3.6.2 မွနျတောငျးဆို

များစွာသောလူကနေကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်နှင့်အတူအနည်းငယ်ကလူကနေစစ်တမ်း data တွေကိုပေါင်းစပ်ဖို့ကြိုတင်ခန့်မှန်းချက်မော်ဒယ်သုံးပြီးတောင်းဆိုနေတာ Amplified ။

စစ်တမ်းများနှင့်ကြီးမားသောဒေတာသတင်းရင်းမြစ်ပေါင်းစပ်ဖို့တစ်ဦးကကွဲပြားခြားနားတဲ့လမ်းငါ amplified တောင်းဆိုနေတာကိုခေါ်ပါလိမ့်မယ်တဲ့ဖြစ်စဉ်တစ်ခုဖြစ်သည်။ amplified တောင်းဆိုနေတာခုနှစ်တွင်တစ်သုတေသီတစ်ဦးချင်းဒေတာအရင်းအမြစ်တစ်ခုခုနှင့်အတူဖြစ်နိုင်မှာမဟုတ်ဘူးလို့တစ်စကေးသို့မဟုတ်အသေးစိတ်မှာခန့်မှန်းခြေထုတ်လုပ်နိုင်ရန်အတွက်ကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်နှင့်အတူစစ်တမ်းအချက်အလက်များ၏သေးငယ်တဲ့ငွေပမာဏကိုပေါင်းစပ်ဖို့ကြိုတင်ခန့်မှန်းချက်မော်ဒယ်အသုံးပြုသည်။ amplified တောင်းဆိုနေတာ၏အရေးပါသောဥပမာဆင်းရဲတဲ့နိုင်ငံတွေအတွက်ဖွံ့ဖြိုးတိုးတက်ရေးကိုကူညီလမ်းညွှန်နိုင်ကြောင်းဒေတာစုဆောင်းရန်လိုခငျြတဲ့သူကိုယောရှု Blumenstock ၏အလုပ်ကနေလာပါတယ်။ နမူနာစစ်တမ်းများသို့မဟုတ်သန်းခေါင်စာရင်း: အတိတ်ကာလ, ဒေတာဒီလိုမျိုးစုဆောင်းသုတေသီများယေဘုယျအားဖြင့်နှစ်ခုချဉ်းကပ်မှု၏တဦးတည်းယူခဲ့ရသည်။ သုတေသီများလူမျိုး၏သေးငယ်တဲ့အရေအတွက်ကအင်တာဗျူးဘယ်မှာနမူနာစစ်တမ်းများ, ပြောင်းလွယ်ပြင်လွယ်အချိန်မီနှင့်အတော်လေးစျေးပေါနိုင်ပါတယ်။ သို့သော်ဤစစ်တမ်းများသူတို့တစ်တွေနမူနာအပေါ်အခြေခံပြီးကြောင့်မကြာခဏသူတို့ရဲ့ resolution ကိုအတွက်ကန့်သတ်ထားပါသည်။ နမူနာစစ်တမ်းနှင့်အတူကတိကျသောပထဝီဒေသများအကြောင်းကိုသို့မဟုတ်တိကျတဲ့လူဦးရေဆိုင်ရာအုပ်စုများအတွက်ခန့်မှန်းချက်စေရန်မကြာခဏခက်ခဲသည်။ သန်းခေါင်စာရင်း, အခြားလက်ပေါ်, လူတိုင်းကိုအင်တာဗျူးဖို့ကြိုးစား, ဒါကြောင့်သူတို့သေးငယ်တဲ့ပထဝီဒေသများသို့မဟုတ်လူဦးရေဆိုင်ရာအုပ်စုများအတွက်ခန့်မှန်းချက်ထုတ်လုပ်ရန်အသုံးပြုသောနိုင်ပါသည်။ သို့သော်သန်းခေါင်စာရင်း (သူတို့ထိုကဲ့သို့သောတိုင်း 10 နှစ်အဖြစ်သတ်မှတ်ထားတဲ့အချိန်ဇယားအပေါ်ဖြစ်ပျက်) အချိန်မီမရ (သူတို့သာမေးခွန်းများကို၏သေးငယ်တဲ့အရေအတွက်ကပါဝင်သည်) အာရုံအတွက်ကျဉ်းမြောင်းသော, ယေဘုယျအားဖြင့်စျေးကြီးဖြစ်ကြသည်ကို၎င်း, (Kish 1979) ။ သုတေသီများနှစ်ဦးစလုံးရဲ့အကောင်းဆုံးဝိသေသလက္ခဏာများပေါင်းစပ်နိုင်လျှင်ယင်းအစားနမူနာစစ်တမ်းများသို့မဟုတ်သန်းခေါင်စာရင်းအတူ flyer ခံခြင်းထက်, မြင်ယောင်ကြည့်ပါ။ သုတေသီများနေ့တိုင်းတိုင်းလူတစ်ဦးမှတိုင်းမေးခွန်းတစ်ခုမေးနိုင်လျှင်ဆိုပါစို့။ သိသာထင်ရှားတဲ့, ဒီနေရာအနှံ့, စစ်တမ်းအမြဲ-အပေါ်လူမှုရေးသိပ္ပံစိတ်ကူးယဉ်နေတဲ့မျိုးဖြစ်ပါတယ်။ ဒါပေမယ့်ကျွန်တော်လူများစွာကနေဒစ်ဂျစ်တယ်ခြေရာတွေနှင့်အတူလူ၏သေးငယ်တဲ့အရေအတွက်ကိုကနေစစ်တမ်းမေးခွန်းများကိုပေါင်းစပ်ပြီးဖွငျ့ဤဆုံးခနျ့မှနျးဖို့စတင်နိုင်မပေါ်လာပါဘူး။

