•Å skrive lange utlegninger om Kuhn, Popper, positivisme og hermeneutikk. Dette er exphil-stoff og har ikke forekommet på PSY1010-eksamen — sensor ser bort fra stoff som ikke er gjort relevant.
•Å blande sammen hypotese og forskningsspørsmål. Hypotesen er en påstand om en sammenheng, forskningsspørsmålet er et spørsmål.
•Å hoppe over operasjonalisering, som er det leddet som gjør hypotesen testbar.
•Å si at en teori er «bevist». Vitenskapelige påstander kan støttes, aldri endelig verifiseres.
•Å beskrive forskningsprosessen som strengt lineær uten å nevne at den er syklisk.
•Å forveksle systematisk oversikt og metaanalyse, eller å tro at metaanalyse alltid gir riktigere svar — publikasjonsskjevhet kan gjøre den systematisk skjev.
Forskningsdesign
•Å kalle en studie et eksperiment fordi den har to grupper. Uten manipulasjon av uavhengig variabel og tilfeldig tilordning er det et kvasieksperiment eller en korrelasjonsstudie.
•Å forveksle tilfeldig utvalg med tilfeldig tilordning. Det første gjelder generalisering, det andre kausal slutning.
•Å tolke aldersforskjeller i et tverrsnitt som aldersendring, uten å nevne at kohorteffekter kan forklare hele forskjellen.
•Å overse selektivt frafall og øvelseseffekter som prisen for et longitudinelt design.
•
Eksamenstips
Vitenskapsteori og forskningsprosessen
•Kan du de ti trinnene i forskningsprosessen, har du ryggraden i en hel oppgave. Nevn eksplisitt at prosessen er syklisk, og at forskningsspørsmålet bestemmer designet — begge poengene honoreres.
•Skill tydelig mellom teori, lov, modell og hypotese. Trekk gjerne inn at «teori» i vitenskapelig forstand er noe godt underbygd, i motsetning til dagligspråket.
•Ved oppgaver om operasjonalisering: gi to ulike operasjonaliseringer av samme begrep og drøft styrker og svakheter ved hver. Det viser forståelse framfor gjengivelse.
•Bruk falsifiserbarhet aktivt når du drøfter hypoteser — men ikke gå inn i Popper-eksegese. Poenget er at hypotesen må kunne avkreftes.
•Ved review mot metaanalyse: hovedskillet er kvalitativ mot statistisk sammenfatning. Nevn publikasjonsskjevhet som metaanalysens største svakhet.
Forskningsdesign
•Oppgaven spør nesten alltid «hva slags design er dette?» om et scenario. Svar med navnet OG begrunnelsen: er den uavhengige variabelen manipulert, og er deltakerne tilordnet tilfeldig? De to spørsmålene plasserer designet alene.
•Blir du bedt om å foreslå et design, velg ett og begrunn det ut fra forskningsspørsmålet — og nevn kort hva du gir opp. Sensor premierer begrunnede valg framfor oppramsing av alle alternativer.
•Ved aldersforskjeller i et tverrsnitt: nevn kohorteffekt eksplisitt, og at longitudinelt eller sekvensielt design er det som skiller alder fra kohort. Dette er et poeng mange kandidater går glipp av.
•Ta med spenningen mellom indre og ytre validitet når du drøfter laboratorium mot felt. Den gjelder i begge retninger, og ingen enkeltstudie kan maksimere begge.
