પ્રયોગો માપવા શું થયું. પદ્ધતિ શા માટે સમજાવે છે અને તે કેવી રીતે થયું.
સરળ પ્રયોગોથી આગળ વધવાનું ત્રીજા મહત્ત્વનું વિચાર પદ્ધતિ છે . મિકેનિઝમ્સ અમને જણાવો શા માટે અથવા કેવી રીતે સારવાર અસર થાય છે. મિકેનિઝમ્સ માટે શોધવાની પ્રક્રિયાની પણ કેટલીકવાર ચલોને મધ્યસ્થી કરવા અથવા ચલો મધ્યસ્થ કરવા માટે કહેવામાં આવે છે. પ્રયોગો સાધક અસરોના અંદાજ માટે સારી હોય છે, તેમ છતાં, તે પદ્ધતિઓના ઘટસ્ફોટ માટે વારંવાર તૈયાર કરવામાં આવતી નથી. ડિજિટલ પ્રયોગો અમને બે રીતે પદ્ધતિઓ ઓળખવામાં મદદ કરી શકે છે: (1) તેઓ વધુ પ્રક્રિયા માહિતી એકત્રિત કરવામાં અમને સક્ષમ કરે છે અને (2) તેઓ અમને ઘણા સંબંધિત સારવાર ચકાસવા માટે સક્ષમ કરે છે.
કારણ કે પદ્ધતિઓ ઔપચારિક રીતે વ્યાખ્યાયિત કરવા મુશ્કેલ છે (Hedström and Ylikoski 2010) , હું એક સરળ ઉદાહરણથી શરૂ કરું છું: લાઇમ્સ અને સ્કવવી (Gerber and Green 2012) . અઢારમી સદીમાં ડોકટરોએ ખૂબ સારી ઇચ્છા વ્યક્ત કરી હતી કે જ્યારે ખલાસીઓ ખાય છે, ત્યારે તેઓ સ્કર્ટ કરી શકતા નથી. સ્કરાવી ભયંકર રોગ છે, તેથી આ શક્તિશાળી માહિતી હતી પરંતુ આ ડોકટરોને ખબર ન હતી કે શા માટે લાઇમ્સે સ્કવવી અટકાવી દીધી છે. તે લગભગ 200 વર્ષ પછી, 1932 સુધી ન હતી, વૈજ્ઞાનિકો વિશ્વસનીય રીતે દર્શાવ્યું હતું કે વિટામિન સી એ કારણ હતું કે ચૂનોએ (Carpenter 1988, 191) સ્કર્વી અટકાવ્યો. આ કિસ્સામાં, વિટામિન સી એક પદ્ધતિ છે જેના દ્વારા ડાઇવરો (આંકડો 4.10) અટકાવે છે. અલબત્ત, પદ્ધતિની ઓળખ કરવી એ વૈજ્ઞાનિક રીતે ખૂબ જ મહત્વપૂર્ણ છે-ઘણાં વિજ્ઞાન શા માટે થાય છે તે સમજવામાં આવે છે. પદ્ધતિઓ ઓળખવા એ વ્યવહારીક રીતે ખૂબ મહત્વપૂર્ણ છે. એકવાર અમે સમજીએ છીએ કે સારવાર શા માટે કામ કરે છે, અમે સંભવિતપણે નવી સારવારો વિકસાવી શકીએ છીએ જે વધુ સારા કામ કરે છે.
કમનસીબે, અલગ પદ્ધતિઓ ખૂબ જ મુશ્કેલ છે. ઘણાં અને હલકાંથી વિપરીત, ઘણી સામાજિક સેટિંગ્સમાં, સારવાર કદાચ ઘણા આંતર સંબંધી રસ્તાઓ દ્વારા કાર્યરત છે. જો કે, સામાજિક ધોરણો અને ઊર્જા વપરાશના કિસ્સામાં, સંશોધકોએ પ્રક્રિયા માહિતી અને ચકાસણી સંબંધિત સારવાર એકત્ર કરીને પદ્ધતિઓ અલગ કરવાની કોશિશ કરી છે.
