5.3.4 Slutsats
Öppna samtal låter många experter och icke-experter föreslå lösningar på problem där lösningar är lättare att kontrollera än generera.
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 lyfta fram två viktiga skillnader mellan öppna samtals projekt och mänskliga beräkningsprojekt. Först, i öppna samtals projekt forskaren anger ett mål (t.ex. förutsäga film betyg) medan mänsklig beräkning forskningen anger en mikro uppgift (t.ex. klassificering en galax). För det andra, i öppna samtal forskarna ville ha det bästa avgifts den bästa algoritmen för att förutsäga film betyg, konfigurationen lägsta energi av ett protein, eller den mest relevanta bit av känd teknik, inte någon form av enkel kombination av alla bidrag.
Med tanke på den allmänna mallen för öppna samtal och dessa tre exempel, vilka typer av problem i samhällsforskningen kan vara lämpliga för detta tillvägagångssätt? Vid det här laget, skulle jag erkänna att det inte har funnits många lyckade exempel saknas (av skäl som jag kommer att förklara i ett ögonblick). När det gäller direkta analoger, kan man tänka sig att en peer-to-patent stil projekt som används av en historisk forskare söker efter den tidigaste dokumentet att nämna en viss person eller idé. En öppen inbjudan inställning till denna typ av problem kan vara särskilt värdefullt när de relevanta handlingarna inte samlas i en enda arkiv, men är spridda.
Mer allmänt, många regeringar har problem som kan vara mottaglig för att öppna samtal, eftersom de handlar om att skapa prognoser som kan användas för att styra åtgärder (Kleinberg et al. 2015) . Till exempel, på samma sätt som Netflix ville förutse betyg på filmer, kan regeringar vill förutsäga resultaten såsom vilka restauranger är mest sannolikt att ha hälsa kod kränkningar för att fördela kontrollresurser mer effektivt. Motiverad av den här typen av problem, Glaeser et al. (2016) använde en öppen inbjudan att hjälpa staden Boston förutse restaurang hygien och sanitet kränkningar baserade på data från Yelp omdömen och historiska inspektionsdata. Glaeser och kollegor uppskattar att den prediktiva modellen som vann öppna samtalet skulle förbättra produktiviteten i restauranginspektörer med ca 50%. Företagen har också problem med en liknande struktur som förutsäga kundomsättning (Provost and Fawcett 2013) .
Slutligen, förutom att öppna samtal som involverar resultat som redan har hänt i en viss datamängd (t.ex. förutsäga hälsa kod kränkningar med hjälp av data om tidigare hälsa kod kränkningar), skulle man kunna tänka sig att förutsäga resultat som inte har hänt ännu för någon i dataset . Till exempel har den bräckliga familjer och barnens välfärd studie spåras ca 5000 barn sedan födseln i 20 olika städer i USA (Reichman et al. 2001) . Forskare har samlat in data om dessa barn, deras familjer och deras bredare miljö vid födseln och vid åldrarna 1, 3, 5, 9, och 15. Med tanke på all information om dessa barn, hur väl kan forskarna förutsäga utfall såsom vem kommer att ta examen från college? Eller uttryckt på ett sätt som skulle vara mer intressant för många forskare, vilka data och teorier skulle vara mest effektiva när det gäller att förutsäga dessa resultat? Eftersom ingen av dessa barn finns för närvarande tillräckligt gammal för att gå på college, skulle detta vara en sann framåtblickande prognoser och det finns många olika strategier som forskarna kan använda. En forskare som tror att bostadsområden är kritiska för att forma livsresultat kan ta ett sätt medan en forskare som fokuserar på familjer kan göra något helt annat. Vilken av dessa metoder skulle fungera bättre? Vi vet inte, och i färd med att ta reda på att vi skulle kunna lära oss något viktigt om familjer stadsdelar, utbildning och social ojämlikhet. Vidare kan dessa förutsägelser användas för att styra framtida datainsamling. Föreställa sig att det fanns ett litet antal akademiker som inte förutsågs att uppgradera genom någon av de modeller; dessa människor skulle vara idealiska kandidater för uppföljning kvalitativa intervjuer och etnografisk observation. Således, i denna typ av öppna samtal, förutsägelser är inte slutet, snarare, de ger ett nytt sätt att jämföra, berika och kombinera olika teoretiska traditioner. Denna typ av öppen inbjudan är inte specifikt för att använda data från Bräcklig familjer att förutsäga vem som kommer att gå på college, Det kan användas för att förutsäga något resultat som så småningom kommer att samlas i en längsgående social datamängd.
Som jag skrev tidigare i detta avsnitt, har det inte funnits många exempel på sociala forskare som använder öppna samtal. Jag tror att detta beror på att öppna samtal inte är väl lämpade för det sätt som samhällsvetare ram vanligtvis sina frågor. Återgå till Netflix Priset skulle samhällsvetare inte brukar be om att förutsäga smaker, skulle de fråga om hur och varför kulturella smak skiljer sig för människor från olika samhällsklasser (Bourdieu 1987) . Sådan "hur" och "varför" fråga inte leder till lätt att kontrollera lösningar, och därför verkar dåligt skick att öppna samtal. Således verkar det som öppna samtal är mer mottagliga för frågan om förutsägelse än frågor om förklaring; För mer information om skillnaden mellan prognos och förklaringar se Breiman (2001) . Nya teoretiker har dock uppmanat samhällsvetare att ompröva dikotomin mellan förklaring och prediktion (Watts 2014) . Som linjen mellan förutsägelse och förklaring oskärpa, jag räknar med att öppna tävlingar blir allt vanligare inom samhällsvetenskaperna.
