4.1 Ievads

Šajā grāmatas novērošanas praksē (2. nodaļa) un jautājumos (3. nodaļa) iekļautajās pieejās pētnieki vāc datus nejauši un sistemātiski maina pasauli. Šajā nodaļā aplūkotajā eksperimentā izmantota pieeja ir būtiski atšķirīga. Kad pētnieki veic eksperimentus, viņi sistemātiski iejaukusies pasaulē, lai radītu datus, kas ir ideāli piemēroti, lai atbildētu uz jautājumiem par cēloņsakarības un seku sakariem.

Cēloņu un seku jautājumi ir ļoti bieži sastopami sociālajos pētījumos, un piemēri ietver šādus jautājumus: Vai skolotāju algu palielināšana palielina studentu apmācību? Kāda ir minimālās algas ietekme uz nodarbinātības līmeni? Kā darba meklētāja sacīkstes ietekmē viņu iespējas iegūt darbu? Papildus šiem nepārprotami cēloņu jautājumiem dažkārt iemesli un sekas ir netieši saistīti ar vispārīgākiem jautājumiem par dažu veiktspējas rādītāju maksimizēšanu. Piemēram, jautājums "Kāda krāsa pogai ziedot būtu jāpiedalās NVO vietnē?", Patiesībā ir daudz jautājumu par dažādu pogu krāsu ietekmi uz ziedojumiem.

Viens veids, kā atbildēt uz cēloņsakarības jautājumiem, ir meklēt esošo datu modeļus. Piemēram, atgriežoties pie jautājuma par skolotāju algu ietekmi uz studentu mācīšanos, jūs varētu aprēķināt, ka skolēni vairāk mācās skolās, kurās ir augsts skolotāju algu līmenis. Bet vai šī korelācija parāda, ka augstākas algas rada skolēniem vairāk uzzināt vairāk? Protams, nē. Skolas, kurās skolotāji nopelnīs vairāk, dažādos veidos var atšķirties. Piemēram, studenti skolās ar augstiem skolotāju algām varētu nākt no bagātākām ģimenēm. Tādējādi tas, kas izskatās kā skolotāju efekts, varēja būt tikai salīdzinot dažādu veidu studentus. Šīs nenoteiktās atšķirības starp skolēniem tiek sauktas par neskaidriem , un, kopumā, neskaidrības var ietekmēt pētnieku spēju atbildēt uz cēloņu un seku jautājumiem, meklējot pašreizējos datus.

Viens no problēmu risinātājiem ir mēģināt taisnīgi salīdzināt, pielāgojot novērojamās atšķirības starp grupām. Piemēram, iespējams, jūs varat lejupielādēt īpašuma nodokļa datus no vairākām valdības vietnēm. Pēc tam jūs varētu salīdzināt skolēnu sniegumu skolās, kurās māju cenas ir līdzīgas, bet skolotāju algas ir atšķirīgas, un jūs joprojām varētu uzskatīt, ka skolēni vairāk mācās skolās ar augstāku skolotāju samaksu. Bet vēl joprojām ir daudz iespējamo neskaidrību. Varbūt šo studējošo vecāki atšķiras izglītības līmenī. Vai varbūt skolas atšķiras ar tuvumu publiskajām bibliotēkām. Vai varbūt skolas ar augstāko skolotāju maksā arī lielāku samaksu par direktoriem, un galvenā atlīdzība, nevis maksa par skolotāju, patiešām ir pieaugoša studentu izglītošanās. Jūs arī varētu mēģināt izmērīt un koriģēt šos faktorus, taču iespējamo satricinātāju saraksts ir būtībā bezgalīgs. Daudzās situācijās jūs vienkārši nevarat izmērīt un koriģēt visus iespējamos traucētājus. Atbildot uz šo izaicinājumu, pētnieki ir izstrādājuši vairākus paņēmienus cēloņu novērtējumu veikšanai no neeksperimentāliem datiem - dažus no tiem esmu pārrunājis 2. nodaļā, bet dažiem jautājumu veidiem šīs metodes ir ierobežotas, un eksperimenti piedāvā daudzsološus alternatīva.

