4.1 Introduzione

Negli approcci coperti finora in questo comportamento libro-osservazione (capitolo 2) e porre domande (capitolo 3) -researchers raccogliere dati su ciò che è presente in natura in tutto il mondo. L'approccio trattati in questo capitolo-esecuzione esperimenti-è fondamentalmente diversa. Quando i ricercatori hanno eseguito esperimenti, intervengono sistematicamente in tutto il mondo per creare i dati che è ideale per rispondere a domande su relazioni di causa-effetto.

Causa-effetto domande sono molto comuni nella ricerca sociale, e gli esempi includono domande del tipo come fa aumentare gli stipendi degli insegnanti aumentano l'apprendimento degli studenti? Qual è l'effetto del salario minimo sui tassi di occupazione? Come fa la gara di un candidato di lavoro effettuare la sua possibilità di ottenere un posto di lavoro? In aggiunta a queste domande in modo esplicito causali, a volte causa-effetto domande sono implicita domande più generali su massimizzazione di qualche metrica delle prestazioni. Per esempio, alla domanda "Cosa pulsante del colore ci permetterà di ottimizzare le donazioni su un sito sito ONG?" È in realtà un sacco di domande circa l'effetto di diversi colori dei pulsanti sulle donazioni.

Un modo per rispondere alle domande di causa-effetto è quello di cercare modelli di dati esistenti. Ad esempio, utilizzando dati provenienti da migliaia di scuole, si potrebbe calcolare che gli studenti imparano di più nelle scuole che offrono gli stipendi alti insegnanti. Ma, non questa correlazione mostrano che salari più alti causano studenti di apprendere di più? Ovviamente no. Le scuole dove gli insegnanti guadagnano più potrebbero essere diversi in molti modi. Ad esempio, gli studenti nelle scuole con stipendi alti insegnante potrebbe provenire da famiglie più ricche. Così, quello che appare come un effetto di insegnanti potrebbe appena uscito dal confronto diversi tipi di studenti. Queste differenze non misurate tra gli studenti sono chiamati fattori confondenti, e, in generale, la possibilità di confondenti seminano il terrore sui ricercatori capacità di rispondere alle domande di causa-effetto con la ricerca di modelli nei dati esistenti.

Una soluzione al problema di confondenti è cercare di fare confronti equi regolando le differenze osservabili tra i gruppi. Ad esempio, si potrebbe essere in grado di scaricare i dati fiscali di proprietà di un certo numero di siti web governativi. Quindi, è possibile confrontare il rendimento degli studenti nelle scuole in cui i prezzi delle case sono simili, ma i salari degli insegnanti sono diverse, e ancora potrebbe trovare che gli studenti imparano di più nelle scuole con una retribuzione più elevata insegnante. Ma, ci sono ancora molti fattori confondenti possibili. Forse i genitori di questi studenti differiscono nella loro livello di istruzione o forse le scuole si differenziano per la loro vicinanza alle biblioteche pubbliche o forse le scuole con una paga più alta insegnante hanno anche una retribuzione più elevata per i presidi e pagare il capitale, non insegnante paga, è proprio quello che è in aumento l'apprendimento degli studenti. Si potrebbe provare a misurare questi altri fattori, ma la lista dei possibili fattori confondenti è essenzialmente senza fine. In molte situazioni, non si può misurare e regolare per tutti i possibili fattori confondenti. Questo approccio può solo prendere finora.

Una migliore soluzione al problema di confondenti esegue esperimenti. Gli esperimenti permettono ai ricercatori di andare oltre le correlazioni in naturale dei dati al fine di rispondere in modo affidabile di causa-effetto domanda. In epoca analogico, esperimenti erano spesso logisticamente difficile e costoso. Ora, nell'era digitale, i vincoli logistici stanno gradualmente scomparendo. Non solo è facile fare esperimenti come i ricercatori hanno fatto in passato, è ora possibile eseguire nuovi tipi di esperimenti.

In quello che ho scritto finora sono stato un po 'allentato nella mia lingua, ma è importante distinguere tra due cose: esperimenti e gli esperimenti randomizzati controllati. In un esperimento un ricercatore interviene nel mondo e quindi misura un risultato. Ho sentito questo approccio descritto come "perturbare e osservare." Questa strategia è molto efficace nelle scienze naturali, ma in scienze mediche e sociali, c'è un altro approccio che funziona meglio. In un esperimento randomizzato controllato un ricercatore interviene per alcune persone e non per gli altri, e, in modo critico, il ricercatore decide che le persone ricevono l'intervento di randomizzazione (ad esempio, lanciando una moneta). Questa procedura garantisce che gli esperimenti randomizzati e controllati creano confronto equo tra due gruppi: uno che ha ricevuto l'intervento e uno che non ha. In altre parole, gli esperimenti randomizzati sono una soluzione ai problemi della confondenti. Nonostante le importanti differenze tra gli esperimenti e gli esperimenti randomizzati controllati, i ricercatori sociali spesso usano questi termini in modo intercambiabile. Io seguirò questa convenzione, ma, in certi punti, ti rompo la convenzione per sottolineare il valore di esperimenti randomizzati controllati nel corso esperimenti senza randomizzazione e un gruppo di controllo.

esperimenti controllati randomizzati hanno dimostrato di essere un potente strumento per conoscere il mondo sociale, e in questo capitolo, ti insegnerò più su come utilizzarli nella vostra ricerca. Nella sezione 4.2, ti illustro la logica di base della sperimentazione con un esempio di un esperimento su Wikipedia. Poi, nella sezione 4.3, io descrivere la differenza tra esperimenti di laboratorio ed esperimenti sul campo e le differenze tra esperimenti analogiche e sperimentazioni digitali. Inoltre, io sostengo che gli esperimenti sul campo digitali in grado di offrire le migliori caratteristiche di esperimenti di laboratorio analogici (stretto controllo) ed esperimenti sul campo analogico (realismo), tutti in una scala che non era possibile in precedenza. Successivamente, nella sezione 4.4, descriverò tre concetti-validità, l'eterogeneità degli effetti del trattamento, e meccanismi che sono fondamentali per la progettazione di esperimenti ricchi. Con queste premesse, vi descriverò i compromessi coinvolti nei due strategie principali per lo svolgimento di esperimenti digitali: farlo da soli (sezione 4.5.1) o partnership con il potente (sezione 4.5.2). Infine, io concludo con qualche consiglio disegno su come è possibile sfruttare il potere reale di esperimenti digitali (sezione 4.6.1) e descrivere alcune delle responsabilità che viene con quel potere (punto 4.6.2). Il capitolo sarà presentato con un minimo di notazione matematica e linguaggio formale; lettori interessati ad un approccio più formale, matematico per gli esperimenti devono anche leggere nell'allegato tecnico alla fine del capitolo.