5.2.2 နိုင်ငံရေးအရစာတမ်းတွင်၏လူအုပျ-နိုင်တဲ့ coding

, ပုံမှန်အားဖြင့်ကျွမ်းကျင်ပညာရှင်များအားဖြင့်ပြုသောအမှုအရာတစ်ခုခုကနိုင်ငံရေးကြေညာစာတမ်း coding, သာ. ကြီးမြတ် reproducibility နှင့်ပြောင်းလွယ်ပြင်လွယ်ရှိရရှိလာတဲ့လူသားတစ်ဦးတွက်ချက်မှုစီမံကိန်းကြောင့်ဖျော်ဖြေနိုင်ပါသည်။

က Galaxy တိရစ္ဆာန်ရုံဆင်တူ, လူမှုရေးသုတေသီများ, code ခွဲခြား, ဒါမှမဟုတ်စာသားပုံရိပ်တစ်ခုသို့မဟုတ်အပိုင်းအစတံဆိပ်ကပ်ချင်ဘယ်မှာအများအပြားအခြေအနေများရှိပါတယ်။ သုတေသနဒီလိုမျိုးဥပမာအနေနဲ့နိုင်ငံရေးအရစာတမ်းတွင်၏နိုင်တဲ့ coding ဖြစ်ပါတယ်။ ရွေးကောက်ပွဲကာလအတွင်းနိုင်ငံရေးပါတီများစာတမ်းတွင်၎င်းတို့၏မူဝါဒကိုရာထူးဖော်ပြနှင့်အတွေးအခေါ်များလမ်းပြထုတ်လုပ်ရန်။ ဥပမာအားဖြင့်, ဤနေရာတွင် 2010 ခုနှစ်မှဂရိတ်ဗြိတိန်အတွက်အလုပ်သမားပါတီ၏စာတမ်းတွင်တစ်ဖဲ့ကိုရခြင်းရဲ့:

"ကျွန်တော်တို့ရဲ့ပြည်သူ့ဝန်ဆောင်မှုလုပ်ငန်းများအတွက်အလုပ်လုပ်လူသနျးပေါငျးမိမိတို့အပေါ်ကိုခံရဖို့ရှိသည်မဖြစ်သင့်အန္တရာယ်များမှသူတို့ကိုကာကွယ်စောင့်ရှောက်စဉ်မိမိတို့ကိုယ်ပိုင်ဘဝတွေကို၏ဆုံးအောင်လူတွေလုပ်ပိုင်ခွင့်ပေးရန်ကူညီပေးနေ, ဗြိတိန်၏အကောင်းဆုံးတန်ဖိုးများကိုရုပ်လုံးဖော်ထားတယ်။ ကျနော်တို့စျေးကွက်မျှမျှတတအလုပ်လုပ်အောင်အတွက်အစိုးရ၏အခန်းကဏ္ဍနှင့် ပတ်သက်. ပိုပြီးခက်ခဲတဲ့ရောက်ထားရန်လိုအပ်ပါတယ်သကဲ့သို့ငါတို့သည်လည်းအစိုးရ၏ရဲရင့်ပြုပြင်ပြောင်းလဲရေးသမားဖြစ်ဖို့လိုပါတယ်။ "

ဤရွေ့ကားစာတမ်းတွင်နိုင်ငံရေးအရသိပ္ပံပညာရှင်များသည်အအဖိုးတန်အချက်အလက်များ, ရွေးကောက်ပွဲနှင့်မူဝါဒဆွေးနွေးငြင်းခုံ၏ဒိုင်းနမစ်လေ့လာနေအထူးသဖြင့်သူတို့အားဆံ့။ စနစ်တကျသည်ဤကြေညာစာတမ်းကနေသတင်းအချက်အလက် extract နိုင်ရန်အတွက်သုတေသီများကဖန်တီး အဆိုပါကြေညာစာတမ်းစီမံကိန်း 50 ဦးတိုင်းပြည်များတွင် 1000 နီးပါးပါတီများကနေ 4000 စာတမ်းတွင် code နိုင်ငံရေးသိပ္ပံပညာရှင်များကစီစဉ်သော။ အသီးအသီးစာတမ်းတွင်အတွက်တစ်ဦးချင်းစီဝါကျတစ်ဦး 56 အမျိုးအစား scheme ကိုသုံးပြီးတစ်ကျွမ်းကျင်သူများက coded သိရသည်။ ဒီပူးပေါင်းဆောင်ရွက်သောအားထုတ်မှုရဲ့ရလဒ်ကဤစာတမ်းတွင်အတွက် embedded သတင်းအချက်အလက်များစုစည်းတင်ပြရန်အကြီးအကျယ် Datasets ဖြစ်ပါသည်, ဤ Datasets 200 ကျော်သိပ္ပံနည်းကျစာတမ်းများအတွက်အသုံးပြုခဲ့သည်။

