అశ్లీల విశ్లేషణ యొక్క పరిశోధన సమీక్ష: నాలుగు మూలాల నుండి పద్దతి మరియు ఫలితములు (యుఎన్ఎన్): ఉతాహ్ సంఖ్య అశ్లీలమైన సంఖ్యలో కాదు 2015

వ్యాసం లింక్ 

అశ్లీలత యొక్క పునర్విచారణ సమీక్ష పరిశోధన: పద్ధతులు మరియు నాలుగు మూలాల నుండి ఫలితాలు.

సైబర్‌సైకాలజీ: సైబర్‌స్పేస్ పై జర్నల్ ఆఫ్ సైకోసాజికల్ రీసెర్చ్, 9(4), వ్యాసం 1. doi: 10.5817 / CP2015-4-4

వియుక్త

కీవర్డ్లు: అశ్లీలత, ఇంటర్నెట్ వినియోగం, డేటా, ప్రతినిధి

PDF ని డౌన్‌లోడ్ చేయండి

పరిచయం

ఇటీవలి దశాబ్దాల్లో అశ్లీలత మరింత విస్తృతంగా మారిందని చాలా మంది పరిశోధకులు అంగీకరిస్తుండగా, జనాభాలో అశ్లీల వాడకం స్థాయిని ఖచ్చితంగా కొలవడం సామాజిక శాస్త్రవేత్తలకు అనుభావిక సవాలుగా మిగిలిపోయింది. అశ్లీల చిత్రాలను ప్రాప్యత చేయడానికి ఉపయోగించే సాంకేతిక పరిజ్ఞానం శ్రేణి కాలక్రమేణా మారిపోయింది, అదే మెట్రిక్ అశ్లీల వాడకాన్ని స్థిరంగా కొలవడం దాదాపు అసాధ్యం. గత పదిహేనేళ్లుగా క్రమంగా మార్కెట్లలోకి చొచ్చుకుపోయిన హై-స్పీడ్ ఇంటర్నెట్, అపూర్వమైన స్థోమత, అనామకత మరియు అశ్లీల వినియోగం (కూపర్, ఎక్స్‌ఎన్‌ఎమ్ఎక్స్) లో సౌలభ్యాన్ని సులభతరం చేస్తుంది, ఇది అశ్లీల వాడకంలో సాధారణ పెరుగుదలకు దోహదం చేస్తుంది (రైట్, ఎక్స్‌ఎన్‌ఎమ్ఎక్స్). పరిశ్రమ యొక్క వృద్ధికి దోహదపడటంలో బ్రాడ్‌బ్యాండ్ ఇంటర్నెట్ అశ్లీలతకు సంబంధించిన ఇతర లక్షణాలను కూడా హెర్టిన్ మరియు స్టీవెన్సన్ (1998) గమనించండి: భౌతిక ప్రపంచానికి దగ్గరగా అంచనా వేయడం, ఆమోదయోగ్యత, అస్పష్టత మరియు ఒకరి “నిజమైన” మరియు “తప్పక” స్వయం మధ్య వసతి.

అశ్లీల వినియోగ కొలతకు గత విధానాలు సర్వే డేటాపై ఎక్కువగా ఆధారపడ్డాయి (బజెల్, 2005 చూడండి). ఆన్‌లైన్ అశ్లీలత యొక్క ఎలక్ట్రానిక్ స్వభావం, అయితే, చందా లేదా ఆన్‌లైన్ శోధన డేటా నుండి సేకరించిన వాటితో సహా, అశ్లీల ఉపయోగం యొక్క నమ్మకమైన ప్రాక్సీలను పొందటానికి అనేక ప్రత్యామ్నాయ పద్ధతులను ఎక్కువగా సాధ్యం చేస్తుంది. సర్వే-ఆధారిత డేటా సాధారణంగా సామాజిక కోరిక పక్షపాతంతో బాధపడుతుండటంతో చందా లేదా శోధన డేటా ఆధారంగా ఒక ఆబ్జెక్టివ్ కొలతను ఉపయోగించగల సామర్థ్యం ప్రయోజనకరంగా ఉంటుంది: ప్రతివాదులు సామాజిక నిబంధనలను (ఫిషర్, 1993) ఉల్లంఘించే చర్యలను తక్కువగా నివేదించవచ్చు. అదనంగా, చందా డేటా అశ్లీలత గురించి ఒక వ్యక్తి అభిప్రాయం మీద ఆధారపడి ఉండదు; అశ్లీల వాడకం గురించి ఆత్మాశ్రయ సర్వే ప్రశ్నల యొక్క సహజ పరిమితి.

ఇటీవలి రెండు అధ్యయనాలు ఆన్‌లైన్ అశ్లీల వాడకం గురించి డేటా యొక్క వినూత్న వనరులను గుర్తించాయి. ఎడెల్మన్ (2009) చెల్లించిన అశ్లీల కంటెంట్ యొక్క టాప్-టెన్ ప్రొవైడర్ నుండి చందా డేటాను ఉపయోగిస్తుంది, వీటిలో ర్యాంకింగ్‌ను రూపొందించడానికి ఏ రాష్ట్రాలు ఎక్కువ ఆన్‌లైన్ అశ్లీలతను ఉపయోగిస్తాయి మరియు సామాజిక లేదా మతపరమైన వైఖరి యొక్క అనేక రాష్ట్ర-స్థాయి చర్యలతో పరస్పర సంబంధం కలిగి ఉంటాయి. మాక్ఇన్నిస్ మరియు హాడ్సన్ (2014) గూగుల్ ట్రెండ్స్ సెర్చ్ టర్మ్ డేటాను అశ్లీల ఉపయోగం కోసం ప్రాక్సీగా ఉపయోగిస్తాయి మరియు రాష్ట్ర-స్థాయి అశ్లీల ఉపయోగం మరియు మతతత్వం మరియు సాంప్రదాయిక చర్యల మధ్య సంబంధాన్ని పరిశీలిస్తాయి. మరింత కుడి-వాలుగా ఉన్న సైద్ధాంతిక వైఖరులు కలిగిన రాష్ట్రాలు అశ్లీలతకు సంబంధించిన గూగుల్ శోధనల రేట్లు ఎక్కువగా ఉన్నాయని వారు కనుగొన్నారు.

