានឈ្មោះល្បីជាទូទៅពីថតទូរស័ព្ទនិងកំណត់ត្រាចុះបញ្ជីរថយន្ត។ ភាពខុសគ្នារវាងប្រជាជនគោលដៅនិងចំនួនប្រជាជនស៊ុមត្រូវបានគេហៅថា កំហុសគ្របដណ្តប់ ។ កំហុសគ្របដណ្តប់មិនបាន, ដោយខ្លួនវាផ្ទាល់, ការធានាបញ្ហា។ ទោះជាយ៉ាងណាក៏ដោយវាអាចនាំឱ្យមាន ភាពលំអៀងនៃការគ្របដណ្តប់ ប្រសិនបើប្រជាជនក្នុងក្របខណ្ឌមានភាពខុសប្លែកពីប្រព័ន្ធពីមនុស្សនៅក្នុងប្រជាជនគោលដៅដែលមិនស្ថិតនៅក្នុងចំនួនប្រជាជន។ ជាការពិតណាស់នេះជាអ្វីដែលបានកើតឡើងនៅក្នុងការស្ទង់មតិ អក្សរសាស្ត្រ ។ ប្រជាជននៅក្នុងក្របខណ្ឌរបស់ពួកគេហាក់ដូចជាមានលទ្ធភាពច្រើនដើម្បីគាំទ្រដល់អាល់ហ្វឡិនន (Alf Landon) ជាផ្នែកមួយដោយសារតែពួកគេមានទ្រព្យសម្បត្តិច្រើន (ចងចាំថាទូរស័ព្ទនិងរថយន្តមានទំនាក់ទំនងថ្មីនិងមានតំលៃថ្លៃនៅឆ្នាំ 1936) ។ ដូច្នេះនៅក្នុងការស្ទង់មតិ អក្សរសាស្ត្រ អវិជ្ជមានកំហុសគ្របដណ្តប់បាននាំឱ្យមានភាពលំអៀង។

រូបភាព 3.2: កំហុសតំណាង។

រូបភាព 3.2: កំហុសតំណាង។

បន្ទាប់ពីការកំណត់ ចំនួនប្រជាជនស៊ុម ជំហានបន្ទាប់គឺសម្រាប់អ្នកស្រាវជ្រាវម្នាក់ដើម្បីជ្រើសរើស ប្រជាជនគំរូ ។ ទាំងនេះគឺជាមនុស្សដែលអ្នកស្រាវជ្រាវនឹងព្យាយាមសំភាសន៍។ ប្រសិនបើគំរូមានលក្ខណៈផ្សេងគ្នាច្រើនជាងចំនួនស៊ុមនោះគំរូអាចនាំមកនូវ កំហុសគំរូ ។ ទោះយ៉ាងណាក្នុងករណីសៀវភៅ អវិជ្ជាអក្សរសិល្ប៍អក្សរសិល្ប៍ មិនមានឧទាហរណ៍ទេទស្សនាវដ្តីនេះត្រូវទាក់ទងមនុស្សគ្រប់រូបនៅក្នុងប្រជាកសិករ - ហើយដូច្នេះមិនមានកំហុសអ្វីទេ។ អ្នកស្រាវជ្រាវជាច្រើនមានទំនោរផ្តោតលើកំហុសគំរូ - នេះជាកំហុសឆ្គងតែមួយគត់ដែលត្រូវបានចាប់យកដោយកំហុសនៃកំហុសឆ្គងដែលបានរាយការណ៍នៅក្នុងការស្ទង់មតិប៉ុន្តែភាពអយុត្តិធម៌ អក្សរសិល្ប៍ រំឭករំលឹកយើងថាយើងត្រូវពិចារណាគ្រប់ប្រភពកំហុសទាំងចៃដន្យនិងប្រព័ន្ធ។

ជាចុងក្រោយបន្ទាប់ពីជ្រើសរើសចំនួនប្រជាជនគំរូមួយអ្នកស្រាវជ្រាវម្នាក់ព្យាយាមសំភាសន៍សមាជិកទាំងអស់របស់ខ្លួន។ អ្នកដែលត្រូវបានសម្ភាសន៍ដោយជោគជ័យត្រូវបានគេហៅថា អ្នកឆ្លើយតប ។ តាមឧត្ដមគតិប្រជាពលរដ្ឋគំរូនិងអ្នកឆ្លើយឆ្លងនឹងមានលក្ខណៈដូចគ្នាប៉ុន្តែនៅក្នុងការអនុវត្តជាក់ស្តែងមានចម្លើយដែលមិនឆ្លើយតប។ នោះគឺជាមនុស្សដែលត្រូវបានជ្រើសរើសនៅក្នុងគំរូពេលខ្លះមិនចូលរួម។ ប្រសិនបើអ្នកដែលឆ្លើយតបខុសពីអ្នកដែលមិនឆ្លើយតបនោះអាចមាន ភាពលំអៀងមិនឆ្លើយតប ។ ការលំអៀងដោយមិនឆ្លើយតបគឺជាបញ្ហាចម្បងទីពីរនៃការស្ទង់មតិ អក្សរសាស្ត្រអក្សរសិល្ប៍ ។ មានតែ 24% នៃមនុស្សដែលបានទទួលសន្លឹកឆ្នោតប៉ុណ្ណោះហើយវាបានបង្ហាញថាអ្នកដែលគាំទ្រ Landon ហាក់ដូចជាឆ្លើយតប។

