Using Paradata in Electronic Business Survey Questionnaires *
Notice bibliographique
Résumé
This chapter discusses the use of paradata in business surveys, illustrated with a number of examples. Paradata are data that cover any aspect of the survey process. The use of paradata in business surveys is still quite rare, unlike social surveys, although their inclusion can allow designers to improve surveys. The chapter starts with a general discussion on paradata: event log data describing individual events throughout survey processes. They are used both in process in quality management, as illustrated by a data collection control dashboard from Statistics Norway. The main focus of the chapter is on questionnaire completion paradata, such as audit trails, and login and key stroke data. These data show how respondents complete an electronic questionnaire, for example, the access dates and time spent, completion paths, buttons and functionalities used, and error messages activated. This provides information on completion behavior, data quality, and response burden. These paradata are used in two ways: (i) to monitor the fieldwork in real time and (ii) in post-field analysis to evaluate the questionnaire. Examples from Statistics Netherlands and Statistics Canada show whether an electronic questionnaire was completed as intended by the designer, how the electronic questionnaire can be improved, and what steps need to be taken to follow up non-responding businesses. It is concluded that paradata are a rich source of information, that help surveyors to minimize errors in each step of the survey process, and to make better (fact-based) design decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».