5.3.4 Päätelmät

Avoimet haut antaa monia asiantuntijoita ja ei-asiantuntijoiden ehdottamaan ratkaisuja ongelmiin, jos ratkaisuja on helpompi tarkistaa kuin tuottaa.

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 esiin kaksi tärkeää eroja avoin haku projekteja ja ihmisen laskennan projekteja. Ensinnäkin avoimella projekteja tutkija määrittelee tavoite (esim ennustamisen arvostelun joukkoon), kun taas ihmisen laskenta tutkimus määrittelee mikro-tehtävän (esim luokittelemalla galaksi). Toiseksi avoimissa puhelut tutkijat halusivat vaikuttaa parhaalla-paras algoritmi ennustamiseksi arvostelun joukkoon, alin-energia kokoonpano proteiinin tai tärkeimmät pala tekniikan-ei jonkinlainen yksinkertainen yhdistelmä kaikkien maksuja.

Ottaen huomioon yleisen mallin avoimen puheluita ja nämä kolme esimerkkiä, minkälaisia ​​ongelmia yhteiskuntatutkimuksen voisi olla sopiva tämän lähestymistavan? Tässä vaiheessa minun on tunnustettava, että ei ole ollut useita onnistuneita esimerkkejä vielä (syistä, jotka selitän hetken). Suorina analogeista, voisi kuvitella, että Peer-to-patentti hankevalvontaa käyttävät historiallinen tutkija etsii aikaisintaan asiakirjan mainita tiettyyn henkilöön tai idea. Avoimen lähestymistavan tällainen Ongelma voi olla erityisen arvokasta, kun kyseiset asiakirjat ei kerätä yhdessä arkiston mutta ovat levinneet laajalti.

Yleisemmin, monet hallitukset ovat ongelmia, jotka saattavat soveltua avata puhelut, koska ne ovat, miten luoda ennusteita, joita voidaan käyttää ohjaamaan toimintaa (Kleinberg et al. 2015) . Esimerkiksi yhtä Netflix halunnut ennakoida miehistön elokuvia, hallitukset saattavat haluta ennustaa tuloksia kuten mitkä ravintolat ovat todennäköisimmin terveyteen koodia, jotta loukkauksiin kohdentaa tarkastuksen resursseja tehokkaammin. Motivoi tällaista ongelmaa, Glaeser et al. (2016) käytetään avoimen auttaa Bostonin kaupunki ennustaa ravintolan hygienia- ja sanitaatio rikkomuksia saatujen tietojen perusteella Yelp arvioita ja historialliset tarkastustiedot. Glaeser ja kollegat arvioivat, että ennustava malli, joka voitti avoimeen parantaisi tuottavuutta ravintolan tarkastajien noin 50%. Yritykset myös ongelmia on samankaltainen rakenne, kuten ennustamiseen asiakasvaihtuvuus (Provost and Fawcett 2013) .

Lopuksi lisäksi avata puheluja, joissa tuloksia, jotka ovat jo tapahtunut tietyssä datajoukon (esimerkiksi ennustamaan terveyden koodivirheiden avulla tietoja aiemmin terveyteen koodivirheiden), voisi kuvitella ennustavat tuloksia, jotka eivät ole vielä tapahtunut kenellekään aineisto . Esimerkiksi Fragile Perheet ja lapsen hyvinvointi tutkimus on seurannut noin 5000 lasta syntymästä lähtien 20 eri Yhdysvaltain kaupungeissa (Reichman et al. 2001) . Tutkijat ovat keränneet tietoja näistä lapsista, heidän perheidensä ja niiden laajemmassa ympäristössä syntyessään ja iässä 1, 3, 5, 9, ja 15. Koska kaikki tiedot näistä lapsista, kuinka hyvin voisi tutkijat ennustaa tuloksia kuten kuka valmistuu college? Tai ilmaistuna tavalla, joka olisi mielenkiintoista monet tutkijat, jotka tiedot ja teoriat olisi tehokkain ennustettaessa nämä tulokset? Koska yksikään näistä lapsista hetkellä tarpeeksi vanha mennä yliopistoon, tämä olisi totta tulevaisuuteen ennustaminen ja on olemassa monia erilaisia ​​strategioita, että tutkijat voisivat käyttää. Tutkija joka uskoo, että lähiöissä ovat kriittisiä muokkaamisessa elämässä tulokset voi kestää yksi lähestymistapa, kun tutkija, joka keskittyy perheiden voisi tehdä jotain aivan muuta. Mikä näistä lähestymistavoista toimisi paremmin? Emme tiedä, ja prosessi löytää ulos voimme oppia jotain tärkeää perheitä, lähiöissä, koulutus, ja sosiaalista eriarvoisuutta. Edelleen, nämä ennustukset voidaan käyttää ohjaamaan tulevaa tiedonkeruuta. Kuvitella, että siellä oli pieni määrä merkonomien joita ei ennusteta valmistua minkä tahansa näistä malleista; nämä ihmiset olisivat ihanteellisia ehdokkaita seurantaa laadullisia haastatteluja ja etnografinen havainnointi. Siten tällaisessa avoin haku, ennusteet eivät ole loppua; vaan ne tarjoavat uuden tavan vertailla, rikastuttaa ja yhdistellä erilaisia ​​teoreettisia perinteitä. Tällainen avoin haku ei koske erityisesti tietojen avulla hauras Perheet ennustaa kuka menee yliopistoon; sitä voitaisiin käyttää ennustamaan mitään tulosta, joka lopulta kerätään tahansa pituus- sosiaalisen tietokokonaisuutta.

Kuten kirjoitin aiemmin tässä osassa, ei ole ollut monia esimerkkejä sosiaalisen tutkijat avoimia puhelut. Uskon, että tämä johtuu avoin puhelut eivät ole hyvin sovellu tavalla yhteiskuntatieteilijät yleensä muotoilevat kysymyksiä. Palatakseni Netflix palkinnon, yhteiskuntatieteilijät ei yleensä kysyä ennustamiseen makuun, he kysyä, miten ja miksi kulttuuriin maistuu erilaiset ihmiset eri yhteiskuntaluokkien (Bourdieu 1987) . Tällaiset "miten" ja "miksi" kysymys ei johda helppo tarkistaa ratkaisuja, ja siksi näyttävät huonosti sopivaksi avata puhelut. Näin ollen näyttää siltä, että avoimia sopivat paremmin kysymykseen ennusteen kuin kysymyksiä selitystä; enemmän välisestä erosta ennustaminen ja selitykset katso Breiman (2001) . Viimeaikaiset teoreetikot ovat kuitenkin kehottanut yhteiskuntatieteilijät harkitsemaan kahtiajako selitys ja ennustaminen (Watts 2014) . Koska linja välillä ennusteen ja selitys hämärtää, odotan, että avoin kilpailuja tulee yhä yleisempiä yhteiskuntatieteissä.