4.3 પ્રયોગો બે પરિમાણો: લેબ ક્ષેત્ર અને એનાલોગ-ડિજિટલ

પ્રયોગશાળામાં પ્રયોગો નિયંત્રણ આપે છે, ક્ષેત્ર પ્રયોગો વાસ્તવવાદ આપે છે, અને ડિજિટલ ક્ષેત્ર પ્રયોગો સ્કેલ પર નિયંત્રણ અને વાસ્તવવાદ ભેગા કરો.

પ્રયોગો ઘણા વિવિધ આકારો અને કદમાં આવે છે. ભૂતકાળમાં, સંશોધકોએ લેબ પ્રયોગો અને ફિલ્ડ પ્રયોગો વચ્ચેના અખંડ સાથેના પ્રયોગોનું આયોજન કરવા માટે તેને મદદરૂપ મળ્યું છે. હવે, તેમ છતાં, સંશોધકોએ એનાલોગ પ્રયોગો અને ડિજિટલ પ્રયોગો વચ્ચે બીજા સાતત્ય સાથેના પ્રયોગોને ગોઠવવું જોઈએ. આ બે પરિમાણીય ડિઝાઇન જગ્યા તમને વિવિધ અભિગમોની મજબૂતાઇઓ અને નબળાઈઓને સમજવામાં અને સૌથી વધુ તક (આકૃતિ 4.1) ના વિસ્તારોને પ્રકાશિત કરવામાં મદદ કરશે.

આકૃતિ 4.1: પ્રયોગો માટે ડિઝાઇન જગ્યા યોજનાકીય. ભૂતકાળમાં, પ્રયોગો લેબ-ફીલ્ડ ડાયમેન્શન સાથે અલગ અલગ હતા. હવે, તે એનાલોગ-ડિજિટલ પરિમાણ પર પણ અલગ અલગ છે. આ બે પરિમાણીય ડિઝાઇન જગ્યા ચાર પ્રયોગો દ્વારા સચિત્ર છે જે હું આ પ્રકરણમાં વર્ણવે છે. મારા મતે, સૌથી મોટી તકનો વિસ્તાર ડિજિટલ ક્ષેત્ર પ્રયોગો છે.

આકૃતિ 4.1: પ્રયોગો માટે ડિઝાઇન જગ્યા યોજનાકીય. ભૂતકાળમાં, પ્રયોગો લેબ-ફીલ્ડ ડાયમેન્શન સાથે અલગ અલગ હતા. હવે, તે એનાલોગ-ડિજિટલ પરિમાણ પર પણ અલગ અલગ છે. આ બે પરિમાણીય ડિઝાઇન જગ્યા ચાર પ્રયોગો દ્વારા સચિત્ર છે જે હું આ પ્રકરણમાં વર્ણવે છે. મારા મતે, સૌથી મોટી તકનો વિસ્તાર ડિજિટલ ક્ષેત્ર પ્રયોગો છે.

એક પરિમાણ કે જેની સાથે પ્રયોગો ગોઠવી શકાય છે તે લેબ-ફિલ્ડનું પરિમાણ છે. સામાજિક વિજ્ઞાનમાં ઘણા પ્રયોગો લેબ પ્રયોગો છે જ્યાં અંડરગ્રેજ્યુએટ વિદ્યાર્થીઓ અભ્યાસક્રમ ક્રેડિટ માટે લેબમાં વિચિત્ર કાર્યો કરે છે. આ પ્રકારની પ્રયોગ મનોવિજ્ઞાનમાં સંશોધન પર પ્રભુત્વ ધરાવે છે કારણ કે તે સંશોધકોને સામાજિક વર્તણૂક વિશે ચોક્કસ સિદ્ધાંતોને ચોક્કસપણે અલગ કરવા અને પરીક્ષણ કરવા માટે અત્યંત નિયંત્રિત સેટિંગ્સ બનાવવા માટે સક્ષમ કરે છે. અમુક સમસ્યાઓ માટે, જો કે, અસામાન્ય લોકો આવા અસામાન્ય સેટિંગમાં આવા અસામાન્ય કાર્યો કરતા લોકો તરફથી માનવ વર્તણૂંક વિશે મજબૂત તારણો ચિત્રિત કરવા વિશે કંઈક વિચિત્ર લાગે છે. આ ચિંતાઓ ક્ષેત્ર પ્રયોગો તરફ ચળવળમાં પરિણમ્યો છે. ક્ષેત્ર પ્રયોગો રેન્ડમાઇઝ્ડ કંટ્રોલ પ્રયોગોના મજબૂત ડિઝાઇનને વધુ કુદરતી સેટિંગ્સમાં વધુ સામાન્ય કાર્યો કરતા સહભાગીઓના વધુ પ્રતિનિધિ જૂથો સાથે જોડે છે.

