Embed Size (px)
Citation preview
”Mät det som är mätbart, gör
mätbart det som ej ännu är så!”
Gallileo Galliei
1564-1642
Jonas Kågström 2012
"All human knowledge, up to the highest
flights of science, is but the development of
our inborn animal instincts" C S Peirce
“I think perhaps the most important problem
is that we are trying to understand the
fundamental workings of the universe
via a language devised for telling one
another when the best fruit is.” Terry
Pratchett
En på miljarden!
Behöver 4 st frivilliga!
Välj ett heltal mellan 1-1.000.000.000
Team 1: Gissning – Rätt/fel
Team 2: Gissning – Högt/lågt
T1 tar ca 500.000.000 gissningar
T2 bör ta ca 30 gissningar eller ”försök”!
Att forska är inte att gissa!
Bra metod & forskningsdesign ger ett bidrag!
Olika inställning:
- Skolastiker: Letar efter universella ”Sanningar”!
- Evolutionära epistemologer: Strävar efter
gradvis bättre kunskap.
- Postmoderna: Dekonstruerar subjektiva
sanningar.
Kunskapstillväxt!
Vetenskaplig metod är nyckeln till välstånd!
Mitt metodologiska ”släktträd”
Sir Francis Bacon – ”sanning” vs användbarhet!
D Hume – induktion & observation…
CS Pierce – abduktion & nyfikenhet!
Sir Karl Popper/FA Hayek –
”kunskapsproblemet” – ingen kan veta allt!
Donald T. Campbell – evolutionär epistemologi
– kunskap uppstår genom ”naturligt urval” –
endast de ”bästa” teorierna kommer att (bör)
överleva!
Sir Francis Bacon (1561-1626)
Bryter med skolastiken & med deduktionen!
Experiments. of Light vs Exp. of Fruit
Vetenskap ska inte söka ”sanning” utan ska
förbättra saker!
Novum Organum (1620) – att
ödmjukt studera världen,
experimentera och förbättra den!
David Hume (1711-1776)
Kausalitet kan endast bestämmas genom
induktion, men…
Induktion är en osäker metod… (ex. ”myntet”)
MEN det innebär inte att observation är en dålig
metod!
Bara att man måste
observera/experimentera mer!
Charles Sanders Peirce (1839-1914)
Nyfikenhet inför ”anomalier” bör styra den
som forskar!
Slumpen bör styra urvalet!
Abduktion som alt metod – mer lik hur man
faktiskt forskar!
Deduktion Induktion Abduktion
Premiss 1 Regel Fall Resultat
Premiss 1 Fall Resultat Regel (-er)
Slutsats Resultat Regel Fall
Sir Karl Popper (1902-1994)
Bygger vidare på Bacon & Hume!
”Löser” induktionens problem genom:
Falsifiering – dvs det resultat som är lättast att
bevisa som ”fel”, men som ändå håller har
störst vetenskapligt värde!
Ex: Solen går upp varje morgon.
Ex: Uppmärksamhet -> Produktivitet
Donald T. Campbell (1916-1996)
”Evolutionär Epistemologi” – endast bra
teorier bör överleva!
Genom ”trial & error” kan vi nå kunskap
Myntar ”intern & extern validitet” – dvs ett
exp kan ha hög IV men aldrig hög EV – för
det krävs många datapunkter!
Summering Bacon lade grunden för induktiva experiment
för att leta efter kausalitet!
Hume varnade för dolda hinder för kausalitet
Peirce hade prio på nyfikenhet & slumpurval
Popper introducerade falsifiering som sättet att
ständigt förbättra vår kunskap
Campbell sätter allt i ett sammanhang
(”paradigm”) där vår kunskap gradvis växer!
Varför går Ica Sohlbergs bättre?
Klassiskt syfte: Vårt exjobb ska undersöka
varför Ica Sohlbergs är mer framgångsrikt
än Ica Söder!
Enkel eller svårt exjobb?
Hur skulle ni lägga upp den
undersökningen?
Kausal Densitet - experiment
ICA Söder vs Ica Sohlberg
Bilda små grupper (ca 5pers) o skriv ner
vad ni tror att skillnader i försäljning kan
bero på!
