પોર્નોગ્રાફીની સમીક્ષા સંશોધનનો ઉપયોગ કરે છે: પદ્ધતિ અને ચાર સ્ત્રોતોમાંથી પરિણામો (2015): પોર્નના ઉપયોગમાં ઉતાહ નંબર 1 નથી

લેખ લિંક 

પોર્નોગ્રાફીની સમીક્ષા સંશોધનનો ઉપયોગ કરે છે: પદ્ધતિ અને ચાર સ્રોતોના પરિણામો.

સાયબરપ્સાયકોલોજી: સાયબરસ્પેસ પર સાયકોસોસિઅલ રિસર્ચ જર્નલ, 9(4), લેખ 1. doi: 10.5817 / CP2015-4-4

અમૂર્ત

કીવર્ડ્સ: પોર્નોગ્રાફી, ઇન્ટરનેટનો ઉપયોગ, ડેટા, પ્રતિનિધિ

પીડીએફ ડાઉનલોડ કરો

પરિચય

મોટા ભાગના સંશોધનકારો સંમત થશે કે હાલના દાયકાઓમાં પોર્નોગ્રાફી વધુ વ્યાપક બની છે, વસ્તીમાં અશ્લીલતાના ઉપયોગના સ્તરનું સચોટ માપન એ સામાજિક વૈજ્ .ાનિકો માટે એક પ્રયોગમૂલ્ય પડકાર છે. પોર્નોગ્રાફી accessક્સેસ કરવા માટે ઉપયોગમાં લેવામાં આવતી તકનીકીઓનો એરે સમય જતાં બદલાયો છે, જેના કારણે પોર્નોગ્રાફીના ઉપયોગના સમાન મેટ્રિકને સતત માપવાનું લગભગ અશક્ય બન્યું છે. હાઈ સ્પીડ ઇન્ટરનેટ, જે છેલ્લા પંદર વર્ષથી ધીમે ધીમે બજારોમાં ઘૂસી ગયું છે, અભૂતપૂર્વ પરવડે તેવું, અનામીકરણ અને અશ્લીલ વપરાશમાં પ્રવેશની સરળતા (કૂપર, એક્સએનએમએક્સ) ને સક્ષમ કરે છે, જે અશ્લીલતાના ઉપયોગમાં સ્પષ્ટ વધારો (રાઈટ, એક્સએનએમએક્સ) માં ફાળો આપે છે. હર્ટેલિન અને સ્ટીવનસન (એક્સએનએમએક્સ) એ પણ ઉદ્યોગના વિકાસમાં ફાળો આપવા માટેના બ્રોડબેન્ડ ઇન્ટરનેટ પોર્નોગ્રાફી માટે વિશેષ અન્ય સુવિધાઓ નોંધે છે: ભૌતિક વિશ્વની નજીકનો, સ્વીકાર્યતા, અસ્પષ્ટતા, અને કોઈના "વાસ્તવિક" અને "જોઈએ" સ્વ વચ્ચેના આવાસ.

પોર્નોગ્રાફીના ઉપયોગના માપન માટેના છેલ્લા અભિગમો મોજણી ડેટા પર ખૂબ આધાર રાખે છે (જુઓ બુઝેલ, એક્સએનએમએક્સ). Pornનલાઇન પોર્નોગ્રાફીનો ઇલેક્ટ્રોનિક સ્વભાવ, તેમછતાં, સબ્સ્ક્રિપ્શન અથવા searchનલાઇન શોધ ડેટામાંથી એકત્રિત થયેલ પોર્નોગ્રાફીના ઉપયોગની વિશ્વસનીય પ્રોક્સીઓ મેળવવા માટે, ઘણી વૈકલ્પિક પદ્ધતિઓ વધુને વધુ શક્ય બનાવે છે. સબ્સ્ક્રિપ્શન અથવા શોધ ડેટાના આધારે ઉદ્દેશ્ય પગલાનો ઉપયોગ કરવાની ક્ષમતા ફાયદાકારક છે કારણ કે મોજણી આધારિત ડેટા સામાન્ય રીતે સામાજિક ઇચ્છનીયતા પૂર્વગ્રહથી પીડાય છે: ઉત્તરદાતાઓ સામાજિક ધોરણો (ફિશર, એક્સએનએમએક્સ) નું ઉલ્લંઘન કરતી પ્રવૃત્તિઓને અન્ડરપોર્ટ કરી શકે છે. વધુમાં, સબ્સ્ક્રિપ્શન ડેટા પોર્નોગ્રાફી શું બનાવે છે તે વિશેના વ્યક્તિના અભિપ્રાય પર આધારિત નથી; અશ્લીલતાના ઉપયોગ વિશેના વ્યક્તિલક્ષી સર્વેક્ષણના પ્રશ્નોની કુદરતી મર્યાદા.

Pornનલાઇન પોર્નોગ્રાફીના ઉપયોગ વિશેના નવીનતમ સ્ત્રોતોનો ઉપયોગ તાજેતરના બે અધ્યયનોએ કર્યો છે. એડેલમેન (2009) એક અગ્રણી ચુકવણી કરેલી અશ્લીલ સામગ્રીના ટોચના દસ પ્રદાતાના સબ્સ્ક્રિપ્શન ડેટાનો ઉપયોગ કરે છે જેનું રેન્કિંગ બનાવવા માટે રાજ્યો સૌથી pornનલાઇન પોર્નોગ્રાફીનો ઉપયોગ કરે છે અને આને સામાજિક અથવા ધાર્મિક વલણના કેટલાક રાજ્ય-સ્તરના પગલાઓ સાથે જોડે છે. મIકનિનિસ અને હોડસન (એક્સએનયુએમએક્સ) અશ્લીલતાના ઉપયોગ માટેના પ્રોક્સી તરીકે ગૂગલ ટ્રેન્ડ્સ સર્ચ ટર્મ ડેટાનો ઉપયોગ કરે છે અને રાજ્ય-કક્ષાની અશ્લીલતાના ઉપયોગ અને ધાર્મિકતા અને રૂ conિચુસ્તતાના પગલાં વચ્ચેના સંબંધની તપાસ કરે છે. તેમને લાગે છે કે વધુ જમણે વૃત્તિવાળા વૈચારિક વલણવાળા રાજ્યોમાં અશ્લીલતા સંબંધિત ગૂગલ શોધનો દરો વધારે છે.