કેટલાક લોકો લેબ અને ફિલ્ડ પ્રયોગોને સ્પર્ધાત્મક પદ્ધતિઓ તરીકે વિચારે છે, તેમ છતાં, તેમને લાગે છે કે તેઓ પૂરક અને અલગ અલગ શક્તિઓ અને નબળાઈઓ સાથે છે. ઉદાહરણ તરીકે, Correll, Benard, and Paik (2007) "માતૃત્વ દંડ" ના સ્ત્રોતો શોધવાના પ્રયાસરૂપે લેબ પ્રયોગ અને એક ક્ષેત્ર પ્રયોગ એમ બંનેનો ઉપયોગ કર્યો હતો. યુનાઇટેડ સ્ટેટ્સમાં, માતાઓ નિઃસંતાન સ્ત્રીઓ કરતા ઓછા પૈસા કમાતા હોય છે, ત્યારે પણ સમાન નોકરીઓમાં કામ કરતા સમાન કૌશલ્યવાળી સ્ત્રીઓની સરખામણી કરવી. આ પેટર્ન માટે ઘણાં સંભવિત ખુલાસો છે, જેમાંથી એક માતાઓ માતાઓ સામે પૂર્વગ્રહયુક્ત છે. (રસપ્રદ વાત એ છે કે, પિતા વિરુદ્ધની વાત સાચી લાગે છે: તેઓ નિ: સંતાન પુરુષો કરતાં વધુ કમાણી કરતા હોય છે.) માતાઓ વિરુદ્ધ શક્ય પૂર્વગ્રહની આકારણી કરવા માટે, કોર્લે અને સહકાર્યકરો બે પ્રયોગો ચલાવતા હતા: એક પ્રયોગશાળામાં અને એક ક્ષેત્રે.

