റെൻസിസ് ലൈക്കർട്ട് വികസിപ്പിച്ച ലൈക്കർട്ട് സ്കെയിൽ, വിദ്യാഭ്യാസ, സാമൂഹിക ശാസ്ത്ര ഗവേഷണത്തിൽ സംഗ്രഹിച്ച റേറ്റിംഗ് സ്കെയിലിന്റെ ഏറ്റവും ജനപ്രിയമായ വ്യതിയാനങ്ങളിൽ ഒന്നാണ്.
ഇതിന്റെ പ്രാധാന്യം ഗവേഷണത്തിലെ ലൈക്കർട്ട് സ്കെയിൽ അനിഷേധ്യമാണ്, പ്രത്യേകിച്ച് മനോഭാവം, അഭിപ്രായം, പെരുമാറ്റം, മുൻഗണനകൾ എന്നിവ അളക്കുമ്പോൾ.
ഈ ലേഖനത്തിൽ, ഞങ്ങൾ ഗവേഷണത്തിലെ ലൈക്കർട്ട് സ്കെയിലിന്റെ അർത്ഥത്തിലേക്കും അതുപോലെ തന്നെ അത് എപ്പോൾ, എങ്ങനെ മികച്ച ഗവേഷണത്തിൽ ഉപയോഗിക്കണം, അത് ഗുണപരമോ അളവുകോൽ ഗവേഷണമോ ആകട്ടെ.
പൊതു അവലോകനം
| ലൈക്കർട്ട് സ്കെയിൽ കണ്ടുപിടിച്ചത് ആരാണ്? | റെൻസിസ് ലൈക്കർട്ട് |
| എപ്പോഴാണ് ലൈക്കർട്ട് സ്കെയിൽ വികസിപ്പിച്ചത്? | 1932 |
| ഗവേഷണത്തിലെ ഒരു സാധാരണ ലൈക്കർട്ട് സ്കെയിൽ എന്താണ്? | 5- അല്ലെങ്കിൽ 7-പോയിന്റ് ഓർഡിനൽ സ്കെയിൽ |
ഉള്ളടക്ക പട്ടിക:
ഗവേഷണത്തിലെ ലൈക്കർട്ട് സ്കെയിൽ എന്താണ്?
1932-ൽ വികസിപ്പിച്ചെടുത്ത അതിന്റെ സ്രഷ്ടാവായ റെൻസിസ് ലിക്കർട്ടിന്റെ പേരിലാണ് ലൈക്കർട്ട് സ്കെയിലിന് പേര് നൽകിയിരിക്കുന്നത്. സർവേ ഗവേഷണത്തിൽ, യഥാർത്ഥമോ സാങ്കൽപ്പികമോ ആയ സാഹചര്യത്തിനായി മനോഭാവങ്ങളും മൂല്യങ്ങളും അഭിപ്രായങ്ങളും അളക്കാൻ ഉപയോഗിക്കുന്ന ഏറ്റവും സാധാരണമായ അളവെടുപ്പ് സ്കെയിലാണിത്. പഠനം.
ലൈക്കർട്ട് സ്കെയിൽ മെഷർമെന്റ് മെത്തഡോളജിയുടെ അടിസ്ഥാന തത്വം, ഒരു ലൈക്കർട്ട് സ്കെയിൽ നൽകുന്ന സ്കോറുകൾ സ്കെയിലിലെ ഒന്നിലധികം ഇനങ്ങളോടുള്ള ഒരു വ്യക്തിയുടെ പ്രതികരണങ്ങളിൽ നിന്ന് പുറപ്പെടുന്ന സംയോജിത (സംഗ്രഹിച്ച) സ്കോറുകളാണ് എന്നതാണ്. ഉദാഹരണത്തിന്, ഒരു മെട്രിക് സ്കെയിലിൽ നൽകിയിരിക്കുന്ന പ്രസ്താവന (ഇനങ്ങൾ) ഉപയോഗിച്ച് അവരുടെ കരാറിന്റെ നില (ശക്തമായി വിയോജിക്കുന്നത് മുതൽ ശക്തമായി അംഗീകരിക്കുന്നത് വരെ) കാണിക്കാൻ പങ്കാളികളോട് ആവശ്യപ്പെടുന്നു.
