4.5.4 พันธมิตรกับผู้มีอำนาจ

พันธมิตรสามารถลดต้นทุนและเพิ่มขนาด แต่ก็สามารถปรับเปลี่ยนชนิดของผู้เข้าร่วมการรักษาและผลลัพธ์ที่คุณสามารถใช้

ทางเลือกในการดำเนินการด้วยตัวคุณเองคือการร่วมมือกับองค์กรที่มีประสิทธิภาพเช่น บริษัท รัฐบาลหรือ NGO ข้อดีของการทำงานร่วมกับคู่คือการที่คุณสามารถใช้การทดลองที่คุณไม่สามารถทำได้ด้วยตัวเอง ตัวอย่างเช่นหนึ่งในการทดลองที่ฉันจะบอกคุณเกี่ยวกับเรื่องนี้มีผู้เข้าร่วม 61 ล้านคนโดยไม่มีนักวิจัยรายใดคนหนึ่งสามารถทำคะแนนได้ ในเวลาเดียวกันการเป็นพันธมิตรที่เพิ่มขึ้นสิ่งที่คุณสามารถทำได้ก็ยัง จำกัด คุณ ตัวอย่างเช่น บริษัท ส่วนใหญ่จะไม่อนุญาตให้คุณเรียกใช้การทดสอบที่อาจเป็นอันตรายต่อธุรกิจหรือชื่อเสียงของพวกเขา การทำงานร่วมกับคู่ค้าก็หมายความว่าเมื่อถึงเวลาที่จะเผยแพร่คุณอาจอยู่ภายใต้แรงกดดันที่จะ "re-frame" ผลลัพธ์ของคุณและพันธมิตรบางรายอาจพยายามปิดกั้นการเผยแพร่ผลงานของคุณหากทำให้ดูไม่ดี ในที่สุดการเป็นพันธมิตรก็มีต้นทุนที่เกี่ยวข้องกับการพัฒนาและรักษาความร่วมมือเหล่านี้

ความท้าทายหลักที่ต้องได้รับการแก้ไขเพื่อให้การเป็นพันธมิตรประสบความสำเร็จคือการหาหนทางที่จะสร้างความสมดุลระหว่างผลประโยชน์ของทั้งสองฝ่ายและวิธีที่เป็นประโยชน์ในการคิดถึงความสมดุลนั้นคือ Pasteur's Quadrant (Stokes 1997) นักวิจัยหลายคนคิดว่าถ้าพวกเขากำลังทำงานในสิ่งที่เป็นประโยชน์บางอย่างที่อาจเป็นที่สนใจของคู่ค้า - แล้วพวกเขาก็ไม่สามารถทำวิทยาศาสตร์ได้จริง ความคิดนี้จะทำให้การสร้างพาร์ทเนอร์ที่ประสบความสำเร็จเป็นเรื่องยากมากและมันก็เกิดขึ้นได้ไม่ถูกต้อง ปัญหาเกี่ยวกับการคิดแบบนี้แสดงให้เห็นได้อย่างน่าทึ่งโดยการวิจัยที่ทำลายสถิติของนักชีววิทยาหลุยส์ปาสเตอร์ ในขณะที่ทำงานในโครงการหมักในเชิงพาณิชย์เพื่อแปลงน้ำผลไม้บีทเป็นแอลกอฮอล์ Pasteur ค้นพบเชื้อจุลินทรีย์ชนิดใหม่ที่นำไปสู่ทฤษฎีโรคของเชื้อโรค การค้นพบนี้ช่วยแก้ปัญหาในทางปฏิบัติได้มากซึ่งช่วยปรับปรุงกระบวนการหมักและนำไปสู่ความก้าวหน้าทางวิทยาศาสตร์ที่สำคัญ ดังนั้นแทนที่จะคิดเกี่ยวกับการวิจัยที่มีการใช้งานจริงเนื่องจากเป็นการขัดแย้งกับการวิจัยทางวิทยาศาสตร์อย่างแท้จริงควรคิดว่านี่เป็นสองมิติที่แยกกัน การวิจัยสามารถกระตุ้นด้วยการใช้ (หรือไม่) และการวิจัยสามารถแสวงหาความเข้าใจพื้นฐาน (หรือไม่) อย่างเคร่งครัดบางงานวิจัยของ Pasteur สามารถมีแรงจูงใจจากการใช้และแสวงหาความเข้าใจพื้นฐาน (รูปที่ 4.17) การวิจัยในการค้นคว้า Quadrant ของ Pasteur ซึ่งก้าวหน้าไปสองเป้าหมายอย่างโดยเนื้อแท้เหมาะสำหรับการทำงานร่วมกันระหว่างนักวิจัยและคู่ค้า จากข้อมูลเบื้องหลังนี้ฉันจะอธิบายถึงการศึกษาทดลองสองเรื่องที่มีการเป็นพันธมิตรกัน: หนึ่งกับ บริษัท หนึ่งและอีกหนึ่งแห่งที่มี NGO