•r_{sann} = \frac{r_{obs}}{\sqrt{r_{xx} r_{yy}}} — korreksjon for attenuering
•Tak på observert korrelasjon ved perfekt sann sammenheng: \sqrt{r_{xx} r_{yy}}
Deskriptiv statistikk
•\bar{x} = \frac{\sum x_i}{n} — gjennomsnittet
•s^2 = \frac{\sum (x_i-\bar{x})^2}{n-1} — utvalgsvariansen, med n-1 frihetsgrader i nevneren
•SD = \sqrt{s^2} — standardavviket, i samme enhet som målingen
•z = \frac{x-\bar{x}}{SD} — z-skåren; antall standardavvik fra gjennomsnittet
•r_{korrigert} = \frac{r_{xy}}{\sqrt{r_{xx}r_{yy}}} — korreksjon for attenuering ved lav reliabilitet
Single-subject-design og kasusstudie
•Nivåendring mellom faser: \bar{x}_{B} - \bar{x}_{A} — gjennomsnittet i tiltaksfasen minus gjennomsnittet i baselinjefasen
•PND = (antall tiltakspunkter som overstiger høyeste baselinjepunkt) / (antall tiltakspunkter) — over 90 % tolkes som svært effektivt, under 50 % som uten dokumentert effekt
•Stigningstall for trend i en fase: b = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2}, der x er øktnummer
Kvalitativ metode
•Cohens kappa for inter-koder-enighet: \kappa = \frac{p_o - p_e}{1 - p_e}, der p_o er observert og p_e forventet enighet. Vanlig tolkning: under 0,40 svak, 0,40–0,60 moderat, 0,60–0,80 god, over 0,80 svært god
•Metningsregelen: rekrutteringen stopper når nye informanter ikke lenger bidrar med nye koder eller kategorier — utvalgsstørrelsen er en konsekvens av analysen, ikke bestemt på forhånd
Forskningsetikk
•SE = SD/\sqrt{n} og SE(D) = SD\sqrt{2/n} — brukes til å vise om studien i det hele tatt kan påvise den effekten som skal rettferdiggjøre belastningen
•Minste påvisbare forskjell = t_{krit} \cdot SE(D) — er den langt større enn den ventede effekten, er studien underdimensjonert og dermed etisk problematisk
•De tre R-ene for dyreforsøk: Replacement, Reduction, Refinement — erstatte, redusere antallet, forbedre prosedyrene
Utvalg og generaliserbarhet
•SE = SD / \sqrt{n} — standardfeilen til gjennomsnittet; presisjonen øker med kvadratroten av n
•Grovt 95 %-intervall for et gjennomsnitt: \bar{x} \pm 1{,}96 \cdot SE
Å ramse opp alle designtyper uten å velge ett og begrunne det for det scenarioet oppgaven beskriver.
•Å tro at en mer avansert statistisk analyse kan kompensere for et svakt design. Analysen kan ikke skape kontroll som designet mangler.
•Å glemme at et faktorielt design krever deltakere i hver celle, slik at antallet betingelser vokser raskt når nivåer legges til.
Eksperimentell metode
•Å forveksle tilfeldig utvalg med tilfeldig tilordning. Utvalget gjelder generalisering og ytre validitet, tilordningen gjelder årsaksslutning og indre validitet.
•Å kalle en studie et ekte eksperiment når gruppene var gitt på forhånd (klasser, diagnoser, selvvalgt behandling). Da er det et kvasieksperiment, og seleksjon er en konkurrerende forklaring.
•Å tro at overføringseffekter kan oppstå i mellomgruppedesign. De gjelder bare når samme deltaker møter flere betingelser.
•Å blande hovedeffekt og interaksjon. Hovedeffekten er differansen mellom marginalgjennomsnittene; interaksjonen er at effekten av én UV avhenger av nivået på den andre.
•Å rapportere hovedeffektene som om de gjaldt alle betingelser når interaksjonen er substansiell — cellegjennomsnittene viser da et annet bilde enn marginalene.
•Å tro at flere deltakere fjerner konfundering. Systematisk feilvarians blir bare estimert mer presist; det er kontroll og tilfeldig tilordning som fjerner den.
•Å hoppe over manipulasjonssjekken, og dermed tolke et nullfunn som at hypotesen er gal når manipulasjonen kan ha vært for svak.
Måling, reliabilitet og validitet
•Å forveksle validitet i måling (innholds-, begreps-, kriterie-, ansiktsvaliditet) med indre og ytre validitet, som gjelder slutninger og design.
•Å påstå at en test kan være valid uten å være reliabel. Rekkefølgen er omvendt: reliabilitet er nødvendig, men ikke tilstrekkelig.
•Å blande samtidig og prediktiv kriterievaliditet. Samtidig validitet måler kriteriet nå, prediktiv validitet fram i tid.
•Å lese rå prosent enighet mellom to kodere som god reliabilitet. Uten kappa vet du ikke hvor mye av enigheten som er tilfeldig.
•Å regne gjennomsnitt på nominale data, eller å tolke intervallskårer som forholdstall («dobbelt så høy IQ»).