શક્ય પદ્ધતિઓ ચકાસવાની એક રીત એ છે કે કેવી રીતે સારવારથી સંભવિત પદ્ધતિઓ પર અસર થઈ તે વિશેની પ્રક્રિયા ડેટા એકઠી કરે છે. ઉદાહરણ તરીકે, યાદ રાખો કે Allcott (2011) દર્શાવ્યું હતું કે હોમ એનર્જી રિપોર્ટ્સમાં લોકોએ તેમનો વીજળી વપરાશ Allcott (2011) . પરંતુ આ કેવી રીતે ઓછી વીજળી વપરાશ અહેવાલ હતી? પદ્ધતિઓ શું હતા? ફોલો-અપ અભ્યાસમાં, Allcott and Rogers (2014) પાવર કંપની સાથે ભાગીદારી કરે છે કે, રિબેટ પ્રોગ્રામ દ્વારા, ગ્રાહકોએ તેમના ઉપકરણોને વધુ ઊર્જા-કાર્યક્ષમ મોડલ્સમાં અપગ્રેડ કરવા વિશે માહિતી મેળવી હતી. Allcott and Rogers (2014) જાણવા મળ્યું છે કે હોમ એનર્જી રિપોર્ટ્સ પ્રાપ્ત કરતાં સહેજ વધુ લોકો તેમના ઉપકરણોને અપગ્રેડ કરે છે. પરંતુ આ ફરક એટલો નાનો હતો કે તે સારવારવાળા ઘરોમાં ઉર્જાનો ઉપયોગ માત્ર 2% જેટલો ઘટાડો કરે છે. બીજા શબ્દોમાં કહીએ તો, એપ્લીઅન અપગ્રેડ્સ પ્રબળ પદ્ધતિ ન હતા, જેના દ્વારા હોમ એનર્જી રિપોર્ટમાં વીજળીની વપરાશમાં ઘટાડો થયો.
પદ્ધતિઓનો અભ્યાસ કરવાનો બીજો રસ્તો સારવારની થોડી અલગ આવૃત્તિઓ સાથે પ્રયોગો ચલાવવાનું છે. ઉદાહરણ તરીકે, Schultz et al. (2007) પ્રયોગમાં Schultz et al. (2007) અને ત્યારબાદની તમામ હોમ એનર્જી રિપોર્ટ પ્રયોગો, સહભાગીઓને બે મુખ્ય ભાગો (1) ઊર્જા બચત અંગેના ટીપ્સ અને (2) તેમના ઉમરાવો (આકૃતિ 4.6) સંબંધિત તેમના ઉર્જાનો ઉપયોગ વિશેની માહિતી ધરાવતા હતા. આ રીતે, શક્ય છે કે ઊર્જા બચત ટીપ્સ જે ફેરફારને કારણે, પીઅરની માહિતી નહીં. માત્ર એકલા ટીપ્સની શક્યતા હોવાનું મૂલ્યાંકન કરવા માટે Ferraro, Miranda, and Price (2011) એટલાન્ટા, જ્યોર્જિયા પાસે પાણીની કંપની સાથે ભાગીદારી કરી હતી અને આશરે 100,000 ઘરોને સંલગ્ન જળ સંરક્ષણ પર સંબંધિત પ્રયોગ ચલાવી હતી. ચાર શરતો હતા:
સંશોધકોએ શોધી કાઢ્યું હતું કે ટૂંકા (એક વર્ષ), મધ્યમ (બે વર્ષ) અને લાંબા (ત્રણ વર્ષ) શબ્દમાં ટીપ્સ-માત્ર ઉપચારના પાણીના ઉપયોગ પર કોઈ અસર થતી નથી. ટીપ્સ અને અપીલની સારવારથી સહભાગીઓ પાણીના વપરાશમાં ઘટાડો કરે છે, પરંતુ ટૂંકા ગાળામાં જ. છેલ્લે, ટીપ્સ અને વત્તા અપીલ વત્તા પીઅર માહિતી સારવાર ટૂંકા, મધ્યમ, અને લાંબા ગાળા (આકૃતિ 4.11) માં ઘટાડો થયો હતો ઉપયોગ. અનબંડલ્ડ સારવાર સાથેના આ પ્રકારના પ્રયોગો એ જાણવા માટે એક સારો માર્ગ છે કે જે સારવારનો ભાગ અથવા કયા ભાગો એકસાથે છે - તે અસરકારક છે (Gerber and Green 2012, sec. 10.6) . ઉદાહરણ તરીકે, ફેરારો અને સહકાર્યકરોનો પ્રયોગ અમને બતાવે છે કે એકલા જળ બચાવની યોજનાઓ પાણીના વપરાશમાં ઘટાડો કરવા માટે પૂરતા નથી.
