4.5.2 Partner con il potente

Partnering può ridurre i costi e aumentare la scala, ma può alterare i tipi di partecipanti, trattamenti, e risultati che è possibile utilizzare.

L'alternativa a farlo voi stessi sta collaborando con una organizzazione potente, come una società, governo, o ONG. Il vantaggio di lavorare con un partner è che possono consentire di eseguire esperimenti che non si può fare da soli. Ad esempio, uno degli esperimenti che io ti racconto sotto coinvolte 61 milioni di partecipanti; nessun singolo ricercatore potrebbe raggiungere quella scala. Allo stesso tempo, che aumenta la partnership cosa si può fare, ma anche, allo stesso tempo, ti costringe. Ad esempio, la maggior parte delle aziende non vi permetterà di eseguire un esperimento che potrebbe danneggiare la loro attività o la loro reputazione. Lavorare con i partner significa anche che quando arriva il momento di pubblicare, si può venire sotto pressione per "ri-frame" i risultati, e alcuni partner potrebbero anche cercare di bloccare la pubblicazione del tuo lavoro, se li fa apparire male. Infine, collaborando anche dotato di costi relativi allo sviluppo e il mantenimento di queste collaborazioni.

La sfida principale che deve essere risolto per rendere queste partnership di successo è trovare un modo per bilanciare gli interessi di entrambe le parti, e un modo utile di pensare che l'equilibrio è di Pasteur Quadrant (Stokes 1997) . Molti ricercatori pensano che se si sta lavorando su qualcosa di pratico, qualcosa che potrebbe essere di interesse per un partner, quindi non possono essere facendo vera scienza. Questa mentalità renderà molto difficile la creazione di partnership di successo, e succede anche di essere completamente sbagliato. Il problema con questo modo di pensare è meravigliosamente illustrato dalla ricerca percorso innovativo di biologo Louis Pasteur. Mentre si lavora su un progetto commerciale di fermentazione per convertire succo di barbabietola in alcol, Pasteur ha scoperto una nuova classe di microrganismi che alla fine ha portato alla teoria dei germi della malattia. Questa scoperta ha risolto un problema a molto pratico ha contribuito a migliorare il processo di fermentazione, e portare ad un importante progresso scientifico. Così, piuttosto che pensare di ricerca con applicazioni pratiche come essere in conflitto con la vera ricerca scientifica, è meglio pensare a questi come due dimensioni separate. La ricerca può essere motivata da un uso (o non) e la ricerca può cercare comprensione fondamentale (o meno). Criticamente, alcuni Pasteur's-can ricerca-come essere motivati ​​da uso e la ricerca di comprensione fondamentale (Figura 4.16). La ricerca in Quadrant-ricerche di Pasteur che avanza intrinsecamente due gol-è ideale per collaborazioni tra ricercatori e partner. Dato questo contesto, descriverò due studi sperimentali con collaborazioni: una con una società e uno con una ONG.

Figura 4.16: Quadrant Pasteur (basato su Fig 3,5 da Stokes (1997) ). Piuttosto che pensare di ricerca come "base" o "applicata" è meglio pensare alla ricerca, come motivata da uso (o non) e la ricerca di comprensione fondamentale (o meno). Un esempio di ricerca che sia è motivato da un uso e cerca comprensione fondamentale è il lavoro di Pasteur sulla conversione succo di barbabietola in alcol che ha portato alla teoria dei germi della malattia. Questo è il tipo di lavoro che è più adatto per partenariati con il potente. Esempi di lavoro motivati ​​da usare, ma che non cerca comprensione fondamentale provenire da Thomas Edison, ed esempi di lavoro che non è motivato da un uso, ma che cerca la comprensione vengono da Niels Bohr. Vedere Stokes (1997) per una discussione più approfondita di questo quadro e ciascuno di questi casi.

Le grandi aziende, in particolare le aziende di tecnologia, hanno sviluppato le infrastrutture incredibilmente sofisticato per l'esecuzione di esperimenti complessi. Nel settore tech, questi esperimenti sono spesso chiamati test A / B (perché testare l'efficacia dei due trattamenti: A e B). Questi esperimenti sono spesso eseguite per cose come aumentare i tassi di click-through per gli annunci, ma la stessa infrastruttura sperimentale può essere utilizzato anche per la ricerca che avanza la comprensione scientifica. Un esempio che illustra le potenzialità di questo tipo di ricerca è uno studio condotto da una collaborazione tra i ricercatori Facebook e la University of California, San Diego, sugli effetti dei diversi messaggi sul affluenza alle urne (Bond et al. 2012) .

Il 2 novembre 2010: il giorno delle elezioni-tutti del Congresso degli Stati Uniti 61 milioni di utenti di Facebook che vivono negli Stati Uniti e più di 18 anni ha preso parte all'esperimento sul voto. Visitando Facebook, gli utenti sono stati randomizzati in uno dei tre gruppi, che hanno determinato quello striscione (se presente) è stato posto in cima alla loro News Feed (Figura 4.17):

• un gruppo di controllo.
• un messaggio informativo circa il voto con un cliccabile "Ho votato" pulsante e un contatore (info).
• un messaggio informativo circa il voto con un cliccabile "Ho votato" pulsante e un contatore + nomi e le immagini dei loro amici che avevano già cliccato il "Ho votato" (info + sociale).

