Groepsgegevens kunnen geen individuele verschijnselen weerspiegelen

Om te begrijpen wat de mens bezighoudt, en wat ze ziek maakt, ging de sociale en medische wetenschap er lang van uit dat hoe groter de steekproef van menselijke proefpersonen, hoe beter. Maar nieuw onderzoek van onder andere University of California en de Rijksuniversiteit Groningen, gepubliceerd in het tijdschrift Proceedings of the National Academy of Sciences (PNAS) suggereert dat deze big data-benadering enorm mis kan gaan. Volgens de auteurs van het artikel Lack of group-to-individual generalizability is a threat to human subjects research komt dat omdat emoties, gedrag en fysiologie sterk variëren van persoon tot persoon en van moment tot moment. Het uitmiddelen van de gegevens van een grote groep proefpersonen biedt volgens hen daarom slechts een ‘fuzzy’ momentopname. Deze bevindingen kunnen de manier waarop onderzoekers en clinici mentale en fysieke stoornissen analyseren, diagnosticeren en behandelen, veranderen.

Volgens de auteurs, waaronder Bertus Jeronimus van de afdeling Psychologie van de Rijksuniversiteit Groningen moet je onderzoek doen naar individuen als je wilt weten wat individuen voelen of hoe ze ziek worden, en moet je niet kijken naar groepen. "Ziekten, psychische stoornissen, emoties en gedragingen worden uitgedrukt in individuele mensen, in de loop van de tijd. Een momentopname van veel mensen op een bepaald moment kan deze fenomenen niet vastleggen", aldus Bertus Jeronimus.

Foutieve diagnoses en verkeerde behandelingen

De gevolgen van het blijven vertrouwen op groepsdata in de medische, sociale en gedragswetenschappen kan volgens de auteurs leiden tot foutieve diagnoses, het voorschrijven van de verkeerde behandelingen en in het algemeen het bestendigen van wetenschappelijke theorie en experimenten die niet goed zijn gekalibreerd op de verschillen tussen individuen.

Geneeskunde personaliseren

"Mensen zouden niet per se het vertrouwen in medische of sociale wetenschappen moeten verliezen" , zegt hoofdonderzoeker Aaron Fisher. "In plaats daarvan zou men het potentieel moeten zien om wetenschappelijke studies uit te voeren als onderdeel van routinematige zorg. Dit is hoe we de geneeskunde echt kunnen personaliseren. Moderne technologieën stellen ons in staat om relatief veel observaties per persoon te verzamelen, en moderne computers maken de analyse van deze gegevens mogelijk op manieren die in het verleden niet mogelijk waren."

Analyse van zes afzonderlijke onderzoeken

Bertus Jeronimus en collega-onderzoekers van de University of California – Berkeley en de Drexel University in Philadelphia gebruikten statistische modellen om gegevens te vergelijken die waren verzameld over honderden mensen, waaronder gezonde personen en mensen met stoornissen variërend van depressie en angst tot posttraumatische stressstoornis en paniekstoornis.

In zes afzonderlijke onderzoeken, waaronder de gegevens uit het onderzoek ‘Hoe gek is Nederland’, analyseerden ze gegevens via online en smartphone zelfrapportage-onderzoeken, evenals elektrocardiogramtests om de hartslag te meten. De resultaten toonden consequent aan dat wat waar is voor de groep, niet noodzakelijkerwijs waar is voor het individu.

Uit een groepsanalyse van mensen met een depressie bleek bijvoorbeeld dat ze zich veel zorgen maken. Maar toen dezelfde analyse werd toegepast op elk individu in die groep, ontdekten onderzoekers grote variaties die varieerden van nul tot piekeren tot ver boven het groepsgemiddelde.

Bovendien hebben ze bij het bekijken van de correlatie tussen angst en vermijding - een veel voorkomende associatie in groepsonderzoek - geconstateerd dat angst voor veel individuen niet heeft geleid tot het vermijden van bepaalde activiteiten, of omgekeerd.

Meer informatie:

• Journal Reference: Aaron J. Fisher, John D. Medaglia, Bertus F. Jeronimus. Lack of group-to-individual generalizability is a threat to human subjects research. Proceedings of the National Academy of Sciences, 2018; 201711978 DOI: 10.1073/pnas.1711978115
• Profielpagina Bertus Jeronimus
• Bron: http://news.berkeley.edu/2018/06/18/big-data-flaws/