4.3 प्रयोग दोन परिमाणे: लॅब मैदानावरील आणि analog-डिजिटल

लॅब प्रयोग नियंत्रण ऑफर शेतात प्रयोग वास्तववाद देतात, आणि डिजिटल क्षेत्रात प्रयोग प्रमाणात नियंत्रण आणि वास्तववाद एकत्र.

प्रयोग बर्याच आकार आणि आकारात येतात. भूतकाळात, संशोधकांनी प्रयोग प्रयोग प्रयोगासह आणि क्षेत्र प्रयोगांमधील एक तळाशी असलेले प्रयोग आयोजित करण्यास उपयुक्त असल्याचे आढळले आहे. आता, तथापि, संशोधकांनी एनालॉग प्रयोग आणि डिजिटल प्रयोगांदरम्यान दुसर्या सातत्यसह प्रयोग देखील आयोजित केले पाहिजेत. हे द्वि-आयामी डिझाइन स्पेस आपल्याला वेगवेगळ्या पध्दतीतील ताकद आणि कमकुवतता समजून घेण्यास मदत करेल आणि सर्वात मोठी संधी (आकृती 4.1) च्या क्षेत्रास हायलाइट करेल.

आकृती 4.1: प्रयोगांसाठी डिझाइन स्पेस योजनाबद्ध. भूतकाळातील प्रयोग-प्रयोगशाळेच्या आकारमानावर प्रयोग बदलले. आता, ते अॅनालॉग-डिजिटल आयाम वर देखील बदलतात. या दोन-डीमेंटल डिझाइन स्पेसमध्ये या प्रयोगाच्या चार प्रयोगांवरून स्पष्ट केले आहे. माझ्या मते, मोठी संधी क्षेत्र डिजिटल फील्ड प्रयोग आहे

एक परिमाण जे प्रयोगांचे आयोजन केले जाऊ शकते ते प्रयोग-फील्ड आकारमान आहे. सामाजिक शास्त्रातील अनेक प्रयोग प्रयोगशाळेत प्रयोग आहेत जेथे पदवीपूर्व विद्यार्थ्यांनी अभ्यासक्रमात क्रेडिटसाठी एक प्रयोगशाळेत विचित्र काम केले. या प्रकारच्या प्रयोगाने मानसशास्त्र संशोधनावर प्रभाव टाकला आहे कारण हे संशोधकांना सामाजिक वागणुकीबद्दल विशिष्ट सिद्धांतांचे अचूकपणे पृथक आणि चाचणी करण्यासाठी उच्च नियंत्रित सेटिंग्ज तयार करण्यास सक्षम करते. काही समस्यांसाठी, तथापि, असामान्य अशा असामान्य सेटिंगरम्यान अशा असामान्य कार्य करणार्या असामान्य लोकांपासून मानवी वागणुकीबद्दल मजबूत निष्कर्ष काढण्याबद्दल काहीतरी थोडे विचित्र वाटते. या चिंतेमुळे क्षेत्रीय प्रयोगांच्या दिशेने हालचाल झाली आहे. फील्ड प्रयोगांनी अधिक नैसर्गिक सेटिंग्जमध्ये अधिक सामान्य कार्य करणार्या सहभागींच्या अधिक प्रतिनिधी गटासह यादृच्छिक नियंत्रण प्रयोगांचे मजबूत डिझाइन एकत्र केले आहेत.

जरी काही लोकांना लॅब आणि फिल्ड प्रयोगांकडे स्पर्धात्मक पद्धती म्हणून विचार करता असले तरी, त्यांच्यामध्ये पूरक, भिन्न सामर्थ्य आणि कमकुवतता यांच्यासह विचार करणे उत्तम आहे. उदाहरणार्थ, Correll, Benard, and Paik (2007) "मातृत्व दंड" चा स्त्रोत शोधण्याचा प्रयत्नात प्रयोगशाळा प्रयोग आणि एक प्रयोग प्रयोग म्हणून वापरतात. संयुक्त राज्य अमेरिका मध्ये, मातांना निपुत्रिक स्त्रियांपेक्षा कमी पैसे मिळतात, तरीही समान नोकर्यांत काम करणारे समान कौशल्य असलेल्या महिलांची तुलना करणे. या पॅटर्नसाठी बर्याच संभाव्य स्पष्टीकरण आहेत, त्यातील एक म्हणजे नियोक्ते मातांच्या विरोधात पूर्वग्रहदूषित आहेत. (मनोरंजकदृष्टय़ा, पूर्वजांसाठी हे खरे आहे असे वाटते. ते निपुत्रिक नसलेल्या पुरुषांपेक्षा अधिक कमाई करतात.) मातेविरुद्ध संभाव्य पक्षपातीपणाचे मूल्यांकन करण्यासाठी कॉर्लेल्ले आणि त्यांचे सहकाऱ्यांनी दोन प्रयोग केले: एक प्रयोगशाळेमध्ये आणि एक क्षेत्रातील.

