Щоб вирішити проблеми та описати явище, дослідники широко покладаються на дані. Відповіді на багато запитань ми отримуємо з дослідницьких даних. Як би ви відповіли на питання, якби не було ніякої інформації? Видобуваючи дані, ви можете виявити цікаві закономірності та розкрити безліч інформації.
На інформацію, яку вони створюють, впливають дані, які вони досліджують, їхні цілі та перспективи їхніх читачів. Дослідники повинні залишатися неупередженими, ретельно вивчаючи дані, і бути сприйнятливими до незнайомих тенденцій, концепцій та результатів. Давайте розглянемо, що таке дослідницькі дані та які існують категорії.
Що таке дані дослідження?
Дослідницькі дані - це інформація, зібрана, задокументована, скомпонована або створена з метою підтвердження достовірності початкових результатів дослідження. Дослідницькі дані, включно з листуванням і лабораторними записами, часто є цифровими, але можуть бути і нецифровими.
Дослідницькі дані - це більше, ніж просто цифри. Будь-який матеріал, використаний та проаналізований у дослідницькій діяльності, вважається дослідницькими даними. У певних наукових галузях термін "дослідницькі матеріали" використовується частіше, ніж "дослідницькі дані".
Існує багато способів збирати дослідницькі дані. Кількість дослідницьких даних, які можуть бути отримані в результаті роботи одного дослідника, не обмежена. Існує багато видів даних, таких як відеокліпи, статистика, графіки, транскрипції, аудіофайли, транскрибовані інтерв'ю, дані експериментів, код програм та багато інших.
Приклади даних дослідження
Існує багато способів збору дослідницьких даних. Ось деякі з них:
- Файли, такі як документи та електронні таблиці
- Зошити для лабораторій, екскурсій та щоденників
- Кодекси, транскрибовані інтерв'ю та опитувальники
- Відеокасети та аудіокасети
- Зображення, відеозаписи
- Результати тесту
- Слайд, об'єкт, "зразок" або "кейс"
- Оцифровані вихідні архіви
- Вхідні/вихідні дані
- Алгоритм або модель
- Анотації
- Аналіз вхідних та вихідних даних програмного забезпечення, лог-файлів, структур даних
- Процеси та методології
Чому обмін дослідницькими даними є важливим?
Обмін даними замість копіювання вже опублікованих досліджень - це вигідний спосіб спиратися на роботу колег-дослідників. Обмін даними також дозволяє проводити мета-аналіз дослідницьких тем. Публічний обмін результатами досліджень зараз є вимогою багатьох фінансових установ та інституцій.
Розповсюдження та використання даних у дослідницькій екосистемі збільшується завдяки кращому обміну даними, прозорості та доступності інформації. Як результат, державна політика та планування можуть бути обґрунтовані завдяки більш якісним та доступним фактам.
Від обміну даними виграють як дослідник, так і спонсор дослідження. Це заохочує дослідників краще управляти своїми даними і забезпечувати високу якість даних, коли до них мають доступ їхні колеги та громадськість. Обмін даними сприяє підвищенню обізнаності та подальшим дослідженням у своїх галузях знань. Спонсори досліджень і дослідники можуть отримати вигоду від обміну даними, підвищуючи свою видимість і визнання.
Наукова спільнота здебільшого підтримує обмін даними, але для того, щоб він відбувся, потрібно багато часу, зусиль і ресурсів. Щоб підготувати дані для обміну, важливо ретельно задокументувати методи збору даних і результати дослідження.
Джерела даних дослідження
Дослідницькі дані можуть бути отримані з різних причин і за допомогою різних методів. Нижче наведено кілька прикладів:
- Дані спостережень: Поведінку або діяльність спостерігають і фіксують у вигляді даних спостереження. Для збору даних використовуються різні методи, зокрема спостереження, анкетування, використання моніторингових пристроїв та інструментів.
- Експериментальні дані: Коли змінна змінюється, дослідники прагнуть створити різницю або спричинити зміни шляхом активного втручання. Зазвичай дослідники можуть визначати причинно-наслідкові зв'язки, використовуючи експериментальні дані, і можуть широко застосовувати отримані результати. Відтворення цих типів даних, як правило, пов'язане з певними витратами.
- Дані моделювання: Комп'ютерні моделі імітують поведінку реалістичних процесів у часі, щоб генерувати симуляційні дані. Вихідні дані є більш важливими, ніж метадані та модель, згенерована на основі тестових моделей.
- Отримані/зібрані дані: Дані, модифіковані з попередніх вибірок даних. У разі втрати, їх можна відтворити, але це буде коштувати дуже дорого. Прикладами можуть слугувати тривимірні моделі та компілятивні бази даних.
- Довідкові або канонічні дані: Це значні колекції більш компактних опублікованих і ретельно підготовлених наборів даних. Прикладом може бути база даних, що зберігає послідовності генів, база даних, що містить атомні структури, або база даних, що зберігає координати.
Підвищення впливу та видимості вашої роботи
Повідомляється, що статті з графічними анотаціями у 8 разів частіше поширюються в соціальних мережах. Тепер ви розумієте, наскільки важливо включати достатньо графіки у ваші статті.
На щастя, зараз це зробити дуже просто. За допомогою Mind the Graphви можете створювати ілюстрації, плакати та графічні реферати всього за кілька кліків. Ви також можете замовити їх кастомізацію у наших експертів. Не чекайте більше, зробіть це сьогодні!
Підпишіться на нашу розсилку
Ексклюзивний високоякісний контент про ефективну візуальну
комунікація в науці.