5.3.4 Slutsats

Med öppna samtal kan du hitta lösningar på problem som du tydligt kan ange, men att du inte kan lösa dig själv.

I alla tre öppna samtals projekt-Netflix Priset Foldit, peer-to-patent-forskare ställde frågor om en särskild form, beställt lösningar, och sedan plockas de bästa lösningarna. Forskarna behövde inte ens att veta den bästa experten att fråga, och ibland goda idéer kom från oväntade platser.

Nu kan jag också markera två viktiga skillnader mellan öppna samtalsprojekt och mänskliga beräkningsprojekt. För det första anger forskaren i ett öppet samtalsprojekt ett mål (t.ex. förutsäga filmbetyg), medan man i mänsklig beräkning specificerar en mikrotask (t.ex. klassificering av en galax). För det andra, i öppna samtal vill forskarna ha det bästa bidraget, såsom den bästa algoritmen för att förutsäga filmbetyg, den lägsta energikonfigurationen av ett protein eller det mest relevanta kriteriet, inte någon form av enkel kombination av alla bidragen.

Med tanke på den allmänna mallen för öppna samtal och dessa tre exempel, vilka typer av problem i social forskning kan vara lämpliga för detta tillvägagångssätt? Vid denna tidpunkt bör jag erkänna att det inte har varit några framgångsrika exempel än (av skäl som jag förklarar på ett ögonblick). När det gäller direktanaloger kan man föreställa sig ett öppet samtal som används av en historisk forskare som söker det tidigaste dokumentet för att nämna en specifik person eller idé. Ett öppet samtal tillvägagångssätt för denna typ av problem kan vara särskilt värdefullt när de potentiellt relevanta dokumenten inte finns i ett enda arkiv men är brett distribuerade.

Mer allmänt har många regeringar och företag problem som kan vara öppna för att öppna samtal eftersom öppna samtal kan generera algoritmer som kan användas för förutsägelser, och dessa förutsägelser kan vara en viktig vägledning för åtgärder (Provost and Fawcett 2013; Kleinberg et al. 2015) . Till exempel, precis som Netflix ville förutspå betyg på filmer, skulle regeringar kanske vilja förutsäga resultat som vilka restauranger som troligtvis kommer att ha kränkningar av hälso-kod för att fördela inspektionsresurserna mer effektivt. Motiverad av denna typ av problem använde Edward Glaeser och kollegor (2016) ett öppet samtal för att hjälpa staden Boston att förutsäga restauranghygien och sanitetsbrott baserat på data från Yelp recensioner och historiska inspektionsdata. De uppskattade att den prediktiva modellen som vann det öppna samtalet skulle förbättra produktiviteten hos restauranginspektörer med cirka 50%.

Öppna samtal kan också användas för att jämföra och testa teorier. Till exempel har Fragile Families and Child Wellbeing Study spårat cirka 5000 barn sedan födseln i 20 olika amerikanska städer (Reichman et al. 2001) . Forskare har samlat in uppgifter om dessa barn, deras familjer och deras bredare miljö vid födseln och i åldrarna 1, 3, 5, 9 och 15 år. Med tanke på all information om dessa barn, hur bra kan forskare förutsäga resultat som vem kommer att gå ut på college? Eller, uttryckt på ett sätt som skulle vara intressantare för vissa forskare, vilka data och teorier skulle vara mest effektiva för att förutsäga dessa resultat? Eftersom ingen av dessa barn för närvarande är gamla nog att gå på college skulle det vara en sann framåtblickande förutsägelse, och det finns många olika strategier som forskare kan anställa. En forskare som tror att stadsdelar är avgörande för att forma livets resultat kan ta ett tillvägagångssätt, medan en forskare som fokuserar på familjer kan göra något helt annat. Vilket av dessa tillvägagångssätt skulle fungera bättre? Vi vet inte, och i färd med att ta reda på, kan vi lära oss något viktigt om familjer, grannskap, utbildning och social ojämlikhet. Vidare kan dessa förutsägelser användas för att vägleda framtida datainsamling. Föreställ dig att det fanns ett litet antal högskoleexamen som inte förutspåddes att utbilda sig genom någon av modellerna; Dessa människor skulle vara ideala kandidater för uppföljande kvalitativa intervjuer och etnografisk observation. Således är det inte i slutet av denna typ av öppet samtal; De ger snarare ett nytt sätt att jämföra, berika och kombinera olika teoretiska traditioner. Denna typ av öppet samtal är inte specifikt för att använda data från Fragile Families and Child Wellbeing Study för att förutsäga vem som ska gå till college; det kan användas för att förutse något resultat som så småningom kommer att samlas in i alla longitudinella sociala dataset.

Som jag tidigare skrev i det här avsnittet har det inte varit många exempel på sociala forskare som använder öppna samtal. Jag tror att det här beror på att öppna samtal inte är väl anpassade till det sätt som samhällsvetenskapliga personer brukar fråga sina frågor. Återgå till Netflixpriset, socialforskare skulle vanligtvis inte fråga om att förutse smaker; snarare skulle de fråga om hur och varför kulturella smakar skiljer sig åt för människor från olika samhällsklasser (se t.ex. Bourdieu (1987) ). Sådan "hur" och "varför" fråga leder inte till lätt verifierbara lösningar, och tycks därför vara dåligt passande för att öppna samtal. Således verkar det som om öppna samtal är mer lämpliga för spådomfrågor än förklaringsfrågor . Tidigare teoretiker har dock uppmanat socialforskare att ompröva dikotomin mellan förklaring och förutsägelse (Watts 2014) . Eftersom linjen mellan förutsägelse och förklaring försvinner, förväntar jag mig att öppna samtal blir allt vanligare i social forskning.