सर्वप्रथम, प्रयोगशाळे प्रयोगात त्यांनी कॉलेजच्या अंडरग्रॅजुएट्समधील सहभागींना सांगितले की, एखाद्या कंपनीने आपल्या नवीन ईस्ट कोस्ट मार्केटिंग विभागात नेतृत्व करण्यासाठी रोजगार शोध सुरू केला होता. विद्यार्थ्यांना सांगितले होते की, कंपनी त्यांना कामावर घेण्यास मदत करीत आहे आणि त्यांना अनेक संभाव्य उमेदवारांची पुनर्रचना करण्याची आणि उमेदवारांची बुद्धिमत्ता, प्रेमळपणा, आणि कामाचे प्रतिबिंब यासारख्या अनेक परिमाणांवर रेट करण्यासाठी विचारण्यात आला. पुढे, विद्यार्थ्यांना विचारले की ते अर्जदारची नियुक्ती करण्याबाबत सल्ला देतील आणि ते प्रारंभिक वेतन म्हणून त्यांची शिफारस काय करतील. विद्यार्थ्यांना नकळत, तथापि, रेझ्युमे विशेषतः एक गोष्ट वगळता सारखेच बनविले गेले होते: त्यातील काहीांनी मातृत्व (मायक्रॉफ्ट-शिक्षक असोसिएशनमध्ये लिस्टेड सहभाग) करून काही केले. Correll आणि सहकार्यांना आढळले की विद्यार्थ्यांना मातांची नियुक्ती करण्याची शिफारस कमी होते आणि त्यांनी त्यांना कमी प्रारंभिक वेतन देऊ केले. पुढे, रेटिंग आणि कामावर घेण्यासंबंधीच्या दोन्ही निर्णयांच्या सांख्यिकीय विश्लेषणातून, कॉर्लेल्ल आणि त्यांच्या सहकाऱ्यांनी असे आढळले की मातृभाषेचे काही निराकरण हे प्रत्यक्षात स्पष्ट केले गेले आहे की ते कौशल्य आणि वचनबद्धतेच्या बाबतीत कमी दर्जाचे आहेत. अशा प्रकारे, या प्रयोग प्रयोगातून कॉर्लेने आणि त्यांच्या सहकाऱ्यांनी एका प्रभावाचा प्रभाव मोजण्यासाठी आणि त्या प्रभावासाठी संभाव्य स्पष्टीकरण प्रदान केले.

अर्थात, काही शंभर अंडर ग्रॅज्युएट्सच्या निर्णयावर आधारित संपूर्ण अमेरिकेतील श्रमिक बाजारांविषयी निष्कर्ष काढण्याबद्दल संशय असण्याची शक्यता आहे, ज्यांना कदाचित पूर्णवेळ नोकरी मिळालेली नाही, कोणीतरी कोणी नियुक्त केलेले नाही. म्हणून, कॉर्लेल्ल आणि त्यांच्या सहकाऱ्यांनी पूरक फील्ड प्रयोग देखील आयोजित केले. बनावट कव्हर अक्षरे आणि रेझ्युमेसह शेकडो जाहिरात केलेल्या नोकरीच्या संधींना प्रतिसाद दिला. अंडरग्रेजुएट्सना दाखवलेल्या साहित्याप्रमाणे, काही जणांनी सिग्नल मातृत्व पुन्हा सुरू केले आणि काहींना काही झाले नाही. Correll आणि सहकार्यांना असे आढळले की माता समान मुलास नसलेल्या निःसंदिग्ध स्त्रियांपेक्षा मुलाखतीसाठी परत बोलावण्याची शक्यता कमी असते. दुसऱ्या शब्दांत, नैसर्गिक सेटिंग मध्ये परिणामी निर्णय घेणा वास्तविक नियोक्ते अंडर-ग्रॅज्युएट्स जसे वागले. याच कारणासाठी त्यांनी असेच निर्णय घेतले का? दुर्दैवाने, आम्हाला माहित नाही. संशोधकांनी नियोक्तेला उमेदवारांना रेट करणे किंवा त्यांचे निर्णय स्पष्ट करण्यासाठी विचारण्यास सक्षम नव्हते.

