5.3.4 Konklusjon

Åpne anrop la mange eksperter og ikke-eksperter foreslå løsninger på problemer der løsninger er lettere å kontrollere enn generere.

I alle tre åpne samtale prosjekter-Netflix-prisen, Foldit, Peer-to-Patent-forskere stilt spørsmål om en bestemt form, ønsket løsninger, og deretter plukket de beste løsningene. Forskerne hadde ikke engang trenger å vite den beste ekspert for å spørre, og noen ganger de gode ideene kom fra uventede steder.

Nå kan jeg også trekke fram to viktige forskjeller mellom åpne samtale prosjekter og menneskelige beregning prosjekter. Først i åpne samtale prosjekter forskeren spesifiserer et mål (f.eks, spår film karakterer), mens i menneskelig beregning forskning angir en mikro-oppgave (for eksempel klassifisere en galakse). For det andre, i åpne samtaler forskerne ønsket det beste innskudds den beste algoritmen for å forutsi filmkarakterer, den laveste energi konfigurasjon av et protein, eller den mest relevante stykke teknikkens-ikke en slags enkel kombinasjon av alle bidragene.

Gitt den generelle malen for åpne samtaler og disse tre eksemplene, hva slags problemer i sosial forskning kan være egnet til denne tilnærmingen? På dette punktet, bør jeg erkjenner at det ikke har vært mange vellykkede eksempler ennå (av grunner som jeg vil forklare i et øyeblikk). I form av direkte analoger, kunne man tenke seg at en node-til-Patent stil prosjektet blir brukt av en historisk forsker søker etter den tidligste dokument å nevne en bestemt person eller idé. En åpen samtale tilnærming til denne typen problem kan være spesielt nyttig når de relevante dokumentene ikke er samlet i en enkelt arkiv, men er utbredt.

Mer generelt kan mange myndigheter har problemer som kan være mottakelig for å åpne anrop fordi de er i ferd med å skape forutsigelser som kan brukes til å lede handling (Kleinberg et al. 2015) . For eksempel, akkurat som Netflix ønsket å forutsi karakterer på filmer, kan regjeringene ønsker å forutsi utfall slik som hvilke restauranter er mest sannsynlig å ha helse-koden brudd, for å fordele inspeksjons ressursene mer effektivt. Motivert av denne typen problem, Glaeser et al. (2016) brukte en åpen samtale for å hjelpe City of Boston forutsi restaurant hygiene og sanitære brudd basert på data fra Yelp vurderinger og historiske inspeksjonsdata. Glaeser og kolleger anslår at den prediktive modellen som vant den åpne samtalen ville forbedre produktiviteten til restaurant inspektører med ca 50%. Bedrifter har også problemer med en lignende struktur som spår kunde churn (Provost and Fawcett 2013) .

Til slutt, i tillegg til åpne samtaler som involverer utfall som allerede har skjedd i et bestemt datasett (f.eks forutsi helse-koden brudd ved hjelp av data om siste helse-koden brudd), man kunne forestille forutsi utfall som ikke har skjedd ennå for alle i datasettet . For eksempel har de skjøre Familier og barn velvære studien spores ca 5000 barn siden fødselen i 20 ulike amerikanske byer (Reichman et al. 2001) . Forskere har samlet data om disse barna, deres familier og deres bredere miljø ved fødselen og i alderen 1, 3, 5, 9 og 15. Gitt all informasjon om disse barna, hvor godt kan forskerne forutsi utfall som som vil oppgradere fra college? Eller uttrykt på en måte som ville være mer interessant for mange forskere, som data og teorier vil være mest effektive i å forutsi disse utfallene? Siden ingen av disse barna er i dag gammel nok til å gå på college, ville dette være en sann fremtidsrettet forutsigelse og det er mange forskjellige strategier som forskere kan ansette. En forsker som mener at nabolag er avgjørende i utformingen livet utfall kan ta en tilnærming mens en forsker som fokuserer på familier kan gjøre noe helt annet. Hvilke av disse metodene vil fungere bedre? Vi vet ikke, og i prosessen med å finne ut at vi kan lære noe viktig om familier, nabolag, utdanning og sosial ulikhet. Videre kan disse spådommene brukes til å veilede fremtidige datainnsamling. Tenk deg at det var et lite antall universitetsutdannet som ikke ble spådd å oppgradere ved noen av modellene; disse menneskene ville være ideelle kandidater for oppfølgings kvalitative intervjuer og etnografisk observasjon. Derfor, i denne typen åpen samtale, spådommer er ikke slutten; heller, de gir en ny måte å sammenligne, berike, og kombinere ulike teoretiske tradisjoner. Denne typen åpen samtale er ikke spesielt for bruk av data fra Fragile familier å forutsi hvem som vil gå på college; Det kan brukes til å forutsi noe utfall som til slutt samles i en hvilken som helst langsgående sosial datasett.

Som jeg skrev tidligere i denne delen, har det ikke vært mange eksempler på samfunnsforskere som bruker åpne utlysninger. Jeg tror at dette er fordi åpne samtaler ikke er godt egnet til slik at samfunnsvitere typisk ramme deres spørsmål. Retur til Netflix-prisen, ville samfunnsvitere vanligvis ikke be om å forutsi smak, de ville spørre om hvordan og hvorfor kultur smaker forskjellig for mennesker fra ulike sosiale klasser (Bourdieu 1987) . Slike "hvordan" og "hvorfor" spørsmål ikke fører til lett å verifisere løsninger, og derfor synes dårlig skikket til å åpne samtaler. Dermed ser det ut til at åpne samtaler er mer mottagelig for spørsmålet om prediksjon enn spørsmål om forklaring; for mer om skillet mellom prediksjon og forklaring se Breiman (2001) . Nyere teoretikere har imidlertid oppfordret samfunnsvitere å revurdere motsetningen mellom forklaring og prediksjon (Watts 2014) . Som linjen mellom prediksjon og forklaring uklarheter, forventer jeg at åpne konkurranser vil bli stadig vanligere i samfunnsvitenskapene.