પ્રથમ, એક પ્રયોગશાળામાં પ્રયોગમાં તેઓ સહભાગીઓને કહેતા હતા, જેઓ કૉલેજ અંડરગ્રેજ્યુએટ હતા, કે જે કોઈ કંપની તેના નવા ઇસ્ટ કોસ્ટ માર્કેટિંગ વિભાગને જીવી લેવા માટે એક રોજગાર શોધ કરી રહી છે. વિદ્યાર્થીઓને કહેવામાં આવ્યું હતું કે કંપનીએ ભાડે લેવાની પ્રક્રિયામાં તેમની મદદ માંગી છે, અને તેમને કેટલાક સંભવિત ઉમેદવારોના રિઝ્યુમ્સની સમીક્ષા કરવા અને તેઓના બુદ્ધિ, ઉષ્ણતા અને કામ કરવા માટેની પ્રતિબદ્ધતા જેવા સંખ્યાત્મક પરિમાણોને રેટ કરવા માટે કહેવામાં આવ્યું હતું. વધુમાં, વિદ્યાર્થીઓને કહેવામાં આવ્યું હતું કે શું તેઓ અરજદારની ભરતી કરવાની ભલામણ કરશે અને પ્રારંભિક પગાર તરીકે તેઓ શું ભલામણ કરશે. જોકે, વિદ્યાર્થીઓ માટે અજાણ્યા, રિઝ્યૂમે ખાસ કરીને એક વસ્તુ સિવાયના સમાન બનવા માટે બનાવવામાં આવી હતી: તેમાંના કેટલાકએ માતાપિતાને સહી કરી હતી (માતાપિતા-શિક્ષક સંડોવણીમાં યાદી સંડોવણી દ્વારા) અને કેટલાક Correll અને સહકાર્યકરો જાણવા મળ્યું છે કે વિદ્યાર્થીઓ ઓછી માતાઓ ભાડે ભલામણ ઓછી તેવી શક્યતા હતી અને તેઓ તેમને નીચા પ્રારંભ પગાર ઓફર કરે છે વધુમાં, બંને રેટિંગ્સ અને હૉરિંગ-સંબંધિત નિર્ણયોના આંકડાકીય વિશ્લેષણ દ્વારા, કોર્લે અને સહકર્મીઓએ શોધી કાઢ્યું હતું કે માતાઓના ગેરલાભને મોટા ભાગે એ હકીકત દ્વારા સમજાવી શકાય છે કે તેમની ક્ષમતા અને પ્રતિબદ્ધતાના સંદર્ભમાં નિમ્ન મૂલ્યાંકન કરવામાં આવ્યું હતું. આમ, આ પ્રયોગ પ્રયોગે કોરેલ અને સહકાર્યકરોને સાધક અસર માપવા અને તે અસર માટે શક્ય સમજૂતી પ્રદાન કરવાની મંજૂરી આપી હતી.

અલબત્ત, કદાચ થોડાક અંડરગ્રેજ્યુએટના નિર્ણયોના આધારે સમગ્ર યુ.એસ. લેબર માર્કેટ વિશેના તારણોને ચિત્રિત કરવા અંગે શંકાસ્પદ હોઇ શકે છે, જેમની પાસે કદાચ ક્યારેય પૂરા સમયની નોકરી નથી હોતી, કોઈને ભાડે રાખ્યા વગર જ તેથી, કોર્લે અને સહકાર્યકરોએ પૂરક ક્ષેત્ર પ્રયોગનું સંચાલન પણ કર્યું. નકલી કવર લેટર્સ અને રિઝ્યુમ્સ સાથે જાહેરાત કરેલા નોકરીના સદીઓથી તેઓએ જવાબ આપ્યો. અંડરગ્રેજ્યુએટને બતાવવામાં આવતી સામગ્રીની જેમ, કેટલાક રીઝ્યુમ કરેલા માતૃત્વ અને કેટલાક ન હતા. Correll અને સહકાર્યકરો જાણવા મળ્યું છે કે માતાઓ સમાન ગુણવત્તાવાળું નિઃસંતાન સ્ત્રીઓ કરતાં ઇન્ટરવ્યુ માટે પાછા બોલાવવામાં શક્યતા ઓછી હતા બીજા શબ્દોમાં કહીએ તો, કુદરતી સેટિંગમાં પરિણામી નિર્ણયો ધરાવતા વાસ્તવિક નોકરીદાતાઓ અંડરગ્રેજ્યુએટની જેમ વર્ત્યા હતા. શું તેઓ એ જ કારણસર સમાન નિર્ણયો લેતા હતા? કમનસીબે, અમને ખબર નથી. સંશોધકો નોકરીદાતાઓને ઉમેદવારોને રેટ કરવાનું અથવા તેમના નિર્ણયો સમજાવવા માટે કહી શકતા નથી.

