5.3.4 Következtetések

A nyitott hívások lehetővé teszik, hogy megoldásokat találjon olyan problémákra, amelyeket egyértelműen kijelezhet, de nem tudja megoldani magad.

Mindhárom nyílt felhívás projektek, Netflix, Foldit, Peer-to-Patent-kutatók feltett kérdések egy sajátos formája, kért megoldásokat, majd felvette a legjobb megoldásokat. A kutatók nem is kell tudni, hogy a legjobb szakértő kérni, és néha a jó ötletek jöttek a váratlan helyeken.

Most két fontos különbséget is kiemelhetek a nyitott projektek és az emberi számítási projektek között. Először is, nyílt pályázati projektekben a kutató meghatározza a célt (pl. A filmminősítések előrejelzését), míg az emberi számítás során a kutató egy mikrotitkokat (pl. Galaxist osztályoz) határoz meg. Másodszor, a nyílt hívásokban a kutatók a legjobb hozzájárulást akarják - például a filmminősítések megjósolásának legjobb algoritmusa, a fehérje legalacsonyabb energiájú konfigurációja vagy a leginkább releváns technikai megoldás - nem valamiféle egyszerű kombináció az összes a hozzájárulások.

Figyelembe véve a nyílt hívások általános sablont és e három példát, hogy milyen társadalmi problémákkal kapcsolatos problémák alkalmasak erre a megközelítésre? Ezen a ponton el kell ismernie, hogy még nem sikerült sok sikeres példát (az okokból, amelyeket egy pillanatra megmagyarázok). Közvetlen analógok esetében elképzelhető, hogy egy párhuzamos-szabadalmazású stílusú nyílt hívást használ egy történeti kutató, aki a legkorábbi dokumentumot keresi, hogy egy bizonyos személyt vagy ötletet említsen. Az ilyen jellegű probléma nyílt hívási megközelítése különösen értékes lehet, ha a potenciálisan releváns dokumentumok nincsenek egyetlen archívumban, hanem széles körben elterjedtek.

Általánosságban elmondható, hogy számos kormány és vállalat problémái vannak a hívások megnyitásának, mivel a nyílt hívások generálhatnak olyan algoritmusokat, amelyek felhasználhatók a jóslatokhoz, és ezek a jóslatok fontosak lehetnek a cselekvés számára (Provost and Fawcett 2013; Kleinberg et al. 2015) . Például, ahogyan a Netflix a filmek értékelését akarta megjósolni, a kormányok esetleg meg akarják becsülni az eredményeket, például azt, hogy mely éttermek vannak leginkább egészségügyi kóddal kapcsolatosan, az ellenőrzési erőforrások hatékonyabb elosztása érdekében. Az ilyen jellegű probléma által motivált Edward Glaeser és munkatársai (2016) nyílt felhívást használtak arra, hogy segítsenek Boston városának megjósolni az éttermi higiéniai és higiéniai jogsértéseket a Yelp által végzett adatok alapján és a korábbi vizsgálati adatok alapján. Becslések szerint a nyílt hívást elnyerő prediktív modell 50% -kal javítaná az éttermi ellenőrök termelékenységét.

A nyílt hívások potenciálisan felhasználhatók az elméletek összehasonlítására és tesztelésére. Például a Fragile Families and Child Wellbeing Study nyomán mintegy 5000 gyermek született születése óta 20 különböző amerikai városban (Reichman et al. 2001) . A kutatók összegyűjtöttek adatokat ezekről a gyermekekről, családjaikról és szélesebb környezetükről születéskor, valamint 1, 3, 5, 9 és 15 évesen. Tekintetbe véve a gyermekekkel kapcsolatos összes információt, a kutatók hogyan tudnák megjósolni az eredményeket, például, hogy ki végzi el az egyetemet? Vagy olyan módon fejezzük ki, hogy bizonyos kutatók számára érdekesebb lenne, mely adatok és elméletek lennének a leghatékonyabbak e kimenetek előrejelzésében? Mivel egyik ilyen gyermek sem elég idős ahhoz, hogy egyetemre menjen, ez egy igazi előretekintő előrejelzés lenne, és a kutatók számos különböző stratégiát alkalmazhatnak. Egy kutató, aki úgy véli, hogy a környékek létfontosságúak az életvitel alakításában, egy megközelítést alkalmazhat, míg a családokra összpontosító kutató valami teljesen másképp tehet. Melyik megközelítés jobban működik? Nem tudjuk, és a megismerés folyamán valamit megtudhatunk a családokról, a környékekről, az oktatásról és a társadalmi egyenlőtlenségről. Ezen túlmenően ezek a jóslatok felhasználhatók a jövőbeli adatgyűjtés irányításához. Képzeld el, hogy volt egy kis számú főiskolai diplomás, akiknek nem volt jóslata, hogy végzős egy-egy modell; ezek az emberek ideális jelöltek lehetnek nyomonkövetési minőségi interjúk és néprajzi megfigyelések számára. Így ebben a fajta nyílt hívásban az előrejelzések nem vége; hanem új módszert kínálnak a különböző elméleti hagyományok összehasonlítására, gazdagítására és egyesítésére. Ez a fajta nyílt hívás nem specifikus a Fragile Families és a Child Wellbeing Study adatainak felhasználására, hogy megjósolja, hogy ki fog menni egyetemre; felhasználható arra, hogy megjósolja azokat a kimeneteleket, amelyek végül összegyűjthetők bármely longitudinális társadalmi adatkészletben.

Ahogy írt korábban ebben a részben, nem sok példa volt a nyílt hívásokat használó társadalmi kutatók számára. Úgy gondolom, hogy ez azért van így, mert a nyílt hívások nem alkalmasak arra, hogy a társadalomtudósok tipikusan felteszik kérdéseiket. Visszatérve a Netflix Díjhoz, a társadalomtudósok általában nem kérdeznek az ízlésekről; inkább azt kérdezik, hogyan és miért különböznek a kulturális ízlés a különböző társadalmi osztályoktól (lásd pl. Bourdieu (1987) ). Az ilyen "hogyan" és a "miért" kérdés nem vezet könnyen ellenőrizhető megoldásokhoz, és ezért rosszul illeszkednek a megnyitott hívásokhoz. Így úgy tűnik, hogy a nyílt hívások alkalmasabbak a kérdezési előrejelzéshez, mint a magyarázó kérdések. A közelmúlt elmélete azonban felszólította a társadalomtudósokat, hogy vizsgálják felül a magyarázat és a becslés közötti dichotómiát (Watts 2014) . Mivel a becslés és a magyarázat közötti kapcsolat elmosódott, azt gondolom, hogy a nyílt hívások egyre gyakoribbá válnak a társadalmi kutatásban.