Interdisciplinair Onderzoek naar
Sociale Problemen
Introductie
Een probleem is complex, heeft onvoldoende/ tegenstrijdige info,
Er is teamwork nodig, waarbij je elkaar langzaam leert kennen en moet leren samenwerken. Dit vergt
een open en transparante houding.
Monodisciplinairiteit – Multidisciplinairiteit – Interdisciplinairiteit – Transdisciplinairiteit
Cijfers kunnen levens redden mits ze betrouwbaar zijn. Maar wat is betrouwbaar onderzoek?
- Reproduceerbaar: een onderzoek opnieuw doen met dezelfde respondenten zelfde
uitkomst?
- Repliceerbaar: een onderzoek opnieuw doen met andere respondenten zelfde uitkomst?
- Generaliseerbaar: geldt een bepaalde bevinding ook onder een andere groep?
ecologische validiteit (van lab naar buitenwereld)
- Theoretisch onderbouwd: waarom verwacht je dat een bepaalde relatie zo gaat zijn?
Transparantie! Voor iedereen terug te lezen hoe het onderzoek is uitgevoerd.
- Steekproef
- Maten
- Analyses
Open science
Problemen van oude modellen bij het doen van onderzoek:
Wetenschappelijke werk condities
- Druk om duidelijke/coherente, interessante ‘verhalen’ te publiceren
- Evalueren van onderzoekers
- ‘publish or perish’
- Competitief en niet op samenwerking gericht
Integriteitsschendingen; scientific misconduct (fout) <-> Wetenschappelijke integriteit (goed)
, Moderatie:
veranderen
relatie
Mediatie:
verklaren
relatie
Case studies:
- Cross-sectionele studies: op één moment in de tijd
o Confounder: invloed op de oorzaak en de uitkomst
- Randomized controlled trial
o Willekeurige steekproef en verdeling onderzoek
- Meta-analyse & systematische review: onderzoeken waar eerdere onderzoeken samen
komen
Hoorcollege 2
Kloppen de cijfers wel? “Garbage in garbage out”. Als je meetinstrument niet goed is, als je op een
slechte manier data verzamelt dan gaat het resultaat ook niet goed zijn.
Data verzamelen
Bij wie verzamel je de data? Uit welke steekproef? Welke meetinstrumenten heb je gebruikt?
Wanneer voer je je onderzoek uit? Welk moment van de dag en op welke manier? Hoe
generaliseerbaar zijn de resultaten? Rapporteer je wel transparant?
Ook van belang: selectie bias; hoe willekeurig is je steekproef? Wanneer is een steekproef
representatief:
- Willekeurig (iedereen heeft dezelfde kans om mee te doen); non-respons of attrition
- Reproduceerbaarheid/ repliceerbaarheid
- Transparantie en duidelijkheid
- Voldoende groot
Vraag jezelf altijd af: door wie is de data verzameld en op welke manier is deze data verzameld?
TRANSPARANTIE
Data analyseren volgens een analyseplan
P-hacking: trucjes om je niet-significante p-waarde tóch significant maakt. Gebeurt vaak onbewust.
Zes vormen:
1. Stoppen met dataverzamelen wanneer p<0.5
2. Alleen de data uitgeven waarvoor geldt p<0.5
3. Alleen de condities uitgeven waarvoor geldt p<0.5
Sociale Problemen
Introductie
Een probleem is complex, heeft onvoldoende/ tegenstrijdige info,
Er is teamwork nodig, waarbij je elkaar langzaam leert kennen en moet leren samenwerken. Dit vergt
een open en transparante houding.
Monodisciplinairiteit – Multidisciplinairiteit – Interdisciplinairiteit – Transdisciplinairiteit
Cijfers kunnen levens redden mits ze betrouwbaar zijn. Maar wat is betrouwbaar onderzoek?
- Reproduceerbaar: een onderzoek opnieuw doen met dezelfde respondenten zelfde
uitkomst?
- Repliceerbaar: een onderzoek opnieuw doen met andere respondenten zelfde uitkomst?
- Generaliseerbaar: geldt een bepaalde bevinding ook onder een andere groep?
ecologische validiteit (van lab naar buitenwereld)
- Theoretisch onderbouwd: waarom verwacht je dat een bepaalde relatie zo gaat zijn?
Transparantie! Voor iedereen terug te lezen hoe het onderzoek is uitgevoerd.
- Steekproef
- Maten
- Analyses
Open science
Problemen van oude modellen bij het doen van onderzoek:
Wetenschappelijke werk condities
- Druk om duidelijke/coherente, interessante ‘verhalen’ te publiceren
- Evalueren van onderzoekers
- ‘publish or perish’
- Competitief en niet op samenwerking gericht
Integriteitsschendingen; scientific misconduct (fout) <-> Wetenschappelijke integriteit (goed)
, Moderatie:
veranderen
relatie
Mediatie:
verklaren
relatie
Case studies:
- Cross-sectionele studies: op één moment in de tijd
o Confounder: invloed op de oorzaak en de uitkomst
- Randomized controlled trial
o Willekeurige steekproef en verdeling onderzoek
- Meta-analyse & systematische review: onderzoeken waar eerdere onderzoeken samen
komen
Hoorcollege 2
Kloppen de cijfers wel? “Garbage in garbage out”. Als je meetinstrument niet goed is, als je op een
slechte manier data verzamelt dan gaat het resultaat ook niet goed zijn.
Data verzamelen
Bij wie verzamel je de data? Uit welke steekproef? Welke meetinstrumenten heb je gebruikt?
Wanneer voer je je onderzoek uit? Welk moment van de dag en op welke manier? Hoe
generaliseerbaar zijn de resultaten? Rapporteer je wel transparant?
Ook van belang: selectie bias; hoe willekeurig is je steekproef? Wanneer is een steekproef
representatief:
- Willekeurig (iedereen heeft dezelfde kans om mee te doen); non-respons of attrition
- Reproduceerbaarheid/ repliceerbaarheid
- Transparantie en duidelijkheid
- Voldoende groot
Vraag jezelf altijd af: door wie is de data verzameld en op welke manier is deze data verzameld?
TRANSPARANTIE
Data analyseren volgens een analyseplan
P-hacking: trucjes om je niet-significante p-waarde tóch significant maakt. Gebeurt vaak onbewust.
Zes vormen:
1. Stoppen met dataverzamelen wanneer p<0.5
2. Alleen de data uitgeven waarvoor geldt p<0.5
3. Alleen de condities uitgeven waarvoor geldt p<0.5
