W badaniach nie zamierzasz udowodnić , że coś jest prawdą. Postanowiłeś sprawdzić, czy to prawda. To byłaby wiedza. Drugi to tylko propaganda.

Negatywne wyniki nie są porażką. Dają dowody tak samo, jak pozytywne wyniki. Jeśli ignorujesz lub zaciemniasz wyniki, okłamujesz siebie i innych. Jeśli projektujesz „eksperyment” w taki sposób, że z góry gwarantuje on uzyskanie pozytywnych wyników, nie jest to badanie.

Nadzieja, że ​​coś jest prawdą, nie jest dowodem. Wielu badaczy zaczyna od tego pomysłu. Myślę, że to prawda. Naprawdę chcę, żeby to była prawda. Ale jeśli jest fałszywe, równie cenne (a może nawet bardziej) jest wiedzieć o tym i móc zbadać, dlaczego.

Zgłaszaj wszystkie swoje wyniki. Spróbuj wyjaśnić, dlaczego różne aspekty prowadzą Cię w różnych kierunkach. Dopiero wtedy można rozpocząć naukę.

Pominięcie negatywnych wyników i selektywne zgłaszanie tylko pozytywnych wyników stanowiłoby naruszenie etyki badawczej. Jako badacz powinieneś odkrywać wiedzę *, a nie zasłaniać jej. Wyniki są często sprzeczne i wymagają interpretacji. Wyjaśniając, w jaki sposób uzyskałeś te sprzeczne wyniki (tj. Swoje metody), pomagasz innym uniknąć ślepych zaułków w przyszłości i zrozumieć, co dziś wydaje się zagmatwane.

_{* Co ciekawe, wiedza, że Badania naukowe często przybierają postać zamętu na wyższym poziomie, a nie ostatecznej pewności.}

Jak bardzo powinienem być uczciwy w ujawnianiu niezbyt ekscytujących wyników?

Zawsze powinieneś być całkowicie szczery: Pokaż wyniki obu zbiory danych i niech wnioski wynikną z danych. Wypowiadaj się obiektywnie na temat jakości dwóch zbiorów danych i ich wielkości prób, ale nie wykluczaj danych tylko dlatego, że dają niepożądane lub mało interesujące wyniki. Jeśli chodzi o różnice między zbiorami danych, jeśli wiesz, dlaczego są różne, wyjaśnij to, a jeśli nie wiesz, dlaczego się różnią, powiedz to - nie przedstawiaj swoich spekulacji jako wniosków naukowych.

W przypadku opcji (3) dodaj „albo jest coś, czego jeszcze nie rozumiem”.

To jest dużo bardziej interesujące.

Twój kurs licencjacki ma nauczyć Cię odpowiadać na pytania.

Ważną rzeczą w badaniach każdej dyscypliny jest nie uzyskanie właściwych odpowiedzi, ale zadawanie właściwych pytań.

przedstawić oba zestawy danych, wskazać rozbieżności i spróbować wyjaśnić, dlaczego jest to interesujące i dlaczego warto się nim zająć.

Przedstawienie takiego mini problemu badawczego może sprawić, że będziesz się wyróżniać znacznie bardziej niż zwykłe wynik.

Ja też jestem tylko studentem (poziom magisterski), ale oto kilka innych powodów, dla których warto wybrać opcję 3, aby wyświetlić oba zestawy danych:

• Jak wspomniano w artykule Henning skomentuj, być może możesz wykorzystać swoje niezwykłe wyniki jako odskocznię do dalszych badań i uwzględnić to w swoim wniosku. Traktowanie niezadowalających wyników w taki sposób może pokazać, że masz motywację i odporność.

• Jeśli wykonałeś dobrą pracę i pokazałeś to, nawet bez „dobrych wyników”, może to pokazać że przynajmniej masz potencjał.

• Ponadto, w kontekście aplikacji, w których ludzie zwykle stawiają tylko najlepsze kroki, twoja uczciwość może być faktycznie doceniona i szanowana przez komisję rekrutacyjną . Może pokazać, że nauka jest dla Ciebie najważniejsza.

Czy Twoje znaczące wyniki to duży efekt, czy tylko niewielka zmiana, która jest istotna ze względu na dużą wielkość próby?

Czy Twoje nieistotne wyniki są podobne pod względem kierunku i wielkości do znaczących wyników z inny zbiór danych?

Zastanów się, jak bardzo rozmiar zbioru danych wpływa na to, co widzisz - możesz być w stanie ująć jedno badanie jako potwierdzające wyniki drugiego, jeśli są one zgodne z wyjątkiem istotności. Spójrz na więcej niż tylko wartości p, zwłaszcza jeśli pochodzą z bardzo dużego zbioru danych.

