4.6.1 શૂન્ય ચલ ખર્ચ ડેટા બનાવો

મોટા પ્રયોગોને ચલાવવા માટેની ચાવી તમારી વેરિયેબલ ખર્ચને શૂન્યમાં ચલાવવાનું છે. આ કરવા માટેના શ્રેષ્ઠ માર્ગો સ્વયંસંચાલિત છે અને આનંદપ્રદ પ્રયોગોનું નિર્માણ કરવાનું છે.

ડિજિટલ પ્રયોગો નાટ્યાત્મક રીતે વિભિન્ન કિંમતની માળખાં હોઈ શકે છે, અને તે સંશોધકોને ભૂતકાળમાં અશક્ય પ્રયોગોને ચલાવવા માટે સક્ષમ કરે છે. આ તફાવત વિશે વિચારવાનો એક રસ્તો એ નોંધવું છે કે પ્રયોગોમાં સામાન્ય રીતે બે પ્રકારના ખર્ચ હોય છે: નિયત ખર્ચ અને ચલ ખર્ચ. સ્થિર ખર્ચ સહભાગીઓની સંખ્યાને અનુલક્ષીને અનુલક્ષીને રહેલા ખર્ચાઓ ઉદાહરણ તરીકે, લેબ પ્રયોગમાં, નિયત ખર્ચ જગ્યા ભાડે આપવા અને ફર્નિચર ખરીદવાનો ખર્ચ હોઇ શકે છે. વેરિયેબલ ખર્ચ , બીજી બાજુ, સહભાગીઓની સંખ્યાને આધારે ફેરફાર દાખલા તરીકે, લેબ પ્રયોગમાં, વેરીએબલ ખર્ચ સ્ટાફ અને સહભાગીઓ ચૂકવવાથી થઈ શકે છે. સામાન્ય રીતે, એનાલોગ પ્રયોગોમાં ઓછા નિયત ખર્ચ અને ઊંચી વેરિએબલ ખર્ચ હોય છે, જ્યારે ડિજિટલ પ્રયોગોમાં ઊંચી નિયત ખર્ચ અને ઓછી વેરિયેબલ ખર્ચ (આકૃતિ 4.19) છે. ભલે ડિજિટલ પ્રયોગો ઓછી વેરિયેબલ ખર્ચે હોય, તમે વેરિયેબલ ખર્ચને શૂન્ય સુધી લઈ જાઓ ત્યારે તમે ઘણી આકર્ષક તકો બનાવી શકો છો.

આકૃતિ 4.19: એનાલોગ અને ડિજિટલ પ્રયોગોમાં ખર્ચની રચનાઓનું યોજના. સામાન્ય રીતે, એનાલોગ પ્રયોગોમાં ઓછા નિયત ખર્ચ અને ઉચ્ચ ચલ ખર્ચ હોય છે જ્યારે ડિજિટલ પ્રયોગોમાં ઊંચી નિશ્ચિત ખર્ચ અને ઓછા ચલ ખર્ચ હોય છે. જુદા જુદા ખર્ચના માળખાંનો મતલબ એવો થાય છે કે ડિજિટલ પ્રયોગો સ્કેલ પર ચાલે છે જે એનાલોગ પ્રયોગો સાથે શક્ય નથી.

