5.2.2 ರಾಜಕೀಯ ಪ್ರಣಾಳಿಕೆಗಳಲ್ಲಿ ಕ್ರೌಡ್ ಕೋಡಿಂಗ್

ರಾಜಕೀಯ ಪ್ರಣಾಳಿಕೆಗಳಲ್ಲಿ, ಏನೋ ಸಾಮಾನ್ಯವಾಗಿ ತಜ್ಞರು ಮಾಡಲಾಗುತ್ತದೆ ಕೋಡಿಂಗ್, ಹೆಚ್ಚಿನ ಪುನರುತ್ಪಾದ್ಯತೆ ಮತ್ತು ನಮ್ಯತೆ ಪರಿಣಾಮವಾಗಿ ಮಾನವ ಗಣನೆ ಯೋಜನೆಯಿಂದ ನಡೆಸಬಹುದಾಗಿದೆ.

ಗ್ಯಾಲಕ್ಸಿ ಝೂನಂತೆಯೇ, ಸಾಮಾಜಿಕ ಸಂಶೋಧಕರು ಚಿತ್ರ ಅಥವಾ ಪಠ್ಯದ ತುಣುಕುಗಳನ್ನು ಕೋಡ್, ವರ್ಗೀಕರಣ ಅಥವಾ ಲೇಬಲ್ ಮಾಡಲು ಬಯಸುವ ಅನೇಕ ಸಂದರ್ಭಗಳಿವೆ. ರಾಜಕೀಯ ಪ್ರಣಾಳಿಕೆಗಳ ಕೋಡಿಂಗ್ ಈ ರೀತಿಯ ಸಂಶೋಧನೆಯ ಉದಾಹರಣೆಯಾಗಿದೆ. ಚುನಾವಣೆಗಳ ಸಮಯದಲ್ಲಿ, ರಾಜಕೀಯ ಪಕ್ಷಗಳು ಅವರ ನೀತಿ ಸ್ಥಾನಗಳನ್ನು ವಿವರಿಸುವ ಮತ್ತು ತತ್ತ್ವಚಿಂತನೆಗಳನ್ನು ನಿರ್ದೇಶಿಸುವ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳನ್ನು ಉತ್ಪತ್ತಿ ಮಾಡುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಯುನೈಟೆಡ್ ಕಿಂಗ್ಡಮ್ನಲ್ಲಿ 2010 ರಿಂದ ಲೇಬರ್ ಪಕ್ಷದ ಮ್ಯಾನಿಫೆಸ್ಟೋದ ಒಂದು ತುಣುಕು ಇಲ್ಲಿದೆ:

"ನಮ್ಮ ಸಾರ್ವಜನಿಕ ಸೇವೆಗಳ ಕೆಲಸ ಲಕ್ಷಾಂತರ ಜನರು ಅಪಾಯಗಳನ್ನು ತಮ್ಮ ಮೇಲೆ ಹೊರಲು ಹಾಗಿಲ್ಲ ಅವರನ್ನು ರಕ್ಷಿಸುವ ತಮ್ಮ ಬದುಕಿನ ಅತ್ಯಂತ ಮಾಡಲು ಅಧಿಕಾರ ಸಹಾಯ, ಬ್ರಿಟನ್ ಅತ್ಯುತ್ತಮ ಮೌಲ್ಯಗಳನ್ನು ಸಾಕಾರಗೊಳಿಸಿದರು. ನಾವು ಸರ್ಕಾರದ ಪಾತ್ರ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಸಾಕಷ್ಟು ಕೆಲಸ ಮಾಡುವ ಬಗ್ಗೆ ದಿಟ್ಟ ಎಂದು ಅಗತ್ಯವಿದೆ ಕೇವಲ, ನಾವು ಸರ್ಕಾರದ ದಪ್ಪ ಸುಧಾರಕರು ಅಗತ್ಯವಿದೆ. "

