Prace dyplomowe · Obrona

Recenzja pracy magisterskiej – co recenzent sprawdza w części badawczej

Recenzent czyta gotową pracę i pyta o to, czy cel, hipotezy, analizy i wnioski tworzą jedną całość. Zobacz, na co patrzy w części empirycznej, jak brzmią typowe uwagi i jak odpowiedzieć na nie na obronie.

Strona główna / Blog / Recenzja pracy magisterskiej
W skrócie: W części badawczej recenzent sprawdza przede wszystkim spójność: czy każda hipoteza ma swoją analizę i swój wniosek, a liczby w tabelach zgadzają się ze sobą. Dalej patrzy na opis próby i doboru, źródło i rzetelność narzędzi, dobór testów i założeń, raport wielkości efektu oraz język wniosków. Większość uwag da się przewidzieć i usunąć przed złożeniem pracy, a na te, które zostaną, odpowiedz na obronie krótko: przyznaj ograniczenie albo wyjaśnij decyzję i jej konsekwencje.

Recenzja pracy magisterskiej: czego dotyczy w części badawczej

Recenzja pracy magisterskiej powstaje, gdy praca jest już złożona. Recenzent nie prowadzi Cię jak promotor przez kolejne wersje rozdziałów – czyta całość raz, ocenia ją i formułuje uwagi, z których część wraca jako pytania na obronie. W części badawczej (empirycznej) patrzy nie tyle na to, czy analizy są „zaawansowane”, ile na to, czy praca jest spójna i uczciwie opisana: czy z celu wynikają hipotezy, z hipotez analizy, a z analiz wnioski.

Ten wpis pokazuje część badawczą oczami recenzenta: tabelę kryteriów z sygnałami problemu, dwanaście przykładowych uwag z propozycją odpowiedzi na obronie i listę kontrolną przed złożeniem pracy. Uwagi są sformułowane ogólnie i przykładowo – to typowe problemy metodologiczne, a nie cytaty z prawdziwych recenzji. Formularz recenzji, skala ocen i to, czy po recenzji można jeszcze coś poprawić, zależą od uczelni, więc sprawdź je w regulaminie swojego wydziału.

Jeśli jesteś jeszcze na etapie poprawek, zajrzyj do wpisu o poprawkach promotora w rozdziale wyników – tam są szczegółowe przykłady „przed → po”. Uwagi recenzentów czasopism do statystyki (inny poziom wymagań) opisuje wpis o zarzutach recenzentów do statystyki, a pisemne odpowiedzi na nie – wzory odpowiedzi recenzentom.

Kryteria oceny części badawczej – tabela dla studenta

Recenzent rzadko ma czas na ponowne przeliczanie analiz. Szuka sygnałów, które widać przy uważnym czytaniu: brakującej analizy, liczby, która nie pasuje do innej, wniosku mocniejszego niż schemat badania. Poniższa tabela zbiera osiem obszarów, które warto sprawdzić przed złożeniem pracy. Jest zbieżna z tym, czego standardy raportowania APA wymagają od opisu badania ilościowego: hipotez i analiz podzielonych na główne, drugorzędne i eksploracyjne, opisu próby, narzędzi i wyników (Appelbaum i in., 2018).

Kryteria oceny części badawczej pracy magisterskiej: co recenzent sprawdza, jaki jest sygnał problemu i jak go poprawić
KryteriumCo recenzent sprawdzaSygnał problemuJak poprawić
Cel, pytania, hipotezy, analizyczy każda hipoteza ma analizę i wniosekhipoteza bez wyniku; analiza, której nikt nie zapowiedziałtabela: hipoteza → zmienne → test → wynik → wniosek
Próba i dobórkto, ilu, jak dobrany, kogo wykluczono„próba reprezentatywna” przy doborze wygodnym; brak liczby wykluczeńnazwij sposób doboru, podaj liczbę osób na każdym etapie
Narzędziaźródło, wersja polska, rzetelność w Twojej próbieautorska ankieta bez opisu powstania; α tylko z podręcznikapodaj autora i adaptację, policz rzetelność na swoich danych
Dobór testów i założeniaczy test odpowiada hipotezie i poziomowi pomiarutrzy testy t zamiast ANOVA; założenia „spełnione” bez opisuuzasadnij test jednym zdaniem, opisz sprawdzenie założeń
Raportowaniestatystyka, df, p, wielkość efektu, tabelesamo „istotne”; „p = .000”; zrzut ekranu z programuzapis APA z wielkością efektu i CI, tabele z numerem i notą
Interpretacja i wnioskiczy język pasuje do schematu badania„wpływa”, „powoduje” w badaniu korelacyjnym; wnioski o całej populacji„wiąże się”, „różni się”; zawęź uogólnienie do opisanej próby
Ograniczeniaczy autor widzi słabości i ich skutkijedno zdanie „mała próba”nazwij ograniczenie, jego kierunek wpływu i co by je usunęło
Spójność liczbsumy N, procenty, df, średnietabela sumuje się do innej liczby niż N; df nie pasuje do grupprzelicz wszystkie liczby z jednego pliku danych przed złożeniem