या जोडीचे प्रयोग सामान्यतः लॅब आणि फील्ड प्रयोगांबद्दल बरेच काही शिकवतात. प्रयोगशाळेतील प्रयोग संशोधकांना पर्यावरणाचे जवळ-जवळ नियंत्रण प्रदान करतात ज्यात सहभागी निर्णय घेत आहेत. तर, उदाहरणार्थ, प्रयोगशाळे प्रयोगात, कॉर्लेल्ल आणि सहकाऱ्यांनी हे सुनिश्चित करण्यास सक्षम होते की सर्व रेझ्युमे शांत वातावरणात वाचल्या गेल्या; शेतात प्रयोगात, काही रेझ्युमे कदाचित वाचण्यात आले नाहीत. पुढे, लॅब सेटिंगमधील सहभागींना त्यांचा अभ्यास केला जात आहे हे माहीत असल्याने, संशोधक अनेकदा अतिरिक्त डेटा संकलित करण्यास सक्षम आहेत जे सहभागींचे निर्णय कसे घेऊ शकतात हे स्पष्ट करण्यास मदत करू शकतात. उदाहरणार्थ, कॉरेल आणि त्यांच्या सहकार्यांनी उमेदवारांना वेगवेगळ्या आयामांवर रेट करण्यासाठी प्रयोगशाळेतील प्रयोगांमध्ये विचारले. अशा प्रकारच्या प्रक्रिया डेटामुळे शोधकांना रेझ्युमेसह कशी वागणूक मिळते यातील फरकामुळे तंत्रज्ञानास समजण्यास मदत होऊ शकते.

दुसरीकडे, मी फक्त फायदे म्हणून वर्णन आहे या अचूक समान वैशिष्ट्ये देखील कधीकधी नुकसान समजले जातात संशोधक जे फील्ड प्रयोग प्राधान्य देतात ते प्रयोगशाळेतील सहभागींनी वेगळ्या पद्धतीने कार्य करू शकतात कारण त्यांना माहिती आहे की त्यांचा अभ्यास केला जात आहे. उदाहरणार्थ, प्रयोगशाळे प्रयोगात, सहभागींनी संशोधनाचे उद्दिष्ट ठरविले असावे आणि त्यांच्या वर्तनात बदल केले असतील जेणेकरुन पक्षपाती दिसू नये पुढे, संशोधक जे फील्ड प्रयोग पसंत करतात ते असा तर्क करतील की रेझ्यूमेमध्ये लहान फरक केवळ अतिशय स्वच्छ, निर्जंतुकीकरण प्रयोगशाळेच्या वातावरणातच उभ्या राहू शकतात, आणि अशा प्रकारे प्रयोगशाळेत मातृभाषा वास्तविक निर्णय घेण्याच्या निर्णयांवर अधिक परिणाम होईल. अखेरीस, क्षेत्रीय प्रयोगांच्या अनेक समर्थकांनी प्रयोगशाळेचे प्रयोग 'वेरिड प्रतिभाग्यांच्या' वर आधारीत केले आहे: प्रामुख्याने पाश्चात्य, शिक्षित, औद्योगिक, समृद्ध आणि लोकशाही देशांचे विद्यार्थी (Henrich, Heine, and Norenzayan 2010a) . कॉरेल आणि सहकाऱ्यांनी केलेल्या प्रयोग (2007) प्रयोगशाळेतील सातत्य या दोन कमाल गोष्टी स्पष्ट करतात. या दोन चौरस बाबींमध्ये विविध प्रकारचे संकरित डिझाईन्स देखील आहेत, जसे की गैर-विद्यार्थ्यांना प्रयोगशाळेमध्ये आणणे किंवा शेतात जाणे यासारख्या उपायांसह परंतु तरीही सहभागी एक असामान्य कार्य करत असतात.

