Tieteeseen perustuva, niin sanottu evidence-based practice, menettely on yleistynyt voimakkaasti viime vuosina – ja hyvästä syystä! Tiede on siitä hieno asia, että se on itsensä korjaavaa. Vanhat ja toimimattomat, joissakin tapauksissa jopa vahingolliset tai suorastaan vaaralliset menettelyt jäävät näin automaattisesti pois uuden tarkemman ja paremman tiedon myötä. Tämä pätee kaikkeen terveyteen ja suorituskykyyn liittyviin aloihin, oli kyse sitten ravinnosta, harjoittelusta tai lääketieteestä.
Kuva: assets.entrepreneur.com
Tarvitseeko jonkin menettelytavan tai harjoitusmetodin olla tieteen avulla toimivaksi todistettu, jotta sitä voi ja kannattaa kokeilla? Vaatimaton mielipiteeni on tässä tapauksessa, että ei. Haittaa siitä ei tietenkään ole, päinvastoin. Tästä ei kuitenkaan pidä vetää johtopäätöstä, että olen tiedettä vastaan. Teknillisen Yliopiston penkillä istutut sadat luentotunnit ja omatoiminen opiskelu valmennuspuolen työhön liittyen on opettanut arvostamaan hyvää tiedettä. Esimerkkinä tästä, teen lentomatkustusta huomattavasti mieluummin lentokoneella, joka on tarkkaan mitoitettu, lujuuslaskettu ja optimoitu kuin ”vähän sinne päin”- tai ”kyllä se varmaan näin kestää” -versiolla.
Tieteellä on kuitenkin rajoituksensa. Yksittäistä tutkimusta ja siitä saatavissa johtopäätöksissä voidaan mennä vikaan ainakin seuraavilla osa-alueilla:
- Tutkimuksessa mukana olleet koehenkilöt eivät vastaa sovellettavaa populaatiota. Koehenkilöt eivät aina vastaa populaatiota, joka lukee, tulkitsee ja laittaa tutkimustietoa käytäntöön. Vanhuksilla tehty tutkimus ei päde välttämättä nuoriin opiskelijoihin ja toisin päin. Kummallakaan näitä väestöryhmistä tehty tutkimus ei puolestaan välttämättä päde huippu-urheilijoihin. Voi itse asiassa kyseenalaistaa, että mikä tutkimus on sovellettavissa huippu-urheilijoihin ja toisinpäin? Kyseessä on usein niin sanotusti genetiikkalotossa voittanut marginaalisen kokoinen väestöryhmä.
- Koehenkilöiden määrä voi olla huomattavan pieni. Pieni otanta vääristää helposti tuloksia. Ääripääilmiöt ovat huomattavasti yleisempiä pienellä kuin suurella otannalla. Tälle ilmiölle on oma terminsä, pienten lukujen laki. Daniel Kahneman on kirjoittanut aiheesta hyvän luvun Thinking Fast and Slow -kirjassaan.
- Tutkimus oli huonosti suunniteltu. Huonossa tapauksessa tutkimuksen suunnittelu ei mahdollista tarkasteltavan asian mittaamista.
- Kaikki muuttujia ei pystytä hallitsemaan. Tämä voi tapahtua tiedostaen tai tiedostamatta. Koehenkilöihin ja mahdollisesti tutkimustulokseen vaikuttavia muuttujia on kirjaimellisesti lukematon määrä. Kaikkien niiden hallitseminen on vaikeaa tai joskus jopa mahdotonta. Hallitsemattomien muuttujien vaikutus vaihtelee tietenkin tapauskohtaisesti.
- Tutkimuksen toteutus oli puutteellinen. Tutkimuksen toteutuksessa on saattanut olla virheitä tai huolimattomuutta, mikä voi vääristää tuloksia.
- Tulokset eivät kerro koko totuutta. Ilmoitetut tulokset eivät kerro aina koko totuutta. Mitattava ja tutkittava suure ilmoitetaan usein jonkinlaisena keskiarvona. Se voi silti tarkoittaa hyvinkin, että osa on saanut positiivisia tuloksia ja pieni osa voimakkaasti negatiivisia. Tätä ei välttämättä huomaa ellei tutkimusta lue kokonaisuudessaan huolella läpi.
- Johtopäätökset olivat virheellisiä. Vaikka mitään muita virheitä ei olisi tehty, tutkimuksesta johdetut johtopäätökset saattavat silti olla virheellisiä. Vaikka tieteen tarkoitus on olla mahdollisimman objektiivista, johtopäätökset ovat aina tutkijoiden datan subjektiivisen tulkitsemisen tuloksena syntynyt johtopäätös.
Mistä tietää, että tutkimus oli hyvä ja siinä ei ollut mitään edellä mainituista puutteista? Vaihtoehtoja on vain yksi, se pitää lukea huolella läpi, mikä on puolestaan aikaa vievää ja työlästä puuhaa. Lisäksi asiaan tulee olla perehtynyt usein jopa asiantuntijatasolle asti, jotta koe- ja mittausmenetelmistä ymmärtää riittävästi.
Onko parhaan ratkaisun siis oltava tieteen todistama? Ei välttämättä. Usein tämä ei ole edes mahdollista, sillä tieteen avulla pystytään selittämään edelleen vain (pienehkö) osa luonnossa ilmenevistä ilmiöistä. Jos jokin toimii ilman tiedossa olevaa selitysmallia, miksei sitä kannattaisi silti hyödyntää? Vaikka tieteellistä selitystä ei ole olemassa, se ei ole automaattinen vasta-aihe jonkin menettelytavan tai keinon käytölle. Tieteellistä ymmärrystä edeltää lähes aina empiirinen vaihe. Käytännössä tämä tarkoittaa toimimista ”kokeillaan ja katsotaan mitä tapahtuu” -asenteella. Koko historian kulku on edennyt enemmän ja vähemmän tällä tapaa uusien keksintöjen osalta. Pitkälle vietynä voidaan jopa ajatella, että evidence-based -menettely on innovatiivisuuden tukahduttaja. Uusia menettelytapoja tai keksintöjä voi syntyä hyvin rajallisesti, jos niiden pitää perustua olemassa oleviin todisteisiin. Niitä kun ei yksinkertaisesti ole vielä olemassa.
Mielenkiintoinen Kahnemanin kirjassaan kertoma esimerkki saadaan niinkin yleisestä lääkeaineesta kuin aspiriinista. Se keksittiin vuonna 1898 Felix Hoffmanin toimesta. Todennäköisesti jopa miljoonat ihmiset käyttivät sitä tyytyväisenä vuoteen 1971 asti – siis lähes sata vuotta – jolloin John Vane selvitti sen toimintamekanismin. Keksintö johti myöhemmin Nobelin palkintoon. Kuitenkin tällä välillä, jos vielä nykypäivänäkään, harva ajattelee, että mihin aspiriinin toiminta tarkalleen perustuu pilleripurkilta apua hakiessaan.
Tiede on hieno asia ja mahdollistaa jo melkein uskomattomia asioita. Kuten monilla muillakin asioilla, myös sillä on vielä toistaiseksi rajoitteensa.
Vastaa