4.5.2 საკუთარი ექსპერიმენტის შექმნა

მშენებლობის საკუთარი ექსპერიმენტი შეიძლება იყოს ძვირადღირებული, მაგრამ ის საშუალებას მოგცემთ შექმნათ ექსპერიმენტი, რომელიც გსურთ.

გარდა იმისა, რომ ექსპერიმენტების გადაფრენა გარდა არსებულ გარემოში, ასევე შეგიძლიათ საკუთარი ექსპერიმენტის აშენება. ამ მიდგომის მთავარი უპირატესობაა კონტროლი; თუ შენ ექსპერიმენტს აშენებთ, შეგიძლიათ შექმნათ გარემო და მკურნალობა, რაც გინდა. ეს ბესპოკის ექსპერიმენტულ გარემოში შეუძლია შექმნას შესაძლებლობები, რათა შეამოწმოთ თეორიები, რომლებიც შეუძლებელია ბუნებრივ გარემოში შესამოწმებლად. თქვენი ექსპერიმენტის მშენებლობის ძირითადი ნაკლოვანებები ის არის, რომ ეს შეიძლება იყოს ძვირი და რომ გარემო, რომელსაც შეუძლია შექმნას, შეიძლება არ ჰქონდეს ბუნებრივად წარმოქმნილი სისტემის რეალიზმი. მკვლევარებმა თავიანთი ექსპერიმენტი უნდა შექმნან ასევე სტრატეგიის შემუშავების სტრატეგია. არსებულ სისტემებში მუშაობისას, მკვლევარებმა, ძირითადად, ექსპერიმენტებს თავიანთი მონაწილეებისთვის მიჰყავთ. მაგრამ, როდესაც მკვლევარებმა საკუთარი ექსპერიმენტი ააშენონ, მათ სჭირდებათ მონაწილეები. საბედნიეროდ, ისეთი სერვისები, როგორებიცაა Amazon Mechanical Turk (MTurk), შეუძლიათ მკვლევარებს საშუალება მისცენ საშუალება მისცეს ექსპერიმენტებს.

ერთი მაგალითი, რომელიც ცხადყოფს, რომ ბესპოკულ გარემოში აბსტრაქტული თეორიების ტესტირება არის ციფრული ლაბორატორიული ექსპერიმენტი გრიგორი ჰუბერის, სეტ ჰილისა და გაბრიელ ლენსის მიერ (2012) . ეს ექსპერიმენტი დემოკრატიული მმართველობის ფუნქციონირების შესაძლო პრაქტიკულ შეზღუდვას იკვლევს. ადრე ჩატარებული არა-ექსპერიმენტული გამოკვლევები ვარაუდობდნენ, რომ ამომრჩეველს არ შეუძლია შეაფასოს ამჟამინდელი პოლიტიკოსების მუშაობა. კერძოდ, ამომრჩეველს სამი მიკერძოება განიცდის: (1) ისინი ახლახან ფოკუსირებულნი არიან ვიდრე კუმულაციური მუშაობა; (2) ისინი შეიძლება მანიპულირება რიტორიკა, ჩარჩო და მარკეტინგით; და (3) მათ შეიძლება გავლენა მოახდინონ გავლენასთან დაკავშირებული მოვლენების გამო, როგორიცაა ადგილობრივი სპორტული გუნდების წარმატება და ამინდი. თუმცა ამ ადრეულ გამოკვლევებში ძნელი იყო, რომ ამ ფაქტორებისგან იზოლირება ყველა სხვა პერსონალისგან, რომელიც ხდება ნამდვილი, ბინძურ არჩევნებში. ამიტომ, Huber და კოლეგებმა შექმნეს ძალიან გამარტივებული კენჭისყრის გარემო, რათა იზოლირება და შემდეგ experimentally შესწავლა, თითოეული ამ სამი შესაძლო biases.

როგორც აღვნიშნავ ექსპერიმენტულ კომპლექსზე, ის ხელოვნურად ჟღერს, მაგრამ გახსოვდეთ, რომ რეალიზმი არ არის ლაბორატორიული ექსპერიმენტების მიზანი. უფრო მეტიც, მიზანია მკაფიოდ იზოლირება პროცესი, რომელიც თქვენ ცდილობთ სწავლა და ეს მჭიდრო იზოლაცია ზოგჯერ შეუძლებელია უფრო რეალიზმთან (Falk and Heckman 2009) სწავლაში. ამასთანავე, მკვლევარებმა ამტკიცებდნენ, რომ თუ ამომრჩეველი ვერ შეძლებს ეფექტურად შეაფასოს ამ მაღალგამარტივებულ გარემოში, მაშინ ისინი ვერ შეძლებენ ამის გაკეთებას უფრო რეალისტურ, უფრო კომპლექსურ გარემოში.

