生物科学におけるデータ収集の例：アデリーペンギンは海へ向かう途中または海から戻る途中に自動計量橋を通過するたびに識別され、体重が測定されます。 [1]

データ収集またはデータ収集とは、確立されたシステムにおいて対象となる変数に関する情報を収集・測定するプロセスであり、これにより関連する質問に答え、結果を評価することができます。 データ収集は、物理科学、社会科学、人文科学[2]、ビジネスなど、あらゆる研究分野における研究要素です。方法は分野によって異なりますが、正確かつ誠実なデータ収集の確保に重点が置かれている点は変わりません。すべてのデータ収集の目的は、データ分析によって提示された質問に対する信頼できる回答を導き出すための証拠を得ることです。

データの定義方法（定量的か定性的か）や分野に関わらず、正確なデータ収集は研究の完全性を維持するために不可欠です。適切なデータ収集ツール（既存、改良、または新規開発）を選択し、その正しい使用方法を明確に指示することで、エラーの可能性を低減できます。

方法論

データ収集と検証は、国勢調査の場合は4つのステップ、サンプリングの場合は7つのステップで構成されます。[3]

正式なデータ収集プロセスは、収集されたデータが明確かつ正確であることを保証する上で不可欠です。これにより、調査結果に内在する議論に基づくその後の意思決定は、有効なデータを用いて行われます。[4]このプロセスは、測定の基準となる基準を提供するだけでなく、場合によっては改善すべき点を示す指標も提供します。

ツール

データ収集システム

データ管理プラットフォーム

データ管理プラットフォーム（DMP）は、主にマーケティング分野で使用される、データの集中管理型ストレージおよび分析システムです。DMPは、大量の需要と供給のデータを収集し、識別可能な情報に変換するために存在します。マーケターは、ファーストパーティ、セカンドパーティ、サードパーティのデータを受け取り、活用したいと考えるかもしれません。DMPは、 DSP（デマンドサイドプラットフォーム）とSSP （サプライサイドプラットフォーム）を統合したシステムであるため、これを可能にします。DMPは、広告キャンペーンの最適化と将来的な展開に不可欠です。

データの整合性の問題

データの完全性を維持する主な理由は、データ収集プロセスにおけるエラーの観察をサポートすることです。これらのエラーは、意図的に（意図的な改ざん）発生する場合もあれば、意図せずに（ランダムエラーまたはシステマティックエラー）発生する場合もあります。[5]

データの完全性を保護し、研究結果の科学的妥当性を確保するには、2つのアプローチがあります。[6]

  • 品質保証 – データ収集前に実行されるすべてのアクション
  • 品質管理 – データ収集中およびデータ収集後に実行されるすべてのアクション

品質保証（QA）

QAの焦点は予防であり、これは主にデータ収集の完全性を守るための費用対効果の高い活動です。データ収集のための包括的かつ詳細な手順を規定したプロトコルの標準化は、予防の中心となります。研究プロセスにおける問題やエラーを特定できないリスクは、多くの場合、ガイドラインの不備によって引き起こされます。以下に、そのような失敗の例をいくつか挙げます。

  • 時期、方法、責任者の特定が不確実
  • 収集が必要なアイテムの一部リスト
  • テストの実施に関する厳密な手順の説明ではなく、データ収集機器の漠然とした説明
  • データ収集を担当するスタッフのトレーニングおよび再トレーニングの正確な内容と戦略を認識していない
  • データ収集機器の使用、調整、校正に関する説明が不明瞭
  • 調査中に発生する手順の変更を文書化するための所定のメカニズムがない

ユーザーのプライバシーの問題

クラウドコンピューティングによって収集された個々のユーザーデータの完全性については深刻な懸念があります。なぜなら、これらのデータは、個々のユーザーデータの保護基準が異なる国々に転送されるからです。[7]情報処理は、ユーザーデータを使用して、個人が話す前に何を言うかを予測できるレベルにまで進歩しました。[8]

品質管理（QC）

QC活動はデータ収集中またはデータ収集後に行われるため、すべての詳細を綿密に文書化できます。監視システムを構築する前提条件として、明確に定義されたコミュニケーション体制が不可欠です。情報の流れが不明確な状態は推奨されません。コミュニケーション体制が不十分だと監視が不十分になり、エラー検出の機会も制限される可能性があります。品質管理は、誤ったデータ収集方法を修正し、将来的な発生を最小限に抑えるために必要な措置を特定する責任も負います。手順が曖昧で、フィードバックや教育に基づいていない場合、チームはこれらの措置の必要性を認識しにくい可能性が高くなります。

迅速な対応が必要なデータ収集の問題:

  • 系統的誤差
  • 議定書違反
  • 詐欺または科学的不正行為
  • 個々のデータ項目のエラー
  • 個々のスタッフまたはサイトのパフォーマンスの問題
  • 影の効果

参照

参考文献

  1. ^ Lescroël, AL; Ballard, G.; Grémillet, D.; Authier, M.; Ainley, DG (2014). Descamps, Sébastien (編). 「南極の気候変動：極端現象がアデリーペンギンの可塑性表現型反応を阻害する」. PLOS ONE . 9 (1) e85291. Bibcode :2014PLoSO...985291L. doi : 10.1371/journal.pone.0085291 . PMC  3906005 . PMID  24489657.
  2. ^ ヴオン、クアンホアン;ラ、ベトフオン;ヴオン、トゥトラン。ホー、マントアン。グエン、香港 T.グエン、ベトハ。ファム、ヒエップ・フン。ホー、マントゥン（2018年9月25日）。 「ベトナムの社会科学と人文科学の生産性に関する公共利用のためのオープンデータベース」。科学的データ。5 : 180188。ビブコード:2018NatSD...580188V。土井：10.1038/sdata.2018.188。PMC 6154282。PMID  30251992。 
  3. ^ Ziafati Bafarasat, A. (2021) データ収集と検証：研究者のためのシンプルなガイド. Advance. プレプリント.. https://doi.org/10.31124/advance.13637864.v1
  4. ^ データ収集と分析 ロジャー・サプスフォード博士、ビクター・ジャップ著ISBN 0-7619-5046-X
  5. ^ ノーザンイリノイ大学 (2005). 「データ収集」.データ管理における責任ある行動. 2019年6月8日閲覧。
  6. ^ Most, Marlene M.; Craddick, Shirley; Crawford, Staci; Redican, Susan; Rhodes, Donna; Rukenbrod, Fran; Laws, Reesa (2003年10月). 「DASH-ナトリウム制限食研究における食事品質保証プロセス」アメリカ栄養士会誌. 103 (10): 1339– 1346. doi :10.1016/s0002-8223(03)01080-0. PMID  14520254.
  7. ^ 王 菲芳（2014年1月10日）『電子商取引法：EU、米国、中国における現代的課題』ラウトレッジ、154頁。ISBN 978-1-134-11522-8。
  8. ^ 「真の危険はプライバシーではなくデータだ」NBCニュース、2019年2月4日。
ウィキメディア コモンズには、データ収集に関連するメディアがあります。
  • データ収集のすべて – TechTarget.com