Intern og ekstern validitet, reliabilitet og feilkilder.
Validitet og reliabilitet
Når vi gjennomfører eit forsøk eller ei undersøking, er det ikkje nok at vi får eit resultat. Vi må òg vurdere om resultatet er gyldig og påliteleg. Desse to kvalitetskriteria – validitet og reliabilitet – er avgjerande for om forskinga vår har verdi.
I dette kapittelet lærer du å skilje mellom ulike typar validitet, forstå kva reliabilitet inneber, og identifisere feilkjelder som kan undergrave kvaliteten på forskingsresultat.
Det finst fleire typar validitet:
- Intern validitet: Kan vi trekkje slutningar om årsakssamanheng? Er det den uavhengige variabelen som forårsakar endringa, eller kan andre faktorar forklare resultatet?
- Ekstern validitet: Kan resultata generaliserast til andre situasjonar, populasjonar eller tidspunkt? Er funna relevante utanfor forsøkssituasjonen?
- Omgrepsvaliditet (konstruktvaliditet): Måler vi faktisk det omgrepet vi påstår å måle? Fangar operasjonaliseringa det teoretiske omgrepet?
Intern validitet – årsakssamanheng
Intern validitet handlar om å utelukke alternative forklaringar. Viss vi finn at eksperimentgruppa gjer det betre enn kontrollgruppa, vil vi vite at det skuldast den uavhengige variabelen – ikkje noko anna.
Trugslar mot intern validitet:
- Konfunderande variablar: Ein tredje variabel som påverkar resultatet utan at vi har kontrollert for han. Eksempel: Elevar som får den nye undervisningsmetoden har tilfeldigvis òg ein meir erfaren lærar.
- Modningseffekt: Deltakarane endrar seg naturleg over tid (t.d. barn blir flinkare til å lese uansett metode).
- Seleksjonseffekt: Gruppene er ikkje samanliknbare frå start (blir unngått med randomisering).
Ekstern validitet – generaliserbarheit
Ekstern validitet handlar om overførbarheit. Resultat frå ein studie med universitetsstudentar i Oslo kan ikkje automatisk generaliserast til eldre i distrikta, eller til menneske i andre kulturar.
Faktorar som påverkar ekstern validitet:
- Representativiteten til utvalet: Er deltakarane representative for populasjonen vi ønskjer å uttale oss om?
- Naturlegheita til situasjonen: Kunstige laboratorieforhold kan gi resultat som ikkje gjeld i verkelegheita.
- Tidsavhengigheit: Sosiale fenomen kan endre seg over tid.
Ein skule testar ein ny lesemetode. Dei lèt den beste norsklæraren bruke den nye metoden i klassen sin, medan ein nyutdanna lærar held fram med den gamle metoden. Etter eitt semester har klassen med den nye metoden betre leseresultat. Kva for validitetsproblem ser du?
Den viktigaste trusselen er ein konfunderande variabel: erfaringa til læraren. Vi kan ikkje vite om forbetringa skuldast den nye metoden eller den dyktigare læraren. For å sikre intern validitet burde begge lærarane brukt begge metodane, eller lærarane burde vore tilfeldig fordelte.
Ekstern validitet – usikker:
Sjølv om metoden verkar med denne læraren, betyr det ikkje at han verkar for alle lærarar, alle elevgrupper eller alle skular. Resultatet kan ikkje utan vidare generaliserast.
Omgrepsvaliditet – mogleg problem:
Kva er meint med «betre leseresultat»? Viss testen berre måler lesefart og ikkje leseforståing, fangar han kanskje ikkje det vi eigentleg meiner med «betre lesing».
Ein forskar konkluderer med at eit nytt kosttilskot forbetrar hukommelsen, basert på eit forsøk med 10 medisinstudentar. Kva for validitetsproblem er mest framtredande?
Typar reliabilitet:
- Test-retest-reliabilitet: Gir testen same resultat når han blir gjenteken på eit seinare tidspunkt? Eksempel: Ein IQ-test bør gi omtrent same skår om han blir teken igjen etter to veker.
- Inter-rater-reliabilitet: Gir ulike observatørar/bedømmarar same vurdering? Eksempel: To lærarar som rettar same svar bør gi tilnærma lik karakter.
