সামাজিক মিডিয়া রিসার্চে নমুনার এই বায়াস ত্রুটিগুলি এড়ান

সামাজিক মিডিয়া গবেষণা, বর্তমানে এটি পরিচালিত হয়, অ অংশগ্রহণ অংশগ্রহণ পক্ষপাতী। অ-অংশীদারিত্বের পক্ষপাতিত্বের বিভিন্ন ধরণের অস্তিত্ব রয়েছে এবং প্রতিটি প্রকারের গবেষণার ফলাফলগুলির নির্ভরযোগ্যতা প্রভাবিত করার সম্ভাবনা রয়েছে-প্রায়ই লুকানো বা অজানা পদ্ধতিতে। প্রকৃতপক্ষে, গবেষণায় দেখানো হয়েছে যে যারা গবেষণা অংশগ্রহণকারীরা পৌঁছাতে কঠিন, তাদের সাথে যোগাযোগ করার একাধিক প্রচেষ্টা প্রয়োজন, অন্যান্য উত্তরদাতাদের থেকে উল্লেখযোগ্যভাবে ভিন্ন। এই পার্থক্য বয়স, লিঙ্গ, বৈবাহিক অবস্থা, আর্থ-সামাজিক অবস্থা, স্বাস্থ্যের অবস্থা, এবং শিশুদের সংখ্যা দেখা যায়।

প্রতিক্রিয়া হার

একটি গবেষণা বন্ধের তথ্য যা পরিমাণে নমুনার সব সদস্য প্রতিক্রিয়া হার হিসাবে উল্লেখ করা হয়। যদিও এই ধারণা একটি গঠনমূলক জরিপ বা সাক্ষাতকারের সেটের মধ্যে স্পষ্ট, তবে এটি সামাজিক মিডিয়া গবেষণায় আরো দ্বিধান্বিত। তবে, এটি অন্যান্য ধরণের গুণগত গবেষণার তুলনায় সোশ্যাল মিডিয়া গবেষণায় কম গুরুত্বপূর্ণ নয়। প্রতিক্রিয়ার হার গণনাকারীদের অংশগ্রহণকারীদের সংখ্যা দ্বারা গণনা করা হয় - যারা সমীক্ষা সম্পন্ন করে বা সাক্ষাত্কারের জন্য সম্মত হয় - মূল নমুনা প্রচেষ্টার জন্য যারা মোট সংখ্যা ভাগ করে।

মোট নম্বরটিতে অবশ্যই এমন ব্যক্তিদের অন্তর্ভুক্ত থাকতে হবে যারা সফলভাবে যোগাযোগ করা হয়নি বা গবেষণায় অংশ নিতে অস্বীকার করেছেন।

সাধারণীকরণ ইস্যু

তথাপি কিভাবে তথ্য সংগ্রহ করা হয়, প্রতিক্রিয়া একটি উচ্চ হার গুরুত্ব যথেষ্ট চাপ করা যাবে না। যখন নমুনার প্রতিক্রিয়া হার কম থাকে তখন প্রকৃতপক্ষে একটি বৃহত্তর জনসংখ্যা সৃষ্টি করা সম্ভব নয়। প্রতিক্রিয়া হার ড্রপ হিসাবে নমুনা পক্ষপাত বৃদ্ধি পায়। মিডিয়া ভিত্তিক জরিপে, যখন রিটার্ন হার নমুনা ২0 বা 30 শতাংশে পড়ে, তখন অংশগ্রহণকারীর গোষ্ঠী সামগ্রিক নমুনা জনসংখ্যার সাথে সামঞ্জস্যপূর্ণ হয়। জনগণের একই প্রবণতা জরিপে মেইল ​​ইনভেস্ট করার জন্য বা টেলিফোন জরিপে অংশগ্রহণের জন্য একমত হওয়ার সাথে সাথে সামাজিক যোগাযোগ মাধ্যমের নেটওয়ার্কগুলিতে জড়িত ব্যক্তিদের সাথে একই রকম আগ্রহ থাকে: অর্থাৎ, বিষয়বস্তুর বিশেষ আগ্রহ (অথবা পণ্য বা পরিষেবা, যেমন ক্ষেত্রে থাকা).

