4.5.4 Asociarse con los poderosos

La asociación puede reducir costes y aumentar la escala, pero puede alterar los tipos de participantes, tratamientos y las consecuencias que se pueden utilizar.

La alternativa de hacerlo usted mismo es asociarse con una organización poderosa como una empresa, gobierno u ONG. La ventaja de trabajar con un compañero es que pueden permitirle realizar experimentos que simplemente no puede hacer usted mismo. Por ejemplo, uno de los experimentos que mencionaré a continuación involucró a 61 millones de participantes; ningún investigador individual podría alcanzar esa escala. Al mismo tiempo que asociarse aumenta lo que puede hacer, también lo constriñe. Por ejemplo, la mayoría de las compañías no le permitirán ejecutar un experimento que podría dañar su negocio o su reputación. Trabajar con socios también significa que cuando llega el momento de publicar, puede verse presionado para "modificar el marco" de sus resultados, y algunos socios incluso podrían tratar de bloquear la publicación de su trabajo si los hace quedar mal. Finalmente, la asociación también implica costos relacionados con el desarrollo y el mantenimiento de estas colaboraciones.

El desafío central que tiene que resolverse para que estas alianzas sean exitosas es encontrar una manera de equilibrar los intereses de ambas partes, y una manera útil de pensar sobre ese equilibrio es el Cuadrante de Pasteur (Stokes 1997) . Muchos investigadores piensan que si están trabajando en algo práctico, algo que podría ser de interés para una pareja, entonces no pueden estar haciendo ciencia real. Esta mentalidad hará que sea muy difícil crear alianzas exitosas, y también está completamente equivocada. El problema con esta manera de pensar está maravillosamente ilustrado por la investigación pionera del biólogo Louis Pasteur. Mientras trabajaba en un proyecto de fermentación comercial para convertir el jugo de remolacha en alcohol, Pasteur descubrió una nueva clase de microorganismo que finalmente condujo a la teoría de la enfermedad de los gérmenes. Este descubrimiento resolvió un problema muy práctico, ayudó a mejorar el proceso de fermentación, y condujo a un gran avance científico. Por lo tanto, en lugar de pensar en la investigación con aplicaciones prácticas como en conflicto con la verdadera investigación científica, es mejor pensar que estas son dos dimensiones separadas. La investigación puede estar motivada por el uso (o no), y la investigación puede buscar una comprensión fundamental (o no). Críticamente, algunas investigaciones, como las de Pasteur, pueden estar motivadas por el uso y buscando una comprensión fundamental (figura 4.17). La investigación en el Cuadrante de Pasteur -investigación que inherentemente avanza dos objetivos- es ideal para las colaboraciones entre investigadores y socios. Teniendo en cuenta estos antecedentes, describiré dos estudios experimentales con asociaciones: uno con una empresa y otro con una ONG.

Figura 4.17: El cuadrante de Pasteur (Stokes 1997) . En lugar de pensar en la investigación como "básica" o "aplicada", es mejor pensar que está motivada por el uso (o no) y que busca la comprensión fundamental (o no). Un ejemplo de investigación que está motivado por el uso y busca una comprensión fundamental es el trabajo de Pasteur para convertir el jugo de remolacha en alcohol que conduce a la teoría de la enfermedad de los gérmenes. Este es el tipo de trabajo que se adapta mejor a las alianzas con los poderosos. Los ejemplos de trabajos motivados por el uso pero que no buscan una comprensión fundamental provienen de Thomas Edison, y ejemplos de trabajo que no están motivados por el uso pero que buscan la comprensión provienen de Niels Bohr. Ver Stokes (1997) para una discusión más completa de este marco y cada uno de estos casos. Adaptado de Stokes (1997) , figura 3.5.

Las grandes empresas, en particular las empresas de tecnología, han desarrollado una infraestructura increíblemente sofisticada para ejecutar experimentos complejos. En la industria de la tecnología, estos experimentos a menudo se llaman pruebas A / B porque comparan la efectividad de dos tratamientos: A y B. Tales experimentos se realizan frecuentemente para aumentar el porcentaje de clics en los anuncios, pero la misma infraestructura experimental también puede ser utilizado para la investigación que avanza la comprensión científica. Un ejemplo que ilustra el potencial de este tipo de investigación es un estudio realizado por una asociación entre investigadores de Facebook y la Universidad de California, San Diego, sobre los efectos de diferentes mensajes sobre la participación de votantes (Bond et al. 2012) .

El 2 de noviembre de 2010, el día de las elecciones legislativas de los EE. UU., Los 61 millones de usuarios de Facebook que vivían en Estados Unidos y tenían 18 años o más participaron en un experimento sobre votación. Al visitar Facebook, los usuarios fueron asignados aleatoriamente en uno de tres grupos, lo que determinó qué banner (si corresponde) se colocaba en la parte superior de su News Feed (figura 4.18):

• un grupo de control
• un mensaje informativo sobre la votación con un botón "I Voted" en el que se puede hacer clic y un contador (Información)
• un mensaje informativo sobre la votación con un botón "I Voted" en el que se puede hacer clic y un contador más los nombres y las imágenes de sus amigos que ya habían hecho clic en "I Voted" (Información + Social)

Bond y sus colegas estudiaron dos resultados principales: el comportamiento de votación informado y el comportamiento de votación real. En primer lugar, descubrieron que las personas del grupo Info + Social tenían aproximadamente dos puntos porcentuales más probabilidades que las personas del grupo de información de hacer clic en "He votado" (alrededor del 20% frente al 18%). Además, después de que los investigadores fusionaron sus datos con registros de votación disponibles públicamente para unos seis millones de personas, descubrieron que las personas del grupo Info + Social tenían 0.39 puntos porcentuales más de probabilidades de votar que aquellos en el grupo de control y que las personas en el grupo de información tenían la misma probabilidad de votar que los del grupo de control (figura 4.18).

