Complexe problematiek in Zorg en Onderwijs
Olthof, M. (2026). Complex systems approach to social science. Encyclopedia
of Measurement in Social Sciences, Second Edition
Definitie complex systeem:
Complexe systemen bestaan uit vele onderdelen die voortdurend met elkaar interacteren en daardoor
samen één geheel vormen. Het gedrag van het geheel kan niet worden teruggebracht tot de losse
elementen. Dit komt door zelforganisatie waarbij patronen spontaan ontstaan door onderlinge
interacties zonder centrale aansturing. Zulke patronen zijn emergent en ontstaan alleen wanneer de
interacties tussen elementen zichzelf in stand houden. Belangrijk is: het geheel is meer dan de som
der delen.
Drie fundamenten van een transdisciplinaire complexiteitswetenschap
Complexiteitswetenschap is voortgekomen uit drie grote theoretische fundamenten:
1. Algemene Systeemtheorie (von Bertalanffy)
Levende systemen zijn open systemen die voortdurend energie en informatie uitwisselen met hun
omgeving. Daardoor veranderen en ontwikkelen ze voortdurend. Deze theorie vormde een basis voor
veel disciplines in de sociale en biologische wetenschappen.
2. Synergetica (Haken)
Synergetica beschrijft zelforganisatie mathematisch. Patronen op macroniveau sturen elementen op
microniveau en omgekeerd. Complexiteit kan worden gereduceerd doordat het gedrag van het geheel
beschreven wordt met collectieve variabelen. Dit maakt het mogelijk om attractoren en overgangen
tussen attractoren te bestuderen bijvoorbeeld in stemmingsveranderingen.
3. Catastrofetheorie (Thom en Zeeman)
Deze theorie beschrijft plotselinge overgangen die niet lineair zijn. Overgangen worden herkend met
catastrofevlaggen zoals plotselinge sprongen multimodale toestanden en hysterese waarbij systemen
vasthouden aan hun huidige patroon ondanks verandering.
>> Samen hebben deze stromingen geleid tot moderne complexe-systemenbenaderingen in
ontwikkeling psychopathologie, cognitie en psychotherapie.
Onderzoeksgebieden binnen de complexiteitswetenschap:
Complexiteitswetenschap blijft een minderheidsbenadering binnen de sociale wetenschappen omdat
haar kernkenmerken zoals zelforganisatie en emergentie botsen met traditionele
onderzoeksmethoden. Mainstream praktijken zoals middelen nemen of cross-sectionele studies zijn
vaak ongeschikt wanneer mensen worden gezien als dynamische complexe systemen.
1
,De benadering vereist ook nieuwe conceptualisaties. In plaats van verborgen oorzaken te
veronderstellen worden gedragspatronen gezien als het resultaat van onderlinge interacties. Mentale
stoornissen zijn dan attractortoestanden waarin iemand blijft hangen.
Complexiteitswetenschap vormt uiteindelijk een breed paradigma dat wordt toegepast in ontwikkeling
cognitie en klinische verandering en biedt een gemeenschappelijke taal die samenwerking tussen
disciplines mogelijk maakt. De belangrijkste onderzoeksprincipes zijn: attractortransities, netwerken en
schaalrelaties.
1. Transities:
Complexe systemen bewegen zich in attractoren en verandering vindt vaak plaats via abrupte niet-
lineaire overgangen. Het landschapsmodel helpt deze processen te begrijpen. Wanneer een attractor
destabiliseert ontstaan kritieke vertraging en verhoogde variabiliteit, wat kan voorspellen dat een
overgang aankomt. In psychotherapie blijkt destabilisatie samen te hangen met betere
behandeluitkomsten en sudden gains worden gezien als patroonovergangen. Idiografisch onderzoek
neemt toe waarbij overgangen per persoon worden gevolgd. Dynamische systeemmodellen geven
inzicht in hoe feedbacklussen attractoren vormen zoals bij paniekaanvallen. Door potentiëlen
landschappen te berekenen kan stabiliteit en kans op overgang worden bepaald (instabiliteit kan dus
een goed teken richting veranderen zijn).
Deze inzichten hebben geleid tot nieuwe therapievormen die zich richten op het in kaart brengen
destabiliseren en daarna stabiliseren van attractoren.
Makkelijke uitleg:
• Mensen hebben vaak vaste patronen waarin ze blijven hangen (attractoren).
