4.5.2 आपले स्वत: चे प्रयोग तयार करा

आपल्या स्वत: च्या प्रयोग इमारत महाग असू शकते, पण तो आपण इच्छुक प्रयोग तयार करण्यासाठी सक्षम करेल.

विद्यमान पर्यावरणाच्या वर प्रयोग ओव्हरलायईड व्यतिरिक्त, आपण आपला स्वत: चा प्रयोग देखील तयार करू शकता. या दृष्टिकोनाचा मुख्य फायदा म्हणजे नियंत्रण; आपण प्रयोग तयार करत असल्यास, आपण आपल्याला पाहिजे असलेले वातावरण आणि उपचार तयार करू शकता. हे प्रायोगिक पर्यावरणास बेस्क्रोक करणे नैसर्गिकरित्या येणार्या वातावरणात चाचणी घेण्यास अशक्य असलेल्या सिद्धांतांची चाचणी घेण्याच्या संधी निर्माण करू शकतात. आपले स्वत: चे प्रयोग तयार करण्याच्या मुख्य कमतरतेमुळे हे महाग असू शकते आणि ज्या वातावरणात आपण तयार करता त्या नैसर्गिकरित्या होणाऱ्या प्रणालीचे वास्तववाद असू शकत नाही. त्यांच्या स्वत: च्या प्रयोग तयार करणारे संशोधकांनी सहभागींना भरती करण्यासाठी एक धोरण असणे आवश्यक आहे. विद्यमान प्रणालीत काम करत असताना, संशोधक मूलत: त्यांच्या सहभागींचे प्रयोग आणत आहेत. परंतु, जेव्हा संशोधक स्वतःचा प्रयोग तयार करतात, तेव्हा त्यांना त्यास सहभागींना आणण्याची आवश्यकता आहे. सुदैवाने, अॅमेझॉन यांत्रिक तुर्क (एमटिर्क) सारख्या सेवांमध्ये प्रयोगकर्त्यांना त्यांच्या प्रयोगांना आणण्यासाठी सोयीस्कर मार्गाने संशोधक पुरवले जाऊ शकतात.

एक उदाहरण जे गोषवाराच्या वातावरणातील सचित्र सिद्धांतांचे परीक्षण करण्याकरिता गुणविशेष आहे ते ग्रेगरी हुबेर, सेठ हिल आणि गॅब्रिएल लेनझ (2012) यांनी डिजिटल प्रयोग प्रयोग आहे. लोकशाही शासनाच्या कार्यकाळात या प्रयोगाने प्रत्यक्ष व्यावहारिक मर्यादा शोधली आहे. पूर्वी प्रत्यक्ष निवडणुकीच्या गैर-प्रायोगिक अभ्यासामध्ये असे सुचविण्यात आले की मतदार राजकारण्यांच्या कामगिरीचे अचूक मूल्यांकन करू शकत नाहीत. विशेषतः, मतदारांना तीन गोष्टींपासून दुःख होत आहे असे दिसते (1) ते एकत्रित काम करण्यापेक्षा अलीकडच्या गोष्टींवर लक्ष केंद्रित करतात; (2) त्यांना लबाडी, चौकटीत बसविणे आणि विपणन करून फेरफार करता येईल; आणि (3) स्थानिक क्रीडासंघांची यशस्वी कामगिरी आणि हवामान यासारख्या घटनांशी संबंधित असणा-या घटनांमुळे ते प्रभावित होऊ शकतात. या पूर्वीच्या अभ्यासात, वास्तविक, गोंधळात टाकणारे निवडणुकीत होणाऱ्या इतर सर्व गोष्टींमधील कोणत्याही घटकांना वेगळे करणे कठिण होते. म्हणूनच, ह्यूबर आणि सहकार्यांना अलगाव करण्यासाठी अत्यंत सरलीकृत मतदान वातावरण तयार केले, आणि नंतर प्रायोगिकरित्या अभ्यास, या तीन संभाव्य पक्ष्यांमधील प्रत्येक

मी खालील प्रायोगिक सेट अप वर्णन म्हणून, तो खूप कृत्रिम ध्वनी जात आहे, पण वास्तववाद लॅब-शैली प्रयोग एक ध्येय नाही हे लक्षात ठेवा आहे. त्याऐवजी, आपण अभ्यास करण्याचा प्रयत्न करीत असलेल्या प्रक्रियेस स्पष्टपणे वेगळे करणे हे उद्दिष्ट आहे, आणि अधिक वास्तववाद (Falk and Heckman 2009) सह अभ्यासात हे तंतोतंत अलगाव कधीकधी शक्य नाही. पुढे, या विशिष्ट प्रकरणात, संशोधकांनी असा युक्तिवाद केला की जर मतदार या अत्यंत सोपी सेटिंगमध्ये कार्यक्षमतेचे मूल्यमापन करू शकत नाहीत, तर ते अधिक वास्तववादी, अधिक जटिल सेटिंगमध्ये सक्षम होणार नाहीत.

