5.3.4 نتیجه گیری

تماس های باز شما را قادر می سازد تا راه حل هایی را برای مشکلاتی که می توانید به روشنی بیان کنید، پیدا کنید، اما خودتان را نمی توانید حل کنید.

در هر سه پروژه Netflix بکشد فراخوان جایزه، Foldit، نظیر به ثبت اختراع در محققان مطرح پرسش از یک فرم خاص، راه حل های بینی، و سپس برداشت بهترین راه حل. محققان حتی نمی نیاز به دانستن بهترین متخصص به درخواست، و گاهی اوقات ایده های خوب از مکان های غیر منتظره بود.

اکنون می توانم دو تفاوت مهم بین پروژه های باز تماس و پروژه های محاسبه انسانی را برجسته کنم. در ابتدا، در پروژه های فراخوانی، محقق یک هدف (به عنوان مثال، پیش بینی رتبه بندی فیلم) مشخص می کند، در حالی که در محاسبه انسانی، محقق یک میکروستاك را مشخص می كند (به عنوان مثال، طبقه بندی كهكشان). دوم، در تماسهای باز، محققان بهترین سهم را می خواهند - مانند بهترین الگوریتم برای پیش بینی رتبه بندی فیلم، کمترین انرژی پیکربندی یک پروتئین یا بخش مربوطه از هنر قبلی - و نه ترکیبی ساده از همه مشارکتها

با توجه به الگو کلی برای فراخوانهای باز و این سه نمونه، چه مشکلی در تحقیقات اجتماعی ممکن است برای این رویکرد مناسب باشد؟ در این مرحله، باید تصدیق کنم که نمونه های موفق بسیاری وجود ندارد (به دلایلی که در یک لحظه توضیح خواهم داد). از لحاظ آنالوگهای مستقیم، می توان یک دعوت نامه ی باز به سبک پهناوری را که توسط محقق تاریخی مورد استفاده قرار می گیرد برای اولین سند برای اشاره به یک فرد یا ایده خاص، تصور کنید. رویکرد باز تماس با این نوع مشکل می تواند بسیار ارزشمند باشد زمانی که اسناد بالقوه مربوطه در یک آرشیو واحد نیستند اما به طور گسترده ای توزیع می شوند.

به طور کلی، بسیاری از دولت ها و شرکت ها مشکلاتی دارند که ممکن است قابل حل باشند زیرا تماس های باز می توانند الگوریتم هایی را ایجاد کنند که می توانند برای پیش بینی استفاده شوند و این پیش بینی ها می تواند راهنمای مهمی برای عمل باشد (Provost and Fawcett 2013; Kleinberg et al. 2015) به عنوان مثال، درست همانطور که Netflix میخواست پیش بینی رتبهبندی فیلمها را انجام دهد، دولتها ممکن است بخواهند نتایجی را پیشبینی کنند، از جمله اینکه کدام رستورانها بیشتر نقض قوانین بهداشتی هستند تا بتوانند منابع بازرسی را به طور موثرتری اختصاص دهند. ادوارد Glaeser و همکارانش (2016) ، با انگیزه ای از این مشکل، از یک تماس باز برای کمک به شهر بوستون پیش بینی کرده اند که تخلفات مربوط به بهداشت و بهداشت رستوران براساس داده های بررسی Yelp و اطلاعات بازرسی تاریخی است. آنها تخمین زده اند که مدل پیش بینی کننده ای که فراخوانی های فراوانی را به دست آورد، بازده بازرسان رستوران را حدود 50 درصد افزایش می دهد.

