4.5.2 Bygg ditt eget experiment
Bygga ditt eget experiment kan vara kostsamt, men det gör att du kan skapa experimentet som du vill.
Förutom att överlagra experiment ovanför befintliga miljöer kan du också bygga ditt eget experiment. Den främsta fördelen med detta tillvägagångssätt är kontrollen; Om du bygger experimentet kan du skapa miljö och behandlingar som du vill ha. Dessa skräddarsydda experimentella miljöer kan skapa möjligheter att testa teorier som är omöjliga att testa i naturligt förekommande miljöer. De största nackdelarna med att bygga ditt eget experiment är att det kan vara dyrt och att miljön som du kan skapa inte kan ha realismen av ett naturligt förekommande system. Forskare som bygger eget experiment måste också ha en strategi för att rekrytera deltagare. När man arbetar i befintliga system leder forskarna i huvudsak experimenten till sina deltagare. Men när forskare bygger sitt eget experiment måste de ta med deltagarna till det. Lyckligtvis kan tjänster som Amazon Mechanical Turk (MTurk) ge forskare ett bekvämt sätt att få deltagarna till sina experiment.
Ett exempel som illustrerar djupet av skräddarsydda miljöer för att testa abstrakta teorier är det digitala laboratorieexperimentet av Gregory Huber, Seth Hill och Gabriel Lenz (2012) . I detta experiment undersöks en möjlig praktisk begränsning av hur demokratisk styrning fungerar. Tidigare icke-experimentella studier av verkliga val föreslog att väljare inte kan exakt bedöma prestationerna hos befälhavande politiker. I synnerhet tycks väljare drabbas av tre fördomar: (1) de är inriktade på nyare snarare än kumulativ prestation; (2) de kan manipuleras genom retorik, inramning och marknadsföring; och (3) de kan påverkas av händelser som inte är relaterade till befintlig prestation, såsom framgången hos lokala idrottslag och vädret. I dessa tidigare studier var det dock svårt att isolera någon av dessa faktorer från alla andra saker som händer i riktiga, röriga val. Därför skapade Huber och kollegor en mycket förenklad röstmiljö för att isolera, och sedan experimentellt studera, var och en av dessa tre möjliga partiklar.
När jag beskriver den experimentella uppställningen nedan kommer den att låta väldigt artificiell, men kom ihåg att realism inte är ett mål i laboratoriestilsexperiment. Snarare är målet att tydligt isolera processen som du försöker studera, och denna snäva isolering är ibland inte möjlig i studier med mer realism (Falk and Heckman 2009) . Vidare hävdar forskarna i det här fallet att om väljare inte effektivt kan utvärdera prestanda i denna mycket förenklade inställning kommer de inte att kunna göra det i en mer realistisk och mer komplex miljö.
Huber och kollegor använde MTurk för att rekrytera deltagare. När en deltagare gett informerat samtycke och godkänt ett kort test fick hon veta att hon deltog i ett 32-tals spel för att tjäna tokens som skulle kunna omvandlas till riktiga pengar. I början av spelet fick varje deltagare höra att hon hade fått en "fördelare" som skulle ge sina gratis tokens varje runda och att vissa tilldelare var mer generösa än andra. Vidare berättade varje deltagare att hon skulle ha chans att antingen hålla sin tilldelare eller bli tilldelad en ny efter 16 rundor av spelet. Med tanke på vad du vet om Huber och kollegors forskningsmål kan du se att tilldelaren representerar en regering och detta val representerar ett val, men deltagarna var inte medvetna om de allmänna målen för forskningen. Totalt rekryterade Huber och kollegor omkring 4000 deltagare som betalades omkring $ 1,25 för en uppgift som tog ungefär åtta minuter.
