4.6 Patarimai

Nesvarbu, ar jūs darote patys arba dirbti su partneriu, Norėčiau pasiūlyti du patarimų, kad aš nerasta ypač naudinga mano paties darbo. Pirma, manau, kiek įmanoma, prieš bet kokius duomenis buvo surinkta. Šis patarimas tikriausiai atrodo akivaizdu mokslininkų, pripratusiems prie veikia eksperimentus, bet jis yra labai svarbus mokslininkų įpratę dirbti su dideliais duomenų šaltinių (žr 2 skyrių). Su dideliais duomenų šaltinių didžiąją darbo atsitinka po turite duomenis, tačiau eksperimentai yra priešinga; didžiąją darbo dalį reikėtų padaryti prieš jums rinkti duomenis. Vienas iš geriausių būdų, kaip priversti save kruopščiai galvoti apie savo dizainą ir analizės yra sukurti ir užregistruoti analizė planą savo eksperimentą. Laimei, daugelis iš geriausiai praktikos eksperimentinių duomenų analizei buvo įformintas į ataskaitų teikimo gaires, ir šios gairės yra puiki vieta pradėti kuriant savo analizės planas (Schulz et al. 2010; Gerber et al. 2014; Simmons, Nelson, and Simonsohn 2011) .

Antrasis patarimas yra tai, kad niekas eksperimentas bus tobula, ir dėl to, jūs turėtumėte pabandyti sukurti eksperimentų, kurie stiprina vienas kitą seriją. Aš esu girdėjęs tai apibūdinama kaip Armada strategiją; o ne bando sukurti vieną didžiulį Šarvuotiniai, jums gali būti geriau statybinių daug mažesnių laivų su papildomomis stipriąsias puses. Šie kelių eksperimento tyrimų rūšių yra įprastas psichologijos, bet jie yra labai reti kitur. Laimei, Nebrangiai kai kurių skaitmeninių eksperimentų daro tai multi-eksperimento rūšies studijos lengviau.

Be to, aš norėčiau pasiūlyti du patarimų, kurie yra mažiau paplitęs, tačiau dabar yra ypač svarbus kuriant skaitmeninio amžiaus eksperimentus: sukurti nulinės ribiniams kaštams duomenis ir kurti etikos į savo dizainą.