Forskningsdata förklaras med exempel

För att lösa problem och beskriva ett fenomen använder sig forskare i stor utsträckning av data. Svaren på många frågor kommer från forskningsdata. Hur skulle du besvara en fråga om det inte fanns någon information till att börja med? Genom att utvinna data kan du upptäcka intressanta mönster och få fram en mängd information.

Den information de skapar påverkas av de data de undersöker, deras mål och deras läsares perspektiv. Forskare bör vara opartiska när de undersöker data noggrant och vara mottagliga för okända trender, koncept och resultat. Låt oss titta på vad som är forskningsdata och vilka kategorierna är.

Vad är forskningsdata?

Forskningsdata är information som samlats in, dokumenterats, sammanställts eller genererats i syfte att bekräfta trovärdigheten i initiala forskningsresultat. Forskningsdata, inklusive korrespondens och laboratorieprotokoll, är ofta digitala, men kan också vara icke-digitala.

Forskningsdata är mer än bara siffror. Allt material som används och analyseras för forskningsändamål betraktas som forskningsdata. Inom vissa akademiska områden används termen "forskningsmaterial" oftare än "forskningsdata".

Det finns många sätt att samla in forskningsdata. Det finns ingen gräns för hur mycket forskningsdata som kan härledas från en forskares arbete. Det finns många olika typer av data, t.ex. videoklipp, statistik, grafik, transkriptioner, ljudfiler, transkriberade intervjuer, data från experiment, kod för program och mycket annat.

Exempel på forskningsdata

Det finns många sätt att samla in forskningsdata. Här följer några exempel:

Filer som dokument och kalkylblad
Anteckningsböcker för laboratorier, studiebesök och dagböcker
Kodböcker, transkriberade intervjuer och frågeformulär
Videoband och ljudband
Bilder, videoinspelningar
Resultat av testet
En bild, ett objekt, ett "prov" eller en "fallstudie"
Digitaliserade produktionsarkiv
Inmatnings-/utmatningsdata
En algoritm eller en modell
Anmärkningar
Analys av programvarans in- och utdata, loggfiler och datastrukturer
Processer och metoder

Varför är det viktigt att dela med sig av forskningsdata?

Att dela data istället för att replikera redan publicerad forskning är ett fördelaktigt sätt att bygga vidare på andra forskares arbete. Forskningsämnen kan också metaanalyseras genom delning av data. Offentligt delande av forskningsresultat är nu ett krav från många finansieringsorgan och institutioner.

Distributionen och användningen av data inom forskningsekosystemet ökar genom bättre datadelning, transparens och informationstillgänglighet. Som ett resultat kan offentlig politik och planering informeras som ett resultat av fakta av högre kvalitet och mer tillgängliga.

Både forskaren och forskningssponsorn drog nytta av datadelningen. Det uppmuntrar forskarna att hantera sina data bättre och se till att de håller hög kvalitet när deras kollegor och allmänheten får tillgång till dem. Datadelning uppmuntrar till medvetenhet och vidare forskning inom deras expertområden. Forskningssponsorer och forskare kan dra nytta av datadelning genom att öka sin synlighet och sitt erkännande.

Forskarsamhället är i stort sett positivt till datadelning, men det krävs mycket tid, arbete och resurser för att få det att hända. För att förbereda data för delning är det viktigt att noggrant dokumentera datainsamlingsmetoderna och forskningsresultaten.

Källor till forskningsdata

Det är möjligt att generera forskningsdata av en mängd olika skäl och med flera olika metoder. Några exempel listas nedan:

Observationsdata: Ett beteende eller en aktivitet observeras och registreras som observationsdata. En mängd olika metoder används för att samla in data, inklusive observation, enkätundersökningar och användning av övervakningsanordningar och instrument.
Experimentella data: När en variabel ändras strävar forskarna efter att skapa en skillnad eller åstadkomma en förändring genom att aktivt ingripa. Forskare kan vanligtvis fastställa orsakssamband med hjälp av experimentella data och kan tillämpa resultaten brett. Det finns vanligtvis en kostnad förknippad med att reproducera dessa typer av data.
Simuleringsdata: Datormodeller efterliknar beteendet hos realistiska processer över tid för att generera simuleringsdata. Utdata är viktigare än metadata och den modell som genereras från testmodellerna.
Härledda/kompilerade data: Data som är modifierade från tidigare dataprover. Om den skulle gå förlorad kan den återskapas, men kostnaden skulle bli hög. Tredimensionella modeller och sammanställning av databaser är exempel på detta.
Referens eller kanoniska data: Dessa är omfattande samlingar av mer kompakta publicerade och noggrant förberedda dataset. Ett exempel kan vara en databas som lagrar gensekvenser, en databas som innehåller atomstrukturer eller en databas som lagrar koordinater.

Öka effekten av och synligheten för ditt arbete

Det har rapporterats att artiklar med grafiska sammanfattningar får 8 gånger fler delningar i sociala medier. Nu förstår du vikten av att inkludera tillräckligt med grafik i dina artiklar.

Tack och lov är det nu superenkelt att göra det. Med Mind the Graphkan du skapa illustrationer, affischer och grafiska abstraktioner med bara några få klick. Du kan också få dem anpassade av våra experter. Vänta inte längre, gör det idag!

Skapa effektiva vetenskapsfigurer på några minuter