Adena, Enikolopov, Petrova, Santarosa, Zhuravskaya (2015) uurivad, kuidas mõjutas raadio 1930ndatel toetust natsidele Saksamaal. Leitakse üsna suur efekt mõlemas suunas: kui raadio oli Weimari valitsuse käes ja natsivastane, langetas raadio kättesaadavus toetust natsidele, aga kui natsid said kontrolli raadio üle, siis raadiosignaali ulatus tõstis nende toetust (keskmiselt, aga mitte igal pool). Need on oodatavad mõjud, huvitav on nende täpne mõõtmine. Lisaks leiti, et piirkondades, kus inimesed keskmiselt ei olnud juudivastased, natside raadio hoopis langetas natside populaarsust (kõrge antisemitismiga piirkondades tõstis). Tõlgendus on, et kui inimesed ei nõustu edastatava sõnumiga, siis paneb propaganda nad edastajale vastanduma. Kui nõustuvad, siis propaganda tugevdab toetust.
Andmetest on selle artikli järeletegemiseks vaja raadiojaamade asukohti ja võimsusi aastate lõikes, et arvutada, kuhu signaal mingil ajaperioodil ulatus. Vaja ka raadiote levikut rahva hulgas, poliitiliste jõudude populaarsust ja teavet selle kohta, kes kontrollis raadiot. Eestis võib mõõta toetust vapsidele ja valitsusele erinevatel valimistel eri piirkondades sõltuvalt raadio kättesaadavusest. Raadioprogrammide sisu ja administratiivse kontrolliahela põhjal saab hinnata, mis erakondi raadio toetas. Raadio kättesaadavuse ja valimistulemuste põhjal saab hinnata, kas raadio toetus tõstis erakonna populaarsust.
Link artiklile: http://bfi.uchicago.edu/sites/default/files/research/Media_effects_12_May_2014%20with%20Tables.pdf
Sarnane artikkel (Yanagizawa-Drott 2014) uurib raadio toetust ja mõju Ruanda genotsiidile: http://www.hks.harvard.edu/fs/dyanagi/Research/RwandaDYD.pdf
Sildiarhiiv: uurimisidee
Näo valgustatus, emotsioonid ja rass – psühholoogiakatse idee
Palju artikleid psühholoogias on leidnud, et inimesed reageerivad mustanahaliste nägudele negatiivsemalt kui valgenahalistele (näiteks see artikkel). Põhiliselt on tegu USA andmetega. Kindlasti on üks põhjus rassiline diskrimineerimine (arvestades sellele järeldusele jõudva teadustöö hulka), aga võibolla on veel üks mehhanism, mis paneb inimesed tumedatele nägudele negatiivselt reageerima.
Inimestele meeldivad õnnelikud näod rohkem, kui vihased või kurvad. Rõõm paneb inimesed rohkem üles vaatama (pead taha kallutama), negatiivsed emotsioonid rohkem alla vaatama. Valgus tuleb enamasti ülalt, nii looduslikes kui tehiskeskkondades. Seega rõõmsate inimeste näod on üles vaatamise tõttu paremini valgustatud ja tunduvad heledamad. Kui inimesed alateadlikult ei erista nahavärvi näo valgustatusest, siis võivad nad automaatselt tõlgendada tumedaid nägusid negatiivseid emotsioone kajastavatena ja neile negatiivsemalt reageerida.
Katse, mis seda mehhanismi kontrolliks, peaks näitama piisavalt suurele ja esinduslikule valimile nägusid, mis erinevad vaid nahavärvi, emotsionaalse näoilme ja näo valgustatuse poolest. Võibolla peaks kontrollima ka näo struktuuri erinevust (aasia, aafrika, euroopa näojooned). Inimeste hoiakuid nägude suhtes võib siis mõõta erinevate ajapiirangutega – kui näo hindamiseks antakse palju aega, mõõdab see teadlikku suhtumist. Väga lühike vaatlusaeg ei võimalda nähtud pilti teadvustada ja reaktsioon selle järel mõõdab alateadlikku suhtumist.
Andmed inimeste reaktsioonide kohta erinevatele näopiltidele võimaldavad siis võrrelda näo erinevate omaduste osatähtsust suhtumise kujundamisel ja omaduste vastasmõjusid. Vastasmõju on näiteks see, kui negatiivne emotsioon näol muudab suhtumist võrreldes rõõmsa näoilmega rohkem valgete kui aasialaste nägude puhul.
Koolide ja õpetajate taseme mõõtmisvõimalus Eestis
Koole kiputakse Eestis järjestama riigieksamitulemuste alusel, või liigitama koolikatsete põhjal eliit- ja tavakoolideks. Mõlemad on vastuolulised teemad, aga taset ei mõõda hästi kumbki. Ma pole tuttav empiirilise tööga sel teemal, aga kahtlustan, et keegi pole korralikult mõõtnud koolide taset Eestis.
Kooli taset ei määra mitte alustajate või lõpetajate tulemused, vaid see, kui palju kool õpilasele juurde annab. Lõpetamistaseme ja alustamistaseme vahe on kõige lihtsam näitaja selles vaimus. Loomulikult on tegelik olukord keerulisem – kooli tase võib erineda klassiti (4. klassis õpetatakse halvemini, 5. klassis paremini), õpilaste lõikes (helgemaid päid õpetatakse halvemini, nõrgemaid aidatakse hästi järele), ainetes jne.
