4.3 പരീക്ഷണങ്ങളുടെ രണ്ട് അളവുകൾ: ലാബ്-മണ്ഡലം, അനലോഗ്-ഡിജിറ്റൽ

ലാബ് പരീക്ഷണങ്ങൾ നിയന്ത്രണവും നൽകാൻ, ഫീൽഡ് പരീക്ഷണങ്ങൾ യാഥാര്ഥത അർപ്പിച്ചു ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ സ്കെയിലിൽ നിയന്ത്രണവും റിയലിസം സംയോജിപ്പിച്ച്.

പരീക്ഷണങ്ങൾ വ്യത്യസ്ത ആകൃതിയിലും വലുപ്പത്തിലുമുള്ള വരും. എന്നാൽ, ഈ വ്യത്യാസങ്ങൾ ഉണ്ടെങ്കിലും, ഗവേഷകരുടെ ലാബ് പരീക്ഷണങ്ങൾ ഫീൽഡ് പരീക്ഷണങ്ങൾ തമ്മിലുള്ള ഒരു continuum സഹിതം പരീക്ഷണങ്ങൾ സംഘടിപ്പിക്കാനും സഹായകരമായ കണ്ടെത്തിയിരിക്കുന്നു. എന്നാൽ, ഗവേഷകര് പരീക്ഷണങ്ങൾ അനലോഗ് പരീക്ഷണങ്ങൾ, ഡിജിറ്റൽ പരീക്ഷണങ്ങളിൽ തമ്മിലുള്ള ഒരു continuum സഹിതം സംഘടിപ്പിക്കാൻ വേണം. ഈ ദ്വിമാന ഡിസൈൻ സ്പേസ് വ്യത്യസ്ത സമീപനങ്ങളുടെ ശക്തി ദൌർബല്യങ്ങളും മനസ്സിലാക്കാനും ഏറ്റവും മഹാനായ അവസരം (ചിത്രം 4.1) മേഖലകളിൽ നിർദ്ദേശിക്കുന്നു സഹായിക്കും.

ചിത്രം 4.1: പരീക്ഷണങ്ങളിൽ ഡിസൈൻ സ്പേസ് വട്ടമിട്ടിരുന്നല്ലോ. കഴിഞ്ഞ, പരീക്ഷണങ്ങൾ ലാബ്-ഫീൽഡ് മാനം സഹിതം കോടിവരെ. ഇപ്പോൾ അവർ അനലോഗ്-ഡിജിറ്റൽ മാനം ന് വ്യത്യാസപ്പെട്ടിരിക്കും. എന്റെ അഭിപ്രായത്തിൽ വലിയ അവസരം പ്രദേശത്തെ ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ ആണ്.

ചിത്രം 4.1: പരീക്ഷണങ്ങളിൽ ഡിസൈൻ സ്പേസ് വട്ടമിട്ടിരുന്നല്ലോ. കഴിഞ്ഞ, പരീക്ഷണങ്ങൾ ലാബ്-ഫീൽഡ് മാനം സഹിതം കോടിവരെ. ഇപ്പോൾ അവർ അനലോഗ്-ഡിജിറ്റൽ മാനം ന് വ്യത്യാസപ്പെട്ടിരിക്കും. എന്റെ അഭിപ്രായത്തിൽ വലിയ അവസരം പ്രദേശത്തെ ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ ആണ്.

കഴിഞ്ഞ ഗവേഷകർ പരീക്ഷണങ്ങൾ സംഘടിപ്പിച്ചു പ്രധാന വഴി ലാബ്-ഫീൽഡ് മാനം സഹിതം ആയിരുന്നു. സോഷ്യൽ സയൻസ് പരീക്ഷണങ്ങൾക്കു ഭൂരിപക്ഷം ബിരുദ വിദ്യാർത്ഥികൾക്ക് കോഴ്സ് ക്രെഡിറ്റ് ഒരു ലാബിൽ വിചിത്രമായ വേറേ എവിടെ ലാബ് പരീക്ഷണങ്ങൾ ആകുന്നു. അതു സാമൂഹിക സ്വഭാവം വളരെ വ്യക്തമാക്കുക സിദ്ധാന്തങ്ങളേയും പരീക്ഷിക്കാനും രൂപകൽപ്പന വളരെ പ്രത്യേക ചികിത്സകൾ സൃഷ്ടിക്കാൻ ഗവേഷകർ പ്രാപ്തമാക്കുന്നു കാരണം പരീക്ഷണം ഈ തരം മനഃശാസ്ത്രം ഗവേഷണം മേൽക്കോയ്മ. ചില പ്രശ്നങ്ങൾ അതേസമയം, എന്തോ അത്തരം ഒരു അസാധാരണ ക്രമീകരണം അത്തരം അസാധാരണമായ ചുമതലകൾ നടപ്പിലാക്കുമ്പോൾ അത്തരം അസാധാരണമായ ആളുകളിൽ നിന്ന് മനുഷ്യരുടെ സ്വഭാവം കുറിച്ച് ശക്തമായ നിഗമനങ്ങളിൽ വരയ്ക്കുന്നതിനെക്കുറിച്ചും അൽപ്പം വിചിത്രമായ തോന്നിത്തുടങ്ങി. ഈ ആശങ്കകൾ ഫീൽഡ് പരീക്ഷണങ്ങൾ നേരെ ഒരു പ്രസ്ഥാനം നയിക്കാനുള്ള. ഫീൽഡ് പരീക്ഷണങ്ങൾ കൂടുതൽ സ്വാഭാവിക ക്രമീകരണങ്ങളിൽ, പങ്കെടുക്കുന്നവരുടെ കൂടുതൽ പ്രതിനിധി ഗ്രൂപ്പുകളുമായി ക്രമരഹിതമായ നിയന്ത്രണ പരീക്ഷണങ്ങളുടെ ശക്തമായ ഡിസൈൻ സംയോജിപ്പിച്ച് കൂടുതൽ സാധാരണ ജോലികൾ നടപ്പിലാക്കുമ്പോൾ.