કર્મચારીઓને ચૂકવણીની ચુકવણીના બે મુખ્ય ઘટકો અને સહભાગીઓને ચુકવણી - અને આમાંના દરેકને વિવિધ વ્યૂહરચનાઓનો ઉપયોગ કરીને શૂન્યથી ચલાવી શકાય છે. કર્મચારીઓને મળતી ચુકવણીઓ જે કામ કરે છે તે સહાયક સહાયક ભાગ લેનારને ભરતી કરે છે, ઉપચાર આપવી અને પરિણામ માપવા માટે કરે છે. ઉદાહરણ તરીકે, શ્લ્લત્ઝ અને સહકાર્યીઓ (2007) ના એનાલોગ ફિલ્ડ પ્રયોગને વીજ વપરાશ માટે સંશોધન મદદનીશોએ દરેક ઘરની સારવાર કરવા અને ઇલેક્ટ્રિક મીટર (આંકડા 4.3) વાંચવા માટે આવશ્યક છે. સંશોધન સહાયકો દ્વારા આ તમામ પ્રયત્નોનો અર્થ એવો થયો કે અભ્યાસમાં એક નવું ઘર ઉમેરવાથી ખર્ચમાં વધારો થશે. બીજી તરફ, વિકિપીડિયાના સંપાદકો પર પુરસ્કારોની અસર પર રેસ્ટિવો અને વાન દે રીજ (2012) ના ડિજિટલ ફિલ્ડ પ્રયોગ માટે, સંશોધકો વર્ચ્યુઅલ રીતે કોઈ ખર્ચમાં વધુ સહભાગીઓ ઉમેરી શકતા નથી. વેરિયેબલ વહીવટી ખર્ચ ઘટાડવા માટેની એક સામાન્ય વ્યૂહરચના, માનવ કાર્યને બદલવા (જે ખર્ચાળ છે) કોમ્પ્યુટર કામ સાથે છે (જે સસ્તી છે). આશરે, તમે તમારી જાતને પૂછી શકો છો: શું આ પ્રયોગ ચાલે છે જ્યારે મારી રિસર્ચ ટીમમાં દરેકને ઊંઘ આવે છે? જો જવાબ હા છે, તો તમે ઓટોમેશન એક મહાન કામ કર્યું છે.

વેરિયેબલ કિંમતનો બીજો મુખ્ય પ્રકાર સહભાગીઓને ચૂકવણી છે કેટલાક સંશોધકોએ સહભાગીઓ માટે ચૂકવણી ઘટાડવા માટે એમેઝોન યાંત્રિક ટર્ક અને અન્ય ઑનલાઇન મજૂર બજારોનો ઉપયોગ કર્યો છે. વેરિયેબલ ખર્ચને શૂન્ય સુધી લઈ જવા માટે, જો કે, એક અલગ અભિગમ જરૂરી છે લાંબા સમયથી સંશોધકોએ એવા પ્રયોગો તૈયાર કર્યા છે જે લોકોને કંટાળાજનક હોય છે જેથી તેઓ ભાગ લેવા માટે લોકોને ચૂકવણી કરી શકે. પરંતુ જો તમે પ્રયોગ કરવા માગો છો તો લોકો શું ઈચ્છે છે? આ દૂર-મેળવેલું ધ્વનિ કરી શકે છે, પણ હું તમને મારા પોતાના કાર્યમાંથી નીચે એક ઉદાહરણ આપીશ, અને ટેબલ 4.4 માં વધુ ઉદાહરણો છે. નોંધ કરો કે આનંદપ્રદ પ્રયોગોને ડિઝાઇન કરવાના આ વિચારથી પ્રકરણ 3 માં કેટલાક વિષયોને વધુ મનોરંજક સર્વેક્ષણો ડિઝાઇન કરવા અને પ્રચલર 5 માં સામૂહિક સહકારની ડિઝાઇન અંગેના વિષયોની નકલ કરવામાં આવે છે. આ રીતે, મને લાગે છે કે સહભાગી આનંદ - શું પણ વપરાશકર્તા અનુભવ તરીકે ઓળખાય છે - ડિજિટલ યુગમાં સંશોધન ડિઝાઇનનો વધુ મહત્વનો ભાગ હશે.

જો તમે શૂન્ય ચલ ખર્ચ માહિતી સાથે પ્રયોગો બનાવવા માંગો છો, તો તમારે તેની ખાતરી કરવી પડશે કે બધું સંપૂર્ણપણે સ્વયંસંચાલિત છે અને તે સહભાગીઓને કોઈ ચુકવણીની આવશ્યકતા નથી. આ કેવી રીતે શક્ય છે તે દર્શાવવા માટે, હું સાંસ્કૃતિક ઉત્પાદનોની સફળતા અને નિષ્ફળતા પરના મારા મહાનિબંધ સંશોધનનું વર્ણન કરું છું.

