4.5.2独自の実験を構築する

独自の実験を構築することはコストがかかるかもしれませんが、それはあなたが望む実験を作成することができます。

既存の環境の上に実験を重ねることに加えて、独自の実験を構築することもできます。このアプローチの主な利点は制御です。実験を構築している場合は、必要な環境と治療法を作成することができます。これらの個別の実験環境は、自然発生環境でテストすることが不可能な理論をテストする機会を作り出すことができます。独自の実験を構築することの主な欠点は、費用がかかり、作成できる環境に自然発生システムの現実感がないことです。独自の実験を構築する研究者は、参加者を募集する戦略も持っていなければなりません。既存のシステムで作業する場合、研究者は基本的に実験を参加者にもたらす。しかし、研究者が独自の実験を構築するときには、参加者を参加させる必要があります。幸運なことに、Amazon Mechanical Turk（MTurk）などのサービスは、参加者に実験をもたらす便利な方法を研究者に提供することができます。

抽象理論をテストするための個別の環境の長所を示す1つの例は、Gregory Huber、Seth Hill、およびGabriel Lenz (2012)のデジタルラボ実験です。この実験は、民主的ガバナンスの機能に現実的な限界がある可能性を探るものである。これまでの実際の選挙の非実験的研究は、有権者が現職の政治家の業績を正確に評価できないことを示唆していた。特に、有権者は、（1）累積的なパフォーマンスではなく最近のものに焦点を当てている。 （2）レトリック、フレーミング、マーケティングによって操作できる。 （3）現地のスポーツチームの成功や天候など、現役のパフォーマンスに関係のないイベントの影響を受ける可能性がある。しかし、これらの初期の研究では、現実的で面倒な選挙で起こる他のすべてのことから、これらの要因のいずれかを分離することは困難でした。したがって、Huberらは、これらの3つの可能性のあるバイアスのそれぞれを分離し、実験的に勉強するために、非常に単純化された投票環境を作りました。

以下の実験設定について説明しますが、非常に人工的に聞こえるようになりますが、現実感はラボスタイルの実験では目標ではありません。むしろ、目標はあなたが勉強しようとしているプロセスを明確に分離することです。そして、このようにしっかりとした分離はより現実的な研究では不可能になることがあります(Falk and Heckman 2009) 。さらに、この特定のケースでは、有権者がこの非常に単純化された設定で効果的にパフォーマンスを評価できない場合、より現実的でより複雑な設定でそれを行うことはできないと主張しました。

HuberらはMTurkを使用して参加者を募集しました。参加者がインフォームドコンセントを得て、簡単なテストに合格した後、彼女は32ラウンドの試合に参加してリアルマネーに変換できるトークンを獲得していると言われました。試合の初めに、各参加者には、各ラウンドに自由トークンを与える「アロケータ」が割り当てられていると言われ、割り当て者の中には他よりも寛大であった人もいます。さらに、各参加者は、16ラウンドの試合後にアロケータを保持するか、新しいアロケータを割り当てるチャンスがあるとも言われました。ヒューバーと同僚の研究目標について知っていることを考えれば、アロケータは政府を表しており、この選択は選挙を表していますが、参加者は研究の一般的な目標を認識していませんでした。合計で、Huberらは約4,000人の参加者を募集し、約8分かかって約1.25ドルを支払った。

以前の研究の結果の1つは、現地のスポーツチームの成功や天気予報など、明らかにコントロールできない成果に対して有権者が報酬を得て処罰することでした。 Huberらは、参加者が決定を投票することが、その場面でまったくランダムなイベントの影響を受けるかどうかを評価するために、実験システムに抽選を追加した。第8ラウンド、第16ラウンド（アロケータの交換の直前）で、参加者は無作為に5,000ポイントを獲得したもの、0ポイントを獲得したもの、5,000ポイントを失ったものがありました。この宝くじは、政治家の業績に左右されない良いニュースや悪いニュースを模倣するためのものでした。参加者は抽選が抽選の結果と無関係であると明言されたにもかかわらず、抽選の結果は依然として参加者の決定に影響を与えた。宝くじの恩恵を受けた参加者はアロケータを保有する可能性が高く、ラウンド8（図4.15）で起こったときよりも、交代決定前のラウンド16で宝くじが起こったときにこの効果がより強かった。これらの結果は、論文のいくつかの他の実験の結果とともに、Huberらは、簡略化された設定でさえ、有権者が賢明な決定を下すことを困難にしていると結論づけました。その結果、有権者の意思決定に関する将来の研究(Healy and Malhotra 2013) 。 Huberらの実験では、MTurkを使用して、非常に特殊な理論を正確にテストするためにラボスタイルの実験の参加者を募集することができることが示されています。また、独自の実験環境を構築することの価値を示しています。これらのプロセスがどのように他の設定でもきれいに分離されているとは想像もつきません。

図4.15： Huber, Hill, and Lenz (2012)結果宝くじの恩恵を受けた参加者はアロケータを保持する可能性が高く、この決定はラウンド16でラウンド16で行われたときに効果が強かった。ラウンド8で起こったときよりもそうだったHuber, Hill, and Lenz (2012) 、図5。

研究室のような実験を構築することに加えて、研究者はよりフィールド的な実験を構築することもできます。例えば、 Centola (2010)は、ソーシャルネットワークの構造が行動の広がりに及ぼす影響を調べるためのデジタルフィールド実験を構築しました。彼の研究の質問は、異なるソーシャルネットワーク構造を持っていたが、区別がつかない集団に広がっている同じ行動を観察することを彼に要求した。これを行う唯一の方法は、特注のカスタムメイドの実験でした。この場合、CentolaはWebベースの健康コミュニティを構築しました。

Centolaは、健康ウェブサイトの広告を通じて約1,500人の参加者を募集しました。参加者がオンラインコミュニティ（Healthy Lifestyle Networkと呼ばれる）に到着したとき、彼らはインフォームドコンセントを提供し、その後、「健康仲間」に割り当てられました.Centolaがこれらの保健仲間を割り当てたために、彼はさまざまなソーシャルネットワーク構造を異なるグループ。いくつかのグループはランダムなネットワーク（誰もが同じように接続される可能性が高い）を持つように構築されましたが、他のグループはクラスタ化されたネットワーク（接続がより局所的に密集している）に構築されました。次に、Centolaは各ネットワークに新しい動作を導入しました。新しいWebサイトに追加の健康情報を登録する機会です。誰でもこの新しいウェブサイトにサインアップすると、彼女の健康仲間のすべてがこの動作を知らせる電子メールを受け取りました。 Centolaは、新しいWebサイトにサインアップするこの動作が、ランダムネットワークよりもクラスタ化されたネットワークでさらに高速に広がっていることを発見しました。この発見はいくつかの既存の理論に反していました。

全体として、独自の実験を構築することで、より多くの制御が可能になります。それはあなたが勉強したいものを分離するための最良の環境を構築することを可能にします。私が今説明した2つの実験が、既に存在する環境でどのように実行されたかを想像するのは難しいです。さらに、独自のシステムを構築することで、既存のシステムの実験に関する倫理的な懸念が減ります。しかし、独自の実験を構築する際には、実験室の実験で遭遇する多くの問題にぶつかります。参加者の募集と現実感に関する懸念です。最終的な欠点は、これらの例が示すように、実験は比較的シンプルな環境（ Huber, Hill, and Lenz (2012)による投票の研究など）からさまざまな範囲にわたるが、独自の実験を構築することは費用と時間がかかることである。比較的複雑な環境（例えば、 Centola (2010)によるネットワークや伝染の研究など）にも適用されます。