ಈ ಮ್ಯಾನಿಫೆಸ್ಟೋಸ್ಗಳು ರಾಜಕೀಯ ವಿಜ್ಞಾನಿಗಳಿಗೆ, ವಿಶೇಷವಾಗಿ ಚುನಾವಣೆಗಳ ಅಧ್ಯಯನ ಮತ್ತು ನೀತಿ ಚರ್ಚೆಗಳ ಚಲನಶಾಸ್ತ್ರಕ್ಕೆ ಅಮೂಲ್ಯವಾದ ದತ್ತಾಂಶವನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಈ ಮ್ಯಾನಿಫೆಸ್ಟೋಸ್ನಿಂದ ವ್ಯವಸ್ಥಿತವಾಗಿ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುವ ಸಲುವಾಗಿ, ಸಂಶೋಧಕರು ಮ್ಯಾನಿಫೆಸ್ಟೋ ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ರಚಿಸಿದರು, ಇದು 50 ದೇಶಗಳಲ್ಲಿ ಸುಮಾರು 1,000 ಪಕ್ಷಗಳಿಂದ 4,000 ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ ನಂತರ ರಾಜಕೀಯ ವಿಜ್ಞಾನಿಗಳನ್ನು ವ್ಯವಸ್ಥಿತವಾಗಿ ಅವುಗಳನ್ನು ಸಂಕೇತಿಸಲು ಸಂಘಟಿಸಿತು. ಪ್ರತಿ ಪ್ರಣಾಳಿಕೆಯಲ್ಲಿನ ಪ್ರತಿ ವಾಕ್ಯವನ್ನು 56-ವರ್ಗದ ಸ್ಕೀಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ತಜ್ಞರು ಮಾಡಿದರು. ಈ ಸಹಕಾರ ಪ್ರಯತ್ನದ ಫಲಿತಾಂಶವು ಈ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿರುವ ಮಾಹಿತಿಯನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುತ್ತದೆ, ಮತ್ತು ಈ ದತ್ತಾಂಶವು 200 ಕ್ಕೂ ಹೆಚ್ಚು ವೈಜ್ಞಾನಿಕ ಲೇಖನಗಳಲ್ಲಿ ಬಳಸಲ್ಪಟ್ಟಿದೆ.

ಕೆನ್ನೆತ್ ಬೆನೈಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು (2016) ಈ ಹಿಂದೆ ಮ್ಯಾನಿಫೆಸ್ಟೋ ಕೋಡಿಂಗ್ ಕೆಲಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ನಿರ್ಧರಿಸಿದರು, ಇದು ಹಿಂದೆ ತಜ್ಞರಿಂದ ನಿರ್ವಹಿಸಲ್ಪಟ್ಟಿತ್ತು ಮತ್ತು ಅದನ್ನು ಮಾನವ ಗಣನಾ ಯೋಜನೆಯಾಗಿ ಪರಿವರ್ತಿಸಿತು. ಇದರ ಫಲವಾಗಿ, ಅವರು ಕಡಿಮೆ ಪ್ರಮಾಣದಲ್ಲಿ ಮತ್ತು ವೇಗವನ್ನು ನಮೂದಿಸದೆ ಹೆಚ್ಚು ಮರುಉತ್ಪಾದಿಸುವ ಮತ್ತು ಸುಲಭವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ಒಂದು ಕೋಡಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ರಚಿಸಿದರು.

