3.6.1 Сайжруулсан асуулт

Өсөн нэмэгдэж буй асуултын хувьд судалгааны тоо баримт нь зарим чухал хэмжилт агуулагдсан боловч бусдын дутагдалтай мэдээллийн том эх үүсвэрийг хамарсан нөхцөл байдлыг бий болгодог.

Судалгааны өгөгдөл болон том мэдээллийн эх үүсвэрийг нэгтгэх нэг арга бол баяжуулсан асууж тодруулах гэж буй үйл явц юм. Өсөн нэмэгдэж буй асуултын хувьд том өгөгдлийн эх сурвалж нь зарим чухал хэмжилтүүдийг агуулдаг боловч бусад хэмжигдэхүүнүүд дутагдалтай тул судалгаанд эдгээр дутагдалтай хэмжилтүүдийг цуглуулж дараа нь хоёр өгөгдлийн эх үүсвэрийг холбож өгдөг. Баярын асуусан асуултын нэг жишээ бол Facebook дээр харилцан яриа өрсөлдөх чадварыг нэмэгдүүлж байгаа эсэх талаархи судалгааг 3.2-д тайлбарласан Burke and Kraut (2014) ). Энэ тохиолдолд Burke, Kraut нар фэйсбүүкийн хайлтын өгөгдлийг нэгтгэсэн.

Burke, Kraut-ийн ажиллаж байсан нөхцөл байдал нь тэд ихэвчлэн тулгардаг асуусан эрдэмтдийн баяжуулсан хоёр том асуудлыг шийдвэрлэх шаардлагагүй гэсэн үг юм. Нэгдүгээрт, үнэхээр нэг бүртгэлд зөв бичлэг нь зөв бичлэгтэй таарч байгааг баталгаажуулахын тулд ашиглаж болох өгөгдлийн аль алиных нь хувьд хоёулангаар нь тодорхойлогдоогүй ганц бие даасан таних код байхгүй тохиолдолд холболтын холбоос гэгддэг процессыг хооронд нь холбох нь үнэхээр хэцүү байж болно бусад мэдээллийн санд. Баяжсан асуултын хоёр дахь гол асуудал бол мэдээллийн том эх үүсвэрийн чанарыг судлаачид үнэлэхэд хүндрэлтэй байдаг нь өгөгдөл үүсгэх процесс нь өмчлөлтэй байж болох ба 2-р бүлэгт тайлбарласан олон асуудлуудад өртөмтгий байж болно. Өөрөөр хэлбэл, асууж лавлах асуумж нь үл мэдэгдэх хайхрамжгүй холбоосыг хар хайрцагны өгөгдлийн үл мэдэгдэх чанарын эх сурвалжуудад байнга оруулах болно. Эдгээр асуудлуудыг үл харгалзан, асуусан асуултыг баяжуулсан нь АНУ-ын санал хураалтын хэв загварыг судлахад Stephen Ansolabehere болон Eitan Hersh (2012) нар чухал судалгаа хийхэд ашиглаж болох юм.

Сонгогчдын санал асуулга нь улс төрийн шинжлэх ухааны өргөн хүрээтэй судалгаа бөгөөд өмнө нь судлаачдын ойлголт, санал асуулга, яагаад судалгааны дүнгийн шинжилгээнд тулгуурласан байсан. Гэхдээ АНУ-д санал өгөх нь иргэн бүрийн санал өгсөн эсэхээс үл хамааран Засгийн газрын бүртгэлийг тэмдэглэсэн байдаг нь ер бусын зан авир юм. Олон жилийн турш эдгээр засгийн газрын санал хураалтын тэмдэглэлийг цаасан маягт дээр, орон нутгийн засаг захиргааны янз бүрийн газар нутагт тараажээ. Энэ нь улс төрийн эрдэмтэд сонгогчдын бүрэн дүр зургийг харуулахын тулд маш хэцүү, гэхдээ боломжгүй зүйл биш, харин санал асуулгад оролцсон хүмүүс санал асуулгын талаархи санал асуулгад хүмүүстэй харьцуулах (Ansolabehere and Hersh 2012) .

Гэхдээ эдгээр санал хураалтын баримтууд нь дижитал хэлбэрт оруулагдсан бөгөөд олон тооны хувийн компаниуд системтэйгээр цуглуулж, бүх америкчуудын санал өгөх зан чанарыг агуулсан мастер саналын бүрэн форматыг гаргаж авахын тулд нэгтгэсэн юм. Ansolabehere болон Hersh нь эдгээр компаниудын нэг болох Катализаторын LCC-тэй хамтран ажиллахаар болсон. Цаашилбал, тэдний судалгаа нь мэдээлэл цуглуулах, уялдуулах чиглэлээр ихээхэн хэмжээний нөөцийг хөрөнгө оруулсан компанид цуглуулсан бөгөөд тэдгээрийн боловсруулсан тоон бүртгэлээс хамааран компаний тусламжгүйгээр хийгдсэн, аналог бүртгэлийг ашиглан өмнөх хүчин чармайлтуудаас хэд хэдэн давуу талыг санал болгосон.

