4.3 പരീക്ഷണങ്ങളുടെ രണ്ട് അളവുകൾ: ലാബ്-മണ്ഡലം, അനലോഗ്-ഡിജിറ്റൽ

ലാബ് പരീക്ഷണങ്ങൾ നിയന്ത്രണവും നൽകാൻ, ഫീൽഡ് പരീക്ഷണങ്ങൾ യാഥാര്ഥത അർപ്പിച്ചു ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ സ്കെയിലിൽ നിയന്ത്രണവും റിയലിസം സംയോജിപ്പിച്ച്.

പരീക്ഷണങ്ങൾ പല ആകൃതിയിലും വലിപ്പത്തിലും വന്നു. ലാബിൽ പരീക്ഷണങ്ങളും ഫീൽഡ് പരീക്ഷണങ്ങളും തമ്മിൽ തുടർച്ചയായി പരീക്ഷണങ്ങളെ സംഘടിപ്പിക്കാൻ കഴിഞ്ഞത് ഗവേഷകർ കണ്ടെത്തിയിട്ടുണ്ട്. എന്നിരുന്നാലും, അനലോഗ് പരീക്ഷണങ്ങളും ഡിജിറ്റൽ പരീക്ഷണങ്ങളും തമ്മിൽ രണ്ടാമത്തെ തുടർച്ചയായുള്ള പരീക്ഷണങ്ങൾ ഗവേഷകർ സംഘടിപ്പിക്കണം. വ്യത്യസ്ത സമീപനങ്ങളുടെ ശക്തിയും ദൗർബല്യവും മനസ്സിലാക്കാൻ ഈ ദ്വിമാന രൂപകൽപ്പന സഹായിക്കുകയും ഏറ്റവും മികച്ച അവസരങ്ങളെ ഉയർത്തിക്കാട്ടുകയും ചെയ്യുന്നു (ചിത്രം 4.1).

ചിത്രം 4.1: പരീക്ഷണങ്ങളുടെ ഡിസൈൻ സ്ഥലത്തിന്റെ സ്കീമും. കഴിഞ്ഞ കാലങ്ങളിൽ, പരീക്ഷണശാലകൾ ലാബ്-ഫീൽഡ് മാനത്തിനൊപ്പം വ്യത്യസ്തമായിരുന്നു. ഇപ്പോൾ, അവർ അനലോഗ്-ഡിജിറ്റൽ മാനത്തെ ആശ്രയിച്ച് വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. ഞാൻ ഈ അധ്യായത്തിൽ വിവരിക്കുന്ന നാല് പരീക്ഷണങ്ങൾ ഈ ദ്വിമാന രൂപകൽപ്പനയിൽ ചിത്രീകരിച്ചിരിക്കുന്നു. എന്റെ അഭിപ്രായത്തിൽ ഏറ്റവും മികച്ച അവസരങ്ങളുടെ മേഖല ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങളാണ്.

പരീക്ഷണങ്ങളാൽ സംഘടിപ്പിക്കാനാകുന്ന ഒരു മാനം, ലാബ്-ഫീൽഡ് തലത്തിലാണ്. സോഷ്യൽ സയൻസസുകളിൽ പല പരീക്ഷണങ്ങളും ലാബ് പരീക്ഷണങ്ങളാണ് . ബിരുദാനന്തര വിദ്യാർത്ഥികൾ കോഴ്സ് ക്രെഡിറ്റ് വേണ്ടി ലാബ് വിചിത്രമായ ജോലികൾ ചെയ്യുന്നു എവിടെ. ഇത്തരത്തിലുള്ള പരീക്ഷണം മനഃശാസ്ത്രത്തിൽ ഗവേഷണം ആധിപത്യം പുലർത്തുന്നു. കാരണം, ഗവേഷണം ചെയ്യുന്നവർ സാമൂഹിക പെരുമാറ്റത്തെക്കുറിച്ച് കൃത്യമായി ഒറ്റപ്പെട്ടതും പരീക്ഷണ സിദ്ധാന്തങ്ങൾക്കായി പരിശോധിക്കുന്നതും പ്രാപ്തമാക്കുന്നു. അത്തരം അസാധാരണമായ അത്തരം അസാധാരണമായ അത്തരം അസാധാരണ പ്രവർത്തനങ്ങളിൽ അത്തരം അസാധാരണ പ്രവർത്തനങ്ങളിൽ നിന്ന് മനുഷ്യരുടെ സ്വഭാവത്തെക്കുറിച്ച് ശക്തമായ നിഗമനങ്ങളിൽ എത്തിപ്പെടാൻ ചില പ്രശ്നങ്ങൾക്ക് വിചിത്രമാണ്. ഈ ആശങ്കകൾ ഫീൽഡ് പരീക്ഷണങ്ങളിലേക്ക് നീങ്ങുന്നതിലേക്ക് നയിച്ചു. കൂടുതൽ സ്വാഭാവികമായ ക്രമീകരണങ്ങളിൽ കൂടുതൽ സാധാരണ ചുമതലകൾ ചെയ്യുന്ന പങ്കാളികളുടെ കൂടുതൽ പ്രതിനിധി സംഘങ്ങളുമായി റാൻഡഡ് നിയന്ത്രണ പരീക്ഷണങ്ങൾ ശക്തമായ രൂപകൽപ്പന സംയോജിപ്പിച്ച് ഫീൽഡ് പരീക്ഷണങ്ങൾ.