รูปที่ 4.17: Quadrant ของ Pasteur (Stokes 1997) แทนที่จะคิดว่าการวิจัยเป็นแบบพื้นฐานหรือแบบประยุกต์จะเป็นการดีกว่าที่จะคิดว่าเป็นแรงบันดาลใจในการใช้ (หรือไม่) และแสวงหาความเข้าใจพื้นฐาน (หรือไม่) ตัวอย่างของการวิจัยที่ทั้งสองมีแรงบันดาลใจมาจากการใช้และแสวงหาความเข้าใจพื้นฐานคืองานของปาสเตอร์เกี่ยวกับการแปลงน้ำผลไม้บีทเป็นแอลกอฮอล์ที่นำไปสู่ทฤษฎีการเกิดโรคของเชื้อโรค นี่คืองานที่เหมาะสมที่สุดสำหรับการเป็นพันธมิตรกับผู้มีอำนาจ ตัวอย่างของงานที่ได้รับแรงบันดาลใจจากการใช้ แต่ไม่แสวงหาความเข้าใจพื้นฐานมาจาก Thomas Edison และตัวอย่างของงานที่ไม่ได้รับแรงบันดาลใจจากการใช้งาน แต่ที่แสวงหาความเข้าใจมาจาก Niels Bohr ดู Stokes (1997) สำหรับการอภิปรายอย่างรอบคอบของกรอบนี้และแต่ละกรณีเหล่านี้ ดัดแปลงมาจาก Stokes (1997), รูปที่ 3.5

รูปที่ 4.17: Quadrant ของ Pasteur (Stokes 1997) แทนที่จะคิดว่าการวิจัยเป็น "พื้นฐาน" หรือ "ประยุกต์" การคิดนั้นเป็นเรื่องที่ดีกว่าเพราะได้รับการกระตุ้นด้วยการใช้ (หรือไม่) และแสวงหาความเข้าใจพื้นฐาน (หรือไม่) ตัวอย่างของการวิจัยที่ทั้งสองมีแรงบันดาลใจมาจากการใช้และแสวงหาความเข้าใจพื้นฐานคืองานของปาสเตอร์เกี่ยวกับการแปลงน้ำผลไม้บีทเป็นแอลกอฮอล์ที่นำไปสู่ทฤษฎีการเกิดโรคของเชื้อโรค นี่คืองานที่เหมาะสมที่สุดสำหรับการเป็นพันธมิตรกับผู้มีอำนาจ ตัวอย่างของงานที่ได้รับแรงบันดาลใจจากการใช้ แต่ไม่แสวงหาความเข้าใจพื้นฐานมาจาก Thomas Edison และตัวอย่างของงานที่ไม่ได้รับแรงบันดาลใจจากการใช้งาน แต่ที่แสวงหาความเข้าใจมาจาก Niels Bohr ดู Stokes (1997) สำหรับการอภิปรายอย่างรอบคอบของกรอบนี้และแต่ละกรณีเหล่านี้ ดัดแปลงมาจาก Stokes (1997) , รูปที่ 3.5

บริษัท ขนาดใหญ่โดยเฉพาะ บริษัท ด้านเทคโนโลยีได้พัฒนาโครงสร้างพื้นฐานที่ซับซ้อนอย่างไม่น่าเชื่อสำหรับการทดลองใช้งานที่ซับซ้อน ในอุตสาหกรรมเทคโนโลยีการทดลองเหล่านี้มักเรียกว่าการทดสอบ A / B เนื่องจากเปรียบเทียบประสิทธิผลของการรักษาทั้งสองแบบคือ A และ B การทดลองดังกล่าวมักใช้กับสิ่งต่างๆเช่นการเพิ่มอัตราการคลิกผ่านในโฆษณา แต่โครงสร้างพื้นฐานเชิงทดลองเดียวกันก็สามารถทำได้เช่นกัน ใช้เพื่อการวิจัยที่ก้าวหน้าทางวิทยาศาสตร์เข้าใจ ตัวอย่างที่แสดงให้เห็นถึงศักยภาพของการวิจัยประเภทนี้คือการศึกษาที่ดำเนินการโดยนักวิจัยจากเฟสบุ๊คและมหาวิทยาลัยแห่งแคลิฟอร์เนียซานดิเอโกเกี่ยวกับผลกระทบของข้อความที่แตกต่างกันเกี่ยวกับการเลือกตั้งผู้มีสิทธิเลือกตั้ง (Bond et al. 2012)