આ કાગળ રાજ્યોના ક્રમ ક્રમ અને રાજ્ય કક્ષાના અશ્લીલતાના ઉપયોગ અને વિવિધ રાજ્ય-સ્તરના સામાજિક પગલાં વચ્ચેના સંબંધ વિશેના ભૂતકાળના અભ્યાસોમાં કરવામાં આવેલા કેટલાક દાવાઓની આકારણી કરે છે. અમે એક માળખું પણ આપીએ છીએ જેનો ઉપયોગ ભાવિ સંશોધકો પોર્નોગ્રાફીના ઉપયોગ વિશે ભાવિ રાજ્ય-સ્તર અથવા કાઉન્ટી-સ્તરના ડેટાસેટ્સની પ્રતિનિધિત્વની આકારણી માટે કરી શકે છે. એડેલમેન (એક્સએનએમએક્સ) ચુકવણી કરેલ અશ્લીલ સામગ્રીના એક પણ પ્રદાતાના સબ્સ્ક્રિપ્શન ડેટાને inક્સેસ કરવા માટે એક અગ્રેસર હતું અને ખાનગી કંપનીઓના વ્યક્તિગત ગ્રાહક ડેટાનો આ ઉપયોગ સખત-થી-માપણી વર્તણૂક પર ડેટા એકત્રિત કરવા માટે એક ઉપયોગી સાધન બનશે. આ પ્રકારના સમૃદ્ધ ડેટાના ભાવિ ઉપયોગ માટેની ચાવી એ એક ફર્મના ડેટાને રાષ્ટ્રીય પ્રતિનિધિ નમૂના તરીકે સમાન આંતરદૃષ્ટિ પ્રદાન કરી શકે છે તે ડિગ્રીને ઓળખશે.

આ કાગળમાં, અમે આ બે તાજેતરના અધ્યયનોમાં ઉપયોગમાં લેવાતા ડેટા પર વિસ્તૃત છીએ અને તેને બે વધારાના ડેટા સ્રોતો સાથે જોડીએ છીએ. આપણે આ કાગળમાં ઉપયોગમાં લીધેલા ચાર ડેટા સ્રોતોમાંથી દરેકને અશ્લીલતાના ઉપયોગના સ્તરનું માપ મળે છે, તેથી અમે અન્ય સ્રોતો માટે મેળવેલા રાજ્ય-સ્તરની રેન્કિંગની તુલના કરીને દરેક સ્રોતની માન્યતાનો અંદાજ લગાવીએ છીએ.

ડેટા

અમારું પેપર ચાર ડેટા સ્રોતો પર દોરે છે જેમાં પોર્નોગ્રાફીના ઉપયોગમાં રાજ્ય-સ્તરના વિવિધતા પરની માહિતી શામેલ છે. પ્રથમ બે ડેટા સ્ત્રોતો રાષ્ટ્રીય સ્તરે પ્રતિનિધિ નમૂનાઓ છે જ્યારે છેલ્લા બે ચૂકવેલ સબ્સ્ક્રિપ્શન્સ અથવા અશ્લીલ સામગ્રીના વિશિષ્ટ પ્રદાતા સાથે જોડાયેલા પૃષ્ઠ દૃશ્યો પર આધારિત છે. દરેક ડેટા સ્રોતમાં અમારું અશ્લીલતાનાં વપરાશનાં સંજોગો આકસ્મિક રીતે પોર્નોગ્રાફી જોવાને બદલે અશ્લીલ સામગ્રી શોધનારા સંજોગો પર આધારિત છે.

અમારું પ્રથમ ડેટાસેટ ન્યૂ ફેમિલી સ્ટ્રક્ચર્સ સર્વે (એનએફએસએસ) માં 2,988 ઉત્તરદાતાઓના રાષ્ટ્રીય પ્રતિનિધિ નમૂના પર આધારિત છે. ડેટા કલેક્શન, નોલેજ નેટવર્ક (કેએન) દ્વારા હાથ ધરવામાં આવ્યું હતું, જે એક સંશોધન પે firmી છે, જેમાં ઉચ્ચ ગુણવત્તાવાળા ડેટા ઉત્પન્ન કરવાનો રેકોર્ડ છે. જ્ledgeાન નેટવર્ક્સ, તેના પેનલના સભ્યોને ટેલિફોન અને મેઇલ સર્વે દ્વારા અવ્યવસ્થિત રીતે ભરતી કરે છે, જો જરૂરી હોય તો, ઘરોને ઇન્ટરનેટ accessક્સેસ આપવામાં આવે છે. આ પેનલમાં ફાયદા છે કે તે વર્તમાન ઇન્ટરનેટ વપરાશકર્તાઓ અથવા કમ્પ્યુટર માલિકો સુધી મર્યાદિત નથી, અને સ્વ-પસંદ કરેલ સ્વયંસેવકોને સ્વીકારતો નથી.

એનએફએસએસમાં એક પ્રશ્નનો સમાવેશ છે કે શું જવાબદાતાએ અગાઉના વર્ષમાં ઇરાદાપૂર્વક પોર્નોગ્રાફી જોયેલી હતી. આ પ્રકારના પ્રશ્નમાં પોર્નોગ્રાફીનો ઉપયોગ કેપ્ચર કરવાનો ફાયદો છે જેનો ઉપયોગ કરવા માટે વ્યક્તિ ગમે તે સ્રોતનો ઉપયોગ કરે છે. ત્યાં અન્ય રાષ્ટ્રીય પ્રતિનિધિ નમૂનાઓ છે જેમ કે જનરલ સોશ્યલ સર્વે, જેમાં અશ્લીલતાના પ્રશ્નો શામેલ છે. અમે એનએફએસએસના ડેટાનો ઉપયોગ કરીએ છીએ કારણ કે તે અન્ય વિદ્વાનો દ્વારા સરળતાથી canક્સેસ કરી શકાય છે અને તેના જાહેરમાં ઉપલબ્ધ સ્વરૂપમાં રાજ્ય ઓળખકર્તાઓનો સમાવેશ કરે છે. તેનાથી વિપરિત, રાજ્ય ઓળખકર્તાઓ ફક્ત સામાન્ય સામાજિક સર્વેના ગુપ્ત સંસ્કરણમાં જ મેળવી શકાય છે. આ કાગળના વિશ્લેષણ માટે, અમે એનએફએસએસ સર્વેક્ષણના છતાલીસ રાજ્યોના સેટનો ઉપયોગ કરીએ છીએ, જેના માટે ઓછામાં ઓછા 50 ઉત્તરદાતાઓ હતા.

