4.5.1 از محیط های موجود استفاده کنید

شما می توانید آزمایش در داخل محیط موجود اغلب بدون هیچ گونه برنامه نویسی و یا همکاری را داشته باشد.

از لحاظ منطقی، ساده ترین راه برای انجام یک آزمایش دیجیتال این است که آزمایش خود را روی یک محیط موجود قرار دهید. چنین آزمایش هایی را می توان در مقیاس قابل قبول اجرا کرد و نیازی به مشارکت با یک شرکت یا توسعه گسترده نرم افزار نیست.

به عنوان مثال، جنیفر Doleac و لوک استین (2013) از یک بازار آنلاین مانند Craigslist استفاده کردند تا آزمایشاتی انجام دهند که تبعیض نژادی را اندازه گیری کنند. آنها هزاران آیپدها را تبلیغ کردند و با تغییر سیستماتیک ویژگی های فروشنده، می توانستند تاثیر مسابقه بر معاملات اقتصادی را مطالعه کنند. علاوه بر این، آنها از مقیاس آزمایش خود برای برآورد زمانی که اثر بزرگتر بودند (ناهمگونی اثرات درمان) و ارائه ایده هایی در مورد اینکه چرا این اثر ممکن است رخ دهد (مکانیسم) استفاده شود.

آگهی های تبلیغاتی Doleac و Stein در سه ابعاد اصلی متفاوت بود. ابتدا محققان ویژگی های فروشنده را تغییر دادند که توسط دست عکسبرداری شده با نگه داشتن آی پاد [سفید، سیاه، سفید با خال کوبی] نشان داده شد (شکل 4.13). دوم، قیمت درخواستی [$ 90، $ 110، $ 130] تغییر کرد. سوم اینکه کیفیت متن تبلیغاتی [کیفیت بالا و کم کیفیت (مثلا خطاهای cApitalization و خطاهای اسپلین) را تغییر داد). بنابراين، طراحان طراحي 3 \(\times\) 3 \(\times\) 2 داشتند كه در بيش از 300 بازار محلي، از شهرها (مانند Kokomo، اينديانا و North Platte، Nebraska) شهرهای (مانند نیویورک و لس آنجلس).

شکل 4.13: دستهای مورد استفاده در آزمایش Doleac and Stein (2013) . iPods توسط فروشندگان با مشخصات مختلف برای اندازه گیری تبعیض در بازار آنلاین فروخته شد. با مجوز Doleac and Stein (2013) ، شکل 1 Doleac and Stein (2013) تولید می شود.

به طور متوسط ​​در تمام شرایط، نتایج برای فروشندگان سفیدپوستان بهتر از فروشندگان سیاه پوست بود، با فروشندگان خالکوبی با نتایج متوسط. برای مثال، فروشندگان سفید پیشنهادات بیشتری دریافت کرده و قیمت فروش نهایی بالاتری داشتند. فراتر از این اثرات متوسط ​​Doleac و Stein برآورد ناهمگونی اثرات. به عنوان مثال، یک پیش بینی از نظریه قبلی، این است که تبعیض در بازارهایی که در آن رقابت بین خریداران زیاد است، کمتر خواهد بود. محققان با استفاده از تعدادی از پیشنهادات در آن بازار به عنوان اندازه گیری میزان رقابت خریدار، متوجه شدند که فروشندگان سیاهپوست در حقیقت قیمت های پایین تر را در بازارهای با رقابت پایین ارائه می دهند. علاوه بر این، با مقایسه نتایج برای تبلیغات با متن با کیفیت بالا و با کیفیت پایین، Doleac و استین دریافتند که کیفیت تبلیغات بر معضلات ناشی از فروشندگان سیاه و سفید خالکوبی تاثیر نمی گذارد. در نهایت، با بهره گیری از این واقعیت که تبلیغات در بیش از 300 بازار قرار گرفته است، نویسندگان دریافتند که فروشندگان سیاه در شهرها با نرخ بالای جرم و جدایی مسکونی بیشتر در معرض خطر قرار دارند. هیچکدام از این نتایج به ما نمی فهمند دقیقا بدانند که چرا فروشندگان سیاهپوست نتایج بدتری داشتند، اما با ترکیب نتایج با سایر مطالعات، آنها می توانند در مورد علل تبعیض نژادی در انواع مختلف معاملات اقتصادی شروع به اطلاع رسانی کنند.