ह्यूबर आणि त्याच्या सहकार्यांनी भाग घेणाऱ्यांना भरती करण्यासाठी एमटूककचा उपयोग केला. एकदा एका सहभागीाने माहितीपूर्ण संमती दिली आणि एक लहान परीक्षा दिली, तेव्हा तिला सांगण्यात आले की ती एक 32-गोल गेममध्ये सहभागी होत आहे जे वास्तविक पैशात रूपांतरित केले जाऊ शकते. गेमच्या सुरुवातीला प्रत्येक स्पर्धकांना असे सांगितले होते की तिला एक "वाटप" असे नेमले गेले आहे जे प्रत्येक फेरीत टोकन्स देईल आणि काही अलोकेटर अन्यांपेक्षा अधिक उदार होते. पुढे, प्रत्येक सहभागीला असेही सांगण्यात आले होते की तिला खेळांचे 16 फेऱ्यांनंतर एकतर तिचे वाटप ठेवण्याची किंवा नव्याने नियुक्त करण्याची संधी मिळेल. आपण ह्यूबर आणि सहकाऱ्यांच्या संशोधनाच्या उद्दिष्टांबद्दल काय दिलेले आहात हे आपण पाहू शकता की आबांगी एक सरकार प्रतिनिधित्व करते आणि ही निवड एका निवडणुकीचे प्रतिनिधित्व करते, परंतु सहभागींना संशोधनाच्या सामान्य उद्दिष्टांची जाणीव नव्हती. एकूण, ह्यूबर आणि त्यांच्या सहकाऱ्यांनी जवळजवळ 4,000 सहभागींची भरती केली ज्यांनी जवळपास आठ मिनिटे लागली त्या कामासाठी $ 1.25 इतकी भरपाई दिली.

पूर्वीच्या संशोधनातून सापडलेल्या निष्कर्षांपैकी एक असे मत नोंदवा की मतदारांनी त्यांच्या नियंत्रणाबाहेर परिणामांसारख्या परीणामांना पुरस्कृत केले आहे जसे स्थानिक क्रीडा संघ आणि हवामानाचे यश. सहभागींच्या मतदानाचा निर्णय त्यांच्या सेटिंगमध्ये पूर्णपणे यादृच्छिक घटनांपासून प्रभावित असू शकतो किंवा नाही याचे मूल्यांकन करण्यासाठी, ह्यूबर आणि त्यांच्या सहकाऱ्यांनी त्यांच्या प्रयोगिक प्रणालीवर लॉटरी जोडली आहे. आठव्या फेरीत किंवा 16 व्या फेरीत (म्हणजेच, अॅलोकेटर बदलण्याची संधी होण्याआधी) सहभागींना यादृच्छिकरित्या लॉटरीमध्ये ठेवण्यात आले होते ज्यात काही 5,000 गुण जिंकले, काही जिंकले 0 गुण आणि काही 5,000 गुण गमावले. या लॉटरीने राजकारण्याच्या कार्यक्षमतेपासून स्वतंत्र असलेल्या किंवा वाईट बातम्यांची नक्कल करणे हे होते. जरी भागधारकांना स्पष्टपणे सांगितले होते की लॉटरी आपल्या ऑलोकेटरच्या कामगिरीशी संबंधित नसली तरीही लॉटरीचे परिणाम अद्याप सहभागींच्या निर्णयांवर परिणाम करतात. ज्या लॉटरीने फायदा घेतला त्या सहभागींनी त्यांचे वाटप ठेवणे अपेक्षित होते आणि फेरी 8 (आकृती 4.15) मध्ये घडल्याच्या घटनेपेक्षा 16 वर्षांच्या आत लॉटरीने बदललेल्या निर्णयापूर्वी उजव्या बाजूने हा निर्णय अधिक मजबूत होता. पेपरमधील बर्याच प्रयोगांच्या सोबत हे निष्कर्ष काढले की, ह्यूबर आणि त्यांच्या सहकाऱ्यांनी असा निष्कर्ष काढला की अगदी सोप्या पद्धतीने, मतदारांना योग्य निर्णय घेण्यास त्रास होतो, परिणामी मतदार निर्णय घेण्याच्या (Healy and Malhotra 2013) भावी संशोधनास प्रभावित झाले. . ह्यूबर आणि सहकाऱ्यांचे प्रयोग असे दर्शविते की खूप विशिष्ट सिद्धांतांचे परीक्षण करण्यासाठी लॅट-स्टाइल प्रयोगासाठी सहभागींना भरती करण्यासाठी एमटयूककचा वापर केला जाऊ शकतो. हे आपले स्वतःचे प्रायोगिक वातावरण तयार करण्याचे मूल्य देखील दर्शविते: अशी कल्पना करणे कठिण आहे की ही प्रक्रिया ही इतर कोणत्याही सेटिंगमध्ये इतके स्वच्छतेने कसे वेगळ्या असू शकते.