ကက်နက် Benoit နှင့်လုပ်ဖော်ကိုင်ဖက်များက (2015) ယခင်ကကျွမ်းကျင်သူများအားဖြင့်ဖျော်ဖြေခြင်းနှင့်လူသားတစ်ဦးတွက်ချက်မှုစီမံကိန်းကိုသို့လှည့်ခဲ့သောစာတမ်းတွင်နိုင်တဲ့ coding လုပ်ငန်းတာဝန်ယူဖို့ဆုံးဖြတ်လိုက်တယ်။ ရလဒ်အဖြစ်သူတို့စျေးနှုန်းချိုသာခြင်းနှင့်ပိုမြန်ဖော်ပြခြင်းမပို reproducible နှင့်ပိုပြီးပြောင်းလွယ်ပြင်လွယ်သောနိုင်တဲ့ coding process ကိုဖန်တီးခဲ့တယ်။

18 ဗြိတိန်နိုင်ငံခြောက်ခုမကြာသေးမီကရွေးကောက်ပွဲကာလအတွင်းထုတ်ပေးစာတမ်းတွင်, Benoit နှင့်လုပ်ဖော်ကိုင်ဘက်တွေနဲ့အလုပ်လုပ် (အမေဇုံစက်မှု Turk နှင့် CrowdFlower Micro-task ကိုလုပ်အားစျေးကွက်၏ဥပမာသည် micro-task ကိုလုပ်သားစျေးကွက်မှလုပ်သားများနှင့်အတူ split-လျှောက်ထား-ပေါင်းစပ်မဟာဗျူဟာအသုံးပြု; ပိုပြီးများအတွက် micro-task ကိုအလုပ်သမားစျေးကွက်အပေါ်,) အခန်း 4 ကိုကြည့်ပါ။ အဆိုပါသုတေသီများသည်အသီးအသီးစာတမ်းတွင် ယူ. စာကြောင်းများထဲသို့ခွဲ။ Next ကို, လူ့အဆင့်သတ်မှတ်ချက်အသီးအသီးဝါကျရန်လျှောက်ထားခဲ့သည်။ (အလွန်ညာဘက်ကျန်ရစ်ထံမှ) စီးပွားရေးနှင့်လူမှုရေး (လစ်ဘရယ်မှရှေးရိုးစွဲရန်) (ပုံ 5.5): ဝါကျမူဝါဒကြေညာချက်ပါဝင်ပတ်သက်လျှင်အထူးသဖြင့်,, နှစ်ယောက်ရှုထောင့်တစ်လျှောက် coded ခဲ့သည်။ တစ်ခုချင်းစီကိုဝါကျအကြောင်း 5 ကွဲပြားခြားနားသောလူများက coded ခဲ့သည်။ နောက်ဆုံးတော့အဲဒီ ratings တစ်ဦးချင်းစီအဆင့်သတ်မှတ်သူအပေါ်သက်ရောက်မှုများနှင့်ဝါကျသက်ရောက်မှုများ၏အခက်အခဲနှစ်ခုလုံးအတွက်မှတ်တဲ့စာရင်းအင်းမော်ဒယ်ကို အသုံးပြု. ပေါင်းစပ်ခဲ့သည်။ အားလုံးအတွက်, Benoit နှင့်လုပ်ဖော်ကိုင်ဖက်များနှင့် ပတ်သက်. 1500 လုပ်သားများမှ 200,000 ratings စုဆောင်း။

