4.6.1 тэг хувьсах зардлын мэдээллийг бий болгох

Их хэмжээний туршилтуудыг гүйцэтгэх гол түлхүүр бол хувьсах зардлыг тэг рүү шилжүүлэх явдал юм. Үүнийг хийх хамгийн сайн аргууд нь автоматжуулалт, хөгжилтэй туршилтын загвар юм.

Дижитал туршилтууд нь өртөг өндөртэй бүтцийн бүтэцтэй байж болох бөгөөд энэ нь судлаачид урьд өмнө боломжгүй байсан туршилтуудыг явуулах боломжийг олгодог. Энэ ялгааны талаар бодох нэг арга бол туршилтууд ерөнхийдөө хоёр төрлийн зардал байдаг: тогтмол зардал ба хувьсах зардал. Тогтмол зардал гэдэг нь оролцогчийн тооноос үл хамааран өөрчлөгдөхгүй зардал юм. Жишээ нь, лабораторийн туршилтад тогтмол зардлыг орон байр түрээслэх, тавилга худалдан авах зардал байж болно. Нөгөө талаас хувьсах зардал нь оролцогчдын тооноос хамаарч өөрчлөгддөг. Жишээлбэл, лабораторийн туршилтад хувьсах зардал нь ажилтнууд болон оролцогчдоос төлбөр авч болно. Ерөнхийдөө аналог туршилтууд нь тогтмол зардал багатай, өндөр хувьсах зардлуудтай байдаг бол тоон туршилтууд нь өндөр тогтмол зардал, бага хувьсах зардлуудтай байдаг (Зураг 4.19). Хэдийгээр дижитал туршилтууд нь хувьсах зардлууд бага боловч хувьсах зардлыг тэг рүү чиглүүлэхэд маш их таатай боломжуудыг бий болгож чадна.

Зураг 4.19: Аналог ба дижитал туршилтын зардлын бүтцийг бүдүүв. Ерөнхийдөө аналог туршилтууд нь тогтмол зардал багатай, өндөр хувьсах зардлуудтай байдаг бол тоон туршилтууд нь өндөр тогтмол зардал, бага хувьсах зардлуудтай байдаг. Зардлын өөр өөр бүтэц нь тоон туршилтууд нь аналог туршилтаар боломжгүй байж болно.

Ажилтнуудад хувьсах зардлыг төлөх хоёр үндсэн элемент байдаг ба оролцогчдод төлбөр төлдөг бөгөөд тэдгээрийг өөр өөр стратеги ашиглан тэг болгон ашиглаж болно. Ажилтнуудад тєлєх тєлбєр нь туслах ажилтнуудыг судалж, эмчилгээг хїргэх, їр дїнг хэмжих ажилд ордог. Жишээлбэл, Schultz болон түүний хамтрагч нарын (2007) аналоги талбарт туршилт хийсэн туршилт нь гэрт тус бүрт очиж, цахилгаан тоолуурыг уншиж, цахилгаан тоолуурыг уншина (Зураг 4.3). Судалгааны туслах ажилтнууд энэ бүх хүчин чармайлт нь судалгаанд шинэ өрх нэмж оруулбал өртөг нэмэгдэх болно гэсэн үг юм. Нөгөөтэйгүүр, Restivo болон van de Rijt (2012) тоон хээрийн туршилтыг Википедигийн редакторуудад шагнал гардуулсны хувьд судлаачид бараг үнэ төлбөргүйгээр оролцож чаддаг. Хувьсах захиргааны зардлыг багасгах ерөнхий стратеги нь компьютерийн ажил (хямд) хүний ​​ажлын (үнэтэй) зардлыг солих явдал юм. Хамраарай, та өөрөөсөө асууж болно: Судалгааны багийн хүн бүр унтаж байхад энэ туршилтыг явуулж чадах уу? Хэрвээ хариулт нь тийм бол та автоматжуулалт хийх гайхалтай ажил хийсэн.

Хувьсах зардлын хоёр дахь гол төрөл нь оролцогчдод төлөх төлбөр юм. Зарим судлаачид Амазон Механик Турк болон бусад онлайн хөдөлмөрийн зах зээлийг ашиглаж байгаа хүмүүст шаардлагатай төлбөрийг бууруулах зорилгоор ашигладаг. Хувьсах зардлуудыг тэг рүү чиглүүлэхийн тулд өөр өөр арга барил шаардлагатай болно. Удаан хугацааны туршид судлаачид туршилтыг зохион бүтээсэн нь маш уйтгартай, хүмүүсийг оролцоход нь төлөх ёстой. Хэрэв та хүмүүсийг хүсч байгаа туршилтыг үүсгэж чадах юм бол яах вэ? Энэ нь алс ирээдүйд сонсогдож магадгүй ч би өөрийнхөө ажлын талаар доорхи жишээг үзүүлж байна. Хүснэгт 4.4-д илүү олон жишээнүүд байна. Туршлагатай туршилтыг зохион бүтээх энэ санаа нь 3-р бүлгийн зарим сэдвийг илүү таатай судалгаа хийх, олон нийтийн хамтын ажиллагааны дизайнтай холбоотой 5-р бүлэгт анхаарлаа хандуулахыг санаарай. Тиймээс оролцогчдын таашаал авах нь хэрэглэгчдийн туршлага гэж нэрлэгдэх болно-тоон эриний судалгааны дизайны чухал хэсэг байх болно гэж би бодож байна.