ಯುನೈಟೆಡ್ ಕಿಂಗ್ಡಮ್ನಲ್ಲಿ ನಡೆದ ಆರು ಇತ್ತೀಚಿನ ಚುನಾವಣೆಗಳಲ್ಲಿ 18 ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳ ಜೊತೆ ಕೆಲಸ ಮಾಡಿದ ಬೆನೈಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಮೈಕ್ರೊಟಾಸ್ಕ್ ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆಯ (ಅಮೆಜಾನ್ ಮೆಕ್ಯಾನಿಕಲ್ ಟರ್ಕ್ ಮತ್ತು ಕ್ರೌಡ್ ಫ್ಲೋವರ್ ಕಾರ್ಮಿಕರ ಜೊತೆ ಸ್ಪ್ಲಿಟ್ ಅರ್ಜಿ-ಒಗ್ಗೂಡಿ ತಂತ್ರವನ್ನು ಮೈಕ್ರೊಟಾಸ್ಕ್ ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆಗಳ ಉದಾಹರಣೆಗಳಾಗಿವೆ; , ಅಧ್ಯಾಯ 4 ಅನ್ನು ನೋಡಿ). ಸಂಶೋಧಕರು ಪ್ರತಿ ಪ್ರಣಾಳಿಕೆಯನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ವಾಕ್ಯಗಳಾಗಿ ವಿಭಜಿಸಿದರು . ಮುಂದೆ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಪ್ರತಿ ವಾಕ್ಯಕ್ಕೂ ಕೋಡಿಂಗ್ ಯೋಜನೆಯನ್ನು ಅನ್ವಯಿಸಿದನು . ನಿರ್ದಿಷ್ಟವಾಗಿ, ಪ್ರತಿ ವಾಕ್ಯವನ್ನು ಆರ್ಥಿಕ ನೀತಿಯನ್ನು (ಎಡ ಅಥವಾ ಬಲ), ಸಾಮಾಜಿಕ ನೀತಿಗೆ (ಉದಾರ ಅಥವಾ ಸಂಪ್ರದಾಯವಾದಿ) ಅಥವಾ (ಚಿತ್ರ 5.5) ಸೂಚಿಸುವಂತೆ ಓದುಗರನ್ನು ಕೇಳಲಾಯಿತು. ಪ್ರತಿ ವಾಕ್ಯವನ್ನು ಸುಮಾರು ಐದು ವಿಭಿನ್ನ ಜನರಿಂದ ಮಾಡಲಾಗಿತ್ತು. ಅಂತಿಮವಾಗಿ, ಈ ಶ್ರೇಣಿಯನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಯನ್ನು ಬಳಸಿ ಸಂಯೋಜಿಸಲಾಗಿದೆ , ಅದು ವೈಯಕ್ತಿಕ-ರಟರ್ ಪರಿಣಾಮಗಳು ಮತ್ತು ವಾಕ್ಯ-ಪರಿಣಾಮದ ತೊಂದರೆಗಳಿಗೆ ಕಾರಣವಾಗಿದೆ. ಎಲ್ಲಕ್ಕಿಂತ, ಬೆನೈಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಸುಮಾರು 1,500 ಜನರಿಂದ 200,000 ರೇಟಿಂಗ್ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದರು.

ಚಿತ್ರ 5.5: ಬೆನೈಟ್ et al ನಿಂದ ಕೋಡಿಂಗ್ ಯೋಜನೆ. (2016). ಸಾಮಾಜಿಕ ನೀತಿ (ಉದಾರ ಅಥವಾ ಸಂಪ್ರದಾಯವಾದಿ) ಅಥವಾ ಆರ್ಥಿಕ ನೀತಿಗೆ (ಎಡ ಅಥವಾ ಬಲ) ಉಲ್ಲೇಖಿಸುವಂತೆ ಪ್ರತಿ ವಾಕ್ಯವನ್ನು ವರ್ಗೀಕರಿಸಲು ಓದುಗರನ್ನು ಕೇಳಲಾಯಿತು. ಬೆನೈಟ್ et al. ನಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ. (2016), ಅಂಕಿ 1.