ലാബ് ആന്റ് ഫീൽഡ് പരീക്ഷണങ്ങളെ മത്സരാധിഷ്ഠിതമായ രീതികളായി ചിലർ കരുതുന്നുണ്ടെങ്കിലും അവയെ വ്യത്യസ്തങ്ങളായ ബലഹീനതകളും ബലഹീനതകളും ആയി പരിഗണിക്കാം. ഉദാഹരണമായി, Correll, Benard, and Paik (2007) "ലാഘവത്വം" യുടെ ഉറവിടങ്ങൾ കണ്ടെത്തുന്നതിനായി ലാബ് പരീക്ഷണങ്ങളും ഫീൽഡ് പരീക്ഷകളും ഉപയോഗിച്ചു. യുണൈറ്റഡ് സ്റ്റേറ്റ്സിൽ അമ്മമാർ കുട്ടികളല്ലാത്ത സ്ത്രീകളെ അപേക്ഷിച്ച് കുറച്ചു പണം സമ്പാദിക്കുന്നു, സമാന ജോലിയിൽ ജോലി ചെയ്യുന്ന സമാന കഴിവുകളെ സ്ത്രീകൾ താരതമ്യം ചെയ്യുന്നു. ഈ പാറ്റേയ്ക്കിറങ്ങുന്ന അനേകം വിശദീകരണങ്ങളുണ്ട്. ഇതിൽ ഒന്ന് തൊഴിൽദാതാക്കൾ അമ്മയ്ക്കെതിരായി പക്ഷപാതമുള്ളവരാണ്. (രസകരം, എതിർദിശയിൽ പിതാക്കന്മാർക്ക് ഇത് ശരിയാണ്: അവർ താരതമ്യപ്പെടുത്താവുന്ന കുട്ടികളെക്കാൾ കൂടുതൽ സമ്പാദിക്കാറുണ്ട്). അമ്മയ്ക്കെതിരെ സാധ്യമായ പക്ഷപാതിത്വം വിലയിരുത്തുന്നതിന്, കോറെലും സഹപ്രവർത്തകരും രണ്ടു പരീക്ഷണങ്ങൾ നടത്തി: ലാബിൽ ഒന്നിലും, വയലിൽ ഒന്ന്.

ആദ്യം, ലാബ് പരീക്ഷണം നടത്തിയപ്പോൾ അവർ കോളേജ് ബിരുദധാരികളായിരുന്നു, ഒരു കമ്പനി തങ്ങളുടെ പുതിയ ഈസ്റ്റ് കോസ്റ്റ് മാർക്കറ്റിംഗ് വകുപ്പിനെ നയിക്കാനായി ഒരു തൊഴിലവസര അന്വേഷണം നടത്തുകയുണ്ടായി. വിദ്യാർത്ഥികൾ ജോലിയുടെ പ്രവർത്തനത്തിൽ തങ്ങളുടെ സഹായം ആവശ്യപ്പെട്ടുവെന്നും, നിരവധി സാധ്യതയുള്ള സ്ഥാനാർത്ഥികളുടെ പുനരവലോകനം പുനരാരംഭിക്കാൻ ആവശ്യപ്പെടുകയും, അവരുടെ ബുദ്ധി, ഊഷ്മളത, പ്രവർത്തിക്കാനുള്ള പ്രതിബദ്ധത തുടങ്ങിയ നിരവധി അളവുകളിൽ സ്ഥാനാർത്ഥികളെ റേറ്റുചെയ്യാൻ ആവശ്യപ്പെടുകയും ചെയ്തു. കൂടാതെ, അപേക്ഷകനെ നിയമിക്കാൻ ശുപാർശ ചെയ്യണോ അതോ അവർ ഒരു തുടക്ക ശമ്പളമായി ശുപാർശ ചെയ്യണോ എന്ന് വിദ്യാർത്ഥികളോട് ആവശ്യപ്പെട്ടു. വിദ്യാർത്ഥികൾക്ക് അറിയാമായിരുന്നില്ലെങ്കിലും, പുനരാരംഭിക്കുക എന്നത് ഒരു കാര്യം മാത്രമാണ് ഒഴികെ നിർദ്ദിഷ്ടമായി നിർമ്മിക്കപ്പെട്ടവയാണ്: അവരിൽ ചിലർ മാതൃത്വത്തെ സൂചിപ്പിക്കുന്നു (മാതാപിതാക്കൾ-അദ്ധ്യാപക സംഘടനയിൽ ലിസ്റ്റിംഗ് ബന്ധപ്പെട്ട്) ചിലരും അങ്ങനെ ചെയ്തില്ല. കുട്ടികൾ മാതാപിതാക്കളെ ജോലിക്കെടുക്കാൻ ശുപാർശ ചെയ്യാനുള്ള സാധ്യത കുറവാണെന്ന് കോറൽയും സഹപ്രവർത്തകരും കണ്ടെത്തി. കൂടാതെ, റേറ്റിംഗ്, റിക്രൂട്ട്മെൻറ് തീരുമാനങ്ങൾ എന്നിവയെ സംബന്ധിച്ച ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം വഴി, കരോൾ, സഹപ്രവർത്തകർ എന്നിവരുടെ അഭിപ്രായത്തിൽ അമ്മയുടെ അനാരോഗ്യങ്ങൾ ഏറ്റവും കൂടുതൽ വിശദീകരിക്കപ്പെട്ടിരുന്നു. അങ്ങനെ, ഈ ലാബിൽ പരീക്ഷണം കോർണും സഹപ്രവർത്തകരും ഒരു ഇഫക്റ്റൽ ഫലത്തെ അളക്കാൻ അനുവദിക്കുകയും ആ ഫലത്തെക്കുറിച്ചുള്ള വിശദമായ വിശദീകരണം നൽകുകയും ചെയ്തു.

