4.6.1 શૂન્ય ચલ ખર્ચ ડેટા બનાવો

મોટા પ્રયોગો ચાલી કી શૂન્ય તમારા ચલ ખર્ચ ડ્રાઇવિંગ છે. આ કરવા માટે શ્રેષ્ઠ રીતે ઓટોમેશન અને આનંદપ્રદ પ્રયોગો ડિઝાઇન કરવામાં આવે છે.

ડિજિટલ પ્રયોગો નાટ્યાત્મક અલગ ખર્ચ માળખાં હોય છે અને આ સંશોધકો પ્રયોગો કે ભૂતકાળમાં અશક્ય હતા ચલાવવા માટે સક્રિય કરે છે કરી શકો છો. વધુ ખાસ રીતે, પ્રયોગો સામાન્ય રીતે ખર્ચ બે મુખ્ય પ્રકારો છે:. નિયત ખર્ચ અને ચલ ખર્ચ નિયત ખર્ચ ખર્ચ કે તમે કેવી રીતે ઘણા સહભાગીઓએ છે તેના પર આધાર રાખીને બદલી નથી. ઉદાહરણ તરીકે, એક પ્રયોગશાળા પ્રયોગ, નિયત ખર્ચ જગ્યા ભાડે અને ફર્નિચર ખરીદી કિંમત તમે કેટલા સહભાગીઓ છે તેના પર આધાર રાખીને હોઈ શકે છે. ચલ ખર્ચ, પ્રશ્નની બીજી બાજુએ, બદલો. ઉદાહરણ તરીકે, એક પ્રયોગશાળા પ્રયોગ, ચલ ખર્ચ સ્ટાફ અને સહભાગીઓ ભરવા આવી શકે છે. સામાન્ય રીતે, એનાલોગ પ્રયોગો નીચા નિયત ખર્ચ અને ઉચ્ચ ચલ ખર્ચ હોય છે, અને ડિજિટલ પ્રયોગો ઊંચી નિયત ખર્ચ અને નીચા ચલ ખર્ચ (આકૃતિ 4.18) છે. યોગ્ય ડિઝાઇન સાથે, તમે શૂન્ય બધી રીતે તમારા પ્રયોગ ચલ ખર્ચ વાહન કરી શકો છો, અને આ ઉત્તેજક સંશોધન તકો બનાવી શકો છો.

આકૃતિ 4.18: એનાલોગ અને ડિજિટલ પ્રયોગો ખર્ચ માળખાં યોજનાકીય. સામાન્ય રીતે, એનાલોગ પ્રયોગો નીચા નિયત ખર્ચ અને ઉચ્ચ ચલ ખર્ચ છે, જ્યારે ડિજિટલ પ્રયોગો ઊંચી નિયત ખર્ચ અને નીચા ચલ ખર્ચ છે. વિવિધ ખર્ચ માળખાં અર્થ ડિજિટલ પ્રયોગો માપક્રમ છે કે જે એનાલોગ પ્રયોગો સાથે શક્ય નથી ચલાવી શકો છો છે.

