3.3.1 តំណាង

ការតំណាងគឺអំពីការធ្វើសេចក្ដីសន្និដ្ឋានពីការឆ្លើយតបរបស់អ្នកទៅឱ្យប្រជាជនគោលដៅរបស់អ្នក។

ក្នុងគោលបំណងដើម្បីយល់ពីប្រភេទនៃកំហុសដែលអាចកើតឡើងនៅពេលដែលអ្នកឆ្លើយតបទៅពី inferring ធំជាងនេះចំនួនប្រជាជន, សូមពិចារណាអំពីការស្ទង់មតិចំបើងអក្សរសាស្ត្រសង្ខេបដែលបានព្យាយាមដើម្បីទស្សន៍ទាយលទ្ធផលនៃការបោះឆ្នោតជ្រើសរើសប្រធានាធិបតីអាមេរិកឆ្នាំ 1936 នេះ។ ទោះបីជាវាគឺច្រើនជាង 75 ឆ្នាំកន្លងមកហើយមហន្តរាយនេះនៅតែមានជាមេរៀនសំខាន់មួយដើម្បីបង្រៀនក្រុមអ្នកស្រាវជ្រាវនៅថ្ងៃនេះ។

សង្ខេបគឺជាទស្សនាវដ្តីផ្នែកអក្សរសាស្ត្រប្រាក់មួយអគ្គប្រជាប្រិយភាពនិងចាប់ផ្តើមនៅឆ្នាំ 1920 ពួកគេបានចាប់ផ្តើមរត់ការបោះឆ្នោតចំបើងដើម្បីទស្សន៍ទាយលទ្ធផលនៃការបោះឆ្នោតប្រធានាធិបតី។ ដើម្បីធ្វើឱ្យការព្យាករទាំងនេះពួកគេនឹងផ្ញើសន្លឹកទៅមនុស្សជាច្រើន, ហើយបន្ទាប់មកគ្រាន់តែ Tally ឡើងសន្លឹកឆ្នោតដែលត្រូវបានត្រឡប់មកវិញ; អក្សរសាស្ត្រសង្ខេបដោយមោទនភាពថាសន្លឹកឆ្នោតបានរាយការណ៍ថាពួកគេបានទទួលនេះត្រូវបានគេមិនមាន "ទម្ងន់, លៃតម្រូវឬបកប្រែ។ " បែបបទនេះបានព្យាករថាអ្នកឈ្នះបានត្រឹមត្រូវ នៃការបោះឆ្នោតក្នុងឆ្នាំ 1920, 1924, 1928 និងឆ្នាំ 1932 នៅឆ្នាំ 1936 នៅកណ្ដាលមហាទំនាបនេះអក្សរសាស្ត្រសន្លឹកឆ្នោតចាត់ឱ្យសង្ខេបទៅ 10 លាននាក់ដែលភាគច្រើនបានមកឈ្មោះពីថតទូរស័ព្ទនិងកំណត់ត្រាការចុះបញ្ជីរថយន្ត។ ខាងក្រោមនេះជារបៀបដែលពួកគេបានរៀបរាប់ពីវិធីសាស្រ្តរបស់ពួកគេ:

"ផ្លាស់ទីម៉ាស៊ីនដែលដំណើរការរំលាយអាហារដោយរលូនរបស់ជាមួយភាពជាក់លាក់នៃបទពិសោធសាមសិបយ៉ាងឆាប់រហ័សឆ្នាំដើម្បីកាត់បន្ថយភាពប្រហាក់ប្រហែលទៅនឹងអង្គហេតុរឹង។ ។ ។ នេះនៅសប្តាហ៍ 500 ប៊ិច scratched ចេញច្រើនជាងមួយភាគបួននៃអាសយដ្ឋានមួយលាននាក់ក្នុងមួយថ្ងៃ។ ជារៀងរាល់ថ្ងៃនៅក្នុងបន្ទប់យ៉ាងខ្លាំងម៉ូតូខ្ពស់ខាងលើរុក្ខវិថីទីបួន ribboned ក្នុងការញូវយ៉ក, កម្មករ 400 deftly រុញមួយលានបំណែកនៃការដែលបានបោះពុម្ពបញ្ហាឱ្យបានគ្រប់គ្រាន់ដើម្បីត្រួសត្រាយទីក្រុងសែសិបប្លុកចូលទៅក្នុងស្រោមសំបុត្រដោះស្រាយ [sic] ។ ជារៀងរាល់ម៉ោងនៅការិយាល័យចែកចាយផ្ទាល់ខ្លួនភ្នំពេញប៉ុស្តិ៍ជាការរំលាយអាហារ, ម៉ាស៊ីនម៉ែត្រតាមផ្លូវបីជជែកផ្សាភ្ជាប់ oblong និងបោះត្រាសបាន; បុគ្គលិកប្រៃសណីយ៍ជំនាញក្រឡាប់ពួកវាទៅក្នុង bulging mailsacks; រថយន្តដឹកកងនាវារំលាយអាហារពន្លឿនពួកគេដើម្បីបង្ហាញពីសំបុត្ររថភ្លើង។ ។ ។ សប្តាហ៍ក្រោយចម្លើយដំបូងពីការទាំងនេះនឹងចាប់ផ្តើមដប់លានជំនោរចូលបានសន្លឹកឆ្នោតដែលបានសម្គាល់ដើម្បីជាបីដងបានគូសធីកផ្ទៀងផ្ទាត់ប្រាំដង-ឆ្លងសម្ងាត់និងមានចំនួនសរុប។ ពេលតួលេខចុងក្រោយត្រូវបាន totted និងបានគូសធីកប្រសិនបើបទពិសោធកន្លងមកគឺជាលក្ខណៈវិនិច្ឆ័យមួយប្រទេសនេះនឹងដឹងថានៅក្នុងប្រភាគ 1 ភាគរយការបោះឆ្នោតពេញនិយមពិតប្រាកដនៃសែសិបលាននាក់ [អ្នកបោះឆ្នោត] មួយ។ "(ថ្ងៃទី 22 ខែសីហាឆ្នាំ 1936)

