4.5.2 Partner mit dem leistungsstarken

Partnering kann die Kosten zu senken und erhöhen Maßstab, aber es kann die Art der Teilnehmer, Behandlungen verändern und Ergebnisse , die Sie verwenden können.

Die Alternative zu ihm selbst zu tun ist, eine Partnerschaft mit einer leistungsfähigen Organisation wie ein Unternehmen, Regierung oder Nichtregierungsorganisationen. Der Vorteil der Zusammenarbeit mit einem Partner ist, dass sie Experimente ausführen ermöglichen können, die Sie gerade nicht selbst tun. Zum Beispiel eines der Experimente, die ich Ihnen von unten beteiligten 61 Millionen Teilnehmer sagen werde; kein einzelner Forscher könnte diese Skala erreichen. Zur gleichen Zeit, dass Partnering erhöht, was Sie tun können, auch sie gleichzeitig zwingt Sie. Zum Beispiel werden die meisten Unternehmen nicht zulassen, dass Sie ein Experiment ausführen, die ihr Geschäft oder ihren Ruf schädigen könnten. In Zusammenarbeit mit Partnern bedeutet auch, dass, wenn es an der Zeit zu veröffentlichen kommt, können Sie unter Druck geraten zu "re-frame" Ihre Ergebnisse, und einige Partner könnten versuchen, auch die Veröffentlichung Ihrer Arbeit zu blockieren, wenn es ihnen schlecht aussehen lässt. Schließlich auch mit Kosten kommt die Partnerschaft im Zusammenhang mit der Entwicklung und diese Zusammenarbeit erhalten.

Die zentrale Herausforderung , die diese Partnerschaften machen gelöst werden muss , um erfolgreich wird einen Weg finden , die die Interessen beider Parteien zu balancieren, und eine hilfreiche Art und Weise über diese Balance zu denken ist Pasteurs Quadrant (Stokes 1997) . Viele Forscher glauben, dass, wenn sie auf etwas praxis etwas arbeiten, das von Interesse sein, könnte partner dann können sie nicht wirkliche Wissenschaft tun. Diese Haltung wird es sehr schwierig, erfolgreiche Partnerschaften zu schaffen, und es ist auch noch völlig falsch. Das Problem mit dieser Art des Denkens ist wunderbar durch die bahnbrechende Forschung des Biologen Louis Pasteur dargestellt. Während auf einem kommerziellen Fermentation Projekt arbeiten Rübensaft in Alkohol umwandeln, entdeckte Pasteur eine neue Klasse von Mikroorganismen, die schließlich zu der Keim Theorie der Krankheit geführt. Diese Entdeckung löste eine sehr praktische Problem es half, den Prozess der Verbesserung der Fermentierung und es zu einer großen wissenschaftlichen Fortschritt führen. Anstatt also über die Forschung mit praktischen Anwendungen zu denken wie sie in Konflikt mit echten wissenschaftlichen Forschung zu sein, ist es besser, diese als zwei separate Dimensionen zu denken. Die Forschung kann durch die Verwendung motiviert werden (oder nicht) und Forschung können grundlegende Verständnis suchen (oder nicht). Entscheidend ist, dass einige Forschungsähnliche Pasteur's-kann durch den Einsatz und die Suche nach grundlegenden Verständnis (Abbildung 4.16) motiviert werden. Forschung in Pasteurs Quadrant-Forschung, die von Natur aus macht zwei Ziele-ist ideal für die Zusammenarbeit zwischen Forschern und Partnern. Da Hintergrund, werde ich zwei experimentelle Studien mit Partnerschaften beschreiben: eines mit einem Unternehmen und einer mit einer NGO.

Abbildung 4.16: Pasteur Quadrant (basierend auf Abb 3.5 von Stokes (1997) ). Anstatt der Forschung zu denken entweder als "basic" oder "angewandte" es besser ist, von der Forschung zu denken, wie durch die Verwendung (oder nicht) und die Suche nach grundlegenden Verständnis (oder nicht) motiviert. Ein Beispiel für Forschung, die sowohl durch den Einsatz motiviert und sucht grundlegende Verständnis ist das Werk Pasteur auf Rübensaft in Alkohol umzuwandeln, die auf den Keim Theorie der Krankheit führen. Dies ist die Art der Arbeit, die sich am besten für Partnerschaften mit der mächtig ist. Beispiele für Arbeit durch die Verwendung motiviert, aber das nicht versucht, grundlegende Verständnis kommen von Thomas Edison, und Beispiele für Arbeit, die nicht durch die Verwendung motiviert ist, die aber von Niels Bohr kommen sucht zu verstehen. Siehe Stokes (1997) für eine ausführlichere Diskussion dieses Rahmens und jedem dieser Fälle.

