4.3 రెండు ప్రయోగాలు కొలతలు: ప్రయోగశాల రంగంలో మరియు అనలాగ్-డిజిటల్

ల్యాబ్ పరిశోధనలు నియంత్రణను అందిస్తాయి రంగంలో ప్రయోగాలు వాస్తవికత అందించే, మరియు డిజిటల్ రంగంలో ప్రయోగాలు స్థాయిలో నియంత్రణ మరియు వాస్తవికత మిళితం.

ప్రయోగాలు అనేక ఆకారాలు మరియు పరిమాణాల్లో వస్తాయి. గతంలో ప్రయోగశాల ప్రయోగాలు మరియు క్షేత్ర ప్రయోగాలు మధ్య నిరంతర ప్రయోగాలు నిర్వహించడానికి పరిశోధకులు సహాయపడ్డాయి. అయితే ఇప్పుడు, పరిశోధకులు కూడా అనలాగ్ ప్రయోగాలు మరియు డిజిటల్ ప్రయోగాలు మధ్య రెండవ కాంటినమ్ పాటు ప్రయోగాలు నిర్వహించడానికి ఉండాలి. ఈ ద్వి-మితీయ నమూనా స్థలం మీరు వివిధ పద్ధతుల యొక్క బలాలు మరియు బలహీనతలను అర్థం చేసుకోవడానికి మరియు గొప్ప అవకాశాల ప్రాంతాల్లో హైలైట్ చేస్తుంది (సంఖ్య 4.1).

మూర్తి 4.1: ప్రయోగాలు కోసం డిజైన్ స్పేస్ యొక్క స్కీమాటిక్. గతంలో, ల్యాబ్-ఫీల్డ్ పరిమాణంతో ప్రయోగాలు వైవిధ్యమయ్యాయి. ఇప్పుడు, వారు కూడా అనలాగ్-డిజిటల్ పరిమాణంలో మారుతూ ఉంటారు. ఈ ద్వి-మితీయ నమూనా స్థలం ఈ అధ్యాయంలో నేను వివరించే నాలుగు ప్రయోగాలు ద్వారా వివరించబడింది. నా అభిప్రాయం లో, గొప్ప అవకాశం ప్రాంతం డిజిటల్ రంగంలో ప్రయోగాలు.

ప్రయోగాలు నిర్వహించబడే ఒక పరిమాణం లాబ్-ఫీల్డ్ పరిమాణం. సాంఘిక శాస్త్రాలలో చాలా ప్రయోగాలు ప్రయోగశాల ప్రయోగాలు , అండర్గ్రాడ్యుయేట్ విద్యార్ధులు కోర్సు క్రెడిట్ కోసం ప్రయోగశాలలో విచిత్రమైన పనులను నిర్వహిస్తారు. ఈ రకమైన ప్రయోగం మనస్తత్వ శాస్త్రంలో పరిశోధనను ఆధిపత్యం చేస్తుంది, ఎందుకంటే పరిశోధకులు సాంఘిక ప్రవర్తన గురించి ప్రత్యేకంగా విడిగా మరియు పరీక్షాత్మక సిద్ధాంతాలను పరీక్షించడానికి అత్యంత నియంత్రిత సెట్టింగులను ఏర్పరుస్తుంది. అయితే కొన్ని సమస్యలకు, ఇటువంటి అసాధారణ పరిస్థితుల్లో అటువంటి అసాధారణమైన పనితీరును ప్రదర్శిస్తున్న అసాధారణ వ్యక్తుల నుండి మానవ ప్రవర్తన గురించి బలమైన ముగింపులను గీయడం గురించి ఒక బిట్ వింత అనిపిస్తుంది. ఈ ఆందోళనలు రంగంలో ప్రయోగాలు వైపు ఉద్యమం దారితీసింది. ఫీల్డ్ ప్రయోగాలు పాల్గొనే వారి యొక్క మరింత ప్రతినిధుల సమూహాలతో మరింత సహజమైన కార్యక్రమాలలో మరింత సాధారణ పనులు చేస్తూ యాదృచ్ఛిక నియంత్రణ ప్రయోగాలు యొక్క బలమైన రూపాన్ని మిళితం చేస్తాయి.

