Suggerirei di avvicinarsi al tuo collega in modo umile e curioso (soprattutto visto che sei un membro junior del team). Se inizi la conversazione con "le tue conclusioni sono sbagliate ed ecco perché" imposterai un tono combattivo per il resto della riunione. Potrebbero esserci ragioni per cui hanno interpretato i dati nel modo in cui non sei a conoscenza.

Prova invece ad affrontare la situazione con qualcosa di simile a "Ho guardato i dati e sono giunto a questa interpretazione, posso mi spieghi la tua interpretazione? " Sei un ricercatore a pieno titolo, quindi junior o no la tua opinione dovrebbe essere valutata. Ma almeno con questo approccio indichi di essere aperto all'idea di sbagliare, e si spera che inizi una conversazione costruttiva in cui puoi discutere i meriti dell'analisi di tipo A rispetto al tipo B, ecc.

Si applicano regole generali per il feedback.

Eccone alcune:

• Non è necessario criticare nessuno.
• Attieniti ai fatti.
• Descrivi, in particolare descrivi cosa pensi delle cose, ad esempio non scrivere "l'affermazione non è giustificata dai dati" ma "Non riesco a vedere come questo sia spiegato dai dati" (e probabilmente fornisco un esempio di qualche affermazione che trovi ugualmente "inspiegabile" dai dati).
• Non essere negativo. Invece, dai un suggerimento per qualcosa di meglio.
• Se non conosci un miglioramento, fai una domanda (ad esempio "Non sono riuscito a capire, come è stata tratta questa conclusione, potresti chiarire / fornire ulteriori spiegazioni" ).

Ultimo suggerimento: inserisci le tue critiche, cioè inizia con qualcosa di buono, finisci con qualcosa di buono e metti la carne in mezzo.

Google "regole di feedback" o "come fornire feedback", ma ci sono alcune regole / suggerimenti che potrebbero non essere applicabili ...)

Sarebbe bello se le statistiche riguardassero sempre la verità e ci fosse una risposta o un metodo giusto per ogni domanda. Tuttavia, semplicemente non è così, e molti elementi hanno spazio per il dibattito. Sono un economista e l'ho visto in prima persona in tre diverse aree.

Innanzitutto, ho svolto una ricerca empirica interdisciplinare in cui ho lavorato con un sociologo per un mentre. Mi ha colpito come le nostre supposizioni andassero in contrasto tra loro; alcune volte ho suggerito cose che erano completamente standard nel campo dell'economia, solo per scoprire che non riusciva a capire perché lo avremmo fatto in quel modo. Poi almeno tre volte è stato lui a proporre metodi standard in sociologia che io non riuscivo a capire.

In secondo luogo, sono passato al campo della ricerca politica . Vacca sacra, il settore politico fa cose con statistiche ed econometria che farebbero rotolare un econometrico nella sua tomba, mentre erano ancora in vita.

E poi è appena arrivato peggio, perché ho iniziato a lavorare insieme ad alcuni data scientist . Non inizierò nemmeno, se non per dire che hanno accettato come cose del tutto normali che mi hanno fatto rotolare me nella tomba.

Il mio scopo nel condividere i miei aneddoti è suggerire un approccio più umile di "Non penso che queste conclusioni siano minimamente giustificate dai dati". Offrire critiche, certamente, ma non essere la persona del dipartimento che è un pedante completo su ogni dettaglio statistico. I miei punti riguardavano principalmente ciò in cui mi imbattevo quando mi avventuravo al di fuori del mio campo, ma penso che la lezione sia ancora rilevante nel tuo campo primario. Sii particolarmente cauto riguardo alle cose a cui trovi obiezioni che sono, a prescindere, ampiamente utilizzate nel tuo campo.

Niente di tutto ciò significa che dovresti semplicemente ignorare le cose che trovi errate. Piuttosto, prova affermazioni come:

• "Ho familiarità con l'utilizzo del metodo A come hai fatto tu qui. Le questioni sollevate in (qualche giornale, qualche anno) sembrano forse pertinenti, quindi potresti voler affrontare anche i loro punti qui."
• " Cosa ti ha fatto decidere di utilizzare il metodo A rispetto al metodo B? Forse il metodo B sarebbe un buon controllo di robustezza? "
• " Una o due righe su come hai verificato che i dati corrispondono al presupposto X potrebbero essere utili qui. "

In breve, affrontalo come se presumessi che loro sappiano cosa stanno facendo , quindi ponendo domande utili per portarli punti desiderati.