ჰუბერი და კოლეგები იყენებდნენ MTurk მონაწილეებს. მას შემდეგ, რაც მონაწილემ ინფორმირებული თანხმობა და მოკლე ტესტი ჩაატარა, მას უთხრეს, რომ ის 32-ტურში მონაწილეობდა, რათა მიიღონ სიმბოლოები, რაც რეალურ ფულზე გადაიქცევა. თამაშის დაწყებისას, თითოეულმა მონაწილემ უთხრა, რომ მას "ასიკატორი" გადაეცა, რომელიც მის ყოველგვარ რაუნდს აძლევდა და ზოგიერთები უფრო მეტად იყვნენ, ვიდრე სხვები. გარდა ამისა, თითოეულ მონაწილეს ასევე განუცხადეს, რომ მას საშუალება ექნებოდა მისი ასიგნატორის შენახვა ან თამაშის ახალი 16 ტურის შემდეგ. იმის გათვალისწინებით, თუ რას იცნობთ Huber- ისა და კოლეგების კვლევის მიზნებს, ხედავთ, რომ ალიკატორი წარმოადგენს მთავრობას და ეს არჩევანი წარმოადგენს არჩევანს, მაგრამ მონაწილეებს არ იცნობენ კვლევის ზოგად მიზნებს. საერთო ჯამში, ჰუბერი და კოლეგები დაკომპლექტდნენ დაახლოებით 4,000 მონაწილე, რომლებიც გადახდილი დაახლოებით $ 1.25 ამოცანა, რომ დაახლოებით რვა წუთის განმავლობაში.

შეგახსენებთ, რომ ადრე ჩატარებული გამოკვლევებიდან ერთ-ერთი დასკვნა იყო ის, რომ ამომრჩეველმა დააჯილდოვა და დაემორჩილა შედეგებს იმ შედეგებზე, რომლებიც აშკარად სცილდება მათ კონტროლს, როგორიცაა ადგილობრივი სპორტული გუნდების წარმატება და ამინდი. შეაფასოს თუ არა მონაწილეებმა ხმის მიცემის გადაწყვეტილება გავლენას ახდენენ მხოლოდ შემთხვევითი მოვლენებით, Huber- ს და კოლეგებმა თავიანთ ექსპერიმენტულ სისტემებს დაემატა ლატარიები. მე -8 ტურში ან მე -16 რაუნდში (ანუ, ყველა მონაწილების ჩანაცვლების შანსი ადრე) მონაწილეებს შემთხვევითი ადგილი ჰქონდათ ლატარიაში, სადაც გამარჯვებულებმა 5000 ქულა მოიპოვეს, ზოგი 0 ქულა მოიგო და 5000 ქულა დაკარგა. ეს ლატარია მიზნად ისახავდა კარგი ან ცუდი ამბავი, რომელიც დამოუკიდებელია პოლიტიკოსის შესრულებისგან. მიუხედავად იმისა, რომ მონაწილეები მკაფიოდ აცხადებდნენ, რომ ლატარიის არ იყო დაკავშირებული მათი allocator- ის შესრულებაზე, ლატარიის შედეგი კვლავ გავლენას ახდენდა მონაწილეთა გადაწყვეტილებებზე. ლატარიისგან სარგებლობდა უფრო მეტი მონაწილეები, რომლებმაც უფრო მეტად გააგრძელეს თავიანთი ასიგნატორი, ხოლო ეს ეფექტი უფრო ძლიერი იყო, როდესაც ლატარია მოხდა 16-ჯერზე ჩანაცვლების გადაწყვეტილების მიღებამდე, ვიდრე ეს მოხდა რაუნდის 8 (ფიგურა 4.15). ამ შედეგებმა, რამდენიმე სხვა ექსპერიმენტთან ერთად, ჰაბერისა და კოლეგების დასკვნით, დაასკვნა, რომ მაშინაც კი, გამარტივებულ გარემოში, ამომრჩეველმა სირთულეების მიღება შეძლო, რის შედეგადაც გავლენას ახდენდა მომავალი კვლევა ამომრჩეველთა გადაწყვეტილების მიღების შესახებ (Healy and Malhotra 2013) . ჰუბერისა და კოლეგების ექსპერიმენტი გვიჩვენებს, რომ MTurk შეიძლება გამოყენებულ იქნას მონაწილეთა მისაღებად ლაბორატორიული ექსპერიმენტები, რათა ზუსტად შეისწავლოს ძალიან კონკრეტული თეორიები. ის ასევე გვიჩვენებს საკუთარი ექსპერიმენტული გარემოს შექმნის ღირებულებას: ძნელი წარმოსადგენია, თუ როგორ შეიძლებოდა ეს იგივე პროცესები იზოლირებულიყო ისე, როგორც სხვა გარემოში.

სურათი 4.15: შედეგები Huber, Hill და Lenz (2012). მონაწილეებმა, რომლებიც სარგებლობდნენ ლატარიისგან, უფრო ინარჩუნებდნენ თავიანთ ასიგნებელს და ეს ეფექტი უფრო ძლიერი იყო, როდესაც ლატარია მოხდა 16-ჯერ ჩანაცვლება გადაწყვეტილების მიღებამდე - ვიდრე ეს მოხდა რაუნდში 8. ადაპტირებული იყო Huber, Hill და Lenz 2012), ფიგურა 5.

