3.6.1 သန့်စင်မေးမြန်းခြင်း

သန့်စင်တောင်းဆိုနေတာမှာတော့စစ်တမ်းဒေတာတချို့အရေးကြီးသောတိုင်းတာဒါပေမယ့်မရှိခြင်းအခြားသူတွေပါဝင်သောကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်န်းကျင်အခြေအနေတွင်တည်ဆောက်။

စစ်တမ်းအချက်အလက်များနှင့်ကြီးမားသောဒေတာသတင်းရင်းမြစ်ပေါင်းစပ်ဖို့တလမ်းတည်းဖြင့်ငါကြွယ်ဝပြည့်စုံတောင်းဆိုနေတာကိုခေါ်ပါလိမ့်မယ်တဲ့ဖြစ်စဉ်တစ်ခုဖြစ်သည်။ သန့်စင်တောင်းဆိုနေတာမှာတော့ကြီးမားတဲ့ data တွေကိုအရင်းအမြစ်အချို့အရေးကြီးသောတိုင်းတာပါရှိသည်ဒါပေမယ့်သုတေသီစစ်တမ်းတစ်ခုတွင်ဤပျောက်ဆုံးတိုင်းတာစုဆောင်းပြီးတော့အတူတကွနှစ်ခုဒေတာသတင်းရင်းမြစ်ဆက်သွယ်နိုင်အောင်ကတခြားတိုင်းတာကင်းမဲ့။ သန့်စင်တောင်းဆိုနေတာတစ်ခုမှာသာဓကအားဖြင့်လေ့လာမှုဖြစ်ပါတယ် Burke and Kraut (2014) Facebook ပေါ်မှာအပြန်အလှန်ငါအပိုင်း 3.2 မှာဖော်ပြထားတဲ့အရာချစ်ကြည်ရေးခွန်အား) တိုးပွါးခြင်းရှိမရှိနှင့် ပတ်သက်. ။ ကြောင်းကိစ္စတွင်ခုနှစ်, Burke ကနှင့် Kraut Facebook ကို log ကိုဒေတာနှင့်အတူစစ်တမ်း data တွေကိုပေါင်းစပ်။

Burke ကနှင့် Kraut အလုပ်လုပ်ကိုင်ခဲ့ကြသည့်အတွက်အဆိုပါ setting ကို, သို့သော်, သူတို့သုတေသီများပုံမှန်အားမကျြနှာကိုတောင်းဆိုနေတာကြွယ်ဝပြည့်စုံလုပ်နေတာနှစ်ခုကြီးမားသောပြဿနာများကိုကိုင်တွယ်ဖြေရှင်းရန်ရှိသည်မဆိုလို၏။ အဘယ်သူမျှမထူးခြားတဲ့အမှတ်အသားတဦးတည်း Datasets အတွက်မှန်ကန်သောစံချိန်မှန်ကန်သောစံချိန်နှင့်အတူလိုက်ဖက်ကြောင်းသေချာစေရန်အသုံးပြုမှုဖြစ်နိုင်သည်ကိုနှစ်ဦးစလုံးဒေတာသတင်းရင်းမြစ်ရှိပါလျှင်ပထမဦးစွာအမှန်တကယ်လူတစ်ဦးချင်းစီ-Level ဒေတာအစုံအတူတကွချိတ်ဆက်, စံချိန်ချိတ်ဆက်လို့ချေါတဲ့ဖြစ်စဉ်ကိုခက်ခဲစေနိုင်ပါတယ် အခြား datasets ၌တည်၏။ သန့်စင်မေးမြန်းခြင်းနှင့်အတူဒုတိယအဓိကပြဿနာက data တွေကိုဖန်တီးထားတဲ့မှတဆင့်လုပ်ငန်းစဉ်စီးပွားဖြစ်ဖြစ်နိုင်သည်နှင့်အခန်း 2 တွင်ဖော်ပြထားပြဿနာတွေအများအပြားမှဖြစ်ပေါ်နိုင်ဖြစ်နိုင်ပါတယ်ဘာလို့လဲဆိုတော့ကြီးတွေဒေတာအရင်းအမြစ်များ၏အရည်အသွေးမကြာခဏသုတေသီများအကဲဖြတ်ရန်အဘို့အခက်ခဲဖြစ်လိမ့်မည်ဖြစ်ပါသည်။ တနည်းအားဖြင့်ကြွယ်ဝစေတောင်းဆိုနေတာမကြာခဏမသိသောအရည်အသွေးအနက်ရောင်-box ကိုဒေတာသတင်းရပ်ကွက်စစ်တမ်းများ၏အမှား-ကျရောက်နေတဲ့ဆက်သွယ်ရေးပါဝင်ပါလိမ့်မယ်။ ဒီပြဿနာတွေကိုနေသော်လည်း, သို့သော်, ကြွယ်ဝပြည့်စုံတောင်းဆိုနေတာစတီဖင် Ansolabehere နှင့် Eitan Hersh ခြင်းဖြင့်သရုပ်ပြခဲ့သည်အဖြစ်, အရေးကြီးသောသုတေသနပြုရန်အသုံးပြုနိုင်ပါတယ် (2012) အမေရိကန်ပြည်ထောင်စု၌မဲပေးပုံစံများအပေါ်၎င်းတို့၏သုတေသနတွင်။