ലൈക്കർട്ട് സ്കെയിൽ വേഴ്സസ് ലൈക്കർട്ട് ഇനം
ലൈക്കർട്ട് സ്കെയിൽ, ലൈക്കർട്ട് ഇനം എന്നീ പദങ്ങൾക്കിടയിൽ ആളുകൾ ആശയക്കുഴപ്പത്തിലാകുന്നത് സാധാരണമാണ്. ഓരോ ലൈക്കർട്ട് സ്കെയിലിലും നിരവധി ലൈക്കർട്ട് ഇനങ്ങൾ അടങ്ങിയിരിക്കുന്നു.
- ഒരു സർവേയിൽ വിലയിരുത്താൻ പ്രതികരിക്കുന്നയാളോട് ആവശ്യപ്പെടുന്ന ഒരു വ്യക്തിഗത പ്രസ്താവനയോ ചോദ്യമോ ആണ് ലൈക്കർട്ട് ഇനം.
- ലൈക്കർട്ട് ഇനങ്ങൾ സാധാരണയായി പങ്കെടുക്കുന്നവർക്ക് അഞ്ചിനും ഏഴിനും ഇടയിലുള്ള റാങ്ക് ഓപ്‌ഷനുകൾക്കിടയിൽ ഒരു ചോയ്‌സ് വാഗ്ദാനം ചെയ്യുന്നു, മധ്യ ഓപ്ഷൻ നിഷ്പക്ഷമാണ്, ഉദാ “അങ്ങേയറ്റം അസംതൃപ്തി” മുതൽ “അങ്ങേയറ്റം സംതൃപ്തി” വരെ
ഫലപ്രദമായ സർവേയ്ക്കുള്ള നുറുങ്ങുകൾ
AhaSlides ഉപയോഗിച്ച് ഓൺലൈനായി സർവേ സൃഷ്ടിക്കുക
മുകളിലുള്ള ഏതെങ്കിലും ഉദാഹരണങ്ങൾ ടെംപ്ലേറ്റുകളായി നേടുക. സൗജന്യമായി സൈൻ അപ്പ് ചെയ്‌ത് AhaSlides ടെംപ്ലേറ്റ് ലൈബ്രറി ഉപയോഗിച്ച് ഓൺലൈനായി സർവേ സൃഷ്ടിക്കുക!
സൗജന്യമായി സൈൻ അപ്പ് ചെയ്യുക☁️
ഗവേഷണത്തിലെ ലൈക്കർട്ട് സ്കെയിലിന്റെ തരങ്ങൾ എന്തൊക്കെയാണ്?
പൊതുവേ, ലൈക്കർട്ട്-ടൈപ്പ് ചോദ്യങ്ങൾ യൂണിപോളാർ അല്ലെങ്കിൽ ബൈപോളാർ സ്കെയിലുകൾ ഉൾക്കൊള്ളാം.
- യൂണിപോളാർ ലൈക്കർട്ട് സ്കെയിലുകൾ ഒരൊറ്റ അളവ് അളക്കുക. പ്രതികരിക്കുന്നവർ ഒരു പ്രത്യേക വീക്ഷണത്തെയോ മനോഭാവത്തെയോ എത്രത്തോളം അംഗീകരിക്കുന്നു എന്ന് വിലയിരുത്തുന്നതിന് അവ നന്നായി യോജിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരിക്കലും/എല്ലായ്‌പ്പോഴും, ഒട്ടും സാദ്ധ്യമല്ല/വളരെ സാദ്ധ്യതയില്ലാത്തത് മുതലായവ ഉപയോഗിച്ച് സ്കെയിലുകൾ ഉപയോഗിച്ചാണ് ഫ്രീക്വൻസികൾ അല്ലെങ്കിൽ പ്രോബബിലിറ്റികൾ അളക്കുന്നത്. അവയെല്ലാം ഏകധ്രുവമാണ്.
