データの解釈

ウィキペディア小見出し辞書

データの解釈

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2021/09/15 15:11 UTC 版)

「表面プラズモン共鳴」の記事における「データの解釈」の解説

最も一般的なデータ解釈は、薄膜を無限連続誘電体層として扱うフレネルの式に基づく。この解釈では複数の可能な屈折率および厚さの値が答えとして得られる。しかしながら、大抵一つの解のみが妥当なデータ範囲に収まる。 金属粒子プラズモンはミー散乱理論を用いて通常モデル化される。 多くの場合において、詳細なモデルは適用されないが、センサーは特定の応用に対して校正され、検量線内を補完して使用される。

データの解釈

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/04/17 06:31 UTC 版)

「IMRAD」の記事における「データの解釈」の解説

科学的なプロセスにおいては、「リサーチクエスチョンをブレイクダウンして、検証可能な仮説を生成し、それを実験にブレイクダウンしてデータを得て検証する」（リサーチデザイン、概念操作化）ということがよく言われるが、「実験から得られたデータを解釈し、論点を生成したうえでさらにリサーチクエスチョンや考察にフィードバックする」という逆の流れもある。論文執筆前にこれらの両方の流れをスパイラルさせ、PDCAサイクルを回していくことで、論文や研究の価値や説得性が高まっていく。 本節では、後者の「生データ⇒解析/可視化⇒気付き/論点の抽出⇒説明/理由づけ」といった流れ(データの解釈)に着目して解説する。 論文の論理の骨格を軸に見る見方「論理の三要素」を前節で説明し、これは一つの要であったが（形式、論理面）、本節の内容はどのような論点でどの様なデータからどの様な知見を引き出すかの説明であり、内容面での要となっている。 科学的な検討において、 (0)データを図表を用いて可視化し、データの傾向や特徴を指摘説明し、 (1)「気づき」や「傾向」を見つけ、指摘し (2)メカニズムの検討（「気づき」や「傾向」を「既存の知見との比較」や「数理科学的な視点」から検討し説明） をする考え方は、正攻法である。 現実の研究論文であれば、一般には「複数のデータから多面的に考察を組み立てる」、（仮に依存するデータが少なくても）「高度な理論によって導かれた式を使う」、「高度な統計処理手法を用いる」、「その分野に特異的な知識がなければその考察の内容自身が理解出来ない」といったことがあり（そうでなければマトモな結論を担保出来ない）が、比較的簡単で「少数のデータ」から「特段高度な予備知識を必要とせず」、「当たり前すぎて考察になっていないということはなく」、「学問的な妥当性が検証されている」例として、女性の労働力率のM字曲線 があり、概ね以下のようなことが論述される。 (1)女性の労働力率は、20代前半までは単調増加だが、20代後半から30代前半までの間で急激に落ち込み、その後また回復するという、M字型を取る。（気づき、現象） (2)落ち込みが生じた原因は「結婚・出産」であり、回復は「育児が落ち着いた時期」に依存する。（推定メカニズム） 図表型の小論文問題、即ち 与えられたデータに対し、その傾向や特徴を指摘説明させる問題や、 何故そのような傾向/特徴をとるのかを考察させる問題 に等において、上記のような能力が部分的/総合的に評価される。