4.4.1 માન્યતા

માન્યતા કેટલી પ્રયોગ પરિણામો વધુ સામાન્ય તારણ આધાર ઉલ્લેખ કરે છે.

કોઈ પ્રયોગ આદર્શ છે, અને સંશોધકો શક્ય સમસ્યાઓ વર્ણન કરવા માટે એક વ્યાપક શબ્દભંડોળ વિકસાવી છે. માન્યતા હદ ચોક્કસ પ્રયોગ પરિણામો કેટલાક વધુ સામાન્ય તારણ આધાર જે ઉલ્લેખ કરે છે. સામાજિક વૈજ્ઞાનિકો તે ચાર મુખ્ય પ્રકારો માં માન્યતા વિભાજિત કરવા માટે મદદરૂપ મળ્યાં નથી છે: આંકડાકીય નિષ્કર્ષ માન્યતા, આંતરિક માન્યતા, માન્યતા રચવા, અને બાહ્ય માન્યતા (Shadish, Cook, and Campbell 2001, Ch 2) . આ ખ્યાલો નિપુણતા તમે critiquing અને ડિઝાઇન અને એક પ્રયોગ વિશ્લેષણ સુધારવા માટે માનસિક ચેકલિસ્ટ પૂરી પાડે છે, અને તે તમને અન્ય સંશોધકો સાથે વાતચીત કરવામાં મદદ કરશે.

આંકડાકીય નિષ્કર્ષ માન્યતા આસપાસ પ્રયોગ આંકડાકીય વિશ્લેષણ યોગ્ય રીતે કરવામાં આવી હતી કે કેમ તે કેન્દ્રિત છે. સંદર્ભમાં Schultz et al. (2007) , જેમ કે પ્રશ્ન એ છે કે તેઓ તેમના પી કિંમતો યોગ્ય રીતે ગણતરી પર કેન્દ્ર શકે છે. આંકડાકીય વિશ્લેષણ આ પુસ્તક તક બહાર છે, પરંતુ હું કહી શકો છો આંકડાકીય સિદ્ધાંતો ડિઝાઇન અને પ્રયોગો વિશ્લેષણ કરવા માટે જરૂરી ડિજિટલ વય માં બદલાઈ નથી. જો કે, ડિજિટલ પ્રયોગો વિવિધ માહિતી પર્યાવરણ નવા આંકડાકીય તકો બનાવવા નથી (દા.ત., મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ સારવાર અસરો વૈવિધ્યનો અંદાજ (Imai and Ratkovic 2013) ) અને ન્યૂ કોમ્પ્યુટેશનલ પડકારો (દા.ત., મોટા પ્રયોગો અવરોધિત (Higgins, Sävje, and Sekhon 2016) ).

આંતરિક માન્યતા આસપાસ પ્રાયોગિક પ્રક્રિયાઓ યોગ્ય રીતે કરવામાં આવી હતી કે કેમ તે કેન્દ્રિત છે. ના પ્રયોગ પરત Schultz et al. (2007) , આંતરિક માન્યતા વિશે પ્રશ્નો, પરિણામો સારવાર ડિલિવરી, અને માપ રેન્ડમાઈઝેશન આસપાસ કેન્દ્ર શકે છે. ઉદાહરણ તરીકે, તમે ચિંતિત છે કે સંશોધન મદદનીશો ઇલેક્ટ્રિક મીટર વિશ્વસનીય વાંચી ન હતી હોઈ શકે છે. હકીકતમાં, સ્કલ્ટ્સ અને સહકર્મીઓ આ સમસ્યા વિશે ચિંતિત હતા અને તેઓ બે વાર વાંચી મીટર એક નમૂનો હતી; સદનસીબે, પરિણામો અનિવાર્યપણે સમાન હતા. સામાન્ય રીતે, સ્કલ્ટ્સ અને સહકર્મીઓ 'પ્રયોગ ઉચ્ચ આંતરિક માન્યતા હોય તેવું લાગે છે, પરંતુ આ હંમેશા કેસ નથી; જટિલ ક્ષેત્ર અને ઑનલાઇન પ્રયોગો ઘણી વખત ખરેખર યોગ્ય લોકો માટે યોગ્ય સારવાર પહોંચાડવા અને દરેક માટે પરિણામો માપવા સમસ્યાઓ માં ચલાવો. સદનસીબે, ડિજિટલ વય આંતરિક માન્યતા અંગે ચિંતા ઘટાડવા મદદ કરી શકે છે કારણ કે તે સરળ છે તેની ખાતરી કરવા માટે કે જે સારવાર જેઓ તેને પ્રાપ્ત કરવા માટે અને બધા સહભાગીઓ માટે પરિણામો માપવા માટે માનવામાં આવે છે માટે રચાયેલ પહોંચાડાય આવેલ છે.