બીજો ડેટા સ્રોત, ગૂગલ ટ્રેન્ડ્સ, વિશિષ્ટ ભૌગોલિક ક્ષેત્રમાં ગૂગલમાં દાખલ કરેલી શોધનાં વોલ્યુમની સમય શ્રેણી અનુક્રમણિકા તરીકે કાર્ય કરે છે. આ ડેટા આર્થિક અને તબીબી પ્રયત્નોમાં ઉપયોગી સાબિત થયો છે જેમ કે ઈન્ફલ્યુએન્ઝા ફાટી નીકળવાની આગાહી (કાર્નેરો અને માયલોનાકિસ, 2009) અને ગ્રાહક વિશ્વાસ અથવા બેરોજગારી જેવા ટૂંકા ગાળાના આર્થિક સૂચકાંકોની આગાહી (ચોઇ અને વેરીઅન, 2012). પ્રીસ, મોઆટ અને સ્ટેનલી (2013) ગૂગલ ટ્રેન્ડ્સનો ઉપયોગ કરીને ટ્રેડિંગ વર્તનનું પ્રમાણ નક્કી કરે છે, તે દર્શાવે છે કે અમુક શરતો સ્ટોક મૂલ્યમાં વધારો અથવા ઘટાડો સાથે જોડાયેલી છે. પુખ્ત મનોરંજન ઉદ્યોગની તે જ રીતે ગૂગલ ટ્રેન્ડ્સ શોધ ડેટાનો ઉપયોગ કરીને તેના ઉદ્યોગની મહત્વપૂર્ણ સુવિધાઓ માત્રાત્મક રૂપે માપી શકાય છે તેની તપાસ કરી શકાય છે.

ગૂગલ ટ્રેન્ડ્સ ડેટાનો ઉપયોગ કરવાનો સૌથી મહત્વપૂર્ણ પડકાર એ ચોક્કસ શરતોની પસંદગી છે કે જેના પર આપણે ડેટા દોરીએ છીએ. અમારા વિશ્લેષણને ઉપયોગી થાય તે માટે પસંદ કરેલી શરતો અશ્લીલતાના ઉપયોગના વાસ્તવિક સૂચક હોવા આવશ્યક છે. હો અને વોટર્સ (એક્સએનએમએક્સ) એ અશ્લીલ વેબસાઇટ્સમાં માળખાકીય વલણોનું વિશ્લેષણ કર્યું. તેમના વિશ્લેષણના ભાગ રૂપે તેઓ શરતોની સૂચિ બનાવે છે જે અશ્લીલ વેબસાઇટ્સ પર વારંવાર દેખાય છે અને જે અશ્લીલ વેબસાઇટ્સ પર વારંવાર દેખાવામાં નિષ્ફળ જાય છે. ટોચની ચાર શરતો "પોર્ન", "એક્સએક્સએક્સએક્સએક્સએક્સ", "સેક્સ" અને "એફ ***" હતી. શોધ આંકડાઓનો ઉપયોગ કરીને આપણે શોધી કા .ીએ છીએ કે આ ચાર શબ્દો માટેની શોધ ખૂબ સબંધિત છે. તેનાથી વિપરિત, “અશ્લીલતા” શબ્દની શોધ આ ચાર શરતોમાંની કોઈપણ સાથે અસંબંધિત છે અને તે એક એવો શબ્દ છે જેનો ઉપયોગ વાસ્તવિક અશ્લીલ સામગ્રીને thanક્સેસ કરવાને બદલે પોર્નોગ્રાફી વિશે માહિતી માંગનારા લોકો દ્વારા કરવામાં આવશે.

"સખત" અને "નરમ" અશ્લીલતા વચ્ચેનો તફાવત પણ છે, જેમાં "નરમ" સામાન્ય રીતે તે માધ્યમોનો ઉલ્લેખ કરે છે જે પ્રકૃતિમાં જાતીય છે, પરંતુ પ્રવેશને દર્શાવતું નથી. અગાઉ સૂચિબદ્ધ ચાર શરતો ફક્ત સખત સામગ્રી શોધનારા વપરાશકર્તાઓ પર ડેટા દોરશે, પરંતુ અમે હજી પણ આને બે કારણોસર અસરકારક વિશ્લેષણ માનીએ છીએ. સોફ્ટ પોર્નને ઘણા દર્શકો દ્વારા પોર્નોગ્રાફી માનવામાં આવતું નથી, અને પરિણામે તે ટેલિવિઝન અને મૂવીઝ સહિતના મુખ્ય પ્રવાહના માધ્યમોમાં પણ વ્યાપક છે. બીજું, આપણે શોધી કા .ીએ છીએ કે સખત અશ્લીલતાની શરતો માટેની શોધની તુલનામાં નરમ અશ્લીલતા માટેની શરતો માટે સંબંધિત શોધ ખૂબ ઓછી છે. અમે 2005-2013 ઉપર "પોર્ન" અને "નગ્ન છોકરીઓ" શોધ શબ્દો માટે સંબંધિત શોધ મૂલ્ય કર્યું. બંને શબ્દો માટેની શોધને સામાન્ય બનાવવામાં આવી હતી કે મહત્તમ શોધ વોલ્યુમ, 100 મૂલ્ય પર લેવામાં આવ્યું હતું, જે “પોર્ન” શબ્દ માટે છે. સામાન્યકૃત મહત્તમની તુલનામાં, “નગ્ન છોકરીઓ” માં ક્યારેય 6 કરતા વધુનું વોલ્યુમ ઇન્ડેક્સ હોતું નથી.

ગૂગલ ટ્રેન્ડ્સનો ડેટા ભૌગોલિક ક્ષેત્રમાં કોઈ ચોક્કસ શબ્દ માટેની શોધની વાસ્તવિક સંખ્યા સૂચવતા નથી. દરેક ડેટા પોઇન્ટને તે ક્ષેત્રમાંની તમામ શોધની કુલ સંખ્યા દ્વારા શબ્દ માટેની શોધની સંખ્યાને વિભાજિત કરીને સામાન્ય કરવામાં આવે છે. તેથી ડેટા બંને વસ્તી અને રાજ્યોમાં શોધ વોલ્યુમમાં તફાવત માટે નિયંત્રિત છે. ગુગલ વલણો, એકલ વ્યક્તિને પરિણામો ટાળવાથી રોકવા માટે ટૂંકા ગાળામાં એક જ વ્યક્તિ દ્વારા વારંવાર થતી શોધોને પણ દૂર કરે છે.