ചില ആളുകൾ മത്സരിക്കുന്ന രീതിയായിരുന്നു ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങളുടെ തോന്നിയേക്കാമെങ്കിലും, അതു വിവിധ ശക്തി ദൌർബല്യങ്ങളും കൂടെ തീർക്കുന്ന രീതിയായിരുന്നു അവയെക്കുറിച്ചുള്ള നല്ലത്. ഉദാഹരണത്തിന്, Correll, Benard, and Paik (2007) പ്രചോദനമുള്ക്കൊണ്ടുകൊണ്ടാണ് ശ്രമത്തിൽ ഒരു ലാബിൽ പരീക്ഷണം ഒരു ഫീൽഡ് പരീക്ഷണം രണ്ടും ഉപയോഗിക്കാനാകും "മാതൃത്വം വധശിക്ഷ." യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ൽ അമ്മമാർ കുട്ടികളില്ലാത്ത സ്ത്രീകൾ കുറവ് പണം സമ്പാദിക്കാൻ പോലും സമാനമായ ജോലികൾ തൊഴിലെടുക്കുന്ന സമാനമായ കഴിവുകൾ സ്ത്രീകളെ താരതമ്യപ്പെടുത്തരുത്. ഈ പാറ്റേൺ പല സാധ്യത വിശദീകരണങ്ങൾ ഉണ്ട്, ഒന്നു തൊഴിലുടമകളുടെ അമ്മമാർ നേരെ അനുയോജ്യം എന്നതാണ്. (അവർ താരതമ്യപ്പെടുത്താവുന്ന മക്കളില്ലാതെ മനുഷ്യരെ നേടാൻ പ്രവണത രസാവഹമായി, സമ്മുഖ പിതാക്കന്മാരുടെ വേണ്ടി ശരിയാണെന്ന് തോന്നുന്നു). ലാബിൽ ഒന്നു മേഖലയിലെ ഒരു: അമ്മമാർ നേരെ സാധ്യത ബയസ് വിലയിരുത്താൻ വേണ്ടി, Correll സഹപ്രവർത്തകരും രണ്ടു പരീക്ഷണങ്ങൾ ഓടി.

ആദ്യം, ഒരു ലാബിൽ പരീക്ഷണത്തിൽ Correll സഹപ്രവർത്തകരും പങ്കാളികൾ, കോളേജ് ബിരുദ ഉണ്ടായിരുന്ന ഒരു കാലിഫോർണിയ കേന്ദ്രമായി തുടക്കത്തിൽ കമ്മ്യൂണിക്കേഷൻസ് കമ്പനി പുതിയ ഈസ്റ്റ് കോസ്റ്റ് മാർക്കറ്റിംഗ് വകുപ്പിൽ നയിക്കാൻ ഒരു വ്യക്തി ഒരു തൊഴിൽ തിരയൽ നടത്തുന്നതിന് എന്നു പറഞ്ഞു. വിദ്യാർഥികൾ കമ്പനി റിക്രൂട്ട്മെന്റ് പ്രക്രിയയിൽ അവരുടെ സഹായം വേണം .കണിശമായ നിരവധി സാധ്യതയുള്ള സ്ഥാനാർഥികളുടെ ആരംഭിക്കുകയോ അവലോകനം ചെയ്യുന്നതിന് അവരുടെ ഇന്റലിജൻസ്, ഊഷ്മളത, പണി പ്രതിബദ്ധത പോലുള്ള അളവുകൾ എണ്ണം സ്ഥാനാർഥികളെ റേറ്റുചെയ്യുന്നതിന് ആവശ്യപ്പെട്ടു. എന്നുതന്നെയല്ല, അവർ അപേക്ഷകൻ, അവർ ഒരു ആരംഭ ശമ്പളം ശുപാർശ നിയമിക്കുമെന്നും ശുപാർശ വിദ്യാര്ഥികള്ക്ക് ആവശ്യപ്പെട്ടു. വിദ്യാർത്ഥികൾക്ക് .പിറന്ന എന്നാൽ, ആരംഭിക്കുകയോ പ്രത്യേകമായി ഒരു കാര്യം ഒഴികെ സമാനമായ പണിയുന്നതിന്: ആരംഭിക്കുകയോ ചില (ഒരു മാതാവോ-അധ്യാപക അസോസിയേഷൻ ബന്ധപ്പെട്ട് ലിസ്റ്റുചെയ്ത്) ആംഗ്യം മാതൃത്വത്തിന് ചില ചെയ്തില്ല. Correll വിദ്യാർത്ഥികൾ അമ്മമാർ നിയമിക്കുമെന്നും ശുപാർശ സാധ്യത കുറവാണ് ആയിരുന്നു അവരെ താഴത്തെ ആരംഭ ശമ്പളം വാഗ്ദാനം കണ്ടെത്തി. എന്നുതന്നെയല്ല, റേറ്റിംഗുകളും നിയമിച്ചതുമുതൽ ബന്ധപ്പെട്ട തീരുമാനങ്ങൾ ഇരു ഒരു സ്ഥിതിവിവര വിശകലനം, Correll മാതാക്കളുടെ ദോഷങ്ങളുമുണ്ട് വലിയതോതിൽ അമ്മമാർ അര്ഹത പ്രവർത്തിക്കുക കണക്കിലെടുത്ത് താഴത്തെ വിലയിരുത്തപ്പെട്ടു ചെയ്തു വസ്തുത വിശദീകരിച്ചു കണ്ടെത്തി. മറ്റു വാക്കുകളിൽ പറഞ്ഞാൽ, Correll ഈ സ്വഭാവവിശേഷങ്ങൾ ഏത് വഴി അമ്മമാർ ത്ഥപൂര് മെക്കാനിസം എന്നു പറയുന്നത്. ഇപ്രകാരം, ഈ ലാബ് പരീക്ഷണം Correll സഹപ്രവർത്തകരും ഒരു കാര്യകാരണങ്ങളെ പ്രാബല്യത്തിൽ അളക്കാൻ അക്കാര്യം സാധ്യമായ വിശദീകരണം നൽകുക അനുവദിച്ചു.