ચલ ખર્ચ ચૂકવણી બે મુખ્ય ઘટકો સ્ટાફ અને ચૂકવણી છે સહભાગીઓ અને આ દરેક અલગ અલગ વ્યૂહરચના ઉપયોગ શૂન્ય નહીં કરી શકે છે. ચુકવણીઓ કામ સ્ટેમ સ્ટાફ સંશોધન મદદનીશો સહભાગીઓ ભરતી નથી, સારવાર પહોંચાડવા, અને પરિણામો માપવા. ઉદાહરણ તરીકે, સ્કલ્ટ્સ અને સાથીદારો એનાલોગ ક્ષેત્ર પ્રયોગ (2007) સામાજિક ધોરણો અને વીજળી વપરાશ જરૂરી સંશોધન મદદનીશો પર દરેક ઘર મુસાફરી સારવાર પહોંચાડવા અને ઇલેક્ટ્રિક મીટર વાંચવા માટે (આકૃતિ 4.3). સંશોધન મદદનીશો સુધીમાં તો આ પ્રયાસો તમામ અર્થ થાય છે કે અભ્યાસ કરવા માટે એક નવી ઘરગથ્થુ ઉમેરી ખર્ચ ઉમેરવામાં આવશે. બીજી બાજુ, Restivo અને વેન દે Rijt ડિજિટલ ક્ષેત્ર પ્રયોગ માટે (2012) વિકિપીડિયા પારિતોષિકો પર, સંશોધકો વધુ સહભાગીઓ વર્ચ્યુઅલ કોઈ કિંમત ઉમેરો કરી શકે છે. ચલ વહીવટી ખર્ચ ઘટાડવા માટે એક સામાન્ય વ્યૂહરચના માનવ કામ (જે ખર્ચાળ છે) કમ્પ્યુટર સાથે કામ (જે સસ્તા છે) બદલવા માટે છે. આશરે, તમે તમારી જાતને પૂછી શકો છો: આ પ્રયોગ ચલાવી શકો છો, જ્યારે મારા સંશોધન ટીમ પર દરેક ઊંઘ આવે છે? જો જવાબ હા હોય, તો તમે ઓટોમેશન એક મહાન કામ કર્યું છે.

ચલ ખર્ચ બીજા મુખ્ય પ્રકાર સહભાગીઓ માટે ચૂકવણી છે. કેટલાક સંશોધકો એમેઝોન યાંત્રિક ટર્ક અને અન્ય ઓનલાઈન શ્રમ બજારમાં વપરાય છે ચૂકવણી કે સહભાગીઓ માટે જરૂરી છે ઘટાડો. શૂન્ય ચલ ખર્ચ બધી રીતે વાહન, તેમ છતાં, એક અલગ પ્રકારનો અભિગમ જરૂરી છે. એક લાંબા સમય માટે, સંશોધકો પ્રયોગો જેથી કંટાળાજનક છે કે તેઓ લોકો ભાગ ચૂકવવા પડશે રચાયેલ છે. પરંતુ, શું તમે એક પ્રયોગ કે લોકો કરવા માંગો છો, શકે તો શું? આ અત્યાર સુધી મેળવ્યાં ધ્વનિ શકે છે, પરંતુ હું તમને એક ઉદાહરણ નીચે મારા પોતાના કામ આપી શકશો, અને ત્યાં ટેબલ 4.4 વધુ ઉદાહરણો છે. નોંધ કરો કે આનંદપ્રદ પ્રયોગો ડિઝાઇન કરવા માટે આ અભિગમ વધુ આનંદપ્રદ સર્વેક્ષણ ડિઝાઇન અને પ્રકરણ 5 માસ સહયોગ ડિઝાઇન સંબંધિત સંબંધિત પ્રકરણ 3 થીમ્સ કેટલાક સર્જાતી. આમ, મને લાગે છે કે સહભાગી આનંદ શું વપરાશકર્તા કહેવાય શકે અનુભવ કરશે ડિજિટલ વય માં સંશોધન ડિઝાઇન એક વધુને વધુ મહત્વપૂર્ણ ભાગ છે.

તમે શૂન્ય ચલ ખર્ચ પ્રયોગો બનાવવા માંગો છો તો તમે ખાતરી કરો કે બધું સંપૂર્ણપણે ઓટોમેટ થયેલ છે અને સહભાગીઓ કોઇ ચૂકવણી જરૂર નથી કે જે માંગો છો પડશે. ક્રમમાં આ કેવી રીતે શક્ય છે તે બતાવવા માટે, હું સફળતા અને સાંસ્કૃતિક ઉત્પાદનો નિષ્ફળતા પર મારા મહાનિબંધ સંશોધન વર્ણન કરીશું. આ ઉદાહરણ પણ બતાવે છે કે શૂન્ય ચલ ખર્ચ ડેટા ફક્ત વસ્તુઓ સસ્તા કરવાનું હોતું નથી. તેના બદલે, તે પ્રયોગો કે અન્યથા શક્ય નથી હશે સક્રિય છે.