Bond e colleghi hanno studiato due risultati principali: segnalati comportamento di voto e comportamento di voto vero e proprio. In primo luogo, hanno trovato che le persone nel gruppo info + sociale erano di circa 2 punti percentuali in più probabile che persone del gruppo informazioni cliccare "Ho votato" (circa il 20% vs 18%). Inoltre, dopo che i ricercatori hanno uniti i loro dati con i record di voto a disposizione del pubblico per circa 6 milioni di persone hanno scoperto che le persone nel info + gruppo sociale sono stati 0,39 punti percentuali in più propensi a votare in realtà di persone nella condizione di controllo e che la gente nel gruppo di informazioni le stesse probabilità di votare come persone nella condizione di controllo (Figura 4.17).

Figura 4.17: I risultati di un esperimento get-out-the-voto su Facebook (Bond et al. 2012) . I partecipanti al gruppo informazioni votato alla stessa velocità come le persone in condizione di controllo, ma la gente del info + gruppo sociale votato ad un tasso leggermente superiore. Barre rappresentano stimati gli intervalli di confidenza al 95%. Risultati nel grafico sono circa 6 milioni di partecipanti per i quali i ricercatori potrebbero corrispondere ai record di voto.

Questo esperimento dimostra che alcuni messaggi get-out-the-voto on-line sono più efficaci di altri, e si vede che la stima del ricercatore della efficacia di un trattamento può dipendere dal fatto che studiano riportato o comportamento reale. Questo esperimento, purtroppo, non offre alcun indizio circa i meccanismi attraverso i quali l'informazione-che sociale alcuni ricercatori hanno scherzosamente definito un "volto mucchio" voto -Aumento. Potrebbe essere che l'informazione sociale, ha aumentato la probabilità che qualcuno ha notato il banner o che ha aumentato la probabilità che qualcuno che ha notato il banner in realtà ha votato o entrambi. Così, questo esperimento fornisce una scoperta interessante che un ulteriore ricercatore sarà probabilmente esplorare (si veda ad esempio, Bakshy, Eckles, et al. (2012) ).

Oltre a far avanzare gli obiettivi dei ricercatori, questo esperimento anche avanzato l'obiettivo dell'organizzazione partner (Facebook). Se si modifica il comportamento studiato dal voto per l'acquisto di sapone, allora si può vedere che lo studio ha la stessa struttura esatto come un esperimento per misurare l'effetto degli annunci on-line (si veda ad esempio, Lewis and Rao (2015) ). Questi studi annuncio di efficacia misurano spesso l'effetto dell'esposizione al solo online-trattamenti in Bond et al. (2012) sono fondamentalmente gli annunci per il voto sul comportamento-offline. Così, questo studio potrebbe avanzare la capacità di Facebook di studiare l'efficacia degli annunci online e potrebbe contribuire Facebook convincere potenziali inserzionisti che gli annunci di Facebook sono efficaci.

Anche se gli interessi dei ricercatori e partner sono stati in gran parte allineati in questo studio, sono stati anche parzialmente in tensione. In particolare, l'assegnazione dei partecipanti alle tre condizioni di controllo, informazioni e info + sociale è stato enormemente sbilanciata: il 98% del campione è stato assegnato a info + sociale. Questa ripartizione squilibrata è inefficiente statisticamente, e una dotazione molto meglio per i ricercatori sarebbe stato 1/3 dei partecipanti in ogni gruppo. Ma, la ripartizione squilibrata successo perché Facebook ha voluto tutti a ricevere informazioni + trattamento sociale. Fortunatamente, i ricercatori li convinsero a trattenere 1% per un trattamento correlato e l'1% di partecipanti per un gruppo di controllo. Senza il gruppo di controllo che sarebbe stato praticamente impossibile misurare l'effetto del trattamento info + sociale, perché sarebbe stato un esperimento di "turbare e osservare", piuttosto che un esperimento randomizzato controllato. Questo esempio fornisce una lezione pratica preziosa per lavorare con i partner: a volte si crea un esperimento convincendo qualcuno a fornire un trattamento e, a volte si crea un esperimento convincendo qualcuno di non esprimere un trattamento (ad esempio, per creare un gruppo di controllo).

Partnership non sempre ha bisogno di coinvolgere le aziende tech e test A / B con milioni di partecipanti. Ad esempio, Alexander Coppock, Andrew Guess, e John Ternovski (2016) hanno collaborato con una ONG ambientale (League of Conservation Voters) per eseguire esperimenti di prova diverse strategie per promuovere la mobilitazione sociale. I ricercatori hanno utilizzato account Twitter della ONG per l'invio di entrambi i tweet pubblici e messaggi diretti privati ​​che hanno tentato di primi diversi tipi di identità. I ricercatori hanno poi misurato quale di questi messaggi erano più efficace per incoraggiare le persone a firmare una petizione e le informazioni di retweet su una petizione.

Nel complesso, in partnership con il potente permette di si opera ad una scala che è difficile da fare altrimenti, e la Tabella 4.3 fornisce altri esempi di partenariati tra ricercatori e organizzazioni. Partnering può essere molto più facile che costruire il proprio esperimento. Ma, questi vantaggi sono dotati di svantaggi: partenariati possono limitare i tipi di partecipanti, trattamenti e gli esiti che si può studiare. Inoltre, questi partenariati possono portare a sfide etiche. Il modo migliore per individuare l'opportunità di una collaborazione è quello di notare un vero e proprio problema che si può risolvere mentre si sta facendo la scienza interessante. Se non siete abituati a questo modo di vedere il mondo, può essere difficile da individuare i problemi nel quadrante di Pasteur, ma con la pratica, inizierete a notare sempre di più.