4.3 دو تجربات کے طول و عرض: لیب میدان اور ینالاگ ڈیجیٹل

لیب کے تجربات، کنٹرول پیش کرتے ہیں تجربات حقیقت پیش کرتے ہیں، اور ڈیجیٹل تجربات پیمانے پر کنٹرول اور حقیقت پسندی کو اکٹھا.

تجربہ مختلف سائز اور سائز میں آتے ہیں. ماضی میں، محققین نے لیب تجربات اور فیلڈ تجربات کے درمیان مسلسل تسلسل کے ساتھ تجربات کو منظم کرنے میں مددگار ثابت کیا ہے. تاہم، تاہم، محققین کو انضمام تجربات اور ڈیجیٹل تجربات کے درمیان دوسرا تسلسل کے تجربات بھی منظم کرنا چاہئے. یہ دو جہتی ڈیزائن کی جگہ آپ کو مختلف نقطہ نظروں کی طاقتوں اور کمزوریوں کو سمجھنے میں مدد ملے گی اور سب سے بڑا موقع کے علاقوں کو نمایاں کریں (اعداد و شمار 4.1).

شکل 4.1: تجربات کے لئے ڈیزائن کی منصوبہ بندی. ماضی میں، تجربہ کار لیب فیلڈ کے طول و عرض کے ساتھ مختلف تھے. اب، وہ انزال ڈیجیٹل طول و عرض پر بھی مختلف ہیں. یہ دو جہتی ڈیزائن کی جگہ یہ ہے کہ میں اس باب میں چار تجربات کی طرف اشارہ کرتا ہوں. میری رائے میں، سب سے بڑا موقع کا علاقہ ڈیجیٹل فیلڈ تجربات ہے.

ایک طول و عرض جس کے ساتھ تجربات کو منظم کیا جاسکتا ہے لیبارٹری فیلڈ طول و عرض ہے. سماجی علوم میں بہت سے تجربات لیب تجربات ہیں جہاں انڈر گریجویٹ طالب علموں کو کورس کے کریڈٹ کے لیبارٹری میں عجيب کامیں انجام دیتے ہیں. اس قسم کا استعمال نفسیات میں تحقیق پر غلبہ کرتا ہے کیونکہ یہ محققین کو سماجی رویے کے بارے میں مخصوص نظریات کو الگ الگ اور جانچ کرنے کے لئے اعلی کنٹرول کی ترتیبات بنانے کے قابل بناتا ہے. تاہم، بعض مسائل کے لۓ، اس طرح کے ایک غیر معمولی ترتیب میں اس طرح کے غیر معمولی کاموں کو انجام دینے کے اس غیر معمولی لوگوں سے انسانی رویے کے بارے میں مضبوط نتیجہ ڈرائنگ کے بارے میں کچھ عجیب لگتا ہے. یہ خدشات نے فیلڈ تجربات کی طرف اشارہ کیا ہے . فیلڈ تجربات زیادہ قدرتی ترتیبات میں زیادہ عام کاموں کو انجام دینے والے شرکاء کے زیادہ نمائندہ گروپوں کے ساتھ بے ترتیب کنٹرول تجربات کے مضبوط ڈیزائن کو یکجا کرتے ہیں.

اگرچہ بعض لوگوں کو لیبل طریقوں کے طور پر لیبارٹری اور فیلڈ تجربات کے بارے میں سوچنا ہے، اگرچہ ان کی پوری طاقت اور کمزوریوں کے ساتھ مکمل طور پر ان کے بارے میں سوچنا اچھا ہے. مثال کے طور پر، Correll, Benard, and Paik (2007) لیبر کے جرم" کے ذرائع کو تلاش کرنے کی کوشش میں ایک لیبار تجربے اور ایک فیلڈ تجربے کا استعمال کیا جاتا ہے. امریکہ میں، ماؤں بے روزگار خواتین سے کم رقم کماتے ہیں، یہاں تک کہ جب اسی طرح کی ملازمتوں کے ساتھ عورتوں کا موازنہ جیسے ملازمتوں میں کام کرنا. اس نمونے کے لئے بہت ممکنہ وضاحتیں ہیں، جن میں سے ایک یہ ہے کہ ملازمت ماؤں کے خلاف باصلاحیت ہیں. (دلچسپی سے، برعکس والدین کے لئے سچ ثابت ہوتا ہے: وہ نسبتا بے روزگار مردوں سے بھی زیادہ فائدہ اٹھاتے ہیں.) ماؤں کے خلاف ممکنہ تعصب کا اندازہ کرنے کے لئے، Correll اور ساتھیوں نے دو تجربات بھاگ لیا: ایک لیب اور ایک میدان میں.

