4.5.1.2 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 souhaitez. Ces environnements expérimentaux sur mesure peuvent créer des opportunités pour tester les théories qui sont impossibles à tester dans des environnements naturels. Les principaux inconvénients de la construction de votre propre expérience sont qu'il 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 de construction de leur propre expérience doivent également avoir une stratégie pour recruter des participants. Lorsque l'on travaille dans les systèmes existants, les chercheurs sont essentiellement apportent les expériences à leurs participants. Mais, lorsque les chercheurs construisent leur propre expérience, ils ont besoin pour amener les participants à elle. Heureusement, des services tels que Amazon Mechanical Turk (MTurk) peuvent fournir aux chercheurs un moyen pratique d'amener les participants à leurs expériences.

Un exemple qui illustre les vertus des environnements sur mesure pour tester des théories abstraites est l'expérience de laboratoire numérique par Gregory Huber, Seth Hill et Gabriel Lenz (2012) . L'expérience explore une possible limitation pratique du fonctionnement de la gouvernance démocratique. Les études antérieures non expérimentales des élections réelles suggèrent que les électeurs ne sont pas en mesure d'évaluer avec précision les performances des hommes politiques en place. En particulier, les électeurs semblent souffrir de trois biais: 1) centré sur récente plutôt que la performance cumulative; 2) manipulable par la rhétorique, le cadrage et la commercialisation; et 3) influencée par des événements non liés à la performance historique, tels que le succès de l'équipe sportive locale et le temps. Dans ces études antérieures, cependant, il était difficile d'isoler l'un de ces facteurs de toutes les autres choses qui se passe dans de véritables élections en désordre. Par conséquent, Huber et ses collègues ont créé un environnement de vote très simplifié afin d'isoler, puis expérimentalement étudier, chacun de ces trois biais possibles.

Comme je le décris la mise en place expérimentale ci-dessous, il va sembler très artificielle, mais rappelez-vous que le réalisme est pas un but dans des expériences de laboratoire de style. Au contraire, l'objectif est d'isoler clairement le processus que vous essayez d'étudier, et cet isolement serré est parfois pas possible dans les études avec plus de réalisme (Falk and Heckman 2009) . En outre, dans ce cas particulier, les chercheurs ont fait valoir que si les électeurs ne peuvent pas évaluer efficacement la performance dans ce cadre très simplifié, alors ils ne vont pas être en mesure de le faire dans un cadre plus réaliste, plus complexe.

Huber et ses collègues ont utilisé Amazon Mechanical Turk (MTurk) pour recruter des participants. Une fois qu'un participant a fourni un consentement éclairé et passé un test court, elle a dit qu'elle participait à un match de la ronde 32 pour gagner des jetons qui pourraient être convertis en argent réel. Au début du jeu, a dit à chaque participant qu'elle avait reçu un «allocateur» qui donne ses jetons gratuits chaque tour et que certains étaient plus généreux allocateurs que d'autres. En outre, chaque participant a également dit qu'elle aurait une chance de soit garder son allocateur ou être attribué un nouveau après 16 tours de jeu. Étant donné ce que vous savez à propos de Huber et les objectifs de recherche de collègues, vous pouvez voir que l'allocateur représente un gouvernement et ce choix représente une élection, mais les participants ne connaissaient pas les 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 8 minutes.

