5.3.4 Kesimpulan

Panggilan terbuka memungkinkan Anda menemukan solusi untuk masalah yang dapat Anda nyatakan dengan jelas tetapi Anda tidak dapat menyelesaikan sendiri.

Dalam semua tiga proyek-Netflix panggilan terbuka Prize, Foldit, Peer-to-Paten-peneliti mengajukan pertanyaan dari bentuk tertentu, diminta solusi, dan kemudian memilih solusi terbaik. Para peneliti bahkan tidak perlu tahu ahli terbaik untuk meminta, dan kadang-kadang ide yang baik datang dari tempat-tempat tak terduga.

Sekarang saya juga dapat menyoroti dua perbedaan penting antara proyek panggilan terbuka dan proyek komputasi manusia. Pertama, dalam proyek panggilan terbuka, peneliti menentukan tujuan (misalnya, memprediksi peringkat film), sedangkan dalam perhitungan manusia, peneliti menetapkan mikrotask (misalnya mengklasifikasikan galaksi). Kedua, dalam panggilan terbuka, para peneliti menginginkan kontribusi terbaik — seperti algoritma terbaik untuk memprediksi peringkat film, konfigurasi energi terendah protein, atau bagian paling relevan dari seni sebelumnya — bukan semacam kombinasi sederhana dari semua kontribusi.

Mengingat kerangka umum untuk panggilan terbuka dan ketiga contoh ini, jenis masalah apa dalam penelitian sosial yang mungkin cocok untuk pendekatan ini? Pada titik ini, saya harus mengakui bahwa belum ada banyak contoh yang berhasil (untuk alasan yang akan saya jelaskan sebentar lagi). Dalam hal analog langsung, orang dapat membayangkan panggilan terbuka Peer-to-Patent yang digunakan oleh peneliti sejarah yang mencari dokumen paling awal untuk menyebutkan orang atau ide tertentu. Pendekatan panggilan terbuka untuk masalah semacam ini bisa sangat berharga ketika dokumen yang berpotensi relevan tidak dalam satu arsip tetapi didistribusikan secara luas.

Secara lebih umum, banyak pemerintah dan perusahaan memiliki masalah yang mungkin setuju untuk membuka panggilan karena panggilan terbuka dapat menghasilkan algoritma yang dapat digunakan untuk prediksi, dan prediksi ini dapat menjadi panduan penting untuk tindakan (Provost and Fawcett 2013; Kleinberg et al. 2015) . Misalnya, seperti Netflix ingin memprediksi peringkat film, pemerintah mungkin ingin memprediksi hasil seperti restoran mana yang paling mungkin memiliki pelanggaran kode-kesehatan untuk mengalokasikan sumber daya pemeriksaan secara lebih efisien. Termotivasi oleh masalah semacam ini, Edward Glaeser dan rekan (2016) menggunakan panggilan terbuka untuk membantu Kota Boston memprediksi pelanggaran kebersihan dan sanitasi restoran berdasarkan data dari ulasan Yelp dan data inspeksi historis. Mereka memperkirakan bahwa model prediksi yang memenangkan panggilan terbuka akan meningkatkan produktivitas inspektur restoran sekitar 50%.

Panggilan terbuka juga berpotensi digunakan untuk membandingkan dan menguji teori. Sebagai contoh, Keluarga Rapuh dan Kesejahteraan Anak Studi telah melacak sekitar 5.000 anak sejak lahir di 20 kota AS yang berbeda (Reichman et al. 2001) . Para peneliti telah mengumpulkan data tentang anak-anak ini, keluarga mereka, dan lingkungan mereka yang lebih luas saat lahir dan pada usia 1, 3, 5, 9, dan 15 tahun. Mengingat semua informasi tentang anak-anak ini, seberapa baik peneliti dapat memprediksi hasil seperti siapa yang akan lulus dari perguruan tinggi? Atau, diungkapkan dengan cara yang akan lebih menarik bagi beberapa peneliti, data dan teori mana yang paling efektif dalam memprediksi hasil ini? Karena tidak satu pun dari anak-anak ini yang cukup dewasa untuk melanjutkan ke perguruan tinggi, ini akan menjadi prediksi ke depan yang benar, dan ada banyak strategi berbeda yang mungkin digunakan oleh para peneliti. Seorang peneliti yang percaya bahwa lingkungan sangat penting dalam membentuk hasil hidup mungkin membutuhkan satu pendekatan, sementara peneliti yang berfokus pada keluarga mungkin melakukan sesuatu yang sama sekali berbeda. Manakah dari pendekatan ini yang akan berfungsi lebih baik? Kami tidak tahu, dan dalam proses mencari tahu, kami mungkin belajar sesuatu yang penting tentang keluarga, lingkungan, pendidikan, dan ketidaksetaraan sosial. Lebih lanjut, prediksi ini mungkin digunakan untuk memandu pengumpulan data masa depan. Bayangkan bahwa ada sejumlah kecil lulusan perguruan tinggi yang tidak diprediksi lulus oleh salah satu model; orang-orang ini akan menjadi kandidat ideal untuk mengikuti wawancara kualitatif dan observasi etnografi. Jadi, dalam panggilan terbuka semacam ini, prediksi bukanlah akhir; sebaliknya, mereka menyediakan cara baru untuk membandingkan, memperkaya, dan menggabungkan tradisi teoritis yang berbeda. Panggilan terbuka semacam ini tidak spesifik untuk menggunakan data dari Keluarga Rapuh dan Kesejahteraan Anak untuk memprediksi siapa yang akan kuliah; itu bisa digunakan untuk memprediksi hasil apa pun yang akhirnya akan dikumpulkan dalam kumpulan data sosial longitudinal apa pun.

Seperti yang saya tulis sebelumnya di bagian ini, belum banyak contoh peneliti sosial yang menggunakan panggilan terbuka. Saya pikir ini karena panggilan terbuka tidak cocok dengan cara para ilmuwan sosial biasanya mengajukan pertanyaan mereka. Kembali ke Hadiah Netflix, ilmuwan sosial biasanya tidak akan bertanya tentang memprediksi selera; sebaliknya, mereka akan bertanya tentang bagaimana dan mengapa selera budaya berbeda untuk orang-orang dari kelas sosial yang berbeda (lihat misalnya, Bourdieu (1987) ). Pertanyaan "bagaimana" dan "mengapa" seperti itu tidak mengarah pada solusi yang mudah diverifikasi, dan karena itu tampaknya kurang cocok untuk membuka panggilan. Dengan demikian, tampak bahwa panggilan terbuka lebih tepat untuk prediksi pertanyaan daripada pertanyaan penjelasan . Namun, para ahli teori terbaru telah meminta para ilmuwan sosial untuk mempertimbangkan kembali dikotomi antara penjelasan dan prediksi (Watts 2014) . Karena garis antara prediksi dan penjelasan mengaburkan, saya berharap bahwa panggilan terbuka akan menjadi semakin umum dalam penelitian sosial.