EERLIJKHEID
P-Hacking → je hebt een data set en daar laat je een miljoen
analyses op los en je weet dat er wel 1 significant is en dan dat
rapporteren.
Data fabricage → data verzinnen
ZORGVULDIGHEID
Plagiaat → Het niet juist citeren van iemands anders werk, het
gebruiken van iemands anders werk en doen alsof het van jou is.
TRANSPARANTIE
→ Alle stappen die in het onderzoek genomen zijn moeten kunnen worden
gecheckt / gecontroleerd
ONAFHANKELIJKHEID
→ Hoe een onderzoek gefinancierd wordt heeft soms een verband met de
uitkomst van de analyse omdat dat voordelig is voor de investeerder
VERANTWOORDELIJKHEID
Als een onderzoeker een onderzoek doet wordt het gereviewd. Je werk wordt altijd
gecontroleerd, als onderzoeker moet je vaak andermans werk te beoordelen.
Idee / Theorie
● Verloedering straatbeeld leidt tot stereotypering en discriminatie
● Deductie → theorie → specifieke verwachtingen
● Onderzoeksvraag: Vertonen mensen op vieze stations meer discriminerend
gedrag dan op schone stations?
● Experiment
1. Utrecht CS tijdens staking schoonmakers (vies station)
● Vragenlijst over etniciteit / seksuele voorkeur en
persoonlijkheidstrekken
● Eigenlijk: vragenlijst invullen op een bankje
○ Hoever van zwarte/witte persoon namen zij plats
2. Utrecht CS na staking (schoon station)
● Zelfde vragenlijst
→ Straatbeeld (gemanipuleerde variabele) : Vies station tijdens staking &
schoon station na de staking
→ Stereotypering: Vragenlijst etniciteit / seksuele voorkeur en
persoonlijkheidskenmerken
→ Discriminatie: afstand tot persoon op de bank
, Causaliteit:
● Was er sprake van random toewijzen van personen aan de experimentele
condities?
○ Nee, natuurlijke indeling (bestaande groepen) van mensen die op een van
de dagen op CS waren
● Alternatieve verklaringen uitgesloten?
○ Nee, invloed van aanwezigheid an stakende schoonmakers (= extra
drukte) op humeur reizigers en ook op hun ideeën en gedrag
Data-analyse:
● Resultaat:
○ Mensen die de vragenlijst op het vieze station invulden hadden sterkere
stereotypen
○ Op het vieze station waren de deelnemers meer geneigd verder van de
persoon op het bankje te gaan zitten wanneer deze een andere etnische
achtergrond had
Onderzoek bleek gefabriceerd te zijn → Retraction
Grote schendingen wetenschappelijk integriteit:
Fabricage: Eerlijkheid
● Data verzinnen
● Bewuste schending
Plagiaat: Eerlijkheid
● Werk van anderen kopiëren
● Bewuste schending
Falsifying: ( er bestaan opzettelijke & onopzettelijke fouten)
● Bewust niet rapporteren van bepaalde bevindingen
● Bewust aanpassen van de data
● Bewust foutief interpreteren van de data
→ Is het verwijderen van een outlier bij de data-analyse een vorm van
falsificatie? Als je een outlier verwijderd en hier transparant over bent is het
geen falsificatie. Er moet een reden zijn om de outlier te verwijderen. Wel
falsificatie als het niet gerapporteerd wordt.
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper loukilangeveld1. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €3,99. Je zit daarna nergens aan vast.