ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಮಾದರಿಗಳಲ್ಲಿ ಗುಣಮಟ್ಟವನ್ನು ಹೇಗೆ ಪ್ರಚಾರ ಮಾಡುವುದು
ಈ ವ್ಯತ್ಯಾಸಗಳು ವಯಸ್ಸು, ಲಿಂಗ, ವೈವಾಹಿಕ ಸ್ಥಿತಿ, ಸಾಮಾಜಿಕ ಆರ್ಥಿಕ ಸ್ಥಿತಿ, ಆರೋಗ್ಯ ಸ್ಥಿತಿ, ಮತ್ತು ಮಕ್ಕಳ ಸಂಖ್ಯೆಯಲ್ಲಿ ಕಂಡುಬಂದವು.
ಪ್ರತಿಕ್ರಿಯೆ ದರ
ಒಂದು ಅಧ್ಯಯನದ ಸಮೀಪದಲ್ಲಿರುವ ದತ್ತಾಂಶವು ಯಾವ ಮಾದರಿಗೆ ಎಲ್ಲಾ ಮಾದರಿಗಳನ್ನು ಪ್ರತಿಕ್ರಿಯೆಯ ದರವೆಂದು ಸೂಚಿಸುತ್ತದೆ . ಈ ಪರಿಕಲ್ಪನೆಯು ರಚನಾತ್ಮಕ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಅಥವಾ ಇಂಟರ್ವ್ಯೂಗಳ ಸೆಟ್ನಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿದ್ದರೂ, ಅದು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಸಂಶೋಧನೆಗಳಲ್ಲಿ ಹೆಚ್ಚು ಅಸ್ಪಷ್ಟವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಇತರ ರೀತಿಯ ಗುಣಾತ್ಮಕ ಸಂಶೋಧನೆಗಳಿಗಿಂತ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮದ ಸಂಶೋಧನೆಯು ಕಡಿಮೆ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿಲ್ಲ. ಪ್ರತಿಕ್ರಿಯೆಯ ದರವು ಸಮೀಕ್ಷೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ಅಥವಾ ಭಾಗವಹಿಸುವವರ ಸಂಖ್ಯೆಯಿಂದ ಲೆಕ್ಕಹಾಕಲ್ಪಡುತ್ತದೆ-ಅಥವಾ ಸಂದರ್ಶನ ಮಾಡಲು ಒಪ್ಪಿಕೊಳ್ಳುವುದು- ಮೂಲ ಮಾದರಿಯ ಪ್ರಯತ್ನವನ್ನು ಮಾಡುವ ಒಟ್ಟು ಜನರಿಂದ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಯಶಸ್ವಿ ಸಂಖ್ಯೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಸಂಪರ್ಕಿಸದ ಅಥವಾ ಸಂಶೋಧನೆಯಲ್ಲಿ ಭಾಗವಹಿಸಲು ನಿರಾಕರಿಸಿದ ಜನರನ್ನು ಒಟ್ಟು ಸಂಖ್ಯೆಯು ಒಳಗೊಂಡಿರಬೇಕು.
ಸಾಮಾನ್ಯೀಕರಣ ಸಂಚಿಕೆ
ಡೇಟಾವನ್ನು ಹೇಗೆ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ ಎಂಬುದರ ಹೊರತಾಗಿಯೂ ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯೆಯ ಪ್ರಾಮುಖ್ಯತೆಯು ಸಾಕಷ್ಟು ಒತ್ತು ನೀಡುವುದಿಲ್ಲ.
ಮಾದರಿಯ ಪ್ರತಿಕ್ರಿಯೆ ದರವು ಕಡಿಮೆಯಾದಾಗ ವಾಸ್ತವಿಕವಾಗಿ ಹೆಚ್ಚಿನ ಜನಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಪ್ರತಿಕ್ರಿಯೆ ದರ ಇಳಿಯುವಿಕೆಯಂತೆ ಮಾದರಿ ಪಕ್ಷಪಾತವು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಮಾಧ್ಯಮ ಆಧಾರಿತ ಸಮೀಕ್ಷೆಗಳಲ್ಲಿ, ರಿಟರ್ನ್ ದರಗಳು 20 ಅಥವಾ 30 ಪ್ರತಿಶತದಷ್ಟು ಪ್ರಮಾಣಕ್ಕೆ ಬಿದ್ದಾಗ , ಭಾಗವಹಿಸುವವರ ಸಮಗ್ರ ಒಟ್ಟಾರೆ ಮಾದರಿ ಜನಸಂಖ್ಯೆಗೆ ಸ್ವಲ್ಪ ಹೋಲಿಕೆಯನ್ನು ಹೊಂದಿದೆ.