આદર્શરીતે, એક સંપૂર્ણ ફેક્ટોરિયલ ડિઝાઇનમાં - ઘટકોના લેયરિંગ (ટિપ્સ; ટીપ્સ વત્તા અપીલ; ટીપ્સ વત્તા અપીલ વત્તા પીઅર માહિતી) ઉપરાંત આગળ વધે છે - કેટલીકવાર તેને \(2^k\) ફેક્ટોરિયલ ડિઝાઇન કહેવાય છે- જ્યાં દરેક શક્ય મિશ્રણ ત્રણ તત્વો ચકાસાયેલ છે (કોષ્ટક 4.1). ઘટકોના દરેક સંભવિત સંયોજનને પરીક્ષણ કરીને સંશોધકો દરેક ઘટકની અલગતા અને સંયોજનમાં સંપૂર્ણપણે અસર કરી શકે છે. ઉદાહરણ તરીકે, ફેરરો અને સહકાર્યકરોનો પ્રયોગ એ દર્શાવતો નથી કે શું માત્ર એકલા સરખામણીએ વર્તનમાં લાંબા ગાળાના ફેરફારો તરફ દોરી જવું પૂરતું હશે. ભૂતકાળમાં, આ સંપૂર્ણ ફેક્ટોરિયલ ડિઝાઇન્સ ચલાવવા માટે મુશ્કેલ છે કારણ કે તેમને મોટી સંખ્યામાં સહભાગીઓની જરૂર હોય છે અને તેમને સંશોધકોને મોટી સંખ્યામાં સારવાર પ્રદાન કરવા માટે સક્ષમ કરવા અને જરૂર પહોંચાડવાની જરૂર પડે છે. પરંતુ, કેટલીક પરિસ્થિતિઓમાં, ડિજિટલ વય આ હેરફેરની મર્યાદાઓ દૂર કરે છે.
સારવાર | લાક્ષણિકતાઓ |
---|---|
1 | નિયંત્રણ |
2 | ટિપ્સ |
3 | અપીલ |
4 | પીઅર માહિતી |
5 | ટિપ્સ + અપીલ |
6 | ટિપ્સ + પીઅર માહિતી |
7 | અપીલ + પીઅર માહિતી |
8 | ટિપ્સ + અપીલ + પીઅર માહિતી |
ટૂંકમાં, પદ્ધતિઓ-જે માર્ગો જેના દ્વારા સારવારનો અસર થાય છે તે અતિ મહત્વનું છે. ડિજિટલ-વય પ્રયોગો (1) પ્રક્રિયાના ડેટા એકત્ર કરવા અને (2) સંપૂર્ણ ફેક્ટોરિયલ ડિઝાઇન્સને સક્ષમ કરીને પદ્ધતિઓ વિશે શીખવામાં મદદ કરી શકે છે. આ અભિગમો દ્વારા સૂચવવામાં આવેલા પદ્ધતિઓ પછી પરીક્ષણ પદ્ધતિઓ (Ludwig, Kling, and Mullainathan 2011; Imai, Tingley, and Yamamoto 2013; Pirlott and MacKinnon 2016) ચકાસણી માટે રચાયેલ પ્રયોગ દ્વારા સીધી પરીક્ષણ કરી શકાય છે.
એકંદરે, આ ત્રણ ખ્યાલો-માન્યતા, ઉપચારની અસરોની વિવિધતા અને તંત્ર-પ્રયોગો પ્રાયોગિકીકરણ અને દુભાષિત કરવાના વિચારોનો એક શક્તિશાળી સમૂહ પૂરો પાડે છે. આ વિભાવનાઓ સંશોધકોના સિદ્ધાંતોને વધુ સઘળા પ્રયોગો માટે "કાર્યો" કરતા સરળ પ્રયોગોમાંથી આગળ વધવામાં મદદ કરે છે, જે દર્શાવે છે કે શા માટે અને શા માટે સારવાર કાર્ય કરે છે અને તે પણ સંશોધકોને વધુ અસરકારક ઉપચારની ડિઝાઇનમાં મદદ કરી શકે છે. પ્રયોગો વિશે આ વૈચારિક પૃષ્ઠભૂમિને જોતાં, હવે તમે તમારા પ્રયોગો થવામાં ખરેખર કેવી રીતે કરી શકો છો તે વિશે હું ફરી જઈશ.