માહિતી અને સૈદ્ધાંતિક રચના વચ્ચે મેચ આસપાસ માન્યતા કેન્દ્રો રચવું. તરીકે પ્રકરણ 2 ચર્ચા, રચના અમૂર્ત ખ્યાલ છે કે સામાજિક વૈજ્ઞાનિકો વિશે કારણ છે. કમનસીબે, આ અમૂર્ત વિભાવનાઓ હંમેશા સ્પષ્ટ વ્યાખ્યાઓ અને માપ નથી. પરત Schultz et al. (2007) , દાવો કરે છે કે સામાજિક ધોરણો વીજળી ઉપયોગ ઘટાડો કરી શકે છે કામચલાઉ એક સારવાર છે કે ચાલાકી કરશે "કામચલાઉ સામાજિક ધોરણો" (દા.ત., એક ઇમોટિકન) અને "વીજળી ઉપયોગ" માપવા માટે ડિઝાઇન કરવા માટે સંશોધકો માટે જરૂરી છે. એનાલોગ પ્રયોગો માં, ઘણા સંશોધકો તેમના પોતાના સારવાર માટે રચાયેલ છે અને તેમના પોતાના પરિણામો મપાય છે. આ અભિગમ, શક્ય તેટલી, પ્રયોગો સાથે મેળ અમૂર્ત રચના અભ્યાસ કરવામાં ખાતરી કરે છે. ડિજિટલ પ્રયોગો જ્યાં કંપનીઓ અથવા સરકારો સાથે સંશોધકો ભાગીદાર સારવાર પહોંચાડવા અને પરિણામો માપવા માટે હંમેશા ઉપયોગ માહિતી સિસ્ટમો માટે, પ્રયોગ અને સૈદ્ધાંતિક રચના વચ્ચે મેચ ઓછી ચુસ્ત હોઈ શકે છે. આમ, હું અપેક્ષા કે રચના માન્યતા એનાલોગ પ્રયોગો કરતાં ડિજિટલ પ્રયોગો એક મોટી ચિંતા હોય છે કરશે.

છેલ્લે, બાહ્ય માન્યતા આસપાસ આ પ્રયોગ પરિણામો અન્ય પરિસ્થિતિઓમાં સામાન્ય કરશે કે કેમ તે કેન્દ્રિત છે. પરત Schultz et al. (2007) , એક, પૂછો શકે છે તેમના સાથીદારોએ સંબંધ તેમના ઊર્જા વપરાશ અને કામચલાઉ ધોરણો (દા.ત., એક ઇમોટિકન) -reduce ઊર્જા વપરાશ જો તે એક અલગ રીતે કરવામાં આવી હતી એક સંકેત વિશે આ જ વિચાર-પૂરી લોકો માહિતી એક અલગ સેટિંગ? સૌથી વધુ સારી રીતે રચાયેલ છે અને સારી રીતે ચલાવવા પ્રયોગો માટે, બાહ્ય માન્યતા અંગે ચિંતા ખૂબ સખત સંબોધવા માટે છે. ભૂતકાળમાં, બાહ્ય માન્યતા વિશે આ ચર્ચા વારંવાર માત્ર એક રૂમમાં બેઠા કલ્પના જો કાર્યવાહી અલગ રીતે કરવામાં આવી હતી, અથવા એક અલગ જગ્યાએ, અથવા જુદા જુદા લોકો સાથે શું થયું હશે પ્રયાસ કરી લોકો એક ટોળું હતા. સદનસીબે, ડિજિટલ વય આ માહિતી મુક્ત અનુમાન બહાર ખસેડવા અને અનુભવ બાહ્ય માન્યતા આકારણી સંશોધકો સક્રિય કરે છે.