Große Unternehmen, vor allem Tech-Unternehmen haben sich für den Betrieb komplexer Experimente unglaublich anspruchsvolle Infrastruktur entwickelt. In der Tech-Industrie werden diese Experimente oft A / B-Tests genannt (weil sie die Wirksamkeit der beiden Behandlungen zu testen: A und B). Diese Experimente sind laufen häufig für Dinge wie steigende Klickraten auf Anzeigen, aber die gleiche experimentelle Infrastruktur kann auch für die Forschung verwendet werden, das wissenschaftliche Verständnis fördert. Ein Beispiel , das das Potenzial dieser Art von Forschung zeigt eine Studie , die von einer Partnerschaft zwischen Forschern bei Facebook und der University of California, San Diego, über die Auswirkungen der verschiedenen Meldungen auf die Wahlbeteiligung durchgeführt (Bond et al. 2012) .

Am 2. November 2010-der Tag der US-Kongresswahlen-alle 61 Millionen Facebook-Nutzer, die in den USA leben und sind über 18 nahmen an dem Experiment über Abstimmung teil. Bei einem Besuch in Facebook waren die Benutzer dem Zufallsprinzip in eine von drei Gruppen zugeordnet, die bestimmt, welche Banner (falls vorhanden) an der Spitze ihrer News Feed (Abbildung 4.17) gelegt wurde:

• eine Kontrollgruppe.
• eine Informationsmeldung mit einem klickbaren über Abstimmung "Ich wählte" und einen Zähler (info).
• eine Informationsmeldung mit einem klickbaren über Abstimmung "Ich wählte" und ein Zähler + Namen und Bilder von ihren Freunden, die bereits angeklickt hatten die "I Voted" (Info + social).

Bond und seine Kollegen untersuchten zwei Hauptziele: Die berichteten Wahlverhalten und die tatsächliche Wahlverhalten. Erstens, sie fanden heraus, dass Menschen in der Info + soziale Gruppe rund 2 Prozentpunkte häufiger als Menschen in der Info-Gruppe waren bis auf "I Voted" (ca. 20% vs 18%). Ferner wird, nachdem die Forscher für etwa 6 Millionen Menschen ihre Daten mit öffentlich zugänglichen Abstimmungsprotokollen fusioniert fanden sie, dass die Menschen in der Info + soziale Gruppe als die Menschen in der Kontrollbedingung und dass die Menschen in der Info-Gruppe 0,39 Prozentpunkte eher tatsächlich stimmen waren ebenso wahrscheinlich wie die Menschen in der Kontrollbedingung (Abbildung 4.17) zu stimmen.

Abbildung 4.17: Die Ergebnisse einer get-out-the-vote Experiment auf Facebook (Bond et al. 2012) . . Die Teilnehmer an der Infogruppe mit der gleichen Rate wie die Menschen in der Kontrollbedingung gestimmt, aber die Menschen in der Info + soziale Gruppe mit einer etwas höheren Rate gestimmt. Die Balken stellen 95% Konfidenzintervall geschätzt. Die Ergebnisse in der Grafik sind rund 6 Millionen Teilnehmer, für die Forscher Abstimmungsergebnisse passen könnte.

Dieses Experiment zeigt, dass einige Online-get-out-the-vote Nachrichten als andere sind effektiver, und es zeigt, dass Forscher die Abschätzung der Wirksamkeit einer Behandlung kann davon abhängen, ob sie studieren oder tatsächliche Verhalten berichtet. Dieses Experiment leider bietet keine Anhaltspunkte über die Mechanismen, durch die die soziale Informations, die einige Forscher spielerisch ein "Gesicht Haufen" -erhöhte Abstimmung genannt haben. Es könnte sein, dass die soziale Informationen, um die Wahrscheinlichkeit erhöht, dass jemand die Fahne bemerkt, oder dass es erhöht die Wahrscheinlichkeit, dass jemand, der das Banner bemerkt tatsächlich stimmten oder beide. Somit liefert dieses Experiment eine interessante Erkenntnis , dass weitere Forscher wahrscheinlich erkunden (siehe zB Bakshy, Eckles, et al. (2012) ).