પ્રયોગોની આ જોડી સામાન્ય રીતે લેબ અને ફિલ્ડ પ્રયોગો વિશે ઘણું પ્રગટ કરે છે. લેબ પ્રયોગો સંશોધકોને પર્યાવરણના કુલ અંકુશની નજીક પ્રદાન કરે છે જેમાં સહભાગીઓ નિર્ણયો લે છે. તેથી, ઉદાહરણ તરીકે, લેબ પ્રયોગમાં, કોરેલ અને સહકાર્યકરો એ સુનિશ્ચિત કરવામાં સક્ષમ હતા કે તમામ શરુઆત શાંત સેટિંગમાં વાંચવામાં આવી હતી; ક્ષેત્રમાં પ્રયોગમાં, કેટલાક રેઝ્યૂમે વાંચ્યા નથી પણ હોઈ શકે. વધુમાં, કારણ કે લેબ સેટિંગના સહભાગીઓને ખબર છે કે તેઓનો અભ્યાસ થઈ રહ્યો છે, સંશોધકો ઘણીવાર વધારાનો ડેટા એકત્રિત કરી શકે છે જે શા માટે સહભાગીઓ તેમના નિર્ણયો કરી રહ્યા છે તે સમજાવવામાં મદદ કરી શકે છે. ઉદાહરણ તરીકે, કોર્લે અને સહકર્મીઓએ વિવિધ પરિમાણો પર ઉમેદવારોને રેટ કરવા માટે લેબ પ્રયોગમાં સહભાગીઓને પૂછ્યા. પ્રક્રિયાનો આ પ્રકાર સંશોધકો રિઝ્યુમ્સ સાથેના કેવી રીતે વર્તન કરે છે તેના તફાવતો પાછળ પદ્ધતિઓ સમજી શકે છે.

બીજી બાજુ, આ ચોક્કસ લાક્ષણિકતાઓ કે જે મેં હમણાં જ લાભો તરીકે વર્ણવ્યાં છે તે પણ ક્યારેક ગેરલાભો ગણવામાં આવે છે. સંશોધકો જે ક્ષેત્ર પ્રયોગોને પ્રાધાન્ય આપે છે એવી દલીલ કરે છે કે લેબ પ્રયોગોના સહભાગીઓ ખૂબ અલગ રીતે કાર્ય કરી શકે છે કારણ કે તેઓ જાણે છે કે તેઓ અભ્યાસ કરી રહ્યાં છે. ઉદાહરણ તરીકે, લેબ પ્રયોગમાં, સહભાગીઓએ સંશોધનનો ધ્યેય અનુમાન કર્યો હોઈ શકે છે અને તેમના વર્તનને બદલી શકે છે જેથી પક્ષપાતી દેખાતા ન હોય વધુમાં, સંશોધકો જે ક્ષેત્ર પ્રયોગોને પસંદ કરે છે તે દલીલ કરે છે કે રેઝયુમમાં નાના તફાવતો માત્ર ખૂબ જ સ્વચ્છ, જંતુરહિત પ્રયોગશાળાના પર્યાવરણમાં ઉભા થઈ શકે છે, અને આમ લેબ પ્રયોગ વાસ્તવિક ભાડે લેવાના નિર્ણયો પર માતાની અસરને વધુ અંદાજ આપશે. છેલ્લે, ક્ષેત્ર પ્રયોગોના ઘણાં સમર્થકો (Henrich, Heine, and Norenzayan 2010a) સહભાગીઓ પર નિર્ભરતા: મુખ્યત્વે પાશ્ચાત્ય, શિક્ષિત, ઔદ્યોગિક, સમૃદ્ધ અને ડેમોક્રેટિક દેશોના વિદ્યાર્થીઓ (Henrich, Heine, and Norenzayan 2010a) . કોરેલ અને સહકાર્યકરો દ્વારા પ્રયોગો (2007) લેબ-ફિલ્ડ કોન્ટ્રામેન્ટમાં બે અંતિમોને સમજાવે છે. આ બન્ને ચરમસીમાઓ વચ્ચે વિવિધ પ્રકારની હાઇબ્રિડ ડિઝાઇન પણ છે, જેમાં બિન-વિદ્યાર્થીઓને લેબમાં લાવવામાં અથવા ખેતરમાં જવાની રીતોનો સમાવેશ થાય છે પરંતુ હજી સહભાગીઓ અસામાન્ય કાર્ય કરે છે.