आकृती 4.15: ह्यूबर, हिल आणि लेनझ (2012) मधील परिणाम. लॉटरीने फायदा घेतलेल्या सहभागींनी त्यांचे वाटप राखून ठेवण्याची जास्त शक्यता होती आणि फेरफटका मारताना 16 वर्षांच्या आत लॉटरी घडली तेव्हा हा परिणाम अधिक मजबूत झाला. 2012), आकृती 5

आकृती 4.15: Huber, Hill, and Lenz (2012) . लॉटरी फायदा कोण सहभागी त्यांच्या allocator कायम होण्याची अधिक शक्यता होते, आणि लॉटरी बदलण्याची शक्यता आधी फेरीत 16 उजव्या घडले तेव्हा हा परिणाम मजबूत होते निर्णय पेक्षा गोल 8 रुपांतर मध्ये घडले तेव्हा Huber, Hill, and Lenz (2012) , आकृती 5

प्रयोगशाळा सारखी प्रयोग तयार करण्यासह, संशोधक देखील अशा फील्ड तयार करू शकतात जे अधिक फील्ड सारखी आहेत. उदाहरणार्थ, Centola (2010) ने सोशल नेटवर्कच्या प्रभावाचा प्रसार व्हावा यासाठी एक डिजिटल फिल्ड प्रयोग तयार केला. त्यांचे संशोधन प्रश्नाने त्यांना वेगवेगळ्या सामाजिक नेटवर्क संरचना असलेल्या लोकसंख्येत प्रसारित करण्यात आलेली समान वागणूक पहाणे आवश्यक होते परंतु अन्यथा त्यांचा वेगळा करता येण्यासारखा नाही. हे करण्याचा एकमेव मार्ग म्हणजे बीएसपीोक, कस्टम-बिल्ट प्रयोग. या प्रकरणात, Centola एक वेब आधारित आरोग्य समुदाय बांधले

आरोग्य वेबसाइटवर जाहिरातीद्वारे सेंटॉला ने 1500 सहभागींची भरती केली. सहभागी समुदायामध्ये ऑनलाइन समुदायात आगमन झाले - ज्याला हौशी जीवनशैली नेटवर्क असे संबोधले गेले ते - त्यांना माहितीपूर्ण संवेदणी दिली आणि नंतर "आरोग्य मित्र" म्हणून नियुक्त केले गेले. कारण सेंटोलाने हे आरोग्य मित्रांना नियुक्त केले कारण ते एकमेकांशी एकत्रित सामाजिक नेटवर्क संरचना एकत्रित करू शकले. भिन्न गट काही गट यादृच्छिक नेटवर्क तयार करण्यासाठी बांधले गेले होते (जेथे प्रत्येकजण तितकाच कनेक्ट होण्याची शक्यता होती), इतर गट क्लस्टर्ड नेटवर्क्स उभारण्यासाठी बांधले होते (जेथे कनेक्शन अधिक स्थानिक पातळीवर दाट आहेत). नंतर, सेंटॉलाने प्रत्येक नेटवर्कमध्ये एक नवीन वर्तन सुरु केला: अतिरिक्त आरोग्य माहितीसह नवीन वेबसाइटसाठी नोंदणी करण्याची संधी. जेव्हा या नवीन वेबसाइटसाठी कोणीही साइन अप केले असेल, तेव्हा तिच्या सर्व आरोग्य मित्रांना हे वागणूक सांगणारे ईमेल मिळाले. सेंटॉलाला असे आढळले की हे वर्तन-नवीन वेबसाइटसाठी साइन-अप नेटवर्क-मधील यादृच्छिक नेटवर्कपेक्षा अधिक क्लस्टर नेटवर्कमध्ये अधिक जलद आणि वेगाने प्रसारित होते, जी शोध काही अस्तित्वात असलेल्या सिद्धांतांच्या विरूद्ध होती.

एकंदरीत, आपला स्वतःचा प्रयोग तयार केल्याने आपल्याला अधिक नियंत्रण मिळते; आपण काय अभ्यास करू इच्छिता ते वेगळे करण्यासाठी सर्वोत्तम शक्य वातावरण तयार करण्यास सक्षम करते. मी फक्त वर्णन केलेले दोन प्रयोग आधीच अस्तित्वात असलेल्या वातावरणात केले जाऊ शकतात कसे कल्पना करणे कठीण आहे. पुढे, तुमची प्रणाली तयार करणे अस्तित्वात असलेल्या प्रणालींमध्ये प्रयोग करण्याबद्दल नैतिक चिंता कमी करते. आपण आपला स्वत: चा प्रयोग तयार करता तेव्हा मात्र, आपण प्रयोगशाळेतील प्रयोगांमधील बर्याच समस्यांमधे धावू शकताः सहभागी लोकांसाठी आणि वास्तवतेबद्दल चिंता यामध्ये भर. शेवटचा घात कमीत कमी म्हणजे आपला स्वतःचा प्रयोग तयार करणे महाग आणि वेळ घेणारी असू शकते, जरी या उदाहरणांवरून दिसून येते, प्रयोग तुलनेने सोपे वातावरणात (जसे की Huber, Hill, and Lenz (2012) द्वारे मतदान करण्याचा अभ्यास) असू शकतो. तुलनात्मकदृष्ट्या जटिल वातावरणात (जसे की Centola (2010) द्वारे नेटवर्कचा अभ्यास आणि संसर्गाचा अभ्यास).