2-р бүлэгт өгөгдлийн том эх сурвалжуудын нэгэн адил Каталист мастер форм Анктабэтер, Херш нарын хэрэгцээтэй хүн ам зүйн, хандлага, зан байдлын мэдээллийг агуулдаггүй. Үнэн хэрэгтээ тэд санал асуулгад оролцсон санал асуулгын аргыг санал асуулгад харьцуулсан харьцуулалтыг харьцуулах сонирхолтой байв (өөрөөр хэлбэл Каталист мэдээллийн сан дахь мэдээлэл). Тиймээс Ansolabehere, Hersh нар энэ бүлгээс өмнө дурьдагдсан нийгмийн том хэмжээний судалгаанд зориулж гаргасан өгөгдлийг цуглуулсан. Дараа нь тэд Каталист руу өгөгдлөө өгч, Каталист тэдэнд нэгтгэсэн санал асуулгын файлыг (Каталистаас), өөрөө мэдээлсэн санал хураалтын үйл ажиллагаа (ХАБЭА-наас), хүн ам зүйн байдал, хандлагын талаар (CCES-ээс авсан) 3.13). Өөрөөр хэлбэл, Анлакэзер болон Херш нар судалгааны материалыг судалгааны өгөгдөлтэй хослуулан нэгтгэж, аль нэг өгөгдлийн эх сурвалжийг ашиглах боломжгүй юм.

Зураг 3.13: Ansolabehere болон Hersh нарын судалгааны бүдүүвч (2012). Мастер мэдээллийн файлыг үүсгэхийн тулд Catalyst олон янзын эх сурвалжаас мэдээллийг нэгтгэж, зохицуулдаг. Энэ нэгтгэх үйл явц нь хэр болгоомжтой байхаас үл хамааран анхны өгөгдлийн эх сурвалжид алдаа тархах бөгөөд шинэ алдаа гарах болно. Алдааны хоёрдогч эх үүсвэр нь судалгааны өгөгдөл болон мастер өгөгдлийн файл хоёрын хоорондох холбоог хэлдэг. Хэрэв хүн бүр өгөгдлийн эх үүсвэрийн хувьд тогтвортой, өвөрмөц танигдсан бол холбоос нь тийм ч хялбар биш юм. Гэхдээ Каталист нь төгс бус таних тэмдгүүдийг ашиглан энэ холбоог, хүйс, төрсөн он, гэрийн хаягийг ашиглана. Харамсалтай нь ихэнх тохиолдолд дутуу эсвэл буруу мэдээлэл байж болно; Homer Simpson нэртэй сонгогч Homer Jay Simpson, Homie J Simpson, тэр ч байтугай Homer Sampsin гэх мэт гарч ирж болно. Каталист мастер өгөгдөлд алдаа гарч болзошгүй хэдий ч бичлэгийн хэлхээнд алдаа гарч болзошгүй хэдий ч Ansolabehere болон Hersh хэд хэдэн төрлийн шалгалтаар тэдний тооцоололд итгэх чадвартай болсон.

Зураг 3.13: Ansolabehere and Hersh (2012) нарын судалгааны бүдүүвч Ansolabehere and Hersh (2012) . Мастер мэдээллийн файлыг үүсгэхийн тулд Catalyst олон янзын эх сурвалжаас мэдээллийг нэгтгэж, зохицуулдаг. Энэ нэгтгэх үйл явц нь хэр болгоомжтой байхаас үл хамааран анхны өгөгдлийн эх сурвалжид алдаа тархах бөгөөд шинэ алдаа гарах болно. Алдааны хоёрдогч эх үүсвэр нь судалгааны өгөгдөл болон мастер өгөгдлийн файл хоёрын хоорондох холбоог хэлдэг. Хэрэв хүн бүр өгөгдлийн эх үүсвэрийн хувьд тогтвортой, өвөрмөц танигдсан бол холбоос нь тийм ч хялбар биш юм. Гэхдээ Каталист нь төгс бус таних тэмдгүүдийг ашиглан энэ холбоог, хүйс, төрсөн он, гэрийн хаягийг ашиглана. Харамсалтай нь ихэнх тохиолдолд дутуу эсвэл буруу мэдээлэл байж болно; Homer Simpson нэртэй сонгогч Homer Jay Simpson, Homie J Simpson, тэр ч байтугай Homer Sampsin гэх мэт гарч ирж болно. Каталист мастер өгөгдөлд алдаа гарч болзошгүй хэдий ч бичлэгийн хэлхээнд алдаа гарч болзошгүй хэдий ч Ansolabehere болон Hersh хэд хэдэн төрлийн шалгалтаар тэдний тооцоололд итгэх чадвартай болсон.