ಚಿತ್ರ 5.5: Benoit et al. (2016) ನಿಂದ ಕೋಡಿಂಗ್ ಯೋಜನೆ Benoit et al. (2016) . ಸಾಮಾಜಿಕ ನೀತಿ (ಉದಾರ ಅಥವಾ ಸಂಪ್ರದಾಯವಾದಿ) ಅಥವಾ ಆರ್ಥಿಕ ನೀತಿಗೆ (ಎಡ ಅಥವಾ ಬಲ) ಉಲ್ಲೇಖಿಸುವಂತೆ ಪ್ರತಿ ವಾಕ್ಯವನ್ನು ವರ್ಗೀಕರಿಸಲು ಓದುಗರನ್ನು ಕೇಳಲಾಯಿತು. Benoit et al. (2016) ನಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ Benoit et al. (2016) , ಅಂಕಿ 1.

ಪ್ರೇಕ್ಷಕರ ಕೋಡಿಂಗ್ನ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸುವ ಸಲುವಾಗಿ, ಬೆನೈಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಇದೇ ರೀತಿಯ ಕಾರ್ಯವಿಧಾನವನ್ನು ಬಳಸುವ ಅದೇ ಮ್ಯಾನಿಫೆಸ್ಟಸ್ನಲ್ಲಿ ರಾಜಕೀಯ ವಿಜ್ಞಾನ-ಪ್ರಮಾಣದಲ್ಲಿ ಸುಮಾರು 10 ತಜ್ಞರು-ಪ್ರಾಧ್ಯಾಪಕರು ಮತ್ತು ಪದವೀಧರ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಹೊಂದಿದ್ದರು. ಜನಸಮೂಹದ ಸದಸ್ಯರಿಂದ ರೇಟಿಂಗ್ಗಳು ತಜ್ಞರ ರೇಟಿಂಗ್ಗಳಿಗಿಂತ ಹೆಚ್ಚು ವ್ಯತ್ಯಾಸವಾಗಿದ್ದರೂ ಸಹ, ಒಮ್ಮತದ ಗುಂಪಿನ ರೇಟಿಂಗ್ಗಳು ಒಮ್ಮತದ ತಜ್ಞ ರೇಟಿಂಗ್ (ಅಂಕಿ 5.6) ನೊಂದಿಗೆ ಗಮನಾರ್ಹವಾದ ಒಪ್ಪಂದವನ್ನು ಹೊಂದಿದ್ದವು. ಈ ಹೋಲಿಕೆಯು ಗ್ಯಾಲಕ್ಸಿ ಝೂನಂತೆಯೇ, ಮಾನವ ಗಣನಾ ಯೋಜನೆಗಳು ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಫಲಿತಾಂಶಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ.

ಚಿತ್ರ 5.6: ಯುನೈಟೆಡ್ ಕಿಂಗ್ಡಮ್ (ಬೆನೈಟ್ et al. 2016) ನಿಂದ 18 ಪಕ್ಷದ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳನ್ನು ಕೋಡಿಂಗ್ ಮಾಡಿದಾಗ ಎಕ್ಸ್ಪರ್ಟ್ ಅಂದಾಜುಗಳು (x- ಅಕ್ಷ) ಮತ್ತು ಗುಂಪಿನ ಅಂದಾಜುಗಳು (y- ಅಕ್ಷ) ಗಮನಾರ್ಹವಾದ ಒಪ್ಪಂದದಲ್ಲಿವೆ. ಮಾಡಲಾದ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳು ಮೂರು ರಾಜಕೀಯ ಪಕ್ಷಗಳು (ಕನ್ಸರ್ವೇಟಿವ್, ಲೇಬರ್ ಮತ್ತು ಲಿಬರಲ್ ಡೆಮೊಕ್ರಾಟ್ಸ್) ಮತ್ತು ಆರು ಚುನಾವಣೆಗಳು (1987, 1992, 1997, 2001, 2005, ಮತ್ತು 2010). ಬೆನೈಟ್ et al. ನಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ. (2016), ಫಿಗರ್ 3.