সাধারন মাপ

ছোট নমুনা বৃহত্তর নমুনার চেয়ে বড় নমুনা ত্রুটি আছে। বিবেচনা করুন যে নমুনা তথ্য বৃহত্তর জনসংখ্যার গুণাবলী একটি অনুমান প্রদান করে। একটি নমুনা ফ্রেম থেকে টানা প্রতিটি নমুনা যে বৃহত্তর জনসংখ্যার একটি পৃথক অনুমান প্রদান করে। তাত্ত্বিকভাবে, প্রতিটি প্রশ্নের জন্য প্রতিটি নমুনা গৃহীত প্রতিক্রিয়া একটি পৃথক প্যাটার্ন হতে পারে। সময়ের সাথে সাথে, নমুনা কাঠামো থেকে অঙ্কিত যথেষ্ট নমুনার সাথে, প্রকৃত প্যাটার্ন বৃহত্তর জনসংখ্যার প্রকৃত (সত্য) প্যাটার্নের চারপাশে একত্রিত হবে।

ত্রুটির মার্জিন

নমুনা ত্রুটি বৃহত্তর জনসংখ্যার থেকে নেওয়া নমুনা থেকে একটি অনুমান নির্ভুলতা বর্ণনা করে। স্যাম্পলিং ত্রুটিটি একটি আংশিক ত্রুটির সাথে যুক্ত ত্রুটির মার্জিনের পরিপ্রেক্ষিতে প্রকাশ করা হয়, যা একটি পরিসংখ্যান পরিমাপ। রাষ্ট্রপতির অগ্রাধিকার জরিপে, উদাহরণস্বরূপ, রিপোর্টটি দেখাতে পারে যে ভোটারদের 64% ভোটার সমর্থন করে। ত্রুটির মার্জিনটি 95% আস্থা স্তর সহ প্লাস-বা-বিয়োগ 3 পয়েন্ট হবে। অন্য কথায়, যদি ভোটারদের 100 টি ভিন্ন নমুনা নিয়ে আবার ভোট অনুষ্ঠিত হয়, তাহলে 100 ভোটারের মধ্যে 95 জন ভোটার 61% থেকে 67% ভোটারদের পক্ষে ইঙ্গিত দেবে।

অর্থাৎ 61% ভোটার + 3% বা -3%।

নমুনা আকার সম্পর্কে সিদ্ধান্ত

স্যাম্পলিংয়ের সাথে যুক্ত ত্রুটির মার্জিন নমুনা আকার বাড়ায়, কিন্তু শুধুমাত্র একটি নির্দিষ্ট বিন্দু হিসাবে যায়। যখন নমুনা আকার 1000 থেকে 2000 উত্তরদাতাদের পৌঁছে যায়, তখন ত্রুটির মার্জিন যথেষ্ট ছোট হয় যাতে বড় নমুনার বিবেচনা করা হয় (কোনও কার্যকর-কার্যকর পছন্দ নয়)। যখন উপগোষ্ঠীরা বৃহত্তর জনসংখ্যার অংশ হয়, তখন বড় নমুনা মাপগুলি যথাযথ হতে পারে কারণ উপগোষ্ঠীর লোকেদের সংখ্যা অনুসারে প্রতিটি ত্রুটির জন্য ত্রুটির মার্জিন পরিবর্তিত হবে। উদাহরণস্বরূপ, সোশ্যাল মিডিয়া নেটওয়ার্কের 1000 সদস্য এবং ত্রুটির একটি মার্জিন যা 95% আস্থা ব্যবধানের সাথে 1 থেকে 3 শতাংশ পয়েন্টের মধ্যে সমান, সেই সোশ্যাল মিডিয়া নেটওয়ার্কের একটি উপগোষ্ঠীর বিশ্লেষণ-বলে, বাস-এ-হোম- প্রায় 100-এর সংখ্যায় মায়ের সংখ্যা প্রায় 4 থেকে 10 পয়েন্টে উচ্চতর মার্জিন থাকবে।

গ্যাপিং নমুনা দক্ষতা

নমুনা সাধারণত চূড়ান্ত আকার বা রচনা তুলনায় ব্যবহৃত নির্বাচন পদ্ধতি অনুযায়ী মূল্যায়ন করা হয়। এটি মৌলিক কারণ - বেশিরভাগ ক্ষেত্রে - প্রতিনিধির নমুনাটি কত জনসংখ্যার নমুনা তা সঠিকভাবে পরিমাপ করা অসম্ভব। পরিসংখ্যান পদ্ধতি ব্যবহার করা হয় কারণ তারা সুবিধাজনক এবং মৌলিকভাবে নির্ভরযোগ্য অনুমানের অনুমতি দেয়। একটি যুক্তিসঙ্গত আস্থা অন্তর্বর্তী এবং শুরুতে ত্রুটির মার্জিন প্রতিষ্ঠা করে গবেষকরা প্রতিক্রিয়া হার এবং পর্যাপ্ত নমুনা ফ্রেমের মত পরিবর্তনশীলতাকে ফোকাস করতে সক্ষম করে।