4.5.2 Partner med den kraftige

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 samarbeider med en mektig organisasjon som et selskap, myndigheter, eller NGO. Fordelen med å jobbe med en partner er at de kan gjøre deg i stand til å kjøre eksperimenter som du bare ikke kan gjøre selv. For eksempel, en av de forsøkene som jeg vil fortelle deg om under involverte 61 millioner deltakere; ingen forskere kan oppnå denne skalaen. Samtidig som partnering øker hva du kan gjøre, det også, samtidig begrenser deg. For eksempel vil de fleste bedrifter ikke tillate deg å kjøre et eksperiment som kan skade deres virksomhet eller sitt omdømme. Arbeide med partnere betyr også at når det gjelder tid til å publisere, kan du komme under press for å "re-frame" resultatene, og noen partnere kan selv prøve å blokkere utgivelsen av arbeidet ditt hvis det gjør dem ser dårlig. Endelig samarbeider også leveres med kostnader knyttet til å utvikle og vedlikeholde disse avtalene.

Kjernen utfordring som må løses for å gjøre disse partnerskap vellykket er å finne en måte å balansere interessene til begge parter, og en nyttig måte å tenke på at balansen er Pasteurs Quadrant (Stokes 1997) . Mange forskere tror at hvis de jobber med noe praktisk-noe som kan være av interesse for en partner-så de kan ikke gjøre ekte vitenskap. Denne tankegangen vil gjøre det svært vanskelig å skape vellykkede partnerskap, og det også skjer for å være helt feil. Problemet med denne måten å tenke på er fantastisk illustrert av banebrytende forskning av biolog Louis Pasteur. Mens han jobbet på et kommersielt gjæring prosjekt for å konvertere bete juice til alkohol, Pasteur oppdaget en ny klasse av mikroorganisme som til slutt førte til bakterie teori om sykdommen. Denne oppdagelsen løste et veldig praktisk problem-det hjalp forbedre prosessen med gjæring-, og det fører til en stor vitenskapelig forhånd. I stedet for å tenke på forskning med praktiske anvendelser som å være i konflikt med ekte vitenskapelig forskning, er det bedre å tenke på disse som to separate dimensjoner. Forskning kan være motivert av bruk (eller ikke) og forskning kan søke fundamental forståelse (eller ikke). Kritisk, noen forskningslignende Pasteur's-kan være motivert av bruk og søker grunnleggende forståelse (figur 4.16). Forskning i Pasteurs Kvadrant-forskning som iboende fremskritt to mål-er ideell for samarbeid mellom forskere og samarbeidspartnere. Gitt at bakgrunn, vil jeg beskrive to eksperimentelle studier med partnerskap: en med et selskap og en med en NGO.

Figur 4.16: Pasteurs kvadrant (basert på Fig 3,5 fra Stokes (1997)). Snarere enn å tenke på forskning som enten grunnleggende eller anvendt det er bedre å tenke på forskning som motivert av bruk (eller ikke), og søker grunnleggende forståelse (eller ikke). Et eksempel på forskning som både er motivert av bruk og søker grunnleggende forståelse er Pasteurs arbeid med å konvertere bete juice til alkohol som fører til bakterie teori om sykdommen. Dette er den type arbeid som er best egnet for samarbeid med de mektige. Eksempler på arbeid motivert av bruk, men som ikke søker ikke fundamental forståelse kommer fra Thomas Edison, og eksempler på arbeid som ikke er motivert av bruk, men som søker forståelse som kommer fra Niels Bohr. Se Stokes (1997) for en grundigere diskusjon av dette rammeverket, og hvert av disse tilfellene.