•Å behandle reliabilitet og validitet som ja- eller nei-egenskaper i stedet for grader som vurderes ut fra formålet med målingen.
•Å forklare en svak observert korrelasjon som fravær av sammenheng, uten å vurdere om upålitelige målinger har dempet den.
Deskriptiv statistikk
•Å forveksle standardavvik og standardfeil. SD beskriver spredningen mellom personer, SE presisjonen i gjennomsnittsestimatet. Bare SE avhenger av utvalgsstørrelsen.
•Å dele på n i stedet for n-1 når variansen regnes for et utvalg. Det gir et systematisk for lavt estimat av populasjonsvariansen.
•Å oppgi gjennomsnittet for en tydelig skjev fordeling uten å nevne medianen. Med en hale av høye verdier ligger gjennomsnittet over det som er typisk.
•Å tro at z-skalering gjør fordelingen normal. Standardisering setter gjennomsnittet til 0 og SD til 1, men formen er uendret.
•Å oppgi et gjennomsnitt uten spredningsmål. To grupper med samme gjennomsnitt kan være helt ulike, og sensor kan ikke lese noe ut av tallet alene.
•Å regne gjennomsnitt av nominale eller klart ordinale data, for eksempel av kategorikoder. Modus og median er det som er forsvarlig der.
•Å behandle en flagget uteligger som en feil og fjerne den uten begrunnelse. IQR-regelen flagger observasjoner for undersøkelse, ikke for sletting.
Inferensstatistikk
•Å si at p-verdien er sannsynligheten for at nullhypotesen er sann. p er sannsynligheten for dataene, eller noe mer ekstremt, gitt at H0 er sann — den motsatte retningen.
•Å lese et ikke-signifikant resultat som bevis for at det ikke finnes noen effekt. Fravær av bevis er ikke bevis for fravær, og lav styrke er den vanligste forklaringen.
•Å forveksle statistisk signifikans med praktisk betydning. Med stor nok n blir en helt triviell forskjell signifikant, og derfor må effektstørrelsen oppgis.
•Å bruke t-test for uavhengige utvalg på parede data, eller motsatt. Frihetsgradene og feilleddet blir gale, og styrken kastes bort.
•Å kjøre en rekke parvise t-tester ved tre eller flere grupper. Den samlede feilraten blåses opp, og ANOVA er det riktige valget.
•Å bytte til ensidig test etter at den tosidige ikke ble signifikant. Retningen må begrunnes teoretisk før dataene ses.
•Å oppgi et t- eller F-tall uten å si hvilken fordeling og hvor mange frihetsgrader det gjelder. Uten df er tallet ikke mulig å vurdere, og sensor kan ikke se om den kritiske verdien er riktig.
Korrelasjon og regresjon
•Å tolke en korrelasjon kausalt. Samvariasjon alene utelukker verken omvendt årsaksretning, tredjevariabler eller tilfeldighet, og en korrelasjonsstudie oppfyller bare det første av de tre kravene til kausalslutning.
•Å forveksle r og r i andre. r = 0,30 betyr ikke 30 % forklart varians, men 9 % — over 90 % av variasjonen står uforklart.
•Å konkludere at det ikke finnes noen sammenheng når r er nær null. Pearsons r fanger bare det lineære, og en tydelig omvendt U kan gi r lik null.
•Å oppgi en teststatistikk for r uten frihetsgrader, eller å bruke df = n-1. Riktig er df = n-2, og den kritiske verdien avhenger sterkt av n.
•Å bytte om prediktor og kriterium i regresjonslikningen. b er endring i y per enhets økning i x, og likningen kan ikke snus ved å bytte om variablene.
•Å predikere for x-verdier langt utenfor det observerte området, eller å tolke konstantleddet a bokstavelig når x = 0 aldri forekommer i dataene.
•Å tolke en r-verdi uten å se på spredningsdiagrammet. Én uteligger kan snu retningen i et lite utvalg, og restriksjon i variasjonsbredde kan trykke r kraftig ned.
Single-subject-design og kasusstudie
•Å behandle kasusstudien og N=1-eksperimentet som samme sak. Den første beskriver, den andre manipulerer — og bare den andre gir grunnlag for årsaksslutninger.
•Å foreslå ABAB-design for et tiltak som ikke kan trekkes tilbake, som opplæring eller en innlært ferdighet. Da er multippel baselinje det riktige valget.
