4.5.2 Construisez votre propre expérience

Construire votre propre expérience peut être coûteux, mais il vous permettra de créer l'expérience que vous voulez.

En plus de superposer des expériences sur des environnements existants, vous pouvez également créer votre propre expérience. Le principal avantage de cette approche est le contrôle; Si vous construisez l'expérience, vous pouvez créer l'environnement et les traitements que vous voulez. Ces environnements expérimentaux sur mesure peuvent créer des opportunités de tester des théories impossibles à tester dans des environnements naturels. Les principaux inconvénients de la construction de votre propre expérience sont que cela peut être coûteux et que l'environnement que vous êtes en mesure de créer pourrait ne pas avoir le réalisme d'un système naturel. Les chercheurs construisant leur propre expérience doivent également avoir une stratégie pour recruter des participants. Lorsqu'ils travaillent dans des systèmes existants, les chercheurs apportent essentiellement les expériences à leurs participants. Mais, lorsque les chercheurs construisent leur propre expérience, ils doivent y amener des participants. Heureusement, des services tels que Amazon Mechanical Turk (MTurk) peuvent fournir aux chercheurs un moyen pratique d'amener les participants à leurs expériences.

Gregory Huber, Seth Hill et Gabriel Lenz (2012) illustrent les vertus des environnements sur mesure pour tester les théories abstraites. Cette expérience explore une possible limitation pratique au fonctionnement de la gouvernance démocratique. Des études antérieures non expérimentales sur des élections réelles ont suggéré que les électeurs ne sont pas en mesure d'évaluer avec précision les performances des politiciens en place. En particulier, les électeurs semblent souffrir de trois biais: (1) ils sont axés sur des performances récentes plutôt que cumulatives; (2) ils peuvent être manipulés par la rhétorique, l'encadrement et la commercialisation; et (3) ils peuvent être influencés par des événements sans rapport avec la performance des titulaires, tels que le succès des équipes sportives locales et la météo. Dans ces études antérieures, cependant, il était difficile d'isoler l'un de ces facteurs de toutes les autres choses qui se produisent dans des élections réelles et désordonnées. Par conséquent, Huber et ses collègues ont créé un environnement de vote hautement simplifié afin d'isoler, puis d'étudier expérimentalement chacun de ces trois biais possibles.

Comme je décris le montage expérimental ci-dessous, cela va sembler très artificiel, mais rappelez-vous que le réalisme n'est pas un objectif dans les expériences de laboratoire. L'objectif est plutôt d'isoler clairement le processus que vous essayez d'étudier, et cet isolement rigoureux n'est parfois pas possible dans les études plus réalistes (Falk and Heckman 2009) . De plus, dans ce cas particulier, les chercheurs ont fait valoir que si les électeurs ne peuvent pas évaluer efficacement la performance dans ce contexte hautement simplifié, ils ne seront pas en mesure de le faire dans un cadre plus réaliste et plus complexe.

Huber et ses collègues ont utilisé MTurk pour recruter des participants. Une fois qu'un participant a donné son consentement éclairé et passé un test court, on lui a dit qu'elle participait à un jeu de 32 rondes pour gagner des jetons qui pourraient être convertis en argent réel. Au début du jeu, on a dit à chaque participante qu'on lui avait assigné un «allocateur» qui lui donnerait des jetons gratuits à chaque tour et que certains allocateurs étaient plus généreux que d'autres. En outre, chaque participant a également été informé qu'elle aurait la possibilité de conserver son allocateur ou d'en recevoir une nouvelle après 16 parties de la partie. Compte tenu de ce que vous savez des objectifs de recherche de Huber et de ses collègues, vous pouvez voir que l'allocateur représente un gouvernement et que ce choix représente une élection, mais les participants n'étaient pas au courant des objectifs généraux de la recherche. Au total, Huber et ses collègues ont recruté environ 4 000 participants qui ont été payés environ 1,25 $ pour une tâche qui a pris environ huit minutes.