fetish នេះទំហំរបស់សង្ខេបស្គាល់ភ្លាមទៅគឺ "ទិន្នន័យធំ" អ្នកស្រាវជ្រាវណាមួយឡើយនៅថ្ងៃនេះ។ 10 លានសន្លឹកបានចែកចាយជាអស្ចារ្យត្រូវបាន 2,4 លានសន្លឹកដែលជាការវិលត្រឡប់មកប្រហែល 1.000 ដងធំជាងការបោះឆ្នោតនយោបាយសម័យទំនើប។ អ្នកឆ្លើយសំណួរពី 2,4 លានគ្រឿងសាលក្រមនេះគឺច្បាស់លាស់: អក្សរសាស្ត្របានព្យាករណ៍ថាការប្រកួតប្រជែងសង្ខេបក្រុម ALF Landon ត្រូវបានគេនឹងឈ្នះដែលកំពុងកាន់អំណាចលោក Franklin Roosevelt ។ ប៉ុន្តែនៅក្នុងការពិតផ្ទុយពិតប្រាកដដែលបានកើតឡើង។ រ៉ូសវ៉ែលបានផ្តួលកីឡាករ Landon ក្នុងការរអិលបាក់ដីមួយ។ តើធ្វើដូចម្តេចអក្សរសាស្ត្រសង្ខេបអាចទៅខុសជាមួយនឹងទិន្នន័យច្រើនម៉្លេះ? ការយល់ដឹងសម័យទំនើបរបស់យើងនៃការធ្វើឱ្យមានកំហុសអក្សរសាស្ត្រគំរូរបស់សង្ខេបច្បាស់លាស់និងអាចជួយឱ្យយើងជៀសផុតពីការធ្វើឱ្យមានកំហុសស្រដៀងគ្នានៅក្នុងពេលអនាគត។

