ما الذي يجب فعله عند وجود منشئين للبيانات؟

ما الذي يجب فعله عند وجود منشئين للبيانات؟

كنت أستمع إلى البودكاست The West Wing Weekly مؤخرًا وظهرت الحلقة 4.17 (“Red Haven's on Fire”) الكاتبة السابقة لورين شميت هيسريش . عند تقديمها ، ذكر مضيفو البودكاست أن هيسريش كانت كاتبة لسلسلة Netflix Daredevil ، استنادًا إلى شخصية Marvel Comics. وهي أيضًا مقدمة العرض لسلسلة Netflix جديدة تسمى The Witcher ، والتي تستند إلى كتاب من تأليف Andrzej Sapkowski.

كل هذا جعلني أفكر في كيفية تقييد كتاب السيناريو غالبًا فيما يمكنهم كتابته من خلال حقيقة أن المادة التي يكتبونها قد تم إنشاؤها بواسطة شخص آخر. الشخصيات في قصصهم لها "مبدعون" وهناك حد يجب على الكتاب أن يظلوا أوفياء له مع نية المبدعين تجاه الشخصيات. من منظور الأعمال التجارية ، يمكن اعتباره رهانًا أكثر أمانًا إذا قام الكاتب بإنشاء قصة ما بناءً على الملكية الفكرية الحالية ، حيث قد تكون هذه الملكية الفكرية شائعة بالفعل. ولكن ، يجب على الكتاب أيضًا توخي الحذر حتى لا يذهبوا بعيدًا في اتجاه مختلف أو أن نفس الأشخاص الذين أحبوا النص الأصلي لن يعجبهم المادة الجديدة.

دروس من كتاب السيناريو

غالبًا ما يكتب كتاب السيناريو موادهم الأصلية ، لا سيما عندما يكونون في قمة مهنتهم ولديهم الحرية الفنية لفعل المزيد مما يريدونه. لقد اكتسبوا هذه الحرية ويثق بهم الاستوديوهات / المنتجون لإنتاج مواد أصلية جيدة وناجحة ماليًا. في هذه الحالات ، يمكن لكتّاب السيناريو إنشاء شخصياتهم وقصصهم ونقلهم إلى حيث يريدون ، مع مراعاة القيود العديدة الكامنة في إنتاج التلفزيون أو الأفلام.

في العديد من المواقف الأخرى ، يكتب كتاب السيناريو مواد الآخرين. من المحتمل أن الكاتب الذي يعمل في برنامج تلفزيوني لم ينشئ البرنامج التلفزيوني ولم يخلق أيًا من الشخصيات الرئيسية أو الوقائع المنظورة. يجب عليهم دخول العرض في منتصف الطريق ، والتكيف مع شخصياته ، وكتابة المواد التي قد تكون مناسبة للعرض والشخصيات الفردية. بينما لا يزال الكاتب بحاجة إلى أن يكون مبدعًا في هذا الدور ، إلا أن هناك عددًا غير قليل من القيود التي يجب أن تتوافق مع ما حدث من قبل. على وجه الخصوص ، قد يكون لدى صانعي العرض آراء قوية جدًا حول كيفية عمل الشخصيات وقصص العمل ، وسيتعين على كاتب فريق العمل مواكبة ذلك من أجل العمل.

منشئ البيانات

في علم البيانات ، يكون للبيانات "منشئون" وجزء كبير من كونك محلل بيانات جيد هو احترام دور منشئ البيانات والتعاون معهم بفعالية. قد نطلق أيضًا على منشئ البيانات "خبير الموضوع" ، اعتمادًا على السياق. عادة ما يكون منشئ البيانات هو من أنشأ سبب جمع البيانات ، وطرح السؤال الأصلي الذي أدى إلى جمع البيانات ، وربما أشرف على عملية جمع البيانات نفسها. إنهم يعرفون خصوصيات وعموميات كيفية جمع البيانات ، ونقاط القوة والضعف في العملية ، وكل السياق غير المكتوب حول البيانات. هذا السياق غير المكتوب ، للأسف ، غير موثق بحكم التعريف ، وبمرور الوقت عادة ما يُفقد أو يُنسى.