မဲပေးသူကနိုင်ငံရေးသိပ္ပံပညာအတွက်ကျယ်ပြန့်သုတေသနများ၏ဘာသာရပ်ခဲ့လျှင်, အတိတ်အတွက်ဆန္ဒမဲပေးရပြီးအဘယ်ကြောင့်သူသုတေသီများ '' နားလည်မှုယေဘုယျအားဖြင့်စစ်တမ်းအချက်အလက်များ၏ခွဲခြမ်းစိတ်ဖြာအပေါ်အခြေခံပြီးခဲ့တာဖြစ်ပါတယ်။ အမေရိကန်ပြည်ထောင်စု၌မဲပေးသို့သော်, (သင်တန်း၏, အစိုးရအဘယ်သူသည်အသီးအသီးနိုင်ငံသားမဲမှတ်တမ်းတင်မထားဘူး) တစ်ဦးချင်းစီနိုင်ငံသားမဲပေးထားပါတယ်ရှိမရှိသောအစိုးရမှတ်တမ်းများတစ်ခုပုံမှန်မဟုတ်သောအပြုအမူဖြစ်ပါတယ်။ နှစ်ပေါင်းများစွာဤအစိုးရမဟုတ်သောမဲပေးမှတ်တမ်းများတိုင်းပြည်တစ်ဝှမ်းအမျိုးမျိုးသောဒေသန္တရအစိုးရရုံးတွေအတွက်အရပ်ရပ်သို့ကွဲပြားစက္ကူပုံစံများပေါ်တွင်ရရှိနိုင်ပါသည်ခဲ့ကြသည်။ နိုင်ငံရေးသိပ္ပံပညာရှင်များကမဲဆန္ဒရှင်တစ်ဦးပြည့်စုံရုပ်ပုံရှိသည်ဖို့နှင့်လူမျိုးသည်အမှန်တကယ်မဲပေးအပြုအမူနှင့်အတူမဲပေးအကြောင်းကိုစစ်တမ်းများအတွက်အဘယ်သို့ပြောသည်ကိုနှိုင်းယှဉ်ဖို့အတှကျဒီမဖြစ်နိုင်တာကြောင့်အလွန်ခက်ခဲပေမယ့်မပေးလုပ် (Ansolabehere and Hersh 2012)

သို့သော်ဤမဲပေးမှတ်တမ်းများယခု digitized ပြီ, နှင့်ပုဂ္ဂလိကကုမ္ပဏီများနံပါတ်စနစ်တကျစုဆောင်းအပေါင်းတို့နှင့်အမေရိကန်တွေရဲ့မဲပေးအပြုအမူဆံ့ကြောင်းပြည့်စုံမာစတာမဲပေးဖိုင်တွေထုတ်လုပ်ရန်သူတို့ကိုပေါင်းစည်းကြပါပြီ။ Ansolabehere နှင့် Hersh အဲဒီကုမ္ပဏီတွေက-Catalist LCC-in ကိုမဲဆန္ဒရှင်များ၏ပိုကောင်းတဲ့ရုပ်ပုံဖွံ့ဖြိုးကူညီရန်မိမိတို့သခင်မဲပေး file ကိုသုံးစွဲဖို့အမိန့်တွေထဲကနှင့်အတူပူးပေါင်း။ သူတို့ရဲ့လေ့လာမှုအချက်အလက်စုဆောင်းခြင်းနှင့်သဟဇာတအတွက်သိသိသာသာအရင်းအမြစ်များကိုရင်းနှီးမြှုပ်နှံခဲ့ကွောငျးကုမ္ပဏီအားဖြင့်စုဆောင်းတာဝန်ယူထားသောဒစ်ဂျစ်တယ်မှတ်တမ်းများအပေါ်ခိုလှုံသောကြောင့်ထို့ပြင်ကြောင့်ကုမ္ပဏီတွေရဲ့အကူအညီမပါဘဲနဲ့ Analog မှတ်တမ်းများကို အသုံးပြု. ပြုမိခဲ့သည်ယခင်အားထုတ်မှုအပေါ်အားသာချက်တစ်ခုအရေအတွက်ကကမ်းလှမ်းခဲ့သည်။

