Offene, strenge und reproduzierbare Forschung: Ein Handbuch für Praktiker (2021)

Phase des Forschungsdesigns

• Forschungsfrage definieren
• Forschungsdesign auswählen
• Verschiedene Forschungsdesigns verstehen
• Verschiedene Ursachen von Fehlern/Unsicherheit bei Schätzungen erkennen
• Typische Verzerrungen in verschiedenen Datenquellen und Forschungsdesigns
• Methoden zur Verringerung verschiedener Fehlertypen und zur Schätzung
• Analyseplan erstellen
• Mit der Dokumentation umfangreicher Forschung beginnen

Analysephase

• Hier beginnen
• Plan für die statistische Analyse (SAP)
• Datenerzeugung
• Datenaufbereitung
• Datenvisualisierung
• Datenzusammenfassung
• Datenanalyse
• Datenanalyse im medizinischen Bereich
• Bericht zur statistischen Analyse
• Beispiele
• Materialien

Publikationsphase

• Daten offenlegen
• Code offenlegen
• Reproduzierbare Umgebung
• Offenes Publikationsmodell
• Prozesse und Entscheidungen dokumentieren
• Zusätzliche Materialien

Vorwort

• Es wird von der Annahme ausgegangen, dass es viele Dinge gibt, die getan werden können, um den Nutzen von Forschung zu erhöhen.
• Es werden die wichtigsten Einschränkungen betrachtet, die entstehen, wenn Forschung nicht transparent und reproduzierbar durchgeführt wird, etwa wegen eingeschränkter Zugänglichkeit, der Komplexität der Analyse oder Problemen beim Zugang zu Daten oder Software.
• Es wird erläutert, warum es an Bemühungen mangelt, Forschung offener, transparenter und reproduzierbarer zu machen.

Autoren und Danksagungen

• Die Autoren forschen an der Stanford University und bei Google Health und haben jeweils in den Bereichen maschinelles Lernen, Epidemiologie und Bevölkerungsgesundheit sowie Data Science promoviert.
• Dank gilt den frühen Leserinnen und Lesern, der Community der Stanford Data Science Initiative sowie Russ Poldrack, John Chambers und Steve Goodman.

Meinung von GN⁺

Das Wichtigste an diesem Beitrag ist, dass er Wege aufzeigt, Forschung offener, transparenter und reproduzierbarer zu machen, was interessant ist, weil dadurch die Verlässlichkeit wissenschaftlicher Entdeckungen erhöht und die Nutzbarkeit von Forschungsergebnissen verbessert werden kann. Besonders attraktiv ist, dass er in jeder Phase – Forschungsdesign, Datenanalyse und Publikation – einen praktischen und modularen Ansatz bietet und damit vielbeschäftigten Wissenschaftlerinnen und Wissenschaftlern hilft, Forschung besser durchzuführen und zu teilen.