Spójność celu, hipotez i analiz – mapa dla recenzenta

Najpoważniejsze uwagi do części badawczej rzadko dotyczą jednego testu. Dotyczą przerwanej ścieżki: hipoteza pojawia się w rozdziale metodologicznym, ale nie ma jej w wynikach, albo w wynikach jest analiza, której nie zapowiadała żadna hipoteza badawcza. Recenzent szybko to zauważa, bo porównuje listę hipotez z listą tabel. Zrób to przed nim: narysuj mapę jak na rysunku 1 albo wypisz ją w tabeli.

Schemat w pięciu kolumnach: cel badania, pytania, hipotezy, analizy i wnioski. Hipotezy H1 i H2 mają swoje analizy (test t Welcha, korelacja Pearsona) i wnioski; hipoteza H3 o moderacji nie ma analizy; na dole regresja bez hipotezy prowadzi do wniosku „X wpływa na Y” – te elementy są zaznaczone na czerwono
Rysunek 1. Mapa spójności części badawczej. Każda hipoteza powinna prowadzić do jednej analizy i jednego wniosku. Na czerwono dwa typowe pęknięcia: hipoteza bez analizy i analiza bez hipotezy, z której wyciągnięto wniosek przyczynowy. Schemat poglądowy, bez danych.

Analiza dodatkowa nie jest błędem, o ile nazwiesz ją eksploracyjną i nie wyciągasz z niej mocnych wniosków. Problemem jest dopisanie hipotezy po zobaczeniu wyników (HARKing) i wnioski, które nie wynikają z żadnej analizy. Jak formułować hipotezy, żeby dało się je przypisać do testu, opisuje wpis o pytaniach badawczych i hipotezach, a dobór testu do hipotezy – wpis o tym, jaki test do jakiej hipotezy.

Próba, narzędzia, testy i raport wyników – na co recenzent patrzy najpierw

Próba i dobór. Recenzent sprawdza, czy opis próby pozwala odpowiedzieć na pytanie: na kogo można uogólnić wyniki? Dobór wygodny jest w pracach magisterskich normą i sam w sobie nie jest zarzutem; zarzutem jest nazwanie takiej próby reprezentatywną (zob. reprezentatywność próby). Podaj, ile osób zaproszono, ile odpowiedziało, ilu wykluczono i dlaczego – więcej w doborze próby w pracy dyplomowej. Jeśli liczebność ustaliłeś(-aś) z góry, napisz jak; jeśli nie, nie udawaj analizy mocy po fakcie.

Narzędzia. Przy każdym kwestionariuszu recenzent szuka autora, polskiej wersji i jej źródła oraz rzetelności w Twojej próbie. Przy narzędziu własnym – opisu, skąd się wzięły pytania i czy był pilotaż. Samodzielne przetłumaczenie skali bez procedury adaptacji to sygnał problemu.

Testy i założenia. Recenzent pyta, czy test pasuje do hipotezy i do poziomu pomiaru zmiennych oraz jak sprawdzono założenia. Zdanie „założenia zostały spełnione” bez szczegółów niczego nie mówi. Hoekstra i in. (2012) pokazali, że nawet badacze rzadko sprawdzają założenia, a jeśli już – zwykle samym testem statystycznym, często bez wiedzy o odporności metod. Napisz, co sprawdzono i czym (np. rozkład reszt na wykresie Q-Q, a nie test normalności zmiennej – zob. normalność reszt czy zmiennych).

