4.3 પ્રયોગો બે પરિમાણો: લેબ ક્ષેત્ર અને એનાલોગ-ડિજિટલ

પ્રયોગશાળામાં પ્રયોગો નિયંત્રણ આપે છે, ક્ષેત્ર પ્રયોગો વાસ્તવવાદ આપે છે, અને ડિજિટલ ક્ષેત્ર પ્રયોગો સ્કેલ પર નિયંત્રણ અને વાસ્તવવાદ ભેગા કરો.

પ્રયોગો વિવિધ આકારો અને કદમાં આવે છે. પરંતુ, આ તફાવત હોવા છતાં, સંશોધકો તે મદદરૂપ પ્રયોગશાળામાં પ્રયોગો અને ક્ષેત્ર પ્રયોગો વચ્ચે એક અખંડ સાથે પ્રયોગો આયોજન જોવા મળે છે. હવે, જો કે, સંશોધકો પણ પ્રયોગો એનાલોગ પ્રયોગો અને ડિજિટલ પ્રયોગો વચ્ચે એક અખંડ સાથે આયોજન જોઈએ. આ બે પરિમાણીય ડિઝાઇન જગ્યા તમે શક્તિ અને જુદા જુદા અભિગમો નબળાઈઓ છે (આકૃતિ 4.1) મહાન તક વિસ્તારોમાં સમજવા અને સૂચવે છે માટે મદદ કરશે.

આકૃિત 4.1: પ્રયોગો માટે ડિઝાઇન જગ્યા યોજનાકીય. ભૂતકાળમાં, પ્રયોગો લેબ ક્ષેત્ર પરિમાણ સાથે અલગ પડે છે. હવે, તેઓ પણ એનાલોગ-ડિજિટલ પરિમાણ પર બદલાય છે. મારા મતે, મહાન તક વિસ્તાર ડિજિટલ ક્ષેત્ર પ્રયોગો છે.

ભૂતકાળમાં, મુખ્ય માર્ગ છે કે સંશોધકો પ્રયોગો આયોજન લેબ ક્ષેત્ર પરિમાણ સાથે હતી. સામાજિક વિજ્ઞાન પ્રયોગો બહુમતી પ્રયોગશાળામાં પ્રયોગો જ્યાં અંડરગ્રેજ્યુએટ વિદ્યાર્થીઓ કોર્સ ક્રેડિટ માટે એક પ્રયોગશાળા વિચિત્ર કાર્યો કરે છે. પ્રયોગ આ પ્રકારના મનોવિજ્ઞાન સંશોધન પર પ્રભુત્વ ધરાવે છે, કારણ કે તે સામાજિક વર્તન વિશે ખૂબ જ ચોક્કસ સિદ્ધાંતો ચકાસવા માટે રચાયેલ ખૂબ જ ચોક્કસ સારવાર બનાવવા માટે સંશોધકો સક્રિય કરે છે. અમુક સમસ્યાઓ માટે, જોકે, કંઈક આવા અસામાન્ય લોકો જેમ કે અસામાન્ય સેટિંગ આવા અસામાન્ય ક્રિયાઓ માનવ વર્તન વિશે મજબૂત તારણો ચિત્રકામ વિશે થોડી વિચિત્ર લાગે છે. આ જ પ્રકારની ચિંતા ક્ષેત્ર પ્રયોગો તરફ એક આંદોલન તરફ દોરી ગયા. ક્ષેત્ર પ્રયોગો, વધુ કુદરતી સેટિંગ્સ સહભાગીઓ વધુ પ્રતિનિધિ જૂથો સાથે રેન્ડમાઇઝ્ડ નિયંત્રણ પ્રયોગો મજબૂત ડિઝાઇન ભેગા વધુ સામાન્ય ક્રિયાઓ.