ಮೇಲ್-ಇನ್ ಸಮೀಕ್ಷೆಯನ್ನು ಹಿಂದಿರುಗಿಸಲು ಅಥವಾ ಟೆಲಿಫೋನ್ ಸಮೀಕ್ಷೆಯಲ್ಲಿ ಪಾಲ್ಗೊಳ್ಳಲು ಒಪ್ಪಿಕೊಳ್ಳುವ ಜನರ ಪ್ರವೃತ್ತಿಯು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ನೆಟ್ವರ್ಕ್ಗಳಲ್ಲಿ ತೊಡಗಿಸಿಕೊಳ್ಳುವ ಜನರೊಂದಿಗೆ ಸಂಭವಿಸುತ್ತದೆ: ಅಂದರೆ, ವಿಷಯದಲ್ಲಿ (ಅಥವಾ ಉತ್ಪನ್ನ ಅಥವಾ ಸೇವೆ, ಎಂದು).
ಮಾದರಿ ಅಳತೆ
ಸಣ್ಣ ಮಾದರಿಗಳು ದೊಡ್ಡ ಮಾದರಿಗಳಿಗಿಂತ ದೊಡ್ಡ ಮಾದರಿ ದೋಷವನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಸ್ಯಾಂಪಲ್ ಡಾಟಾವು ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅಂದಾಜಿಸುತ್ತದೆ ಎಂದು ಪರಿಗಣಿಸಿ. ಮಾದರಿ ಚೌಕಟ್ಟಿನಿಂದ ಚಿತ್ರಿಸಿದ ಪ್ರತಿ ಮಾದರಿಯು ಆ ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯ ಪ್ರತ್ಯೇಕ ಅಂದಾಜು ನೀಡುತ್ತದೆ. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, ಪ್ರತಿ ಪ್ರಶ್ನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾದ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯಲ್ಲೂ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಪ್ರತ್ಯೇಕ ಮಾದರಿಯು ಕೇಳಬಹುದು. ಕಾಲಾನಂತರದಲ್ಲಿ, ಸ್ಯಾಂಪಲ್ ಫ್ರೇಮ್ನಿಂದ ಪಡೆದ ಸಾಕಷ್ಟು ಮಾದರಿಗಳೊಂದಿಗೆ, ನಿಜವಾದ ಮಾದರಿಯು ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯ ನಿಜವಾದ (ನಿಜವಾದ) ಮಾದರಿಯ ಸುತ್ತಲೂ ಒಮ್ಮುಖವಾಗಲಿದೆ.
ಮಾರ್ಜಿನ್ ಆಫ್ ಎರರ್
ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾದ ಯಾವುದೇ ಮಾದರಿಗಳಿಂದ ಅಂದಾಜಿನ ನಿಖರತೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಮಾದರಿ ದೋಷವು ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟಕ್ಕೆ ಸಂಬಂಧಿಸಿರುವ ದೋಷದ ಅಂಚಿನಲ್ಲಿ ವ್ಯಕ್ತವಾಗುತ್ತದೆ, ಅದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಅಳತೆಯಾಗಿದೆ . ಅಧ್ಯಕ್ಷೀಯ ಆದ್ಯತೆ ಸಮೀಕ್ಷೆಯಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, ಮತದಾರರ ಮತದಾರರಲ್ಲಿ 64% ರಷ್ಟು ಮತದಾರರು ಬೆಂಬಲಿಸುತ್ತಾರೆ ಎಂದು ವರದಿಯು ತೋರಿಸಬಹುದು. ದೋಷದ ಅಂತರವು ಪ್ಲಸ್-ಅಥವಾ-ಮೈನಸ್ 3 ಅಂಕಗಳನ್ನು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟದಲ್ಲಿರುತ್ತದೆ.
ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮತದಾರರ 100 ವಿವಿಧ ಮಾದರಿಗಳೊಂದಿಗೆ ಮತದಾನವನ್ನು ಮತ್ತೆ ನಡೆಸಿದರೆ, 100 ಮತದಾರರಲ್ಲಿ 95 ಮತದಾರರು ಮತದಾರರ ಪೈಕಿ 61% ರಿಂದ 67% ರಷ್ಟು ಮತದಾರರನ್ನು ಬೆಂಬಲಿಸುತ್ತಾರೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅಂದರೆ, 61% ಮತದಾರರು + 3% ಅಥವಾ -3%.
