يمكن أن يحدد تقييم برامج الديمقراطية وحقوق الإنسان والحوكمة (DRG) النتائج الرئيسية ووصفها، وتقييم أو تحسين نوعية تنفيذ البرنامج، وتحديد الدروس التي يمكن أن تُحسن تنفيذ البرامج المماثلة، أو تعزو التغييرات في النتائج الرئيسية إلى تدخل البرنامج. يركز هذا القسم بشكل عام على النوع الأخير من التقييم- تقييم الأثر ، أو تحديد مدى مساهمة البرنامج في إحداث تغييرات في نتائج الاهتمام.
ربما يكون إسناد النتائج المرصودة إلى البرامج هو التحدي البحثي الأكثر صعوبة في دورة برنامج الديمقراطية وحقوق الإنسان والحوكمة. ومع ذلك، هناك العديد من تصميمات أبحاث التقييم التي يمكن أن تساعد ممارسي الديمقراطية وحقوق الإنسان والحوكمة على تحديد ما إذا كانت البرامج لها تأثير على نتيجة الاهتمام، وما إذا كانت البرامج تتسبب في نتائج غير مقصودة، وأي من البدائل العديدة من المرجح أن يكون لها تأثير، سواء كان هذا التأثير إيجابيًا أو سلبيًا، ومدى حجم هذا التأثير. في كثير من الأحيان، يمكن استخدام هذه الأساليب في إطار دورة البرنامج لتحقيق أقصى قدر ممكن من الأنشطة، لا سيما في نطاق التعاون والتعلم والتكيف (CLA) أو الإدارة التكيفية أو إطار مقياس اختبار تجريبي.
يمكن أن تتخذ برامج مكافحة المعلومات المضللة أشكالًا عديدة مع العديد من النتائج المرجوة المحتملة، التي تتراوح بين تدريب الصحفيين أو الموظفين العموميين على نطاق ضيق والحملات الإعلامية على نطاق واسع للتثقيف الإعلامي والاتصالات الجماهيرية مثل تقصي الحقائق أو تصنيف وسائل الإعلام. ولا يوجد نهج بحثي تقييمي واحد يناسب الجميع من شأنه أن يعمل مع كل تدخل في مجال المعلومات المضللة. ولذا يجب على مصممي ومنفذي برامج الديمقراطية وحقوق الإنسان والحوكمة التفكير في التشاور مع الموظفين الداخليين والباحثين التطبيقيين أو المقيّمين الخارجيين أو الباحثين الأكاديميين لوضع نهج تقييم يجيب على أسئلة البحث التي تهم البرنامج، مع مراعاة القيود العملية في الوقت والعمل والميزانية والنطاق والقدرة على الرصد والتقييم.
أسئلة البحث الرئيسية:
- هل يتسبب البرنامج أو النشاط في تغيير قابل للقياس على النتائج ذات الأهمية؟ على سبيل المثال، هل أدى برنامج التثقيف الإعلامي إلى زيادة قدرة المشاركين على التمييز بين الأخبار الحقيقية والأخبار الكاذبة؟ هل يتسبب البرنامج في نتائج غير مقصودة؟
- ما هو حجم تأثير النشاط أو تأثيره على النتائج ذات الأهمية؟
- ما هو اتجاه تأثير النشاط على النتائج ذات الأهمية؟ على سبيل المثال، هل أدى برنامج تقصي الحقائق إلى تقليل الثقة في التقارير الإخبارية الكاذبة، أم أنه تسبب في زيادة قبول تلك التقارير من خلال ردود الفعل العكسية؟
نُهج عشوائية أو تجريبية
غالبًا ما يشار إلى التقييمات العشوائية (المعروفة أيضًا باسم التجارب العشوائية المحكمة (RCTs) أو التجارب الميدانية) على أنها المعيار الذهبي للاستدلال السببي - تحديد ما إذا كان التدخل قد تسبب في النتيجة المثيرة للاهتمام وكيف تسبب في ذلك. وحيثما تكون قابلة للتنفيذ من الناحية اللوجستية والمالية والأخلاقية، فإن التجارب العشوائية المحكمة هي أفضل طريقة متاحة للاستدلال السببي لأنها تتحكم فيالمتغيرات المتباينة – وهي عوامل أخرى غير التدخل الذي قد يكون سببًا في النتائج الملحوظة. تتحكم التجارب العشوائية المحكمة في هذه التفسيرات البديلة عن طريق التعيين العشوائي للمشاركين لمجموعة واحدة أو أكثر من مجموعات "العلاج" (التي يتلقون فيها نسخة من التدخل المعني) أو مجموعة "المقارنة" أو "السيطرة" (التي لا يتلقى فيها المشاركون أي محتوى للتدخل أو علاج وهمي). وبما أن المشاركين يتم تعيينهم عشوائيًا للعلاج أو السيطرة، فإن أي اختلافات ملحوظة في النتائج بين تلك المجموعات يمكن أن تُعزى إلى التدخل نفسه. وبهذه الطريقة، يمكن أن تساعد التجارب العشوائية المحكمة الممارسين والباحثين على تقدير فعالية التدخل.
