សកម្មភាព

ពាក្យគន្លឹះ:

  • កម្រិតនៃការលំបាក: ងាយស្រួលក្នុងការ ជាការងាយស្រួល មធ្យម មធ្យម , ការលំបាក ការលំបាក , ពិបាក​ណាស់ ពិបាក​ណាស់
  • តម្រូវឱ្យគណិតវិទ្យា ( តម្រូវឱ្យគណិតវិទ្យា )
  • តម្រូវឱ្យមានការសរសេរកូដ ( តម្រូវឱ្យមានការសរសេរកូដ )
  • ការ​ប្រមូល​ទិន្នន័យ ( ការ​ប្រមូល​ទិន្នន័យ )
  • ចំណង់ចំណូលចិត្ត​របស់ខ្ញុំ ( ចំណង់ចំណូលចិត្ត​របស់ខ្ញុំ )
  1. [ ការលំបាក , តម្រូវឱ្យគណិតវិទ្យា ] នៅក្នុងជំពូកនេះ, ខ្ញុំមានភាពវិជ្ជមានពីក្រោយការ stratification ។ ទោះយ៉ាងណាវាមិនតែងតែប្រសើរឡើងនូវគុណភាពនៃការប៉ាន់ប្រមាណនេះ។ សង់ស្ថានភាពជាកន្លែងដែលអាចមាន stratification អាចប្រកាស-បន្ថយការព្យាករគុណភាពនៃការមួយ។ (ចំពោះជំនួយសូមមើល Thomsen (1973) ) ។

  2. [ ការលំបាក , ការ​ប្រមូល​ទិន្នន័យ , តម្រូវឱ្យមានការសរសេរកូដ ] ការរចនានិងធ្វើការស្ទាបស្ទង់ដែលមិនមែនជាប្រូនៅលើក្រុមហ៊ុន Amazon MTurk ដើម្បីសួរអំពីភាពជាម្ចាស់កាំភ្លើង ( "តើអ្នកឬធ្វើឱ្យនរណាម្នាក់ក្នុងគ្រួសាររបស់អ្នក, ម្ចាស់កាំភ្លើង, កាំភ្លើងឬកាំភ្លើងខ្លី? គឺថាអ្នកឬនរណាម្នាក់ផ្សេងទៀតនៅក្នុងគ្រួសាររបស់អ្នកឬទេ?") និង ឥរិយាបថឆ្ពោះទៅរកការគ្រប់គ្រងកាំភ្លើង ( "តើអ្នកគិតថាជាការសំខាន់ដើម្បីឱ្យកាន់តែច្រើនការពារសិទ្ធិនៃជនជាតិអាមេរិកធ្វើជាម្ចាស់កាំភ្លើងឬភាពជាម្ចាស់កាំភ្លើងដើម្បីគ្រប់គ្រងការ?") ។