အခန်း 2 အတွက်ကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်အများအပြားကဲ့သို့ပင် Catalist မာစတာဖိုင်, လူဦးရေအတော်များများ attitudinal နှင့် Ansolabehere နှင့် Hersh လိုအပ်ကြောင်းအမူအကျင့်သတင်းအချက်အလက်မပါဝင်ခဲ့ချေ။ တကယ်တော့သူတို့ကအတည်ပြုမဲပေးအပြုအမူကို (Catalist database ထဲတွင်ဆိုလိုသည်မှာသတင်းအချက်အလက်) နဲ့စစ်တမ်းများအတွက်အစီရင်ခံဖော်ပြထားမဲပေးအပြုအမူနှိုင်းယှဉ်အထူးစိတ်ဝင်စားခဲ့ကြသည်။ ဒီတော့ Ansolabehere နှင့် Hersh သူတို့အစောပိုင်းကဤအခနျးတှငျဖျောပွထားသညျ့ကြီးမားတဲ့လူမှုရေးစစ်တမ်းသည် CCES အဖြစ်လိုချင်သောဒေတာစုဆောင်း။ ထိုအခါသူတို့က Catalist သူတို့ရဲ့ဒေတာ ပေး. , Catalist (Catalist ထံမှ) အတည်ပြုမဲပေးအပြုအမူပါဝင်သည်တစ်ခုပေါင်းစပ်ဒေတာဖိုင်ကသူတို့ကိုနောက်ကျောကိုပေး၏, (CCES ထံမှ) သည် Self-အစီရင်ခံမဲပေးအပြုအမူနှင့်ဖြေဆိုသူရဲ့အသက်အပိုင်းအခြားနှင့်သဘောထားများ (CCES ထံမှ) (ပုံ 3.13) ။ တနည်းအားဖြင့် Ansolabehere နှင့် Hersh တစ်ဦးချင်းဖြစ်စေဒေတာအရင်းအမြစ်နှင့်အတူတတ်နိုင်သမျှမဟုတျကွောငျးသုတသေနပွုနိုင်ရန်အတွက်စစ်တမ်းကောက်ဒေတာနှင့်အတူမဲပေးမှတ်တမ်းများ data တွေကိုပေါင်းစပ်။

ပုံ 3,13: Ansolabehere နှင့် Hersh (2012) ကလေ့လာမှုသိထား။ မာစတာ datafile ဖန်တီးရန် Catalist ပေါင်းစပ်အများအပြားကွဲပြားခြားနားသောသတင်းရင်းမြစ်များထံမှသတင်းအချက်အလက်ညီ။ အဘယ်သူမျှမဘယ်လောက်ပဲသတိထား, ပေါင်းစည်း၏ဤလုပ်ငန်းစဉ်သည်, မူရင်းဒေတာသတင်းရင်းမြစ်အတွက်အမှားအယွင်းများပြန့်ပွားမည်သစ်ကိုအမှားအယွင်းများမိတ်ဆက်ပေးပါလိမ့်မယ်။ အမှားတစ်ဦးကစက္ကန့်အရင်းအမြစ်စစ်တမ်းအချက်အလက်များနှင့်မာစတာ datafile အကြားစံချိန်ချိတ်ဆက်ဖြစ်ပါတယ်။ တိုင်းလူတစ်ဦးနှစ်ဦးစလုံးဒေတာသတင်းရင်းမြစ်တစ်တည်ငြိမ်, ထူးခြားတဲ့အမှတ်အသားခဲ့လျှင်, ချိတ်ဆက်သေးအဖွဲပါလိမ့်မယ်။ ဒါပေမယ့် Catalist ဤကိစ္စတွင်နာမည်, လိင်, မွေးဖွားနှစ်နှင့်, အိမ်လိပ်စာအတွက်မစုံလငျဖေါ်ထုတ်သုံးပြီးချိတ်ဆက်လုပ်ဖို့ရှိခဲ့ပါတယ်။ ကံမကောင်းစွာပဲ, များစွာသောအမှုများအဘို့အမပြည့်စုံသို့မဟုတ်တိသတင်းအချက်အလက်ရှိနိုငျဘဲ, Homer Simpson အမည်ရှိမဲဆန္ဒရှင်ဟိုးမားဂျေး Simpson, Homie J ကို Simpson, ဒါမှမဟုတ်ပင်ဟိုးမား Sampsin အဖြစ်ပေါ်လာပါလိမ့်မယ်။ စံချိန်တင်ချိတ်ဆက်အတွက် Catalist မာစတာ datafile နှင့်အမှားအယွင်းများအတွက်အမှားအယွင်းများများအတွက်အလားအလာနေသော်လည်း Ansolabehere နှင့် Hersh စစ်ဆေးမှုများအမျိုးအစားပေါင်းမြောက်များစွာတဆင့်သူတို့ရဲ့ခန့်မှန်းချက်များတွင်ယုံကြည်မှုတည်ဆောက်နိုင်ခဲ့ကြတယ်။