يمكن أن تكون التكاليف والالتزامات اللوجيستية لتقييم الأثر العشوائي متغيرة للغاية، ويعتمد ذلك إلى حد كبير على تكاليف جمع بيانات النتائج. ومع ذلك، فإن التدخلات الإعلامية، بما في ذلك تلك التي تهدف إلى مكافحة المعلومات المضللة، قد تكون قابلة للتقييمات العشوائية بشكل خاص، حيث يمكن أن تدعم الأدوات الرقمية جمع البيانات بتكلفة أقل من الطرق المباشرة وجهًا لوجه مثل المقابلات أو الاستطلاعات الشخصية. وبغض النظر عن أساليب جمع البيانات، تتطلب التقييمات العشوائية مع ذلك خبرة تقنية كبيرة وتخطيطًا لوجستيًا، ولن تكون مناسبة لكل برنامج، خاصة تلك التي تعمل على نطاق صغير نسبيًا، لأن التقييمات العشوائية تتطلب أعدادا كبيرة من وحدات المراقبة من أجل تحديد اختلافات إحصائية ذات دلالة.. ولا ينبغي استخدام نُهج التقييم هذه لتقييم كل برنامج. حيث تختلف أساليب تقييم الأثر الأخرى في كيفية تقريبها عشوائيًا لقياس تأثير التدخلات على النتائج الملحوظة، وقد تكون أكثر ملاءمة لتصميمات برامج معينة.
Highlight
للحصول على دليل شامل حول استخدام التقييمات العشوائية للاستدلال السببي في برمجة التنمية ، راجع موارد أبحاث J-PAL.
Highlight
في عام 2020، أجرى باحثو مؤسسة راند (RAND)، بالشراكة مع برنامج مجلس البحوث والتبادلات الدولية التدريبي لتعلم التمييز (L2D) في أوكرانيا، تجربة عشوائية محكمة لتقييم تأثير كل من حملة المعلومات المضللة الروسية والاستجابة البرنامجية التي تضمنت وضع العلامات للمحتوى والتدخلات في التثقيف الإعلامي. وتوصلت التجربة إلى أن الدعاية الروسية أنتجت ردود فعل عاطفية ومشاركة على وسائل الإعلام الاجتماعي بين أنصار الحزب الأقوياء، ولكن تم تخفيف هذه التأثيرات عن طريق تصنيف مصدر المحتوى، وعرض مقطع فيديو قصير على المتلقين حول التثقيف الإعلامي.
النُهج شبه التجريبية وغير التجريبية
قد يستخدم الباحثون والمقيّمون نُهج شبه تجريبيةأو غير تجريبية عندما يكون التخصيص العشوائي للعلاج والتحكم غير عملي أو غير أخلاقي. وكما يوحي الاسم، تحاول هذه التصميمات البحثية أن تنسب التغييرات في النتائج إلى التدخلات عن طريق تقريب التخصيص العشوائي لظروف العلاج والتحكم من خلال المقارنات. يتضمن هذا التقريب في معظم الحالات جمع البيانات عن السكان الذين لم يشاركوا في البرنامج، ولكنهم مشابهون بشكل معقول للمشاركين في البرنامج من جوانب أخرى. ولعل أكثر هذه الأساليب شيوعًا لممارسي الديمقراطية وحقوق الإنسان والحوكمة هي تصميم الاختبار السابق/اللاحق، حيث يجري مسح المشاركين في البرنامج أو اختبارهم على نفس مجموعة الأسئلة قبل مشاركتهم في البرنامج وبعدها. على سبيل المثال، قد يؤدي المشاركون في برنامج التثقيف الإعلامي اختبارًا يطلب منهم التمييز بين الأخبار الصحيحة والأخبار الكاذبة، وذلك قبل مشاركتهم في البرنامج وبعدها. وفي هذه الحالة، يقيس الاختبار السابق القدرة على تقريب مجموعة "التحكم" أو "المقارنة"، في حين يقيس الاختبار اللاحق تلك القدرة في مجموعة "العلاج" من المشاركين الذين تلقوا البرنامج. وتعزى أي زيادة في القدرة على تمييز الأخبار الصحيحة والكاذبة إلى البرنامج. تعد دراسات الحالة المقارنة المنظمة وتتبع العمليات من أمثلة التصميمات غير التجريبية التي تتحكم في العوامل الداحضة من خلال المقارنات بين الحالات أو من خلال المقارنة في نفس الحالة بمرور الوقت.