തീർച്ചയായും, ഒരു മുഴുവൻ സമയ ജോലിയും ഉണ്ടാവാത്ത ഏതാനും നൂറുകണക്കിന് ബിരുദധാരികളുടെ തീരുമാനത്തെ അടിസ്ഥാനപ്പെടുത്തിയുള്ള, യുഎസ് തൊഴിൽ കമ്പോളത്തെക്കുറിച്ച് നിഗമനത്തിലെത്താൻ ഒരാൾക്ക് സംശയമുണ്ടാകാം. അതുകൊണ്ട്, കോറെലും സഹപ്രവർത്തകരും ഒരു പര്യവേക്ഷണ ഫീൽഡ് പരീക്ഷണം നടത്തി. നൂറുകണക്കിന് പരസ്യ ഓഫർ ചെയ്ത തൊഴിലുകൾ തുറന്നപ്പോൾ അവർ കവർ കത്തുകൾ എഴുതി. ബിരുദധാരികളോട് കാണിക്കുന്ന വസ്തുതകൾക്ക് സമാനമായി, ചിലർ ചിഹ്നമായ മാതൃത്വത്തെ പുനരാരംഭിക്കുന്നു, ചിലർ അങ്ങനെ ചെയ്തില്ല. തുല്യ യോഗ്യതയുള്ള കുട്ടികളല്ലാത്ത സ്ത്രീകളേക്കാൾ, അഭിമുഖത്തിന് മറുപടിയായി അമ്മമാർ തിരിച്ചെടുക്കാൻ സാധ്യത കുറവാണെന്ന് കോറെലും സഹപ്രവർത്തകരും കണ്ടെത്തി. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, യഥാർത്ഥ തൊഴിൽദാതാക്കൾ ഒരു സ്വാഭാവിക സംവിധാനത്തിൽ അനന്തരഫലമായ തീരുമാനമെടുക്കുകയും, ബിരുദധാരികളെ പോലെ പെരുമാറുകയും ചെയ്തു. അതേ കാരണങ്ങളാൽ അവർ സമാനമായ തീരുമാനങ്ങളെടുത്തിരുന്നോ? നിർഭാഗ്യവശാൽ, ഞങ്ങൾക്ക് അറിയില്ല. അപേക്ഷകരെ റേറ്റുചെയ്യാൻ അല്ലെങ്കിൽ അവരുടെ തീരുമാനങ്ങൾ വിശദീകരിക്കാൻ തൊഴിലാളികൾക്ക് ചോദിക്കാനായില്ല.