ಮಾದರಿ ಗಾತ್ರದ ಬಗ್ಗೆ ನಿರ್ಧಾರಗಳು
ಸ್ಯಾಂಪಲ್ಗೆ ಸಂಬಂಧಿಸಿದ ದೋಷದ ಅಂಚು ಸಾಧಾರಣ ಗಾತ್ರಕ್ಕೆ ಹೋಗುತ್ತದೆ, ಆದರೆ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತಕ್ಕೆ ಹೋಗುತ್ತದೆ. ಮಾದರಿ ಗಾತ್ರವು 1000 ರಿಂದ 2000 ಪ್ರತಿಗಳವರೆಗೆ ತಲುಪಿದಾಗ, ದೊಡ್ಡ ಮಾದರಿಗಳ ಪರಿಗಣನೆಗೆ ಕಾರಣವಾದ ದೋಷದ ಅಂಚು ಸಾಕಷ್ಟು ಚಿಕ್ಕದಾಗಿರುತ್ತದೆ ( ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ ಆಯ್ಕೆಯಲ್ಲ ). ಉಪಗುಂಪುಗಳು ದೊಡ್ಡ ಜನಸಂಖ್ಯೆಯ ಭಾಗವಾಗಿದ್ದಾಗ, ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳನ್ನು ಸಮರ್ಥಿಸಬಹುದು ಏಕೆಂದರೆ ಉಪಗುಂಪುಗಳಲ್ಲಿರುವ ಜನರ ಸಂಖ್ಯೆಯನ್ನು ಆಧರಿಸಿ ದೋಷದ ಅಂಚು ಪ್ರತಿ ಉಪಗುಂಪುಗೆ ಬದಲಾಗಬಹುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ನೆಟ್ವರ್ಕ್ನ 1000 ಸದಸ್ಯರನ್ನು ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರದೊಂದಿಗೆ 1 ರಿಂದ 3 ಪ್ರತಿಶತದವರೆಗೆ ಎಲ್ಲೋ ಸಮಾನವಾದ ದೋಷದ ಅಂಚುಗಳನ್ನು ನೀಡಲಾಗಿದೆ, ಆ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ನೆಟ್ವರ್ಕ್ನ ಉಪಸಮೂಹದ ವಿಶ್ಲೇಷಣೆ-ಹೇಳಿ ಮನೆ- ಸುಮಾರು 100 ರ ಅಮ್ಮಂದಿರು-ಸುಮಾರು 4 ರಿಂದ 10 ಪಾಯಿಂಟ್ಗಳಷ್ಟು ಹೆಚ್ಚಿನ ದೋಷವನ್ನು ಹೊಂದಿರುತ್ತಾರೆ.
ಗೇಜಿಂಗ್ ಮಾದರಿ ಕೊರತೆ
ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಅಂತಿಮ ಗಾತ್ರ ಅಥವಾ ಸಂಯೋಜನೆಗಿಂತ ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುವ ಆಯ್ಕೆ ಪ್ರಕ್ರಿಯೆಗಳ ಪ್ರಕಾರ ಮೌಲ್ಯಮಾಪನಗೊಳ್ಳುತ್ತವೆ. ಇದು ಮೂಲಭೂತ ಏಕೆಂದರೆ-ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ-ದೊಡ್ಡ ಮಾದರಿಯ ಮಾದರಿ ಎಷ್ಟು ಪ್ರತಿನಿಧಿಯನ್ನು ನಿಖರವಾಗಿ ಅಳೆಯುವುದು ಅಸಾಧ್ಯ. ಸಂಭಾವ್ಯ ಮತ್ತು ಮೂಲಭೂತವಾಗಿ ವಿಶ್ವಾಸಾರ್ಹ ಅಂದಾಜುಗಳನ್ನು ಅನುಮತಿಸುವ ಕಾರಣ ಅಂಕಿಅಂಶಗಳ ವಿಧಾನಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಆರಂಭದಲ್ಲಿ ದೋಷಪೂರಿತ ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ ಮತ್ತು ದೋಷದ ಅಂಚುಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು ಸಂಶೋಧಕರಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ದರ ಮತ್ತು ಸಮರ್ಪಕ ಮಾದರಿ ಚೌಕಟ್ಟುಗಳಂತಹ ವ್ಯತ್ಯಾಸಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.