เมื่อวันที่ 2 พฤศจิกายน 2553 เป็นวันเลือกตั้งรัฐสภาสหรัฐฯผู้ใช้ Facebook ทั้งหมด 61 ล้านคนที่อาศัยอยู่ในสหรัฐอเมริกาและอายุ 18 ปีขึ้นไปได้มีส่วนร่วมในการทดสอบเกี่ยวกับการลงคะแนนเสียง เมื่อไปที่ Facebook ผู้ใช้ถูกสุ่มเลือกเป็นหนึ่งในสามกลุ่มซึ่งกำหนดว่าแบนเนอร์ใด (ถ้ามี) วางไว้ที่ด้านบนสุดของฟีดข่าว (รูปที่ 4.18):

  • กลุ่มควบคุม
  • ข้อความที่ให้ข้อมูลเกี่ยวกับการลงคะแนนเสียงด้วยปุ่ม "ฉันโหวต" แบบคลิกได้และตัวนับ (ข้อมูล)
  • ข้อความที่ให้ข้อมูลเกี่ยวกับการลงคะแนนเสียงด้วยปุ่ม "ฉันโหวต" แบบคลิกได้และมีตัวนับบวกชื่อและรูปภาพของเพื่อนที่คลิก "I Voted" (ข้อมูล + สังคม) แล้ว

พันธบัตรและเพื่อนร่วมงานได้ศึกษาผลลัพธ์หลักสองประการ ได้แก่ พฤติกรรมการลงคะแนนเสียงและพฤติกรรมการลงคะแนนเสียงที่เกิดขึ้นจริง ก่อนอื่นพวกเขาพบว่าผู้คนในกลุ่ม Info + Social มีคะแนนมากกว่า 2 เปอร์เซ็นต์มากกว่ากลุ่มข้อมูลที่คลิก "I Voted" (ประมาณ 20% เมื่อเทียบกับ 18%) นอกจากนี้หลังจากที่นักวิจัยรวมข้อมูลของตนกับบันทึกการลงคะแนนเสียงสาธารณะสำหรับประมาณหกล้านคนพวกเขาพบว่าคนในกลุ่มข้อมูล + สังคมมีคะแนนร้อยละ 0.39 มีแนวโน้มที่จะลงคะแนนจริงกว่ากลุ่มควบคุมและคนในกลุ่มข้อมูล มีแนวโน้มที่จะลงคะแนนเสียงเท่ากับกลุ่มควบคุม (รูปที่ 4.18)

รูปที่ 4.18: ผลลัพธ์จากการทดลองใช้งานบน Facebook (Bond et al. 2012) ผู้เข้าร่วมในกลุ่มข้อมูลได้รับการโหวตในอัตราเดียวกับกลุ่มควบคุม แต่คนในกลุ่มข้อมูล + สังคมโหวตด้วยอัตราที่สูงกว่าเล็กน้อย แถบแสดงช่วงความเชื่อมั่นโดยประมาณ 95% ผลลัพธ์ในกราฟมีไว้สำหรับผู้เข้าร่วมประมาณ 6 ล้านคนที่เข้าร่วมการโหวต ดัดแปลงมาจาก Bond et al. (2012) รูปที่ 1

รูปที่ 4.18: ผลลัพธ์จากการทดลองใช้งานบน Facebook (Bond et al. 2012) ผู้เข้าร่วมในกลุ่มข้อมูลได้รับการโหวตในอัตราเดียวกับกลุ่มควบคุม แต่คนในกลุ่มข้อมูล + สังคมโหวตด้วยอัตราที่สูงกว่าเล็กน้อย แถบแสดงช่วงความเชื่อมั่นโดยประมาณ 95% ผลลัพธ์ในกราฟมีไว้สำหรับผู้เข้าร่วมประมาณ 6 ล้านคนที่เข้าร่วมการโหวต ดัดแปลงมาจาก Bond et al. (2012) รูปที่ 1