ગૂગલ વલણોમાંથી રાજ્ય-અઠવાડિયાના સ્તરે ડેટા ઉપલબ્ધ છે. અમે જુલાઇ 2013- જુલાઈ 2014 વર્ષ દરમિયાન ડેટાનો ઉપયોગ કરીએ છીએ. અમારા અવલોકનોને 1-100 સ્કેલ પર સમાયોજિત કરવામાં આવે છે. અમારા ડેટાસેટમાં એક અઠવાડિયાના સમયગાળા દરમિયાન કોઈ ચોક્કસ શબ્દની સૌથી વધુ સામાન્ય શોધવાળી રાજ્યમાં એક્સએન્યુએમએક્સનું વાંચન હોય છે. દરેક શબ્દ પર આ ડેટાનો ઉપયોગ કરીને અમે ચાર શબ્દોનો ઉપયોગ કરીને અમારા ડેટાના દરેક રાજ્ય-અઠવાડિયા માટે અશ્લીલ શોધની અનુક્રમણિકા બનાવીએ છીએ. અમે "પોર્ન" અને "સેક્સ" નું વજન વધુ ભારે કરીએ છીએ કારણ કે તેમની સંબંધિત શોધ "એફ ***" અને "એક્સએક્સએક્સએક્સ" ની તુલનામાં ઘણી વધારે છે. ખાસ કરીને, અમે પાછલા વર્ષમાં દરેક શબ્દના સરેરાશ સંબંધિત વજનનો ઉપયોગ કરીએ છીએ. ત્યારબાદ અમે પુખ્ત મનોરંજન ઉદ્યોગને ભૌગોલિક રીતે મોડેલ કરવા માટે Google વલણો દ્વારા રાજ્યોની આ વજનવાળી શોધ વોલ્યુમ રેન્કિંગનો ઉપયોગ કરીએ છીએ.

વેબસાઇટ-વિશિષ્ટ સબ્સ્ક્રિપ્શન ડેટાની વિરુદ્ધ ગૂગલ ટ્રેન્ડ્સના ડેટાનો ઉપયોગ કરવાનો એક ફાયદો એ છે કે તેમાં વ્યક્તિઓ મફત અને ચૂકવણી કરેલ પુખ્ત મનોરંજનની શોધ કરતી વ્યક્તિઓ વિશેની માહિતી શામેલ છે. ડોરન (એક્સએન્યુએમએક્સ) નોંધે છે કે અશ્લીલ વેબસાઇટ્સ પરના આશરે 2008-80% મુલાકાતીઓ ફક્ત મફત અશ્લીલ સામગ્રીને accessક્સેસ કરે છે, સૂચવે છે કે પેઇડ પુખ્ત મનોરંજનના વિશ્લેષણ સામાન્ય રીતે અશ્લીલ વપરાશના વાસ્તવિક દાખલાઓને અસ્પષ્ટ કરી શકે છે.

અમારું ત્રીજો ડેટા સ્ત્રોત એડલમેન (એક્સએનયુએમએક્સ) દ્વારા તાજેતરના અધ્યયનમાં વપરાયેલ પેઇડ અશ્લીલ સામગ્રીના ટોપ-ટેન સૌથી મોટા પ્રદાતાઓમાંના એકના સબ્સ્ક્રિપ્શન્સની સંખ્યા રેકોર્ડ કરે છે. આ ડેટાસેટનું એડેલમેનનું વિશ્લેષણ એ સાહિત્યમાં નવીન યોગદાન હતું; પોર્નોગ્રાફીના ઉપયોગના અગાઉના અધ્યયનોમાં માત્ર સર્વેક્ષણ ડેટાની તપાસ કરાઈ હતી. વપરાયેલ વિશિષ્ટ ડેટા એ 2009 અને 2006 વચ્ચેના બધા ક્રેડિટ કાર્ડ સબ્સ્ક્રિપ્શન્સ સાથે સંકળાયેલ પિન કોડ હતો. આ ચોક્કસ સામગ્રી પ્રદાતા પાસે પુખ્ત મનોરંજનની વિશાળ શ્રેણીને આવરી લેતી સેંકડો સાઇટ્સ છે. એડેલમેન (એક્સએનએમએક્સ) સ્વીકારે છે, તેમ છતાં, “આ વેચનાર પ્રતિનિધિ છે કે સખત રીતે પુષ્ટિ કરવી મુશ્કેલ છે.”

તેમ છતાં, આ સબ્સ્ક્રિપ્શન ડેટાનો સ્રોત પુખ્ત મનોરંજનના ટોચના-એક્સએન્યુએમએક્સ વેચનાર છે, તેમ છતાં, એનએફએસએસ જેવા સર્વેક્ષણ ડેટામાં આપણે અવલોકન કરીએ છીએ તે પોર્નોગ્રાફીના દાખલાની તુલનામાં સબ્સ્ક્રિપ્શન્સ ખૂબ ઓછી છે, જ્યાં 10% પુખ્ત વયે છેલ્લા વર્ષમાં અશ્લીલતાનો ઉપયોગ કરે છે . બ્રોડબેન્ડ ઘરગથ્થુ દીઠ સૌથી વધુ સબ્સ્ક્રિપ્શન્સ ધરાવતું રાજ્ય બ્રોડબેન્ડવાળા દરેક 47 ઘરો માટે 5.47 સાથે ઉતાહ છે. બ્રોડબેન્ડવાળા દરેક 1,000 ઘરો માટેના 1.92 સબ્સ્ક્રિપ્શન્સ સાથે સૌથી નીચું રાજ્ય મોન્ટાના છે. આ નીચા દર સૂચવે છે કે પોર્નોગ્રાફીના વ્યક્તિગત સામગ્રી પ્રદાતાઓ માટેનું બજાર હિસ્સો ઓછું છે, જે જાણવું મુશ્કેલ બનાવે છે કે કોઈ એક પ્રદાતાનો ડેટા કોઈ ક્રોસ-સ્ટેટ સરખામણી પૂરી પાડી શકે છે કે કેમ. પહેલાં સૂચવ્યા મુજબ, pornનલાઇન પોર્નોગ્રાફી accessક્સેસ કરનારા ઘણા લોકો એડેલમેન (ડોરન, એક્સએનએમએક્સ) દ્વારા અભ્યાસ કરેલી પેઇડ સાઇટનો ઉપયોગ કરવાને બદલે ફક્ત મફત સામગ્રીનો ઉપયોગ કરે છે.

