ကျပန်းရွေးချယ်ခြင်း သို့မဟုတ် ကျပန်းတာဝန်ပေးခြင်း

ကျပန်းရွေးချယ်ခြင်း နှင့် ကျပန်းတာဝန်ပေးခြင်း တို့မှာ အသုံးများသော်လည်း မကြာခဏ ရှုပ်ထွေးသော စာရင်းအင်းနည်းပညာနှစ်ခုဖြစ်သည်။

ကျပန်းရွေးချယ်ခြင်း ဆိုသည်မှာ လေ့လာမှုတစ်ခုတွင်ပါဝင်ရန် လူဦးရေမှ လူတစ်ဦးချင်းစီကို ကျပန်း ရွေးချယ်ခြင်း လုပ်ငန်းစဉ်ကို ရည်ညွှန်းပါသည်။

ကျပန်းတာဝန်ပေးခြင်းသည် လေ့လာမှုတစ်ခုတွင်ပါဝင်သည့် လူတစ်ဦးချင်းစီအား ကုသမှုအဖွဲ့ သို့မဟုတ် ထိန်းချုပ်မှုအဖွဲ့သို့ ကျပန်း တာဝန်ပေးအပ်ခြင်း လုပ်ငန်းစဉ်ကို ရည်ညွှန်းသည်။

လူတစ်ဦးချင်းစီကို လေ့လာမှုတစ်ခုသို့ “ ရယူရန်” အသုံးပြုသည့်လုပ်ငန်းစဉ်အဖြစ် ကျပန်းရွေးချယ်ခြင်းကို သင်စဉ်းစားနိုင်ပြီး ၎င်းတို့အား လေ့လာမှု၏တစ်စိတ်တစ်ပိုင်းအဖြစ် ရွေးချယ်ခံရသည်နှင့် ၎င်းတို့အား သင်လုပ်ဆောင်သည့်အရာအဖြစ် ကျပန်းတာဝန်ကို သင်စဉ်းစားနိုင်သည်။

ကျပန်းရွေးချယ်ခြင်းနှင့် ကျပန်းတာဝန်ပေးခြင်း၏ အရေးပါမှု

လေ့လာမှုတစ်ခုသည် ကျပန်းရွေးချယ်မှုကို အသုံးပြုသောအခါ၊ ၎င်းသည် ကျပန်းလုပ်ငန်းစဉ်ကို အသုံးပြု၍ လူဦးရေထဲမှ တစ်ဦးချင်းစီကို ရွေးချယ်သည်။ ဥပမာအားဖြင့်၊ လူဦးရေ ၁,၀၀၀ သာရှိလျှင် ဒေတာဘေ့စ်တစ်ခုမှ လူ ၁၀၀ ကို ကျပန်းရွေးချယ်ရန် ကွန်ပျူတာကို အသုံးပြုနိုင်သည်။ ဆိုလိုသည်မှာ လူတစ်ဦးစီသည် လေ့လာမှု၏ အစိတ်အပိုင်းတစ်ခုအဖြစ် ရွေးချယ်ခံရရန် တူညီသောဖြစ်နိုင်ခြေရှိပြီး၊ သာမန်လူဦးရေနှင့် ဆင်တူသော လက္ခဏာများရှိသည့် ကိုယ်စားလှယ်နမူနာ ရရှိရန် အခွင့်အလမ်းများကို တိုးမြင့်စေပါသည်။

ကျွန်ုပ်တို့၏လေ့လာမှုတွင် ကိုယ်စားလှယ်နမူနာကိုအသုံးပြုခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏လေ့လာမှုရလဒ်များကို လူဦးရေအား ယေဘုယျဖော်ပြနိုင်မည်ဖြစ်သည်။ ကိန်းဂဏန်းအသုံးအနှုန်းများတွင်၊ ၎င်းကို ပြင်ပတရားဝင်မှု ရှိခြင်းဟု ခေါ်သည် – ကျွန်ုပ်တို့၏ရလဒ်များကို ယေဘူယျလူများထံ ပြင်ပသို့ထုတ်ပေးရန် အကျုံးဝင်ပါသည်။

လေ့လာမှုတစ်ခုသည် ကျပန်းတာဝန်ကို အသုံးပြုသောအခါ၊ တစ်ဦးချင်းစီအား ကုသမှုအဖွဲ့ သို့မဟုတ် ထိန်းချုပ်မှုအဖွဲ့သို့ ကျပန်းသတ်မှတ်ပေးသည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် လေ့လာမှုတစ်ခုတွင် လူ 100 ရှိပါက၊ လူ 50 ဦးကို ထိန်းချုပ်မှုအဖွဲ့တစ်ခုသို့ ကျပန်းသတ်မှတ်ရန်နှင့် ကုသမှုအုပ်စုတစ်ခုသို့ လူ 50 ဦးကို ကျပန်းနံပါတ် မီးစက်ကို အသုံးပြုနိုင်သည်။

