2.3.2.3 က Non-ကိုယ်စားလှယ်

Non-ကိုယ်စားပြုမှုနှစ်ဦးသတင်းရပ်ကွက်များကွဲပြားခြားနားသောလူဦးရေနှင့်ကွဲပြားခြားနားသောအသုံးပြုမှုပုံစံများဖြစ်ကြသည်။

ကြီးမားတဲ့ data တွေကိုအဓိကနည်းလမ်းနှစ်သွယ်အတွက်စနစ်တကျဘက်လိုက်ဖြစ်လေ့ရှိပါတယ်။ ဒီခွဲခြမ်းစိတ်ဖြာခြင်းအားလုံးကြင်နာများအတွက်ပြဿနာတစ်ခုမဖြစ်စေလိုပေမယ့်အချို့ခွဲခြမ်းစိတ်ဖြာဘို့ကအရေးကြီးသည့်အပြစ်အနာအဆာစေနိုင်ပါတယ်။

စနစ်တကျဘက်လိုက်မှု၏တစ်ဦးပထမဦးဆုံးအရင်းအမြစ်ဖမ်းမိလူအပုံမှန်အားဖြင့်လူအပေါင်းတို့အားတစ်ဦးပြီးပြည့်စုံဝဠာကိုသို့မဟုတ်မည်သည့်တိကျသောလူဦးရေထဲကနေကျပန်းနမူနာမဟုတ်ဖြစ်ပါတယ်။ ဥပမာအားဖြင့်, Twitter ပေါ်တွင်အမေရိကန်တွေအမေရိကန်နိုင်ငံသားတစ်ဦးကိုကျပန်းနမူနာမဟုတ် (Hargittai 2015) ။ စနစ်တကျဘက်လိုက်မှု၏ဒုတိယအရင်းအမြစ်အများအပြားကြီးမားတဲ့ data တွေကိုစနစ်များလုပ်ရပ်ဖမ်းယူဖြစ်ပါတယ်, အချို့လူကိုအခြားသူများထက် သာ. များသောလုပ်ရပ်အထောက်အကူပြု။ ဥပမာအားဖြင့်, Twitter ပေါ်တွင်လူတချို့အကြိမ်ရာပေါင်းများစွာကိုအခြားသူများထက် ပို. မှာ tweet အထောက်အကူပြု။ ထိုကွောငျ့, တိကျတဲ့ပလက်ဖောင်းပေါ်တွင်ဖြစ်ရပ်များအစဉ်အဆက်ကပိုအကြီးအကျယ်ရောင်ပြန်အချို့သောလူမျိုးကွဲများ၏ပလက်ဖောင်းသူ့ဟာသူထက်ဖြစ်နိုင်ပါတယ်။

ပုံမှန်အားဖြင့်သုတေသီများသူတို့ရှိသည်သောဒေတာများအကြောင်းအများကြီးသိလိုကြသည်။ သို့သော်ကြီးမားသောအချက်အလက်များ၏ non-ကိုယ်စားလှယ်သဘာဝပေးသောကြောင့်လည်းသင့်ရဲ့စဉ်းစားတွေးခေါ်လှန်ဖို့အထောက်အကူဖြစ်ပါတယ်။ သငျသညျလညျးသငျရှိသည်မဟုတ်ကြဘူးသောဒေတာများအကြောင်းအများကြီးသိရန်လိုအပ်သည်။ သငျသညျရှိသည်မဟုတ်ကြဘူးသောဒေတာများသင်ရှိသည်ပြုပါသောဒေတာများကနေစနစ်တကျကွဲပြားခြားနားတဲ့အခါဒီအထူးသဖြင့်မှန်သည်။ သင်တစ်ဦးသည်ဖွံ့ဖြိုးဆဲနိုင်ငံများအတွက်မိုဘိုင်းဖုန်းကုမ္ပဏီထံမှဖုန်းခေါ်ဆိုမှုမှတ်တမ်းများရှိသည်ဆိုပါကဥပမာ, သင်သည်သင်၏ Datasets ရှိလူအကြောင်း, ဒါပေမယ့်လည်း mobile phone ကပိုင်ဆိုင်လွန်းဆင်းရဲသားတို့ကိုဖြစ်စေခြင်းငှါအဘယ်သူသည်ကိုလူများအကြောင်းကိုမယ့်စဉ်းစားရပါမယ်။ နောက်ထပ်အခန်း 3 မှာ, ကျနော်တို့တွက်ဆသည် non-ကိုယ်စားလှယ်ဒေတာမှပိုကောင်းခန့်မှန်းစေသုတေသီများဖွင့်နိုင်သည်ကိုဘယ်လိုအကြောင်းသင်ယူရပါလိမ့်မယ်။