در این اپیزود سراغ یکی از مشهورترین شکست‌های تاریخ داده می‌رویم؛ داستان مجله‌ی لیترری دایجست و نظرسنجی انتخاباتی ۱۹۳۶ که با بیش از دو میلیون جواب، یکی از فاجعه‌بارترین پیش‌بینی‌های آماری قرن بیستم را رقم زد.

🗳️ همراه لیترری دایجست وارد دنیای عددهای بزرگ می‌شویم؛ جایی که حجم عظیم داده، اعتماد بیش‌ازحد به نمونه و نادیده گرفتن واقعیت‌های اجتماعی، مسیر را از حقیقت منحرف کرد.

📊 سوگیری پنهان در داده‌ها: بررسی می‌کنیم چگونه چارچوب نمونه‌گیری اشتباه، سوگیری طبقاتی و عدم پاسخ، باعث شد پیش‌بینی مجله با واقعیت انتخابات اختلافی تاریخی پیدا کند.

🔍 در ادامه، به ظهور جورج گالوپ می‌رسیم؛ جایی که تأکید بر نمایندگی آماری، مسیر علم نظرسنجی را از «داده‌ی زیاد» به «داده‌ی درست» تغییر داد و درس‌هایی ماندگار برای دنیای کلان‌داده امروز ساخت.

📚 منابع مهم این اپیزود:

· مقاله‌ی «Why the 1936 Literary Digest Poll Failed» نوشته‌ی Peverill Squire در Public Opinion Quarterly — تحلیل عمیق علل خطای نظرسنجی و نقش سوگیری‌های نمونه‌گیری و عدم پاسخ.

· مقاله‌ی «President Landon and the 1936 Literary Digest Poll: Were Automobile and Telephone Owners to Blame? » منتشرشده در Social Science History — بررسی علمی‌تر درباره نقش فهرست‌های تلفن و ثبت خودرو در سوگیری نمونه‌گیری.

· مقاله‌ی «Roosevelt Predicted to Win: Revisiting the 1936 Literary Digest Poll» در Statistics, Politics and Policy — بازخوانی آماری نظرسنجی و پیشنهادهای تعدیلی که می‌توانست پیش‌بینی صحیح بدهد.

· صفحه «The Literary Digest» در ویکی‌پدیا — مروری بر تاریخچه‌ی مجله، نظرسنجی ۱۹۳۶ و پیامدهای آن.

📧 ایمیل پادکست: dataspy.pod@gmail.com

🎶 موسیقی: Cosmic Revelation (Pixabay Website)