ကျပန်းတာဝန်ကို အသုံးပြုခြင်းဖြင့်၊ အုပ်စုနှစ်စုသည် အကြမ်းဖျင်းတူညီသောလက္ခဏာများ ပါရှိနိုင်စေမည့် အခွင့်အလမ်းကို တိုးမြင့်စေသည်၊ ဆိုလိုသည်မှာ အုပ်စုနှစ်ခုကြားရှိ ကွဲပြားမှုများကို ကုသခြင်းဟု သတ်မှတ်နိုင်သည်။ ဆိုလိုသည်မှာ လေ့လာမှုသည် အတွင်းပိုင်းတရားဝင်မှု ဖြစ်သည်- အုပ်စုများကြားရှိ တစ်ဦးချင်းစီကြား ကွဲပြားမှုများကို ဆန့်ကျင်သည့်အနေဖြင့် အုပ်စုများအကြား ကွဲပြားမှုများကို ကုသမှုကိုယ်တိုင်က အသိအမှတ်ပြုရန် အကျုံးဝင်ပါသည်။

Random Selection နှင့် Random Assignment နမူနာများ

လေ့လာမှုတစ်ခုအတွက် ကျပန်းရွေးချယ်မှုနှင့် ကျပန်းတာဝန်ပေးမှု၊ သို့မဟုတ် ယင်းနည်းပညာများထဲမှ တစ်ခုသာ သို့မဟုတ် နည်းပညာနှစ်ခုစလုံးကို အသုံးပြုရန် ဖြစ်နိုင်သည်။ ခိုင်မာသောလေ့လာမှုတစ်ခုသည် နည်းစနစ်နှစ်ခုလုံးကို အသုံးပြုသည်။

အောက်ဖော်ပြပါနမူနာများသည် လေ့လာမှုတစ်ခုသည် ဤနည်းပညာနှစ်ခုလုံး၊ တစ်ခု သို့မဟုတ် တစ်ခုမဟုတ်တစ်ခုနှင့် ရလဒ်ဆိုင်ရာသက်ရောက်မှုများကို မည်သို့အသုံးပြုနိုင်ကြောင်း ပြသထားသည်။

ဥပမာ 1- ကျပန်းရွေးချယ်မှုနှင့် ကျပန်းတာဝန်နှစ်ခုလုံးကို အသုံးပြုခြင်း။

လေ့လာမှု- အစားအသောက်အသစ်တစ်ခုသည် လူ ၁၀,၀၀၀ ၏ အချို့သောအသိုက်အဝန်းတွင် ပုံမှန်အစားအစာထက် ကိုယ်အလေးချိန်ပိုကျစေခြင်း ရှိ၊ မရှိ သိလိုကြသည်။ ၎င်းတို့သည် ဒေတာဘေ့စ်တစ်ခုမှ အမည် 100 ကို ကျပန်းရွေးချယ်ရန် ကွန်ပျူတာကို အသုံးပြု၍ လေ့လာမှုတွင် ပါဝင်ရန် လူ 100 ကို စုဆောင်းခဲ့သည်။ ၎င်းတို့တွင် လူ 100 ဦးလုံးရှိသောအခါတွင် လူ 50 ဦးအား ထိန်းချုပ်မှုအဖွဲ့ (ဥပမာ- ၎င်းတို့၏ စံနှုန်းအတိုင်း စားသောက်နေထိုင်ခြင်း) နှင့် လူ 50 ကို ကုသမှုအုပ်စု (ဥပမာ အစားအသောက်အသစ်ကို လိုက်နာခြင်း) တွင် ကျပန်းသတ်မှတ်ရန် ကွန်ပျူတာကို ထပ်မံအသုံးပြုပါသည်။ ၎င်းတို့သည် တစ်လအကြာတွင် လူတစ်ဦးစီ၏ စုစုပေါင်းကိုယ်အလေးချိန် လျော့ကျမှုကို မှတ်တမ်းတင်ထားသည်။