ကြာချိန်, ထိုကဲ့သို့သောစတင်ချိန်အဖြစ်ဤမှတ်တမ်းများတစ်ခုချင်းစီကိုဖုန်းခေါ်ဆိုမှုနှင့်စာသားမက်ဆေ့ခ်ျကိုအကြောင်းသတင်းအချက်အလက်ပါရှိသောသူရဝမ်ဒါတွင်အကြီးဆုံးမိုဘိုင်းဖုန်းဝန်ဆောင်မှုပေးနှင့်အတူပူးပေါင်းသည့်အခါ Blumenstock ရဲ့သုတေသနစတင်ခဲ့ပြီးနှင့်ကုမ္ပဏီ 2005 နှင့် 2009 ခုနှစ်အကြားအကြောင်းကို 1.5 သန်းဖောက်သည်ထံမှအမည်ဝှက်ငွေပေးငွေယူမှတ်တမ်းများပေးအပ် , နှင့်ခေါ်ဆိုမှုများနှင့်လက်ခံ၏အနီးစပ်ဆုံးပထဝီတည်နေရာ။ ငါစာရင်းအင်းဆိုင်ရာကိစ္စရပ်များနှင့်ပတ်သက်ပြီးပြောဆိုမီ, ဒီပထမဦးဆုံးခြေလှမ်းအများအပြားသုတေသီများအဘို့အခက်ခဲဆုံးတဦးဖြစ်စေခြင်းငှါထွက်ညွှန်ပြကျိုးနပ်သည်။ ကျွန်မအခန်း 2 တွင်ဖော်ပြထားသည့်အတိုင်းအများဆုံးကြီးတွေဒေတာသတင်းရင်းမြစ်သုတေသီများမှတပိုင်တနိုင်ဖြစ်ကြသည်။ ဒါကြောင့်အခြေခံအားဖြင့်ဖျောက်ပေးသည်မှမဖြစ်နိုင်ဘူးကြောင့်နီးပါးဆက်ဆက်တက်ရောက်လာသူများကိုအထိခိုက်မခံစဉ်းစားပါမယ်လို့သတင်းအချက်အလက်များပါဝင်သည်ဘာဖြစ်လို့လဲဆိုတော့တယ်လီဖုန်း Meta-ဒေတာ, အထူးသဖြင့်အထူးသဖြင့်လက်လှမ်းမမှီနိုင် (Mayer, Mutchler, and Mitchell 2016; Landau 2016) ။ ဒီအထူးသဖြင့်အမှု၌, သုတေသီများဒေတာကာကွယ်စောင့်ရှောက်ဖို့သတိထားခဲ့ကြနှင့်သူတို့၏အလုပ်တတိယပါတီ (ဆိုလိုသည်မှာ, သူတို့ရဲ့ IRB) ကကြီးကြပ်ခဲ့သည်။ ကျွန်မအခန်း 6 တွင်ပိုမိုအသေးစိတ်တွင်ဤကျင့်ဝတ်ဆိုင်ရာကိစ္စရပ်များကိုမှပြန်လာပါလိမ့်မယ်။

Blumenstock ဥစ္စာဓနနဲ့သုခချမ်းသာကိုတိုင်းတာစိတ်ဝင်စားခဲ့သည်။ သို့သော်ဤစရိုက်များခေါ်ဆိုမှုမှတ်တမ်းများတွင်တိုက်ရိုက်မရှိကြပေ။ တစ်နည်းအားဖြင့်အဲဒီဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများမျြးအခနျးကွီး 2. ထဲမှာအသေးစိတ်ဆွေးနွေးခဲ့ကြသည်ခဲ့ကြီးတွေဒေတာသတင်းရင်းမြစ်၏ဤသုတေသန-ဘုံအင်္ဂါရပ်များအတွက်မပြည့်စုံများမှာသို့ရာတွင်ထိုသို့ခေါ်ဆိုမှုမှတ်တမ်းများဖြစ်ကောင်းသွယ်ဝိုက်ဥစ္စာဓနနဲ့ပတ်သက်တဲ့သတင်းအချက်အလက်များကိုနိုင်ကြောင်းသတင်းအချက်အလက်အချို့ကိုရှိသည်ဖွယ်ရှိပုံရသည် သုခချမ်းသာ။ ဒီဖြစ်နိုင်ခြေအား Blumenstock ကြောင့်တစ်စုံတစ်ဦးက၎င်းတို့၏ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများအပေါ်အခြေခံပြီးစစ်တမ်းတစ်ခုတုံ့ပြန်ပါလိမ့်မယ်ဘယ်လိုကြိုတင်ခန့်မှန်းဖို့စက်သင်ယူမှုပုံစံကိုလေ့ကျင့်ဖို့ဖြစ်နိုင်ခဲ့ရှိမရှိမေးခဲ့တယ်။ ဒီဖြစ်နိုင်ခြေခဲ့လျှင်, Blumenstock အားလုံး 1.5 သန်းဖောက်သည်များ၏စစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ဒီမော်ဒယ်အသုံးပြုနိုင်တယ်။

ထိုကဲ့သို့သောမော်ဒယ်တည်ဆောက်ခြင်းနှင့်လေ့ကျင့်ရန်အလို့ငှာ, သိပ္ပံနှင့်နည်းပညာခီဂါးလီအင်စတီကျုကနေ Blumenstock နှင့်သုတေသနလက်ထောက်အကြောင်းတထောင်ဖောက်သည်တစ်ဦးကိုကျပန်းနမူနာတောင်းဆိုခဲ့သည်။ အဆိုပါသုတေသီများထိုကဲ့သို့သော "သင်တစ်ဦးပိုင်ဆိုင်ပါနဲ့ဖြစ်သကဲ့သို့, သင်တန်းသားများစီမံကိန်းများ၏ပန်းတိုင်များကရှင်းပြသည်ခေါ်ဆိုမှုမှတ်တမ်းများမှစစ်တမ်းတုံ့ပြန်မှုလင့်ထားသည်သူတို့ရဲ့ခွင့်ပြုချက်တောင်း, ပြီးတော့သူတို့ရဲ့ဥစ္စာဓနနဲ့သုခချမ်းသာကိုတိုင်းတာရန်မေးခွန်းများကိုတစ်ဦးစီးရီးသူတို့ကိုမေးသော် ရေဒီယို? "နှင့်" သင်ကစက်ဘီးကိုပိုင်ဆိုင်သလား? "(တစ်တစ်စိတ်တစ်ပိုင်းစာရင်းများအတွက်ကိန်းဂဏန်း 3,14 ကြည့်ပါ) ။ စစ်တမ်းများတွင်အားလုံးပါဝင်သူများငွေရေးကြေးရေးလျော်ကြေးငွေပေးခဲ့သည်။