•Å tolke et nivåsprang uten å se på baselinjens trend og variabilitet. En stigende eller urolig baselinje gjør nivåendringen langt mindre overbevisende.
•Å hevde at single-subject-design generaliserer dårlig og stoppe der. Poenget er at generaliseringen skjer gjennom replikasjon over flere tilfeller, ikke gjennom trekking fra en populasjon.
•Å blande klinisk og statistisk signifikans, eller å kjøre en vanlig t-test på fasene som om observasjonene var uavhengige. Tidsseriedata er autokorrelerte.
•Å glemme at alternerende behandling er utsatt for overføringseffekter, og at rekkefølgen derfor må randomiseres.
•Å beskrive fasene som A og B uten å si hva som faktisk måles, hvor ofte og hvor lenge. Uten operasjonalisering av atferden er designet ikke ferdig beskrevet.
Kvalitativ metode
•Å formulere det kvalitative forskningsspørsmålet som en hypotese eller et ja- og nei-spørsmål. Det skal være åpent og utforskende.
•Å skrive at kvalitativ metode er «mindre vitenskapelig» eller bare et forstadium til den kvantitative. De svarer på ulike spørsmål, og begge har egne kvalitetskrav.
•Å behandle kvalitativ metode som ett og det samme som intervju. Fokusgruppe, observasjon og dokumentanalyse hører også hjemme her, og valget mellom dem må begrunnes.
•Å bruke reliabilitet og validitet ukritisk om kvalitativ forskning uten å nevne de kvalitative motpartene troverdighet, overførbarhet, pålitelighet og bekreftbarhet.
•Å oppgi et antall informanter uten å knytte det til metning, eller å forsvare et lite utvalg med at «kvalitativ forskning trenger ikke mange».
•Å nøye seg med å nevne at forskeren påvirker prosessen. Refleksivitet krever at du sier hva ved forskerens posisjon som virker, og i hvilken retning.
•Å hoppe over analysetrinnene og skrive at dataene ble «analysert tematisk». Det er kodingen og veien fra kode til tema som skal vises.
Forskningsetikk
•Å nevne informert samtykke uten å bryte det ned. Poengene ligger i de fire komponentene informasjon, forståelse, frivillighet og rett til å trekke seg.
•Å bytte om på konfidensialitet og anonymitet. Ved anonymitet kjenner ikke forskeren identiteten; ved konfidensialitet gjør hun det, men beskytter den.
•Å svare at villedning aldri kan tillates. Den kan forsvares når spørsmålet er viktig, det ikke finnes alternativ, belastningen er liten og det gis full debrifing.
•Å tro at et viktig resultat i seg selv gjør en studie etisk forsvarlig. Nytten må veies mot belastningen, og en studie som ikke kan svare har ingen nytte å veie med.
•Å behandle etikk som noe som avsluttes ved samtykkeskjemaet. Debrifing, datalagring, sletting, publisering og medforfatterskap hører også hjemme her.
•Å gjengi Milgram og Zimbardo som skrekkhistorier uten å si hva de endret i regelverket. Det er lærdommen, ikke hendelsen, som gir poeng.
•Å glemme at frivillighet kan undergraves av skjult press, for eksempel når behandleren eller emneansvarlige selv rekrutterer sine pasienter eller studenter.
Feilkilder og kritisk vurdering
•Å skrive om kognitive bias, logiske feilslutninger og kildekritikk i allmenn forstand. Emnet handler om feilkilder i forskningsdesign, og annet stoff må gjøres relevant for å telle.
•Å ramse opp alle validitetstrusler uten å vurdere hvilke som faktisk er aktuelle i det beskrevne scenarioet.
•Å tro at et større utvalg retter opp konfundering eller skjev rekruttering. Systematisk feil blir bare mer presist målt.
•Å tolke p-verdien som sannsynligheten for at nullhypotesen er sann.
•Å lese et ikke-signifikant resultat som bevis for at det ikke finnes noen effekt.
•Å blande inn indre og ytre validitet når spørsmålet handler om et måleinstruments kvalitet.
Utvalg og generaliserbarhet
•Å forveksle randomisert utvalg med randomisert tilordning. Det første gjelder generaliserbarhet, det andre kausale slutninger.
