basics of science

non experimental (en verschil experimental

Eventementen dat eerder gebeurd zijn maar later pas geanalyseerd, de gecontroleerde is niet gebeurd voor ethische, morele aspecten of voorbeelden eijn zl in dagdaagelijkse leven (en evalueren). De onderzoeker beïnvloed de omgeving van het experiment niet om ze te studeren zoals het in de echte wereld gebeurd is.

←> experimental: onderzoeker grijpt actief in

hawthorne effect

Mensen veranderen hun gedrag wnr hun ze weten dat ze geobserveerd worden

nocebo

Negatieve therapeutische effect bij interte behandeling -> verwacht negatief waardoor ze negatief voelen

placebo

Positief effect op de inerte behandeling  -> voelt beter omdat ze dat verwachten

nillius in verba

vertrouw niemand op zn woord

i did my own research

• mensen vaak wetenschappelijke expertise verwerpen voor informatie van onbetrouwbare bronnen.

de chimp quiz

nze intuïtie over wereldwijde trends vaak minder betrouwbaar is dan puur geluk, omdat onze vooroordelen ons de verkeerde kant op sturen.

simpson paradox

Als je alle punten als één grote wolk zou analyseren, zou je een licht negatieve of zelfs helemaal geen correlatie vinden. Maar zodra je rekening houdt met de onderliggende structuur (de lijnen), zie je dat de werkelijke relatie binnen de groepen consistent negatief is

"The greatest obstacle to discovery is not ignorance — it is the illusion of knowledge"

ls je weet dat je iets niet weet, sta je open om te leren (onwetendheid). Maar als je denkt dat je het weet (de illusie), negeer je nieuwe informatie en bewijsmateriaal.

geef alle biasen

personal bias	Alleen op staan wat ik weet (kan juist maar incompleet)
news bias	staan op wat ik lees en hoor (misleiden, manipuleren of onderverdelen)
outdated facts	alleen geloven wat ik heb geleerd, niet waar meer
intuitie	alleen geloven wat ik kan voelen (onbekende bron van gevoel)
conformation bias	we zoeken alleen informatie die onze angsten bevestigen
availability bias	we laten ons leiden door sensationele nieuwsberichten in de plaats van door statischtische data

defentie wet

Wet	Een (wiskunde) beschrijving van een natuurlijke fenomeen (wat) Het beschrijft simpelweg de wiskundige vorm van de data zonder uit te leggen waarom de data die vorm heeft. Het kijkt alleen naar de relatie tussen C en t.

defenitie hypothese

een falsifibeerbaar, tijdelijke model / uitleg (wrm, voorstel)

→ moet testbaar zijn

defentie experimetn

objectieve feiten dat een hypothse bevastigen of antibevestigen

defentite theorie

hypothese / model met dat genoeg bewjs heeft om accuraat te zijn (wrm, is geen bewijs)

defentie predictie

een hypothese

in tegenstelling tot de wet, bevat deze _____________ die een __ of — betekenis hebben

in tegenstelling tot de wet, bevat deze formule parameters die een biologische of fysieke betekenis hebben

learn and cnonform cycle

De "Learn" Fase

begrijpen van de beschikbare informatie en het bouwen van een basis.

• Data: Men begint met bestaande data op ziekte-, mechanisme- of medicijnniveau.

• Knowledge (Kennis): Deze data wordt omgezet in kennis die wordt vastgelegd in een "huidig best beschikbare model".

• Modeling: Hierbij worden aannames gedaan op basis van pathologie, fysiologie en farmacologie om een model te ontwikkelen en te evalueren.

De "Confirm" Fase

Nadat je hebt "geleerd", moet je die kennis testen (bevestigen) met nieuwe experimenten.

• Inference (Gevolgtrekking): Je trekt geïnformeerde conclusies en neemt beslissingen op basis van het model.

