4.1 Inngangur

Í þeim aðferðum sem fjallað er svo langt í þessari bók-fylgjast hegðun (kafli 2) og spyrja spurninga (Kafli 3) -researchers safna gögnum um það sem er að koma náttúrulega í heiminum. Sú aðferð fjallað í þessum kafla gangi tilraunir-er í grundvallaratriðum öðruvísi. Þegar vísindamenn hlaupa tilraunir, sem þeir grípa kerfisbundið í heiminum til að búa til gögn sem er fullkomlega til þess fallin að svara spurningum um sambönd orsök-og-áhrif.

Orsök-og-áhrif spurningar eru mjög algeng í félagslegri rannsóknum, og dæmi eru spurningar eins og Er vaxandi laun kennara hækka nemandi að læra? Hvað er áhrif lágmarkslauna á atvinnuþátttöku? Hvernig virkar kapp a Atvinna umsækjanda áhrif tækifæri hennar að fá vinnu? Í viðbót við þessar skýrt orsakasamband spurningum, stundum valdið-og-áhrif spurningum er fólgið í fleiri almennum spurningum um hámörkun einhvers afkastamælikvarði. Til dæmis er spurning "Hvaða litur hnappinn mun hámarka framlög á frjálsum félagasamtökum heimasíðu staður?" Er í raun fullt af spurningum um áhrif mismunandi litum hnappinn á framlögum.

Ein leið til að svara orsök-og-áhrif spurningum er að leita að mynstrum í fyrirliggjandi gögn. Til dæmis, með því að nota gögn frá þúsundum skóla, gætir þú reikna að nemendur læra meira í skólum sem bjóða upp á há laun kennara. En þýðir þetta fylgni sýna að hærri laun valda nemendur til að læra meira? Auðvitað ekki. Skólar þar sem kennarar vinna sér inn meira gæti verið öðruvísi á margan hátt. Til dæmis, nemendur í skólum með háum launum kennara gæti komið frá ríkari fjölskyldum. Svona, það lítur út eins og áhrif af kennara gæti bara komið frá því að bera saman mismunandi tegundir af nemendum. Þessi ómældu mismunur milli nemenda eru kallaðir óskýrt orsakasamhengi, og almennt, möguleikann á óskýrt orsakasamhengi wreaks eyðilegging á vísindamenn getu til að svara orsök-og-áhrif upplýsingum með því að leita að mynstrum í fyrirliggjandi gögn.

Ein lausn á því vandamáli að óskýrt orsakasamhengi er að reyna að gera sanngjarnar samanburð með því að stilla fyrir greinanlegum mismun milli hópanna. Til dæmis, þú might vera fær til sækja fasteignaskatt gögn frá fjölda vefsíður stjórnvalda. Þá getur þú bera saman nemenda í skólum þar sem heimili verð eru svipuð en laun kennara eru öðruvísi, og þú enn might finna að nemendur læra meira í skólum með hærri laun kennara. En það eru samt margir mögulegur óskýrt orsakasamhengi. Kannski foreldrar þessara nemanda mismunandi menntun sína eða kannski skólarnir eru mismunandi í nálægð þeirra til almenningsbókasafna eða kannski skólar með hærri laun kennara hafa einnig hærri laun fyrir skólastjóra og skólastjóri launum, laun kennara ekki er í raun hvað er að aukast nám nemenda. Þú gætir reynt að mæla þessi aðra þætti eins og heilbrigður, en listi yfir hugsanlegar óskýrt orsakasamhengi er í raun endalaus. Í mörgum tilfellum, bara þú getur ekki mæla og stilla fyrir allar mögulegar óskýrt orsakasamhengi. Þessi aðferð getur aðeins taka þig svo langt.

A betri lausn á því vandamáli að óskýrt orsakasamhengi er í gangi tilraunir. Tilraunir gera vísindamönnum að fara út fylgni á náttúrulegar gögn í því skyni að áreiðanlegum svara orsök-og-áhrif spurningu. Í flaumi aldur, tilraunir voru oft skipulagslega erfitt og dýrt. Nú, í stafrænni öld, skipulagningar þvingun eru smám saman að hverfa burt. Ekki aðeins er það auðveldara að gera tilraunir eins og þeim vísindamönnum hafa gert í fortíðinni, það er nú hægt að keyra nýjar tegundir af tilraunum.

Í það sem ég hef skrifað svo langt að ég hef verið svolítið laus í mínu tungumáli, en það er mikilvægt að greina á milli tveggja hluta: tilraunum og slembuðum tilraunum. Í tilraun rannsóknir grípur í heiminum og þá mælir niðurstöðu. Ég hef heyrt þessa aðferð lýst sem "perturb og virða." Þessi stefna er mjög áhrifarík í náttúrufræði, en í læknisfræði og félagsvísindum, þar er annar aðferð sem virkar betur. Í slembiraðaðri tilraun rannsóknir grípur fyrir sumir fólk og ekki fyrir aðra, og gagnrýnin, rannsakandinn ákveður hvaða fólk fá íhlutun slembiröðun (td ósvífni mynt). Þessi aðferð tryggir að slembiraðaðar tilraunir búa sanngjörn samanburð milli tveggja hópa: einn sem hefur fengið íhlutun og sá sem hefur ekki. Með öðrum orðum, slembiröðuð tilraunir eru lausn á vandamálum óskýrt orsakasamhengi. Þrátt fyrir mikilvægum mun á milli tilrauna og slembuðum tilraunir, félagsleg vísindamenn nota oft þessi hugtök jöfnum höndum. Ég elti þennan hátt, en á ákveðnum stöðum, ég brjóta venju að leggja áherslu á gildi slembuðum rannsóknum yfir tilraunum án slembival og viðmiðunarhóp.

Slembuðum tilraunir hafa reynst öflug leið til að læra um félagslega heiminum, og í þessum kafla mun ég kenna þér meira um hvernig á að nota þá í rannsóknir. Í kafla 4.2, ég sýna undirstöðu rökfræði tilraunir með dæmi um tilraun á Wikipediu. Þá, í kafla 4.3, ég lýsa muninn Lab tilraunir og sviði tilrauna og muninn hliðstæðum tilraunum og stafrænum tilraunum. Ennfremur mun ég halda því fram að stafrænar tilraunir sviði geta boðið bestu eiginleika hliðstæðum tilraunum Lab (þétt eftirlit) og analog sviði tilraunir (raunsæi), allt á mælikvarða sem var ekki hægt áður. Næst, í kafla 4.4, ég lýsa þrjú hugtök-gildi, misleitni af áhrifum meðferðar og aðferðir-sem eru mikilvægar til að hanna ríkur tilraunir. Með því að bakgrunnur, ég lýsa málamiðlanir sem taka þátt í tveimur helstu aðferðir til að stunda stafræna tilraunir: að gera það sjálfur (Kafli 4.5.1) eða í samstarfi við öfluga (kafla 4.5.2). Að lokum, ég álykta með einhverjum hönnun ráðleggingar um hvernig þú getur nýtt sér alvöru krafti stafrænna tilraunir (kafla 4.6.1) og lýsa sumir af ábyrgð sem fylgir þeim krafti (kafli 4.6.2). Kaflinn verður kynnt með að lágmarki stærðfræði merki og formleg tungumál; Lesendum sem hafa áhuga á fleiri formlega, stærðfræði nálgun til þess að tilraunir ættu einnig að lesa tæknilega viðbætinum við lok kaflans.