سب سے پہلے، لیبارٹری کے تجربے میں انہوں نے شرکاء کو بتایا، جو کالج میں انڈر گریجویٹ تھے، کہ ایک کمپنی نے اپنے نئے وسطی کوسٹ مارکیٹنگ ڈپارٹمنٹ کی قیادت کرنے کے لئے ایک شخص کے لئے ملازم کی تلاش کی. طالب علموں کو بتایا گیا تھا کہ کمپنی اپنی ملازمین کو ملازمت کے عمل میں چاہتے تھے، اور انہیں کئی احتساب امیدواروں کی دوبارہ جائزہ لینے اور امیدوار، گرمی اور کام کرنے کے عزم کے طور پر کئی طول و عرضوں پر شرح کرنے کا مطالبہ کیا گیا تھا. اس کے علاوہ، طلباء سے پوچھا گیا تھا کہ آیا وہ درخواست دہندگان کو نوکری دینے کی سفارش کرے گی اور وہ شروع ہونے والے تنخواہ کے بارے میں کیا سفارش کریں گے. تاہم، طالب علموں کے لئے انبیکاؤنسٹ، خاص طور پر ایک چیز کے علاوہ اسی طرح ہونے کے لئے دوبارہ شروع کئے گئے تھے: ان میں سے بعض نے مسیحی (استاد والدین کے اتحاد میں شمولیت کی فہرست میں) کی طرف اشارہ کیا اور کچھ نہیں. Correll اور ساتھیوں نے پتہ چلا کہ طالب علموں کو ماؤں کو ملازمت کرنے کی سفارش کرنے کا امکان نہیں تھا اور انہوں نے انہیں کم شروع کی تنخواہ پیش کی. مزید، درجہ بندی اور درجہ بندی سے متعلق فیصلے دونوں کے اعداد و شمار کے تجزیہ کے ذریعے، Correll اور ساتھیوں نے پتہ چلا کہ ماؤں کے نقصانات اس حقیقت کی طرف سے وسیع پیمانے پر وضاحت کی گئی ہے کہ وہ صلاحیت اور عزم کے لحاظ سے کم درجہ بندی کی گئی ہیں. اس طرح، لیبارٹری کے تجربے نے Correll اور ساتھیوں کو ایک اثر اثر انداز کرنے اور اس اثر کے لئے ممکنہ وضاحت فراہم کرنے کی اجازت دی.

بلاشبہ، ایک سو سو انڈر گریجویٹوں کے فیصلے پر مبنی پورے امریکی لیبر مارکیٹ کے بارے میں نتیجہ اخذ کرنے کے بارے میں شک ہوسکتا ہے جو شاید کبھی کبھی مکمل وقت تک کام نہیں کرسکتا، صرف کسی کو ملازمت دینے کی اجازت نہیں. لہذا، Correll اور ساتھیوں نے ایک تکمیل فیلڈ تجربے بھی کئے. انہوں نے جعلی کور خط اور دوبارہ شروع کے ساتھ سینکڑوں اشتہارات سے متعلق نوکریوں کا جواب دیا. انڈر گریجویٹز کو دکھایا گیا مواد کی طرح، کچھ نے نشان زدہ نشان زدہ شروع کر دیا اور کچھ نہیں. Correll اور ساتھیوں نے پتہ چلا کہ ماؤں کو برابر طور پر قابل بچہ بچہ خواتین کے مقابلے میں انٹرویو کے لئے واپس بلایا جا سکتا ہے. دوسرے الفاظ میں، حقیقی نگہداشت کرنے والے قدرتی فیصلے میں نتیجے میں فیصلے کرتے ہوئے انڈر گریجویٹوں کی طرح بہت زیادہ سلوک کیا. کیا انہوں نے اسی وجہ سے فیصلہ کیا؟ بدقسمتی سے، ہم نہیں جانتے. محققین کو آجروں کو ان کے فیصلوں کی وضاحت کرنے کے لئے سے پوچھ گچھ کرنے سے قاصر نہیں تھے.