هناك مجموعة متنوعة من أساليب البحث شبه التجريبية والرصدية المتاحة لتقييم أثر البرنامج. ويعتمد اختيار هذه الأدوات لتقييم تأثير البرنامج على البيانات المتاحة (أو القدرة على جمع البيانات الضرورية) والافتراضات المطلوبة لتحديد التقديرات الموثوقة لتأثير البرنامج. يقدم هذا الجدول، الذي تم استنساخه بالكامل بموافقة خطية من مختبر عبد اللطيف جميل لمكافحة الفقر، قائمة بهذه الخيارات مع متطلبات وافتراضات جمع البيانات الخاصة بكل منها.
| الأسلوب | الوصف | ما هي الافتراضات المطلوبة، وما مدى صعوبة الافتراضات؟ | البيانات المطلوبة | |
|---|---|---|---|---|
العشوائية | التقييم العشوائي/ تجربة عشوائية محكمة | قياس الاختلافات في النتائج بين المشاركين في البرنامج المعينين عشوائيًا وغير المشاركين بعد تنفيذ البرنامج. | يتأثر متغير النتيجة فقط بالمشاركة في البرنامج نفسه، وليس بالتكليف للمشاركة في البرنامج أو المشاركة في التقييم العشوائي نفسه. ويمكن أن تكون الأمثلة على هذه الآثار المتداخلة هي تأثيرات المعلومات أو التداعيات أو تأثيرات المجربين. وكما هو الحال مع الأساليب الأخرى، يجب أن يكون حجم العينة كبيرًا بما يكفي بحيث يمكن مقارنة المجموعتين إحصائيًا؛ والفرق هو أن حجم العينة يتم اختياره كجزء من تصميم البحث. | بيانات النتائج للمشاركين وغير المشاركين المعينين عشوائيًا (العلاج ومجموعات التحكم). |
أساليب المقارنة الأساسية غير التجريبية | السابق-اللاحق | قياس الاختلافات في النتائج للمشاركين في البرنامج قبل البرنامج وبعد تنفيذ البرنامج. | لا توجد عوامل أخرى (بما في ذلك الأحداث الخارجية، والدافع للتغيير من جانب المشاركين أنفسهم، والظروف الاقتصادية المتغيرة، وما إلى ذلك) غيرت النتيجة التي يمكن قياسها للمشاركين بمرور الوقت إلى جانب البرنامج. وفي البيئات المستقرة والثابتة وعلى مدى آفاق زمنية قصيرة، قد يستمر الافتراض، ولكن من غير الممكن التحقق من ذلك. وبوجه عام، يُفضل تصميم الفرق في الاختلافات وتصميم استمرار التراجع (RDD) (انظر أدناه). | بيانات عن النتائج التي تهم المشاركين في البرنامج قبل بدء البرنامج وبعد تنفيذه. |
| اختلاف بسيط | قياس الاختلافات في النتائج بين المشاركين في البرنامج بعد تنفيذ البرنامج ومجموعة أخرى لم تشارك في البرنامج. | لا توجد اختلافات في نتائج المشاركين في البرنامج وغير المشاركين باستثناء المشاركة في البرنامج، وكان من المرجح أيضًا أن تدخل كلتا المجموعتين البرنامج على قدم المساواة قبل أن يبدأ. هذا افتراض صعب. قد لا يستوفي غير المشاركين معايير الأهلية، أو يعيشون في مكان مختلف، أو ببساطة يرون قيمة أقل في البرنامج (الاختيار الذاتي). قد ترتبط أي من هذه العوامل بالاختلافات في النتائج بغض النظر عن المشاركة في البرنامج. وبوجه عام، يُفضل تصميم الفرق في الاختلافات وتصميم استمرار التراجع (RDD) (انظر أدناه). | بيانات النتائج للمشاركين في البرنامج بالإضافة إلى مجموعة أخرى من غير المشاركين بعد تنفيذ البرنامج. | |
