جمع‌آوری داده ها Data Collection فرآیند جمع‌آوری و اندازه‌گیری اطلاعات در مورد متغیرهای مورد علاقه، به شیوه‌ای سیستماتیک است که فرد را قادر می‌سازد به سؤالات تحقیق بیان شده پاسخ دهد، فرضیه‌ها را آزمایش کند و نتایج را ارزیابی کند. مؤلفه جمع‌آوری داده‌های تحقیق در همه زمینه‌های تحصیلی از جمله علوم فیزیکی و اجتماعی، علوم انسانی، بازرگانی و غیره مشترک است. در حالی که روش‌ها بر اساس رشته متفاوت است، تأکید بر حصول اطمینان از جمع‌آوری دقیق و صادقانه یکسان است.
اهمیت حصول اطمینان از جمع آوری داده های دقیق و مناسب
صرف نظر از زمینه مطالعه یا ترجیح برای تعریف داده ها (کمی، کیفی)، جمع آوری دقیق داده ها برای حفظ یکپارچگی تحقیق ضروری است. هم انتخاب ابزارهای مناسب جمع آوری داده ها (موجود، اصلاح شده یا تازه توسعه یافته) و دستورالعمل های مشخص شده برای استفاده صحیح از آنها، احتمال وقوع خطا را کاهش می دهد.
پیامدهای حاصل از داده های جمع آوری نادرست شامل :
- ناتوانی در پاسخگویی دقیق به سوالات تحقیق
- ناتوانی در تکرار و اعتبارسنجی مطالعه
- یافته های تحریف شده منجر به تلف شدن منابع می شود
- گمراه کردن سایر محققان برای پیگیری راه های بی نتیجه تحقیق
- تصمیمات سازشکارانه برای سیاست عمومی
در حالی که میزان تأثیر جمع‌آوری داده‌های معیوب ممکن است بر اساس رشته و ماهیت تحقیق متفاوت باشد، زمانی که این نتایج تحقیقات برای حمایت از توصیه‌های خط‌مشی عمومی استفاده می‌شوند، احتمال ایجاد آسیب نامتناسب وجود دارد.
برای خرید لایسنس Power BI کلیک کنید
مسائل مربوط به حفظ یکپارچگی جمع آوری داده ها:
دلیل اصلی برای حفظ یکپارچگی داده‌ها، پشتیبانی از تشخیص خطاها در فرآیند جمع‌آوری داده‌ها است، خواه اشتباهات عمدی (جعلیات عمدی) یا غیرقابل انجام (خطاهای سیستماتیک یا تصادفی) باشند.
- تضمین کیفیت – فعالیت هایی که قبل از شروع جمع آوری داده ها انجام می شود
- کنترل کیفیت – فعالیت هایی که در طول و بعد از جمع آوری داده ها انجام می شود
تضمین کیفیت
از آنجایی که تضمین کیفیت مقدم بر جمع آوری داده ها است، تمرکز اصلی آن «پیشگیری» است (یعنی جلوگیری از مشکلات جمع آوری داده ها). پیشگیری مقرون به صرفه ترین فعالیت برای اطمینان از یکپارچگی جمع آوری داده ها است. این اقدام پیشگیرانه با استانداردسازی پروتکل توسعه یافته در کتابچه راهنمای روش های جامع و دقیق برای جمع آوری داده ها به بهترین وجه نشان داده می شود. کتابچه‌های راهنمای ضعیف، خطر شکست در شناسایی مشکلات و خطاها را در اوایل تلاش تحقیقاتی افزایش می‌دهند. این خرابی ها را می توان به روش های مختلفی نشان داد:
- عدم اطمینان در مورد زمان‌بندی، روش‌ها، و هویت افراد مسئول بررسی داده‌ها
- فهرست بخشی از مواردی که باید جمع آوری شوند
- توصیف مبهم ابزارهای گردآوری داده‌ها به جای دستورالعمل‌های دقیق گام به گام در اجرای آزمون‌ها
- عدم شناسایی محتوا و استراتژی های خاص برای آموزش یا بازآموزی کارکنان مسئول جمع آوری داده ها
- دستورالعمل های مبهم برای استفاده، انجام تنظیمات و کالیبره کردن تجهیزات جمع آوری داده ها (در صورت لزوم)
- هیچ مکانیسم شناسایی شده ای برای مستندسازی تغییرات در رویه هایی که ممکن است در طول تحقیق ایجاد شود.
