Beschreibung von Ergebnissen: Unterschied zwischen den Versionen
(Die Seite wurde neu angelegt: „{{Nav|Navigation|Ergebnisinterpretation|Kommunikation und Recherche}} Wissenschaftliche Arbeit beschäftigt sich in der Regel mit Korrelationen|Zusammenhän…“) |
Paul (Diskussion | Beiträge) (Bild 6 (Tabelle) ausgetauscht!) |
||
| (Eine dazwischenliegende Version von einem anderen Benutzer wird nicht angezeigt) | |||
| Zeile 3: | Zeile 3: | ||
Wissenschaftliche Arbeit beschäftigt sich in der Regel mit [[Korrelationen|Zusammenhängen]. Bei der Beschreibung von Versuchsergebnissen beginnt man also üblicherweise bei den im Versuch gefundenen Zusammenhängen. <br/> | Wissenschaftliche Arbeit beschäftigt sich in der Regel mit [[Korrelationen|Zusammenhängen]. Bei der Beschreibung von Versuchsergebnissen beginnt man also üblicherweise bei den im Versuch gefundenen Zusammenhängen. <br/> | ||
Diese können zwischen [[Unabhängige Variablen|UV]] und [[Abhängige Variablen|AV]], mehreren UVs, oder mehreren AVs bestehen und verschiedene Ausprägungen haben. Nicht alle Zusammenhänge sind '''linear'''! Exponentielle oder andere nicht-lineare Zusammenhänge müssen besonders bei der [[Analyse]] und [[Präsentation von Daten|Darstellung]] der Daten berücksichtigt werden. | Diese können zwischen [[Unabhängige Variablen|UV]] und [[Abhängige Variablen|AV]], mehreren UVs, oder mehreren AVs bestehen und verschiedene Ausprägungen haben. Nicht alle Zusammenhänge sind '''linear'''! Exponentielle oder andere nicht-lineare Zusammenhänge müssen besonders bei der [[Analyse]] und [[Präsentation von Daten|Darstellung]] der Daten berücksichtigt werden. | ||
Es können auch verschiedene Stufen der Komplexität vorliegen. Interaktionen zwischen den unabhängigen Variablen, Mediatoren und mehr können ein ganzes Zusammenhangsnetzwerk bilden. In diesen Fällen ist es oft sinnvoll, [ | Es können auch verschiedene Stufen der Komplexität vorliegen. Interaktionen zwischen den unabhängigen Variablen, Mediatoren und mehr können ein ganzes Zusammenhangsnetzwerk bilden. In diesen Fällen ist es oft sinnvoll, [https://de.wikipedia.org/wiki/Faktorenanalyse Faktorenanalysen] und/oder [https://de.wikipedia.org/wiki/Pfadanalyse Pfadanalysen] durchzuführen, um die einzelnen Beziehungen eindeutiger beschreiben zu können. <br/> <br/> | ||
Sind die Ergebnisse an sich beschrieben, sollten sie in Verbindung mit der '''Forschungshypothese''' beleuchtet werden. Beispielsweise kann die Hypothese mit den tatsächlichen Ergebnissen in Tabellenform verglichen werden: | Sind die Ergebnisse an sich beschrieben, sollten sie in Verbindung mit der '''Forschungshypothese''' beleuchtet werden. Beispielsweise kann die Hypothese mit den tatsächlichen Ergebnissen in Tabellenform verglichen werden: | ||
{| class="wikitable" style="text-align:center;" | |||
Egal ob die gefundenen Ergebnisse der Vorhersage entsprechen, müssen sie auf [[ | |- | ||
! | |||
! No Context | |||
! Partial Context<br /> | |||
! Context before<br /> | |||
|- | |||
| Predicition | |||
| 0 | |||
| 0 | |||
| + | |||
|- | |||
| Data (Recall) | |||
| 3.6 | |||
| 4.0 | |||
| 8.0 | |||
|} | |||
Egal ob die gefundenen Ergebnisse der Vorhersage entsprechen, müssen sie auf [[Alpha-Fehler|Signifikanz]] geprüft werden (siehe auch: [[Entscheiden: Signaldetektion|Signalentdeckungstheorie]]). Bei mehrstufigen Designs kann man einen sogenannten ''Omnibustest'' durchführen (der überprüft ob <u>mindestens ein</u> Unterschied zwischen Verteilungen signifikant ist), oder mithilfe von [[Analyse|Einzelvergleichen]] den genauen Ort der '''signifikanten Unterschiede''' bestimmen. <br/> <br/> | |||
