4.6 Advice

Kung ikaw ay gumagawa ng ito sa iyong sarili o nagtatrabaho sa isang partner, gusto kong mag-alok ng dalawang piraso ng payo na aking natagpuan partikular na nakatutulong sa aking sariling gawa. Una, sa tingin hangga't maaari bago ang anumang data ay nakolekta. Payo na ito marahil tila halata sa mga mananaliksik bihasa sa pagpapatakbo ng mga eksperimento, ngunit ito ay napakahalaga para sa mga mananaliksik bihasa sa nagtatrabaho na may malaking pinagkukunan ng data (tingnan ang Kabanata 2). Na may malaking pinagkukunan ng data karamihan ng mga trabaho ang mangyayari pagkatapos mong magkaroon ng data, ngunit eksperimento ay ang kabaligtaran; karamihan ng mga trabaho ang dapat mangyari bago mo mangolekta ng data. Isa sa mga pinakamahusay na paraan upang pilitin ang iyong sarili na mag-isip nang mabuti tungkol sa iyong mga disenyo at pagtatasa ay upang lumikha at magrehistro ng isang pagtatasa plano para sa iyong eksperimento. Sa kabutihang palad, marami sa mga pinakamahusay na kasanayan para sa pagtatasa ng pang-eksperimentong data ay formalized sa mga alituntunin sa pag-uulat, at mga alituntuning ito ay isang magandang lugar upang magsimula kapag lumilikha ng iyong analysis plan (Schulz et al. 2010; Gerber et al. 2014; Simmons, Nelson, and Simonsohn 2011) .

Ang ikalawang piraso ng payo ay na walang eksperimento ay pagpunta sa maging perpekto, at dahil sa na, dapat mong subukan na disenyo ng isang serye ng mga eksperimento na palakasin ang isa't isa. Kahit ko na marinig ito inilarawan bilang ang armada diskarte; sa halip na sinusubukan na bumuo ng isang napakalaking battleship, maaari kang maging mas mahusay na gusali ng maraming mga mas maliit na ships na may mga komplimentaryong mga lakas. Ang mga uri ng mga pag-aaral multi-eksperimento ay routine sa sikolohiya, ngunit sila ay bihirang sa ibang dako. Sa kabutihang palad, ang mababang halaga ng ilang mga digital na mga eksperimento gumagawa ng mga uri ng multi-eksperimento aaral mas madali.

Bukod dito, gusto kong mag-alok ng dalawang piraso ng payo na ay mas karaniwan ngayon ngunit ay partikular na mahalaga para sa pagdisenyo ng mga digital na mga eksperimento edad: lumikha ng zero marginal cost data at bumuo ng etika sa iyong disenyo.