ഗതി ഒറ്റ ചെയ്യട്ടെ മാത്രം, ഒരുപക്ഷേ മുഴുവൻ സമയ ജോലി ഒരിക്കലും ഏതാനും നൂറു ബിരുദ തീരുമാനങ്ങൾ അടിസ്ഥാനമാക്കി മുഴുവൻ യുഎസ് തൊഴിൽ വിപണി എത്തിച്ചേർന്നിട്ടുണ്ട് വരയ്ക്കുന്നതിനെക്കുറിച്ചും ഹെലേന ആളുകൾ കൂലിക്കു. അതുകൊണ്ടു, Correll സഹപ്രവർത്തകരും ഒരു തീർക്കുന്ന ഫീൽഡ് പരീക്ഷണം നടത്തിയത്. ഗവേഷകർ വ്യാജ കവർ എഴുത്തും ആരംഭിക്കുകയോ ൽ അയച്ചുകൊണ്ട് പരസ്യപ്പെടുത്തുന്ന ജോലികൾ നൂറുകണക്കിന് പ്രതികരിച്ചു. ബിരുദ കാണിച്ചത് വസ്തുക്കൾ സമാനമായി ചില ആരംഭിക്കുകയോ മാതൃത്വത്തെ ആംഗ്യം ചില ചെയ്തില്ല. Correll സഹപ്രവർത്തകരും അമ്മമാർ തുല്യ യോഗ്യതയുള്ള കുട്ടികളില്ലാത്ത സ്ത്രീകളേക്കാൾ ഇന്റർവ്യൂ വേണ്ടി വീണ്ടും വിളിച്ചു നേടാനുള്ള സാധ്യത കുറവാണ് കണ്ടെത്തി. മറ്റു വാക്കുകളിൽ, ഒരു സ്വാഭാവിക ക്രമീകരണം പരോക്ഷപരമായ തീരുമാനങ്ങൾ യഥാർത്ഥ തൊഴിൽദാതാക്കൾ വളരെ ബിരുദ തോന്നി. അവർ ഒരേ കാരണത്താൽ സമാനമായ തീരുമാനങ്ങൾ ചെയ്തിട്ടുണ്ടോ? നിർഭാഗ്യവശാൽ, അറിയുന്നില്ല. ഗവേഷകർ സ്ഥാനാർത്ഥികളുടെ റേറ്റുചെയ്യുന്നതിനോ അവരുടെ തീരുമാനങ്ങൾ വിശദീകരിക്കാൻ തൊഴിലുടമകളെ ചോദിക്കാൻ കഴിഞ്ഞില്ല.

പരീക്ഷണങ്ങളുടെ ഈ ജോഡി പൊതുവേ ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങൾ കുറിച്ച് ധാരാളം വെളിപ്പെടുത്തുന്നു. ലാബ് പരീക്ഷണങ്ങൾ ഇതിൽ പങ്കെടുക്കുന്നവർ തീരുമാനങ്ങൾ കൊയ്യുന്നു പരിസ്ഥിതി മൊത്തം നിയന്ത്രണം സമീപം ഗവേഷകർ വാഗ്ദാനം. ഉദാഹരണത്തിന്, ലാബ് പരീക്ഷണത്തിൽ Correll എല്ലാ ആരംഭിക്കുകയോ നിശബ്ദമായ ക്രമീകരണം വായിച്ചു ചെയ്തു ഉറപ്പുവരുത്താൻ കഴിഞ്ഞു; ഫീൽഡ് പരീക്ഷണത്തിൽ ആരംഭിക്കുകയോ ചില വായിക്കാൻ പോലും ചെയ്തിരിക്കാം വരില്ല. എന്നുതന്നെയല്ല, ലാബ് ക്രമീകരണം പങ്കെടുക്കുന്നവരെ അവർ പഠിച്ച ചെയ്യപ്പെടുന്നത് കാരണം എന്നറിയാന് ഗവേഷകർ പലപ്പോഴും എന്തുകൊണ്ട് പങ്കെടുക്കുന്നവർ അവരുടെ തീരുമാനങ്ങൾ കൊയ്യുന്നു അവരെ മനസ്സിലാക്കാൻ സഹായിക്കുന്ന കൂടുതൽ വിവരം ശേഖരിക്കുകയും പ്രാപ്തരാണ്. ഉദാഹരണത്തിന്, Correll വിവിധ അളവുകോലുകളിലൂടെ സ്ഥാനാർത്ഥികളെ റേറ്റുചെയ്യുന്നതിന് ലാബ് പരീക്ഷണത്തിൽ പങ്കെടുക്കുന്നവർ ചോദിച്ചു. പ്രക്രിയ ഇത്തരം ഡാറ്റ ഗവേഷകരും പങ്കെടുക്കുന്നവർ ആരംഭിക്കുകയോ എങ്ങനെ കൈകാര്യം വ്യത്യാസങ്ങൾ പിന്നിൽ അവയിലൊന്നാണ് മനസ്സിലാക്കാൻ സഹായിക്കും.