- ബൈപോളാർ ലൈക്കർട്ട് സ്കെയിലുകൾ സംതൃപ്തിയും അസംതൃപ്തിയും പോലെയുള്ള രണ്ട് വിപരീത ഘടനകളെ അളക്കുക. പ്രതികരണ ഓപ്ഷനുകൾ പോസിറ്റീവ് മുതൽ നെഗറ്റീവ് വരെ തുടർച്ചയായി ക്രമീകരിച്ചിരിക്കുന്നു, മധ്യത്തിൽ ഒരു ന്യൂട്രൽ ഓപ്ഷൻ. ഒരു പ്രത്യേക വിഷയത്തോടുള്ള പോസിറ്റീവ്, നെഗറ്റീവ് വികാരങ്ങൾ തമ്മിലുള്ള സന്തുലിതാവസ്ഥ വിലയിരുത്താൻ അവർ പലപ്പോഴും ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, യോജിക്കുന്നു/വിയോജിക്കുന്നു, സംതൃപ്തി/അതൃപ്തി, നല്ലത്/ചീത്ത എന്നിവ ബൈപോളാർ ആശയങ്ങളാണ്.
| യൂണിപോളാർ സ്കെയിൽ ഉദാഹരണം | ബൈപോളാർ സ്കെയിൽ ഉദാഹരണം |
| ○ ശക്തമായി സമ്മതിക്കുന്നു ○ ഒരു പരിധിവരെ സമ്മതിക്കുന്നു ○ മിതമായി സമ്മതിക്കുന്നു ○ ഒട്ടും യോജിക്കുന്നില്ല | ○ ശക്തമായി സമ്മതിക്കുന്നു ○ ഒരു പരിധിവരെ സമ്മതിക്കുന്നു ○ സമ്മതിക്കുകയോ വിയോജിക്കുകയോ ഇല്ല ○ ഒരു പരിധിവരെ വിയോജിക്കുന്നു ○ ശക്തമായി വിയോജിക്കുന്നു |
ഈ രണ്ട് പ്രധാന തരങ്ങൾക്ക് പുറമേ, രണ്ട് തരത്തിലുള്ള ലൈക്കർട്ട് സ്കെയിൽ പ്രതികരണ ഓപ്ഷനുകൾ ഉണ്ട്:
- വിചിത്രമായ ലൈക്കർട്ട് സ്കെയിലുകൾ 3, 5, അല്ലെങ്കിൽ 7 പോലെയുള്ള ഒറ്റസംഖ്യ പ്രതികരണ ഓപ്ഷനുകൾ ഉണ്ട്. ഒറ്റ ലൈക്കർട്ട് സ്കെയിൽ ചോദ്യങ്ങൾക്ക് ഉത്തര പ്രതികരണങ്ങളിൽ ഒരു ന്യൂട്രൽ ഓപ്ഷൻ ഉണ്ട്.
- ലൈക്കർട്ട് സ്കെയിലുകൾ പോലും 4 അല്ലെങ്കിൽ 6 പോലുള്ള ഇരട്ട പ്രതികരണ ഓപ്ഷനുകൾ ഉണ്ട്. പ്രസ്താവനയ്ക്ക് അനുകൂലമായോ പ്രതികൂലമായോ ഒരു നിലപാട് എടുക്കാൻ പ്രതികരിക്കുന്നവരെ നിർബന്ധിക്കുന്നതിനാണ് ഇത് ചെയ്യുന്നത്.
ഗവേഷണത്തിൽ ലൈക്കർട്ട് സ്കെയിലിന്റെ പ്രാധാന്യം എന്താണ്?
ലൈക്കർട്ട് സ്കെയിൽ ഉപയോഗിക്കാനും മനസ്സിലാക്കാനും എളുപ്പമാണ്, അത് താരതമ്യേന വിശ്വസനീയവും സാധുതയുള്ളതുമാണ്. മനഃശാസ്ത്രം, സാമൂഹ്യശാസ്ത്രം, വിദ്യാഭ്യാസം, വിപണനം എന്നിവയുൾപ്പെടെ വിവിധ മേഖലകളിലെ ഗവേഷകർക്ക് ഇത് ഒരു ജനപ്രിയ തിരഞ്ഞെടുപ്പായി മാറുന്നു.