તેમ છતાં કેટલાક લોકો પદ્ધતિઓ સ્પર્ધા તરીકે લેબ અને ક્ષેત્ર પ્રયોગો યાદ આવે છે, તેને અલગ અલગ શક્તિ અને નબળાઈઓ સાથે પૂરક પદ્ધતિઓ તરીકે તેમને લાગે છે માટે શ્રેષ્ઠ છે. ઉદાહરણ તરીકે, Correll, Benard, and Paik (2007) બંને લેબ પ્રયોગ અને સ્ત્રોત "માતાની દંડ." યુનાઇટેડ સ્ટેટ્સ શોધવા માટે પ્રયાસ એક ક્ષેત્ર પ્રયોગ માટે વપરાય છે, માતાઓ નિઃસંતાન સ્ત્રીઓ કરતાં ઓછા પૈસા કમાઇ, ત્યારે પણ સમાન સમાન નોકરી કામ કુશળતા સાથે સરખામણી સ્ત્રીઓ. આ પેટર્ન માટે ઘણા શક્ય સ્પષ્ટતા હોય છે, અને એક કે નોકરીદાતાઓ માતાઓ સામે પક્ષપાતી આવે છે. (રસપ્રદ, વિરુદ્ધ પિતા માટે સાચું લાગે છે: તેઓ તુલનાત્મક નિઃસંતાન પુરુષો કરતાં વધુ કમાઈ હોય છે). લેબ એક અને ક્ષેત્રમાં એક: ઓર્ડર માતાઓ સામે શક્ય પૂર્વગ્રહ આકારણી માટે, Correll અને સહકર્મીઓ બે પ્રયોગો ચાલી હતી.

પ્રથમ, એક પ્રયોગશાળા પ્રયોગ Correll અને સાથીદારો, સહભાગીઓ, જે કોલેજ અંડરગ્રેજ્યુએટ હતા જણાવ્યું હતું કે એક કેલિફોર્નિયા સ્થિત સ્ટાર્ટ અપ સંચાર કંપની એક વ્યક્તિ તેના નવા ઇસ્ટ કોસ્ટ માર્કેટિંગ વિભાગ તરફ દોરી માટે રોજગાર શોધ કરવા આવી હતી. વિદ્યાર્થીઓ કહ્યું હતું કે કંપની ભાડે પ્રક્રિયા તેમની મદદ માગે છે અને તેઓ કેટલાક સંભવિત ઉમેદવારો શરૂ સમીક્ષા કરવા અને તેમના બુદ્ધિ, હૂંફ, અને પ્રતિબદ્ધતા તરીકે કામ કરવા માટે પરિમાણો એક નંબર પર ઉમેદવારો રેટ ભૂલી નથી કહેવામાં આવ્યું હતું. વધુમાં, વિદ્યાર્થીઓ તેઓ અરજદાર અને તેઓ શું શરૂ પગાર તરીકે ભલામણ કરશે ભાડે ભલામણ કરશે કહેવામાં આવ્યું હતું. વિદ્યાર્થીઓ માટે અજ્ઞાત, જો કે, શરૂ ખાસ એક વસ્તુ માટે સિવાય સમાન હોઈ બાંધવામાં આવી હતી: શરૂ કેટલાક માતાની સંકેત (પિતૃ-શિક્ષક સંઘ સંડોવણી યાદી દ્વારા) અને કેટલાક ન હતી. Correll જાણવા મળ્યું છે કે વિદ્યાર્થીઓ ઓછી માતાઓ ભાડે ભલામણ થવાની શક્યતા હતી અને તેમને નીચા શરૂ પગાર ઓફર કરે છે. વધુમાં, બંને રેટિંગ્સ અને ભાડે સંબંધિત નિર્ણયો આંકડાકીય વિશ્લેષણ મારફતે, Correll જાણવા મળ્યું છે કે 'માતાઓ ગેરફાયદા મોટે ભાગે એ હકીકત છે કે માતાઓ યોગ્યતા અને પ્રતિબદ્ધતા દ્રષ્ટિએ નીચા રેટ કર્યું હતી દ્વારા સમજાવી હતી. અન્ય શબ્દોમાં, Correll દલીલ કરે છે કે આ લક્ષણો પદ્ધતિ છે, જેના દ્વારા માતાઓ વંચિત છે. આમ, આ લેબ પ્રયોગ સાધક અસર માપવા અને તે અસર માટે શક્ય સમજૂતી પૂરી પાડે છે Correll અને સહકર્મીઓ મંજૂરી આપી હતી.

