5.3.4 ઉપસંહાર

ખુલ્લા કૉલ્સ તમને સમસ્યાઓની ઉકેલો શોધવા માટે સક્ષમ કરે છે જે તમે સ્પષ્ટપણે જણાવી શકો છો પરંતુ તે તમે તમારી જાતને હલ કરી શકતા નથી.

બધા ત્રણ ઓપન કોલ પ્રોજેક્ટ Netflix પુરસ્કાર, Foldit, પીઅર-ટુ-પેટન્ટ-સંશોધકો એક ચોક્કસ ફોર્મ પ્રશ્નો પૂછતા, ઉકેલો વિનંતિ, અને પછી શ્રેષ્ઠ ઉકેલો હતો. સંશોધકો પણ પૂછો શ્રેષ્ઠ નિષ્ણાત જાણવાની જરૂર ન હતી, અને ક્યારેક સારા વિચારો અનપેક્ષિત સ્થળોએ તરફથી આવ્યા હતા.

હવે હું ઓપન કોલ પ્રોજેક્ટ્સ અને માનવીય કમ્પ્યુટેશન પ્રોજેક્ટ્સ વચ્ચેના બે મહત્વપૂર્ણ તફાવતોને પણ પ્રકાશિત કરી શકું છું. પ્રથમ, ઓપન કોલ પ્રોજેક્ટ્સમાં સંશોધક એક ધ્યેય (દા.ત., મૂવી રેટિંગ્સની આગાહી) નો ઉલ્લેખ કરે છે, જ્યારે માનવ ગણતરીમાં, સંશોધક એક માઇક્રોટાસ્ક (દા.ત., એક આકાશગંગાને વર્ગીકરણ કરે છે) સ્પષ્ટ કરે છે. બીજું, ખુલ્લા કોલ્સમાં, સંશોધકો શ્રેષ્ઠ યોગદાન ઇચ્છતા હોય છે- જેમ કે મૂવી રેટિંગ્સની આગાહી કરવા માટે શ્રેષ્ઠ ઍલ્ગોરિધમ, પ્રોટીનનું સૌથી ઓછું ઊર્જા રૂપરેખાંકન, અથવા અગાઉની કલાના સૌથી સુસંગત ઘટક-તમામ તમામ પ્રકારની સરળ સંયોજન નહીં યોગદાન

ખુલ્લા કૉલ્સ અને આ ત્રણ ઉદાહરણો માટેના સામાન્ય ટેમ્પલેશનને જોતાં, સામાજિક રિસર્ચમાં કયા પ્રકારનાં સમસ્યાઓ આ અભિગમ માટે યોગ્ય હોઈ શકે છે? આ બિંદુએ, મને સ્વીકારવું જોઈએ કે હજુ સુધી ઘણા સફળ ઉદાહરણો નથી (કારણોસર હું એક ક્ષણમાં સમજાવું છું). ડાયરેક્ટ એનાલોગની દ્રષ્ટિએ, કોઈ વ્યક્તિને કોઈ ચોક્કસ વ્યક્તિ અથવા વિચારને ઉલ્લેખ કરવા માટેના પ્રારંભિક દસ્તાવેજની શોધ કરતી એક ઐતિહાસિક સંશોધક દ્વારા ઉપયોગમાં લેવાતી પીઅર-ટુ-પેટન્ટ શૈલી ખુલ્લી કૉલની કલ્પના કરી શકે છે. સંભવિત સંબંધિત દસ્તાવેજો એક જ આર્કાઇવમાં ન હોય ત્યારે વ્યાપકપણે વિતરિત કરવામાં આવે છે ત્યારે આ પ્રકારની સમસ્યાનો ખુલ્લો કૉલ અભિગમ ખાસ કરીને મૂલ્યવાન હોઇ શકે છે.