എന്തുകൊണ്ടാണ് ഒരു ലൈക്കർട്ട് സ്കെയിൽ ഗവേഷണത്തിൽ ഇഷ്ടപ്പെട്ട സ്കെയിൽ ആയിരിക്കുന്നത്? ലൈക്കർട്ട് സ്കെയിൽ വ്യാപകമായി ഉപയോഗിക്കുന്നതിനുള്ള ചില കാരണങ്ങൾ ഇതാ:
- മനോഭാവങ്ങൾ പെരുമാറ്റങ്ങളെ സ്വാധീനിക്കുന്നു, എന്നാൽ തൽക്ഷണം നിരീക്ഷിക്കാൻ കഴിയില്ല, അവ ഒരു വ്യക്തിയുടെ വൈവിധ്യമാർന്ന പ്രവർത്തനങ്ങളിലൂടെയോ പ്രഖ്യാപനങ്ങളിലൂടെയോ അനുമാനിക്കേണ്ടതാണ്. അതുകൊണ്ടാണ് മനോഭാവത്തിന്റെ വിവിധ വശങ്ങളെ അഭിസംബോധന ചെയ്യാൻ ലൈക്കർട്ട് സ്കെയിൽ ചോദ്യാവലി വരുന്നത്.
- പ്രതികരണങ്ങൾ ശേഖരിക്കുന്നതിനായി ലൈക്കർട്ട് സ്കെയിലുകൾ ഒരു സ്റ്റാൻഡേർഡ് ഫോർമാറ്റ് വാഗ്ദാനം ചെയ്യുന്നു, എല്ലാ പ്രതികരിക്കുന്നവരും ഒരേ സെറ്റ് ചോദ്യങ്ങൾക്ക് ഒരേ രീതിയിൽ ഉത്തരം നൽകുന്നുവെന്ന് ഉറപ്പാക്കുന്നു. ഈ സ്റ്റാൻഡേർഡൈസേഷൻ ഡാറ്റയുടെ വിശ്വാസ്യതയും താരതമ്യവും വർദ്ധിപ്പിക്കുന്നു.
- ധാരാളം പ്രതികരിക്കുന്നവരിൽ നിന്ന് വലിയ അളവിലുള്ള ഡാറ്റ ശേഖരിക്കുന്നതിന് ലൈക്കർട്ട് സ്കെയിലുകൾ കാര്യക്ഷമമാണ്, ഇത് സർവേ ഗവേഷണത്തിന് അനുയോജ്യമാക്കുന്നു.
ഗവേഷണത്തിൽ ലൈക്കർട്ട് സ്കെയിൽ എങ്ങനെ ഉപയോഗിക്കാം
ഗവേഷണത്തിലെ ലൈക്കർട്ട് സ്കെയിലിന്റെ ഫലപ്രാപ്തി വിവിധ ഘടകങ്ങളാൽ സ്വാധീനിക്കപ്പെടുന്നു. ലൈക്കർട്ട് സ്കെയിൽ ഉപയോഗിച്ച് ഒരു ചോദ്യാവലി രൂപകൽപ്പന ചെയ്യാൻ നിങ്ങളെ സഹായിക്കുന്ന ചില നുറുങ്ങുകൾ ഇതാ:
#1. ഒരു ചോദ്യാവലിയുടെ ലക്ഷ്യങ്ങൾ
ഏതൊരു ചോദ്യാവലിക്കും മൂന്ന് പ്രത്യേക ലക്ഷ്യങ്ങളുണ്ട്. നിങ്ങൾ ഉത്തരം നൽകാൻ ലക്ഷ്യമിടുന്ന പ്രധാന ഗവേഷണ ചോദ്യങ്ങളുമായി ചോദ്യാവലി ഡിസൈൻ ആരംഭിക്കേണ്ടത് ആവശ്യമാണ്.
#2. ചോദ്യ രൂപകൽപ്പന ശ്രദ്ധിക്കുക
പ്രതികരിക്കുന്നയാളുടെ കഴിവില്ലായ്മയും ഉത്തരം നൽകാനുള്ള മനസ്സില്ലായ്മയും മറികടക്കാൻ ചോദ്യങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നത് നിർണായകമാണ്.
- പ്രതിയെ അറിയിച്ചിട്ടുണ്ടോ?
- പ്രതികരിക്കുന്നവരെ അറിയിക്കാൻ സാധ്യതയില്ലെങ്കിൽ, വിഷയങ്ങളെക്കുറിച്ചുള്ള ചോദ്യങ്ങൾക്ക് മുമ്പ് പരിചിതത്വം, ഉൽപ്പന്ന ഉപയോഗം, മുൻകാല അനുഭവങ്ങൾ എന്നിവ അളക്കുന്ന ഫിൽട്ടർ ചോദ്യങ്ങൾ ചോദിക്കണം.