فروش لایسنس های هوش تجاری
برای مشاهده ویدیوی آموزشی Page Level Security in Power BI در یوتیوب لینک زیر را کلیک کنید ⇓
⇐ ⇐ Page Level Security in Power BI
یکی از اجزای مهم تضمین کیفیت، ایجاد یک برنامه استخدام و آموزش دقیق و دقیق است. جنبه آموزش به ویژه برای رسیدگی به مشکل بالقوه کارکنانی که ممکن است ناخواسته از پروتکل اصلی منحرف شوند، مهم است. این پدیده، که به عنوان “دریفت” شناخته می شود، باید با آموزش های اضافی اصلاح شود، شرطی که باید در دستورالعمل رویه ها مشخص شود.
با توجه به گستره راهبردهای تحقیق کیفی (مشاهده غیر مشارکتی/ مشارکتی، مصاحبه، بایگانی، مطالعه میدانی، قوم نگاری، تحلیل محتوا، تاریخ شفاهی، زندگی نامه، تحقیق محجوب)، ارائه اظهارات کلی در مورد چگونگی ایجاد پروتکل تحقیق دشوار است. به منظور تسهیل تضمین کیفیت. مطمئناً، محققانی که مشاهدات غیرمشارکت‌کننده/شرکت‌کننده را انجام می‌دهند، ممکن است تنها وسیع‌ترین سؤالات پژوهشی را برای هدایت تلاش‌های پژوهشی اولیه داشته باشند. از آنجایی که محقق ابزار اندازه گیری اصلی در یک مطالعه است، در بسیاری از مواقع ابزار جمع آوری داده های دیگر کم یا وجود ندارد. در واقع، ممکن است نیاز باشد که ابزارهایی در محل ایجاد شوند تا یافته‌های پیش‌بینی نشده را در خود جای دهند.
کنترل کیفیت
در حالی که فعالیت‌های کنترل کیفیت (تشخیص/نظارت و اقدام) در حین و پس از جمع‌آوری داده‌ها اتفاق می‌افتد، جزئیات باید به دقت در کتابچه راهنمای رویه‌ها ثبت شوند. یک ساختار ارتباطی به وضوح تعریف شده پیش شرط لازم برای ایجاد سیستم های نظارتی است. نباید هیچ گونه ابهامی در مورد جریان اطلاعات بین محققین اصلی و کارکنان پس از تشخیص اشتباهات در جمع آوری داده ها وجود داشته باشد. ساختار ارتباطی توسعه نیافته نظارت ضعیف را تشویق می کند و فرصت ها را برای تشخیص خطاها محدود می کند.
تشخیص یا نظارت می‌تواند به شکل مشاهده مستقیم کارکنان در طول بازدید از محل، تماس‌های کنفرانسی، یا بررسی منظم و مکرر گزارش‌های داده‌ها برای شناسایی ناسازگاری‌ها، مقادیر شدید یا کدهای نامعتبر باشد. در حالی که بازدیدهای سایت ممکن است برای همه رشته ها مناسب نباشد، عدم ممیزی منظم سوابق، اعم از کمی یا کمی، بررسی اینکه جمع آوری داده ها طبق رویه های تعیین شده در کتابچه راهنما پیش می رود، برای محققین دشوار خواهد بود. علاوه بر این، اگر ساختار ارتباطات به وضوح در دستورالعمل رویه ها مشخص نشده باشد، انتقال هر گونه تغییر در رویه ها به کارکنان می تواند به خطر بیفتد.
کنترل کیفیت همچنین پاسخ‌ها یا «اقدامات» لازم برای اصلاح شیوه‌های جمع‌آوری داده‌های معیوب و همچنین به حداقل رساندن رخدادهای آینده را شناسایی می‌کند. اگر رویه‌های جمع‌آوری داده‌ها به طور مبهم نوشته شده باشند و اقدامات لازم برای به حداقل رساندن عود از طریق بازخورد و آموزش اجرا نشود، احتمال وقوع این اقدامات کمتر است.