અમારો ચોથો ડેટા સ્રોત એ પોર્નહબ ડોટ કોમનો પૃષ્ઠ દૃશ્ય ડેટા છે, જે તે સમયે યુનાઇટેડ સ્ટેટ્સમાં પુખ્ત મનોરંજનનો ત્રીજો સૌથી મોટો hostનલાઇન હોસ્ટ હતો. અમે તેના કદની સાથે સાથે ડેટાની ઉપલબ્ધતાને કારણે પોર્નહબ ડેટાનો ઉપયોગ કરીએ છીએ. પોર્નહબએ વર્ષ 2013 દરમિયાન સાર્વજનિક રૂપે ઉપલબ્ધ પૃષ્ઠ દરમિયાન માથાદીઠ દૃશ્યો કર્યા અને રાજ્ય દ્વારા અલગથી આ ડેટાની જાણ કરી. પોર્નહબ ડેટા એડેલમેનના ડેટાની સમાન પ્રકૃતિમાં છે કારણ કે તે પોર્નોગ્રાફીના ઉપયોગના પ્રદાતા-બાજુ ઉદ્દેશ પગલા છે. જો કે, ડેટા સબ્સ્ક્રાઇબર્સને બદલે પૃષ્ઠ દૃશ્યોને રેકોર્ડ કરે છે; સાહજિક રીતે, ડેટા ભારે-પ્રતિ વ્યક્તિ વપરાશના દાખલાઓ તેમજ વસ્તીમાં ફેલાવાના દાખલાઓને જાહેર કરશે. ચૂકવેલા અને અવેતન બંને ઉપયોગને સમાવવાનો સંબંધિત લાભ ડેટામાં પણ છે.

નવા ડેટા સ્રોતોની રજૂઆતની આકારણી

મોટી માહિતી ક્રાંતિ એ ડેટા સ્રોતોના પ્રકારોને નાટકીય રીતે ખોલવાનું શરૂ કરી છે જેનો ઉપયોગ પોર્નોગ્રાફીના ઉપયોગ જેવા વર્તનને માપવા અને તેનો અભ્યાસ કરવા માટે થઈ શકે છે. એડેલમેન (2009) દ્વારા વપરાયેલ સબ્સ્ક્રિપ્શન ડેટા, મોટા ડેટાસેટ્સના પ્રકારનું પ્રતિનિધિત્વ કરે છે જે તેમના સંશોધનમાં વિદ્વાનો માટે વધુને વધુ ઉપલબ્ધ બનશે. આ પ્રકારનાં માલિકીનો ડેટાનો ઉપયોગ કરવા માટેનું એક મહત્વપૂર્ણ પગલું એ એકલા પ્રદાતાના ડેટાની ડિગ્રીનું મૂલ્યાંકન કરશે કે જેમાં સામાન્ય રસની વસ્તીનું પ્રતિનિધિત્વ કરવામાં આવે છે. આ વિભાગમાં, અમે ડેટાસેટના પ્રતિનિધિત્વની આકારણીનું એક માળખું પ્રદાન કરીએ છીએ જે રાષ્ટ્રીય સ્તરે પ્રતિનિધિ તરીકે ઓળખાય છે તેવા બીજા ડેટામાંથી જોવાયેલ દાખલાની તુલના કરીને અથવા તેની સાથે અન્ય ડેટા સ્રોતોના જોડાણની તુલના કરીને કે જે સામૂહિક રીતે સાચું પ્રતિનિધિત્વ કરે તેવી સંભાવના છે. વર્તનની અંતર્ગત પેટર્ન.

કોષ્ટક 1 માં અમે પોર્નોગ્રાફીના ઉપયોગ માટે ટોચના દસ અને નીચેના દસ રાજ્યોની સૂચિ દરેક ચાર સ્રોતો પર આધારિત છે: સબ્સ્ક્રિપ્શન ડેટા, પોર્નહબ, એનએફએસએસ અને ગૂગલ પ્રવાહો. મિસિસિપી એ એક એવું રાજ્ય છે જે તમામ ચાર ડેટાસેટ્સમાં અશ્લીલતાના ઉપયોગમાં ટોચના ચાર રાજ્યોમાં આવે છે અને ઇડાહો મોટાભાગના પગલામાં કોઈપણ રાજ્યોના નીચા દરની નજીક રહે છે. તેનાથી વિપરિત, અરકાનસાસ અને ઉતાહ જેવા અન્ય રાજ્યો કેટલાક પગલાં સાથે ટોપ ટેનમાં પરંતુ બીજા પગલાં સાથે નીચેના દસમાં. આ પરિણામો સૂચવે છે કે એક રાજ્ય સ્રોત પર આધારિત અશ્લીલતાના ઉપયોગના સૌથી વધુ દરો કયા રાજ્યમાં લાગે છે તે ઓળખવામાં થોડી સમસ્યારૂપ થઈ શકે છે.

કોષ્ટક 1. નિયંત્રિત ચાર જુદા જુદા ડેટા સ્રોતોના આધારે રાજ્યોનો ક્રમ ક્રમ
બ્રોડબેન્ડ ઇન્ટરનેટ એક્સેસ માટે.

કોષ્ટક 2 પેનલ એ માં અમે આ પગલાંથી કોષ્ટક 1 માં અહેવાલ થયેલ ઓર્ડિનલ રેન્કિંગને બદલે દરેક સ્રોતમાંથી અશ્લીલતાના ઉપયોગના વાસ્તવિક પગલાઓનો ઉપયોગ કરીને દરેક ડેટા સ્રોત વચ્ચેના સહસંબંધનો અંદાજ લગાવીએ છીએ. ચૂકવેલ સબ્સ્ક્રિપ્શન ડેટા, અત્યાર સુધીમાં, અન્ય ત્રણ સ્રોતો સાથેનો સૌથી નબળો સંબંધ છે અને તે એનએફએસએસ સર્વેક્ષણ ડેટા સાથે નકારાત્મક રીતે પણ સબંધિત છે. ચૂકવેલ સબ્સ્ક્રિપ્શન ડેટામાં NFSS સાથે -0.0358, ગૂગલ ટ્રેન્ડ્સ સાથે 0.076 અને પોર્નહબ સાથે 0.0066 નો સંબંધ છે. આમાંના કોઈપણ સંબંધો આંકડાકીય રીતે મહત્વપૂર્ણ નથી; અનુરૂપ ટી-આંકડા બધા 0.6 કરતા ઓછા છે (જે .3 કરતા વધારે દિશાવાળા પી-મૂલ્યોને અનુરૂપ છે). તેનાથી વિપરિત, અન્ય ત્રણ રેન્કિંગમાં પ્રમાણમાં નોંધપાત્ર સહસંબંધ બતાવે છે. ગૂગલ ટ્રેન્ડ્સ અને પોર્નહબનો .487, NFSS અને ગૂગલ ટ્રેન્ડ્સનો .655 નો સંબંધ છે અને પોર્નહબ અને એનએફએસએસનો .551 નો સંબંધ છે. એક્સએનયુએમએક્સના ગૂગલ ટ્રેન્ડ્સ અને પોર્નહબ વચ્ચે, એનએફએસએસ અને એક્સએન્યુએમએક્સના ગુગલ ટ્રેન્ડ્સ વચ્ચે, અને એક્સએનયુએમએક્સના પોર્નહબ અને એનએફએસએસ વચ્ચેના આ બધા સંબંધો આંકડાકીય રીતે મહત્વપૂર્ણ છે. આ બધા .3.78 કરતા ઓછાના દિગ્દર્શક પી-મૂલ્યોને અનુરૂપ છે.