મારા મહાનિબંધ સાંસ્કૃતિક ઉત્પાદનો માટે સફળતા કોયડારૂપ મૂંઝવનારું પ્રકૃતિ દ્વારા પ્રોત્સાહિત કરવામાં આવી હતી. હિટ ગીતો, શ્રેષ્ઠ પુસ્તકો વેચાણ, અને બ્લોકબસ્ટર ફિલ્મો ખૂબ, ખૂબ સરેરાશ કરતાં વધુ સફળ થાય છે. આ કારણે, આ ઉત્પાદનો માટે બજારોમાં ઘણી વખત "વિજેતા-લે-બધા" બજારોમાં કહેવામાં આવે છે. હજુ સુધી, તે જ સમયે, જે ચોક્કસ ગીત, પુસ્તક, અથવા ફિલ્મ સફળ બની જશે અતિ અણધારી છે. પટકથા વિલિયમ ગોલ્ડમેન (1989) લેવા વિજેતા બધા સુંદર ના unpredictability કહે છે કે, જ્યારે તે સફળતા અનુમાન કરવા માટે આવે છે, દ્વારા શૈક્ષણિક સંશોધન ઘણાં નિષ્કર્ષ "કોઈએ કશું જાણે છે." બજારોમાં મને આશ્ચર્ય કેવી રીતે સફળતા ખૂબ એક પરિણામ છે ગુણવત્તા અને કેટલી માત્ર નસીબ છે. અથવા, સહેજ અલગ વ્યક્ત જો આપણે સમાંતર વિશ્વનો બનાવવા અને તેમને બધા સ્વતંત્ર વિકસે છે, એ જ ગીતો દરેક વિશ્વમાં લોકપ્રિય બની રહેશે કરી શકે છે? અને, જો નહિં, તો શું પદ્ધતિ છે કે જે આ તફાવતો માટેનું કારણ બને છે હોઈ શકે છે?

આ પ્રશ્નોના જવાબ આપવા માટે, આપણે પીટર Dodds, ડંકન વોટ્સ (મારા મહાનિબંધ સલાહકાર), અને ઑનલાઇન ક્ષેત્ર પ્રયોગો શ્રેણીબદ્ધ હું ચાલી હતી. ખાસ કરીને, અમે જ્યાં લોકો નવા સંગીત શોધી શકે છે એક વેબસાઇટ MusicLab કહેવાય બનેલ છે, અને અમે પ્રયોગો શ્રેણીબદ્ધ માટે વપરાય છે. અમે છે (આકૃતિ 4.19) એક યુવા રસ વેબસાઇટ પર બેનર જાહેરાતો ચલાવીને અને મીડિયા ઉલ્લેખ દ્વારા સહભાગીઓ ભરતી કરી હતી. અમારી વેબસાઇટ પૂરી પાડવામાં જાણકાર સંમતિ પર પહોંચ્યા સહભાગીઓ, ટૂંકા પૃષ્ઠભૂમિ પ્રશ્નાવલી પૂર્ણ છે, અને રેન્ડમ બે પ્રાયોગિક શરતો સ્વતંત્ર અને સામાજિક પ્રભાવ એક સોંપેલ હતા. સ્વતંત્ર પરિસ્થિતિ માં, સહભાગીઓ માત્ર બેન્ડ અને ગીતો નામો આપવામાં આવે છે, જે નિર્ણયો વિશે ગીતો સાંભળવા માટે કરી હતી. ગીત સાંભળી છે, સહભાગીઓ તેને રેટ કરવા માટે કે જે પછી તેઓ ગીત ડાઉનલોડ કરવા માટે તક (પરંતુ જવાબદારી) હતી કહેવામાં આવ્યું હતું. સામાજિક પ્રભાવ પરિસ્થિતિ માં, સહભાગીઓ, એ જ અનુભવ હતો, સિવાય કે તેઓ પણ જોઈ શકે છે કેવી રીતે ઘણી વખત દરેક ગીત અગાઉના સહભાગીઓ દ્વારા ડાઉનલોડ કરવામાં આવી હતી. વધુમાં, સામાજિક પ્રભાવ સ્થિતિમાં સહભાગીઓને અવ્યવસ્થિત આઠ સમાંતર વિશ્વનો જેમાં દરેક સ્વતંત્ર રીતે વિકસ્યું છે (આકૃતિ 4.20) એક સોંપેલ હતા. આ ડિઝાઇન ઉપયોગ કરીને, અમે બે સંબંધિત પ્રયોગો ચાલી હતી. પ્રથમ, અમે સહભાગીઓ ગીતો એક ક્રમમાંગોઠવાયેલનથી ગ્રીડ રજૂ જે તેમને લોકપ્રિયતા એક નબળા સંકેત પાડવામાં આવેલ છે. બીજા પ્રયોગમાં, અમે (આકૃતિ 4.21) ક્રમ યાદી છે, જે લોકપ્રિયતા ખૂબ મજબૂત સંકેત પૂરી પાડવામાં ગીતો રજૂ કરી હતી.