മറുവശത്ത്, ഞാന് ഗുണങ്ങളുമുണ്ട് ആയി വിവരിച്ച ഈ കൃത്യമായ ഇതേ പുറമേ ചിലപ്പോൾ ദോഷങ്ങളുമുണ്ട് കണക്കാക്കുന്നു. ഫീൽഡ് പരീക്ഷണങ്ങൾ അൽപസ്വൽപം ഗവേഷകർ അടുത്തുനിന്ന് നിരീക്ഷിച്ചു വരികയാണെന്നും സമയത്ത് ലാബ് പരീക്ഷണങ്ങളിൽ പങ്കെടുക്കുന്നവർ വളരെ വ്യത്യസ്തമായി പ്രവർത്തിക്കാൻ കഴിഞ്ഞില്ല വാദിച്ചിട്ടുണ്ട്. ഉദാഹരണത്തിന്, ലാബ് പരീക്ഷണത്തിൽ പങ്കെടുക്കുന്നവർ ഗവേഷണത്തിന്റെ ലക്ഷ്യം ഊഹിച്ചു അവരുടെ പെരുമാറ്റം ഇന്ധനരംഗത്ത് തക്കവണ്ണം പക്ഷപാത ദൃശ്യമാകാൻ നിലയിൽ. എന്നുതന്നെയല്ല, ഫീൽഡ് പരീക്ഷണങ്ങൾ അൽപസ്വൽപം ഗവേഷകർ ആരംഭിക്കുകയോ ചെറിയ വ്യത്യാസങ്ങൾ മാത്രം വളരെ വൃത്തിയുള്ളതും അണുവിമുക്തമായ ലാബ് പരിതസ്ഥിതിയിൽ സ്റ്റാൻഡ് ഔട്ട് എന്നുമാണ് തക്കവണ്ണം, അങ്ങനെ ലാബ് പരീക്ഷണം യഥാർത്ഥ നിയമനങ്ങളെ ന് മാതൃത്വം പ്രഭാവം മേൽ-കണക്കുകൂട്ടുന്നു ചെയ്യും. പടിഞ്ഞാറൻ നിന്ന് പ്രധാനമായും വിദ്യാർത്ഥികളുടേയും അഭ്യസ്തവിദ്യരായ, വ്യാവസായികമായി, റിച്ച്, ഡെമോക്രാറ്റിക് രാജ്യങ്ങളിൽ ഒടുവിൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ പല വക്താക്കൾ വനമാല പങ്കെടുക്കുന്നവർ ന് ലാബ് പരീക്ഷണങ്ങൾ റിലയൻസ് വിമർശിക്കാൻ (Henrich, Heine, and Norenzayan 2010) . Correll സഹപ്രവർത്തകരുടെയോ പരീക്ഷണങ്ങളും (2007) ലാബ്-ഫീൽഡ് continuum ന് രണ്ട് വിശദീകരിയ്ക്കുന്നു. ഈ രണ്ടു ആത്യന്തികനിലപാടുകൾക്കു് ഇത്തരം ഒരു ലാബിൽ കയറി നോൺ-വിദ്യാർത്ഥികൾക്ക് കൊണ്ടുവരുന്ന അല്ലെങ്കിൽ വയലിലേക്കു പോകുന്നു പക്ഷേ ഇപ്പോഴും പങ്കെടുക്കുന്നവർ ഒരു അസാധാരണ ആശയസൻപുഷ്ടമായി ഇല്ലാത്ത സമീപനങ്ങളിലും ഉൾപ്പെടെ ഹൈബ്രിഡ് രൂപകല്പനകൾ മുറികൾ ഉണ്ട്.

