Experimenteren en data verzamelen

5. Experimenteren en data verzamelen#

Je hebt nu een werkend model met emergent gedrag. Maar één keer runnen is niet genoeg om wetenschappelijke conclusies te trekken. In dit hoofdstuk leer je systematisch experimenteren: hoe ontwerp je een experiment, hoe verzamel je betrouwbare data, en hoe trek je conclusies zonder te overdrijven. Je leert waarom “one run is no run”, hoe je parameters varieert, data samenvat in tabellen en grafieken, en hoe je onderscheid maakt tussen correlatie en causatie. Dit is waar computational science échte wetenschap wordt.

Leerdoel: Na dit hoofdstuk kun je een systematisch experiment opzetten, betrouwbare data verzamelen, resultaten samenvatten in tabellen en grafieken, en gefundeerde conclusies trekken over je model.

5.1. Inhoud#

In dit hoofdstuk behandelen we:

  • Waarom meerdere runs? (toeval en ruis)

  • Experimentopzet: parameter kiezen, range en stappen

  • Meten: welke output verzamel je?

  • Runs uitvoeren: handmatig plan en BehaviorSpace

  • Data samenvatten: tabellen en grafieken

  • Conclusies trekken zonder te overdrijven

5.2. Waarom meerdere runs?#

Het probleem: randomness#

Je model bevat waarschijnlijk random-elementen:

  • Mieren bewegen willekeurig rond

  • De startpositie van agents is random

  • Voedsel verschijnt op random plekken

  • Kansen (20% om te besmetten) leiden tot verschillende uitkomsten

Gevolg: Elke run geeft andere resultaten, zelfs met dezelfde parameters!

Voorbeeld: Mieren-model met verdampingssnelheid = 0.05

  • Run 1: 87 eenheden voedsel verzameld na 500 ticks

  • Run 2: 91 eenheden verzameld

  • Run 3: 83 eenheden verzameld

  • Run 4: 89 eenheden verzameld

  • Run 5: 86 eenheden verzameld

Vraag: Hoeveel eenheden verzamelen mieren gemiddeld? Antwoord: 87.2 (het gemiddelde).

“One run is no run”#

Dit is een gouden regel in computational science. Waarom?

  1. Toeval: Je kunt toevallig een extreme run hebben (lucky of unlucky)

  2. Geen variatie-inzicht: Je weet niet of resultaat 87 normaal is of een uitzondering

  3. Niet reproduceerbaar: Een ander krijgt andere resultaten, kan je werk niet verifiëren

Vuistregel: Doe minimaal 5-10 runs per parameter-waarde. Bij meer variatie: meer runs nodig.

Variatie meten: standaarddeviatie#

Standaarddeviatie (SD) meet hoe ver resultaten uit elkaar liggen.

  • Kleine SD (bijv. 2.1) → resultaten liggen dicht bij elkaar → betrouwbaar

  • Grote SD (bijv. 15.3) → resultaten variëren veel → onzeker

Voorbeeld:

  • Run 1: 87, Run 2: 91, Run 3: 83, Run 4: 89, Run 5: 86

  • Gemiddelde: 87.2

  • Standaarddeviatie: 2.9 (relatief klein)

Notatie: 87.2 ± 2.9 (lees: “87 punt 2 plus-minus 2 punt 9”)

Tip

Hoe bereken je standaarddeviatie?
In Excel: =STDEV.S(bereik) (bijv. =STDEV.S(A1:A5))
In Python: import statistics; statistics.stdev([87, 91, 83, 89, 86])
In je hoofd: Lastig, gebruik een tool!

Wanneer is variatie acceptabel?#

  • Kleine variatie (< 5% van gemiddelde): Prima, je model is stabiel

  • Matige variatie (5-15%): Acceptabel, vermeld de onzekerheid in je verslag

  • Grote variatie (> 15%): Probleem! Doe meer runs of zoek de oorzaak

Voorbeeld: Gemiddelde = 87.2, SD = 2.9
Variatie = 2.9 / 87.2 = 3.3% → Kleine variatie, goed!

