จิตวิทยาหันมาใช้การระดมมวลชนทางออนไลน์เพื่อศึกษาจิตใจ แต่ก็ใช่ว่าจะไม่มีข้อผิดพลาด

คุณอาจไม่ทราบข้อมูลนี้ แต่ข้อมูลจำนวนมากของเราเกี่ยวกับจิตใจมนุษย์นั้นอ้างอิงจากกลุ่มประชากรที่ค่อนข้างเล็กแต่ศึกษาอย่างเข้มข้น: นักศึกษามหาวิทยาลัยระดับปริญญาตรีปีแรก มีความกังวล มานาน แล้วเกี่ยวกับการพึ่งพานักเรียนมากเกินไปในฐานะแหล่งข้อมูล โดยเฉพาะอย่างยิ่งเกี่ยวกับการขาดความหลากหลายทางประชากรศาสตร์และขนาดตัวอย่างที่จำกัด ความกังวลทั้งสองเกี่ยวข้องกับวิกฤตปัจจุบันในการวิจัยทางจิตวิทยา ซึ่งผลสำคัญหลายอย่างไม่ได้จำลองมาจากการศึกษาในภายหลัง

แต่ตอนนี้มีเครื่องมือใหม่ในคลังแสงของนักจิตวิทยา เครื่องมือหนึ่ง

ที่แสดงให้เห็นว่าสามารถสร้างข้อมูลที่ถูกต้องได้ซึ่งสามารถช่วยขยายจำนวนประชากรของผู้เข้ารับการทดสอบได้ นั่นคือMechanical Turk ของ Amazon

Mechanical Turk เป็นแพลตฟอร์มรวบรวมข้อมูลออนไลน์ที่ได้รับความนิยมสูงสุด ผู้คนลงทะเบียนกับแพลตฟอร์ม จากนั้นเลือกจากโฆษณานับพันรายการที่ค้นหาผู้เข้าร่วม เมื่อเปรียบเทียบกับการทดสอบของนักเรียนชั้นปีที่ 1 ในห้องปฏิบัติการที่เชื่องช้า Mechanical Turk เสนอโอกาสในการรวบรวมคำตอบหลายร้อยรายการด้วยค่าใช้จ่ายเพียงเล็กน้อยในเวลาไม่กี่ชั่วโมง

ไม่มีวาระการประชุม เพียงแค่ข้อเท็จจริง

นักจิตวิทยายอมรับ Mechanical Turk อย่างเอร็ดอร่อย และการศึกษาล่าสุดจำนวนมากได้ดึงข้อมูลจากวิชา Mechanical Turk อย่างไรก็ตาม ระบบใหม่ไม่ได้ปราศจากข้อบกพร่อง

ดีเกินจริง?

เมื่อเร็ว ๆ นี้ นักวิจัยที่ทำงานร่วมกับ Mechanical Turk ได้ตั้งข้อกังวลว่าจะมีต้นทุนแอบแฝงหรือไม่ เป้าหมายดั้งเดิมของนักวิจัยจำนวนมากที่ใช้แพลตฟอร์มนี้คือเพื่อทำการศึกษาที่ถูกต้องทางวิทยาศาสตร์ในตัวอย่างขนาดใหญ่และหลากหลาย

แต่ข้อมูลออนไลน์ช่วยแก้ปัญหาได้จริงหรือ? นี่คือข้อดีและข้อเสียบางประการ

Mechanical Turk เสนอโอกาสที่เหนือชั้นในการเก็บตัวอย่างขนาดใหญ่ โดยเฉพาะอย่างยิ่งเมื่อเปรียบเทียบกับกลุ่มผู้เข้าร่วมระดับปริญญาตรีแบบดั้งเดิม ซึ่งหลายกลุ่มจำกัดการทดสอบประจำปีที่ผู้เข้าร่วม 200 คน ในทางตรงกันข้าม มีคนงานมากกว่า 500,000 คนที่ลงทะเบียนกับ Mechanical Turk อย่างไรก็ตาม นักวิจัยต้องระมัดระวังที่จะป้องกันไม่ให้คนงาน Mechanical Turk 

ร่วมในการศึกษาเดียวกันมากกว่าหนึ่งครั้ง และทำให้ผลลัพธ์เป็นโมฆะ

นักจิตวิทยามีความกังวลว่าการค้นพบนี้ครอบคลุมมากกว่ากลุ่มตัวอย่างของนักเรียน หรือเกินกว่ากลุ่มตัวอย่างที่เรียกว่า “ แปลก ” (ตะวันตก มีการศึกษา อุตสาหกรรม ร่ำรวย และประชาธิปไตย) หรือไม่

นี่เป็นสิ่งสำคัญไม่เพียงแต่สำหรับการปิดทางทฤษฎีของพวกเขาเท่านั้น แต่ยังเพื่อเพิ่มความมั่นใจให้กับประชาชนทั่วไปเกี่ยวกับความถูกต้องและความสำคัญของผลการวิจัยโดยรวม ความหลากหลายทางประชากรของคนงาน Mechanical Turkนั้นหลากหลายมากกว่านักศึกษาระดับปริญญาตรีอย่างแน่นอน

