Forskningsdata forklart med eksempler

For å løse problemer og beskrive et fenomen støtter forskere seg i stor grad på data. Svarene på mange spørsmål kommer fra forskningsdata. Hvordan skulle du svare på et spørsmål hvis det ikke fantes noen informasjon i utgangspunktet? Ved å utvinne data kan du oppdage interessante mønstre og avdekke et vell av informasjon.

Informasjonen de skaper, påvirkes av dataene de utforsker, målene de har satt seg og lesernes perspektiver. Forskere bør være nøytrale når de utforsker data nøye og er åpne for ukjente trender, konsepter og resultater. La oss se på hva forskningsdata er, og hva som er kategoriene.

Hva er forskningsdata?

Forskningsdata er informasjon som er samlet inn, dokumentert, sammenstilt eller generert for å bekrefte troverdigheten til de opprinnelige forskningsresultatene. Forskningsdata, inkludert korrespondanse og laboratoriejournaler, er ofte digitale, men kan også være ikke-digitale.

There’s more to research data than just numbers. Any material used and analyzed for research endeavors are considered research data. The term “research materials” is used more often than “research data” in certain academic fields.

There are many ways to collect research data. There is no limit to the amount of research data that can be derived from one researcher’s work. There are many kinds of data, such as video clips, statistics, graphics, transcriptions, audio files, transcribed interviews, data from experiments, code for programs, and many others.

Eksempler på forskningsdata

Det finnes mange måter å samle inn forskningsdata på. Her er noen muligheter:

Filer som dokumenter og regneark
Notatbøker for laboratorier, ekskursjoner og dagbøker
Kodebøker, transkriberte intervjuer og spørreskjemaer
Videobånd og lydbånd
Bilder, videoopptak
Resultater av testen
Et lysbilde, et objekt, en "prøve" eller en "casestudie".
Digitaliserte utdataarkiver
Input/output-data
En algoritme eller en modell
Merknader
Analyse av programvarens inndata, utdata, loggfiler og datastrukturer.
Prosesser og metoder

Hvorfor er det viktig å dele forskningsdata?

Å dele data i stedet for å replikere allerede publisert forskning er en fordelaktig måte å bygge videre på andre forskeres arbeid på. Gjennom deling av data kan forskningstemaer også metaanalyseres. Offentlig deling av forskningsresultater er nå et krav fra mange finansieringsorganer og institusjoner.

Distribusjon og bruk av data i forskningsøkosystemet økes gjennom bedre datadeling, åpenhet og informasjonstilgjengelighet. Resultatet er at offentlig politikk og planlegging kan baseres på mer tilgjengelige fakta av høyere kvalitet.

Både forskeren og forskningssponsoren drar nytte av datadeling. Det oppmuntrer forskere til å forvalte dataene sine bedre og sikre at dataene er av høy kvalitet når fagfeller og allmennheten har tilgang til dem. Datadeling oppmuntrer til økt bevissthet og videre forskning på fagområdene. Forskningssponsorer og forskere kan dra nytte av datadeling ved at de blir mer synlige og anerkjente.

Forskningsmiljøene er i stor grad positive til datadeling, men det krever mye tid, innsats og ressurser å få det til. For å forberede data for deling er det viktig å dokumentere datainnsamlingsmetodene og forskningsresultatene nøye.

Kilder til forskningsdata

Det er mulig å generere forskningsdata av en rekke årsaker og ved hjelp av flere metoder. Noen eksempler er listet opp nedenfor:

Observasjonsdata: Atferd eller aktivitet observeres og registreres som observasjonsdata. Det finnes en rekke ulike metoder for datainnsamling, blant annet observasjon, spørreskjemaundersøkelser og bruk av overvåkingsutstyr og instrumenter.
Eksperimentelle data: Når en variabel endres, er forskernes mål å skape en forskjell eller en endring ved aktivt å gripe inn. Forskere kan vanligvis fastslå årsakssammenhenger ved hjelp av eksperimentelle data og kan bruke resultatene bredt. Det er vanligvis forbundet med kostnader å reprodusere denne typen data.
Simuleringsdata: Datamodeller etterligner oppførselen til realistiske prosesser over tid for å generere simuleringsdata. Utgangsdataene er viktigere enn metadataene og modellen som genereres fra testmodellene.
Avledede/kompilerte data: Data som er modifisert fra tidligere dataprøver. Hvis de går tapt, kan de reproduseres, men det vil være svært kostbart. Tredimensjonale modeller og sammenstilling av databaser er eksempler på dette.
Referanse eller kanoniske data: Dette er omfattende samlinger av mer kompakte, publiserte og omhyggelig bearbeidede datasett. Et eksempel kan være en database med gensekvenser, en database med atomstrukturer eller en database med koordinater.

Øke gjennomslagskraften og synligheten til arbeidet ditt

Det er rapportert at artikler med grafiske sammendrag får 8 ganger flere delinger i sosiale medier. Nå forstår du hvor viktig det er å inkludere nok grafikk i artiklene dine.

Heldigvis er det nå superenkelt å gjøre det. Med Mind the Graphkan du lage illustrasjoner, plakater og grafiske sammendrag med bare noen få klikk. Du kan også få dem tilpasset av våre eksperter. Ikke vent lenger, gjør det i dag!

Lag effektive vitenskapelige figurer på få minutter