Raport wyników. Recenzent oczekuje statystyki testu z df, dokładnego p, wielkości efektu z przedziałem ufności i tabel z numerem, tytułem i notą (American Psychological Association, 2020). Gotowe wzory zapisu masz w tabelach APA, a sposób mówienia o sile efektu – w interpretacji wielkości efektu.

Spójność liczb: N, procenty i stopnie swobody

Niespójne liczby to uwaga, której najłatwiej uniknąć, a która mocno podważa zaufanie do całego rozdziału. Problem nie dotyczy tylko studentów: w analizie ponad 250 tysięcy wartości p z czasopism psychologicznych połowa artykułów stosujących testy istotności zawierała co najmniej jedną wartość p niezgodną ze statystyką testu i stopniami swobody (Nuijten i in., 2016). Brown i Heathers (2017) pokazali z kolei, że średnią z danych całkowitych (np. jednej pozycji skali Likerta) można sprawdzić przy znanym n – tak działa test GRIM.

Rysunek 2 pokazuje wynik kontroli dwunastu liczb przepisanych z fikcyjnej pracy (przykład szkoleniowy). Sześć wymaga wyjaśnienia: w tabeli płci brakuje dwóch osób do N = 124, procent studiów stacjonarnych policzono od 122 osób zamiast od 124 (stąd suma 100.9%), test t dla grup 60 i 62 osób powinien mieć 120 stopni swobody, a nie 124, tabela 2 × 3 daje χ² z 2, a nie 3 df, ANOVA na 122 osobach w trzech grupach ma F(2, 119), a średnia 3.46 przy n = 40 jest niemożliwa (najbliższe możliwe to 3.450 i 3.475).

Tabela kontroli dwunastu liczb w czterech grupach: procenty, sumy liczebności, stopnie swobody i średnie. Na czerwono sześć niezgodności: 58.2% zamiast 57.3%, suma płci 122 zamiast 124, df 124 zamiast 120 w teście t, df 3 zamiast 2 w chi-kwadrat, F(2, 121) zamiast F(2, 119) i niemożliwa średnia 3.46 przy n = 40
Rysunek 2. Kontrola spójności liczb przed złożeniem pracy: wartości podane w fikcyjnej pracy i wartości wynikające z liczebności. Czerwone pola wymagają poprawy albo wyjaśnienia w tekście. Obliczenia: R (przykład szkoleniowy, kod na końcu wpisu).

Każda z tych niezgodności może mieć niewinne źródło – braki danych w jednej zmiennej, test Welcha z ułamkowymi df, inna liczba osób w analizie. Wtedy wystarczy jedno zdanie w tekście albo nota pod tabelą. Kontrolę p względem statystyki testu pokazuje wpis o poprawkach promotora; automatycznie robią to narzędzia opisane w haśle statcheck i SPRITE.

12 przykładowych uwag recenzenta i jak na nie odpowiedzieć na obronie

Poniższe uwagi są sformułowane ogólnie, tak jak mogłyby się pojawić w wielu recenzjach. Przy każdej: co za nią stoi i jak odpowiedzieć w dwóch–trzech zdaniach. Wiele z nich odpowiada błędom, które Makin i Orban de Xivry (2019) wymieniają jako częste przy pisaniu i recenzowaniu prac: porównywanie dwóch efektów bez testu różnicy, nadinterpretacja wyników nieistotnych, mylenie korelacji z przyczynowością.

1. „Nie wyjaśniono, jak hipotezy wynikają z przeglądu literatury”

Recenzent nie widzi mostu między teorią a hipotezą. Na obronie wskaż konkretne badania lub model, z których wynika kierunek hipotezy, i powiedz, dlaczego wybrałeś(-aś) hipotezę kierunkową, a nie bezkierunkową.

2. „Hipoteza 3 nie została zweryfikowana”

To pęknięcie z rysunku 1. Jeśli analiza jest w pracy, pokaż stronę i tabelę. Jeśli jej nie ma, przyznaj to wprost i powiedz, jaka analiza byłaby właściwa (np. regresja z interakcją) i dlaczego jej zabrakło.

3. „Wnioski uogólniono na populację, której próba nie reprezentuje”

Przyznaj, że dobór był wygodny, i zawęź wniosek: wyniki dotyczą osób podobnych do badanych (np. studentów jednej uczelni). Dodaj, jakie badanie pozwoliłoby uogólnić wynik – to język trafności zewnętrznej.