ယင်းနောက် Blumenstock စက်သင်ယူမှုအတွက်ဘုံတစ်ဦးနှစ်ဦး-Step လုပ်ထုံးလုပ်နည်းကိုအသုံးပြု: အင်္ဂါရပ်အင်ဂျင်နီယာကြီးကြပ်သင်ယူမှုအားဖြင့်နောက်သို့လိုက်ကြ၏။ ပထမဦးစွာအင်္ဂါရပ်အင်ဂျင်နီယာခြေလှမ်းအတွက်တွေ့ဆုံမေးမြန်းခဲ့လူတိုင်းအတွက်, Blumenstock လူတစ်ဦးချင်းစီအကြောင်းကိုဝိသေသလက္ခဏာများအစုတခုသို့ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများကူးပြောင်း; သိပ္ပံပညာရှင်များသည်ဤဝိသေသလက္ခဏာများ "features တွေ" နှင့်လူမှုရေးသိပ္ပံပညာရှင်တွေဟာသူတို့ကိုခေါ်မယ်လို့မခေါ်စေခြင်းငှါ, "variable တွေကို။ " ဥပမာဒေတာ, လူတစ်ဦးချင်းစီအဘို့, Blumenstock လှုပ်ရှားမှုနှင့်အတူကာလ၏စုစုပေါင်းအရေအတွက်ကိုတွက်ချက်, ကွဲပြားလူများ၏အရေအတွက်သည်ပုဂ္ဂိုလ်တစ်ဦးနှင့်အတူဆက်သွယ်ဆောင်ရွက်ခဲ့ကြောင်း, ထို ပိုက်ဆံပမာဏဒီတော့အပေါ် airtime သုံးစွဲနှင့်။ ပြင်းထန်စွာ, ကောင်းသောအင်္ဂါရပ်အင်ဂျင်နီယာသုတေသန setting ကိုသိကျွမ်းရန်လိုအပ်သည်။ ဒါကြောင့် (ကျွန်တော်တို့နိုင်ငံတကာမှာခေါ်ပါသူတွေကိုချမ်းသာဖြစ်ဖို့မျှော်လင့်ထားလိမ့်မယ်) ပြည်တွင်းနှင့်နိုင်ငံတကာဖုန်းခေါ်ဆိုမှုများအကြားခွဲခြားရန်အရေးကြီးပါသည်လျှင်ဥပမာ, ပြီးတော့ဒီအင်္ဂါရပ်အင်ဂျင်နီယာခြေလှမ်းမှာအမှုကိုပြုရမည်ဖြစ်သည်။ ရဝမ်ဒါ၏နည်းနည်းဥာဏ်နှင့်တကွတစ်ဦးကသုတေသီဒီ feature မပါဝင်စေခြင်းငှါ,, အဲဒီနောက်မော်ဒယ်၏ကြိုတင်ခန့်မှန်းချက်စွမ်းဆောင်ရည်ခံရလိမ့်မယ်။

ထို့နောက်ကြီးကြပ်သင်ယူမှုခြေလှမ်းအတွက် Blumenstock သူတို့ရဲ့ features တွေအပေါ်အခြေခံပြီးလူတစ်ဦးချင်းစီအဘို့စစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့မော်ဒယ်တည်ဆောက်ခဲ့သည်။ ဤကိစ္စတွင်ခုနှစ်, Blumenstock Logistic ဆုတ်ယုတ်အသုံးပြုသော, ဒါပေမဲ့သူကတခြားစာရင်းအင်းသို့မဟုတ်စက်သင်ယူမှုချဉ်းကပ်မှုအမျိုးမျိုးကိုအသုံးပြုခဲ့ကြနိုင်ပါတယ်။

ဒါကြောင့်ဘယ်လိုကောင်းကောင်းအလုပ်လုပ်ခဲ့တာလဲ Blumenstock "? သင်တစ်ဦးကရေဒီယိုကိုပိုင်ဆိုင်ပါနဲ့" ကဲ့သို့မေးခွန်းများကိုလေ့လာမှအဖြေကိုကြိုတင်ခန့်မှန်းနိုင်ခဲ့တယ်နှင့် "သင်ကစက်ဘီးကိုပိုင်ဆိုင်သလား" ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများမှဆင်းသက်လာ features တွေသုံးပြီး? မိမိအကြိုတင်ခန့်မှန်းချက်မော်ဒယ်များ၏စွမ်းဆောင်ရည်အကဲဖြတ်နိုင်ရန်အတွက်, Blumenstock, လေ့ဒေတာသိပ္ပံဒါပေမဲ့မရှိသလောက်လူမှုရေးသိပ္ပံများတွင်အသုံးပြုနေတဲ့ technique ကို Cross-validation ကိုအသုံးပြုခဲ့သည်။ Cross-validation ကို၏ရည်မှန်းချက်ကလေ့ကျင့်ခြင်းနှင့်အချက်အလက်များ၏ကွဲပြားခြားနားသောအစိတ်အပိုင်းအစုပေါ်မှာစမ်းသပ်ကမော်ဒယ်ရဲ့ကြိုတင်ခန့်မှန်းချက်စွမ်းဆောင်မှုတစ်ခုတရားမျှတတဲ့အကဲဖြတ်ပေးရန်ဖြစ်ပါသည်။ အထူးသဖြင့်, Blumenstock လူ 100 ဦးချင်းစီ၏ 10 Chunk သို့မိမိအဒေတာခွဲ။ ထို့နောက်သူသည်သူ၏စံပြလေ့ကျင့်ဖို့တုံးကိုးသုံးခြင်းနှင့်လေ့ကျင့်သင်ကြားမော်ဒယ်၏ကြိုတင်ခန့်မှန်းချက်စွမ်းဆောင်ရည်ကျန်ရှိနေသေးသောအတုံးပေါ်အကဲဖြတ်ခဲ့သည်။ သူသည်ဤလုပ်ထုံးလုပ်နည်းကို 10 ကြိမ်-အတူ validation ကိုဒေတာ-နှင့်ရလဒ်များကိုပျမ်းမျှအဖြစ်တဦးတည်းအလှည့်ရတဲ့အချက်အလက်များ၏အသီးအသီးအတုံးထပ်ခါတလဲလဲ။

