4.6 ایڈوائس

چاہے آپ خود کر رہے ہیں یا ایک ساتھی کے ساتھ کام کر رہے ہیں، میں نے اپنے کام میں خاص طور پر مفید پایا ہے کہ مشورہ کے دو ٹکڑے پیش کرنے کے لئے چاہوں گا. کسی بھی ڈیٹا جمع کیا گیا ہے اس سے پہلے سب سے پہلے، ہر ممکن حد تک زیادہ سے زیادہ لگتا ہے کہ. یہ مشورہ غالبا تجربات چلانے کے عادی محققین کے واضح لگتا ہے، لیکن یہ بڑا اعداد و شمار ذرائع کے ساتھ کام کرنے کے عادی محققین کے لئے بہت اہم ہے (باب 2 ملاحظہ کریں). آپ کو ڈیٹا کے بعد بڑے اعداد و شمار کے ذرائع کے ساتھ کام کے سب سے زیادہ ہوتا ہے، لیکن تجربات مخالف ہیں؛ زیادہ تر کام ہونا چاہئے کہ آپ کا ڈیٹا جمع کرنے سے پہلے. آپ کے ڈیزائن اور تجزیہ کے بارے میں احتیاط سے سوچنے کے لئے اپنے آپ کو مجبور کرنے کے بہترین طریقوں میں سے ایک بنانے کے اور آپ کے استعمال کے لئے ایک تجزیہ کی منصوبہ بندی کے لیے لاگ ان کرنے کے لئے ہے. خوش قسمتی سے، تجرباتی اعداد و شمار کے تجزیہ کے لئے بہترین طریقوں میں سے بہت سے رپورٹنگ کے رہنما خطوط میں رسمی گئی ہے اور ان ہدایات آپ کے تجزیے کی منصوبہ بندی تشکیل دیتے وقت شروع کرنے کے لئے ایک عظیم جگہ ہے (Schulz et al. 2010; Gerber et al. 2014; Simmons, Nelson, and Simonsohn 2011) .

مشورہ کا دوسرا ٹکڑا ہے کہ کوئی بھی تجربہ کامل ہونے جا رہا ہے، اور اس کی وجہ سے، آپ کو ایک دوسرے کو مضبوط بنانے کے کہ تجربات کا ایک سلسلہ کو ڈیزائن کرنے کی کوشش کرنی چاہئے. میں بھی اس آرماڈا کی حکمت عملی کے طور پر بیان سنا ہے. بلکہ ایک بڑے پیمانے پر یودقپوٹ کی تعمیر کرنے کی کوشش کے مقابلے میں، آپ کو اعزازی طاقت کے ساتھ چھوٹے جہازوں کی بہتر عمارت قرعہ ہو سکتا ہے. کثیر تجربہ سٹڈیز کی یہ قسم نفسیات میں معمول کے مطابق ہیں، لیکن وہ کسی اور جگہ کم ہوتے ہیں. خوش قسمتی سے، کچھ ڈیجیٹل تجربات کی کم لاگت کثیر تجربہ کے ان قسم کے آسان مطالعہ ہوتا ہے.

اس کے علاوہ، میں اب کم عام ہیں لیکن ڈیجیٹل دور کے تجربات کے ڈیزائن کے لئے خاص طور پر اہم ہیں کہ مشورہ کے دو ٹکڑے پیش کرنے کے لئے چاہوں گا: صفر معمولی قیمت کو ڈیٹا بنانے کے اور آپ کے ڈیزائن میں اخلاقیات کی تعمیر.