4.5.4 શક્તિશાળી સાથે ભાગીદાર
ભાગીદારીમાં ખર્ચમાં ઘટાડો કરી શકે અને પાયે વધારો છે, પરંતુ તે સહભાગીઓ, સારવાર પ્રકારના બદલી શકે છે, અને પરિણામો કે તમે ઉપયોગ કરી શકો છો.
તે જાતે કરવા માટેનો વિકલ્પ એક શક્તિશાળી સંસ્થા જેમ કે કંપની, સરકાર અથવા એનજીઓ સાથે ભાગીદારી કરે છે. ભાગીદાર સાથે કામ કરવાનો ફાયદો એ છે કે તેઓ પ્રયોગોને ચલાવવા માટે સક્ષમ બનાવી શકે છે કે જે તમે જાતે જ કરી શકતા નથી. ઉદાહરણ તરીકે, નીચે જણાવેલા પ્રયોગોમાંથી એક 61 મિલિયન સહભાગીઓ સામેલ છે - કોઈ વ્યક્તિગત સંશોધક તે સ્કેલ પ્રાપ્ત કરી શકશે નહીં. તે જ સમયે ભાગીદારી વધે છે જે તમે કરી શકો છો, તે તમને પણ મર્યાદિત કરે છે ઉદાહરણ તરીકે, મોટા ભાગની કંપનીઓ તમને એક વ્યવસાય ચલાવવા માટે પરવાનગી નહીં આપે કે જે તેમના વ્યવસાયને નુકસાન પહોંચાડી શકે અથવા તેમની પ્રતિષ્ઠા કરી શકે. ભાગીદારો સાથે કામ કરવાનો અર્થ એ થાય કે જ્યારે તે પ્રકાશિત કરવા માટે સમય આવે છે, ત્યારે તમે તમારા પરિણામો "ફરીથી ફ્રેમ" પર દબાણમાં આવી શકો છો, અને કેટલાક ભાગીદારો તમારા કાર્યના પ્રકાશનને અવરોધિત કરવાનું પણ પ્રયાસ કરી શકે છે જો તે ખરાબ દેખાવ કરે. છેલ્લે, ભાગીદારી આ સહયોગોના વિકાસ અને જાળવણીને લગતા ખર્ચ સાથે આવે છે.
આ ભાગીદારીને સફળ બનાવવા માટેનું મુખ્ય પડકાર ઉકેલે છે તે બન્ને પક્ષોના હિતોને સંતુલિત કરવાનો માર્ગ શોધી રહ્યો છે અને તે સંતુલન વિશે વિચારવાનો એક ઉપયોગી માર્ગ છે પાશ્ચરની ક્વાડ્રન્ટ (Stokes 1997) . ઘણા સંશોધકો એવું વિચારે છે કે જો તેઓ કોઈ વસ્તુ પર કામ કરી રહ્યા હોય તો કંઈક સાથી માટે રસ હોય શકે - તો પછી તેઓ વાસ્તવિક વિજ્ઞાન કરી શકતા નથી. આ માનસિકતા સફળ ભાગીદારી બનાવવાનું ખૂબ જ મુશ્કેલ બનાવશે, અને તે પણ સંપૂર્ણપણે ખોટું થાય છે. વૈજ્ઞાનિક લુઇસ પાશ્ચરની પાથ-બ્રેકિંગ સંશોધન દ્વારા આ વિચારની વિચાર સાથેની સમસ્યા અદ્ભૂત છે. બીટ રસને મદ્યાર્કમાં કન્વર્ટ કરવા માટે વેપારી આમેશન પ્રોજેક્ટ પર કામ કરતી વખતે, પાશ્ચરને એક નવો વર્ગ શોધી કાઢ્યો હતો જે આખરે રોગના જંતુના સિદ્ધાંત તરફ દોરી ગયો હતો. આ શોધએ અત્યંત વ્યવહારુ સમસ્યા ઉકેલી - તે આથોની પ્રક્રિયાને સુધારવામાં મદદ કરી - અને તે એક મુખ્ય વૈજ્ઞાનિક અગાઉથી તરફ દોરી. આમ, સાચા વૈજ્ઞાનિક સંશોધન સાથે સંઘર્ષમાં હોવાના પ્રાયોગિક એપ્લીકેશન સાથેના સંશોધન અંગે વિચારવાને બદલે, બે અલગ પરિમાણો તરીકે આ વિચારવું વધુ સારું છે. સંશોધનનો ઉપયોગ (અથવા નહીં) દ્વારા પ્રેરિત કરી શકાય છે, અને સંશોધન મૂળભૂત સમજૂતી શોધી શકે છે (અથવા નહી) ક્રિટિકલલી, કેટલાક સંશોધન-જેવા પાશ્ચર -નો ઉપયોગ કરીને અને મૂળભૂત સમજ મેળવવા માટે (આકૃતિ 4.17) પ્રેરિત કરી શકાય છે. પાશ્ચરની ક્વાડ્રન્ટ-રિસર્ચમાં સંશોધનો છે કે જે સ્વાભાવિક રીતે બે ગોલ કરે છે-સંશોધકો અને ભાગીદારો વચ્ચે સહયોગ માટે આદર્શ છે. તે પૃષ્ઠભૂમિને જોતાં, હું ભાગીદારી સાથેના બે પ્રાયોગિક અભ્યાસનું વર્ણન કરું છું: એક કંપની સાથે અને એક એનજીઓ સાથે.
