Validitet, reliabilitet, objektivitet og standardisering.
Kan du stole på testresultatet?
Si at en utøver tester VO2max og får 52 én uke og 48 den neste. Har formen falt - eller er det bare testen som rister litt? Dette er kjernespørsmålet i all testing: kan vi stole på tallene? Gjennom systematisk testing kan vi kartlegge et utgangsnivå, følge utviklingen og justere treningen - men bare hvis testene holder mål.
En test er en systematisk prosedyre for å måle en egenskap, og i treningssammenheng tallfester vi ting som styrke, utholdenhet, spenst og bevegelighet. Tallene gjør at vi kan sammenligne over tid, mot normverdier eller mot andre utøvere. Men for at de skal bety noe, må testene oppfylle bestemte kvalitetskrav.
I denne fortellingen ser vi på de fire grunnpilarene som avgjør om en test er til å stole på: validitet, reliabilitet, objektivitet og standardisering.
Måler den riktig, og måler den stabilt?
Den første pilaren er validitet: måler testen faktisk det den skal? En direkte VO2max-test på tredemølle har høy validitet for maksimalt oksygenopptak, mens en sit-and-reach-test har lav validitet for total bevegelighet, fordi den bare fanger fleksibilitet i hamstrings og nedre rygg. Validitet finnes i flere former: innholdsvaliditet (ser testen ut til å måle det rette - en beep-test krever tydelig aerob kapasitet), kriterievaliditet (resultatet sammenlignes med en gullstandard, enten samtidig som Cooper mot direkte VO2max, eller prediktivt for å forutsi fremtidig prestasjon) og konstruktvaliditet (måler testen det teoretiske begrepet - fanger en test for eksplosiv styrke virkelig rask kraftutvikling og ikke bare maks?). Og husk: en test kan være valid for voksne, men ikke for barn eller eldre.
Den andre pilaren er reliabilitet - testens pålitelighet. Gir den tilnærmet like resultater når den gjentas under samme forhold? Lav reliabilitet betyr at tallene spriker fra gang til gang, så du ikke vet om en endring er ekte fremgang eller bare tilfeldig støy. Reliabiliteten påvirkes av biologisk variasjon (dagsform, søvn, ernæring, motivasjon), av testlederen (ulik instruksjon og oppmuntring), av måleutstyret (en kraftplate er mer reliabel enn et målebånd) og av selve prosedyren (oppvarming, rekkefølge, hviletid, tidspunkt). Test-retest-reliabilitet uttrykkes ofte som en korrelasjon (ICC) mellom 0 og 1: over 0,90 er høy, 0,70-0,90 akseptabel, og under 0,70 lav. Det er nettopp dette som svarer på vårt innledende spørsmål - var spriket fra 52 til 48 innenfor testens normale variasjon, eller var det reelt?
Hvem som tester, og at det gjøres likt hver gang
Den tredje pilaren er objektivitet, også kalt inter-rater reliabilitet: får ulike testledere samme resultat når de tester samme person? En test med høy objektivitet gir konsistente tall uansett hvem som styrer den. Elektroniske målinger - kraftplate, løpebånd - har typisk høyere objektivitet enn manuelle målinger som krever skjønn. Et godt eksempel er beep-testen: den styres av et lydopptak med faste intervaller, og resultatet er rett og slett antall fullførte nivåer, så testlederen har lite rom for subjektiv tolkning.
Den fjerde pilaren binder alt sammen: standardisering. Det betyr at testen gjennomføres på nøyaktig samme måte hver gang, slik at resultatene faktisk kan sammenlignes over tid og mellom utøvere. En god protokoll dekker forberedelser (krav til søvn, ernæring og aktivitet dagene før), oppvarming (fast varighet og intensitet), instruksjon (skriftlig og lest opp likt), gjennomføring (detaljert beskrivelse av bevegelse, antall forsøk og hviletid), registrering (klare kriterier for godkjent forsøk), tidspunkt (samme tid på døgnet) og miljø (lik temperatur, underlag og utstyr). For en 1RM benkpress kan dette bety at utøveren har spist et lett måltid 2-3 timer før, ikke har trent tungt siste 48 timer, følger en fast oppvarming, lar stangen berøre brystet med full armstrekk, hviler 3-5 minutter mellom forsøk og bruker maks fem forsøk.
Når vi så skal tolke resultater over tid, må vi kjenne testens typiske målefeil - variasjonskoeffisienten (CV). En endring må være større enn denne feilen for å regnes som reell. Har en test en CV på 3 prosent, må endringen være minst 5-6 prosent (omtrent to ganger CV) før vi tør si at det er ekte fremgang. Ellers kan endringen like gjerne være tilfeldig variasjon. Et beslektet poeng er at en test godt kan være reliabel uten å være valid: en badevekt som alltid viser 2 kg for mye, gir svært stabile resultater (reliabel), men feil verdi (ikke valid). Det motsatte går derimot ikke - en test kan ikke være valid uten å være reliabel, for ustabile tall kan aldri treffe den sanne verdien konsistent.
Oppsummering
Vi har sett hva som gjør en fysisk test til å stole på, gjennom fire pilarer. Validitet er om testen måler det den skal, i former som innholds-, kriterie- og konstruktvaliditet. Reliabilitet er om den gir stabile resultater ved gjentakelse, påvirket av dagsform, testleder, utstyr og prosedyre, og uttrykt som ICC. Objektivitet er om ulike testledere får samme resultat, der elektroniske målinger slår manuelle. Og standardisering sørger for at testen gjøres helt likt hver gang, så resultatene kan sammenlignes.
Til slutt må vi kjenne testens målefeil (CV) for å skille ekte fremgang fra tilfeldig støy - en endring må være større enn cirka to ganger CV. Og som badevekt-eksempelet viser: en test kan være reliabel uten å være valid, men aldri valid uten å være reliabel.
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.