5.3.4 Konklusion

Åbne indkaldelser lad mange eksperter og ikke-eksperter foreslå løsninger på problemer, hvor løsninger er lettere at kontrollere end generere.

I alle tre åbne opkald projekter-Netflix-prisen, Foldit, Peer-to-Patent-forskere stillede spørgsmål af særlig form, anmodet løsninger, og derefter plukkes de bedste løsninger. Forskerne har ikke engang brug for at kende den bedste ekspert til at spørge, og nogle gange de gode ideer kom fra uventede steder.

Nu kan jeg også fremhæve to vigtige forskelle mellem åbne opkald projekter og menneskelige beregnings-projekter. Først i åbne call projekter forskeren angiver et mål (f.eks forudsige film ratings), mens i menneskelig beregning forskningen angiver en mikro-opgave (f.eks klassificere en galakse). For det andet, i åbne indkaldelser forskerne ønskede det bedste bidrag-den bedste algoritme til at forudsige film ratings, den laveste energi konfiguration af et protein, eller den mest relevante stykke kendt teknik-ikke en form for simpel kombination af alle bidragene.

I betragtning af den generelle skabelon for åbne indkaldelser, og disse tre eksempler, hvilke former for problemer i social forskning kunne være egnet til denne fremgangsmåde? På dette tidspunkt, skal jeg erkende, at der ikke har været mange vellykkede eksempler endnu (af årsager, som jeg vil forklare i et øjeblik). Med hensyn til direkte analoger, kunne man forestille sig, at en stil projekt Peer-to-Patent bliver brugt af en historisk forsker søger efter den tidligste dokument at nævne en bestemt person eller idé. En åben indkaldelse tilgang til denne form for problem kunne være særligt værdifulde, når de relevante dokumenter ikke er samlet i et enkelt arkiv, men er vidt udbredt.

Mere generelt mange regeringer har problemer, der kan være modtagelig for åbne opkald, fordi de handler om at skabe forudsigelser, der kan bruges til at vejlede handling (Kleinberg et al. 2015) . For eksempel, ligesom Netflix ville forudsige ratings på film, kan regeringerne ønsker at forudsige resultater, såsom hvilke restauranter er mest tilbøjelige til at have sundhed kode krænkelser for at fordele inspektion ressourcerne mere effektivt. Motiveret af denne form for problem, Glaeser et al. (2016) anvendte en åben opfordring til at hjælpe byen Boston forudsige restaurant hygiejne og sanitære overtrædelser baseret på data fra Yelp anmeldelser og historiske inspektionsdata. Glaeser og kolleger vurderer, at den prædiktive model, der vandt den åbne indkaldelse vil forbedre produktiviteten af ​​restaurant inspektører med omkring 50%. Virksomhederne har også problemer med en lignende struktur som forudsige kundeafgang (Provost and Fawcett 2013) .

Endelig, ud over at åbne opkald, der involverer resultater, der allerede er sket i et bestemt datasæt (f.eks forudsigelse sundhed kode krænkelser ved hjælp af data om tidligere sundhed kode krænkelser), man kunne forestille sig at forudsige resultater, der ikke er sket endnu for nogen i datasættet . For eksempel har de Skrøbelige Familier og Child Wellbeing undersøgelse spores omkring 5.000 børn siden fødslen i 20 forskellige byer i USA (Reichman et al. 2001) . Forskere har samlet data om disse børn, deres familier og deres bredere miljø ved fødslen og i alderen 1, 3, 5, 9, og 15. betragtning alle oplysninger om disse børn, hvor godt kunne forskerne forudsige resultater, såsom hvem vil opgradere fra college? Eller udtrykt på en måde, der ville være mere interessant at mange forskere, hvilke data og teorier ville være mest effektive til at forudsige disse resultater? Da ingen af ​​disse børn er i øjeblikket gamle nok til at gå på college, ville dette være en sand fremadrettet forudsigelse, og der er mange forskellige strategier, som forskerne kan anvende. En forsker, der mener, at kvarterer er kritiske i udformningen livets udfald kan tage én tilgang, mens en forsker, der har fokus på familier kan gøre noget helt andet. Hvilke af disse metoder vil fungere bedre? Vi ved det ikke, og i processen med at finde ud af, vi kunne lære noget vigtigt om familier, kvarterer, uddannelse og social ulighed. Endvidere kan disse forudsigelser bruges til at guide fremtidig dataindsamling. Forestil dig, at der var et lille antal college kandidater, der ikke blev forudsagt at opgradere nogen af ​​modellerne; disse mennesker ville være ideelle kandidater til opfølgning kvalitative interviews og etnografisk observation. Således i denne form for åben opkald, forudsigelser er ikke enden; snarere, de giver en ny måde at sammenligne, berige, og kombinere forskellige teoretiske traditioner. Denne form for åben indkaldelse er ikke specifik til at bruge data fra skrøbelige familier at forudsige, hvem vil gå på college; det kunne bruges til at forudsige noget resultat, der efterhånden vil blive opsamlet i en hvilken som helst langsgående sociale datasæt.

Som jeg skrev tidligere i dette afsnit, har der ikke været mange eksempler på sociale forskere ved hjælp af åbne indkaldelser. Jeg tror, ​​at det er fordi åbne indkaldelser ikke er velegnede til den måde, som samfundsforskere typisk ramme deres spørgsmål. Vender tilbage til Netflix-prisen, ville samfundsforskere normalt ikke spørge om forudsige smag, ville de spørge om, hvordan og hvorfor kulturelle smag varierer for folk fra forskellige sociale klasser (Bourdieu 1987) . Sådanne "hvordan" og "hvorfor" spørgsmål ikke fører til let at verificere løsninger, og derfor synes dårligt egnet til at åbne opkald. Således fremgår det, at åbne indkaldelser er mere modtagelig for spørgsmål om forudsigelse end spørgsmål om forklaring; for mere om sondringen mellem forudsigelse og forklaring se Breiman (2001) . Nylige teoretikere har dog opfordret samfundsforskere til at genoverveje modsætningsforhold mellem forklaring og forudsigelse (Watts 2014) . Som linjen mellem forudsigelse og forklaring slører, forventer jeg, at åbne konkurrencer bliver mere og mere almindelige i de sociale videnskaber.