• Verandering is vaak plots en abrupt, niet langzaam.
• Vlak voor verandering zie je instabiliteit en meer variatie.
• Dit inzicht wordt steeds vaker gebruikt in therapie.
• Wiskundige modellen helpen die patronen beter begrijpen
2. Netwerken/feedbackloops
Netwerken zijn een manier om te laten zien hoe verschillende dingen met elkaar verbonden zijn en
elkaar beïnvloeden. In plaats van te denken dat één oorzaak één gevolg heeft, laat een netwerk zien
dat gedrag, gevoelens of symptomen meestal voortkomen uit een geheel van onderlinge relaties. In
zo’n netwerk staan de elementen die je onderzoekt, zoals gedachten, emoties of personen, als punten
weergegeven, en de lijnen ertussen laten zien hoe sterk ze elkaar beïnvloeden. Dit maakt zichtbaar
hoe bepaalde patronen ontstaan en waarom ze soms blijven voortbestaan, bijvoorbeeld doordat
elementen elkaar versterken in een soort terugkoppellus. In de psychologie helpt een netwerk
2
,bijvoorbeeld te begrijpen hoe somberheid weinig energie veroorzaakt en hoe weinig energie
vervolgens weer tot meer somberheid leidt. In de sociologie kan een netwerk juist laten zien hoe
meningen of gedrag zich verspreiden in een groep. Netwerken zijn daarom een krachtig hulpmiddel
binnen de complexiteitswetenschap om te begrijpen hoe patronen in mensen en groepen ontstaan uit
interacties, in plaats van uit één verborgen oorzaak.
3. Multifractale en fractale patronen
Fractale patronen gaan over de manier waarop variatie zich gedraagt door de tijd. In plaats van dat
schommelingen willekeurig of gelijkmatig zijn, laten fractale patronen zien dat er een herkenbare
structuur zit in de variatie zelf. Op korte momenten verandert iets maar een beetje, terwijl over langere
perioden de veranderingen veel groter worden. Dat soort patronen noemen we fractaal.
Wat bijzonder is: wanneer twee mensen intensief met elkaar omgaan, kunnen hun fractale patronen
op elkaar gaan lijken. Dit heet complexity matching. Een mooi voorbeeld komt uit onderzoek met
oudere mensen die moeite hadden met lopen. Wanneer zij twee weken lang arm-in-arm liepen met
een jonger persoon, werd hun looppatroon veel gezonder en meer fractaal. Dat effect bleef zelfs na de
training nog zichtbaar, wat laat zien dat mensen elkaars dynamiek kunnen helpen herstellen.
Soms verandert het fractale patroon zelf ook door de tijd, en dan spreken we van multifractale
patronen. Dit soort variatie komt waarschijnlijk heel vaak voor in menselijk gedrag, maar maakt
klassieke statistiek lastig. Modellen die ervan uitgaan dat datapunten onafhankelijk zijn, kloppen dan
niet meer. Toch ziet de complexiteitswetenschap dit juist als een kans om menselijk gedrag op nieuwe
manieren te begrijpen. Multifractale en fractale patronen worden daarom steeds belangrijker in
onderzoek naar beweging, denken, waarnemen en reageren.
Orthopedagogisch voorbeeld:
- Een fractaal patroon zie je bijvoorbeeld bij een kind dat elke dag op dezelfde voorspelbare
manier spanning opbouwt en weer afbouwt (even vaak zacht/hard huilen/ontladen).
- Een multifractaal patroon zie je bij een kind waarvan de spanning en buien steeds wisselend
zijn, de ene dag heel chaotisch en de andere dag bijna afwezig (heel vaak kort huilen, niet
huilen, alleen maar huilen).
Conclusie:
- Onderzoek laat zien dat wanneer mensen intensief met elkaar bewegen, zoals arm-in-arm
lopen, hun bewegingspatronen op elkaar kunnen gaan lijken en zelfs gezonder kunnen
worden. Dit heet complexity matching en lijkt een veelbelovend principe voor toekomstige
interventies.
- Daarnaast beschrijven fractale patronen een stabiele vorm van variatie, terwijl multifractale
patronen voortdurend veranderen en daarom lastig zijn voor traditionele statistiek. Vanuit de
complexiteitswetenschap worden die patronen juist gezien als een nieuwe bron van kennis
over hoe mensen zich gedragen en veranderen.