അനലോഗ്-ഡിജിറ്റൽ: കഴിഞ്ഞ നിലനിന്നിരുന്ന എന്നു ലാബ്-ഫീൽഡ് മാനങ്ങൾ പുറമെ, ഡിജിറ്റൽ യുഗത്തിൽ ഗവേഷകർ ഇപ്പോൾ പരീക്ഷണങ്ങൾ വ്യത്യാസപ്പെട്ടിരിക്കും കഴിയുന്ന സഹിതം ഒരു രണ്ടാം പ്രധാന മാനമുണ്ട് എന്നാണ്. ശുദ്ധമായ ലാബ് പരീക്ഷണങ്ങൾ, ശുദ്ധമായ ഫീൽഡ് പരീക്ഷണങ്ങൾ, വരെയുള്ള സങ്കരയിനങ്ങളാണെങ്കിൽ മുറികൾ ഉണ്ട് പോലെ, ശുദ്ധമായ അനലോഗ് പരീക്ഷണങ്ങൾ, ശുദ്ധമായ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ, സങ്കര ഒരു മുറികൾ ഉണ്ട്. ഇത് ഈ മാനം ഒരു ഔദ്യോഗിക നിർവചനം അർപ്പിപ്പാൻ മാറിമറിഞ്ഞത്, എന്നാൽ ഒരു ഉപയോഗപ്രദമായ തൊഴിലാളി നിർവചനം പൂർണ്ണമായി ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ പങ്കെടുക്കുന്നവർ റിക്രൂട്ട് റാൻഡമൈസുചെയ്യുക, ചികിത്സാരീതികൾ വിടുവിക്കും; പാടുന്നവർ അളക്കാൻ ഡിജിറ്റൽ ഇൻഫ്രാസ്ട്രക്ചർ ഉപയോഗിക്കുന്ന പരീക്ഷണങ്ങൾ എന്നതാണ്. ഉദാഹരണത്തിന്, Restivo വാൻ ഡി Rijt ന്റെ (2012) ഈ ഘട്ടങ്ങൾ നാല് ഡിജിറ്റൽ സിസ്റ്റങ്ങൾ ഉപയോഗിച്ചതിനാലാണ് ആശംസിക്കുന്നു, വിക്കിപീഡിയ പഠനം ഒരു പൂർണ്ണമായി ഡിജിറ്റൽ പരീക്ഷണമായിരുന്നു. അതുപോലെ പൂർണ്ണമായി അനലോഗ് പരീക്ഷണങ്ങൾ ഈ നാലു ഘട്ടങ്ങൾ ഏതെങ്കിലും ഡിജിറ്റൽ ഇൻഫ്രാസ്ട്രക്ചർ ഉപയോഗം വെക്കരുത് പരീക്ഷണങ്ങൾ ആകുന്നു. മനഃശാസ്ത്രത്തിന്റെ ക്ലാസിക് പരീക്ഷണങ്ങളുടെ പല അനലോഗ് പരീക്ഷണങ്ങൾ ആകുന്നു. ഈ രണ്ടു ആത്യന്തികനിലപാടുകൾക്കു് നാല് ഘട്ടങ്ങൾ വേണ്ടി അനലോഗ് ഡിജിറ്റൽ സിസ്റ്റങ്ങൾ ഒരു കോമ്പിനേഷൻ ഉപയോഗിക്കുന്ന ഭാഗികമായും ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ ഉണ്ട്.

വിമർശനാത്മകമായി ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടത്താനും അവസരങ്ങൾ അല്ല ഓൺലൈൻ. ഗവേഷകർ ചികിത്സകൾ അല്ലെങ്കിൽ അളവു പാടുന്നവർ നൽകുന്നതിന് സാധാരണ ലോകത്തെ ഡിജിറ്റൽ ഉപകരണം ഉപയോഗിച്ച് ഭാഗികമായോ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടത്താനും കഴിയും. ഉദാഹരണത്തിന്, ഗവേഷകർ പാടുന്നവർ അളക്കാൻ പണിതു പരിതസ്ഥിതിയിൽ ചികിത്സകൾ അല്ലെങ്കിൽ സെൻസറുകൾ വിടുവിപ്പാൻ സ്മാർട്ട് ഫോണുകൾ ഉപയോഗിക്കാൻ കഴിഞ്ഞു. സത്യത്തിൽ, പിന്നീട് ഈ അധ്യായത്തിൽ കാണും പോലെ ഗവേഷകർ ഇതിനകം ഹോം വൈദ്യുതി മീറ്റർ സോഷ്യൽ മാനദണ്ഡങ്ങളും വീടുകളിലും 8.5 ദശലക്ഷം ഉൾപ്പെട്ട ഊർജ്ജ ഉപഭോഗത്തിൽ പരീക്ഷണങ്ങളിൽ ഗുണകരമാണെന്ന് അളക്കാൻ ഉപയോഗിച്ചിട്ടുണ്ട് (Allcott 2015) . ഡിജിറ്റൽ ഉപകരണങ്ങൾ ജനങ്ങളുടെ ജീവിതവും സെൻസറുകൾ പണിതു പരിസ്ഥിതി സംയോജിപ്പിക്കാൻ തീർന്നിരിക്കുന്നു കൂടുതലായി സമന്വയിപ്പിച്ചിരിക്കുന്നു തീർന്നിരിക്കുന്നു ഫിസിക്കൽ ലോകത്തിൽ ഭാഗികമായോ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ നടത്താനും ഈ അവസരങ്ങൾ നാടകീയമായി വർദ്ധിപ്പിക്കും. മറ്റു വാക്കുകളിൽ, ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ വെറും ഓൺലൈൻ പരീക്ഷണങ്ങൾ ആകുന്നു.

