예를 들어 설명하는 연구 데이터

문제를 해결하고 현상을 설명하기 위해 연구자들은 데이터에 광범위하게 의존합니다. 많은 질문에 대한 해답은 연구 데이터에서 나옵니다. 정보가 없다면 어떤 질문에 어떻게 답할 수 있을까요? 데이터를 마이닝하면 흥미로운 패턴을 발견하고 풍부한 정보를 발견할 수 있습니다.

연구자가 만드는 정보는 연구자가 탐색하는 데이터, 연구 목적, 독자의 관점에 따라 영향을 받습니다. 연구자는 데이터를 주의 깊게 탐색할 때마다 편견을 갖지 않고 낯선 트렌드, 개념 및 결과를 수용해야 합니다. 연구 데이터란 무엇이며 어떤 카테고리가 있는지 살펴봅시다.

연구 데이터란 무엇인가요?

연구 데이터는 초기 연구 결과의 신뢰성을 확인하기 위해 수집, 문서화, 편집 또는 생성된 정보입니다. 서신 항목과 실험실 기록을 포함한 연구 데이터는 디지털 데이터인 경우가 많지만 비디지털 데이터일 수도 있습니다.

연구 데이터에는 단순한 숫자 이상의 의미가 있습니다. 연구 활동을 위해 사용되고 분석된 모든 자료는 연구 데이터로 간주됩니다. 특정 학문 분야에서는 '연구 자료'라는 용어가 '연구 데이터'라는 용어보다 더 자주 사용됩니다.

연구 데이터를 수집하는 방법에는 여러 가지가 있습니다. 한 연구자의 작업에서 도출할 수 있는 연구 데이터의 양에는 제한이 없습니다. 비디오 클립, 통계, 그래픽, 필사본, 오디오 파일, 필사된 인터뷰, 실험 데이터, 프로그램 코드 등 다양한 종류의 데이터가 있습니다.

연구 데이터의 예

연구 데이터를 수집하는 방법에는 여러 가지가 있습니다. 다음은 몇 가지 가능성입니다:

문서 및 스프레드시트와 같은 파일
실험실, 현장 학습, 일기장용 노트북
코드북, 필사본 인터뷰 및 설문지
비디오 테이프 및 오디오 테이프
이미지, 비디오 녹화
테스트 결과
슬라이드, 개체, '샘플' 또는 '사례 연구'
디지털화된 출력물 아카이브
입력/출력 데이터
알고리즘 또는 모델
주석
소프트웨어 입력, 출력, 로그 파일, 데이터 구조 분석
프로세스 및 방법론

연구 데이터 공유가 중요한 이유는 무엇인가요?

이미 발표된 연구를 복제하는 대신 데이터를 공유하는 것은 동료 연구자의 연구를 기반으로 구축할 수 있는 유리한 방법입니다. 또한 데이터 공유를 통해 연구 주제를 메타 분석할 수도 있습니다. 연구 결과의 공개 공유는 이제 많은 자금 지원 기관과 기관의 필수 요건입니다.

더 나은 데이터 공유, 투명성, 정보 가용성을 통해 연구 생태계 내에서 데이터의 배포와 활용이 증가합니다. 그 결과, 공공 정책과 계획에 더 높은 품질과 접근성을 갖춘 사실을 바탕으로 정보를 제공할 수 있습니다.

연구자와 연구 후원자 모두 데이터 공유의 혜택을 누릴 수 있습니다. 연구자가 데이터를 더 잘 관리하고 동료와 대중이 데이터에 액세스할 수 있는 고품질의 데이터를 확보하도록 장려합니다. 데이터 공유는 자신의 전문 분야에 대한 인식과 추가 연구를 장려합니다. 연구 후원자와 연구자는 데이터 공유를 통해 가시성과 인지도를 높여 혜택을 누릴 수 있습니다.

과학계는 데이터 공유를 대체로 지지하지만, 이를 실현하려면 많은 시간과 노력, 자원이 필요합니다. 데이터를 공유할 수 있도록 준비하려면 데이터 수집 방법과 연구 결과를 신중하게 문서화하는 것이 중요합니다.

연구 데이터의 출처

다양한 이유와 여러 가지 방법을 사용하여 연구 데이터를 생성할 수 있습니다. 몇 가지 예가 아래에 나열되어 있습니다:

관찰 데이터: 행동이나 활동을 관찰하여 관찰 데이터로 수집합니다. 데이터 수집에는 관찰, 설문조사, 모니터링 장치 및 기기 사용 등 다양한 방법이 사용됩니다.
실험 데이터: 변수가 변경되면 연구자는 적극적으로 개입하여 차이를 만들거나 변화를 일으키는 것을 목표로 합니다. 연구자는 일반적으로 실험 데이터를 사용하여 인과 관계를 파악하고 그 결과를 광범위하게 적용할 수 있습니다. 일반적으로 이러한 유형의 데이터를 재현하는 데는 비용이 발생합니다.
시뮬레이션 데이터: 컴퓨터 모델은 시간이 지남에 따라 실제 프로세스의 동작을 모방하여 시뮬레이션 데이터를 생성합니다. 출력 데이터는 테스트 모델에서 생성된 메타데이터와 모델보다 더 중요합니다.
파생/컴파일된 데이터: 이전 데이터 샘플에서 수정된 데이터. 분실된 경우 재생산할 수 있지만 비용이 많이 듭니다. 3차원 모델과 컴파일 데이터베이스가 그 예입니다.
참조 또는 정식 데이터: 이러한 데이터베이스는 보다 간결하게 게시되고 세심하게 준비된 데이터 세트의 방대한 모음입니다. 예를 들어 유전자 서열을 저장하는 데이터베이스, 원자 구조가 포함된 데이터베이스 또는 좌표를 저장하는 데이터베이스가 있습니다.