god forskning begynder godt før det første eksperiment starter.
under Anden Verdenskrig fik en statistiker ved navn Abraham .ald et temmelig uventet job i betragtning af hans baggrund: at forbedre overlevelsesraten for amerikanske fly. .ald var en smart mand og kiggede over de tidligere analyser, der var blevet gjort. De tidligere efterforskere havde set skaden og ødelæggelsen, der blev behandlet til flyene, og rådede til, at der blev tilføjet mere rustning til de mest beskadigede områder for at øge deres beskyttelse., Specifikke dele blev skudt og revet op, så ny rustning blev tilføjet.
alligevel steg overlevelsesgraden ikke. Faktisk faldt det, da den nye rustning tilføjede vægt og reducerede flyets smidighed, og de kom stadig tilbage med skader i de samme områder. Allald observerede alt dette og rådede om, at luftforsvaret kun begyndte at tilføje rustning til de uberørte områder – delene uden spor af skader., Han begrundede, at de eneste data om overlevelsesevne kom fra de overlevende fly selv; dem, der kom tilbage med skade, viste præcis, hvor de ikke-dødelige slag kunne behandles.
med de råd, der blev taget ombord, steg overlevelsesevnen, og resten er godt historie. Selvom dette giver et godt eksempel på sidetænkning, fortæller det os også noget kritisk om dataindsamling – det om selektionsbias.,
Selektionsbias er en eksperimentel fejl, der opstår, når deltagerpuljen eller de efterfølgende data ikke er repræsentativ for målpopulationen.
der er flere typer af udvælgelse bias, og de fleste kan forhindres, før resultaterne leveres. Selvom der måske ikke altid er et helt luftvåben på linjen, når det kommer til at få det rigtigt, er det stadig vigtigt for god forskning.,
lad os gennemgå nogle eksempler og undersøge, hvad der kan gøres for at stoppe denne bias, der forekommer, før det første datapunkt endda indsamles.
Sampling Bias
Der er flere aspekter af sampling bias, som alle i sidste ende betyde, at den befolkning, der er undersøgt, ikke giver de data, som vi har brug for at foretage konklusioner.
et almindeligt eksempel på dette sker i praksis er gennem selvvalg., Specifikke grupper af mennesker kan drages til at deltage i en bestemt undersøgelse på grund af selvvalgende egenskaber. Det er kendt, at personer, der er tilbøjelige til sensationssøgning eller spændingssøgning, er mere tilbøjelige til at deltage i visse undersøgelser, hvilket kan skæve data fra en undersøgelse, hvis den undersøger disse personlighedstræk (og muligvis også inden for andre undersøgelser).
Den bedste måde at omgå dette bias er at trække fra en prøve, der ikke er selvstændige valg., Dette er naturligvis ikke altid muligt på grund af eksperimentelle begrænsninger (især for undersøgelser, der kræver frivillige), men der bør gøres en særlig indsats for at undgå potentialet for denne bias, når man undersøger forskellige personlighedstyper. Virkningerne af denne bias er sandsynligvis ikke så skadelige, hvis eksperimentet er bekymret for noget mere konstant, såsom psykofysiologiske målinger.
Pre-screening
en anden faldgrube, som eksperimentatorens kan falde ind i, er at præ-screene deltagere., Der kan være gode grunde til at gøre det (for eksempel for at sikre korrekte kontrolgrupper), men dette kan også have den virkning at fordreje prøvepopulationen. Som følge heraf kan dette resultere i valg af deltagere, der har en fælles karakteristik, der vil påvirke resultaterne.
dette ligner selvvalg i resultatet, men ledes af forskeren (og normalt med gode intentioner)., For at undgå dette kan et dobbeltblindt eksperiment være nødvendigt, hvor deltagerscreening skal udføres, hvilket betyder, at valgene træffes af en person, der er uafhængig af forskningsmålene (hvilket også undgår eksperimenteringsbias).
Deltager nedslidning
prøven kan også blive påvirket af den eksperimentelle opsætning, mens det er i aktion., Hvis deltagerne dropper ud af undersøgelsen på en partisk måde – hvis der er en ikke-tilfældig grund til, at dette sker – er det usandsynligt, at de resterende deltagere er repræsentative for den oprindelige prøvepulje (husk befolkningen som helhed).
denne frafaldshastighed er kendt som deltagerudslidning og ses oftest i undersøgelser, hvor der er en løbende intervention med flere målinger. For eksempel kan et medicinsk forsøg se mange deltagere forlade undersøgelsen, hvis medicinen ikke ser ud til at virke (eller gør dem syge)., På denne måde vil kun de resterende (eller overlevende, i aboveald ‘ s tilfælde ovenfor) deltagere blive undersøgt i slutningen af eksperimentet.
det er derfor vigtigt, at deltagere, der dropper ud af undersøgelsen, følges op efter at have gjort det for at afgøre, om deres slid skyldes en fælles faktor med andre deltagere eller af grunde uden for eksperimentet.,
Undercover / klassificeret
Det skal ikke komme som nogen overraskelse, at der er for få deltagere vil begrænse styrken af de konklusioner, der kan gøres (hvis de kan være på alle), men mange undersøgelser lider undercoverage af prøven grupper.
det er derfor kritisk, at nok deltagere er tilgængelige og valgt på forhånd. Dette kan beregnes på forhånd, så du kan planlægge undersøgelsen i overensstemmelse hermed. Hvis for mange deltagere også falder ud på grund af slid, kan undersøgelsen muligvis gentages.,
et yderligere punkt at bemærke er, at selvom du har nok deltagere, skal du sørge for, at de er klassificeret korrekt og sat i den rigtige eksperimentelle gruppe. Gennemførelse af en undersøgelse af tosprogede og monolinguals ville naturligvis blive hæmmet, hvis det kom frem, at nogle deltagere talte en mere (eller mindre) sprog end deres gruppering ville foreslå.