લેબ-ફીલ્ડ ડાયમેન્શન કે જે ભૂતકાળમાં અસ્તિત્વમાં છે તે ઉપરાંત, ડિજિટલ વયનો અર્થ છે કે સંશોધકો પાસે હવે બીજું મુખ્ય પરિમાણ છે જેમાં પ્રયોગો બદલાઈ શકે છેઃ એનાલોગ ડિજિટલ શુદ્ધ લેબ પ્રયોગો, શુદ્ધ ફિલ્ડ પ્રયોગો અને વિવિધ પ્રકારના હાઇબ્રિડ છે, ત્યાં શુદ્ધ એનાલોગ પ્રયોગો, શુદ્ધ ડિજિટલ પ્રયોગો અને વિવિધ પ્રકારના હાઇબ્રિડ છે. આ પરિમાણની ઔપચારિક વ્યાખ્યા આપવા માટે મુશ્કેલ છે, પરંતુ ઉપયોગી કાર્યક્ષમતા એ છે કે સંપૂર્ણ ડિજિટલ પ્રયોગો પ્રયોગો છે જે ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચરનો ઉપયોગ સહભાગીઓની ભરતી કરવા, રેન્ડમાઇઝ કરવા, સારવાર આપવા અને પરિણામોને માપવા માટે કરે છે. દાખલા તરીકે, રેસ્ટિવો અને વેન ડે રીજ (2012) બર્નસ્ટાર્સ અને વિકિપીડિયાના અભ્યાસનો સંપૂર્ણ ડિજિટલ પ્રયોગ હતો કારણ કે તે આ તમામ ચાર પગલાં માટે ડિજિટલ સિસ્ટમોનો ઉપયોગ કરે છે. તેવી જ રીતે, આ ચાર પગલાંઓમાંથી કોઈપણ માટે સંપૂર્ણ એનાલોગ પ્રયોગો ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચરનો ઉપયોગ કરતા નથી. મનોવિજ્ઞાનના ઘણા પ્રયોગો સંપૂર્ણપણે એનાલોગ પ્રયોગો છે. આ બે ચરમસીમાઓ વચ્ચે, અંશતઃ ડિજિટલ પ્રયોગો છે જે એનાલોગ અને ડિજિટલ સિસ્ટમોના મિશ્રણનો ઉપયોગ કરે છે.

જ્યારે કેટલાક લોકો ડિજિટલ પ્રયોગો વિશે વિચારે છે, તેઓ તરત જ ઓનલાઇન પ્રયોગો વિશે વિચારે છે. આ કમનસીબ છે કારણ કે ડિજિટલ પ્રયોગો ચલાવવાની તકો ફક્ત ઑનલાઇન નથી. સંશોધકો ભૌતિક વિશ્વમાં ડિજિટલ ડિવાઇસનો ઉપયોગ કરીને આંશિક રીતે ડિજિટલ પ્રયોગો ચલાવી શકે છે જેથી સારવાર અથવા માપન પરિણામો પ્રાપ્ત થાય. દાખલા તરીકે, સંશોધકો સ્માર્ટફોનનો ઉપયોગ પરિણામોને માપવા માટે બાંધવામાં આવેલા પર્યાવરણમાં સારવાર અથવા સેન્સર પહોંચાડવા માટે કરી શકે છે. વાસ્તવમાં, આપણે આ પ્રકરણમાં પછીથી જોશું, સંશોધકોએ પહેલેથી જ હોમ પાવર મીટરનો ઉપયોગ 8.5 મિલિયન ઘરો (Allcott 2015) ઊર્જા વપરાશના પ્રયોગોમાં પરિણામોને માપવા માટે કર્યો છે. ડિજિટલ ઉપકરણો વધુને વધુ લોકોના જીવનમાં સંકલિત થઈ જાય છે અને સેન્સર બિલ્ટ એન્વાયરમેન્ટમાં સંકલિત થઈ જાય છે, ભૌતિક વિશ્વમાં અંશતઃ ડિજિટલ પ્રયોગો ચલાવવા માટેની આ તક નાટ્યાત્મક રીતે વધશે. બીજા શબ્દોમાં કહીએ તો, ડિજિટલ પ્રયોગો ફક્ત ઓનલાઇન પ્રયોગ નથી.

