5.3.4 Päätelmät

Avointen puheluiden avulla voit löytää ratkaisuja ongelmiin, jotka voit selkeästi ilmoittaa, mutta et pysty ratkaisemaan itseään.

Kaikissa kolmessa avoimen hanketta-Netflix-palkinto, Foldit, Peer-to-patentti-tutkijaa esittää kysymyksiä tietyn muodon, tilannut ratkaisuja, ja sitten poimitaan parhaat ratkaisut. Tutkijat eivät edes tarvitse tietää paras asiantuntija kysyä, ja joskus hyvät ideat tulivat odottamattomiin paikkoihin.

Nyt voin myös korostaa kahta tärkeätä eroa avointen puheluprojektien ja inhimillisten laskentaprojektien välillä. Ensinnäkin avoimissa projekteissa tutkija määrittelee tavoitteen (esim. Elokuvien luokituksen ennustaminen), kun taas ihmisen laskennassa tutkija määrittää mikrotaskun (esim. Galaksin luokittelu). Toiseksi, avoimissa puheluissa tutkijat haluavat parhaan panoksen - kuten paras algoritmi elokuvien luokitusten ennusta- miseksi, proteiinin pienimmän energian kokoonpanon tai asiaankuuluvan tunnetun tekniikan - ei jonkinlaisen yksinkertaisen yhdistelmän kaikista maksuosuudet.

Kun otetaan huomioon avoimet ehdotuspyyntöjen yleiset mallit ja nämä kolme esimerkkiä, millaiset sosiaalisen tutkimuksen ongelmat sopisivat tähän lähestymistapaan? Tässä vaiheessa minun on tunnustettava, että ei ole vielä ollut monia onnistuneita esimerkkejä (syistä, jotka selitän hetkessä). Suoran analogien osalta voitaisiin kuvitella, että historiallinen tutkija käyttää vertaisoppisuustyyppistä avointa puhelua, joka etsii aikaisinta asiakirjaa mainitsemaan tiettyä henkilöä tai ideaa. Avoimen puhelun lähestymistapa tällaiseen ongelmaan voisi olla erityisen arvokasta, kun mahdollisesti merkitykselliset asiakirjat eivät ole samassa arkistossa, vaan ne ovat laajalti levinneet.

Yleisesti ottaen useilla hallituksilla ja yrityksillä on ongelmia, jotka saattavat olla avoimia, koska avoimet puhelut voivat tuottaa algoritmeja, joita voidaan käyttää ennusteisiin. Nämä ennusteet voivat olla tärkeä toimintaohje (Provost and Fawcett 2013; Kleinberg et al. 2015) . Esimerkiksi kuten Netflix halusi ennustaa elokuvakilpailuja, hallitukset saattavat haluta ennustaa, millä ravintoloilla todennäköisimmin on terveyskoodirikkomuksia, jotta tarkastusresurssit voitaisiin jakaa tehokkaammin. Tämän tyyppisen ongelman motivoimiseksi Edward Glaeser ja hänen kollegansa (2016) käyttivät avoimen puhelun auttaakseen Bostonin kaupungin ennustaa ravintolan hygienia- ja saniteettirikkomuksia, jotka perustuvat Yelp-arvosteluihin ja historiallisiin tarkastustietoihin. He arvioivat, että avoimen puhelun saanut ennustusmalli parantaisi ravintola-tarkastajien tuottavuutta noin 50 prosenttia.

Myös avoimia puheluita voidaan verrata ja testata teorioita. Esimerkiksi haurasperheet ja lasten hyvinvointitutkimus on seurannut noin 5 000 lasta syntymästä lähtien 20 eri USA: n kaupungissa (Reichman et al. 2001) . Tutkijat ovat keränneet tietoja näistä lapsista, heidän perheistään ja heidän laajemmasta ympäristössään syntyessään ja 1, 3, 5, 9 ja 15 vuoden ikäisinä. Koska kaikki nämä lapset saivat tietoa, kuinka hyvin tutkijat ennustaisivat tuloksia, kuten kuka valmistaa yliopistosta? Tai ilmaistu tavalla, joka olisi mielenkiintoisempaa joillekin tutkijoille, mitkä tiedot ja teoriat voisivat tehokkaimmin ennustaa näitä tuloksia? Koska yksikään näistä lapsista ei ole tällä hetkellä tarpeeksi vanha opiskelemaan, tämä olisi todellinen ennakoiva ennuste, ja tutkijoilla on monia erilaisia ​​strategioita. Tutkija, joka uskoo, että lähialueet ovat kriittisiä elämäntapahtumien muokkaamisessa, voivat olla yksi lähestymistapa, kun taas perheeseen keskittyvä tutkija voi tehdä jotain täysin toista. Mikä näistä lähestymistavoista toimisi paremmin? Emme tiedä ja saattaaksemme oppia jotain tärkeää perheistä, lähialueista, koulutuksesta ja sosiaalisesta eriarvoisuudesta. Lisäksi näitä ennusteita voidaan käyttää tulevan tiedonkeruun ohjaamiseen. Kuvittele, että oli pieni määrä korkeakoulututkinnon suorittaneita, joita ei ennustettu suorittavan minkä tahansa malleja; nämä ihmiset olisivat ihanteellisia ehdokkaita seurata laadullisia haastatteluja ja etnografista havainnointia. Siten tällaisessa avoimessa puhelussa ennusteet eivät ole loppu; pikemminkin ne tarjoavat uuden tavan verrata, rikastuttaa ja yhdistää erilaisia ​​teoreettisia perinteitä. Tällainen avoin kutsu ei ole täsmällinen Fragile Families ja Child Wellbeing Study -tietojen käytöstä ennustamaan kuka lähtee yliopistoon; sitä voitaisiin käyttää ennustamaan minkä tahansa lopputuloksen, joka lopulta kerätään kaikkiin pitkittäisiin sosiaalisiin tietoihin.

Kuten aiemmin kirjoitin tässä osassa, ei ole ollut paljon esimerkkejä sosiaalisista tutkijoista, jotka käyttävät avoimia puheluita. Mielestäni tämä johtuu siitä, että avoimet puhelut eivät sovi hyvin siihen tapaan, että yhteiskuntatieteilijät tyypillisesti esittävät kysymyksensä. Palatessaan Netflix-palkintoon yhteiskuntatieteilijät eivät yleensä kysy makujen ennakoinnista; pikemminkin he kysyisivät, miten ja miksi kulttuurimaidat eroavat eri yhteiskuntaluokkien ihmisistä (katso esim. Bourdieu (1987) ). Tällainen "miten" ja "miksi" kysymys eivät johda helposti todennettavissa oleviin ratkaisuihin, ja siksi ne näyttävät huonosti sopivia avoimiin puheluihin. Näin ollen näyttää siltä, ​​että avoimet puhelut ovat tarkoituksenmukaisempia kysymysten ennustamiseen kuin selitysten kysymykset. Viimeaikaiset teoreetikot ovat kuitenkin kehottaneet yhteiskuntatieteilijöitä pohtimaan uudelleen selityksen ja ennusteen välistä kahtiajakoa (Watts 2014) . Koska ennusteen ja selityksen välinen viiva välähtää, odotan, että avoimet puhelut yleistyvät yhteiskunnallisessa tutkimuksessa.