"Se fossi un revisore ..."

Il modo più semplice per farlo è inquadrare la critica come qualcosa che un revisore vorrebbe sapere. In questo modo, ti stai posizionando come un giocatore di squadra molto prezioso, che protegge la squadra da un immaginario revisore avversario. Do spesso critiche come questa:

"se fossi un revisore, vorrei la prova che questo non potrebbe essere il risultato di [modello nullo X / ipotesi di modello violata Y]."

o

"Immagino che un revisore desideri [un controllo di robustezza] - eseguiamolo"

o

"se otteniamo un revisori in [sottocomunità accademica], probabilmente vorrebbero [qualche tecnica più rigorosa] "

Tutti amano odiare i revisori e anticipare tutte le cose orribili di cui si lamentano è generalmente visto come un contributo prezioso e utile . (Per inciso, è un buon esercizio anche porre queste domande a se stessi. È facile rimanere bloccati in una prospettiva sulla ricerca e può essere una buona abilità entrare in empatia con un lettore scettico.)

La scienza riguarda la verità, non i sentimenti feriti. Se i dati non supportano la conclusione, dillo. Non stai facendo alcun favore a nessuno ballando intorno all'argomento.

Non so se ci sia la politica dell'ufficio o qualcos'altro coinvolto qui, o se questo è il tuo primo vero lavoro e hai problemi a trovare il tuo posto nella gerarchia. Fa parte del problema? Prova a parlare con uno dei collaboratori, faccia a faccia, e chiedi come sollevare le tue preoccupazioni in modo appropriato.

Aiutali a dimostrare la verità

Fai parte della loro squadra, quindi per non sembrare "troppo negativo", comportati come se fossi nella loro squadra: aiutali.

Per lavori in corso, una conclusione preliminare sarà spesso un'ipotesi che non è ancora completamente coperta dall'analisi o anche dai dati disponibili. "Non credo che queste conclusioni siano minimamente giustificate dai dati" sarebbe qualcosa che un revisore può ragionevolmente dire su un articolo finito. Tuttavia, non sei un revisore per questo e il documento non è finito: ciò che dovresti fare invece è usare la tua conoscenza delle statistiche e descrivere in termini molto specifici quali analisi e metriche sarebbero necessarie per supportare o negare adeguatamente l'ipotesi a cui si rivolgono.

È possibile che ciò richieda dati aggiuntivi. Può darsi che ciò richieda semplicemente un'analisi più approfondita. Può darsi che questa particolare ipotesi non possa mai essere verificata con il processo e il tipo di dati che stai raccogliendo, quindi devono esserci cambiamenti significativi - in ogni caso, è meglio iniziare a gestirla presto, invece di aspettare un formale recensione.

Se il tuo ruolo principale è fornire una prospettiva statistica al processo di revisione, devi valutare. Immagina cosa accadrebbe se una recensione esterna per la pubblicazione tornasse con conclusioni negative che ci si sarebbe potuti aspettare di identificare in un revisione interna.

Politica a parte, presumo che i collaboratori vogliano i loro nomi su un giornale ben accolto e apprezzeranno il fatto che tu stia facendo uno sforzo per entrare nel vivo del lavoro con loro. Se inizi senza dare per scontato che qualcuno abbia commesso errori fondamentali o concettuali, farai in modo che ti ascoltino più facilmente.

Tieni presente che, in generale, quando non arrivi alla stessa conclusione a cui è venuto il tuo collega, potrebbe essere altrettanto probabile a causa di una scelta sbagliata nel modo in cui il materiale è stato presentato piuttosto che a un errore fondamentale nel pensiero. Ciò è particolarmente vero in una revisione interna prima della pubblicazione. Presumo che tu fornisca una serie di occhi che sono imparziali dall'essere stati sepolti nella produzione del documento e, come revisore, puoi trovare aree in cui la comunicazione dei concetti è stata interrotta, se questo è il caso .

