4.6 સલાહ

ભલે તમે વસ્તુઓ જાતે કરી રહ્યા હોવ અથવા પાર્ટનર સાથે કામ કરો છો, હું ચાર ટુકડાઓની સલાહ આપવા માંગુ છું કે જેણે મારા પોતાના કામમાં ખાસ કરીને મદદરૂપ મળ્યું છે. સલાહના પ્રથમ બે ટુકડા કોઈપણ પ્રયોગ પર લાગુ થાય છે, જ્યારે બીજા બે વધુ ડિજિટલ-વય પ્રયોગો માટે વિશિષ્ટ છે.

જ્યારે તમે એક પ્રયોગ કરી રહ્યા હો ત્યારે મારી પ્રથમ સલાહ એ છે કે કોઈ પણ ડેટા એકત્રિત કરવામાં આવે તે પહેલાં તમારે જેટલું શક્ય તેટલું વિચારવું જોઈએ. આ સંભવિત પ્રયોગો ચલાવવા માટેના સંશોધકો માટે ખુબ જ સ્પષ્ટ છે, પરંતુ મોટા ડેટા સ્ત્રોતો સાથે કામ કરવા માટે ટેવાયેલા લોકો માટે તે ખૂબ મહત્વનું છે (જુઓ પ્રકરણ 2). આવા સ્રોતો સાથે કામ સૌથી તમે માહિતી ધરાવે છે પછી કરવામાં આવે છે, પરંતુ પ્રયોગો વિરુદ્ધ છે: કામ સૌથી પહેલાં તમે માહિતી ભેગી જ કરાવવું જોઈએ. તમે માહિતી એકત્રિત કરતા પહેલાં તમારી જાતને કાળજીપૂર્વક વિચારવા માટે દબાણ કરવા માટેના એક શ્રેષ્ઠ માર્ગ છે તમારા પ્રયોગ માટે પ્રિ-વિશ્લેષણ યોજના બનાવો અને રજીસ્ટર કરવું કે જેમાં તમે મૂળભૂત રીતે વિશ્લેષણનું વર્ણન કરો કે જે તમે કરો છો (Schulz et al. 2010; Gerber et al. 2014; Simmons, Nelson, and Simonsohn 2011; Lin and Green 2016) .

મારી સામાન્ય સલાહનો બીજો ભાગ એ છે કે કોઈ પણ પ્રયોગ સંપૂર્ણ હોવાની નથી, અને તે કારણે, તમારે પ્રયોગોના શ્રેણીબદ્ધ રચના કરવાનું વિચારવું જોઈએ જે એકબીજાને મજબૂત કરે છે. મેં આને આર્માડા વ્યૂહરચના તરીકે વર્ણવ્યું છે; એક મોટા પાયાનો યુદ્ધભૂમિ બનાવવાનો પ્રયત્ન કરતાં, તમારે પૂરક શક્તિઓ સાથે ઘણાં બધાં નાના જહાજો બનાવવો જોઈએ. મલ્ટી-પ્રયોગ અભ્યાસો આ પ્રકારના માનસશાસ્ત્રમાં નિયમિત છે, પરંતુ તે અન્યત્ર દુર્લભ છે. સદભાગ્યે, કેટલાક ડિજિટલ પ્રયોગોનો ઓછો ખર્ચ બહુ-પ્રયોગ અભ્યાસ સરળ બનાવે છે.

સામાન્ય પૃષ્ઠભૂમિને ધ્યાનમાં રાખીને, હવે હું ડિજિટલ વય પ્રયોગોને ડિઝાઇન કરવા માટે વધુ બે પ્રકારના સલાહ આપવા માંગું છું: શૂન્ય ચલ ખર્ચ માહિતી (સેક્શન 4.6.1) બનાવો અને તમારા ડિઝાઇનમાં વિભાગ (વિભાગ 4.6.2).