പരീക്ഷണങ്ങളുടെ ഈ ജോടി ലാബ്, ഫീൽഡ് പരീക്ഷണങ്ങൾ പൊതുവായി കുറിച്ച് ധാരാളം വെളിപ്പെടുത്തുന്നു. ലാബിൽ പരീക്ഷണം നടത്തുന്നവർ പരിപാടി നടത്തുന്നവർ പരിതാപകരമായ പരിതഃസ്ഥിതിയിൽ ഗവേഷകരെ സമീപിക്കുകയാണ്. ഉദാഹരണമായി, പരീക്ഷണശാലയിൽ, എല്ലാ റെസ്യമെമുകളും നിശബ്ദമായ ഒരു ക്രമീകരണത്തിൽ വായിച്ചതായി ഉറപ്പാക്കാൻ കറലും സഹപ്രവർത്തകരും കഴിഞ്ഞു. ഫീൽഡ് പരീക്ഷയിൽ, പുനരാരംഭം ചിലത് വായിച്ചിട്ടില്ലായിരുന്നു. കൂടാതെ, ലാബിലിറ്റി സെന്ററിലെ പങ്കാളികൾ അവർ പഠിക്കുകയാണെന്ന് അറിയാമെന്നാണ്, പങ്കാളികൾ അവരുടെ തീരുമാനങ്ങൾ എന്തുകൊണ്ടാണ് വിശദീകരിക്കുന്നതെന്ന് വിശദീകരിക്കാൻ സഹായിക്കുന്ന അധിക വിവരം പലപ്പോഴും ശേഖരിക്കാൻ സാധിക്കും. ഉദാഹരണത്തിന്, വ്യത്യസ്ത അളവുകളിൽ സ്ഥാനാർത്ഥികളെ റേറ്റുചെയ്യാൻ ലാബറിനും സഹപ്രവർത്തകർക്കും ലാബ് പരീക്ഷണത്തിൽ പങ്കെടുത്തവർ ആവശ്യപ്പെട്ടു. പങ്കെടുക്കുന്നവർ പുനരാരംഭിക്കുന്ന രീതിയിലുള്ള വ്യത്യാസങ്ങൾ തമ്മിലുള്ള പൊരുത്തക്കേടിനെ ഗവേഷകകർ മനസ്സിലാക്കാൻ ഇത്തരത്തിലുള്ള പ്രക്രിയ ഡാറ്റ സഹായിക്കും.

മറുവശത്ത്, ഞാൻ ഇപ്പോൾ ഗുണങ്ങളെ വിശേഷിപ്പിച്ചിട്ടുള്ള കൃത്യമായ ഈ ഗുണങ്ങൾ ചിലപ്പോൾ ദോഷരഹിതമായവയാണ്. ലാബ് പരീക്ഷണങ്ങളെ മുൻകൂട്ടി ചെയ്യുന്ന ഗവേഷകർ ലാബ് പരീക്ഷണങ്ങളിൽ പങ്കെടുക്കുന്നവർ വ്യത്യസ്തമായ രീതിയിൽ പ്രവർത്തിക്കുമെന്ന് വാദിക്കുന്നു, കാരണം അവർ പഠിക്കുകയാണെന്ന് അവർക്കറിയാം. ഉദാഹരണമായി, ലാബിൽ പരീക്ഷണത്തിൽ, പങ്കെടുക്കുന്നവർ ഗവേഷണത്തിന്റെ ലക്ഷ്യം ഊഹിച്ചെടുക്കുകയും അവരുടെ പെരുമാറ്റത്തെ മാറ്റിമറിക്കുകയും ചെയ്തേക്കാം, അതിനാൽ പക്ഷപാതപരമായി കാണപ്പെടാതിരിക്കുക. കൂടാതെ, ഫീൽഡ് പരീക്ഷണങ്ങൾ ഇഷ്ടപ്പെടുന്ന ഗവേഷകർ പുനർനിർമ്മാണത്തിലെ ചെറിയ വ്യത്യാസങ്ങൾ വളരെ ശുദ്ധമായ, സ്റ്റെറൈൽ ലാബ് പരിസ്ഥിതിയിൽ മാത്രമേ നിലകൊള്ളാൻ കഴിയൂവെന്നും, അങ്ങനെ ലാബിൽ പരീക്ഷണം യഥാർഥ നിയമന ഉത്തരവാദിത്തങ്ങളിൽ മാതൃത്വത്തിന്റെ പ്രഭാവത്തെക്കുറിച്ച് അമിതവണ്ണമുണ്ടാക്കുമെന്നും വാദിക്കുന്നു. അവസാനമായി, പരീക്ഷണാടിസ്ഥാനത്തിൽ നടത്തിയ പരീക്ഷണങ്ങളിലെ നിരവധി പ്രൊപ്പോന്റേറ്റുകൾ, WEIRD പങ്കാളികളുടെ വിമർശനത്തെ വിമർശിക്കുന്നു: പ്രധാനമായും പാശ്ചാത്യ, വിദ്യാസമ്പന്നരും, വ്യവസായവത്കൃതരും, സമ്പന്നരും, ഡെമോക്രാറ്റിക് രാജ്യങ്ങളും (Henrich, Heine, and Norenzayan 2010a) . കോറൽ ആൻഡ് സഹപ്രവർത്തകരുടെ പരീക്ഷണങ്ങൾ (2007) ലാബ്-ഫീൽഡ് തുടർച്ചയുടെ രണ്ട് അന്തിമങ്ങളെ വിവരിക്കുന്നു. ഈ രണ്ടു പരിതഃസ്ഥിതികൾക്കിടയിലും ഹൈബ്രിഡ് ഡിസൈനിങ്ങുമുണ്ട്. വിദ്യാർഥികളെ നോൺ-ലാബുകളിൽ പ്രവേശിപ്പിക്കുകയോ വയലിലേക്ക് പോവുകയോ ചെയ്യുന്ന രീതികളോ, പക്ഷെ അവയിൽ പങ്കെടുക്കുന്നവർ അസാധാരണമായ ജോലി ചെയ്യുന്നു.