આકૃતિ 4.17: પાશ્ચરની ક્વાડ્રન્ટ (Stokes 1997) . "મૂળભૂત" અથવા "લાગુ" તરીકે સંશોધનની વિચારણા કરતા, તેના બદલે (અથવા નહીં) ઉપયોગ કરીને અને મૂળભૂત સમજૂતી (અથવા નહીં) મેળવવાથી તે વિચારવું વધુ સારું છે. રિસર્ચનો એક ઉદાહરણ બન્ને ઉપયોગ દ્વારા પ્રેરિત છે અને મૂળભૂત સમજ મેળવવા માટે પાશ્ચરનો બીટનો રસ મદ્યાર્કમાં રૂપાંતર કરવા પર કામ કરે છે જે રોગના જંતુના સિદ્ધાંત તરફ દોરી જાય છે. શક્તિશાળી પ્રકારની ભાગીદારી માટે આ એક શ્રેષ્ઠ કાર્ય છે. કામના ઉદાહરણો જે ઉપયોગ દ્વારા પ્રેરિત છે પરંતુ તે થોમસ એડિસનથી મૂળભૂત સમજૂતીની શોધમાં નથી આવતી, અને કામના ઉદાહરણો જે ઉપયોગથી પ્રેરિત નથી પણ જે નિલ્સ બોહરથી સમજણ મેળવવાની માંગણી કરે છે આ ફ્રેમવર્કની સંપૂર્ણ ચર્ચા માટે Stokes (1997) અને આમાંના દરેક કેસો જુઓ. Stokes (1997) , 3.5 આંકડા
મોટી કંપનીઓ, ખાસ કરીને ટેક કંપનીઓએ, જટિલ પ્રયોગો ચલાવવા માટે ઉત્સાહી અત્યાધુનિક ઇન્ફ્રાસ્ટ્રક્ચર વિકસાવ્યા છે. ટેક ઉદ્યોગમાં, આ પ્રયોગોને ઘણીવાર A / B પરીક્ષણો તરીકે ઓળખવામાં આવે છે કારણ કે તેઓ બે ઉપચારની અસરકારકતા સાથે તુલના કરે છે: A અને B. આ પ્રકારના પ્રયોગો વારંવાર જાહેરાતો પર વધતા ક્લિક-થ્રુ દરો જેવી વસ્તુઓ માટે ચાલે છે, પરંતુ તે જ પ્રાયોગિક ઇન્ફ્રાસ્ટ્રક્ચર પણ વૈજ્ઞાનિક સમજને આગળ વધારવા માટે સંશોધન માટે ઉપયોગ કરવો. આ પ્રકારના સંશોધનની સંભવિતતાને દર્શાવતા એક ઉદાહરણ ફેસબુક અને યુનિવર્સિટી ઓફ કેલિફોર્નિયા, સાન ડિએગો, ખાતેના સંશોધકો વચ્ચે મતદાન મતદાન (Bond et al. 2012) પરના વિવિધ સંદેશાઓની અસરો દ્વારા હાથ ધરાયેલ એક અભ્યાસ છે.