အဆိုပါခန့်မှန်းချက်များ၏တိကျမှန်ကန်မှုကိုအချို့သောစရိုက်များ (ပုံ 3.14) အတွက်အမြင့်ဆုံး ဖြစ်. , တစ်စုံတစ်ဦးကရေဒီယိုပိုင်လျှင်ဥပမာအားဖြင့်, Blumenstock 97,6% တိကျမှန်ကန်မှုနှင့်အတူကြိုတင်ခန့်မှန်းနိုင်ဘူး။ ဤသည်အထင်ကြီးအသံလိမ့်မယ်, ဒါပေမယ့်ဒါဟာရိုးရှင်းတဲ့အခြားရွေးချယ်စရာဆန့်ကျင်တဲ့ရှုပ်ထွေးလှတဲ့ခန့်မှန်းချက်နည်းလမ်းနှိုင်းယှဉ်ဖို့အမြဲအရေးကြီးပါသည်။ ဤကိစ္စတွင်ခုနှစ်, ရိုးရှင်းသောအခြားရွေးချယ်စရာလူတိုင်းအသုံးအများဆုံးအဖြေပေးလိမ့်မည်ဟုကြိုတင်ခန့်မှန်းဖို့ဖြစ်ပါတယ်။ ဥပမာအားဖြင့်, ဖြေဆိုသူ 97,3% Blumenstock လူတိုင်းအတွက်ရေဒီယိုပိုင်ဆိုင်သတင်းပို့မယ်လို့ခန့်မှန်းခဲ့မယ်ဆိုရင်သူသည်မိမိပိုမိုရှုပ်ထွေးလုပ်ထုံးလုပ်နည်း (97.6% တိကျမှန်ကန်မှု) ၏စွမ်းဆောင်ရည်ဖို့အံ့သြစရာကောင်းလောက်အောင်ဆင်တူသည်အရာ, 97,3% တစ်ခုတိကျမှန်ကန်မှုရှိခဲ့တယ်မယ်လို့ဒီတော့ရေဒီယိုပိုင်ဆိုင်အစီရင်ခံတင်ပြ ။ တနည်းအားဖြင့်လူအပေါင်းတို့သည်ဖန်စီအချက်အလက်များနှင့်မော်ဒယ် 97,6% မှ 97,3% ကနေခန့်မှန်းများ၏တိကျမှန်ကန်မှုကိုတိုးတက်လာခဲ့သည်။ သို့သော်ထိုကဲ့သို့သော "သင်တစ်ဦးစက်ဘီးပိုင်ဆိုင်သလား?" အဖြစ်အခြားမေးခွန်းများ, အဘို့, ဟောကိန်းများ 67,6% မှ 54,4% ကနေတိုးတက်လာသည်။ ပိုများသောယေဘုယျအားဖြင့်အချို့စရိုက်များများအတွက် Blumenstock ရုံရိုးရှင်းတဲ့အခြေခံခန့်မှန်းအောင်ကျော်လွန်အများကြီးတိုးတက်ကောင်းမွန်လာခဲ့ပါဘူး, ဒါပေမယ့်အခြားစရိုက်များတချို့တိုးတက်မှုရှိကွောငျးကို 3,15 ရှိုးတွက်ဆ။ ဒီရလဒ်တွေကိုကြည့်သို့သော် အကယ်. သင်ဤချဉ်းကပ်မှုအထူးသဖြင့်အလားအလာဖြစ်ပါတယ်သည်ဟုမထင်ပေလိမ့်မည်။

ပုံ 3,14: ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများနှင့်အတူလေ့ကျင့်သင်ကြားနေတဲ့စာရင်းအင်းမော်ဒယ်ခန့်မှန်းတိကျမှန်ကန်မှု။ Blumenstock (2014), စားပွဲ 2 ကနေအဆင်ပြေအောင်။

ပုံ 3,14: ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများနှင့်အတူလေ့ကျင့်သင်ကြားနေတဲ့စာရင်းအင်းမော်ဒယ်ခန့်မှန်းတိကျမှန်ကန်မှု။ ကနေအဆင်ပြေအောင် Blumenstock (2014) , စားပွဲ 2 ။

3,15 ပုံ: ရိုးရှင်းတဲ့အခြေခံခန့်မှန်းဖို့ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများနှင့်အတူလေ့ကျင့်သင်ကြားနေတဲ့စာရင်းအင်းမော်ဒယ်ကြိုတင်ခန့်မှန်းချက်မှန်ကန်မှု၏နှိုင်းယှဉ်။ ရမှတ်အနည်းငယ်ထပ်နေသည်ကိုရှောင်ရှားရန် jittered နေကြသည်။ Blumenstock (2014), စားပွဲ 2 ကနေအဆင်ပြေအောင်။

3,15 ပုံ: ရိုးရှင်းတဲ့အခြေခံခန့်မှန်းဖို့ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများနှင့်အတူလေ့ကျင့်သင်ကြားနေတဲ့စာရင်းအင်းမော်ဒယ်ကြိုတင်ခန့်မှန်းချက်မှန်ကန်မှု၏နှိုင်းယှဉ်။ ရမှတ်အနည်းငယ်ထပ်နေသည်ကိုရှောင်ရှားရန် jittered နေကြသည်။ ကနေအဆင်ပြေအောင် Blumenstock (2014) , စားပွဲ 2 ။

သို့သျောလညျးပဲတစျနှစျအကြာတွင် Blumenstock နှစ်ယောက်လုပ်ဖော်ကိုင်ဖက်များ-ဂါဗြေလ Cadamuro နဲ့ Robert တွင်-ထုတ်ဝေသိသိသာသာပိုကောင်းရလဒ်များကိုနှင့်အတူသိပ္ပံအတွက်စက္ကူ (Blumenstock, Cadamuro, and On 2015) ။ ဒီတိုးတက်မှုများအတွက်နှစ်ခုကိုအဓိကနည်းပညာပိုင်းဆိုင်ရာအကြောင်းပြချက်ရှိခဲ့သည်: (1) သူတို့မဟုတ်ဘဲတစ်ဦးချင်းစီမှတုံ့ပြန်မှုအခြရန်ကြိုးစားနေထက်ပိုမိုခေတ်မီနည်းစနစ်များ (ဆိုလိုသည်မှာ, အင်ဂျင်နီယာနှင့်အင်္ဂါရပ်ကနေတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ကပိုပြီးခေတ်မီမော်ဒယ် feature အသစ်တစ်ခုချဉ်းကပ်မှု) ကိုအသုံးပြုခြင်းနှင့် (2) စစ်တမ်းမေးခွန်းများကို (ဥပမာ, "သင်ကရေဒီယိုကိုပိုင်ဆိုင်သလား?"), သူတို့တစ်တွေပေါင်းစပ်ဥစ္စာဓနအညွှန်းကိန်းအခြဖို့ကြိုးစားခဲ့တယ်။ ဤရွေ့ကားနည်းပညာဆိုင်ရာတိုးတက်မှုများသူတို့နမူနာရှိလူများအတွက်စည်းစိမ်ကိုကြိုတင်ခန့်မှန်းဖို့ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများကိုအသုံးပြုပြီးတစ်ဦးကျိုးကြောင်းဆီလျော်အလုပ်လုပ်ပေးနိုင်ကြောင်းကိုဆိုလို၏။

