Vad är fördomar? [En fältguide för vetenskaplig forskning]

Vetenskap handlar om att ta reda på sanningen. Sanningen om människor är dock kanske ännu mer svårfångad än inom något annat vetenskapligt område. Det borde därför inte komma som någon större överraskning att forskning om människor är en knepig bedrift och svår att göra rätt.

Och utan en korrekt och rigoröst utformad försöksuppställning kan fel uppstå på flera olika sätt. Inte minst bland dessa är fördomar i forskningen, som kan ha en bred inverkan och som utan förberedelser är svåra att stoppa. Sådana biasfaktorer kan produceras helt utan avsikt, men kan i slutändan skada forskningens tillförlitlighet (och trovärdighet) om den inte kontrolleras ordentligt.

Det finns flera aspekter och fallgropar inom forskningen som kan producera dessa felaktiga biasfaktorer, vilket leder både deltagarna eller forskarna på villovägar, och som hanterar data som inte verkligen återspeglar de testade tankarna och beteendena.

Bias inom forskningen är utbredd, men kan ofta övervinnas med goda metodkontroller och genom att välja den mest lämpliga utrustningen för att ge rätt svar. Nedan går vi igenom några av de vanligaste biaserna som plågar forskningen, och ger vägar för att undvika dem. Med dessa i åtanke kan du vägleda din forskning till allt större upptäckter.

Innehåll:
Participant Bias
Selection Bias
Researcher Bias

Tre bias som kan påverka forskningen

1. Deltagarbias

En av de centrala biaserna som kan hindra och påverka forskningen negativt är deltagarbias. Detta har ofta beskrivits som att deltagaren reagerar enbart på vad de tror att forskaren önskar, men det kan också förekomma av mindre uppenbara skäl.

Den sociala önskvärdhetsbias är ett exempel på detta. Deltagarna kan ha förutfattade meningar om vad som är ett acceptabelt svar eller beteende och kommer därför att anpassa sina svar till detta – antingen medvetet eller omedvetet. Denna reaktion är särskilt trolig vid experiment som behandlar känsliga ämnen (t.ex. personlig inkomst eller religion) och kommer i slutändan att förvränga resultaten till något som inte är sant. Det kan också hända att deltagarna accepterar allting eller svarar negativt på frågorna (även känt som ”yea-saying” eller ”nay-saying”). Detta kan ske på grund av trötthet, tristess eller till och med avsiktliga försök att störa forskningen.

Dessa är alltså några av de problem som kan uppstå med deltagarbias, men hur är det med lösningar? Att vidta försiktighetsåtgärder med experimentell utformning kan hjälpa en hel del, och att ha rätt verktyg kan hjälpa ytterligare.

Okej – du behöver mer än tejp för att korrigera forskningsbias (och mer än Post-It-lappar också).

Inför bias av social önskvärdhet är det viktigt att informera deltagaren om deras anonymitet (och att säkerställa den också). När det gäller ”ja/nej-sägande” är det viktigt att motivera deltagaren ordentligt – antingen med ersättning eller tillräckligt med pauser för att se till att de inte blir trötta. Att kontrollera om det finns outliers i uppgifterna kan också vara till hjälp som en sista kontroll.

Kolla in: Vad är deltagarbias? (And How to Defeat it)

För övrigt kan psykofysiologiska mätningar hjälpa dig att se igenom de potentiellt vilseledande svaren eller beteendena och ge en tydligare bild av vad som verkligen pågår. Biosensorer gör det möjligt att mäta en deltagares reaktion, utan att den filtreras medvetet.

De kan också ge data utan någon egentlig ansträngning från deltagarna. Det är till exempel lätt att mäta en deltagares uppmärksamhet med eyetracking, och det kräver ingen extra energi från deltagarna. Detta gör det mycket lättare att hålla deltagaren engagerad i studien.

Det är också möjligt att registrera en deltagares känslomässiga tillstånd – deras valens – genom automatisk analys av ansiktsuttryck, och kombinera detta med registreringar av deras fysiologiska upphetsning (t.ex. genom galvaniska hudresponsregistreringar), medan de genomför ett experiment. Kombinationen av dessa metoder ger en fullständig utfrågning av en deltagares mentala tillstånd, utan att lägga till någon mental belastning.

Top of page

Den perfekta deltagaren – engagerad. Mycket engagerad. (Kanske lite rädd också).

2. Urvalsbias

För att deltagarna ska genomföra experimentet måste de först väljas ut, och det är här som urvalsbias kommer in. Detta kan definieras som ett experimentellt fel som uppstår när deltagarpoolen, eller de efterföljande uppgifterna, inte är representativa för målpopulationen.

Detta kan inträffa av flera anledningar, varav vissa är mer undvikbara än andra. Till exempel kan deltagarna själva vara självvalda – särskilt när studien är på frivillig basis – och vissa personlighetstyper kan vara vanligare i den populationen.