”Min” lista (från tidigare forskning) 1. Storlek på butik
2. Butikens ålder
3. Antal närboende
4. Snittinkomst
5. Antal (A) barn
6. A konkurrenter
7. Konk. kvalitet (Q)
8. P-platser A&Q
9. Trafik förbi affären
10. Avstånd till tr-led
11. Synlighet fr väg
12. A&Q av komplem.
13. Inredningslayout
14. Öppettimmar/vecka
15. A anställda
16. Erf-nivå på anst &
chef
17. Mix av komp anst.
18. Demog mix/match
19. Hyllmeter/varutyp
Forts…
20. Produkter/varutyp
21. Prod.posit i butiken
22. Lagerstorlek
23. Försäljning/timme
24. Antal kassor
25. Stöldskydd
26. Städnivå i butiken
27. Ljussättning (A&UH)
28. Bankomat i butik
29. Reklam:TV/Radio/osv
30. Reklam A&Q
Alltså MINST 30 variabler…
Mät varje som Låg/Medel/Hög:
3^30= 2x1014 0,2 biljarder lösningar
Mät på skala 0-10:
10^30= 1x1030 dvs 1 kvintiljon lösningar
Omitted Variable Bias…
Så 30 variabler ska förklara 100% av skillnaden?
MEN hur många har vi inte missat?
Hur mycket förklarar de variabler som vi missat?
Hur många variabler missas i andra exjobb?
Ser ni faran med exjobb av typen: ”Hur påverkar
ledarstilen de anställdas motivation?”
Att sortera ”lösningar”…
Min avhandling hade 60 variabler på 100-
gradiga skalor. Dvs ALLA kända variabler!
100^60= 1x10120 dvs >1 ”Googol” lösningar
Ungefär lika många kombinationer som i en V-
Cube 6
5x1020 stjärnor som vi kan se &
universum är 8,8x1023 ljusår i diameter
Ofattbart mycket!
Att sortera är att förenkla…
Efter statistiska körningar återstod 9 av de 60
variablerna
Växlade från 100 till 3 värden (Låg/Medel/Hög)
Det gav ändå 5*(3^9)= 98415 alternativ!
Nya körningar gjorde att jag kunde eliminera
ytterligare kombinationer – 24st i gruppen 91-
100% återvinningsgrad.
Mycket lättare att hantera!
Dessutom helt säker på att inte missa något
I min forskning Nr RR Actual
Knowled
ge
Perceive
d
Knowle
dge
Social
Pressur
e (Ez)
Env
concer
n (To)
Ease of
use
(Ba)
Smelly Messy Belief
in
system
Efficien
cy
97286 91-
100
H H M M M L L M M
97289 91-
100
H H M M M L L H M
97367 91-
100
H H M M H L L M M
97368 91-
100
H H M M H L L M H
97370 91-
100
H H M M H L L H M
97371 91-
100
H H M M H L L H H
Kallas för Zwickyboxar
Ett sätt att få struktur och kontroll
Hjälpte Fritz Zwicky (1898-1974) att upptäcka
”Mörk materia”
Hjälper dig att systematiskt eliminera icke-
existerande kombinationer av variabler!
Vi skapar en Zwicky box!
För ICA Söder vs ICA
Ta bort allt vi inte kan påverka (antal
boende tex)
Hitta det som går att påverka
Testa det systematiskt!
Storlek Öppettimmar/v Bankomat Tv-reklam Antal kassor
Liten 50 JA Nej 2
Medium 56 NEJ Få inslag 3
Stor 63 Medium 4
Maxi 70 Många 5
84
Ett exempel – från klassen? Ett antal variabler med olika antal värden
5st variabler med 4-6 värden
Ger 4*6*5*5*4= 2400 olika alternativ!
Leta efter (o)önskade kombinationer
Ta bort oönskade/omöjliga kombinationer
Hitta såna du inte trodde fanns!
Wheels Nr of passengers Propulsion Top speed Cost
1 1 Electrical 10 km/h 20€
2 2 Diesel 20 km/h 200€
3 3 Petrol 50 km/h 2000€
4 4 Fuel cell 100 km/h 20000€
10 Pedals 200 km/h
20
Hitta såna du inte trodde fanns…
Vätgascykeln!