4. „Brak uzasadnienia liczebności próby”

Powiedz, jak ustalono liczebność (analiza mocy przed badaniem, ograniczenia dostępu, czas). Jeśli nie było planu, przyznaj to i powiedz, jaki efekt badanie mogło wykryć – bez „mocy obserwowanej” liczonej z wyniku.

5. „Nie podano rzetelności narzędzi w badanej grupie”

Jeśli policzyłeś(-aś) rzetelność, podaj liczby. Jeśli nie, przyznaj, że wartości z podręcznika nie przenoszą się automatycznie na inną próbę, i powiedz, jaki byłby skutek niskiej rzetelności: osłabienie zależności, a nie ich zawyżenie.

6. „Nie opisano, jak sprawdzono założenia testów”

Wymień założenia ważne dla Twojego testu i sposób sprawdzenia. Powiedz też, co by się zmieniło przy ich naruszeniu – np. że wynik testu Welcha lub nieparametrycznego prowadzi do tego samego wniosku.

7. „Test nie odpowiada poziomowi pomiaru zmiennej”

Typowy przypadek: średnie z pojedynczego pytania porządkowego. Uzasadnij wybór (np. wynik sumaryczny skali traktowany jako ilościowy) albo przyznaj, że właściwszy byłby test rangowy, i powiedz, czy zmienia on wniosek.

8. „Interpretacja opiera się wyłącznie na wartości p”

Podaj wielkość efektu i jej znaczenie praktyczne: istotny wynik może być bardzo mały, a nieistotny – nieprecyzyjnie oszacowany. Przedział ufności pokazuje, jakie wartości efektu są zgodne z danymi.

9. „Liczebności w tabelach nie zgadzają się z liczebnością próby”

Wyjaśnij źródło różnicy (braki odpowiedzi w jednym pytaniu, wykluczenia w analizie) i powiedz, jak to zapisał(a)byś w nocie pod tabelą. Najlepiej, żeby ta uwaga w ogóle nie powstała – zrób kontrolę jak w sekcji o spójności liczb.

10. „Użyto języka przyczynowego w badaniu korelacyjnym”

Przyznaj, że schemat korelacyjny pozwala mówić o związku, a nie o wpływie, i przeformułuj wniosek na głos: „wyższe X wiązało się z niższym Y”. Wspomnij o możliwych zmiennych zakłócających (zob. korelacja a przyczynowość).

11. „Brak istotności zinterpretowano jako brak związku”

Wynik nieistotny oznacza, że dane nie pozwalają odrzucić hipotezy zerowej, a nie że efektu nie ma. Pokaż przedział ufności i powiedz, jakich efektów badanie nie wyklucza (zob. jak opisać wynik nieistotny).

12. „Ograniczenia opisano ogólnikowo”

Zamiast „mała próba” nazwij konkretne ograniczenie, jego prawdopodobny kierunek wpływu na wynik i to, co by je usunęło w kolejnym badaniu. Wzory zdań znajdziesz we wpisie o tym, jak opisać ograniczenia badania.

Jak odpowiadać na uwagi z recenzji na obronie

Na obronie liczy się, czy rozumiesz swoje decyzje. Dobra odpowiedź ma trzy części: decyzja (co zrobiłeś/-aś), uzasadnienie (dlaczego) i konsekwencja (co to znaczy dla wniosków). Jeśli recenzent ma rację, przyznanie się do błędu i pokazanie, jak byś go naprawił(a), wypada lepiej niż obrona na siłę. Nie zaczynaj od „pan promotor kazał” – to Twoja praca i Twoje decyzje.

Dziękuję za tę uwagę. Użyłam (użyłem) testu t Welcha, ponieważ hipoteza dotyczyła różnicy średnich, a wariancje w grupach się różniły. Zgadzam się, że opis sprawdzenia założeń jest zbyt skrótowy. Test Manna–Whitneya prowadzi do tego samego wniosku, więc wynik nie zależy od tej decyzji, ale w kolejnym badaniu opisałabym (opisałbym) tę kontrolę w rozdziale wyników.

