Burgerwetenschappelijke gegevens zijn steeds belangrijker geworden bij het in kaart brengen van projecten, omdat ze een schat aan informatie kunnen opleveren die anders moeilijk of onmogelijk te verkrijgen zou zijn. Het is echter belangrijk om je bewust te zijn van de mogelijke vooroordelen die kunnen ontstaan ​​bij het gebruik van burgerwetenschappelijke gegevens voor het in kaart brengen.

Eén type vertekening dat kan optreden is steekproefvertekening . Dit gebeurt wanneer de gegevens niet worden verzameld op een manier die de gehele populatie van belang vertegenwoordigt. Als een karteringsproject bijvoorbeeld afhankelijk is van gegevens die door vrijwilligers zijn verzameld, is het waarschijnlijk dat de gegevens zich zullen richten op gebieden die gemakkelijk toegankelijk zijn of populair zijn bij vrijwilligers. Dit kan leiden tot kaarten die onnauwkeurig of misleidend zijn.

Een ander type vertekening dat kan optreden is selectiebias . Dit gebeurt wanneer de gegevens niet worden verzameld op een manier die ervoor zorgt dat alle leden van de populatie van belang een gelijke kans hebben om te worden opgenomen. Als een karteringsproject bijvoorbeeld afhankelijk is van gegevens die zijn verzameld door vrijwilligers die allemaal lid zijn van een bepaalde groep, is het waarschijnlijk dat de gegevens gericht zijn op die groep. Dit kan leiden tot kaarten die niet representatief zijn voor de gehele bevolking.

Ten slotte is er ook de mogelijkheid van vooringenomenheid van de waarnemer . Dit gebeurt wanneer de mensen die de gegevens verzamelen, worden beïnvloed door hun eigen overtuigingen of verwachtingen. Als een vrijwilliger bijvoorbeeld gegevens verzamelt over de verspreiding van een bepaalde soort, is de kans groter dat hij waarnemingen van die soort vastlegt in gebieden waar hij verwacht dat deze wordt aangetroffen. Dit kan leiden tot kaarten die onnauwkeurig of misleidend zijn.

Het is belangrijk om je bewust te zijn van de mogelijke vooroordelen die kunnen ontstaan ​​bij het gebruik van burgerwetenschappelijke gegevens voor het in kaart brengen, en om stappen te ondernemen om deze vooroordelen te minimaliseren. Eén manier om dit te doen is het gebruik van een gestratificeerd steekproefontwerp, dat ervoor zorgt dat alle leden van de populatie van belang een gelijke kans hebben om in de gegevens te worden opgenomen. Een andere manier om vertekening te minimaliseren is door een dubbelblind onderzoeksontwerp te gebruiken, waarbij de mensen die de gegevens verzamelen zich niet bewust zijn van het doel van het onderzoek.

Door deze stappen te ondernemen is het mogelijk om burgerwetenschappelijke gegevens te gebruiken om nauwkeurige en betrouwbare kaarten te creëren die kunnen worden gebruikt om de besluitvorming te informeren en ons begrip van de wereld om ons heen te verbeteren.

Hier zijn enkele specifieke voorbeelden van hoe vooroordelen kunnen voorkomen in kaarten die zijn gemaakt met burgerwetenschappelijke gegevens:

* Een kaart van de verspreiding van een bepaalde soort kan zich richten op gebieden die gemakkelijk toegankelijk zijn voor vrijwilligers, of op gebieden waarvan bekend is dat de soort voorkomt. Dit zou kunnen leiden tot de valse indruk dat de soort wijdverspreider is dan hij in werkelijkheid is.

* Een kaart van de lucht- of waterkwaliteit kan zich richten op gebieden waar mensen wonen of werken, of op gebieden waar bekende bronnen van vervuiling aanwezig zijn. Dit kan leiden tot de valse indruk dat de lucht- of waterkwaliteit in deze gebieden slechter is dan deze in werkelijkheid is.

* Een kaart van de verspreiding van een bepaalde ziekte kan zich richten op gebieden waar meer ziekenhuizen of klinieken zijn, of op gebieden waar mensen eerder medische zorg zoeken. Dit zou kunnen leiden tot de valse indruk dat de ziekte in deze gebieden vaker voorkomt dan in werkelijkheid het geval is.

Het is belangrijk om je bewust te zijn van de mogelijke vooroordelen die kunnen ontstaan ​​bij het gebruik van burgerwetenschappelijke gegevens voor het in kaart brengen, en om stappen te ondernemen om deze vooroordelen te minimaliseren. Door dit te doen is het mogelijk om nauwkeurige en betrouwbare kaarten te maken die kunnen worden gebruikt om de besluitvorming te onderbouwen en ons begrip van de wereld om ons heen te verbeteren.