Pomyśl przez chwilę, że być może nieprawidłowo porównujesz zbiory danych (i ich wyniki). „Znaczenie”, a raczej moc, nie jest niezależne od projektu. Jeśli badanie A jest przeprowadzone na 1000 osób, ale badanie B jest identyczne, ale obejmuje tylko 100 ochotników, badanie A jest znacznie silniejsze, więc (statystycznie) istotne wyniki z badania A i (statystycznie) nieistotne wyniki z grupy B nie są zaskakujące. Istnieją lepsze metody porównywania dwóch badań, takich jak działka leśna.

Wspominam o tym tylko dlatego, że wszystko zależy od „Ciebie”, który próbujesz sprzedać dla tej aplikacji. Socjolog na poziomie licencjackim nie musi mieć wykształcenia statystycznego na poziomie magisterskim, ale jeśli przechwalasz się tym jako mocną stroną, powinieneś mieć pewność, że poprawnie interpretujesz zestaw wyników.

Słowo „ negatywny ”(wynik lub badanie) stanowi nadużycie terminologii statystycznej. Istnieją kwestie mocy, kontekstu i precyzji; ale doświadczeni badacze chętnie wylewają dziecko z kąpielą. Zatrzymaj się na chwilę i pomyśl: „Nie odrzucaj H_0” oznacza, że ​​granice ufności obejmują hipotezę zerową: 0 dla różnic lub 1 dla wskaźników. Więc co?

1) Czy to badanie miało wystarczającą moc, czy też jest to kompletny strzał w ciemno? Duże, niemożliwe do utrzymania przedziały ufności mogą oznaczać kiepskie badanie lub odzwierciedlać znaczną niejednorodność populacji. Czy były problemy z rekrutacją lub zgodnością? Czy musiałeś lepiej wynagradzać ludzi? Czy podawałeś istniejący instrument, a jeśli tak, to czy oceniłeś siebie lub pacjentów, aby upewnić się, że sformułowanie jest jasne? Jeśli jest to badanie wraku pociągu, możesz skupić się na wyciągniętych lekcjach. Na przykład.

zrekrutowaliśmy 30 osób na podstawie nieprawidłowego obliczenia mocy, nasze oszacowanie efektu miało znacznie mniejszą wielkość niż odnotowano w poprzedniej literaturze. Jest to powód do niepokoju, biorąc pod uwagę, że nasze obliczenia były oparte na poprzednich badaniach, które wykazały, że ...

2) Czy CI jest równy 0 czy 1, wykluczając wszystkie inne badania? Jest to znaczące stwierdzenie, ponieważ jest niezgodne z inną literaturą. Istnieje cały obszar badań poświęcony określaniu skutków stronniczości publikacji. Wykresy lejkowe pokazują oczekiwany rozkład efektów metaanaliz. Jeśli rozkład jest przesunięty o lukę w H0, daje to pewną pauzę, czy stan dowodów jest wyolbrzymiony przez odfiltrowanie zerowych wyników? Ważne przełomowe badanie pozwoliło jednoznacznie stwierdzić: „Nie. Pewne leczenie nie powoduje / nie może powodować różnicy.

3) Czy CI jest szeroki, ale koncentruje się na wyniku, który potwierdza poprzednie badania. Na przykład:

Badanie dotyczące zmniejszenia zawartości soli na 5000 osób wykazało, że HR dla MI wynosił 0,95 95% CI 0,92, 0,99 (p < 0,05). W badaniu potwierdzającym 100 stwierdzono HR dla MI 0,95 95 % CI 0,5; 1,45. (P> 0,05).

Co ważne, badania te zgadzają się w 100%.

To brzmi bardzo interesująco. Na pewno są pewne kwestie statystyczne, nie chcę cię odradzać, ale musisz się upewnić, że wykonałeś obliczenia (w tym zbieranie danych i metodologia są poprawne), ale możesz napisać bardzo mocny artykuł, porównując dwie metody . Coś w rodzaju:

• Metoda A, która jest tania i łatwa do zbierania danych, ale mamy obawy, że będzie zawierała błąd, daje pozytywny wynik.

• Z drugiej strony metoda B, która jest trudna i kosztowna w zbieraniu danych, ale jest o wiele dokładniejsza i nie oczekuje się, że zawiera błędy, daje wynik negatywny.

• Dlatego badacze powinni unikać metody A.

Byłbym skłonny założyć się, że możesz dostać czasopismo, aby opublikować artykuł tak napisany, biorąc pod uwagę, że wszystko analizy, zbierania danych itp. było ponad planem, nie mówiąc już o uzyskaniu dobrej oceny w klasie.