چگونه تکنیک پاسخ تصادفی و آزمایش لیستی پاسخ‌های صادقانه به سوالات حساس نظرسنجی را استخراج می‌کنند

وقتی نظرسنجان می‌خواهند سن یا سطح تحصیلات یک رای‌دهنده را بدانند، به سادگی و به طور مستقیم می‌پرسند، با این فرض که پاسخ‌دهنده دلیلی برای دروغ گفتن ندارد. اما وقتی سوال به سمت مصرف مواد مخدر غیرقانونی، تعصبات نژادی یا فرار مالیاتی می‌رود، این رویکرد مستقیم با شکست مواجه می‌شود. برای سنجش رفتارهایی که افراد فعالانه می‌خواهند پنهان کنند، محققان نظرسنجی نمی‌توانند از پرسشنامه‌های استاندارد استفاده کنند. در عوض، آن‌ها از روش‌های نظرسنجی رمزنگاری‌شده مانند تکنیک پاسخ تصادفی و آزمایش لیستی استفاده می‌کنند تا داده‌های کلان و صادقانه را بدون اطلاع از راز واقعی افراد استخراج کنند. این روش‌های غیرمستقیم از نظر ریاضی ارتباط بین پاسخ یک فرد و وضعیت واقعی او را قطع می‌کنند و امکان انکار موجهی را فراهم می‌سازند که برای گرفتن پاسخ‌های صادقانه درباره موضوعات بسیار حساس ضروری است.

مشکل اصلی که این روش‌ها حل می‌کنند، سوگیری مطلوبیت اجتماعی است؛ تمایل مستند انسان‌ها به کمتر گزارش دادن رفتارهای ناپسند اجتماعی یا غیرقانونی و در عین حال بیشتر گزارش دادن رفتارهای فضیلت‌مندانه. بانک جهانی در دستورالعمل‌های روش‌شناسی خود خاطرنشان می‌کند: «در هر شرایطی، سوال حساس سوالی است که فکر می‌کنید احتمال دروغ گفتن پاسخ‌دهندگان در مورد آن به طور قابل‌توجهی بیشتر از بقیه سوالات شماست.» وقتی پاسخ‌دهندگان از قضاوت یا عواقب قانونی می‌ترسند، به طور سیستماتیک پاسخ‌های خود را تغییر می‌دهند. برای دور زدن این موضوع، آماردانان تکنیک‌های پرسش غیرمستقیم را توسعه داده‌اند که دقت کلان را بر داده‌های سطح فردی ترجیح می‌دهند و این مبادله را می‌پذیرند که برای دستیابی به برآوردهای معتبر از شیوع، به حجم نمونه‌های بزرگ‌تری نیاز است.[1]

قدیمی‌ترینِ این روش‌ها، تکنیک پاسخ تصادفی است که نویز تصادفی را وارد فرآیند نظرسنجی می‌کند. در یک طراحی استاندارد پاسخ اجباری، از پاسخ‌دهنده یک سوال حساس پرسیده می‌شود - مانند اینکه آیا جرم خاصی مرتکب شده است یا خیر - اما ابتدا به او دستور داده می‌شود که از یک ابزار تصادفی‌سازی، مانند پرتاب سکه، دور از چشم پرسشگر استفاده کند. اگر سکه روی شیر بیاید، او باید به طور خودکار و صرف‌نظر از حقیقت، پاسخ «بله» بدهد. اگر روی خط بیاید، باید صادقانه به سوال حساس پاسخ دهد. از آنجا که پرسشگر نتیجه پرتاب سکه را نمی‌داند، پاسخ «بله» نمی‌تواند به عنوان اعتراف به گناه تفسیر شود.[5]

با وجود پنهان بودن پاسخ‌های فردی، ریاضیات تکنیک پاسخ تصادفی به محققان اجازه می‌دهد داده‌های دقیق در سطح جمعیت را استخراج کنند. محقق می‌داند که دقیقاً ۵۰ درصد از نمونه به دلیل آمدن شیر در پرتاب سکه مجبور به گفتن «بله» شده‌اند. با کم کردن این ۵۰ درصد مورد انتظار از کل نسبت پاسخ‌های «بله» و دو برابر کردن باقیمانده، محقق می‌تواند شیوع دقیق رفتار حساس را در کل جمعیت محاسبه کند. این مکانیسم ناشناس ماندن کامل فرد را حفظ می‌کند و در عین حال آمار کلان مورد نیاز برای تحقیقات جامعه‌شناختی یا بهداشت عمومی را ارائه می‌دهد.[5]

با این حال، تکنیک پاسخ تصادفی با وجود ظرافت ریاضی خود، در عمل به دلیل بار شناختی و پارانویای پاسخ‌دهنده با مشکلاتی مواجه است. مطالعات اعتبارسنجی نشان داده‌اند که پاسخ‌دهندگان اغلب به این مکانیسم اعتماد نمی‌کنند. از آنجا که هم پاسخ‌دهندگان گناهکار و هم بی‌گناه تحت شرایط خاصی مجبور به گفتن «بله» هستند، بسیاری از پاسخ‌دهندگان بی‌گناه از ترس اینکه مورد قضاوت اشتباه قرار گیرند، به سادگی از انجام این کار امتناع می‌ورزند. این امر یک سوگیری قوی «نه کاذب» ایجاد می‌کند که برآوردهای نهایی را منحرف می‌سازد، زیرا شرکت‌کنندگان دستورالعمل‌های پیچیده را به نفع محافظت از بی‌گناهی درک‌شده خود نادیده می‌گیرند.[5]