ડિજિટલ સિસ્ટમ્સ પ્રયોગો માટે પ્રયોગો માટે નવી શક્યતાઓ બનાવે છે. શુદ્ધ પ્રયોગશાળામાં પ્રયોગો, ઉદાહરણ તરીકે, સંશોધકો સહભાગીઓના વર્તનમાં વધુ સારા માપ માટે ડિજિટલ સિસ્ટમ્સનો ઉપયોગ કરી શકે છે; આ પ્રકારની સુધારેલી માપનું એક ઉદાહરણ આંખ ટ્રેકિંગ સાધન છે જે ત્રાટકવાના ચોક્કસ અને સતત પગલાં પૂરા પાડે છે. ડિજિટલ વય લેબ-જેવા પ્રયોગો ઓનલાઇન ચલાવવાની સંભાવના પણ બનાવે છે. ઉદાહરણ તરીકે, સંશોધકોએ ઝડપથી ઓનલાઇન પ્રયોગો માટે સહભાગીઓની ભરતી માટે એમેઝોન યાંત્રિક ટર્ક (એમટીયુકેક) અપનાવી છે (આંકડા 4.2). એમટીયુકે "એમ્પ્લોયરો" સાથે મેળ ખાય છે, જે "કામો" સાથે પૂર્ણ કરવાની જરૂર હોય તેવા કાર્યો ધરાવતા હોય છે જે નાણાં માટે તે કાર્યો પૂર્ણ કરવા માંગે છે. પરંપરાગત મજૂર બજારોથી વિપરીત, જો કાર્યવાહી સામાન્ય રીતે પૂર્ણ કરવા માટે થોડીક મિનિટોની જરૂર હોય, અને એમ્પ્લોયર અને કાર્યકર વચ્ચેની સંપૂર્ણ ક્રિયાપ્રતિક્રિયા ઓનલાઇન છે. કારણ કે એમટીયુકેક પરંપરાગત લેબ પ્રયોગોના પાસાંઓનું પાલન કરે છે-ભરવા માટે લોકોને ભરવા માટે કાર્ય કરે છે કે તેઓ મુક્ત નહીં કરે - તે ચોક્કસ પ્રકારની પ્રયોગો માટે કુદરતી રીતે અનુકૂળ છે. અનિવાર્યપણે, એમટીયુકેકે સહભાગીઓના પુલનું સંચાલન કરવા માટે ઈન્ફ્રાસ્ટ્રક્ચર બનાવ્યું છે- લોકોની ભરતી અને ભરવા-અને સંશોધકોએ તે ઇન્ફ્રાસ્ટ્રક્ચરનો લાભ લીધો છે જે સહભાગીઓના હંમેશા ઉપલબ્ધ પૂલમાં ટેપ કરે છે.

આકૃતિ 4.2: એમેઝોન યાંત્રિક ટર્ક (એમટીયુકેક) ના ડેટાના ઉપયોગથી પ્રકાશિત કરેલા પેપર્સ. એમટીયુકેક અને અન્ય ઓનલાઈન મજૂર બજારો સંશોધકોને પ્રયોગો માટે સહભાગીઓની ભરતી કરવાની અનુકૂળ રીત આપે છે. બોહ્નાન (2016) થી અનુકૂળ.