ပုံ 3,13 by: လေ့လာမှုသိထား Ansolabehere and Hersh (2012) ။ မာစတာ datafile ဖန်တီးရန် Catalist ပေါင်းစပ်အများအပြားကွဲပြားခြားနားသောသတင်းရင်းမြစ်များထံမှသတင်းအချက်အလက်ညီ။ အဘယ်သူမျှမဘယ်လောက်ပဲသတိထား, ပေါင်းစည်း၏ဤလုပ်ငန်းစဉ်သည်, မူရင်းဒေတာသတင်းရင်းမြစ်အတွက်အမှားအယွင်းများပြန့်ပွားမည်သစ်ကိုအမှားအယွင်းများမိတ်ဆက်ပေးပါလိမ့်မယ်။ အမှားတစ်ဦးကစက္ကန့်အရင်းအမြစ်စစ်တမ်းအချက်အလက်များနှင့်မာစတာ datafile အကြားစံချိန်ချိတ်ဆက်ဖြစ်ပါတယ်။ တိုင်းလူတစ်ဦးနှစ်ဦးစလုံးဒေတာသတင်းရင်းမြစ်တစ်တည်ငြိမ်, ထူးခြားတဲ့အမှတ်အသားခဲ့လျှင်, ချိတ်ဆက်သေးအဖွဲပါလိမ့်မယ်။ ဒါပေမယ့် Catalist ဤကိစ္စတွင်နာမည်, လိင်, မွေးဖွားနှစ်နှင့်, အိမ်လိပ်စာအတွက်မစုံလငျဖေါ်ထုတ်သုံးပြီးချိတ်ဆက်လုပ်ဖို့ရှိခဲ့ပါတယ်။ ကံမကောင်းစွာပဲ, များစွာသောအမှုများအဘို့အမပြည့်စုံသို့မဟုတ်တိသတင်းအချက်အလက်ရှိနိုငျဘဲ, Homer Simpson အမည်ရှိမဲဆန္ဒရှင်ဟိုးမားဂျေး Simpson, Homie J ကို Simpson, ဒါမှမဟုတ်ပင်ဟိုးမား Sampsin အဖြစ်ပေါ်လာပါလိမ့်မယ်။ စံချိန်တင်ချိတ်ဆက်အတွက် Catalist မာစတာ datafile နှင့်အမှားအယွင်းများအတွက်အမှားအယွင်းများများအတွက်အလားအလာနေသော်လည်း Ansolabehere နှင့် Hersh စစ်ဆေးမှုများအမျိုးအစားပေါင်းမြောက်များစွာတဆင့်သူတို့ရဲ့ခန့်မှန်းချက်များတွင်ယုံကြည်မှုတည်ဆောက်နိုင်ခဲ့ကြတယ်။