ఈ పేపర్ రాష్ట్రాల ర్యాంక్ క్రమం మరియు రాష్ట్ర-స్థాయి అశ్లీల వాడకం మరియు వివిధ రాష్ట్ర-స్థాయి సామాజిక చర్యల మధ్య సంబంధం గురించి గత అధ్యయనాలలో చేసిన కొన్ని వాదనలను అంచనా వేస్తుంది. భవిష్యత్ పరిశోధకులు అశ్లీల వాడకం గురించి భవిష్యత్ రాష్ట్ర-స్థాయి లేదా కౌంటీ-స్థాయి డేటాసెట్ల ప్రాతినిధ్యాన్ని అంచనా వేయడానికి ఉపయోగించే ఒక ఫ్రేమ్‌వర్క్‌ను కూడా మేము ఇస్తాము. చెల్లింపు అశ్లీల కంటెంట్ యొక్క ఒకే ప్రొవైడర్ యొక్క చందా డేటాను యాక్సెస్ చేయడంలో ఎడెల్మన్ (2009) ఒక మార్గదర్శకుడు మరియు ప్రైవేట్ కంపెనీల నుండి వ్యక్తిగత వినియోగదారుల డేటాను ఉపయోగించడం హార్డ్-టు-కొలత ప్రవర్తనపై డేటాను సేకరించడానికి ఉపయోగకరమైన సాధనంగా మారుతుంది. ఈ రకమైన రిచ్ డేటా యొక్క భవిష్యత్తు ఉపయోగం కోసం కీ, ఒక సంస్థ నుండి వచ్చిన డేటా జాతీయ స్థాయిలో ప్రతినిధి నమూనా వలె అదే అంతర్దృష్టిని అందించగల స్థాయిని గుర్తిస్తుంది.

ఈ కాగితంలో, ఈ రెండు ఇటీవలి అధ్యయనాలలో ఉపయోగించిన డేటాను మేము విస్తరించాము మరియు దానిని రెండు అదనపు డేటా వనరులతో కలుపుతాము. ఈ కాగితంలో మేము ఉపయోగించే నాలుగు డేటా వనరులలో ప్రతి ఒక్కటి అశ్లీల వాడకం స్థాయిని కొలుస్తుంది కాబట్టి, ఇతర వనరుల కోసం మనం పొందిన రాష్ట్ర స్థాయి ర్యాంకింగ్‌లతో పోల్చడం ద్వారా ప్రతి మూలం యొక్క ప్రామాణికతను అంచనా వేస్తాము.

సమాచారం

అశ్లీల వాడకంలో రాష్ట్ర స్థాయి వైవిధ్యంపై సమాచారాన్ని కలిగి ఉన్న నాలుగు డేటా వనరులపై మా కాగితం ఆకర్షిస్తుంది. మొదటి రెండు డేటా వనరులు జాతీయంగా ప్రతినిధి నమూనాలు కాగా, చివరి రెండు అశ్లీల కంటెంట్ యొక్క నిర్దిష్ట ప్రొవైడర్‌కు అనుసంధానించబడిన చెల్లింపు సభ్యత్వాలు లేదా పేజీ వీక్షణలపై ఆధారపడి ఉంటాయి. ప్రతి డేటా సోర్స్‌లో అశ్లీలత వాడకం యొక్క కొలత వ్యక్తులు అశ్లీల చిత్రాలను అనుకోకుండా చూడటం కంటే అశ్లీల విషయాలను కోరుకునే పరిస్థితులపై ఆధారపడి ఉంటుంది.

మా మొదటి డేటాసెట్ న్యూ ఫ్యామిలీ స్ట్రక్చర్స్ సర్వే (NFSS) లోని 2,988 ప్రతివాదుల జాతీయ ప్రాతినిధ్య నమూనాపై ఆధారపడింది. అధిక-నాణ్యమైన డేటాను ఉత్పత్తి చేసిన రికార్డు కలిగిన పరిశోధనా సంస్థ నాలెడ్జ్ నెట్‌వర్క్స్ (కెఎన్) ఈ డేటా సేకరణను నిర్వహించింది. నాలెడ్జ్ నెట్‌వర్క్‌లు టెలిఫోన్ మరియు మెయిల్ సర్వేల ద్వారా యాదృచ్ఛికంగా దాని ప్యానెల్ సభ్యులను నియమించాయి, అవసరమైతే గృహాలకు ఇంటర్నెట్ సదుపాయం కల్పిస్తారు. ఈ ప్యానెల్ ప్రస్తుత ఇంటర్నెట్ వినియోగదారులకు లేదా కంప్యూటర్ యజమానులకు మాత్రమే పరిమితం కాలేదు మరియు స్వీయ-ఎంచుకున్న వాలంటీర్లను అంగీకరించదు.

మునుపటి సంవత్సరంలో ప్రతివాది ఉద్దేశపూర్వకంగా అశ్లీల చిత్రాలను చూశారా అనే ప్రశ్న NFSS లో ఉంది. ఈ రకమైన ప్రశ్నకు వ్యక్తి ప్రాప్యత చేయడానికి ఏ మూలలోనైనా అశ్లీల వాడకాన్ని సంగ్రహించే ప్రయోజనం ఉంది. జనరల్ సోషల్ సర్వే వంటి ఇతర జాతీయ ప్రాతినిధ్య నమూనాలు అశ్లీల ప్రశ్నలను కలిగి ఉన్నాయి. మేము NFSS నుండి డేటాను ఉపయోగిస్తాము ఎందుకంటే దీనిని ఇతర పండితులు సులభంగా యాక్సెస్ చేయవచ్చు మరియు పబ్లిక్ ఐడెంటిఫైయర్‌లను దాని పబ్లిక్‌గా అందుబాటులో ఉన్న రూపంలో కలిగి ఉంటుంది. దీనికి విరుద్ధంగా, జనరల్ ఐడెంటిఫైయర్‌లను జనరల్ సోషల్ సర్వే యొక్క రహస్య వెర్షన్‌లో మాత్రమే పొందవచ్చు. ఈ కాగితంలోని విశ్లేషణ కోసం, మేము కనీసం 50 ప్రతివాదులు ఉన్న NFSS సర్వే నుండి నలభై ఆరు రాష్ట్రాల సమితిని ఉపయోగిస్తాము.

