प्रतिसादकर्त्यांची "योग्य" उत्तरे सर्वेक्षणाचे परिणाम ओळखण्यापलीकडे कसे विकृत करू शकतात

अभ्यास आयोजित करताना, डेटा संकलनाकडे खूप लक्ष दिले जाते, म्हणून जेव्हा प्रतिसादकर्त्यांची उत्तरे गोळा केली जातात तेव्हा ती बरोबर म्हणून स्वीकारली जातात आणि अशा उत्तरांवर आधारित अहवाल वस्तुनिष्ठ असतो. तथापि, अनेकदा परिस्थिती उद्भवते जेव्हा वैयक्तिक उत्तरांचे अधिक तपशीलवार परीक्षण केल्यावर सर्वेक्षणातील शब्द किंवा प्रश्नांच्या सूचनांबद्दल उत्तरदात्यांचे स्पष्ट गैरसमज दिसून येतात.

1. व्यावसायिक अटी किंवा विशिष्ट शब्दांबद्दल गैरसमज. सर्वेक्षण संकलित करताना, प्रतिसादकर्त्यांच्या कोणत्या गटांसाठी ते अभिप्रेत आहे हे विचारात घेण्यासारखे आहे: सर्वेक्षणातील सहभागींचे वय आणि स्थिती, ते मोठ्या शहरांमध्ये किंवा दुर्गम खेड्यांमध्ये राहतात इ. सावधगिरीने विशेष संज्ञा आणि भिन्न अपशब्द वापरणे फायदेशीर आहे - सर्व प्रतिसादकर्त्यांना ते समजू शकत नाही किंवा सर्वांना ते सारखे समजत नाही. तरीही बर्‍याचदा अशा गैरसमजामुळे प्रतिसादकर्त्याला सर्वेक्षण सोडावे लागत नाही (जे अर्थातच अवांछनीय असेल) आणि तो यादृच्छिकपणे उत्तर देतो (जे डेटा विकृतीमुळे अधिक अवांछित आहे).

2. प्रश्नाचा गैरसमज. बर्‍याच संशोधकांना खात्री आहे की प्रत्येक प्रतिसादकर्त्याचे प्रत्येक मुद्द्यावर एक अस्पष्ट आणि स्पष्टपणे तयार केलेले मत आहे. हे चुकीचे आहे. काहीवेळा सर्वेक्षणातील सहभागींना प्रश्नाचे उत्तर देणे कठीण असते, कारण त्यांनी या दृष्टिकोनातून या विषयाचा संपूर्ण विचार केला नाही. ही अडचण प्रतिसादकर्त्याला सर्वेक्षण सोडू शकते किंवा पूर्णपणे माहितीपूर्ण उत्तर देऊ शकते. प्रश्न अधिक स्पष्टपणे तयार करून आणि विविध प्रतिसाद पर्याय ऑफर करून सर्वेक्षण सहभागींना उत्तर देण्यात मदत करा.

स्रोत: news.sportbox.ru

3. सर्वेक्षण सूचना किंवा वैयक्तिक प्रश्न समजून घेण्यात अयशस्वी. उर्वरित प्रश्नावलीप्रमाणे, सूचनांचे शब्द अभिप्रेत प्रतिसादकर्त्यांच्या सर्व गटांना अनुकूल केले पाहिजेत. मोठ्या संख्येने प्रश्न टाळण्याचा प्रयत्न करा जिथे तुम्हाला उत्तरांची विशिष्ट संख्या चिन्हांकित करायची आहे ("तीन सर्वात महत्वाचे चिन्हांकित करा ..."), किंवा अशा सर्व प्रश्नांमध्ये, चिन्हांकित करणे आवश्यक असलेल्या उत्तरांची संख्या निर्धारित करा. जटिल प्रकारचे प्रश्न (मॅट्रिक्स, रँकिंग, इ.) कमी करणे देखील फायदेशीर आहे, त्याऐवजी सोप्या प्रश्नांसह. उत्तरदाते मोबाईल फोनवरून प्रश्नावलीचे उत्तर देऊ शकतात असे तुम्हाला वाटत असल्यास, सर्वेक्षण रचना आणखी सोपी करण्याचा प्रयत्न करा.