Rappelons que l'un des résultats de la recherche antérieure était que les électeurs récompensaient et punissaient les titulaires pour des résultats qui échappaient manifestement à leur contrôle, tels que le succès des équipes sportives locales et la météo. Pour évaluer si les décisions de vote des participants pouvaient être influencées par des événements purement aléatoires dans leur contexte, Huber et ses collègues ont ajouté une loterie à leur système expérimental. Au huitième tour ou au seizième tour (c'est-à-dire juste avant la possibilité de remplacer l'allocateur), les participants ont été placés au hasard dans une loterie où certains ont gagné 5 000 points, certains ont gagné 0 point et certains ont perdu 5 000 points. Cette loterie était destinée à imiter les bonnes ou mauvaises nouvelles qui sont indépendantes de la performance du politicien. Même si les participants ont été explicitement informés que la loterie n'était pas liée à la performance de leur allocateur, le résultat de la loterie a encore influencé les décisions des participants. Les participants qui bénéficiaient de la loterie étaient plus susceptibles de garder leur allocateur, et cet effet était plus fort lorsque la loterie se déroulait au tour 16 - juste avant la décision de remplacement - que lorsqu'elle se déroulait au tour 8 (figure 4.15). Ces résultats, ainsi que ceux de plusieurs autres expériences, ont amené Huber et ses collègues à conclure que même dans un contexte simplifié, les électeurs ont du mal à prendre des décisions avisées, ce qui a influencé les futures recherches sur les décisions électorales (Healy and Malhotra 2013) . L'expérience de Huber et ses collègues montre que MTurk peut être utilisé pour recruter des participants pour des expériences de laboratoire afin de tester précisément des théories très spécifiques. Il montre également l'intérêt de construire votre propre environnement expérimental: il est difficile d'imaginer comment ces mêmes processus auraient pu être isolés aussi proprement dans n'importe quel autre environnement.

Figure 4.15: Résultats de Huber, Hill et Lenz (2012). Les participants qui bénéficiaient de la loterie étaient plus susceptibles de conserver leur allocateur, et cet effet était plus fort lorsque la loterie se déroulait au tour 16 - juste avant la décision de remplacement - qu'au moment du tour 8. Adapté de Huber, Hill et Lenz ( 2012), figure 5.

Figure 4.15: Résultats de Huber, Hill, and Lenz (2012) . Les participants qui bénéficiaient de la loterie étaient plus susceptibles de conserver leur allocateur, et cet effet était plus fort lorsque la loterie se déroulait au tour 16 - juste avant la décision de remplacement - qu'au moment du tour 8. Adapté de Huber, Hill, and Lenz (2012) , figure 5.

En plus de construire des expériences de laboratoire, les chercheurs peuvent également construire des expériences plus proches du terrain. Par exemple, Centola (2010) construit une expérience sur le terrain numérique pour étudier l'effet de la structure du réseau social sur la propagation du comportement. Sa question de recherche l'obligeait à observer le même comportement se propager dans les populations qui avaient différentes structures de réseau social, mais étaient autrement indiscernables. La seule façon de le faire était avec une expérience sur mesure, construite sur mesure. Dans ce cas, Centola a construit une communauté de santé sur le Web.

Centola a recruté environ 1 500 participants grâce à la publicité sur les sites Web sur la santé. Lorsque les participants sont arrivés sur la communauté en ligne - appelée Healthy Lifestyle Network -, ils ont donné leur consentement éclairé et se sont vu attribuer des «copains de santé». En raison de la façon dont Centola a assigné ces copains de santé, il a pu différents groupes. Certains groupes ont été construits pour avoir des réseaux aléatoires (où tout le monde était également susceptible d'être connecté), tandis que d'autres groupes ont été construits pour avoir des réseaux en grappe (où les connexions sont plus denses localement). Ensuite, Centola a introduit un nouveau comportement dans chaque réseau: la possibilité de s'inscrire pour un nouveau site Web avec des informations de santé supplémentaires. Chaque fois que quelqu'un s'est inscrit à ce nouveau site Web, tous ses amis de la santé ont reçu un courriel annonçant ce comportement. Centola a constaté que ce comportement - s'inscrire pour le nouveau site Web - se propage plus loin et plus rapidement dans le réseau en grappes que dans le réseau aléatoire, une conclusion qui était contraire à certaines théories existantes.

Dans l'ensemble, la construction de votre propre expérience vous donne beaucoup plus de contrôle; cela vous permet de construire le meilleur environnement possible pour isoler ce que vous voulez étudier. Il est difficile d'imaginer comment les deux expériences que je viens de décrire auraient pu être réalisées dans un environnement déjà existant. De plus, la construction de votre propre système diminue les préoccupations éthiques liées à l'expérimentation dans les systèmes existants. Lorsque vous construisez votre propre expérience, cependant, vous rencontrez de nombreux problèmes rencontrés dans les expériences de laboratoire: le recrutement de participants et les préoccupations concernant le réalisme. Un dernier inconvénient est que la construction de votre propre expérience peut être coûteuse et fastidieuse, bien que, comme le montrent ces exemples, les expériences peuvent aller d'environnements relativement simples (comme l'étude du vote par Huber, Hill, and Lenz (2012) ) à des environnements relativement complexes (comme l'étude des réseaux et de la contagion par Centola (2010) ).