రెండవ డేటా సోర్స్, గూగుల్ ట్రెండ్స్, ఒక నిర్దిష్ట భౌగోళిక ప్రాంతంలో గూగుల్‌లోకి ప్రవేశించిన శోధనల పరిమాణం యొక్క సమయ శ్రేణి సూచికగా పనిచేస్తుంది. ఇన్ఫ్లుఎంజా వ్యాప్తిని అంచనా వేయడం (కార్నెరో & మైలోనాకిస్, 2009) మరియు వినియోగదారుల విశ్వాసం లేదా నిరుద్యోగం (చోయి & వేరియన్, 2012) వంటి స్వల్పకాలిక ఆర్థిక సూచికలను అంచనా వేయడం వంటి ఆర్థిక మరియు వైద్య ప్రయత్నాలలో ఈ డేటా ఉపయోగకరంగా ఉందని నిరూపించబడింది. ప్రీస్, మోట్ మరియు స్టాన్లీ (2013) గూగుల్ ట్రెండ్‌లను ఉపయోగించి వాణిజ్య ప్రవర్తనను అంచనా వేస్తాయి, కొన్ని నిబంధనలు స్టాక్ విలువ పెరుగుతున్న లేదా తగ్గుదలతో ముడిపడి ఉన్నాయని చూపిస్తుంది. వయోజన వినోద పరిశ్రమను గూగుల్ ట్రెండ్స్ శోధన డేటాను ఉపయోగించడం ద్వారా దాని పరిశ్రమ యొక్క ముఖ్యమైన లక్షణాలను పరిమాణాత్మకంగా కొలవవచ్చు.

గూగుల్ ట్రెండ్స్ డేటాను ఉపయోగించడంలో చాలా ముఖ్యమైన సవాలు ఏమిటంటే, మేము డేటాను గీయడానికి నిర్దిష్ట నిబంధనలను ఎంచుకోవడం. ఎంచుకున్న పదాలు మా విశ్లేషణ ఉపయోగకరంగా ఉండటానికి అశ్లీల వాడకం యొక్క వాస్తవ సూచికగా ఉండాలి. హో మరియు వాటర్స్ (2004) అశ్లీల వెబ్‌సైట్లలో నిర్మాణ పోకడలను విశ్లేషించారు. వారి విశ్లేషణలో భాగంగా వారు అశ్లీల వెబ్‌సైట్లలో తరచుగా కనిపించే మరియు అశ్లీలత లేని వెబ్‌సైట్లలో తరచుగా కనిపించడంలో విఫలమయ్యే పదాల జాబితాను సృష్టిస్తారు. మొదటి నాలుగు పదాలు “పోర్న్”, “xxx”, “సెక్స్” మరియు “f ***”. శోధన గణాంకాలను ఉపయోగించి ఈ నాలుగు పదాల కోసం శోధనలు చాలా పరస్పర సంబంధం కలిగి ఉన్నాయని మేము కనుగొన్నాము. దీనికి విరుద్ధంగా, “అశ్లీలత” అనే పదం యొక్క శోధనలు ఈ నాలుగు పదాలలో దేనితోనూ సంబంధం కలిగి ఉండవు మరియు ఇది వాస్తవమైన అశ్లీల కంటెంట్‌ను యాక్సెస్ చేయకుండా అశ్లీలత గురించి సమాచారాన్ని కోరుకునే వ్యక్తులు ఉపయోగించుకునే అవకాశం.

“కఠినమైన” మరియు “మృదువైన” అశ్లీలత మధ్య వ్యత్యాసం కూడా ఉంది, “మృదువైనది” సాధారణంగా లైంగిక స్వభావంతో కూడిన మీడియాను సూచిస్తుంది, కానీ చొచ్చుకుపోవడాన్ని వర్ణించదు. ఇంతకుముందు జాబితా చేయబడిన నాలుగు పదాలు హార్డ్ కంటెంట్‌ను కోరుకునే వినియోగదారులపై మాత్రమే డేటాను ఆకర్షిస్తాయి, అయితే ఇది రెండు కారణాల వల్ల సమర్థవంతమైన విశ్లేషణగా మేము ఇప్పటికీ భావిస్తున్నాము. సాఫ్ట్ పోర్న్ చాలా మంది ప్రేక్షకులచే అశ్లీల చిత్రంగా పరిగణించబడదు మరియు దాని ఫలితంగా టెలివిజన్ మరియు చలనచిత్రాలతో సహా ప్రధాన స్రవంతి మీడియాలో కూడా ఇది విస్తృతంగా ఉంది. రెండవది, కఠినమైన అశ్లీల పదాల కోసం చేసిన శోధనలతో పోలిస్తే మృదువైన అశ్లీల పదాల కోసం సాపేక్ష శోధనలు తక్కువగా ఉన్నాయని మేము కనుగొన్నాము. 2005-2013 కంటే “పోర్న్” మరియు “న్యూడ్ గర్ల్స్” అనే శోధన పదాల కోసం మేము సాపేక్ష శోధన విలువను చేసాము. రెండు పదాల కోసం శోధనలు సాధారణీకరించబడ్డాయి, అంటే గరిష్ట శోధన వాల్యూమ్ 100 విలువను తీసుకుంది, ఇది “పోర్న్” అనే పదానికి సంభవిస్తుంది. సాధారణీకరించిన గరిష్టంతో పోల్చితే, “నగ్న బాలికలు” 6 కన్నా ఎక్కువ శోధన వాల్యూమ్ సూచికను కలిగి ఉండరు.

గూగుల్ ట్రెండ్స్ నుండి వచ్చిన డేటా భౌగోళిక ప్రాంతంలో ఒక నిర్దిష్ట పదం కోసం అసలు శోధనల సంఖ్యను సూచించదు. ప్రతి డేటా పాయింట్ పదం కోసం శోధనల సంఖ్యను ఆ ప్రాంతంలోని మొత్తం శోధనల సంఖ్యతో విభజించడం ద్వారా సాధారణీకరించబడుతుంది. అందువల్ల డేటా జనాభా మరియు రాష్ట్రాల మధ్య శోధన పరిమాణంలో తేడాలు రెండింటికీ నియంత్రించబడుతుంది. గూగుల్ ట్రెండ్స్ ఒక వ్యక్తి ఫలితాలను వక్రీకరించకుండా నిరోధించడానికి తక్కువ వ్యవధిలో ఒకే వ్యక్తి యొక్క పునరావృత శోధనలను కూడా తొలగిస్తుంది.

