4.1 Enkonduko

En la alproksimiĝoj ĝis nun en ĉi tiu libro-observanta konduto (ĉapitro 2) kaj demandoj (ĉapitro 3) - serĉistoj kolektas datumojn sen intencie kaj sisteme ŝanĝanta la mondon. La alproksimiĝo de ĉi tiu ĉapitro-kuranta eksperimentoj-estas esence malsama. Kiam esploristoj kuras eksperimentojn, ili sisteme intervenas en la mondo por krei datumojn, kiuj estas ideale taŭgaj por respondi demandojn pri kaŭzoj kaj efikaj rilatoj.

Kaŭzoj kaj efikaj demandoj estas tre oftaj en socia esplorado, kaj ekzemploj inkluzivas demandojn kiel: Ĉu kreskantaj instruaj salajroj pliigas studentlernadon? Kio estas la efiko de minimuma salajro pri dungaj indicoj? Kiel funkcias la kuro de postulo de postulo influas sian eblecon akiri laboron? Krom ĉi tiuj eksplicite kaŭzaj demandoj, kelkfoje kaŭzas-kaj-efiktaj demandoj estas implicitaj en pli ĝeneralaj demandoj pri maksimumigo de kelkaj agado-metriko. Ekzemple, la demando "Kiun koloron donu la butonon donaci sur retejo de ONG"? Estas vere multaj demandoj pri la efiko de malsamaj butonoj koloroj sur donacoj.

Unu maniero por respondi kaŭzojn kaj efikojn estas serĉi mastrojn en ekzistantaj datumoj. Ekzemple, revenante al la demando pri la efiko de instruaj salajroj pri studenta lernado, vi povus kalkuli, ke studentoj lernas pli en lernejoj, kiuj ofertas altajn instruistojn. Sed ĉu ĉi tiu korelacio montras, ke pli altaj salajroj kaŭzas studentojn por lerni pli? Kompreneble ne. Lernejoj, kie instruistoj gajnas pli, povus esti malsamaj en multaj manieroj. Ekzemple, studentoj en lernejoj kun altaj instruaj salajroj povus veni de pli riĉaj familioj. Tiel, kio aspektas kiel efiko de instruistoj povus nur veni de komparado de malsamaj tipoj de studentoj. Ĉi tiuj nemezureblaj diferencoj inter studentoj estas nomataj konfliktoj , kaj ĝenerale, la ebleco de konfuzantoj malhelpas la kapablon de la esploristoj respondi demandojn de kaŭzo kaj efiko serĉante ŝablonojn en ekzistantaj datumoj.

Solvo al la problemo de konfliktoj klopodas fari justajn komparojn per ĝustigado por observeblaj diferencoj inter grupoj. Ekzemple, vi eble povus elŝuti proprietajn impostojn de kelkaj registaraj retejoj. Tiam vi povus kompari studentan agadon en lernejoj kie hejmaj prezoj estas similaj, sed instruistoj estas malsamaj, kaj vi ankoraŭ povus trovi, ke studentoj lernas pli en lernejoj kun pli alta instruisto. Sed ankoraŭ ekzistas multaj eblaj konfliktoj. Eble la gepatroj de ĉi tiuj studentoj diferencas en ilia nivelo de edukado. Aŭ eble la lernejoj diferencas en ilia proksimeco al publikaj bibliotekoj. Aŭ eble la lernejoj kun pli alta instruisto pagas ankaŭ havas pli altan salajron por principoj, kaj ĉefa salajro, ne instruisto pagas, estas vere kio pliigas studentan lernadon. Vi povus provi mezuri kaj ĝustigi por ĉi tiuj faktoroj ankaŭ, sed la listo de eblaj konfliktoj estas esence senfina. En multaj situacioj, vi simple ne povas mezuri kaj ĝustigi por ĉiuj eblaj konfliktoj. En respondo al ĉi tiu defio, esploristoj disvolvis kelkajn teknikojn por kaŭzi kaŭzajn taksojn de neperperimentaj datumoj - mi diskutis kelkajn el ili en ĉapitro 2-sed, por iuj specoj de demandoj, ĉi tiuj teknikoj estas limigitaj, kaj eksperimentoj proponas promesplenan alternativo.