5.3. Experimentopzet: parameter kiezen + range + stappen#

Nu je weet waarom meerdere runs nodig zijn, tijd om je experiment te ontwerpen.

Stap 1: Kies één parameter#

Begin simpel: varieer één parameter tegelijk. Houd de rest constant.

Slechte opzet:

  • Varieer aantal-mieren EN verdampingssnelheid tegelijk

  • Je weet niet welke parameter het effect veroorzaakt!

Goede opzet:

  • Varieer alleen verdampingssnelheid

  • Houd aantal-mieren, hoeveelheid-voedsel, etc. constant

Voorbeelden van interessante parameters:

Model

Parameter

Onderzoeksvraag

Mieren

verdampingssnelheid

Wat is de optimale verdamping?

Mieren

aantal-mieren

Leidt meer mieren tot efficiënter verzamelen?

Mexican wave

reactie-tijd

Bij welke reactie-tijd sterft de wave uit?

Virus

besmettingskans

Hoe beïnvloedt dit de piek-besmetting?

Stap 2: Bepaal de range (bereik)#

Range = het bereik van waarden dat je test.

Te klein bereik:

  • Test: verdampingssnelheid 0.04, 0.045, 0.05

  • Probleem: Je ziet alleen kleine verschillen, mist het grote plaatje

Te groot bereik:

  • Test: verdampingssnelheid 0.01, 0.5, 1.0

  • Probleem: Bij 1.0 verdampen sporen meteen, geen paden mogelijk → niet interessant

Goed bereik:

  • Test: 0.01, 0.03, 0.05, 0.07, 0.1

  • Reden: Verwacht dat ergens tussen 0.01 en 0.1 de interessante dynamiek zit

Hoe bepaal je de range?

  1. Verkennende runs: Test een paar extremen (0.01 en 0.1)

  2. Zoek interessant gebied: Waar verandert het gedrag?

  3. Focus daar: Neem meer meetpunten in dat gebied

Stap 3: Kies stapgrootte#

Stapgrootte = verschil tussen twee opeenvolgende waarden.

Te kleine stappen:

  • Test: 0.040, 0.041, 0.042, 0.043, 0.044, 0.045

  • Probleem: Veel werk, weinig nieuwe inzichten (verschil is te klein)

Te grote stappen:

  • Test: 0.01, 0.1, 1.0

  • Probleem: Je mist interessante waarden tussen 0.01 en 0.1

Goede stappen:

  • Test: 0.01, 0.03, 0.05, 0.07, 0.1

  • Reden: Redelijk verdeeld, niet te veel werk, goede coverage

Richtlijn: Kies 5-8 verschillende waarden. Minder = te grof, meer = te veel werk voor dit niveau.

Stap 4: Aantal runs per waarde#

Minimaal: 3 runs per waarde (om gemiddelde + variatie te berekenen)
Beter: 5 runs per waarde (betrouwbaarder)
Ideaal: 10+ runs per waarde (voor serieus onderzoek)

Totaal aantal runs:
Aantal parameter-waarden × aantal runs per waarde

Voorbeeld: 5 waarden × 3 runs = 15 runs totaal

Voorbeeld: Complete experimentopzet#

Onderzoeksvraag: Hoe beïnvloedt verdampingssnelheid de efficiëntie van voedsel verzamelen bij mieren?

Hypothese: Optimale verdamping ligt tussen 0.03 en 0.07. Te laag → oude sporen blijven, te hoog → geen paden.

Experimentopzet:

Element

Waarde

Variabele parameter

verdampingssnelheid

Constante parameters

aantal-mieren = 50, hoeveelheid-voedsel = 50, zoekradius = 2

Range

0.01 tot 0.1

Waarden

0.01, 0.03, 0.05, 0.07, 0.1 (5 waarden)

Runs per waarde

5

Totaal runs

25

Duur per run

500 ticks

Output

Verzameld voedsel na 500 ticks

Let op: tijdsinvestering

Bereken je tijd!
Als 1 run = 2 minuten, en je doet 25 runs, kost dat 50 minuten. Plan dit in. Je kunt het model sneller laten lopen (View → Update View → schakel uit), maar het blijft tijd kosten.