અલબત્ત, એક સો થોડા અંડરગ્રેજ્યુએટ જે કદાચ ક્યારેય એક સંપૂર્ણ સમય કામ કરી છે, એકલા દો લોકો ભાડે નિર્ણયો પર આધારિત સમગ્ર યુએસ શ્રમ બજાર વિશે તારણો ચિત્રકામ વિશે શંકા હોઇ શકે છે. તેથી, Correll અને સહકર્મીઓ પણ એક પૂરક ક્ષેત્ર પ્રયોગ હાથ ધર્યું હતું. સંશોધકો નકલી કવર લેટર્સ અને શરૂ માં મોકલીને જાહેરાત કામ મુખ સેંકડો પ્રતિભાવ આપ્યો હતો. સામગ્રી અંડરગ્રેજ્યુએટ બતાવવામાં માટે સમાન છે, કેટલાક શરૂ માતાની સંકેત અને કેટલાક ન હતી. Correll અને સહકર્મીઓ જાણવા મળ્યું કે માતા ઓછા સમાન લાયક નિઃસંતાન સ્ત્રીઓ કરતાં મુલાકાતો માટે પાછા કહેવાય તેવી શક્યતા હતી. અન્ય શબ્દોમાં, વાસ્તવિક કુદરતી સેટિંગ પરિણામરૂપ નિર્ણયો નોકરીદાતાઓ ખૂબ અંડરગ્રેજ્યુએટ જેવા વર્ત્યા હતા. તેઓ એ જ કારણ માટે સમાન નિર્ણયો હતી? દુર્ભાગ્યે, અમે જાણતા નથી. સંશોધકો ઉમેદવારો રેટ ભૂલી નથી અથવા તેમના નિર્ણયો સમજાવવા નોકરીદાતાઓ પૂછો સક્ષમ ન હતા.

પ્રયોગો આ જોડી સામાન્ય રીતે લેબ અને ક્ષેત્ર પ્રયોગો વિશે ઘણું જણાવે છે. પ્રયોગશાળામાં પ્રયોગો જેમાં પર્યાવરણ સહભાગીઓ નિર્ણયો કર્યા છે કુલ નિયંત્રણ નજીક સંશોધકો ઓફર કરે છે. તેથી, ઉદાહરણ તરીકે, લેબ પ્રયોગ, Correll તેની ખાતરી કરવા માટે કે જે બધી શરૂ શાંત સેટિંગ વાંચી હતી સક્ષમ હતી; ક્ષેત્રમાં પ્રયોગ, શરૂ કેટલાક પણ વાંચી કરવામાં આવી છે શકે છે. વધુમાં, કારણ કે લેબ સેટિંગ સહભાગીઓ ખબર છે કે તેઓ અભ્યાસ કરવામાં આવે છે, સંશોધકો વારંવાર વધારાની માહિતી મદદ કરી શકે છે કે જે તેમને સમજવા માટે શા માટે સહભાગીઓ તેમના નિર્ણયો કરવામાં આવે છે એકત્રિત કરવા માટે સક્ષમ છે. ઉદાહરણ તરીકે, Correll વિવિધ પરિમાણો પર ઉમેદવારો રેટ ભૂલી નથી લેબ પ્રયોગના સહભાગીઓની પૂછવામાં. પ્રક્રિયા આ પ્રકારનો ડેટા મદદ કરી શકે છે સંશોધકો કેવી રીતે સહભાગીઓ શરૂ સારવાર તફાવતો પાછળ પદ્ધતિઓ સમજવા.