સાંસ્કૃતિક ઉત્પાદનો માટે સફળતાના કોયડારૂપ સ્વરૂપે મારા નિદાનને પ્રોત્સાહન આપવામાં આવ્યું હતું. હિટ ગીતો, બેસ્ટ સેલિંગ પુસ્તકો અને બ્લોકબસ્ટર ફિલ્મો ખૂબ જ છે, સરેરાશ કરતાં વધુ સફળ છે આના કારણે, આ ઉત્પાદનો માટેના બજારોને વારંવાર "વિજેતા-લેવા-બધા" બજારો કહેવામાં આવે છે છતાં, તે જ સમયે, જે કોઈ ખાસ ગીત, પુસ્તક, અથવા ફિલ્મ સફળ બનશે તે અકલ્પનીય છે. પટકથાલેખક વિલિયમ ગોલ્ડમૅન (1989) ભવ્ય રીતે ઘણા શૈક્ષણિક સંશોધનનો અભાવ કર્યો છે કે, જ્યારે સફળતાની આગાહી કરવા માટે આવે છે, ત્યારે "કોઈએ કશું જાણ્યું નથી." વિજેતા-લેવા-તમામ બજારોની અનિશ્ચિતતાને કારણે મને આશ્ચર્ય થયું કે પરિણામ કેટલી છે ગુણવત્તા અને કેટલી માત્ર નસીબ છે. અથવા, જો આપણે સમાંતર વિશ્વનું સર્જન કરી શકીએ અને બધાને સ્વતંત્ર રીતે વિકસાવવી હોય તો શું તે દરેક જણમાં આ જ ગીતો લોકપ્રિય બનશે? અને, જો ન હોય, તો શું આ તંત્રનો ઉપયોગ કરે છે?

આ પ્રશ્નોના જવાબ આપવા માટે, અમે-પીટર ડોડ્સ, ડંકન વોટ્સ (મારા મહાનિબંધ સલાહકાર) અને મેં ઓનલાઇન ક્ષેત્ર પ્રયોગોની શ્રેણી ચલાવી છે. ખાસ કરીને, અમે મ્યુઝિકલૅબ નામની એક વેબસાઇટ બનાવી છે જ્યાં લોકો નવા સંગીત શોધી શકે છે, અને અમે તેને પ્રયોગોના શ્રેણી માટે ઉપયોગમાં લીધા છે. અમે પ્રતિભાગીઓને તીન-વ્યાજની વેબસાઇટ પર (છબી 4.20) બેનર જાહેરાતો ચલાવીને ભરતી કરી છે અને મીડિયામાં ઉલ્લેખો દ્વારા. અમારી વેબસાઇટ પર પહોંચ્યા સહભાગીઓ જાણકાર સંમતિ આપી, ટૂંકા પૃષ્ઠભૂમિ પ્રશ્નાવલી પૂર્ણ, અને રેન્ડમ એક બે પ્રાયોગિક શરતો-સ્વતંત્ર અને સામાજિક પ્રભાવ સોંપવામાં આવી હતી. સ્વતંત્ર સ્થિતીમાં, સહભાગીઓએ જે નિર્ણયો લીધા છે તે વિશેના નિર્ણયોમાં બેન્ડ્સ અને ગીતોના નામ આપવામાં આવ્યા હતા. એક ગીત સાંભળીને, સહભાગીઓને તે રેટ કરવાનું કહેવામાં આવ્યું હતું કે જે પછી ગીતને ડાઉનલોડ કરવાની તક (પરંતુ જવાબદારી નહીં) હતી. સામાજિક અસરની શરતમાં, સહભાગીઓને એ જ અનુભવ હતો, સિવાય કે તેઓ એ પણ જોઈ શકે છે કે પાછલા સહભાગીઓ દ્વારા કેટલાંક ગીતો દરેક ગીતને ડાઉનલોડ કરવામાં આવ્યા હતા. વળી, સામાજિક અસરની શરતમાં સહભાગીઓ રેન્ડમ રીતે આઠ સમાંતર વિશ્વને સોંપવામાં આવ્યા હતા, જેમાંથી દરેક સ્વતંત્ર રીતે વિકાસ પામ્યા હતા (આકૃતિ 4.21). આ ડિઝાઇનનો ઉપયોગ કરીને, અમે બે સંબંધિત પ્રયોગો ચલાવી છે. સૌપ્રથમ, અમે ગીતોને સહભાગીઓને એક ક્રમમાંગોઠવાયેલ ગ્રિડમાં પ્રસ્તુત કર્યા, જે તેમને લોકપ્રિયતાના નબળા સંકેત સાથે પ્રદાન કર્યાં. બીજા પ્રયોગમાં, અમે ગીતોને એક ક્રમાંકિત યાદીમાં રજૂ કર્યા હતા, જે લોકપ્રિયતાના મજબૂત સંકેત આપે છે (આંકડા 4.22).

