5.3.4 Gevolgtrekking
Oop oproepe stel jou in staat om oplossings te vind vir probleme wat jy duidelik kan stel, maar dat jy nie jouself kan oplos nie.
In al drie oop oproep projekte-Netflix-prys, FoldIt, peer-to-Patent-navorsers gestel vrae van 'n spesifieke vorm, gewerf oplossings, en dan opgetel die beste oplossings. Die navorsers het nie eens nodig om die beste kenner vra ken, en soms het die goeie idees uit onverwagte plekke.
Nou kan ek ook twee belangrike verskille tussen oopoproepprojekte en menslike berekeningsprojekte beklemtoon. Eerstens in oproepprojekte spesifiseer die navorser 'n doelwit (bv. Voorspel filmgraderings), terwyl die navorser in menslike berekening 'n mikrotask spesifiseer (bv. Die klassifikasie van 'n sterrestelsel). Tweedens, in oop oproepe, wil die navorsers die beste bydrae lewer - soos die beste algoritme vir die voorspelling van filmgraderings, die laagste energie-opset van 'n proteïen, of die mees relevante stuk van die vorige kuns - nie 'n eenvoudige kombinasie van al die die bydraes.
Gegewe die algemene templaat vir oop oproepe en hierdie drie voorbeelde, watter soort probleme in sosiale navorsing kan geskik wees vir hierdie benadering? Op hierdie punt moet ek erken dat daar nog nie baie suksesvolle voorbeelde is nie (om redes wat ek in 'n oomblik sal verduidelik). In terme van direkte analoge, kan 'n mens dink dat 'n Peer-to-Patent-styl oopoproep gebruik word deur 'n historiese navorser wat na die vroegste dokument soek om 'n spesifieke persoon of idee te noem. 'N oop oproep benadering tot hierdie soort probleem kan veral waardevol wees as die potensieel relevante dokumente nie in 'n enkele argief is nie, maar wyd versprei word.
Meer oor die algemeen het baie regerings en maatskappye probleme wat moontlik sal wees om oproepe oop te maak omdat oop oproepe algoritmes kan opwek wat vir voorspellings gebruik kan word. Hierdie voorspellings kan 'n belangrike handleiding wees (Provost and Fawcett 2013; Kleinberg et al. 2015) . Byvoorbeeld, net soos Netflix graderings op flieks wil voorspel, kan regerings uitkomste voorspel, soos watter restaurante waarskynlik oortredings van gesondheidskodes sal hê om inspeksiehulpbronne meer doeltreffend toe te ken. Motiveer deur hierdie soort probleme, het Edward Glaeser en kollegas (2016) 'n oproep gebruik om die stad Boston te help voorspel restauranthigiëne en sanitasie oortredings gebaseer op data van Yelp-resensies en historiese inspeksie data. Hulle het beraam dat die voorspellende model wat die oproep gewen het, die produktiwiteit van restaurantinspekteurs met ongeveer 50% sal verbeter.
Oop oproepe kan ook moontlik gebruik word om teorieë te vergelyk en te toets. Byvoorbeeld, die Fragile Families and Child Wellbeing Study het ongeveer 5 000 kinders gevolg sedert die geboorte in 20 verskillende Amerikaanse stede (Reichman et al. 2001) . Navorsers het data ingesamel oor hierdie kinders, hul families en hul breër omgewing by geboorte en op die ouderdom van 1, 3, 5, 9 en 15 jaar. Gegee al die inligting oor hierdie kinders, hoe goed kan navorsers voorspel dat uitkomste soos wie van die kollege gaan gradueer? Of, uitgedruk op 'n manier wat vir sommige navorsers meer interessant sou wees, watter data en teorieë die effektiefste sou wees om hierdie uitkomste te voorspel? Aangesien geeneen van hierdie kinders tans oud genoeg is om na die kollege te gaan nie, sal dit 'n ware vooruitsigte wees en daar is baie verskillende strategieë wat navorsers in diens kan neem. 'N Navorser wat glo dat woonbuurte krities is in die vorming van lewensuitkomste, kan een benadering tot gevolg hê, terwyl 'n navorser wat op families fokus, iets heeltemal anders kan doen. Watter van hierdie benaderings sal beter werk? Ons weet nie, en in die proses om uit te vind, kan ons iets belangrik leer oor gesinne, wyk, opvoeding en sosiale ongelykheid. Verder kan hierdie voorspellings gebruik word om toekomstige data-insameling te rig. Stel jou voor dat daar 'n klein aantal kollege gegradueerdes was wat nie deur enige van die modelle voorspel kon word nie; Hierdie mense sou ideale kandidate wees vir opvolg kwalitatiewe onderhoude en etnografiese waarneming. So, in hierdie soort oproep is die voorspellings nie die einde nie; eerder, hulle bied 'n nuwe manier om verskillende teoretiese tradisies te vergelyk, te verryk en te kombineer. Hierdie soort oproep is nie spesifiek vir die gebruik van data uit die Fragile Families en Child Wellbeing Study om te voorspel wie gaan na die kollege gaan nie; Dit kan gebruik word om enige uitkoms wat uiteindelik in enige longitudinale sosiale datastel versamel sal word, te voorspel.
Soos ek vroeër in hierdie afdeling geskryf het, was daar nie baie voorbeelde van sosiale navorsers wat oopoproepe gebruik nie. Ek dink dit is omdat oop oproepe nie goed geskik is vir die manier waarop sosiale wetenskaplikes hulle vrae gewoonlik vra nie. Terugkeer na die Netflix-prys, sal sosiale wetenskaplikes nie gewoonlik vra om smaak te voorspel nie; Hulle sou eerder vra hoe en waarom kulturele smaak verskil vir mense van verskillende sosiale klasse (sien bv. Bourdieu (1987) ). So 'n 'hoe' en 'hoekom'-vraag lei nie tot maklik verifieerbare oplossings nie, en lyk dus swak om oproepe oop te maak. Dit blyk dus dat oproepe meer geskik is vir vrae voorspelling as vrae van verduideliking . Onlangse teoretici het egter 'n beroep op sosiale wetenskaplikes om die digotomie tussen verduideliking en voorspelling te heroorweeg (Watts 2014) . Soos die lyn tussen voorspelling en verduideliking vervals, verwag ek dat oop oproepe toenemend algemeen sal word in sosiale navorsing.
