4.5.1.2 Byg dit eget eksperiment

Opbygning af dit eget eksperiment kan være dyrt, men det vil gøre det muligt for dig at oprette eksperimentet, som du ønsker.

Ud over at overliggende eksperimenter på toppen af ​​eksisterende miljøer, kan du også bygge din egen eksperiment. Den største fordel ved denne fremgangsmåde er kontrol; hvis du bygger eksperimentet, kan du oprette miljøet og behandlinger, som du ønsker. Disse skræddersyede eksperimentelle miljøer kan skabe muligheder for at afprøve teorier, der er umulige at teste i naturligt forekommende miljøer. De største ulemper ved at bygge din egen eksperiment er, at det kan være dyrt, og at det miljø, du er i stand til at skabe måske ikke har realismen i et naturligt forekommende system. Forskere bygge deres eget eksperiment også skal have en strategi for at rekruttere deltagere. Når du arbejder i eksisterende systemer, er forskerne hovedsageligt bringer eksperimenterne deres deltagere. Men når forskerne bygge deres eget eksperiment, de har brug for til at bringe deltagerne til det. Heldigvis kan tjenester såsom Amazon Mechanical Turk (MTurk) give forskerne en bekvem måde at bringe deltagerne til deres eksperimenter.

Et eksempel, der illustrerer dyder skræddersyede miljøer til test abstrakte teorier er den digitale laboratorium eksperiment ved Gregory Huber, Seth Hill, og Gabriel Lenz (2012) . Eksperimentet udforsker en mulig praktisk begrænsning for et velfungerende demokratisk regeringsførelse. Tidligere ikke-eksperimentelle undersøgelser af faktiske valg tyder på, at vælgerne ikke er i stand til præcist at vurdere resultaterne af etablerede politikere. Især synes vælgerne til at lide af tre fordomme: 1) fokuseret på nyere snarere end kumulativ ydeevne; 2) manipuleres ved retorik, indramning, og markedsføring; og 3) påvirket af begivenheder uden relation til etablerede præstationer, såsom succes lokale sportshold og vejret. I disse tidligere undersøgelser, men det var svært at isolere nogen af ​​disse faktorer fra alle de andre ting, der sker i reelle, rodet valg. Derfor Huber og kolleger skabt en meget forenklet stemme miljø med henblik på at isolere, og derefter eksperimentelt studere, hver af disse tre mulige bias.

Som jeg beskrive den eksperimentelle set-up under det kommer til at lyde meget kunstig, men husk, at realismen er ikke et mål i lab-stil eksperimenter. Snarere, at målet er at klart isolere den proces, du forsøger at studere, og det stramme isolation er nogle gange ikke muligt i studier med mere realisme (Falk and Heckman 2009) . Endvidere i dette særlige tilfælde, argumenterede forskerne, at hvis vælgerne ikke effektivt kan vurdere præstationer i denne meget forenklet indstilling, så er de ikke vil være i stand til at gøre det på en mere realistisk, mere komplekse omgivelser.

Huber og kolleger brugte Amazon Mechanical Turk (MTurk) at rekruttere deltagere. Når en deltager forudsat informeret samtykke og bestået en kort test, fik hun at vide, at hun deltog i en 32 runde spil for at tjene poletter, der kan konverteres til rigtige penge. I begyndelsen af ​​spillet, blev hver deltager at vide, at hun var blevet tildelt en "allokator", der ville give hende gratis poletter hver runde, og at nogle målere var mere generøs end andre. Endvidere blev hver deltager også at vide, at hun ville have en chance for at enten holde hende allokatoren eller tildeles et nyt efter 16 runder af spillet. I betragtning af hvad du ved om Huber og kollegernes forskning mål, kan du se, at måleren repræsenterer en regering og dette valg er et valg, men deltagerne var ikke klar over de generelle mål for forskningen. I alt Huber og kolleger rekrutteret omkring 4.000 deltagere, der blev betalt omkring $ 1,25 for en opgave, som tog omkring 8 minutter.

