Bewijsdomein

Data Science

Wat het bestudeert

De extractie van valide inzichten uit data: statistiek, meettheorie, analysemethoden, machine learning en – het meest relevant voor workplace evidence – de disciplines van validiteit, bias, onzekerheid en inferentie die een bevinding scheiden van een artefact.

Waarom het ertoe doet

Werkplekstrategie is nu gebaseerd op kwantitatieve bewijsreeksen, en elk daarvan kan misleiden: steekproeven vertekenen, sensoren tellen verkeerd, gemiddelden verbergen, correlaties vermommen zich als oorzaken. Data science levert het immuunsysteem – de methodologische discipline die triangulatie eerlijk houdt, valse precisie signaleert en een vraagstelling onderscheidt van een meetartefact. Zonder dit betekent meer data meer zekere fouten.

Vragen die het beantwoordt
  • Is deze bevinding echt, of een artefact van hoe het gemeten is?
  • Welke onzekerheid draagt dit getal met zich mee, en respecteert de beslissing dit?
  • Wanneer is analyse op teamniveau valide, en wanneer vermomt ruis van een kleine cohort zich als signaal?
  • Wat kan wel en niet afgeleid worden uit observationele werkplekdata?
Bewijsbronnen
  • Statistische en meetmethodologie
  • De eigen data van de werkplek met de gedocumenteerde beperkingen (elke stroom heeft deze)
  • Validatiestudies: sensornauwkeurigheid, betrouwbaarheid van enquêtes, gerapporteerde versus geobserveerde kalibratie
  • Causale inferentieliteratuur – de discipline van wat observationele data niet kunnen zeggen
Implicaties voor ontwerp en beleid

Betrouwbaarheidsniveaus gekoppeld aan elke kwantitatieve input (de Calibration discipline); triangulatie als standaardpraktijk, conclusies uit één stroom als gemarkeerde uitzonderingen; aggregatiedrempels analytisch gerespecteerd, niet alleen juridisch; AI-ondersteunde analyse behandeld als versnelling van interpretatie, nooit als vervanging ervan.

Gerelateerde methoden
Veelvoorkomend misbruik

Precisietheater: dashboards die benutting tot op decimalen rapporteren vanuit sensoren met ±10% foutmarge, correlaties gepresenteerd als oorzaken, en 'data-driven' aangevoerd als autoriteit in plaats van methode. De gevaarlijkste werkplekanalyses zijn de meest zelfverzekerde.

Verder onderzoek

Meetvaliditeit in werkpleksensing – wat elke technologie daadwerkelijk meet versus wat het wordt gepresenteerd als metend – verdient veel meer onafhankelijk onderzoek dan het ontvangt.