- Tot slot benadrukt de complexiteitsbenadering dat menselijk gedrag nooit volledig
voorspelbaar is, omdat kleine verschillen grote gevolgen kunnen hebben en omdat gedrag
altijd ontstaat uit een wisselwerking tussen persoon en context. Daarom pleit deze benadering
voor meer persoonsgerichte analyses, het serieus nemen van context en het voorzichtig
omgaan met concepten die te snel als interne oorzaken worden gezien.
3
, Hasselman, F. (2023) Understanding the complexity of individual
developmental pathways: A primer on metaphors, models, and methods to
study resilience in development
Principes van complexe dynamische systemen:
- Dynamische systemen veranderen voortdurend: Hun gedrag kun je zien als een reeks
toestanden (states) die elkaar opvolgen. Wat je aan de buitenkant ziet (het macro-niveau),
wordt veroorzaakt door wat er binnenin gebeurt op kleine schaal (micro-niveau).
- Hoe het micro-niveau het macro-niveau beïnvloedt, is niet altijd duidelijk: In sommige
systemen kun je precies aanwijzen welke onderdelen verantwoordelijk zijn voor het gedrag
van het geheel. Maar in complexe systemen is die relatie meestal onbekend: er zijn te veel
onderdelen, te veel interacties, en alles beïnvloedt elkaar.
- Complexe systemen zijn open en bestaan uit veel onderdelen: Ze wisselen informatie,
energie of invloeden uit met hun omgeving. De onderdelen kunnen zelfs weer kleine complexe
systemen op zich zijn.
- Wat je ziet op macro-niveau ‘ontstaat’ uit interacties: De wetenschap noemt dat
emergentie: het gedrag van het geheel ontstaat uit de dynamische interacties tussen veel
kleine processen, niet uit één enkele oorzaak.
- Complexe systemen veranderen van stabiele toestand. Ze bewegen soms van de ene
relatief stabiele situatie (een attractorstate) naar een andere, bijvoorbeeld doordat er iets
verandert in zichzelf of in de omgeving. Dat proces heet zelforganisatie: het systeem vormt uit
zichzelf nieuwe patronen of toestanden zonder dat er een externe regisseur nodig is.
Consequenties van bovenstaande zijn:
Klassieke statistiek werkt niet bij interactie dominante systemen:
- In een component-dominante benadering sluit het gebruik van klassieke statistische modellen
goed aan op de veronderstelling dat afzonderlijke, onafhankelijke factoren een lineaire en
stabiele bijdrage leveren aan een uitkomst. Wanneer dit uitgangspunt klopt, kunnen
statistische modellen verklaard worden in termen van de specifieke betekenis of functie van
die afzonderlijke componenten.
- In een interactiedominante ontologie verandert dit echter fundamenteel. Daar ontstaat gedrag
niet door de afzonderlijke functies van componenten, maar door de manier waarop deze
componenten met elkaar interageren. Het is dus niet de inhoud van de componenten die
bepalend is, maar de dynamiek tussen ze. Dit maakt traditionele methoden, die afhankelijk
zijn van het identificeren van onafhankelijke voorspellers, onvoldoende om complexe
fenomenen te begrijpen.
- Het onderzoeken van interactiedominante systemen vraagt daarom om methoden die
multiscale interacties kunnen detecteren en karakteriseren. Complexe systemen vertonen
meestal niet-lineaire patronen zoals feedbackloops, gekoppelde dynamieken of fractale en
multifractale structuren, waardoor er niet altijd een kenmerkende schaal bestaat waarop
gedrag goed beschreven kan worden. In deze context is het minder belangrijk welke
specifieke factoren in een bepaalde feedbackloop betrokken zijn; veel belangrijker is dat het
systeem een structuur heeft die de vorming van dergelijke terugkoppelingen mogelijk maakt.
Bovendien zullen de elementen die deze feedbackprocessen vormen variëren tussen
personen, en zelfs binnen één individu over tijd. Dit maakt het gebruik van analysemethoden
die ontworpen zijn om onafhankelijke componenten te vinden problematisch, omdat ze
kunnen leiden tot onjuiste conclusies over de onderliggende causaliteit.