2 hjul
1 passagerare
Bränslecell
50+ km/h
200+ €
Men hur gallrar man i sina data?
Statistik
Faktoranalys
Clusteranalys
Regressionsanalys
Intervjuer
Med ett ”gediget” upplägg…
1. Problem
2. Litteratur & teorier
3. 1:a intervjuerna – samtal
4. Datainsamling – enkät?
5. Första analys - statistisk
6. 2:a intervjuomgången – uppföljning
7. Andra analysen – systematisering
8. Slutsatser & diskussion
Data & exjobb…
Komplex process
Ett hantverk
Övning ger…
Alla delar viktiga
Håll målet i fokus
”Data!”
Kvalitativ vs Kvantitativ Jag föredrar att zick-zacka mellan intervjuer och
enkäter!
1a intervjuer för att få ett hum om hur det ser ut!
Sen en rejäl datainsamling – tex enkät
Till sist uppföljande intervjuer för att få
förklaringar på sånt man ändå inte förstår –
eller för att få kommentarer från experter!
MEN: vanligare att ”kvantare” intervjuar än
”kvallare” kör med statistik…
MEN oavsett metod…
…så behöver du ha något att jobba med!
Tex data från enkäter?
Eller uttalanden från intervjuer?
Och detta gör du genom att ställa frågor!
Och att ställa frågor är en konst…
”Frågan” som metod då?
Mycket svårare än det verkar – många
fallgropar och svårt att gå på djupet!
Försök inte låta ”smart”/inga långa utläggningar!
– ”Jag har läst att er implementering av QQM-
tekniker har…”
Inga ledande frågor! Ja/Nej = varningstecken!
Inga laddade ord! – ”Jobbar ni på ett effektivt
sätt?” hellre: ”Hur jobbar ni?”
Att fråga är rent av svårt…
”Har du slutat slå din fru? Ja/Nej/Vet ej” –
förutsätt ingenting – tvinga/lura aldrig
respondenten!
Undvik negationer! ”Har det hänt att du inte
sorterat rätt någon gång?”
Dubbla negationer! ”Är det inte så att du inte
uppmuntrar dina anställda?
”Anchoring”…
Anchoring… Jämför – på en skala från ”Håller inte alls med”
till ”Håller helt med” – handuppräckning
”Jag kan äta vaniljglass”
”Jag äter vaniljglass om jag blir bjuden”
”Jag tycker om vaniljglass”
”Jag tycker vaniljglass är gott”
”Jag tycker vaniljglass är den godaste glassen”
”Jag tycker vaniljglass är den allra godaste
glassen”
Också ett slags anchoring… Hur något framställs avgör! ”Prospect theory!”
Enstaka resultat kan vara svårtolkade
Trygghet i långa serier & djuplodande data!
Go deep!
De svåraste lärdomarna…
Du ska lära dig - inte bekräfta vad du tror du
vet! – ”Berätta om hur det är att vara VD.”
istället för ”Är det svårt att vara VD?”
Lägg aldrig svaret i munnen på respondenten!
Bättre att du verkar korkad inför respondenten
än att du verkar korkad på seminariet! Dvs
fråga och fråga om igen om du inte förstår!
När det blir tyst under intervjun…
Om det blir obekvämt tyst… (tystnad är OK!)
”Berätta om din barndom/studier/X!”
”Vad gör du när du inte jobbar då?”
”Hur ser ditt liv ut om X år?”
”Vad hade du gjort om du inte blivit X?”
Varianter på ”Bästa vs Sämsta” – favvo!
Kardinal Richelieu
”Giv mig sex rader skrivna av den
hederligaste man som finns och jag ska
hitta en anledning att hänga honom!”
Det etiskt svåra…
De etiskt svåra frågorna… Vi är överens om att inte tvinga & lura! Men
ibland vill man veta liiite mer…
I bästa fall ska man inte behöva trixa…
1. ”Hur skulle du svara om någon frågade…”
2. ”Hur gör era konkurrenter med X?”