గూగుల్ ట్రెండ్స్ నుండి రాష్ట్ర-వార స్థాయిలో డేటా అందుబాటులో ఉంది. మేము జూలై 2013- జూలై 2014 సంవత్సరంలో డేటాను ఉపయోగిస్తాము. మా పరిశీలనలు 1-100 స్కేల్‌కు సర్దుబాటు చేయబడతాయి. మా డేటాసెట్‌లో ఒక వారం వ్యవధిలో ఒక నిర్దిష్ట పదం యొక్క అత్యధిక సాధారణ శోధనలు కలిగిన రాష్ట్రానికి 100 యొక్క పఠనం ఉంది. ప్రతి పదం మీద ఈ డేటాను ఉపయోగించడం ద్వారా మేము మా డేటా యొక్క ప్రతి రాష్ట్ర-వారానికి అశ్లీల శోధనల సూచికను నాలుగు పదాలను ఉపయోగించి బరువున్న మొత్తంతో నిర్మిస్తాము. మేము "పోర్న్" మరియు "సెక్స్" ను మరింత ఎక్కువగా బరువు పెడతాము ఎందుకంటే వారి సాపేక్ష శోధనలు “f ***” మరియు “xxx” తో పోలిస్తే చాలా ఎక్కువ. ప్రత్యేకంగా, మేము గత సంవత్సరంలో ప్రతి పదం యొక్క సగటు సాపేక్ష బరువును ఉపయోగిస్తాము. వయోజన వినోద పరిశ్రమను భౌగోళికంగా రూపొందించడానికి గూగుల్ ట్రెండ్స్ చేత రాష్ట్రాల యొక్క ఈ వెయిటెడ్ సెర్చ్ వాల్యూమ్ ర్యాంకింగ్‌ను మేము ఉపయోగిస్తాము.

వెబ్‌సైట్-నిర్దిష్ట సభ్యత్వ డేటాకు విరుద్ధంగా గూగుల్ ట్రెండ్‌ల నుండి డేటాను ఉపయోగించడం వల్ల కలిగే ప్రయోజనాల్లో ఒకటి, ఇది ఉచిత మరియు చెల్లింపు వయోజన వినోదాన్ని శోధించే వ్యక్తుల గురించి సమాచారాన్ని కలిగి ఉంటుంది. అశ్లీల వెబ్‌సైట్‌లకు 2008-80% సందర్శకులు ఉచిత అశ్లీల విషయాలను మాత్రమే యాక్సెస్ చేస్తారని డోరన్ (90) పేర్కొంది, చెల్లింపు వయోజన వినోదం యొక్క విశ్లేషణ సాధారణంగా అశ్లీల వినియోగం యొక్క వాస్తవ నమూనాలను అస్పష్టం చేస్తుందని సూచిస్తుంది.

మా మూడవ డేటా సోర్స్ ఎడెల్మన్ (2009) ఇటీవలి అధ్యయనంలో ఉపయోగించిన చెల్లింపు అశ్లీల కంటెంట్ యొక్క మొదటి పది అతిపెద్ద ప్రొవైడర్లలో ఒకరికి చందాల సంఖ్యను నమోదు చేస్తుంది. ఈ డేటాసెట్ గురించి ఎడెల్మన్ యొక్క విశ్లేషణ సాహిత్యానికి ఒక నవల సహకారం; అశ్లీల వాడకం యొక్క మునుపటి అధ్యయనాలు సర్వే డేటాను మాత్రమే పరిశీలించాయి. 2006 మరియు 2008 మధ్య ఉన్న అన్ని క్రెడిట్ కార్డ్ సభ్యత్వాలతో అనుబంధించబడిన పిన్ కోడ్ ఉపయోగించిన నిర్దిష్ట డేటా. ఈ ప్రత్యేకమైన కంటెంట్ ప్రొవైడర్ విస్తృత శ్రేణి వయోజన వినోదాన్ని అందించే వందలాది సైట్‌లను కలిగి ఉంది. అయినప్పటికీ, "ఈ విక్రేత ప్రతినిధి అని కఠినంగా ధృవీకరించడం కష్టం" అని ఎడెల్మాన్ (2009) అంగీకరించాడు.

ఈ చందా డేటా యొక్క మూలం వయోజన వినోదం యొక్క అగ్ర- 10 విక్రేత అయినప్పటికీ, NFSS వంటి సర్వే డేటాలో మేము గమనించిన అశ్లీలత వాడకంతో పోలిస్తే చందాలు చాలా తక్కువగా ఉన్నాయి, ఇక్కడ 47% పెద్దలు గత సంవత్సరంలో అశ్లీల చిత్రాలను ఉపయోగిస్తున్నట్లు నివేదించారు . బ్రాడ్‌బ్యాండ్ గృహానికి అత్యధిక సభ్యత్వాలు కలిగిన రాష్ట్రం బ్రాడ్‌బ్యాండ్ ఉన్న ప్రతి 5.47 గృహాలకు 1,000 తో ఉటా. బ్రాడ్‌బ్యాండ్ ఉన్న ప్రతి 1.92 గృహాలకు 1,000 చందాలతో మోంటానా అత్యల్ప రాష్ట్రం. ఈ తక్కువ రేట్లు అశ్లీలత యొక్క వ్యక్తిగత కంటెంట్ ప్రొవైడర్ల మార్కెట్ వాటా చిన్నదని సూచిస్తున్నాయి, ఒక ప్రొవైడర్ నుండి వచ్చిన డేటా ఖచ్చితమైన క్రాస్-స్టేట్ పోలికను అందించగలదా అని తెలుసుకోవడం కష్టమవుతుంది. ముందు చెప్పినట్లుగా, అశ్లీల చిత్రాలను ఆన్‌లైన్‌లో యాక్సెస్ చేసే చాలా మంది వ్యక్తులు ఎడెల్మన్ (డోరన్, 2010) అధ్యయనం చేసిన చెల్లింపు సైట్‌ను ఉపయోగించడం కంటే ఉచిత కంటెంట్‌ను మాత్రమే యాక్సెస్ చేస్తారు.