બીજી બાજુ, આ ચોક્કસ જ લક્ષણો છે કે હું માત્ર લાભ તરીકે વર્ણવવામાં પણ ક્યારેક ગેરફાયદા ગણવામાં આવે છે. સંશોધકો છે, જેઓ ક્ષેત્ર પ્રયોગો પ્રાધાન્ય પ્રયોગશાળામાં પ્રયોગો સહભાગીઓ ખૂબ જ અલગ કામ કરી શકે છે જ્યારે તેઓ નજીકથી નિરીક્ષણ કરવામાં આવી રહી છે એવી દલીલ કરે છે. ઉદાહરણ તરીકે, લેબ માં પ્રયોગ સહભાગીઓ સંશોધન ધ્યેય અનુમાન લગાવ્યું અને તેમની વર્તણૂક બદલી જેથી પક્ષપાતી દેખાય છે શકે છે. વધુમાં, સંશોધકો છે, જેઓ ક્ષેત્ર પ્રયોગો પસંદ શરૂ પર નાના તફાવતો દલીલ કરી શકે છે માત્ર એક ખૂબ જ સ્વચ્છ, સ્ટરાઇલ લેબ પર્યાવરણમાં બહાર ઊભા કરી શકે છે, અને આ રીતે લેબ પ્રયોગ વાસ્તવિક ભરતી નિર્ણયો પર માતાની અસર પર અંદાજ કરશે. છેલ્લે, ક્ષેત્ર પ્રયોગો ઘણા સમર્થકો ટીકા વિચિત્ર સહભાગીઓ પર પ્રયોગશાળામાં પ્રયોગો રિલાયન્સ: મુખ્યત્વે પશ્ચિમી, શિક્ષિત, ઔદ્યોગિક, શ્રીમંત વિદ્યાર્થીઓ, અને લોકશાહી દેશોમાં (Henrich, Heine, and Norenzayan 2010) . Correll અને સાથીઓ દ્વારા પ્રયોગો (2007) લેબ ક્ષેત્ર અખંડ પર બે અંતિમો સમજાવે છે. આ બે અંતિમો વચ્ચે આવા લેબ માં બિન-વિદ્યાર્થીઓ લાવવામાં અથવા ક્ષેત્ર જવા પરંતુ હજુ પણ સહભાગીઓ એક અસામાન્ય કાર્ય કરવા હોવા તરીકે અભિગમ સહિત વર્ણસંકર વિવિધ ડિઝાઇન હોય છે.

લેબ ક્ષેત્ર પરિમાણ છે કે જે ભૂતકાળમાં અસ્તિત્વમાં છે ઉપરાંત, ડિજિટલ વય અર્થ એ થાય કે સંશોધકો હવે બીજા મુખ્ય પરિમાણ કે જેની સાથે પ્રયોગો બદલાઈ શકે છે: એનાલોગ-ડિજિટલ. જસ્ટ તરીકે ત્યાં શુદ્ધ પ્રયોગશાળામાં પ્રયોગો, શુદ્ધ ક્ષેત્ર પ્રયોગો, અને વચ્ચે સંકર વિવિધ છે, ત્યાં શુદ્ધ એનાલોગ પ્રયોગો, શુદ્ધ ડિજિટલ પ્રયોગો અને સંકર વિવિધ હોય છે. આ પરિમાણ એક ઔપચારિક વ્યાખ્યા પ્રદાન કરવા માટે મુશ્કેલ છે, પરંતુ એક ઉપયોગી કામ વ્યાખ્યા છે કે સંપૂર્ણપણે ડિજીટલ પ્રયોગો પ્રયોગો કે ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચર ઉપયોગ સહભાગીઓ ભરતી, randomize, સારવાર પહોંચાડવા, અને પરિણામો માપવા બનાવે છે. ઉદાહરણ તરીકે, Restivo અને વેન દે Rijt માતાનો (2012) barnstars અભ્યાસ અને વિકિપીડિયા સંપૂર્ણપણે ડિજીટલ પ્રયોગ કારણ કે તે આ પગલાંઓ તમામ ચાર ડિજિટલ સિસ્ટમો ઉપયોગ હતી. તેવી જ રીતે સંપૂર્ણપણે એનાલોગ પ્રયોગો પ્રયોગો કે આ ચાર પગલાંઓ કોઈપણ માટે ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચર ઉપયોગ કરી નથી. મનોવિજ્ઞાન માં ઉત્તમ નમૂનાના પ્રયોગો ઘણા એનાલોગ પ્રયોગો છે. આ બે અંતિમો વચ્ચે ત્યાં આંશિક ડિજિટલ પ્રયોગો કે ચાર પગલાંઓ માટે એનાલોગ અને ડિજિટલ સિસ્ટમો એક મિશ્રણ ઉપયોગ કરે છે.