លើសពីនេះគ្រាន់តែជាឧទាហរណ៍ដើម្បីណែនាំពីគំនិតនៃការតំណាងនោះការស្ទង់មតិ អក្សរសិល្ប៍ស្រដៀងគ្នា គឺជាការប្រៀបធៀប - ម្តងហើយម្តងទៀតដែលបានព្រមានអ្នកស្រាវជ្រាវអំពីគ្រោះថ្នាក់នៃការជ្រើសរើសគំរូ។ ជាអកុសលខ្ញុំគិតថាមេរៀនដែលមនុស្សជាច្រើនគូរពីរឿងនេះគឺខុស។ សីលធម៌ទូទៅបំផុតនៃរឿងនេះគឺថាអ្នកស្រាវជ្រាវមិនអាចរៀនអ្វីពីសំណាកដែលមិនមានប្រូបាប៊ីលីតេ (ឧទាហរណ៍សំណាកដោយគ្មានច្បាប់ដែលមានមូលដ្ឋានលើប្រូប៉ាប៊ីលីតេខ្ពស់សម្រាប់ជ្រើសរើសអ្នកចូលរួម) ។ ប៉ុន្តែដូចដែលខ្ញុំនឹងបង្ហាញក្នុងជំពូកនេះវាមិនត្រឹមត្រូវទេ។ ផ្ទុយទៅវិញខ្ញុំគិតថាមានសីលធម៌ពីរចំពោះរឿងនេះ។ សីលធម៌ដែលមានភាពត្រឹមត្រូវសព្វថ្ងៃនេះដូចដែលពួកគេមាននៅក្នុងឆ្នាំ 1936 ។ ទីមួយទិន្នន័យដែលប្រមូលបានច្រើននឹងមិនធានានូវការប៉ាន់ប្រមាណល្អទេ។ ជាទូទៅមានអ្នកឆ្លើយឆ្លងព័តមានច្រើនបានបន្ថយភាពខុសគ្នានៃការប៉ាន់ប្រមាណប៉ុន្តែវាមិនចាំបាច់បន្ថយភាពលំអៀងនោះទេ។ ជាមួយនឹងទិន្នន័យច្រើនក្រុមអ្នកស្រាវជ្រាវជួនកាលអាចទទួលបានការប៉ាន់ស្មានខុសពីអ្វីដែលខុស។ ពួកគេអាចមាន ភាពមិនទៀងត្រង់យ៉ាងច្បាស់ (McFarland and McFarland 2015) ។ មេរៀនសំខាន់ទីពីរពីភាពមិនប្រក្រតី អក្សរសាស្ត្រ គឺថាអ្នកស្រាវជ្រាវត្រូវការគណនាអំពីរបៀបប្រមូលសំណាករបស់ពួកគេនៅពេលធ្វើការប៉ាន់ស្មាន។ និយាយម្យ៉ាងទៀតដោយសារដំណើរការគំរូនៅក្នុងការស្ទង់មតិ អក្សរសិល្ប៍អវិជ្ជមាន ត្រូវបានគេបែងចែកជាប្រព័ន្ធចំពោះអ្នកឆ្លើយសំណួរមួយចំនួនអ្នកស្រាវជ្រាវត្រូវការប្រើដំណើរការប៉ាន់ស្មានស្មុគស្មាញដែលមានទម្ងន់ដល់អ្នកឆ្លើយសំណួរច្រើនជាងអ្នកដទៃ។ ក្រោយមកទៀតនៅក្នុងជំពូកនេះខ្ញុំនឹងបង្ហាញអ្នកនូវវិធីសាស្ត្រទំងន់មួយបន្ទាប់ពីការធ្វើ stratification - ដែលអាចឱ្យអ្នកធ្វើការប៉ាន់ស្មានបានល្អជាងមុនពីគំរូ haphazard ។