تجربات کی یہ جوڑی عام طور پر لیب اور فیلڈ تجربات کے بارے میں بہت کچھ ظاہر کرتی ہے. لیب تجربات محققین کو فیصلے کر رہے ہیں جس میں ماحولیاتی ماحول کے قریب کل کنٹرول پیش کرتے ہیں. لہذا، مثال کے طور پر، تجربہ گاہ میں، Correll اور ساتھیوں کو اس بات کا یقین کرنے کے قابل تھا کہ تمام شروع دوبارہ خاموش ترتیب میں پڑھے؛ فیلڈ تجربے میں، دوبارہ شروع میں سے کچھ بھی نہیں پڑھ سکتے ہیں. اس کے علاوہ، کیونکہ لیب لیبل کی ترتیب میں شرکاء یہ جانتے ہیں کہ انھیں مطالعہ کیا جا رہا ہے، محققین اکثر اضافی اعداد و شمار جمع کرنے میں کامیاب ہوتے ہیں جو شرکاء کو اپنے فیصلے کر رہے ہیں کی وضاحت میں مدد کرسکتے ہیں. مثال کے طور پر، Correll اور ساتھیوں نے شرکاء سے لیبارٹری تجربے میں پوچھا کہ امیدواروں کو مختلف طول و عرضوں پر درجہ بندی کرنا ہے. اس طرح کے عمل کا ڈیٹا محققین کو دوبارہ شروع کرنے کا طریقہ کاروں میں اختلافات کے پیچھے میکانیزم کو سمجھنے میں مدد مل سکتی ہے.

دوسری طرف، یہ وہی خصوصیت ہیں جنہوں نے میں نے صرف فوائد کے طور پر بیان کیا ہے کبھی بھی نقصانات کو بھی سمجھا جاتا ہے. فیلڈ تجربات کو ترجیح دیتے ہیں جو محققین کا کہنا ہے کہ لیبارٹری تجربات میں شرکاء بہت مختلف کام کرسکتے ہیں کیونکہ وہ جانتے ہیں کہ وہ پڑھ رہے ہیں. مثال کے طور پر، تجربہ کار تجربے میں، شرکاء نے تحقیق کا مقصد اندازہ لگایا اور ان کے رویے کو تبدیل کر دیا تاکہ اس طرح باضابطہ طور پر نظر نہ آئے. اس کے علاوہ، محققین جنہوں نے فیلڈ تجربات کو ترجیح دیتے ہیں وہ استدلال کرسکتے ہیں کہ دوبارہ شروع میں چھوٹے اختلافات صرف ایک صاف، باضابطہ لیب ماحول میں کھڑے ہوسکتے ہیں، اور اس طرح لیبارٹری کا استعمال حقیقی ملازمت کے فیصلوں پر اخلاقی اثرات کا اندازہ لگایا جائے گا. آخر میں، فیلڈ تجربات کے بہت سے پروپیٹرز نے WEIRD شرکاء پر لیبارٹری تجربات کی تنصیب کی تنقید کی: بنیادی طور پر مغرب، تعلیم، صنعتی، امیر، اور ڈیموکریٹک ممالک (Henrich, Heine, and Norenzayan 2010a) سے طالب علموں کو. Correll اور ساتھیوں کی طرف سے تجربات (2007) دو لیبارٹری میدان میدان مسلسل پر وضاحت کرتے ہیں. ان دونوں وسائل کے درمیان میں بھی مختلف قسم کے ہائبرڈ ڈیزائن بھی ہیں، بشمول غیر طالب علموں کو لیبارٹری میں لانے یا فیلڈ میں جانے کے لۓ، لیکن اب بھی شرکاء کو غیر معمولی کام انجام دیا جاتا ہے.