Causaliteit is schaalafhankelijk
- In een component-dominante ontologie de schaal waarop processen worden geobserveerd
nauwelijks invloed heeft op de vraag wat als oorzaak kan worden beschouwd. In een
interactiedominant systeem speelt schaal juist een cruciale rol. Interacties verlopen namelijk
4
Olthof, M. (2026). Complex systems approach to social science. Encyclopedia
of Measurement in Social Sciences, Second Edition
Definitie complex systeem:
Complexe systemen bestaan uit vele onderdelen die voortdurend met elkaar interacteren en daardoor
samen één geheel vormen. Het gedrag van het geheel kan niet worden teruggebracht tot de losse
elementen. Dit komt door zelforganisatie waarbij patronen spontaan ontstaan door onderlinge
interacties zonder centrale aansturing. Zulke patronen zijn emergent en ontstaan alleen wanneer de
interacties tussen elementen zichzelf in stand houden. Belangrijk is: het geheel is meer dan de som
der delen.
Drie fundamenten van een transdisciplinaire complexiteitswetenschap
Complexiteitswetenschap is voortgekomen uit drie grote theoretische fundamenten:
1. Algemene Systeemtheorie (von Bertalanffy)
Levende systemen zijn open systemen die voortdurend energie en informatie uitwisselen met hun
omgeving. Daardoor veranderen en ontwikkelen ze voortdurend. Deze theorie vormde een basis voor
veel disciplines in de sociale en biologische wetenschappen.
2. Synergetica (Haken)
Synergetica beschrijft zelforganisatie mathematisch. Patronen op macroniveau sturen elementen op
microniveau en omgekeerd. Complexiteit kan worden gereduceerd doordat het gedrag van het geheel
beschreven wordt met collectieve variabelen. Dit maakt het mogelijk om attractoren en overgangen
tussen attractoren te bestuderen bijvoorbeeld in stemmingsveranderingen.
3. Catastrofetheorie (Thom en Zeeman)
Deze theorie beschrijft plotselinge overgangen die niet lineair zijn. Overgangen worden herkend met
catastrofevlaggen zoals plotselinge sprongen multimodale toestanden en hysterese waarbij systemen
vasthouden aan hun huidige patroon ondanks verandering.
>> Samen hebben deze stromingen geleid tot moderne complexe-systemenbenaderingen in
ontwikkeling psychopathologie, cognitie en psychotherapie.
Onderzoeksgebieden binnen de complexiteitswetenschap:
Complexiteitswetenschap blijft een minderheidsbenadering binnen de sociale wetenschappen omdat
haar kernkenmerken zoals zelforganisatie en emergentie botsen met traditionele
onderzoeksmethoden. Mainstream praktijken zoals middelen nemen of cross-sectionele studies zijn
vaak ongeschikt wanneer mensen worden gezien als dynamische complexe systemen.
1
,De benadering vereist ook nieuwe conceptualisaties. In plaats van verborgen oorzaken te
veronderstellen worden gedragspatronen gezien als het resultaat van onderlinge interacties. Mentale
stoornissen zijn dan attractortoestanden waarin iemand blijft hangen.
Complexiteitswetenschap vormt uiteindelijk een breed paradigma dat wordt toegepast in ontwikkeling
cognitie en klinische verandering en biedt een gemeenschappelijke taal die samenwerking tussen
disciplines mogelijk maakt. De belangrijkste onderzoeksprincipes zijn: attractortransities, netwerken en
schaalrelaties.
1. Transities:
Complexe systemen bewegen zich in attractoren en verandering vindt vaak plaats via abrupte niet-
lineaire overgangen. Het landschapsmodel helpt deze processen te begrijpen. Wanneer een attractor
destabiliseert ontstaan kritieke vertraging en verhoogde variabiliteit, wat kan voorspellen dat een
overgang aankomt. In psychotherapie blijkt destabilisatie samen te hangen met betere
behandeluitkomsten en sudden gains worden gezien als patroonovergangen. Idiografisch onderzoek
neemt toe waarbij overgangen per persoon worden gevolgd. Dynamische systeemmodellen geven
inzicht in hoe feedbacklussen attractoren vormen zoals bij paniekaanvallen. Door potentiëlen
landschappen te berekenen kan stabiliteit en kans op overgang worden bepaald (instabiliteit kan dus
een goed teken richting veranderen zijn).
Deze inzichten hebben geleid tot nieuwe therapievormen die zich richten op het in kaart brengen
destabiliseren en daarna stabiliseren van attractoren.
Makkelijke uitleg:
• Mensen hebben vaak vaste patronen waarin ze blijven hangen (attractoren).
• Verandering is vaak plots en abrupt, niet langzaam.