تماس های باز نیز می تواند به طور بالقوه برای مقایسه و تست نظریه ها مورد استفاده قرار گیرد. به عنوان مثال، مطالعه خانواده های ضعیف و سلامت کودک حدود 5000 کودک از زمان تولد در 20 شهر مختلف ایالات متحده ردیابی شده است (Reichman et al. 2001) . محققان اطلاعاتی در مورد این کودکان، خانواده ها و محدوده وسیعتری از آنها در هنگام تولد و در سنین 1، 3، 5، 9 و 15 سال جمع آوری کرده اند. با توجه به اطلاعات موجود در مورد این کودکان، چگونه محققان می توانند نتایجی نظیر آنچه را که از کالج فارغ التحصیل می شوند، پیش بینی کنند؟ یا، به گونه ای بیان می شود که برای برخی محققان جالب تر خواهد بود، کدامیک از داده ها و نظریه ها در پیش بینی این نتایج مؤثر خواهد بود؟ از آنجایی که هیچ کدام از این کودکان در حال حاضر به اندازه کافی برای رفتن به کالج نیستند، این پیش بینی واقعی پیش رو خواهد بود، و استراتژی های مختلفی وجود دارد که محققان ممکن است از آن استفاده کنند. یک محقق که معتقد است که محله ها در شکل دهی پیامدهای زندگی حیاتی هستند، ممکن است یک رویکرد را در نظر بگیرند، در حالی که یک محقق که روی خانواده ها تمرکز دارد، ممکن است کاری کاملا متفاوت انجام دهد. کدام یک از این روش ها بهتر کار خواهند کرد؟ ما نمی دانیم، و در فرآیند کشف، می توانیم چیزی درباره خانواده ها، محله ها، آموزش، و نابرابری اجتماعی یاد بگیریم. علاوه بر این، این پیش بینی ها ممکن است برای هدایت جمع آوری داده های آینده مورد استفاده قرار گیرد. تصور کنید که تعداد کمی از فارغ التحصیلان کالج وجود دارد که پیش بینی نشده است که از هر یک از مدل ها فارغ التحصیل شوند؛ این افراد نامزد ایده آل برای پیگیری مصاحبه های کیفی و مشاهدات قوم نگاری هستند. بنابراین، در این نوع تماس باز، پیش بینی ها پایان نیستند؛ بلکه آنها یک روش جدید برای مقایسه، غنی سازی و ترکیب سنت های نظری مختلف ارائه می دهند. این نوع فراخوانی باز به منظور استفاده از داده ها از مطالعه خانواده های شکننده و سلامت کودک به منظور پیش بینی افرادی که به کالج می روند، مشخص نیست؛ این می تواند مورد استفاده قرار گیرد برای پیش بینی هر نتیجه ای که در نهایت در هر مجموعه داده های طولی اجتماعی جمع آوری می شود.

همانطور که پیشتر در این بخش نوشتم، نمونه های زیادی از محققان اجتماعی با استفاده از تماس های باز شده وجود ندارد. من فکر می کنم این به این دلیل است که فراخوانهای باز به خوبی به شیوه ای که دانشمندان علوم اجتماعی به طور معمول از سوالاتشان سوالی دارند مناسب نیستند. بازگشت به جایزه Netflix، دانشمندان علوم اجتماعی معمولا در مورد پیش بینی سلیقه ها نمی خواهند؛ بلکه آنها در مورد چگونگی و به همین دلیل است که سلیقه های فرهنگی برای افراد در کلاس های مختلف اجتماعی متفاوت است ( Bourdieu (1987) ، Bourdieu (1987) ). چشمانداز "و" چرا "به راه حل های قابل اعتمادی نمی رسند و به همین دلیل به نظر می رسد مناسب برای تماس های باز هستند. بنابراین، به نظر می رسد که تماس های باز برای پیش بینی سوالات بیشتر از سوالات توضیح مناسب تر است. با این حال نظریهپردازان اخیر از دانشمندان علوم اجتماعی دعوت کردهاند تا دوگانگی بین توضیح و پیشبینی را (Watts 2014) . همانطور که خط بین پیش بینی و توضیح منحرف می شود، انتظار دارم که فراخوانهای باز در تحقیقات اجتماعی به طور فزاینده ای رایج شوند.