Oefening 5.1 (Oefening (Oefenen))

Ontwerp een parameter-sweep (systematische variatie van één parameter) voor je eigen model:

  1. Kies één parameter om te variëren

  2. Bepaal de range: Minimale en maximale waarde (met beredenering)

  3. Kies 5 waarden binnen die range (gelijk verdeeld)

  4. Bepaal constante parameters: Welke houd je vast? Op welke waarde?

  5. Aantal runs: 3 runs per waarde (totaal 15 runs)

  6. Output: Wat ga je meten?

Presenteer als tabel (zie voorbeeld hierboven). Leg in 3-5 zinnen uit: Waarom deze parameter? Waarom deze range?

5.4. Meten: welke output verzamel je?#

Je hebt je parameter gekozen. Nu: wat ga je meten?

Output moet je onderzoeksvraag beantwoorden#

Slechte keuze: Meet het aantal ticks (dat is altijd 500 als je tot 500 ticks laat runnen!)

Goede keuze: Meet iets dat varieert en relevant is voor je vraag.

Voorbeelden:

Onderzoeksvraag

Goede output

Waarom?

“Efficiëntie van voedsel verzamelen?”

Aantal verzamelde voedsel-eenheden

Direct antwoord op “efficiëntie”

“Bij welke reactie-tijd sterft wave uit?”

Aantal rondes die wave maakt

Lage rondes = uitgestorven, hoge = blijft gaan

“Effect van besmettingskans op piek?”

Maximaal aantal besmetten tegelijk

Dit is letterlijk de “piek”

“Hoe snel verspreidt virus zich?”

Tijd tot 50% besmet is

Meet snelheid van verspreiding

Soorten output#

  1. Eindwaarde: Waarde aan het eind van de run

    • Voorbeeld: Voedsel verzameld na 500 ticks

    • Pro: Simpel te meten

    • Con: Je mist het proces

  2. Maximum/minimum: Hoogste of laagste waarde tijdens run

    • Voorbeeld: Maximaal aantal besmetten (de piek)

    • Pro: Belangrijk voor crisismodellen

    • Con: Je moet bijhouden tijdens run

  3. Tijd tot gebeurtenis: Hoe lang duurt het tot X gebeurt?

    • Voorbeeld: Tijd tot wave stopt, tijd tot 50% besmet

    • Pro: Meet snelheid/dynamiek

    • Con: Gebeurtenis moet wel optreden

  4. Gemiddelde tijdens run: Gemiddelde waarde over alle ticks

    • Voorbeeld: Gemiddeld aantal mieren met voedsel

    • Pro: Geeft overall beeld

    • Con: Verbergt pieken/dalen

Meerdere outputs tegelijk?#

Ja, mag! Bijvoorbeeld:

  • Output 1: Verzameld voedsel (efficiëntie)

  • Output 2: Gemiddelde geurspoor-sterkte (hoe sterk zijn paden?)

Maar: focus op één primaire output voor je hoofdvraag. De rest is secundair.

Tip

Test je output-meting!
Voor je 25 runs doet, test of je output-meting klopt:

  1. Doe 2-3 test-runs

  2. Controleer: komt de output-waarde overeen met wat je visueel ziet?

  3. Als niet: debug je reporter!

5.5. Runs uitvoeren: handmatig plan + (optioneel) BehaviorSpace#

Je hebt een plan. Nu: uitvoeren. Twee methoden.