ભારે તકો ડિજિટલ પ્રયોગો નથી ચલાવવા માટે માત્ર ઓનલાઇન. સંશોધકોએ ક્રમમાં ભૌતિક વિશ્વમાં ડિજિટલ ઉપકરણો ઉપયોગ કરીને સારવાર પહોંચાડવા અથવા પરિણામો માપવા દ્વારા આંશિક રીતે ડિજિટલ પ્રયોગો ચલાવી શકો છો. ઉદાહરણ તરીકે, સંશોધકો સ્માર્ટ ફોન ઉપયોગ પરિણામો માપવા માટે બાંધવામાં પર્યાવરણ સારવાર અથવા સેન્સર પહોંચાડવા માટે કરી શકે છે. હકીકતમાં, અમે આ પ્રકરણમાં પછીથી જોશો, સંશોધકો પહેલેથી જ ઘર પાવર મીટર ઉપયોગ કર્યો છે સામાજિક ધોરણો અને ઊર્જા ઘરોમાં 8.5 મિલિયન સંડોવતા વપરાશ વિશે પ્રયોગો પરિણામો માપવા માટે (Allcott 2015) . ડિજિટલ ઉપકરણો વધુને વધુ લોકોના જીવનમાં એકીકૃત બની અને સેન્સર આંતરિક પર્યાવરણ એકીકૃત બની, આ તક ભૌતિક વિશ્વમાં આંશિક ડિજિટલ પ્રયોગો ચલાવવા માટે નાટકીય રીતે વધારો કરશે. બીજા શબ્દોમાં કહીએ તો, ડિજિટલ પ્રયોગો માત્ર ઓનલાઇન પ્રયોગો નથી.

ડિજિટલ સિસ્ટમો બધે લેબ ક્ષેત્ર અખંડ સાથે પ્રયોગો માટે નવી શક્યતાઓ બનાવો. શુદ્ધ પ્રયોગશાળામાં પ્રયોગો થકી, ઉદાહરણ તરીકે, સંશોધકો 'સહભાગીઓ વર્તન ફાઇનર માપન માટે ડિજિટલ સિસ્ટમો ઉપયોગ કરી શકો છો; સુધારેલ માપ આ પ્રકારના એક ઉદાહરણ આંખ ટ્રેકિંગ સાધનો કે જે ત્રાટકશક્તિ સ્થાન ચોક્કસ અને સતત પગલાં પૂરી પાડે છે. ડિજિટલ ઉંમર પણ લેબ જેવા પ્રયોગો ચલાવવા માટે શક્યતા બનાવે છે. ઉદાહરણ તરીકે, સંશોધકો ઝડપથી ઓનલાઇન પ્રયોગો માટે સહભાગીઓ (આકૃતિ 4.2) ભરતી માટે એમેઝોન યાંત્રિક ટર્ક (MTurk) અપનાવ્યા છે. MTurk "નોકરીદાતાઓ" કોણ કાર્યો "કામ કરનારા" પૈસા માટે તે કાર્યો પૂર્ણ કરવા માંગો છો સાથે પૂર્ણ કરવાની જરૂર છે કે છે સાથે બંધબેસે છે. પરંપરાગત શ્રમ બજારમાં વિપરીત, જોકે, કાર્યો સામાન્ય રીતે સામેલ માત્ર થોડી મિનિટો પૂર્ણ કરવા માટે જરૂરી છે અને એમ્પ્લોયર અને કાર્યકર વચ્ચે સમગ્ર ક્રિયાપ્રતિક્રિયા વર્ચ્યુઅલ છે. પરંપરાગત પ્રયોગશાળામાં પ્રયોગો કિંમતે લોકો MTurk નકલ પાસાઓ ક્રિયાઓ કે તેઓ માટે શું ન હોત પૂર્ણ કરવા માટે, કારણ કે મુક્ત-તે કુદરતી રીતે પ્રયોગો ચોક્કસ પ્રકારો માટે યોગ્ય છે. આવશ્યકપણે, MTurk સહભાગીઓ-ભરતી એક પૂલ વ્યવસ્થા કરવા માટે અને ભરવા લોકો અને સંશોધકો સહભાગીઓ હંમેશા ઉપલબ્ધ પૂલ ઝંપલાવી કે ઇન્ફ્રાસ્ટ્રક્ચર લાભ લેવામાં આવે છે માટે ઈન્ફ્રાસ્ટ્રક્ચર બનાવી છે.

આકૃિત 4.2: પેપર્સ માહિતી મદદથી પ્રકાશિત એમેઝોન યાંત્રિક ટર્ક (MTurk) થી (Bohannon 2016) . MTurk અને અન્ય ઓનલાઈન શ્રમ બજારમાં સંશોધકો પ્રયોગો માટે સહભાગીઓ ભરતી માટે અનુકૂળ માર્ગ તક આપે છે.

