4.5.4 Partner med den mektige

Partnering kan redusere kostnadene og øke omfanget, men det kan endre typer deltakere, behandlinger, og utfall som du kan bruke.

Alternativet til å gjøre det selv er å samarbeide med en sterk organisasjon som et selskap, en stat eller en ngo. Fordelen med å samarbeide med en partner er at de kan gjøre det mulig for deg å kjøre eksperimenter som du ikke bare kan gjøre selv. For eksempel, et av forsøkene som jeg vil fortelle deg om nedenfor, involverte 61 millioner deltakere - ingen individuell forsker kunne oppnå denne skalaen. Samtidig øker partnerskapet hva du kan gjøre, det begrenser deg også. For eksempel vil de fleste selskaper ikke tillate deg å kjøre et eksperiment som kan skade deres virksomhet eller deres omdømme. Arbeid med partnere betyr også at når det kommer tid til å publisere, kan du komme under press for å "re-ramme" resultatene dine, og noen partnere kan til og med prøve å blokkere publiseringen av arbeidet ditt hvis det gjør dem så dårlige. Til slutt kommer partnering også med kostnader knyttet til utvikling og vedlikehold av disse samarbeidene.

Kjernen utfordringen som må løses for å gjøre disse partnerskapene vellykkede, er å finne en måte å balansere interessene til begge parter, og en nyttig måte å tenke på den balansen er Pasteurs kvadrant (Stokes 1997) . Mange forskere tror at hvis de jobber med noe praktisk - noe som kan være av interesse for en partner - så kan de ikke gjøre ekte vitenskap. Denne tankegangen vil gjøre det svært vanskelig å skape vellykkede partnerskap, og det skjer også å være helt feil. Problemet med denne tankegangen er fantastisk illustrert av biologen Louis Pasteurs banebrytende forskning. Mens han jobbet på et kommersielt fermenteringsprosjekt for å omdanne betesaft til alkohol, oppdaget Pasteur en ny klasse av mikroorganismer som til slutt førte til bakterieteorien om sykdom. Denne oppdagelsen løste et veldig praktisk problem - det bidro til å forbedre fermenteringsprosessen - og det førte til et stort vitenskapelig fremskritt. I stedet for å tenke på forskning med praktiske applikasjoner som å være i konflikt med sann vitenskapelig forskning, er det derfor bedre å tenke på disse som to separate dimensjoner. Forskning kan motiveres ved bruk (eller ikke), og forskning kan søke grunnleggende forståelse (eller ikke). Kritisk kan enkelte forskningslignende Pasteur-motiveres ved bruk og søker grunnleggende forståelse (figur 4.17). Forskning i Pasteurs kvadrant-forskning som i sin natur forfremmer to mål - er ideell for samarbeid mellom forskere og partnere. Gitt den bakgrunnen, beskriver jeg to eksperimentelle studier med partnerskap: en med et selskap og en med en NGO.

Figur 4.17: Pasteurs kvadrant (Stokes 1997). I stedet for å tenke på forskning som enten grunnleggende eller anvendt, er det bedre å tenke på det som motivert ved bruk (eller ikke) og søke grunnleggende forståelse (eller ikke). Et eksempel på forskning som begge er motivert ved bruk og søker grunnleggende forståelse, er Pasteurs arbeid med å konvertere sukkerroesaft til alkohol som fører til kimteorien om sykdom. Dette er den type arbeid som passer best for samarbeid med de mektige. Eksempler på arbeid som er motivert av bruk, men som ikke søker grunnleggende forståelse kommer fra Thomas Edison, og eksempler på arbeid som ikke er motivert av bruk, men som søker forståelse kommer fra Niels Bohr. Se Stokes (1997) for en grundigere diskusjon av dette rammeverket og hvert av disse tilfellene. Tilpasset fra Stokes (1997), figur 3.5.

Figur 4.17: Pasteurs kvadrant (Stokes 1997) . I stedet for å tenke på forskning som enten "grunnleggende" eller "anvendt", er det bedre å tenke på det som motivert ved bruk (eller ikke) og søker grunnleggende forståelse (eller ikke). Et eksempel på forskning som begge er motivert ved bruk og søker grunnleggende forståelse, er Pasteurs arbeid med å konvertere sukkerroesaft til alkohol som fører til kimteorien om sykdom. Dette er den type arbeid som passer best for samarbeid med de mektige. Eksempler på arbeid som er motivert av bruk, men som ikke søker grunnleggende forståelse kommer fra Thomas Edison, og eksempler på arbeid som ikke er motivert av bruk, men som søker forståelse kommer fra Niels Bohr. Se Stokes (1997) for en grundigere diskusjon av dette rammeverket og hvert av disse tilfellene. Tilpasset fra Stokes (1997) , figur 3.5.