Хэрэв та тэг хувьсах зардлын өгөгдөлтэй туршилт хийхийг хүсч байгаа бол бүх зүйл бүрэн автоматжиж, оролцогчдод ямар ч төлбөр шаарддаггүйг баталгаажуулах хэрэгтэй. Үүнийг хэрхэн үзүүлэхийг харуулахын тулд би соёлын бүтээгдэхүүний амжилт, алдааны талаархи диссертацийн судалгааг тайлбарлах болно.

Миний диссертаци соёлын бүтээгдэхүүнийг амжилтанд хүргэх гайхамшигтай шинж чанараар өдөөгдсөн юм. Хит дуу, хамгийн сайн борлуулалттай ном, бөмбөрцөг кино зэрэг нь дунджаас илүү амжилттай байдаг. Иймээс эдгээр бүтээгдэхүүний зах зээлийг "ялагч-авдаг бүх" зах зээл гэж нэрлэдэг. Гэсэн хэдий ч тухайн дуу, ном, кино нь ямар амжилтанд хүрэх нь тодорхойгүй юм. Бичигч зохиолч Уильям Голдмэн (1989) амжилтанд хүрэхийн тулд амжилтанд хүрэхэд "хэн ч юу ч мэддэггүй" хэмээн эрдэмтэн судлаач Вильям Голдмэн (1989) хэлжээ. чанар, хичнээн аз жаргалтай байна. Эсвэл арай өөрөөр илэрхийлэгддэг, хэрвээ бид паралель ертөнцийг бүтээж, тэдгээрийг бүгдийг бие даан хөгжүүлбэл дэлхий даяар ижил дуунууд алдартай болох уу? Хэрэв үгүй ​​бол эдгээр ялгааг бий болгодог механизм юу байж болох вэ?

Эдгээр асуултуудад хариулахын тулд бид-Питер Доддс, Дункан Ваттс (миний диссертацийн зөвлөх), би онлайн хээрийн туршилтуудыг цувралаар хийлээ. Тухайлбал бид MusicLab нэртэй вэбсайт үүсгэсэн бөгөөд хүмүүс шинэ хөгжим нээж, бид хэд хэдэн туршилтын турш ашиглаж байсан. Оролцогчид нь өсвөр үеийнхэнд зориулсан вэбсайт сурталчилгаанд (Зураг 4.20) зар сурталчилгааг ажиллуулж, хэвлэл мэдээллийн хэрэгсэлд дурдагдсан. Оролцогчид манай вебсайтад зочилж, зөвшөөрөл авсан бөгөөд богино хэмжээний асуулгын хуудсыг бөглөж, туршилтын хоёр нөхцөлийн аль нэгээр нь бие даасан, нийгмийн нөлөөлөлтэйгээр санамсаргүй байдлаар томилсон. Тусдаа бие даасан байдалд оролцогчид аль дуунууд болон дуунуудын нэрийг өгч, аль дууг сонсох талаар шийдвэр гаргав. Дуу сонсохдоо оролцогчид үүнийг үнэлэхийг хүссэний дараа үнэлэхийг шаарддаг (гэхдээ үүрэг биш) дуунуудыг татаж авахыг хүссэн. Нийгмийн нөлөөллийн нөхцөл байдалд оролцогчид өмнөх оролцогчдын хичнээн удаа дуу тус бүрийг хэдэн удаа татаж авсныг харснаас бусад ижил туршлагатай байсан. Цаашилбал, нийгмийн нөлөөллийн нөхцөл байдалд оролцогчид бие биедээ бие даасан байдлаар хөгжсөн найман параллель ертөнцийн нэгэнд санамсаргүй байдлаар хуваарилагдсан байна (Зураг 4.21). Энэ загварыг ашиглан бид хоёр туршилтыг явуулсан. Эхнийхэд бид дуу авиагүй олон тооны сүлжээнд оролцогчдод танилцуулсан бөгөөд энэ нь тэднийг нэр хүндгүй дохиогоор хангасан юм. Хоёрдахь туршилтаар бид дуунуудыг жагсаалтын зэрэгцээ жагсаасан бөгөөд энэ нь алдар хүндийн илүү хүчтэй дохиогоор (Зураг 4.22) үзүүлсэн юм.