మా నాల్గవ డేటా మూలం పోర్న్‌హబ్.కామ్ నుండి పేజీ వీక్షణ డేటా, ఇది ఆ సమయంలో యునైటెడ్ స్టేట్స్‌లో వయోజన వినోదం యొక్క మూడవ అతిపెద్ద ఆన్‌లైన్ హోస్ట్. మేము పోర్న్‌హబ్ డేటాను దాని పరిమాణం మరియు డేటా లభ్యత కారణంగా ఉపయోగిస్తాము. పోర్న్‌హబ్ 2013 సంవత్సరంలో తలసరి పేజీ వీక్షణలను బహిరంగంగా అందుబాటులోకి తెచ్చింది మరియు ఈ డేటాను రాష్ట్రాల వారీగా విడిగా నివేదించింది. పోర్న్‌హబ్ డేటా ఎడెల్మన్ డేటాతో సమానంగా ఉంటుంది, ఇది అశ్లీల వాడకం యొక్క ప్రొవైడర్-సైడ్ ఆబ్జెక్టివ్ కొలత. అయినప్పటికీ, డేటా చందాదారులకు బదులుగా పేజీ వీక్షణలను నమోదు చేస్తుంది; అకారణంగా, డేటా ప్రతి వ్యక్తికి భారీగా వాడటం మరియు జనాభాలో విస్తరణ యొక్క నమూనాలను వెల్లడిస్తుంది. చెల్లింపు మరియు చెల్లించని ఉపయోగం రెండింటినీ చేర్చడం యొక్క సాపేక్ష ప్రయోజనం డేటాకు ఉంది.

క్రొత్త డేటా వనరుల ప్రాతినిధ్యాన్ని అంచనా వేయడం

పెద్ద డేటా విప్లవం అశ్లీల వాడకం వంటి ప్రవర్తనలను కొలవడానికి మరియు అధ్యయనం చేయడానికి ఉపయోగపడే డేటా వనరుల రకాలను నాటకీయంగా తెరవడం ప్రారంభించింది. ఎడెల్మన్ (2009) ఉపయోగించే చందా డేటా పెద్ద డేటాసెట్ల రకాన్ని సూచిస్తుంది, ఇది వారి పరిశోధనలో పండితులకు ఎక్కువగా అందుబాటులోకి వస్తుంది. ఈ రకమైన యాజమాన్య డేటాను ఉపయోగించడంలో ముఖ్యమైన మొదటి దశ, ఒకే ప్రొవైడర్ నుండి వచ్చిన డేటా సాధారణ జనాభాకు ప్రతినిధిగా ఉన్న స్థాయిని అంచనా వేస్తుంది. ఈ విభాగంలో, డేటాసెట్ యొక్క ప్రాతినిధ్యాన్ని అంచనా వేసే ఫ్రేమ్‌వర్క్‌ను జాతీయంగా ప్రాతినిధ్యం వహిస్తున్న మరొక డేటా నుండి గమనించిన నమూనాలతో పోల్చడం ద్వారా లేదా సమిష్టిగా నిజమైన ప్రాతినిధ్యం వహించే ఇతర డేటా వనరుల కలయికతో పోల్చడం ద్వారా మేము దానిని అందిస్తాము. ప్రవర్తన యొక్క అంతర్లీన నమూనా.

టేబుల్ 1 లో, నాలుగు మూలాల ఆధారంగా అశ్లీల ఉపయోగం కోసం మొదటి పది మరియు దిగువ పది రాష్ట్రాలను జాబితా చేస్తాము: చందా డేటా, పోర్న్‌హబ్, NFSS మరియు గూగుల్ ట్రెండ్స్. మిస్సిస్సిప్పి నాలుగు డేటాసెట్లలో అశ్లీల వాడకంలో మొదటి నాలుగు రాష్ట్రాల్లో స్థానం సంపాదించిన ఒక రాష్ట్రం మరియు ఇడాహో చాలా చర్యలలో ఏ రాష్ట్రాలకన్నా తక్కువ రేట్ల దగ్గర స్థిరంగా ఉంది. దీనికి విరుద్ధంగా, అర్కాన్సాస్ మరియు ఉటా వంటి ఇతర రాష్ట్రాలు కొన్ని చర్యలతో పాటు మొదటి పది స్థానాల్లో ఉన్నాయి, కాని ఇతర చర్యలతో పాటు దిగువ పదిలో ఉన్నాయి. ఒకే డేటా సోర్స్ ఆధారంగా ఏ రాష్ట్రంలో అత్యధిక అశ్లీల వాడకం ఉన్నట్లు గుర్తించడం కొంచెం సమస్యాత్మకంగా ఉంటుందని ఈ ఫలితాలు సూచిస్తున్నాయి.

పట్టిక 1. నాలుగు వేర్వేరు డేటా వనరుల ఆధారంగా ర్యాంక్ ఆర్డర్ ఆఫ్ స్టేట్స్
బ్రాడ్‌బ్యాండ్ ఇంటర్నెట్ యాక్సెస్ కోసం.

టేబుల్ 2 ప్యానెల్ A లో, ఈ చర్యల నుండి టేబుల్ 1 లో నివేదించబడిన ఆర్డినల్ ర్యాంకింగ్ కాకుండా ప్రతి మూలం నుండి అశ్లీల వాడకం యొక్క వాస్తవ కొలతలను ఉపయోగించి ప్రతి డేటా వనరుల మధ్య పరస్పర సంబంధాన్ని మేము అంచనా వేస్తున్నాము. చెల్లింపు చందా డేటా, ఇప్పటివరకు, ఇతర మూడు వనరులతో బలహీనమైన సహసంబంధాన్ని కలిగి ఉంది మరియు NFSS సర్వే డేటాతో ప్రతికూలంగా సంబంధం కలిగి ఉంది. చెల్లింపు సభ్యత్వ డేటాకు NFSS తో -0.0358, గూగుల్ ట్రెండ్‌లతో 0.076 మరియు పోర్న్‌హబ్‌తో 0.0066 యొక్క పరస్పర సంబంధం ఉంది. ఈ పరస్పర సంబంధాలు ఏవీ గణాంకపరంగా ముఖ్యమైనవి కావు; సంబంధిత t- గణాంకాలు అన్నీ 0.6 కన్నా తక్కువ (ఇవి .3 కన్నా ఎక్కువ డైరెక్షనల్ p- విలువలకు అనుగుణంగా ఉంటాయి). దీనికి విరుద్ధంగా, ఇతర మూడు ర్యాంకింగ్‌లు సాపేక్షంగా గుర్తించదగిన సహసంబంధాలను చూపుతాయి. గూగుల్ ట్రెండ్స్ మరియు పోర్న్‌హబ్‌కు .487, NFSS మరియు గూగుల్ ట్రెండ్‌ల యొక్క పరస్పర సంబంధం ఉంది .655 మరియు పోర్న్‌హబ్ మరియు NFSS .551 యొక్క పరస్పర సంబంధం కలిగి ఉన్నాయి. ఈ పరస్పర సంబంధాలన్నీ గూగుల్ ట్రెండ్స్ మరియు 3.78 యొక్క పోర్న్‌హబ్ మధ్య, NFSS మరియు 5.68 యొక్క గూగుల్ ట్రెండ్‌ల మధ్య, మరియు 4.28 యొక్క పోర్న్‌హబ్ మరియు NFSS మధ్య టి-స్టాటిస్టిక్‌తో గణాంకపరంగా ముఖ్యమైనవి. ఇవన్నీ .0004 కన్నా తక్కువ డైరెక్షనల్ p- విలువలకు అనుగుణంగా ఉంటాయి.

