Forskningsmetoder i tenkning Del 2

Se våre psykologistudier

Kan vi gjøre bedre slutninger med hjelp fra forskningsmetode?

I en bloggteksten Forskningsmetode i tenkning del 1 kunne du lese at kunnskap om forskningsmetode legger et viktig grunnlag for både kritisk tenkning og tenkning generelt. I denne bloggteksten skal vi se på noen praktiske eksempler på hvordan kunnskap om forskningsmetode kan bedre tenkningens kvalitet og la deg trekke sikrere slutninger i havet av informasjon vi til enhver tid har tilgjengelig.

To typer tenkning

Som jeg har skrevet i flere bloggtekster tidligere har mennesker et tankeapparat som til dels opererer på autopilot, der vi lar umiddelbare tanker og inntrykk styre flere sider av valg og vurderinger vi gjør. Dette systemet – kalt System 1 (i motsetning til det mer analytiske og ressurskrevende System 2) – muliggjør at vi kan gjøre raske vurderinger og valg. Denne autopiloten gjør at vi kan prosessere store mengder informasjon på kort tid. Samtidig, siden dette systemet opererer såpass raskt og automatisk, kan det medføre feilslutninger i tenkning. For eksempel: om vi skal vurdere en sannsynlig årsaksforklaring på et utfall, styrer ofte System 1 oss i retning den forklaringen som likner på en god forklaring. Som regel er dette riktig – en representativ (lik) forklaring er som regel den mest plausible – men i noen tilfeller er ikke likhet den beste indikasjonen.
Det å vite om disse snarveiene og hvordan de til tider kan lure oss vil kunne bidra til at vi gjøre bedre og mer korrekte slutninger på sikt. Videre i denne teksten skal vi ta for oss noen slike feilslutninger og se hvordan kunnskaper om forskningsmetode kan bidra til bedre, mer kritisk tenkning.

Utvalgsstørrelse

I forskningsmetode lærer vi at vi må ha et stort utvalg deltakere for å si noe med sikkerhet og for å kunne generalisere til populasjonen. En av årsakene til dette er at små utvalg medfører en økt sannsynlighet for at vi får ekstreme utfall ved en ren tilfeldighet. Sett at du har en krukke med 90 røde og 90 hvite kuler. Du trekker ut fire kuler og registrerer fargesammensetningen på utvalget ditt før du legger de tilbake. I snitt vil du her 12 % av gangene stå igjen med kun hvite eller kun røde kuler, et utfall som regnes for å være ekstremt (avvikende) fra de faktiske forholdene (en 50/50 fordeling mellom hvit og rød). Dersom du derimot øker utvalgsstørrelsen din og trekker 7 kuler av gangen, reduseres denne sannsynligheten for et ekstreme utfall fra 12% til 1.56%. Med økt utvalgsstørrelse blir sannsynligheten for ekstreme utfall dermed lavere (Kahneman, 2011).

• Feilslutninger og lav utvalgsstørrelse
  I hverdagslivet er ikke denne regelen like lett å huske på. I Finnmark ble det i 2012 ikke registrert et eneste dødsfall i trafikken. I følge TV2 takket UP for godt samarbeid, og det kan virke fristende å tenke at Finnmark gjorde noe spesielt for å ha bedre trafikksikkerhet enn andre fylker i landet. Hypoteser som mindre tett trafikk, bedre belysning langs veier, og generelt bedre holdninger i trafikken i Finnmark, er kanskje nærliggende. Men, sannsynligheten for at utfallet skyldes tilfeldig, statistisk variasjon som følge av at Finnmark har et lavere folketall enn andre byer og fylker, er ikke en like nærliggende forklaring.

• Hvorfor glemmer vi å tenke på utvalgsstørrelse?
  I følge Daniel Kahneman (2011), som har kalt dette fenomenet Loven om Små Tall, er vi raske på å tillegge feilaktige årsaksforklaringer til slike utfall uten å ta høyde for at tilfeldig statistisk variasjon oftere forekommer i mindre utvalg. Siden Finnmark har et relativt lavt folketall er det relativt stor sannsynlighet for at slike ekstreme utfall forekommer rent tilfeldig. Så neste gang du hører om et ekstremt og usannsynlig utfall, husk at slike utfall med større sannsynlighet skjer ved en tilfeldighet når vi snakker om steder med færre mennesker, forskning med mindre utvalg, eller enkeltobservasjoner.

Tilfeldig utvalg av forskning

Tabloidenes omtalelse av forskning kan være problematisk, mye fordi de er motiverte til å velge studier med eksepsjonelle, overraskende utfall fremfor studier med kjedelige, mer representative utfall. Studier om effekten av rødvin og sjokolade på helse er en gjenganger, og resultatene virker å sprike fra år til år, og fra forside til forside. Hvordan kan vi forholde oss til dette, og hvilken forskning skal man ta seriøst og hvilke trenger en liten klype salt?
 