Figur 4.16: Pasteurs kvadrant (basert på Fig 3,5 fra Stokes (1997) ). Snarere enn å tenke på forskning som enten "basic" eller "brukt" det er bedre å tenke på forskning som motivert av bruk (eller ikke), og søker grunnleggende forståelse (eller ikke). Et eksempel på forskning som både er motivert av bruk og søker grunnleggende forståelse er Pasteurs arbeid med å konvertere bete juice til alkohol som fører til bakterie teori om sykdommen. Dette er den type arbeid som er best egnet for samarbeid med de mektige. Eksempler på arbeid motivert av bruk, men som ikke søker ikke fundamental forståelse kommer fra Thomas Edison, og eksempler på arbeid som ikke er motivert av bruk, men som søker forståelse som kommer fra Niels Bohr. Se Stokes (1997) for en grundigere diskusjon av dette rammeverket, og hvert av disse tilfellene.

Store selskaper, spesielt tech-selskapene, har utviklet utrolig avansert infrastruktur for å kjøre kompliserte eksperimenter. I tech industrien, er disse forsøkene ofte kalt A / B-tester (fordi de teste effektiviteten av to behandlinger: A og B). Disse eksperimentene er ofte kjøres for ting som å øke klikkfrekvenser på annonser, men det samme eksperimentell infrastruktur kan også brukes til forskning som fremmer vitenskapelig forståelse. Et eksempel som illustrerer potensialet i denne typen forskning er en studie utført av et samarbeid mellom forskere ved Facebook og University of California, San Diego, om effekten av ulike meldinger om valgdeltakelse (Bond et al. 2012) .

På den andre november 2010-dagen for de amerikanske kongressvalg-alle 61 millioner Facebook-brukere som bor i USA, og er over 18 deltok i forsøket om stemmegivningen. Når du besøker Facebook, ble brukerne randomisert til en av tre grupper, som bestemmes hva banner (hvis noen) ble plassert på toppen av deres News Feed (figur 4.17):

  • en kontrollgruppe.
  • en informasjonsmelding om stemmegivning med en klikkbar "Jeg stemte" -knappen, og en teller (info).
  • en informasjonsmelding om stemmegivning med en klikkbar "Jeg stemte" -knappen, og en teller + navn og bilder av sine venner som allerede hadde klikket på "Jeg stemte" (info + sosial).

Bond og kolleger studerte to hovedeffekter: rapporterte valgatferd og faktisk stemmegivning. Først fant de at folk i info + sosial gruppe var om lag 2 prosentpoeng mer sannsynlig enn personer i info gruppen å klikke på "Jeg stemte" (ca 20% vs 18%). Videre etter forskerne slått sammen sine data med offentlig tilgjengelige stemme poster for ca 6 millioner mennesker de fant at folk i info + sosial gruppe var 0,39 prosentpoeng mer sannsynlig å faktisk stemme enn folk i kontroll tilstand og at folk i informasjonsgruppen like sannsynlig å stemme som folk i kontrollgruppen tilstand (figur 4.17).

Figur 4.17: Resultater fra en get-out-the-stemme eksperiment på Facebook (Bond et al 2012).. Deltakere i info gruppe stemte i samme takt som folk i kontrollgruppen tilstand, men folk i info + sosial gruppe stemte på en litt høyere rente. Barer representerer estimerte 95% konfidensintervall. Resultater i grafen inkluderer ca 6 millioner deltakere for hvem forskerne kunne matche stemmerett poster.

Figur 4.17: Resultater fra en get-out-the-stemme eksperiment på Facebook (Bond et al. 2012) . Deltakere i info gruppe stemte i samme takt som folk i kontrollgruppen tilstand, men folk i info + sosial gruppe stemte på en litt høyere rente. Barer representerer estimerte 95% konfidensintervall. Resultater i grafen inkluderer ca 6 millioner deltakere for hvem forskerne kunne matche stemmerett poster.

Dette eksperimentet viser at noen online get-out-the-stemme meldinger er mer effektive enn andre, og det viser at forskerens estimat av effekten av en behandling kan avhenge av om de studerer rapportert eller faktiske atferd. Dette eksperimentet dessverre ikke gi noen hint om hvilke mekanismer der det sosiale informasjons som noen forskere har lekent kalt en "face haug" -Økt stemme. Det kan være at den sosiale informasjon økte sannsynligheten for at noen la merke til banneret eller at den økte sannsynligheten for at noen som la merke til banneret faktisk fram eller begge deler. Således tilveiebringer dette forsøk en interessant funn at ytterligere forskeren vil sannsynligvis utforske (se for eksempel, Bakshy, Eckles, et al. (2012) ).