ഡിജിറ്റൽ സംവിധാനങ്ങൾ ലാബ്-ഫീൽഡ് continuum ചേർന്ന് എല്ലായിടത്തും പരീക്ഷണങ്ങളിൽ പുതിയ സാധ്യതകൾ സൃഷ്ടിക്കുക. ശുദ്ധമായ ലാബ് പരീക്ഷണങ്ങൾ, ഉദാഹരണത്തിന്, ഗവേഷകർ പങ്കെടുക്കുന്നവർ പ്രവർത്തനരീതി വിശേഷം അളക്കാൻ ഡിജിറ്റൽ സംവിധാനങ്ങൾ ഉപയോഗിക്കാൻ കഴിയും; മെച്ചപ്പെട്ട അളവിന്റെ ഈ തരത്തിലുള്ള ഒരു ഉദാഹരണം ദൃഷ്ടികൾ ലൊക്കേഷൻ കൃത്യമായ നിരന്തരമായ നടപടികൾ ലഭ്യമാക്കുന്നു കണ്ണ്-ട്രാക്കിംഗ് ഉപകരണങ്ങൾ ആണ്. ഡിജിറ്റൽ യുഗത്തിൽ പുറമേ ഓൺലൈൻ ലാബ് പോലുള്ള പരീക്ഷണങ്ങൾ നടത്താനും സാധ്യത സൃഷ്ടിക്കുന്നു. ഉദാഹരണത്തിന്, ഗവേഷകർ അതിവേഗം ഓൺലൈൻ പരീക്ഷണങ്ങൾ (ചിത്രം 4.2) എന്ന പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് ആമസോൺ മെക്കാനിക്കൽ ട്രങ്ക് (MTurk) സ്വീകരിച്ചത്. MTurk പണം ആ ചുമതലകൾ പൂർത്തിയാക്കാൻ ആഗ്രഹിക്കുന്ന "തൊഴിലാളികൾ" പൂർത്തിയാക്കാൻ ചെയ്യേണ്ട ടാസ്ക്കുകളുണ്ട് ആർ "തൊഴിലുടമകൾ" പൊരുത്തപ്പെടുന്ന. പരമ്പരാഗത തൊഴിൽ വിപണികൾ പക്ഷേ, സാധാരണയായി ഉൾപ്പെട്ട ചുമതലകൾ ഏതാനും മിനിറ്റ് പൂർത്തിയാക്കാൻ ആവശ്യമായ തൊഴിലുടമ ജീവനക്കാരന് തമ്മിലുള്ള മുഴുവൻ പ്രതിപ്രവർത്തനം വെർച്വൽ ആണ്. പരമ്പരാഗത ലാബ് പരീക്ഷണങ്ങൾ-അടയ്ക്കേണ്ട സ്വതന്ത്ര-സ്വാഭാവികതയോടെ പരീക്ഷണങ്ങളിൽ ചില തരത്തിലുള്ള യോജിക്കുന്നു അവർ ചെയ്യാത്തവരെ ചുമതലകൾ പൂർത്തിയാക്കാൻ ജനത്തിന്റെ MTurk അനുകരിക്കുന്നു വശങ്ങൾ. അടിസ്ഥാനപരമായി, MTurk പങ്കെടുക്കുന്നവർ-റിക്രൂട്ടിംഗ് ഒരു പൂള് നിയന്ത്രിക്കാനും ചെലുത്തണം ഇൻഫ്രാസ്ട്രക്ചർ സൃഷ്ടിച്ചു ജനം-ഗവേഷകരുടെ പങ്കെടുക്കുന്നവരിൽ ഒരു എല്ലായ്പ്പോഴും ലഭ്യമാണ് പൂള് ടാപ്പ് ചെയ്യാൻ അടിസ്ഥാനസൗകര്യങ്ങളെല്ലാം മുതലെടുക്കാൻ എടുത്തിരിക്കുന്നു.

ചിത്രം 4.2: പേപ്പേഴ്സ് ആമസോൺ മെക്കാനിക്കൽ ട്രങ്ക് (MTurk) (Bohannon 2016) മുതൽ ഡാറ്റ ഉപയോഗിച്ച് പ്രസിദ്ധീകരിച്ചു. MTurk മറ്റ് ഓൺലൈൻ തൊഴിൽ വിപണികൾ ഗവേഷകർ പരീക്ഷണങ്ങളിൽ പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് ഒരു മാർഗമാക്കി വാഗ്ദാനം.

ചിത്രം 4.2: പേപ്പേഴ്സ് ആമസോൺ മെക്കാനിക്കൽ ട്രങ്ക് (MTurk) നിന്ന് ഡാറ്റ ഉപയോഗിച്ച് പ്രസിദ്ധീകരിച്ച (Bohannon 2016) . MTurk മറ്റ് ഓൺലൈൻ തൊഴിൽ വിപണികൾ ഗവേഷകർ പരീക്ഷണങ്ങളിൽ പങ്കെടുക്കുന്നവരെ റിക്രൂട്ട് ഒരു മാർഗമാക്കി വാഗ്ദാനം.

ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ ഫീൽഡ് പോലുള്ള പരീക്ഷണങ്ങളിൽ കൂടുതൽ സാധ്യതകൾ സൃഷ്ടിക്കുക. ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ സാധ്യത അവയിലൊന്നാണ് (ലാബ് പരീക്ഷണങ്ങൾ പോലെ) ഒരു സ്വാഭാവിക പരിസ്ഥിതിയിൽ യഥാർത്ഥ തീരുമാനങ്ങൾ കൂടുതൽ വ്യത്യസ്തമായ പങ്കെടുക്കുന്നവർ (ഫീൽഡ് പരീക്ഷണങ്ങൾ പോലെ) മനസ്സിലാക്കാൻ ഇറുകിയ നിയന്ത്രണം പ്രക്രിയ ഡാറ്റ നല്കാവുന്നതാണ്. നേരത്തെ പരീക്ഷണങ്ങളുടെ നല്ല സ്വഭാവസവിശേഷതകൾ ഈ കൂട്ടായ പുറമെ, ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ പുറമേ അനലോഗ് ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങളിൽ ബുദ്ധിമുട്ടുള്ള ഉണ്ടായിരുന്ന മൂന്നു അവസരങ്ങൾ വാഗ്ദാനം.