આકૃતિ 4.19 કે મારા સાથીદારો અને હું MusicLab પ્રયોગો માટે સહભાગીઓ ભરતી કરવા માટે વપરાય બેનર જાહેરખબર એક ઉદાહરણ (Salganik, Dodds, and Watts 2006) .

આકૃતિ 4.20: MusicLab પ્રયોગો માટે પ્રાયોગિક ડિઝાઇન (Salganik, Dodds, and Watts 2006) . સ્વતંત્ર અને સામાજિક પ્રભાવ: સહભાગીઓ રેન્ડમ બે શરતો એકમાં સોંપેલ હતા. સ્વતંત્ર સ્થિતિમાં સહભાગીઓને અન્ય લોકો શું કર્યું હતું તે વિષે કોઇ માહિતી વગર તેમના પસંદગીઓ કરી હતી. સામાજિક પ્રભાવ સ્થિતિમાં સહભાગીઓને અવ્યવસ્થિત એક આઠ સમાંતર વિશ્વનો, અગાઉના સહભાગીઓ ની તેમના વિશ્વમાં દરેક ગીત ડાઉનલોડ દ્વારા માપવામાં જ્યાં તેઓ તરીકે લોકપ્રિયતા જુઓ શકે માં સોંપાયેલ હતા, પરંતુ તેઓ કોઇ માહિતી નથી જોઈ શકે છે, કે તેઓ પણ કર્યું અસ્તિત્વ, અન્ય વિશ્વોની કોઈપણ વિશે ખબર.

અમે જાણવા મળ્યું છે કે ગીતો લોકપ્રિયતા વિશ્વોની નસીબ એક મહત્વપૂર્ણ ભૂમિકા સૂચવે સમગ્ર જુદા પડે છે. ઉદાહરણ તરીકે, એક વિશ્વમાં ગીત "લોકડાઉન" 52Metro દ્વારા 1 લી આવ્યા, અને અન્ય વિશ્વમાં તે 48 ગાયન બહાર 40 મી આવ્યા હતા. આ બરાબર બધા જ ગીતો સામે સ્પર્ધા જ ગીત હતું, પરંતુ એક વિશ્વમાં તે નસીબદાર મળી અને અન્ય તેને ન હતી. વધુમાં, બે પ્રયોગો સમગ્ર પરિણામો સરખામણી દ્વારા જાણવા મળ્યું હતું કે સામાજિક પ્રભાવ વધુ અસમાન સફળતા, જે કદાચ અનુમાન દેખાવ બનાવે છે તરફ દોરી જાય છે. પરંતુ, વિશ્વોની (જે સમાંતર વિશ્વનો પ્રયોગ આ પ્રકારની બહાર કરી શકાય છે) સમગ્ર છીએ, અમે જાણવા મળ્યું છે કે સામાજિક પ્રભાવ ખરેખર unpredictability વધારો થયો છે. વધુમાં, આશ્ચર્યજનક છે, તે છે કે મોટા ભાગના અણધારી પરિણામો છે (આકૃતિ 4.22) સૌથી વધુ અપીલ ગાયન હતી.