•Å tro at et stort utvalg retter opp skjev rekruttering. Skjevheten er systematisk og blir bare mer presist målt.
•Å ramse opp alle samplingsprosedyrer uten å begrunne hvilken som passer i det beskrevne tilfellet.
•Å kalle et utvalg «representativt» uten å vise til hvordan det ble trukket.
•Å overse at selektivt frafall også truer indre validitet, ikke bare ytre.
•Å glemme at generaliseringen også gjelder situasjoner, tidspunkter og operasjonaliseringer — ikke bare personer.
•Nevn pilotstudie og styrkeberegning når oppgaven ber deg planlegge en undersøkelse — det viser at du tenker på gjennomføring, ikke bare på prinsipper.
•Kan årsaken ikke manipuleres etisk eller praktisk (kjønn, diagnose, traume, røyking), si det, og bygg i stedet det sterkeste kvasieksperimentet: førmåling, matching, kontrollgruppe og flere måletidspunkter.
•Ved review mot metaanalyse: hovedskillet er kvalitativ mot statistisk sammenfatning, og publikasjonsskjevhet er metaanalysens største svakhet.
Eksperimentell metode
•Temaet kommer som en hel oppgave med deloppgaver: identifiser design, pek ut UV og AV, drøft trusler mot indre validitet, og foreslå forbedringer. Behandle de fire punktene som en fast disposisjon.
•Spør oppgaven om «to hovedtyper design», er svaret mellomgruppe og innengruppe. Gi fordeler OG ulemper for begge, og si hvilket du ville valgt i det aktuelle scenarioet og hvorfor.
•Ved faktorielle design: sett opp en firefeltstabell med marginalgjennomsnitt, regn hovedeffektene som differanser mellom marginalene og interaksjonen som differansen av differansene. Tall og tabell gir mer uttelling enn en verbal beskrivelse.
•Finner du en substansiell interaksjon, si eksplisitt at hovedeffektene må tolkes med forbehold. At en interaksjon kan finnes uten hovedeffekter, er et poeng som honoreres.
•De tre kjennetegnene på et ekte eksperiment — manipulasjon, sammenligningsbetingelse og tilfeldig tilordning — spørres om direkte. Bruk dem også som testen din på om et scenario er et kvasieksperiment.
•Ved behandlings- og tiltaksstudier: nevn placebo, dobbel blinding, frafall og demand characteristics. Legg til manipulasjonssjekk, særlig hvis resultatet i scenarioet ikke ble signifikant.
•Kjenn Solomons firegruppedesign og hva hver av de fire gruppene bidrar med. Det har kommet som den vanskeligste deloppgaven i et sett.
Måling, reliabilitet og validitet
•Inneholder scenarioet et spørreskjema eller en test, kommer det nesten sikkert deloppgaver om både reliabilitet og validitet. Nevn konkrete framgangsmåter for hver form, ikke bare definisjonene.
•Skill uttrykkelig mellom validitet i måling og indre eller ytre validitet. Å blande dem er den feilen som koster mest på dette temaet.
•Poenget om at en test kan være reliabel uten å være valid, men ikke valid uten å være reliabel, honoreres eksplisitt. Bygg det ut med attenuering: lav reliabilitet setter et tak på hvor sterk en observert sammenheng kan bli.
•Er Cronbachs alfa oppgitt i oppgaveteksten, tolk den som indre konsistens, og legg til at alfa også vokser med antall ledd. Da viser du mer enn tolkningen av tallet.
•Ved observasjonsstudier med to kodere: nevn inter-rater reliabilitet og Cohens kappa, og at kappa korrigerer for enighet som skyldes tilfeldighet. Kan du regne kappa fra en firefeltstabell, har du en hel deloppgave.
•Ved kritikk av en operasjonalisering: pek på hva begrepet inneholder som målingen ikke fanger (innholdsvaliditet), og foreslå en alternativ måling. Det er sterkere enn å skrive at operasjonaliseringen er «for snever».
•Ved tak- og gulveffekter: koble dem til at spredningen blir kunstig liten, at endring ikke kan måles, og at korrelasjoner dempes. Nevn pilotstudien som stedet å avdekke dem.
Deskriptiv statistikk
•Formlene oppgis i oppgaveteksten, så pugging gir ingenting. Det som gir uttelling, er å vise mellomregningen ryddig og deretter forklare hva tallet betyr i oppgavens kontekst — «et standardavvik på 4,9 riktige svar betyr at en typisk student ligger knapt fem svar fra gjennomsnittet på 18».
