¿Los estándares de la industria son más bajos que los académicos?

No estoy seguro de qué campo es de interés para esta pregunta ni qué tipo de lente deberíamos usar para evaluar los estándares. Dicho esto, en mi campo de la ciencia del comportamiento (por ejemplo, economía del comportamiento), el estándar del proceso científico en la industria es generalmente mucho más bajo que el académico. El campo de la economía del comportamiento a menudo requiere el uso de ensayos controlados aleatorios (o pruebas A / B) en su núcleo donde los sujetos se colocan en diferentes condiciones y los efectos de las condiciones se miden en relación con los resultados (por ejemplo, ¿ahorraron más personas en condiciones de prueba? eso proporcionó más pistas visuales para hacer lo correcto). Cuando la empresa para la que trabajo lleva a los académicos a entornos de la industria, es muy raro que encontremos una prueba A / B que se haya configurado correctamente, en términos de que la prueba pueda aislar los factores que contribuyen a un resultado, teniendo sesgo de selección entre pruebas, etc.

Ahora para poner la economía del comportamiento aún más en contexto, es un campo relativamente joven aplicado dentro de la industria. Mientras que la historia de la economía del comportamiento dentro de la academia se remonta a muchas décadas (al menos tres décadas), la visibilidad amplia en la industria es inferior a una década. Y la cantidad de oferta y demanda de recursos sigue siendo relativamente pequeña. Por lo tanto, este campo puede diferir de otras áreas, como la informática, por ejemplo.

_______________

Steve Shu se especializa en incubar nuevas iniciativas con un enfoque principal en estrategia, tecnología y ciencias del comportamiento. Es autor de Inside Nudging: Implement Behavioral Science Initiatives y The Consulting Apprenticeship: 40 Jump-Start Ideas for You and Your Business .

¿En que respecto? La pregunta en sí no tiene realmente sentido ya que cada uno de estos campos de esfuerzo tiene diferentes estándares (tanto en general como en aplicaciones específicas).

Primero, ¿qué industria? Desde una perspectiva taxonómica (un estándar académico) hay muchas industrias entre las que uno puede elegir.

En segundo lugar, los estándares académicos para publicación, investigación e integridad intelectual son bastante estrictos, pero los estándares legales para informes financieros, divulgación y secretos comerciales se aplican bastante bien para las corporaciones. Sardines-Oxley es una cosa real; Los CEO deben certificar la verdad de los informes financieros, por ejemplo.

Tercero, los estándares de fabricación varían de una industria a otra. Las industrias farmacéuticas y de dispositivos médicos están bastante reguladas, y los estándares de operación y calidad del producto pueden ser bastante difíciles de alcanzar. La industria aeroespacial se caracteriza por sus estrictas tolerancias y requisitos de alto rendimiento. La industria automotriz debe cumplir con los estándares de economía de combustible, seguridad y rendimiento. Si piensa en garantías y acuerdos de mantenimiento (como las garantías de 100K millas), entonces puede pensar en términos de altos estándares.

Los estándares académicos pueden ser igualmente altos cuando se considera la investigación que se lleva a cabo para reunir el conocimiento, el proceso de revisión por pares, la revisión institucional para la investigación y los requisitos contables para el financiamiento gubernamental y fundamental. Es decir, si está financiado por una agencia externa, pública o privada, los estándares para la contabilidad o para mostrar el retorno de la inversión pueden ser bastante altos.

Entonces, para responder a la pregunta, es importante comprender la naturaleza de los estándares, así como la naturaleza de las industrias respectivas (y específicas) (academia y cualquier otra industria que desee elegir), y el entorno organizacional y la gestión respectivos sistemas.

Gracias por la interesante pregunta de pensamiento.

Estoy de acuerdo con Jessica Soy ingeniero eléctrico y puedo decir con certeza que la investigación académica en nuestro campo está llena de literatura de mala calidad. Cada vez que necesito algo que buscar en la literatura, descubro que las personas publican todo tipo de cosas con muchos factores ‘falsos’. El factor ‘Fudge’ se define como algo que usted incluye en su modelo / teoría para darle sentido, aunque no tiene importancia física . A veces, tampoco mencionan deliberadamente los valores de un parámetro que usaron en su artículo. Esto se debe a que sus datos no tendrán sentido si lo hacen, o han asumido un valor no físico para ese parámetro. También he visto a algunas personas publicar cosas como: ‘ Hemos hecho un experimento X y visto cosas Y’. Las personas A, B, C también han hecho el mismo experimento X y han visto cosas Y, pero aún así creemos que es interesante. No estamos 100% seguros de por qué está sucediendo, aquí hay una explicación intuitiva ‘. Evidentemente, no ofrecen ninguna idea, observación o teoría nueva para respaldar su experimento. Esto hace que sea muy difícil para los investigadores recrear el experimento / escenario a partir de un artículo.

Creo que la industria tiene un estándar mucho más alto. Si alguien hace algo remotamente como lo que sucede en la academia, sucederán cosas malas. El mal funcionamiento de la batería del Samsung Galaxy es un ejemplo reciente de eso. Casi todas las empresas tienen un equipo dedicado a la prueba y validación de productos. Es porque si algún ingeniero no ha considerado algunas limitaciones en su diseño, circuito o código, puede tener consecuencias que amenazan la vida. Entonces, creo que la industria tiene poco o ningún margen de error.

Ellos son diferentes.

En la industria, en realidad tienes que construir algo que se pueda vender, mientras que en la academia puedes teorizar hasta el final de los tiempos y puede o no ser útil en absoluto.

Encontrar todos los dígitos de Pi sería bueno y todo, pero no tendría ningún propósito práctico: la precisión de un dispositivo de corte preciso está en micrómetros, no cortaría un círculo más preciso al conocer todos los dígitos de Pi.