3. ”Vad tror du att era grannar tycker?”
Försökt att undvika spekulationer – nr1 funkar
förvånansvärt bra!
The best questions…
“The best questions, are like clean windows. A
clean window gives a perfect view. When we
ask a question, we want to get a window into
the source. When you put values in your
questions, it’s like putting dirt on the window. It
obscures the view of the lake beyond. People
shouldn’t notice the question in an interview,
just like they shouldn’t notice the window. They
should be looking at the lake.” Sawatsky
Respondenter – praktiska tips
Ta kontakt i god tid!
Kom överens om att spela in FÖRE!
Småprata före och efter intervjun!
”Off the record” finns inte – men respektera
resp rätten att vara konfidentiell!
Låt resp prata – ingen är intresserad av vad Du
vet om ämnet/företaget osv!
Respondenter – fler tips…
Ställ frågor som uppmuntrar till att prata av sig!
Tro inte att Du vet allt – låt resp berätta!
Ja/Nej-frågor = dödssynd – dödar hela
intervjun!
”Berätta”, ”Beskriv”, ”Hur gick det till” osv
Be om exempel! Sämst, Bäst, Värst, Första,
Senaste osv, osv!
Nog om intervjuer
– nu går vi in på enkäter…
För hur gör man om man vill ha
massor av data då? Samma grunder för att ställa frågorna,
MEN ännu mer noga att göra det ”rätt”!
Helt nya o tuffare krav på att kunna mäta
och sortera stora mängder information!
Svårare att lära sig, men lättare att göra!
Facebook har ju en massa data?!
FB
Flickr
Lib of Cong.
Intressant…
Men…
Metoder?
Problem med data från tex FB…
Svårt att samla in…
Svårt att lagra…
Svårt att analysera…
Svårt att generalisera från…
Men visst går det… Två tips:
http://youtu.be/Q9wcvFkWpsM
http://create.visual.ly/
Men kom ihåg…
Kanske lika bra att fixa egna data?
Att ”mäta”…
Exakte Erik Ungefärlige Ulf
Ny gardin till fönster som är 105cm brett Ny gardin till fönster som är ca 1m brett
Affären har tyg som är 90cm & 120cm Affären har 2 tyg som är ca 1m
Det räcker att Erik kommer ihåg att tyget
måste vara >1m
Ulf har ingen aning vilket tyg som passar
och chansar på det billigaste…
Genom att mäta exakt först blir Eriks
uppgift lättare i slutänden.
Genom att ”höfta” från början har Ulf byggt
in en massa problem…
Erik kan generalisera och jämföra med fog Ulf kan bara fortsätta att ”höfta”
Erik kan uttala sig rätt självsäkert Ulf får gissa och hoppas…
• Sen kan ”mätning” i mina ögon innebära BÅDE
enkät OCH intervju!
• Var forskningens ”ekorre” – spara på allt!
Att mäta… 1. Mät så exakt som det är praktiskt möjligt (inte
tumstock för att mäta Gävle-Sthlm…)
2. MEN kom ihåg att det alltid går att skala ned
men aldrig upp! (105cm kan avrundas till
ca1m, men ca 1m är och förblir ca 1m…)
3. Underskatta inte människors förmåga att välja,
värdera och jämföra! Evolutionsbiologiskt har
vi blivit mästare på det! (Ex. Thai fiskare &
skador på mangrove)
Börja stort & brett
Hur mycket tjänar du? (Oändligt!)
Hur mkt tjänar X jmfrt med VD? (0-100)
A) 15k-20k B) 21k-25k C) 26-30k (3nivåer)
Jobbar du på firma X Ja/Nej (2 nivåer)
Du kan ALLTID skala ned men aldrig skala upp!
Finns det något bra skäl att ha Ja/Nej frågor?
Skalor… JA/NEJ – två nivåer
3, 5, 7 alternativ – möjligt att stå i mitten
4, 6, 8 alternativ – tvingar att ta ställning
VAS-skalan – 10cm linje med kryss
Håller inte alls med -------- Håller helt med
x =73
Bara att mäta m linjal – 100 skalsteg!