- പ്രതിക്ക് ഓർക്കാൻ കഴിയുമോ?
- ഒഴിവാക്കൽ, ദൂരദർശിനി, സൃഷ്ടിക്കൽ എന്നിവയുടെ പിശകുകൾ ഒഴിവാക്കുക.
- പ്രതികരിക്കുന്നയാൾക്ക് സൂചനകൾ നൽകാത്ത ചോദ്യങ്ങൾ ഒരു സംഭവത്തിന്റെ യഥാർത്ഥ സംഭവത്തെ കുറച്ചുകാണാം.
- പ്രതിക്ക് പറയാൻ കഴിയുമോ?
- പ്രതികരിക്കുന്നവരുടെ പരിശ്രമം പരമാവധി കുറയ്ക്കുക.
- ചോദ്യങ്ങൾ ചോദിക്കുന്ന സന്ദർഭം ഉചിതമാണോ?
- വിവരങ്ങൾക്കായുള്ള അഭ്യർത്ഥന നിയമാനുസൃതമാണെന്ന് തോന്നിപ്പിക്കുക.
- വിവരങ്ങൾ സെൻസിറ്റീവ് ആണെങ്കിൽ:
നിങ്ങൾക്ക് ഇതുകൂടി ഇഷ്ടപ്പെട്ടേക്കാം: 12-ൽ SurveyMonkey-ന് 2023+ സൗജന്യ ഇതരമാർഗങ്ങൾ
#3. ചോദ്യ-പദാവലി തിരഞ്ഞെടുക്കുക
നന്നായി എഴുതിയ ചോദ്യങ്ങൾക്ക്, ഞങ്ങൾ ഇനിപ്പറയുന്ന മാർഗ്ഗനിർദ്ദേശങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു:
- പ്രശ്നം നിർവചിക്കുക
- സാധാരണ വാക്കുകൾ ഉപയോഗിക്കുക
- അവ്യക്തമായ വാക്കുകൾ ഉപയോഗിക്കുക
- പ്രധാന ചോദ്യങ്ങൾ ഒഴിവാക്കുക
- പരോക്ഷമായ ബദലുകൾ ഒഴിവാക്കുക
- പരോക്ഷമായ അനുമാനങ്ങൾ ഒഴിവാക്കുക
- പൊതുവൽക്കരണങ്ങളും എസ്റ്റിമേറ്റുകളും ഒഴിവാക്കുക
- പോസിറ്റീവ്, നെഗറ്റീവ് പ്രസ്താവനകൾ ഉപയോഗിക്കുക.
നിങ്ങൾക്ക് ഇതുകൂടി ഇഷ്ടപ്പെട്ടേക്കാം: 65+ ഫലപ്രദമായ സർവേ ചോദ്യ സാമ്പിളുകൾ + സൗജന്യ ടെംപ്ലേറ്റുകൾ
#4. ലൈക്കർട്ട് സ്കെയിൽ പ്രതികരണ ഓപ്ഷനുകൾ തിരഞ്ഞെടുക്കുക
നിങ്ങൾ ഒരു ന്യൂട്രൽ അല്ലെങ്കിൽ മിഡ്‌പോയിന്റ് ഓപ്ഷൻ ഉൾപ്പെടുത്താൻ ആഗ്രഹിക്കുന്നുണ്ടോ എന്നതിനെ ആശ്രയിച്ച്, നിങ്ങൾ ബൈപോളാർ അല്ലെങ്കിൽ യൂണിപോളാർ, ഒറ്റ അല്ലെങ്കിൽ ഇരട്ട ലൈക്കർട്ട് സ്കെയിൽ ഉപയോഗിക്കണോ എന്ന് തീരുമാനിക്കുക.
മുമ്പത്തെ ഗവേഷകർ ഇതിനകം വികസിപ്പിച്ചതും അംഗീകരിച്ചതുമായ ലഭ്യമായ അളവെടുപ്പ് നിർമ്മാണങ്ങളും ഇനങ്ങളും നിങ്ങൾ റഫർ ചെയ്യണം. പ്രത്യേകിച്ചും കർശനമായ മാനദണ്ഡങ്ങളോടെയുള്ള അക്കാദമിക് ഗവേഷണം വരുമ്പോൾ.