•Får du et rådatasett: sorter det først, og regn ut både gjennomsnitt, median og modus selv om oppgaven bare ber om ett av dem. Avviket mellom dem er selve inngangen til å drøfte skjevhet, og den drøftingen er det sensor honorerer.
•Begrunn valget av sentralmål framfor å ramse opp alle tre. Ved en skjev fordeling eller en flagget uteligger: velg medianen, og si hvorfor den er robust (den bygger på rangering, ikke på tallverdier).
•Husk at varians for et utvalg deles på n-1, og forklar gjerne hvorfor i én setning (avvikene måles fra utvalgets eget gjennomsnitt, så n ville gitt et systematisk for lavt estimat). Det er en billig måte å vise dybde.
•Skill konsekvent mellom standardavvik og standardfeil, og få fram at SE synker med kvadratroten av n mens SD ikke synker av flere deltakere. Dette skillet spørres om direkte.
•Ved z-skårer: bruk dem til å sammenligne skårer fra ulike skalaer, og koble til 68-95-99,7-regelen for å angi omtrentlig persentil. Påpek samtidig at standardisering ikke gjør en skjev fordeling normal.
•Blir du bedt om å vurdere en uteligger: bruk IQR-regelen til å vise at den faktisk er flagget, og drøft deretter om den skal beholdes. Å fjerne observasjoner uten begrunnelse og rapportering er en metodefeil.
Inferensstatistikk
•Formlene oppgis i oppgaveteksten, så det som gir uttelling, er å vise at du vet hva de gjør. Regn i oppstilte steg, og skriv alltid eksplisitt hvilken fordeling og hvor mange frihetsgrader du bruker — «t-fordelingen med df = 18» — og at den kritiske verdien er slått opp for tosidig test på 5 %-nivå.
•Bruk sekvensen H0, H1, alfa, teststatistikk, fordeling og df, kritisk verdi, konklusjon som fast disposisjon. Sensor kan følge resonnementet ditt punkt for punkt, og du glemmer ikke ledd.
•Avgjør først om utvalgene er uavhengige eller parede, og si hvorfor. Samme personer målt to ganger gir df = n-1 og en paret test; ulike personer gir df = n1 + n2 - 2. Feil valg her rammer hele resten av utregningen.
•Avslutt alltid med en faglig konklusjon i variabelens egne enheter, pluss effektstørrelse (Cohens d) og gjerne konfidensintervall. En besvarelse som stopper ved «p er under 0,05» får ikke full uttelling.
•Ha den korrekte p-verdi-formuleringen klar ordrett: sannsynligheten for det observerte resultatet eller noe mer ekstremt, gitt at H0 er sann. Feiltolkningen at p er sannsynligheten for at H0 er sann, trekkes eksplisitt for.
•Nevnes tre eller flere grupper, foreslå ANOVA og begrunn det med den samlede feilraten — regn den gjerne ut (tre parvise tester gir 14,3 % risiko for minst én falsk positiv). Det konkrete tallet er langt sterkere enn å skrive «feilraten øker».
•Ved et ikke-signifikant resultat: drøft statistisk styrke og utvalgsstørrelse framfor å konkludere med at effekten er null. Oppgi konfidensintervallet og pek på hvilke effektstørrelser som fortsatt er forenlige med dataene.
Korrelasjon og regresjon
•Formlene for r, b og a oppgis i oppgaveteksten, så uttellingen ligger i å vise mellomregningen ryddig — avvik, produkter og kvadratsummer i en tabell — og deretter tolke tallet i oppgavens kontekst.
•Er en r-verdi oppgitt: si alltid både retning og styrke, regn ut r i andre og gjør om til prosent delt varians, og kommenter hvor mye som står uforklart. Å nøye seg med «en moderat positiv korrelasjon» gir halv uttelling.
•Ved signifikanstest av r: oppgi eksplisitt at teststatistikken følger t-fordelingen med df = n-2, og at den kritiske verdien er slått opp for tosidig test på 5 %-nivå. Forklar gjerne at to frihetsgrader går tapt fordi begge gjennomsnittene er estimert.