ပုံ 5.5: Benoit et al မှ Coding အစီအစဉ်။ (2015) (ပုံ 1) ။

ပုံ 5.5: ကနေ Coding အစီအစဉ် Benoit et al. (2015) (ပုံ 1) ။

လူအစုအဝေးနိုင်တဲ့ coding ၏အရည်အသွေးအကဲဖြတ်နိုင်ရန်အတွက်, Benoit နှင့်လုပ်ဖော်ကိုင်ဘက်လည်းအလားတူလုပ်ထုံးလုပ်နည်းကိုအသုံးပြုပြီးနိုင်ငံရေးသိပ္ပံ-rate ကိုအတွက်တူညီတဲ့စာတမ်းတွင်အကြောင်း 10 ကျွမ်းကျင်သူများက-ပါမောက္ခများနှင့်ဘွဲ့ရကျောင်းသားများကိုရှိခဲ့ပါတယ်။ လူအစုအဝေးအဖွဲ့ဝင်များအနေဖြင့် ratings ပညာရှင်တွေရဲ့အနေ ratings ထက်ပို variable ကိုကြပေမဲ့, အများသဘောတူညီမှုလူစုလူဝေးအဆင့်သတ်မှတ်ချက်သဘောတူကျွမ်းကျင်သူအဆင့်သတ်မှတ်ချက် (ပုံ 5.6) နဲ့ထူးခွားသောသဘောတူညီချက်ရှိခဲ့ပါတယ်။ ဒီနှိုင်းယှဉ်လျှင်က Galaxy တိရစ္ဆာန်ရုံနှင့်ဝသကဲ့သို့, လူ့တွက်ချက်မှုစီမံကိန်းများအရည်အသွေးမြင့်မားသောရလဒ်များကိုထုတ်လုပ်နိုင်ပါတယ်, ကွောငျးဖျောပွ။

မဟာဗြိတိန် (။ Benoit et al 2015) ကနေ 18 ပါတီကြေညာစာတမ်း coding အခါ, Expert ခန့်မှန်းချက် (x-axis) နှင့်လူစုလူဝေးခန့်မှန်းချက် (y ကိုဝင်ရိုး) ထူးခြားပြောင်မြောက်သဘောတူညီချက်ရှိကြ၏: 5.6 ပုံ။ coded အဆိုပါစာတမ်းတွင်သုံးနိုင်ငံရေးပါတီများ (ကွန်ဆာဗေးတစ်, အလုပ်သမား, လစ်ဘရယ်ဒီမိုကရက်) နှင့်ခြောက်ခုရွေးကောက်ပွဲ (1987, 1992, 1997, 2001, 2005, 2010) ကနေခဲ့ကြသည်။

မဟာဗြိတိန်နိုင်ငံကနေ 18 ပါတီကြေညာစာတမ်း coding အခါ, Expert ခန့်မှန်းချက် (x-axis) နှင့်လူစုလူဝေးခန့်မှန်းချက် (y ကိုဝင်ရိုး) ထူးခြားပြောင်မြောက်သဘောတူညီချက်ရှိကြ၏: 5.6 ပုံ (Benoit et al. 2015) ။ coded အဆိုပါစာတမ်းတွင်သုံးနိုင်ငံရေးပါတီများ (ကွန်ဆာဗေးတစ်, အလုပ်သမား, လစ်ဘရယ်ဒီမိုကရက်) နှင့်ခြောက်ခုရွေးကောက်ပွဲ (1987, 1992, 1997, 2001, 2005, 2010) ကနေခဲ့ကြသည်။