Kõige keerulisem on taset mõõta, kui esinevad vastasmõjud õpilaste ja kooli vahel (ühe kooli või õpetaja stiil sobib ühe inimesega, aga ei sobi teisega, teise kooli stiil jälle vastupidi) või võrgustiku mõjusid õpilaste hulgas (inimesed A ja B või B ja C samas klassis takistavad üksteisel õppimist, aga A ja C samas klassis aitavad üksteisel õppida). Võib ka olla, et ühes koolis A ja B aitavad üksteist, teises takistavad, olenevalt õpetamisstiilist. Või A aitab B-d, aga B takistab A-d.
Vaatan, et internetis on vabalt üleval Eesti olümpiaaditulemused eri ainete ja aastate kohta. Andmetes on õpilase nimi, kooli nimi, klass, aasta, vahel ka õpetaja nimi. Tulemused on vahel olümpiaadi eri osade kaupa. Tulemuste nimeline avalikustamine internetis võib olla vastuolus Eesti üsna range andmekaitseseadusega, aga empiiriliseks tööks on see hea.
Iga olümpiaadides rohkem kui ühel aastal mainitud õpilase puhul saab vaadata tema absoluut- ja suhtelist tulemust kõigil osalemiskordadel. Lahutades varasema aasta tulemuse hilisema omast võib näha, kui palju õpilane antud ajavahemikus arenes. Keskmistades üle iga kooli õpilaste saab mõõta, kui hästi üks kool võrreldes teisega olümpiaadidel osalejaid (paremaid õpilasi) õpetab. Kui on mainitud olümpiaadil osaleja õpetajat, saab samamoodi võrrelda õpetajaid. Tulemusi saab eristada ainete ja klasside kaupa.
Eelnev mõõdab kooli või õpetaja keskmist headust paremate õpilaste jaoks erinevates klassides ja ainetes, aga mitte kooli ja õpilase vastasmõjusid või õpilaste omavahelist mõju. Kui õpilased vahetavad koole ja osalevad olümpiaadil enne ja pärast, saab teatud määral ka neid mõjusid hinnata. Ilmselt pole koolivahetajaid piisavalt palju, et selle kohta mingit olulist tulemust saada.
Pikema ajaperioodi andmete saamiseks võib olümpiaadiandmetele lisada ülikoolide lõpetajate andmed (õppeaste, kui mitu aastat läks, cum laude või mitte), mis on samuti vabalt internetis. Kui ma Tartu Ülikooli bakalaureuseõppesse kandideerisin, olid ka vastuvõetute ja vist ka kõigi kandideerijate nimekirjad vabalt saadaval. Hetkel neid internetist ei leidnud, aga kui need on olemas, lisab see veel ühe andmepunkti ja võimaldab mõõta, kui hästi üks või teine kool õpilasi ülikooliks ette valmistab. Selleks tuleb vaadata, milline osa antud koolist ühte ülikooli läinud inimestest lõpetab nominaalajaga või saab cum laude. Saab ka mõõta, kui hästi olümpiaaditulemused ennustavad õppeedukust ülikoolis. See võimaldab otsustada, kas on põhjendatud olümpiaaditulemuse arvestamine vastuvõtul.
Ülikoole võiks sarnaselt võrrelda üliõpilaste teadustööde konkursside tulemuste alusel (samuti vabalt netis), aga probleemiks on väike andmehulk. Õppetoetuse saajate nimekiri näitab kahjuks ainult ülikoolisisest suhtelist järjestust, nii et ülikoolide vahelist võrdlust ei võimalda.
Kas tagasi lükatud inimesed on hiljem edukamad: empiirilise töö idee
Wall Street Journal kirjutab mitmest kuulsast inimesest, kes ei saanud oma valitud ülikooli sisse ja kellele see oli motiveerivaks teguriks, et ennast tõestada. Näiteks Warren Buffett lükati Harvardi Ärikoolist tagasi. Tagasilükkamine pidavat tekitama mõtte, et „ma neile alles näitan“ ja suurema pingutuse edu nimel, mis omakorda teeb inimese edukamaks. Mulle tundub see väide kahtlane ja nii mõtlesin, kuidas seda empiiriliselt kontrollida.
Uurimisküsimus on, et kas muude muutujate samaks jäädes on oma kõige eelistatumast ülikoolist tagasi lükatud inimesed edukamad kui sinna sisse saanud.
Selle mõõtmiseks on vaja iga inimese kohta andmeid tema ülikoolide eelistusjärjestuse, kandideerimise, vastuvõtmise, õppimaasumise, lõpetamise ja edasise edu kohta. Agregeeritud andmed on keskmise nelja muutuja kohta olemas isegi Eesti Statistikaametil. Paljudelt ülikoolidelt saab viimase viie muutuja kohta agregeeritud andmeid. Lisaks on tehtud uuringuid selle kohta, kuidas inimesed ülikoolid eelistusjärjekorda seavad.
Erinevalt eelnevast kirjandusest on vaja mikroandmeid, mis seostavad ühe inimese tagasilükkamise ja tema edasise edu. Selleks on vaja vähemalt inimese eelistusi ülikoolide osas, vastuvõttu ja edasist edu. Valim peab olema piisavalt suur, et võrrelda muus osas sarnaseid inimesi, kes said või ei saanud teatud ülikooli sisse.