Onderzoek  ›  Casebibliotheek  ›  Case 09: Streetlight Effect / Drunkard’s Search
Case 09 / 31  •  Thema: Zien

Streetlight Effect / Drunkard’s Search

Een analyse kan uiterst precies zijn over precies dat deel van de werkelijkheid dat toevallig makkelijk zichtbaar was.

De dronkaard zoekt zijn sleutel onder de straatlamp omdat daar licht is, niet omdat hij hem daar verloor. Als methodologische metafoor beschrijft dit hoe databeschikbaarheid en meetbaarheid bepalen welke informatie in de bewijsbasis terechtkomt.

✓
OnderzoeksstatusOnderzoek in voorbereiding
☆
AI-relevantieAI kan een bestaand effect versterken
⚙
KernideeObservability-driven selection
⌾
OnderbouwingBronnen en beperkingen samengevat; onafhankelijke review staat nog open.
◇
CasetypeMethodologische valkuil
“
In één zin

Een analyse kan uiterst precies zijn over precies dat deel van de werkelijkheid dat toevallig makkelijk zichtbaar was.

Het verhaalOver hoe de case ontstaat en ons denken kan misleiden.

Abraham Kaplan gebruikte in 1964 de ‘principle of the drunkard’s search’ als waarschuwing: onderzoekers kunnen problemen kiezen op basis van waar methoden of data beschikbaar zijn. De anekdote zelf is ouder en heeft geen betrouwbare enkelvoudige oorsprong.

Wat weten we?Bewijs, onderzoek, kritische inzichten en wat we nog niet weten.

Adams en collega’s (2018) vonden in hun selectie van klimaat-conflictpublicaties een geografische concentratie die zij verbinden met toegankelijkheid en databeschikbaarheid. Dit is domeinspecifiek observationeel bewijs, geen algemene wet dat makkelijk beschikbare data altijd misleiden. Hun literatuurzoekactie via Scopus bestreek vooral Engelstalige tijdschriftartikelen.

Wat is het mechanisme?Welke verklaring het best past bij wat we zien.

Wat waarneembaar is, wat meten kost en welke gegevens beschikbaar zijn, bepaalt al vóór de analyse welk bewijs wordt meegenomen. Een precieze analyse kan daardoor een onvolledig beeld geven van de werkelijkheid die je wilt onderzoeken.

Wat verandert AI?Hoe AI het mechanisme kan versterken of zichtbaar maken.

Te onderzoeken AI-toepassing: AI maakt het goedkoper om gedigitaliseerd bewijs te analyseren. Daardoor kan de aandacht zich nog sterker richten op wat machines gemakkelijk kunnen verwerken en terugvinden.

Wat willen we testen?Welke vraag we concreet verder willen onderzoeken.

Voorgestelde toets, nog niet uitgevoerd: Vergelijk mensen zonder AI, AI met systematisch onvolledige gegevens, AI met informatie over de brondekking en AI met één onafhankelijke waarneming buiten de gebruikelijke bronnen. Meet nauwkeurigheid, vertrouwen en bijstelling van het oordeel.

Wat nemen we mee?Wat deze case voorlopig betekent — en waar de grenzen liggen.

Vraag zowel of het bewijs klopt als welke relevante delen van de werkelijkheid buiten dat bewijs zijn gebleven.

Het doorzoekbare corpus bepaalt wat deze zoekomgeving kan tonen. Niet gevonden betekent niet automatisch afwezig; documenteer ook de niet doorzochte delen.

BronnenPrimaire en belangrijkste wetenschappelijke bronnen.

Kaplan (1964), The Conduct of Inquiry

Kaplan, The Conduct of Inquiry, pp.11 and17 — Publisher-distributed later reprint preview

Adams et al.(2018), Sampling bias in climate–conflict research — published article

Kaplans metafoor en zijn kanttekening over een rationele zoekvolgorde staan op pp. 11 en 17 van de geraadpleegde latere herdruk. Adams en collega’s leveren observationeel bewijs over hun specifieke steekproef van klimaat-conflictliteratuur, geen algemene of AI-specifieke validatie.

Geef feedback