ماضی میں وجود میں لابین لیب فیلڈ کے طول و عرض کے علاوہ اس کے علاوہ، ڈیجیٹل عمر کا مطلب یہ ہے کہ اب محققین نے دوسرا بڑا طول و عرض ہے جس کے ساتھ تجربات مختلف ہو سکتے ہیں: اینجیٹل-ڈیجیٹل. جیسے خالص لیب کے تجربات، خالص فیلڈ تجربات، اور درمیان میں ایک مختلف قسم کے ہائبرڈ موجود ہیں، پاک خالص تجربات، خالص ڈیجیٹل تجربات، اور مختلف قسم کے ہائبرڈ موجود ہیں. یہ طول و عرض کی رسمی تعریف پیش کرنے کے لئے مشکل ہے، لیکن ایک مفید کام کرنے والی تعریف یہ ہے کہ مکمل طور پر ڈیجیٹل تجربات ایسے تجربات ہیں جو بھرپور شراکت داروں کو بھرتی کرنے کے لئے ڈیجیٹل بنیادی ڈھانچے کا استعمال کرتے ہیں، بے ترتیب، علاج فراہم کرتے ہیں اور نتائج کی پیمائش کرتے ہیں. مثال کے طور پر، ریویریو اور وین ڈیججٹ (2012) بارنسٹرز اور وکیپیڈیا کا مطالعہ مکمل طور پر ڈیجیٹل تجربہ تھا کیونکہ اس نے ان تمام چاروں مرحلے کے لئے ڈیجیٹل نظام استعمال کیا. اسی طرح، مکمل طور پر متحرک تجربات ان چار مرحلے میں سے کسی کے لئے ڈیجیٹل بنیادی ڈھانچے کا استعمال نہیں کرتے ہیں. نفسیات میں بہت سے کلاسک تجربات مکمل طور پر مطابق تجربات ہیں. ان دو وجوہات کے درمیان، جزوی طور پر ڈیجیٹل تجربات ہیں جو انضمام اور ڈیجیٹل نظام کا مجموعہ استعمال کرتے ہیں.

جب کچھ لوگ ڈیجیٹل تجربات کے بارے میں سوچتے ہیں، تو وہ فوری طور پر آن لائن تجربات کے بارے میں سوچتے ہیں. یہ بدقسمتی سے ہے کیونکہ ڈیجیٹل تجربات چلانے کے مواقع صرف آن لائن نہیں ہیں. محققین کو علاج فراہم کرنے یا نتائج کی پیمائش کرنے کے لئے جسمانی دنیا میں ڈیجیٹل آلات کا استعمال کرتے ہوئے جزوی طور پر ڈیجیٹل تجربات چلا سکتے ہیں. مثال کے طور پر، محققین اسمارٹ فونز کو استعمال کرنے کے لۓ تعمیر ماحول میں علاج یا سینسر فراہم کرنے کے لئے استعمال کرسکتے ہیں. حقیقت میں، جیسا کہ ہم اس باب میں بعد میں دیکھیں گے، محققین نے توانائی کی کھپت کے بارے میں تجربات میں نتائج کو اندازہ کرنے کے لئے پہلے ہی گھر پاور میٹر کا استعمال کیا ہے جس میں 8.5 ملین گھروں (Allcott 2015) شامل ہیں. جیسا کہ ڈیجیٹل آلات تیزی سے لوگوں کی زندگی میں مربوط ہوتے ہیں اور سینسر تعمیراتی ماحول میں مربوط ہوتے ہیں، جسمانی دنیا میں جزوی طور پر ڈیجیٹل تجربات چلانے کے مواقع ڈرامائی طور پر بڑھ جاتے ہیں. دوسرے الفاظ میں، ڈیجیٹل تجربات صرف آن لائن تجربات نہیں ہیں.