આકૃતિ 4.20: બૅનર જાહેરાતનું એક ઉદાહરણ છે કે મારા સાથીઓ અને હું મ્યુઝિકલૅબ પ્રયોગો (Salganik, Dodds, and Watts 2006) માટે સહભાગીઓની ભરતી કરવા માટે ઉપયોગ કર્યો હતો. Salganik (2007) , આકૃતિ 2.12 માંથી પરવાનગી દ્વારા પુનઃઉત્પાદન.

આકૃતિ 4.21: મ્યુઝિક લેબ પ્રયોગો માટે પ્રાયોગિક રચના (Salganik, Dodds, and Watts 2006) . સહભાગીઓ રેન્ડમ બે શરતોમાં એકને સોંપવામાં આવ્યા હતા: સ્વતંત્ર અને સામાજિક પ્રભાવ. અન્ય લોકોએ જે કર્યું તે વિશે કોઇ માહિતી વિના સ્વતંત્ર સ્થિતિના સહભાગીઓએ તેમની પસંદગીઓ કરી હતી. સામાજિક અસરની શરતમાં સહભાગીઓ રેન્ડમ રીતે આઠ સમાંતર વિશ્વની એકને સોંપવામાં આવ્યા હતા, જ્યાં તેઓ લોકપ્રિયતા જોઈ શકે છે - જેમ કે તેમના વિશ્વનાં દરેક ગીતના અગાઉના સહભાગીઓના ડાઉનલોડ્સ દ્વારા માપવામાં આવે છે, પરંતુ તેઓ કોઈ વિશેની માહિતી જોઈ શકતા નથી, ન તો તેઓ પણ અસ્તિત્વ વિશે જાણો, અન્ય વિશ્વોની કોઈપણ Salganik, Dodds, and Watts (2006) , આકૃતિ એસ 1 થી Salganik, Dodds, and Watts (2006) .

અમને જાણવા મળ્યું કે ગાયનની લોકપ્રિયતા વિશ્વભરમાં અલગ હતી, જે સૂચવે છે કે નસીબ સફળતામાં મહત્વની ભૂમિકા ભજવતા હતા. ઉદાહરણ તરીકે, એક જ દુનિયામાં 52 મેટ્રો દ્વારા "લૉકડાઉન" ગીત 48 ગીતોમાંથી પહેલું હતું, જ્યારે બીજી દુનિયામાં તે 40 મા ક્રમે આવે છે. આ તે જ ગીત છે જે બધા જ અન્ય ગીતો સામે સ્પર્ધા કરે છે, પરંતુ એક જ દુનિયામાં તેને નસીબદાર મળી અને અન્ય લોકોએ તે ન કર્યું. વધુમાં, બે પ્રયોગોમાં પરિણામોની સરખામણી કરીને, અમને જાણવા મળ્યું છે કે સામાજિક પ્રભાવથી આ બજારોની વિજેતા-લેવા-બધા પ્રકૃતિ વધે છે, જે કદાચ કુશળતાના મહત્વને સૂચવે છે પરંતુ, દુનિયાભરમાં (જે આ પ્રકારના સમાંતર વિશ્વ પ્રયોગની બહાર થઈ શકતી નથી) જોઈ રહ્યાં છીએ, અમને જાણવા મળ્યું છે કે સામાજિક પ્રભાવએ ખરેખર નસીબનું મહત્વ વધ્યું છે. વધુમાં, આશ્ચર્યજનક રીતે, તે સૌથી વધુ અપીલના ગીતો હતા જ્યાં નસીબ સૌથી વધુ મહત્ત્વની હતી (આંકડા 4.23).