ആദ്യം, ഏറ്റവും അനലോഗ് ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങളും പങ്കെടുക്കുന്നവർ നൂറുകണക്കിന് ഞങ്ങൾക്കുണ്ട് അതേസമയം, ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ പങ്കെടുക്കുന്നവരിൽ ദശലക്ഷക്കണക്കിന് കഴിയും. ചില ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ പൂജ്യം വേരിയബിൾ ചെലവിൽ ഡാറ്റ ഉത്പാദിപ്പിക്കാൻ കഴിയും കാരണം സ്കെയിൽ ഈ മാറ്റമാണ്. ഗവേഷകർ വർദ്ധിച്ചുവരുന്ന പങ്കാളികളുടെ എണ്ണം സാധാരണ കുറഞ്ഞ വർദ്ധിക്കുന്നില്ല, ഒരു പരീക്ഷണാത്മക ഇൻഫ്രാസ്ട്രക്ചർ സൃഷ്ടിച്ചു ഒരിക്കൽ ആണ്. 100 അതിലധികമോ ഘടകവുമായി പങ്കാളികളുടെ എണ്ണം വർദ്ധിക്കുന്നത് വെറും ഒരു ഗുണഭോക്താക്കളാകാൻ മാറ്റം അല്ല, അത് പരീക്ഷണങ്ങൾ (ഉദാ, ചികിത്സ ഇഫക്റ്റുകൾ heterogeneity) മുതൽ വ്യത്യസ്ത കാര്യങ്ങൾ പഠിക്കാൻ ഗവേഷകർ പ്രാപ്തമാക്കുന്നു കാരണം, ഒരു ഗുണപരമായ മാറ്റം ആണ് തികച്ചും വ്യത്യസ്തമായ പരീക്ഷണാത്മക ഡിസൈനുകൾ റൺ ( ഉദാ വലിയ സംഘം പരീക്ഷണങ്ങൾ). ഈ പോയിൻറ് ഞാൻ ഡിജിറ്റൽ പരീക്ഷണങ്ങൾ സൃഷ്ടിക്കുന്നതിനായി ഉപദേശം അർപ്പിക്കുമ്പോൾ ഞാൻ അധ്യായം അവസാനം അത് മടങ്ങിയെത്തും അങ്ങനെ പ്രധാനമാണ്.

രണ്ടാമത്തേത്, അതേസമയം ഏറ്റവും അനലോഗ് ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങളും വിധമുള്ളതോ വിഡ്ജെറ്റുകളും പങ്കെടുക്കുന്നവർ തള്ളുകയും ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ പലപ്പോഴും ഗവേഷണത്തിന്റെ ഡിസൈൻ വിശകലനം ഘട്ടങ്ങളിൽ പങ്കെടുക്കുന്നവർ പശ്ചാത്തല വിവരങ്ങൾ ഉപയോഗിക്കുന്നു. അവർ പൂർണ്ണമായി അളന്നു സാഹചര്യങ്ങളിൽ നടക്കുന്നത് കാരണം പ്രീ-ചികിത്സ വിവരങ്ങൾ വിളിച്ചിരിക്കുന്ന ഈ പശ്ചാത്തല വിവരമാണിത് പലപ്പോഴും ലഭ്യമായ ഡിജിറ്റൽ പരീക്ഷണങ്ങളിൽ ആണ്. ഉദാഹരണത്തിന്, ഫേസ്ബുക്ക് ഒരു ഗവേഷകൻ ബിരുദ ഒരു സാധാരണ ലാബ് പരീക്ഷണം ഡിസൈനിംഗ് ഒരു ഗവേഷകൻ വളരെ കൂടുതൽ പ്രീ-ചികിത്സ വിവരങ്ങൾ ഉണ്ട്. ഈ പ്രീ-ചികിത്സ വിവരങ്ങൾ ഗവേഷകർ വിധമുള്ളതോ വിഡ്ജെറ്റുകളും പങ്കെടുക്കുന്നവരെ ചികിത്സാ പോകാനുള്ള പ്രാപ്തമാക്കുന്നു. പോരാഞ്ഞ്, പ്രീ-ചികിത്സ വിവരങ്ങൾ കൂടുതൽ കാര്യക്ഷമമായ പരീക്ഷണാത്മക ഡിസൈനുകൾ-പോലുള്ള തടയുന്നത് പ്രാപ്തമാക്കുന്നു (Higgins, Sävje, and Sekhon 2016) എന്നിവ പങ്കെടുക്കുന്നവരിൽ ലക്ഷ്യമിടുന്ന റിക്രൂട്ട്മെന്റ് (Eckles, Kizilcec, and Bakshy 2016) കൂടുതൽ ഉൾക്കാഴ്ചയുള്ളതുമായ വിശകലനം-പോലുള്ള heterogeneity എന്ന മതിപ്പു കളിയാടുമെന്നാണ് ചികിത്സ ഇഫക്റ്റുകൾ (Athey and Imbens 2016a) , മെച്ചപ്പെട്ട പ്രിസിഷൻ വേണ്ടി covariate അഡ്ജസ്റ്റ്മെന്റ് (Bloniarz et al. 2016) .

