Definitioner

Ibland är det bra att skriva ut några definitioner (ibland, speciellt i kvantitativa studier kallas det operationella definitioner) och frågan är var man bäst gör det då?

Om det är väldigt viktiga definitioner att förstå redan i början av uppsatsen kan man ju kanske lägga definitionen inom parentes där ordet först dyker upp.

Om det är definitioner som man använder för att arbeta med sina resultat tycker jag att det ofta fungerar bra att lägga dessa definitioner under en särskild rubrik strax efter "syfte" och "frågeställningar" och före "metod".

Definitioner handlar om hur precis NI använder ett visst ord precis NU i denna uppsats. Ordet "barn" kan avse barn i en speciell ålder exempelvis. Det är alltså inte nödvändigtvis en ordboksdefinition som behövs, även om det kan vara på sin plats ibland.

Datanivåer

Om du ska göra någon form av statistisk analys är det viktigt att du har klart för dig vilken datanivå det är på olika former av data som du samlat in. Detta för att du måste välja statistisk metod på olika sätt för olika datanivåer.

1. Nominalskalenivå - Detta är den enklaste datanivån och allt som går att kategorisera kan man analysera med metoder på nominalskalenivån.

   Om man exempelvis undersökt vilka elever i en klass som är med i ett visst fotbollslag, kan man dela in eleverna i medlemar och icke medlemar.

   Detta innebär att man alltid kan använda nominalskalemetoder.
2. Ordinalskalenivå - På denna nivå så är data rangordnade. Det kan exempelvis vara fråga om vilken rang i popularitet en viss bok får (som Harry Potter eller Sune) om man röstar i en klass.

   Om vi tänker oss att Harry Potter får rang 2 och Sune rang 4 så kan man inse att man kan inte riktigt förstå dessa siffror som uttryck för värden av någonting. Man kan exempelvis inte säga att Harry Potter var dubbelt så populär som Sune i klassen. Inte heller kan man uttala sig om avståndet "i popularitet" mellan Harry och Sune utifrån en rangordning

   Data på ordinalskalenivå kräver lite speciella metoder för analyserna, så se upp med om du upptäcker att du samlat in ordinalskaledata. (Även de populära VAS - skalorna, Visual Analog Scale, är i grund och botten ordinalskalor)
3. Intervallskalenivå - Data på intervallskalenivå utmärks av att ha lika stora skalsteg. Det klassiska exemplet är Celciusskalan för mätning av temperatur. Avståndet mellan 1 och 2 grader är lika stort som mellan 37 och 38 grader. Det finns dock en begränsning i intervallskaledata i det att man inte på ett meningsfullt sätt kan uttala sig om verkligheten i termer av "dubbelt så", "hälften så" :

   Exempelvis om man upptäcker att temperaturen en dag har stigit från 10 till 20 grader så kan man givetvis säga att det är dubbelt så många grader som igår, däremot kan man INTE meningsfullt säga att det är dubbelt så varmt som igår

   Sen utmärks celciusskalan av at 0-punkten är godtyckligt satt. Faktum är att Anders Celcius från början lär ha satt 0-punkten i skalan till vattnets kokpunkt, men efter ett tag ändrades detta till fryspunkten.
4. Kvotskalenivå -Här har det tillkommit den egenskapen att det finns en meningsfull 0-punkt.

   Om man röker 0 cigaretter per dag så är det inga och om man röker 20 så är det dubbelt så många som om man röker 10 cigaretter.

   Med andra ord utmärks kvotskalenivån av att det är lika stora skalsteg mellan värdena och att det finns en meningsfull o-punkt.

Vem är läsaren?

Ofta kan man undra vem som är den tänkte läsaren för den uppsats man skriver? Jag tycker att man kan se det som uppsatsstudenter på samma nivå och med liknande bakgrund som man själv är de tilltänkta läsarna.

Det man då får tänka sig är att studenter med likartad bakgrund har grundläggande kunskaper i det ämne man skriver om, medan mer specialiserad information måste vara mer uttömmande.

Stridsäpplet KVANTITET och KVALITET

Borde inte vara något stridsäpple. Först måste man konstatera att bara för att en författare säger sig skriva en kvalitativ studie är det inte givet att den är av god kvalitet. Och ... en kvantitativ studie kan mycket väl vara av god kvalitet.

Kvantitativa och kvalitativa studier har istället att göra med vilken typ av data en forskare / uppsatsskrivare väljer att samla in (och den studie som sedan skapas kan ha olika kvalitet).

Enkelt uttryckt, om en studie innehåller någon form av mängdangivelser eller siffror så har den kvantitativa drag och egentligen är det inget fel med det även i en huvudsakligen kvalitativ studie.

Många av intervjupersonerna angav att ...

Även i en kvantitativ studie kan det finnas kvalitativa drag, som när man i en enkät avslutar med några öppna frågor som sedan måste kategoriseras och tolkas.

En kvalitativ studie sysslar med att ordna och systematisera data, ofta texter, men det kan exempelvis också vara bilder som att systematisera drag i barnteckningar. Vanligt är att studenter söker efter teman i intervjutexter eller i observationer.

En kvantitativ studie sysslar vanligen med att beskriva, förklara och predicera data med hjälp av siffror.

Det bästa förhållningssättet enligt min mening är att man utgår från vad det är som man vill undersöka, ifrån syfte och frågeställningar, och utifrån dessa utformar sin metod utan att bekymra sig över om metoden är renodlat kvantitativ eller kvalitativ eller någon form av mix av de två.

Men vad är då en hypotes?

Vanligen brukar man använda ordet hypotes när man har formulerat ett påstående som man tänker sig att testa med statistiska metoder. Det är alltså lämpligt att hypotesen formuleras som ett "riktat" påstående som kan prövas med en viss metod.