આકૃતિ 4.2: એમેઝોન યાંત્રિક ટર્ક (એમટીયુકેક) ના ડેટાના ઉપયોગથી પ્રકાશિત કરેલા પેપર્સ. એમટીયુકેક અને અન્ય ઓનલાઈન મજૂર બજારો સંશોધકોને પ્રયોગો માટે સહભાગીઓની ભરતી કરવાની અનુકૂળ રીત આપે છે. Bohannon (2016) થી અનુકૂળ.

ડિજિટલ સિસ્ટમ્સ ફિલ્ડ જેવા પ્રયોગો માટે વધુ સંભાવનાઓ પણ બનાવી શકે છે. ખાસ કરીને, તેઓ સંશોધકોને ચુસ્ત અંકુશ અને પ્રક્રિયા ડેટાને સંયોજિત કરવા માટે સક્ષમ કરે છે જે લેબોરેટરી પ્રયોગ સાથે વધુ વિવિધ સહભાગીઓ અને પ્રયોગશાળા પ્રયોગો સાથે સંકળાયેલ વધુ કુદરતી સેટિંગ્સ સાથે સંકળાયેલા છે. વધુમાં, ડિજિટલ ફિલ્ડ પ્રયોગો એનાલોગ પ્રયોગોમાં ત્રણ તક પૂરી પાડે છે.

પ્રથમ, જ્યારે મોટાભાગના એનાલોગ લેબ અને ફિલ્ડ પ્રયોગોમાં સેંકડો સહભાગીઓ હોય છે, ડિજિટલ ફિલ્ડ પ્રયોગો લાખો સહભાગીઓ હોઈ શકે છે સ્કેલમાં આ ફેરફાર છે કારણ કે કેટલાક ડિજિટલ પ્રયોગો શૂન્ય ચલ ખર્ચે ડેટા બનાવી શકે છે. એટલે કે, સંશોધકોએ પ્રાયોગિક ઈન્ફ્રાસ્ટ્રક્ચર બનાવ્યું છે, સહભાગીઓની સંખ્યા વધારીને સામાન્ય રીતે ખર્ચમાં વધારો નહીં કરે સહભાગીઓની સંખ્યા 100 અથવા વધુના પરિબળથી વધારીને માત્ર એક માત્રાત્મક પરિવર્તન નથી; તે ગુણાત્મક પરિવર્તન છે, કારણ કે તે સંશોધકોને પ્રયોગોથી જુદી જુદી વસ્તુઓ શીખવા માટે સક્ષમ કરે છે (દા.ત., ઉપચારની અસરોની વિવિધતા) અને સંપૂર્ણપણે અલગ પ્રયોગાત્મક ડિઝાઇન (દા.ત. મોટા-જૂથના પ્રયોગો) ચલાવવા માટે. આ બિંદુ એટલું મહત્વનું છે, જ્યારે હું ડિજિટલ પ્રયોગો બનાવવાની સલાહ આપું છું ત્યારે પ્રકરણના અંત તરફ હું તેને પરત કરીશ.

બીજું, જ્યારે મોટાભાગના એનાલોગ લેબ અને ફિલ્ડ પ્રયોગ સહભાગીઓને અસ્પષ્ટ વિજેટોનો ઉપયોગ કરે છે, ડિજિટલ ફિલ્ડ પ્રયોગો ઘણીવાર સહભાગીઓને સંશોધનના વિશ્લેષણ અને ડિઝાઇનમાં પૃષ્ઠભૂમિ માહિતીનો ઉપયોગ કરે છે. પ્રી-ટ્રીટમેન્ટ માહિતી તરીકે ઓળખાતી આ પૃષ્ઠભૂમિની માહિતી ડિજિટલ પ્રયોગોમાં ઘણીવાર ઉપલબ્ધ હોય છે કારણ કે તે હંમેશા-પર માપન સિસ્ટમોની ટોચ પર ચાલે છે (જુઓ પ્રકરણ 2). ઉદાહરણ તરીકે, ફેસબુક પરની સંશોધક પાસે તેમના ડિજિટલ ફિલ્ડ પ્રયોગમાં લોકો વિશે વધુ પૂર્વ-સારવારની માહિતી છે, જે યુનિવર્સિટીના સંશોધક તેના એનાલોગ ક્ષેત્રમાં પ્રયોગમાં લોકો વિશે છે. આ પૂર્વ-સારવાર વધુ કાર્યક્ષમ પ્રાયોગિક ડિઝાઇન્સ-જેમ કે બ્લોકીંગ (Higgins, Sävje, and Sekhon 2016) અને સહભાગીઓની લક્ષિત નિમણૂક (Eckles, Kizilcec, and Bakshy 2016) વધુ (Eckles, Kizilcec, and Bakshy 2016) - અને વધુ અનુભવી વિશ્લેષણ-જેમ કે ઉપચારની અસરોની વિવિધતાના અંદાજ. (Athey and Imbens 2016a) અને સુધારેલ ચોકસાઇ (Athey and Imbens 2016a) ગોઠવણ (Bloniarz et al. 2016) .