•Skill konsekvent mellom statistisk signifikans og praktisk styrke. Et tallpoeng som imponerer: med n = 100 er kritisk r bare 0,197, så r = 0,20 blir signifikant selv om det svarer til 4 % delt varians.
•Ved regresjon: regn ut både b og a, skriv opp likningen, sett inn en x-verdi og tolk svaret. Tolk b som endring i predikert y per enhets økning i x, og påpek om å ligger utenfor det observerte området for x.
•Ved «hvorfor kan vi ikke si at x forårsaker y?»: gå gjennom omvendt årsaksretning, tredjevariabel og tilfeldighet, og avslutt med de tre kravene til kausalslutning (samvariasjon, tidsrekkefølge, utelukking av alternativer). En piltegning av kausalmodellen honoreres.
•Har du plass, nevn minst ett forhold som forvrenger r — restriksjon i variasjonsbredde, attenuering ved lav reliabilitet, kurvelinearitet eller en uteligger. Dette skiller de sterkeste besvarelsene fra de gode.
Single-subject-design og kasusstudie
•Når temaet kommer, kommer det som en hel oppgave med et klinisk scenario. Da forventes det at du velger ETT design, begrunner valget og beskriver fasene konkret med hva som måles og hvor lenge — ikke at du ramser opp alle variantene.
•Det mest belønnede enkeltpoenget er skillet mellom N=1-eksperimentet (manipulasjon, deltakeren er sin egen kontroll, kausal slutning mulig) og kasusstudien (beskrivende, ingen manipulasjon, ingen kausal slutning). Skriv det eksplisitt.
•Er tiltaket irreversibelt — opplæring, en innlært ferdighet, en operasjon — er reverseringsdesign feil svar. Foreslå multippel baselinje og forklar hvorfor tidsforskjøvet innføring gir kontrollen.
•Nevn stabilitetskravet til baselinjen og hva en trend i baselinjen gjør med tolkningen. Sensor honorerer at du ser at en stigende baselinje undergraver slutningen selv om tiltaket ser ut til å virke.
•Ved visuell analyse: gå systematisk gjennom nivå, trend, variabilitet, latens, overlapp og konsistens mellom like faser. Regn ut gjennomsnittet per fase hvis du får tall — det tar ett minutt og gir uttelling.
•Drøft klinisk mot statistisk signifikans, og nevn at autokorrelasjon i tidsserien er grunnen til at vanlige signifikanstester passer dårlig på N=1-data.
•Avslutt med generaliserbarhet: replikasjon over flere enkelttilfeller er strategien, ikke utvalgsteori. Sett det opp mot at gruppegjennomsnitt kan skjule individuelle forskjeller.
Kvalitativ metode
•Temaet er i vekst — det har vært på alle de fire siste settene. Regn ikke med å kunne velge det bort, og ha særlig intervjuguide, tematisk analyse og de fire kvalitetskriteriene klare.
•Deloppgavene i en kvalitativ oppgave henger tett sammen. Skriv en sammenhengende tekst som følger studien fra forskningsspørsmål via utvalg og datainnsamling til analyse og kvalitetsvurdering, framfor korte oppramsinger.
•Blir du bedt om å formulere et forskningsspørsmål: bruk et åpent spørreord (hvordan, hva slags, hvilke erfaringer), unngå ja- og nei-form, og pek på gruppen og konteksten. Lag gjerne to eller tre konkrete oppfølgingsspørsmål til intervjuguiden også — det viser at du kan operasjonalisere.
•De fire kvalitetskriteriene gir høy uttelling når du parer dem med de kvantitative motpartene: troverdighet mot indre validitet, overførbarhet mot ytre validitet, pålitelighet mot reliabilitet, bekreftbarhet mot objektivitet — og sier konkret hva forskeren gjør for å sikre hvert av dem.
•Begrunn utvalgsstørrelsen med metning, ikke med et tall. Sier du «tolv informanter», så forklar at antallet er en følge av at nye intervjuer ikke lenger gav nye kategorier.
•Skriv om refleksivitet med et konkret eksempel på hvordan forskerens posisjon kan påvirke datainnsamlingen. Generelle formuleringer om at «forskeren påvirker» teller lite.
•Blir du spurt om kvalitativ mot kvantitativ metode: still spørsmålet foran metoden. Vis hvordan samme tema gir to ulike forskningsspørsmål, og foreslå mixed methods der begge trengs.