2 નવેમ્બર, 2010 ના દિવસે યુ.એસ. કૉંગ્રેસેન્શનલ ચૂંટણીઓના દિવસે- તમામ 61 મિલિયન ફેસબુક યુઝર્સ યુનાઈટેડ સ્ટેટ્સમાં રહેતા હતા અને 18 વર્ષ અને તેથી વધુ ઉંમરના લોકોએ મતદાન કરવાના પ્રયોગમાં ભાગ લીધો હતો. ફેસબુકની મુલાકાત લેવા પર, વપરાશકર્તાઓ રેન્ડમ ત્રણ જૂથોમાં એકને સોંપવામાં આવ્યા હતા, જે નક્કી કરે છે કે શું બેનર (જો કોઈ હોય તો) તેમના સમાચાર ફીડ (આકૃતિ 4.18) ની ટોચ પર મૂકવામાં આવ્યું હતું:
- એક નિયંત્રણ જૂથ
- ક્લિક કરી શકાય તેવા "હું મત આપ્યો" બટન અને એક કાઉન્ટર (માહિતી) સાથે મતદાન વિશેના એક જાણકારીના સંદેશા
- ક્લિક કરી શકાય તેવા "હું મતદાન કર્યું" બટન અને તેમના મિત્રોના કાઉન્ટર વત્તા નામો અને ચિત્રો સાથે મતદાન કરવા વિશેના એક જાણકારીના સંદેશા જેણે "મેં મતદાન કર્યું" (માહિતી + સામાજિક)
બોન્ડ અને સહકર્મીઓએ બે મુખ્ય પરિણામોનો અભ્યાસ કર્યો: મતદાન વર્તન અને વાસ્તવિક મતદાન વર્તનની જાણ કરો. પ્રથમ, તેઓએ જાણ્યું કે ઈન્ફો + સામાજિક જૂથમાંના લોકો "હું મત આપ્યો" (લગભગ 20% વિરુદ્ધ 18%) ક્લિક કરવા માટે માહિતી જૂથમાંના લોકો કરતાં લગભગ બે ટકા જેટલા વધુ પોઇન્ટ્સવાળા હતા. વધુમાં, સંશોધકોએ લગભગ 6 મિલિયન લોકો માટે જાહેર રીતે ઉપલબ્ધ વોટિંગ રેકોર્ડ્સ સાથે તેમના ડેટાને ભેળવ્યા બાદ, જાણવા મળ્યું કે ઈન્ફો + સોશિયલ ગ્રૂપમાંના લોકો વાસ્તવમાં કન્ટ્રોલ જૂથ કરતા 0.39 ટકા વધુ મતદાનની શક્યતા છે અને તે માહિતી જૂથના લોકો તે નિયંત્રણ જૂથ (આકૃતિ 4.18) માં મતદાનની શક્યતા છે.
આકૃતિ 4.18: ફેસબુક (Bond et al. 2012) પર વિચાર-આઉટ-ધ-વોટ પ્રયોગના પરિણામો માહિતી જૂથના સહભાગીઓએ નિયંત્રણ જૂથમાં સમાન દર પર મત આપ્યો છે, પરંતુ ઈન્ફો + સામાજિક જૂથના લોકોએ થોડોક ઊંચા દરે મત આપ્યો છે. બાર અંદાજિત 95% આત્મવિશ્વાસ અંતરાલો દર્શાવે છે. આલેખમાં પરિણામો અંદાજે 60 લાખ સહભાગીઓ માટે છે, જે મતદાનના વિક્રમ સાથે મેળ ખાતા હતા. Bond et al. (2012) પરથી સ્વીકારવામાં આવ્યું Bond et al. (2012) , આકૃતિ 1
આ પ્રયોગના પરિણામો દર્શાવે છે કે કેટલાક ઑનલાઇન આઉટ-આઉટ-ધ-વોટ સંદેશા અન્ય લોકો કરતા વધુ અસરકારક છે અને તે અસરકારકતાના સંશોધકના અંદાજ પર આધાર રાખે છે કે શું પરિણામ મતદાન અથવા વાસ્તવિક મતદાનની જાણ કરે છે કે કેમ. આ પ્રયોગ કમનસીબે પદ્ધતિઓ વિશે કોઈ સુચનાઓ આપતું નથી, જેના દ્વારા સામાજિક માહિતી-જે કેટલાક સંશોધકોએ રમતના "ચહેરાના ઢગલા" નામના મતદાનમાં વધારો કર્યો છે. એવું હોઈ શકે કે સામાજિક માહિતીએ સંભાવનાને વધારી દીધી કે કોઈ વ્યક્તિએ બેનરની નોંધ લીધી અથવા તે સંભાવનાને વધારી દીધી કે જેણે બૅનને નોંધ્યું કે ખરેખર મત આપ્યો છે અથવા બંને. આમ, આ પ્રયોગ રસપ્રદ શોધ પૂરી પાડે છે કે અન્ય સંશોધકો શક્યતા શોધે છે (જુઓ, દા.ત. Bakshy, Eckles, et al. (2012) ).