ڈیجیٹل نظام لیبورڈ فیلڈ مسلسل کے ساتھ ہر جگہ تجربات کے لئے نئے امکانات پیدا کرتی ہیں. خالص لیب تجربات میں، مثال کے طور پر، محققین ڈیجیٹل نظام کو شرکاء کے رویے کی مکمل پیمائش کے لئے استعمال کرسکتے ہیں؛ اس قسم کی بہتر پیمائش کا ایک مثال آنکھ سے باخبر رہنے والا سامان ہے جس میں عارضی اور مسلسل اقدامات طے کی جگہ فراہم کرتی ہے. ڈیجیٹل عمر بھی آن لائن چلانے والے لیبارٹری کی تجربات کا امکان پیدا کرتا ہے. مثال کے طور پر، محققین نے آن لائن تجربات (اعداد و شمار 4.2) کے شراکت داروں کو بھرتی کرنے کے لئے تیزی سے ایمیزون میکانی ترک (MTurk) کو منظور کیا ہے. MTurk "ملازمین" سے ملتا ہے، جس کے کاموں کو "کارکنوں" کے ساتھ مکمل کرنے کی ضرورت ہوتی ہے جو پیسے کے لئے ان کاموں کو مکمل کرنا چاہتے ہیں. روایتی لیبر مارکیٹوں کے برعکس، تاہم، کاموں میں شامل ہونے کے لئے عام طور پر صرف چند منٹ کی ضرورت ہے، اور آجر اور کارکن کے درمیان پوری بات چیت آن لائن ہے. کیونکہ MTurk روایتی لیب تجربات کے پہلوؤں کی طرف اشارہ کرتا ہے- لوگوں کو ان کاموں کو پورا کرنے کے لئے ادائیگی کرتی ہے جو وہ مفت کے لئے نہیں کریں گے - یہ قدرتی طور پر بعض قسم کے تجربات کے لئے موزوں ہے. لازمی طور پر، MTurk نے لوگوں کو بھرنے اور ادائیگی کرنے والے شرکاء کے ایک پول کا انتظام کرنے کے لئے بنیادی ڈھانچہ پیدا کیا ہے- اور محققین نے ان بنیادی ڈھانچے کا فائدہ اٹھایا ہے جو شرکاء کے ہمیشہ دستیاب پول میں ٹپ کر سکتے ہیں.

شکل 4.2: ایمیزون میکانی ترک (MTurk) سے ڈیٹا کا استعمال کرتے ہوئے شائع کردہ کاغذات. MTurk اور دیگر آن لائن لیبر مارکیٹوں محققین کے تجربات کے لئے شرکاء کو بھرنے کے لئے محققین کا ایک آسان طریقہ پیش کرتے ہیں. Bohannon (2016) سے ایڈجسٹ کیا گیا.

ڈیجیٹل نظام فیلڈ جیسے تجربات کے لئے بھی زیادہ امکانات بناتے ہیں. خاص طور پر، وہ محققین کو فعال کنٹرول اور پروسیسنگ کے اعداد و شمار کو فعال کرنے کے لۓ لیبب تجربات کے ساتھ منسلک ہوتے ہیں جو متنوع شرکاء اور زیادہ قدرتی ترتیبات کے ساتھ لیب تجربات کے ساتھ منسلک ہوتے ہیں. اس کے علاوہ، ڈیجیٹل فیلڈ تجربات بھی تین مواقع پیش کرتے ہیں جو انضمام تجربات میں مشکل سے منسلک ہوتے ہیں.

سب سے پہلے، جبکہ زیادہ سے زیادہ تعدد لیبارٹری اور فیلڈ تجربات میں سینکڑوں شرکاء ہیں، ڈیجیٹل فیلڈ تجربات لاکھوں شرکاء ہو سکتے ہیں. پیمائش میں یہ تبدیلی ہے کیونکہ کچھ ڈیجیٹل تجربات صفر متغیر قیمت پر ڈیٹا پیدا کرسکتے ہیں. یہی ہے، ایک بار محققین نے تجرباتی بنیادی ڈھانچے کو تخلیق کیا ہے، عام طور پر شرکاء کی تعداد بڑھتی ہوئی قیمت میں اضافہ نہیں ہوتا ہے. 100 یا اس سے زیادہ عنصر کے شرکاء کی تعداد میں اضافے کو صرف ایک مقدار میں تبدیلی نہیں ہے؛ یہ ایک قابلیت تبدیلی ہے، کیونکہ یہ محققین کو مختلف چیزوں کو تجربات سے سیکھنا سیکھنے کے قابل بناتا ہے (مثال کے طور پر، علاج کے اثرات کے تناظر میں) اور مکمل طور پر مختلف تجرباتی ڈیزائن (مثال کے طور پر، بڑے گروپ تجربات) چلانے کے لئے. یہ نقطہ بہت اہم ہے، جب میں ڈیجیٹل تجربات بنانے کے بارے میں مشورہ پیش کرتا ہوں تو میں اس باب کے اختتام پر واپس آؤں گا.