يمكن لمنشئ البيانات الإجابة على أسئلة مثل

لماذا هناك بيانات مفقودة؟ كيف يمكن أن تصبح البيانات مفقودة؟

لماذا هذه الملاحظة منخفضة / عالية جدًا؟ هل حدث شيء مضحك هناك؟

ما أنواع الأخطاء التي يمكن إدخالها في جمع أو قياس البيانات؟

لماذا جمعت هذا المتغير أو الميزة بدلاً من ذلك المتغير أو الميزة؟

يجب أن يفهم محلل البيانات كيفية "ملاءمة أنفسهم في البيانات" حتى يعرفوا متى يتم طرح الأسئلة المناسبة عن البيانات ومتى يتم طرح الأسئلة التي لا يمكن الإجابة عليها بواسطة البيانات. من المحتمل أن تكون البيانات موجودة قبل أن يكون المحلل ، وبالتالي لا يتمتع المحللون بالحرية المطلقة لفعل ما يريدون بالبيانات. البيانات لها سياق وسبب أصلي لوجودها ، ويجب على محلل البيانات فهم هذا السياق واحترامه.

لقد عملت مؤخرًا على دراسة حيث يتم تقييم الأشخاص في عيادة كل 3 أشهر. في إحدى الزيارات ، كان العديد من قيم النتائج عالية بشكل غير طبيعي. كان رد فعلي الأول هو مراجعة الأرقام الفردية ومعرفة ما إذا كان هناك أي خطأ. عدم رؤية أي شيء ، قمنا بفحص النماذج الورقية التي تم جمع البيانات عليها في الأصل لمعرفة ما إذا كان هناك خطأ في النسخ - لا شيء غير عادي هناك أيضًا. أخيرًا ، تحدثنا إلى طاقم الدراسة الذين رأوا بالفعل المرضى في العيادة لمعرفة ما إذا كانوا قد رأوا أي شيء غير عادي. لا شيء حتى الآن. في نهاية المطاف ، البيانات هي ما هي عليه ، لكن كان من المطمئن أن تكون قادرًا على الوصول إلى الناس على الأرض للحصول على انطباعاتهم. يصعب ترميز هذا النوع من المعلومات وتحديد كميته ، لذلك من المهم أن تكون قادرًا على التحدث مع "منشئي البيانات" للحصول على القصة الكاملة.

البيانات التي تم العثور عليها ، والمنشئون البديلون ، والاستخدام خارج التسمية

لا تحتوي بعض البيانات على منشئين محددين أو اختفى منشئوها منذ زمن طويل ولا يمكن الاتصال بهم. هذه "البيانات التي تم العثور عليها" موجودة في كل مكان والسبب الأصلي لجمعها غير معروف إلى حد كبير. من المغري اللجوء إلى مثل هذه البيانات إذا بدا أنها تخدم غرضًا معينًا ، ولكن يجب بذل بعض الجهد لتحديد الغرض الأصلي للبيانات. في هذه الحالات ، يجب أن يعمل المحلل "كمبدع بديل" ويضع نفسه في موضع يتيح له فهم جميع جوانب البيانات التي يعرفها منشئ البيانات عادةً.

لا يعني مجرد جمع البيانات لغرض معين أنه لا يمكن استخدامها لطرح سؤال مختلف. يمكن أن تكون هذه الاستخدامات "خارج التسمية" للبيانات مثمرة للغاية ويمكن أن يؤدي الاستخدام الإبداعي للبيانات خارج التسمية إلى اختراقات في مجالات غير ذات صلة. ومع ذلك ، لا يزال يتعين على المرء أن يكون لديه فهم جيد لإنشاء البيانات بسبب كل السياق المرفق بالبيانات. ومع ذلك ، غالبًا ما تكون جوانب البيانات التي كانت وثيقة الصلة بالسؤال الأصلي أقل صلة للاستخدام خارج التسمية.