ผลการทดลองนี้แสดงให้เห็นว่าข้อความออนไลน์ที่ได้รับการลงคะแนนเสียงออนไลน์มีประสิทธิภาพมากกว่าคนอื่น ๆ และการประมาณการประสิทธิผลของนักวิจัยอาจขึ้นอยู่กับว่าผลการลงคะแนนเสียงหรือการออกเสียงลงคะแนนจริงหรือไม่ การทดลองนี้น่าเสียดายที่ไม่มีข้อบ่งชี้ใด ๆ เกี่ยวกับกลไกที่ข้อมูลทางสังคมซึ่งนักวิจัยบางคนเรียกร้องว่า "กองหน้า" ที่เรียกว่า อาจเป็นได้ว่าข้อมูลด้านสังคมช่วยเพิ่มความน่าจะเป็นที่ใครบางคนสังเกตเห็นแบนเนอร์หรือเพิ่มความเป็นไปได้ที่คนที่สังเกตเห็นแบนเนอร์จะโหวตหรือทั้งสองอย่าง ดังนั้นการทดลองนี้จึงเป็นการค้นพบที่น่าสนใจที่นักวิจัยคนอื่น ๆ อาจสำรวจ (ดูเช่น Bakshy, Eckles, et al. (2012) )

นอกเหนือจากความก้าวหน้าของเป้าหมายของนักวิจัยแล้วการทดสอบนี้ยังช่วยเพิ่มเป้าหมายขององค์กรพันธมิตร (Facebook) หากคุณเปลี่ยนพฤติกรรมที่ได้จากการลงคะแนนเสียงไปซื้อสบู่คุณจะเห็นได้ว่าการศึกษามีโครงสร้างเดียวกันกับการทดสอบเพื่อวัดผลของโฆษณาออนไลน์ (ดูตัวอย่าง RA Lewis and Rao (2015) ) การศึกษาประสิทธิภาพโฆษณาเหล่านี้มักวัดผลกระทบจากการเปิดรับโฆษณาออนไลน์ - การรักษาใน Bond et al. (2012) โดยทั่วไปเป็นโฆษณาสำหรับการออกเสียงลงคะแนนในพฤติกรรมออฟไลน์ ดังนั้นการวิจัยครั้งนี้จึงสามารถช่วยให้ Facebook สามารถศึกษาประสิทธิผลของโฆษณาออนไลน์และช่วยให้ Facebook สามารถโน้มน้าวผู้โฆษณาที่มีศักยภาพว่าโฆษณา Facebook มีประสิทธิภาพในการเปลี่ยนแปลงพฤติกรรม

แม้ว่าผลประโยชน์ของนักวิจัยและคู่ค้าส่วนใหญ่จะสอดคล้องกันในการศึกษานี้ แต่ก็มีความตึงเครียดอยู่บ้าง โดยเฉพาะอย่างยิ่งการจัดสรรผู้เข้าร่วมการควบคุมกลุ่มข้อมูลสามกลุ่มข้อมูลและข้อมูล + สังคมเป็นเรื่องไม่สมดุลอย่างมาก: 98% ของกลุ่มตัวอย่างได้รับมอบหมายให้เป็น Info + Social การจัดสรรขาดสมดุลนี้ไม่มีประสิทธิภาพทางสถิติและการจัดสรรที่ดีขึ้นสำหรับนักวิจัยจะมีหนึ่งในสามของผู้เข้าร่วมในแต่ละกลุ่ม แต่การจัดสรรไม่สมดุลเกิดขึ้นเนื่องจาก Facebook ต้องการให้ทุกคนได้รับข้อมูล + การรักษาทางสังคม โชคดีที่นักวิจัยเชื่อว่าพวกเขาจะถือครอง 1% สำหรับการรักษาที่เกี่ยวข้องและ 1% ของผู้เข้าร่วมสำหรับกลุ่มควบคุม หากไม่มีกลุ่มควบคุมก็จะเป็นไปไม่ได้เลยที่จะวัดผลของข้อมูล + การรักษาทางสังคมเพราะจะเป็น "perturb and observ" การทดลองมากกว่าเป็นการทดลองแบบสุ่ม ตัวอย่างนี้เป็นบทเรียนที่เป็นประโยชน์ในการทำงานร่วมกับคู่ค้า: บางครั้งคุณสร้างการทดลองโดยการโน้มน้าวให้ใครบางคนส่งมอบการรักษาและบางครั้งคุณสร้างการทดสอบโดยการโน้มน้าวให้ใครบางคนไม่ให้การรักษา (เช่นในการสร้างกลุ่มควบคุม)