भूतकाळात अस्तित्वात असलेल्या प्रयोग-फील्ड परिमाणांव्यतिरिक्त, डिजिटल वय म्हणजे संशोधकांकडे आता दुसरे मोठे आयाम आहे ज्यायोगे प्रयोग वेगवेगळे असू शकतात: अॅनालॉग-डिजिटल. शुद्ध लॅब प्रयोगांसारखे आहेत, शुद्ध क्षेत्र प्रयोग आणि दरम्यानचे विविध संकर आहेत, तेथे शुद्ध अॅनालॉग प्रयोग, शुद्ध डिजिटल प्रयोग आणि संकरित संकरिते आहेत. या आकारमानाची औपचारिक व्याख्या देणे अवघड आहे, परंतु उपयोगी कार्यपद्धती अशी आहे की संपूर्ण डिजिटल प्रयोग म्हणजे प्रयोगासाठी डिजिटल इन्फ्रास्ट्रक्चरचा वापर करणे, सहभागींची भरती करणे, उपचार करणे, उपचार देणे आणि परिणामांचे मोजमाप करणे. उदाहरणार्थ, रेस्टिस्टो आणि व्हॅन दे रिजट (2012) बार्नस्टार आणि विकिपीडियाचा अभ्यास हा एक पूर्ण डिजिटल प्रयोग होता कारण त्याने या सर्व चार चरणांसाठी डिजिटल सिस्टम्स वापरले. त्याचप्रमाणे, पूर्ण अॅनालॉग प्रयोग यापैकी कोणत्याही चार पायर्यासाठी डिजिटल इन्फ्रास्ट्रक्चर वापरत नाहीत. मनोविज्ञान मध्ये बर्याच प्रयोगांचे पूर्ण विश्लेषण आहेत. या दोन्ही कमाल दरम्यान, अॅनलॉग आणि डिजिटल सिस्टम्सच्या मिश्रणाचा वापर करणारे अंशतः डिजिटल प्रयोग आहेत.

जेव्हा काही लोक डिजिटल प्रयोग विचार करतात तेव्हा ते तत्काळ ऑनलाइन प्रयोगांचा विचार करतात. हे दुर्दैवी आहे कारण डिजिटल प्रयोग चालविण्याच्या संधी फक्त ऑनलाईन नाहीत. संशोधक अंशतः डिजिटल प्रयोग चालवू शकतात किंवा डिजीटल डिव्हायसेस वापरून भौतिक जगतामध्ये उपचार किंवा मापदंड काढू शकतात. उदाहरणार्थ, संशोधक परिणामांचे मोजमाप करण्यासाठी तयार केलेल्या वातावरणात उपचार किंवा सेन्सर देण्यासाठी स्मार्टफोन्स वापरू शकतात. खरेतर, आपण या प्रकरणात नंतर पाहणार आहोत, संशोधकांनी आधीपासूनच 8.5 मिलियन घरांना समाविष्ट असलेल्या ऊर्जेच्या खर्चाच्या प्रयोगांवर (Allcott 2015) पावर मीटर वापरले आहेत (Allcott 2015) . डिजिटल यंत्रे लोक लोकांच्या जीवनात एकात्मतेने वाढतात आणि बांधणी केलेल्या वातावरणात सेंद्रिय बनतात म्हणून भौतिक विश्वात अंशतः डिजिटल प्रयोग चालवण्याच्या ह्या संधी नाटकीयरीत्या वाढतील. दुसऱ्या शब्दांत, डिजिटल प्रयोग म्हणजे फक्त ऑनलाईन प्रयोग नव्हे.