આકૃતિ 4.22: મ્યુઝિક લેબ પ્રયોગો (Salganik, Dodds, and Watts 2006) માં સામાજિક પ્રભાવની શરતોના સ્ક્રીનશોટ. પ્રયોગ 1 માં સામાજિક અસરની શરતમાં, અગાઉના ડાઉનલોડની સંખ્યા સાથે ગાયન, 16 \(\times\) 3 લંબચોરસ ગ્રિડમાં ગોઠવાયેલા સહભાગીઓને પ્રસ્તુત કરવામાં આવ્યા હતા, જ્યાં ગાયનની સ્થિતિ રેન્ડમ દરેકને સોંપવામાં આવી હતી સહભાગી પ્રયોગ 2 માં, સામાજિક અસરની શરતમાં સહભાગીઓ, હાલની લોકપ્રિયતાના ઉતરતા ક્રમમાં એક કૉલમમાં પ્રસ્તુત, ડાઉનલોડ ગણતરીઓ સાથે ગીતો દર્શાવવામાં આવ્યા હતા.

આકૃતિ 4.23: અપીલ અને સફળતા વચ્ચે સંબંધ દર્શાવતા મ્યુઝીકલેબ પ્રયોગોના પરિણામો (Salganik, Dodds, and Watts 2006) સ્વતંત્ર વિશ્વમાં ગીતના બજારહિસ્સામાં \(x\) મેક્સ એ ગીતની અપીલના માપ તરીકે કામ કરે છે, અને \(y\) -સિસ એ જ ગીતનું બજાર હિસ્સો છે. આઠ સામાજિક પ્રભાવ વિશ્વો, જે ગાયનની સફળતાના એક માપ તરીકે કામ કરે છે. અમને જાણવા મળ્યું કે સહભાગીઓએ અનુભવ મેળવનાર સામાજિક પ્રભાવને વધારીને-ખાસ કરીને, પ્રયોગ 1 થી લેપટોપમાં પ્રયોગ -2 (આકૃતિ 4.22) માં ફેરફાર-વધુ અણધારી બની જવાની સફળતાને કારણે, ખાસ કરીને સૌથી વધુ અપીલ ધરાવતી ગીતો માટે. Salganik, Dodds, and Watts (2006) , 3 આકૃતિ

મ્યુઝિકલેબને શૂન્ય ચલ ખર્ચે ચલાવવા માટે સક્ષમ હતું કારણ કે તે ડિઝાઇન કરવામાં આવ્યું હતું. પ્રથમ, બધું સંપૂર્ણપણે સ્વયંસંચાલિત હતું તેથી તે જ્યારે ઊંઘતો હતો ત્યારે ચલાવવા માટે સક્ષમ હતો. બીજું, વળતર મફત સંગીત હતું, તેથી કોઈ ચલ સહભાગી વળતરની કિંમત ન હતી. વળતર તરીકે સંગીતનો ઉપયોગ પણ સમજાવે છે કે નિયત અને વેરિયેબલ ખર્ચ વચ્ચે કોઈ વેપાર કેવી રીતે થાય છે. મ્યુઝિક દ્વારા નિયત ખર્ચમાં વધારો થયો છે કારણ કે મને બેન્ડ્સની મંજૂરી મેળવવા માટે સમય આપવાનો અને તેમના સંગીતની સહભાગીઓની પ્રતિક્રિયા વિશે તેમના માટે રિપોર્ટ્સ તૈયાર કરવાના હતા. પરંતુ આ કિસ્સામાં, વેરિયેબલ્સ ખર્ચ ઘટાડવા માટે નિયત ખર્ચમાં વધારો કરવા માટે યોગ્ય વસ્તુ હતી; તે એ છે જે પ્રમાણભૂત લેબ પ્રયોગ કરતા લગભગ 100 ગણા મોટું પ્રયોગ ચલાવતું હતું.