نمونه هایی از مشکلات جمع آوری داده ها که نیاز به اقدام سریع دارند عبارتند از:
- خطا در اقلام داده های فردی
- خطاهای سیستماتیک
- نقض پروتکل
- مشکلات مربوط به پرسنل فردی یا عملکرد سایت
- تقلب یا سوء رفتار علمی
در علوم اجتماعی/رفتاری که در آن جمع‌آوری داده‌های اولیه شامل افراد انسانی می‌شود، به محققان آموزش داده می‌شود که یک یا چند معیار ثانویه را که می‌توانند برای تأیید کیفیت اطلاعات جمع‌آوری‌شده از سوژه انسانی مورد استفاده قرار دهند، ترکیب کنند. به عنوان مثال، محققی که یک نظرسنجی انجام می دهد ممکن است علاقه مند باشد که بینش بهتری در مورد وقوع رفتارهای مخاطره آمیز در میان بزرگسالان جوان و همچنین شرایط اجتماعی که احتمال و فراوانی این رفتارهای پرخطر را افزایش می دهد، به دست آورد.
برای تأیید کیفیت داده‌ها، ممکن است از پاسخ‌دهندگان در مورد همان اطلاعات سؤال شود، اما در نقاط مختلف نظرسنجی و به روش‌های مختلف سؤال شود. معیارهای «مطلوب اجتماعی» نیز ممکن است برای به دست آوردن معیاری از صداقت پاسخ ها استفاده شود. در اینجا دو نکته باید مطرح شود:
- بررسی های متقابل در فرآیند جمع آوری داده ها
- کیفیت داده به همان اندازه که یک مسئله در سطح مشاهده است، یک مسئله مجموعه داده کامل است.
بنابراین، کیفیت داده ها باید برای هر اندازه گیری فردی، برای هر مشاهده فردی و برای کل مجموعه داده مورد توجه قرار گیرد.
هر رشته تحصیلی مجموعه ای از ابزارهای جمع آوری داده ترجیحی خود را دارد. ویژگی بارز علوم آزمایشگاهی مستندات دقیق دفترچه یادداشت آزمایشگاهی است در حالی که علوم اجتماعی مانند جامعه شناسی و انسان شناسی فرهنگی ممکن است استفاده از یادداشت های میدانی دقیق را ترجیح دهند. صرف نظر از رشته، مستندسازی جامع فرآیند جمع آوری قبل، حین و بعد از فعالیت برای حفظ یکپارچگی داده ها ضروری است.
امیدواریم این اطلاعات بیشتر به شما کمک کند تا انتخابی مناسب برای کسب و کار و سازمانتان داشته باشید. اگر هنوز مطمئن نیستید، نگران نباشید،تیم پشتیبانی داده کاوی ویستا اینجاست تا به شما کمک کند!
همین امروز با ما تماس بگیرید، و ما می توانیم با هم همکاری کنیم تا در فرآیند تصمیم گیری به شما کمک کنیم و ترکیب بهینه محصولات را برای شما پیدا کنیم.
تیم ویستا با بیش از 10 سال تجربه ترکیبی در توسعه نرم افزار سفارشی، BI، و راه حل های داده، می تواند به شما کمک کند تا از تجزیه و تحلیل داده ها برای رفع نیازهای سازمان خود استفاده کنید.
.
دوره آموزشی هوش تجاری با Tableau «کلیک کنید» و هوش تجاری با Power BI «کلیک کنید» یک برنامه جامع است که بر توسعه مهارت در تجزیه و تحلیل داده‌ها، تجسم و گزارش سازی و گزارش دهی و دشبوردسازی با استفاده از این ابزارها تمرکز دارد.
سپاسگذاریم از وقتی که برای خواندن این مقاله گذاشتید
.
برای خرید لایسنس تبلو Tableau کلیک کنید
برای مشاهده ویدیوهای آموزشی داده کاوی و هوش تجاری ما را در شبکه های اجتماعی دنبال کنید
Youtube Chanel :VISTA Data Mining 
Aparat Chanel: VISTA Data Mining 
Instagram Chanel: VISTA Data Mining 
Telegram Chanel: VISTA Data Mining 
Linkedin Chanel: VISTA Company 
