Bias i forskning: Är du din egen värsta fiende?

Bias kan smyga sig in var som helst i forskningsprocessen:

• Definiera forskningsfrågor
• Datainsamling
• Välja studiedeltagare
• Dataanalys
• Sammanfatta och kommunicera resultat

Bias är i allmänhet oavsiktlig – vi är inte medvetna om att vårt tankesätt eller hur vi genomför vår studie påverkar resultatens validitet. Det första steget för att förebygga forskningsbias är att erkänna för oss själva att varenda person i hela universum som bedriver forskning är mottaglig för bias, oavsett våra bästa avsikter. Goda avsikter är bra, men de räcker inte hela vägen när det gäller att skydda våra studieresultats validitet.

Läs vidare för att förstå mer om den bias som påverkar vårt arbete och hur du kan begränsa dess effekter. 

Typer av forskningsbias som kan leda ditt arbete på villovägar

Jag är lite partisk (ordvitsen är bara lite avsiktlig), men det här är den roliga och intressanta delen. Nu ska vi utforska alla sätt på vilka vi oavsiktligt kan skapa vinklade forskningsresultat, tack vare de märkliga sätt som våra hjärnor och våra studiedeltagares hjärnor fungerar på. (Oroa dig inte: om du fortsätter läsa får du också lära dig hur du undviker dem.)

Minnesbias

Är det konstigt att ha en favoritbias? Konstigt eller inte, det här är min. Det är min favorit eftersom den antyder minnets mysterier: det vi minns från en händelse eller en serie händelser är inte alltid fullständigt eller korrekt.  

Minnesbias syftar på vår tendens att undermedvetet minnas tidigare händelser med vissa felaktigheter, till exempel utelämnade detaljer. Det är mer sannolikt att detta händer när du behandlar obehagliga händelser eller sådant som hände för länge sedan – men egentligen kan det hända när som helst.  

Exempel på minnesbias

Om du till exempel genomför en användarintervju om någons träningsvanor och frågar om en app som personen inte har använt på ett år – då är förmågan att exakt minnas vad personen gjorde i appen och hur allt gick till begränsad. Eller om du frågar om någons upplevelse hos läkaren efter en skada kan personens hjärna ha gjort dem en tjänst genom att göra vissa av de mindre behagliga detaljerna något suddiga för att undvika psykiskt lidande.

Det finns otaliga exempel, men slutsatsen är att våra hjärnor är historieberättare. Av alla möjliga orsaker, oavsett om det handlar om tidens gång eller om hur vi vill uppfatta vissa händelser jämfört med hur de faktiskt inträffade, är det vi minns inte alltid exakt det som hände – och det kan påverka våra forskningsresultat när våra studiedeltagare omedvetet påverkas av minnesbias.

Urvalsbias

Om du tror att bias bara uppstår hos studiedeltagarna är det här något som handlar om dig, personen som bedriver forskningen. Du vet förmodligen redan att sättet du definierar vilka personer som får delta i din studie på har stor påverkan på resultaten. Om du undersöker sömnvanor och endast intervjuar eller frågar föräldrar till nyfödda barn kommer du att få resultat som inte nödvändigtvis gäller för befolkningen i stort (gäsp).

Vid urvalsbias leder vissa förutfattade meningar eller kopplingar till hypoteser till att vi definierar vårt forskningsurval på ett sätt som bidrar till de resultat vi förväntar oss eller vill ha. 

Get Free Access to the Product Vault

We’ve collected the goods — AI prompts, exclusive deals, and a library of resources for product leaders. Unlock your account for access.

Create Free Account

Have an account? Log In

Exempel på urvalsbias

Anta att ditt företag har ett verktyg för marknadsföringsautomation och att du försöker förstå varför dina konkurrenter lämnar dig bakom sig när det gäller intäkter. Du som produktchef kan ha en hypotes om att det specifikt är funktionerna för e-postautomation som driver dina konkurrenters tillväxt.

Detta kan leda till att du fokuserar på att rekrytera studiedeltagare som i stor utsträckning arbetar med e-post i sina roller – vilket kan innebära att du missar värdeerbjudanden och problemområden inom andra delar av marknadsföringsautomationen, helt enkelt för att du inte rekryterade tillräckligt många deltagare som är aktiva inom andra delar av produkten.

Bekräftelsebias

Om du någon gång har varit del av ett projekt där den som ledde undersökningsarbetet verkade vara endast intresserad av användarfeedback som bekräftade deras egna antaganden, har du sett bekräftelsebias i praktiken. När vi tittar på någon typ av data, kvalitativ eller kvantitativ, är vår mänskliga tendens att gynna eller överdriva betydelsen av information som bekräftar våra hypoteser eller övertygelser. Detta kallas bekräftelsebias, och det är utbrett. Jag har faktiskt kommit att tro att det sätt på vilket produktteam arbetar gör bekräftelsebias otroligt sannolik om vi inte vidtar åtgärder för att bekämpa den direkt.