കീ ടേക്ക്അവേസ്
ലൈക്കർട്ട് സ്കെയിലുകൾ ഉപയോഗിക്കുന്നതിൽ നിങ്ങളുടെ വൈദഗ്ധ്യം പരീക്ഷിക്കുന്നതിനും നിങ്ങളുടെ ഗവേഷണത്തിനായി വിലപ്പെട്ട ഉൾക്കാഴ്ചകൾ ശേഖരിക്കുന്നതിനും തയ്യാറാണോ? അടുത്ത ഘട്ടം എടുത്ത് ശക്തമായ സർവേകൾ സൃഷ്ടിക്കുക AhaSlides.
AhaSlides ഉപയോക്തൃ-സൗഹൃദ സർവേ ക്രിയേഷൻ ടൂളുകൾ, തത്സമയ പ്രതികരണ ട്രാക്കിംഗ്, ഇഷ്ടാനുസൃതമാക്കാവുന്ന ലൈക്കർട്ട് സ്കെയിൽ ഓപ്ഷനുകൾ എന്നിവ വാഗ്ദാനം ചെയ്യുന്നു. ഇന്ന് തന്നെ ആകർഷകമായ സർവേകൾ രൂപകൽപന ചെയ്തുകൊണ്ട് നിങ്ങളുടെ ഗവേഷണം പരമാവധി പ്രയോജനപ്പെടുത്താൻ ആരംഭിക്കുക!
പതിവ് ചോദ്യങ്ങൾ
ഗവേഷണത്തിൽ ലൈക്കർട്ട് സ്കെയിൽ ഡാറ്റ എങ്ങനെ വിശകലനം ചെയ്യാം?
ലൈക്കർട്ട് സ്കെയിൽ ഡാറ്റ വിശകലനം ചെയ്യുന്നതിന് നിരവധി സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെക്നിക്കുകൾ ഉപയോഗിക്കാം. വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകൾ കണക്കാക്കൽ (ഉദാ, മാർഗങ്ങൾ, മീഡിയൻസ്), അനുമാന പരിശോധനകൾ നടത്തൽ (ഉദാ, ടി-ടെസ്റ്റുകൾ, ANOVA), ബന്ധങ്ങൾ പര്യവേക്ഷണം ചെയ്യൽ (ഉദാ, പരസ്പര ബന്ധങ്ങൾ, ഘടകം വിശകലനം) എന്നിവ സാധാരണ വിശകലനങ്ങളിൽ ഉൾപ്പെടുന്നു.
ഗുണപരമായ ഗവേഷണത്തിൽ ലൈക്കർട്ട് സ്കെയിലുകൾ ഉപയോഗിക്കാമോ?
ലികെർട്ട് സ്കെയിലുകൾ സാധാരണയായി അളവ് ഗവേഷണത്തിനായി ഉപയോഗിക്കാറുണ്ടെങ്കിലും, അവ ഗുണപരമായ ആവശ്യങ്ങൾക്കും ഉപയോഗിക്കാം.
ലികെർട്ട് സ്കെയിൽ ഏത് തരത്തിലുള്ള അളവാണ്?
മനോഭാവങ്ങളോ അഭിപ്രായങ്ങളോ അളക്കാൻ ഉപയോഗിക്കുന്ന ഒരു തരം റേറ്റിംഗ് സ്കെയിലാണ് ലൈക്കർട്ട് സ്കെയിൽ. ഈ സ്കെയിൽ ഉപയോഗിച്ച്, ചില പ്രത്യേക പ്രശ്‌നങ്ങൾക്കുള്ള കരാറിന്റെ തലത്തിൽ ഇനങ്ങൾ റേറ്റുചെയ്യാൻ പ്രതികരിക്കുന്നവരോട് ആവശ്യപ്പെടുന്നു.
Ref: അക്കാദമിയ | പുസ്തകം: മാർക്കറ്റിംഗ് റിസർച്ച്: ആൻ അപ്ലൈഡ് ഓറിയന്റേഷൻ, നരേഷ് കെ. മൽഹോത്ര, പി. 323.