    1. រយៈពេលយូរតើនឹងស្ទង់មតិរបស់អ្នកយក? តេ​ី​វា​ថ្លៃ​ប៉ុន្មាន​? តើប្រជាសាស្ត្រនៃគំរូរបស់អ្នកប្រៀបធៀបទៅនឹងប្រជាសាស្ត្រនៃចំនួនប្រជាជនអាមេរិកយ៉ាងដូចម្ដេច?
    2. ការព្យាករនៃភាពជាម្ចាស់កាំភ្លើងឆៅដោយប្រើប្រាស់គំរូរបស់អ្នកជាអ្វី?
    3. ត្រឹមត្រូវសម្រាប់ការមិនជាតំណាងនៃសំណាកគំរូរបស់អ្នកដោយប្រើក្រោយការ stratification ឬបច្ចេកទេសមួយចំនួនផ្សេងទៀត។ ឥឡូវនេះអ្វីដែលជាការប៉ាន់ប្រមាណនៃភាពជាម្ចាស់កាំភ្លើង?
    4. ការប៉ាន់ប្រមាណរបស់អ្នកប្រៀបធៀបតើការព្យាករចុងក្រោយបំផុតពីមជ្ឈមណ្ឌលស្រាវជ្រាវ Pew បានយ៉ាងដូចម្តេច? តើអ្នកគិតពន្យល់ភាពខុសគ្នានេះប្រសិនបើមានណាមួយ?
    5. ធ្វើម្តងទៀតការធ្វើលំហាត់ប្រាណ 2-5 ចំពោះឥរិយាបថឆ្ពោះទៅរកការត្រួតពិនិត្យកាំភ្លើង។ តើការរកឃើញរបស់អ្នកខុសគ្នាយ៉ាងណា?
  3. [ ពិបាក​ណាស់ , ការ​ប្រមូល​ទិន្នន័យ , តម្រូវឱ្យមានការសរសេរកូដ ] Goel និងមិត្តរួមការងារ (2016) គ្រប់គ្រងដែលមិនមែនជាការស្ទង់មតិមួយដែលមានមូលដ្ឋានប្រូសំណួរឥរិយាបទដែលមានជម្រើសច្រើន 49 ចេញពីការស្ទង់មតិទូទៅសង្គម (GSS) ហើយជ្រើសការស្ទង់មតិដោយមជ្ឈមណ្ឌលស្រាវជ្រាវ Pew នៅលើក្រុមហ៊ុន Amazon MTurk ។ បន្ទាប់មកពួកគេបានលៃតម្រូវសម្រាប់ការមិនតំណាងនៃទិន្នន័យដោយប្រើគំរូដែលមានមូលដ្ឋាននៅក្រោយការ stratification (លោក) P និងប្រៀបធៀបការប៉ាន់ប្រមាណបានលៃតម្រូវជាមួយនឹងអ្នកដែលបានប៉ាន់ប្រមាណថាការប្រើការស្ទង់មតិ GSS / កន្លេងអង្គុយប្រូដែលមានមូលដ្ឋាន។ ធ្វើការស្ទង់មតិដូចគ្នានៅលើ MTurk និងការព្យាយាមដើម្បីចម្លង 2a រូបភាពទីនិងរូបភាពទីដោយប្រៀបធៀប 2b ការកែតម្រូវរបស់អ្នកជាមួយនឹងការព្យាកររបស់ការប៉ាន់ប្រមាណពីជុំថ្មីបំផុតនៃ GSS / Pew បាន (សូមមើលឧបសម្ព័ន្ធតារាង A2 សម្រាប់បញ្ជីនៃសំណួរ 49) ។

    1. ប្រៀបធៀបនិងកម្រិតលទ្ធផលរបស់អ្នកទៅនឹងលទ្ធផលដែលទទួលបានពីមជ្ឈមណ្ឌល Pew និង GSS ។
    2. ប្រៀបធៀបនិងកម្រិតលទ្ធផលរបស់អ្នកទៅនឹងលទ្ធផលដែលទទួលបានពីការស្ទង់មតិ MTurk ក្នុង Goel, Obeng, and Rothschild (2016)
  4. [ មធ្យម , ការ​ប្រមូល​ទិន្នន័យ , តម្រូវឱ្យមានការសរសេរកូដ ] ការសិក្សាជាច្រើនបានប្រើវិធានការរបាយការណ៍បានដោយខ្លួនឯងនៃទិន្នន័យសកម្មភាពទូរស័ព្ទដៃ។ នេះគឺជាការគួរឱ្យចាប់អារម្មណ៍ដែលជាកន្លែងដែលការកំណត់មួយដែលអ្នកស្រាវជ្រាវអាចប្រៀបធៀបឥរិយាបថខ្លួនឯងជាមួយនឹងឥរិយាបទចូលទេ (សូមមើលឧទាហរ Boase and Ling (2013) ) ។ ឥរិយាបថជារឿងធម្មតាទៅពីរសួរពីកំពុងអំពាវនាវនិងការផ្ញើសារនិងស៊ុមពីរនាក់គឺជារឿងធម្មតាជាពេលវេលា»កាលពីម្សិលមិញ "និង" ក្នុងសប្តាហ៍កន្លងមកនេះ»។