Methode 1: Handmatig (simpel, maar arbeidsintensief)#

Stap-voor-stap:

  1. Maak een tabel in Excel/Google Sheets:

Run nummer

Parameter-waarde

Output (verzameld voedsel)

Notities

1

0.01

2

0.01

3

0.01

4

0.03

5

0.03

…

…

…

…

  1. Voor elke run:

    • Pas parameter aan (slider)

    • Klik Setup

    • Klik Go (laat lopen tot 500 ticks)

    • Noteer output in tabel

    • Herhaal

  2. Let op: Noteer ook bijzonderheden in “Notities” (bijv. “run 7: model crashte”, “run 12: ongebruikelijk patroon”)

Voordeel: Simpel, je ziet wat er gebeurt
Nadeel: Saai, foutgevoelig (je vergeet een waarde te noteren), tijdrovend

Methode 2: BehaviorSpace (automatisch)#

BehaviorSpace is een ingebouwde tool in NetLogo om automatisch experimenten uit te voeren.

Hoe het werkt:

  1. Ga naar Tools → BehaviorSpace

  2. Klik “New” om een experiment te maken

  3. Vul in:

    • Experiment name: bijv. “Verdamping-sweep”

    • Vary variables as follows:

      ["verdampingssnelheid" 0.01 0.03 0.05 0.07 0.1]

    • Repetitions: 5 (aantal runs per waarde)

    • Measure runs using these reporters:

      verzameld-voedsel
gem-geurspoor

    • Measure runs at every step: Nee (alleen eindwaarde)

    • Setup commands: setup

    • Go commands: go

    • Stop condition: ticks >= 500

  4. Klik OK, dan “Run”

  5. NetLogo doet alle 25 runs automatisch!

  6. Output wordt opgeslagen als CSV-bestand

Voordeel: Volledig automatisch, geen fouten, CSV-export
Nadeel: Leer-curve, je ziet niet wat er gebeurt tijdens runs

CSV-output openen:

  • Open in Excel/Google Sheets

  • Elke rij = 1 run

  • Kolommen: parameter-waarde, outputs, run-nummer

Voorbeeld CSV:

[run number],[verdampingssnelheid],[verzameld-voedsel],[gem-geurspoor]
1,0.01,87,42.3
2,0.01,91,45.1
3,0.01,83,39.8
4,0.03,95,38.2
...

Tip

Start met handmatig, ga later naar BehaviorSpace
Voor je eerste experiment: doe het handmatig (5-10 runs). Je leert meer. Voor grotere experimenten (25+ runs): gebruik BehaviorSpace. Het scheelt uren!

Tijdens runs: wat let je op?#

  • Stabiliteit: Crasht je model? Fix dat eerst!

  • Visuele patronen: Zie je verwachte gedrag? (paden bij mieren, golf bij wave)

  • Outliers: Is één run extreem anders? Noteer dat, mogelijk een bug

  • Tijd: Loopt je model snel genoeg? Zo niet: optimaliseer of wacht…

5.6. Data samenvatten: tabel + 1 grafiek#

Je hebt data! Nu: samenvatten zodat patronen zichtbaar worden.

Stap 1: Bereken gemiddeldes per parameter-waarde#

Raw data (5 runs per waarde):

Verdampingssnelheid

Run 1

Run 2

Run 3

Run 4

Run 5

0.01

87

91

83

89

86

0.03

95

97

93

96

94

0.05

102

98

100

101

99

0.07

96

94

97

95

98

0.1

88

86

90

87

89

Samengevat (met gemiddelde en SD):

Verdampingssnelheid

Gemiddeld verzameld

SD

Min

Max

0.01

87.2

2.9

83

91

0.03

95.0

1.6

93

97

0.05

100.0

1.6

98

102

0.07

96.0

1.6

94

98

0.1

88.0

1.6

86

90

In Excel:

  • Gemiddelde: =AVERAGE(B2:F2)

  • SD: =STDEV.S(B2:F2)

  • Min: =MIN(B2:F2)

  • Max: =MAX(B2:F2)

Stap 2: Maak een grafiek#

Type grafiek: lijndiagram (line chart)

  • X-as: Parameter-waarde (verdampingssnelheid)

  • Y-as: Output (verzameld voedsel)

  • Punten: Gemiddeldes

  • (Optioneel) Foutbalken: SD tonen

Wat zie je in deze grafiek?