മൂന്നാമതായി, പല അനലോഗ് ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങളും സമയം താരതമ്യേന കംപ്രസ്സ് തുക ചികിത്സ അളവു പാടുന്നവർ രക്ഷിക്കാതെ അതേസമയം, ചില ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ കാലാകാലങ്ങളിൽ രക്ഷപ്പെടുത്തി ഇഫക്റ്റുകൾ പുറമേ കാലാന്തരത്തിൽ അളന്നു കഴിയും കഴിയുന്ന ചികിത്സകൾ ഇടപെടണം. ഉദാഹരണത്തിന്, Restivo വാൻ ഡി Rijt ന്റെ പരീക്ഷണം 90 ദിവസം ദിനംപ്രതി അളന്നു ഫലമാണ് ഉണ്ട്, പരീക്ഷണങ്ങളിലൊന്ന് ഞാൻ കുറിച്ച് പിന്നീട് പറയാം അധ്യായത്തിൽ (Ferraro, Miranda, and Price 2011) അടിസ്ഥാനപരമായി 3 വർഷങ്ങളായി പാടുന്നവർ ട്രാക്ക് ഇല്ല ചെലവ്. ഈ മൂന്ന് അവസരങ്ങൾ-വലിപ്പം, പ്രീ-ചികിത്സ വിവരങ്ങൾ, അനുഭവങ്ങളെയും എപ്പോഴും അളവുകൾ സിസ്റ്റങ്ങളിൽ മുകളിൽ റൺ ചെയ്യുമ്പോൾ രേഖാംശ ചികിത്സ പരിണിത ഏറ്റവും സാധാരണമായ ഡാറ്റ-ആകുന്നു (എപ്പോഴും-മെഷർമെന്റ് സിസ്റ്റമുകളിൽ കൂടുതൽ പാഠം 2 കാണുക).

ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ പല സാധ്യതകൾ നൽകുമ്പോൾ, അവർ അനലോഗ് ലാബ് ആൻഡ് ഫീൽഡ് പരീക്ഷണങ്ങളും ഇരുവരും ചില ദൗർബല്യങ്ങൾ പങ്കിടുക. ഉദാഹരണത്തിന്, പരീക്ഷണങ്ങൾ കഴിഞ്ഞ പഠിക്കാൻ ഉപയോഗിക്കാൻ കഴിയില്ല, അവർ മാത്രമേ കൃത്രിമം കഴിയുന്ന ചികിത്സകൾ ഇഫക്റ്റുകൾ കണക്കാക്കാൻ കഴിയും. എതിരെ, പരീക്ഷണങ്ങൾ നയം മികവുറ്റ ജമാ ഉപയോഗപ്രദമായ എങ്കിലും അവർ വാഗ്ദാനം ചെയ്യാൻ കഴിയും കൃത്യമായ മാർഗനിർദേശം ഒരാളെന്ന കാരണം പരിസ്ഥിതി ആശ്രിതത്വം പോലുള്ള സങ്കീർണതകൾ, പാലിക്കൽ പ്രശ്നങ്ങൾ, സന്തുലനത്തിന്റെ ഇഫക്റ്റുകൾ ആണ് (Banerjee and Duflo 2009; Deaton 2010) . ഒടുവിൽ, ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ ഫീൽഡ് പരീക്ഷണങ്ങളിൽ സൃഷ്ടിച്ച നൈതിക ആശങ്കകൾ പറയുമല്ലോ. ഫീൽഡ് പരീക്ഷണങ്ങളുടെ വക്താക്കൾ ലക്ഷോപലക്ഷം ആളുകൾ ഉണ്ടാക്കി പരോക്ഷപരമായ തീരുമാനങ്ങൾ കയറി കുറെക്കാലമായി ഒപ്പം ക്രമരഹിതമായി ഇടപെടാൻ അവരുടെ കഴിവ് കാഹളം. ഈ സവിശേഷതകൾ ചില ശാസ്ത്രീയ ഗുണങ്ങളുമുണ്ട് ഓഫർ, എന്നാൽ അവർ ഫീൽഡ് പരീക്ഷണങ്ങൾ സന്ധ്യ സങ്കീർണ്ണമായ കഴിയും (ഗവേഷകർ ഒരു വൻ തോതിൽ "എലികളുടെ" പോലെയുള്ള ചികിത്സാ അത് ചിന്തിക്കുക). എന്നുതന്നെയല്ല, തങ്ങളുടെ സ്കെയിലിൽ പങ്കെടുക്കുന്നവർക്ക് സാധ്യത ചെയ്യാന് ഡിജിറ്റൽ ഫീൽഡ് പരീക്ഷണങ്ങൾ, പുറമേ, സാമൂഹികമായ സിസ്റ്റങ്ങൾ പ്രവർത്തിക്കാനുള്ള തടസം കുറിച്ച് ആശങ്കകൾ (ഉദാ, വിക്കിപീഡിയയുടെ പ്രതിഫലം സിസ്റ്റം തടസ്സപ്പെട്ടു കുറിച്ച് ആശങ്കകൾ Restivo വാൻ ഡെർ Rijt നിരവധി ആശംസിക്കുന്നു കൊടുത്തു എങ്കിൽ) ജീവിപ്പിക്കാൻ കഴിയും .