Forskningsetikk
•Etikk er i dag oftest en deloppgave d i en oppgave om noe annet. Det gjør temaet svært lønnsomt: to eller tre presise etikkpoeng, knyttet til nettopp den studien scenarioet beskriver, gir uttelling uansett hvilken oppgave du velger.
•Skillet konfidensialitet mot anonymitet blir spurt om direkte. Anonymitet betyr at identiteten er ukjent også for forskeren; konfidensialitet at forskeren kjenner den men ikke gir den videre. Legg til at studier med førmåling eller oppfølging må være konfidensielle, ikke anonyme.
•Ved villedning: gå gjennom de fire vilkårene (viktig spørsmål, ingen alternativ, liten belastning, full debrifing) framfor å svare ja eller nei. Sensor premierer den betingede drøftingen.
•Bruk regnestykket om styrke som etisk argument: en underdimensjonert studie belaster deltakere uten å kunne svare. Det kobler etikk til statistikk og skiller besvarelsen fra dem som bare ramser opp prinsipper.
•Ved kontrollgruppedesign i behandlingsforskning: nevn ventelistekontroll med behandling etter studien, informasjon om randomiseringen på forhånd, eksklusjon av de mest alvorlig syke, og forhåndsdefinerte kriterier for å avbryte.
•Ved de historiske sakene: skriv hva saken lærte feltet, ikke bare hva som skjedde. Milgram viste at psykisk belastning teller, Zimbardo at det må finnes avbruddskriterier og uavhengig tilsyn, Tuskegee at byrdene må fordeles rettferdig og at behandling ikke kan holdes tilbake.
•Har oppgaven barn eller pasienter som deltakere: nevn samtykke fra foresatte kombinert med barnets eget alderstilpassede samtykke, og at et barns motvilje skal respekteres selv om foresatte har samtykket.
Feilkilder og kritisk vurdering
•Lær trusselsjekklisten utenat (seleksjon, frafall, historie, modning, testeffekter, instrumentering, regresjon mot gjennomsnittet, overføringseffekter, reaktivitet, diffusjon). Gå gjennom den systematisk når du blir bedt om å finne feilkilder — og pek ut den viktigste framfor å ramse opp alle.
•Skill alltid mellom systematisk og tilfeldig feilvarians, og få fram at flere deltakere bare hjelper mot den siste. Det er poenget som skiller en god besvarelse fra en middels.
•Ved «hvordan kan studien forbedres?»: foreslå randomisering først, deretter førmåling som kovariat, standardiserte betingelser og blinding. Begrunn hvert forslag.
•Ha de fire p-verdi-feiltolkningene klare, og formuler den korrekte varianten. De nevnes eksplisitt i sensorveiledningene.
•Ved konfundering: pek ut nøyaktig hvilke to variabler som varierer i takt, og hvorfor de ikke kan skilles. Det er langt sterkere enn å skrive «det finnes feilkilder».
Utvalg og generaliserbarhet
•Blir du bedt om «hva slags utvalg har vi med å gjøre?» ved en undersøkelse delt ut på forelesning eller via Facebook: svaret er et ikke-tilfeldig bekvemmelighetsutvalg. Bonus for å nevne muligheten for å se det som et klyngeutvalg, og for å koble til ytre validitet.
•Skill klart mellom randomisert UTVALG (trekking fra populasjonen, gjelder generalisering) og randomisert TILORDNING (fordeling på betingelser, gjelder årsaksslutning). Disse forveksles ofte.
•Ved samplingsprosedyrer: sensor honorerer begrunnede valg framfor oppramsing av alle varianter. Velg én eller to og forklar hvorfor de passer.
•Husk formelen \(SE = SD/\sqrt{n}\) og poenget om at man må firedoble n for å halvere SE. Det gir en konkret regnedel i en ellers teoretisk oppgave.
•Ved frivillighetsskjevhet: nevn hvilke kjennetegn som er «ofte til stede» og hvilke som er mindre viktige, og legg vekt på hva det betyr for validiteten.
•Ved «trusler mot ekstern validitet»: nevn snevert utvalg, kunstige betingelser, reaktivitet og ensidig operasjonalisering — og at ytre validitet ofte står i spenning til indre.