Inom produktutveckling förväntas vi ofta fatta stora beslut och ta stora risker – snabbt. Det är ovanligt att träffa en designer eller produktchef som inte har en stark åsikt om vilka funktionsiterationer eller produktförändringar som kommer att föra teamet närmare dess övergripande mål. Därför blir användarundersökningar ibland bara något som ska bockas av, och resultaten presenteras i en berättelse som är genomsyrad av bekräftelsebias.

Hur är det möjligt? Med all sannolikhet kommer din användarundersökning att innehålla många olika insikter. När du analyserar dina data, vilket är en process som vanligtvis har liten insyn inom företag, kan du omedvetet avfärda datapunkter som motsäger det du tror och presentera en berättelse som inte återspeglar verkligheten. Usch!

Exempel på bekräftelsebias

Föreställ dig att en forskare genomför användarintervjuer om en produktfunktion som använder AI för att generera svar på e-postmeddelanden. I det här sammanhanget skulle forskaren skapa bekräftelsebias om hen använde ledande frågor, som "skulle du inte se värdet i den här funktionen?" eller "hur bra skulle det inte vara om du sparade tid på att skriva e-postmeddelanden?", eftersom hen påverkar undersökningsresultaten med sina egna uppfattningar om funktionens värde.

Mätbias

Oavsett om du gör en kvalitativ eller kvantitativ undersökning är det viktigt att sättet du mäter dina datapunkter på är meningsfullt och konsekvent genom hela processen. När det finns ett grundläggande problem med de mätningar vi använder introducerar vi potentiellt falska resultat – detta är mätbias.

Exempel på mätbias

Låt säga att du genomför en kvantitativ användbarhetsstudie för en funktion som ska minska avhopp vid en viss punkt i produktens centrala arbetsflöde.  Det du mäter i hundratals tester är användarens förmåga att slutföra flödet i den nya versionen, och du letar efter en förbättring jämfört med den gamla versionen av funktionen. Ditt team måste ägna lite tid åt att fundera på vad att slutföra flödet faktiskt innebär: betyder det bara att ta sig förbi iterationen? Eller betyder det att genomföra allt? Innebär det att få ett tillfredsställande resultat?

Som du kan se kan själva definitionen av mätvärdet påverka dina resultat kraftigt!

Intervjuarbias

När du genomför användarintervjuer för en kvalitativ studie kan frågorna som intervjuaren ställer och sättet de ställs på skapa en grogrund för potentiell bias.

Exempel på intervjuarbias

Här är några exempel på hur intervjuarbias kan smyga sig in i vilken undersökningsstudie som helst:

• Intervjuaren ställer frågor utifrån sina antaganden om varje deltagare i stället för att använda en enhetlig uppsättning frågor för varje person i studien.
• Intervjuaren ställer ledande frågor som får deltagaren att svara på ett visst sätt som bekräftar forskarens hypoteser.
• Intervjuaren antyder en åsikt eller värdering genom hur hen formulerar frågan, vilket uppmuntrar deltagaren att svara på ett fördelaktigt sätt (kallas även social önskvärdhetsbias hos deltagaren).

Publiceringsbias

Vad gör du som produktprofessionell när dina undersökningsresultat inte återspeglar de resultat du hade hoppats på? Tro det eller ej, många forskare och produktprofessionella rationaliserar ofta situationen och väljer att inte dela sina undersökningsresultat med teamen när detta händer, och detta kallas publiceringsbias.

Exempel på publiceringsbias

Hur ser det ut? Det kan låta som att du eller någon i ditt team säger: ”Vi testade det ju bara med 15 användare – jag tror inte att det betyder något. Vi låter det vara tills vidare.”  

Faran här är att du undanhåller värdefull information från ditt team när den står i konflikt med dina förhoppningar och övertygelser. När du gör det kan utelämnandet av information få teamet att rusa iväg i fel riktning. 

Urvalsbias

Vilka rekryterar du egentligen till din studie? Tro det eller ej, detta är ofta en av de största faktorerna för huruvida du får stabila och tillförlitliga resultat eller inte. Urvalsbias uppstår när du samlar in data från ett urval som inte är nyanserat eller representativt, vilket innebär att resultaten kan bli vinklade och leda dig vilse.

Exempel på urvalsbias

I det här exemplet genomför du en undersökning om matlagningsvanor för att få idéer till nya funktioner i din receptapp. Om de som svarar på ditt frågeformulär kommer från en grupp som du har sammanställt på ett universitetsområde, tittar du i praktiken på matlagningsvanorna hos unga personer som studerar på heltid. Men hur är det med familjer? Pensionärer?

En av de viktigaste sakerna du gör i processen för att utforma en undersökning är att se till att du tittar på ett representativt urval. 