മുൻകാലങ്ങളിൽ നിലനിന്നിരുന്ന ലാബ്-ഫീൽഡ് മാനദണ്ഡത്തിനേക്കാൾ, ഡിജിറ്റൽ പ്രായം എന്നാണ് ഗവേഷകർ ഇപ്പോൾ പരീക്ഷണങ്ങളിൽ വ്യത്യാസപ്പെടാവുന്ന രണ്ടാമത്തെ പ്രധാന വ്യത്യാസം ഉള്ളതെന്ന് അർത്ഥം: അനലോഗ് ഡിജിറ്റൽ. ശുദ്ധമായ ലാബിൽ പരീക്ഷണങ്ങൾ, ശുദ്ധമായ ഫീൽഡ് പരീക്ഷണങ്ങൾ, കൂടാതെ സങ്കരവർഗ്ഗങ്ങളുടെ വൈവിധ്യമാർന്ന വൈവിധ്യമാർന്ന അനലിസ്റ്റ് പരീക്ഷണങ്ങൾ, ശുദ്ധമായ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ, സങ്കരവർഗ്ഗങ്ങൾ എന്നിവയുമുണ്ട്. ഈ മാനത്തിന്റെ ഒരു ഔപചാരിക നിർവചനം വാഗ്ദാനം ചെയ്യുന്നത് തന്ത്രപരമാണ്, എന്നാൽ പൂർണ്ണമായ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ ഡിജിറ്റൽ ഇൻഫ്രാസ്ട്രക്ചർ ഉപയോഗിക്കുന്നവർക്ക് പങ്കാളികളെ റിക്രൂട്ട് ചെയ്യുന്നതിനും, റാൻഡൈസ് ചെയ്യുന്നതിനും, ചികിത്സകൾ കൈമാറുന്നതിനും, അളവുകോൽ ഫലങ്ങൾ നൽകുന്നതിനും ആണ്. ഉദാഹരണത്തിന്, ബാർസ്റ്ററുകളുടെയും വിൻ ഡി റജിറ്റിന്റെയും (2012) നടത്തിയ റെസ്റ്റ്വോയും വിൻ ഡി റിജറ്റ്സിന്റെ (2012) പഠനവും ഡിജിറ്റൽ പരീക്ഷണമായിരുന്നു. അതുപോലെ, ഈ നാലു ഘട്ടങ്ങളിലേതെങ്കിലും ഡിജിറ്റൽ ഇൻഫ്രാസ്ട്രക്ചർ ഉപയോഗിച്ച് പൂർണ്ണമായി അനലോഗ് പരീക്ഷണങ്ങൾ നടത്തുകയില്ല . സൈക്കോളജിയിലെ പല പ്രമുഖ പരീക്ഷണങ്ങളും അനലോഗ് പരീക്ഷണങ്ങളാണ്. അനുകരണീയവും ഡിജിറ്റൽ സംവിധാനവും ചേർന്ന് ഭാഗികമായി ഈ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടന്നിട്ടുണ്ട്.

ചില ആളുകൾ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ ചിന്തിക്കുമ്പോൾ, അവർ ഉടനെ ഓൺലൈൻ പരീക്ഷണങ്ങൾ തോന്നുന്നു. ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടത്തുന്നതിനുള്ള അവസരങ്ങൾ ഓൺലൈനിൽ അല്ല, കാരണം ഇത് നിർഭാഗ്യമാണ്. ചികിത്സാരീതികൾ അല്ലെങ്കിൽ അളവുകോൽ പരിപാടികൾ എന്നിവക്കായി ഫിസിക്കൽ ലോകത്തെ ഡിജിറ്റൽ ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഗവേഷകർക്ക് ഭാഗികമായി ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടത്താൻ കഴിയും. ഉദാഹരണത്തിന്, ഗവേഷണവിദഗ്ധർ ഫലങ്ങളുടെ അളവെടുക്കാൻ നിർമ്മിത പരിസ്ഥിതിയിൽ ചികിത്സകൾ അല്ലെങ്കിൽ സെൻസറികൾ നൽകാൻ സ്മാർട്ട് ഉപയോഗിക്കാൻ കഴിയും. വാസ്തവത്തിൽ, ഈ അധ്യായത്തിൽ നമ്മൾ പിന്നീട് കാണും പോലെ, 8.5 ദശലക്ഷം വീടുകളിൽ (Allcott 2015) ഉൾപ്പെടുന്ന ഊർജ്ജ ഉപഭോഗം സംബന്ധിച്ച് പരീക്ഷണങ്ങളിൽ (Allcott 2015) ഊർജ്ജം ഇതിനകം ഉപയോഗിച്ചു കഴിഞ്ഞു. ജനങ്ങളുടെ ജീവനും സെൻസറുകളുമൊക്കെയായി ഡിജിറ്റൽ ഉപകരണങ്ങൾ കൂട്ടിച്ചേർക്കപ്പെട്ടതോടെ, നിർമിച്ച അന്തരീക്ഷത്തിൽ സംയോജിതമാവുകയും, ഭൌതിക ലോകത്തിൽ ഭാഗികമായി ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടത്താൻ ഈ അവസരങ്ങൾ നാടകീയമായി വർദ്ധിക്കും. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ മാത്രമല്ല ഓൺലൈൻ പരീക്ഷണങ്ങൾ.