Se possibile, dovresti concordare di discuterne con il collaboratore che è più vicino al problema che ti interessa. Quella persona dovrebbe essere già consapevole che hai esperienza in statistica. (In caso contrario, potrebbe essere necessario introdurre loro questo punto.) Potresti suggerire che questo potrebbe essere presentato in un modo a cui non sei abituato (che può essere vero o no) e che di conseguenza non sei stato in grado di disegnare le stesse conclusioni. Lascia che abbiano la possibilità di presentare il loro concetto mentre fai domande relative alla tua esperienza.

Se quella persona non è disponibile a discuterne, assicurati almeno di avergli comunicato che hai domande specifiche sulle statistiche e su come vengono presentate . Quindi prova a discuterne con uno degli altri collaboratori allo stesso modo. (Fallo in questo ordine per evitare qualsiasi obiezione che hai aggirato il collaboratore chiave sulla questione.)

Come posso fornire un feedback onesto in un modo che non risulti eccessivamente negativo

Non essere eccessivamente negativo. Per una revisione interna, dovresti concentrarti sui punti di forza e di debolezza del manoscritto, non solo sui punti deboli. Ovviamente, vuoi che i tuoi colleghi sappiano cosa deve essere migliorato, ma è anche utile sapere quali sono i punti di forza degli altri.

Devi anche stare attento a come dici le cose. Invece di dire qualcosa come

Non credo che queste conclusioni siano minimamente giustificate dai dati

che considero molto negativi, potresti lasciare che il l'autore sa che non ti ha convinto delle conclusioni per i motivi x, yez.

tl; dr : non mirare a dimostrare la loro strada sbagliata; cerca invece di trovare la strada giusta.

Non trasformarti in un verificatore remoto o qualcosa del genere.

Se scrivi non credo che queste conclusioni siano minimamente giustificate dai dati. Stai affermando che il loro approccio è sbagliato. Periodo. Non è nemmeno necessario racchiuderlo in belle parole.

Posso leggere dalla tua domanda che sei stato assunto per migliorare l'utilizzo degli strumenti statistici nel tuo team. Fai il tuo lavoro.

1. Non essere scortese.
   Esprimi le tue preoccupazioni e i tuoi punti senza deriderli o usare parole scortesi tec. Durante le chiacchiere puoi menzionare dove hai sbagliato, ecc. Alcune persone si offendono quando usi un linguaggio troppo educato e difensivo - vogliono fatti concreti, non tirandoli fuori da 2 ore di monolega. Alcune persone sono schiacciate da fatti privi di emozioni: hanno preso il loro lavoro sul personale. Cerca sempre di trovare qualcosa di giusto e menzionalo.
2. Cerca di capire.
   Chiedi loro di spiegarti il ​​loro lavoro. Scoprirete tutti perché giungono a quella conclusione, che la conclusione è sbagliata, perché è sbagliata e potete suggerire un approccio diverso. Poni le domande appropriate: "Cosa significa ..." "Perché questo parametro è stato trascurato?"
3. Aiutali.
   Suggerisci approcci e metodi diversi. Offri loro la tua assistenza con tali strumenti.
4. Sii aperto.
   Sii pronto a dire che non hai ottenuto la loro immagine o che hai preso una conclusione sbagliata. A volte la discussione più approfondita rivela tutti i punti nascosti che mancavano nel testo, perché pensavano che "è facile da vedere", ma non lo è.

Dall'altro Tuttavia, se vuoi aiutarli a prepararsi per una conferenza, le domande e gli appunti più freddi e cattivi che hai, meglio saranno preparati per le domande reali del pubblico.

Salve Senior Member Bob,

Ho lavorato per migliorare le mie capacità di riconciliare i dati per trarre conclusioni accurate, ma continuo a rimanere bloccato alla conclusione XYZ per questo set di dati. Questo mi turba perché vedo che hai concluso QRS. Hai qualche minuto per mostrarmi come arrivare a QRS?