နမူနာကလူတွေ၏စည်းစိမ်ကိုခန့်မှန်းသို့သော်သုတေသနပြု၏အန္တိမရည်မှန်းချက်မဟုတ်ခဲ့ပေ။ အဆုံးစွန်ရည်မှန်းချက်ဖွံ့ဖြိုးဆဲနိုင်ငံများရှိဆင်းရဲမွဲတေ၏တိကျမှု, high-resolution ခန့်မှန်းချက်ထုတ်လုပ်ရန်နမူနာစစ်တမ်းများနှင့်သန်းခေါင်စာရင်းရဲ့အကောင်းဆုံး features တချို့ကိုပေါင်းစပ်ဖို့ပဲဆိုတာသတိရပါ။ ဒီရည်မှန်းချက်အောင်မြင်ရန်သူတို့ရဲ့စွမ်းရည်ကိုအကဲဖြတ်နိုင်ရန်, Blumenstock နှင့်လုပ်ဖော်ကိုင်ဘက်များခေါ်ဆိုမှုမှတ်တမ်းများအားလုံးကို 1.5 လူဦးရေသန်း၏စည်းစိမ်ကိုကြိုတင်ခန့်မှန်းဖို့သူတို့ရဲ့မော်ဒယ်နှင့်၎င်းတို့၏ဒေတာကိုအသုံးပြုခဲ့သည်။ ထိုသူတို့ကလူတစ်ဦးချင်းစီ၏နေအိမ်သို့ (ပုံ 3.17) ၏အနီးစပ်ဆုံးသောအရပ်ခန့်မှန်းရန် (ထိုဒေတာများကိုတစ်ဦးချင်းစီခေါ်ဆိုမှုအနီးဆုံးဆဲလ်မျှော်စင်၏တည်နေရာပါဝင်သည်ကြောင်းမှတ်မိ) ကိုဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများအတွက် embedded အဆိုပါ geospatial သတင်းအချက်အလက်ကိုအသုံးပြုခဲ့သည်။ အတူတူအဲဒီနှစျခုခန့်မှန်းချက်ချပြီး, Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များကအလွန်ချော Spatial အသေးစိတ်မှာစာရင်းပေးသွင်းထားသူချမ်းသာကြွယ်ဝမှု၏ပထဝီဖြန့်ဖြူးထားတဲ့ခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ ဥပမာအားဖြင့်, သူတို့ရဝမ်ဒါရဲ့ထားသော 2,148 ဆဲလ် (တိုင်းပြည်အတွက်အသေးငယ်ဆုံးစီမံခန့်ခွဲရေးယူနစ်) ၏တစ်ဦးချင်းစီအတွက်ပျမ်းမျှအားဖြင့်ချမ်းသာကြွယ်ခန့်မှန်းနိုင်ဘူး။

ဘယ်လိုကောင်းကောင်း, ဤခန့်မှန်းချက်သည်ဤဒေသများတွင်ဆင်းရဲမွဲတေမှုအမှန်တကယ်အဆင့်အထိတက်ကိုက်ညီခဲ့တာလဲ ငါမေးခွန်းကိုဖြေမီ, ငါသံသယဖြစ်ဖို့အကြောင်းပြချက်အများကြီးရှိပါတယ်ဆိုတဲ့အချက်ကိုအလေးပေးပြောကြားချင်ပါတယ်။ ဥပမာ, တစ်ဦးချင်းစီအဆင့်မှာဟောကိန်းများလုပ်နိုင်စွမ်း (ပုံ 3.17) တော်တော်လေးဆူညံခဲ့ပါတယ်။ နှင့်အညီ, ဖြစ်ကောင်းပိုပြီးအရေးကြီးတာက, မိုဘိုင်းဖုန်းများနှင့်အတူလူမိုဘိုင်းဖုန်းများမပါဘဲလူစုထဲကစနစ်တကျကွဲပြားခြားနားပါလိမ့်မယ်။ ထို့ကြောင့် Blumenstock နှင့်လုပ်ဖော်ကိုင်ဘက်ကျနော်အစောပိုင်းကဖော်ပြထားကြောင်း 1936 ခုနှစ်စာပေ Digest မဂ္ဂဇင်းစစ်တမ်း biased ကြောင်းလွှမ်းခြုံအမှားအယွင်းများအမျိုးအစားများအနေဖြင့်ဆင်းရဲခံရပေလိမ့်မည်။