Przygotuj jedną kartkę z najważniejszymi liczbami: N, wykluczenia, wynik każdej hipotezy z wielkością efektu. Pytania według typu analizy i badania zebraliśmy w trzech wpisach: pytania ze statystyki na obronę, pytania z metodologii na obronę i 38 pytań na obronie z przykładowymi odpowiedziami. Jeśli jakiejś analizy nie rozumiesz do końca, poproś o jej wyjaśnienie przed obroną – możesz skorzystać z konsultacji analiz dla studentów.

Lista kontrolna przed złożeniem pracy

  • Każda hipoteza ma analizę, wynik i wniosek; analizy dodatkowe są nazwane eksploracyjnymi.
  • Opis próby podaje sposób doboru, liczbę osób na każdym etapie i powody wykluczeń.
  • Przy każdym narzędziu jest autor, polska wersja z jej źródłem i rzetelność w Twojej próbie.
  • Każdy test ma jedno zdanie uzasadnienia i opis sprawdzenia założeń.
  • Wyniki mają statystykę, df, dokładne p, wielkość efektu i przedział ufności.
  • Liczebności w tabelach sumują się do N albo nota wyjaśnia różnicę; procenty liczono od właściwego mianownika.
  • Stopnie swobody pasują do liczebności grup i liczby kategorii.
  • W badaniu korelacyjnym nie ma słów „wpływa” ani „powoduje”, a wnioski nie wykraczają poza próbę.
  • Ograniczenia są konkretne i mają opisany skutek dla wniosków.
  • Rozdział metodologiczny i rozdział wyników opisują to samo badanie (zob. rozdział metodologiczny pracy magisterskiej).
Przykład reprodukowalny

Kontrola spójności liczb w R: kod i wynik

Przepis sprawdza liczby przepisane z tabel i opisów wyników: procenty względem N, sumy liczebności, stopnie swobody testów i możliwość średniej z danych całkowitych (GRIM). Liczby pochodzą z fikcyjnej pracy przygotowanej jako przykład. Rysunki powstały w osobnym skrypcie, który korzysta z wyników tego przepisu.

Procenty, sumy N, stopnie swobody i GRIM

Dane wejściowe: liczby z tabeli charakterystyki próby i z opisów wyników wpisane w kod; tylko funkcje bazowego R (aggregate, mapply, round).

Co odczytać: kolumny zgodny, zgodne i mozliwa (FALSE = do wyjaśnienia), brakujące osoby do N oraz liczbę liczb do wyjaśnienia w ostatniej linii.

R
# B385 – kontrola spójności liczb w części badawczej przed złożeniem pracy
# Liczby przepisane z fikcyjnej pracy (przykład szkoleniowy, nie z prawdziwej pracy ani recenzji).
# Sprawdzamy to, co recenzent widzi „na oko”: sumy N, procenty, stopnie swobody i możliwość średniej (GRIM).

N <- 124   # liczebność próby podana w rozdziale metodologicznym

# 1. Tabela charakterystyki próby: liczebności i procenty przepisane z pracy
tab <- data.frame(
  zmienna = c("płeć", "płeć", "tryb studiów", "tryb studiów"),
  kategoria = c("kobiety", "mężczyźni", "stacjonarne", "niestacjonarne"),
  n = c(82, 40, 71, 53),
  proc_podany = c(66.1, 32.3, 58.2, 42.7))
tab$proc_z_N <- round(100 * tab$n / N, 1)
tab$zgodny <- abs(tab$proc_podany - tab$proc_z_N) < 0.05
print(tab, row.names = FALSE)
sumy <- aggregate(cbind(n, proc_podany) ~ zmienna, data = tab, FUN = sum)
sumy$brakuje_do_N <- N - sumy$n
print(sumy, row.names = FALSE)
cat("Mianownik, z którego wychodzi 58.2% dla 71 osób:", round(71 / 0.582), "\n\n")

# 2. Stopnie swobody: podane w pracy a wynikające z liczebności analizowanych grup
df_t   <- function(n1, n2) n1 + n2 - 2            # test t dla prób niezależnych (klasyczny)
df_chi <- function(w, k) (w - 1) * (k - 1)        # chi-kwadrat w tabeli w × k
df_F   <- function(k, n) c(k - 1, n - k)          # ANOVA jednoczynnikowa
df_r   <- function(n) n - 2                       # korelacja Pearsona
stopnie <- data.frame(
  wynik = c("t(124) = 2.31, grupy 60 i 62", "chi2(3) = 6.85, tabela 2 x 3",
            "F(2, 121) = 3.97, trzy grupy, N = 122", "r(122) = .24, N = 124"),
  df_podane = c("124", "3", "2, 121", "122"),
  df_oczekiwane = c(df_t(60, 62), df_chi(2, 3), paste(df_F(3, 122), collapse = ", "), df_r(124)))
stopnie$zgodne <- stopnie$df_podane == stopnie$df_oczekiwane
print(stopnie, row.names = FALSE)
cat("\n")