• Tilfeldighet sikrer representativitet
  Et viktig aspekt er at for å få et representativt bilde på et hvilket som helst fenomen, bør observasjonene vi gjør være tilfeldig innhentet. Om vi skal si noe om hele Norges befolkning, for eksempel, kan vi ikke stå på Karl Johan og plukke ut noen mennesker. – I stedet må vi gjennomføre et tilfeldighetsutvalg der det er helt tilfeldig hvem som blir plukket ut i vårt utvalg. Ved å gjøre dette tilfeldig vil variasjon mellom mennesker (som alder og kjønn) fordele seg tilfeldig, slik at vi med stor sannsynlighet får et utvalg som matcher resten av befolkningen.
   
• Tabloidenes selektive forskning
  Studier som presenteres i media er sjeldent tilfeldig utvalgte, de skrives som regel om fordi de skaper interesse og reaksjoner, og man må derfor spørre seg selv om forskningen er tilfeldig utvalgt og derfor representativ for hva forskningen tidligere har vist, eller om det er snakk om et lite representativt funn som er bevisst valgt for å skape reaksjoner og generere salg. Tabloidene er kanskje mer sannsynlige å skrive om eksepsjonelle funn som at sjokolade eller et glass rødvin er godt for helsen, enn å skrive om de artiklene som ikke har funnet en slik positiv effekt, selv om disse sannsynligvis er i flertall.
   

Kausalitet eller korrelasjon?

Et viktig skille i forskningsmetode er skillet mellom korrelasjon og kausalitet. Korrelasjon beskriver at to variabler samvarierer, altså om en variabel for eksempel øker, tenderer en annen også å øke (kalt positiv korrelasjon), eller om en variabel øker så tenderer en annen å minke (kalt negativ korrelasjon). Kausalitet, på den andre siden, tar dette forholdet et steg videre og beskriver hvordan en variabel fører til stigning eller nedgang i en annen variabel. Det som er viktig å huske på, er at uansett hvor fristende det måtte være så kan man aldri slutte at to variabler har en kausal sammenheng (årsaks-virkningforhold) basert på korrelasjonelle data alene.

• Hva er korrelasjon?
  Om vi måler to variabler, for eksempel iskremsalg og antall drukningsulykker i Norge, vil vi sannsynligvis finne en positiv korrelasjon: Jo flere is som selges, jo flere drukningsulykker forekommer. Det å trekke en årsaksslutning her, at det å spise is fører til at du risikerer å drukne, blir banalt. I dette eksemplet er det tydelig for oss at det å spise is ikke fører til drukning, men at kanskje andre faktorer – som sommervarme – fører til både en økning i iskremsalg og sannsynlighet for drukning ved at flere bader i varmen. I andre tilfeller er det derimot ikke like lett å se at sammenhengen mellom to variabler ikke kan sies å ha en årsakssammenheng.
   
• Når korrelasjon ikke innebærer kausalitet
  I august 2017 skrev TV2 at forskning hadde vist «en skremmende effekt av energidrikker» der «… energidrikker kan utgjøre en fare for unge som er i risikosonen for å utvikle misbruk senere i livet.». I studien de henviste til ble det gjort en korrelasjonsundersøkelse der forskerne målte hvor mye energidrikke barn drakk, for så flere år senere undersøke om de nå voksne deltakerne hadde noen former for rusproblemer. Studien fant at de som drakk mye energidrikke i ung alder hadde større sannsynlighet for å ha problemer med stimulerende narkotika i voksen alder. TV2 beskrev dette som en «effekt», altså at bruken av energidrikker fører til narkotikamisbruk (kausalitet), men vi har her med korrelasjonelle data å gjøre, og det å trekke kausale slutninger er derfor problematisk.

  Som i iskrem-eksemplet kan vi i denne saken ikke si at det er en årsakssammenheng mellom energidrikkekonsum og senere narkotikamisbruk. En vel så plausibel forklaring er at de som allerede i ung alder søker etter stimulerende stoffer som koffein og sukker, senere i livet vil søke videre i form av stimulerende narkotika. Det at vi ikke har kontroll på mulige alternative forklaringer er årsaken til at man – som tommelfingerregel – aldri kan trekke kausale slutninger om korrelasjonelle data.

Hvorfor er vi så flinke til å komme på feilaktige forklaringer?

Mennesker er mønstersøkende vesener som søker etter å se sammenhenger og logikk i omverdenen. Er det slik at en by opplever overdrevet mye eller lite av et fenomen, om det er kreft, lottomillionærer, eller dødsfall i trafikken, er det fort mange av våre egne hypoteser som siver ut mellom linjene for å forklare årsaken til dette. Er det en sammenheng mellom to variabler og vi lett kan se for oss hvordan den ene direkte fører til økning i den andre, er det lite i veien for at vi antar at det må foreligge et årsaksforhold mellom de to. Og om tabloidene skriver at en matvare fører til det ene eller andre, tenker vi oss fort om to ganger før vi kjøper varen neste gang. – Ofte fordi vi tenker at det er greit å være på den sikre siden. Vi tillegger intuitivt egne forklaringer til utfall og hendelser vi observerer. Det å ha is i magen og forskningsmetode i bakhodet er derfor viktig for å kunne stoppe opp og spørre seg selv: «Har jeg virkelig grunnlag for å si dette?», eller enda viktigere: «Har de tilstrekkelig grunnlag for å hevde det de sier?».