5.3.4 نتیجه گیری

تماس های باز اجازه بسیاری از کارشناسان و افراد غیر متخصص پیشنهاد راه حل برای مشکلات که در آن راه حل آسان تر برای بررسی از تولید کند.

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.

در حال حاضر من همچنین می توانید دو تفاوت مهم بین پروژه پاسخ باز و پروژه های محاسبات انسانی برجسته. اول، در پروژه های پاسخ باز محقق یک هدف (به عنوان مثال، پیش بینی رتبه بندی فیلم) در حالی که در محاسبات انسانی پژوهش یک کار کوچک را مشخص (به عنوان مثال، طبقه بندی یک کهکشان) مشخص می کند. دوم، در تماس های باز محققان بهترین کمک-بهترین الگوریتم برای پیش بینی رتبه بندی فیلم، پیکربندی کمترین انرژی از پروتئین، و یا قطعه مربوطه را از هنر نیست قبل نوعی از ترکیب ساده از همه از کمک خواستم.

با توجه به قالب کلی برای تماس های باز و این سه نمونه، چه نوع مشکلات در تحقیقات اجتماعی ممکن است مناسب برای این روش؟ در این نقطه، من باید اذعان کرد که وجود دارد که بسیاری نمونه های موفق و در عین حال (به دلایلی که من در حال حاضر توضیح) نبوده است. از نظر آنالوگ مستقیم، یک نفر می تواند تصور کنید که یک پروژه به سبک نظیر به ثبت اختراع توسط یک محقق تاریخی برای نخستین سند استفاده به ذکر است یک شخص یا ایده خاص. یک رویکرد پاسخ باز به این نوع مشکل می تواند به خصوص با ارزش زمانی که اسناد مربوطه در یک آرشیو واحد جمع آوری نیست، اما به طور گسترده ای توزیع شده است.

به طور کلی، بسیاری از دولت مشکلاتی که ممکن است متمایل به باز کردن تماس های از آنجا که آنها در مورد ایجاد پیش بینی ها است که می تواند استفاده شود به راهنمای عمل هستند (Kleinberg et al. 2015) . به عنوان مثال، فقط به عنوان Netflix بکشد می خواست به پیش بینی رتبه بندی در فیلم ها، دولت ممکن است بخواهید به پیش بینی نتایج مانند که رستوران به احتمال زیاد به نقض کد بهداشتی به منظور تخصیص منابع بازرسی موثر تر است. انگیزه این نوع مشکل، Glaeser et al. (2016) مورد استفاده قرار فراخوان برای کمک به شهر بوستون پیش بینی بهداشت رستوران و بهداشت نقض بر اساس اطلاعات Yelp از بررسی و داده های بازرسی تاریخی است. گلیسر و همکارانش تخمین می زنند که مدل پیش بینی که موفق به کسب فراخوان به بهره وری از بازرسان رستوران در حدود 50٪ بهبود بخشد. کسب و کار نیز با یک ساختار مشابه مانند پیش بینی ریزش مشتری دارند (Provost and Fawcett 2013) .

در نهایت، علاوه بر باز کردن تماس های که شامل نتایج که در حال حاضر در یک مجموعه داده خاص اتفاق افتاده است (به عنوان مثال، پیش بینی نقض کد سلامت با استفاده از داده در مورد نقض کد سلامت گذشته)، می توان تصور پیش بینی نتایج که هنوز برای هر کسی در مجموعه داده اتفاق نمی افتاد . به عنوان مثال، خانواده شکننده و مطالعه کودک تندرستی در مورد 5000 کودکان از بدو تولد در 20 شهرستانها مختلف در ایالات متحده دنبال کرده است (Reichman et al. 2001) . محققان اطلاعات مربوط به این کودکان، خانواده خود، و محیطی گسترده تر آنها در بدو تولد و در سنین 1، 3، 5، 9 جمع آوری کرده اند، و 15. با توجه به تمام اطلاعات در مورد این کودکان، که چگونه به خوبی می تواند به محققان پیش بینی نتایج مانند که فارغ التحصیل خواهد شد از دانشگاه؟ یا، بیان شده در راه است که می تواند جالب تر به بسیاری از محققان، که داده ها و نظریه می شود در پیش بینی این نتایج موثر است؟ از آنجا که هیچ یک از این کودکان در حال حاضر به اندازه کافی برای رفتن به کالج، این امر می تواند یک پیش بینی جلو، به دنبال درست و بسیاری از استراتژی های مختلف است که محققان ممکن است به کار وجود دارد. یک محقق که معتقد است که محله در شکل دادن به نتایج زندگی ممکن است یک روش را در حالی که یک محقق که در خانواده تمرکز ممکن است چیزی کاملا متفاوت انجام حیاتی هستند. کدام یک از این روش ها بهتر کار می کند؟ ما نمی دانیم که، و در این روند از پیدا کردن ما ممکن است چیزی در مورد خانواده، محله ها، آموزش و پرورش، و نابرابری اجتماعی مهم را یاد بگیرند. علاوه بر این، این پیش بینی ممکن است استفاده شود به راهنمای جمع آوری داده ها آینده است. تصور کنید که تعداد کمی از فارغ التحصیلان دانشگاه که پیش بینی نشده بود به فارغ التحصیل شده توسط هر یک از مدل وجود دارد. این افراد خواهد بود نامزد ایده آل برای پیگیری مصاحبه های کیفی و مشاهده قوم نگاری. بنابراین، در این نوع تماس، باز، این پیش بینی ها را پایان نیست؛ در عوض، آنها یک راه جدید برای مقایسه، غنی سازی، و ترکیب سنت های نظری مختلف فراهم می کند. این نوع از پاسخ باز است خاص به استفاده از اطلاعات از خانواده شکننده به پیش بینی خواهد شد که به دانشگاه رفتن نیست. آن را می توان برای پیش بینی هر نتیجه که در نهایت در هر مجموعه داده های اجتماعی طولی خواهد جمع آوری می شود.

همانطور که قبلا در این بخش نوشته، وجود داشته است نمونه های بسیاری از محققان اجتماعی با استفاده از تماس های باز شده است. من فکر می کنم که این به دلیل تماس های باز به خوبی به راه است که دانشمندان علوم اجتماعی به طور معمول سوالات خود را قاب مناسب نیست. بازگشت به جایزه Netflix بکشد، دانشمندان علوم اجتماعی ها را معمولا در مورد پیش بینی سلیقه بپرسید، آنها را در مورد اینکه چگونه و چرا سلیقه فرهنگی برای مردم از طبقات مختلف اجتماعی متفاوت بپرسید (Bourdieu 1987) . چنین "چگونه" و "چرا" درخواست به آسان منجر به بررسی راه حل، و در نتیجه به نظر می رسد ضعیف مناسب برای باز کردن تماس. بنابراین، به نظر می رسد که تماس های باز بیشتر متمایل به درخواست پیش بینی از سوالات توضیح هستند. برای اطلاعات بیشتر در تمایز بین پیش بینی و توضیح را ببینید Breiman (2001) . نظریه پردازان اخیر، با این حال، در دانشمندان علوم اجتماعی به نام به تجدید دوگانگی بین توضیح و پیش بینی (Watts 2014) . به عنوان خط بین پیش بینی و توضیح تار، من انتظار دارم که مسابقات باز در علوم اجتماعی تبدیل خواهد شد به طور فزاینده رایج است.