સંશોધકોના ધ્યેયોને આગળ વધારવા ઉપરાંત, આ પ્રયોગએ ભાગીદાર સંસ્થા (ફેસબુક) નો ધ્યેય પણ આગળ વધાર્યો. જો તમે મતદાનમાંથી સાબુ ખરીદવા માટે અભ્યાસ કરતા વર્તનને બદલતા હોવ તો, તમે જોઈ શકો છો કે ઓનલાઇન જાહેરાતોની અસરને માપવા માટેના એક પ્રયોગ તરીકે અભ્યાસમાં સમાન જ માળખું છે (જુઓ દા.ત., RA Lewis and Rao (2015) ). આ જાહેરાતની અસરકારકતા અભ્યાસો ઑનલાઈન જાહેરાતોના સંપર્કમાંની અસરનું માપન કરે છે- Bond et al. (2012) સારવાર Bond et al. (2012) મૂળભૂત રીતે ઓફલાઇન વર્તન મતદાન પર આધારિત છે. આમ, આ સંશોધન ઓનલાઇન જાહેરાતોની અસરકારકતાનો અભ્યાસ કરવાની ફેસબુકની ક્ષમતાને આગળ કરી શકે છે અને ફેસબુક સંભવિત જાહેરાતકર્તાઓને સહમત કરી શકે છે કે Facebook જાહેરાતો વર્તન બદલતા માટે અસરકારક છે.
તેમ છતાં, સંશોધકો અને ભાગીદારોના હિતો મોટાભાગે આ અભ્યાસમાં ગોઠવાયેલ હોવા છતાં પણ તેઓ તણાવમાં આંશિક રીતે હતા. ખાસ કરીને, ત્રણ જૂથોને નિયંત્રણમાં રાખનાર સહભાગીઓની ફાળવણી - નિયંત્રણ, માહિતી અને માહિતી + સામાજિક - એ જબરદસ્ત રીતે અસમતોલ હતોઃ 98% નમૂનાને માહિતી + સામાજિકને સોંપવામાં આવ્યો હતો. આ અસંતુલિત ફાળવણી આંકડાકીય બિનકાર્યક્ષમ છે, અને સંશોધકો માટે વધુ સારું ફાળવણી ધરાવતા દરેક જૂથમાં સહભાગીઓ એક તૃતીયાંશ હશે. પરંતુ અસમતોલ ફાળવણી થયું કારણ કે ફેસબુક ઇચ્છે છે કે દરેકને માહિતી + સામાજિક સારવાર મળે. સદભાગ્યે, સંશોધકોએ તેમને એક સંબંધિત સારવાર માટે 1% અને નિયંત્રણ જૂથ માટેના 1% સહભાગીઓને પાછા રાખવાની ખાતરી આપી. કંટ્રોલ ગ્રૂપ વગર, ઈન્ફો + સોશિયલ ટ્રીટમેન્ટની અસર માપવા માટે તે મૂળભૂત રીતે અશક્ય હોત, કારણ કે તે રેન્ડિઝ્ડ અંકુશિત પ્રયોગને બદલે "વિવેક અને અવલોકન" પ્રયોગ હોય છે. આ ઉદાહરણ ભાગીદારો સાથે કામ કરવા માટે એક મૂલ્યવાન પ્રાયોગિક પાઠ પૂરા પાડે છે: કેટલીકવાર તમે સારવાર પહોંચાડવા માટે કોઈને સમજીને પ્રયોગ કરો છો અને કેટલીકવાર તમે કોઈને પ્રત્યુત્તર આપીને સારવાર આપવાની મંજૂરી આપતા નથી (એટલે કે, નિયંત્રણ જૂથ બનાવવા).