    1. មុនពេលការប្រមូលទិន្នន័យណាមួយ, ដែលពីរបាយការណ៍វិធានការដោយខ្លួនឯងតើអ្នកគិតថាគឺមានភាពត្រឹមត្រូវបន្ថែមទៀត? ហេតុអ្វី?
    2. ជ្រើសរើស 5 មិត្តភក្តិរបស់អ្នកដើម្បីឱ្យមាននៅក្នុងការអង្កេតរបស់អ្នក។ សូមសង្ខេបយ៉ាងខ្លីពីរបៀបដែលមិត្តភក្តិទាំង 5 នាក់ត្រូវបានសំណាក។ នីតិវិធីនេះអាចនាំឱ្យមានគំរូជាក់លាក់ក្នុងការប៉ាន់ប្រមាណភាពលំអៀងរបស់អ្នក?
    3. សូមសួរពួកគេមីក្រូការស្ទង់មតិដូចខាងក្រោម:
    • "អ្នកបានប្រើទូរស័ព្ទដៃតើមានមនុស្សប៉ុន្មានដងដើម្បីហៅអ្នកផ្សេងទៀតកាលពីម្សិលមិញ?"
    • "តើមានមនុស្សជាច្រើនសារអត្ថបទដែលអ្នកបានផ្ញើកាលពីម្សិលមិញបាន?"
    • "អ្នកបានប្រើទូរស័ព្ទដៃរបស់អ្នកតើមានមនុស្សប៉ុន្មានដងដើម្បីហៅទូរស័ព្ទទៅអ្នកដទៃនៅក្នុងរយៈព​​េលប្រាំពីរថ្ងៃចុងក្រោយនេះ?"
    • "របៀបជាច្រើនដងបានធ្វើឱ្យអ្នកប្រើទូរស័ព្ទដៃរបស់អ្នកក្នុងការផ្ញើឬទទួលសារអត្ថបទ / ផ្ញើសារជាអក្សរក្នុងរយៈព​​េលប្រាំពីរថ្ងៃចុងក្រោយនេះ?" នៅពេលដែលការស្ទង់មតិនេះត្រូវបានបញ្ចប់, សូមសួរទៅពិនិត្យមើលការប្រើប្រាស់ទិន្នន័យរបស់ពួកគេជាហេតុដោយក្រុមហ៊ុនផ្តល់សេវាទូរស័ព្ទឬសេវាកម្មរបស់ពួកគេ។
    1. របាយការណ៍បានដោយខ្លួនឯងមិនប្រើប្រាស់ធៀបនឹងចូល-ទិន្នន័យយ៉ាងដូចម្តេច? ដែលជាភាពត្រឹមត្រូវច្រើនបំផុត, យ៉ាងហោចណាស់គឺជាការត្រឹមត្រូវដែល?
    2. ឥឡូវនេះបញ្ចូលគ្នានូវទិន្នន័យដែលអ្នកបានប្រមូលដោយមានទិន្នន័យពីមនុស្សផ្សេងទៀតនៅក្នុងថ្នាក់របស់អ្នក (ប្រសិនបើអ្នកកំពុងធ្វើសកម្មភាពសម្រាប់ថ្នាក់មួយនេះ) ។ ជាមួយនឹងសំណុំទិន្នន័យដែលមានទំហំធំនេះបានធ្វើឡើងវិញជាផ្នែកមួយ (ឃ) ។
  5. [ មធ្យម , ការ​ប្រមូល​ទិន្នន័យ ] Schuman និង Presser (1996) អះអាងថាការបញ្ជាទិញសំណួរអាចនឹងជាបញ្ហាសម្រាប់ពីរប្រភេទនៃទំនាក់ទំនងរវាងសំណួរ: សំណួរជាផ្នែកមួយផ្នែកដែលជាកន្លែងដែលសំណួរទាំងពីរនេះគឺជាកម្រិតដូចគ្នានៃការជាក់លាក់ (ឧទាហរណ៍ការផ្តល់ចំណាត់ថ្នាក់នៃបេក្ខជនប្រធានាធិបតីទាំងពីរបាន); និងសំណួរផ្នែកទាំងមូលដែលជាសំណួរទូទៅខាងក្រោមសំណួរជាក់លាក់បន្ថែមទៀត (ឧទាហរណ៍សួរថា "តើអ្នកពេញចិត្តជាមួយការងាររបស់អ្នក?" អមដោយ "តើអ្នកពេញចិត្តជាមួយជីវិតរបស់អ្នក?") ។