ప్యానెల్ B లో మేము ప్రతి డేటా మూలం నుండి సృష్టించబడిన ఆర్డినల్ ర్యాంకింగ్‌లను ఉపయోగించి సహసంబంధాలను నివేదిస్తాము. NFSS, గూగుల్ పోకడలు మరియు పోర్న్‌హబ్ మధ్య పరస్పర సంబంధాలు ప్యానెల్ A లో ఉన్నవారికి పోల్చదగిన సహసంబంధ గుణకాలు మరియు ప్రాముఖ్యతను కలిగి ఉన్నాయి, అదేవిధంగా గూగుల్ పోకడలు మరియు చెల్లింపు సభ్యత్వం మధ్య పరస్పర సంబంధం సమానంగా ఉంటుంది. ప్యానెల్ గుర్తించదగినది ఎందుకంటే ఆర్డినల్ ర్యాంకింగ్స్‌ను ఉపయోగించినప్పుడు చెల్లించిన చందా డేటా పోర్న్‌హబ్ మరియు ఎన్‌ఎఫ్‌ఎస్ఎస్ సర్వే డేటాతో బాగా సంబంధం కలిగి ఉంటుంది, అయితే సహసంబంధాలు ఇప్పటికీ చాలా తక్కువగా ఉన్నాయి. రెండు ప్యానెల్లు సారూప్య తీర్మానాలను రూపొందించడానికి మాకు అనుమతిస్తాయి, అయినప్పటికీ చెల్లించిన చందా డేటా కోసం పెద్ద గుణకాలు అవి ముఖ్యమైనవి మరియు ఇతర వనరుల పరస్పర సంబంధాల కంటే బలహీనంగా ఉన్నప్పటికీ గమనించదగినవి. ఆర్డినల్ ర్యాంకింగ్స్ కంటే అశ్లీల వాడకం యొక్క వాస్తవ కొలతలను ఉపయోగించే సహసంబంధాలు పరిశ్రమను ఉత్తమంగా సూచిస్తాయని మేము నమ్ముతున్నాము ఎందుకంటే ఇది రాష్ట్రాల యొక్క నిర్దిష్ట క్రమం కంటే అశ్లీల వాడకంలో వాస్తవ వ్యత్యాసానికి కారణమవుతుంది.

పట్టిక 2. నాలుగు డేటా వనరుల మధ్య పరస్పర సంబంధం.

చెల్లించని మూడు చందా డేటా వనరుల మధ్య ముఖ్యమైన సంబంధం, వారు వేర్వేరు వేరియబుల్స్ కొలిచినప్పటికీ (శోధన వాల్యూమ్, పేజీ వీక్షణలు మరియు అశ్లీల వీక్షకుల నిష్పత్తి), వారు రాష్ట్రాలలో అశ్లీల వాడకంలో వైవిధ్యమైన వాస్తవమైన నమూనాను కొలుస్తున్నారని సూచిస్తున్నారు; ఎడెల్మన్ (2009) ఉపయోగించే చందా డేటాతో సంబంధం లేనిది.

ఉపయోగించిన డేటా మూలానికి అంచనాల సున్నితత్వం

వేర్వేరు డేటా వనరులలో రాష్ట్ర అశ్లీల రేట్ల వ్యత్యాసాలకు అకౌంటింగ్ యొక్క ప్రాముఖ్యతను వివరించడానికి, ఇటీవలి అధ్యయనం యొక్క ఫలితాలను మేము ప్రతిబింబిస్తాము, గూగుల్ (మాక్ఇన్నిస్ &) లో లైంగిక కంటెంట్ కోసం ఎక్కువ మత మరియు సాంప్రదాయిక రాష్ట్రాలు శోధించే అవకాశం ఉందని కనుగొన్నారు. హాడ్సన్, 2014). ఈ కాగితంలో మేము వివరించిన ఇతర డేటా వనరులను ఉపయోగించి అశ్లీల వాడకం యొక్క ఇతర చర్యలకు ఆ కాగితం యొక్క తీర్మానాలు వర్తిస్తాయా అని మేము పరిశీలిస్తాము. ఈ ప్రతిరూపణ యొక్క ఫలితాలు టేబుల్ 3 లో ఇవ్వబడ్డాయి. వేర్వేరు అశ్లీల వినియోగ చర్యలలో పోలికలను అనుమతించడానికి సగటును తీసివేయడం మరియు ప్రామాణిక విచలనం ద్వారా విభజించడం ద్వారా మేము అశ్లీల-ఉపయోగం, మతతత్వం మరియు సంప్రదాయవాద చర్యలను ప్రామాణీకరించాము (ఈ విధానం మార్చడానికి సమానం ప్రతి కొలత Z- స్కోర్‌గా).

పట్టిక 3. రాష్ట్ర స్థాయి మతం లేదా కన్జర్వేటిజం మరియు ప్రతి మెట్రిక్ మధ్య పరస్పర సంబంధాలు
అశ్లీల ఉపయోగం.