برای حل مشکل کمبود اعتماد، محققان به طور فزاینده‌ای به یک جایگزین ساده‌تر تکیه می‌کنند: آزمایش لیستی که به عنوان تکنیک شمارش تطبیق‌نیافته نیز شناخته می‌شود. به جای پرتاب سکه، نمونه به طور تصادفی به ۲ گروه تقسیم می‌شود. به گروه کنترل لیستی از، به عنوان مثال، ۴ عبارت بی‌خطر ارائه می‌شود و از آن‌ها خواسته می‌شود فقط تعداد کل عباراتی که در موردشان صدق می‌کند را گزارش دهند، نه اینکه دقیقاً کدام موارد. این فرمت نیاز به ابزار تصادفی‌سازی فیزیکی را از بین می‌برد و بار شناختی را برای شرکت‌کننده کاهش می‌دهد.[1][2]

گروه آزمایش دقیقاً همان لیست ۴ عبارت بی‌خطر را به علاوه ۱ مورد حساس اضافی دریافت می‌کند که مجموع را به ۵ می‌رساند. از آنجا که پاسخ‌دهندگان فقط یک عدد صحیح را ارائه می‌دهند که نشان‌دهنده تعداد کل آن‌هاست، محقق نمی‌تواند پاسخ آن‌ها به مورد حساس را به طور کامل استنباط کند، مگر اینکه آن‌ها عدد ۰ یا ۵ را گزارش دهند. با کم کردن میانگین شمارش گروه کنترل از میانگین شمارش گروه آزمایش، محقق نسبت دقیق جمعیتی را که با عبارت حساس موافق هستند، جدا می‌کند.[1][2]

آزمایش لیستی قدرت آماری را با انطباق بیشتر پاسخ‌دهنده مبادله می‌کند. از آنجا که این روش از طریق واریانس موارد بی‌خطر نویز ایجاد می‌کند، برای تشخیص اثرات به حجم نمونه بسیار بزرگ‌تری نیاز دارد. همانطور که بانک جهانی اشاره می‌کند، محققان ممکن است در برخی طراحی‌های بهینه‌شده فقط نیاز داشته باشند ۵ تا ۱۰ درصد از نمونه خود را به گروه پاسخ مستقیم اختصاص دهند، اما حجم کلی نمونه همچنان باید بزرگ باشد. موسسه Gradient Metrics تاکید می‌کند که محققان باید موارد پایه را با دقت متعادل کنند؛ اگر سوالات کنترل کاملاً نامرتبط باشند یا توزیع‌های چوله‌ای داشته باشند، خود آزمایش ممکن است نحوه تعامل پاسخ‌دهندگان با لیست را تغییر دهد.[1][2]

برای اینکه یک آزمایش لیستی در میدان به طور موثر کار کند، باید دو فرض سختگیرانه برقرار باشد. اول، فرض «بدون دروغگو» دیکته می‌کند که حریم خصوصی اضافه‌شده واقعاً پاسخ‌دهندگان را متقاعد می‌کند تا در مورد مورد حساس حقیقت را بگویند. دوم، فرض «بدون اثرات طراحی» ایجاب می‌کند که افزودن مورد حساس نحوه ارزیابی ۴ عبارت پایه توسط شرکت‌کنندگان را تغییر ندهد. محققان Oxford Academic خاطرنشان می‌کنند که این مفروضات برای اعتبار بسیار مهم هستند. وقتی این شرایط برآورده شوند، این تکنیک با فراهم کردن یک محیط امن روانی برای افشا و از بین بردن ترسی که باعث سوگیری مطلوبیت اجتماعی می‌شود، بسیار بهتر از پرسش مستقیم عمل می‌کند.[3]

کارایی این روش‌ها صرفاً نظری نیست. در یک مطالعه اعتبارسنجی تجربی برجسته، محققان دانشگاه پرینستون این تکنیک‌ها را در برابر نتیجه واقعی همه‌پرسی ضد سقط جنین در انتخابات عمومی سال ۲۰۱۱ می‌سی‌سی‌پی آزمایش کردند. آن‌ها ۳ روش غیرمستقیم محبوب را با تکنیک‌های استاندارد نظرسنجی مقایسه کردند. محققان نتیجه گرفتند: «در حالی که پرسش مستقیم منجر به دست‌کم گرفتن قابل‌توجه آرای حساس علیه همه‌پرسی می‌شود، تکنیک‌های نظرسنجی غیرمستقیم برآوردهایی بسیار نزدیک‌تر به تعداد واقعی آرا ارائه می‌دهند.» مرز بعدی برای روش‌شناسان، تطبیق این تکنیک‌های آنالوگ برای نظرسنجی‌های مبتنی بر موبایل است، جایی که عمل فیزیکی پرتاب سکه باید با تصادفی‌سازی دیجیتالی جایگزین شود که کاربران واقعاً به آن اعتماد دارند.[4]