4.1 Sissejuhatus
Aastal lähenemisviise reguleeritud seni selles raamatus-jälgides käitumine (2. peatükk) ja küsimusi (3. peatükk) -researchers koguda andmeid selle kohta, mis on looduslikult esinev maailma. Lähenemine Käesolevas peatükis kestnud eksperimentide-on täiesti erinev. Kui teadlased töötavad eksperimentide süstemaatiliselt sekkuda maailma luua andmeid, mis sobib ideaalselt vastates küsimustele põhjuse-tagajärje seoseid.
Põhjus-tagajärg küsimused on väga levinud sotsiaalsed uuringud ja näited hõlmab selliseid küsimusi nagu: Kas suureneb õpetajate palgad tõsta õpilaste õppimist? Mis mõju on miinimumpalk tööhõivele? Kuidas tööotsija rassi mõju tema võimalus saada tööd? Lisaks neile selgesõnaliselt põhjuslik küsimused, mõnikord põhjus-tagajärg küsimused on niigi üldisemaid küsimusi maksimeerimine mõned toimivusmõõdikut. Näiteks küsimusele "Mis värvi nupp maksimeerib annetusi MTÜ kodulehel kohas?" On tõesti palju küsimusi toime erinevate nuppu värve annetusi.
Üks võimalus vastata põhjus-tagajärg küsimused on otsida mustreid olemasolevaid andmeid. Näiteks, kasutades andmeid tuhandeid koole, siis võib arvutada, et õpilased õpivad rohkem koole, mis pakuvad kõrget õpetaja palka. Aga see korrelatsioon näitab, et kõrgemad palgad põhjustada õpilasi õppima rohkem? Muidugi mitte. Koolid, kus õpetajad teenivad rohkem olla paljuski erinev. Näiteks õpilased koolides suure õpetaja palgad võivad tulla jõukamate perede. Seega, milline näeb mõju õpetajate võiks lihtsalt tulevad võrrelda erinevate õpilastega. Need mõõtmata erinevusi õpilased on kutsutud segavaid ja üldjuhul võimalik segavaid wreaks laastavalt teadlased võime vastata põhjus-tagajärg küsimused vaadates mustreid olemasolevaid andmeid.
Üks lahendus probleemile segavaid on püüda teha õiglane võrdlus, reguleerides vaadeldavad erinevused gruppide vahel. Näiteks sa võiksid alla laadida maamaksu andmete hulk valitsuse veebilehed. Siis võid võrrelda õpilaste tulemusi koolides, kus majade hinnad on sarnased, kuid õpetaja palgad on erinevad, ja sa ikka võib leida, et õpilased õpivad rohkem koolides kõrgema õpetaja palk. Aga on veel palju võimalikke segavaid. Võib-olla vanemad nende õpilaste erinevad nende haridustasemest või ehk koolid erinevad lähedus rahvaraamatukogude või äkki koolide kõrgema õpetaja palk on ka suurem palk põhimõtteid ja peamine palk, mitte õpetaja palk, on tõesti see, mida kasvab õppimist. Sa võid proovida mõõta nende tegurite samuti, kuid nimekiri võimalikest segavaid on sisuliselt lõputu. Paljudes olukordades, sa lihtsalt ei saa mõõta ja reguleerida kõiki võimalikke segavaid. Selline lähenemine on võimalik vaid siis sa siiani.
Parem lahendus probleemile segavaid töötab eksperimente. Katsed võimaldada teadlastel liikuda korrelatsioonid looduslikes andmeid, et usaldusväärselt vastata põhjus-tagajärg küsimusele. In analoog vanusest, katsed olid sageli logistiliselt keeruline ja kulukas. Nüüd digitaalajastul, logistilisi piiranguid järk-järgult hääbumas. Mitte ainult see on lihtsam teha eksperimente nagu need teadlased on teinud minevikus, on nüüd võimalik käivitada uut liiki eksperimente.
Mis ma olen kirjutanud siiani olen olnud natuke lahti oma keeles, kuid see on oluline eristada kahte asja: eksperimente ja randomiseeritud kontrollitud eksperimente. Eksperimendi uurija sekkub maailma ja siis mõõdab tulemus. Olen kuulnud sellist lähenemist kirjeldatakse kui "häirima ja jälgida." See strateegia on väga tõhus loodusteaduste, kuid meditsiini- ja sotsiaalteadused, seal on teine meetod, mis toimib paremini. Ühes randomiseeritud kontrollitud eksperimendi uurija sekkub mõned inimesed ja mitte teiste jaoks ja kriitiliselt, uurija otsustab, mida inimesed saavad sekkumist randomiseerimist (nt flipping mündi). See meetod tagab, et randomiseeritud kontrollitud eksperimente luua õiglane võrdlused kahte rühma: üks, mis on saanud sekkumine ja mis ei ole. Teisisõnu, randomiseeritud kontrollitud eksperimendid on lahendus probleemidele segavaid. Vaatamata olulisi erinevusi eksperimente ja randomiseeritud kontrollitud eksperimente, sotsiaalse teadlased kasutavad sageli neid mõisteid sünonüümidena. Ma seda kokkulepet järgima, kuid teatud kohtades, ma murda konventsiooni rõhutama randomiseeritud kontrollitud eksperimente eksperimente ilma randomiseerimist ja kontrollrühmal.
Randomiseeritud kontrollitud katsed on tõestanud, et tõhus viis õppida sotsiaalse maailma ja selles peatükis, ma õpetan teile lähemalt, kuidas neid kasutada oma teadus. Punktis 4.2 Ma illustreerivad loogika eksperimenteerimine näide eksperiment Wikipedia. Siis punktis 4.3, ma kirjeldada vahe laboris katseid ja eksperimente ja erinevused analoog eksperimente ja digitaalse eksperimente. Lisaks ma väita, et digitaalse eksperimente võib pakkuda parimaid omadusi analoog lab eksperimente (range kontrolli) ja analoog eksperimente (realism), kõik on skaala, mis ei olnud võimalik varem. Edasi punktis 4.4, ma kirjeldada kolme kontseptsiooni-kehtivust, heterogeensus ravi mõju ja mehhanismid, mis on esmatähtsad projekteerimine rikas eksperimente. Seda tausta, ma kirjeldada kompromisse kaasatud kaks peamist strateegiat läbi digitaalse eksperimendid: teeme ise (punkt 4.5.1) või partneriks võimas (punkt 4.5.2). Lõpuks ma lõpetada mõne disaini nõu, kuidas te saate ära tegelik võim digitaalse eksperimente (punkt 4.6.1) ja kirjeldame mõningaid vastutust, mis kaasneb selle võimsus (punkt 4.6.2). Peatükis esitatakse minimaalselt matemaatilisi märke ja ametlik keel; lugejaid huvitab rohkem formaalne, matemaatilise lähenemise eksperimendid lugema ka tehnilise liite lõpus peatükis.