కొంతమంది లాబ్ మరియు ఫీల్డ్ ప్రయోగాలను పోటీ పద్దతులుగా భావించినప్పటికీ, వాటిని విభిన్న బలాలు మరియు బలహీనతలతో పరిపూర్ణం గా భావిస్తారు. ఉదాహరణకు, Correll, Benard, and Paik (2007) లాబ్ ప్రయోగం మరియు క్షేత్ర ప్రయోగం రెండింటిని "మాతృత్వం పెనాల్టీ" యొక్క వనరులను కనుగొనే ప్రయత్నంలో రెండింటిని ఉపయోగించింది. యునైటెడ్ స్టేట్స్లో, తల్లిదండ్రులు పిల్లలను కన్నా తక్కువ డబ్బు సంపాదించినప్పటికీ, ఇదే విధమైన నైపుణ్యాలను కలిగిన మహిళలను పోలిన ఉద్యోగాలలో పోల్చడం. ఈ నమూనాకు అనేక వివరణలు ఉన్నాయి, వీటిలో ఒకటి యజమానులు తల్లులు పట్ల పక్షపాతంతో ఉంటారు. (ఆసక్తికరంగా, వ్యతిరేకత తండ్రులకి నిజమైనదిగా ఉంటుంది: పోల్చదగిన పిల్ల లేనివారి కంటే ఎక్కువ సంపాదించవచ్చు.) తల్లులకు వ్యతిరేకంగా పక్షపాతాలను అంచనా వేయడానికి, కొరెల్ మరియు సహచరులు రెండు ప్రయోగాలు చేశారు: ప్రయోగశాలలో ఒకదానిలో మరియు ఫీల్డ్ లో ఒకరు.

మొదట, ప్రయోగశాల ప్రయోగంలో వారు కళాశాల అండర్గ్రాడ్యుయేట్ అయిన పాల్గొనేవారికి ఒక సంస్థ తన ఉద్యోగ అన్వేషణను తన తూర్పు కోస్ట్ మార్కెటింగ్ విభాగానికి నడిపించడానికి ఒక వ్యక్తి కోసం ఒక ఉద్యోగ శోధనను నిర్వహిస్తున్నట్లు చెప్పారు. నియామక ప్రక్రియలో తమ సహాయం కావాలని కంపెనీ కోరినట్లు విద్యార్థులకు చెప్పబడింది మరియు పలువురు సంభావ్య అభ్యర్థుల పునఃప్రారంభాలను సమీక్షించాలని మరియు అభ్యర్థులను వారి నిఘా, వెచ్చదనం, మరియు నిబద్ధత వంటి అనేక పరిమాణాలపై అభ్యర్థులను రేట్ చేయమని వారు కోరారు. అంతేకాక, దరఖాస్తుదారుని నియామకం చేయమని మరియు ప్రారంభ వేతనంగా సిఫారసు చేస్తారని సిఫారసు చేస్తారా అని విద్యార్థులు అడిగారు. విద్యార్థులకు తెలియకుండానే, పునఃప్రారంభాలు ప్రత్యేకంగా ఒక విషయం తప్ప ఒకే విధంగా నిర్మించబడ్డాయి: వాటిలో కొన్ని మాతృత్వం (పేరెంట్-టీచర్ అసోసియేషన్లో లిస్టింగ్ జోక్యంతో) మరియు కొన్ని చేయలేదు. కొరెల్ మరియు సహచరులు విద్యార్థులు తల్లులను నియమించాలని సిఫారసు చేయటానికి తక్కువ అవకాశం ఉందని కనుగొన్నారు మరియు వారికి తక్కువ ప్రారంభ జీతం ఇచ్చారు. అంతేకాకుండా, రేటింగ్స్ మరియు నియామక-సంబంధిత నిర్ణయాలు రెండింటి గణాంకాల విశ్లేషణ ద్వారా, కొరెల్ మరియు సహచరులు తల్లులు 'ప్రతికూలతలు ఎక్కువగా వారు పోటీతత్వం మరియు నిబద్ధత పరంగా తక్కువగా రేట్ చేయబడ్డారని గుర్తించారు. అందువలన, ఈ ప్రయోగశాల ప్రయోగం కొర్రెల్ మరియు సహచరులు ఒక అసాధారణ ప్రభావాన్ని కొలిచేందుకు మరియు ఆ ప్రభావం కోసం ఒక వివరణను అందించడానికి అనుమతినిచ్చింది.