ការគិតយ៉ាងច្បាស់អំពីគំរូតម្រូវឱ្យយើងពិចារណាបួនក្រុមផ្សេងគ្នារបស់ប្រជាជន (រូបភាព 3.1) ។ ក្រុមដំបូងរបស់មនុស្សគឺប្រជាជនគោលដៅ; នេះគឺជាក្រុមដែលស្រាវជ្រាវកំណត់ពេលដែលចំនួនប្រជាជននៃការចាប់អារម្មណ៍នេះ។ នៅក្នុងករណីនៃអក្សរសាស្ត្រសង្ខេបប្រជាជនគោលដៅគឺអ្នកបោះឆ្នោតនៅក្នុងការបោះឆ្នោតជ្រើសរើសប្រធានាធិបតីឆ្នាំ 1936 ។ បន្ទាប់ពីការសម្រេចចិត្តលើចំនួនប្រជាជនគោលដៅមួយ, អ្នកស្រាវជ្រាវក្រោយត្រូវការអភិវឌ្ឍក្នុងបញ្ជីនៃមនុស្សដែលអាចត្រូវបានប្រើសម្រាប់គំរូមួយ។ បញ្ជីនេះត្រូវបានគេហៅថាសំណាកសនិងចំនួនប្រជាជននៅលើស៊ុមគំរូត្រូវបានគេហៅថាចំនួនប្រជាជនស៊ុម។ នៅក្នុងករណីនៃចំនួនប្រជាជនសង្ខេបអក្សរសាស្រ្តស៊ុមនេះគឺជា 10 លាននាក់ដែលមានឈ្មោះបានមកច្រើនលើសលុបពីថតទូរស័ព្ទនិងកំណត់ត្រាការចុះបញ្ជីរថយន្ត។ តាមឧត្ដមគតិចំនួនប្រជាជននិងប្រជាជនស៊ុមគោលដៅដែលនឹងក្លាយជាយ៉ាងពិតប្រាកដដូចគ្នា, ប៉ុន្តែនៅក្នុងការអនុវត្តនេះគឺជាញឹកញាប់មិនមែនជាករណី។ ភាពខុសគ្នារវាងចំនួនប្រជាជននិងប្រជាជនស៊ុមគោលដៅដែលត្រូវបានគេហៅថាកំហុសគ្របដណ្តប់។ កំហុសក្នុងការគ្របដណ្តប់មិនបានដោយខ្លួនវាធានាឱ្យមានបញ្ហា។ ប៉ុន្តែប្រសិនបើប្រជាជននៅក្នុងចំនួនប្រជាជននេះគឺជាប្រព័ន្ធស៊ុមខុសពីមនុស្សមិននៅក្នុងចំនួនប្រជាជនស៊ុមនេះនឹងមានភាពលំអៀងគ្របដណ្តប់។ កំហុសក្នុងការគ្របដណ្តប់គឺជាលើកដំបូងនៃការគុណវិបត្តិចម្បងជាមួយនឹងការស្ទង់មតិអក្សរសាស្ត្រសង្ខេប។ ពួកគេចង់រៀនអំពីអ្នកបោះឆ្នោតដែលមានជារបស់ខ្លួនគោលដៅប្រជាជនទេប៉ុន្តែពួកគេបានសង់ភាគច្រើនគំរូស៊ុមពីថតទូរស័ព្ទនិងការចុះឈ្មោះរថយន្តប្រភពដែលតំណាងឱ្យទ្រព្យធនលើសដែលត្រូវបានគេទំនងជាជនជាតិអាមេរិកក្នុងការគាំទ្រដល់ក្រុម ALF Landon (សូមចាំថាទាំងពីរនៃបច្ចេកវិទ្យាទាំងនេះមានច្រើនទៀត, ដែលជារឿងធម្មតានៅថ្ងៃនេះត្រូវបានគេថ្មីនៅពេលនោះហើយថាសហរដ្ឋអាមេរិកនេះគឺនៅក្នុងពាក់កណ្តាលនៃមហាទំនាបនេះ) ។

រូបភាពទី 3.1: កំហុសតំណាង។

រូបភាពទី 3.1: កំហុសតំណាង។

បន្ទាប់ពីការកំណត់ចំនួនប្រជាជនស៊ុមជំហានបន្ទាប់គឺសម្រាប់ការស្រាវជ្រាវដើម្បីជ្រើសចំនួនប្រជាជនគំរូមួយ; ទាំងនេះគឺជាមនុស្សដែលជាអ្នកស្រាវជ្រាវនេះនឹងព្យាយាមដើម្បីសំភាសន៍។ ប្រសិនបើគំរូនេះមានលក្ខណៈខុសគ្នាពីចំនួនប្រជាជនស៊ុម, បន្ទាប់មកយើងអាចណែនាំកំហុសគំរូ។ នេះគឺជាប្រភេទនៃកំហុសកំណត់បរិមាណនៅក្នុងរឹមទំព័រនៃកំហុសដែលជាធម្មតាអមនឹងការប៉ាន់ប្រមាណ។ ក្នុងករណីដែលបង្កើតស្ថានភាពអក្សរសាស្ត្រសង្ខេប, មានពិតជាគំរូទេ; ពួកគេបានព្យាយាមទាក់ទងគ្រប់គ្នានៅក្នុងចំនួនប្រជាជនស៊ុម។ ទោះបីជាពុំមានកំហុសគំរូ, មានជាក់ស្តែងនៅតែមានកំហុស។ នេះបញ្ជាក់ថារឹមនៃកំហុសដែលត្រូវបានគេរាយការណ៍ជាធម្មតាជាមួយនឹងការព្យាករពីការស្ទង់មតិជាធម្មតាមានទំហំតូចនាំឱ្យយល់ខុស! ពួកគេមិនបានរួមបញ្ចូលនូវប្រភពទាំងអស់នៃកំហុស។

