4.1 Johdanto

Lähestymistavoissa katettu toistaiseksi tässä kirjassa tarkkailemaan käyttäytymistä (luku 2) ja kyselemällä (luku 3) -researchers kerätä tietoa siitä, mitä on luonnollisesti esiintyviä maailmassa. Lähestymistapa Tässä luvussa-kokeiluja-on täysin erilainen. Kun tutkijat kokeiluja, ne järjestelmällisesti puuttua maailmassa luoda tietoja, jotka soveltuvat mainiosti vastaamassa kysymyksiin syy-seuraus-suhteita.

Syy-seuraus kysymykset ovat hyvin yleisiä yhteiskuntatutkimuksen, ja esimerkkejä sisältää kysymyksiä kuten Onko lisäämällä opettajien palkat lisätä opiskelijoiden oppimista? Mikä vaikutus minimipalkkaa työllisyysasteista? Miten työnhakijan kilpailu vaikuttaa hänen mahdollisuus saada työpaikka? Näiden lisäksi nimenomaan syy kysymyksiä, joskus aiheuttaa-seuraus kysymykset ovat epäsuorasti yleisempiä kysymyksiä maksimointi joitakin suorituskyvyn mittana. Esimerkiksi kysymys "Mikä väri -painiketta maksimoi lahjoituksia kansalaisjärjestön verkkosivuilla sivusto?" On todella paljon kysymyksiä vaikutus eri painikkeen värejä lahjoituksista.

Yksi tapa vastata syy-seuraus kysymykset on etsiä kuvioita olemassa olevia tietoja. Esimerkiksi tietojen avulla tuhansien koulujen, ehkä laskea, että opiskelijat oppivat enemmän kouluissa, jotka tarjoavat korkean opettajien palkat. Mutta tämä korrelaatio osoittaa, että korkeampia palkkoja aiheuttavat oppilaita oppimaan enemmän? Ei tietenkään. Koulut jossa opettajat ansaitsevat enemmän voisi olla erilainen monin tavoin. Esimerkiksi opiskelijat kouluissa korkea opettajien palkat voisivat olla peräisin vauraampia perheitä. Siten mitä näyttää vaikutuksen opettajat voisivat juuri tullut vertailla erityyppisiä opiskelijoille. Nämä mittaamatta erot opiskelijoiden kutsutaan sekoittavat tekijät, ja yleensä mahdollisuus sekoittavien tekijöiden tekee tuhojaan tutkijoiden kykyyn vastata syy-seuraus kysymyksiin etsimällä kuvioita olemassa olevia tietoja.

Yksi ratkaisu ongelmaan sekoittavien tekijöiden on yrittää tehdä oikeudenmukainen vertailuja säätämällä varten havaittavissa eroja ryhmien välillä. Esimerkiksi, voit ehkä ladata kiinteistöverosta dataa useita hallituksen sivustoja. Sitten voisi verrata opiskelijoiden suorituksia kouluissa, joissa asuntojen hinnat ovat samankaltaisia, mutta opettajien palkat ovat erilaisia, ja silti voisi todeta, että opiskelijat oppivat enemmän kouluissa korkeamman opettajan palkka. Mutta on vielä monia mahdollisia sekoittavien tekijöiden. Ehkä vanhemmat näiden opiskelijoiden eroavat koulutustaso tai ehkä koulut eroavat läheisyys yleisissä kirjastoissa tai ehkä koulujen korkeamman opettajan palkka on myös korkeampi palkka rehtorien ja pääasiallinen palkka, ei opettaja palkka, on oikeastaan ​​kasvaa opiskelijoiden oppimista. Voisit yrittää mitata näitä muitakin tekijöitä, mutta luettelo mahdollisista sekoittavien tekijöiden on olennaisesti loputon. Monissa tilanteissa, et vain voi mitata ja säätää kaikkien mahdollisten sekoittavien tekijöiden. Tämä lähestymistapa voi vain kestää toistaiseksi.