مثال: مراقبة تلوث الهواء

يتم جمع بيانات تلوث الهواء المحيط في الولايات المتحدة في المقام الأول لأغراض تنظيمية. السؤال الذي تحاول البيانات الإجابة عنه بشكل أساسي هو "هل مستويات تلوث الهواء في هذه المقاطعة أعلى من المعايير الوطنية لجودة الهواء المحيط؟" للإجابة على هذا السؤال ، من المهم أن يكون لديك معيار صارم لجمع البيانات بحيث تكون القياسات دقيقة ودقيقة للغاية. من المهم للغاية لجميع الأطراف أن تكون الأرقام موثوقة. تُعرف منهجية قياس تلوث الهواء عند المراقبين الفيدراليين باسم "الطريقة المرجعية الفيدرالية" وهي موثقة على أنها معيار معالجة المعلومات الفيدرالية (FIPS). يدرك الأشخاص الذين يعملون في مجال المراقبة والذين يطورون شاشات جديدة تمامًا الحاجة إلى تقليل الخطأ وزيادة الموثوقية.

ومع ذلك ، عند استخدام بيانات المراقبة للدراسات الوبائية لتلوث الهواء وصحة السكان ، فإن الخطأ في البيانات المقدمة على مستوى المراقبة ، رغم أنه حقيقي ، غالبًا ما يكون ضئيلًا مقارنة بخطأ قياس التعرض الذي يتم تقديمه من خلال تعيين قيم المراقبة للأعضاء من السكان. تستخدم الدراسات الوبائية بيانات المراقبة التنظيمية خارج التسمية لأن البيانات عديدة ومتاحة مجانًا ، علاوة على ذلك ، فإن الأخطاء في بيانات المراقبة أقل صلة بالبيئة الوبائية مما هي عليه في الإعداد التنظيمي.

بعد قولي هذا ، لقد شاركت في العديد من المناقشات مع المهندسين الذين هم على دراية بالطريقة التي يتم بها بناء أجهزة المراقبة حول كيفية تأثير الأخطاء في المراقبة على دراساتي الوبائية. غالبًا ما يصرون (بأدب) على أن نتائجي غير صالحة لأن الشاشات متغيرة للغاية. الآن، وأنا أدرك أنه لا خير لا الصوت عند حجتي هي في الأساس، "أنا أعرف دراستي صالحة لأن الأخطاء التي I قدم باستخدام بياناتك ودمجه مع البيانات الصحية هي الطريقة أكبر من أخطاء القياس أن جهاز العرض تنتج ! " لكن هذا هو الحال بالفعل. وكان المهندسون قلقين بحق بشأن استخدام بياناتهم في سياق مختلف.

في حين أن المهندسين قد يتعبون من الانحرافات التي تنتجها شاشة معينة ، حتى في أسوأ السيناريوهات ، فمن غير المرجح أن يكون لمقياس التباين الذي يقلقهم أي تأثير على نماذج المخاطر الصحية التي كنا نلائمها مع البيانات. من الأفضل قضاء المزيد من الوقت في النظر إلى حساسية النماذج لخطأ قياس التعرض بدلاً من القلق بشأن تباين الشاشة الفردية. ومع ذلك ، فمن خلال المحادثات مع هؤلاء المهندسين يمكنني التعرف على جميع [مصادر التباين في البيانات] (). إن إدراك مصادر التباين هذه وإبلاغ أي شكوك قد تنتج أو لا تنتج هو جزء كبير من بناء الثقة في تحليلات بياناتي .

لطلب تحليل احصائي التواصل عبر الواتس اب اضغط هنا