प्रयोगशाळेत सातत्य असलेल्या ठिकाणी सर्वत्र प्रयोगांसाठी डिजिटल प्रणाली नवीन शक्यता निर्माण करतात. प्रयोगशाळेतील शुद्ध प्रयोगांमध्ये, उदाहरणार्थ, संशोधक भागधारकांच्या वर्तणुकीच्या चांगल्या मोजमापासाठी डिजिटल यंत्र वापरू शकतात; या प्रकारच्या सुधारित मापनाचे एक उदाहरण डोळा-ट्रॅकिंग उपकरणे आहे जे दृष्टीक्षेप स्थानाचे अचूक आणि सतत उपाय देते. डिजिटल युग ऑनलाइन प्रयोग-प्रयोगांच्या प्रयोगांची शक्यता देखील वाढविते. उदाहरणार्थ, संशोधकांनी ऑनलाईन प्रयोगांसाठी प्रतिमेची भरती करण्यासाठी (ऍमेझॉन यांत्रिक तुक एमटिच "नियोक्ते" ज्यांची कार्ये "मजदूर" पूर्ण करण्यासाठी आवश्यक आहेत अशा "नियोक्ते" यांच्याशी जुळवून घेतात ज्यांना पैसे देण्याकरता हे काम पूर्ण करण्याची इच्छा आहे. पारंपारिक श्रमिक बाजारापेक्षा वेगळे, ज्यांची कार्ये सहसा पूर्ण करण्यासाठी फक्त काही मिनिटे लागतात, आणि नियोक्ता आणि कामगार यांच्यातील संपूर्ण संवाद ऑनलाइन आहे. कारण एमट्यूक पारंपरिक प्रयोग प्रयोगांच्या पैलूंशी परिक्षण करतो कारण लोकांना ते विनामूल्य करता येणार नाहीत अशा गोष्टी पूर्ण करण्यासाठी-त्यांना काही प्रकारच्या प्रयोगांसाठी नैसर्गिकरीत्या उपयुक्त असतात. मूलत: एमट्युकेने सहभागी झालेल्यांचा एक पूल चालवण्यासाठी पायाभूत सुविधांची निर्मिती केली आहे- भरती आणि देण्याकरता लोक-आणि संशोधकांनी या आधारभूत संरचनेचा लाभ घेतला आहे ज्यायोगे सहभागीय सदस्यांच्या नेहमीच उपलब्ध पूलमध्ये प्रवेश करता येईल.

आकृती 4.2: ऍमेझॉन यांत्रिकी तुर्क (एमटिर्क) मधील डेटा वापरून प्रकाशित पेपर्स. एमटिर्क आणि इतर ऑनलाइन श्रमिक बाजारपेठ संशोधकांना प्रयोगांसाठी सहभागींची निवड करण्यासाठी एक सोयीचा मार्ग प्रदान करतात. Bohannon (2016) पासून अनुकूलित

फिजिकल ऍपॅबोरेटिक प्रयोगासाठी डिजिटल सिस्टम्स अधिक शक्यता निर्माण करतात. विशेषतः, ते प्रयोगकर्ते प्रयोगांशी संबद्ध असलेल्या अधिक विविध भागधारक आणि अधिक नैसर्गिक सेटिंग्जसह प्रयोग प्रयोग प्रयोगांशी संबंधित कडक नियंत्रण आणि प्रक्रिया डेटा एकत्र करण्यासाठी संशोधकांना सक्षम करतात. याव्यतिरिक्त, डिजिटल फील्ड प्रयोग देखील एलालॉग प्रयोगांमध्ये कठीण वाटचाल करण्यासाठी तीन संधी देतात.

प्रथम, बहुतेक एनालॉग लॅब आणि फील्ड प्रयोगांमध्ये शेकडो सहभागी असतात, तर डिजिटल फिल्ड प्रयोगांमध्ये लाखो सहभागी होतात. स्केल मध्ये हा बदल हा आहे कारण काही डिजिटल प्रयोग शून्य चल मूल्यावर डेटा तयार करू शकतात. म्हणजेच, संशोधकांनी एक प्रयोगात्मक पायाभूत संरचना तयार केली की, सहभाग्यांची संख्या वाढवणे विशेषत: खर्च वाढवत नाही. 100 किंवा त्याहून अधिक घटकांच्या संख्येत वाढ करणे केवळ परिमाणवाचक बदल नाही; हे एक गुणात्मक बदल आहे, कारण संशोधक प्रयोगांपासून वेगळ्या गोष्टी शिकण्यास सक्षम करतात (उदा., उपचारांचा प्रभाव वेगवेगळी) आणि संपूर्णपणे भिन्न प्रायोगिक डिझाइन चालवण्यासाठी (उदा. मोठे गट प्रयोग). हा मुद्दा इतका महत्त्वाचा आहे की जेव्हा मी डिजिटल प्रयोग तयार करण्याबद्दल सल्ला देतो तेव्हा मी त्या प्रकरणाच्या शेवटी परत येतो.