વધુ સામાન્ય રીતે, ઘણી સરકારો અને કંપનીઓ પાસે સમસ્યાઓ હોય છે જે કોલ્સ ખોલવા માટે જવાબદાર હોઈ શકે છે કારણ કે ઓપન કૉલ્સ એલ્ગોરિધમ્સ પેદા કરી શકે છે જેનો પૂર્વાનુમાનો માટે ઉપયોગ કરી શકાય છે અને આ આગાહીઓ ક્રિયા માટે એક મહત્વપૂર્ણ માર્ગદર્શિકા હોઈ શકે છે (Provost and Fawcett 2013; Kleinberg et al. 2015) . ઉદાહરણ તરીકે, જેમ Netflix ચલચિત્રો પર રેટિંગ્સની આગાહી કરવા માગે છે, સરકારો પરિણામોની આગાહી કરવા માગી શકે છે, જેમ કે રેસ્ટોરેન્ટ્સને નિરીક્ષણ સંસાધનોને વધુ અસરકારક રીતે ફાળવવા માટે આરોગ્ય-કોડ ઉલ્લંઘન થવાની સંભાવના છે. આ પ્રકારની સમસ્યાથી પ્રેરિત, એડવર્ડ ગ્લેસેર અને સહકાર્યકરો (2016) સિટી બૉસ્ટને યેલપ સમીક્ષાઓ અને ઐતિહાસિક નિરીક્ષણ ડેટાના ડેટાના આધારે રેસ્ટોરન્ટની સ્વચ્છતા અને સ્વચ્છતાના ઉલ્લંઘનની આગાહી કરવા માટે ખુલ્લા કૉલનો ઉપયોગ કરે છે. તેઓનો અંદાજ છે કે ઓપન કોલ જીતનાર અનુમાનિત મોડેલ દ્વારા રેસ્ટોરન્ટ ઇન્સ્પેકટરોની ઉત્પાદકતામાં 50% જેટલો સુધારો થશે.

ઓપન કૉલ્સ પણ સંભવિત રૂપે સિદ્ધાંતોને તુલના કરવા અને પરીક્ષણ કરવા માટે વાપરી શકાય છે. ઉદાહરણ તરીકે, ફ્રેજિલ ફેમિલીઝ એન્ડ ચાઈલ્ડ વેલ્બીંગ સ્ટડીએ લગભગ 20 જુદા જુદા યુ.એસ. શહેરોમાં જન્મેલા લગભગ 5,000 બાળકોને ટ્રેક કર્યા છે (Reichman et al. 2001) . સંશોધકોએ આ બાળકો, તેમના પરિવારો અને તેમના વ્યાપક જન્મ સમયે વાતાવરણ અને 1, 3, 5, 9, અને 15 વર્ષનાં વયનો માહિતિ એકત્રિત કર્યો છે. આ બાળકો વિશેની તમામ માહિતી જોતાં, સંશોધકોના પરિણામોની આગાહી કેટલી સારી રીતે થઈ શકે, જેમ કે કોલેજમાંથી ગ્રેજ્યુએટ કોણ કરશે? અથવા, કેટલાક સંશોધકો માટે તે વધુ રસપ્રદ રહેશે તે રીતે વ્યક્ત, જે આ પરિણામોની આગાહીમાં ડેટા અને સિદ્ધાંતો સૌથી અસરકારક રહેશે? આમાંના કોઈ પણ બાળકો હાલમાં કૉલેજમાં જવા માટે પૂરતી જૂની નથી, તેથી આ એક ભવિષ્યવાણી સાચી હશે, અને સંશોધકોને રોજગારી આપવાની ઘણી વિવિધ વ્યૂહરચનાઓ છે. એક સંશોધક જે માને છે કે પડોશી જીવનનાં પરિણામોને આકાર આપવા માટે મહત્વપૂર્ણ છે, તે એક અભિગમ લેશે, જ્યારે એક સંશોધક જે પરિવારો પર ધ્યાન કેન્દ્રિત કરે છે તે સંપૂર્ણપણે અલગ કંઈક કરી શકે છે. આમાંથી કયું અભિગમ વધુ સારી રીતે કાર્ય કરશે? અમને ખબર નથી, અને શોધવા માટેની પ્રક્રિયામાં, અમે પરિવારો, પડોશી, શિક્ષણ અને સામાજિક અસમાનતા વિશે કંઈક અગત્યનું કંઈક શીખી શકીએ છીએ. ભવિષ્યમાં, આ આગાહીઓ ભાવિ ડેટા સંગ્રહને માર્ગદર્શન આપવા માટે ઉપયોગમાં લેવાય છે. કલ્પના કરો કે ત્યાં થોડાં કોલેજ ગ્રેજ્યુએટ્સ હતા, જેમને કોઈ મોડેલ દ્વારા સ્નાતકની આગાહી કરવામાં ન આવી હોય; આ લોકો ફોલો-અપ ગુણાત્મક ઇન્ટરવ્યૂ અને એથ્રોનોગ્રાફિક અવલોકનો માટે આદર્શ ઉમેદવારો હશે. આમ, આ પ્રકારના ખુલ્લા કૉલમાં, પૂર્વાનુમાનનો અંત નથી; તેના બદલે, તેઓ અલગ અલગ સૈદ્ધાંતિક પરંપરાઓને સરખાવવા, સમૃદ્ધ બનાવવા અને એકસાથે જોડવાનો એક નવો માર્ગ પ્રદાન કરે છે. કૉલેજમાં જશે તે આગાહી કરવા માટે આ પ્રકારના ખુલ્લા કૉલ ફ્રેજિલ ફેમિલીઝ અને ચાઈલ્ડ વેલ્બીંગ સ્ટડીના ડેટાનો ઉપયોગ કરવા માટે ચોક્કસ નથી; તેનો ઉપયોગ કોઈ પણ પરિણામની આગાહી કરવા માટે થઈ શકે છે જે આખરે કોઈપણ સમાંતર સામાજિક ડેટા સેટમાં એકત્રિત કરવામાં આવશે.