သူတို့ရဲ့ပေါင်းစပ်ဒေတာဖိုင်နှင့်အတူ, Ansolabehere နှင့် Hersh သုံးအရေးကြီးသောကောက်မြို့သို့ရောက်လေ၏။ ပထမဦးစွာ Over-အစီရင်ခံမဲပေး၏ပြံ့နှံ့ဖြစ်ပါသည်: အဆိုပါ nonvoters နီးပါးတစ်ဝက်မဲပေးအစီရင်ခံတင်ပြခြင်း, တစ်စုံတစ်ဦးကမဲပေးအစီရင်ခံလျှင်, သူတို့သည်အမှန်တကယ်မဲပေးသာ 80% အခွင့်အလမ်းလည်းမရှိ။ ဒုတိယအချက်မှာ Over-အစီရင်ခံကျပန်းမဟုတ်ပါဘူး: Over-အစီရင်ခံမြင့်မားတဲ့ဝင်ငွေအကြားပိုပြီးဘုံဖြစ်ပါသည်, ကောင်းစွာပညာတတ်, လူထုရေးရာအတွက်စေ့စပ်ထားသူအုပ်စုတစ်စု၏။ တနည်းအားဖြင့်မဲပေးအများဆုံးဖွယ်ရှိနေသောလူများကိုလည်းမဲပေးအကြောင်းကိုအိပ်အများဆုံးဖြစ်နိုင်ခြေရှိပါတယ်။ တတိယအချက်နှင့်အများဆုံးပြင်းထန်စွာကြောင့် Over-အစီရင်ခံ၏စနစ်တကျသဘောသဘာဝ, မဲဆန္ဒရှင်များနှင့် nonvoters အကြားအမှန်တကယ်ကွဲပြားခြားနားမှုသူတို့ပဲစစ်တမ်းများကနေပေါ်လာထက်သေးငယ်ကြသည်။ ဥပမာအားဖြင့်, ဘွဲ့နှင့်အတူသူတွေကိုမဲပေးအစီရင်ခံရန်နှင့် ပတ်သက်. 22 ရာခိုင်နှုန်းရမှတ်ပိုများပါတယ်, ဒါပေမယ့်အမှန်တကယ်မဲပေးမှသာ 10 ရာခိုင်နှုန်းရမှတ်ပိုပြီးဖြစ်နိုင်ခြေရှိပါတယ်။ ဒါဟာမဲပေး၏လက်ရှိအရင်းအမြစ်-based သီအိုရီသူတို့အမှန်တကယ်သူကိုမဲခန့်မှန်းမှာထက် (သုတေသီများအတိတ်တွင်အသုံးပြုသောဒေတာများဖြစ်သည့်) မဲပေးသတင်းပို့ပါလိမ့်မယ်သူကိုခန့်မှန်းမှာအများကြီးပိုကောင်းဖြစ်ကြောင်း, ဖြစ်ကောင်းမဟုတ်အံ့သြစရာကောင်းလောက်အောင်ထွက်လှည့်။ ထို့ကြောင့်၏ပင်ကိုယ်မူလတွေ့ရှိချက် Ansolabehere and Hersh (2012) ကိုနားလည်သဘောပေါက်ခြင်းနှင့်မဲပေးကြိုတင်ခန့်မှန်းဖို့အသစ်သောသီအိုရီများအဘို့ကိုခေါ်ပါ။

သို့သော်မည်မျှဒီရလဒ်တွေကိုယုံကြည်စိတ်ချရမလဲ? ကိုသတိရပါ, ဤရလာဒ်များအမှား၏အမျိုးအမည်မသိပမာဏနှင့်အတူအနက်ရောင်-box ကိုဒေတာမှအမှား-ကျရောက်နေတဲ့ဆက်သွယ်ရေးပေါ်မူတည်သည်။ တိကျမှန်ကန်တဲ့မာစတာ datafile နှင့်၎င်း၏မာစတာ datafile ရန်စစ်တမ်း data တွေကိုချိတ်ဆက် Catalist ၏ (2) စွမ်းရည်ထုတ်လုပ်ရန်အများအပြားလူထုကိုဒေတာသတင်းရင်းမြစ်ပေါင်းစပ်ဖို့ Catalist (1) စွမ်းရည်: ပိုမိုအထူးသ, ရလဒ်နှစ်ခု key ကိုခြေလှမ်းများအပေါ်အပေါ်တွင်မူတည်။ ဤအခြေလှမ်းများ၏အသီးအသီးခက်ခဲသည်နှင့်ဖြစ်စေခြေလှမ်းအတွက်အမှားအယွင်းများမှားကောက်ချက်မှသုတေသီများဦးဆောင်လမ်းပြနိုင်။ ဒါကြောင့်မကြာခဏအဘယ်သူမျှမပညာရေးဆိုင်ရာသုတေသီကိုက်ညီနိုင်မယ့်အတိုင်းအတာမှာဒီပြဿနာတွေကိုဖြေရှင်းရေးအတွက်အရင်းအမြစ်များကိုရင်းနှီးမြှုပ်နှံနိုင်အောင်သို့သော်ဒေတာအပြောင်းအလဲနဲ့နှင့်ဆက်သွယ်ရေးနှစ်ဦးစလုံးတစ်ဦးကုမ္ပဏီအဖြစ် Catalist ၏ဆက်လက်တည်ရှိဖို့အရေးပါဖြစ်ကြသည်။ သူတို့ရဲ့စက္ကူများတွင် Ansolabehere နှင့် Hersh ထိုသူအချို့တို့သည်စီးပွားဖြစ်-နှင့်များမှာဤအစစ်ဆေးမှုများအနက်ရောင်-box ကိုကြီးမားတဲ့ data တွေကိုမှစစ်တမ်းဒေတာလင့်ထားသည်လိုသောသည်အခြားသုတေသီများများအတွက်အထောက်အကူဖြစ်စေပါလိမ့်မယ်ပင်ခြေလှမ်းများ-သော်လည်းအဲဒီနှစျခု၏ရလဒ်များကိုစစ်ဆေးခြေလှမ်းများ၏နံပါတ်ဖြတ်သန်းသွား သတင်းရင်းမြစ်။