दुसरे म्हणजे, बहुतेक एनालोग प्रयोगशाळे आणि फील्ड प्रयोग भागधारकांना वेगळे न करता येण्याजोगे विजेट वापरतात तर डिजिटल फिल्ड प्रयोगांमध्ये सहभाग घेणार्या अभ्यासाचे डिझाइन आणि विश्लेषण टप्प्यात पार्श्वभूमी माहिती वापरली जाते. प्री-ट्रीटमेंट माहिती म्हटल्या जाणार्या या पार्श्वभूमीची माहिती बहुधा डिजिटल प्रयोगांमध्ये उपलब्ध आहे कारण ते नेहमीच्या माप प्रणालींच्या वरच चालू असतात (अध्याय 2 पहा). उदाहरणार्थ, फेसबुकवरील संशोधकांकडे त्याच्या डिजिटल फिल्ड प्रयोगातील लोकांबद्दल पूर्व-उपचार माहिती आहे कारण विद्यापीठातील संशोधक त्याच्या एनालॉग फिल्ड प्रयोगातील लोकांबद्दल आहे. या पूर्व-उपचाराने अधिक कार्यक्षम प्रायोगिक डिझाइन - जसे ब्लॉकिंग (Higgins, Sävje, and Sekhon 2016) आणि लक्ष्यित भरती सहभागी (Eckles, Kizilcec, and Bakshy 2016) - आणि अधिक अभ्यासपूर्ण विश्लेषण-जसे की उपचारांच्या प्रभावांच्या विविधतेचे अंदाज (Athey and Imbens 2016a) आणि सुधारित सुस्पष्टता (Bloniarz et al. 2016) साठी समायोजनेची व्यवस्था.

तिसरे, अनेक अॅनालोग लॅब आणि फील्ड प्रयोगांमुळे उपचारांचा आणि वेळेच्या संकुचित रकमेतील उपाय मोजता येतात, काही डिजिटल फील्ड प्रयोग खूपच जास्त कालावधीचे असतात. उदाहरणार्थ, रेस्टिव्हो आणि व्हान डी रिजल्टच्या प्रयोगाने 9 0 दिवसासाठी दररोज मोजमाप केले होते आणि या प्रयोगातून मी तुम्हाला अध्याय (Ferraro, Miranda, and Price 2011) याबद्दलची माहिती दिली आहे. खर्च हे तीन संधी-आकार, पूर्व-उपचार माहिती आणि रेखांशाचा उपचार आणि परिणामाचा डेटा-नेहमी नेहमीच्या मोजमाप तंत्राच्या सर्वात वर चालू असताना (सामान्यत: माप प्रणाल्यांवर अधिक माहितीसाठी अध्याय 2 पहा) सर्वात जास्त उद्भवते.

डिजिटल फील्ड प्रयोगांमध्ये बर्याच शक्यता आहेत, तर ते एनालॉग लॅब आणि एनालॉग फिल्ड प्रयोगांबरोबर काही दुर्बलता देखील सामायिक करतात. उदाहरणार्थ, भूतकाळाचा अभ्यास करण्यासाठी प्रयोगांचा उपयोग केला जाऊ शकत नाही, आणि ते फक्त उपचारांच्या प्रभावाांचा अंदाज लावू शकतात जे हेरफेर करता येतील. तसेच, धोरणे मार्गदर्शनासाठी प्रयोग नि: शक्तपणे उपयुक्त असले तरी, त्यांना अचूक मार्गदर्शन देऊ शकते कारण पर्यावरणीय अवलंबन, अनुपालन समस्या आणि संतुलन प्रभाव (Banerjee and Duflo 2009; Deaton 2010) ; डिजिटल फील्ड प्रयोग क्षेत्र प्रयोगाद्वारे निर्माण केलेल्या नैतिक चिंतेत भर देतात - मी या प्रकरणात नंतर एक अध्याय आणि अध्याय 6 मध्ये संबोधित करणार आहे.