  • Trend: Voedsel verzameld stijgt eerst (0.01 → 0.05), dan daalt (0.05 → 0.1)

  • Optimum: Maximaal bij verdampingssnelheid = 0.05 (100 eenheden)

  • Variatie: Kleine foutbalken → betrouwbare data

Stap 3: Interpreteer de grafiek#

Beschrijf wat je ziet:

“De grafiek toont dat verzameld voedsel eerst stijgt van 87.2 (bij 0.01) naar een maximum van 100.0 (bij 0.05), en daarna daalt naar 88.0 (bij 0.1). De standaarddeviatie is klein (< 3), wat duidt op betrouwbare metingen.”

Verklaar het patroon:

“Bij lage verdamping (0.01) blijven oude sporen lang bestaan, wat mieren misleidt. Bij optimale verdamping (0.05) blijven goede paden bestaan en slechte paden verdwijnen. Bij hoge verdamping (0.1) verdwijnen alle sporen te snel, waardoor mieren te veel random bewegen.”

Beantwoord je onderzoeksvraag:

“De optimale verdampingssnelheid voor efficiënt voedsel verzamelen is 0.05. Dit balanceert tussen ‘sporen bewaren’ en ‘oude sporen verwijderen’.”

Oefening 5.2 (Oefening (Toepassen))

Voer je parameter-sweep uit (uit Oefening 5.1):

  1. Doe 3 runs per waarde (totaal 15 runs)

  2. Noteer alle resultaten in een tabel

  3. Bereken gemiddelde en SD per parameter-waarde

  4. Maak een lijndiagram (mag handmatig of in Excel)

  5. Interpreteer 2 trends:

    • Wat zie je gebeuren als parameter stijgt?

    • Wat is het meest opvallende punt/patroon?

Schrijf je interpretatie in 5-8 zinnen. Gebruik placeholder: [Grafiek: parameter X vs output Y, met beschrijving van patroon].

5.7. Conclusies trekken zonder te overdrijven#

Je hebt data en een grafiek. Tijd voor conclusies. Maar pas op: niet te hard van stapel lopen!

Fout 1: Causaliteit claimen zonder bewijs#

Fout: “Verdampingssnelheid veroorzaakt meer voedsel verzamelen.”

Probleem: Je hebt correlatie (samenhang) gezien, geen causatie (oorzaak-gevolg).

Beter: “Hogere verdampingssnelheid is geassocieerd met meer verzameld voedsel (tot 0.05), daarna daalt het weer.”

Nog beter: “In dit model lijkt verdampingssnelheid een invloed te hebben op efficiëntie, omdat [mechanisme uitleggen: goede paden blijven, slechte verdwijnen].”

Fout 2: Generaliseren naar werkelijkheid#

Fout: “Echte mieren hebben dus een optimale feromoon-verdamping van 0.05.”

Probleem: Dit is een model, geen echte mieren! Modellen zijn vereenvoudigd.

Beter: “Binnen dit model is 0.05 optimaal. In de natuur kunnen andere factoren een rol spelen die hier niet gemodelleerd zijn.”

Fout 3: Conclusies buiten je data-range#

Fout: “Bij verdampingssnelheid = 0.2 zal voedsel verzamelen nog lager zijn.”

Probleem: Je hebt 0.2 niet getest! Misschien gebeurt er iets onverwachts.

Beter: “Binnen het geteste bereik (0.01-0.1) zien we een optimum bij 0.05. Verder onderzoek kan testen of dit patroon doorzet bij hogere waarden.”

Fout 4: Kleine verschillen overdrijven#

Fout: “Bij 0.03 is het resultaat 95, bij 0.05 is het 100. Dus 0.05 is significant beter.”

Probleem: Het verschil is 5% en je hebt kleine sample (3-5 runs). Dat kan toeval zijn.

Beter: “Bij 0.05 zien we een hoger gemiddelde (100 vs 95), maar het verschil is klein en binnen de variatie van het model.”