అసలు అధ్యయనంలో, మా గూగుల్ ట్రెండ్స్ కొలతలో మేము ఉపయోగిస్తున్న నిబంధనల మాదిరిగానే సెక్స్, పోర్న్ మరియు XXX వంటి నిర్దిష్ట శోధన పదాల కోసం మాక్ఇన్నిస్ మరియు హాడ్సన్ (2014) గూగుల్ ట్రెండ్స్ డేటా ఆధారంగా ఫలితాలను ప్రత్యేకంగా ఇచ్చాయి. టేబుల్ 3 యొక్క మొదటి వరుసలోని ఫలితాలు గూగుల్ ట్రెండ్స్ డేటాను ఉపయోగించినప్పుడు చాలా సందర్భాల్లో మతతత్వం మరియు సంప్రదాయవాదం మధ్య సంఖ్యాపరంగా ముఖ్యమైన సంబంధాన్ని కూడా మేము కనుగొన్నాము. ఏదేమైనా, టేబుల్ 3 లోని ఇతర వరుసలు మిగతా మూడు డేటా వనరులలో దేనినైనా ఉపయోగిస్తున్నప్పుడు మనకు చాలా బలహీనమైన గణాంక సంబంధాన్ని పొందుతాయని చూపిస్తుంది. ఈ ఫలితాలు మాక్ఇన్నిస్ మరియు హాడ్సన్ (2014) మిగతా మూడు డేటా వనరులలో దేనినైనా ఉపయోగించినట్లయితే, వారు పరిశీలిస్తున్న సంబంధాల బలం గురించి వారు తమ పేపర్‌లో వేరే నిర్ణయానికి వచ్చి ఉండవచ్చు.

మాక్ఇన్నిస్ మరియు హాడ్సన్ (2014) రాష్ట్ర-స్థాయి మతతత్వం మరియు రాష్ట్ర-స్థాయి అశ్లీల వాడకం మధ్య సంఖ్యాపరంగా ముఖ్యమైన సంబంధాన్ని కనుగొన్న వాస్తవం ఆసక్తికరంగా ఉంది, వ్యక్తిగత స్థాయి డేటాను ఉపయోగించే గత అధ్యయనాలు చర్చికి క్రమం తప్పకుండా హాజరయ్యే వ్యక్తులు అశ్లీల చిత్రాలను ఉపయోగించడం చాలా తక్కువ అని కనుగొన్నారు ( డోరన్ & ప్రైస్, 2014; ప్యాటర్సన్ & ప్రైస్, 2012; స్టాక్, వాస్సర్మన్, & కియర్స్, 2004). సమూహ-స్థాయి సంబంధాలు వ్యక్తిగత స్థాయిలో కనిపించే వాటికి విరుద్ధంగా ఉండే ఈ రకమైన నమూనా విద్య మరియు మతం (గ్లేజర్ & సాకర్‌డోట్, 2008) మరియు ఆదాయం మరియు రాజకీయ అనుబంధాల మధ్య సంబంధంలో కూడా కనుగొనబడింది (గ్లేజర్ & సాకర్‌డోట్, 2007).

చర్చా

పైన పరిగణించబడిన ప్రతి డేటా వనరులు ఆన్‌లైన్ అశ్లీల పరిశ్రమ యొక్క విభిన్న క్రాస్-సెక్షనల్ వీక్షణను సంగ్రహిస్తాయి మరియు ప్రతి ఒక్కటి రాష్ట్రాలచే సాధారణ స్థాయి అశ్లీల వాడకంపై ఆసక్తి ఉన్న పరిశోధకులకు ముఖ్యమైన హానిని కలిగి ఉంటాయి. ఉదాహరణకు, NFSS సర్వే డేటా సామాజిక కోరిక పక్షపాతం మరియు విషయాల యొక్క తప్పు జ్ఞాపకశక్తి కారణంగా అశ్లీల వినియోగాన్ని తక్కువగా అంచనా వేస్తుంది. గూగుల్ ట్రెండ్స్ డేటా గూగుల్ సెర్చ్ కాకుండా ఇతర మార్గాల ద్వారా యాక్సెస్ చేయబడిన అశ్లీల వాడకాన్ని సంగ్రహించడంలో విఫలమైంది. పోర్న్‌హబ్ మరియు చెల్లింపు సభ్యత్వ డేటా వారి ప్రాతినిధ్యంలో పరిమితం కావచ్చు; వారు పరిశ్రమలో ఒకే ఒక సంస్థకు సంబంధించి వాడకాన్ని కొలుస్తారు.

ఏదైనా మూలం నుండి డేటా పరిశోధనలో ఉపయోగించినప్పుడు, ఆ ఫలితాలకు దారితీసే డేటా సందర్భంలో ఫలితాలను ప్రదర్శించాలి. ఇచ్చిన డేటా మూలాన్ని అశ్లీల పరిశ్రమ మొత్తానికి ప్రాతినిధ్యం వహిస్తున్నట్లు వ్యక్తులు తప్పుగా అర్థం చేసుకున్నప్పుడు సమస్యలు తలెత్తుతాయి. అనేక ఇతర సెట్టింగులు ఉన్నాయి, ఇందులో అదేవిధంగా ప్రతినిధి కాని డేటా తప్పుగా అధిక-సాధారణీకరించబడుతుంది. పరిశోధకులు మరియు వ్యక్తులు తమ పరిశోధనల యొక్క బాహ్య ప్రామాణికత గురించి తెలుసుకోవాలి, అయితే మీడియా మరియు పాఠకులు ఫలితాలను అతిగా సాధారణీకరించకుండా జాగ్రత్త వహించాలి.

మా డేటా మూలాల పరిమితిని కూడా మేము గుర్తించాము, అవి వేర్వేరు చారిత్రక క్షణాల్లో అశ్లీల పరిశ్రమను సంగ్రహిస్తాయి; గూగుల్ ట్రెండ్స్ (2013-2014), చెల్లింపు చందా (2006-2008), పోర్న్‌హబ్ (2013) మరియు NFSS (2012). చెల్లించిన చందా డేటా ఇతర వనరులకు సుమారు 6-7 సంవత్సరాల ముందు సేకరించబడింది. ఈ సమయ వ్యత్యాసం మా ఫలితాలను పక్షపాతం చేస్తుంది, అయితే మొత్తం డేటా వనరులలోని సాధారణ పోకడలు మా పరిశోధనలు ఖచ్చితమైనవి అని మేము నమ్ముతున్నాము. 2006-2013 నుండి రాష్ట్రాలలో అశ్లీలత యొక్క సాపేక్ష ఉపయోగంలో ప్రధాన మార్పులు ఈ పక్షపాతం సంభవించడానికి అవసరం అని మేము నమ్ముతున్నాము.