    ពួកគេបានបន្ថែមទៀតពីរប្រភេទលក្ខណៈឥទ្ធិពលលំដាប់សំណួរ: ផលប៉ះពាល់ស្ថិរភាពការឆ្លើយតបទៅនឹងកើតឡើងនៅពេលក្រោយមកត្រូវបានគេដែលមានសំណួរខិតជិតបាននាំយកមក (ជាងពួកគេបើមិនដូច្នេះទេនឹងមាន) ដល់អ្នកដែលបានផ្ដល់ឱ្យទៅជាសំណួរមុន; ផ្ទុយផលប៉ះពាល់កើតឡើងនៅពេលមានភាពខុសគ្នារវាងការឆ្លើយតបទៅនឹងសំណួរទាំងពីរនេះ។

    1. បង្កើតសំណួរជាផ្នែកមួយគូផ្នែកដែលអ្នកគិតថានឹងមានផលប៉ះពាល់ធំលំដាប់សំណួរ, គូនៃសំណួរជាផ្នែកមួយទាំងមូលដែលអ្នកគិតថានឹងមានផលប៉ះពាល់លំដាប់មួយធំមួយ, និងមួយផ្សេងទៀតនៃសំណួរមួយគូដែលគោលបំណងអ្នកគិតថានឹងមិនមានបញ្ហានោះទេ។ រត់ការពិសោធន៍អង្កេតលើ MTurk ដើម្បីសាកល្បងសំណួររបស់អ្នក។
    2. តើធ្វើដូចម្តេចធំគឺជាផលប៉ះពាល់ផ្នែកមួយផ្នែកបានជាអ្នកអាចបង្កើត? វាគឺជាការដែលមានប្រសិទ្ធិភាពស្ថិរភាពឬផ្ទុយ?
    3. តើធ្វើដូចម្តេចធំដែលមានប្រសិទ្ធិភាពផ្នែកទាំងមូលនេះគឺបានជាអ្នកអាចបង្កើត? វាគឺជាការដែលមានប្រសិទ្ធិភាពស្ថិរភាពឬផ្ទុយ?
    4. នៅទីនោះមានប្រសិទ្ធិភាពក្នុងលំដាប់មួយសំណួរនៅក្នុងគូរបស់អ្នកដែលអ្នកមិនគិតថាបទបញ្ជានេះនឹងបញ្ហា?
  6. [ មធ្យម , ការ​ប្រមូល​ទិន្នន័យ ] ការកសាងនៅលើការងាររបស់ Schuman និង Presser នេះ Moore (2002) រៀបរាប់អំពីវិមាត្រដាច់ដោយឡែកមួយនៃការមានប្រសិទ្ធិលំដាប់សំណួរ: បូកនិងដក។ ខណៈពេលដែលផលប៉ះពាល់ផ្ទុយនិងស្ថិរភាពជាលទ្ធផលត្រូវបានផលិតឆ្លើយតបនៃការវាយតំលៃ 'នៃធាតុពីរនៅក្នុងការទាក់ទងគ្នាបន្ថែមនិងផលដកត្រូវបានផលិតនៅពេលដែលអ្នកឆ្លើយតបត្រូវបានធ្វើឡើងងាយនឹងក្របខ័ណ្ឌធំជាងនេះក្នុងរយៈព​​េលដែលសំណួរត្រូវបានចោទ។ អាន Moore (2002) , បន្ទាប់មករចនានិងរត់ការពិសោធន៍អង្កេតលើ MTurk ដើម្បីបង្ហាញពីផលប៉ះពាល់បន្ថែមឬដក។