4. रेटिंग स्केलचा गैरसमज. प्रश्नावलीतील रेटिंग स्केल वापरून, प्रतिसादकर्त्यांना त्याचा अर्थ समजावून सांगा, जरी तो तुम्हाला स्पष्ट दिसत असला तरीही. उदाहरणार्थ, 1 ते 5 पर्यंतचे नेहमीचे स्केल हे शालेय ग्रेडिंग सिस्टीमच्या सादृश्याने समजले जाते, परंतु काहीवेळा उत्तरदाते "1" चिन्हांकित करतात, त्यास प्रथम स्थानाच्या मूल्याचे श्रेय देतात. शाब्दिक स्केलमध्ये व्यक्तिनिष्ठ निकष टाळणे चांगले आहे. उदाहरणार्थ, स्केल "कधीच नाही - क्वचित - कधी कधी - अनेकदा" खूप व्यक्तिनिष्ठ आहे. त्याऐवजी, विशिष्ट मूल्ये सुचवणे योग्य आहे ("महिन्यातून एकदा", इ.).

5. सामान्यीकरण-सकारात्मक आणि सरासरी अंदाज. उत्तरदात्यांचा सामान्यत: सकारात्मक मुल्यांकन करण्याची प्रवृत्ती सहसा हस्तक्षेप करते, उदाहरणार्थ, सॉफ्टवेअर वापरकर्त्यांच्या सर्वेक्षणांमध्ये आणि इतर तत्सम अभ्यासांमध्ये. जर, एकंदरीत, वापरकर्ता आपल्या प्रोग्रामवर समाधानी असेल तर, त्याला भागांमध्ये विभागणे आणि त्याच्या वैयक्तिक खात्याचे स्वतंत्रपणे मूल्यांकन करणे, नवीन कार्यात्मक समाधान इ. बहुधा, तो सर्वत्र उच्च स्कोअर ठेवेल. होय, सर्वेक्षणाच्या निकालांवरील अहवाल खूप सकारात्मक दिसेल, परंतु परिणाम परिस्थितीचे वास्तववादी मूल्यांकन करू देणार नाहीत.
सरासरी रेटिंग अनेकदा मार्गात येतात, उदाहरणार्थ, 360-डिग्री कर्मचार्‍यांच्या मूल्यांकनात. कर्मचार्‍यांचा कल सर्व क्षमतांसाठी सरासरी स्कोअर देतात: जर एखाद्या सहकार्‍याबद्दलचा दृष्टिकोन सकारात्मक असेल तर, परिणामांमध्ये तुम्हाला संपूर्ण प्रश्नावलीसाठी जास्त प्रमाणात स्कोअर दिसेल, जर एखाद्या सहकार्‍यासोबत तणाव असेल, तर त्याचे स्पष्टपणे मजबूत नेतृत्व गुण देखील असतील. कमी लेखलेले

दोन्ही प्रकरणांमध्ये, प्रत्येक वैयक्तिक प्रश्नासाठी तपशीलवार मौखिक उत्तरांसह नेहमीच्या स्केलच्या जागी उत्तर पर्याय काळजीपूर्वक तयार करणे वाजवी आहे.

6. मतांची फेरफार. हा मुद्दा मागील मुद्द्यांपेक्षा वेगळा आहे कारण संशोधक जाणीवपूर्वक प्रतिसादकर्त्यांना "यशस्वी" अहवालासाठी त्यांच्यासाठी फायदेशीर असलेल्या उत्तरांकडे ढकलतात. हाताळणीच्या वारंवार पद्धती म्हणजे निवडीचा भ्रम आणि सकारात्मक वैशिष्ट्यांवर लक्ष केंद्रित करणे. सामान्यतः, सकारात्मक सर्वेक्षण परिणामांचा अभ्यास करणारे व्यवस्थापक डेटाच्या योग्य अर्थाचा विचार करत नाहीत. तथापि, प्रश्नावलीकडेच वस्तुनिष्ठपणे पाहणे फायदेशीर आहे: त्याचे तर्क काय आहे, प्रश्नावलीला विशिष्ट ओळ आहे का, सकारात्मक आणि नकारात्मक उत्तरे समान रीतीने वितरीत केली गेली आहेत. "स्ट्रेचिंग" डेटासाठी आणखी एक सामान्य तंत्र म्हणजे संकल्पनांचे प्रतिस्थापन. उदाहरणार्थ, जर बहुसंख्य कर्मचार्‍यांनी नवीन प्रोत्साहन कार्यक्रम "समाधानकारक" म्हणून रेट केला असेल, तर अहवाल दर्शवू शकतो की "कंपनीचे बहुसंख्य कर्मचारी नवीन प्रोत्साहन कार्यक्रमावर समाधानी आहेत."

स्त्रोत: www.habr.com