4.5.2 Compañeiro co poderoso

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 só é unha asociación cunha organización poderosa, como unha empresa, goberno ou ONG. A vantaxe de traballar con un compañeiro é que permiten que pode realizar experimentos que simplemente non pode facer por si mesmo. Por exemplo, un dos experimentos que eu vou che dicir sobre a seguir participou 61 millóns de participantes; ningún investigador individuo podería alcanzar esa escala. Á vez que a colaboración aumenta o que pode facer, tamén, á vez, restrinxe-lo. Por exemplo, a maioría das empresas non vai permitir que executa un experimento que pode prexudicar a súa empresa ou a súa reputación. Traballando con socios tamén significa que cando chega a hora de publicar, pode vir a presión para "re-marco" os seus resultados, e algúns socios poden ata tentar bloquear a publicación do seu traballo, se iso os fai quedar mal. Finalmente, a colaboración tamén inclúe os custos relacionados co desenvolvemento e mantemento destas colaboracións.

O reto central que ten que ser resolto a facer estas asociacións de éxito é atopar unha forma de equilibrar os intereses de ambas as partes, e un xeito útil para pensar que o balance é cuadrante de Pasteur (Stokes 1997) . Moitos investigadores cren que, se eles están a traballar en algo práctico, algo que pode ser do interese dun compañeiro, entón poden non ser facer ciencia real. Esta mentalidade vai facelo moi difícil crear asociacións exitosas, e tamén pasa a ser completamente errado. O problema con esta forma de pensar é marabillosas ilustrado pola investigación pioneiro do biólogo Louis Pasteur. Mentres traballaba nun proxecto de fermentación comercial para converter zume de remolacha en alcohol, Pasteur descubriu unha nova clase de microorganismos que finalmente levou á teoría do xerme da enfermidade. Este descubrimento resolveu un problema lo moi práctico axudou a mellorar o proceso de fermentación e levar a un gran avance científico. Así, en vez de pensar sobre a investigación con aplicacións prácticas como estando en conflito coa investigación científica verdadeira, é mellor pensar neles como dúas dimensións distintas. A investigación pode ser motivado polo uso (ou non) e investigación pode buscar a comprensión fundamental (ou non). Criticamente, algúns Pasteur's-pode investigación de como ser motivado polo uso e busca de entendemento fundamental (Figura 4.16). Research in Quadrant-investigación de Pasteur que, inherentemente, avanza dous obxectivos é ideal para colaboracións entre investigadores e socios. Dado que o fondo, vou describir dous estudos experimentais con asociacións: unha con unha empresa e un cunha ONG.

Figura 4.16: cuadrante de Pasteur (con base na Fig 3.5 dende Stokes (1997) ). No canto de pensar de investigacións ou como "base" ou "aplicadas" é mellor pensar de busca como motivado polo uso (ou non) e busca de entendemento fundamental (ou non). Un exemplo de investigación que logo é motivada polo uso e busca a comprensión fundamental é o traballo de Pasteur sobre a conversión de zume de remolacha en alcohol que levou á teoría do xerme da enfermidade. Este é o tipo de traballo que é máis axeitado para as asociacións cos poderosos. Exemplos de traballo motivada polo uso, pero que non busca comprensión fundamental veñen de Thomas Edison, e exemplos de traballo que non está motivado polo uso, senón que busca a comprensión veñen de Niels Bohr. Vexa Stokes (1997) para unha discusión máis aprofundada deste cadro e cada un destes casos.

As grandes empresas, especialmente as empresas de tecnoloxía, desenvolveron infraestrutura moi sofisticada para a execución de experimentos complexos. Na industria de tecnoloxía, estas experiencias son moitas veces chamados probas A / B (porque probar a eficacia de dous tratamentos: A e B). Estas experiencias son moitas veces executar para cousas como aumentar as taxas de click-through en anuncios, pero a mesma infraestrutura experimental tamén se pode usar para a investigación que avanza a comprensión científica. Un exemplo que ilustra o potencial deste tipo de investigación é un estudo realizado por unha alianza entre investigadores de Facebook e da Universidade de California, San Diego, sobre os efectos de diferentes mensaxes sobre o número de electores (Bond et al. 2012) .

O 02 de novembro de 2010, o día das eleccións-all do Congreso dos Estados Unidos 61 millóns de usuarios de Facebook que viven en Estados Unidos e máis de 18 anos participaron no experimento sobre a votación. Ao visitar Facebook, os usuarios foron designados aleatoriamente para un dos tres grupos, que determinou o banner (se) foi posto na parte superior da súa News Feed (Figura 4.17):

• un grupo de control.
• unha mensaxe informativa sobre a votación cun previsión "eu votei" botón e un contador (info).
• unha mensaxe informativa sobre a votación cun previsión "eu votei" botón e un contador de + nomes e fotos dos seus amigos que xa tivese premendo no "me votei" (info + sociais).