Figura 4.18: Resultados de un experimento de salir del voto en Facebook (Bond et al. 2012) . Los participantes en el grupo de información votaron a la misma velocidad que los del grupo de control, pero las personas del grupo de Información + Social votaron a una tasa ligeramente más alta. Las barras representan intervalos de confianza estimados del 95%. Los resultados en el gráfico son para aproximadamente seis millones de participantes que se compararon con los registros de votación. Adaptado de Bond et al. (2012) , figura 1.

Los resultados de este experimento muestran que algunos mensajes de salida de voto en línea son más efectivos que otros y que la estimación de efectividad de un investigador puede depender de si el resultado se reporta como votación o votación real. Desafortunadamente, este experimento no ofrece ninguna pista sobre los mecanismos a través de los cuales la información social -que algunos investigadores denominan juguetonamente "cara alzada" - aumentó la votación. Podría ser que la información social aumentara la probabilidad de que alguien notara la pancarta o que aumentara la probabilidad de que alguien que notó la pancarta realmente votara o ambas cosas. Por lo tanto, este experimento proporciona un hallazgo interesante que otros investigadores probablemente explorarán (ver, por ejemplo, Bakshy, Eckles, et al. (2012) ).

Además de avanzar en los objetivos de los investigadores, este experimento también avanzó el objetivo de la organización asociada (Facebook). Si cambias el comportamiento estudiado de votar a comprar jabón, entonces puedes ver que el estudio tiene la misma estructura que un experimento para medir el efecto de los anuncios en línea (ver, por ejemplo, RA Lewis and Rao (2015) ). Estos estudios de efectividad publicitaria con frecuencia miden el efecto de la exposición a anuncios en línea: los tratamientos en Bond et al. (2012) son básicamente anuncios de comportamiento fuera de línea de votación. Por lo tanto, esta investigación podría impulsar la capacidad de Facebook para estudiar la efectividad de los anuncios en línea y podría ayudar a Facebook a convencer a los anunciantes potenciales de que los anuncios de Facebook son efectivos para cambiar el comportamiento.

A pesar de que los intereses de los investigadores y socios se alinearon en su mayoría en este estudio, también estaban parcialmente en tensión. En particular, la asignación de participantes a los tres grupos -control, Info e Info + Social- fue tremendamente desequilibrada: el 98% de la muestra se asignó a Info + Social. Esta asignación desequilibrada es ineficiente estadísticamente, y una asignación mucho mejor para los investigadores habría tenido un tercio de los participantes en cada grupo. Pero la asignación desequilibrada ocurrió porque Facebook quería que todos recibieran el tratamiento de Información + Social. Afortunadamente, los investigadores los convencieron de retener el 1% para un tratamiento relacionado y el 1% de los participantes para un grupo de control. Sin el grupo de control, habría sido básicamente imposible medir el efecto del tratamiento de Información + Social porque habría sido un experimento de "perturbar y observar" en lugar de un experimento controlado aleatorio. Este ejemplo proporciona una valiosa lección práctica para trabajar con socios: a veces creas un experimento convenciendo a alguien para que entregue un tratamiento y, a veces, creas un experimento convenciendo a alguien para que no entregue un tratamiento (es decir, para crear un grupo de control).

La asociación no siempre necesita involucrar a compañías tecnológicas y pruebas A / B con millones de participantes. Por ejemplo, Alexander Coppock, Andrew Guess y John Ternovski (2016) asociaron con una ONG ambientalista, la League of Conservation Voters (Liga de Votantes de la Conservación) para realizar experimentos que prueban diferentes estrategias para promover la movilización social. Los investigadores utilizaron la cuenta de Twitter de la ONG para enviar tweets públicos y mensajes privados directos que intentaban cebar diferentes tipos de identidades. Luego midieron cuáles de estos mensajes fueron más efectivos para alentar a las personas a firmar una petición y retuitear información sobre una petición.

En general, asociarse con el poderoso le permite operar a una escala que de otra manera sería difícil de hacer, y el cuadro 4.3 brinda otros ejemplos de asociaciones entre investigadores y organizaciones. Asociarse puede ser mucho más fácil que construir tu propio experimento. Pero estas ventajas vienen con desventajas: las asociaciones pueden limitar los tipos de participantes, tratamientos y resultados que puede estudiar. Además, estas asociaciones pueden conducir a desafíos éticos. La mejor manera de detectar una oportunidad para una asociación es darse cuenta de un problema real que puede resolver mientras hace ciencia interesante. Si no está acostumbrado a esta forma de ver el mundo, puede ser difícil detectar problemas en el Cuadrante de Pasteur, pero, con práctica, comenzará a notarlos cada vez más.