• Generation of New Data: Er worden nieuwe experimenten of klinische trials uitgevoerd om nieuwe aannames te testen. Dit voedt de cyclus opnieuw met verse data.

wet en dry lab

Wet lab vs "Dry lab"

onderscheid tussen fysiek en computergestuurd werk:

• "Wet lab" (Bench & Bedside): Dit is de fysieke wereld waar data wordt verzameld via laboratoriumexperimenten of bij patiënten in het ziekenhuis.

• "Dry lab": Dit is de virtuele wereld van modeling (het bouwen van het model uit data) en simulation.

  • Via simulatie kunnen "What if" vragen worden beantwoord zonder direct nieuwe patiënten te belasten.

  • De uitkomsten dienen als Decision support (ondersteuning bij besluitvorming), wat uiteindelijk weer leidt tot acties in de fysieke wereld (de gele pijl terug naar de data).

all models are wrong

Een model is per definitie een abstractie. Omdat het niet elk klein detail van de realiteit kan bevatten, is het technisch gezien altijd "fout".

"nuttig" omdat ze ons helpen beslissingen te nemen, risico's in te schatten of nieuwe hypothesen te genereren.

validatie proces

Hypotheses (Ongevalideerd): Aan de linkerkant begint een model vaak als een verzameling aannames of hypotheses die nog niet bewezen zijn.

Experimentele observaties: Door middel van experimenten en het verzamelen van data wordt het model getest.

Theories (Gevalideerd): Naarmate er meer bewijs wordt verzameld, Het model wordt robuuster en transformeert van een simpele hypothese naar een breed geaccepteerde theorie.

startpunt onderzoeker

karl popper: “The belief that we can start with pure observation alone, without anything in the nature of a theory [Ed. hypothesis], is absurd.

emperialsime vs relationalisme

emperialsmine   

kennis komt uit zintuiglijke ervaringen / bewijs uit echte wereld

• beginnen als onbeschreven blad en geloven in objectieve feiten

• inductie: specefieke observaties → algemene regels (mbv experimenten)

• objectief

 relationalisme

rede en intellectuele deductie is belangrijkse bron van kennis

• hypotheses en aanames

• decutie: algemene regles → speceifeke voorspellingen (begint vaak bj wiksunde / theroetische modellen)

• subjectief

puuur "weten" (feiten verzamelen of data zien) is niet hetzelfde als het begrijpen van de onderliggende mechanismen die die data veroorzaken.

Als de omstandigheden veranderen, faalt een model dat alleen naar het     verleden kijkt (empirisme), terwijl een mechanistisch model (rationalisme) dat     begrijpt waarom iets gebeurt, zich kan aanpassen.

authentic subjectiviity vs objectivity

• Aandachtig: Merk de details op, ook de data die niet in je model past.

• Intelligent: Begrijp de mechanismen achter de data, in plaats van alleen patronen te zien.

• Redelijk: Trek logische conclusies en wees eerlijk over de beperkingen van je bewijs.

• Verantwoordelijk: Neem beslissingen op basis van de best beschikbare data en interpretaties, wetende dat modellen nooit perfect zijn.

• Solide hypotheses: Ontwikkel sterke aannames die getoetst kunnen worden.

• Biases minimaliseren: Wees je bewust van valkuilen zoals confirmation bias en probeer deze actief te beperken.

• Nalatigheid vermijden: Werk nauwkeurig en volg de wetenschappelijke protocollen.

• Onbedoelde fouten reduceren: Gebruik statistische methoden om de ruis in data te beheersen.

• Passende technieken: Gebruik de juiste wiskundige en experimentele tools voor de specifieke vraag.

pragmatisme

• Data-driven/based (Empirisme): Het model is stevig geworteld in echte, geobserveerde data. Het begint niet bij een puur theoretisch concept, maar bij de werkelijkheid die gemeten is.

• (Semi-)mechanistic (Rationalisme): In plaats van een puur wiskundige beschrijving van een lijn, gebruikt het biologische en fysiologische kennis om de relaties te verklaren. Het probeert het "waarom" te begrijpen, wat Einstein essentieel vond.