Тэдний нэгдсэн мэдээллийн файлаар Ansolabehere, Hersh нар гурван чухал дүгнэлт гаргасан. Нэгдүгээрт, санал хураалтын дүнг хэт давтан мэдээлж байна: үл мэдэгчдийн бараг тал нь саналаа өгч, саналаа өгч байсан хэн нэг нь саналаа өгсөн бол 80% нь л саналаа өгдөг. Хоёрдугаарт, хэт их тайлагнах нь санамсаргүй биш юм. Олон нийттэй харилцах үйл ажиллагаа эрхэлдэг өндөр орлоготой, боловсрол сайтай, партизануудын хувьд илүүдэл тайлагнах нь түгээмэл байдаг. Өөрөөр хэлбэл саналаа өгөх магадлалтай хүмүүс санал хураалтын талаар худлаа ярьдаг. Гуравдугаарт, илүү тайлагналын системчилсэн шинж чанараас шалтгаалан сонгогчдын болон үл сонгогчдын бодит ялгаа нь зөвхөн судалгаанаас харагдаж байгаагаас бага байна. Жишээлбэл, бакалаврын зэрэгтэй хүмүүс сонгуульд саналаа өгөхөд 22 пунктээр илүү оноо өгдөг, гэхдээ сонгуульд зөвхөн 10 хувийн оноо өгөх боломжтой байдаг. Сонгуульд хэн саналаа өгөх вэ (урьд нь судлаачид урьд нь ашигласан өгөгдөл) -ийг үнэлэхээс илүүтэйгээр сонгуульд саналаа өгөхөд үндэслэсэн онолын онолууд нь илүү дээр юм. Тиймээс Ansolabehere and Hersh (2012) -ийн эмпирик Ansolabehere and Hersh (2012) нь шинэ онолуудыг ойлгох, санал өгөхийг урьдчилан таамаглахыг шаарддаг.

Гэхдээ эдгээр үр дүнгүүдэд бид хэр итгэлтэй байх ёстой вэ? Эдгээр үр дүн нь үл мэдэгдэх алдаатай хар хайрцагны өгөгдлийг холбох алдаанаас хамаарна. Тодруулбал, үр дүн нь хоёр гол алхмууд дээр тулгуурлана: (1) Каталист нь олон тооны мэдээллийн эх сурвалжийг нэгтгэхийн тулд мастер өгөгдлийн файлыг үнэн зөв гаргах, (2) Каталист мэдээллийг судалгааны өгөгдлийг өөрийн мастер өгөгдлийн файлтай холбох чадвартай байх. Эдгээр алхмууд нь хэцүү байдаг бөгөөд аль нэг алхам дахь алдаа нь судлаачдыг буруу дүгнэлт гаргахад хүргэдэг. Гэсэн хэдий ч мэдээлэл боловсруулах болон холбох хоёулаа Каталист компанийг үргэлжлүүлэн ажиллуулахад чухал үүрэг гүйцэтгэдэг тул эрдэм шинжилгээний ямар ч судлаачгүй байж болохуйц хэмжээний асуудлыг шийдвэрлэхэд хөрөнгө оруулах боломжтой. Тэдний цаасан дээр Ansolabehere, Hersh нар эдгээр хоёр алхмын үр дүнг шалгахын тулд хэд хэдэн алхмуудыг хийдэг-зарим нь өмчлөлтэй-эдгээр шалгалтууд нь судалгааны өгөгдлийг хар хайрцагны том өгөгдөлтэй холбох хүсэлтэй байж болох юм. эх сурвалж.

Энэ судалгаанаас ерөнхий судлаачид юуг авч болох вэ? Нэгдүгээрт, судалгааны өгөгдөлтэй том мэдээллийн эх сурвалжийг баяжуулж, өгөгдлийг том мэдээллийн эх сурвалжаар баяжуулах нь ихээхэн ач холбогдолтой юм. Эдгээр хоёр мэдээллийн эх үүсвэрийг нэгтгэснээр судлаачид бие даасан байдлаар боломжгүй зүйлийг хийх боломжтой байв. Хоёрдахь ерөнхий хичээл бол Каталист мэдээллийн өгөгдөл гэх мэт арилжааны мэдээллийн эх үүсвэрүүд нь "газрын үнэн" гэж тооцогдохгүй байх нь зарим тохиолдолд ашигтай байж болох юм. Заримдаа үл итгэгчид эдгээр цогц, арилжааны мэдээллийн эх сурвалжийг үнэмлэхүй Үнэнтэй харьцуулж эдгээр өгөгдлийн эх сурвалжууд нь богино байхыг зааж өгдөг. Гэхдээ энэ тохиолдолд үл итгэгчид буруу харьцуулалтыг хийж байна: судлаачдын ашигладаг бүх мэдээлэл үнэмлэхүй Үнэнээс доогуур байдаг. Харин оронд нь бусад өгөгдлийн эх сурвалжтай (өөрөөр хэлбэл өөрийгөө тайлагнадаг саналын хандлага) нэгтгэсэн, арилжааны мэдээллийн эх сурвалжийг харьцуулах нь илүү дээр юм. Эцэст нь Ansolabehere болон Hersh-ийн судалгааны гурав дахь ерөнхий хичээл нь зарим нөхцөлд судлаачид олон тооны хувийн компаниудын нийгмийн цогц мэдээллийн багцыг цуглуулж, уялдуулан холбох асар их хөрөнгө оруулалтын үр шимийг хүртэх болно.