પેનલ બીમાં આપણે દરેક ડેટા સ્રોતમાંથી બનાવેલ ઓર્ડિનલ રેન્કિંગનો ઉપયોગ કરીને સહસંબંધની જાણ કરીએ છીએ. એનએફએસએસ, ગૂગલ વલણો અને પોર્નહબ વચ્ચેના સંબંધો તુલનાત્મક સહસંબંધ ગુણાંક અને મહત્વના પેનલ એમાં હોય છે, તેવી જ રીતે ગૂગલ વલણો અને ચૂકવણી કરેલા સબ્સ્ક્રિપ્શન વચ્ચેનો સંબંધ પણ સમાન છે. પેનલ નોંધનીય છે કારણ કે જ્યારે ઓર્ડિનલ રેન્કિંગ્સ ચૂકવણી કરેલા સબ્સ્ક્રિપ્શન ડેટાનો ઉપયોગ પોર્નહબ અને એનએફએસએસ સર્વેક્ષણ ડેટા સાથે વધુ સારી રીતે કરે છે, તેમછતાં આ સંબંધ હજી પણ નજીવી છે. બંને પેનલ્સ અમને સમાન તારણો દોરવા દે છે, જો કે પેઇડ સબ્સ્ક્રિપ્શન ડેટા માટેના મોટા સહગુણાંકો એ નોંધવું યોગ્ય છે કે તે એકબીજા સાથેના અન્ય સ્રોતોના સંબંધો કરતાં નજીવા અને નોંધપાત્ર રીતે નબળા છે. અમારું માનવું છે કે અશ્લીલ રેન્કિંગને બદલે પોર્નોગ્રાફીના ઉપયોગના વાસ્તવિક પગલાઓનો સહસંબંધ ઉદ્યોગને શ્રેષ્ઠ રીતે રજૂ કરે છે કારણ કે તે ફક્ત રાજ્યોના વિશિષ્ટ ક્રમને બદલે પોર્નોગ્રાફીના ઉપયોગમાં વાસ્તવિક તફાવત માટે જવાબદાર છે.

કોષ્ટક 2. ચાર ડેટા સ્ત્રોતો વચ્ચે સહસંબંધ.

ત્રણ ચુકવણી વગરના સબ્સ્ક્રિપ્શન ડેટા સ્રોતો વચ્ચેનો નોંધપાત્ર સહસંબંધ, તેઓ ભિન્ન ભિન્નતા (માપ વોલ્યુમ, પૃષ્ઠ મંતવ્યો અને પોર્નોગ્રાફી દર્શકોનું પ્રમાણ) માપવા છતાં સૂચવે છે કે તેઓ પોર્નોગ્રાફીના ઉપયોગમાં વિવિધતાના વાસ્તવિક મૂળભૂત પેટર્નને રાજ્યોમાં માપી રહ્યા છે; એક જે એડેલમેન (2009) દ્વારા વપરાયેલ સબ્સ્ક્રિપ્શન ડેટા સાથે સહસંબંધ નથી.

ઉપયોગમાં લેવાતા ડેટા સ્રોતની અનુમાનની સંવેદનશીલતા

જુદા જુદા ડેટા સ્રોતોમાં રાજ્યના અશ્લીલતાના દરમાં રહેલા તફાવત માટેના હિસાબના મહત્વને સમજાવવા માટે, અમે તાજેતરના એક અભ્યાસના પરિણામોની નકલ કરીએ છીએ જેમાં જાણવા મળ્યું છે કે વધુ ધાર્મિક અને વધુ રૂ conિચુસ્ત રાજ્યો ગુગલ પર જાતીય સામગ્રીની શોધ કરે તેવી સંભાવના છે (મ Macકનિનિસ અને હોડસન, 2014). અમે તપાસ કરીએ છીએ કે પેપરના નિષ્કર્ષો, આ પેપરમાં વર્ણવેલ અન્ય ડેટા સ્રોતોનો ઉપયોગ કરીને અશ્લીલતાના ઉપયોગના અન્ય પગલાઓને લાગુ પડે છે કે કેમ. આ પ્રતિકૃતિના પરિણામો કોષ્ટક in માં આપવામાં આવ્યા છે. અમે અશ્લીલતાના ઉપયોગ, ધાર્મિકતા અને રૂservિચુસ્તતાના પગલાઓને પ્રમાણિત કર્યું છે અને વિવિધ અશ્લીલતાના ઉપયોગના પગલાંની તુલના માટે મંજૂરી આપવા માટે માનક વિચલન દ્વારા વિભાજન કરીને (આ અભિગમ રૂપાંતર કરવા માટે સમકક્ષ છે) ઝેડ-સ્કોરના દરેક ઉપાય).

કોષ્ટક 3. રાજ્ય-સ્તરની ધાર્મિકતા અથવા કન્ઝર્વેટિઝમ અને દરેક મેટ્રિક વચ્ચેના સંબંધો
અશ્લીલતાનો ઉપયોગ.

