Ekstern validitet refererer til i hvilken grad resultatene av en studie kan generaliseres eller anvendes utover den spesifikke konteksten studien ble utført i. Kan artikkelens funn brukes på tvers av ulike populasjoner, institusjoner, teknologier og tidsspenn? Har de tyngde og beholder de sin tyngde på tvers av varierte eksterne forhold?
Antall 1.lektorer og dosenter i Norge 2018-22. Årssnitt ca 1.200
Høy ekstern validitet er avgjørende for at forskningen skal være anvendbar og nyttig i virkelige scenarier. Forbedring av ekstern validitet krever ofte kompromisser med andre typer validitet, som intern validitet, som måler studiens evne til å etablere en årsakssammenheng.
Spørsmålet om intern og ekstern validitet stilles som regel til det enkelte studie. Her er vi mer opptatt av makronivået:
Oppviser det større antall studier som har inngått i kvalifiseringen til dosentstigen ekstern validitet, dvs et forskningsbasert operasjonaliserbart kunnskapsgrunnlag for det norske UH-systemet?
Vi kan ikke gi svar på dette, for spørsmålet har ikke blitt stilt på denne måten. Vi snakker her ikke om en idealisert verden eller drømmetilstand om hvordan det egentlig burde være.
Et annet spørsmål gjelder virkningsgrad (impact). Det gjelder I hvilken grad valide (og ikke-valide) studier har praktiske konsekvenser på metanivå.
Hvis vi antar at dosentstigen har ført til 500 artikler pr år 2010-20, har vi et korpus på 5.000 bidrag. Det ville være av interesse å se
- Om artiklene har realiserbare funn og anbefalinger (do-able results).
- Om de er eksternt valide for norsk UH-utdanning og aktuelt praksisfelt.
- Om de har hatt påviselig virkning (impact).
Det er viktig at UH-systemet har gode karrieremuligheter for de faglig tilsatte. Det kan ikke frakobles studieprogrammenes, studentenes, institusjonenes og praksisfeltenes ulike behov.
En viktig grunn til at denne skribent vil holde fast ved og styrke utviklingsarbeid som kvalifisetingsgrunnlag er nettopp
- Styrke ekstern validitet og virkningsgrad av de enkelte arbeidene.
- Forene individuelle karrierebehov med institusjonelle behov for videreutvikling.
Til dette kommer at de klassiske små forskningsarbeider er kommet under press fra generativ kunstig intelligens. En vanlig mal for forskningsartikkelen er
- Definer et tematisk område.
- Lag en sammenfatning av kunnskapstilstand.
- Definer uløst problem på dette området.
- Velg og beskriv forskningsdesign og metode.
- Beskriv gjennomføring og innsamling av empiri.
- Presenter analysen med funn og resultat.
- Skriv konklusjon.
- Gi referanseliste.
På mange av disse punktene kan generativ kunstig intelligens gi tydelige bidrag, og i noen tilfelle utføre dem til fulle. Vi får også integreringen løsninger der KI-assistenten gjennomfører hele studier.
Her har UH-systemet noen utfordringer:
- Skal det investere tungt i personalopplæring i artikkelskriving på “gamlemåten”?
- Skal slike modeller legges til grunn for mastergradsopplæringen? Eller må forskningsregimet som studentene læres opp i også reformeres?
Det stilles f.eks. spørsmål om det trengs Ph.D. for å undervise og veilede mastergradsstudenter. Her bør svaret heller være å utvikle EVU for KI-støttet FoU med faglig forfatterskap, kvantitativ og kvalitativ metode osv. De bør være tilgjengelige for alle tilsatte og gi undervisnings- og veiledningskompetanse til og med mastergradsnivå.
Å lage slike emner bør være faglig utviklingsarbeid i egen rett f.eks. for dosentopprykk.