1.3 Hypoteser og variabler

Før du kan teste noe, må du vite hva du tester

Tenk deg at du vil finne ut om musikk hjelper deg å konsentrere deg når du leser til prøve. Du kan så klart bare prøve og se. Men hva slags musikk? Konsentrere deg om hva? Hvordan vet du om det hjalp? Uten klare svar på dette blir undersøkelsen lett verdiløs.

En god hypotese og tydelig definerte variabler er grunnmuren i ethvert vitenskapelig forsøk. Uten en klar hypotese vet vi ikke hva vi tester, og uten definerte variabler kan vi ikke tolke resultatene. I dette kapittelet lærer du å formulere testbare hypoteser, skille mellom ulike typer hypoteser, holde orden på variablene og gjøre abstrakte begreper målbare.

Hva gjør en hypotese god?

En hypotese er en foreløpig forklaring eller forutsigelse som kan testes gjennom observasjon eller eksperiment. Men ikke alle gjetninger duger. En god hypotese er testbar, slik at vi kan samle data som støtter eller svekker den. Den er falsifiserbar -- det må i prinsippet være mulig å motbevise den. Den er spesifikk og angir en klar sammenheng mellom variabler. Og den bygger på eksisterende kunnskap eller observasjoner.

Forskjellen er lett å se: «Temperatur påvirker noe» er altfor vagt. «Høyere temperatur øker reaksjonshastigheten for nedbrytning av hydrogenperoksid» er derimot spesifikk og testbar.

I forskning jobber vi vanligvis med to hypoteser samtidig. Nullhypotesen, ofte skrevet $H_0$, sier at det ikke er noen sammenheng eller forskjell -- den representerer status quo, at det vi undersøker ikke har noen effekt. Den alternative hypotesen, $H_1$, sier at det er en sammenheng. Det er som regel den vi egentlig ønsker å vise.

Et eksempel: $H_0$ kan være «gjødseltype har ingen effekt på plantevekst», mens $H_1$ er «planter som får organisk gjødsel, vokser raskere enn planter som får kunstgjødsel». Selve poenget i forskning er å prøve å avkrefte nullhypotesen. Viser dataene en tydelig forskjell som ikke skyldes tilfeldigheter, forkaster vi $H_0$ og godtar $H_1$. Slik unngår vi å konkludere med en effekt uten god nok dekning. Merk at $H_1$ over angir en retning -- organisk gjødsel gir raskere vekst. En slik hypotese kalles ensidig; en tosidig hypotese sier bare at det er en forskjell, uten å angi hvilken vei.

Variabler: det du gjør, det du måler, det du holder likt

En variabel er en faktor som kan endres, kontrolleres eller måles i et forsøk. I et godt forsøk har vi orden på tre typer.

Den uavhengige variabelen (UV) er faktoren vi endrer eller manipulerer for å se effekten -- vi bestemmer selv verdien. Den avhengige variabelen (AV) er faktoren vi måler eller observerer; den «avhenger» av den uavhengige. Og de kontrollerte variablene (KV) er alt vi holder konstant for å være sikre på at det bare er den uavhengige variabelen som påvirker resultatet. En enkel huskeregel: UV er det vi gjør, AV er det vi måler, KV er det vi holder likt.

Ta et forsøk der vi vil vite om pH-verdien i jord påvirker veksten av gulrøtter. Vi planter frø i jord med pH 5, 6, 7 og 8 og måler gjennomsnittlig gulrotlengde etter åtte uker. Her er pH-verdien den uavhengige variabelen -- det er den vi endrer mellom gruppene. Gjennomsnittlig gulrotlengde er den avhengige variabelen, det vi måler. Og alt det andre må holdes likt: samme frøtype, lik mengde vann, lik temperatur og lys, lik jordtype bortsett fra pH, like store potter og lik dyrkingsperiode. Bare da kan vi være trygge på at forskjeller i vekst faktisk skyldes pH.

Å gjøre det vage målbart: operasjonalisering

Mange begreper vi bruker til daglig, er altfor vage til å brukes direkte i forskning. Hva betyr egentlig «stress», «trivsel» eller «kondisjon»? Operasjonalisering er prosessen med å definere et abstrakt begrep på en konkret, målbar måte.

Ta «stress». En vag definisjon er «å føle seg presset». En operasjonell definisjon er derimot «kortisolnivå i spytt målt i nmol/L» eller «skår på Perceived Stress Scale fra 0 til 40». Nå vet alle nøyaktig hva som måles. På samme måte kan vi operasjonalisere intelligens som skår på en standardisert IQ-test, fysisk aktivitet som antall skritt per dag, plantevekst som høydeøkning i cm over 14 dager, og læring som prosentvis forbedring fra en pre-test til en post-test.

Uten operasjonalisering ville forskere tolket begrepene ulikt, og resultater kunne ikke sammenlignes. Men vi må huske at operasjonaliseringen alltid er en forenkling. «Intelligens» er langt mer enn en IQ-skår, og «livskvalitet» er mye mer enn et tall. Når vi presser et rikt begrep ned til en enkelt måling, vinner vi presisjon og sammenlignbarhet -- men vi mister samtidig nyanser. En person med lav inntekt i et tett fellesskap kan ha høyere livskvalitet enn en velstående, men ensom person, uten at et objektivt mål nødvendigvis fanger det. Derfor velger forskere måleinstrumentene sine med omhu, gjerne validerte spørreskjemaer som fanger flere sider av begrepet.

Oppsummering

Vi har sett at en hypotese er en testbar forutsigelse om sammenhengen mellom variabler, og at en god hypotese er testbar, falsifiserbar og spesifikk. I forskning jobber vi med en nullhypotese ($H_0$), som sier at det ikke er noen effekt, og en alternativ hypotese ($H_1$), som sier at det er en effekt -- og selve poenget er å prøve å avkrefte nullhypotesen.

Vi holder orden på tre slags variabler: den uavhengige (det vi endrer), den avhengige (det vi måler) og de kontrollerte (det vi holder likt). Til slutt så vi hvordan operasjonalisering gjør vage begreper målbare og sammenlignbare -- men alltid på bekostning av noen nyanser, fordi et tall aldri fanger hele virkeligheten.