• Predictive modeling: Het uiteindelijke doel van deze pragmatische aanpak is niet alleen om het verleden te beschrijven, maar om betrouwbare voorspellingen te doen voor de toekomst

Pragmatisme erkent dat we als mensen nooit 100% objectief kunnen zijn (we hebben altijd een brein dat subjectief interpreteert). Echter, door authentieke subjectiviteit te combineren met rigoureuze objectieve technieken, kunnen we tot resultaten komen die "nuttig" zijn voor de echte wereld.

verificatie vs falsificatie

wetenschappelijk onderzoek niet gericht moet zijn op het bewijzen dat een theorie waar is, maar op het proberen aan te tonen dat deze onwaar is.

• Het probleem met verificatie: Het is logisch onmogelijk om de absolute waarheid van een algemene hypothese te bewijzen door middel van herhaalde observaties.

• De kracht van falsificatie: Het is echter wel mogelijk om een algemene hypothese te weerleggen (falsifiëren) met slechts één enkele tegenstrijdige observatie. => black swan => outliers niet zomaar negeren

wat maakt wetenschappen wetenschap

• vraagt vragen + geeft uitleg inverband met de wereld

• testbare ideen → falcifieerbaar

• experimenten + bewijs

geschiedenis farmaceutica

De wetenschap is geëvolueerd van de "vier humoren" (lichaamssappen) van de Griekse arts Galenus naar de huidige focus op genetische medicijnen.

evolutie theroei en feit

• Feiten zijn data: Gould stelt dat feiten de "data van de wereld" zijn. Ze verdwijnen niet terwijl wetenschappers debatteren over de verklaringen ervoor.

• Theorieën zijn structuren van ideeën: Theorieën worden gedefinieerd als structuren die feiten verklaren en interpreteren. Ze staan niet "onder" feiten in een hiërarchie, maar hebben een andere functie.

• Geen absoluut bewijs: In de wetenschap worden feiten niet beschreven als "bewijs" (proof), maar als data die bevestigd zijn tot een graad waarin het "pervers zou zijn om voorlopige instemming te onthouden". Data leveren dus bewijsmateriaal (evidence), geen sluitend bewijs.

creativiteit en toeval

• Nieuwe ideeën: Wetenschappers moeten creatief zijn in het bedenken van onderzoeksvragen.

• Serendipiteit: Met het citaat van Mark Twain, "Accident is the name of the greatest of all inventors", wordt benadrukt dat veel grote ontdekkingen bij toeval gebeuren. Het doel van de wetenschappelijke methode is om dit toeval om te zetten in een vaste gewoonte of systeem.

wetenschappelijke onderzoekscyclus

1. Oriënteren: Het verkennen van het onderwerp.

2. Stel onderzoeksvraag: Het formuleren van een specifieke, toetsbare vraag.

3. Ontwikkel onderzoeksplan: Bepalen hoe de vraag beantwoord gaat worden.

4. Verzamel gegevens (data): Het uitvoeren van experimenten of observaties.

5. Analyseer gegevens: Kijken wat de verzamelde informatie ons vertelt.

6. Trek conclusies: Beantwoorden van de onderzoeksvraag op basis van de analyse.

7. Deel je bevindingen: Communiceren met de wetenschappelijke gemeenschap.

8. Bedenk nieuwe vragen: Elke conclusie leidt vaak weer tot nieuwe onzekerheden, waardoor de cirkel rond is.

kernwaarden voor wetetnschappelijke excellentie

• Eerlijkheid ): De absolute topwaarde; cruciaal voor de integriteit van data en resultaten.

• Nieuwsgierigheid : De wil om te begrijpen hoe de wereld werkt.

• Doorzettingsvermogen: Essentieel omdat de wetenschappelijke cyclus vaak gepaard gaat met falen en herhaling.

• Objectiviteit (: Het minimaliseren van persoonlijke biases.

• Nederigheid tegenover bewijs: De bereidheid om een favoriete hypothese te laten varen wanneer de data deze tegenspreken (falsificatie).