ಚಿತ್ರ 5.6: ಎಕ್ಸ್ಪರ್ಟ್ ಅಂದಾಜುಗಳು ( \(x\) -ಮ್ಯಾಕ್ಸಿಸ್) ಮತ್ತು ಯುನೈಟೆಡ್ ಕಿಂಗ್ಡಮ್ (Benoit et al. 2016) ನಿಂದ 18 ಪಕ್ಷದ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳನ್ನು ಕೋಡಿಂಗ್ ಮಾಡುವಾಗ ಗುಂಪಿನ ಅಂದಾಜುಗಳು ( \(y\) -ಮ್ಯಾಕ್ಸಿಗಳು) ಗಮನಾರ್ಹವಾದ ಒಪ್ಪಂದದಲ್ಲಿವೆ. ಮಾಡಲಾದ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳು ಮೂರು ರಾಜಕೀಯ ಪಕ್ಷಗಳು (ಕನ್ಸರ್ವೇಟಿವ್, ಲೇಬರ್ ಮತ್ತು ಲಿಬರಲ್ ಡೆಮೊಕ್ರಾಟ್ಸ್) ಮತ್ತು ಆರು ಚುನಾವಣೆಗಳು (1987, 1992, 1997, 2001, 2005, ಮತ್ತು 2010). Benoit et al. (2016) ನಿಂದ ಅಳವಡಿಸಲಾಗಿದೆ Benoit et al. (2016) , ಫಿಗರ್ 3.

ಈ ಫಲಿತಾಂಶವನ್ನು ನಿರ್ಮಿಸಲು, ಬೆನೈಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ತಮ್ಮ ಗುಂಪು-ಕೋಡಿಂಗ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಮ್ಯಾನಿಫೆಸ್ಟೋ ಪ್ರಾಜೆಕ್ಟ್ ಬಳಸಿದ ತಜ್ಞ-ನಿರ್ವಹಣೆಯ ಕೋಡಿಂಗ್ ವ್ಯವಸ್ಥೆಯಿಂದ ಅಸಾಧ್ಯವೆಂದು ಸಂಶೋಧನೆಗೆ ಬಳಸಿದರು. ಉದಾಹರಣೆಗೆ, ಮ್ಯಾನಿಫೆಸ್ಟೋ ಪ್ರಾಜೆಕ್ಟ್ ವಲಸೆಯ ವಿಷಯದ ಮೇಲೆ ಮ್ಯಾನಿಫೆಸ್ಟೋಸ್ ಅನ್ನು ಕೋಡ್ ಮಾಡಲಿಲ್ಲ ಏಕೆಂದರೆ 1980 ರ ದಶಕದ ಮಧ್ಯದಲ್ಲಿ ಕೋಡಿಂಗ್ ಯೋಜನೆಯು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದಾಗ ಅದು ಪ್ರಮುಖ ವಿಷಯವಲ್ಲ. ಮತ್ತು, ಈ ಸಮಯದಲ್ಲಿ, ಮ್ಯಾನಿಫೆಸ್ಟೋ ಪ್ರಾಜೆಕ್ಟ್ಗೆ ಈ ಮಾಹಿತಿಯನ್ನು ಸೆರೆಹಿಡಿಯಲು ಅವರ ಮ್ಯಾನಿಫೆಸ್ಟೋಗಳನ್ನು ಹಿಂತಿರುಗಿಸಲು ಮತ್ತು ಮರುಪಡೆಯಲು ಇದು ಲಾಜಿಸ್ಟ್ಲಿ ಇನ್ಫೀಸಿಬಲ್ ಆಗಿದೆ. ಆದ್ದರಿಂದ, ವಲಸೆಯ ರಾಜಕೀಯವನ್ನು ಅಧ್ಯಯನಮಾಡುವಲ್ಲಿ ಆಸಕ್ತರಾಗಿರುವ ಸಂಶೋಧಕರು ಅದೃಷ್ಟವಂತರು ಎಂದು ಕಂಡುಬರುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಬೆನೈಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ತಮ್ಮ ಮಾನವ ಗಣನಾ ಪದ್ದತಿಯನ್ನು ತಮ್ಮ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗೆ ತ್ವರಿತವಾಗಿ ಮತ್ತು ಸುಲಭವಾಗಿ ಕೋಡಿಂಗ್ ಮಾಡಲು ಕಸ್ಟಮೈಸ್ ಮಾಡಲು ಸಾಧ್ಯವಾಯಿತು.

