Os concursos abertos deixar moitos especialistas e non especialistas propoñer solucións a problemas onde as solucións son máis fáciles de comprobar que xeran.
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 podes destacar dúas diferenzas importantes entre os proxectos invitación aberta e proxectos computación humana. En primeiro lugar, en proxectos de chamadas abertas o investigador especifica unha meta (por exemplo, prever a clasificación das películas), mentres que na computación humana a busca especifica un micro-tarefa (por exemplo, clasificando unha galaxia). En segundo lugar, en concursos abertos os investigadores querían o mellor contribución mellor algoritmo para prever a clasificación das películas, a configuración de menor enerxía dunha proteína, ou a parte máis relevante da técnica anterior, non algún tipo de combinación simple de todas as contribucións.
Dado o modelo xeral para concursos públicos e estes tres exemplos, que tipo de problemas na investigación social pode ser adecuado a esta visión? Neste punto, debo recoñecer que non houbo moitos exemplos de éxito aínda (por razóns que vou explicar nun momento). En termos de análogos directos, pódese imaxinar que un proxecto de estilo Peer-to-Patent ser usado por un investigador histórico buscando o máis antigo documento de mencionar unha persoa ou idea específica. Unha visión chamada aberta a este tipo de problema pode ser especialmente importante cando os documentos pertinentes non son recollidos nun único arquivo, mais son amplamente distribuídas.
Máis xeralmente, moitos gobernos teñen problemas que poidan ser susceptibles de abrir chamadas porque son sobre a creación de previsións que se poden usar para orientar a acción (Kleinberg et al. 2015) . Por exemplo, como Netflix quería prever avaliacións sobre as películas, os gobernos poden querer prever os resultados, como que os restaurantes son máis propensos a ter violacións do código de saúde, a fin de reservar recursos de rexistro de forma máis eficiente. Motivado por este tipo de problema, Glaeser et al. (2016) usou unha chamada aberta para axudar a cidade de Boston prever violacións restaurante de hixiene e saneamento en base a datos do Yelp comentarios e datos de inspección históricos. Glaeser e compañeiros estiman que o modelo preditivo que gañou o concurso público ía mellorar a produtividade dos inspectores restaurante en preto de 50%. As empresas tamén teñen problemas con unha estrutura semellante, como previsión de rotación de clientes (Provost and Fawcett 2013) .
Finalmente, ademais de abrir as chamadas que implica resultados que xa aconteceron nun determinado conxunto de datos (por exemplo, a previsión de violacións do código de saúde mediante datos sobre violacións do código de saúde do pasado), pódese imaxinar previsión de resultados que non se produciron aínda a calquera no conxunto de datos . Por exemplo, as familias fráxiles e estudo Neno Benestar ten monitor preto de 5.000 nenos desde o nacemento en 20 cidades dos Estados Unidos diferentes (Reichman et al. 2001) . Investigadores recolleron datos sobre estes nenos, as súas familias, e seu ambiente máis amplo no nacemento e nas idades de 1, 3, 5, 9 e 15. Dada toda a información sobre estes nenos, como ben podería investigadores prever resultados como quen vai formar na facultade? Ou, expresado de forma que sería máis interesante para moitos investigadores, que os datos e as teorías que sería máis eficaz en prever estes resultados? Xa que ningunha destas nenos Actualmente idade suficiente para ir para a facultade, iso sería unha verdadeira previsión de futuro e hai moitas estratexias diferentes que os investigadores poden empregar. Un investigador que cre que os barrios son fundamentais na formación de resultados da vida pode tomar unha visión mentres un investigador que se concentra en familias pode facer algo completamente diferente. Cal destas enfoques podería funcionar mellor? Non sabemos, e no proceso de descubrir o que poderiamos aprender algo importante sobre as familias, barrios, educación e desigualdade social. Ademais, estas previsións se pode usar para guiar a recollida de datos futura. Imaxina que había un pequeno número de graduados universitarios que non foron previstas para formarse por calquera dos modelos; esas persoas serían candidatos ideais para follow-up entrevistas cualitativas e observación etnográfica. Así, neste tipo de chamada aberta, as previsións non son o fin; en vez diso, eles proporcionan unha nova forma de comparar, enriquecer e combinar diferentes tradicións teóricas. Este tipo de chamada aberta non é específico para usar datos de Familias fráxil para prever quen vai ir para a facultade; ela pode ser usada para predicir calquera resultado que veñan a ser recollidos en calquera conxunto de datos sociais lonxitudinal.
Como escribín anteriormente nesta sección, non houbo moitos exemplos de investigadores sociais que utilizan as chamadas abertas. Eu creo que iso é porque as chamadas abertas non están ben adaptados á forma que os científicos sociais xeralmente enmarcar as súas preguntas. Volvendo ao Netflix Prize, os científicos sociais non adoitan preguntar sobre a previsión gustos, eles ían preguntar sobre como e por que me gusta cultural diferente para persoas de diferentes clases sociais (Bourdieu 1987) . Tal "como" e "por que" preguntas non levan a fácil de comprobar solucións, e, polo tanto, parece mal apto para abrir chamadas. Así, parece que as chamadas abertas son máis propicios a cuestión da previsión do que cuestións de explicación; Para saber máis sobre a distinción entre previsión e explicación ver Breiman (2001) . Teóricos recentes, con todo, pediron que os científicos sociais a reconsiderar a dicotomía entre explicación e predición (Watts 2014) . Como a liña entre a previsión e explicación borrões, espero que os concursos abertos a ser cada vez máis común nas ciencias sociais.