ရလဒ်များ- သုတေသီများသည် လူတစ်ဦးချင်းစီကို ကုသမှု သို့မဟုတ် ထိန်းချုပ်မှုအဖွဲ့တွင် ထည့်သွင်းသည့်အခါ ၎င်းတို့၏နမူနာနှင့် ကျပန်းတာဝန်ကို ရယူရန် ကျပန်းရွေးချယ်မှုကို အသုံးပြုခဲ့သည်။ ထိုသို့ပြုလုပ်ခြင်းဖြင့်၊ ၎င်းတို့သည် လေ့လာမှုရလဒ်များကို အလုံးစုံလူဦးရေအတွက် ယေဘုယျဖော်ပြ နိုင်ပြီး အုပ်စုနှစ်ခုကြားရှိ ပျမ်းမျှကိုယ်အလေးချိန်ကျခြင်း၏ ကွာခြားချက်များကို အစားအသောက်အသစ်တွင် သတ်မှတ်ပေးနိုင်သည်။

ဥပမာ 2- ကျပန်းရွေးချယ်မှုကိုသာ အသုံးပြုပါ။

လေ့လာမှု- အစားအသောက်အသစ်တစ်ခုသည် လူ ၁၀,၀၀၀ ၏ အချို့သောအသိုက်အဝန်းတွင် ပုံမှန်အစားအစာထက် ကိုယ်အလေးချိန်ပိုကျစေခြင်း ရှိ၊ မရှိ သိလိုကြသည်။ ၎င်းတို့သည် ဒေတာဘေ့စ်တစ်ခုမှ အမည် 100 ကို ကျပန်းရွေးချယ်ရန် ကွန်ပျူတာကို အသုံးပြု၍ လေ့လာမှုတွင် ပါဝင်ရန် လူ 100 ကို စုဆောင်းခဲ့သည်။ သို့သော် ၎င်းတို့သည် လူတစ်ဦးချင်းစီအား ၎င်းတို့၏ လိင်အပေါ်အခြေခံ၍ အုပ်စုများခွဲရန် ဆုံးဖြတ်ကြသည်။ အမျိုးသမီးများအား ကုသရေးအဖွဲ့တွင် လည်းကောင်း၊ အမျိုးသားများအား ကုသရေးအဖွဲ့တွင်လည်းကောင်း တာဝန်ပေးအပ်သည်။ ၎င်းတို့သည် တစ်လအကြာတွင် လူတစ်ဦးစီ၏ စုစုပေါင်းကိုယ်အလေးချိန် လျော့ကျမှုကို မှတ်တမ်းတင်ထားသည်။

ရလဒ်များ- သုတေသီများသည် ၎င်းတို့၏နမူနာကိုရရှိရန် ကျပန်းရွေးချယ်မှုကို အသုံးပြုခဲ့သော်လည်း တစ်ဦးချင်းစီကို ကုသမှု သို့မဟုတ် ထိန်းချုပ်မှုအဖွဲ့တွင် ထည့်သွင်းသည့်အခါ ကျပန်းတာဝန်ကို အသုံးမပြုခဲ့ပေ။ ယင်းအစား၊ ၎င်းတို့သည် လူတစ်ဦးချင်းစီအား တာဝန်ပေးမည့်အဖွဲ့ကို ဆုံးဖြတ်ရန် တိကျသောအချက်တစ်ခုဖြစ်သည့် ကျား-မကို အသုံးပြုခဲ့သည်။ ထိုသို့လုပ်ဆောင်ရာတွင်၊ ၎င်းတို့သည် လေ့လာမှုရလဒ်များကို အလုံးစုံလူဦးရေအတွက် ယေဘုယျဖော်ပြနိုင်သော်လည်း ၎င်းတို့အုပ်စုနှစ်ခုကြားရှိ ပျမ်းမျှကိုယ်အလေးချိန်ကျခြင်း၏ကွာခြားချက်များကို အစားအသောက်အသစ်တွင် ထည့်သွင်းဖော်ပြနိုင်ခြင်း မရှိပါ ။ ကိုယ်အလေးချိန် လျော့ကျမှု ကွာခြားချက်သည် အစားအသောက်အသစ်များထက် ကျားမကြောင့်သာ ဖြစ်နိုင်သောကြောင့် လေ့လာမှု၏ အတွင်းအကျုံးဝင်မှုကို အလျှော့အတင်း ပေးခဲ့သည်။

ဥပမာ 3- ကျပန်းတာဝန်ကိုသာ အသုံးပြုပါ။

လေ့လာမှု- အစားအသောက်အသစ်တစ်ခုသည် လူ ၁၀,၀၀၀ ၏ အချို့သောအသိုက်အဝန်းတွင် ပုံမှန်အစားအစာထက် ကိုယ်အလေးချိန်ပိုကျစေခြင်း ရှိ၊ မရှိ သိလိုကြသည်။ ၎င်းတို့သည် လေ့လာမှုတွင် ပါဝင်ရန် အမျိုးသား အားကစားသမား 100 ကို ခေါ်ယူနေပါသည်။ ထို့နောက် ၎င်းတို့သည် အမျိုးသားအားကစားသမား ၅၀ ဦးအား ထိန်းချုပ်မှုအဖွဲ့တစ်ခုသို့ ကျပန်းသတ်မှတ်ပေးကာ ကုသမှုအဖွဲ့တွင် အယောက် ၅၀ ကို ကျပန်းသတ်မှတ်ရန် ကွန်ပျူတာပရိုဂရမ်ကို အသုံးပြုသည်။ ၎င်းတို့သည် တစ်လအကြာတွင် လူတစ်ဦးစီ၏ စုစုပေါင်းကိုယ်အလေးချိန် လျော့ကျမှုကို မှတ်တမ်းတင်ထားသည်။

