Co oznacza Open science?
Zastosowanie, warunki i dobre praktyki
Otwarta nauka obejmuje transparentność pytań, materiałów, danych, kodu i decyzji analitycznych w zakresie zgodnym z etyką oraz prawem. Celem nie jest bezwarunkowe upublicznienie danych wrażliwych, lecz umożliwienie oceny i odtworzenia procesu. Prerejestracja, repozytoria, raporty rejestrowane i jasne oznaczenie eksploracji rozwiązują różne problemy i nie powinny być traktowane jako jedna formalność.
Najważniejsze zastosowanie: Stosuj w zakresie dozwolonym przez etykę, prywatność i prawa uczestników.
Jak poprawnie stosować i interpretować hasło „Open science”?
Zastosowanie pojęcia „Open science” powinno wskazywać, która część procesu badawczego staje się jawna i możliwa do sprawdzenia: hipotezy, materiały, dane, kod, decyzje analityczne albo wyniki. Przy ocenie hasła „Open science” sama deklaracja transparentności nie wystarcza. W analizie dotyczącej hasła „Open science” trzeba zaplanować wersjonowanie, ochronę danych wrażliwych, licencję oraz sposób odróżnienia decyzji podjętych przed analizą od późniejszych eksploracji.
Ocena pojęcia „Open science” polega na sprawdzeniu, czy udostępnione materiały rzeczywiście pozwalają odtworzyć analizę i zrozumieć odstępstwa od planu. Dla interpretacji hasła „Open science” prerejestracja z niejasnymi zmiennymi i testami nie ogranicza swobody decyzyjnej. W odniesieniu do hasła „Open science”, gdy pełne dane nie mogą być publiczne, można udostępnić metadane, kod, dane syntetyczne i procedurę kontrolowanego dostępu.
Co trzeba opisać w raporcie?
Opis pojęcia „Open science” powinien zawierać trwałe odnośniki, daty, wersje plików i warunki dostępu. Przy ocenie hasła „Open science” należy wymienić wszystkie odstępstwa od protokołu oraz oznaczyć analizy eksploracyjne. W analizie dotyczącej hasła „Open science” w przypadku oprogramowania warto podać środowisko i zależności, aby reprodukcja nie opierała się na domyślnych ustawieniach innej wersji.
Zakres raportowania dla hasła „Open science”: Dodaj oświadczenie o dostępności danych, kodu, materiałów i prerejestracji.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Badacz publikuje plan analizy przed zebraniem danych i kod generujący tabele.
Jak ją zinterpretować: Jawny plan, kod i materiały pozwalają odróżnić potwierdzanie hipotez od eksploracji oraz sprawdzić drogę do wyniku. Otwartość nie wymaga publikowania danych wrażliwych; wymaga przejrzystego uzasadnienia ograniczeń dostępu.
Najczęstsza pułapka i granica interpretacji
Otwartość nie oznacza publikowania danych osobowych ani ignorowania zgód i ryzyka identyfikacji.
Praktyka związana z „Open science” nie gwarantuje poprawności teorii ani danych. Dla interpretacji hasła „Open science” zwiększa możliwość kontroli i uczenia się z błędów, ale musi być równoważona ochroną uczestników, prawem i ryzykiem ujawnienia informacji.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikWielkość efektu: jak ocenić znaczenie wyniku poza wartością p
Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.
Czytaj →PoradnikPytania badawcze i hipotezy: jak przejść od teorii do analizy
Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
- Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
- Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
- Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
- Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
Cytowania BibTeX
@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={The preregistration revolution}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}@article{osc2015reproducibility, author={{Open Science Collaboration}}, title={Estimating the reproducibility of psychological science}, journal={Science}, year={2015}, volume={349}, number={6251}, pages={aac4716}, doi={10.1126/science.aac4716}}