આકૃતિ 4.21: MusicLab પ્રયોગો સામાજિક પ્રભાવ શરતો સ્ક્રીનશોટ (Salganik, Dodds, and Watts 2006) . પ્રયોગ 1 સામાજિક પ્રભાવ પરિસ્થિતિ માં, ગીતો, અગાઉના ડાઉનલોડ સંખ્યા સાથે, એક 16 એક્સ 3 લંબચોરસ ગ્રીડ, જ્યાં ગીતો સ્થિતિ રેન્ડમ દરેક સહભાગી માટે મોકલવામાં આવ્યા ગોઠવાય સહભાગીઓ માટે રજૂ કરવામાં આવ્યા હતા. પ્રયોગ 2, સામાજિક પ્રભાવ સ્થિતિમાં સહભાગીઓને ડાઉનલોડ ગણતરીઓ વર્તમાન લોકપ્રિયતા ઉતરતા ક્રમમાં એક સ્તંભમાં રજૂ સાથે, ગીતો બતાવ્યા હતા.

આકૃતિ 4.22: અપીલ અને સફળતા વચ્ચે સંબંધ દર્શાવે MusicLab પ્રયોગો ના પરિણામો (Salganik, Dodds, and Watts 2006) . X- અક્ષ સ્વતંત્ર વિશ્વમાં ગીત, જે ગીત અપીલ એક માપદંડ તરીકે સેવા આપે છે બજાર હિસ્સો છે, અને વાય-અક્ષ જે સેવા આપે છે 8 સામાજિક પ્રભાવ જગતમાં જ ગીત, બજાર હિસ્સો છે ગીતો સફળતા એક માપદંડ તરીકે. અમે જાણવા મળ્યું છે કે સામાજિક પ્રભાવ કે સહભાગીઓ વધી અનુભવ-ખાસ કરીને, પ્રયોગ 1 થી લેઆઉટ ફેરફાર 2 પ્રયોગ કરવા (આકૃતિ 4.21) સફળતા -caused સૌથી વધુ અપીલ ગીતો માટે ખાસ કરીને, વધુ અણધારી બની જાય છે.

MusicLab કારણ કે જે રીતે તે કરવામાં આવી હતી ઓછામાં અનિવાર્યપણે શૂન્ય ચલ ખર્ચ ચલાવવા માટે સક્ષમ હતી. પ્રથમ, બધું સંપૂર્ણપણે ઓટોમેટ તેથી તે જ્યારે હું ઊંઘ આવી હતી ચલાવવા માટે સક્ષમ હતી. બીજું, વળતર મફત સંગીત હતું જેથી કોઇ ચલ સહભાગી વળતર કિંમત હતી. વળતર તરીકે સંગીત ઉપયોગ પણ સમજાવે છે કે કેવી રીતે ક્યારેક ત્યાં નિયત ખર્ચ અને ચલ ખર્ચ વચ્ચે મડાગાંઠ. નો ઉપયોગ કરીને સંગીત નિયત ખર્ચ વધી કારણ કે હું બેન્ડ પાસેથી પરવાનગી સુરક્ષિત અને તેમના સંગીત 'સહભાગીઓ પ્રતિક્રિયા વિશે બેન્ડ માટે અહેવાલો તૈયાર સમય પસાર કરવા માટે હતી. પરંતુ, આ કિસ્સામાં, ક્રમમાં ચલો ખર્ચ ઘટાડવા માટે નિયત ખર્ચ વધી જાય છે કરવા માટે અધિકાર બાબત હતી; કે શું અમને સક્ષમ પ્રયોગ હતું કે આશરે 100 વખત પ્રમાણભૂત લેબ પ્રયોગ કરતાં મોટી ચલાવવા માટે છે.

