EPN-V2

SFF4110 Knowledge production in social sciences - quantitative methods Course description

Course name in Norwegian
Kunnskapsproduksjon i sosialfag - kvantitativ metode
Study programme
Master Programme in Applied Social Sciences - Programme Option Child Care, part-time
Master Programme in Applied Social Sciences - Programme Option Child Care
Master Programme in Applied Social Sciences - Programme Option Family Therapy, part time
Master Programme in Applied Social Sciences
Master Programme in Applied Social Sciences - Programme Option Social Work, part-time
Master Programme in Applied Social Sciences - Programme Option Social Work
Weight
10.0 ECTS
Year of study
2021/2022
Curriculum
SPRING 2022
Schedule
Course history

Introduction

Emnet gir inngående kjennskap til kvantitative design og statistisk analyse for bruk i egen masteroppgave, muligheter og begrensninger ved ulike kvantitative design, kjennskap til ulike datakilder og kvalitetskrav til studier basert på statistisk analyse innen en samfunnsvitenskapelig forskningstradisjon.

Emnet omfatter inngående kjennskap til tverrsnittsdesign, tidsdesign, eksperiment og surveymetoden. Studentene vil også få inngående kunnskap om forhold som kan påvirke validiteten og reliabiliteten i en undersøkelse, samt ferdigheter til å vurdere slike forhold. Videre vil studentene både lære og ikke minst praktisere univariate, bivariate og multivariate analyser.

Det vil være et særlig fokus på regresjonsanalyse, og gjennom forelesninger, e-ressurser og seminarer vil studentene få inngående kunnskap om og ferdigheter i bruken av regresjonsbasert analyse, med siktemål om å kunne benytte regresjonsanalyse i egen masteroppgave for de som velger et kvantitativ design.

Required preliminary courses

Because most young researchers in life and health sciences do not have a solid quantitative background, they face difficulties when analyzing data independently. This difficulty represents a major drawback in research. Students waste time learning analytical methods by themselves that could be more quickly learned with proper instruction and support. Additionally, the lack of convention or standards in some fields is a source of confusion that slows the learning process. As consequence, the quality of insights and research productivity suffer. This course provides a comprehensive introduction to data science and big data applied to neuroscience research.

Its content is designed to train the participants in state-of-the-art techniques in data analysis and machine learning. This will enable the students to interact independently with the data and draw insights from them. The modules are organized so the participants have the opportunity to learn how to handle the most common data types (e.g., EEG, calcium imaging). Special attention is given to field-tested data management protocols, as they are critical for a fast transition from data acquisition to knowledge generation.

This is a hands-on course where the students will learn from implementing the analysis themselves with close supervision. The course will focus on case studies using data from real experiments; advanced students may choose to use their own data. The students will develop understanding through constant presentation of their work and dialectical reflection over their choices, results, and interpretations.

Learning outcomes

Etter å ha fullført emnet har kandidatene følgende kunnskaper og ferdigheter:

Kunnskap

Studentene har

  • inngående kunnskap om kvantitative design og hvilken type kunnskap disse kan bidra med
  • avansert kunnskap om ulike metoder for å skape/framskaffe et empirisk materiale, som survey og registerdata
  • inngående kunnskap om kvalitetsvurdering innenfor en kvantitativ tradisjon
  • innsikt i generaliseringsmuligheter av resultater fra kvantitative studier
  • avansert kunnskap om formidling av resultater
  • inngående kunnskap om regresjonsbasert analyse/statistisk analyse

Ferdigheter

Studentene kan

  • reflektere metodologisk rundt sammenhengen mellom forskningsspørsmål og design
  • utvikle forskningsdesign for sin masteroppgave med hensyn til eget forskningsspørsmål
  • anvende statistiske analyseteknikker og tolke resultater fra disse
  • utvikle statistiske analysemodeller med utgangspunkt i teori og empiri
  • reflektere metodologisk rundt sammenhengen mellom forskningsdesign og kunnskapspåstander
  • tilegne seg fordypet kunnskap om valgt metodologisk tilnærming i eget masterprosjekt
  • reflektere metodologisk og kritisk over annen forskningslitteratur
  • vurdere forskningsetiske spørsmål i forbindelse med eget masterprosjekt
  • vurdere hvilke spørsmål som kan undersøkes empirisk

Generell kompetanse

Studentene

  • er kjent med og kan reflektere kritisk over ulike konsekvenser av forskning
  • kan bruke etisk skjønn med hensyn til egen posisjon som forsker og hvordan deltakelse i forskning kan virke intervenerende i menneskers liv
  • kjenner til og kan forholde seg til etiske forskrifter som; korrekt og fullstendig kildeinformasjon, informantanonymisering, konfidensialitet, forskeransvar

Teaching and learning methods

Undervisningen foregår både i form av forelesninger, øvelser med statistikkprogram, e-forelesninger og oppgaver som studentene jobber med på egenhånd og får veiledning i via e-baserte ressurser.

Course requirements

See course description

Assessment

Semesteroppgave med et omfang på maks 10 sider (+/- 10 prosent) inkludert mellomrom. Skrifttype og skriftstørrelse: Calibri 12 pkt. Linjeavstand: 1,5.

Permitted exam materials and equipment

Alle hjelpemidler er tillatt så lenge regler for kildehenvisning følges.

Grading scale

Gradert skala A - F

Examiners

Det benyttes intern og ekstern sensor til sensurering av besvarelsene. Et uttrekk på minst 25 % av besvarelsene sensureres av to sensorer. Karakterene på disse samsensurerte besvarelsene skal danne grunnlag for å fastsette nivå på resten av besvarelsene.

Course contact person

Åsmund Hermansen