అంతేకాకుండా, పూర్తిస్థాయిలో ఉద్యోగం సాధించని కొంతమంది వందమంది పట్టభద్రుల నిర్ణయాల ఆధారంగా మొత్తం అమెరికా కార్మిక విపణి గురించి తీర్మానించడం గురించి ఎవరైనా అనుమానించవచ్చు. అందువల్ల, కొరెల్ మరియు సహచరులు కూడా పరిపూర్ణమైన ఫీల్డ్ ప్రయోగాన్ని నిర్వహించారు. వారు నకిలీ కవర్ లేఖలు మరియు పునఃప్రారంభాలు కలిగిన వందలాది ప్రచారం పొందిన ఉద్యోగ అవకాశాలను ప్రతిస్పందించారు. అండర్గ్రాడ్యుయేట్లకు చూపించిన పదార్థాల మాదిరిగానే, కొంతమంది పునరుత్పత్తి మాతృత్వం మరియు కొంతమంది కాదు. కొరెల్ మరియు సహోద్యోగులు తల్లులు సమానంగా అర్హత లేని చైల్డ్ లేని మహిళల కంటే ఇంటర్వ్యూలకు తిరిగి పిలుపునిచ్చారు. మరో మాటలో చెప్పాలంటే, వాస్తవిక యజమానులు ఒక సహజమైన నేపధ్యంలో పర్యవసానంగా నిర్ణయాలు తీసుకుంటారు, అండర్ గ్రాడ్యుయేట్లు వంటివారు చాలా ప్రవర్తించారు. ఇదే కారణాలకే వారు అలాంటి నిర్ణయాలు తీసుకున్నారా? దురదృష్టవశాత్తు, మాకు తెలియదు. పరిశోధకులు అభ్యర్థులను రేట్ చేయమని లేదా వారి నిర్ణయాలను వివరించడానికి యజమానులను అడగలేకపోయారు.

ప్రయోగాలు ఈ జత సాధారణంగా ప్రయోగశాల మరియు ఫీల్డ్ ప్రయోగాలు గురించి చాలా వెల్లడి. ల్యాబ్ ప్రయోగాలు పాల్గొనేవారు నిర్ణయాలు తీసుకునే పర్యావరణ పరిసర పరిశోధకులను పరిశోధకులు అందిస్తారు. ఉదాహరణకు, ప్రయోగశాల ప్రయోగంలో, Correll మరియు సహచరులు అన్ని రెస్యూమ్స్ ఒక నిశ్శబ్ద అమరికలో చదివి ఉండేలా చూడగలిగారు; క్షేత్ర ప్రయోగంలో, కొన్ని రెస్యూమ్లు చదవబడలేదు. అంతేకాకుండా, లాబ్ సెట్టింగ్లో పాల్గొనే వారు అధ్యయనం చేస్తున్నారని తెలుసుకుంటారు, పాల్గొనేవారు తమ నిర్ణయాలు ఎందుకు నిర్ణయిస్తారో వివరించడానికి సహాయపడే అదనపు డేటాను పరిశోధకులు తరచుగా పొందగలుగుతారు. ఉదాహరణకు, Correll మరియు సహచరులు వివిధ కొలతలు న అభ్యర్థులను రేట్ లాబ్ ప్రయోగంలో పాల్గొనే అడిగాడు. ఈ రకమైన ప్రక్రియ డేటా పాల్గొనే రెస్యూమ్స్ చికిత్స ఎలా తేడాలు వెనుక పరిశోధకులు అర్థం సహాయం కాలేదు.