Зураг 4.20: Хамтран ажиллагсад маань би MusicLab-ийн туршилтуудыг (Salganik, Dodds, and Watts 2006) шалгаруулдаг байсан банн сурталчилгааны зарчмын жишээ юм. Salganik (2007) -аас зөвшөөрөл авсны дараа зураг 2.12.

Зураг 4.21: MusicLab туршилтын туршилтын загвар (Salganik, Dodds, and Watts 2006) . Оролцогчид нь бие даасан, нийгмийн нөлөөг хоѐр нөхцлөөс нь санамсаргүй байдлаар авч үзсэн. Оролцогчдын бие даасан байдал нь бусад хүмүүст хийсэн ямар ч мэдээлэлгүй сонголтыг хийсэн. Нийгмийн нөлөөллийн нөхцөл байдалд оролцогчид ертөнцөд байгаа дуу бүрийн өмнөх оролцогчдыг татан оруулснаар түгээмэл тархаж болох найман партаарлын нэгэнд санамсаргүйгээр хуваарилагдсан боловч тэд ямар ч мэдээлэл олж чадаагүй, тэр ч байтугай бусад аль ч ертөнцийг оршин тогтнох тухай мэддэг. Salganik, Dodds, and Watts (2006) нараас Salganik, Dodds, and Watts (2006) , зураг 1-ийн зураг.

Дуугаараа алдартай хүмүүс дэлхийн өнцөг булан бүрт ялгаатай байдгийг олж мэдсэн нь амжилтанд амжилт гаргахад чухал үүрэг гүйцэтгэсэн болохыг олж мэдсэн юм. Жишээлбэл, нэг ертөнцөд "Lockdown" дуу 52 Метро 48 дуугаар 1-д орсон бол өөр нэг ертөнцөд 40-рт орсон. Энэ нь яг ижилхэн дуу шиг өрсөлдөж байсан боловч нэг ертөнцөд азтай, бусад нь бусдаас ялгаатай байсан. Цаашилбал, хоёр туршилтаар үр дүнг харьцуулах замаар нийгмийн нөлөөлөл нь эдгээр зах зээлийн ялагчдын анхаарлыг ихэсгэж, ур чадварын ач холбогдлыг харуулж байгаа юм. Гэхдээ дэлхий даяар (энэ төрлийн параллель оршихуйн туршилтаас гадуур хийгдэж чадахгүй), нийгмийн нөлөөлөл нь азын ач холбогдлыг улам ихэсгэж байгааг бид олж мэдсэн. Цаашилбал, хамгийн их давуу талтай дуунууд нь хамгийн их азтай байсан дуу (Зураг 4.23).

Зураг 4.22: Хөгжмийн Лаб туршилтууд дахь нийгмийн нөлөөллийн нөхцөл байдлын зургууд (Salganik, Dodds, and Watts 2006) . Туршилт 1-ийн нийгмийн нөлөөллийн нөхцөлд өмнөх дуунуудын тоог хамт 16 \(\times\) 3 тэгш өнцөгт бүдүүвчэнд байрлуулсан оролцогчид дуулав. оролцогч. Туршилтын 2-т, нийгмийн нөлөөллийн нөхцөлд оролцогчид татаж авах тоо бүхий дуунуудыг өнөөгийн алдар нэрийг буурах дарааллаар нэг багананд үзүүлэв.

Зураг 4.23: Хөгжмийн лабын туршилтын үр дүнгүүд давж заалдах, амжилт хоёрын харилцааг харуулсан (Salganik, Dodds, and Watts 2006) . \(x\) -аксис нь бие даасан ертөнц дэх дуу хоолойны зах зээлийн хувийг эзэлдэг бөгөөд энэ нь дууны давж гарах хэмжүүр болж байдаг ба \(y\) -axis нь нэг дуугийн зах зээлийн хувь юм. Дуу хөгжмийг амжилтанд хүргэх хэмжигдэхүүн болох нийгмийн нөлөөллийн найман орон. Оролцогчдод үзүүлсэн нийгмийн нөлөөллийг ихэсгэсэн нь туршилт 1-ээс 2-р туршилтаас (зураг 4.22) туршилт хийсэн нь амжилтанд хүрэхийн тулд илүү их урьдчилан таамаглах боломжгүй, ялангуяа хамгийн их давж заалдах дуунуудын хувьд өөрчлөгдөхөд хүрч байгааг олж мэдсэн. Salganik, Dodds, and Watts (2006) , зураг 3-аас авсан.