ડિજિટલ પ્રયોગો ક્ષેત્ર જેવા પ્રયોગો માટે પણ વધુ શક્યતાઓ બનાવો. ડિજિટલ ક્ષેત્ર પ્રયોગો (ક્ષેત્ર પ્રયોગો જેવા) કુદરતી પર્યાવરણમાં વાસ્તવિક નિર્ણયો (પ્રયોગશાળામાં પ્રયોગો જેવા) શક્ય પદ્ધતિઓ અને વધુ વૈવિધ્યસભર સહભાગીઓ સમજવા માટે ચુસ્ત નિયંત્રણ અને પ્રક્રિયા માહિતી આપી શકે છે. અગાઉના પ્રયોગોના સારી લાક્ષણિકતાઓ આ મિશ્રણ ઉપરાંત, ડિજિટલ ક્ષેત્ર પ્રયોગો પણ ત્રણ તકો છે કે એનાલોગ લેબ અને ક્ષેત્ર પ્રયોગો મુશ્કેલ હતા ઓફર કરે છે.

પ્રથમ, જ્યારે સૌથી એનાલોગ લેબ અને ક્ષેત્ર પ્રયોગો સહભાગીઓ સેંકડો છે, ડિજિટલ ક્ષેત્ર પ્રયોગો સહભાગીઓ લાખો હોઈ શકે છે. સ્કેલ આ બદલવા કારણ કે કેટલાક ડિજીટલ પ્રયોગો શૂન્ય ચલ ખર્ચે માહિતી પેદા કરી શકે છે. એટલે કે, એક વખત સંશોધકો એક પ્રાયોગિક ઇન્ફ્રાસ્ટ્રક્ચર બનાવેલ છે, સહભાગીઓ સંખ્યા વધી ખાસ કરીને ખર્ચ વધી નથી. 100 અથવા વધુ એક પરિબળ દ્વારા સહભાગીઓ સંખ્યા વધી માત્ર એક માત્રાત્મક પરિવર્તન નથી, તે એક ગુણાત્મક પરિવર્તન છે, કારણ કે તે પ્રયોગો (દા.ત., સારવાર અસરો વૈવિધ્યનો) અને સંપૂર્ણપણે અલગ પ્રાયોગિક ડિઝાઇન (ચલાવવા અલગ વસ્તુઓ શીખવા માટે સંશોધકો સક્રિય કરે છે દા.ત., મોટા જૂથ પ્રયોગો). આ બિંદુ તેથી મહત્વનું છે, જ્યારે હું ડિજિટલ પ્રયોગો બનાવવા વિશે સલાહ આપે પ્રકરણ ઓવરને તરફ તે પરત મળશે.

બીજું, જ્યારે સૌથી એનાલોગ લેબ અને ક્ષેત્ર પ્રયોગો સહભાગીઓ સારવાર અસ્પષ્ટતા વિજેટો, ડિજિટલ ક્ષેત્ર પ્રયોગો વારંવાર સંશોધન ડિઝાઇન અને વિશ્લેષણ તબક્કામાં સહભાગીઓ વિશે પૃષ્ઠભૂમિ માહિતી ઉપયોગ કરે છે. આ પૃષ્ઠભૂમિ માહિતી છે, જે પૂર્વ સારવાર માહિતી કહેવામાં આવે છે, ઘણી વખત ડિજિટલ પ્રયોગો ઉપલબ્ધ છે, કારણ કે તેઓ સંપૂર્ણપણે માપવામાં વાતાવરણ માં યોજાય છે. ઉદાહરણ તરીકે, ફેસબુક પર એક સંશોધક સંશોધક અંડરગ્રેજ્યુએટ સાથે પ્રમાણભૂત લેબ પ્રયોગ ડિઝાઇન કરતાં વધુ પૂર્વ સારવાર માહિતી છે. આ પૂર્વ સારવાર માહિતી સંશોધકો સહભાગીઓ તરીકે અસ્પષ્ટતા વિજેટો સારવાર બહાર ખસેડવા માટે સક્રિય કરે છે. વધુ ખાસ રીતે, પૂર્વ સારવાર માહિતી વધુ કાર્યક્ષમ પ્રાયોગિક ડિઝાઇન જેમ અવરોધિત તરીકે સક્રિય કરે છે (Higgins, Sävje, and Sekhon 2016) અને સહભાગીઓ લક્ષિત ભરતી (Eckles, Kizilcec, and Bakshy 2016) -અને વધુ insightful વિશ્લેષણ જેમ વૈવિધ્યનો અંદાજ તરીકે સારવાર અસરો (Athey and Imbens 2016a) અને સુધારેલ ચોકસાઇ માટે covariate ગોઠવણ (Bloniarz et al. 2016) .