یکی دیگر از نمونه هایی که نشان می دهد توانایی محققان برای انجام آزمایش های دیجیتالی در سیستم های موجود، تحقیق توسط Arnout van de Rijt و همکارانش (2014) بر روی کلید موفقیت است. در بسیاری از جنبه های زندگی، افراد به ظاهر مشابه به نتایج بسیار متفاوت می رسند. یک توضیح احتمالی برای این الگویی این است که مزایای کوچک و اساسا تصادفی می توانند در طول زمان قفل شوند و رشد کنند، فرایندی که محققان مزیت انباشتی را به دست می آورند. ون د ریت و همکارانش (2014) به منظور تعیین اینکه آیا موفقیت های اولیه کوچک قفل شده یا محو شده اند، در چهار سیستم مختلف موفق به شرکت در انتخابات تصادفی شده اند و سپس تاثیرات بعدی این موفقیت دلخواه را اندازه گیری کرد.

به طور خاص، ون د ریت و همکارانش (1) به پروژه های تصادفی انتخاب شده بر روی Kickstarter، یک وبسایت با هزینه های بالقوه، متعهد شدند؛ (2) به طور مثبت رتبه بندی به طور تصادفی بررسی شده در Epinions، یک وب سایت بررسی محصول؛ (3) به شرکت کنندگان به صورت تصادفی انتخاب شده به ویکی پدیا پرداخت. و (4) تقاضاهای به طور تصادفی انتخاب شده در change.org را امضا کردند. آنها نتایج بسیار مشابهی را در هر چهار سیستم یافتند: در هر مورد، شرکت کنندگان که به طور تصادفی برخی از موفقیت های اولیه را به دست آوردند، به موفقیت بیشتری نسبت به همسالانشان که کاملا غیر قابل تشخیص بودند، رسید (شکل 4.14). واقعیت این است که همان الگوی در بسیاری از سیستم ها ظاهر می شود، اعتبار بیرونی این نتایج را افزایش می دهد، زیرا این احتمال را کاهش می دهد که این الگو مصنوعی از یک سیستم خاص است.

شکل 4.14: اثرات درازمدت موفقیت به صورت تصادفی در چهار سیستم اجتماعی مختلف. آرنو ون د ریت و همکارانش (2014) (1) پول را به پروژه های انتخاب شده به طور تصادفی بر روی Kickstarter، یک وب سایت مخفی مالی متعهد کردند؛ (2) به طور مثبت رتبه بندی به طور تصادفی بررسی شده در Epinions، یک وب سایت بررسی محصول؛ (3) به شرکت کنندگان به صورت تصادفی انتخاب شده به ویکی پدیا پرداخت. و (4) تقاضاهای به طور تصادفی انتخاب شده در change.org را امضا کردند. اقتباس شده از Rijt et al. (2014) ، شکل 2.

با هم، این دو نمونه نشان می دهد که محققان می توانند آزمایشات دیجیتالی انجام دهند بدون نیاز به همکاری با شرکت ها و یا ساخت سیستم های دیجیتال پیچیده. علاوه بر این، جدول 4.2، نمونه های حتی بیشتر را نشان می دهد که محدوده ای از آنچه که محققان از زیرساخت سیستم های موجود برای ارائه درمان و / یا اندازه گیری نتایج استفاده می کنند، نشان می دهد. این آزمایشات نسبتا ارزان برای محققان است و درجه بالایی از واقع گرایی را ارائه می دهند. اما آنها پژوهشگران را محدود كنترل كننده كنندگان، درمان ها و پيامدهاي اندازه گيري مي كنند. علاوه بر این، برای آزمایشهایی که فقط در یک سیستم انجام می شود، محققان باید نگران باشند که این اثرات می توانند به وسیله پویایی های خاص سیستم (به عنوان مثال، راه هایی که Kickstarter رتبه بندی پروژه ها و یا راه هایی را که petitions.org می کند، بحث در مورد مخلوط الگوریتم در فصل 2 را ببینید). سرانجام، هنگامی که محققان در سیستم های کاری مداخله می کنند، سوالات اخلاقی پیچیده در مورد آسیب های احتمالی به شرکت کنندگان، غیر مشارکت کنندگان و سیستم ها ظاهر می شود. ما این سوال اخلاقی را بیشتر در فصل 6 در نظر می گیریم و در ضمیمه ون د ریت و همکاران، بحث بسیار خوبی در مورد آنها وجود دارد. (2014) . مناقشات که با کار در یک سیستم موجود کار می کنند برای هر پروژه ایده آل نیستند، و به همین دلیل برخی از محققان سیستم تجربی خودشان را ایجاد می کنند، همانطور که بعدا نشان خواهم داد.