ఇంకొక వైపు, ఈ ప్రయోజనాలు నేను కేవలం ప్రయోజనాలుగా వర్ణించాను, కొన్నిసార్లు కొన్నిసార్లు ప్రతికూలంగా భావిస్తారు. క్షేత్ర ప్రయోగాలు కావాలనుకునే పరిశోధకులు, ప్రయోగశాల ప్రయోగాలు చేసేవారు పాల్గొనేవారు చాలా భిన్నంగా పని చేస్తారని వాదించారు, ఎందుకంటే వారు తాము అధ్యయనం చేస్తున్నారని తెలుసుకుంటారు. ఉదాహరణకు, ప్రయోగశాల ప్రయోగంలో, పాల్గొనేవారు పరిశోధన యొక్క లక్ష్యంను ఊహిస్తారు మరియు వాటి ప్రవర్తనను పక్షపాతంతో కనిపించకుండా పోయే విధంగా మార్చవచ్చు. ఇంకా, క్షేత్ర ప్రయోగాలను ఇష్టపడే పరిశోధకులు రెస్యూమ్లలోని చిన్న తేడాలు చాలా శుభ్రంగా, శుభ్రమైన ప్రయోగశాల వాతావరణంలో మాత్రమే నిలబడవచ్చని వాదిస్తారు మరియు అందువల్ల ప్రయోగశాల ప్రయోగం నిజమైన నియామక నిర్ణయాలపై మాతృత్వం ప్రభావాన్ని అధికంగా అంచనా వేస్తుంది. చివరగా, క్షేత్ర ప్రయోగాల యొక్క చాలామంది ప్రతిపాదకులు, WEIRD పాల్గొనేవారిపై ప్రయోగశాల ప్రయోగాలు విమర్శించారు: ప్రధానంగా పాశ్చాత్య, విద్యావంతులైన, పారిశ్రామిక, రిచ్ మరియు డెమొక్రటిక్ దేశాల విద్యార్థులు (Henrich, Heine, and Norenzayan 2010a) . కారెల్ మరియు సహచరుల ప్రయోగాలు (2007) ల్యాబ్-ఫీల్డ్ కాంటినమ్లో రెండు తీవ్రతలు వివరించాయి. ఈ రెండింటి మధ్యలో హైబ్రీడ్ డిజైన్లు కూడా ఉన్నాయి, వీటిలో విద్యార్థులను కాని ప్రయోగశాలలో లాబ్లోకి ప్రవేశించడం లేదా ఫీల్డ్లోకి వెళ్లడం వంటివి కూడా ఉన్నాయి, కాని పాల్గొనేవారు అసాధారణ పనిని నిర్వహిస్తారు.

గతంలో ఉన్న ప్రయోగశాల క్షేత్రంతో పాటుగా, డిజిటల్ యుగం అంటే పరిశోధకులు ఇప్పుడు రెండో ప్రధాన పరిమాణాన్ని కలిగి ఉంటారు, ప్రయోగాలు వేర్వేరుగా ఉంటాయి: అనలాగ్-డిజిటల్. స్వచ్చమైన ప్రయోగశాల ప్రయోగాలు, స్వచ్చమైన క్షేత్ర ప్రయోగాలు, మరియు మధ్య సంకర రకాలు ఉన్నాయి కాబట్టి, స్వచ్ఛమైన అనలాగ్ ప్రయోగాలు, స్వచ్ఛమైన డిజిటల్ ప్రయోగాలు మరియు సంకర రకాలు ఉన్నాయి. ఈ పరిమాణాన్ని ఒక అధికారిక నిర్వచనాన్ని అందించడానికి గమ్మత్తైనది, కానీ ఒక డిజిటల్ పని ప్రయోగాలు పాల్గొనేవారిని నియమానుసారంగా, యాదృచ్ఛికంగా, చికిత్సలను పంపిణీ చేయడానికి, మరియు ఫలితాలను కొలవడానికి డిజిటల్ అవస్థాపనను ఉపయోగించుకునే ప్రయోగాలు. ఉదాహరణకు, బర్నిస్టర్లు మరియు వికీపీడియా యొక్క రేడివో మరియు వాన్ డి రిజ్త్ యొక్క (2012) అధ్యయనం పూర్తి డిజిటల్ ప్రయోగం, ఎందుకంటే ఇది అన్ని నాలుగు దశలకు డిజిటల్ వ్యవస్థలను ఉపయోగించింది. అదే విధంగా, ఈ నాలుగు దశల్లో దేనికైనా పూర్తిగా అనలాగ్ ప్రయోగాలు డిజిటల్ అవస్థాపనను ఉపయోగించవు. మనస్తత్వశాస్త్రంలో అనేక శాస్త్రీయ ప్రయోగాలు పూర్తిగా అనలాగ్ ప్రయోగాలు. ఈ రెండు మార్పుల మధ్య, అనలాగ్ మరియు డిజిటల్ వ్యవస్థల కలయికను ఉపయోగించే డిజిటల్ ప్రయోగాలు ఉన్నాయి.