MusicLab нь үндсэндээ тэг хувьсагч зардлаар зохион бүтээсэн байсан. Нэгдүгээрт, бүх зүйл бүрэн автоматжуулсан болохоор унтаж байх үед гүйж чаддаг байсан. Хоёрдугаарт, нєхєн тєлбєр нь їнэгїй хєгжим байсан учраас оролцогчид нєхєн тєлбєрийн хувьсах зардал байсангїй. Хөгжимийг нөхөн олговор болгон ашиглах нь тогтмол болон хувьсах зардлын хооронд заримдаа арилжаа солигддог болохыг харуулж байна. Хөгжим ашиглах нь тогтмол зардлыг нэмэгдүүлсэн учир би хамтлагуудаас зөвшөөрөл авах цаг гаргаж, оролцогчдын дуу хөгжимд хариу үйлдэл үзүүлэх талаар тайлан бэлтгэх хэрэгтэй болсон. Гэхдээ энэ тохиолдолд хувьсах зардлыг бууруулахын тулд тогтмол зардлыг нэмэгдүүлэх нь зөв зүйл хийх явдал байв; Энэ нь лабораторийн стандарт туршилтаас 100 дахин их туршилтыг явуулах боломжийг бидэнд олгосон юм.

Цаашлаад MusicLab туршилтууд нь тэг хувьсах зардлыг өөрөө төгсгөл болгох шаардлагагүй гэдгийг харуулж байна; Энэ нь шинэ төрлийн туршилт хийх хэрэгсэл болж болох юм. Бидний бүх оролцогчид нийгмийн нөлөөллийн лабораторийн туршилтын стандартыг 100 удаа ашиглахгүй байгааг анхаарна уу. Үүний оронд бид өөр өөр зүйл хийсэн бөгөөд социологийн нэг сэтгэл зүйн туршилтаас шилжсэн гэж бодож болох юм (Hedström 2006) . Хувь хүний ​​шийдвэр гаргахад анхаарлаа төвлөрүүлэхийн оронд бидний алдар нэр, хамтын ажиллагааны үр дүнг туршиж үзсэн. Хамтарсан үр дүнд шилжсэнээр бид 700 орчим оролцогчид нэг өгөгдлийн цэгийг бий болгохыг шаарддаг. (Зэрэгцээ ертөнц бүрт 700 хүн байсан). Туршилтын өртгийн бүтцийн улмаас энэ хэмжигдэхүүн нь боломжтой байсан. Ерөнхийдөө хэрэв судлаачид хувь хүнийхээ шийдвэрээс хамтын үр дүн хэрхэн гарахыг судлахыг хүсч байвал MusicLab зэрэг бүлгийн туршилтууд маш сонирхолтой байдаг. Өнгөрсөн хугацаанд тэд логикийн хувьд хэцүү байсан ч эдгээр хувьсагчдын зардал нь тэг хувьсах зардлын боломжит өгөгдлийн улмаас алдагдаж байна.

Үр дүнд нь хувьсах зардлын өгөгдлүүдийн үр ашгийг харуулахаас гадна Хөгжмийн Лаб туршилтууд нь энэ аргыг ашиглахад бэрхшээлтэй байгааг харуулж байна: өндөр тогтмол зардал. Миний хувьд, Петр Hausel хэмээх авъяаслаг вэб хөгжүүлэгчтэй туршилт хийхэд ойролцоогоор зургаан сарын турш ажиллах чадвартай байхдаа би маш их азтай байсан. Миний зөвлөх Дункан Ваттс энэ төрлийн судалгааг дэмжихийн тулд хэд хэдэн тэтгэлэг авсан тул энэ нь боломжтой байсан юм. 2004 онд MusicLab-ийг байгуулснаас хойш технологи нь сайжирсан тул одоо ийм туршилтыг хийхэд илүү хялбар болно. Гэвч зардал өндөр өртөгтэй стратегиуд нь ийм зардлыг нөхөх боломжтой судлаачдын хувьд л боломжтой юм.

Дүгнэж хэлэхэд тоон туршилтууд нь аналог туршилтуудаас ялгаатай өртөг бүхий бүтэцтэй байж болно. Хэрэв та үнэхээр том туршилтуудыг хийхийг хүсч байгаа бол хувьсах зардлыг аль болох бага байлгахыг хичээх хэрэгтэй. Туршилтын механизмыг автоматаар автоматжуулах (жишээлбэл, компьютерийг компьютерээр солих цаг хугацаа гэх мэт), хүмүүсийг хүссэн туршилтуудыг загварчлах замаар хийж болно. Эдгээр шинж чанаруудтай туршилтуудыг зохион бүтээдэг судлаачид шинэ төрлийн туршилтуудыг гүйцэтгэх боломжтой болно. Өмнө нь боломжгүй байсан. Гэсэн хэдий ч, тэг хувьсах зардлын туршилтыг үүсгэх чадвар нь ёс зүйн шинэ асуултууд, одоо миний хэлэлцэх сэдвийг бий болгож чадна.