  7. [ ការលំបាក , ការ​ប្រមូល​ទិន្នន័យ ] លោក Christopher Antoun និងមិត្តរួមការងារ (2015) បានធ្វើការសិក្សាប្រៀបធៀបគំរូភាពងាយស្រួលដែលទទួលបានពីប្រភពនៅលើបណ្ដាញផ្សេងគ្នាចំនួនបួនជ្រើសរើសមួយ: MTurk, ផ្ទាល់, ក្រុមហ៊ុន Google AdWords និង Facebook ។ រចនាការស្ទង់មតិសាមញ្ញនិងជ្រើសរើសអ្នកចូលរួមតាមរយៈប្រភពជ្រើសរើសពលករយ៉ាងហោចណាស់ពីរនៅលើបណ្ដាញផ្សេងគ្នា (ពួកគេអាចជាប្រភពខុសគ្នាពីប្រភពបួននាក់ដែលបានប្រើក្នុង Antoun et al. (2015) ) ។

    1. ប្រៀបធៀបការចំណាយក្នុងមួយជ្រើសរើសពលករនៅក្នុងលក្ខខណ្ឌនៃការប្រាក់និងពេលវេលារវាងប្រភពផ្សេងគ្នា។
    2. ប្រៀបធៀបសមាសភាពនៃសំណាកដែលបានទទួលបានពីប្រភពផ្សេងគ្នា។
    3. ប្រៀបធៀបគុណភាពនៃទិន្នន័យរវាងគំរូនេះ។ សម្រាប់គំនិតអំពីរបៀបដើម្បីវាស់វែងគុណភាពទិន្នន័យពីអ្នកឆ្លើយសំណួរបានមើលឃើញ Schober et al. (2015)
    4. ប្រភពពេញចិត្តរបស់អ្នកគឺជាអ្វី? ហេតុអ្វី?
  8. [ មធ្យម ] YouGov ដែលជាក្រុមហ៊ុនស្រាវជ្រាវទីផ្សារអ៊ិនធឺណិដែលមានមូលដ្ឋាន, បានធ្វើការស្ទង់មតិលើបណ្តាញប្រហែល 800.000 បន្ទះឆ្លើយតបនៅក្នុងប្រទេសអង់គ្លេសមួយនិងត្រូវបានប្រើដើម្បីទស្សន៍ទាយរបស់លោក P. លទ្ធផលនៃការធ្វើប្រជាមតិសហភាពអឺរ៉ុប (ពោលគឺ Brexit) ដែលជាកន្លែងដែលអ្នកបោះឆ្នោតចក្រភពអង់គ្លេសនឹងនៅតែមានការបោះឆ្នោតទាំង នៅឬទុកឱ្យសហភាពអឺរ៉ុប។