ဒီရလဒ်အပေါ်အဆောက်အအုံ, Benoit နှင့်လုပ်ဖော်ကိုင်ဖက်များကကြေညာစာတမ်းစီမံကိန်းနှင့်အတူမဖြစ်နိုင်ခဲ့ကြောင်းသုတေသနလုပ်ဖို့သူတို့ရဲ့လူအစုအဝေး-coding system ကိုအသုံးပြုခဲ့သည်။ တစ်ဦးအဓိကခေါင်းစဉ်မဟုတ်ခဲ့သောကြောင့်နိုင်တဲ့ coding scheme ကိုနှစ်လယ်ပိုင်း 1980 ခုနှစ်ဖွံ့ဖြိုးပြီးသောအခါဥပမာ, ကြေညာစာတမ်းစီမံကိန်းလူဝင်မှုကြီးကြပ်ရေး၏ခေါင်းစဉ်ရက်နေ့တွင်ကြေညာစာတမ်း code မပြုခဲ့ပေ။ ထိုကြေညာစာတမ်းစီမံကိန်းဤအချက်အလက်ဖမ်းယူဖို့နောက်ကျောနှင့်ပြန်လည် code ကိုသူတို့ရဲ့စာတမ်းတွင်သွားကြဖို့အတှကျ, ဤအချက်မှာ, ကဖြစ်ဖြစ် infeasible ဖြစ်ပါတယ်။ ဒါကြောင့်လူဝင်မှုကြီးကြပ်ရေး၏နိုင်ငံရေးကိုလေ့လာနေစိတ်ဝင်စားသုတေသီများကံထဲကဖြစ်ကြောင်းပေါ်လာလိမ့်မယ်။ သို့သော် Benoit နှင့်လုပ်ဖော်ကိုင်ဖက်များကသူတို့ရဲ့သုတေသနလုပ်ငန်းမေးခွန်း-မြန်မြန်ဆန်ဆန်နဲ့လွယ်လွယ်ကူကူဤနိုင်တဲ့ coding-စိတ်ကြိုက်လုပ်ဖို့သူတို့ရဲ့လူ့တွက်ချက်မှု system များကိုအသုံးပြုနိုင်ခဲ့ကြတယ်။

လူဝင်မှုကြီးကြပ်ရေးမူဝါဒကိုလေ့လာနိုင်ရန်အတွက်, သူတို့ကဂရိတ်ဗြိတိန်မှာ 2010 ရွေးကောက်ပွဲတွင်ရှစ်ပါတီများများအတွက်ကြေညာစာတမ်း coded ။ ဒါကြောင့် အကယ်. အသီးအသီးစာတမ်းတွင်အတွက်တစ်ဦးချင်းစီဝါကျကလိုလားတဲ့လူဝင်မှုကြီးကြပ်ရေး, ကြားနေ, ဒါမှမဟုတ်ဆန့်ကျင်လူဝင်မှုကြီးကြပ်ရေးခဲ့သည်ဖြစ်စေ, လူဝင်မှုကြီးကြပ်ရေးနှင့်ဆက်စပ်သောရှိမရှိအဖြစ် coded နှင့်ခံခဲ့ရသည်။ သူတို့စီမံကိန်းစတင် 5 နာရီအတွင်း, ရလဒ်များကိုရှိကြ၏။ သူတို့က $ 360 စုစုပေါင်းကုန်ကျစားရိတ်မှာထက်ပိုမို 22,000 တုံ့ပြန်မှုစုဆောင်းခဲ့သည်။ ထို့ပြင်လူအစုအဝေးအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုကျွမ်းကျင်ပညာရှင်တစ်ဦးအစောပိုင်းကစစ်တမ်းနှင့်အတူထူးခြားပြောင်မြောက်သဘောတူညီချက်ပြသခဲ့သည်။ ထို့နောက်တစ်တွေနောက်ဆုံးနှုတ်ဆက်ခြင်းစမ်းသပ်မှုအဖြစ်, နှစ်လအကြာမှာသုတေသီသူတို့ရဲ့လူအစုအဝေး-coding ပြန်ထုတ်ပေး။ နာရီအနည်းငယ်အတွင်းမှာပဲသူတို့အနီးကပ်သူတို့ရဲ့မူရင်းလူစုလူဝေး-coded ဒေတာအစုကိုက်ညီကြောင်းအသစ်တခုလူအစုအဝေး-coded Datasets ဖန်တီးခဲ့ပါတယ်။ တစ်နည်းအား, လူ့တွက်ချက်မှုကျွမ်းကျင်သူအကဲဖြတ်နှင့်အတူသဘောတူ reproducible ခဲ့ကြောင်းနိုင်ငံရေးအရကျမ်း၏နိုင်တဲ့ coding ထုတ်လုပ်ဖို့သူတို့ကို enabled ။ လူ့တွက်ချက်မှုမြန်ဆန်စျေးပေါသောကြောင့်သူတို့ကိုလူဝင်မှုကြီးကြပ်ရေးနှင့် ပတ်သက်. ၎င်းတို့၏သီးခြားသုတေသနလုပ်ငန်းမေးခွန်းသူတို့ရဲ့ဒေတာစုဆောင်း customize ရန်အဘို့အထို့ပြင်, ကလွယ်ကူခဲ့ပါတယ်။