| الفرق في الاختلافات | قياس الاختلافات في النتائج للمشاركين في البرنامج قبل البرنامج وبعده بالنسبة لغير المشاركين. | أي عوامل أخرى قد تكون قد أثرت على النتيجة التي يمكن قياسها بمرور الوقت هي نفسها بالنسبة للمشاركين وغير المشاركين، وبالتالي كان من الممكن أن يكون لديهم نفس المسار الزمني في ظل غياب البرنامج. وعلى مدى آفاق زمنية قصيرة ومع مجموعات متشابهة إلى حد معقول، قد يكون هذا الافتراض معقولًا. ويمكن أيضًا أن يقارن "اختبار العلاج الوهمي" الاتجاهات الزمنية في المجموعتين قبل تنفيذ البرنامج. وكما هو الحال مع "الاختلاف البسيط"، فإن العديد من العوامل المرتبطة بالمشاركة في البرنامج مع ذلك قد ترتبط أيضًا بتغييرات النتائج بمرور الوقت. على سبيل المثال، قد لا ينضم الشخص الذي يتوقع تحسنًا كبيرًا في المستقبل القريب إلى البرنامج (الاختيار الذاتي). | بيانات عن النتائج ذات الأهمية للمشاركين في البرنامج بالإضافة إلى مجموعة أخرى من غير المشاركين قبل بدء البرنامج وبعد تنفيذه. | |
المزيد من الأساليب غير التجريبية | الانحدار متعدد المتغيرات / المربعات الصغرى العادية (OLS) | يمكن تنفيذ نهج "الاختلاف البسيط"— ويجري تنفيذه من الناحية العملية دائمًا تقريبًا— باستخدام الانحدار متعدد المتغيرات. يتيح القيام بذلك احتساب العوامل الأخرى التي يمكن ملاحظتها والتي قد تؤثر أيضًا على النتيجة، والتي غالبًا ما تسمى "متغيرات التحكم" أو "المتغيرات المشتركة". يقوم الانحدار بتصفية تأثيرات هذه المتغيرات ويقيس الاختلافات في النتائج بين المشاركين وغير المشاركين مع الحفاظ على تأثير المتغيرات المشتركة ثابتًا. | إلى جانب تأثيرات متغيرات التحكم، لا توجد اختلافات أخرى بين المشاركين وغير المشاركين تؤثر على النتيجة الخاضعة للقياس. مما يعني أن أي عوامل غير قابلة للملاحظة أو غير قابلة للقياس تؤثر على النتيجة يجب أن تكون هي نفسها بالنسبة للمشاركين وغير المشاركين. بالإضافة إلى ذلك، لا يمكن أن تتأثر متغيرات التحكم نفسها بأي شكل من الأشكال بالبرنامج. في حين أن إضافة المتغيرات المشتركة يمكن أن يخفف من بعض المخاوف المتعلقة بأخذ الاختلافات البسيطة في الاعتبار، فإن البيانات المحدودة المتاحة في الممارسة والعوامل غير القابلة للملاحظة تعني أن الطريقة تنطوي على مسائل مماثلة مثل الاختلاف البسيط (على سبيل المثال، الاختيار الذاتي). | بيانات النتائج للمشاركين في البرنامج بالإضافة إلى مجموعة أخرى من غير المشاركين، وكذلك "متغيرات التحكم" لكلا المجموعتين. |
| المطابقة الإحصائية | المطابقة التامة: يتم مطابقة المشاركين مع غير المشاركين المتطابقين بناءً على "المتغيرات المطابقة" لقياس الاختلافات في النتائج. تستخدم مطابقة درجة الميل متغيرات التحكم للتنبؤ باحتمالية مشاركة الشخص واستخدام هذا الاحتمال المتوقع كمتغير مطابق. | وعلى غرار الانحدار متعدد المتغيرات: لا توجد فروق بين المشاركين وغير المشاركين مع نفس المتغيرات المطابقة التي تؤثر على النتيجة المقاسة. والاختلافات غير الملحوظة هي الشاغل الرئيسي في المطابقة الدقيقة. وفي مطابقة درجة الميل، قد يختلف شخصان لهما نفس الدرجة اختلافًا كبيرًا حتى على طول الأبعاد التي يمكن ملاحظتها. وبالتالي، فإن الافتراضات التي يجب أن تتمسك بها من أجل استخلاص استنتاجات صحيحة هي افتراضات صعبة للغاية. | بيانات النتائج للمشاركين في البرنامج بالإضافة إلى مجموعة أخرى من غير المشاركين، وكذلك "المتغيرات المطابقة" لكلا المجموعتين. | |