Eksperimenti ļauj pētniekiem pārspēt dabā sastopamu datu korelācijas, lai droši atbildētu uz dažiem cēloņsakarības jautājumiem. Analogā vecumā eksperimenti bieži bija loģistiski sarežģīti un dārgi. Tagad digitālajā laikmetā loģistikas ierobežojumi pakāpeniski izzūd. Ne tikai ir vieglāk veikt eksperimentus, piemēram, tos, kas veikti agrāk, tagad ir iespējams palaist jaunus eksperimentus.

Manā rakstā līdz šim esmu bijis mazliet brīvs manā valodā, bet ir svarīgi nošķirt divas lietas: eksperimenti un nejaušināti kontrolēti eksperimenti. Eksperimentā pētnieks iejaucas pasaulē, un pēc tam nosaka rezultātu. Esmu dzirdējusi, ka šī pieeja aprakstīta kā "satraukums un novērojums". Randomizētā kontrolētā eksperimentā pētnieks iejaucas dažiem cilvēkiem, nevis citiem, un pētnieks nolemj, kuri cilvēki saņems iejaukšanos pēc nejaušības principa (piem., Monētas pagriešana). Randomizēti kontrolētie eksperimenti veido taisnīgu salīdzinājumu starp divām grupām: vienu, kas ir saņēmusi iejaukšanos, un tādu, kas to nav izdarījusi. Citiem vārdiem sakot, randomizēti kontrolētie eksperimenti ir problēmu risinājums problēmu risināšanā. Pārbaužu un novērojumu eksperimenti, tomēr ietver tikai vienu grupu, kas ir saņēmusi iejaukšanos, un tāpēc rezultāti var novest pie pētnieku nepareiza secinājuma (kā es parādīšu drīz). Neskatoties uz būtiskajām atšķirībām starp eksperimentiem un nejaušināti kontrolētiem eksperimentiem, sociālie pētnieki bieži lieto šos vārdus savstarpēji. Es sekosim šai konvencijai, bet dažos punktos es pārtraucu konvenciju, lai uzsvērtu randomizēto kontrolēto eksperimentu vērtību eksperimentos bez randomizācijas un kontroles grupas.

Randomizēti kontrolētie eksperimenti ir izrādījušies spēcīgs veids, kā uzzināt par sociālo pasauli, un šajā nodaļā es parādīšu jums vairāk par to, kā tos izmantot savā pētījumā. Sadaļā 4.2 mēs ilustrēsim eksperimentu loģiku ar piemēru Vikipēdijas eksperimentam. Tad 4.3. Iedaļā es raksturošu atšķirību starp laboratorijas eksperimentiem un lauka eksperimentiem, kā arī atšķirības starp analogajiem eksperimentiem un digitālajiem eksperimentiem. Turklāt es apgalvoju, ka digitālā lauka eksperimenti var piedāvāt labākās analīzes laboratorijas eksperimentu iezīmes (stingru kontroli) un analogos lauka eksperimentus (reālisms), viss ir tāds mērogs, kas iepriekš nebija iespējams. Tālāk 4.4. Sadaļā es raksturos trīs jēdzienus - derīgumu, ārstēšanas efektu neviendabīgumu un mehānismus, kas ir būtiski bagātu eksperimenti. Šajā kontekstā es raksturos kompromisus, kas iesaistīti divās galvenajās digitālo eksperimentu stratēģijās: dara to pats vai sadarbojas ar spēcīgo. Visbeidzot, ar dažiem dizaina padomiem es secināšu, kā jūs varat izmantot digitālo eksperimentu patieso spēku (4.6.1. Sadaļa) un aprakstīt dažus pienākumus, kas saistīti ar šo varu (4.6.2. Sadaļa).