Minns att en av resultaten från tidigare forskning var att väljare belönar och straffar befälhavare för resultat som klart överlägsnar deras kontroll, såsom framgången hos lokala sportlag och vädret. För att bedöma huruvida deltagarnas röstbeslut skulle kunna påverkas av rent slumpmässiga händelser i deras inställning lade Huber och kollegor till ett lotteri i sitt experimentella system. Vid antingen 8: e eller 16: e omgången (dvs. strax innan chansen att ersätta allokeraren) slogs deltagarna slumpmässigt i ett lotteri där några vann 5 000 poäng, några vann 0 poäng och några förlorade 5 000 poäng. Denna lotteri var avsedd att efterlikna goda eller dåliga nyheter som är oberoende av politikerens prestation. Trots att deltagarna uttryckligen berättade att lotteriet inte var relaterat till prestandan hos deras allokator, påverkade resultatet av lotteriet fortfarande deltagarnas beslut. Deltagare som gynnades av lotteriet var mer benägna att hålla sin tilldelare, och denna effekt var starkare när lotteriet hände i runda 16 - strax innan ersättningsbeslutet - än när det hände i runda 8 (figur 4.15). Dessa resultat, tillsammans med de av flera andra försök i papperet, ledde Huber och kollegor att dra slutsatsen att även i en förenklad miljö har väljare svårt att fatta kloka beslut, ett resultat som påverkat framtida forskning om beslutsfattande av väljare (Healy and Malhotra 2013) . Experimentet från Huber och kollegor visar att MTurk kan användas för att rekrytera deltagare i lab-style experiment för att exakt kunna testa mycket specifika teorier. Det visar också värdet av att bygga en egen experimentell miljö: det är svårt att föreställa sig hur samma processer kunde ha isolerats så rent i någon annan inställning.
Figur 4.15: Resultat från Huber, Hill, and Lenz (2012) . Deltagare som gynnades av lotteriet var mer benägna att behålla sin tilldelare, och denna effekt var starkare när lotteriet hände i runda 16 - strax innan ersättningsbeslutet - än när det hände i runda 8. Anpassad från Huber, Hill, and Lenz (2012) , figur 5.
Förutom att bygga lab-liknande experiment kan forskare också bygga experiment som är mer fältliknande. Till exempel Centola (2010) ett digitalt fältförsök för att studera effekten av social nätverksstruktur på spridningen av beteende. Hans forskningsfråga krävde att han observerade samma beteende som sprids i populationer som hade olika sociala nätverkskonstruktioner men var annars oskiljaktiga. Det enda sättet att göra detta var med ett skräddarsytt, specialbyggt experiment. I detta fall byggde Centola ett webbaserat hälsosamhälle.
Centola rekryterade cirka 1500 deltagare genom reklam på hälsowebbplatser. När deltagare anlände till onlinegruppen - som kallades Healthy Lifestyle Network - gav de informerat samtycke och tilldelades sedan "hälsokompisar". På grund av det sätt Centola tilldelade dessa hälsekompisar kunde han sticka samman olika sociala nätverkskonstruktioner i olika grupper. Vissa grupper byggdes för att ha slumpmässiga nätverk (där alla hade lika stor sannolikhet att anslutas), medan andra grupper byggdes för att ha sammanslagna nätverk (där anslutningarna är mer lokalt täta). Sedan introducerade Centola ett nytt beteende i varje nätverk: chansen att registrera sig för en ny webbplats med ytterligare hälsoinformation. När någon registrerade sig för den här nya webbplatsen fick alla hennes hälsokompisar ett mail som meddelade detta beteende. Centola fann att detta beteende - att registrera sig för den nya webbplatsen - spred sig ytterligare och snabbare i det grupperade nätverket än i det slumpmässiga nätverket, ett konstaterande som strider mot vissa befintliga teorier.
Sammantaget ger byggandet av ditt eget experiment dig mycket mer kontroll. Det gör det möjligt för dig att konstruera bästa möjliga miljö för att isolera vad du vill studera. Det är svårt att föreställa mig hur de två experimenten jag just har beskrivit kunde ha utförts i en redan existerande miljö. Att bygga ditt eget system minskar dessutom etiska problem kring experiment i befintliga system. När du bygger ditt eget experiment löper du dock in i många av de problem som uppstår i laboratorieexperiment: rekrytering av deltagare och oro för realism. En slutgiltig nackdel är att byggandet av ditt eget experiment kan vara kostsamt och tidskrävande, men som de här exemplen visar kan experimenten sträcka sig från relativt enkla miljöer (till exempel omröstningen av Huber, Hill, and Lenz (2012) ). till relativt komplexa miljöer (t.ex. studie av nätverk och smitta av Centola (2010) ).