သူတို့ရဲ့ခန့်မှန်းချက်၏အရည်အသွေးတစ်ခုသဘောမျိုးရဖို့, Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များကအခြားအရာတစ်ခုခုနှင့်အတူသူတို့ကိုနှိုင်းယှဉ်ဖို့လိုအပ်ခဲ့ပါတယ်။ ကံကောင်းထောက်မစွာ, သူတို့ရဲ့လေ့လာမှုအဖြစ်တစ်ချိန်တည်းပတ်လည်သုတေသီများ၏အခြားအုပ်စုတစ်စုရဝမ်ဒါတစ်ဦးထက်ပိုသောရိုးရာလူမှုရေးစစ်တမ်းအပြေးခဲ့သည်။ ဤသည်ကိုအခြားစစ်တမ်း-သောကျယ်ပြန့်လေးစားလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းအစီအစဉ်ကို-ခဲ့ကြီးမားတဲ့ဘတ်ဂျက်နှင့်အသုံးပြုသောအရည်အသွေးမြင့်, ရိုးရာနည်းလမ်းများ၏အစိတ်အပိုင်းတစ်ခုဖြစ်ခဲ့သည်။ ဒါကြောင့်လူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းကနေခန့်မှန်းကျိုးကြောင်းဆီလျော်ရွှေစံခန့်မှန်းစဉ်းစားနိုင်ပါတယ်။ နှစ်ခုခန့်မှန်းချက်နှင့်နှိုင်းယှဉ်ခဲ့ကြသည်တဲ့အခါသူတို့ (ပုံ 3.17) အတော်လေးဆင်တူဖြစ်ကြသည်။ တနည်းအားဖြင့်ခေါ်ဆိုမှုမှတ်တမ်းများနှင့်အတူစစ်တမ်းအချက်အလက်များ၏သေးငယ်တဲ့ငွေပမာဏကိုပေါင်းစပ်ပြီးအသုံးပြုပုံ Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များကိုရွှေ-စံချဉ်းကပ်မှုကနေသူတို့အဖို့နှိုင်းယှဉ်ခန့်မှန်းချက်ထုတ်လုပ်နိုင်ခဲ့တယ်။

တစ်ဦးကသံသယတစ်စိတ်ပျက်စရာအဖြစ်ကဤရလဒ်များကိုကြည့်ရှုနိုငျပါသညျ။ ပြီးနောက်ရှိသမျှတို့, သူတို့ကိုကြည့်ရှု၏တလမ်းတည်းဖြင့်ကြီးတွေအချက်အလက်များနှင့်စက်သင်ယူမှုကို အသုံးပြု. အသုံးပြုပုံ Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များပြီးသားရှိပြီးသားနည်းလမ်းများအားဖြင့်ပိုပြီးယုံကြည်စိတ်ချရသောစေနိုင်ကြောင်းခန့်မှန်းချက်ကိုထုတ်လုပ်နိုင်ခဲ့တယ်ဟုပြောရန်ဖြစ်ပါသည်။ ဒါပေမယ့်ငါအကြောင်းရင်းနှစ်ခုအဘို့ဤလေ့လာမှုကိုစဉ်းစားရန်နည်းမှန်လမ်းမှန်သည်ထင်ကြပါဘူး။ ပထမဦးစွာ Blumenstock နှင့်လုပ်ဖော်ကိုင်ဘက်များအနေဖြင့်ခန့်မှန်း 10 ဆပိုမြန်နှင့် (ကုန်ကျစရိတ် variable ကိုကုန်ကျစရိတ်၏စည်းကမ်းချက်များ၌တိုင်းတာသည့်အခါ) 50 ကြိမ်စျေးနှုန်းချိုသာဖြစ်ကြသည်။ ငါအစောပိုင်းကဤအခနျးတှငျစောဒကတက်သကဲ့သို့, သုတေသီများဟာသူတို့ရဲ့ဘေးမှာကုန်ကျစရိတ်ကိုလျစ်လျူရှု။ ဤကိစ္စတွင်ခုနှစ်, ဥပမာအားဖြင့်, ကုန်ကျစရိတ်အတွက်သိသိသာသာကျဆင်းခြင်း, စစ်တမ်း၏လူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းများ-ဒီလိုမျိုးလစဉ်လတိုင်းကို run နိုင်ဘို့မဟုတ်ဘဲတိုင်းနှစ်အနည်းငယ်-အဖြစ် run ခံထက်စံကြောင်းကိုဆိုလိုတယ်သုတေသီများနှင့်မူဝါဒများအတွက်မြောက်မြားစွာအားသာချက်များကိုပေးလို ထုတ်လုပ်သူများ။ အဆိုပါသံသယရဲ့အမြင်ကိုမယူဒုတိယအကြောင်းပြချက်ကဒီလေ့လာမှုအများအပြားကွဲပြားခြားနားသောသုတေသနအခြေအနေများကိုက်ညီနိုင်မယ့်အခြေခံစာရွက်ကိုထောက်ပံ့ပေးကြောင်းဖြစ်ပါတယ်။ ဒီစာရွက်နှစ်ခုသာပါဝင်ပစ္စည်းများနှစ်ယောက်ခြေလှမ်းများရှိပါတယ်။ အဆိုပါပါဝင်ပစ္စည်းများကျယ်ပြန့်ပေမယ့်ပါးလွှာကြောင်း (1) ဟာကြီးမားတဲ့ data တွေကိုအရင်းအမြစ် (ဆိုလိုသည်မှာသင်လူတစ်ဦးချင်းစီအကြောင်းကိုလိုအပ်သောသတင်းအချက်အလက်များစွာသောလူရှိတယ်ဒါပေမယ့်မပါ) နှင့်ကျဉ်းမြောင်းသောပေမယ့်ထူကြောင်း (2) စစ်တမ်းတစ်ခု (ဆိုလိုသည်မှာ, ကသာရှိပြီးဖြစ်ကြောင်း အနည်းငယ်သောလူ, ဒါပေမယ့်သူကအဲဒီလူတွေအကြောင်းကိုလိုအပ်သောသတင်းအချက်အလက်မ) ။ ဤရွေ့ကားပါဝင်ပစ္စည်းများထို့နောက်နှစ်ခုခြေလှမ်းများအတွက်ပေါင်းစပ်နေကြသည်။ ပထမဦးစွာနှစ်ဦးစလုံးဒေတာသတင်းရင်းမြစ်ရှိလူများအတွက်, စစ်တမ်းအဖြေကိုကြိုတင်ခန့်မှန်းဖို့ကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်အသုံးပြုတဲ့စက်သင်ယူမှုပုံစံကိုတည်ဆောက်စေ။ ယင်းနောက်ကြီးတွေဒေတာအရင်းအမြစ်အတွက်လူတိုင်း၏စစ်တမ်းအဖြေကို impute မှမော်ဒယ်ကိုအသုံးပြုပါ။ ထို့ကြောင့်သင်ကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်အကြောင်းကိုဂရုမစိုက်ပါဘူးလျှင်ပင်သူတို့၏အဖြေကိုကြိုတင်ခန့်မှန်းဖို့အသုံးပြုစေခြင်းငှါထိုလူကနေကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်ကိုရှာဖွေ, လူတွေအများကြီးမေးဖို့လိုအချို့သောဆိုတဲ့မေးခွန်းကိုလည်းမရှိလျှင်။ ဒါက Blumenstock နှင့်လုပ်ဖော်ကိုင်ဖက်များကမူလကပင်ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများဂရုစိုက်မရှိ၏ သူတို့ဂရုစိုက်ကြောင်းစစ်တမ်းအဖြေကိုကြိုတင်ခန့်မှန်းဖို့အသုံးပြုနိုင်မည်ဖြစ်သောကြောင့်သူတို့သာဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများဂရုစိုက်။ ကြီးဒေတာအရင်းအမြစ်-ကြောင့်၌ဤဝိသေသသာသွယ်ဝိုက်အကျိုးစီးပွားငါအစောပိုင်းကဖော်ပြထားသည့် embedded တောင်းဆိုနေတာကနေမတူညီတဲ့တောင်းဆိုနေတာ amplified ။

