4.1 Introdución

Nas abordaxes cubertas ata agora neste comportamento de observación libro (Capítulo 2) e facendo preguntas (capítulo 3) -researchers recoller datos sobre o que está ocorrendo naturalmente no mundo. O enfoque abordados neste duración capítulo experimentos é fundamentalmente diferente. Cando os investigadores realizar experimentos, eles sistematicamente intervir no mundo para crear datos que son ideais para responder a preguntas sobre as relacións de causa e efecto.

Causa e efecto preguntas son moi comúns na investigación social, e os exemplos inclúe preguntas como fai aumentar os salarios dos profesores aumentar a aprendizaxe do alumno? Cal é o efecto do salario mínimo sobre os tipos de emprego? Como é que a raza do candidato efectuar a súa oportunidade de conseguir un emprego? Ademais destas cuestións explicitamente causais, por veces, causar-efecto preguntas están implícitos nas cuestións máis xerais sobre a maximización dalgunha métrica de rendemento. Por exemplo, a pregunta "O botón de cor maximiza as doazóns nun sitio web ONG?" É realmente unha morea de preguntas sobre o efecto de diferentes cores dos botóns de doazóns.

Un xeito de responder a preguntas de causa-e-efecto é buscar patróns nos datos existentes. Por exemplo, usando datos de miles de escolas, pode calcular o que o alumno máis en escolas que ofrecen altos salarios de profesores. Pero se esa correlación mostran que salarios máis elevados provocar os alumnos a aprender máis? Por suposto que non. Escolas onde os profesores gañan máis pode ser diferente en moitos aspectos. Por exemplo, os alumnos en escolas con altos salarios do profesorado podería vir de familias máis ricas. Así, o que parece ser un efecto de profesores só podería vir de comparar distintos tipos de alumnos. Estas diferenzas non avaliadas entre os alumnos son chamados factores de confusión e, en xeral, a posibilidade de factores de confusión atrapalha a investigadores capacidade de responder a preguntas de causa-e-efecto, a buscar patróns nos datos existentes.

Unha solución para o problema da confusión é tentar facer comparacións xustas, axustando a diferenzas observables entre os grupos. Por exemplo, pode ser capaz de descargar datos imposto sobre a propiedade dun número de sitios do goberno. Logo, pode comparar o rendemento dos alumnos nas escolas onde os prezos das casas son semellantes, pero os salarios dos profesores son diferentes, e aínda pode considerar que os alumnos aprenden máis nas escolas con maior remuneración dos profesores. Pero aínda hai moitos factores de confusión posibles. Quizais os pais destes estudantes difiren no seu nivel de educación ou que as escolas difiren na súa proximidade coas bibliotecas públicas ou que as escolas con maior remuneración dos profesores tamén teñen maior remuneración para directores e pagar o principal, non remuneración dos profesores, é realmente o que está a aumentar aprendizaxe dos alumnos. Vostede podería tentar medir eses outros factores tamén, pero a lista de posibles factores de confusión é esencialmente infinitas. En moitas ocasións, simplemente non pode medir e axustar a todos os posibles factores de confusión. Esta visión só pode levalo ata agora.

A mellor solución para o problema da confusión está a executar experimentos. Experimentos que os investigadores de ir alén das correlacións no que ocorre naturalmente de datos, a fin de responder de forma fiable cuestión de causa e efecto. Na era analóxica, as experiencias foron frecuentemente loxística difícil e caro. Agora, na era dixital, restricións loxísticas están gradualmente desaparecendo. Non só é máis fácil de facer experimentos como estes investigadores fixeron no pasado, agora é posible realizar novos tipos de experiencias.

En o que escribín ata agora eu teño sido un pouco solto na miña lingua, pero é importante distinguir entre dúas cousas: experiencias e experimentos aleatorios controlados. Nun experimento un investigador intervén no mundo e, a continuación, mide un resultado. Eu xa oín esa visión descrita como "perturbar e observar." Esta estratexia é moi eficaz nas ciencias naturais, pero en ciencias médicas e sociais, hai outra visión que funciona mellor. Nun experimento controlado randomizado investigador intervén para algunhas persoas e non para os outros, e, crítica, o investigador decide que as persoas reciben a intervención de forma aleatoria (por exemplo, xogar unha moeda). Este procedemento garante que os experimentos controlados e randomizados crear comparacións xustas entre dous grupos: un que recibiu a intervención e un que non ten. Noutras palabras, os experimentos aleatorios controlados son unha solución aos problemas de factores de confusión. A pesar das diferenzas importantes entre experiencias e experimentos aleatorios controlados, os investigadores sociais moitas veces usan eses termos como sinónimos. Vou seguir esta convención, pero, en certos puntos, eu vou romper o convenio para salientar o valor de experimentos aleatorios controlados sobre experimentos sen randomização e un grupo control.

experimentos controlados e randomizados probaron ser unha poderosa forma de aprender sobre o mundo social, e neste capítulo, eu vou te ensinar máis sobre como usalos na súa investigación. Na Sección 4.2, vou ilustrar a lóxica básica de experimentación con un exemplo dun experimento sobre Wikipedia. A continuación, na Sección 4.3, vou describir a diferenza entre experiencias de laboratorio e experimentos de campo e as diferenzas entre experimentos analóxicos e experiencias dixitais. Ademais, eu vou argumentar que experimentos de campo dixitais poden ofrecer as mellores características dos experimentos de laboratorio analóxico (control axustado) e experimentos de campo analóxico (realismo), todos nunha escala que non era posible anteriormente. A continuación, na Sección 4.4, vou describir tres conceptos validez, a heteroxeneidade dos efectos do tratamento, e os mecanismos de que son fundamentais para a creación de experiencias ricas. Con este pano de fondo, vou describir os trade-offs implicados nas dúas estratexias principais para a realización de experiencias dixitais: facelo só (Sección 4.5.1) ou en colaboración co poderoso (Sección 4.5.2). Finalmente, eu vou rematar con algúns consellos de deseño sobre como pode aproveitar o poder real de experiencias dixitais (punto 4.6.1) e describir algunhas das responsabilidade que ven con ese poder (4.6.2). O capítulo será presentado con un mínimo de notación matemática e linguaxe formal; os lectores interesados ​​en unha visión máis formal, matemáticas para experiencias deberían tamén ler o apéndice técnico ao final do capítulo.