Ekstern validitet: Hvordan sikrer vi generalisering av resultatene våre?

Når vi utfører vitenskapelig forskning, er formålet som regel å oppdage en større sannhet om verden rundt oss. Vi jobber med å utvikle teorier og hypoteser om alt fra subatomære partikler til sosiale systemer, og deretter tester vi disse ideene ved å samle inn og analysere data.

Men når vi gjør dette, er det viktig å huske på en viktig begrensning: ethvert sett med data vi samler inn og analyserer er begrenset til den spesifikke konteksten der vi samlet det inn. Hva skjer hvis vi ønsker å generalisere resultatene våre til en annen sammenheng? Hvordan sikrer vi oss da at det vi har funnet ut faktisk kan være gyldig andre steder?

Dette er der ekstern validitet kommer inn. Ekstern validitet refererer til graden av generaliserbarhet av en studie - med andre ord, hvorvidt funnene våre kan overføres til andre settinger eller populasjoner. I dette innlegget skal vi diskutere ulike strategier for å sikre ekstern validitet, og noen av utfordringene som kan oppstå når vi prøver å generalisere vitenskapelige funn.

Kontekst og allmennhet

La oss først tenke på hva som er involvert i å generalisere et funn fra en studie. For å kunne gjøre dette, må vi først forstå hva det var som gjorde resultatene våre meningsfulle i utgangspunktet. Med andre ord må vi se på hvilke faktorer som påvirket resultatene våre, og hvilke som ikke gjorde det.

For eksempel, anta at vi har utført en studie der vi undersøkte effekten av en bestemt treningsøkt på styrketrening i ungdomsskolen. La oss si at vi fant at elevene som mottok treningen var mye mer sannsynlig å oppnå bedre resultater enn de som ikke mottok treningen.

Dette funnet virker kanskje oppløftende, men hvordan vet vi at det også vil være sant for andre ungdomsskoler i andre deler av landet? Hva hvis vi utfører samme studie, og resultatene ender opp med å være forskjellige?

Dette er der kontekst- og allmennhetsproblematikken kommer inn. Konteksten refererer til de spesifikke omstendighetene som bidrar til å forme resultatene våre. Dette kan inkludere alt fra den geografiske plasseringen av ungdomsskolen og kulturell bakgrunn til studentene våre, til den samlede kvaliteten på undervisningen.

Allmennhet refererer til graden av representativitet i prøven vår. Dette inkluderer ting som alder, kjønn, livsstil, utdanningsnivå, etnisitet og annet som kan påvirke resultatene våre.

For å kunne generalisere resultatene våre til andre situasjoner og populasjoner, må vi forstå hvordan konteksten har påvirket resultatene våre, samt foreta en kritisk vurdering av allmennhetsprøven vår. Dette kan gjøre det mulig for oss å se om resultatene våre er representative for en større befolkning, eller om de kun gjelder i en spesifikk situasjon.

De ulike strategiene

Så hvordan kan vi sikre at resultatene våre er generaliserbare? Her er noen av de ulike strategiene vi kan bruke.

1. Reproduksjon av studien: Den beste måten å sikre ekstern validitet på er å foreta en tilsvarende studie på en annen prøvepopulasjon eller i en annen kontekst.

Dette gjør det mulig for oss å bekrefte eller avkrefte om resultatene våre holder seg konstante når vi endrer konteksten der studien fant sted. Hvis resultatene ikke endrer seg, kan vi ha høy tillit til generaliserbarheten av vår opprinnelige studie.

2. Meta-analyse: Meta-analyser er nyttige når det er flere studier på samme tema som har blitt utført av forskere i forskjellige kontekster. Meta-analyser samler resultatene fra alle disse studiene og legger dem sammen for å gi et mer nøyaktig bilde av hva som fungerer og hva som ikke gjør det. Dette kan gi oss mer tillit til generaliserbarhet av tidligere forskning.

3. Teoretisk generalisering: Teoretisk generalisering er en viktig strategi for å utvikle selv grunnleggende vitenskapelige teorier. Denne strategien innebærer å utlede teorier om hva som skjer i verdens fenomener basert på kjente fysiske lover, lover om statistikk og sannsynlighet, og vitenskapelig tenkning som øker vår forståelse av fenomenet.

En gang vi vet hva som er årsaken til det vi ser i våre spesifikke studier, kan vi bruke teorier som er ekstrahert fra vitenskapelige lover for å utvide vår forståelse av hva som skjer i et videre fenomen. Vanligvis genereres teorier som søkes å generalisere data fra flere kilder og stadier.

4. Variasjon av prøvepopulasjon: En annen måte å teste generaliserbarheten på, er å endre prøvepopulasjonen, men holder alt annet konstant. Dette gir oss muligheten til å vise årsaksforhold i hvordan forskjellige befolkninger påvirkes og gir viktig kunnskap om forskjellige faktorer som påvirker utfordringene med ekstern validitet.

5. Hold ekstern validitet i tankene hele veien: For å sikre ekstern validitet bør design av en studie bevisst inkludere å vurdere kontekst av studien og prøvepopulasjon. Som nevnt, kontekst og prøvepopulasjon er de mest kritiske faktorene når vi vil generalisere våre konklusjoner fra en spesifikk studie til større befolkninger.

Challenges

Selv om det finnes mange strategier for å sikre ekstern validitet, er det også en rekke utfordringer som kan oppstå.

En av de vanligste utfordringene skjer når vi ønsker å teste på en ekstern populasjon som vi ikke har observert tidligere. Dette skjer ofte under kliniske studier som bruker kontrollgrupper og eksperimenter.

En annen utfordring er at ulike kontekster, selv om det vil ha variasjoner, kan være for store. Dette kan innebære at de faktorene som påvirker resultatene våre er så kompliserte at det blir vanskelig å prise dem og derfor sørge for ekstern generalisering.

Avsluttende ord

Å sikre ekstern validitet er en utfordring for enhver forsker. For å kunne utføre effektive studier som kan gi pålitelige resultater, må vi forstå hvordan kontekst og prøvepopulasjon kan påvirke resultatene våre. Gjennom å anvende forskjellige strategier, kan vi øke vår evne til å sikre vår konklusjon i likhet til andre sammenhenger og populasjoner.

Mens det ikke alltid er enklest å oppnå ekstern validitet, men ved å være forsiktig og følge fremgangsmåtene det krever, kan vi gjøre det lettere å gi oss en bedre forskning som i lengre strøk vil være mer relevant og effektiv.