ઉત્તરદાતાઓના "સાચા" જવાબો સર્વેના પરિણામોને માન્યતાની બહાર કેવી રીતે વિકૃત કરી શકે છે

સંશોધન કરતી વખતે, ડેટા એકત્રિત કરવા પર ખૂબ ધ્યાન આપવામાં આવે છે, તેથી જ્યારે ઉત્તરદાતાઓના જવાબો એકત્રિત કરવામાં આવે છે, ત્યારે તે સાચા તરીકે સ્વીકારવામાં આવે છે, અને આવા જવાબો પર આધારિત અહેવાલને ઉદ્દેશ્ય ગણવામાં આવે છે. જો કે, ઘણી વાર એવી પરિસ્થિતિઓ ઊભી થાય છે જ્યારે વ્યક્તિગત પ્રતિભાવોની વધુ વિગતવાર તપાસમાં સર્વેક્ષણના શબ્દો અથવા પ્રશ્નો માટેની સૂચનાઓ અંગે ઉત્તરદાતાઓની સ્પષ્ટ ગેરસમજણો છતી થાય છે.

1. વ્યાવસાયિક શરતો અથવા અમુક શબ્દોની ગેરસમજ. સર્વેક્ષણનું સંકલન કરતી વખતે, તે ઉત્તરદાતાઓના કયા જૂથો માટે બનાવાયેલ છે તે ધ્યાનમાં લેવું યોગ્ય છે: સર્વેક્ષણમાં ભાગ લેનારાઓની ઉંમર અને સ્થિતિ, પછી ભલે તેઓ મોટા શહેરોમાં રહેતા હોય કે દૂરના ગામડાઓમાં, વગેરે. તમારે સાવધાની સાથે ખાસ શબ્દો અને વિવિધ અપશબ્દોનો ઉપયોગ કરવો જોઈએ - તે બધા ઉત્તરદાતાઓને સ્પષ્ટ ન હોઈ શકે અથવા દરેક જણ સમાન રીતે સમજી શકશે નહીં. છતાં ઘણીવાર આવી ગેરસમજને કારણે પ્રતિવાદી સર્વેક્ષણને છોડી દેતા નથી (જે, અલબત્ત, અનિચ્છનીય હશે), અને તે રેન્ડમ જવાબ આપે છે (જે ડેટા વિકૃતિને કારણે વધુ અનિચ્છનીય છે).

2. પ્રશ્નની ગેરસમજ. ઘણા સંશોધકોને ખાતરી છે કે દરેક પ્રતિવાદી દરેક મુદ્દા પર અસ્પષ્ટ અને સ્પષ્ટ રીતે ઘડાયેલ અભિપ્રાય ધરાવે છે. આ ખોટું છે. કેટલીકવાર સર્વેના સહભાગીઓને પ્રશ્નનો જવાબ આપવાનું મુશ્કેલ લાગે છે કારણ કે તેઓએ ક્યારેય આ પરિપ્રેક્ષ્યમાં વિષય વિશે સંપૂર્ણ અથવા વિષય વિશે વિચાર્યું નથી. આ જટિલતા પ્રતિવાદીને સર્વેક્ષણ છોડી દેવાનું અથવા સંપૂર્ણપણે બિન-માહિતીપૂર્ણ રીતે જવાબ આપવાનું કારણ બની શકે છે. પ્રશ્નને વધુ સ્પષ્ટ રીતે ઘડીને અને વિવિધ પ્રતિભાવ વિકલ્પો ઓફર કરીને મોજણીના સહભાગીઓને જવાબ આપવામાં સહાય કરો.

સ્ત્રોત: news.sportbox.ru

3. સર્વેક્ષણ સૂચનાઓ અથવા ચોક્કસ પ્રશ્નોને સમજવામાં નિષ્ફળતા. તમામ પ્રશ્નાવલીના લખાણની જેમ, સૂચનોના શબ્દો ઇચ્છિત ઉત્તરદાતાઓના તમામ જૂથોને અનુરૂપ હોવા જોઈએ. મોટી સંખ્યામાં પ્રશ્નો ટાળવાનો પ્રયાસ કરો જ્યાં તમારે ચોક્કસ સંખ્યામાં જવાબો ચિહ્નિત કરવાની જરૂર હોય ("ત્રણ સૌથી મહત્વપૂર્ણ તપાસો ..."), અથવા આવા તમામ પ્રશ્નોમાં, ચિહ્નિત કરવાની જરૂર હોય તેવા જવાબોની સમાન સંખ્યા નક્કી કરો. જટિલ પ્રકારના પ્રશ્નો (મેટ્રિસિસ, રેન્કિંગ, વગેરે) ઘટાડવા, તેને સરળ પ્રશ્નો સાથે બદલવા પણ યોગ્ય છે. જો તમને લાગતું હોય કે ઉત્તરદાતાઓ મોબાઈલ ફોનથી સર્વેક્ષણનો જવાબ આપી રહ્યા હોય, તો મોજણી ડિઝાઇનને વધુ સરળ બનાવવાનો પ્રયાસ કરો.

