4.1 Johdanto

Tässä kirjojen havainnointikäyttäytymisessä (luku 2) ja kysymyksiin (luku 3) liittyvien lähestymistapojen mukaan tutkijat keräävät tietoja ilman tahallista ja systemaattista muutosta maailmasta. Tässä luvussa käsiteltävät lähestymistavat ovat olennaisesti erilaisia. Kun tutkijat suorittavat kokeita, he osallistuvat järjestelmällisesti maailmaan luomaan tietoja, jotka sopivat erinomaisesti vastaamaan kysymyksiin syy-seuraus-suhteista.

Syyti-ja -vaikutuskysymykset ovat hyvin yleisiä yhteiskunnallisessa tutkimuksessa, ja esimerkkejä ovat muun muassa kysymykset: Onko opettajien palkkojen lisääminen lisää opiskelijoiden oppimista? Mikä on vähimmäispalkan vaikutus työllisyysasteeseen? Miten työn hakijan rotu vaikuttaa hänen mahdollisuutensa saada työtä? Näiden eksplisiittisten syy-kysymysten lisäksi joskus syy-seuraus kysymyksiin liittyy yleisempiin kysymyksiin joidenkin suorituskykymetriikan maksimoimisesta. Esimerkiksi kysymys "Mitä väriä lahjoittaa painike on kansalaisjärjestöjen verkkosivuilla?" On todella paljon kysymyksiä eri painikkeiden väreistä vaikutukseksi lahjoituksista.

Yksi tapa vastata aiheuttaneisiin kysymyksiin on etsiä olemassa olevien tietojen malleja. Esimerkiksi palaamalla kysymykseen opettajien palkkojen vaikutuksista oppilasten oppimiseen, voit laskea, että oppilaat oppivat enemmän kouluissa, jotka tarjoavat korkeita opettajien palkkoja. Mutta onko tämä korrelaatio osoittanut, että korkeammat palkat aiheuttavat oppilaiden oppia lisää? Ei tietenkään. Koulut, joissa opettajat ansaitsevat enemmän, saattavat olla monin tavoin erilaisia. Esimerkiksi oppilaat, joilla on korkeat opettajapalkat, saattavat tulla varakkaammilta perheiltä. Näin ollen opettajien vaikutus voi tulla vertaamalla eri tyyppisiä opiskelijoita. Näitä mittaamattomia oppilaiden eroja kutsutaan sekoittimiksi , ja yleensä sekoittimien mahdollisuus heikentää tutkijoiden kykyä vastata syy-ja -vaikutteisiin kysymyksiin etsimällä olemassa olevien tietojen malleja.

Yksi ratkaisu sekoittimien ongelmaan on yrittää tehdä tasapuolisia vertailuja säätämällä havaittavissa olevia eroja eri ryhmien välillä. Esimerkiksi saatat pystyä lataamaan kiinteistöverotiedot useista julkisista verkkosivustoista. Sitten voit vertailla opiskelijoiden suorituskykyä kouluissa, joissa asuntojen hinnat ovat samankaltaiset, mutta opettajien palkat ovat erilaiset, ja voit silti löytää, että oppilaat oppivat enemmän kouluissa, joilla on korkeampi opettajan palkka. Mutta vielä on monia mahdollisia sekoittimia. Ehkä näiden opiskelijoiden vanhemmat eroavat toisistaan ​​koulutustasollaan. Tai ehkä koulu eroaa läheisyydessään yleisiin kirjastoihin. Tai ehkä korkeamman opettajakorvauksen omaavilla kouluilla on myös korkeampia palkkioita päämiehille, ja pääpalkka, ei opettajien palkkaus, on todella opiskelijoiden oppimisen lisääminen. Voit yrittää myös mitata ja säätää näitä tekijöitä, mutta luettelo mahdollisista sekoittimista on oleellisen loputon. Monissa tilanteissa et vain pysty mittaamaan ja säätämään kaikkia mahdollisia sekoittimia. Vastauksena tähän haasteeseen tutkijat ovat kehittäneet useita tekniikoita kausaalisten arvioiden tekemiseksi ei-kokeellisista tiedoista - keskustelin joistain niistä luvussa 2 - mutta tietyillä kysymyksillä nämä tekniikat ovat rajoitettuja ja kokeilut tarjoavat lupaavia vaihtoehto.