પરિણામો કારણ Schultz et al. (2007) જેથી ઉત્તેજક હતા, Opower નામના કંપની વધુ વ્યાપક સારવાર જમાવવા માટે યુનાઇટેડ સ્ટેટ્સમાં ઉપયોગીતાઓ સાથે ભાગીદારી કરી. ની ડિઝાઈન પર આધારિત Schultz et al. (2007) , Opower બદલી બનાવનાર ઘર એનર્જી અહેવાલો છે કે બે મુખ્ય મોડ્યુલો, એક દર્શાવે ઇમોટિકન સાથે તેના પાડોશીઓ માટે ઘરની વીજળી વપરાશ સંબંધિત અને એક ઊર્જા વપરાશ ઘટાડીને માટે ટીપ્સ પૂરી હતી (આકૃતિ 4.6). પછી, સંશોધકો સાથે ભાગીદારીમાં, Opower નિયંત્રિત પ્રયોગો રેન્ડમાઇઝ્ડ ચાલી હતી ઘર એનર્જી અહેવાલો અસર આકારણી. તેમ છતાં આ પ્રયોગો સારવાર સામાન્ય રીતે જૂના જમાનાનું ગોકળગાય દ્વારા શારીરિક-સામાન્ય રીતે પહોંચાડવામાં આવી હતી મેઇલ પરિણામ ભૌતિક વિશ્વમાં ડિજિટલ ઉપકરણો (દા.ત., પાવર મીટર) નો ઉપયોગ કરીને માપવામાં આવી હતી. તેના બદલે જાતે દરેક ઘરની મુલાકાત સંશોધન મદદનીશો સાથે આ માહિતી એકઠી કરતાં, Opower પ્રયોગો તમામ શક્તિ વાંચન ઍક્સેસ કરવા માટે સંશોધકો સક્રિય પાવર કંપનીઓ સાથે ભાગીદારી કરવામાં આવી હતી. આમ, આ આંશિક રીતે ડિજિટલ ક્ષેત્ર પ્રયોગો નીચા ચલ ખર્ચે એક વિશાળ પાયા પર ચલાવવામાં આવતા હતા.

આકૃતિ 4.6: Allcott (2011) માં હોમ એનર્જી અહેવાલો એક સામાજિક સરખામણી મોડ્યુલ અને ક્રિયા પગલાંઓ મોડ્યુલ હતી.

આકૃતિ 4.6: માં હોમ એનર્જી અહેવાલો Allcott (2011) એક સામાજિક સરખામણી મોડ્યુલ અને ક્રિયા પગલાંઓ મોડ્યુલ હતી.

600,000 ઘરોમાં યુનાઇટેડ સ્ટેટ્સ આસપાસ 10 ઉપયોગિતા કંપનીઓ દ્વારા સેવા અપાયેલ સંડોવતા પ્રયોગો પ્રથમ સેટમાં, Allcott (2011) મળી હોમ એનર્જી રિપોર્ટ 1.7% દ્વારા વીજળી વપરાશ ઘટાડો. અન્ય શબ્દોમાં, ખૂબ મોટા, વધુ ભૂગોળિક રૂપથી વિભિન્ન અભ્યાસ પરિણામો ગુણાત્મક પરિણામો માટે સમાન હતા Schultz et al. (2007) . પરંતુ, અસર કદ નાનું હતું: માં Schultz et al. (2007) વર્ણનાત્મક અને injective ધોરણો સ્થિતિ (ઇમોટિકન સાથે એક) ઘરોમાં 5% દ્વારા તેમના વીજળી વપરાશ ઘટાડો થયો છે. આ તફાવત માટે ચોક્કસ કારણ અજ્ઞાત છે, પરંતુ Allcott (2011) એવી અટકળ હતી કે એક યુનિવર્સિટી દ્વારા પ્રાયોજિત અભ્યાસ ભાગ તરીકે એક હસ્તલિખિત ઇમોટિકન પ્રાપ્ત એક સમૂહ પેદા અહેવાલ એક ભાગ તરીકે એક મુદ્રિત ઇમોટિકન પ્રાપ્ત કરતાં વર્તન પર મોટા અસર પડી શકે પાવર કંપની.

વધુમાં, અનુગામી સંશોધન, Allcott (2015) વધારાની 101 વધારાની 8 મિલિયન ઘરોમાં સંડોવતા પ્રયોગો પર અહેવાલ. આ આગામી 101 પ્રયોગો હોમ એનર્જી રિપોર્ટ લોકો તેમના વીજળી વપરાશ ઘટે કારણ ચાલુ રાખ્યું, પરંતુ અસર પણ નાના હતા. આ ઘટાડા માટે ચોક્કસ કારણ નથી ઓળખાય છે, પરંતુ Allcott (2015) એવી અટકળ હતી કે અહેવાલ અસરકારકતા સમય પર ઘટી છે કારણ કે તે ખરેખર સહભાગીઓ વિવિધ પ્રકારના લાગુ કરવામાં આવી હતી દેખાયા હતા. વધુ ખાસ રીતે, વધુ પર્યાવરણવાદી વિસ્તારોમાં ઉપયોગીતાઓ વધુ શક્યતા હતા કાર્યક્રમ અગાઉ ગ્રહણ અને તેમના ગ્રાહકો સારવાર માટે વધુ જવાબદાર હતા. ઓછું પર્યાવરણીય ગ્રાહકો સાથે ઉપયોગીતાઓ કાર્યક્રમ દત્તક, તેની અસરકારકતા ઘટવા દેખાયા હતા. આમ, જેમ પ્રયોગો રેન્ડમાઈઝેશન ખાતરી કરે છે કે સારવાર અને નિયંત્રણ જૂથ સમાન હોય છે, સંશોધન સાઇટ્સ રેન્ડમાઈઝેશન ખાતરી કરે છે કે અંદાજ સહભાગીઓ એક જૂથ માંથી વધુ સામાન્ય વસ્તી માટે સામાન્ય હોઈ શકે છે (પાછા નમૂના વિશે પ્રકરણ 3 લાગે છે). સંશોધન સાઇટ્સ અવ્યવસ્થિત નમૂનારૂપી ન હોય તો, પછી સામાન્યીકરણ પણ એક સંપૂર્ણપણે ડિઝાઇન અને હાથ ધરવામાં પ્રયોગ કરી શકે છે સમસ્યારૂપ બની.