دوسرا، جبکہ سب سے زیادہ تعدد لیبارٹری اور فیلڈ تجربات متضاد ویجٹ کے طور پر شرکاء کا حامل ہیں، ڈیجیٹل فیلڈ تجربات اکثر شرکاء کے بارے میں تحقیق کے ڈیزائن اور تجزیہ مرحلے میں اکثر استعمال کرتے ہیں. یہ پس منظر کی معلومات، جو پہلے سے متعلق علاج کی معلومات کہا جاتا ہے، اکثر ڈیجیٹل تجربات میں دستیاب ہوتا ہے کیونکہ وہ ہمیشہ کی پیمائش کے نظام کے اوپر چلتے ہیں (باب 2 دیکھیں). مثال کے طور پر، فیس بک پر ایک محقق یونیورسٹی کے محقق کے مقابلے میں ان کے ڈیجیٹل فیلڈ تجربے میں لوگوں کے بارے میں پہلے سے ہی علاج کے بارے میں مزید معلومات حاصل کرتا ہے. اس پری علاج سے زیادہ مؤثر تجرباتی ڈیزائن کو قابل بناتا ہے - جیسے ہی روکنے (Higgins, Sävje, and Sekhon 2016) اور شرکاء (Eckles, Kizilcec, and Bakshy 2016) کو نشانہ بنایا گیا (Eckles, Kizilcec, and Bakshy 2016) اور زیادہ بصیرت تجزیہ - جیسے ہی علاج کے اثرات کے (Eckles, Kizilcec, and Bakshy 2016) کا اندازہ (Athey and Imbens 2016a) اور بہتر صحت سے متعلق صحت (Bloniarz et al. 2016) لئے جدید تبدیلی (Bloniarz et al. 2016) .

تیسری، جبکہ بہت سارے اینجال لیب اور فیلڈ تجربات علاج فراہم کرتے ہیں اور نسبتا پیچیدہ وقت میں نتائج کا اندازہ دیتے ہیں، کچھ ڈیجیٹل فیلڈ تجربات زیادہ لمحے سے زیادہ وقت کی حد تک ہوتی ہیں. مثال کے طور پر، رائیویو اور وین ڈیجج کے تجربے کا نتیجہ روزانہ 90 دن تک ہوتا تھا، اور میں اس تجربے میں سے ایک میں باب کے بعد کے بارے میں بتاتا ہوں (Ferraro, Miranda, and Price 2011) تین سالوں میں تین سال سے زیادہ نتائج کا اندازہ لگایا گیا تھا. لاگت. یہ تین مواقع سائز، پری علاج کی معلومات، اور طویل عرصے تک علاج اور نتائج کا ڈیٹا - سب سے زیادہ عام طور پر پیدا ہوتا ہے جب ہمیشہ پیمائش کے نظام کے اوپر تجربات چلاتے ہیں (ہمیشہ ماپنے کے نظام پر زیادہ کے لئے باب 2 دیکھیں).

جبکہ ڈیجیٹل فیلڈ تجربات کو بہت امکانات پیش کرتے ہیں، ان کے مطابق کچھ کمزوریاں بھی شامل ہیں جو اینجال لیب اور ینالاگ فیلڈ تجربات دونوں کے ساتھ ہیں. مثال کے طور پر، ماضی میں پڑھنے کے لئے تجربات استعمال نہیں کیے جا سکتے ہیں، اور وہ صرف اس کے علاج کے اثرات کا تعین کر سکتے ہیں جو جوڑی جا سکتی ہیں. اس کے علاوہ، پالیسیوں کی رہنمائی کے لئے اگرچہ بے شک طور پر مفید طور پر مفید ہیں، وہ صحیح پیش رفت کی پیشکش کرسکتے ہیں، جیسے پیچیدگیوں کی وجہ سے محض محض ماحولیاتی انضمام، تعمیل کے مسائل، اور متوازن اثرات (Banerjee and Duflo 2009; Deaton 2010) . ڈیجیٹل فیلڈ تجربات کو فیلڈ تجربات کی طرف سے پیدا اخلاقی خدشات کو بھی بڑھانا - ایک موضوع میں اس باب میں اور باب 6 میں بعد میں پتہ چلتا ہوں.