| تصميم الانحدار الانقباضي (RDD) | في تصميم الانحدار الانقباضي، يتم تحديد الأهلية للمشاركة من خلال قيمة القطع في بعض الترتيب أو التصنيف، مثل مستوى الدخل. حيث يجري مقارنة المشاركين في جانب واحد من القطع مع غير المشاركين على الجانب الآخر، ويتم تضمين معيار الأهلية كمتغير تحكم (انظر أعلاه). | ويتلاشى أي فرق بين الأفراد أسفل القطع أو أعلاه (المشاركين وغير المشاركين) أكثر فأكثر إلى نقطة القطع. ويمكن أن يكون تصميم عدم استمرارية الانحدار المدروس بعناية فعالًا. يستخدم التصميم العنصر "العشوائي" الذي يتم تقديمه عندما ينتهي الأمر بشخصين متشابهين مع بعضهما البعض وفقًا لترتيبهما على جوانب مختلفة من نقطة القطع. يراعي التصميم الاختلافات المستمرة بينهما باستخدام متغيرات التحكم. ويمكن اختبار الافتراض القائل بأن هؤلاء الأفراد متشابهون مع بعضهم البعض باستخدام ما يمكن ملاحظته في البيانات. ومع ذلك، فإن التصميم يحد من قابلية المشاركين للمقارنة بعيدًا عن القطع. | بيانات النتائج للمشاركين في البرنامج وغير المشاركين، بالإضافة إلى "متغير الترتيب" (ويسمى أيضًا "متغير الإجبار"). | |
| المتغيرات الآلية | يستخدم التصميم "متغيرًا فعالًا" والذي يعد مؤشرًا على مشاركة البرنامج. ثم تقارن هذه الطريقة بعد ذلك الأفراد وفقًا لمشاركتهم المتوقعة، بدلًا من مشاركتهم الفعلية. | المتغير المساعد ليس له تأثير مباشر على متغير النتائج. بل إن تأثيره الوحيد يتمثل في مشاركة الفرد في البرنامج. يتطلب تصميم متغير مساعد فعال أداة ليس لها علاقة بمتغير النتيجة. ويكمن التحدي في أن معظم العوامل التي تؤثر على المشاركة في برنامج لأفراد مشابهين لها ترتبط ارتباطًا مباشرًا بطريقة ما بمتغير النتيجة. ويمكن اختبار الافتراض باستخدام أكثر من أداة واحدة. | بيانات النتائج للمشاركين في البرنامج وغير المشاركين، بالإضافة إلى "المتغير المساعد". |
رصد وسائل الإعلام وتحليل المحتوى
تهدف نُهج رصد وسائل الإعلام وتحليل المحتوى عمومًا إلى الإجابة على أسئلة البحث حول ما إذا كانت التدخلات أو كيف أو لماذا يمكن أن تغير التدخلات تفاعل الجمهور مع المعلومات أو طبيعة المعلومات نفسها أو نوعيتها. على سبيل المثال، قد يفترض برنامج تقصي الحقائق أن تصحيح المعلومات المضللة يجب أن يؤدي إلى مشاركة أقل للجمهور مع منافذ المعلومات المضللة على وسائل الإعلام الاجتماعي، كما يتم قياسها من خلال وجهات النظر أو الإعجابات أو المشاركات أو التعليقات.
تتوفر العديد من الأدوات لمساعدة ممارسي الديمقراطية وحقوق الإنسان والحوكمة والباحثين على تحديد التغييرات في محتوى الوسائط الإعلامية. تحليل المحتوى هو نهج بحثي نوعي يمكن للباحثين من خلاله تحديد الموضوعات الرئيسية في المواد المكتوبة أو السمعية أو المرئية، وما إذا كانت هذه الموضوعات تتغير بمرور الوقت. وبالمثل، يمكن أن يساعد تحليل الآراء في تحديد طبيعة المواقف أو المعتقدات حول موضوع ما.
يمكن إجراء تحليل المحتوى والآراء باستخدام الترميز بمساعدة الإنسان أو الآلة، ويجب إجراؤه في نقاط متعددة في دورة البرنامج بالاقتران مع تصميمات أبحاث التقييم الأخرى لتقييم أثر المشروع.