ပုံ 3,16: Blumenstock, Cadamuro နှင့်တွင် (2015) ကလေ့လာမှုသိထား။ ဖုန်းကုမ္ပဏီထံမှမှတ်တမ်းများ Call လူတစ်ဦးချင်းစီတတန်းနှင့်တစ်ဦးချင်းစီအင်္ဂါရပ် (ဆိုလိုသညျ variable ကို) အတွက်တဦးတည်းကော်လံနဲ့ matrix ကိုကူးပြောင်းခဲ့သည်။ ထို့နောက်သုတေသီများလူတစ်ဦး-by-feature ကို matrix ကိုကနေစစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ကြီးကြပ်သင်ယူမှုပုံစံကိုတည်ဆောက်ခဲ့သည်။ ထို့နောက်ကြီးကြပ်သင်ယူမှုပုံစံအားလုံး 1.5 သန်းဖောက်သည်များအတွက်စစ်တမ်းတုံ့ပြန်မှု impute ဖို့အသုံးပြုခဲ့ပါတယ်။ ဒါ့အပြင်သုတေသီသူတို့ရဲ့ဖုန်းခေါ်၏တည်နေရာပေါ် အခြေခံ. အားလုံး 1.5 သန်းဖောက်သည်များအတွက်နေထိုင်များ၏ခန့်မှန်းရာအရပျခန့်မှန်းပါတယ်။ အဲဒီနှစျခုခန့်မှန်းချက်-ခန့်မှန်းဥစ္စာဓနနှင့်များ၏ခန့်မှန်းခြေအရပျကိုပေါင်းစပ်နေထိုင်-ခဲ့ကြသည်သောအခါ, ရလဒ်များလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်း (ပုံ 3.17) မှခန့်မှန်းဆင်တူဖြစ်ကြသည်။

ပုံ 3,16 by: လေ့လာမှုသိထား Blumenstock, Cadamuro, and On (2015) ။ ဖုန်းကုမ္ပဏီထံမှမှတ်တမ်းများ Call လူတစ်ဦးချင်းစီတတန်းနှင့်တစ်ဦးချင်းစီရဲ့ feature တစ်ခုကော်လံ (ဆိုလိုသည်မှာ, variable ကို) နဲ့တစ်ဦး matrix ကိုကူးပြောင်းခဲ့သည်။ ထို့နောက်သုတေသီများလူတစ်ဦး-by-feature ကို matrix ကိုကနေစစ်တမ်းတုံ့ပြန်မှုကြိုတင်ခန့်မှန်းဖို့ကြီးကြပ်သင်ယူမှုပုံစံကိုတည်ဆောက်ခဲ့သည်။ ထို့နောက်ကြီးကြပ်သင်ယူမှုပုံစံအားလုံး 1.5 သန်းဖောက်သည်များအတွက်စစ်တမ်းတုံ့ပြန်မှု impute ဖို့အသုံးပြုခဲ့ပါတယ်။ ဒါ့အပြင်သုတေသီသူတို့ရဲ့ဖုန်းခေါ်၏တည်နေရာပေါ် အခြေခံ. အားလုံး 1.5 သန်းဖောက်သည်များအတွက်နေထိုင်များ၏ခန့်မှန်းရာအရပျခန့်မှန်းပါတယ်။ အဲဒီနှစျခုခန့်မှန်းချက်-ခန့်မှန်းဥစ္စာဓနနှင့်များ၏ခန့်မှန်းခြေအရပျကိုပေါင်းစပ်နေထိုင်-ခဲ့ကြသည်သောအခါ, ရလဒ်များလူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်း (ပုံ 3.17) မှခန့်မှန်းဆင်တူဖြစ်ကြသည်။

ပုံ 3,17: Blumenstock, Cadamuro နှင့်တွင် (2015) မှရလဒ်များ။ တစ်ဦးချင်းစီအဆင့်မှာ, သုတေသီသူတို့ရဲ့ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများမှတစ်စုံတစ်ဦးရဲ့စည်းစိမ်ကိုခန့်မှန်းမှာကျိုးကြောင်းဆီလျော်အလုပ်လုပ်ဖို့နိုင်ခဲ့ကြတယ်။ ရဝမ်ဒါရဲ့ 30 ရက်ခရိုင်-သောစည်းစိမ်ကိုရပျရပျ၏တစ်ဦးချင်းစီ-Level ခန့်မှန်းချက်အပေါ်အခြေခံခဲ့ကြဘို့ခရိုင်-Level ချမ်းသာကြွယ်ဝမှု၏ခန့်မှန်းချက်ကတော့လူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်းကနေရလဒ်တွေကိုဆင်တူနေအိမ်သို့-ခဲ့ကြသည်။ Blumenstock, Cadamuro နှင့်တွင် (2015) မှအဆင်ပြေအောင်, 1A နှင့် 3C နဲ့ကိန်းဂဏန်းများ။

