Samenvatting KOM Integriteit

Hoorcollege Integriteit
Bij het doen van wetenschappelijk onderzoek moeten onderzoekers eerlijk en oprecht handelen.
Tijdens hun onderzoek kunnen zij echter te maken krijgen met dilemma's of verleidingen. Om een
integer onderzoeksproces te bewaken en te versterken is per 1 oktober 2018 de nieuwe
"Nederlandse gedragscode wetenschappelijke integriteit" ingegaan. Deze is te vinden op de website
van de VSNU.

De gedragscode beschrijft vijf principes die de grondslag vormen van integer onderzoek:

 Eerlijkheid
 Zorgvuldigheid
 Transparantie
 Onafhankelijkheid
 Verantwoordelijkheid

Ook bevat de code richtlijnen voor de manier waarop moet worden omgegaan met veronderstelde
schendingen van de wetenschappelijke integriteit. Het lijkt vanzelfsprekend dat onderzoek integer
moet zijn, maar de praktijk, in elk geval de sociaal-wetenschappelijke praktijk, blijkt wat
weerbarstiger. Dat betekent dan weer niet dat alle onderzoekers de boel bewust belazeren, ook
onbewust kunnen bijvoorbeeld bepaalde zaken soms worden genegeerd. Dus het is belangrijk om
aandacht te besteden aan principes van integer onderzoek.

 Fabricage
 Het verzinnen van data
 Bewuste schending van eerlijkheid
 Plagiaat
 Werk van anderen kopiëren
 Bewuste schending van eerlijkheid.
 Falsifying
 Het niet rapporteren van bepaalde bevindingen
 Aanpassen van de data
 Foutief interpreteren van de data

Eerlijkheid gaat over bewuste fouten, zorgvuldigheid gaat over onbewuste fouten.

Falsifying

Onder falsifying verstaan we dus onder andere het niet rapporteren van bepaalde resultaten uit
wetenschappelijk onderzoek. Dit kan gebeuren doordat:

1. Onderzoekers niet significante bevindingen bewust niet opschrijven om zo de kans te
vergroten dat hun artikel gepubliceerd wordt (publication bias). Wetenschappelijke
tijdschriften publiceren namelijk graag artikelen waarin nieuwe significante verbanden of
nieuwe effectieve behandelmethoden worden beschreven, omdat zij hiermee meer lezers
kunnen trekken. Niet significante bevinden worden vaak minder interessant gevonden.
2. Onderzoekers resultaten, die niet in lijn zijn met hun verwachtingen, negeren (confirmation
bias).

Niet significante resultaten blijven dan ook vaak "in de la liggen", dit noemen we het file-drawer
probleem!

, Slechts een deel van de ware relaties tussen variabelen of ware verschillen tussen groepen wordt
gevonden. In de praktijk streven onderzoekers vaak naar een power van 80 procent. Dit zou
betekenen dat 80% van de verschillen/relaties die er werkelijk zijn, worden gevonden in onderzoek.

In werkelijkheid zal de power vaak lager zijn. Dit betekent dat een nog groter deel van de werkelijke
effecten/ verschillen niet wordt gevonden!

Wanneer onderzoekers een relatie die of een verschil dat in werkelijkheid wel bestaat, niet
terugvinden in hun onderzoek, maken die onderzoekers een Type II fout.

Natuurlijk wordt er ook onderzoek gedaan in situaties waarbij er in de werkelijkheid eigenlijk geen
verschil of relatie is. in een deel van deze situaties vinden onderzoekers tóch een significante verschil.
Dit noemen we ook wel een vals-positieve bevinding.

Het zou dus kunnen zijn dat er maar liefst 1/3 van de gepubliceerde artikelen incorrect is. en dat is
nog een gunstige schatting, want in werkelijkheid zijn veel studies onzorgvuldig opgezet of
uitgevoerd waardoor een Type I of Type II fout gemaakt worden.

Questionable Research Practices

Het probleem is groter dan alleen publication bias en dat zit 'm in het volgende: een
wetenschappelijke carrière hangt voor een belangrijk deel samen met het aantal publicaties en de
tijdschriften waarin een onderzoeker gepubliceerd heeft. Meer publicaties zou getuigen van grotere
bijdrage aan de wetenschap en daarmee dus van je kwaliteiten als onderzoeker.

Door de focus van wetenschappelijke tijdschriften op significante bevindingen, en de noodzaak voor
onderzoekers om hun werk te publiceren (voor hun carrière) gaan onderzoekers soms ‘gekke dingen’
doen om er maar voor te zorgen dat zij significante resultaten vinden. Deze activiteiten zijn niet altijd
duidelijk aan te merken als fraude, maar zijn op zijn minst dubieus.

Een onderzoeker mag uitschieter-data verwijderen (met name wanneer deze invloedrijk zijn)
wanneer hij dit goed kan beargumenteren en hier transparant over is. Het wordt pas een QRP als
een onderzoeker een uitschieter verwijdert om resultaten in een bepaalde richting te krijgen:
namelijk ten gunste van een significante test.

P-hacking

 Zoeken naar significante verbanden in de date zonder vooraf hypotheses te stellen
 Bij veel variabelen vinden onderzoekers meestal wel iets significants

Zoeken naar verbanden mag, mits gepresenteerd als exploratief onderzoek.

HARKing

 Hypothesizing After Results are Known
 Het achteraf formuleren van hypotheses en doen alsof deze vooraf al waren
opgesteld.