ရလဒ်များ- သုတေသီများသည် အမျိုးသားအားကစားသမား 100 ကို အထူးရွေးချယ်သောကြောင့် ၎င်းတို့၏နမူနာရရှိရန် ကျပန်းရွေးချယ်မှုကို အသုံးမပြုခဲ့ကြပါ။ ထို့ကြောင့် ၎င်းတို့၏နမူနာသည် အလုံးစုံလူဦးရေကို ကိုယ်စားမပြုသောကြောင့် ၎င်းတို့၏ ပြင်ပတရားဝင်မှုကို အလျှော့အတင်းပြုသည် – ၎င်းတို့သည် လေ့လာမှုရလဒ်များကို စုစုပေါင်းလူဦးရေအတွက် ယေဘုယျဖော်ပြနိုင်မည်မဟုတ်ပေ။ သို့ရာတွင်၊ ၎င်းတို့သည် ကျပန်းခွဲဝေမှုကို အသုံးပြုခဲ့ပြီး၊ ဆိုလိုသည်မှာ အစားအသောက်အသစ်အတွက် ကိုယ်အလေးချိန်ကျခြင်းတွင် မည်သည့်ကွာခြားချက်ကိုမဆို အသိအမှတ်ပြုနိုင်သည်။

ဥပမာ 4- နည်းပညာကို မသုံးပါနှင့်

လေ့လာမှု- အစားအသောက်အသစ်တစ်ခုသည် လူ ၁၀,၀၀၀ ၏ အချို့သောအသိုက်အဝန်းတွင် ပုံမှန်အစားအစာထက် ကိုယ်အလေးချိန်ပိုကျစေခြင်း ရှိ၊ မရှိ သိလိုကြသည်။ ၎င်းတို့သည် လေ့လာမှုတွင် ပါဝင်ရန် အမျိုးသား အားကစားသမား ၅၀ နှင့် အမျိုးသမီး အားကစားသမား ၅၀ ကို ခေါ်ယူထားသည်။ ထို့နောက် အမျိုးသမီးအားကစားသမားအားလုံးကို ထိန်းချုပ်အဖွဲ့နှင့် အမျိုးသားအားကစားသမားအားလုံးကို ကုသရေးအဖွဲ့တွင် ခန့်အပ်သည်။ ၎င်းတို့သည် တစ်လအကြာတွင် လူတစ်ဦးစီ၏ စုစုပေါင်းကိုယ်အလေးချိန် လျော့ကျမှုကို မှတ်တမ်းတင်ထားသည်။

ရလဒ်များ- သုတေသီများသည် အားကစားသမား 100 ကို အထူးရွေးချယ်ထားသောကြောင့် ၎င်းတို့၏နမူနာရယူရန် ကျပန်းရွေးချယ်မှုကို အသုံးမပြုခဲ့ပါ။ ထို့ကြောင့် ၎င်းတို့၏နမူနာသည် အလုံးစုံလူဦးရေကို ကိုယ်စားမပြုသောကြောင့် ၎င်းတို့၏ ပြင်ပတရားဝင်မှုကို အလျှော့အတင်းပြုသည် – ၎င်းတို့သည် လေ့လာမှုရလဒ်များကို စုစုပေါင်းလူဦးရေအတွက် ယေဘုယျဖော်ပြနိုင်မည်မဟုတ်ပေ။ ထို့အပြင်၊ ၎င်းတို့သည် ကျပန်းတာဝန်ကို မှီခိုရမည့်အစား လိင်အပေါ်အခြေခံ၍ အုပ်စုများခွဲကာ ၎င်းတို့၏အတွင်းပိုင်းတရားဝင်မှုကိုလည်း အလျှော့အတင်းဖြစ်စေသည်- ဆိုလိုသည်မှာ ကိုယ်အလေးချိန်လျှော့ချခြင်းဆိုင်ရာ ကွာခြားချက်များသည် အစားအသောက်ထက် လိင်ကြောင့်ဖြစ်နိုင်သည်။