Visuell analog skala går fort/enkelt att fylla
i (4år o uppåt) och ger perfekta data för
analys!
Du kan alltid skala NED!
Du ska undersöka attityder till mäklare!
Det finns fyra tidigare studier att jämföra med:
A) 1-4 B) 1-5 C) 1-7 D) Kvalitativa intervjuer
Vilken metod/skala ska du använda?
VAS-skalan har 100 steg:
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5
1 2 3 4
1 2 3
NEJ JA
Fler fallgropar - tvång… F24: ”Jag tycker bäst om…”
Pepsi: 5 4 3 2 1 2 3 4 5: Coca Cola
Falsk dikotomi! Kan ju gilla bägge!
F25: ”Jag är nöjd med min mäklare”
Inte alls Helt nöjd
Inte alls 1 2 3 4 5 6 7 Helt nöjd
Inte alls 1 2 3 4 Helt nöjd
NEJ JA
Några fallgropar till…
Var konsekvent:
F14: ”Jag tycker bäst om vaniljglass”: 1-10
F15: ”Jag gillar inte saltlakritsglass”: 1-10
Ha samma skala på alla frågor (om möjligt)
F1: Kön: Man/Kvinna
F2: Utbildning: Grundskola/Gymnasium/Uni
F3: Inkomst: 0-10k, 11k-15k, 16k-20k, 21k-30k,
31k-40k, 40k+ - finn felen!!!
Könsskillnader… Kontrollera alltid!
Ju större ”sample”
desto mindre skillnad?
Går dock att hitta!
Beror på ämne!
Fundera på detta!
Kön eller individ?
Minst 7 kön…
Så nu har du massor av ”data”…
Ett ex…
Ur Rojaz-Mendez (2009) ”Universal
differences in advertising avoidance”.
Vilka frågor skulle ni skapa?
”Facit!”
Ser ni mönstret?
Med hjälp av flera frågor/dimension fås en
djupare förståelse!
Statistik – svårt att förklara bort…
Statistik som verktyg
Faktoranalys – hur hänger dina frågor
ihop?
Clusteranalys – hur hänger dina
respondenter ihop?
Regression – går det att
förutsäga/beskriva beteenden?
Faktor- vs Clusteranalys
Respondent F1: Kön F2: Inkomst F3: Utb F4: Boende
1 0 37000 5 4
2 0 24000 3 2
3 1 18000 1 0
4 1 22000 3 3
5 1 33000 4 2
6 0 25500 3 4
7 1 21200 1 2
8 0 17500 0 0
9 1 29500 4 1
Faktor Cluster
Faktoranalys
Letar ut frågor som
hänger ihop
Grupperar dessa
Förenklar
Skapar nya variab
Mycket ”tung”
metod!
Ett ex. på faktoranalys SPSS visar att dessa frågor hänger ihop i en
enkät om glasskonsumtion:
1. Inkomst: Positivt korrelerad glasskonsumtion
13. ”Jag äter glass året runt” +korr
14. ”Cookies n’Cream är godaste glassmaken”+
35. ”När jag tröstäter så äter jag glass” -korr
Kan ni se detta beteende framför er?
Kan vi döpa det?
Vilka effekter skulle det få för glassindustrin?
Så här kan det se ut
Vad påverkar hushållens återvinningsgrad?
1. God ordning & att bo i eget boende
2. Självskattad sortering & ålder
3. Etnicitet
Förklarar 90%! Rotated Component Matrixa
,922
,858
,825
,794
,981
Ordningen i soprummet?
Hyres eller bostadsrätt?
Sopsorterar du?
Ålder
Etnisk bakgrund
1 2 3
Component
Extract ion Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 4 iterations.a.
Eller i en ”journalsartikel”
”Hur stör reklam på nätet?” (Li, Edwards
Lee 2002)
Snygg modell!
A vs B?
Är det intrånget, eller
irritationen som gör
att man byter kanal?
B ”vinner”!
Clusteranalys Letar ut respondenter
som hänger ihop
Grupperar dessa
Förenklar
Kul & kreativt!
Poppis inom MF
Inte så pålitligt om
man inte ”kan” sitt
område!