სურათი 4.15: შედეგები Huber, Hill, and Lenz (2012) . მონაწილეებმა, რომლებიც სარგებლობდნენ ლატარიისგან, უფრო ინარჩუნებდნენ თავიანთ ასიგნებელს და ეს ეფექტი უფრო ძლიერი იყო, როდესაც ლატარია მოხდა 16-ჯერ ჩანაცვლება გადაწყვეტილების მიღებამდე - ვიდრე ეს მოხდა რაუნდში 8. ადაპტირებული იყო Huber, Hill, and Lenz (2012) , ფიგურა 5.

ლაბორატორიის მსგავსი ექსპერიმენტების გარდა, მკვლევარებმა შეიძლება ასევე შექმნან ექსპერიმენტები, რომლებიც უფრო მეტ სფეროს იკავებენ. მაგალითად, Centola (2010) აშენდა ციფრული საველე ექსპერიმენტი შესწავლა ეფექტი სოციალური ქსელის სტრუქტურის გავრცელების ქცევის. მისი კვლევის კითხვა მოითხოვდა იმავე ქცევის გავრცელების პოპულაციებში, რომლებსაც სხვადასხვა სოციალური ქსელური სტრუქტურები ჰქონდათ, მაგრამ სხვაგვარად არ გამოირჩეოდნენ. ერთადერთი გზა ამის გაკეთება იყო bespoke, საბაჟო აშენებული ექსპერიმენტი. ამ შემთხვევაში, Centola აშენდა ვებ დაფუძნებული ჯანმრთელობის საზოგადოებას.

Centola- ს დაახლოებით 1,500 მონაწილე ჰყავს რეკლამის მეშვეობით ჯანმრთელობის საიტებზე. როდესაც მონაწილეები მივიდნენ ონლაინ საზოგადოებაში, რომელსაც ჯანსაღი ცხოვრების წესის ქსელი ეწოდა - მათ აცნობეს ინფორმირებულ თანხმობას, შემდეგ კი "ჯანმრთელ მეგობრებს" უწევდნენ. ამ მიზეზით, ცენოლამ ამ ჯანმრთელობის ჯანმრთელობას მიანიჭა, მას შეეძლო სხვადასხვა სოციალური ქსელების სხვადასხვა ჯგუფები. ზოგიერთი ჯგუფი აშენდა შემთხვევითი ქსელების (სადაც ყველას თანაბრად სავარაუდოა დაკავშირებული), ხოლო სხვა ჯგუფები აშენდა ქსელური ქსელები (სადაც კავშირები უფრო ხშირია). შემდეგ, Centola- მ ახალი ქსელი გააცნო თითოეულ ქსელს: ახალი ვებსაიტის დამატებითი ჯანმრთელობის ინფორმაციაზე დარეგისტრირების შანსი. როდესაც ამ ახალ ვებ-გვერდზე დარეგისტრირებულმა ყველას, მისმა ჯანმრთელ მეგობრებმა მიიღეს ელფოსტა ამ ქცევის შესახებ. Centola აღმოაჩინა, რომ ეს ქცევის-ხელმოწერის up ახალი ნახვა გავრცელებული შემდგომი და უფრო სწრაფად წელს ქსელური ქსელი, ვიდრე შემთხვევითი ქსელის, რომელიც ეწინააღმდეგებოდა ზოგიერთი არსებული თეორიები.

საერთო ჯამში, საკუთარი ექსპერიმენტის შექმნა ბევრად უფრო მეტ კონტროლს მოგცემთ. ეს საშუალებას გაძლევთ ააშენოთ მაქსიმალურად გარემო, რათა იზოლირებული იქნას ის, რაც გსურთ სწავლა. ძნელი წარმოსადგენია, თუ როგორ შეინიშნება ორი ექსპერიმენტი, რომელიც უკვე აღწერილია უკვე არსებული გარემოში. გარდა ამისა, თქვენი სისტემის შექმნა ეთიკური შეშფოთების შემცირებას ახდენს არსებული სისტემების ექსპერიმენტთან დაკავშირებით. როდესაც შენს ექსპერიმენტს ააშენებთ, ბევრ პრობლემას გადააჭარბებთ ლაბორატორიულ ექსპერიმენტებში: მონაწილეთა და რეალიზების შეშფოთება. საბოლოო downside არის ის, რომ შენს ექსპერიმენტებს შეიძლება ჰქონდეთ ძვირადღირებული და შრომატევადი, თუმცა, როგორც ეს მაგალითები გვიჩვენებს, ექსპერიმენტები შეიძლება შედარებით მარტივ გარემოში (მაგალითად, Huber, Hill, and Lenz (2012) მიერ ჩატარებული კენჭისყრის შესწავლა. შედარებით კომპლექსურ გარემოში (როგორიცაა ქსელების შესწავლა და კონტექსტი Centola (2010) ).