ความน่าเชื่อถือ

อุปสรรคอย่างหนึ่งในการได้รับข้อมูลที่เชื่อถือได้คือ การมีส่วนร่วมของผู้เข้าร่วม ซึ่งง่ายต่อการตรวจสอบและตรวจสอบกับนักเรียนในห้องแล็บมากกว่าการใช้กับคนงาน Mechanical Turk ในบ้านของตนเอง

เพื่อต่อสู้กับปัญหานี้ โดยทั่วไปแล้วนักวิจัยจะรวมการตรวจสอบไว้ในแบบสอบถามเพื่อระบุผู้เข้าร่วมที่ไม่ให้ความสนใจ เช่น ถามว่า: “นี่คือรายการทดสอบ โปรดตอบว่า ‘ไม่เลย’ สำหรับคำถามนี้” อย่างไรก็ตาม ขณะนี้มีรายงานว่าคนงานของ Mechanical Turk เชี่ยวชาญในการระบุคำถามดังกล่าว

โชคดีที่ขนาดตัวอย่างที่ใหญ่ขึ้นทำให้นักวิจัยสามารถ “กำจัด” ข้อมูลที่ไม่สมบูรณ์แบบออกไปได้ ซึ่งหมายความว่าสามารถตรวจจับความสัมพันธ์ได้ในข้อมูลที่มีสัญญาณรบกวนเมื่อได้รับตัวอย่างที่มากพอ แต่ค่าเฉลี่ยของตัวอย่างต่างๆ มีแนวโน้มที่จะแตกต่างกัน

ไร้เดียงสา

ข้อกังวลอีกประการหนึ่งคือความไร้เดียงสาของผู้เข้าร่วมการวิจัย ผลการศึกษาไม่น่าจะถูกต้องหากผู้เข้าร่วมทราบขั้นตอนและสมมติฐานที่คาดไว้ล่วงหน้า

การขาดความไร้เดียงสาในรูปแบบนี้มีศักยภาพในการเปลี่ยนแปลงผลลัพธ์อย่างมากและส่งผลต่อความสามารถในการทำซ้ำ ที่นี่ กลุ่มตัวอย่างในระดับปริญญาตรีนำเสนอข้อได้เปรียบ: โดยทั่วไปแล้วนักศึกษาจะสำเร็จการศึกษาเพียงหยิบมือเดียวในปีแรก และส่วนใหญ่ก่อนที่จะได้รับข้อมูลโดยละเอียดเกี่ยวกับจิตวิทยา

ในทางตรงกันข้าม พนักงานของ MTurk บางคนถือว่าการ สำเร็จการศึกษาเป็นงานเต็มเวลา โดยสำเร็จการศึกษาหลายร้อยครั้งต่อสัปดาห์ สิ่งที่น่ากังวลยิ่งกว่าคือความพร้อมใช้งานของชุมชนออนไลน์ที่พนักงานแลกเปลี่ยนข้อมูลเกี่ยวกับสมมติฐานและขั้นตอนการศึกษา และเสนอเคล็ดลับในการสำเร็จการศึกษาอย่างรวดเร็ว ซึ่งย่อมมาพร้อมกับต้นทุนของการมีส่วนร่วมทางจิตวิทยา

อนาคตของการรวบรวมข้อมูลออนไลน์

นักวิจัยหันมาใช้แพลตฟอร์มการรวบรวมข้อมูลออนไลน์เช่น Mechanical Turk เนื่องจากนำเสนอวิธีแก้ปัญหาที่รวดเร็ว ราคาถูก และถูกต้องตามหลักวิทยาศาสตร์สำหรับปัญหาที่เกี่ยวข้องกับวิกฤตการจำลองแบบ

แม้ว่า Mechanical Turk จะอนุญาตให้เก็บตัวอย่างขนาดใหญ่และหลากหลายได้ แต่ก็มาพร้อมกับค่าใช้จ่ายอื่นๆ ที่อาจส่งผลต่อความเข้มงวดทางวิทยาศาสตร์ รวมถึงคุณภาพที่น่าสงสัยและความถูกต้องของผลลัพธ์

ซึ่งหมายความว่า Mechanical Turk มีประโยชน์ แต่เฉพาะในขอบเขตที่นักวิจัยรับรู้และชดเชยข้อผิดพลาดของมันเท่านั้น ซึ่งรวมถึง:

1) ฝังการตรวจสอบความสนใจแบบใหม่เพื่อให้ล้ำหน้าพนักงานที่เชี่ยวชาญ

2) ดูแลให้คนงานไม่สำเร็จการศึกษามากกว่าหนึ่งครั้ง

3) หลีกเลี่ยงขั้นตอนทั่วไปที่คนงานพบเห็นมาหลายร้อยครั้ง และ

4) กระจายไปยังแพลตฟอร์มออนไลน์อื่น ๆ (หรือสร้างแพลตฟอร์มของออสเตรเลียที่เหมาะกับความต้องการของนักวิจัยในท้องถิ่นมากกว่า)

Credit : เว็บแทงบอล