Så här kan det se ut…
Kreativt att döpa dem!
1. Grey panthers
2. Stressfamiljerna
3. Busy beavers
4. Veterans
5. Routine recyclers
6. Free-riders…
Vem är vem?
Final Cluster Centers
2 1 2 2 1 1
43 70 28 40 58 48
4 2 3 3 2 3
135,0 10,0 11,3 28,6 28,5 38,5
9,9 1,9 ,7 7,4 9,2 8,0
9,9 2,2 6,3 9,5 9,3 8,9
9,8 1,7 ,7 6,9 8,5 7,7
9,9 1,8 7,2 8,9 9,6 9,5
9,9 8,6 6,1 7,8 9,0 8,7
7,0 9,3 8,3 8,4 7,8 8,0
6,5 9,0 7,6 6,7 6,9 6,6
7,1 8,7 4,1 7,0 7,0 6,8
11,0 1000,0 20,0 128,6 14,6 200,0
5,5 8,5 3,2 5,3 5,9 6,0
14,75 13,00 14,00 13,57 13,77 14,00
98,95 32,40 42,05 80,86 91,26 85,70
Boendeområde
Ålder
Antalpershushåll
1. Hur my cket tid i veckan
lägger ni ner på
sophantering? (min)
2 a. Vilka av följande
alternativ sorterar ni ut i
hemmet? Metall
2 b. Vilka av följande
alternativ sorterar ni ut i
hemmet? Papper
2 c. Vilka av följande
alternativ sorterar ni ut i
hemmet? Plast
2 d. Vilka av följande
alternativ sorterar ni ut i
hemmet?Glas
4. Hur my cket av er
komposterbara av fall
sorterar ni?Kompost
11. Hur v ärdefull anser ni
att kompostering är för
miljön?
12. Hur bra t ror ni att
komposteringsinsamlige
n kommer at t f ungera?
14. Hur bra är era
kunskaper om
kompostering?
15. Hur många
f otbollsplaner tror ni at t
Gäv les sopor täcker (på
ett år)?
21. Har eran kunskap om
kompostering ökat p.g.a.
den info ni f ått f rån GÅ?
totala kunskaper F
17-justerad
Återv inningsgrad
1 2 3 4 5 6
Cluster
Flitiga Lisa & Bror Duktig
Bor i lägenhet
Större familj än snittet
Återvinner ALLT (99%)
Men det går åt 135 min/vecka…
Kan mycket om återvinning, men är
skeptiska till om det funkar…
Uppmärksammas som goda exempel – men
är de verkligen det?
Medelsvensson +
Typisk medelsvensson i lägenhet
MEN har börjat ”fatta” hur man gör
Återvinner >80% på hyffsat kort tid
Kan grunderna och kan nog lära ut hur andra
borde göra
Inte så engagerad – inte nödvändigtvis
negativt
Unga slöfockar/Första lägenheten…
Bor i lägenhet
Anser sig inte återvinna alls…
Men återvinner lika fullt 42% av bara farten –
och når 60% för kompost!
Visar sig veta mycket om
återvinning, men vågar inte
lita på sina kunskaper än…
Kompost – ”makes sense”!
Effektiva realisterna
Bor i villa, lite äldre – 50-talister
Mest effektiva återvinnarna av alla
Når 90%+ på under halvtimmen!
Kan mycket om återv. och miljön (och just
därför) bryr de sig inte så mycket om återv.
Fuskar bara med mjukplast –
vilket var rationellt då.
Goda, men diskreta exempel!
De tafatta & oroliga…
Barnfamiljer i villa
Kan inte så mycket – men är väldigt oroliga
för miljön.
Når 80%+, men är ineffektiva, osäkra…
Tror inte att återvinningen funkar…
Har god potential för förbättring!
Dille-tanterna
Äldre, påfallande ofta i villa
Gillar kompostering (85%+), men tror inte på
resten av systemet (30%+)!