కొంతమంది డిజిటల్ ప్రయోగాలు గురించి ఆలోచించినప్పుడు, వారు వెంటనే ఆన్లైన్ ప్రయోగాలు భావిస్తారు. డిజిటల్ ప్రయోగాలు అమలు చేయడానికి అవకాశాలు కేవలం ఆన్లైన్లో లేనందున ఇది దురదృష్టకరమైంది. పరిశోధకులు లేదా కొలత ఫలితాలను అందించడానికి భౌతిక ప్రపంచం లో డిజిటల్ పరికరాలను ఉపయోగించి పరిశోధకులు పాక్షికంగా డిజిటల్ ప్రయోగాలను అమలు చేయవచ్చు. ఉదాహరణకు, పరిశోధకులు ఫలితాలను కొలిచేందుకు నిర్మించిన పర్యావరణంలో చికిత్సలు లేదా సెన్సార్లను అందించడానికి స్మార్ట్ఫోన్లను ఉపయోగించవచ్చు. వాస్తవానికి, ఈ అధ్యాయంలో మేము తరువాత (Allcott 2015) , 8.5 మిలియన్ల గృహాల్లో (Allcott 2015) పాల్గొన్న శక్తి వినియోగంపై ప్రయోగాలు ఫలితాలను కొలవడానికి గృహ విద్యుత్ మీటర్లు ఇప్పటికే ఇప్పటికే ఉపయోగించారు. డిజిటల్ పరికరాలు ప్రజల జీవితాలలో మరియు సెన్సార్స్లో మరింతగా విలీనం అయ్యాక అంతర్నిర్మిత వాతావరణంలో విలీనం అయ్యి, భౌతిక ప్రపంచంలో పాక్షికంగా డిజిటల్ ప్రయోగాలను అమలు చేయడానికి ఈ అవకాశాలు నాటకీయంగా పెరుగుతాయి. ఇతర మాటలలో, డిజిటల్ ప్రయోగాలు కేవలం ఆన్లైన్ ప్రయోగాలు కాదు.

ప్రయోగశాల క్షేత్రం వెంట ప్రతిచోటా ప్రయోగాలు కోసం డిజిటల్ వ్యవస్థలు నూతన అవకాశాలను సృష్టిస్తాయి. స్వచ్చమైన ప్రయోగశాల ప్రయోగాల్లో, ఉదాహరణకు, పరిశోధకులు పాల్గొనేవారి ప్రవర్తన యొక్క ఉత్తమ కొలత కోసం డిజిటల్ వ్యవస్థలను ఉపయోగించవచ్చు; మెరుగుపరచబడిన కొలత యొక్క ఈ రకమైన ఒక ఉదాహరణ కంటికి ట్రాకింగ్ పరికరాలు కంటి చూపు యొక్క ఖచ్చితమైన మరియు నిరంతర చర్యలను అందిస్తుంది. డిజిటల్ యుగం లాబ్ లాంటి ప్రయోగాలు ఆన్లైన్లో నడుపుతున్న అవకాశం కూడా సృష్టిస్తుంది. ఉదాహరణకు, పరిశోధకులు ఆన్లైన్ ప్రయోగాలు (సంఖ్య 4.2) కోసం పాల్గొనేవారిని నియమించడానికి అమెజాన్ మెకానికల్ టర్క్ (ఎటర్క్) ను త్వరితంగా స్వీకరించారు. MTurk, డబ్బు కోసం ఆ పనులు పూర్తి చేయాలనుకునే "కార్మికులు" పూర్తి పనులు కలిగి ఉన్న "యజమానులు" సరిపోతుంది. అయితే సాంప్రదాయ శ్రామికుల మార్కెట్ల మాదిరిగా కాకుండా, సాధారణంగా పనులు కొన్ని నిమిషాలు పూర్తి కావాలి, యజమాని మరియు కార్మికుడు మధ్య మొత్తం పరస్పర చర్యలు ఆన్లైన్లో ఉంటాయి. MTurk సంప్రదాయ ప్రయోగశాల ప్రయోగాలు-చెల్లింపు ప్రజలు వారు ఉచితంగా చేయలేరని పనులను పూర్తి చేయడానికి అనుకరిస్తుంది-ఇది కొన్ని రకాల ప్రయోగాలు సహజంగా సరిపోతుంది. ముఖ్యంగా, MTurk పాల్గొనేవారిని పూల్ నిర్వహించడం కోసం అవస్థాపన సృష్టించింది-నియామకం మరియు చెల్లించడం ప్రజలు-మరియు పరిశోధకులు పాల్గొనేవారికి ఎల్లప్పుడూ అందుబాటులో పూల్ లోకి ట్యాప్ ఆ అవస్థాపన ప్రయోజనాన్ని తీసుకున్నాయి.

