Co nelze zjistit: pravidla pro důvěryhodný webový výzkum

Počet řádků není automaticky počet organizací

Webová studie musí nejprve určit, co je jejím záznamem. Export může obsahovat opakovaný řádek, více adres stejného hostu nebo adresy, které nelze jednoznačně normalizovat. Před výpočtem podílu proto potřebujeme pravidlo přiřazení cíle a zachování záznamu. Jinak vznikne zdánlivě přesná základna, která popisuje počet položek v souboru, nikoli vymezený soubor pozorování.

Konkrétní příklad poskytuje zveřejněný přepočet historického exportu ze zaměstnavatelského adresáře. Jeho počty rozlišují tyto jednotky:

Tabulka pochází z položek source_rows, unique_normalized_targets a usable_http_200_homepages v datové příloze. Použitelná skupina není počtem všech zaměstnavatelů v Česku ani potvrzením jejich současného stavu. Také host není automaticky právnickou osobou. Jednotku nelze změnit pouze přejmenováním popisku tabulky.

Chybějící podklad není záporný nález

U každé veličiny je potřeba odlišit potvrzenou přítomnost, potvrzenou nepřítomnost podle konkrétního pravidla a nezjistitelný výsledek. Poslední stav může vzniknout například neúspěšným načtením nebo chybějícím uloženým polem. Neznámý údaj nemá být převeden na nulu jen proto, že výpočet s nulami snadněji doběhne. Klasifikace musí vycházet z použitelného podkladu, nikoli z absence události v nedokončeném záznamu.

Současně neplatí, že jeden společný jmenovatel stačí pro všechny otázky. Stránka použitelná pro rozbor uložené odpovědi nemusí být použitelná pro prohlížečovou návštěvu nebo obsahové ověření jiné adresy. Každý podíl má uvést vlastní způsobilou základnu a pravidlo jejího vzniku. Počet nezjistitelných hodnot se může popsat samostatně jen tehdy, když je jeho zveřejnění bezpečné i ve vztahu k dalším veřejným tabulkám.

Datum exportu nepředstavuje datum návštěvy

U příkladového zdroje chybějí časové značky jednotlivých původních pozorování. Čas uchovaného zdrojového souboru odpovídá 19. březnu 2026, ale je pouze zástupným údajem pro událost exportu. Nelze z něj určit, kdy byla jednotlivá stránka navštívena. Datum nového přepočtu ani vydání článku tuto chybějící informaci nedoplňuje. Metadata proto označují kvalitu data pozorování jako neznámou.

Důvěryhodný novější sběr by pro každé pozorování uložil čas zachycení, použitý program, verzi pravidel a vazbu na uchovanou odpověď. Zdrojový soubor by měl kontrolní otisk a popis změn, aby bylo možné určit, zda oprava vznikla novým měřením, novou klasifikací nebo pouze jinou agregací. Rozdíl mezi těmito kroky je věcný: nová tabulka z téhož podkladu není novou návštěvou webu.

Výsledek se vztahuje ke konkrétnímu postupu

Metody GET a HEAD mají podle RFC 9110 rozdílný vztah k tělu odpovědi. Pro obsahové tvrzení je potřeba uchovat obsah; samotný výstup jiného dotazu jej nedokládá. Kontrolor má odlišit také původní adresu, konečnou adresu a mezilehlé přesměrování. Pokud dvě měření popisují odlišné odpovědi, jejich rozdíl nemusí znamenat změnu webu.

Další samostatnou vrstvou je vykreslení prohlížečem. Statické HTML, následné změny stránky a síťový průběh návštěvy odpovídají různým otázkám. Výzkum je nemá spojit do jednoho příznaku bez zachovaného pravidla. Stejně tak návštěva bez kliknutí na souhlas není návštěvou s odmítnutím. Potřebné jednání musí být skutečně provedeno a potvrzeno; chybějící interakce jeho výsledek nepředpovídá.

Příkladový export obsahuje uložené technické příznaky a souhrnná skóre. Jejich původní význam se nemá rozšiřovat novým názvem. Stopu technologie nelze bez podkladu o verzi převést na nález zranitelnosti a uložené složené skóre s neznámou původní metodou nelze vydávat za nově ověřené celkové hodnocení. Pro studii mají hodnotu i tato omezení, pokud jsou jasně uvedena spolu s výsledkem.

Další vlna potřebuje potvrzené přiřazení

Pro změnu v čase je třeba určit, zda jde o stejné cíle, stejné stránky a stejné pravidlo klasifikace. Dvě nezávislé příležitostné sady mohou mít podobný počet záznamů a přesto popisovat jiné soubory. Odečtení jejich podílů pak není změnou jednotlivých webů. Párovaný rozbor potřebuje uchované přiřazení a samostatné zacházení s cíli, které v některé vlně nemají způsobilé pozorování.

Opakování neúspěšných návštěv má mít předem společné pravidlo a zachovaný průběh. Ruční výběr posledního nebo nejpříznivějšího pokusu by změnil význam výsledku. Neshoda mezi podkladem a souhrnem se má nejprve vysvětlit; nelze ji napravit pouhým přepsáním čísla na očekávanou hodnotu. Oprava přílohy by měla mít stručný popis toho, co se změnilo, a které dřívější závěry tím zůstávají omezené.

Veřejná příloha má zachovat význam i hranici sdílení

Příkladové počty jsou dostupné jako JSON a obsahově shodný CSV. Jde o přepočet uchovaného historického exportu; při přípravě tohoto článku nebyla provedena nová návštěva měřených webů. Příležitostný výběr není náhodný ani reprezentativní a není slučován s dalšími kohortami.

Veřejný výstup má obsahovat definici jednotky, pravidlo způsobilosti, jmenovatel, doloženou kvalitu data a rozsah ověření. Identifikátory, jednotlivé odpovědi a malé či dopočitatelné skupiny zůstávají mimo něj. Zveřejnění většího počtu tabulek vyžaduje také kontrolu jejich společného účinku: bezpečná samostatná buňka ještě nezaručuje bezpečný průnik. Takto formulovaná hranice umožňuje sdílet přepočitatelný poznatek, aniž by studie tvrdila více, než zdroj skutečně zachytil.