Parempi ratkaisu ongelmaan sekoittavat on käynnissä kokeita. Kokeet tutkijat voivat siirtyä pidemmälle korrelaatiot luonnossa esiintyviä tietoja, jotta voidaan luotettavasti vastata syy-seuraus-kysymykseen. Vuonna analoginen ikä, kokeet olivat usein logistisesti vaikeaa ja kallista. Nyt digitaalisella aikakaudella, logistiset rajoitteet vähitellen hiipumassa pois. Ei vain se helpompi tehdä kokeita kuin ne tutkijat ovat tehneet aikaisemmin, on nyt mahdollista ajaa uudenlaisia ​​kokeiluja.

Sen mitä olen kirjoittanut toistaiseksi olen ollut hieman löysä minun kieli, mutta on tärkeää erottaa toisistaan ​​kaksi asiaa: kokeiluja ja satunnaistettu kontrolloitu kokeissa. Eräässä kokeessa tutkijan puuttuu maailmassa ja mittaa tulos. Olen kuullut tämän lähestymistavan kuvattu "hämmentää ja tarkkailla." Tämä strategia on hyvin tehokas luonnontieteissä, mutta lääketieteen ja yhteiskuntatieteiden, on toinen lähestymistapa, joka toimii paremmin. Satunnaistetussa kontrolloidussa kokeessa tutkija puuttuu joillekin ihmisille eikä muille, ja kriittisesti, tutkija päättää, mikä ihmiset saavat väliintuloa satunnaistaminen (esim kolikonheittoa). Tällä menettelyllä varmistetaan, että satunnaistettu kontrolloitu kokeissa luoda oikeudenmukainen vertailut kahteen ryhmään: yksi, joka on saanut interventio ja joka ei ole. Toisin sanoen, satunnaistettu kontrolloitu kokeissa ovat ratkaisu ongelmiin sekoittavien tekijöiden. Huolimatta merkittäviä eroja kokeita ja satunnaistettuja kontrolloituja kokeita, sosiaalinen tutkijat usein käyttävät näitä termejä samassa merkityksessä. Minä seuraan tätä sopimusta, mutta tietyissä kohdissa, minä rikkoa sopimus korostaa arvoa satunnaistetussa kontrolloidussa kokeita yli kokeissa ilman satunnaistamista ja vertailuryhmällä.

Satunnaistettu kontrolloitu kokeissa on osoittautunut tehokas tapa oppia sosiaalisen maailman, ja tässä luvussa, minä opetan teitä enemmän siitä, miten käyttää niitä tutkimuksessa. Kohta 4.2, minä havainnollistaa peruslogiikka kokeilua esimerkki kokeilun Wikipediasta. Sitten lisätään 4.3 minä kuvaavat eroa laboratoriokokeissa ja kenttäkokeissa sekä erot analogisen kokeita ja digitaalisen kokeiluja. Edelleen, minä väittävät, että digitaalinen kenttäkokeissa voi tarjota parhaat ominaisuudet analogisen laboratoriokokeissa (tiukka kontrolli) ja analoginen kenttäkokeiden (realismi), kaikki mittakaavassa se ei ollut mahdollista aikaisemmin. Seuraavaksi kohdassa 4.4, minä kuvataan kolme käsitteitä-pätevyys, heterogeenisyys hoidon vaikutuksia, ja mekanismit-jotka ovat kriittisiä suunnittelussa rikas kokeita. Tuon tausta, minä kuvata kompromisseja mukana kaksi strategioita suoritettavissa digitaalinen kokeet: tee se itse (4.5.1) tai kumppaneina voimakas (4.5.2). Lopuksi, minä lopuksi joitakin suunnittelu neuvoja siitä, miten voit hyödyntää todellinen valta digitaalisen kokeita (4.6.1) ja kuvata joitakin vastuusta, joka tulee joka teho (4.6.2). Luvussa esitellään vähintään matemaattinen ja muodollinen kieli; kiinnostuneet lukijat virallisempi, matemaattinen lähestymistapa kokeita pitäisi lukea teknisen lisäyksen lopussa luvun.