కొన్ని రకాల కార్యాచరణకు సంబంధించి ఆర్డర్ వ్యక్తులను ర్యాంక్ చేయడానికి ప్రయత్నించినప్పుడు, విభిన్న ఫలితాల కోసం బహుళ వనరులను (అందుబాటులో ఉంటే) చూడాలి. ఆర్డరింగ్‌లు సారూప్యంగా ఉంటే వాటి ఖచ్చితత్వాన్ని మరింత సులభంగా can హించవచ్చు. వారు విభేదిస్తే, సమస్యకు సంబంధించి మరింత అర్థం చేసుకోవడానికి అవకాశం ఏర్పడుతుంది. మా ప్రత్యేక సందర్భంలో, తేడాలు తలెత్తే అవకాశం ఉంది, ఎందుకంటే మూలాలు వివిధ రకాల అశ్లీల వాడకాన్ని సంగ్రహిస్తాయి.

అశ్లీల వాడకంపై గత పరిశోధనలు విడాకులు, ఆనందం, కార్మికుల ఉత్పాదకత మరియు లైంగిక హింస వంటి ముఖ్యమైన రంగాలను ప్రభావితం చేస్తాయి (బెర్గెన్ & బోగెల్, 2000; డోరన్ & ప్రైస్, 2014; ప్యాటర్సన్ & ప్రైస్, 2012; యంగ్. & కేసు, 2004). అటువంటి పరిశోధన జరుగుతున్నప్పుడు డేటా నమ్మదగిన మరియు సాధారణీకరించదగిన మూలం (లేదా మూలాలు) నుండి ఉండాలి. అటువంటి ప్రభావాల యొక్క ఫలితాలు మరియు అన్వేషణలు వ్యక్తుల వయస్సు, లింగం మరియు లైంగిక గుర్తింపును పరిగణనలోకి తీసుకోవాలి - ఈ కాగితంలో పరిగణించబడని అంశాలు (సెవ్సికోవా & డేన్‌బ్యాక్, 2014; స్టూప్స్, 2015; ట్రైన్ & డేన్‌బ్యాక్, 2013 ; త్రిపాది మరియు ఇతరులు 2015). ఇటువంటి పరిశోధన అవకాశాలలో, రాష్ట్రాల వారీగా అశ్లీల వాడకం విశ్లేషణలో పాత్ర పోషిస్తుంది. ఈ కాగితం ఫలితాలను బట్టి అటువంటి వేరియబుల్ యొక్క డేటా మూలాన్ని అటువంటి రిగ్రెషన్‌లో భారీగా పరిగణించాలి మరియు ఫలితాన్ని డేటా సోర్స్ సందర్భంలో అర్థం చేసుకోవాలి.

ముగింపు

నిర్దిష్ట కంపెనీలు అందించిన డేటా ప్రజా సమస్యలపై ముఖ్యమైన అంతర్దృష్టులను అందించే సామర్థ్యాన్ని కలిగి ఉంటుంది. ఒకే సంస్థ యొక్క డేటా, చాలా పెద్దది కూడా మొత్తం జనాభాకు ప్రాతినిధ్యం వహించే అంతర్దృష్టులను ఎప్పుడు అందించగలదో నిర్ణయించడం ఒక ప్రధాన సవాలు. రాష్ట్రాలలో అశ్లీలత యొక్క సాపేక్ష రేట్లు 2006-2013 నుండి పెద్ద మార్పులను కలిగి లేవని హిస్తే, మా కాగితం ఫలితాలు కొన్ని సందర్భాల్లో ఒకే సంస్థ నుండి వచ్చిన సమాచారం ఒక నిర్దిష్ట ప్రవర్తన యొక్క భౌగోళిక నమూనాల యొక్క తప్పుదోవ పట్టించే చిత్రాన్ని రూపొందించవచ్చని సూచిస్తుంది. అశ్లీలత వాడకానికి ఇది చాలా ముఖ్యమైనది, ఎందుకంటే ఆన్‌లైన్‌లో అశ్లీల చిత్రాలను ప్రాప్యత చేసే వ్యక్తుల యొక్క అధిక శాతం చెల్లింపు సైట్ (డోరన్, 2008) ను ఉపయోగించడం కంటే ఉచిత కంటెంట్‌ను మాత్రమే యాక్సెస్ చేస్తుంది.

ఈ కాగితం యొక్క ఫలితాలు అశ్లీల వాడకం గురించి నాలుగు వేర్వేరు డేటా వనరులపై జాతీయ ప్రాతినిధ్య డేటా (గూగుల్ ట్రెండ్స్ మరియు ఎన్ఎఫ్ఎస్ఎస్) తో సహా రెండు ఉన్నాయి. మా మూడు డేటా వనరుల మధ్య ముఖ్యమైన సంబంధం ఉన్నట్లు మేము కనుగొన్నాము, అవన్నీ రాష్ట్రాలలో అశ్లీల వాడకంలో ఇలాంటి అంతర్లీన నమూనాను ప్రతిబింబిస్తాయి. దీనికి విరుద్ధంగా చెల్లించిన చందా డేటా, మీడియా దృష్టిని సరసమైన మొత్తంలో పొందిన ఒక మూలం, వాస్తవానికి ఇతర వనరులతో సంబంధం కలిగి ఉండదు. నిర్దిష్ట ప్రవర్తన యొక్క ఆదర్శవంతమైన కొలతను పొందడం సవాలుగా ఉన్న సమస్యలను పరిశీలించేటప్పుడు డేటా మూలాల్లోని ఎంపికలు అధ్యయనాలు తీసుకునే తీర్మానాలను ప్రభావితం చేస్తాయని మేము చూపిస్తాము మరియు భవిష్యత్ అధ్యయనాలు డేటా మూలాల్లో సున్నితత్వ పరీక్షలను కలిగి ఉంటాయి.

ప్రస్తావనలు