4.1 Uvod

U dosadašnjim pristupima u ovom ponašanju (poglavlje 2) i postavljanju pitanja (poglavlje 3) istraživači prikupljaju podatke bez namernog i sistematskog menjanja sveta. Pristup obuhvaćen eksperimentima koji se pokreću u poglavlju su fundamentalno različiti. Kada istraživači pokreću eksperimente, oni sistematski intervenišu u svijetu kako bi kreirali podatke koji su idealni za odgovaranje na pitanja o uzročno-posljedičnim odnosima.

Pitanja uzročnosti i efekti su vrlo česta u socijalnim istraživanjima, a primeri uključuju pitanja kao što su: Da li povećanje plata nastavnika povećava učenje učenika? Kakav je uticaj minimalne zarade na stopu zaposlenosti? Kako trka aplikanta za posao utiče na njenu mogućnost da dobije posao? Pored ovih eksplicitno uzročnih pitanja, ponekad uzročno-posljedična pitanja impliciraju i opća pitanja o maksimizaciji nekih metrički učinaka. Na primjer, pitanje "Koja boja treba da bude dugačka duga na web sajtu NVO-a" je stvarno puno pitanja o efektima različitih boja dugmeta na donacije.

Jedan od načina za odgovor na pitanja uzroka i efekta je tražiti obrasce u postojećim podacima. Na primer, vraćajući se na pitanje o efektima plata nastavnika na učenje učenika, možete izračunati da učenici više saznaju u školama koje nude visoke plate nastavnika. Ali, da li ova korelacija pokazuje da veće zarade dovode do toga da učenici više saznaju? Naravno da ne. Škole u kojima nastavnici zarađuju više mogu biti različiti na više načina. Na primjer, studenti u školama sa visokim platama nastavnika mogu potražiti od bogatijih porodica. Dakle, ono što izgleda kao efekat nastavnika može samo da dođe iz upoređivanja različitih tipova učenika. Ove neizmerene razlike između studenata se nazivaju konfoundersima , a uopšteno govoreći, mogućnost konfuzionista izaziva štetu na sposobnost istraživača da odgovore na uzročno-posljedična pitanja tražeći obrasce u postojećim podacima.

Jedno rešenje problema konfoundera je da pokuša da napravi fer upoređivanje tako što će se prilagoditi za vidljive razlike između grupa. Na primjer, možda ćete moći preuzeti podatke o porezu na imovinu sa više web stranica vlade. Potom ste mogli uporediti učeničke performanse u školama gde su cijene stanova slične, ali plate nastavnika su različite, a i dalje možete utvrditi da učenici više saznaju u školama sa višim plaćanjem nastavnika. Ali još uvek postoji mnogo mogućih konfuzionera. Možda se roditelji ovih studenata razlikuju u svom obrazovanju. Ili se možda škole razlikuju u njihovoj blizini sa javnim bibliotekama. Ili možda škole sa višim učiteljem plati takođe imaju veću platu za direktore, a glavna zarada, a ne učiteljska plata, zapravo je ono što je sve više učenje učenika. Možete i pokušati da izmerite i prilagodite ove faktore, ali lista potencijalnih konfoundera je u suštini beskrajna. U mnogim situacijama jednostavno ne možete meriti i prilagoditi se svim mogućim konfiguratorima. Kao odgovor na ovaj izazov, istraživači su razvili niz tehnika za izradu uzročnih procjena iz neeksperimentalnih podataka - o njima sam razmatrao u drugom poglavlju - ali za određena pitanja, ove tehnike su ograničene, a eksperimenti nude obećavajuće alternativa.

Eksperimenti omogućavaju istraživačima da pređu korelacije u prirodnim podacima kako bi pouzdano odgovorili na određena pitanja uzroka i efekta. U analognom dobu, eksperimenti su često logistički teški i skupi. Sada, u digitalnom dobu, logistička ograničenja postepeno nestaju. Ne samo da je lakše raditi eksperimente poput onih koje su uradili u prošlosti, sada je moguće pokrenuti nove vrste eksperimenata.

U dosadašnjem tekstu sam bio malo slobodan na mom jeziku, ali je važno razlikovati dve stvari: eksperimenti i randomizirani kontrolisani eksperimenti. U eksperimentu istraživač interveniše u svetu i onda mjeri ishod. Čuo sam da je ovaj pristup opisan kao "perturbacija i posmatranje". U randomiziranom kontrolisanom eksperimentu istraživač interveniše za neke ljude, a ne za druge, a istraživač odlučuje koji ljudi primaju intervenciju putem randomizacije (npr. Flipovanje novčića). Randomizovani kontrolisani eksperimenti stvaraju fer poredjenja između dve grupe: onaj koji je primio intervenciju i onaj koji nije. Drugim rečima, randomizirani kontrolisani eksperimenti su rešenje problema konfoundera. Međutim, eksperimenti vezani za perturbaciju uključuju samo jednu grupu koja je primila intervenciju, te stoga rezultati mogu dovesti istraživače u pogrešan zaključak (kao što ću uskoro pokazati). Uprkos važnim razlikama između eksperimenata i randomizovanih kontrolisanih eksperimenata, socijalni istraživači često koriste ove izraze naizmenično. Ja ću pratiti ovu konvenciju, ali u određenim tačkama ću prekinuti konvenciju da naglasim vrednost randomiziranih kontrolisanih eksperimenata u eksperimentima bez randomizacije i kontrolne grupe.

Randomizovani kontrolisani eksperimenti su se pokazali kao moćan način da saznate o društvenom svijetu, a u ovom poglavlju ću vam pokazati više o tome kako ih koristiti u istraživanju. U odeljku 4.2, ilustriram osnovnu logiku eksperimenta sa primerom eksperimenta na Vikipediji. Zatim, u odjeljku 4.3, opisaću razliku između laboratorijskih eksperimenata i eksperimenata na terenu i razlika između analognih eksperimenata i digitalnih eksperimenata. Nadalje, tvrdim da eksperimenti na digitalnom polju mogu ponuditi najbolje karakteristike analognih laboratorijskih eksperimenata (čvrsta kontrola) i analognih eksperimenata na terenu (realizam), sve na skali koja ranije nije bila moguće. Zatim, u odjeljku 4.4 opisaću tri koncepta - validnost, heterogenost efekata tretmana i mehanizmi - koji su kritični za dizajniranje bogatih eksperimenata. U tom kontekstu, opisaću kompromise uključene u dve glavne strategije za sprovođenje digitalnih eksperimenata: to sami ili partnerstvo sa moćnim. Na kraju, završiću sa savetima o dizajnu kako možete iskoristiti prave snage digitalnih eksperimenata (član 4.6.1) i opisati neku od odgovornosti koja dolazi sa tom snagom (član 4.6.2).