ပုံ 3,17: ကနေရလာဒ် Blumenstock, Cadamuro, and On (2015) ။ တစ်ဦးချင်းစီအဆင့်မှာ, သုတေသီသူတို့ရဲ့ဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများမှတစ်စုံတစ်ဦးရဲ့စည်းစိမ်ကိုခန့်မှန်းမှာကျိုးကြောင်းဆီလျော်အလုပ်လုပ်ဖို့နိုင်ခဲ့ကြတယ်။ ရဝမ်ဒါရဲ့ 30 ရက်ခရိုင်-သောစည်းစိမ်ကိုရပျရပျ၏တစ်ဦးချင်းစီ-Level ခန့်မှန်းချက်အပေါ်အခြေခံခဲ့ကြဘို့ခရိုင်-Level ချမ်းသာကြွယ်ဝမှု၏ခန့်မှန်းချက်ကတော့လူဦးရေအချိုးအစားနှင့်ကျန်းမာရေးစစ်တမ်းတစ်ဦးကိုရွှေ-စံရိုးရာစစ်တမ်းကနေရလဒ်တွေကိုဆင်တူနေအိမ်သို့-ခဲ့ကြသည်။ ကနေအဆင်ပြေအောင် Blumenstock, Cadamuro, and On (2015) , 1A နှင့် 3C နဲ့ကိန်းဂဏန်းများ။

နိဂုံးချုပ်မှာတော့ Blumenstock ရဲ့ရွှေ-စံစစ်တမ်းကနေသူတို့အားနှိုင်းယှဉ်ခန့်မှန်းချက်ထုတ်လုပ်ရန်ကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်တွေနဲ့ချဉ်းကပ်ပေါင်းစပ်စစ်တမ်း data တွေကိုတောင်းဆိုနေတာ amplified ။ ဤသည်အထူးသဖြင့်ဥပမာအားလည်း amplified မေးမြန်းခြင်းနှင့်ရိုးရာစစ်တမ်းနည်းလမ်းများအကြား trade-off အချို့ရှငျး။ အဆိုပါ amplified တောင်းဆိုနေတာခန့်မှန်းချက်ပိုအချိန်မီသိသိသာသာစျေးနှုန်းချိုသာနှင့်ထို့ထက် ပို. granular ခဲ့ကြသည်။ ဒါပေမယ့်အခြားတစ်ဖက်တွင်, amplified တောင်းဆိုနေတာဒီလိုမျိုးအဘို့ခိုင်ခံ့သီအိုရီအခြေခံသေးမရှိ။ ဒါဟာတစ်ခုတည်းသောဥပမာအားဒီချဉ်းကပ်မှုအလုပ်လုပ်မည်သည့်အခါပြတဲ့အခါမှာသူကမသွားဘူး, ဤချဉ်းကပ်နည်းကို အသုံးပြု. သုတေသီများပါဝင်သည်-နှင့်သူမပါဝင်-In မဟုတ်ပါသူတို့ရဲ့ကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်အဘယ်သူသည်ကြောင့်ဖြစ်ရတဲ့တတ်နိုင်သမျှဘက်လိုက်မှုနှင့် ပတ်သက်. အထူးသဖြင့်စိုးရိမ်ပူပန်ဖြစ်ဖို့လိုအပ်ပါတယ်။ ပါဘူး ထို့ပြင်အဆိုပါ amplified တောင်းဆိုနေတာချဉ်းကပ်သေးသည်၎င်း၏ခန့်မှန်းချက်ဝန်းကျင်မရေရာများကိုတွက်ချက်ရန်ကောင်းသောနည်းလမ်းများမရှိပါ။ ကံကောင်းထောက်မစွာ, amplified တောင်းဆိုနေတာစာရင်းဇယား-သေးငယ်တဲ့-ဧရိယာခန့်မှန်းချက်များတွင်သုံးကြီးမားသောဒေသများသို့နက်ရှိုင်းသောဆက်သွယ်မှုရှိပါတယ် (Rao and Molina 2015) , ရှိသည်ဟုမှတ်စရာ (Rubin 2004) , နီးကပ်စွာမစ္စတာပီနှင့်ဆက်စပ်သောသောသူ့ဟာသူ (နှင့်မော်ဒယ်-based Post-stratification အဆိုပါနည်းလမ်းကိုငါ) အစောပိုင်းအခန်းတွင်ဖော်ပြထား (Little 1993) ။ ကြောင့်ဤနက်ရှိုင်းသောဆက်သွယ်မှုများ, ငါသည် amplified တောင်းဆိုနေတာ၏အတိုင်းအတာများအမြစ်လည်းအများအပြားမကြာမီတိုးတက်လိမ့်မည်ဟုမျှော်လင့်ထား။

နောက်ဆုံးအနေနဲ့ Blumenstock ရဲ့ပထမနှင့်ဒုတိယကြိုးစားမှုနှိုင်းယှဉ်လည်းဒစ်ဂျစ်တယ်-အသက်အရွယ်လူမှုရေးသုတေသနအကြောင်းကိုအရေးပါသောသင်ခန်းစာသရုပ်ဖော်: အစအဦးအဆုံးမဟုတ်ပါဘူး။ အကြောင်း, အကြိမ်ပေါင်းများစွာဖြစ်တယ်, ပထမဦးဆုံးချဉ်းကပ်မှုကအကောင်းဆုံးဖြစ်လိမ့်မည်မဟုတ်ပေ, သို့သော်သုတေသီများအလုပ်လုပ်တည်လျှင်, အမှုအရာပိုကောင်းရရှိနိုင်သည်။ ဒီဂျစ်တယ်ခေတ်များတွင်လူမှုရေးသုတေသနအသစ်ချဉ်းကပ်အကဲဖြတ်တဲ့အခါမှာပိုများသောယေဘုယျအားဖြင့်, ကနှစ်ခုကွဲပြားအကဲဖြတ်စေရန်အရေးကြီးပါသည်: (1) ကိုဘယ်လိုကောင်းကောင်းယခုဤလုပ်ငန်းသနည်း နှင့် (2) ကိုဘယ်လိုကောင်းကောင်းအနာဂတျတှငျဤလုပ်ငန်းကိုဒေတာရှုခင်းအပြောင်းအလဲများအဖြစ်လိမ့်မည်နှင့်သုတေသီများပြဿနာကိုပိုမိုအာရုံစူးစိုက်မှုကိုမွှုပျနှံအဖြစ်? သုတေသီများအကဲဖြတ်၏ပထမဦးဆုံးမျိုးစေလေ့ကျင့်သင်ကြားနေကြပေမယ့်, ဒုတိယမကြာခဏပိုအရေးကြီးတယ်။