- Intern konsistens: Måler ulike delar av testen det same? Eksempel: Spørsmål som skal måle angst bør korrelere med kvarandre.
Forholdet mellom validitet og reliabilitet
Validitet og reliabilitet heng saman, men er ikkje det same. Ein enkel analogi er ei blink:
- Høg reliabilitet + høg validitet: Alle skota treffer midt i blinken (nøyaktig og konsistent).
- Høg reliabilitet + låg validitet: Alle skota treffer samla, men utanfor blinken (konsistent, men måler feil ting).
- Låg reliabilitet + låg validitet: Skota er spreidde over heile skiva (korkje konsistent eller nøyaktig).
Viktig: Ei måling kan vere reliabel utan å vere valid, men ho kan ikkje vere valid utan å vere reliabel. Viss ei vekt viser ulike tal kvar gong du veg same gjenstand (låg reliabilitet), kan ho umogleg gi riktig vekt (låg validitet).
Eksempel frå verkelegheita
Eit termometer som konsekvent viser 2 grader for mykje, er reliabelt (konsistent) men ikkje valid (måler feil). Når vi kjenner feilen, kan vi korrigere for han. Eit termometer som viser tilfeldig forskjellige temperaturar, er korkje reliabelt eller valid – og er ubrukeleg.
Kva for påstand om validitet og reliabilitet er korrekt?
Systematiske og tilfeldige feil
Alle målingar inneheld usikkerheit. Vi skil mellom to hovudtypar feil:
Systematiske feil påverkar alle målingane i same retning. Dei skuldast eit fast problem med metoden eller utstyret, og gjer resultata konsekvent feil:
- Ei vekt som alltid viser 50 g for mykje
- Eit spørjeskjema med leiande spørsmål som påverkar svara i éi retning
- Ein observatør som systematisk undervurderer ei bestemt åtferd
Systematiske feil reduserer validiteten men ikkje nødvendigvis reliabiliteten. Dei kan ofte oppdagast ved kalibrering eller ved å samanlikne med andre metodar.
Tilfeldige feil varierer uforutsigbart frå måling til måling, nokre gonger for høgt, andre gonger for lågt:
- Små temperatursvingingar i eit rom under eit forsøk
- Variasjon i dagsforma til forsøkspersonane
- Unøyaktigheit ved avlesing av måleinstrument
Tilfeldige feil reduserer reliabiliteten. Dei kan reduserast ved å ta mange målingar og rekne gjennomsnitt – tilfeldige feil jamnar seg ut over tid.
Når du skal identifisere feilkjelder i eit forsøk, spør deg sjølv: «Kva anna enn den uavhengige variabelen kunne ha påverka resultatet?» Tenk systematisk gjennom utstyr, prosedyre, deltakarar og omgivnader.
Forklar skilnaden mellom systematiske og tilfeldige feil med eigne ord. Gi eitt eksempel på kvar type feil i eit forsøk der du måler lengda av bønnestenglar under ulike lysforhold.
Oppsummering
- Validitet handlar om vi faktisk måler det vi ønskjer å måle og om konklusjonane er haldbare.
- Intern validitet gjeld årsakssamanheng, ekstern validitet gjeld generaliserbarheit, og omgrepsvaliditet gjeld om operasjonaliseringa fangar omgrepet.
- Reliabilitet handlar om konsistensen til målingane – gir vi same resultat ved gjentekne målingar?
- Ei måling kan vere reliabel utan å vere valid, men ikkje valid utan å vere reliabel.
- Systematiske feil påverkar alle målingar i same retning og reduserer validiteten.
- Tilfeldige feil varierer uforutsigbart og reduserer reliabiliteten, men kan reduserast ved gjentekne målingar.
Ein forskar utviklar eit spørjeskjema for å måle «skulemotivasjon». Forklar kva omgrepsvaliditet betyr i denne samanhengen, og føreslå to måtar forskaren kan sjekke om spørjeskjemaet har god omgrepsvaliditet.
Drøft følgjande situasjon: To sensorar rettar dei same 30 norskbesvarelsane. Sensor A gir i snitt karakter 4,2, medan sensor B gir i snitt 3,5. Korleis forheld dette seg til reliabilitet og validitet? Kva kan gjerast for å forbetre situasjonen?
Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.