# 3. GRIM: czy średnia z liczb całkowitych (jedna pozycja 1–5) jest możliwa przy danym n?
grim <- function(M, n, pozycje = 1, miejsca = 2) {
  suma <- round(M * n * pozycje)                   # najbliższa możliwa suma punktów
  any(round(c(suma - 1, suma, suma + 1) / (n * pozycje), miejsca) == round(M, miejsca))
}
srednie <- data.frame(opis = c("satysfakcja, mężczyźni", "satysfakcja, kobiety"),
                      M = c(3.46, 3.45), n = c(40, 82))
srednie$M_razy_n <- srednie$M * srednie$n
srednie$mozliwa <- mapply(grim, srednie$M, srednie$n)
print(srednie, row.names = FALSE)
cat("Najbliższe możliwe średnie dla n = 40:", formatC(c(138, 139) / 40, format = "f", digits = 3), "\n\n")

# 4. Podsumowanie kontroli
wyniki <- c(tab$zgodny, sumy$brakuje_do_N == 0, stopnie$zgodne, srednie$mozliwa)
cat("Sprawdzonych liczb:", length(wyniki), "; do wyjaśnienia:", sum(!wyniki), "\n")
Wynik w R
      zmienna      kategoria  n proc_podany proc_z_N zgodny
         płeć        kobiety 82        66.1     66.1   TRUE
         płeć      mężczyźni 40        32.3     32.3   TRUE
 tryb studiów    stacjonarne 71        58.2     57.3  FALSE
 tryb studiów niestacjonarne 53        42.7     42.7   TRUE
      zmienna   n proc_podany brakuje_do_N
         płeć 122        98.4            2
 tryb studiów 124       100.9            0
Mianownik, z którego wychodzi 58.2% dla 71 osób: 122 

                                 wynik df_podane df_oczekiwane zgodne
          t(124) = 2.31, grupy 60 i 62       124           120  FALSE
          chi2(3) = 6.85, tabela 2 x 3         3             2  FALSE
 F(2, 121) = 3.97, trzy grupy, N = 122    2, 121        2, 119  FALSE
                 r(122) = .24, N = 124       122           122   TRUE

                   opis    M  n M_razy_n mozliwa
 satysfakcja, mężczyźni 3.46 40    138.4   FALSE
   satysfakcja, kobiety 3.45 82    282.9    TRUE
Najbliższe możliwe średnie dla n = 40: 3.450 3.475 

Sprawdzonych liczb: 12 ; do wyjaśnienia: 6 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats); rysunki przygotowano w pakietach ggplot2, svglite i magick. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
  4. magick (wersja 2.9.1): Ooms, J. (2026). magick: Advanced graphics and image-processing in R [R package]. https://doi.org/10.32614/CRAN.package.magick

Najczęstsze pytania

Co sprawdza recenzent w części empirycznej pracy magisterskiej?

Zgodność celu, pytań, hipotez, analiz i wniosków; opis próby i sposobu doboru; źródło, adaptację i rzetelność narzędzi; dobór testów do hipotez i poziomu pomiaru oraz sprawdzenie założeń; raport wyników z wielkością efektu; język wniosków i ograniczenia. Sprawdza też, czy liczby (N, procenty, stopnie swobody) zgadzają się w całym rozdziale.

Jak odpowiedzieć na uwagi z recenzji pracy magisterskiej na obronie?

Zacznij od przyznania, czego dotyczy uwaga, potem w jednym–dwóch zdaniach podaj decyzję, jej uzasadnienie i konsekwencję dla wniosków. Jeśli recenzent ma rację, powiedz, co zrobił(a)byś inaczej. Nie podważaj kompetencji recenzenta i nie odpowiadaj ogólnikami – podaj liczbę lub stronę pracy.

Czy recenzent może zakwestionować wybór testu statystycznego w pracy?