સાથે, આ 111 પ્રયોગો -10 માં Allcott (2011) અને 101 Allcott (2015) બધા યુનાઇટેડ સ્ટેટ્સ પર લગભગ 8.5 મિલિયન ઘરોમાં -involved. તેઓ સતત દર્શાવે છે કે હોમ એનર્જી અહેવાલો સરેરાશ વીજળી વપરાશ, એક પરિણામ છે કે કેલિફોર્નિયામાં 300 ઘરમાંથી સ્કલ્ટ્સ મૂળ તારણો અને સહકર્મીઓ આધાર આપે છે ઘટાડે છે. માત્ર આ મૂળ પરિણામો પ્રતિકૃતિ બિયોન્ડ, અનુવર્તી પ્રયોગો પણ દર્શાવે છે કે અસર કદ સ્થાન દ્વારા અલગ અલગ હોય છે. પ્રયોગો આ સમૂહ પણ આંશિક રીતે ડિજિટલ ક્ષેત્ર પ્રયોગો વિશે વધુ બે સામાન્ય પોઇન્ટ સમજાવે છે. પ્રથમ, સંશોધકો બાહ્ય માન્યતા વિશે સરનામું ચિંતા અનુભવ જ્યારે પ્રયોગો ચલાવવાનો ખર્ચ ઓછી છે કરવાનો પ્રયત્ન કરશે, અને આ થઇ શકે છે જો પરિણામ પહેલેથી જ એક માહિતી હંમેશા સિસ્ટમ દ્વારા માપવામાં આવી રહી છે. તેથી, તે સૂચવે છે કે સંશોધન અન્ય રસપ્રદ અને મહત્વપૂર્ણ છે કે જે વર્તન પહેલેથી જ રેકોર્ડ કરવામાં આવી રહી છે માટે દેખાવ આઉટ પર હોવું જોઈએ, અને પછી આ વર્તમાન માપન ઇન્ફ્રાસ્ટ્રક્ચર ટોચ પર પ્રયોગો ડિઝાઇન. બીજું, પ્રયોગો આ સમૂહ અમને યાદ અપાવે છે કે ડિજિટલ ક્ષેત્ર પ્રયોગો માત્ર ઓનલાઇન બાકીની દરમ્યાન, વધુને વધુ હું અપેક્ષા કે તેઓ બાંધવામાં પર્યાવરણ સેન્સર દ્વારા માપવામાં ઘણા પરિણામો સાથે બધે હશે.

માન્યતા-આંકડાકીય નિષ્કર્ષ માન્યતા, આંતરિક માન્યતા ચાર પ્રકારના, માન્યતા રચવા, બાહ્ય માન્યતા પ્રદાન કરવા માટે મદદ માટે સંશોધકો મૂલ્યાંકન ચોક્કસ પ્રયોગ પરિણામો વધુ સામાન્ય તારણ આધાર છે કે કેમ તે માનસિક ચેકલિસ્ટ. એનાલોગ ઉંમર પ્રયોગો સરખામણીમાં ડિજિટલ વય પ્રયોગો તે અનુભવ બાહ્ય માન્યતા સંબોધવા માટે સરળ પ્રયત્ન કરીશું અને તે આંતરિક માન્યતા તેની ખાતરી કરવા માટે સરળ પ્રયત્ન કરીશું. બીજી બાજુ, રચના માન્યતા મુદ્દાઓ કદાચ ડિજિટલ વય પ્રયોગો વધુ પડકારરૂપ હશે (જો કે તે Opower પ્રયોગો સાથે કેસ ન હતી).