Forskningsdata forklaret med eksempler

For at løse problemer og beskrive et fænomen læner forskere sig i høj grad op ad data. Svarene på mange spørgsmål kommer fra forskningsdata. Hvordan ville du besvare et spørgsmål, hvis der ikke var nogen information til at begynde med? Ved at udvinde data kan du opdage interessante mønstre og afdække et væld af informationer.

Den information, de skaber, er påvirket af de data, de undersøger, deres mål og deres læseres perspektiver. Forskere bør forblive upartiske, når de undersøger data omhyggeligt og forbliver modtagelige over for ukendte tendenser, koncepter og resultater. Lad os se på, hvad forskningsdata er, og hvad kategorierne er.

Hvad er forskningsdata?

Forskningsdata er information, der er indsamlet, dokumenteret, sammenstillet eller genereret for at bekræfte troværdigheden af de oprindelige forskningsresultater. Forskningsdata, herunder korrespondance og laboratorieoptegnelser, er ofte digitale, men kan også være ikke-digitale.

Forskningsdata er mere end bare tal. Alt materiale, der bruges og analyseres til forskningsformål, betragtes som forskningsdata. Udtrykket "forskningsmaterialer" bruges oftere end "forskningsdata" inden for visse akademiske områder.

Der er mange måder at indsamle forskningsdata på. Der er ingen grænse for mængden af forskningsdata, der kan udledes af en forskers arbejde. Der er mange slags data, såsom videoklip, statistik, grafik, transskriptioner, lydfiler, transskriberede interviews, data fra eksperimenter, kode til programmer og mange andre.

Eksempler på forskningsdata

Der er mange måder at indsamle forskningsdata på. Her er nogle muligheder:

Filer som dokumenter og regneark
Notesbøger til laboratorier, ekskursioner og dagbøger
Kodebøger, transskriberede interviews og spørgeskemaer
Videobånd og lydbånd
Billeder, videooptagelser
Resultater af testen
Et lysbillede, et objekt, en "prøve" eller et "casestudie".
Digitaliserede output-arkiver
Input/output-data
En algoritme eller en model
Kommentarer
Analyse af softwareinput, output, logfiler, datastrukturer
Processer og metoder

Hvorfor er det vigtigt at dele forskningsdata?

At dele data i stedet for at gentage allerede publiceret forskning er en fordelagtig måde at bygge videre på andre forskeres arbejde. Forskningsemner kan også meta-analyseres gennem deling af data. Offentlig deling af forskningsresultater er nu et krav fra mange finansieringsorganer og institutioner.

Distributionen og brugen af data inden for forskningsøkosystemet øges gennem bedre datadeling, gennemsigtighed og informationstilgængelighed. Som et resultat kan offentlig politik og planlægning informeres som et resultat af fakta af højere kvalitet og mere tilgængelige.

Både forskeren og forskningssponsoren har haft gavn af datadeling. Det tilskynder forskerne til at forvalte deres data bedre og sikre, at dataene er af høj kvalitet, når deres fagfæller og offentligheden har adgang til dem. Datadeling tilskynder til opmærksomhed og yderligere forskning inden for deres ekspertiseområder. Forskningssponsorer og forskere kan drage fordel af datadeling ved at øge deres synlighed og anerkendelse.

Det videnskabelige samfund støtter i vid udstrækning datadeling, men det kræver en masse tid, kræfter og ressourcer at få det til at ske. For at forberede data til deling er det vigtigt omhyggeligt at dokumentere dataindsamlingsmetoderne og resultaterne af forskningen.

Kilder til forskningsdata

Det er muligt at generere forskningsdata af mange forskellige årsager og ved hjælp af mange forskellige metoder. Et par eksempler er anført nedenfor:

Observationsdata: Adfærd eller aktivitet observeres og indfanges som observationsdata. Der bruges en række forskellige metoder til at indsamle data, herunder observation, spørgeskemaundersøgelser og brug af overvågningsudstyr og instrumenter.
Eksperimentelle data: Når en variabel ændres, sigter forskere mod at skabe en forskel eller frembringe en forandring ved aktivt at gribe ind. Forskere kan typisk bestemme årsagssammenhænge ved hjælp af eksperimentelle data og kan anvende resultaterne bredt. Der er typisk en omkostning forbundet med at reproducere disse typer data.
Simuleringsdata: Computermodeller efterligner opførslen af realistiske processer over tid for at generere simuleringsdata. Outputdataene er vigtigere end metadataene og den model, der genereres fra testmodellerne.
Afledte/kompilerede data: Data, der er modificeret fra tidligere dataeksempler. I tilfælde af at de går tabt, kan de genskabes, men det vil være dyrt. Tredimensionelle modeller og kompilering af databaser er eksempler.
Reference eller kanoniske data: Det er store samlinger af mere kompakte, offentliggjorte og omhyggeligt forberedte datasæt. Et eksempel kan være en database, der lagrer gensekvenser, en database, der indeholder atomstrukturer, eller en database, der lagrer koordinater.

Øge effekten og synligheden af dit arbejde

Det er blevet rapporteret, at artikler med grafiske abstracts får 8 gange flere delinger på sociale medier. Nu forstår du, hvor vigtigt det er at inkludere nok grafik i dine artikler.

Heldigvis er det nu superenkelt at gøre det. Med Mind the Graphkan du skabe illustrationer, plakater og grafiske abstracts med blot et par klik. Du kan også få dem tilpasset af vores eksperter. Vent ikke længere, gør det i dag!

Lav effektive videnskabsfigurer på få minutter