• Vlak voor verandering zie je instabiliteit en meer variatie.
• Dit inzicht wordt steeds vaker gebruikt in therapie.
• Wiskundige modellen helpen die patronen beter begrijpen
2. Netwerken/feedbackloops
Netwerken zijn een manier om te laten zien hoe verschillende dingen met elkaar verbonden zijn en
elkaar beïnvloeden. In plaats van te denken dat één oorzaak één gevolg heeft, laat een netwerk zien
dat gedrag, gevoelens of symptomen meestal voortkomen uit een geheel van onderlinge relaties. In
zo’n netwerk staan de elementen die je onderzoekt, zoals gedachten, emoties of personen, als punten
weergegeven, en de lijnen ertussen laten zien hoe sterk ze elkaar beïnvloeden. Dit maakt zichtbaar
hoe bepaalde patronen ontstaan en waarom ze soms blijven voortbestaan, bijvoorbeeld doordat
elementen elkaar versterken in een soort terugkoppellus. In de psychologie helpt een netwerk
2
,bijvoorbeeld te begrijpen hoe somberheid weinig energie veroorzaakt en hoe weinig energie
vervolgens weer tot meer somberheid leidt. In de sociologie kan een netwerk juist laten zien hoe
meningen of gedrag zich verspreiden in een groep. Netwerken zijn daarom een krachtig hulpmiddel
binnen de complexiteitswetenschap om te begrijpen hoe patronen in mensen en groepen ontstaan uit
interacties, in plaats van uit één verborgen oorzaak.
3. Multifractale en fractale patronen
Fractale patronen gaan over de manier waarop variatie zich gedraagt door de tijd. In plaats van dat
schommelingen willekeurig of gelijkmatig zijn, laten fractale patronen zien dat er een herkenbare
structuur zit in de variatie zelf. Op korte momenten verandert iets maar een beetje, terwijl over langere
perioden de veranderingen veel groter worden. Dat soort patronen noemen we fractaal.
Wat bijzonder is: wanneer twee mensen intensief met elkaar omgaan, kunnen hun fractale patronen
op elkaar gaan lijken. Dit heet complexity matching. Een mooi voorbeeld komt uit onderzoek met
oudere mensen die moeite hadden met lopen. Wanneer zij twee weken lang arm-in-arm liepen met
een jonger persoon, werd hun looppatroon veel gezonder en meer fractaal. Dat effect bleef zelfs na de
training nog zichtbaar, wat laat zien dat mensen elkaars dynamiek kunnen helpen herstellen.
Soms verandert het fractale patroon zelf ook door de tijd, en dan spreken we van multifractale
patronen. Dit soort variatie komt waarschijnlijk heel vaak voor in menselijk gedrag, maar maakt
klassieke statistiek lastig. Modellen die ervan uitgaan dat datapunten onafhankelijk zijn, kloppen dan
niet meer. Toch ziet de complexiteitswetenschap dit juist als een kans om menselijk gedrag op nieuwe
manieren te begrijpen. Multifractale en fractale patronen worden daarom steeds belangrijker in
onderzoek naar beweging, denken, waarnemen en reageren.
Orthopedagogisch voorbeeld:
- Een fractaal patroon zie je bijvoorbeeld bij een kind dat elke dag op dezelfde voorspelbare
manier spanning opbouwt en weer afbouwt (even vaak zacht/hard huilen/ontladen).
- Een multifractaal patroon zie je bij een kind waarvan de spanning en buien steeds wisselend
zijn, de ene dag heel chaotisch en de andere dag bijna afwezig (heel vaak kort huilen, niet
huilen, alleen maar huilen).
Conclusie:
- Onderzoek laat zien dat wanneer mensen intensief met elkaar bewegen, zoals arm-in-arm
lopen, hun bewegingspatronen op elkaar kunnen gaan lijken en zelfs gezonder kunnen
worden. Dit heet complexity matching en lijkt een veelbelovend principe voor toekomstige
interventies.
- Daarnaast beschrijven fractale patronen een stabiele vorm van variatie, terwijl multifractale
patronen voortdurend veranderen en daarom lastig zijn voor traditionele statistiek. Vanuit de
complexiteitswetenschap worden die patronen juist gezien als een nieuwe bron van kennis
over hoe mensen zich gedragen en veranderen.