ఫిగర్ 4.2: పేపర్స్ అమెజాన్ మెకానికల్ టర్క్ (MTurk) నుండి డేటాను ఉపయోగించి ప్రచురించింది. MTurk మరియు ఇతర ఆన్ లైన్ లేబర్ మార్కెట్ పరిశోధకులు ప్రయోగాలు కోసం పాల్గొనేవారిని నియమించడానికి అనుకూలమైన మార్గాన్ని అందిస్తున్నాయి. బోహాన్నన్ నుండి స్వీకరించబడింది Bohannon (2016) .

డిజిటల్ వ్యవస్థలు ఫీల్డ్ లాంటి ప్రయోగాలు కోసం మరిన్ని అవకాశాలను సృష్టిస్తాయి. ప్రత్యేకంగా, పరిశోధకులు లాబ్ ప్రయోగాలతో ముడిపడి ఉన్న మరింత విభిన్నమైన పాల్గొనే మరియు మరిన్ని సహజ అమర్పులతో ప్రయోగశాల ప్రయోగాలతో ముడిపడిన గట్టి నియంత్రణ మరియు ప్రాసెస్ డేటాను మిళితం చేసేందుకు వీలు కల్పిస్తారు. అదనంగా, డిజిటల్ రంగంలో ప్రయోగాలు కూడా అనలాగ్ ప్రయోగాలు కష్టంగా ఉండే మూడు అవకాశాలను అందిస్తున్నాయి.

మొదట, చాలా అనలాగ్ ప్రయోగశాల మరియు ఫీల్డ్ ప్రయోగాలు వందలాది మంది పాల్గొనేవారు, డిజిటల్ ఫీల్డ్ ప్రయోగాలు లక్షలాది మంది పాల్గొనే అవకాశం ఉంది. కొన్ని డిజిటల్ ప్రయోగాలు సున్నా వేరియబుల్ ధర వద్ద డేటాను ఉత్పత్తి చేయగలవు కాబట్టి ఈ మార్పులో మార్పు. పరిశోధకులు ఒక ప్రయోగాత్మక మౌలిక సదుపాయాన్ని సృష్టించిన తర్వాత, పాల్గొనేవారి సంఖ్య పెరుగుతుండటం సాధారణంగా వ్యయాన్ని పెంచదు. 100 లేదా అంతకంటే ఎక్కువ కారకం ద్వారా పాల్గొనేవారి సంఖ్యను పెంచడం కేవలం పరిమాణాత్మక మార్పు కాదు; అది ఒక గుణాత్మక మార్పు, పరిశోధకులు వివిధ ప్రయోగాలు (ఉదా. చికిత్స ప్రభావాల వైవిద్యం) నుండి నేర్చుకోవటానికి మరియు పూర్తిగా వేర్వేరు ప్రయోగాత్మక నమూనాలను (ఉదా., పెద్ద-సమూహ ప్రయోగాలు) నిర్వహించడానికి వీలు కల్పిస్తుంది. ఈ పాయింట్ చాలా ముఖ్యం, నేను డిజిటల్ ప్రయోగాలు సృష్టించడం గురించి సలహాలను అందించేటప్పుడు నేను అధ్యాయం చివరలో దానిని తిరిగి పంపుతాను.