Highlight
أضواء على البحث: تقييم الأثر شبه التجريبي لـ IREX Learn2Discern
من أكتوبر 2015 إلى مارس 2016 ، نفذت IREX Learn2Discern - برنامج محو الأمية الإعلامية واسع النطاق في أوكرانيا بالتعاون مع أكاديمية الصحافة الأوكرانية و StopFake. كجزء من البرنامج ، أجرت IREX تقييمًا شبه تجريبي للأثر باستخدام المطابقة الإحصائية لمقارنة المشاركين في البرنامج مع غير المشاركين. وجدت الدراسة أن المشاركين في البرنامج كانوا:
- 28٪ أكثر عرضة لإثبات المعرفة المتطورة لصناعة الإعلام الإخباري
- 25٪ أكثر عرضة للتقرير الذاتي للتحقق من مصادر الأخبار المتعددة
- 13٪ أكثر احتمالًا لتحديد قصة إخبارية مزيفة وتحليلها بشكل نقدي
- 4٪ أكثر عرضة للتعبير عن شعور الوكالة بشأن مصادر الأخبار التي يمكنهم الوصول إليها.
يجب على الجهات المانحة والشركاء الذين ينفذون برامج مكافحة المعلومات المضللة النظر في هذه الأساليب شبه التجريبية لتقييم اتجاه وحجم تأثيرات البرنامج على النتائج محل الاهتمام ، لا سيما عندما يكون التخصيص العشوائي للعلاج والسيطرة غير ممكن.
Highlight
تسليط الضوء على المشروع: منارة IRI
يتم الإبلاغ عن تدخلات مشروع Beacon Project من خلال الرأي العام الصارم وأبحاث مراقبة وسائل الإعلام ، والتي تُستخدم لتزويد أعضاء شبكة Beacon Network بالأدوات والبيانات لإجراء تحليل متعمق للروايات الخبيثة وحملات التضليل. في عام 2015 ، تم تطوير مشروع Beacon > مقابل <، أداة مراقبة وسائل الإعلام يستخدمها خبراء داخليون ومراقبو وسائل الإعلام في جميع أنحاء أوروبا لتتبع الروايات الخبيثة وحملات التضليل في الفضاء الإعلامي عبر الإنترنت ، وتحليل ديناميكياتها ، وكيفية مناقشتها عبر الإنترنت.
تحليل الشبكات
تحليل الشبكات هو طريقة لفهم كيف ولماذا يؤثر هيكل العلاقات بين الجهات الفاعلة على نتيجة ذات أهمية. تحليل الشبكة هو طريقة بحث مفيدة بشكل خاص لمواجهة برامج المعلومات المضللة لأنها تتيح للمحللين تصور وفهم كيفية نشر المعلومات من خلال الشبكات على الإنترنت، بما في ذلك منصات وسائل الإعلام الاجتماعي ولوحات المناقشة والمجتمعات الرقمية الأخرى. من خلال تجميع المعلومات المتعلقة بعدد الجهات الفاعلة وتكرار التفاعلات بين الجهات الفاعلة ونوعية أو شدة التفاعلات وهيكل العلاقات، يمكن أن يساعد تحليل الشبكات الباحثين والممارسين على تحديد القنوات الرئيسية لنشر المعلومات المضللة، أو اتجاه نقل المعلومات أو المعلومات مضللة، أو المجموعات التي تشير إلى نظم إيكولوجية إعلامية متميزة، وما إذا كانت المشاركة أو التعزيز حقيقية أو مصطنعة. وفي المقابل، يمكن أن تساعد مقاييس الشبكة في تحديد تصميم أنشطة البرنامج ومحتواها واستهدافها. إلى الحد الذي يمكن فيه للمحللين جمع بيانات الشبكة بمرور الوقت، يمكن لتحليل الشبكة أيضًا إبلاغ رصد البرنامج وتقييمه.
