4.5.4 Socio cos poderosos

Partnering pode reducir custos e aumentar a escala, pero pode cambiar os tipos de participantes, tratamentos e os resultados que pode usar.

A alternativa para facelo a si mesmo é a asociación cunha poderosa organización como unha empresa, goberno ou ONG. A vantaxe de traballar cun compañeiro é que poden permitirlle executar experimentos que só non pode facer por si mesmo. Por exemplo, un dos experimentos que vos contarei máis abaixo implicou 61 millóns de participantes, ningún investigador individual podería acadar esa escala. Ao mesmo tempo, esa asociación aumenta o que pode facer, tamén o restrinxe. Por exemplo, a maioría das empresas non permiten executar unha experiencia que poida danar a súa empresa ou a súa reputación. Traballar cos socios tamén significa que cando chega a hora de publicar, pode estar baixo presión para "reorientar" os resultados e algúns socios ata poden tentar bloquear a publicación do seu traballo se os fai parecer mal. Finalmente, a asociación tamén vén con custos relacionados co desenvolvemento e mantemento destas colaboracións.

O principal reto que debe resolverse para facer estas asociacións é atopar unha forma de equilibrar os intereses das dúas partes e unha forma útil de pensar sobre ese equilibrio é o cuadrante de Pasteur (Stokes 1997) . Moitos investigadores pensan que se están a traballar en algo práctico, algo que pode ser de interese para un compañeiro, entón non poden estar facendo ciencia real. Esta mentalidade fará que sexa moi difícil crear alianzas exitosas e tamén se equivocará por completo. O problema con esta forma de pensar móstrase marabillosamente ilustrado pola investigación que conduce ao descubrimento do biólogo Louis Pasteur. Mentres traballaba nun proxecto de fermentación comercial para converter o zume de remolacha en alcohol, Pasteur descubriu unha nova clase de microorganismo que finalmente levou á teoría do xerme da enfermidade. Este descubrimento resolveu un problema moi práctico, que axudou a mellorar o proceso de fermentación e levou a un importante avance científico. Así, en vez de pensar na investigación con aplicacións prácticas como en conflito coa verdadeira investigación científica, é mellor pensar estas como dúas dimensións separadas. A investigación pode ser motivada polo uso (ou non), e as investigacións poden buscar comprensión fundamental (ou non). Críticamente, algúns investigadores -como Pasteur's- poden ser motivados polo uso e buscando un entendemento fundamental (figura 4.17). A investigación no Quadrant de Pasteur -unha investigación que avanza inherentemente dous obxectivos- é ​​ideal para colaboracións entre investigadores e socios. Dado ese antecedente, vou describir dous estudos experimentais con asociacións: unha cunha empresa e outra cunha ONG.

Figura 4.17: Cuadrante de Pasteur (Stokes 1997) . En vez de pensar na investigación como "básica" ou "aplicada", é mellor pensar nela como motivada polo uso (ou non) e buscando o entendemento fundamental (ou non). Un exemplo de investigación que ambos está motivado polo uso e busca a comprensión fundamental é o traballo de Pasteur en converter o zume de remolacha en alcohol que conduce á teoría do xerme da enfermidade. Este é o tipo de traballo máis axeitado para asociacións cos poderosos. Exemplos de traballo motivado polo uso pero que non buscan unha comprensión fundamental proceden de Thomas Edison, e exemplos de traballos que non están motivados polo uso pero que buscan a comprensión proveñen de Niels Bohr. Vexa Stokes (1997) para unha discusión máis aprofundada deste cadro e de cada un destes casos. Adaptado de Stokes (1997) , figura 3.5.

As grandes empresas, especialmente as empresas de tecnoloxía, desenvolveron unha infraestrutura increíblemente sofisticada para executar experimentos complexos. Na industria de tecnoloxía, estes experimentos adoitan denominarse probas A / B porque comparan a eficacia de dous tratamentos: A e B. Eses experimentos son frecuentemente aplicados para cousas como aumentar as taxas de clic en anuncios, pero a mesma infraestrutura experimental tamén pode Utilízase para a investigación que avance o entendemento científico. Un exemplo que ilustra o potencial deste tipo de investigación é un estudo realizado por unha asociación entre investigadores de Facebook e da Universidade de California, San Diego, sobre os efectos de diferentes mensaxes na participación dos votantes (Bond et al. 2012) .

O 2 de novembro de 2010, o día das eleccións nos Estados Unidos, os 61 millóns de usuarios de Facebook que vivían nos Estados Unidos e eran maiores de 18 anos participaron dun experimento sobre a votación. Ao visitar Facebook, os usuarios asignáronse de forma aleatoria a un dos tres grupos, o que determinou cal sería o banner (se hai algunha) colocado na parte superior da súa News Feed (figura 4.18):

• un grupo de control
• unha mensaxe informativa sobre a votación cun botón "I Voted" e un contador (Info)
• unha mensaxe informativa sobre a votación cun botón "I Voted" que se pode chamar e un contra máis nomes e imaxes dos seus amigos que xa fixeron clic no "I Voted" (Info + Social)

Bond e colegas estudaron dous resultados principais: comportamento de voto informado e comportamento de voto real. En primeiro lugar, descubriron que as persoas do grupo Social + Info tiñan uns dous puntos porcentuais máis probables que as persoas no grupo de información para facer clic en "I Voted" (cerca do 20% fronte ao 18%). Ademais, despois de que os investigadores fusionaron os seus datos con rexistros de voto dispoñibles para preto de seis millóns de persoas, descubriron que as persoas no grupo de información + 0.39 puntos porcentuais máis propensos a votar que aqueles no grupo de control e que as persoas no grupo de información eran tan susceptibles de votar como os do grupo de control (figura 4.18).