Många statistiska prövningar kallas också hypotestestningar där H1 är den riktade hypotesen och H0 det som kallas 0-hypotesen (ingen skillnad).

De vanligaste statistiska prövningarna kan egentligen bara uttala sig om två saker.

• Finns det en skillnad mellan grupper
• Finns det ett samband mellan variabler

Notera också att statistiska prövningar inte kan uttala sig om att det INTE finns skillnader mellan grupper (detta brukar lite kryptiskt formuleras att 0-hypotesen inte kan förkastas)

Man kan ju grubbla över detta därför att detta innebär att med statistiska metoder kan vi exempelvis påvisa alla situationer där det föreligger en skillnad mellan könen, medan de förmodligen ännu fler situationer där det inte går att påvisa någon statistisk skillnad kan vi inte riktigt uttala oss om.

Exempel på en testbar hypotes:

H1 Män presterar bättre än kvinnor i genomsnitt när det gäller resultatet på högskoleprovet
H0 Det finns inte någon skillnad i hur män och kvinnor presterar i genomsnitt när det gäller resultatet på högskoleprovet

Ett skäl till att inte så lätt går att bevisa att en H0 hypotes skulle vara korrekt är att det ofta finns osäkerheter när det gäller mätningen

• "du använde inte ett tillräckligt känstligt test, om du gjort det skulle du funnit en skillnad"

Eller att man jobbat med för små grupper

• "du undersökte inte nog många personer, det finns en skillnad men den är rätt liten och därför svår att upptäcka"

Validitet

Med validitet menar man giltighet, och det betyder hur väl ett mått mäter det är avsett att mäta eller hur väl det man mäter står för något i verkligheten

När man diskuterar validitet så är det ofta man kommer in på lite filosofiska resonemang.

• Om man är intresserad av hur elever upplever undervisning så kan man ju kanske fråga dem, men det man då får veta är hur elever säger att de upplever sin undervisning.
• Anledningar till att det elever säger och det de upplever i realiteten inte helt överensstämmer kan ju vara svårigheter att uttrycka sig verbalt eller att elever är rädda för vad läraren ska tycka om deras åsikter.
• Ett annat sätt att undersöka hur elever upplever sin undervisning kan vara via observationer, men då är ju frågan istället hur väl observatören kan tolka vad eleverna upplever?

Det är i varje fall positivt om den som gör en undersökning ägnar lite tid åt att diskutera validiteten / giltigheten i den undersökning han hon gör. Några former kan vara:

• Begreppsvaliditet. Att de begrepp man använder när man gör en undersökning är väl definierade, gärna på ett vedertaget sätt.
• Samtidig validitet. Att när man undersöker ett och samma fenomen med olika metoder kommer at få liknande resultat med de olika metoderna.
• Ekologisk validitet. Att det man undersöker har något att göra med hur ett fenomen fungerar i verkligheten. Om man exempelvis har ett instrument för att mäta aggressivitet i skolan, att det faktiskt pekar ut elever med tendens att råka i bråk på rasterna.
• Prediktiv validitet. Att den undersökning man gjort kan förutsäga vad som kommer att hända i framtiden (ex. screening studier)

Reliabilitet

Ordet reliabilitet brukar översättas "tillförlitlighet". Det handlar alltså om hur tillförlitligt du mäter det du mäter.

Om du tänker dig att du mäter feber kan du göra det på olika sätt ...

• Ett sätt är att lägga handen på en persons panna och känna efter om han eller hon verkar varm.
• Ett annat sätt är att använda en kvicksilvertermometer
• Ett tredje sätt är att använda en digital termometer i örat

Alla tre metoderna kan ge en vink om att en person har feber, men vi kan ana att även om man använder alla tre metoderna på samma person så kommer de inte att ge exakt samma svar. När man funderar på metodernas tillförlitlighet då funderar man på reliabiliteten.

Några olika sätt att testa reliabiliteten i en mätning är följande

1. test - retest att en person får svara på samma frågor flera gånger
2. split half att om man har ett test som avser att mäta en viss egenskap, man ser hur lika personen svarar på testet om man delar det i två
3. interbedömar överensstämmelse att man ser på hur två personer bedömer samma observation eller intervju, om de kategoriserar svar lika exempelvis

??? Analys ???

Ett av de knivigare begreppen studenter ofta brottas med när de skriver uppsats är ordet analys.

Man kanske kan tänka så här: Analys är något du gör när du försöker förstå någonting ...

1. Du kan analysera litteratur - då är det en litteraturanalys
2. Du kan analysera bilder - då är det en bildanalys
3. Du kan analysera intervjuer - då är det en textanalys
4. Du kan analysera lärobokstexter - då är det en textanalys
5. Du kan analysera siffror du fått fram med en enkät - då är det en statistisk analys
6. ... och det finns säkert fler sorter ...

När du skriver en uppsats där du varit ute och undersökt något ute i verkligheten så brukar du aldrig skriva att du gör en litteraturanalys (även om du faktiskt gjort det i din Introduktion till uppsatsen)

Jag brukar rekommendera att studenterna skriver ett litet stycke i metodavsnittet i uppsatsen som heter Analys (av intervjuer, bilder, lärobokstexter, statistik) eller vad det nu är fråga om. Där ska man beskriva HUR man analyserat. Det ska alltså stå i analys avsnittet om man haft något speciellt analyssystem, vilka begrepp man jobbat med, om man sökt "signifikanta yttranden" eller vilka statistiska mått och metoder man använt. (vad som nu passar)

Resultatavsnittet skulle egentligen lika väl kunna heta "resultat av analysen" ... men jag tycker att det duger bra att bara kalla det Resultat.