تعتمد أدوات جمع البيانات لتحليل الشبكات على طبيعة الشبكة بشكل عام ومنصة الشبكة بشكل خاص. ويمكن إجراء تحليل الشبكات على الشبكات غير متصلة بالإنترنت حيث يكون للباحثين القدرة على جمع البيانات باستخدام تقنيات المسح القياسية وجهًا لوجه أو عبر الهاتف أو بمساعدة الكمبيوتر أو الرسائل القصيرة. في هذه الحالات، قام الباحثون برسم خرائط للشبكات المجتمعية غير المتصلة بالإنترنت باستخدام أدوات الاستطلاع التي تطلب من المستجيبين تدوين أسماء الأفراد أو المنظمات المؤثرة بشكل خاص، أو الذين قد يتعاملون معهم في مهمة معينة. يمكن للباحثين بعد ذلك رسم خرائط للشبكات عن طريق تجميع الردود من جميع المستجيبين من المجتمع وترميزها. بهذه الطريقة، يمكن أن يحدد الباحثون الأفراد المؤثرين في المجتمع الذين قد يكونون عُقدًا لنشر المعلومات، وبالأخص في السياقات التي يعتمد فيها الناس بشكل كبير على العائلة والأصدقاء للحصول على الأخبار أو المعلومات.
ولكن مع الاعتماد على واجهات برمجة التطبيقات وشروط الخدمة، يمكن للمنصات الرقمية مثل وسائل الإعلام الاجتماعي تقليل تكاليف جمع بيانات الشبكات. وباستخدام الأدوات المخصصة، بما في ذلك برنامج تحليل الشبكات الاجتماعية، يمكن للباحثين تحليل العلاقات بين المستخدمين وتصورها، بما في ذلك مشاركة المحتوى، ومتابعة العلاقات، والإعجاب أو المشاركة. يمكن أن توفر هذه الأدوات للممارسين فهمًا لهيكل الشبكات على الإنترنت، وبالاقتران مع أدوات تحليل المحتوى، كيفية تفاعل هيكل الشبكة مع أنواع معينة من المحتوى.
Highlight
أداة تسليط الضوء : IFES / NDI VAWIE-أداة تحليل الوسائط الاجتماعية على الإنترنت
خلقت تكنولوجيا المعلومات والاتصالات (ICTs) وسائل جديدة للعنف ضد المرأة في الانتخابات (VAWIE) ، والتي تتفاقم بسبب إخفاء الهوية والنطاق الذي توفره منصات وسائل الإعلام عبر الإنترنت. تقدم أداة جديدة من الوكالة الأمريكية للتنمية الدولية (USAID) والمؤسسة الدولية للأنظمة الانتخابية (IFES) والمعهد الديمقراطي الوطني (NDI) طريقة قابلة للتكيف لقياس الجوانب الجنسانية للإساءة عبر الإنترنت وفهم دوافع هذا العنف . يمكن استخدام أداة تحليل الوسائط الاجتماعية VAWIE-Online من قبل الممثلين من مختلف المهن المهتمين بخطاب الكراهية والعنف عبر الإنترنت ولديهم الدافع لإنهائه.
Highlight
برنامج / أداة تسليط الضوء: تحليلات بيانات المعهد الديمقراطي الوطني لرصد وسائل التواصل الاجتماعي
يسعى المعهد الديمقراطي الوطني إلى تمكين الشركاء للاستفادة من التكنولوجيا لتعزيز الديمقراطية. وهذا يعني تسخير إمكانات التكنولوجيا لتعزيز سلامة المعلومات والمساعدة في بناء ديمقراطيات شاملة ؛ مع التخفيف أيضًا من الضرر الناجم عن المعلومات المضللة وحملات التأثير عبر الإنترنت وخطاب الكراهية والمضايقة والعنف.
لهذا السبب ، طور المعهد الديمقراطي الوطني ، " تحليلات البيانات لرصد وسائل التواصل الاجتماعي " ، وهو دليل للباحثين والناشطين في مجال الديمقراطية.
تم تصميم هذا الدليل الجديد لمساعدة ممارسي الديمقراطية على فهم اتجاهات وسائل التواصل الاجتماعي والمحتوى والبيانات والشبكات بشكل أفضل. من خلال مشاركة الدروس المستفادة وأفضل الممارسات عبر شبكتنا العالمية ، نأمل في تمكين شركائنا من جعل الديمقراطية تعمل عبر الإنترنت من خلال مساعدتهم:
• التعاون مع الشركاء المحليين أو الوطنيين أو الدوليين.
• فهم الأساليب المختلفة لجمع البيانات.
• الاستفادة المثلى من رسم الخرائط وتصور البيانات.
• تحليل النظام البيئي على الإنترنت.
• الكشف عن المحتوى الضار أو الذي تم التلاعب به ومصدره.
• فهم الأدوات المتاحة لجميع جوانب مراقبة وسائل الإعلام الاجتماعية. و
• معرفة كيفية الاستجابة بالبيانات والأساليب والأبحاث وغير ذلك من خلال وسائل التواصل الاجتماعي.