Figura 4.18: Resultados dun experimento de eliminación de voto en Facebook (Bond et al. 2012) . Os participantes no grupo de información votaron ao mesmo ritmo que os do grupo de control, pero a xente do grupo Social + Info votou a un ritmo levemente máis elevado. As barras representan intervalos de confianza estimados do 95%. Os resultados no gráfico son para os aproximadamente seis millóns de participantes que coincidiron cos rexistros de voto. Adaptado de Bond et al. (2012) , figura 1.

Os resultados deste experimento demostran que algunhas mensaxes on-out-the-vote en liña son máis eficaces que outras e que a estimación dun investigador sobre a eficacia pode depender se o resultado se informa de votación ou de voto real. Este experimento lamentablemente non ofrece ningunha pistas sobre os mecanismos a través dos cales a información social -que algúns investigadores chamaron de xeito lúdico a "pila de caras" - unha votación cada vez maior. Podería ser que a información social aumentase a probabilidade de que alguén notase a bandeira ou aumentase a probabilidade de que alguén que notase a bandeira realmente votase ou ambas. Así, este experimento proporciona un interesante descubrimento que outros investigadores probablemente explorarán (ver, por exemplo, Bakshy, Eckles, et al. (2012) ).

Ademais de avanzar nos obxectivos dos investigadores, este experimento tamén avanzou o obxectivo da organización asociada (Facebook). Se cambia o comportamento estudado dende a votación ata a compra de xabón, entón podes ver que o estudo ten exactamente a mesma estrutura que un experimento para medir o efecto dos anuncios en liña (ver, por exemplo, RA Lewis and Rao (2015) ). Estes estudos de efectividade publicitaria miden con frecuencia o efecto da exposición aos anuncios en liña: os tratamentos en Bond et al. (2012) son basicamente anuncios para o comportamento sen conexión. Deste xeito, esta investigación podería avanzar na capacidade de Facebook para estudar a eficacia dos anuncios en liña e podería axudar a Facebook a convencer aos anunciantes potenciais de que os anuncios de Facebook sexan eficaces para cambiar o comportamento.

Aínda que os intereses dos investigadores e os socios estivesen alineados neste estudo, tamén estaban parcialmente en tensión. En particular, a asignación de participantes aos tres grupos: control, Info e Info + Social, foi tremendamente desequilibrada: o 98% da mostra foi asignada a Info + Social. Esta distribución desequilibrada é ineficiente estatisticamente, e unha asignación moito mellor para os investigadores tería ter un terzo dos participantes en cada grupo. Pero a asignación desequilibrada ocorreu porque Facebook quería que todos reciban o tratamento Social Info +. Afortunadamente, os investigadores convencéronlles de retrasar o 1% por un tratamento relacionado e 1% dos participantes para un grupo de control. Sen o grupo de control, sería basicamente imposible medir o efecto do tratamento Social Info + porque sería un experimento de "perturbación e observación" no canto dun experimento controlado aleatorio. Este exemplo proporciona unha valiosa lección práctica para traballar cos socios: ás veces creas un experimento convincendo a alguén para entregar un tratamento e ás veces creas un experimento convencendo a alguén para non entregar un tratamento (é dicir, para crear un grupo de control).

A colaboración non sempre implica empresas tecnolóxicas e probas de A / B con millóns de participantes. Por exemplo, Alexander Coppock, Andrew Guess e John Ternovski (2016) asociaron cunha ONG ambiental, a Liga de Votantes de Conservación, para realizar experimentos que probaron diferentes estratexias para promover a movilización social. Os investigadores usaron a conta de Twitter da ONG para enviar tweets públicos e mensaxes privadas directas que intentaban atravesar diferentes tipos de identidades. Eles entón mediron cal destas mensaxes eran máis eficaces para animar ás persoas a asinar unha petición e retweet información sobre unha petición.

En xeral, a asociación cos poderosos permítelle operar a unha escala que é outra cousa difícil de facer, ea táboa 4.3 proporciona outros exemplos de asociacións entre investigadores e organizacións. A asociación pode ser moito máis fácil do que crear o teu propio experimento. Pero estas vantaxes teñen desvantaxes: as asociacións poden limitar os tipos de participantes, tratamentos e resultados que pode estudar. Ademais, estas asociacións poden levar a desafíos éticos. A mellor forma de atopar unha oportunidade para unha asociación é notar un problema real que pode solucionar mentres está a facer ciencia interesante. Se non estás acostumado a esta forma de mirar o mundo, pode ser difícil detectar os problemas no cuadrante de Pasteur, pero coa práctica comezará a observalos cada vez máis.