Analys­partiskhet

När du har genomfört dina datainsamlingsmetoder går du in i analysfasen. Här fattar du alla möjliga beslut: Vilka data är viktiga? Vilka är viktigast? Vad betyder allt detta kvalitativt? Statistiskt? Ofta fattar vi dessa beslut på ett sätt som gynnar våra ursprungliga hypoteser eller önskade resultat.

Exempel på analys­partiskhet

Ett exempel på analys­partiskhet är om du kommer på dig själv med att säga saker som ”Det där är inte viktigt. Det dök bara upp några gånger. Det här är bara avvikande värden.” Även om det kan stämma beroende på undersökningen, kan det också vara analys­partiskhet som smyger sig in och får dig att ignorera en viktig nyans i dina forskningsresultat.

Det här är bara några exempel på partiskhet i forskning—det finns verkligen otaliga sätt som partiskhet kan visa sig på i forskningsprojekt. Så nästa fråga är: Vad kan vi göra åt det?

Undvika partiskhet vid utformning av forskningsstudier

Vid det här laget svettas du förmodligen lite och undrar om forskning kanske är meningslös på grund av vår mycket mänskliga benägenhet att falla offer för förutfattade meningar. Som tur är är så inte fallet. Nu när du känner till de potentiella fördomar som lurar runt varje välmenande hörn kan du vidta åtgärder för att minska partiskhet i din användarforskning och styra ditt produktteam i rätt riktning. Låt oss titta på några sätt att göra just det.

Utforma din forskningsstudie noggrant

Det här är användarforskningens motsvarighet till att börja på rätt fot.  När du utformar din studie fattar du en rad beslut som, om de fattas på rätt sätt, kan minska sannolikheten för potentiell partiskhet. 

Här är några tips:

• Definiera dina användargrupper så brett som möjligt, samtidigt som du fortfarande tar hänsyn till din målpopulation
• Välj dina forskningsmetoder med omsorg: se till att metoden speglar det du försöker lära dig
• Om du genomför användarintervjuer ska du skriva en intervjuguide innan du börjar intervjua och försöka se till att du ställer samma frågor till alla

Bonustips

Be en kollega att gå igenom din forskningsplan innan du faktiskt börjar samla in data. Det hjälper till att säkerställa att du inte missar något som kan introducera partiskhet.

More Articles

• 10 UX-researchkonferenser att delta i världen över 2026

Undvik intressekonflikter i alla delar av användarforskningen

Den produktchef som hela året har tjatat om behovet av att genomföra en specifik kursändring? Helst bör det inte vara den personen som leder forskningsstudien. Även om objektivitet fortfarande är möjlig i det här fallet gör intressekonflikter som denna det ofta extremt svårt för människor att samla in data och analysera forskningsresultat på ett opartiskt sätt.

Ett alternativ här vore att låta någon annan—kanske en designer eller en användarforskare i teamet—utforma och leda studien, men rådgöra med den tidigare nämnda produktchefen under arbetets gång. Överlag finns det en evidensbaserad regel som säger att ju mindre bunden någon är vid ett önskat resultat, desto större är sannolikheten att personen levererar tillförlitliga forskningsresultat.

Acceptera att forskningspartiskhet gäller alla människor som bedriver forskning

Jag menar detta på det mest respektfulla sätt som möjligt: även om du förmodligen är speciell på många olika sätt är du—när det gäller risken att introducera partiskhet i en studie—inte det.

Alla de former av partiskhet som vi har gått igenom är evidensbaserade tendenser som alla människor har. När du antar tankesättet att även du i teorin kan drabbas av olika former av partiskhet är du på god väg att förhindra dem!

Genomför alltid en retrospektiv granskning av forskningen

Det är okej att göra misstag i livet, och detsamma gäller användarforskning. Varje gång du genomför en studie ska du se till att sätta dig ner med teamet och gå igenom din metodik från början till slut—vad kunde ni ha gjort annorlunda? Är det möjligt att någon lömsk partiskhet smög sig in? 

Vanligtvis kommer du inte att upptäcka att din studie är helt otillförlitlig, men du kommer att synliggöra mindre justeringar som du kan göra i nästa studie för att öka tillförlitligheten i din användarforskning framöver.

Forskningsbias finns, men den går att hantera.

Nu när du är medveten om vad som kan ställa till det när det gäller tillförlitlig användarforskning är du redo att ge dig ut och göra ett bra jobb. Med risk för att låta något löjlig ska jag avslöja en sista hemlighet: Jag har en liten post-it-lapp på mitt skrivbord där det helt enkelt står ”bias!”. Jag tycker att den hjälper mig att hålla allt vi har diskuterat i åtanke.

Även om en alarmerande post-it-lapp inte är den metod du föredrar, bör du hitta ett sätt att hålla elimineringen av bias i åtanke när du genomför användarforskning. Då har du kommit en bra bit på vägen mot att leverera insikter som hjälper ditt team att nå sina mål.

Glöm inte att prenumerera på vårt nyhetsbrev för fler resurser och guider om produktledning, samt de senaste poddarna, intervjuerna och andra insikter från branschledare och experter.