Store selskaper, spesielt tekniske selskaper, har utviklet utrolig sofistikert infrastruktur for å kjøre komplekse eksperimenter. I teknologibransjen blir disse eksperimentene ofte kalt A / B-tester fordi de sammenligner effektiviteten til to behandlinger: A og B. Slike eksperimenter kjøres ofte for ting som økende klikkfrekvenser på annonser, men samme eksperimentelle infrastruktur kan også brukes til forskning som fremmer vitenskapelig forståelse. Et eksempel som illustrerer potensialet for denne typen forskning er en studie utført av et partnerskap mellom forskere på Facebook og University of California, San Diego, om effekten av ulike meldinger om valgdeltakelsen (Bond et al. 2012) .

Den 2. november 2010-dagen for det amerikanske kongressvalget - alle 61 millioner Facebook-brukere som bodde i USA og var 18 år og eldre deltok i et forsøk på å stemme. Ved å besøke Facebook ble brukerne tilfeldig tildelt i en av tre grupper, som bestemte hvilken banner (hvis noen) ble plassert øverst på deres nyhetsfeed (figur 4.18):

  • en kontrollgruppe
  • en informasjonsmelding om å stemme med en klikkbar "Jeg Stemte" -knapp og en teller (Info)
  • en informasjonsmelding om å stemme med en klikkbar "Jeg stemte" -knapp og en teller pluss navn og bilder av vennene sine som allerede hadde klikket på "Jeg stemte" (Info + Sosial)

Obligasjon og kollegaer studerte to hovedutfall: rapportert stemmeoppførsel og faktisk stemmeoppførsel. Først fant de at folk i Info + sosiale gruppen var omtrent to prosentpoeng mer sannsynlig enn folk i Info-gruppen for å klikke "Jeg stemte" (ca 20% mot 18%). Etter at forskerne fusjonerte sine data med offentlig tilgjengelige stemmegivning for ca seks millioner mennesker, fant de at folk i Info + Sosialgruppe var 0,39 prosentpoeng mer sannsynlig å faktisk stemme enn de i kontrollgruppen, og at folk i Info-gruppen var like sannsynlig å stemme som de i kontrollgruppen (figur 4.18).

Figur 4.18: Resultater fra et utprøveeksperiment på Facebook (Bond et al. 2012). Deltakere i Info-gruppen stemte i samme takt som i kontrollgruppen, men folk i Info + sosiale gruppen stemte med litt høyere rente. Barer representerer estimerte 95% konfidensintervaller. Resultatene i grafen er for de ca. seks millioner deltakerne som var tilpasset stemmeopptak. Tilpasset fra Bond et al. (2012), figur 1.

Figur 4.18: Resultater fra et utprøveeksperiment på Facebook (Bond et al. 2012) . Deltakere i Info-gruppen stemte i samme takt som i kontrollgruppen, men folk i Info + sosiale gruppen stemte med litt høyere rente. Barer representerer estimerte 95% konfidensintervaller. Resultatene i grafen er for de ca. seks millioner deltakerne som var tilpasset stemmeopptak. Tilpasset fra Bond et al. (2012) , figur 1.

Resultatene av dette eksperimentet viser at noen online-meldinger om utgående stemme er mer effektive enn andre, og at en forskers anslag på effektiviteten kan avhenge av om resultatet er rapportert avstemning eller faktisk avstemning. Dette eksperimentet gir dessverre ikke noen ledetråder om hvilke mekanismer som sosial informasjon - som noen forskere lekst har kalt en "face pile" -innvunnet avstemning på. Det kan være at den sosiale informasjonen økte sannsynligheten for at noen la merke til banneret eller at det økte sannsynligheten for at noen som la merke til banneret, stemte faktisk eller begge deler. Dermed gir dette eksperimentet et interessant funn som andre forskere vil trolig utforske (se f.eks. Bakshy, Eckles, et al. (2012) ).