ലാബ്-ഫീൽഡ് തുടർച്ചയോടൊപ്പം എല്ലായിടത്തും പരീക്ഷണങ്ങൾക്കായി ഡിജിറ്റൽ സംവിധാനങ്ങൾ പുതിയ സാധ്യതകൾ സൃഷ്ടിക്കുന്നു. ഉദാഹരണമായി, ശുദ്ധമായ ലാബ് പരീക്ഷണങ്ങളിൽ, ഗവേഷകർക്ക് ഡിജിറ്റൽ സംവിധാനങ്ങൾ ഉപയോഗിക്കാം. ഈ രീതിയിലുള്ള മെച്ചപ്പെട്ട അളവിലെ ഒരു ഉദാഹരണം കണ്ണ്-ട്രാക്കിംഗ് ഉപകരണങ്ങളുടെ കൃത്യമായ, നിരന്തരമായ അളവുകൾ നൽകുന്നു. ഡിജിറ്റൽ യുസേഷൻ ഓൺലൈൻ പരീക്ഷണ പരീക്ഷണങ്ങൾ പ്രവർത്തിപ്പിക്കാനുള്ള സാധ്യതയും സൃഷ്ടിക്കുന്നു. ഉദാഹരണത്തിന്, ഓൺലൈൻ പരീക്ഷണങ്ങൾക്കായി പങ്കാളികളെ റിക്രൂട്ട് ചെയ്യുന്നതിനായി ആമസോൺ മെക്കാനിക്കൽ ടർക് (MTurk) ഗവേഷകർ അതിവേഗം സ്വീകരിച്ചു. പണത്തിനായി ആ ചുമതലകൾ പൂർത്തിയാക്കാൻ ആഗ്രഹിക്കുന്ന "തൊഴിലാളികളുമായി" പൂർത്തിയാക്കേണ്ട ചുമതലയുള്ള "തൊഴിൽദാതാക്കളുമായി" MTurk വിക്കുന്നു. പരമ്പരാഗത തൊഴിൽ വിപണികളിൽനിന്ന് വ്യത്യസ്തമായി, സാധാരണയായി ഉൾപ്പെടുന്ന ചില ജോലികൾ പൂർത്തിയാക്കാൻ ഏതാനും മിനിട്ടുകൾ മാത്രം മതി, തൊഴിൽ ദാതാവും തൊഴിലാളിയും തമ്മിലുള്ള ആശയവിനിമയം ഓൺലൈനിലാണെന്നാണ്. പരമ്പരാഗത ലാബിൽ പരീക്ഷണാർത്ഥമുള്ള ആളുകളെ MTR അനുകരിക്കാനുള്ള സ്വാതന്ത്ര്യത്തിന് കാരണം, അവർ സൌജന്യമായി ചെയ്യാൻ കഴിയാത്ത ചുമതലകൾ നിറവേറ്റാൻ-ചില തരത്തിലുള്ള പരീക്ഷണങ്ങൾക്ക് സ്വാഭാവികമായി യോജിക്കുന്നത്. അടിസ്ഥാനപരമായി, പങ്കാളികളുടെ ഒരു കുളം കൈകാര്യം ചെയ്യുന്നതിനുള്ള അടിസ്ഥാന സൌകര്യങ്ങളെ MTurk സൃഷ്ടിച്ചിട്ടുണ്ട്. റിക്രൂട്ടിംഗ്, ജനങ്ങൾ അടയ്ക്കുന്നതിന്- ഗവേഷകർക്ക് എല്ലായ്പ്പോഴും പങ്കാളികളുടെ എല്ലായിടത്തും ഒരു തുണ്ട് ടാപ്പ് ചെയ്യുന്നതിനുള്ള അടിസ്ഥാന സൗകര്യം പ്രയോജനപ്പെടുത്തിയിട്ടുണ്ട്.

ചിത്രം 4.2: ആമസോൺ മെക്കാനിക്കൽ ടർക്കി (MTurk) ൽ നിന്നുള്ള വിവരങ്ങൾ ഉപയോഗിച്ച് പേപ്പർ പ്രസിദ്ധീകരിച്ചു. MTurk ഉം മറ്റ് ഓൺലൈൻ ലേബർ മാർക്കറ്റുകളും ഗവേഷകർക്ക് പരീക്ഷണാർത്ഥികളെ റിക്രൂട്ട് ചെയ്യുന്നതിനുള്ള ഒരു സൗകര്യപ്രദമായ മാർഗം നൽകുന്നു. ബോഹന്നനിൽ നിന്ന് സ്വീകരിച്ചിരിക്കുന്നു Bohannon (2016) .

