نظارت و ارزیابی مادیول هفتم درس دوم

روش‌های دیجیتال برای تضمین کیفیت داده‌ها

ابزارهای جمع‌آوری دیجیتال داده، مکانیزم‌های خودکار برای کاهش اشتباه و افزایش دقت ارائه می‌دهند.

•       قوانین اعتبارسنجی درون‌ساخت (Built-in Validation Rules): فورم‌ها دارای محدودیت‌هایی مانند فیلدهای الزامی و بخش ها یا دامنه‌های عددی مجاز هستند.
مثال:  یک اپلیکیشن موبایلی صحی در قندهار اجازه ورود سن‌های غیرممکن برای کودکان را نمی‌داد.

•       منطق پرش  (Skip Logic) :  سوالات بر اساس پاسخ‌های قبلی نمایش داده می‌شوند تا ارتباط حفظ شده و خستگی پاسخ‌دهنده کاهش یابد.
مثال:  در سروی کووید-19 یک NGO، فقط کسانی که گفته بودند درباره ویروس شنیده‌اند، سوالات دقیق‌تر درباره رفتارهای پیشگیرانه را دریافت کردند.

•       بررسی‌های خودکار داده (Automated Data Checks) :  سیستم، ورودی‌های ناسازگار یا دور از انتظار را علامت‌گذاری می‌کند.
مثال:  استفاده از ODK در بامیان، زمانی که تعداد واکسین‌های ثبت‌شده بیش از حد انتظار بود، هشدارهایی را برای بررسی به مسولین ارسال کرد.

•       هشدار فوری در محل  (Real-Time Error Flagging) :  ابزارهایی مانند KoboToolbox به جمع‌آورندگان داده هشدار فوری می‌دهند تا اشتباهات را در همان محل اصلاح کنند.
مثال:  تیم‌های ساحوی در کابل هنگام ارزیابی نیازهای مهاجرین، فوراً از طریق سیستم از کمبود رضایت‌نامه مطلع شدند.

•       آموزش  (Training) :  آموزش جامع روی روش‌های عادی و دیجیتال برای حفظ کیفیت داده‌ها ضروری است.
مثال:  یک NGO در جلال‌آباد که پروژه صحت مادران را تطبیق می‌کرد، چندین جلسه عملی برای آشنایی جمع‌آورندگان داده با تبلت و معیارهای کیفیت برگزار کرد.