Överskattar komposteringens miljönytta
Överskattar sin kunskap om återvinning
Ryktesspridare…
Symbolisk regression
Använder AI
Letar efter formler
Kurvanpassning
Experimentell metod
Lätt att använda
Svår att tolka…
0
50
100
150
200
250
0 20 40 60 80 100
rr=86.6021 + 67.5521/(-0.277742*t - sin(t) - 1.00009)
t/rr
Recycling rate
Tim
e
Att analysera & presentera…
Vad har du för sorts material?
Vad vill du få fram?
Kan presentationen hjälpa dig i din analys?
Detta är vi sk-tdåliga på vad gäller exjobb!
Några tips och trix!
Inte bara att ta ”nån” graf…
Venn-diagram
Sorterar
Analyserar
Klargör
Presenterar
2-3 variab.
Venndiagram i analysen!
Autonomy + Control +Internal
Tryggt och långsiktigt boende
Representativt boende
Exklusivt boende
Påverkas av familj och vänner
Den ansvarsfulle spekulanten
Den dynamiskaspekulanten
A
C I
Går att göra enkla & svåra!
7 variabler = 21 kombinationer
Alla sorters data går att presentera!
Var kreativa och systematiska!
Skalor… Skapa gärna egna (ex Vänskap: Ftg vs revisor)
Ha tydliga ändpunkter & skillnader!
Hjälper ofta till redan i problemformuleringen!
Trender inom forskningen… Var uppmärksam!
Kolla med ISI
Skriv upp sökord
Redovisa sökord
Hur många artiklar
Hur många använd
I ditt eget material
Vad handlar Din uppsats om? Vilka trender
följer du? Gör ett ”Word cloud”! www.wordle.net
Slutseminariet Be någon ni litar på ”opponera” före!
Klura på och skriv ner svar på troliga frågor!
Försök att svara & förklara allt!
Men, det är ok att bli svaret skyldig…
Och det är ok att erkänna att man kan haft fel
Men be ALLTID opponenten ge exempel!
Resonera & diskutera… Öppet sinne?
Redo tänka om?
Resonabla argument?
Mest stöd för vad?
Redo stödja argument
Ett argum. i taget!
Visa att din sida är ok
Uppsatsen kan få F… …men man kan inte ”misslyckas” i forskning!
Mer eller mindre bra forskning… Ok!
Så länge processen är bra så!
Var inte rädd att försöka!
Skrivprocessen…
Tänk logiskt… Inte bara att pladdra & skriva!
Vårt sätt att jobba:
1. Förnuft
2. Filosofi
3. Msk vetenskap
4. Logik
5. Konsten att tänka
6. Rationellt & metodiskt
7. Induktion/Syntes
Helt ok att ”återanvända”…
…men tänk på att referera!
Zotero.org – gratis!
Att läsa & förstå artiklar…
Att läsa & förstå artiklar
Läs abstract och se om artikeln verkar bra
Bläddra fort igenom & leta efter tabeller,
grafer, figurer, tabeller osv – bra i så fall!
Läs mer i detalj!
Anteckna (tex i Zotero) viktiga sidor, citat!
Låt artiklar/forskning styra hur du utformar
frågor etc – snyggt om alla frågor du
ställer går att belägga med en referens!
Läsa & skriva Abstract
Kolla instruktion
”Viktigaste”
Låt nån läsa!
Skriv om!
Begreppsförvirring…
Vetenskaplig term Normal svenska Vad forskaren menar…
Positiv trend Bra trend Uppåtgående trend
Positiv feedback Beröm Självförstärkande cykel
Teori Ingivelse, spekulation Vetenskaplig förståelse
Osäkerhet Okunskap Spännvidd (i data)
Error/Fel Misstag, inkorrekt Avvikelse från exakt nr
Bias Politiskt motiv Avvikelse från observation
Tecken Stjärntecken, indikation Plus- eller minustecken
Värde(-n) Etik eller pengar Antal eller kvantitet
Manipulation Fusk Dataprocess
Anomali Onormal händelse Avvikelse från genomsnitt
Ta bort störande moment!
Skapa tid
Börja klura – FORT!
Lätt att fastna annars…
Hjärnan jobbar alltid
Var orginell…
…men uppfyll formalia!
Handledning!
Håll modet uppe!
Tack för idag!
Frågor?
Google Talk
facebook.com/jonaskagstrom