သုတေသီများဤလေ့လာချက်ကနေဆွဲနိုင်ပါတယ်အထွေထွေသင်ခန်းစာများဘာတွေလဲ? ပထမဦးစွာစစ်တမ်းဒေတာတွေနဲ့နှင့် ( အကယ်. သင်ဤလေ့လာမှုဖြစ်စေလမ်းကိုတွေ့မြင်နိုင်သည်) ကြီးတွေဒေတာသတင်းရင်းမြစ်နှင့်အတူစစ်တမ်းဒေတာတပုဒ်ကိုကနေကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်တပုဒ်ကိုကနေနှစ်ဦးစလုံးကြီးမားတဲ့တန်ဖိုးကိုလည်းမရှိ။ အဲဒီနှစျခုဒေတာသတင်းရင်းမြစ်ပေါင်းစပ်ပြီးအသုံးပြုပုံသုတေသီဖြစ်စေတစ်ဦးချင်းစီနှင့်အတူမဖြစ်နိုင်ခဲ့ကြောင်းတစ်ခုခုလုပ်နိုင်ခဲ့သည်။ ဒုတိယယေဘုယျသင်ခန်းစာထိုကဲ့သို့သော Catalist ကနေဒေတာတွေကိုအဖြစ်စုစည်း, စီးပွားဖြစ်ဒေတာအရင်းအမြစ်, အချို့ကိစ္စများတွင် "မြေပြင်အမှန်တရား" စဉ်းစားမဖြစ်သင့်သော်လည်း, သူတို့သည်အသုံးဝင်သောဖြစ်နိုငျသောကွောငျ့ဖွစျသညျ။ သံသယများလည်းတခါတရံအကြွင်းမဲ့အာဏာအမှန်တရားနှင့်အတူဤအစုပေါင်း, စီးပွားဖြစ်ဒေတာအရင်းအမြစ်နှိုင်းယှဉ်နှင့်ဤဒေတာသတင်းရင်းမြစ်ပျက်ကြကြောင်းထောက်ပြနေသည်။ သို့သော်ဤအမှု၌, ထိုသံသယဝါဒီမှားနှိုင်းယှဉ်လုပ်နေပါတယ်: သုတေသီများကိုသုံးပါသောသူအပေါင်းတို့သည်ဒေတာအကြွင်းမဲ့အာဏာအမှန်တရားပျက်ကြ။ အဲဒီအစားသူကလျော့ပါးသွားမည်ဖြစ်သလိုအဖြစ်ကောင်းစွာမှားယွင်းမှုများရှိသည်သောအခြားရရှိနိုင်သည့်ဒေတာသတင်းရင်းမြစ် (ဥပမာ Self-အစီရင်ခံမဲပေးအပြုအမူ), နှင့်အတူစုပေါင်း, စီးပွားဖြစ်ဒေတာသတင်းရင်းမြစ်နှိုင်းယှဉ်ဖို့ သာ. ကောင်း၏။ နောက်ဆုံးအနေနဲ့ Ansolabehere နှင့် Hersh ရဲ့လေ့လာမှု၏တတိယယေဘုယျသင်ခန်းစာတချို့အခြေအနေတွေမှာ, သုတေသီများအများအပြားပုဂ္ဂလိကကုမ္ပဏီများရှုပ်ထွေးလူမှုရေးဒေတာအစုံစုဆောင်းနှင့်ညီအတွက်လုပ်နေပါတယ်သောကြီးမားသောရင်းနှီးမြှုပ်နှံမှုများကနေအကြိုးပွုနိုငျသောကွောငျ့ဖွစျသညျ။