    ការរៀបរាប់លំអិតពីគំរូស្ថិតិ YouGov គឺនៅទីនេះ (https://yougov.co.uk/news/2016/06/21/yougov-referendum-model/) ។ ប្រហែលការនិយាយ YouGov partitions អ្នកបោះឆ្នោតចូលទៅក្នុងប្រភេទដែលមានមូលដ្ឋានលើជម្រើសការបោះឆ្នោតឆ្នាំ 201​​5 ការបោះឆ្នោតសកល, អាយុ, លក្ខណសម្បត្តិ, ភេទ, កាលបរិច្ឆេទនៃការសំភាសន៍ដូចដែលពួកគេបានរស់នៅមណ្ឌលនៅក្នុងការ។ ជាដំបូងពួកគេបានប្រើទិន្នន័យដែលប្រមូលបានពីវាគ្មិន YouGov ដើម្បីប៉ាន់ស្មាន, ក្នុងចំណោមអ្នកដែល អ្នកដែលបានបោះឆ្នោតសមាមាត្រនៃប្រជាជននៃប្រភេទបោះឆ្នោតម្នាក់ដែលមានបំណងទៅបោះឆ្នោតស្លឹក។ ពួកគេបានប៉ាន់ស្មានថាចំនួនអ្នកទៅនៃប្រភេទបោះឆ្នោតម្នាក់ដោយប្រើអង់គ្លេសបានសិក្សានៅឆ្នាំ 201​​5 ការបោះឆ្នោត (BES) ក្រោយការបោះឆ្នោតការស្ទង់មតិមុខទៅមុខ, ដែលបានធ្វើឱ្យមានសុពលភាពការបោះឆ្នោតពីបញ្ជីបោះឆ្នោត។ ជាចុងក្រោយ, ពួកគេបានប៉ាន់ស្មានថាតើមានមនុស្សប៉ុន្មាននាក់ដែលមាននៃប្រភេទឈ្មោះអ្នកបោះឆ្នោតគ្នានៅក្នុងការបោះឆ្នោតដោយផ្អែកលើការស្ទង់ជំរឿនចុងក្រោយបំផុតនិងប្រជាជនប្រចាំឆ្នាំ (ជាមួយនឹងការបន្ថែមមួយចំនួនពី BES ទិន្នន័យស្ទង់មតិរបស់ YouGov ពីជុំវិញការបោះឆ្នោតទូទៅនិងអំពីរបៀបដែលមនុស្សជាច្រើនបានបោះឆ្នោតគាំទ្រ គណបក្សគ្នានៅក្នុងមណ្ឌលគ្នា) ។

    បីថ្ងៃមុនពេលការបោះឆ្នោតដោយ YouGov បានបង្ហាញពីការនាំមុខពីរចំណុចសម្រាប់ស្លឹក។ នៅមុនថ្ងៃនៃការបោះឆ្នោតស្ទង់មតិបានបង្ហាញថាជិតពេកក្នុងការហៅទូរស័ព្ទទៅ (49-51 នៅតែមាន) ។ ការសិក្សាលើការទស្សន៍ទាយថ្ងៃចុងក្រោយនៅក្នុងការពេញចិត្តនៃការ 48/52 នៅតែមាន (https://yougov.co.uk/news/2016/06/23/yougov-day-poll/) ។ នៅក្នុងការពិត, ការប៉ាន់ស្មាននេះបានខកខានលទ្ធផលចុងក្រោយ (52-48 ស្លឹក) ដោយពិន្ទុចំនួនបួនភាគរយ។

    1. ប្រើគ្រោងការណ៍អង្កេតនេះសរុបមានកំហុសនៅក្នុងជំពូកនេះបានពិភាក្សាដើម្បីវាយតម្លៃពីអ្វីដែលអាចបានទៅខុស។
    2. ការឆ្លើយតប YouGov បន្ទាប់ពីការបោះឆ្នោត (https://yougov.co.uk/news/2016/06/24/brexit-follows-close-run-campaign/) បានពន្យល់ថា: «នេះហាក់បីដូចជានៅក្នុងផ្នែកធំដោយសារការបោះឆ្នោត - អ្វីមួយដែល យើងបាននិយាយតាមនឹងមានសារៈសំខាន់ខ្លាំងណាស់ចំពោះលទ្ធផលនៃការដូចជាការប្រណាំងដែលមានតុល្យភាពល្អដែរ។ គំរូចំនួនអ្នកទៅរបស់យើងត្រូវបានមានមូលដ្ឋាននៅក្នុងផ្នែកមួយនៅលើថាតើអ្នកឆ្លើយសំណួរបានបោះឆ្នោតក្នុងការបោះឆ្នោតទូទៅម​​ុននិងកម្រិតអ្នកទៅបោះឆ្នោតខាងលើថាការនៃការបោះឆ្នោតទូទៅតូចចិត្តម៉ូដែលនេះជាពិសេសនៅក្នុងខាងជើង»។ តើនេះផ្លាស់ប្តូរចម្លើយរបស់អ្នកដើម្បីជាផ្នែកមួយ (មួយ)?
  9. [ មធ្យម , តម្រូវឱ្យមានការសរសេរកូដ ] សរសេរក្លែងធ្វើដើម្បីបង្ហាញពីកំហុសគ្នាតំណាងក្នុងរូបភាពទី 3.1 មួយ។