ជាចុងក្រោយ, អ្នកស្រាវជ្រាវប៉ុនប៉ងសំភាសន៍អ្នកគ្រប់គ្នានៅក្នុងចំនួនប្រជាជនគំរូ។ មនុស្សទាំងនោះដែលត្រូវបានសម្ភាសដោយជោគជ័យត្រូវបានគេហៅអ្នកឆ្លើយតប។ តាមឧត្ដមគតិ, ចំនួនប្រជាជនគំរូនិងការឆ្លើយតបនឹងជាយ៉ាងពិតប្រាកដដូចគ្នា, ប៉ុន្តែនៅក្នុងការអនុវត្តមានគឺមិនមែនជាការឆ្លើយតប។ នោះគឺមនុស្សដែលត្រូវបានជ្រើសនៅក្នុងគំរូបដិសេធក្នុងការចូលរួម។ ប្រសិនបើមានមនុស្សដែលបានឆ្លើយតបគឺមានភាពខុសគ្នាពីអ្នកដែលមិនឆ្លើយតប, បន្ទាប់មកមានអាចត្រូវបានមិនមែនជាការឆ្លើយតបលំអៀង។ ដែលមិនមែនជាការឆ្លើយតបលំអៀងនេះជាបញ្ហាសំខាន់ជាលើកទីពីរជាមួយនឹងការស្ទង់មតិអក្សរសាស្ត្រសង្ខេប។ មានតែ 24% នៃមនុស្សដែលទទួលបានសន្លឹកឆ្នោតបានឆ្លើយតបហើយវាប្រែទៅជាថាមនុស្សដែលបានគាំទ្រកីឡាករ Landon ហាក់ដូចជាបន្ថែមទៀតដើម្បីឆ្លើយតប។

ក្រៅពីការគ្រាន់តែជាគំរូដើម្បីណែនាំតំណាងគំនិតមួយបានស្ទង់មតិអក្សរសាស្ត្រសង្ខេបជាពាក្យប្រស្នាតួម្តងហើយម្តងទៀត, បានព្រមានក្រុមអ្នកស្រាវជ្រាវអំពីគ្រោះថ្នាក់នៃគំរូឥតព្រាងទុកនេះ។ ជាអកុសលខ្ញុំគិតថាមេរៀនដែលមនុស្សជាច្រើនគូរពីរឿងនេះគឺជាការខុសមួយ។ នេះផ្លូវចិត្តទូទៅបំផុតនៃរឿងនេះគឺថាអ្នកស្រាវជ្រាវមិនអាចរៀនអ្វីពីគំរូដែលមិនមែនជាប្រូ (ពោលគឺគំរូដោយគ្មានច្បាប់យ៉ាងតឹងរឹងដែលមានមូលដ្ឋានប្រូអ្នកចូលរួមជ្រើស) ។ ប៉ុន្តែដូចដែលខ្ញុំនឹងបង្ហាញពេលក្រោយនៅក្នុងជំពូកនេះថាជាការមិនត្រឹមត្រូវណាស់។ ផ្ទុយទៅវិញខ្ញុំគិតថាតាមពិតមានសីលពីរទៅរឿងនេះ; សីលដែលជាការពិតដូចសព្វថ្ងៃនេះដូចជាពួកគេនៅឆ្នាំ 1936 ជាលើកដំបូង, មួយចំនួនធំនៃទិន្នន័យដែលបានប្រមូល haphazardly នឹងមិនធានាការប៉ាន់ស្មានល្អ។ ទីពីរអ្នកស្រាវជ្រាវចាំបាច់ត្រូវមានគណនីសម្រាប់របៀបទិន្នន័យរបស់ពួកគេត្រូវបានប្រមូលនៅពេលដែលពួកគេកំពុងធ្វើការប៉ាន់ប្រមាណពីវា។ នៅក្នុងពាក្យផ្សេងទៀតដោយសារតែដំណើរការប្រមូលទិន្នន័យនៅក្នុងការបោះឆ្នោតសារត្រូវបានសង្ខេបអក្សរសាស្ត្រប្រព័ន្ធឆ្ពោះទៅរកការឆ្លើយសំណួរមួយចំនួន, ក្រុមអ្នកស្រាវជ្រាវត្រូវការប្រើដំណើរការប៉ាន់ស្មានស្មុគស្មាញបន្ថែមទៀតថាអ្នកឆ្លើយតបចំនួនបន្ថែមទៀតមានទម្ងន់ជាងអ្នកដទៃ។ ក្រោយមកនៅក្នុងជំពូកនេះខ្ញុំនឹងបង្ហាញអ្នកមួយទំងន់នីតិវិធីដូចមាន stratification-ក្រោយអាចអនុញ្ញាតឱ្យមានដែលថាអ្នកធ្វើឱ្យការប៉ាន់ស្មានកាន់តែប្រសើរជាមួយគំរូដែលមិនមែនជាប្រូបាប។