મૂળ અધ્યયનમાં, મIકનિનિસ અને હodડસન (એક્સએનએમએક્સ) એ સેક્સ, પોર્ન અને XXX જેવા ચોક્કસ શોધ શબ્દો માટે અલગથી ગૂગલ ટ્રેન્ડ્સના ડેટા પર આધારિત પરિણામો આપ્યા, જેની શરતો આપણે આપણા ગૂગલ ટ્રેન્ડ્સ માપીએ છીએ. કોષ્ટક 2014 ની પ્રથમ પંક્તિના પરિણામો બતાવે છે કે જ્યારે આપણે ગૂગલ ટ્રેન્ડ્સ ડેટાનો ઉપયોગ કરીએ છીએ ત્યારે મોટાભાગના કિસ્સાઓમાં આપણે ધાર્મિકતા અને રૂservિચુસ્તતા વચ્ચે આંકડાકીય રીતે નોંધપાત્ર સંબંધ પણ શોધીએ છીએ. જો કે, કોષ્ટક 3 ની અન્ય પંક્તિઓ દર્શાવે છે કે જ્યારે અન્ય ત્રણ ડેટા સ્રોતોમાંથી કોઈનો ઉપયોગ કરવામાં આવે ત્યારે અમને ખૂબ નબળા આંકડાકીય સંબંધ મળે છે. આ પરિણામો સૂચવે છે કે જો મIકનિનિસ અને હોડસન (એક્સએનયુએમએક્સ) એ અન્ય ત્રણ ડેટા સ્રોતોમાંથી કોઈનો ઉપયોગ કર્યો હોત, તો તેઓ જે સંબંધની તપાસ કરી રહ્યા હતા તે વિશે તેઓ તેમના કાગળમાં કોઈ અલગ નિષ્કર્ષ પર આવ્યા હશે.

હકીકત એ છે કે મIકનિનીસ અને હોડસન (૨૦૧)) એ રાજ્ય-સ્તરની ધાર્મિકતા અને રાજ્ય-સ્તરની અશ્લીલતાના ઉપયોગ વચ્ચેના આંકડાકીય રીતે નોંધપાત્ર સંબંધ શોધી કા interestingે છે તે ધ્યાનમાં લેવું રસપ્રદ છે કે વ્યક્તિગત સ્તરના ડેટાનો ઉપયોગ કરીને પાછલા અભ્યાસથી જાણવા મળે છે કે જે વ્યક્તિઓ નિયમિતપણે ચર્ચમાં જાય છે, તેઓ અશ્લીલતાનો ઉપયોગ કરવાની ઘણી ઓછી સંભાવના છે ( ડોરન એન્ડ પ્રાઈસ, 2014; પેટરસન એન્ડ પ્રાઈસ, 2014; સ્ટેક, વાશેરમેન અને કેર્ન્સ, 2012). આ પ્રકારનું પેટર્ન જેમાં જૂથ-સ્તરનાં સંબંધો વ્યક્તિગત સ્તરે જોવા મળે છે તેનાથી વિરુદ્ધ હોય છે તે શિક્ષણ અને ધર્મ (ગ્લેઝર અને સાસેરડોટે, 2004) અને આવક અને રાજકીય જોડાણ વચ્ચેના સંબંધો (ગ્લેઝર અને સેસેરડોટે, 2008).

ચર્ચા

ઉપર જણાવેલા દરેક ડેટા સ્રોતોમાં pornનલાઇન પોર્નોગ્રાફી ઉદ્યોગનો એક અલગ ક્રોસ-વિભાગીય દૃષ્ટિકોણ પ્રાપ્ત થાય છે, અને દરેક રાજ્ય દ્વારા પોર્નોગ્રાફીના ઉપયોગના સામાન્ય સ્તરોમાં રસ ધરાવતા સંશોધકો માટે મહત્વપૂર્ણ નબળાઈઓ છે. એનએફએસએસ સર્વેક્ષણ ડેટા, ઉદાહરણ તરીકે, સામાજિક ઇચ્છનીયતા પૂર્વગ્રહ અને વિષયોની ખામીયુક્ત મેમરીને કારણે સંભવત porn પોર્નોગ્રાફીનો વપરાશ ઓછો કરે છે. ગૂગલ ટ્રેન્ડ્સ ડેટા કોઈપણ પોર્નોગ્રાફીના ઉપયોગને કેપ્ચર કરવામાં નિષ્ફળ જાય છે જે ગૂગલ શોધ સિવાય અન્ય માધ્યમો દ્વારા એક્સેસ કરવામાં આવે છે. પોર્નહબ અને પેઇડ સબ્સ્ક્રિપ્શન ડેટા તેમની રજૂઆતમાં મર્યાદિત હોઈ શકે છે; તેઓ ઉદ્યોગમાં માત્ર એક જ કંપનીના સંદર્ભમાં ઉપયોગને માપે છે.

જ્યારે કોઈપણ સ્રોતમાંથી ડેટા સંશોધન માટે ઉપયોગમાં લેવાય છે, ત્યારે પરિણામો તે ડેટાના સંદર્ભમાં રજૂ થવું આવશ્યક છે જે તે પરિણામો તરફ દોરી જાય છે. મુદ્દાઓ ariseભા થાય છે જ્યારે વ્યક્તિઓ અશ્લીલ રીતે આપેલા ડેટા સ્રોતનું પોર્નોગ્રાફી ઉદ્યોગની સંપૂર્ણ રજૂઆત તરીકે અર્થઘટન કરે છે. બીજી ઘણી સેટિંગ્સ છે જેમાં સમાન રીતે બિન-પ્રતિનિધિ ડેટા ભૂલથી વધુ-સામાન્ય થઈ શકે છે. સંશોધનકારો અને વ્યક્તિઓએ તેમના તારણોની બાહ્ય માન્યતા વિશે જાગૃત હોવું આવશ્યક છે જ્યારે મીડિયા અને વાચકોએ પરિણામોને વધારે પડતા બનાવતા ન આવે તે માટે સાવચેત રહેવું જોઈએ.

અમે અમારા ડેટા સ્રોતોની એક મર્યાદાને પણ ઓળખીએ છીએ જેમાં તેઓ વિવિધ historicalતિહાસિક ક્ષણોમાં અશ્લીલ ઉદ્યોગને કેપ્ચર કરે છે; ગૂગલ વલણો (2013-2014), ચૂકવણી કરેલ સબ્સ્ક્રિપ્શન (2006-2008), પોર્નહબ (2013) અને NFSS (2012). પેઇડ સબ્સ્ક્રિપ્શન ડેટા અન્ય સ્રોત કરતાં લગભગ 6-7 વર્ષ પહેલાં એકત્રિત કરવામાં આવ્યો હતો. આ સમયનો તફાવત અમારા પરિણામોનો પક્ષપાત કરી શકે છે, જો કે સમગ્ર ડેટા સ્રોતોમાં સામાન્ય વલણો એવા છે કે અમને લાગે છે કે અમારા તારણો સચોટ છે. આ પક્ષપાત થાય તે માટે 2006-2013 નાં રાજ્યોમાં અશ્લીલતાના સંબંધિત ઉપયોગમાં મોટા પાળાઓની જરૂર પડશે જેનું માનવું શક્ય નથી.