ഡിജിറ്റൽ വ്യവസ്ഥകൾ ഫീൽഡ് പോലുള്ള പരീക്ഷണങ്ങൾക്ക് കൂടുതൽ സാദ്ധ്യതകൾ സൃഷ്ടിക്കുന്നു. പ്രത്യേകിച്ചും, ലാബിൽ പരീക്ഷണങ്ങളുമായി ബന്ധപ്പെട്ട കൂടുതൽ വൈവിധ്യമാർന്ന പങ്കാളികളും കൂടുതൽ പ്രകൃതി സജ്ജീകരണങ്ങളുമുള്ള ലാബിൽ പരീക്ഷണങ്ങളുമായി ബന്ധപ്പെട്ട കട്ടിയുള്ള നിയന്ത്രണവും പ്രോസസ് ഡാറ്റയും ഗവേഷകരെ സംയോജിപ്പിക്കുന്നതിന് അവർ ഗവേഷകരെ പ്രാപ്തമാക്കുന്നു. കൂടാതെ, ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ അനലോഗ് പരീക്ഷണങ്ങൾ ബുദ്ധിമുട്ടുള്ള മൂന്നു അവസരങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു.

ഒന്നാമതായി, അനലോഗ് ലാബോളിനും ഫീൽഡ് പരീക്ഷണത്തിനും നൂറുകണക്കിന് പങ്കാളികൾ ഉണ്ട്, ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ ദശലക്ഷക്കണക്കിന് പങ്കാളികൾക്ക് ഉണ്ടാകും. ചില ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ പൂജ്യം വേരിയബിൾ നിരക്കിലുള്ള ഡാറ്റ നിർമ്മിക്കാനാകുന്നതിനാലാണ് ഈ വലിപ്പത്തിലുള്ള മാറ്റം. അതായത്, ഒരു ഗവേഷക സംഘം പരീക്ഷണാത്മക ഇൻഫ്രാസ്ട്രക്ചർ ഉണ്ടാക്കിയാൽ, പങ്കെടുക്കുന്നവരുടെ എണ്ണം വർദ്ധിപ്പിക്കും. 100 അല്ലെങ്കിൽ അതിൽക്കൂടുതൽ ഒരു ഘടകം കൊണ്ട് പങ്കാളികളുടെ എണ്ണം വർദ്ധിക്കുന്നത് ഒരു പരിവർത്തനമാറ്റമല്ല ; ഇത് ഒരു ഗുണപരമായ മാറ്റമാണ്, കാരണം ഗവേഷകർ വിവിധ പരീക്ഷണങ്ങളിൽ നിന്ന് പഠിക്കുവാൻ സഹായിക്കുന്നു (ഉദാ: ചികിത്സ ഫലങ്ങളുടെ വൈറ്റോണിനിയം), കൂടാതെ തികച്ചും വ്യത്യസ്തമായ പരീക്ഷണാത്മക രൂപകല്പനകൾ (ഉദാ: വലിയ-ഗ്രൂപ്പ് പരീക്ഷണങ്ങൾ) പ്രവർത്തിപ്പിക്കുവാൻ. ഈ കാര്യം വളരെ പ്രാധാന്യമർഹിക്കുന്നതാണ്, ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ സൃഷ്ടിക്കുന്നതിനെക്കുറിച്ചുള്ള ഉപദേശങ്ങൾ ഞാൻ നൽകുമ്പോൾ അധ്യായത്തിൻറെ അവസാന ഭാഗത്തേക്ക് ഞാൻ ഇതിലേക്ക് തിരിയുന്നു.