Bond e os seus colegas estudaron dous resultados principais: informar comportamento electoral eo comportamento de votación en si. En primeiro lugar, eles descubriron que as persoas no grupo info + social eran preto de 2 puntos porcentuais máis propensos que as persoas no grupo Información de premer en "eu votei" (preto de 20% vs 18%). Ademais, despois de que os investigadores fundiron os datos con rexistros de votación accesible ao público a preto de 6 millóns de persoas descubriron que persoas na info + grupo social foron 0,39 puntos porcentuais máis probable que realmente votar que as persoas coa condición de control e que a xente no grupo de información a mesma probabilidade de votar como as persoas na condición de control (Figura 4.17).

Figura 4.17: resultados dun experimento get out a voto en Facebook (Bond et al. 2012) . Os participantes do grupo información votado na mesma taxa que a xente na súa condición de control, pero a xente na info + grupo social votou a un ritmo lixeiramente superior. As barras representan calculados intervalos de confianza do 95%. Os resultados no gráfico inclúen preto de 6 millóns de participantes, para os cales os investigadores poderían corresponder aos rexistros de voto.

Esta experiencia mostra que algunhas mensaxes get out a voto en liña son máis eficaces que outros, e mostra que a estimación do investigador da eficacia dun tratamento pode depender se estudan informar ou comportamento real. Esta experiencia, por desgraza, non ofrece ningunha pista sobre os mecanismos polos que a información social, que algúns investigadores broma chamada de "face pila" de votación -aumento. Pode ser que a información social aumentou a probabilidade de que alguén notou o banner ou que aumentou a probabilidade de que alguén que entendeu a bandeira realmente votou ou ambos. Así, esta experiencia ofrece un achado interesante que aínda investigador probablemente vai explotar (ver, por exemplo, Bakshy, Eckles, et al. (2012) ).

Ademais de avanzar os obxectivos dos investigadores, esta experiencia tamén avanzou a meta da organización parceira (Facebook). Se altera o comportamento estudado votar para mercar xabón, a continuación, pode ver que o estudo ten a mesma estrutura exacta como un experimento para medir o efecto de anuncios en liña (ver, por exemplo, Lewis and Rao (2015) ). Estes estudos de eficacia de anuncios frecuentemente medir o efecto da exposición a liña ads os tratamentos en Bond et al. (2012) son basicamente os anuncios para a votación-no comportamento fóra de liña. Así, este estudo podería avanzar a capacidade de Facebook para estudar a eficacia dos anuncios en liña e pode axudar a Facebook a convencer os potenciais anunciantes que os anuncios de Facebook son eficaces.

Aínda que os intereses dos investigadores e socios foron na súa maioría aliñados neste estudo, eles tamén foron parcialmente en tensión. En particular, a distribución dos participantes para as tres condicións-control, información, e info + -social foi tremendamente desequilibrada: 98% da mostra foi atribuída a info + social. Esta distribución desequilibrada é ineficiente estatisticamente, e unha moito mellor reparto para os investigadores sería 1/3 dos participantes en cada grupo. Pero, a distribución desequilibrada aconteceu porque Facebook quería que todos reciben a información + tratamento social. Afortunadamente, os investigadores convenceuse os a conter o 1% a un tratamento relacionado e 1% de participantes dun grupo de control. Sen o grupo de control que sería basicamente imposible de medir o efecto da información tratamento social, + porque sería unha experiencia de "molestar e observar" ao contrario dun experimento controlado randomizado. Este exemplo ofrece unha lección práctica valiosa para traballar con socios: ás veces crear unha experiencia de convencer a alguén a entregar un tratamento e, por veces, crear unha experiencia de convencer a alguén non emitir un tratamento (ou sexa, para crear un grupo de control).

Colaboración non sempre ten involucrar empresas de tecnoloxía e as probas A / B, con millóns de participantes. Por exemplo, Alexander Coppock, Andrew Guess, e John Ternovski (2016) en colaboración cunha ONG ambiental (League of Conservation Voters) para realizar probas de experimentos diferentes estratexias para promover a mobilización social. Os investigadores utilizaron conta en Twitter da ONG para enviar dous tweets públicos e mensaxes directas privadas que tentaron primos distintos tipos de identidades. Os investigadores mediron entón cal destas mensaxes eran máis eficaz para fomentar a xente a asinar unha petición e información de retweet sobre unha petición.

En xeral, en colaboración co poderoso permite operar nunha escala que é difícil de facer o contrario, e Táboa 4.3 ofrece outros exemplos de asociacións entre investigadores e organizacións. Partnering pode ser moito máis fácil do que construír a súa propia experiencia. Pero estas vantaxes veñen con desvantaxes: as asociacións poden limitar os tipos de participantes, tratamentos e resultados que pode estudar. Ademais, estas asociacións poden levar a retos éticos. A mellor forma de detectar unha oportunidade para unha colaboración é a notar un problema real que pode resolver mentres está facendo ciencia interesante. Se vostede non está acostumado a este modo de mirar o mundo, pode ser difícil de detectar problemas no cuadrante de Pasteur, pero coa práctica, vai comezar a notar los máis e máis.