Rappelons que l'un des résultats de la recherche antérieure était que les électeurs récompense et punir les titulaires des résultats qui sont clairement hors de leur contrôle, comme le succès des équipes sportives locales et la météo. Pour évaluer si les décisions participants de vote pourraient être influencés par des événements purement aléatoires dans leur milieu, Huber et ses collègues ont ajouté une loterie à leur système expérimental. A chaque 8ème round ou le 16 (ie, juste avant la chance de remplacer l'allocateur) participants ont été placés au hasard dans une loterie où certains ont gagné 5000 points, certains ont gagné 0 points, et certains ont perdu 5000 points. Cette loterie a été conçu pour imiter bonnes ou mauvaises nouvelles qui est indépendante de la performance de l'homme politique. Même si les participants ont été explicitement dit que la loterie était sans rapport avec la performance de leur allocateur, les résultats de la loterie encore affecté les décisions des participants. Les participants qui ont bénéficié de la loterie étaient plus susceptibles de garder leur allocateur, et cet effet a été plus forte lorsque la loterie est arrivé au tour 16 juste avant le remplacement de décision que lorsqu'il est arrivé au tour 8 (Figure 4.14). Ces résultats, ainsi que les résultats de plusieurs autres expériences dans le papier, conduit Huber et ses collègues de conclure que , même dans un cadre simplifié, les électeurs ont de la difficulté à prendre des décisions sages, un résultat qui a touché les recherches futures sur la prise des électeurs décision (Healy and Malhotra 2013) . L'expérience de Huber et ses collègues montrent que MTurk peut être utilisé pour recruter des participants pour des expériences de laboratoire de style pour tester précisément les théories très spécifiques. Il montre également la valeur de la construction de votre propre environnement expérimental: il est difficile d'imaginer comment ces mêmes processus auraient pu être isolé si proprement dans tout autre contexte.

Figure 4.14: Résultats de Huber, Hill, et Lenz (2012). Les participants qui ont bénéficié de la loterie étaient plus susceptibles de conserver leur allocateur, et cet effet a été plus forte lorsque la loterie est arrivé au tour 16 juste avant le remplacement de décision que lorsqu'il est arrivé au tour 8.

Figure 4.14: Résultats de Huber, Hill, and Lenz (2012) . Les participants qui ont bénéficié de la loterie étaient plus susceptibles de conserver leur allocateur, et cet effet a été plus forte lorsque la loterie est arrivé au tour 16 juste avant le remplacement de décision que lorsqu'il est arrivé au tour 8.

En plus de construire des expériences de laboratoire comme, les chercheurs peuvent aussi construire des expériences qui sont plus sur le terrain comme. Par exemple, Centola (2010) construit une expérience numérique de terrain 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 propagation dans les populations qui avaient différentes structures de réseau social, mais étaient par ailleurs impossibles à distinguer. La seule façon de le faire est avec, une expérience sur mesure sur mesure. Dans ce cas, Centola construit une communauté de santé basé sur le Web.

Centola recruté environ 1.500 participants à la publicité sur les sites Web de santé. Lorsque les participants sont arrivés à en ligne la communauté, qui a été appelé le mode de vie sain Réseau-ils ont fourni un consentement éclairé et ont été assignés "copains de santé.» En raison de la façon dont Centola attribué ces copains de santé, il a pu tricoter ensemble différentes structures de réseaux sociaux dans différents groupes. Certains groupes ont été construits pour avoir des réseaux aléatoires (où tout le monde était également susceptible d'être connecté) et d'autres groupes ont été construits pour avoir des réseaux en cluster (où les connexions sont plus localement dense). Ensuite, Centola introduit un nouveau comportement dans chaque réseau, la possibilité de vous inscrire à un nouveau site Web avec des informations de santé supplémentaires. Chaque fois que quelqu'un a signé pour ce nouveau site web, tous ses copains de santé ont reçu un courriel annonçant ce comportement. Centola a constaté que ce comportement-signature-up pour le nouveau site d'étendre de plus en plus rapidement dans le réseau en cluster que le réseau aléatoire, une conclusion contraire à certaines théories existantes.

Dans l'ensemble, la construction de votre propre expérience vous donne beaucoup plus de contrôle; il vous permet de construire le meilleur environnement possible d'isoler ce que vous voulez étudier. Il est difficile d'imaginer comment l'une de ces expériences auraient pu être effectuées dans un environnement déjà existant. En outre, la construction de votre propre système diminue les préoccupations éthiques autour de l'expérimentation dans les systèmes existants. Lorsque vous construisez votre propre expérience, cependant, vous avez un grand nombre des problèmes que l'on rencontre dans des expériences de laboratoire: recrutement des participants et des préoccupations au sujet de réalisme. Un inconvénient final est que la construction de votre propre expérience peut être coûteuse et prend du temps, bien que , comme le montrent ces exemples, les expériences peuvent varier de milieux relativement simples (comme l'étude du vote par Huber, Hill, and Lenz (2012) ) à des environnements relativement complexes (tels que l'étude des réseaux et la contagion par Centola (2010) ).