વધુમાં, મ્યુઝિકલૅબના પ્રયોગો દર્શાવે છે કે શૂન્ય ચલ ખર્ચને પોતે અંત નથી હોતો; તેના બદલે, તે એક નવા પ્રકારની પ્રયોગ ચલાવવા માટેનો એક સાધન બની શકે છે. નોંધ લો કે અમે પ્રમાણભૂત સામાજિક પ્રભાવ પ્રયોગ પ્રયોગ 100 વખત ચલાવવા માટે અમારા બધા સહભાગીઓનો ઉપયોગ કર્યો નથી. ને બદલે, અમે કંઇક અલગ કર્યું છે, જે તમે મનોવૈજ્ઞાનિક પ્રયોગથી એક સમાજશાસ્ત્રી (Hedström 2006) માટે સ્વિચ તરીકે વિચારી શકો છો. વ્યક્તિગત નિર્ણયો પર ધ્યાન કેન્દ્રિત કરવાને બદલે, અમે લોકપ્રિયતા પરના અમારા પ્રયોગ પર ધ્યાન કેન્દ્રિત કર્યું, એક સામૂહિક પરિણામ. સામૂહિક પરિણામોમાં આ સ્વિચનો અર્થ એવો થયો કે અમને એક જ ડેટા બિંદુ (ત્યાં સમાંતર વિશ્વની દરેકમાં 700 લોકો હતા) પેદા કરવા માટે લગભગ 700 સહભાગીઓની જરૂર છે. તે માપ માત્ર શક્ય છે કારણ કે પ્રયોગના ખર્ચ માળખું. સામાન્ય રીતે, જો સંશોધકો અભ્યાસ કરવા માગે છે કે વ્યક્તિગત નિર્ણયથી સામૂહિક પરિણામ કેવી રીતે ઊભું થાય છે, મ્યુઝિકલ લેબ જેવા જૂથ પ્રયોગો ખૂબ આકર્ષક છે. ભૂતકાળમાં, તેઓ લોજીસ્ટિક રીતે મુશ્કેલ હતા, પરંતુ શૂન્ય ચલ ખર્ચની સંભાવનાને લીધે તે મુશ્કેલીઓ લુપ્ત થઈ છે.

શૂન્ય વેરિયેબલ ખર્ચના ડેટાના લાભો દર્શાવવા ઉપરાંત, મ્યુઝિકલૅબ પ્રયોગો આ અભિગમ સાથે એક પડકાર દર્શાવે છે: ઊંચી નિયત ખર્ચ મારા કિસ્સામાં, પ્રયોગનું નિર્માણ કરવા માટે હું લગભગ છ મહિના માટે પીટર હૌસેલ નામના પ્રતિભાશાળી વેબ ડેવલપર સાથે કામ કરવા માટે અત્યંત કુશળ હતો. આ જ શક્ય હતું કારણ કે મારા સલાહકાર, ડંકન વોટ્સે, આ પ્રકારના સંશોધનને ટેકો આપવા માટે ઘણા અનુદાન મેળવ્યા હતા. 2004 માં મ્યુઝિકલૅબ બનાવવામાં આવ્યું ત્યારથી ટેક્નોલોજીમાં સુધારો થયો છે તેથી હવે આ જેવી પ્રયોગનું નિર્માણ કરવું વધુ સરળ હશે. પરંતુ, ઊંચી નિશ્ચિત કિંમતની વ્યૂહરચના ખરેખર એવા સંશોધકો માટે શક્ય છે કે જે કોઈક તે ખર્ચોને કવર કરી શકે છે.

નિષ્કર્ષમાં, એનાલોગ પ્રયોગો કરતા ડિજિટલ પ્રયોગોમાં નાટ્યાત્મક રીતે અલગ ખર્ચના માળખાં હોઈ શકે છે. જો તમે ખરેખર મોટા પ્રયોગોને ચલાવવા માંગતા હો, તો તમારે તમારી વેરીએબલ ખર્ચને શક્ય તેટલી અને આદર્શ રીતે બધી રીતે શૂન્યમાં ઘટાડવાનો પ્રયાસ કરવો જોઈએ. તમે તમારા પ્રયોગની મિકેનિક્સ (દા.ત., કોમ્પ્યુટર સમય સાથે માનવ સમયને બદલીને) અને લોકો જે અંદર જવા માગો છો તે ડિઝાઇન કરવાનું સ્વચાલિત કરીને કરી શકો છો. સંશોધકો જે આ સુવિધાઓ સાથે પ્રયોગો ડિઝાઇન કરી શકે છે તે નવા પ્રકારની પ્રયોગો ચલાવવા માટે સક્ષમ હશે. ભૂતકાળમાં શક્ય નથી જો કે, શૂન્ય ચલ ખર્ચ પ્રયોગો બનાવવાની ક્ષમતા નવા નૈતિક પ્રશ્નો ઊભી કરી શકે છે, વિષય કે જે હું હવે સંબોધશે.