4. રેટિંગ સ્કેલની ગેરસમજ. પ્રશ્નાવલીમાં રેટિંગ સ્કેલનો ઉપયોગ કરતી વખતે, ઉત્તરદાતાઓને તેનો અર્થ સમજાવો, પછી ભલે તે તમને સ્પષ્ટ લાગતું હોય. ઉદાહરણ તરીકે, 1 થી 5 સુધીના પરિચિત સ્કેલને સામાન્ય રીતે શાળા ગ્રેડિંગ સિસ્ટમ સાથે સામ્યતા દ્વારા સમજવામાં આવે છે, પરંતુ કેટલીકવાર ઉત્તરદાતાઓ "1" ચિહ્નિત કરે છે, જે તેને પ્રથમ સ્થાનનું મૂલ્ય ગણાવે છે. મૌખિક ભીંગડામાં વ્યક્તિલક્ષી માપદંડોને ટાળવું વધુ સારું છે. ઉદાહરણ તરીકે, સ્કેલ "ક્યારેય નહીં - ભાગ્યે જ - ક્યારેક - વારંવાર" ખૂબ જ વ્યક્તિલક્ષી છે. તેના બદલે, તે ચોક્કસ મૂલ્યો ઓફર કરવા યોગ્ય છે ("મહિનામાં એકવાર", વગેરે).

5. હકારાત્મક અને સરેરાશ રેટિંગનું સામાન્યીકરણ. સામાન્ય રીતે હકારાત્મક મૂલ્યાંકન કરવાની ઉત્તરદાતાઓની વૃત્તિ ઘણીવાર દખલ કરે છે, ઉદાહરણ તરીકે, સોફ્ટવેર વપરાશકર્તાઓના સર્વેક્ષણોમાં અને અન્ય સમાન અભ્યાસોમાં. જો કોઈ વપરાશકર્તા સામાન્ય રીતે તમારા પ્રોગ્રામથી સંતુષ્ટ હોય, તો તેના માટે તેને ભાગોમાં વિભાજિત કરવું અને તેના વ્યક્તિગત ખાતા, નવા કાર્યાત્મક ઉકેલ વગેરેનું અલગથી મૂલ્યાંકન કરવું મુશ્કેલ છે. મોટે ભાગે, તે દરેક જગ્યાએ ઉચ્ચ સ્કોર આપશે. હા, સર્વેક્ષણ અહેવાલ ખૂબ જ હકારાત્મક દેખાશે, પરંતુ પરિણામો પરિસ્થિતિનું વાસ્તવિક મૂલ્યાંકન કરવાની મંજૂરી આપશે નહીં.
સરેરાશ મૂલ્યાંકન ઘણીવાર આડે આવે છે, ઉદાહરણ તરીકે, 360-ડિગ્રી સ્ટાફના મૂલ્યાંકનમાં. કર્મચારીઓ તમામ યોગ્યતાઓ માટે સરેરાશ સ્કોર આપવાનું વલણ ધરાવે છે: જો સાથીદાર પ્રત્યેનું વલણ સકારાત્મક છે, તો તમે પરિણામોમાં સમગ્ર પ્રશ્નાવલિ પર ફૂલેલા સ્કોર્સ જોશો; જો સાથીદાર સાથેનો સંબંધ તંગ હોય, તો તેના સ્પષ્ટપણે મજબૂત નેતૃત્વ ગુણો પણ ઓછો અંદાજ કરવો.

બંને કિસ્સાઓમાં, દરેક વ્યક્તિગત પ્રશ્ન માટે વિગતવાર મૌખિક જવાબો સાથે સામાન્ય ભીંગડાને બદલીને, જવાબ વિકલ્પો દ્વારા કાળજીપૂર્વક કામ કરવું તે મુજબની છે.

6. અભિપ્રાયોની હેરફેર. આ મુદ્દો અગાઉના મુદ્દાઓથી અલગ છે જેમાં સંશોધકો સભાનપણે ઉત્તરદાતાઓને "સફળ" અહેવાલ માટે તેમને અનુકૂળ હોય તેવા જવાબો આપવા દબાણ કરે છે. મેનીપ્યુલેશનની વારંવારની પદ્ધતિઓમાં પસંદગીનો ભ્રમ અને સકારાત્મક લાક્ષણિકતાઓ પર ધ્યાન કેન્દ્રિત કરવું શામેલ છે. સામાન્ય રીતે, સકારાત્મક સર્વેક્ષણ પરિણામોનો અભ્યાસ કરતા સંચાલકો ડેટાના સાચા અર્થઘટન વિશે વિચારતા નથી. જો કે, પ્રશ્નાવલીને જ ઉદ્દેશ્યથી જોવાનું યોગ્ય છે: તેનો તર્ક શું છે, શું પ્રશ્નાવલિમાં કોઈ ચોક્કસ લાઇન છે, હકારાત્મક અને નકારાત્મક જવાબ વિકલ્પો સમાનરૂપે વિતરિત કરવામાં આવ્યા છે. "સ્ટ્રેચિંગ" ડેટા માટેની બીજી સામાન્ય તકનીક એ વિભાવનાઓનું અવેજીકરણ છે. ઉદાહરણ તરીકે, જો મોટાભાગના કર્મચારીઓએ નવા પ્રોત્સાહક કાર્યક્રમને "સંતોષકારક" તરીકે રેટ કર્યું હોય, તો રિપોર્ટ સૂચવી શકે છે કે "કંપનીના મોટાભાગના કર્મચારીઓ નવા પ્રોત્સાહન કાર્યક્રમથી સંતુષ્ટ છે."

સોર્સ: www.habr.com