డేటా సేకరణ
డేటా సేకరణ అనేది ఆసక్తి గల వేరియబుల్స్‌పై సమాచారాన్ని సేకరించి కొలిచే ప్రక్రియ, ఇది ఏర్పాటు చేసిన క్రమబద్ధమైన పద్దతిలో, సమర్పించిన పరిశోధన ప్రశ్నలకు సమాధానం ఇవ్వడానికి, పరికల్పనలను పరీక్షించడానికి, ఫలితాలను అంచనా వేయడానికి ఎవరైనా అనుమతిస్తుంది . ఇది ఒక క్రమబద్ధమైన పద్ధతిలో, పేర్కొన్న పరిశోధన ప్రశ్నలకు, పరీక్ష పరికల్పనలకు, ఫలితాలను అంచనా వేయడానికి ఒకరిని అనుమతిస్తుంది. భౌతిక, సాంఘిక శాస్త్రాలు, మానవీయ శాస్త్రాలు, వ్యాపారం మొదలైన అన్ని రంగాలకు పరిశోధన యొక్క డేటా సేకరణ భాగం సాధారణం. పద్ధతులు క్రమశిక్షణతో మారుతూ ఉంటాయి, ఖచ్చితమైన, నిజాయితీ సేకరణను నిర్ధారించడానికి ప్రాధాన్యత అలాగే ఉంటుంది.
డేటా సేకరణ అనేది సాంఖ్యక శాస్త్రంలో ఏదయినా చేసేందుకు తొలి అడుగు. డేటా సేకరణ అనగా డేటాను సేకరించడం. ఇది ఒక నిర్దిష్ట ప్రణాళిక ద్వారా ఈ సేకరణ జరగాలి. ఈ సేకరణ ద్వారా మనకు కావాల్సిన డేటాను సేకరిస్తాం, ఆపై మనకు ఉన్న న్ని సందేహాలకూ ఈ డేటా సమాధానమిచ్చే సామర్థ్యం కలిగి ఉంటుంది.ఏ రంగానికైనా ఈ డేటాసేకరణ అమలు చేయవచు. కానీ అన్ని రంగాలలో అమలు పద్ధతి ఒకే విదంగా వుంటుంది. ఈ పద్ధతులు నిర్దిష్టంగా , ఖఛ్చితంగా అమలు చేయాలి.
డేటా నిర్వచనం (పరిమాణాత్మక, గుణాత్మక) కోసం అధ్యయన రంగం లేదా ప్రాధాన్యతతో సంబంధం లేకుండా, పరిశోధన సమగ్రతను కాపాడటానికి ఖచ్చితమైన డేటా సేకరణ అవసరం. సాధన రెండు ఎంపికలు సేకరణ కోసం సముచితం తగ్గించడానికి (ఇప్పటికే చివరి మార్పు, లేదా ఇటీవల అభివృద్ధి), వారి సరైన ఉపయోగం కోసం ఉద్దేశపూర్వకంగా స్పష్టమైన సూచనలను సంభావ్యత యొక్క లోపాలు సంభవించే.
పొందిన డేటా ఖచ్చితమైనదిగా నిర్వచించబడిందని తెలియటానికి కనుగొనబడిన సమాచారం ఆధారంగా వాదనలపై తదుపరి నిర్ణయాలు చెల్లుబాటు అయ్యేలా చూడటానికి ఒక అధికారిక డేటా సేకరణ ప్రక్రియ అవసరం. ఈ ప్రక్రియ కొలవటానికి ఆధారాన్ని ఉత్పత్తి చేస్తుంది, కొన్ని సందర్భాల్లో మెరుగుపరచవలసిన లక్ష్యాన్ని ఉత్పత్తి చేస్తుంది. డేటా సేకరణ అనేది ఫలితాలను మదింపు చేయడం లేదా చర్యాత్మక అవలోకనాలను సేకరించే లక్ష్యంతో నిర్ధిష్ట వేరియబుల్స్ పై పరిమాణాత్మక, గుణాత్మక సమాచారాన్ని సేకరించే ప్రక్రియ. మంచి డేటా సేకరణకు మీరు సేకరించే డేటా శుభ్రంగా, స్థిరంగా, విశ్వసనీయంగా ఉందని ధృవీకరించడానికి ఒక స్పష్టమైన ప్రక్రియ అవసరం[2].
డేటా సేకరణ సరిగా చెయ్యకపోతే ఏర్పడే పరిణామాలు:
- సర్వే ప్రశ్నలకు ఖచ్చితంగా సమాధానం ఇవ్వలేకపోవడం.
- అధ్యయనాన్ని పునరావృతం చేయడానికి, ధృవీకరించడానికి అసమర్థత.
- వక్రీకరించిన శోధన ఫలితాలు వనరులను వృధా చేస్తాయి, ఇతర పరిశోధకులు పరిశోధన యొక్క విజయవంతమైన మార్గాలను అనుసరించడానికి దారితీయవచ్చు. ఇది ప్రజా విధాన నిర్ణయాలను రాజీ చేస్తుంది , అలాగే వాటిలో పాల్గొనే వ్యక్తులకు హాని చేస్తుంది.
- లోపభూయిష్ట డేటా సేకరణ యొక్క ప్రభావ స్థాయి విభాగాలు, దర్యాప్తు స్వభావం మధ్య మారవచ్చు, అయితే ఈ ఫలితాలు విధాన మెరుగుదల అమలులకు సహాయపడటానికి ఉపయోగించినప్పుడు అసమాన ప్రమాదాలను కలిగించే అవకాశం ఉంది
మూడు రకాల డేటా సేకరణ పద్ధతులున్నాయి:
- ప్రాధమిక గణాంక సర్వే (ప్రాధమిక గణాంకాలు, క్షేత్ర పరిశోధన కూడా ), సేకరించిన సర్వే డేటా యొక్క ఈ ప్రయోజనం కోసం కొత్తది
- ద్వితీయ గణాంక సర్వే (ద్వితీయ గణాంకాలు, ద్వితీయ సర్వే ), ఇది క్రొత్త విశ్లేషణ లక్ష్యం కోసం ముందుగా ఉన్న డేటాను మాత్రమే ఉపయోగిస్తుంది
- తృతీయ గణాంక సర్వే, సంపీడన డేటా మాత్రమే ఉంటే, ఉదా. సగటు విలువల రూపంలో అందుబాటులో ఉంది.
- అదనంగా, ప్రాథమిక సర్వే ( పూర్తి సర్వేతో సహా ), పాక్షిక సర్వే మధ్య వ్యత్యాసం ఉంటుంది
మూలాలు
[మార్చు]- ↑ Lescroël, A. L.; Ballard, G.; Grémillet, D.; Authier, M.; Ainley, D. G. (2014). Descamps, Sébastien (ed.). "Antarctic Climate Change: Extreme Events Disrupt Plastic Phenotypic Response in Adélie Penguins". PLoS ONE. 9 (1): e85291. doi:10.1371/journal.pone.0085291. PMC 3906005. PMID 24489657.
{{cite journal}}: CS1 maint: unflagged free DOI (link) - ↑ "Data Collection | What is Data Collection?". Dimagi (in అమెరికన్ ఇంగ్లీష్). Archived from the original on 2020-09-19. Retrieved 2020-08-30.