સહભાગીતાને લાખો સહભાગીઓ સાથે ટેક કંપનીઓ અને A / B પરીક્ષણો શામેલ કરવાની જરૂર નથી. ઉદાહરણ તરીકે, એલેક્ઝાન્ડર કોપ્કૉક, એન્ડ્રુ ગેસ અને જ્હોન ટર્નોવોસ્કી (2016) એ પર્યાવરણીય એનજીઓ-લીગ ઓફ કન્ઝર્વેશન વોટર્સ સાથે ભાગીદારી કરી હતી-સામાજિક ગતિશીલતાના પ્રોત્સાહન માટે વિવિધ વ્યૂહરચનાઓના પરીક્ષણના પ્રયોગો ચલાવવા. સંશોધકોએ એનજીઓના ટ્વિટર એકાઉન્ટનો ઉપયોગ જાહેર ટ્વીટ્સ અને પ્રાઇવેટ ડાયરેક્ટ મેસેજીસ એમ બંનેને મોકલવા માટે કર્યો છે, જેણે વિવિધ પ્રકારની ઓળખાણ માટે પ્રયાસ કર્યો. ત્યારબાદ તે માપવામાં આવ્યું હતું જેમાં લોકોએ પિટિશન પર હસ્તાક્ષર કરવા અને પિટિશન વિશેની માહિતીને રીટ્વીટ કરવા માટે પ્રોત્સાહિત કરવા માટે આ સંદેશા સૌથી અસરકારક હતા.
| વિષય | સંદર્ભ |
|---|---|
| માહિતી વહેંચણી પર ફેસબુક ન્યૂઝ ફીડનો પ્રભાવ | Bakshy, Rosenn, et al. (2012) |
| ઓનલાઈન ડેટિંગ વેબસાઇટ પરના વર્તન પર આંશિક અનામિકતાનો પ્રભાવ | Bapna et al. (2016) |
| વીજળી વપરાશ પર હોમ એનર્જી રિપોર્ટ્સનો અસર | Allcott (2011) ; Allcott and Rogers (2014) ; Allcott (2015) ; Costa and Kahn (2013) ; Ayres, Raseman, and Shih (2013) |
| વાયરલ સ્પ્રેડ પર એપ્લિકેશન ડિઝાઇનનો પ્રભાવ | Aral and Walker (2011) |
| પ્રસરણ પર ફેલાવાની પદ્ધતિનો પ્રભાવ | SJ Taylor, Bakshy, and Aral (2013) |
| જાહેરાતોમાં સામાજિક માહિતીનો પ્રભાવ | Bakshy, Eckles, et al. (2012) |
| સૂચિ દ્વારા કેટલોગ ફ્રીક્વન્સીઝ પર કેટલોગ ફ્રીક્વન્સીઝનો પ્રભાવ અને વિવિધ પ્રકારનાં ગ્રાહકો માટે ઓનલાઇન | Simester et al. (2009) |
| સંભવિત નોકરી કાર્યક્રમો પર લોકપ્રિયતા માહિતીનો પ્રભાવ | Gee (2015) |
| લોકપ્રિયતા પર પ્રારંભિક રેટિંગ્સનો પ્રભાવ | Muchnik, Aral, and Taylor (2013) |
| રાજકીય ગતિશીલતા પર સંદેશ સામગ્રીનો પ્રભાવ | Coppock, Guess, and Ternovski (2016) |
એકંદરે, શક્તિશાળી સાથે ભાગીદારીથી તમે સક્ષમ એવા સ્કેલ પર કામ કરી શકો છો કે જે અન્યથા કરવા મુશ્કેલ છે, અને ટેબલ 4.3 સંશોધકો અને સંસ્થાઓ વચ્ચે ભાગીદારીના અન્ય ઉદાહરણો પૂરા પાડે છે. ભાગીદારી તમારા પોતાના પ્રયોગના નિર્માણ કરતાં વધુ સરળ હોઈ શકે છે પરંતુ આ લાભો ગેરફાયદામાં આવે છેઃ ભાગીદારી સહભાગીઓ, સારવારો અને પરિણામો જે તમે અભ્યાસ કરી શકો છો તેને મર્યાદિત કરી શકો છો. વધુમાં, આ ભાગીદારી નૈતિક પડકારો તરફ દોરી શકે છે. ભાગીદારીની તક શોધવાનો શ્રેષ્ઠ રસ્તો એક વાસ્તવિક સમસ્યા છે જે તમે રસપ્રદ વિજ્ઞાન કરી રહ્યા હો ત્યારે હલ કરી શકો છો. જો તમને આ દુનિયાને જોવાની આ રીત નથી લાગતી, તો પાશ્ચરની ક્વાડ્રન્ટમાં સમસ્યાઓનો સામનો કરવો મુશ્કેલ બની શકે છે, પરંતુ પ્રથા સાથે, તમે તેમને વધુ અને વધુ નોટિસ શરૂ કરી શકશો.
