5.3.4 Conclusión

As chamadas abertas permítenche atopar solucións a problemas que poidas indicar claramente pero que non podes solucionarte.

En todos os tres proxectos Netflix chamadas abertas Prize, Foldit, Peer-to-Patent-investigadores puxeron cuestións de forma específica, solicitou solucións, e entón colleu as mellores solucións. Os investigadores non ten nin saber o mellor especialista para preguntar, e ás veces as boas ideas viñeron de lugares inesperados.

Agora tamén podo destacar dúas importantes diferenzas entre os proxectos de chamada aberta e os proxectos de cálculo humano. En primeiro lugar, en proxectos de convocatoria aberta o investigador especifica un obxectivo (por exemplo, a predicción de clasificacións de películas), mentres que na computación humana, o investigador especifica unha microtase (por exemplo, clasificando unha galaxia). En segundo lugar, en chamadas abertas, os investigadores queren a mellor contribución, como o mellor algoritmo para predicir as valoracións de películas, a configuración de enerxía máis baixa dunha proteína ou a parte máis relevante da técnica anterior, non un tipo de combinación simple de todos as contribucións.

Dado o modelo xeral de chamadas abertas e estes tres exemplos, ¿que tipos de problemas na investigación social poden ser adecuados para este enfoque? Neste punto, debo recoñecer que aínda non houbo moitos exemplos exitosos (por razóns que explicarei nun momento). En termos de análogos directos, pódese imaxinar unha chamada aberta estilo Peer-to-Patent utilizada por un investigador histórico que busca o primeiro documento para mencionar unha persoa ou unha idea específica. Unha aproximación á chamada aberta a este tipo de problema pode ser especialmente valiosa cando os documentos potencialmente relevantes non están nun único arquivo pero están ampliamente distribuídos.

En xeral, moitos gobernos e empresas teñen problemas que poden ser susceptibles de abrir chamadas porque as chamadas abertas poden xerar algoritmos que poden ser utilizados para predicións e estas predicións poden ser unha importante guía para a acción (Provost and Fawcett 2013; Kleinberg et al. 2015) . Por exemplo, así como Netflix quería prever calificacións en películas, os gobernos queren prever resultados como os que os restaurantes teñen máis probabilidades de ter infraccións de código de saúde para asignar os recursos de inspección de xeito máis eficiente. Motivado por este tipo de problemas, Edward Glaeser e colleagues (2016) usaron unha chamada aberta para axudar a City of Boston a predicir as infraccións de hixiene e saneamento dos restaurantes baseadas en datos de comentarios de Yelp e datos históricos de inspección. Eles estimaron que o modelo preditivo que gañou a convocatoria aberta melloraría a produtividade dos inspectores de restaurantes nun 50%.

As chamadas abertas tamén poden usarse para comparar e probar teorías. Por exemplo, o Estudo Famoso de Familias e Benestar Infantil rastreou uns 5.000 nenos desde o seu nacemento en 20 cidades diferentes de Estados Unidos (Reichman et al. 2001) . Os investigadores recolectaron datos sobre estes nenos, as súas familias e os seus contidos máis amplos ao nacer e ás idades 1, 3, 5, 9 e 15 anos. Dada toda a información sobre estes nenos, como ben os investigadores poderían prever resultados como os que se graduarán na facultade? Ou, expresado dun xeito que sería máis interesante para algúns investigadores, que datos e teorías serían máis efectivos na predición destes resultados? Xa que ningún destes nenos ten a idade suficiente para ir á universidade, esta sería unha verdadeira previsión de futuro e hai moitas estratexias diferentes que os investigadores poderían empregar. Un investigador que cre que os barrios son críticos para configurar os resultados da vida pode ter un enfoque, mentres que un investigador que se enfoca nas familias pode facer algo completamente diferente. Cal destes enfoques funcionaría mellor? Non o sabemos e, no proceso de descubrir, podemos aprender algo importante sobre as familias, os barrios, a educación e as desigualdades sociais. Ademais, estas predicións poderían usarse para guiar a futura recopilación de datos. Imaxina que había un pequeno número de titulados universitarios que non tiñan previsto graduarse por ningún dos modelos; estas persoas serían candidatos ideais para o seguimento de entrevistas cualitativas e observacións etnográficas. Así, neste tipo de chamada aberta, as previsións non son o fin; máis ben, proporcionan unha nova forma de comparar, enriquecer e combinar diferentes tradicións teóricas. Este tipo de chamada aberta non é específica para usar datos do Familias Frágiles e Estudo de Benestar Infantil para predecir quen vai á universidade; podería usarse para predecir calquera resultado que finalmente se recollerá en calquera conxunto de datos sociais lonxitudinais.

Como escribín anteriormente nesta sección, non houbo moitos exemplos de investigadores sociais usando chamadas abertas. Creo que isto é porque as chamadas abertas non se axustan á forma en que os científicos sociais adoitan facer as súas preguntas. Volvendo ao Premio Netflix, os científicos sociais non adoitan preguntar por predecir os gustos; máis ben, preguntarían sobre como e por que os gustos culturais difiren para persoas de diferentes clases sociais (ver, por exemplo, Bourdieu (1987) ). Tal cuestión "como" e "por qué" non levan a solucións fácilmente verificables e, polo tanto, parecen pouco aptas para abrir chamadas. Deste xeito, parece que as chamadas abertas son máis axeitadas para a predición de preguntas que as cuestións de explicación . Os teóricos recentes, porén, pediron aos científicos sociais que reconsidere a dicotomía entre a explicación ea predición (Watts 2014) . Como a liña entre a predición ea explicación se desdobla, espero que as chamadas abertas se farán cada vez máis comúns na investigación social.