વધુમાં, MusicLab પ્રયોગો દર્શાવે છે કે શૂન્ય ચલ ખર્ચ પોતે અંત હોય છે નથી; તેના બદલે, તે આ પ્રયોગ એક નવા પ્રકારની ચલાવી માટે એક સાધન બની શકે છે. નોંધ કરો કે અમે અમારા સહભાગીઓ બધા પ્રમાણભૂત સામાજિક પ્રભાવ લેબ પ્રયોગ 100 વખત ચલાવવા માટે ઉપયોગ કર્યો ન હતો. તેના બદલે, અમે કંઈક અલગ છે, કે જે તમને એક મનોવૈજ્ઞાનિક પ્રયોગ એક સામાજિક પ્રયોગ પર સ્વિચ તરીકે વિચાર કરી શકે છે (Hedström 2006) . તેના બદલે વ્યક્તિગત નિર્ણય પર ધ્યાન કેન્દ્રિત કરતાં, અમે એક સામૂહિક પરિણામ લોકપ્રિયતા પર અમારા પ્રયોગ ધ્યાન કેન્દ્રિત કર્યું. એક સામૂહિક પરિણામ આ સ્વીચ અર્થ થાય છે કે અમે 700 સહભાગીઓ જરૂરી એક માહિતી બિંદુ પેદા કરવા માટે (ત્યાં સમાંતર વિશ્વનો દરેક 700 લોકો હતા.) કે સ્કેલ પ્રયોગ કિંમત માળખું કારણે જ શક્ય હતો. સામાન્ય રીતે, જો સંશોધકો અભ્યાસ કેવી રીતે સામૂહિક પરિણામો વ્યક્તિગત નિર્ણયો માંથી પેદા થાય છે કરવા માંગો છો, જેમ કે MusicLab જૂથ પ્રયોગો ખૂબ જ ઉત્તેજક છે. ભૂતકાળમાં, તેઓ logistically મુશ્કેલ છે, પરંતુ તે મુશ્કેલીઓ શૂન્ય ચલ ખર્ચ માહિતી શક્યતા છે કારણ કે લુપ્ત થાય છે.

શૂન્ય ચલ ખર્ચ માહિતી લાભ દર્શાવતો ઉપરાંત, MusicLab પ્રયોગો પણ આ અભિગમ સાથે એક પડકાર બતાવો: ઊંચી નિયત ખર્ચ. મારા કિસ્સામાં, હું અત્યંત પ્રયોગ રચવા લગભગ છ મહિના માટે પીટર Hausel નામના પ્રતિભાશાળી વેબ ડેવલપર સાથે કામ કરવા માટે સમર્થ થવા માટે નસીબદાર હતી. આ માત્ર ત્યારે જ શક્ય હતી, કારણ કે મારા સલાહકાર, ડંકન વોટ્સ, અનુદાન એક નંબર સંશોધન આ પ્રકારની આધાર આપવા માટે મળી હતી. ટેકનોલોજી કારણ કે અમે 2004 માં MusicLab બાંધવામાં સુધારો થયો છે, અને તે હવે આ જેમ એક પ્રયોગ બિલ્ડ કરવા માટે ખૂબ સરળ હશે. પરંતુ, ઊંચી નિયત ખર્ચ વ્યૂહરચના સંશોધકો છે, જેઓ કોઈક તે ખર્ચ આવરી લે છે માટે ખરેખર માત્ર શક્ય છે.

અંતમા, ડિજિટલ પ્રયોગો એનાલોગ પ્રયોગો કરતાં નાટ્યાત્મક અલગ ખર્ચ માળખાં હોઈ શકે છે. તમે ખરેખર મોટી પ્રયોગો ચલાવવા માંગો છો, તો તમે 0 થી શક્ય તેટલી અને આદર્શ બધી રીતે તમારા ચલ ખર્ચ ઘટાડવા માટે તમે તમારા પ્રયોગ મિકેનિક્સ સ્વયં દ્વારા આ કરી શકો છો પ્રયાસ કરીશું (દા.ત., કમ્પ્યુટર સમય સાથે માનવ સમય બદલીને) અને પ્રયોગો છે કે જે લોકો પ્રયત્ન કરવા માંગો છો ડિઝાઇન. સંશોધકો છે, જેઓ આ સુવિધાઓ સાથે પ્રયોગો ડિઝાઇન કરી શકે છે પ્રયોગો કે ભૂતકાળમાં શક્ય ન હતા નવા પ્રકારના ચલાવવા માટે સમર્થ હશે.