രണ്ടാമതായി, മിക്ക അനലോഗ് ലാബുകളും ഫീൽഡ് പരീക്ഷകളും വേർതിരിക്കാനാവാത്ത വിഡ്ജറ്റുകൾ ആണെന്നാണ്, ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ ഗവേഷണത്തിന്റെ ഡിസൈൻ, വിശകലന ഘട്ടങ്ങളിൽ പങ്കെടുക്കുന്നവരെക്കുറിച്ചുള്ള പശ്ചാത്തല വിവരങ്ങൾ ഉപയോഗിക്കുന്നു. പ്രീ-ട്രീറ്റ് വിവരങ്ങൾ എന്ന് വിളിക്കുന്ന ഈ പശ്ചാത്തല വിവരങ്ങൾ പലപ്പോഴും ഡിജിറ്റൽ പരീക്ഷണങ്ങളിൽ ലഭ്യമാണ്, കാരണം അവർ എല്ലായ്പ്പോഴും മുകളിലുള്ള അളവുകൾ സിസ്റ്റത്തിൽ പ്രവർത്തിക്കുന്നു (അധ്യായം 2 കാണുക). ഉദാഹരണത്തിന്, ഫേസ്ബുക്കിൽ ഒരു ഗവേഷകൻ തന്റെ ഡിജിറ്റൽ രംഗത്തെ പരീക്ഷണത്തിലെ ജനങ്ങളെക്കുറിച്ച് കൂടുതൽ മുൻകരുതലുകൾ നൽകിയിട്ടുണ്ട്, അത് അനലോഗ് ഫീൽഡ് പരീക്ഷണത്തിലെ ജനങ്ങളെക്കുറിച്ച് ഒരു സർവകലാശാല ഗവേഷകനെക്കാളും കൂടുതലാണ്. തടയൽ (Higgins, Sävje, and Sekhon 2016) , പങ്കാളികളുടെ (Eckles, Kizilcec, and Bakshy 2016) ടാർഗെറ്റ് ചെയ്യൽ തുടങ്ങിയ നിരവധി കാര്യക്ഷമമായ പരീക്ഷണാത്മക രൂപകൽപനകൾ ഈ പ്രീ- (Eckles, Kizilcec, and Bakshy 2016) ചികിത്സ ഫലങ്ങളുടെ വൈറ്റമിൻസിയുടെ കണക്കിലെടുത്ത് കൂടുതൽ ഉൾക്കാഴ്ചയുള്ള വിശകലനം (Athey and Imbens 2016a) മെച്ചപ്പെട്ട സൂക്ഷ്മപരിശോധന വേണ്ടി covariate ക്രമീകരണം (Bloniarz et al. 2016) .

മൂന്നാമതായി, അനലോഗ് ലാബിൽ, ഫീൽഡ് പരീക്ഷണങ്ങൾ താരതമ്യേന ചുരുങ്ങിയ സമയത്തിനുള്ളിൽ ചികിത്സകളും അളവുകൂടുകളും നൽകുന്നു, ചില ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ വളരെക്കാലം കൂടുതലാണെന്നത്. ഉദാഹരണത്തിന്, റെസ്റ്റിവോയും വാൻ ഡി റിജറ്റിന്റെ പരീക്ഷയും 90 ദിവസം ദൈനംദിന അളവിലേക്ക് അളക്കപ്പെട്ടു, അതിൽ പരീക്ഷണങ്ങളിൽ ഒന്ന്, പിന്നീട് (Ferraro, Miranda, and Price 2011) വർഷങ്ങളിൽ നടത്തിയ ട്രാക്ക് ചെയ്ത ഫലങ്ങൾ, ചെലവ്. ഈ മൂന്ന് അവസരങ്ങളായ-വലിപ്പവും മുൻകാല ചികിത്സാ വിവരങ്ങളും, ദീർഘചതുരാകൃതിയിലുള്ള ചികിത്സയും ഫലവികാര ഡാറ്റയും-പരീക്ഷണങ്ങളെ എല്ലായ്പ്പോഴും മുകളിലാണ്-അളവായുള്ള സംവിധാനങ്ങളിൽ (സാധാരണയായി അളവെടുക്കൽ സിസ്റ്റങ്ങളിൽ കൂടുതൽ വായിക്കുക 2) കാണുക.

ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ പല സാധ്യതകൾ വാഗ്ദാനം ചെയ്യുമ്പോൾ, അവർ അനലോഗ് ലാബും അനലോഗ് ഫീൽഡ് പരീക്ഷണങ്ങളും ചില ബലഹീനതകൾ പങ്ക്. ഉദാഹരണമായി, കഴിഞ്ഞ പഠനത്തിനായി പരീക്ഷണങ്ങൾ ഉപയോഗിക്കാനാവില്ല, മാത്രമല്ല, കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ചികിത്സയുടെ ഫലങ്ങൾ മാത്രമേ അവർ കണക്കാക്കാൻ കഴിയൂ. നയങ്ങൾ നയിക്കുന്നതിനുള്ള പരീക്ഷണങ്ങൾ തെളിയിക്കപ്പെട്ടിട്ടുള്ളതെങ്കിലും, അവ പരിഗണിക്കാവുന്ന കൃത്യമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ പാരിസ്ഥിതിക ആശ്രിതത്വം, അനുരഞ്ജന പ്രശ്നങ്ങൾ, സന്തുലിതപ്രശ്നങ്ങൾ തുടങ്ങിയ സങ്കീർണതകൾ മൂലം പരിമിതമാണ്. (Banerjee and Duflo 2009; Deaton 2010) . ഫീൽഡ് പരീക്ഷണങ്ങൾ സൃഷ്ടിച്ച ധാർമ്മിക ഉത്കണ്ഠകളും ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങളും മഹത്തരമാക്കും- ഈ അദ്ധ്യായത്തിലും, ആറാം അദ്ധ്യായത്തിലും ഞാൻ പിന്നീട് അഭിസംബോധന ചെയ്യും.