પ્રયોગો માપવા શું થયું. પદ્ધતિ શા માટે સમજાવે છે અને તે કેવી રીતે થયું.
સરળ પ્રયોગો બહાર ખસેડવા માટે ત્રીજા કી વિચાર પદ્ધતિઓ છે. મિકેનિઝમ્સ અમને કહો કે શા અથવા કેવી રીતે સારવાર અસર થાય છે. પદ્ધતિઓ માટે શોધ પ્રક્રિયા પણ ક્યારેક ચલો મધ્યવર્તી અથવા ચલો મધ્યસ્થી માટે જોઈ કહેવામાં આવે છે. તેમ છતાં પ્રયોગો સાધક અસરો અંદાજ માટે સારી છે, તેઓ ઘણી વખત પદ્ધતિઓ ઉઘાડી કરવા માટે રચાયેલ નથી. ડિજિટલ ઉંમર પ્રયોગો મદદ કરી શકે છે બે રીતે પદ્ધતિઓ ઓળખે છે: 1) તેઓ વધુ પ્રક્રિયા માહિતી ભેગી કરવા માટે મદદ કરે છે અને 2) તેઓ ઘણા સંબંધિત સારવાર ચકાસવા માટે મદદ કરે છે.
કારણ કે પદ્ધતિઓ ઔપચારિક વ્યાખ્યાયિત કરવા માટે મુશ્કેલ છે (Hedström and Ylikoski 2010) , હું એક સરળ ઉદાહરણ સાથે શરૂ કરવા જઇ રહ્યો છું: લાઇમ્સે અને હલકટ (Gerber and Green 2012) . 18 મી સદીમાં ડોકટરો કે જ્યારે ખલાસીઓ લાઇમ્સે ખાય તેઓ હલકટ વિચાર ન હતી એક ખૂબ સારી સૂઝ હતી. સ્કર્વી એક ભયંકર રોગ તેથી આ શક્તિશાળી માહિતી હતી. પરંતુ, આ ડોક્ટરો ખબર ન હતી શા માટે લાઇમ્સે હલકટ બચાવેલ છે. તે 1932 સુધી લગભગ 200 વર્ષ પછી ન હતી, વૈજ્ઞાનિકો વિશ્વસનીય બતાવી શકે છે કે વિટામિન સી કારણ કે ચૂનો હલકટ રોકી હતી (Carpenter 1988, p 191) . આ કિસ્સામાં, વિટામિન સી પદ્ધતિ છે, જેના દ્વારા લાઇમ્સે હલકટ (આકૃતિ 4.9) રોકે છે. અલબત્ત, પદ્ધતિ ઓળખવા ખૂબ જ મહત્વપૂર્ણ વિજ્ઞાન વૈજ્ઞાનિક ઘણાં સમજ્યા શા માટે વસ્તુઓ થાય છે તે વિશે છે. પદ્ધતિઓ ઓળખવા વ્યવહારીક ખૂબ જ મહત્વપૂર્ણ છે. એકવાર અમે સમજી શા માટે એક સારવાર કામ કરે છે, અમે સંભવિત નવી સારવારો જે પણ વધુ સારી રીતે કામ વિકાસ કરી શકે છે.
કમનસીબે, પદ્ધતિઓ અલગ ખૂબ જ મુશ્કેલ છે. લાઇમ્સે અને હલકટ વિપરીત, ઘણા સામાજિક સેટિંગ્સ, સારવાર કદાચ ઘણા જંગ માર્ગો મારફતે ચાલે છે, જે પદ્ધતિઓ અલગ અત્યંત મુશ્કેલ બનાવે છે. જો કે, સામાજિક ધોરણો અને ઊર્જા ઉપયોગ કિસ્સામાં, સંશોધકો પ્રક્રિયા માહિતી એકઠી કરે છે અને સંબંધિત સારવાર પરીક્ષણ દ્વારા પદ્ધતિઓ અલગ કરવાનો પ્રયાસ કર્યો છે.