Und nicht nur auf die Signifikanz kommt es an – diese hängt nämlich u.a. von der Größe der [[Stichproben|Stichprobe]] ab. Die [[Effektgröße]] aber ist es, die darüber Auskunft gibt, ob signifikante Ergebnisse auch eine deutliche praktische Auswirkung haben. <br/> <br/> | Und nicht nur auf die Signifikanz kommt es an – diese hängt nämlich u.a. von der Größe der [[Stichproben|Stichprobe]] ab. Die [[Effektgröße]] aber ist es, die darüber Auskunft gibt, ob signifikante Ergebnisse auch eine deutliche praktische Auswirkung haben. <br/> <br/> | ||
Letztlich gilt zu bedenken, dass selbst eine Datenbeschreibung nicht nur objektiv ist (im Gegensatz zu den Annahmen der [[Normativ-Wertfreie Sichtweise|normativ-wertfreien Sichtweise]] auf Wissenschaft): Um Rückschlüsse auf die Forschungsfrage zu ziehen, müssen die Daten interpretiert werden – und hier kann es zu verschiedenen Arten der [[Biases|Verzerrung]] kommen. Datenbeschreibung und –interpretation ist also auch ein [[Deskriptive Sichtweise|sozial-konstruktiver Prozess]]. | Letztlich gilt zu bedenken, dass selbst eine Datenbeschreibung nicht nur objektiv ist (im Gegensatz zu den Annahmen der [[Normativ-Wertfreie Sichtweise|normativ-wertfreien Sichtweise]] auf Wissenschaft): Um Rückschlüsse auf die Forschungsfrage zu ziehen, müssen die Daten interpretiert werden – und hier kann es zu verschiedenen Arten der [[Biases|Verzerrung]] kommen. Datenbeschreibung und –interpretation ist also auch ein [[Deskriptive Sichtweise|sozial-konstruktiver Prozess]]. | ||
Aktuelle Version vom 5. November 2021, 09:55 Uhr
Wissenschaftliche Arbeit beschäftigt sich in der Regel mit [[Korrelationen|Zusammenhängen]. Bei der Beschreibung von Versuchsergebnissen beginnt man also üblicherweise bei den im Versuch gefundenen Zusammenhängen.
Diese können zwischen UV und AV, mehreren UVs, oder mehreren AVs bestehen und verschiedene Ausprägungen haben. Nicht alle Zusammenhänge sind linear! Exponentielle oder andere nicht-lineare Zusammenhänge müssen besonders bei der Analyse und Darstellung der Daten berücksichtigt werden.
Es können auch verschiedene Stufen der Komplexität vorliegen. Interaktionen zwischen den unabhängigen Variablen, Mediatoren und mehr können ein ganzes Zusammenhangsnetzwerk bilden. In diesen Fällen ist es oft sinnvoll, Faktorenanalysen und/oder Pfadanalysen durchzuführen, um die einzelnen Beziehungen eindeutiger beschreiben zu können.
Sind die Ergebnisse an sich beschrieben, sollten sie in Verbindung mit der Forschungshypothese beleuchtet werden. Beispielsweise kann die Hypothese mit den tatsächlichen Ergebnissen in Tabellenform verglichen werden:
| No Context | Partial Context |
Context before | |
|---|---|---|---|
| Predicition | 0 | 0 | + |
| Data (Recall) | 3.6 | 4.0 | 8.0 |
Egal ob die gefundenen Ergebnisse der Vorhersage entsprechen, müssen sie auf Signifikanz geprüft werden (siehe auch: Signalentdeckungstheorie). Bei mehrstufigen Designs kann man einen sogenannten Omnibustest durchführen (der überprüft ob mindestens ein Unterschied zwischen Verteilungen signifikant ist), oder mithilfe von Einzelvergleichen den genauen Ort der signifikanten Unterschiede bestimmen.
Und nicht nur auf die Signifikanz kommt es an – diese hängt nämlich u.a. von der Größe der Stichprobe ab. Die Effektgröße aber ist es, die darüber Auskunft gibt, ob signifikante Ergebnisse auch eine deutliche praktische Auswirkung haben.
Letztlich gilt zu bedenken, dass selbst eine Datenbeschreibung nicht nur objektiv ist (im Gegensatz zu den Annahmen der normativ-wertfreien Sichtweise auf Wissenschaft): Um Rückschlüsse auf die Forschungsfrage zu ziehen, müssen die Daten interpretiert werden – und hier kann es zu verschiedenen Arten der Verzerrung kommen. Datenbeschreibung und –interpretation ist also auch ein sozial-konstruktiver Prozess.