Eksperimentoj ebligas esploristojn movi preter la korelaciojn en naturaj datumoj por fidinde respondi iujn aferojn kaj efikajn demandojn. En la analoga aĝo, eksperimentoj ofte estis logike malfacilaj kaj multekostaj. Nun, en la cifereca aĝo, logistikaj limigoj iom post iom malproksimiĝas. Ne nur estas pli facila fari eksperimentojn kiel tiuj faritaj en la pasinteco, nun eblas ekzekuti novajn specojn de eksperimentoj.

En kio mi skribis ĝis nun mi iomete malfiksis en mia lingvo, sed gravas distingi inter du aferoj: eksperimentoj kaj hazardigitaj kontrolitaj eksperimentoj. En eksperimento , esploristo intervenas en la mondo kaj tiam mezuras rezulton. Mi aŭdis ĉi tiun aliron priskribitan kiel "perturbi kaj observi". En hazarda kontrolita eksperimento esploristo intervenas por iuj homoj kaj ne por aliaj, kaj la esploristo decidas, ke homoj ricevas la intervenon per hazardigo (ekz. Hazarde kontrolitaj eksperimentoj kreas justajn komparojn inter du grupoj: unu, kiu ricevis la intervenon kaj unu, kiu ne havas. Alivorte, hazardigitaj kontrolitaj eksperimentoj estas solvo al la problemoj de konfliktoj. Tamen, la eksperimentoj de observado kaj observado implicas nur unu grupon, kiu ricevis la intervenon, kaj tial la rezultoj povas konduki al la esploristoj al la malĝusta konkludo (kiel mi montros baldaŭ). Malgraŭ la gravaj diferencoj inter eksperimentoj kaj hazardigitaj kontrolitaj eksperimentoj, sociaj esploristoj ofte uzas ĉi tiujn terminojn interŝanĝeble. Mi sekvos ĉi tiun konvencion, sed, en iuj punktoj, mi rompos la konvencion por emfazi la valoron de hazardigitaj kontrolitaj eksperimentoj super eksperimentoj sen hazardo kaj grupo kontrolo.

Hazarde kontrolitaj eksperimentoj pruvis esti potenca maniero por lerni pri la socia mondo, kaj en ĉi tiu ĉapitro mi montros vin pli pri kiel uzi ilin en via esplorado. En sekcio 4.2, mi ilustros la bazan logikon de eksperimento kun ekzemplo de eksperimento en Vikipedio. Tiam, en la sekcio 4.3, mi priskribos la diferencon inter labormaj eksperimentoj kaj kampaj eksperimentoj kaj la diferencoj inter analogaj eksperimentoj kaj ciferecaj eksperimentoj. Plue, mi argumentos, ke ciferecaj kampoj eksperimentoj povas proponi la plej bonajn trajtojn de analogaj eksperimentoj de laboratorio (streĉa kontrolo) kaj analogaj eksperimentoj de kampo (realismo), ĉiuj ĉe skalo, kiu ne eblis antaŭe. Poste, en sekcio 4.4, mi priskribos tri konceptojn-validecon, heterogenecon de kuracaj efikoj kaj mekanismoj -kiuj estas kritikaj por desegni riĉajn eksperimentojn. En tiu fono, mi priskribos la komercajn intervenojn en la du ĉefaj strategioj por realigi ciferecajn eksperimentojn: farante ĝin vi mem aŭ kunlabori kun la potencaj. Fine, mi finos kun iuj konsiloj pri dezajno pri kiel vi povas utiligi la realan potencon de ciferecaj eksperimentoj (sekcio 4.6.1) kaj priskribi iom da la respondeco, kiu venas kun tiu potenco (sekcio 4.6.2).