એક રીતે શક્ય પદ્ધતિઓ ચકાસવા માટે કેવી રીતે સારવાર શક્ય પદ્ધતિઓ અસર વિશે પ્રક્રિયા માહિતી એકઠી કરવામાં આવે છે. ઉદાહરણ તરીકે, યાદ છે કે Allcott (2011) દર્શાવ્યું હતું કે હોમ એનર્જી અહેવાલો લોકો તેમના વીજળી વપરાશ ઘટે થાય છે. પરંતુ, કેવી રીતે આ અહેવાલો નીચા વીજળી વપરાશ કરે છે? પદ્ધતિઓ શું હતા? એક અનુવર્તી અભ્યાસમાં, Allcott and Rogers (2014) એક વીજ કંપનીના છે કે, એક રિબેટ કાર્યક્રમ દ્વારા, માહિતી કે જેના પર ગ્રાહકો વધુ ઊર્જા કાર્યક્ષમ મોડલ તેમના ઉપકરણો અપગ્રેડ હસ્તગત કરી હતી સાથે ભાગીદારી કરી. Allcott and Rogers (2014) કે સહેજ વધુ જોવા મળે છે હોમ એનર્જી અહેવાલો પ્રાપ્ત લોકો તેમના ઉપકરણો સુધારાયું. પરંતુ, આ તફાવત જેથી નાના છે કે તે માત્ર સારવાર ઘરોમાં ઊર્જા વપરાશમાં ઘટાડો 2% હિસ્સો ધરાવે છે શકે છે. બીજા શબ્દોમાં કહીએ તો, આ સાધન સુધારાઓ પ્રબળ પદ્ધતિ છે, જેના દ્વારા હોમ એનર્જી રિપોર્ટ વીજળી વપરાશ ઘટાડો ન હતા.
પદ્ધતિઓ અભ્યાસ માટે એક બીજો રસ્તો સારવાર સહેજ અલગ આવૃત્તિઓ સાથે પ્રયોગો ચાલે છે. ઉદાહરણ તરીકે, પ્રયોગ Schultz et al. (2007) અને બધા વારાફરતી હોમ એનર્જી રિપોર્ટ પ્રયોગો, સહભાગીઓ એક સારવાર બે મુખ્ય ભાગો 1) ઊર્જા બચત વિશે ટિપ્સ અને 2) વિશે તેમના સાથીદારોએ (આકૃતિ 4.6) તેમના ઊર્જા ઉપયોગ સંબંધિત માહિતી ધરાવે છે સાથે પૂરી પાડવામાં આવતી હતી. આમ, તે શક્ય છે કે ઊર્જા બચત ટિપ્સ શું ફેરફાર નથી પીઅર માહિતી કારણે છે. શક્યતા છે કે એકલા ટિપ્સ પૂરતી કરવામાં આવી છે શકે આકારણી કરવા માટે, Ferraro, Miranda, and Price (2011) એટલાન્ટા, જીએ નજીક પાણી કંપની સાથે ભાગીદારી કરી છે, અને લગભગ 1,00,000 ઘરોમાં સંડોવતા જળ સંરક્ષણ પર સંબંધિત પ્રયોગ ચાલી હતી. ચાર શરતો હતા:
સંશોધકોએ શોધી કાઢ્યું છે કે ટિપ્સ માત્ર ટ્રીટમેન્ટ શોર્ટ (એક વર્ષ) માં પાણી વપરાશ, મધ્યમ (બે વર્ષ), અને લાંબા (ત્રણ વર્ષ) શબ્દ પર કોઈ અસર પડી હતી. ટિપ્સ + અપીલ સારવાર પાણી વપરાશ ઘટાડો સહભાગીઓ કારણે છે, પરંતુ માત્ર ટૂંકા ગાળાના છે. છેલ્લે, ટીપ્સ + અપીલ + પીઅર માહિતી કારણે સારવાર (આકૃતિ 4.10) ટૂંકા, મધ્યમ વપરાશ, અને લાંબા ગાળાના ઘટાડો થયો છે. અનબંડલ સારવાર સાથે પ્રયોગો આ પ્રકારની સારવાર અથવા જે ભાગો છે કે જે ભાગ બહાર આકૃતિ માટે એક સારો માર્ગ છે કે રાશિઓ અસર થઈ રહ્યો છે સાથે-છે (Gerber and Green 2012, Sec. 10.6) . ઉદાહરણ તરીકે, ફેરારો અને સાથીદારો પ્રયોગ દર્શાવે છે કે અમને પાણી સાચવી ટિપ્સ એકલા પાણી વપરાશ ઘટાડો કરવા માટે પૂરતી નથી.
