4.6.1ゼロ変動費データを作成します。

大規模な実験を実行するための鍵は、可変コストをゼロにすることです。これを行う最善の方法は、自動化と楽しい実験の設計です。

デジタル実験は劇的に異なるコスト構造を持つことができ、これにより研究者は過去に不可能だった実験を実行することができます。この違いを考える1つの方法は、実験では一般に固定費と変動費という2種類のコストがあることに注意することです。 固定費とは、参加者の数に関係なく変更されない費用です。たとえば、ラボの実験では、固定費はスペースを借りて家具を買う費用になります。一方、 変動費は参加者の数によって変わる。たとえば、ラボの実験では、従業員と参加者に支払うコストが変動する可能性があります。一般に、アナログ実験は固定費が低く、可変費用は高いが、デジタル実験は固定費が高く、変動費は低い（図4.19）。デジタル実験では変動費が低くても、変動費をゼロにまで引き上げると、多くのエキサイティングな機会を作り出すことができます。

図4.19：アナログおよびデジタル実験におけるコスト構造の概略図。一般に、アナログ実験は固定費が低く、可変費用は高いが、デジタル実験は固定費が高く変動費は低い。異なるコスト構造は、アナログ実験では不可能な規模でデジタル実験を実行できることを意味します。

スタッフへの変動費支払いと参加者への支払いの2つの主要な要素があります。これらのそれぞれは、さまざまな戦略を使用してゼロになることができます。スタッフへの支払いは、研究アシスタントが参加者を募集し、治療を提供し、結果を測定する作業に由来します。例えば、Schultzら(2007)電力使用に関するアナログ・フィールド実験では、各家庭に移動して治療を行い、電気メーター（図4.3）を読むために研究助手が必要でした。研究助手によるこの努力のすべては、研究に新しい世帯を追加することはコストを増やすことを意味しました。一方、Wikipedia編集者に対する賞の効果についてのRestivoとvan de Rijt (2012)のデジタルフィールド実験では、研究者は事実上無償で参加者を増やすことができました。可変管理コストを削減するための一般的な戦略は、人件費（高価）をコンピュータ作業（安価）で置き換えることです。おおよそあなた自身に尋ねることができます：私の研究チームの全員が寝ている間にこの実験を実行できますか？答えが「はい」の場合は、自動化の素晴らしい仕事をしています。

変動費の第2の主要なタイプは参加者への支払いです。一部の研究者は、参加者に必要な支払いを減らすため、Amazon Mechanical Turkやその他のオンライン労働市場を使用しています。しかし、変動費をゼロにまで引き上げるには、別のアプローチが必要です。長い間、研究者は非常に退屈な実験を設計しており、参加するために人々に支払わなければなりません。しかし、人々が欲しいと思う実験を作ることができたらどうでしょうか？これは遠くに聞こえるかもしれませんが、私はあなた自身の仕事から以下の例を与えます、そして、より多くの例が表4.4にあります。楽しい実験を設計するというこのアイデアは、第3章のテーマのいくつかをより楽しい調査の設計について、第5章の大量の共同作業の設計について繰り返すことに注意してください。したがって、私は参加者の喜び（ユーザーエクスペリエンスとも呼ばれる）は、デジタル時代の研究デザインにとってますます重要な部分になると考えています。

変動原価データがゼロの実験を作成する場合は、すべてが完全に自動化され、参加者が支払いを必要としないようにする必要があります。これがどのように可能であるかを示すために、文化商品の成功と失敗に関する私の論文の研究について説明します。

私の論文は、文化的商品の成功の困惑の性質から動機づけられました。ヒット曲、ベストセラー書籍、大ヒット映画は、平均よりもはるかに成功しています。このため、これらの製品の市場はしばしば "winner-take-all"市場と呼ばれます。しかし、同時に、特定の曲、本、または映画が成功するかどうかは、信じられないほど予測できません。脚本家ウィリアム・ゴールドマン(1989) William Goldman (1989)は、成功を予言するときに「何も知らない」と評して、多くの学術研究を巧みに要約した。勝者を集める市場の予測不可能性は、品質と運がどれくらいあるかあるいは、少し違った言い方をすれば、並行世界を作り、それらをすべて独立に進化させることができれば、同じ曲が各世界で人気が出るでしょうか？そして、そうでなければ、これらの違いを引き起こすメカニズムは何でしょうか？

これらの質問に答えるために私たちPeter Dodds、Duncan Watts（私の論文アドバイザー）、そして私は一連のオンラインフィールド実験を行った。特に、新しい音楽を発見できるMusicLabというウェブサイトを構築し、一連の実験に使用しました。私たちは、10代の関心のあるウェブサイト（図4.20）にバナー広告を掲載し、メディアで言及して参加者を募集しました。私たちのウェブサイトに到着した参加者はインフォームド・コンセントを提供し、短いバックグラウンドのアンケートを完成し、2つの実験条件、すなわち独立した社会的影響の1つに無作為に割り当てられた。独立した条件では、参加者はバンドと曲の名前だけを聞いて、どの曲を聴くべきかを決定しました。歌を聞いている間、参加者はそれを評価するように求められ、その後、彼らは歌をダウンロードする機会を得ました（ただし義務はありません）。社会的影響条件では、以前の参加者によって各曲が何回ダウンロードされたかを見ることができることを除いて、参加者は同じ経験をした。さらに、社会的影響条件の参加者は、8つの並行世界のうちの1つに無作為に割り当てられ、それぞれが独立して進化した（図4.21）。このデザインを使用して、2つの関連する実験を実行しました。最初に、ソングをソートされていないグリッドで参加者に提示しました。ソートされたグリッドには、人気の弱いシグナルがありました。 2番目の実験では、ランク付けされたリストに曲を呈示しました。これは、より強い人気の信号を提供しました（図4.22）。