రెండవది, చాలా అనలాగ్ ప్రయోగశాల మరియు క్షేత్ర ప్రయోగాలు పాల్గొనేవారిని గుర్తించలేని విడ్జట్లుగా పరిగణిస్తున్నప్పటికీ, డిజిటల్ రంగంలో ప్రయోగాలు తరచుగా పరిశోధన యొక్క విశ్లేషణ దశలలో పాల్గొనేవారి గురించి నేపథ్య సమాచారాన్ని ఉపయోగిస్తాయి. ముందస్తు చికిత్స సమాచారం అని పిలవబడే ఈ నేపథ్య సమాచారం తరచుగా డిజిటల్ ప్రయోగాల్లో అందుబాటులో ఉంటుంది, ఎందుకంటే అవి ఎల్లప్పుడు పైభాగంలో అమలవుతున్నాయి (కొలత 2 చూడండి). ఉదాహరణకు, ఫేస్బుక్లో ఒక పరిశోధకుడు తన డిజిటల్ ఫీల్డ్ ప్రయోగాల్లోని వ్యక్తుల గురించి మరింత ముందు-చికిత్స సమాచారం కలిగి ఉంటాడు, ఆమె విశ్వవిద్యాలయ పరిశోధకుడు తన అనలాగ్ క్షేత్ర ప్రయోగంలో ఉన్న వ్యక్తుల గురించి కలిగి ఉన్నాడు. ఈ ముందస్తు చికిత్స మరింత ప్రభావవంతమైన ప్రయోగాత్మక నమూనాలను (Higgins, Sävje, and Sekhon 2016) మరియు పాల్గొనేవారికి (Eckles, Kizilcec, and Bakshy 2016) (Higgins, Sävje, and Sekhon 2016) లక్ష్యంగా (Eckles, Kizilcec, and Bakshy 2016) వంటివి మరియు చికిత్సా ప్రభావాల యొక్క భిన్నత్వం (Athey and Imbens 2016a) మరియు మెరుగైన ఖచ్చితత్వము కోసం కోవెరియెట్ సర్దుబాటు (Bloniarz et al. 2016) .

మూడవది, చాలా అనలాగ్ ప్రయోగశాల మరియు క్షేత్ర ప్రయోగాలు సాపేక్షంగా సంపీడన సమయం లో చికిత్సలు మరియు కొలత ఫలితాలను అందిస్తాయి, కొంతమంది డిజిటల్ ఫీల్డ్ ప్రయోగాలు చాలా ఎక్కువ కాల వ్యవధిలో జరుగుతాయి. ఉదాహరణకు, రెస్వియో మరియు వాన్ డి రిజిట్ యొక్క ప్రయోగం 90 రోజులు రోజువారీగా కొలవబడిన ఫలితాన్ని కలిగి ఉన్నాయి, మరియు ప్రయోగాల్లోని ఒక అధ్యాయం (Ferraro, Miranda, and Price 2011) తర్వాత నేను మూడు సంవత్సరాల్లో ఫలితాలను ట్రాక్ చేశాను ఖరీదు. ఈ మూడు అవకాశాలు-పరిమాణం, ముందస్తు చికిత్స సమాచారం, మరియు దీర్ఘకాలిక చికిత్స మరియు ఫలితం డేటా- చాలావరకు పరిశోధన ప్రయోగాలు ఎల్లప్పుడూ ఆన్-ఆన్ కొలమాన వ్యవస్థలపై అమలు అవుతాయి, (కొలత వ్యవస్థలపై ఎల్లప్పుడూ ఎక్కువగా అధ్యాయం 2 చూడండి).

డిజిటల్ రంగంలో ప్రయోగాలు అనేక అవకాశాలను అందిస్తున్నప్పటికీ, వారు కూడా కొన్ని బలహీనతలను అనలాగ్ ప్రయోగశాల మరియు అనలాగ్ క్షేత్రాల ప్రయోగాలతో భాగస్వామ్యం చేస్తారు. ఉదాహరణకు, గతాన్ని అధ్యయనం చేయడానికి ప్రయోగాలు ఉపయోగించలేము, మరియు వాటిని చికిత్స చేయగల చికిత్సల ప్రభావాలను మాత్రమే అంచనా వేయవచ్చు. అలాగే, ప్రయోగాలు విధానసభకు మార్గనిర్దేశం చేసేందుకు నిస్సందేహంగా ఉపయోగకరంగా ఉన్నప్పటికీ, పర్యావరణ ఆధారపడటం, సమ్మతి సమస్యలు మరియు సమతౌల్య ప్రభావాలు (Banerjee and Duflo 2009; Deaton 2010) వంటి సమస్యల కారణంగా వారు అందించే ఖచ్చితమైన మార్గదర్శకత్వం కొంతవరకు పరిమితమైంది. డిజిటల్ రంగంలో ప్రయోగాలు ఫీల్డ్ ప్రయోగాలచే సృష్టించబడిన నైతిక ఆందోళనలను కూడా వృద్ధి చేస్తాయి- నేను ఈ అధ్యాయంలో మరియు తరువాత 6 వ అధ్యాయంలో ప్రస్తావించే అంశం.