Ora, lascia parlare Bob e cerca di non intervenire. Se è professionale, vorrà ascoltarti su XYZ dopo che lo avrai ascoltato.

Questo è un classico esempio di "cerca prima di capire e poi di essere capito"

Ho - sfortunatamente - scoperto che in molti casi le persone tendono a essere molto resistenti alle conclusioni che tu hai fatto e le stai offrendo, quasi universalmente, pur essendo molto più propense ad accettare esattamente le stesse conclusioni se dai loro la possibilità di fare gli ultimi passi retorici. In altre parole:

B è vero? Sì. Ciò è dovuto al fatto che A-> B e A.

probabilmente riceveranno risposte come:

• "Come puoi dire qualcosa del genere? "
• " Sei eccessivamente critico "
• " Ecco di nuovo OP con le sue affermazioni stravaganti. "
• " Tu sto solo dicendo che, perché C "
• " Sei un terrorista / comunista / sciovinista, dovremmo espellerti / licenziarti "

mentre se tu scrivi, o dì, qualcosa come:

Quindi, ho pensato alla questione di B. Penso che il fatto che A sia qualcosa che dobbiamo prendere in considerazione.
. ..
Stavo parlando con X della domanda B e lei mi ha ricordato che A-> B vale. Penso che abbia un buon punto. Ma dove ci porta?

e poi ottieni:

• "oh, oh, aspetta! Ho capito! B! B! Lo sapevo da sempre! "
• " Sai, visto che siamo bloccati, proviamo ad assumere B e vediamo cosa succede. "
• " Hmm, io supponiamo che B possa essere un'opzione "
• " Ho sempre saputo che B, e l'ho detto sempre. "

tipo di risposte. Sembra stupido ma succede spesso quando B è qualcosa che non è facile da digerire - socialmente, psicologicamente, politicamente ecc.

Ora applica questo al tuo caso specifico :-)

Sono stato su una barca simile (studente di dottorato che lavora con la facoltà), su un progetto a cui stavo lavorando. Stava lavorando con un collega con un background disciplinare diverso, con norme diverse su ciò che era considerato una prova convincente. Sulla base degli standard a cui ero abituato, non ero convinto dei risultati e non pensavo che lo sarebbero stati nemmeno revisori con background come il mio. Ho usato un po 'l'argomento del futuro revisore, ma dovevo anche dire che non ero ancora a mio agio a mettere il mio nome sulla carta - che avrei dovuto vedere X, Y e Z. Ho dovuto fare molte cose da solo. Una cosa che volevo sapere era se la selezione dei controlli avesse guidato i risultati (di uno studio d'archivio), poiché c'erano molti gradi di libertà per i ricercatori. Ho dovuto scrivere un programma per eseguire i modelli con ogni possibile combinazione di variabili di controllo per convincermi che non avevamo solo inconsciamente giocato con le combinazioni fino a quando non abbiamo ottenuto qualcosa che ci piaceva (in realtà ero sorpreso di quanto fossero robusti i risultati, anche se di certo che non è una prova, ma esclude una preoccupazione). Il mio coautore ha effettivamente proposto di aggiungere un esperimento allo studio, il che ha reso i risultati ancora più convincenti. Penso che niente di meno che esprimere il mio disagio nel mettere il mio nome sulla versione precedente avrebbe prodotto il risultato con cui ora mi trovo a mio agio.

Un'altra cosa che ho fatto, per darmi legittimità: ho dovuto imparare molto di più sui metodi che aveva applicato, il che non è stato facile. Alcuni dei comandi facevano parte di una macro ampiamente utilizzata (nel suo campo) che incorporava algoritmi basati su alcuni documenti di metodi più vecchi. Ho dovuto tornare indietro e leggere molti di quei documenti finché non ho capito cosa stavano facendo gli algoritmi (e sembrava qualcosa che potesse essere utile nel mio campo, con maggiore trasparenza). Era necessaria una comprensione dettagliata per esprimere il motivo per cui non ero ancora convinto. È facile dire: "Non ne sono convinto". È più convincente per gli altri se puoi spiegare quali fonti esplicite di pregiudizi esistono o quali presupposti specifici vengono violati.