ความร่วมมือไม่จำเป็นต้องเกี่ยวข้องกับ บริษัท เทคโนโลยีและการทดสอบ A / B กับผู้เข้าร่วมนับล้าน ยกตัวอย่างเช่น Alexander Coppock, Andrew Guess และ John Ternovski (2016) ร่วมมือกับ NGO ด้านสิ่งแวดล้อม - League of Conservation Voters - เพื่อทดลองทดลองใช้กลยุทธ์ต่างๆเพื่อส่งเสริมการระดมพลทางสังคม นักวิจัยได้ใช้บัญชี Twitter ของ NGO เพื่อส่งข้อความทวีตและข้อความส่วนตัวที่พยายามจะสร้างตัวตนที่แตกต่างกัน จากนั้นพวกเขาวัดว่าข้อความใดที่มีประสิทธิภาพมากที่สุดสำหรับการสนับสนุนให้คนลงนามในคำร้องและข้อมูลเกี่ยวกับคำร้องขอ retweet

ตารางที่ 4.3: ตัวอย่างการทดลองเกี่ยวกับความร่วมมือระหว่างนักวิจัยและองค์กร
หัวข้อเรื่อง อ้างอิง
ผลกระทบของ Facebook News Feed ในการแบ่งปันข้อมูล Bakshy, Rosenn, et al. (2012)
ผลของการไม่ระบุตัวตนบางส่วนเกี่ยวกับพฤติกรรมในเว็บไซต์หาคู่ออนไลน์ Bapna et al. (2016)
ผลกระทบของรายงานการใช้พลังงานไฟฟ้าในบ้าน Allcott (2011) ; Allcott and Rogers (2014) ; Allcott (2015) ; Costa and Kahn (2013) ; Ayres, Raseman, and Shih (2013)
ผลของการออกแบบแอปต่อการแพร่กระจายของเชื้อไวรัส Aral and Walker (2011)
ผลของกลไกแพร่กระจายต่อการแพร่กระจาย SJ Taylor, Bakshy, and Aral (2013)
ผลกระทบของข้อมูลทางสังคมในโฆษณา Bakshy, Eckles, et al. (2012)
ผลกระทบจากความถี่ของแคตาล็อกที่มีต่อการขายผ่านแค็ตตาล็อกและออนไลน์สำหรับลูกค้าประเภทต่างๆ Simester et al. (2009)
ผลของข้อมูลความนิยมในการสมัครงานที่มีศักยภาพ Gee (2015)
ผลของการให้คะแนนเริ่มต้นต่อความนิยม Muchnik, Aral, and Taylor (2013)
ผลของเนื้อหาข้อความต่อการระดมทุนทางการเมือง Coppock, Guess, and Ternovski (2016)

โดยรวมการร่วมมือกับองค์กรที่มีประสิทธิภาพช่วยให้คุณสามารถทำงานในระดับที่ยากที่จะทำและตารางที่ 4.3 มีตัวอย่างอื่น ๆ ของการเป็นหุ้นส่วนระหว่างนักวิจัยและองค์กร การเป็นพันธมิตรสามารถทำได้ง่ายกว่าการสร้างการทดสอบของคุณเอง แต่ข้อดีเหล่านี้มาพร้อมกับข้อเสีย: การเป็นหุ้นส่วนสามารถกำหนดชนิดของผู้เข้าร่วมการรักษาและผลลัพธ์ที่คุณสามารถศึกษาได้ นอกจากนี้ความร่วมมือเหล่านี้สามารถนำไปสู่ความท้าทายทางจริยธรรม วิธีที่ดีที่สุดในการตรวจสอบโอกาสในการเป็นพาร์ทเนอร์คือการสังเกตเห็นปัญหาที่แท้จริงซึ่งคุณสามารถแก้ไขได้ในขณะที่คุณกำลังทำวิทยาศาสตร์ที่น่าสนใจ ถ้าคุณไม่คุ้นเคยกับการมองโลกในแง่นี้อาจเป็นเรื่องยากที่จะระบุปัญหาใน Pasteur's Quadrant แต่ด้วยการปฏิบัติคุณจะเริ่มสังเกตเห็นพวกเขามากขึ้นเรื่อย ๆ