Om det inte finns tillräckligt många deltagare eller om de resulterande uppgifterna väljs ut på ett felaktigt sätt är också exempel på metodologiska aspekter som i slutändan leder till att den felaktiga deltagarpoolen undersöks.

Lär dig mer: Vad är selektionsbias? (And How to Defeat it)

Dessa biasfaktorer kan korrigeras på flera sätt. Förhindra bias av en självvald deltagargrupp kan hanteras genom att ha flera kanaler eller vägar öppna för deltagarna att få tillgång till studien genom. Helst ska de hämtas från en blandad urvalsgrupp med självvalda eller utvalda deltagare (t.ex. universitetsstudenter som genomför studien för att få kurspoäng och frivilliga).

Ovanför detta är det alltid bra att ha en stor deltagargrupp (även om det kanske inte alltid är möjligt), och att vara öppen när det gäller datakällorna bidrar också till att öka trovärdigheten i en studie.

Psykofysiologiska mätningar kan också bidra till tillförlitligheten hos resultaten från deltagarna, eftersom de lätt kan kombineras som flera inspelningar, där korsvalidering av datakällorna kan ske. Att kombinera ett stort antal mätvärden innebär att outliers borde vara mycket lättare att upptäcka.

En outlier i dina data är förmodligen inte så här lätt att upptäcka, men genom att kombinera mätvärden kan du komma nära.

Top of page

3. Forskarbias

Det finns också de ofta förbisedda och tyvärr alltför vanliga effekterna av forskarbias, där forskarna själva vilseleder den forskning de utför, ofta oavsiktligt men ibland avsiktligt.

Forskarna kan vara implicit partiska till förmån för ett visst resultat, och besvärlig datainsamling kan också leda i den riktningen, även om den är falsk. De kan också påverka deltagarna bara genom att vara närvarande – att förbise andra kan ha ganska drastiska effekter (känd som Hawthorne-effekten) och förändra beteenden på icke-representativa sätt.

Kolla in: Vad är forskarbias? (And How to Defeat it)

För att komma runt detta kan det krävas att forskningen genomförs som en dubbelblind studie – där deltagarna och de personer som utför datainsamlingen inte vet vilken försöksgrupp som är vilken. Detta minskar en stor grad av bias som annars skulle kunna uppstå, och trots att det tillför en stor mängd tillförlitlighet till en experimentell miljö kan det vara för arbetskrävande eller kostsamt att genomföra.

Ett exempel på ett dubbelblint upplägg. Forskare 1 delar upp grupperna medan forskare 2 utför experimentet med grupperna utan att veta vilka som är vilka. Uppgifterna ges sedan till forskare 1, som först efter analysen får veta vilken grupp uppgifterna tillhör.

Användning av fördefinierade plattformar för att skapa en försöksplan och för att genomdriva villkoren inom den säkerställer en nivå av konsekvens och tillförlitlighet som annars är svår att konstruera. Genom att genomföra (och registrera från) de olika experimentella förhållandena med ett standardiserat tillvägagångssätt kan allt göras konsekvent, vilket minskar risken för att eventuella potentiellt förväxlingsbara störningar uppstår.

Användning av mjukvara som iMotions på det här sättet hjälper också forskarna att spendera mindre tid på att behöva leda deltagarna genom studien. Detta gör att mer tid kan läggas på att få metodiken rätt, tolka data och få ut resultaten.

Det gör också att du kan lägga mer tid på att få dina data att se coola ut också.

Top of page

Slutsats

Psykofysiologiska mätningar gör det i slutändan möjligt för forskarna att kika djupare in i deltagarnas sinnen och deras underliggande fysiologiska tillstånd, vilket ger tillgång till ofiltrerade svar och känslor. Inspelningarna från sådana biosensorer kan ge en mycket ärligare bild av vad någon tänker och varför de beter sig på ett visst sätt.

Användning av biosensorer i kombination gör det möjligt att både korsvalidera och fördjupa resultaten, vilket ökar resultatens giltighet och därmed styrkan i experimentet. Detta är både enklare och mindre tidskrävande i iMotions.

Med detta i åtanke är det enklare att både lägga till fler datakällor till en studie och att använda tiden på ett effektivare sätt, vilket innebär att det är enklare än någonsin att få fram fördomsfria resultat – och otroliga fynd – än någonsin.

Kolla in: Studier av mänskligt beteende: Mätning, analys och förståelse

Fördomar är alltför vanliga inom forskningen, och jag hoppas att den här artikeln hjälper dig att guida dig till mer objektiva, tillförlitliga och reproducerbara resultat. Om du vill lära dig mer om bias kan du ta en titt på våra tidigare artiklar som behandlar deltagarbias, selektionsbias och forskarbias mer ingående. Och om du vill ha ännu fler råd och topptips för forskning kan du läsa vår omfattande guide om experimentell utformning. Den är gratis och fantastisk, en perfekt kombination.

Topp av sidan