આદર્શરીતે, એક ઘટકો layering બહાર ખસેડવા કરશે (ટીપ્સ; ટિપ્સ + અપીલ; ટિપ્સ + અપીલ + પીઅર માહિતી) સંપૂર્ણ કારણદર્શી ડિઝાઇન પણ ક્યારેક \ (2 ^ k \) કહેવાય કારણદર્શી ડિઝાઇન જ્યાં દરેક શક્ય મિશ્રણ ત્રણ ઘટકો (કોષ્ટક 4.1) ચકાસાયેલ છે. ઘટકો દરેક શક્ય મિશ્રણ પરીક્ષણ દ્વારા, સંશોધકો સંપૂર્ણપણે એકલતા અને મિશ્રણ માં દરેક ઘટક અસર આકારણી કરી શકો છો. ઉદાહરણ તરીકે, ફેરારો અને સાથીદારો પ્રયોગ ઉઘાડી નથી પીઅર એકલા સરખામણી વર્તન લાંબા ગાળાના ફેરફારો તરફ દોરી કરવા માટે પૂરતી કરવામાં આવી છે કે કેમ તે. ભૂતકાળમાં, આ સંપૂર્ણ કારણદર્શી ડિઝાઇન કારણ કે તેઓ સહભાગીઓ મોટી સંખ્યામાં જરૂર પડે છે અને તેઓ સંશોધકો ચોક્કસપણે નિયંત્રિત અને સારવાર મોટી સંખ્યામાં પહોંચાડવા માટે સમર્થ થવા માટે જરૂરી ચલાવવા માટે મુશ્કેલ છે. પરંતુ, ડિજિટલ વય કેટલીક પરિસ્થિતિ માં આ હેરફેર પરિમાણોને 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 |
સારમાં, પદ્ધતિઓ-માર્ગો છે જેના દ્વારા એક સારવાર છે અતિ મહત્વપૂર્ણ અસર થાય છે. ડિજિટલ ઉંમર પ્રયોગો મદદ કરી શકે છે સંશોધકો) 1 દ્વારા પદ્ધતિઓ વિશે જાણવા પ્રક્રિયા માહિતી એકઠી કરે છે અને 2) સંપૂર્ણ કારણદર્શી ડિઝાઇન સક્રિય. આ અભિગમ દ્વારા સૂચવવામાં પદ્ધતિઓ પછી પ્રયોગો ખાસ પદ્ધતિઓ ચકાસવા માટે રચાયેલ દ્વારા સીધા પરીક્ષણ કરી શકો છો (Ludwig, Kling, and Mullainathan 2011; Imai, Tingley, and Yamamoto 2013; Pirlott and MacKinnon 2016) .
કુલ, આ ત્રણ વિભાવનાઓ-માન્યતા; સારવાર અસરો વૈવિધ્યનો; અને ડિઝાઇન અને પ્રયોગો અર્થઘટન માટે વિચારો એક શક્તિશાળી સમૂહ પદ્ધતિઓ-પૂરી પાડે છે. આ વિચારો મદદ સંશોધકો શું સમૃદ્ધ પ્રયોગો કે સિદ્ધાંત સજ્જડ કડીઓ છે, કે જે જણાવે છે કે અને શા માટે સારવાર કામ કરવા માટે "કામ" વિશે સરળ પ્રયોગો બહાર ખસેડવા માટે, અને તે પણ સંશોધકો વધુ અસરકારક સારવાર ડિઝાઇન મદદ કરી શકે છે. પ્રયોગો વિશે આ કાલ્પનિક પૃષ્ઠભૂમિ આપેલ છે, હું હવે કેવી રીતે તમે ખરેખર તમારા પ્રયોગો શક્ય બની શકે છે માટે ચાલુ પડશે.