dette er især relevant i undersøgelser, der undersøger forskellige psykiske lidelser, hvor grupperingsdefinitionen kan være uklar., For eksempel kan undersøgelser af angst muligvis skelne mellem deltagere, der er diagnosticeret med en generaliseret angstlidelse eller dem, der lider af panikanfald, og selvom deltagerne udviser subkliniske/prodromale symptomer.
at sikre, at prøven er veldefineret og velkarakteriseret, inden undersøgelsen påbegyndes, vil derfor sikre, at resultaterne er relevante for gruppen af interesse.,
plukning af kirsebær, uddybningsdata
mens de fleste af markeringsforspændingerne forekommer, før dataene er indsamlet, er der flere trin, der forekommer post-hoc, som er åbne for fejlagtig forvrængning. Disse trin i stedet for at forholde sig til, hvordan dataene, snarere end prøven, er valgt.,
Cherry-picking er uden tvivl en god måde at forberede en kage, men er også den sætning i betragtning af at handle med kun at vælge data, der er i overensstemmelse med, hvad forsøgslederen forventer eller håber på, at se.
dette kan forekomme på grund af fejlbehandling eller måske ønsketænkning på vegne af efterforskeren. I sidste ende dog, dette fører til dårlig videnskab enten måde. Undersøgeren skal forblive åben over for indholdet af dataene og stille spørgsmålstegn ved, hvordan de fortolker ting., Det kan også hjælpe, hvis flere personer (ideelt uafhængige) kontrollerer undersøgelsens data.
Lig ovenstående, data-uddybning (også kendt som fiskeri for data, eller p-hacking) er praksis kun i betragtning af de data, der er væsentlige efter eksperimentet, og opfinde en post-hoc konklusioner for, hvorfor der opstod. Dette opstår normalt, når et stort antal undersøgte variabler, og falske resultater kan forekomme signifikante.,
ved kun at tage signifikante variabler fra et datasæt er dette i det væsentlige det samme som at køre det samme eksperiment flere gange og offentliggøre den ene forekomst, hvor der blev fundet signifikante forskelle.
eksperimentel Reproducerbarhed er et særligt vigtigt videnskabsgrundlag, der bør opretholdes, når der er mulighed for dataudgravning. Med nok gentagelser, Forskningen vil blive vist at være sandt eller falsk.,
Trick splits
endelig kan deres data på samme måde som fejlklassificering af deltagerne før eksperimentet fejlklassificeres efter faktum. Forkert opdeling af data er en måde at opdele, eller ikke bruge, visse dele af dataene baseret på falske antagelser.
dette går ganske stærkt ind i svigagtig datamanipulation, men det kan også forekomme af grunde på grund af tekniske fejl snarere end gennem forsætlig fejlbehandling.,
sikkerhedskopier det
ud over ovenstående trin er der et par måder, hvorpå brug af iMotions til dataindsamling implicit beskytter mod nogle fælder af selektionsbias, især efter dataindsamling har fundet sted.
brug af flere datakilder, som med flere biosensorer, kan give en anden måde at kontrollere dine data ved at observere, om optagelserne er enige med hinanden., For eksempel kan brug af både GSR og EKG hjælpe dig med at bekræfte niveauerne af fysiologisk ophidselse, mens ansigtsudtryksanalyse kan supplere undersøgelsesprøvning (hvis nogen forekommer ulykkelig, mens han hævder det modsatte i undersøgelsen, kan dette være grund til forsigtighed med deres data). Disse foranstaltninger kan i sidste ende give dig mere tillid til de data, der indsamles.
desuden er chancen for at blive vildledt af tallene alene ved at kunne se de data, der er optaget i realtid i et grafisk og intuitivt format., Et regneark med uendelige tal kan tilbyde næsten lige så mange muligheder for at finde forvirring, men at have de rigtige data, der vises i et letforståeligt format, giver klarhed til undersøgelse.
Hvordan til at ordne alt ved ikke at holde hemmeligheder
brug af iMotions i høj grad hjælper med at beskytte mod data selection bias, alligevel udvælgelse af deltagere er noget, der primært bygger på gode eksperimentelle design.,
mens forsøgene på at løse fremkomsten af sampling – forstyrrelser muligvis ikke altid er helt gennemførlige, er der en central ting, der kan gøres for at dæmme op for bias-vær klar med resultaterne. Når du angiver resultater, er det vigtigt at være gennemsigtig med hvem resultaterne gælder for.
I vores artikel om deltager bias vi talte om, hvordan den interne validitet af eksperimentet kunne være problematisk, da resultaterne synes at være korrekte, men ville faktisk være forudindtaget., For udvælgelse bias dog finder vi, at ekstern gyldighed er en mere sandsynlig synder-resultaterne synes at være gældende for befolkningen som helhed, men er faktisk partisk og ugyldig for sådanne generaliseringer.
for eksperimentel integritet er det derfor vigtigt, at deltagerinformationen, dataanalysen og de resulterende konklusioner gøres så åbne og klare som muligt.
denne artikel er en del af vores serie om bias i forskning!, Vi har også diskuteret deltager bias, som du kan læse ved at klikke her, og forsker bias, som du kan læse ved at klikke her.
hvis du vil vide mere om forspændinger i forskning, eller gerne vil lære om, hvordan iMotions kan hjælpe din forskning, er du velkommen til at kontakte os.
jeg håber, du har haft glæde af at læse om, hvordan du undgår valgbias i forskning. Hvis du vil have flere tip og tricks til god forskning, så tjek vores gratis lommeguide til eksperimentelt design nedenfor.