જેમ મેં અગાઉ આ વિભાગમાં લખ્યું હતું, ત્યાં ખુલ્લા કોલ્સનો ઉપયોગ કરીને સામાજિક સંશોધકોના ઘણા ઉદાહરણો નથી. મને લાગે છે કે આ કારણ છે કે સોશિયલ વૈજ્ઞાનિકો સામાન્ય રીતે તેમના પ્રશ્નો પૂછે છે તે રીતે ઓપન કૉલ્સ સારી રીતે અનુકૂળ નથી. નેટફ્લિક્સ પારિતોષિક પરત ફર્યા, સામાજિક વિજ્ઞાનીઓ સામાન્ય રીતે સ્વાદની આગાહી વિશે પૂછતા નથી; તેના બદલે, તેઓ પૂછશે કે વિવિધ સામાજિક વર્ગોના લોકો માટે સાંસ્કૃતિક જુદા જુદા કેવી રીતે અને શા માટે અલગ છે (દા.ત., Bourdieu (1987) ). આવા "કેવી રીતે" અને "શા માટે" પ્રશ્ન સહેલાઈથી ચકાસી શકાય તેવા સોલ્યુશન્સ તરફ દોરી જાય છે, અને તેથી કૉલ્સ ખોલવા માટે નકામું લાગે છે. આમ, એવું લાગે છે કે ઓપન કોલ્સ સમજૂતી પ્રશ્નો કરતાં પ્રશ્નો આગાહી માટે વધુ યોગ્ય છે. જો કે તાજેતરના સિદ્ધાંતવાદીઓએ, સામાજિક વૈજ્ઞાનિકોએ સમજૂતી અને આગાહી (Watts 2014) વચ્ચે વિઘટન પર પુનર્વિચાર કરવા માટે કહ્યું છે. પૂર્વાનુમાન અને સમજૂતીના બ્લૂર્સ વચ્ચેની રેખા તરીકે, મને આશા છે કે ખુલ્લા કૉલ્સ સામાજિક સંશોધનમાં વધુને વધુ સામાન્ય બનશે.