I tillegg til å fremme forskernes mål, har dette eksperimentet også utviklet målet for partnerorganisasjonen (Facebook). Hvis du endrer oppførselen studert fra å stemme til å kjøpe såpe, kan du se at studien har nøyaktig samme struktur som et eksperiment for å måle effekten av elektroniske annonser (se for eksempel RA Lewis and Rao (2015) ). Disse annonseneffektivitetsstudiene måler ofte effekten av eksponering for elektroniske annonser - behandlingene i Bond et al. (2012) er i utgangspunktet annonser for å stemme på offline oppførsel. Dermed kan denne undersøkelsen fremme Facebooks evne til å studere effektiviteten av elektroniske annonser og kunne hjelpe Facebook overbevise potensielle annonsører om at Facebook-annonser er effektive for å endre atferd.

Selv om interessene til forskerne og partnene hovedsakelig var tilpasset denne studien, var de også delvis i spenning. Spesielt var tildelingen av deltakerne til de tre gruppekontrollene, Info, og Info + Sosialt - enormt ubalansert: 98% av prøven ble tildelt Info + Social. Denne ubalansefordelingen er ineffektiv statistisk, og en mye bedre tildeling for forskerne ville ha hatt en tredjedel av deltakerne i hver gruppe. Men ubalansert allokering skjedde fordi Facebook ville at alle skulle motta Info + sosial behandling. Heldigvis overbeviste forskerne dem om å holde tilbake 1% for en relatert behandling og 1% av deltakerne for en kontrollgruppe. Uten kontrollgruppen ville det i utgangspunktet vært umulig å måle effekten av Info + sosial behandling fordi den ville ha vært et "perturb og observere" eksperiment snarere enn et randomisert kontrollert eksperiment. Dette eksemplet gir en verdifull praktisk leksjon for å samarbeide med partnere. Noen ganger lager du et eksperiment ved å overbevise noen om å levere en behandling, og noen ganger lager du et eksperiment ved å overbevise noen om ikke å levere en behandling (dvs. å opprette en kontrollgruppe).

Partnerskap trenger ikke alltid å involvere teknologibedrifter og A / B-tester med millioner av deltakere. For eksempel samarbeidet Alexander Coppock, Andrew Guess og John Ternovski (2016) med en miljøvernorganisasjon, som er Forbundsrådet for Bevaringsvotere, for å drive eksperimenter som tester forskjellige strategier for å fremme sosial mobilisering. Forskerne brukte NGOs Twitter-konto for å sende ut både offentlige tweets og private direkte meldinger som forsøkte å prale forskjellige typer identiteter. De målte da hvilke av disse meldingene som var mest effektive for å oppfordre folk til å signere en petisjon og retweete informasjon om en petisjon.

Tabell 4.3: Eksempler på eksperimenter som involverer partnerskap mellom forskere og organisasjoner
Emne referanser
Effekt av Facebook News Feed på informasjonsdeling Bakshy, Rosenn, et al. (2012)
Effekt av delvis anonymitet på atferd på online dating nettsted Bapna et al. (2016)
Effekt av hjemmekonsentrasjoner om strømforbruk Allcott (2011) ; Allcott and Rogers (2014) ; Allcott (2015) ; Costa and Kahn (2013) ; Ayres, Raseman, and Shih (2013)
Effekt av appdesign på viral spredning Aral and Walker (2011)
Effekt av spredemekanisme ved diffusjon SJ Taylor, Bakshy, and Aral (2013)
Effekt av sosial informasjon i reklame Bakshy, Eckles, et al. (2012)
Effekt av katalogfrekvens på salg gjennom katalog og online for ulike typer kunder Simester et al. (2009)
Effekt av popularitet informasjon om potensielle jobbapplikasjoner Gee (2015)
Effekt av innledende rating på popularitet Muchnik, Aral, and Taylor (2013)
Effekt av meldingsinnhold på politisk mobilisering Coppock, Guess, and Ternovski (2016)

Samlet sett gir samarbeid med den kraftige muligheten til å operere på en skala som ellers er vanskelig å gjøre, og tabell 4.3 gir andre eksempler på partnerskap mellom forskere og organisasjoner. Partnering kan være mye enklere enn å bygge ditt eget eksperiment. Men disse fordelene kommer med ulemper: partnerskap kan begrense hva slags deltagere, behandlinger og utfall som du kan studere. Videre kan disse partnerskapene føre til etiske utfordringer. Den beste måten å oppdage en mulighet for et partnerskap er å legge merke til et reelt problem som du kan løse mens du gjør interessant vitenskap. Hvis du ikke er vant til denne måten å se på verden, kan det være vanskelig å få øye på problemer i Pasteurs kvadrant, men med praksis begynner du å legge merke til dem mer og mer.