Husk på, at et af resultaterne fra tidligere forskning var, at vælgerne belønning og straffe etablerede for resultater, der er klart uden for deres kontrol, såsom succes lokale sportshold og vejret. For at vurdere, hvorvidt beslutninger deltagere stemmeret kunne blive påvirket af rent tilfældige begivenheder i deres indstilling, Huber og kolleger tilføjet et lotteri til deres eksperimentelle system. Ved enten 8. runde eller 16. runde (dvs. lige før chancen for at udskifte måleren) deltagere blev tilfældigt placeret i et lotteri, hvor nogle vandt 5000 point, nogle vandt 0 point, og nogle mistede 5000 point. Dette lotteri var at efterligne gode eller dårlige nyheder, der er uafhængig af udførelsen af ​​politiker. Selvom deltagerne udtrykkeligt at vide, at lotteriet var relateret til udførelsen af ​​deres måleren, resultatet af lotteriet stadig påvirket deltagernes beslutninger. Deltagere, der har nydt godt af i lotteriet var mere tilbøjelige til at holde deres sagsfordeler, og denne virkning var stærkere, når lotteriet skete i runde 16-højre før udskiftningen beslutningsprocessen, end når det skete i runde 8 (figur 4.14). Disse resultater, sammen med resultaterne af flere andre forsøg i papiret, førte Huber og kolleger til at konkludere, at selv i en forenklet indstilling, vælgerne har svært ved at gøre kloge beslutninger, et resultat, der påvirkede fremtidig forskning om vælgerne beslutningstagning (Healy and Malhotra 2013) . Eksperimentet af Huber og kolleger viser, at MTurk kan bruges til at rekruttere deltagere til lab-stil eksperimenter til præcist at teste meget specifikke teorier. Den viser også værdien af ​​at opbygge din egen eksperimentelle miljø: Det er svært at forestille sig, hvordan disse samme processer kunne have været isoleret så rent i nogen anden indstilling.

Figur 4.14: Resultater fra Huber, Hill, and Lenz (2012) . Deltagere, der har nydt godt af i lotteriet var mere tilbøjelige til at bevare deres sagsfordeler, og denne virkning var stærkere, når lotteriet skete i runde 16-højre før udskiftningen beslutningsprocessen, end når det skete i runde 8.

Ud over at bygge lab-lignende eksperimenter, kan forskerne også bygge eksperimenter, der er mere field-lignende. F.eks Centola (2010) bygget en digital markforsøg for at studere effekten af sociale netværk struktur på spredningen af adfærd. Hans forskning spørgsmål krævede ham til at observere den samme adfærd breder sig i befolkninger, der havde forskellige sociale netværksstrukturer, men var ellers ikke til at skelne. Den eneste måde at gøre dette var med en skræddersyet, specialbygget eksperiment. I dette tilfælde Centola bygget en webbaseret sundhed samfund.

Centola rekrutteret omkring 1.500 deltagere med reklamer på sundhedsmæssige hjemmesider. Når deltagerne ankom til online community-som blev kaldt Sund Livsstil Netværk-de givet informeret samtykke og derefter blev tildelt "sundhed kammerater." På grund af den måde Centola tildelt disse sundhedsmæssige venner han var i stand til at strikke sammen forskellige sociale netværksstrukturer i forskellige grupper. Nogle grupper blev bygget til at have tilfældige net (hvor alle var lige så forventes tilsluttet) og andre grupper blev bygget til at have klynger net (hvor forbindelser er mere lokalt tæt). Derefter Centola indført en ny adfærd i hvert netværk, mulighed for at tilmelde sig en ny hjemmeside med yderligere information om sundhed. Når nogen tilmeldt denne nye hjemmeside, alle hendes sundhed kammerater modtaget en e-mail annoncerer denne adfærd. Centola fandt, at denne adfærd-signering op for den nye hjemmeside-sprede sig yderligere og hurtigere i de grupperede netværk end den tilfældige netværk, en konstatering, der var i strid med nogle af de eksisterende teorier.

Samlet set bygge din egen eksperiment giver dig meget mere kontrol; det giver dig mulighed for at konstruere det bedst mulige miljø for at isolere, hvad du ønsker at studere. Det er svært at forestille sig, hvordan en af ​​disse eksperimenter kunne have været udført i en allerede eksisterende miljø. Endvidere bygge dit eget system falder etiske betænkeligheder omkring eksperimentere i eksisterende systemer. Når du bygger dit eget eksperiment, men du løber ind i mange af de problemer, der opstår i lab forsøg: rekruttere deltagere og bekymringer om realisme. En sidste ulempe er, at bygge dit eget eksperiment kan være dyrt og tidskrævende, men som disse eksempler viser, kan forsøgene spænder fra relativt simple miljøer (såsom studiet af stemmeafgivelse ved Huber, Hill, and Lenz (2012) ) til relativt komplekse miljøer (såsom studiet af netværk og smitte ved Centola (2010) ).