図4.20：私の同僚と私がMusicLab実験の参加者を募集していたバナー広告の例(Salganik, Dodds, and Watts 2006) 。 Salganik (2007)許可を得て複製、図2.12。

図4.21：MusicLab実験の実験デザイン(Salganik, Dodds, and Watts 2006) 。参加者は、独立した社会的影響という2つの条件のいずれかにランダムに割り当てられた。独立した条件の参加者は、他の人々が何をしたのかについての情報なしに選択を行った。社会的影響条件の参加者は、世界の各曲の人気度を見ることができる8つの並行世界のうちの1つに無作為に割り当てられたが、彼らは情報を見ることができず、他のどの世界の存在についても知っている。 Salganik, Dodds, and Watts (2006) 、図表s1から適応される。

歌の人気が世界中で違っていることがわかり、運が成功に重要な役割を果たすことが示唆されました。たとえば、1つの世界で52Metroの曲「Lockdown」は48曲のうち1曲目になり、別の世界では40曲目に登場しました。これはまったく同じ曲で、他のすべての曲と競合していましたが、ある世界では運が良かったし、他の曲ではうまくいきませんでした。さらに、2つの実験の結果を比較することによって、社会的影響がこれらの市場の優勝者の性格を高め、おそらくスキルの重要性を示唆していることがわかりました。しかし、この種の平行世界実験以外ではできない世界を見てみると、社会的影響が実際に運の重要性を高めていることがわかりました。さらに驚くべきことに、運が最も重要だったのは最高の魅力であった（図4.23）。

図4.22：MusicLab実験における社会的影響条件のスクリーンショット(Salganik, Dodds, and Watts 2006) 。実験1の社会的影響条件では、曲の位置がそれぞれランダムに割り当てられた16 \(\times\) 3の長方形のグリッドに配置された参加者に、前回のダウンロード回数とともに曲が提示された参加者。実験2では、社会的影響条件の参加者に、現在の人気の降順で1つの列に提示されたダウンロード数を有する歌を示した。

図4.23：上訴と成功の関係を示すMusicLab実験の結果(Salganik, Dodds, and Watts 2006) 。 \(x\)軸は、独立した世界の曲の市場シェアであり、曲の魅力の尺度となります。 \(y\)軸は、同じ曲の市場シェアですソングの成功の尺度となる8つの社会的影響力の世界。特に、実験1から実験2（図4.22）へのレイアウトの変更は、参加者が経験した社会的影響を増加させることにより、特に魅力的な曲の予測が困難になることが判明しました。 Salganik, Dodds, and Watts (2006) 、図3から適応される。

MusicLabは、それが設計された方法のために本質的にゼロの可変コストで動作することができました。まず、すべてが完全に自動化されているので、私が寝ている間に実行することができました。第二に、報酬は無料の音楽だったので、変動する参加者報酬費用はなかった。報酬としての音楽の使用は、時には固定費と変動費との間にトレードオフがあることも示しています。音楽を使うと、バンドからの許可を得るために時間を費やさなければならず、参加者の音楽に対する反応についてのレポートを準備する必要があったため、固定費が増加しました。しかし、この場合、変動費を減らすために固定費を​​増やすことは正しいことでした。そのことが、標準的な実験室実験の約100倍の実験を実行することを可能にしました。

さらに、MusicLabの実験によれば、ゼロの可変コストはそれ自体で終わる必要はありません。むしろ、新しい種類の実験を実行する手段になる可能性があります。私たちは参加者全員が標準的な社会影響ラボ実験を100回実行するのに使用しなかったことに注意してください。代わりに、私たちは、あなたが心理学的実験から社会学的実験に切り替えると考えることができる、異なった何かをしました(Hedström 2006) 。個々の意思決定に焦点を当てるのではなく、我々の実験を集団的な結果である人気に集中させました。集合的な成果へのこの転換は、単一のデータポイントを作成するために約700人の参加者が必要であることを意味しました（並列世界のそれぞれに700人がいました）。このスケールは、実験のコスト構造のためにのみ可能でした。一般的に、研究者が個々の決定から集団アウトカムがどのように生じるかを研究したい場合、MusicLabのようなグループ実験は非常にエキサイティングです。過去においては、それらは論理的に困難でしたが、可変コスト・データがゼロである可能性があるため、そのような困難は衰えています。

MusicLabの実験では、ゼロの可変コストデータの利点を示すことに加えて、高い固定費というこのアプローチの課題も示されています。私の場合、Peter Hauselという才能のあるWeb開発者と約6ヶ月間作業して実験を構築できることは非常に幸運でした。これは私の顧問、Duncan Wattsがこの種の研究を支援するためにいくつかの助成金を受けていたためにのみ可能でした。 2004年にMusicLabを開発して以来、技術は向上しました。今のような実験を構築する方がはるかに簡単です。しかし、高い固定費戦略は、実際にはそれらの費用を何らかの形でカバーすることができる研究者にとってのみ可能です。

結論として、デジタル実験は、アナログ実験とは劇的に異なるコスト構造を持つことができます。本当に大きな実験を実行したい場合は、可能な限り可変費用を減らし、理想的には0まで減らすようにしてください。これは、実験の仕組みを自動化すること（人の時間をコンピュータの時間に置き換えるなど）と、人々が参加したい実験を設計することによって行うことができます。これらの機能を使って実験を設計できる研究者は、過去には不可能でした。しかし、可変コストゼロの実験を作成する能力は、新しい倫理的問題を提起することができます。