Tak, i to jedna z częstszych uwag do części badawczej. Bronisz się wtedy związkiem testu z hipotezą i z poziomem pomiaru zmiennych oraz tym, jak sprawdzono założenia. Dobrze mieć przygotowane, czy wynik zmienia się przy teście alternatywnym (np. Welch zamiast klasycznego t).

Co zrobić, gdy nie zgadzam się z uwagą recenzenta?

Odpowiedz rzeczowo: przedstaw argument metodologiczny, najlepiej z odwołaniem do źródła lub do dodatkowej analizy, i nie upieraj się, jeśli różnica dotyczy preferencji, a nie błędu. Przed obroną omów taką uwagę z promotorem – on zna zwyczaje komisji na Twoim wydziale.

Jak sprawdzić liczby w pracy magisterskiej przed oddaniem do recenzji?

Zsumuj liczebności w każdej tabeli i porównaj z N z rozdziału metodologicznego, przelicz procenty z liczebności, sprawdź stopnie swobody każdego testu i to, czy p pasuje do statystyki. Szybką kontrolę możesz zrobić w kilkunastu linijkach R, jak w przykładzie w tym wpisie.

Powiązane hasła

Przeczytaj też

Chcesz sprawdzić część badawczą, zanim przeczyta ją recenzent?

Przejrzymy analizy i tabele pod kątem spójności z hipotezami, przeliczymy wątpliwe wyniki i wyjaśnimy je tak, żebyś umiał(a) samodzielnie odpowiedzieć na pytania z recenzji.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
  2. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191 ● Otwarty dostęp
  3. Brown, N. J. L., & Heathers, J. A. J. (2017). The GRIM test: A simple technique detects numerous anomalies in the reporting of results in psychology. Social Psychological and Personality Science, 8(4), 363–369. https://doi.org/10.1177/1948550616673876 ● Otwarty dostęp: pełny tekst
  4. Hoekstra, R., Kiers, H. A. L., & Johnson, A. (2012). Are assumptions of well-known statistical techniques checked, and why (not)? Frontiers in Psychology, 3, Article 137. https://doi.org/10.3389/fpsyg.2012.00137 ● Otwarty dostęp
  5. Makin, T. R., & Orban de Xivry, J.-J. (2019). Ten common statistical mistakes to watch out for when writing or reviewing a manuscript. eLife, 8, Article e48175. https://doi.org/10.7554/elife.48175 ● Otwarty dostęp
  6. Nuijten, M. B., Hartgerink, C. H. J., van Assen, M. A. L. M., Epskamp, S., & Wicherts, J. M. (2016). The prevalence of statistical reporting errors in psychology (1985–2013). Behavior Research Methods, 48(4), 1205–1226. https://doi.org/10.3758/s13428-015-0664-2 ● Otwarty dostęp

Cytowania BibTeX

@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}
@article{appelbaum2018journal, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={{Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report}}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{brown2017grim, author={Brown, Nicholas J. L. and Heathers, James A. J.}, title={{The GRIM test: A simple technique detects numerous anomalies in the reporting of results in psychology}}, journal={Social Psychological and Personality Science}, year={2017}, volume={8}, number={4}, pages={363--369}, doi={10.1177/1948550616673876}}
@article{hoekstra2012assumptions, author={Hoekstra, Rink and Kiers, Henk A. L. and Johnson, Addie}, title={{Are assumptions of well-known statistical techniques checked, and why (not)?}}, journal={Frontiers in Psychology}, year={2012}, volume={3}, eid={137}, doi={10.3389/fpsyg.2012.00137}}
@article{makin2019ten, author={Makin, Tamar R. and Orban de Xivry, Jean-Jacques}, title={{Ten common statistical mistakes to watch out for when writing or reviewing a manuscript}}, journal={eLife}, year={2019}, volume={8}, eid={e48175}, doi={10.7554/elife.48175}}
@article{nuijten2016prevalence, author={Nuijten, Michèle B. and Hartgerink, Chris H. J. and van Assen, Marcel A. L. M. and Epskamp, Sacha and Wicherts, Jelte M.}, title={{The prevalence of statistical reporting errors in psychology (1985–2013)}}, journal={Behavior Research Methods}, year={2016}, volume={48}, number={4}, pages={1205--1226}, doi={10.3758/s13428-015-0664-2}}
R