    1. បង្កើតស្ថានភាពដែលកំហុសទាំងនេះពិតជាបានលុបចោលការចេញមួយ។
    2. បង្កើតស្ថានភាពដែលមានកំហុសបរិវេណគ្នាទៅវិញទៅមក។
  10. [ ពិបាក​ណាស់ , តម្រូវឱ្យមានការសរសេរកូដ ] ការស្រាវជ្រាវរបស់ Blumenstock និងសហការីបាន (2015) ពាក់ព័ន្ធនឹងការកសាងគំរូរៀនម៉ាស៊ីនមួយដែលអាចប្រើប្រាស់ទិន្នន័យដានឌីជីថលដើម្បីទស្សន៍ទាយការឆ្លើយតបស្ទង់មតិ។ ឥឡូវនេះ, អ្នកនឹងព្យាយាមអ្វីដែលដូចគ្នាជាមួយនឹងសំណុំទិន្នន័យផ្សេងគ្នា។ Kosinski, Stillwell, and Graepel (2013) បានរកឃើញថាហ្វេសប៊ុកចូលចិត្តអាចទស្សន៍ទាយលក្ខណៈនិងគុណលក្ខណៈបុគ្គល។ គួរឱ្យភ្ញាក់ផ្អើល, ការព្យាករទាំងនេះអាចសូម្បីតែច្រើនមានភាពត្រឹមត្រូវជាងមិត្តភក្តិនិងមិត្តរួមការងារ (Youyou, Kosinski, and Stillwell 2015)

    1. អាន Kosinski, Stillwell, and Graepel (2013) , និងការចម្លងរូបភាពទី 2 របស់ពួកគេដែលអាចរកបានទិន្នន័យនៅទីនេះ: http://mypersonality.org/
    2. ឥឡូវចម្លងរូបភាពទី 3 ។
    3. ជាចុងក្រោយសូមព្យាយាមគំរូរបស់ពួកគេនៅលើទិន្នន័យហ្វេសប៊ុផ្ទាល់ខ្លួនរបស់អ្នក: http://applymagicsauce.com/ ។ តើបានល្អធ្វើការសម្រាប់អ្នក?
  11. [ មធ្យម ] Toole et al. (2015) ការកត់ត្រាការប្រើប្រាស់ការហៅលំអិត (CDRs) ពីទូរស័ព្ទដៃដើម្បីនិន្នាការភាពអត់ការងារធ្វើសរុប។

    1. ប្រៀបធៀបនិងកម្រិតការរចនានៃ Toole et al. (2015) ជាមួយ Blumenstock, Cadamuro, and On (2015)
    2. តើអ្នកគិតថា CDRs គួរជំនួសការស្ទង់មតិតាមបែបប្រពៃណី, បំពេញឱ្យពួកគេឬមិនត្រូវបានប្រើសម្រាប់អ្នកធ្វើគោ​​លនយោបាយរបស់រដ្ឋាភិបាលទាំងអស់ក្នុងការតាមដានភាពអត់ការងារធ្វើ? ហេតុអ្វី?
    3. តើអ្វីទៅជាភស្តុតាងដែលនឹងបញ្ចុះបញ្ចូលអ្នកថា CDRs អាចជំនួសបានទាំងស្រុងនូវវិធានការបែបប្រពៃណីនៃអត្រាគ្មានការងារធ្វើ?