ત્રીજું, જ્યારે ઘણા એનાલોગ લેબ અને ક્ષેત્ર પ્રયોગો સમય પ્રમાણમાં સંકુચિત રકમ સારવાર અને માપ પરિણામો પહોંચાડવા, કેટલાક ડિજીટલ ક્ષેત્ર પ્રયોગો સારવાર કે સમય પર વિતરિત કરી શકાય છે અને અસરો પણ સમય પર માપી શકાય છે સમાવેશ થાય છે. ઉદાહરણ તરીકે, Restivo અને વેન દે Rijt પ્રયોગ પરિણામ 90 દિવસ માટે દૈનિક માપવામાં છે, અને પ્રયોગો એક હું તમને કહી શકશો પ્રકરણ વિશે પાછળથી (Ferraro, Miranda, and Price 2011) મૂળભૂત 3 વર્ષમાં પરિણામો ટ્રેક કોઈ ખર્ચ. આ ત્રણ તકો કદ, પૂર્વ સારવાર માહિતી, અને સમાંતર સારવાર અને પરિણામ સૌથી સામાન્ય છે જ્યારે પ્રયોગો ટોચ પર ચાલે છે માહિતી છે હંમેશા માપ સિસ્ટમો (હંમેશા માપન સિસ્ટમો પર વધુ માટે પ્રકરણ 2 જુઓ).

ડિજિટલ ક્ષેત્ર પ્રયોગો ઘણા શક્યતાઓ તક આપે છે, જ્યારે તેઓ પણ બંને એનાલોગ લેબ અને ક્ષેત્રમાં પ્રયોગો સાથે કેટલાક નબળાઈઓ શેર કરો. ઉદાહરણ તરીકે, પ્રયોગો ભૂતકાળમાં અભ્યાસ માટે વાપરી શકાતી નથી, અને તેઓ માત્ર સારવાર કે ચાલાકીથી શકાય અસરો અંદાજ કરી શકો છો. પણ, તેમ છતાં પ્રયોગો નિઃશંકપણે નીતિ માર્ગદર્શન ઉપયોગી છે, ચોક્કસ માર્ગદર્શન તેઓ ઓફર કરી શકે છે કંઈક કારણ કે આવા પર્યાવરણીય પરાધીનતા, પાલન સમસ્યાઓ, અને સંતુલન અસરો જટિલતાઓને મર્યાદિત છે (Banerjee and Duflo 2009; Deaton 2010) . છેલ્લે, ડિજિટલ ક્ષેત્ર પ્રયોગો ક્ષેત્ર પ્રયોગો દ્વારા બનાવવામાં નૈતિક ચિંતાઓ લંબાવવું. ક્ષેત્રમાં પ્રયોગો સમર્થકોએ ખબર અને રેન્ડમ પરિણામરૂપ લાખો લોકોને દ્વારા કરવામાં નિર્ણયો માં દરમિયાનગીરી કરવાની તેમની ક્ષમતા ટ્રમ્પેટ. આ લક્ષણો ચોક્કસ વૈજ્ઞાનિક લાભ આપે છે, પરંતુ તેઓ પણ ક્ષેત્ર પ્રયોગો નૈતિક જટિલ કરી શકો છો (તે વિશે વિચારો સંશોધકો એક મોટા પાયા પર "લેબ ઉંદરો" જેવા લોકો સારવાર). વધુમાં, સહભાગીઓ શક્ય નુકસાન માટે વધુમાં, ડિજિટલ ક્ષેત્ર પ્રયોગો, તેમના કદ કારણે, પણ સામાજિક સિસ્ટમો કામ ભંગાણ અંગે ચિંતા ઊભી કરી શકે છે (દા.ત., માતાનો વિકિપીડિયા પુરસ્કાર સિસ્ટમ છિન્નભિન્ન જો Restivo અને વાન ડર Rijt ઘણા barnstars આપ્યો વિશે ચિંતા) .