ವಲಸೆ ನೀತಿ ಅಧ್ಯಯನ ಮಾಡಲು, ಅವರು ಯುನೈಟೆಡ್ ಕಿಂಗ್ಡಮ್ನಲ್ಲಿ 2010 ಸಾರ್ವತ್ರಿಕ ಚುನಾವಣೆಯಲ್ಲಿ ಎಂಟು ಪಕ್ಷಗಳಿಗೆ ಮ್ಯಾನಿಫೆಸ್ಟ್ಗಳನ್ನು ಮಾಡಿದರು. ಪ್ರತಿ ಮ್ಯಾನಿಫೆಸ್ಟೋದಲ್ಲಿ ಪ್ರತಿ ವಾಕ್ಯವೂ ವಲಸೆಗೆ ಸಂಬಂಧಿಸಿರಲಿ, ಮತ್ತು ಅದು ಪರ ವಲಸೆ, ತಟಸ್ಥ ಅಥವಾ ವಲಸೆ-ವಿರೋಧಿ ಎಂದು. ತಮ್ಮ ಯೋಜನೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ 5 ಗಂಟೆಗಳೊಳಗೆ, ಫಲಿತಾಂಶಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿದ್ದವು. ಒಟ್ಟು 360 ಡಾಲರ್ ವೆಚ್ಚದಲ್ಲಿ ಅವರು 22,000 ಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದರು. ಮತ್ತಷ್ಟು, ಜನಸಂದಣಿಯಿಂದ ಅಂದಾಜುಗಳು ತಜ್ಞರ ಹಿಂದಿನ ಸಮೀಕ್ಷೆಯೊಂದಿಗೆ ಗಮನಾರ್ಹ ಒಪ್ಪಂದವನ್ನು ತೋರಿಸಿದೆ. ನಂತರ, ಅಂತಿಮ ಪರೀಕ್ಷೆಯಂತೆ, ಎರಡು ತಿಂಗಳ ನಂತರ, ಸಂಶೋಧಕರು ತಮ್ಮ ಜನಸಮೂಹ-ಕೋಡಿಂಗ್ ಅನ್ನು ಪುನರುತ್ಪಾದಿಸಿದರು. ಕೆಲವೇ ಗಂಟೆಗಳಲ್ಲಿ, ಅವರು ಹೊಸ ಜನಸಮೂಹ-ಕೋಡೆಡ್ ದತ್ತಾಂಶವನ್ನು ರಚಿಸಿದರು, ಅದು ಅವರ ಮೂಲ ಜನಸಮೂಹ-ಕೋಡೆಡ್ ಡೇಟಾ ಸೆಟ್ಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮಾನವ ಗಣನೆಯು ತಜ್ಞ ಮೌಲ್ಯಮಾಪನಗಳೊಂದಿಗೆ ಒಪ್ಪಿಕೊಂಡಿರುವ ರಾಜಕೀಯ ಗ್ರಂಥಗಳ ಕೋಡಿಂಗ್ ಅನ್ನು ಸೃಷ್ಟಿಸಲು ನೆರವಾಯಿತು ಮತ್ತು ಮರುಉತ್ಪಾದನೆಯಾಗಿದೆ. ಇದಲ್ಲದೆ, ಮಾನವ ಗಣನೆಯು ತ್ವರಿತ ಮತ್ತು ಅಗ್ಗವಾಗಿದ್ದು, ವಲಸೆಯ ಬಗ್ಗೆ ಅವರ ನಿರ್ದಿಷ್ಟ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗೆ ತಮ್ಮ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡಲು ಇದು ಸುಲಭವಾಗಿದೆ.