4.6 సలహా

మీరు మీరుగా చేయడం లేదా భాగస్వామితో పని లేదో, నేను నా సొంత పని చేయటానికి సహాయపడుతుంది అనిపిస్తే సలహా రెండు ముక్కలు అందిస్తున్నాయి అవ్వాలనుకుంటే. మొదటి, ఏ డేటా సేకరించిన ఉంది ముందు వీలైనంత ఎక్కువగా ఆలోచించరు. ఈ సలహా బహుశా ప్రయోగాలు నడుస్తున్న అభిమానం పరిశోధకులు స్పష్టమైన ఉంది, కానీ అది పెద్ద డేటా మూలాల పని అభిమానం పరిశోధకులకు చాలా ముఖ్యం (చాప్టర్ 2 చూడండి). పెద్ద డేటా మూలాల రచనలపై జరుగుతుంది మీరు డేటాను కలిగి తర్వాత, కానీ ప్రయోగాలు వ్యతిరేకంగా ఉంటాయి; మీరు డేటా సేకరించి ముందు రచనలపై ఏం చేయాలి. మీ రూపకల్పన మరియు విశ్లేషణ గురించి జాగ్రత్తగా అనుకుంటున్నాను మీరే బలవంతంగా ఉత్తమ మార్గాలను ఒకటి సృష్టించడానికి మరియు మీ ప్రయోగం కోసం ఒక విశ్లేషణ ప్రణాళిక నమోదు ఉంది. అదృష్టవశాత్తూ, ప్రయోగాత్మక డేటా విశ్లేషణ కోసం ఉత్తమ పద్ధతులు అనేక నివేదిక మార్గదర్శకాలను లోకి సూత్రబద్ధ చేయబడ్డాయి, మరియు ఈ మార్గదర్శకాలను మీ విశ్లేషణ ప్రణాళికను సృష్టించడం ప్రారంభించడానికి ఉన్నప్పుడు ఒక గొప్ప ప్రదేశం (Schulz et al. 2010; Gerber et al. 2014; Simmons, Nelson, and Simonsohn 2011) .

సలహా రెండవ భాగం ఎవరూ ప్రయోగం ఖచ్చితమైన ఉండబోతుంది అని, మరియు ఆ కారణంగా, మీరు ప్రతి ఇతర బలోపేతం చేసే ప్రయోగాలను వరుస రూపొందించడానికి ప్రయత్నించండి ఉండాలి. నేను కూడా ఈ ఆర్మడ వ్యూహం వర్ణించారు విన్న చేసిన; కాకుండా ఒక భారీ యుద్ధనౌకల నిర్మించడానికి ప్రయత్నిస్తున్నారు కంటే, మీరు పరిపూరకరమైన బలాలు తో చిన్న నౌకలు మంచి నిర్మాణ మా కావచ్చు. బహుళ-ప్రయోగం అధ్యయనాలు ఈ రకాల మనస్తత్వశాస్త్రంలో రొటీన్, కానీ వారు ఇతర ప్రాంతాలలో అరుదు. అదృష్టవశాత్తూ, కొన్ని డిజిటల్ ప్రయోగాలు తక్కువ ఖర్చు బహుళ-ప్రయోగం ఈ రకమైన సులభంగా అధ్యయనం చేస్తుంది.

అలాగే, నేను ఇప్పుడు తక్కువ సాధారణం కానీ డిజిటల్ వయస్సు తగ్గించే ప్రయోగాల రూపకల్పనకు, ముఖ్యంగా ముఖ్యం అని సలహా రెండు ముక్కలు అందిస్తున్నాయి చెయ్యాలనుకుంటే: సున్నా ఉపాంత వ్యయం డేటా సృష్టించడానికి మరియు మీ డిజైన్ నీతి నిర్మించడానికి.