I tillegg til å fremme målene for forskerne, dette eksperimentet også avansert målet om partnerorganisasjonen (Facebook). Hvis du endrer atferd studeres fra å stemme til å kjøpe såpe, så kan du se at studien har nøyaktig samme struktur som et eksperiment for å måle effekten av nettannonser (se f.eks Lewis and Rao (2015) ). Disse annonseeffektivitet ofte måle effekten av eksponering for online annonser-behandlinger i Bond et al. (2012) er i utgangspunktet annonser for stemmegivning-on offline atferd. Dermed kan denne studien fremme Facebooks evne til å studere effekten av nettannonser og kan bidra Facebook overbevise potensielle annonsører som Facebook annonser er effektive.

Selv om interessene til forskere og samarbeidspartnere ble stort sett på linje i denne studien, var de også delvis i spenning. Spesielt tildeling av deltakere til tre forhold kontroll, info, og info + sosial ble enormt ubalansert: 98% av prøven ble tildelt info + sosiale. Dette ubalansert fordeling er ineffektiv statistisk, og en mye bedre fordeling for forskerne ville ha vært 1/3 av deltakerne i hver gruppe. Men, den ubalanserte tildelingen skjedde fordi Facebook ønsket alle å motta info + sosial behandling. Heldigvis forskerne overbevist dem om å holde tilbake 1% for et beslektet behandling og 1% av deltakerne for en kontrollgruppe. det ville ha vært i utgangspunktet umulig å måle effekten av info + sosial behandling fordi det ville ha vært en "forurolige og observere" eksperiment snarere enn en randomisert kontrollert eksperiment uten kontrollgruppe. Dette eksemplet gir en verdifull praktisk leksjon for å arbeide med partnere: noen ganger du oppretter et eksperiment ved å overbevise noen til å levere en behandling og noen ganger du oppretter et eksperiment ved å overbevise noen om ikke å levere en behandling (dvs. å skape en kontrollgruppe).

Partner ikke alltid trenger å involvere tech selskaper og A / B-tester med millioner av deltakere. For eksempel, Alexander Coppock, Andrew Guess, og John Ternovski (2016) inngått samarbeid med en miljø NGO (League of Conservation Velgere) for å kjøre eksperimenter testing ulike strategier for å fremme sosial mobilisering. Forskerne brukte NGO sin Twitter-konto for å sende ut både offentlige tweets og private direkte meldinger forsøkt å prime ulike identiteter. Forskerne målte hvilke av disse meldingene var mest effektive for å oppmuntre folk til å signere en underskriftskampanje og retweet informasjon om en underskriftskampanje.

Tabell 4.3: Eksempler på forskning som kommer gjennom samarbeid mellom forskere og organisasjoner. I noen tilfeller, forskerne jobbe på organisasjonene.
Emne Sitering
Effekt av Facebook News Feed på informasjonsdeling Bakshy, Rosenn, et al. (2012)
Effekt av delvis anonymitet om atferd på online dating nettsiden Bapna et al. (2016)
Effekt av Home Energy rapporterer om strømforbruk Allcott (2011) ; Allcott and Rogers (2014) ; Allcott (2015) , Costa and Kahn (2013) ; Ayres, Raseman, and Shih (2013)
Effekt av app design på viral spredning Aral and Walker (2011)
Effekt av spredning mekanismen på diffusjon Taylor, Bakshy, and Aral (2013)
Effekt av sosial informasjon i reklame Bakshy, Eckles, et al. (2012)
Effekt av katalog frekvens på salg gjennom katalogen og på nettet for ulike typer kunder Simester et al. (2009)
Effekt av popularitet informasjon om potensielle jobbsøknader Gee (2015)
Effekt av innledende rangeringer på popularitet Muchnik, Aral, and Taylor (2013)
Effekt av meldingsinnholdet på politisk mobilisering Coppock, Guess, and Ternovski (2016)

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