4.1 Présentation

Dans les approches couvertes jusqu'à présent dans ce comportement de livre d'observation (chapitre 2) et à poser des questions (Chapitre 3) -chercheurs recueillir des données sur ce qui se passe naturellement dans le monde. L'approche abordées dans ce chapitre-exécution des expériences-est fondamentalement différent. Lorsque les chercheurs courent expériences, ils interviennent systématiquement dans le monde pour créer des données qui sont parfaitement adaptés pour répondre à des questions au sujet des relations et de cause à effet.

Cause-effet des questions sont très fréquents dans la recherche sociale, et des exemples comprennent des questions telles que N'augmenter les salaires des enseignants augmentent l'apprentissage des élèves? Quel est l'effet du salaire minimum sur les taux d'emploi? Comment la course un demandeur d'emploi affecte sa chance d'obtenir un emploi? En plus de ces questions explicitement causales, parfois cause à effet des questions sont implicites dans des questions plus générales sur la maximisation d'une certaine mesure de la performance. Par exemple, la question «Qu'est-ce que la couleur des boutons permettra de maximiser les dons sur un site Web place des ONG?" Est vraiment beaucoup de questions sur l'effet des différentes couleurs des boutons sur les dons.

Une façon de répondre à des questions et de cause à effet est de rechercher des modèles dans les données existantes. Par exemple, en utilisant les données de milliers d'écoles, vous pouvez calculer que les élèves apprennent plus dans les écoles qui offrent des salaires élevés des enseignants. Mais, ne cette corrélation montrent que des salaires plus élevés entraînent les élèves à en apprendre davantage? Bien sûr que non. Les écoles où les enseignants gagnent plus pourraient être différents à bien des égards. Par exemple, les élèves des écoles avec des salaires élevés des enseignants pourraient provenir de familles plus aisées. Ainsi, ce qui ressemble à un effet d'enseignants pourrait tout juste de comparer les différents types d'étudiants. Ces différences non mesurées entre les élèves sont appelés facteurs de confusion, et en général, la possibilité de facteurs confondants fait des ravages sur les chercheurs capacité à répondre à des questions et de cause à effet par la recherche de modèles dans les données existantes.

Une solution au problème de facteurs confondants est d'essayer de faire des comparaisons justes en ajustant les différences observables entre les groupes. Par exemple, vous pourriez être en mesure de télécharger des données de l'impôt foncier à partir d'un certain nombre de sites Web du gouvernement. Ensuite, vous pouvez comparer les performances des élèves dans les écoles où les prix des maisons sont similaires, mais les salaires des enseignants sont différents, et vous pourriez encore trouver que les élèves apprennent plus dans les écoles avec un salaire plus élevé des enseignants. Mais, il y a encore beaucoup de facteurs de confusion possibles. Peut-être que les parents de ces élèves diffèrent par leur niveau d'éducation ou peut-être les écoles diffèrent par leur proximité avec les bibliothèques publiques ou peut-être les écoles avec un salaire plus élevé des enseignants ont aussi des salaires plus élevés pour les directeurs et la rémunération principale, et non la rémunération des enseignants, est vraiment ce qui augmente l'apprentissage des élèves. Vous pouvez essayer de mesurer ces autres facteurs, mais la liste des facteurs de confusion possibles est essentiellement sans fin. Dans de nombreuses situations, vous ne pouvez pas mesurer et régler pour tous les facteurs de confusion possibles. Cette approche ne peut vous prendre jusqu'à présent.

Une meilleure solution au problème des facteurs confondants est en cours d'exécution des expériences. Les expériences permettent aux chercheurs d'aller au-delà des corrélations dans l'état naturel des données afin de répondre de manière fiable et de cause à effet question. A l'ère analogique, les expériences sont souvent logistiquement difficile et coûteux. Maintenant, à l'ère numérique, les contraintes logistiques sont progressivement en train de disparaître. Non seulement il est plus facile de faire des expériences comme les chercheurs l'ont fait dans le passé, il est maintenant possible d'exécuter de nouveaux types d'expériences.

Dans ce que je l'ai écrit jusqu'à présent, je suis un peu lâche dans ma langue, mais il est important de faire la distinction entre deux choses: des expériences et des expériences contrôlées randomisées. Dans une expérience un chercheur intervient dans le monde et mesure un résultat. J'ai entendu cette approche décrite comme «perturberait et observer." Cette stratégie est très efficace dans les sciences naturelles, mais dans les sciences médicales et sociales, il y a une autre approche qui fonctionne mieux. Dans une expérience randomisée contrôlée chercheur intervient pour certaines personnes et pas pour d' autres, et, surtout, le chercheur décide que les gens reçoivent l'intervention de la randomisation (par exemple, en retournant une pièce de monnaie). Cette procédure garantit que des expériences contrôlées randomisées créent des comparaisons équitables entre deux groupes: celui qui a reçu l'intervention et celui qui n'a pas. En d'autres termes, des expériences contrôlées randomisées sont une solution aux problèmes de facteurs confondants. Malgré les différences importantes entre les expériences et les expériences contrôlées randomisées, les chercheurs sociaux utilisent souvent ces termes de façon interchangeable. Je vais suivre cette convention, mais, en certains points, je vais casser la convention pour souligner la valeur des expériences contrôlées randomisées sur des expériences sans randomisation et un groupe de contrôle.

expériences contrôlées randomisées se sont révélés être un moyen puissant pour en apprendre davantage sur le monde social, et dans ce chapitre, je vais vous apprendre plus sur la façon de les utiliser dans votre recherche. Dans la section 4.2, je vais illustrer la logique de base de l'expérimentation avec un exemple d'une expérience sur Wikipedia. Puis, à la section 4.3, je vais vous décrire la différence entre les expériences de laboratoire et des expériences sur le terrain et les différences entre les expériences analogiques et des expériences numériques. En outre, je soutiens que les expériences de terrain numériques peuvent offrir les meilleures caractéristiques des expériences de laboratoire analogiques (contrôle serré) et des expériences sur le terrain analogique (réalisme), tous à une échelle qui n'a pas été possible auparavant. Ensuite, dans la section 4.4, je vais décrire trois concepts-validité, l'hétérogénéité des effets du traitement, et les mécanismes qui sont critiques pour la conception d'expériences riches. Avec cette toile de fond, je vais décrire les compromis impliqués dans les deux principales stratégies pour mener des expériences numériques: faire vous-même (Section 4.5.1) ou en partenariat avec les puissants (section 4.5.2). Enfin, je vais conclure quelques conseils de conception sur la façon dont vous pouvez tirer parti de la puissance réelle des expériences numériques (section 4.6.1) avec et décrire certaines de responsabilité qui vient avec ce pouvoir (section 4.6.2). Le chapitre sera présenté avec un minimum de notation mathématique et langage formel; les lecteurs intéressés par une approche plus formelle, mathématique à des expériences devraient également lire l'annexe technique à la fin du chapitre.