Zusätzlich zu den Zielen der Forscher voran dieses Experiment voran auch das Ziel der Partnerorganisation (Facebook). Wenn Sie das Verhalten bei der Abstimmung um den Kauf Seife studierte ändern, dann können Sie sehen , dass die Studie genau die gleiche Struktur wie ein Experiment hat die Wirkung von Online - Anzeigen (siehe zB zu messen Lewis and Rao (2015) ). Diese Ad - Wirksamkeitsstudien messen häufig die Wirkung der Exposition gegenüber Online - Anzeigen-Behandlungen in Bond et al. (2012) sind im Grunde Werbung für die Teilnahme-auf Offline - Verhalten. Somit konnte in dieser Studie Facebook Fähigkeit voran die Wirksamkeit von Online-Werbung zu untersuchen und könnte dazu beitragen, Face potenzielle Anzeigenkunden zu überzeugen, dass Facebook-Anzeigen wirksam sind.

Obwohl das Interesse der Forscher und Partner meist in dieser Studie ausgerichtet waren, waren sie auch teilweise in Spannung. Insbesondere die Verteilung der Teilnehmer auf die drei Bedingungen Kontrolle, info und Info + sozial wurde enorm unausgewogen: 98% der Probe wurde an info zugewiesen + sozial. Diese unausgewogene Zuteilung ist statistisch ineffizient und eine viel bessere Verteilung für die Forscher hätten in jeder Gruppe 1/3 der Teilnehmer gewesen. Doch geschah das unausgewogene Zuteilung, weil Facebook jeder wollte die Info + soziale Behandlung zu erhalten. Glücklicherweise überzeugte die Forscher sie wieder 1% für eine Behandlung benötigt und 1% der Teilnehmer für eine Kontrollgruppe zu halten. Ohne die Kontrollgruppe wäre es im Grunde unmöglich, die Wirkung der Info + soziale Behandlung zu messen, weil es gewesen wäre, eine "stören und zu beobachten" Experiment eher als eine randomisierte, kontrollierte Experiment. Dieses Beispiel stellt eine wertvolle praktische Lehre für Zusammenarbeit mit Partnern: Sie manchmal ein Experiment erstellen, indem jemand davon zu überzeugen, eine Behandlung zu liefern und manchmal ein Experiment Sie erstellen, indem Sie davon zu überzeugen, jemand nicht eine Behandlung zu liefern (dh eine Kontrollgruppe zu schaffen).

Partnerschaft muss nicht immer Tech-Unternehmen und A / B-Tests mit Millionen von Teilnehmern einzubeziehen. Zum Beispiel Alexander Coppock, Andrew Guess, und John Ternovski (2016) eine Partnerschaft mit einer Umwelt - NGO (League of Conservation Wähler) Experimente Tests verschiedene Strategien zur Förderung der sozialen Mobilisierung zu laufen. Die Forscher verwendeten den Twitter-Account der NRO sowohl öffentliche Tweets zu verschicken und den privaten Direktnachrichten, die an prime verschiedene Arten von Identitäten versucht. Die Forscher dann, welche dieser Nachrichten waren am effektivsten gemessen für die Menschen ermutigen, eine Petition und retweet Informationen über eine Petition zu unterschreiben.

Insgesamt mit dem leistungsstarken Partnerschaft ermöglicht es Ihnen auf einer Skala arbeiten, die sonst zu tun ist hart, und Tabelle 4.3 liefert weitere Beispiele für Partnerschaften zwischen Forschern und Organisationen. Partnering kann viel einfacher sein, als Ihr eigenes Experiment zu bauen. Aber kommen diese Vorteile mit Nachteilen: Partnerschaften können die Arten von Teilnehmern, Behandlungen zu begrenzen, und die Ergebnisse, die Sie studieren können. Ferner können diese Partnerschaften zu ethischen Herausforderungen führen. Der beste Weg, eine Gelegenheit für eine Partnerschaft zu erkennen ist ein echtes Problem zu bemerken, dass Sie lösen können, während Sie interessante Wissenschaft tun. Wenn Sie nicht auf diese Art und Weise verwendet werden, um die Welt zu betrachten, kann es schwierig sein, Probleme in Pasteurs Quadrant zu erkennen, aber mit etwas Übung, werden Sie anfangen, sie mehr und mehr zu bemerken.