પ્રવૃત્તિના કેટલાક સ્વરૂપોને લગતા ક્રમમાં વ્યક્તિઓને ક્રમ આપવાનો પ્રયાસ કરતી વખતે, વિરોધાભાસી પરિણામો ખાતર ઘણાબધા સ્રોતો (જો ઉપલબ્ધ હોય તો) જોવું આવશ્યક છે. જો ingsર્ડરિંગ્સ સમાન હોવા જોઈએ તો તેમની ચોકસાઈ વધુ સરળતાથી ધારી શકાય છે. જો તેઓ અલગ હોવું જોઈએ, તો મુદ્દાને લગતા વધુ સમજવાની તક .ભી થાય છે. અમારા વિશેષ કિસ્સામાં, મતભેદો પેદા થવાની સંભાવના છે કારણ કે સ્રોતો વિવિધ પ્રકારના અશ્લીલ ઉપયોગને પકડે છે.

અશ્લીલતાના ઉપયોગ વિશેના ભૂતકાળના સંશોધનથી તે ડિગ્રીને સ્પર્શી ગઈ છે કે જેનાથી તે છૂટાછેડા, સુખ, કામદાર ઉત્પાદકતા અને જાતીય હિંસા જેવા રસના મહત્વપૂર્ણ ક્ષેત્રોને અસર કરી શકે છે (બર્ગન અને બોગલ, 2000; ડોરન એન્ડ પ્રાઈસ, 2014; પેટરસન એન્ડ પ્રાઈસ, 2012; યંગ) અને કેસ, 2004). જ્યારે આવા સંશોધન હાથ ધરવામાં આવે છે ત્યારે ડેટા વિશ્વસનીય અને સામાન્યીકૃત સ્રોત (અથવા સ્રોતો) માંથી હોવો જોઈએ. આ પ્રકારની અસરોના પરિણામો અને તારણોને વ્યક્તિની વય, લિંગ અને જાતીય ઓળખના પ્રકાશમાં પણ ધ્યાનમાં લેવો આવશ્યક છે - પરિબળો કે જે આ કાગળમાં માનવામાં આવતા નથી (સેવિસિકોવા અને ડેનબેક, 2014; સ્ટૂપ્સ, 2015; ટ્રેઈન એન્ડ ડેનીબેક, 2013) ; ત્રિપોડી એટ અલ. 2015). આવી સંશોધન તકોમાં રાજ્ય દ્વારા અશ્લીલતાનો ઉપયોગ વિશ્લેષણમાં ભૂમિકા ભજવી શકે છે. આ કાગળનાં પરિણામો આપતાં આવા ચલના ડેટા સ્રોતને આવા રીગ્રેસનમાં ભારે ધ્યાનમાં લેવું આવશ્યક છે અને પરિણામ ડેટા સ્રોતના સંદર્ભમાં અર્થઘટન કરવું આવશ્યક છે.

ઉપસંહાર

વિશિષ્ટ કંપનીઓ દ્વારા પૂરા પાડવામાં આવેલા ડેટામાં જાહેર સમસ્યાઓની મહત્વપૂર્ણ આંતરદૃષ્ટિ પ્રદાન કરવાની સંભાવના છે. એક મોટી પડકાર એ નિર્ધારિત કરવામાં આવે છે કે જ્યારે એક કંપનીનો ડેટા, ખૂબ મોટી કંપની પણ, પૂરી વસ્તીનું પ્રતિનિધિત્વ કરતી આંતરદૃષ્ટિ પૂરી પાડે છે. રાજ્યોમાં પોર્નોગ્રાફીના સંબંધિત દરો ધારીને 2006-2013 થી મોટા ફેરફારો થયા નથી, અમારા કાગળના પરિણામો સૂચવે છે કે અમુક કિસ્સાઓમાં કોઈ એક કંપનીની માહિતી ચોક્કસ વર્તણૂકના ભૌગોલિક દાખલાઓના ભ્રામક ચિત્ર માટે બનાવે છે. અશ્લીલતાના ઉપયોગ માટે આ ખાસ કરીને મહત્વનું હોઈ શકે છે કારણ કે pornનલાઇન પોર્નોગ્રાફી accessક્સેસ કરનારા વ્યક્તિઓની વિશાળ સંખ્યા માત્ર પેઇડ સાઇટ (ડોરન, એક્સએનએમએક્સ) નો ઉપયોગ કરવાને બદલે મફત સામગ્રીનો ઉપયોગ કરે છે.

આ કાગળનાં પરિણામો પોર્નોગ્રાફીના ઉપયોગ વિશેના ચાર જુદા જુદા ડેટા સ્રોત પર દોરે છે જેમાં બે રાષ્ટ્રીય પ્રતિનિધિ ડેટા (ગૂગલ ટ્રેન્ડ્સ અને એનએફએસએસ) નો સમાવેશ થાય છે. અમને અમારા ત્રણ ડેટા સ્રોતો વચ્ચેનો નોંધપાત્ર સંબંધ મળી રહ્યો છે જે સૂચવે છે કે તે બધા રાજ્યોમાં પોર્નોગ્રાફીના ઉપયોગમાં સમાન અંતર્ગત પેટર્નને પ્રતિબિંબિત કરે છે. તેનાથી વિપરીત પેઇડ સબ્સ્ક્રિપ્શન ડેટા, એક સ્રોત જેને માધ્યમોનું યોગ્ય ધ્યાન મળ્યું છે, તે અન્ય સ્રોતો સાથે નબળી રીતે સંબંધિત છે. અમે એ પણ બતાવીએ છીએ કે ડેટા સ્રોતોની પસંદગીઓ એવા તારણોને અસર કરી શકે છે જે અભ્યાસ કરે છે અને સૂચવે છે કે ભવિષ્યના અધ્યયનોમાં ડેટા સ્રોતોની સંવેદનશીલતા પરિક્ષણો શામેલ હોય છે જ્યારે તે મુદ્દાઓની તપાસ કરતી વખતે કે જેના માટે વિશિષ્ટ વર્તનનું આદર્શ માપદંડ મેળવવા માટે તે પડકારજનક છે.

સંદર્ભ