Kokeet mahdollistavat tutkijoiden siirtyvän luonnollisesti esiintyvien tietojen korrelaatioiden ulkopuolelle, jotta voidaan luotettavasti vastata tiettyihin syy-seuraus-kysymyksiin. Analogisessa iässä kokeilut olivat usein logistisesti vaikeita ja kalliita. Digitaalisessa aikakaudella logistiset rajoitteet vähenevät asteittain. Ei ole vain helpompaa tehdä kokeita kuin aiemmin tehtyjä, nyt on mahdollista suorittaa uudenlaisia ​​kokeita.

Tähän mennessä olen kirjoittanut hieman kielekkeeni, mutta on tärkeää erottaa toisistaan ​​kaksi asiaa: kokeilut ja satunnaistetut kontrolloidut kokeet. Kun kokeilu tutkija puuttuu maailmassa ja mittaa sitten lopputulos. Olen kuullut, että tämä lähestymistapa on kuvattu "häiritse ja tarkkailla". Satunnaistetussa kontrolloidussa kokeessa tutkija puuttuu joillekin ihmisille eikä muille, ja tutkija päättää, mitkä ihmiset saavat interventiota satunnaistamalla (esim. Satunnaistetut kontrolloidut kokeet luovat oikeudenmukaiset vertailut kahden ryhmän välillä: yksi, joka on saanut intervention ja jolla ei ole. Toisin sanoen satunnaistetut kontrolloidut kokeet ovat ratkaisu sekoittimien ongelmiin. Perturb-ja-observing-kokeiluihin kuuluu kuitenkin vain yksi ryhmä, joka on saanut interventiota, ja siksi tulokset voivat johtaa tutkijoita väärään lopputulokseen (kuten minä näytän pian). Huolimatta tärkeistä eroavuuksista kokeiden ja satunnaistettujen kontrolloitujen kokeiden välillä, yhteiskunnalliset tutkijat käyttävät usein näitä termejä vaihtuvasti. Seuraan tätä yleissopimusta, mutta tietyissä kohdissa rikkoisin yleissopimuksen korostaakseni satunnaistettujen kontrolloitujen kokeiden arvoa kokeilla ilman satunnaistamista ja kontrolliryhmää.

Satunnaistetut kontrolloidut kokeet ovat osoittautuneet voimakkaaksi tavaksi oppia sosiaalisesta maailmasta, ja tässä luvussa esitän enemmän tietoja siitä, miten niitä käytetään tutkimuksessasi. Kohdassa 4.2 havainnollistan kokeilun peruslogiikkaa esimerkkinä Wikipedia-kokeilusta. Sitten kohdassa 4.3 kuvataan ero laboratoriokokeiden ja kenttäkokeiden välillä sekä analogisten kokeiden ja digitaalisten kokeiden väliset erot. Lisäksi väitän, että digitaaliset kenttätutkimukset voivat tarjota analogisten laboratoriokokeiden (tiukka kontrolli) ja analogisten kenttätutkimusten (realismin) parhaat ominaisuudet, kaikki sellaisella asteikolla, joka ei ollut aiemmin mahdollista. Seuraavaksi kuvataan luvussa 4.4 kolme käsitteiden kelpoisuutta, hoitovaikutusten heterogeenisyyttä ja mekanismeja - jotka ovat kriittisiä rikkaiden kokeiden suunnittelussa. Tätä taustaa vasten kuvaan kahdesta tärkeimmästä strategiasta digitaalisten kokeiden suorittamiseen: tehdä se itse tai kumppanisi voimakkaiden kanssa. Lopuksi päätän joitain suunnittelua koskevia neuvoja siitä, miten voit hyödyntää digitaalisten kokeiden todellista tehoa (kohta 4.6.1) ja kuvailla joitain vastuuta, joka tulee kyseiseen tehoon (kohta 4.6.2).