4.1 Enkonduko

En la aliroj kovrita ĝis nun en ĉi tiu libro-observante konduton (Ĉapitro 2) kaj demandante demandojn (Ĉapitro 3) -researchers kolekti datumojn pri kio nature okazanta en la mondo. La alproksimiĝo kovrita en tiu ĉapitro-aktuala eksperimentoj-estas fundamente malsamaj. Kiam esploristoj kuri eksperimentoj, ili sisteme interveni en la mondo por krei datumojn kiuj estas ideale taŭgas por respondi demandojn pri kaŭzo-kaj-efekto interrilatoj.

Kaŭzi-kaj-efekto demandoj estas tre komuna en socia esplorado, kaj ekzemploj inkludas demandoj kiel Does kreskanta instruistoj salajroj pliigas studento lernanta? Kio estas la efiko de minimuma salajro sur dungado impostoj? Kiel laboron kandidato la vetkuro efektiviĝo ŝia ŝanco de prenanta laboron? Krom tiuj eksplicite kaŭza demandojn, kelkfoje kaŭzas-kaj-efekto demandoj estas implicita en pli ĝeneralaj demandoj pri maksimumigo de iu agado metriko. Ekzemple, la demandon "Kio koloro butono maksimumigi donacoj ONG retejo site?" Estas vere multaj demandoj pri la efiko de malsamaj butono koloroj sur donacoj.

Unu maniero respondi kaŭzas-kaj-efekto demandoj estas serĉi mastroj en ekzistantaj datumoj. Ekzemple, uzante datumoj de miloj da lernejoj, vi povus kalkuli ke studentoj lernas pli en lernejoj kiuj proponas altan majstron salajroj. Sed, ĉu tiu korelacio montras ke pli altaj salajroj kaŭzi studentoj lerni pli? Kompreneble ne. Lernejojn kie instruistoj perlabori pli povus esti malsama en multaj vojoj. Ekzemple, studentoj en lernejoj kun altaj majstron salajroj povus veni de riĉaj familioj. Tiel, kio aspektas kiel efekto de instruistoj povis nur veni de komparanta malsamajn tipojn de studentoj. Tiuj unmeasured diferencoj inter studentoj estas nomitaj confounders, kaj ĝenerale, la eblo de confounders kaŭzas detruojn sur esploristoj kapablon respondi kaŭzas-kaj-efekto demandoj de serĉas skemojn en ekzistantaj datumoj.

Unu solvo al la problemo de confounders estas provi fari justan komparoj modifu por observebla diferencojn inter la grupoj. Ekzemple, vi eble povos elŝuti domimposto datumoj de kelkaj registaraj retejoj. Tiam, vi povus kompari studenta agado en lernejoj kie hejmo prezoj estas similaj sed majstron salajroj estas malsamaj, kaj vi ankoraŭ povas trovi ke studentoj lernas pli en lernejoj kun altaj instruisto salajro. Sed, ankoraŭ estas multaj eblaj confounders. Eble la gepatroj de tiuj studentoj malsamas en ilia eduknivelo aŭ eble la lernejoj malsamas en ilia proksimeco al publikaj bibliotekoj aŭ eble la lernejoj kun altaj instruisto salajro ankaŭ havas pli altan salajron pro rektoroj kaj ĉefa salajro, ne instruisto salajro, estas vere kion pliiĝas studenta lernado. Vi povus provi mezuri tiujn aliajn faktorojn ankaŭ, sed la listo de eblaj confounders estas esence senfina. En multaj situacioj, vi simple ne povas mezuri kaj ĝustigi por ĉiuj eblaj confounders. Tiu aliro povas nur preni vin ĝis nun.

Pli bona solvo al la problemo de confounders kuras eksperimentoj. Eksperimentoj ebligi esploristoj moviĝi preter la korelacioj en naturaj datumoj por fidinde respondi kaŭzas-kaj-efekto demando. En la analoga epoko, eksperimentoj estis ofte logísticamente malfacila kaj altekosta. Nun, en la cifereca erao, loĝistikaj limigoj laŭgrade fadante for. Ne nur estas pli facila por fari eksperimentojn kiel tiuj esploristoj faris en la estinteco, ĝi nun eblas kuri novaj specoj de eksperimentoj.

En kio mi skribis ĝis nun mi estis iom malfiksas en mia lingvo, sed gravas distingi inter du aferoj: eksperimentojn kaj randomigitaj kontrolitaj eksperimentoj. En eksperimento esploristo intervenas en la mondo kaj tiam mezuras la rezulton. Mi aŭdis ĉi alproksimiĝo priskribita kiel "inmutó kaj observi." Tiu strategio estas tre efika en la naturaj sciencoj, sed en medicinaj kaj sociaj sciencoj, estas alia alproksimiĝo kiu funkcias bone. En randomigitaj kontrolitaj eksperimento esploristo intervenas por iuj personoj kaj ne por aliaj, kaj, kritike, la esploristo decidas kiuj homoj ricevu la interveno de aleatorización (ekz klakanta monero). Tiu procedo certigas ke randomigitaj kontrolitaj eksperimentoj krei justan komparoj inter du grupoj: oni kiu ricevis la interveno kaj kiu havas ne. Alivorte, randomigitaj kontrolitaj eksperimentoj solvon al la problemoj de confounders. Malgraŭ la gravaj diferencoj inter la eksperimentoj kaj randomigitaj kontrolitaj eksperimentoj, sociaj esploristoj ofte uzas tiujn terminojn interŝanĝeble. Mi sekvas tiun konvencion, sed, ĉe iuj punktoj, mi rompos la konvencion elstari la valoro de randomigitaj kontrolitaj eksperimentoj super eksperimentojn sen aleatorización kaj kontrolgrupo.

Randomigitaj kontrolitaj eksperimentoj pruvis esti potenca maniero por lerni pri la socia mondo, kaj en ĉi tiu ĉapitro, mi instruos vin pli pri kiel uzi ilin en via esploro. En Sekcio 4.2, mi ilustri la baza logiko de experimentación kun ekzemplo de eksperimento sur Vikipedio. Tiam, en Sekcio 4.3, mi priskribus la diferencon inter laboratorio eksperimentoj kaj kampo eksperimentoj kaj la diferencoj inter analogaj eksperimentoj kaj cifereca eksperimentoj. Plui, mi argumentas ke diĝita kampo eksperimentoj povas proponi la pli bonajn karakterizaĵojn de analoga laboratorio eksperimentoj (firme kontrolon) kaj analoga kampo eksperimentoj (realismo), ĉiuj en skalo kiu ne estis ebla antaŭe. Tuj poste, en Sekcio 4.4, mi priskribus tri konceptojn-valideco, heterogeneco de traktado efikoj kaj mekanismoj, tio estas maltrankviliga por dizajnado riĉa eksperimentoj. Kun tiu fono, mi priskribus la komerco-offs implikita en la du ĉefaj strategioj por faranta diĝita eksperimentoj: fari ĝin vi mem (Sekcio 4.5.1) aŭ partnera kun la potencaj (Sekcio 4.5.2). Fine, mi konkludas per kelkaj dezajno konsiloj pri kiel vi povas utiligi la reala potenco de ciferecaj eksperimentoj (Sekcio 4.6.1) kaj priskribi iujn de respondeco kiu venas kun tiu potenco (Sekcio 4.6.2). La ĉapitro estos prezentita kun minimumo de matematika notacio kaj formala lingvo; legantoj interesita en pli formala, matematika alproksimiĝo al eksperimentoj ankaŭ devus legi la Teknika Apendico fine de la ĉapitro.