4.5.1 Empregar os ambientes existentes

Pode realizar experimentos dentro de ambientes existentes, moitas veces sen codificación ou de colaboración.

Logísticamente, a forma máis sinxela de facer un experimento dixital é superponer a túa experiencia enriba dun ambiente existente. Eses experimentos poden executarse a unha escala bastante grande e non requiren colaboración con unha empresa ou un amplo desenvolvemento de software.

Por exemplo, Jennifer Doleac e Luke Stein (2013) aproveitaron un mercado en liña semellante a Craigslist para realizar un experimento que medise a discriminación racial. Eles anunciaron miles de iPods, e variando sistematicamente as características do vendedor, foron capaces de estudar o efecto da raza nas transaccións económicas. Ademais, usaron a escala do seu experimento para estimar cando o efecto era maior (heteroxeneidade dos efectos do tratamento) e ofrecer algunhas ideas sobre por que podería ocorrer o efecto (mecanismos).

Os anuncios de iPod de Doleac e Stein variaron en tres dimensións principais. En primeiro lugar, os investigadores variaron as características do vendedor, que foi sinalado pola man fotografada sostendo o iPod [branco, negro, branco con tatuaxe] (figura 4.13). En segundo lugar, variaron o prezo de solicitude [$ 90, $ 110, $ 130]. En terceiro lugar, variaron a calidade do texto do anuncio [de alta calidade e de baixa calidade (por exemplo, erros de citação e erros de espello)]. Así, os autores tiveron un deseño 3 \(\times\) 3 \(\times\) 2 que se desplegou en máis de 300 mercados locais, desde cidades (por exemplo, Kokomo, Indiana e North Platte, Nebraska) ata mega- cidades (por exemplo, Nova York e Os Ánxeles).

Figura 4.13: As mans utilizadas no experimento de Doleac and Stein (2013) . Os iPod vendéronse por vendedores con diferentes características para medir a discriminación nun mercado en liña. Reproducido con permiso de Doleac and Stein (2013) , figura 1.

A media en todas as condicións, os resultados foron mellores para os vendedores brancos que os vendedores negros, cos vendedores tatuados que tiveron resultados intermedios. Por exemplo, os vendedores brancos recibiron máis ofertas e tiveron maiores prezos de venda definitiva. Máis aló destes efectos medios, Doleac e Stein estimaron a heteroxeneidade dos efectos. Por exemplo, unha previsión da teoría anterior é que a discriminación sería menor nos mercados onde hai máis competencia entre os compradores. Usando o número de ofertas neste mercado como medida da cantidade de competencia do comprador, os investigadores descubriron que os vendedores negros realmente recibiron peores ofertas en mercados con baixo grao de competencia. Ademais, ao comparar os resultados para os anuncios con texto de alta calidade e de baixa calidade, Doleac e Stein descubriron que a calidade do anuncio non afectou a desvantaxe que enfrontan os vendedores negros e tatuados. Finalmente, aproveitando o feito de que os anuncios foron colocados en máis de 300 mercados, os autores descubriron que os vendedores negros estaban máis desfavorecidos en cidades con altas taxas de criminalidade e alta segregación residencial. Ningún destes resultados nos dá unha comprensión precisa exactamente por que os vendedores negros tiveron peores resultados, pero cando se combinan cos resultados doutros estudos, poden comezar a informar as teorías sobre as causas da discriminación racial en diferentes tipos de transaccións económicas.

Outro exemplo que mostra a capacidade dos investigadores para realizar experimentos de campo dixital nos sistemas existentes é a investigación realizada por Arnout van de Rijt e colegas (2014) sobre as claves do éxito. En moitos aspectos da vida, as persoas aparentemente similares acaban con resultados moi diferentes. Unha posible explicación para este patrón é que as vantaxes pequenas e esencialmente aleatorias poden frear e crecer ao longo do tempo, un proceso que os investigadores chaman vantaxe acumulativa . Para determinar se pequenos éxitos iniciais fican ou se desvanecen, van de Rijt e os seus colegas (2014) interviñeron en catro sistemas diferentes que permitían o éxito de participantes seleccionados aleatoriamente e entón mediron os consecuencias posteriores deste éxito arbitrario.

Máis concretamente, van de Rijt e os seus compañeiros (1) prometeron cartos a proxectos aleatorios seleccionados en Kickstarter, un sitio web de crowdfunding; (2) valorou positivamente os comentarios seleccionados ao azar en Epinions, un sitio web de revisión de produtos; (3) deu premios aos contribuíntes escollidos aleatoriamente a Wikipedia; e (4) asinou peticións aleatoriamente seleccionadas en change.org. Atoparon resultados moi similares nos catro sistemas: en cada caso, os participantes que recibiron aleatoriamente un éxito cedo pasaron a ter máis éxito posterior que os seus pares doutro xeito completamente indistinguibles (figura 4.14). O feito de que o mesmo patrón aparecese en moitos sistemas aumenta a validez externa destes resultados porque reduce a probabilidade de que este patrón sexa un artefacto de ningún sistema particular.

Figura 4.14: Efectos a longo prazo do éxito obtido aleatoriamente en catro sistemas sociais diferentes. Arnout van de Rijt e colegas (2014) (1) prometeron diñeiro a proxectos seleccionados aleatoriamente en Kickstarter, un sitio web de crowdfunding; (2) valorou positivamente os comentarios seleccionados ao azar en Epinions, un sitio web de revisión de produtos; (3) deu premios aos contribuíntes escollidos aleatoriamente a Wikipedia; e (4) asinou peticións aleatoriamente seleccionadas en change.org. Adaptado de Rijt et al. (2014) , figura 2.

Xuntos, estes dous exemplos demostran que os investigadores poden realizar experimentos de campo dixital sen necesidade de asociarse con empresas ou crear sistemas dixitais complexos. Ademais, a táboa 4.2 proporciona aínda máis exemplos que mostran o alcance do que é posible cando os investigadores usan a infraestrutura dos sistemas existentes para entregar o tratamento e / ou medir os resultados. Estes experimentos son relativamente baratos para os investigadores e ofrecen un alto grao de realismo. Pero ofrecen aos investigadores un control limitado sobre os participantes, os tratamentos e os resultados a medir. Ademais, para os experimentos que se realizan nun só sistema, os investigadores deben preocuparse de que os efectos poidan ser impulsados ​​por dinámicas específicas do sistema (por exemplo, a forma en que Kickstarter clasifica os proxectos ou o xeito no que change.org clasifica as peticións; para máis información, vexa a discusión sobre a confusión algorítmica no capítulo 2). Finalmente, cando os investigadores intervén nos sistemas de traballo, xorden problemas éticos complicados sobre posibles danos aos participantes, aos non participantes e aos sistemas. Consideraremos esta pregunta ética con máis detalle no capítulo 6, e hai unha excelente discusión delas no apéndice de van de Rijt et al. (2014) . Os trade-offs que veñen traballando nun sistema existente non son ideais para cada proxecto e por iso algúns investigadores crean o seu propio sistema experimental, como ilustraré a continuación.