- Tot slot benadrukt de complexiteitsbenadering dat menselijk gedrag nooit volledig
voorspelbaar is, omdat kleine verschillen grote gevolgen kunnen hebben en omdat gedrag
altijd ontstaat uit een wisselwerking tussen persoon en context. Daarom pleit deze benadering
voor meer persoonsgerichte analyses, het serieus nemen van context en het voorzichtig
omgaan met concepten die te snel als interne oorzaken worden gezien.
3
, Hasselman, F. (2023) Understanding the complexity of individual
developmental pathways: A primer on metaphors, models, and methods to
study resilience in development
Principes van complexe dynamische systemen:
- Dynamische systemen veranderen voortdurend: Hun gedrag kun je zien als een reeks
toestanden (states) die elkaar opvolgen. Wat je aan de buitenkant ziet (het macro-niveau),
wordt veroorzaakt door wat er binnenin gebeurt op kleine schaal (micro-niveau).
- Hoe het micro-niveau het macro-niveau beïnvloedt, is niet altijd duidelijk: In sommige
systemen kun je precies aanwijzen welke onderdelen verantwoordelijk zijn voor het gedrag
van het geheel. Maar in complexe systemen is die relatie meestal onbekend: er zijn te veel
onderdelen, te veel interacties, en alles beïnvloedt elkaar.
- Complexe systemen zijn open en bestaan uit veel onderdelen: Ze wisselen informatie,
energie of invloeden uit met hun omgeving. De onderdelen kunnen zelfs weer kleine complexe
systemen op zich zijn.
- Wat je ziet op macro-niveau ‘ontstaat’ uit interacties: De wetenschap noemt dat
emergentie: het gedrag van het geheel ontstaat uit de dynamische interacties tussen veel
kleine processen, niet uit één enkele oorzaak.
- Complexe systemen veranderen van stabiele toestand. Ze bewegen soms van de ene
relatief stabiele situatie (een attractorstate) naar een andere, bijvoorbeeld doordat er iets
verandert in zichzelf of in de omgeving. Dat proces heet zelforganisatie: het systeem vormt uit
zichzelf nieuwe patronen of toestanden zonder dat er een externe regisseur nodig is.
Consequenties van bovenstaande zijn:
Klassieke statistiek werkt niet bij interactie dominante systemen:
- In een component-dominante benadering sluit het gebruik van klassieke statistische modellen
goed aan op de veronderstelling dat afzonderlijke, onafhankelijke factoren een lineaire en
stabiele bijdrage leveren aan een uitkomst. Wanneer dit uitgangspunt klopt, kunnen
statistische modellen verklaard worden in termen van de specifieke betekenis of functie van
die afzonderlijke componenten.
- In een interactiedominante ontologie verandert dit echter fundamenteel. Daar ontstaat gedrag
niet door de afzonderlijke functies van componenten, maar door de manier waarop deze
componenten met elkaar interageren. Het is dus niet de inhoud van de componenten die
bepalend is, maar de dynamiek tussen ze. Dit maakt traditionele methoden, die afhankelijk
zijn van het identificeren van onafhankelijke voorspellers, onvoldoende om complexe
fenomenen te begrijpen.
- Het onderzoeken van interactiedominante systemen vraagt daarom om methoden die
multiscale interacties kunnen detecteren en karakteriseren. Complexe systemen vertonen
meestal niet-lineaire patronen zoals feedbackloops, gekoppelde dynamieken of fractale en
multifractale structuren, waardoor er niet altijd een kenmerkende schaal bestaat waarop
gedrag goed beschreven kan worden. In deze context is het minder belangrijk welke
specifieke factoren in een bepaalde feedbackloop betrokken zijn; veel belangrijker is dat het
systeem een structuur heeft die de vorming van dergelijke terugkoppelingen mogelijk maakt.
Bovendien zullen de elementen die deze feedbackprocessen vormen variëren tussen
personen, en zelfs binnen één individu over tijd. Dit maakt het gebruik van analysemethoden
die ontworpen zijn om onafhankelijke componenten te vinden problematisch, omdat ze
kunnen leiden tot onjuiste conclusies over de onderliggende causaliteit.
Causaliteit is schaalafhankelijk
- In een component-dominante ontologie de schaal waarop processen worden geobserveerd
nauwelijks invloed heeft op de vraag wat als oorzaak kan worden beschouwd. In een
interactiedominant systeem speelt schaal juist een cruciale rol. Interacties verlopen namelijk
4