Highlight
برنامج تسليط الضوء: كشف البصمات الرقمية: تعقب المعلومات المضللة الصينية في تايوان.
في يونيو 2019 ، مع الانتخابات المحلية لعام 2018 كنقطة مرجعية ، شرعت Graphika و Institute for the Future (IFTF) Digital Intelligence Lab و المعهد الجمهوري الدولي (IRI) في مشروع بحثي لدراسة بيئة المعلومات عبر الإنترنت بشكل شامل في قبل وأثناء وبعد انتخابات تايوان في كانون الثاني (يناير) 2020 ، مع الوعي بسوابق 2018 وعينًا على حوادث مماثلة محتملة خلال هذه الدورة الانتخابية. قامت Graphika و DigIntel بمراقبة وجمع البيانات من Facebook و Twitter ، والتحقيق في العملاء المتوقعين على العديد من منصات الوسائط الاجتماعية الأخرى ، بما في ذلك Instagram و LINE و PTT و YouTube. دعم المعهد الجمهوري الدولي العديد من المنظمات التايوانية التي أرشفة وتحليل البيانات من مزارع المحتوى ومنصات الوسائط الاجتماعية الأكثر شعبية في الجزيرة. زار فريق البحث تايوان بانتظام ، بما في ذلك أثناء الانتخابات ، للتحدث مع قادة المجتمع المدني والأكاديميين والصحفيين وشركات التكنولوجيا والمسؤولين الحكوميين والمشرعين ولجنة الانتخابات المركزية والأحزاب السياسية. كان الهدف هو فهم تكتيكات المعلومات المضللة والمتجهات والروايات المستخدمة خلال حدث سياسي ذي أهمية حاسمة لمصالح بكين الاستراتيجية. من خلال الاستثمار في المنظمات التي تحقق في المعلومات المضللة باللغة الصينية وعمليات التأثير على CCP ومكافحتها ، كانوا يأملون في زيادة قدرة مجتمع أبحاث المعلومات المضللة العالمي لتتبع وكشف هذا التهديد الناشئ للمعلومات والنزاهة الديمقراطية.
- جادل العديد من الباحثين ضد استخدام الواصف "شبه التجريبي" ، مشيرين إلى أن الباحث إما يتحكم في تخصيص الوحدات للعلاج أو التحكم ، أو أنهم لا يملكون . نحتفظ بالمصطلح نظرًا لاستخدامه الشائع للإشارة إلى طرق مثل التصاميم السابقة / اللاحقة ، وانقطاع الانحدار ، والمتغيرات الآلية ، والاختلاف في الاختلافات ، والمطابقة ، لكننا ندمج الطرق شبه التجريبية وغير التجريبية في فئة واحدة ، مع الاعتراف بالمنطق أن كل منها يستلزم طرقًا للتحكم في عوامل الخلط من خلال أنواع مختلفة من المقارنات.
- يشتمل نفس الأفراد على مجموعات العلاج والمراقبة في هذا القياس ، وهناك العديد من الأسباب بخلاف التدخل ، بما في ذلك اختيار المشاركين ، والتي يمكن أن تفسر بشكل معقول التغييرات في النتائج بين الاختبارات السابقة والاختبارات اللاحقة. على سبيل المثال ، قد يتم الإعلان عن برنامج محو الأمية الإعلامية للمشاركين المحتملين المرتبطين بالمنظمات المنفذة بطريقة ما ، وبالتالي قد يكونون أكثر ثراءً أو أكثر تعليماً من المواطن العادي. في هذه الحالة ، يمكن لبعض خصائص المشاركين (مثل التعليم أو القدرة على التعلم) أن تؤدي إلى زيادة درجات الاختبار بين الاختبارات السابقة واللاحقة ، بغض النظر عن أي محتوى في البرنامج. في هذه الحالة ، قد يؤدي تصميم الاختبار القبلي / اللاحق الباحثين أو الممارسين إلى المبالغة في تقدير التأثير الفعلي للبرنامج.
- انظر ، على سبيل المثال ، ويبلز ، إريك. الركائز الاجتماعية للحكم اللامركزي: الشبكات والتكنولوجيا ومستقبل المساءلة الاجتماعية ". في الحوكمة والمساءلة اللامركزية: البحث الأكاديمي ومستقبل برمجة المانحين ، 14-40. نيويورك: مطبعة جامعة كامبريدج ، 2019.