ત્રીજું, જ્યારે ઘણા એનાલોગ લેબ અને ફિલ્ડ પ્રયોગો ઉપચાર અને સમયના પ્રમાણમાં સંકુચિત જથ્થામાં પરિણામોને માપવા માટે પ્રદાન કરે છે, કેટલાક ડિજિટલ ફિલ્ડ પ્રયોગો ખૂબ લાંબો સમય મર્યાદામાં થાય છે. ઉદાહરણ તરીકે, રેસ્ટિવો અને વેન ડી રિઝટના પ્રયોગનો પરિણામ 90 દિવસ માટે દૈનિક માપવામાં આવ્યો હતો, અને પ્રયોગોમાંથી એક મેં તમને પાછળથી પ્રકરણ (Ferraro, Miranda, and Price 2011) બતાવ્યું છે, મૂળભૂત રીતે ત્રણ વર્ષમાં પરિણામો ટ્રૅક કર્યા વગર ખર્ચ આ ત્રણ તકો-આવશ્યકતા, પૂર્વ-સારવારની માહિતી, અને સમાંતર ઉપચાર અને પરિણામના આંકડા-મોટાભાગે જ્યારે પ્રયોગો હંમેશાં માપન સિસ્ટમોની ટોચ પર ચાલે છે (હંમેશા પ્રકરણ 2 પર વધુ માટે માપન સિસ્ટમો પર જુઓ).

જ્યારે ડિજિટલ ફિલ્ડ પ્રયોગો ઘણી શક્યતાઓ આપે છે, તેઓ એનાલોગ લેબ અને એનાલોગ ફિલ્ડ પ્રયોગો સાથે કેટલાક નબળાઈઓ પણ શેર કરે છે. ઉદાહરણ તરીકે, ભૂતકાળના અભ્યાસ માટે પ્રયોગોનો ઉપયોગ કરી શકાતો નથી, અને તે ફક્ત સારવારની અસરોનો અંદાજ કરી શકે છે જેને ચાલાકીથી કરી શકાય છે. વધુમાં, જો કે પ્રયોગો નિઃશંકપણે નીતિને માર્ગદર્શન આપવા માટે ઉપયોગી છે, તેઓ જે ચોક્કસ માર્ગદર્શિકા આપી શકે છે તે કંઈક અંશે મર્યાદિત છે કારણ કે પર્યાવરણીય અવલંબન, અનુપાલન સમસ્યાઓ અને સંતુલન અસરો (Banerjee and Duflo 2009; Deaton 2010) જેવી ગૂંચવણો. ડિજિટલ ફીલ્ડ પ્રયોગો ફિલ્ડ પ્રયોગ દ્વારા બનાવવામાં આવેલા નૈતિક ચિંતાઓનું વિસ્તરણ કરે છે- હું આ પ્રકરણમાં અને ત્યારબાદ પ્રકરણ 6 માં સંબોધિત કરું છું.