Goede conclusie-structuur#

  1. Samenvatting resultaat: “Verzameld voedsel varieert van 87 (bij 0.01) tot 100 (bij 0.05) tot 88 (bij 0.1).”

  2. Patroon beschrijven: “Er is een optimum bij 0.05.”

  3. Verklaring geven: “Dit komt waarschijnlijk doordat bij 0.05 goede paden lang genoeg blijven bestaan, terwijl slechte paden vervagen.”

  4. Hypothese toetsen: “Mijn hypothese dat optimum tussen 0.03 en 0.07 ligt, wordt bevestigd.”

  5. Beperkingen noemen: “Dit geldt binnen de geteste parameter-waarden en met huidige model-regels. Andere factoren (zoals aantal mieren) zijn niet gevarieerd.”

Let op: correlatie ≠ causatie

Veelgemaakte denkfout:
“A en B gaan samen op → A veroorzaakt B!”

Nee! Mogelijk veroorzaakt B juist A, of C veroorzaakt zowel A als B.

Voorbeeld: In je model: meer geurspoor correleert met meer verzameld voedsel. Maar wat is oorzaak en gevolg? Antwoord: Voedsel verzamelen → mieren lopen terug → leggen spoor → meer spoor. Dus verzamelen veroorzaakt spoor, niet andersom (of: cyclische relatie).

Oefening 5.3 (Oefening (Reflecteren))

Beantwoord in 200-300 woorden:

Wat is correlatie vs oorzaak in jouw model?

  1. Identificeer een correlatie: Welke twee variabelen in je model gaan samen omhoog/omlaag?

  2. Is het causaal? Veroorzaakt de ene echt de andere? Of is het toeval? Of beïnvloeden ze elkaar beide?

  3. Mechanisme: Leg het mechanisme uit: hoe veroorzaakt X (mogelijk) Y?

  4. Alternatieve verklaringen: Kan het ook anders zijn? (bijv. derde factor Z beïnvloedt zowel X als Y)

Gebruik je eigen data uit Oefening 5.2. Als je nog geen data hebt, gebruik een hypothetisch voorbeeld uit je model.

5.8. Verdiepende opgaven#

Klaar voor verdieping? Deze opdrachten brengen je naar hoger niveau.

Oefening 5.4 (Opdracht (Multi-parameter experiment))

Uitdaging: Varieer 2 parameters tegelijk

In dit hoofdstuk varieerde je 1 parameter. Nu: 2 tegelijk!

Opzet:

  • Parameter 1: verdampingssnelheid (3 waarden: 0.03, 0.05, 0.07)

  • Parameter 2: aantal-mieren (3 waarden: 30, 50, 70)

  • Totaal: 3 × 3 = 9 combinaties

  • Runs per combinatie: 3

  • Totaal runs: 27

Voer uit en maak:

  1. 2D-tabel (heatmap-stijl):

30 mieren

50 mieren

70 mieren

0.03

82

95

105

0.05

89

100

112

0.07

85

96

108

  1. Analyse: Welke parameter heeft het grootste effect? Zijn er interactie-effecten (bijv. verdamping werkt anders bij 30 vs 70 mieren)?

Schrijf 300-400 woorden + tabel.

Oefening 5.5 (Opdracht (Reproduceerbaarheid))

Wetenschappelijke integriteit: laat een ander je resultaten reproduceren

  1. Geef je NetLogo-model aan een klasgenoot

  2. Geef je experimentopzet (welke parameter, welke waarden, hoeveel runs)

  3. Klasgenoot doet het experiment opnieuw

  4. Vergelijk resultaten

Vragen:

  • Komen de gemiddeldes overeen? (binnen ±5%)

  • Zo nee: waarom niet? (random seed? verschillende NetLogo versie? bug?)

  • Wat leer je hiervan over reproduceerbaarheid?

Schrijf 250-350 woorden reflectie. Dit is hoe echte wetenschap werkt: anderen moeten je werk kunnen herhalen!

Oefening 5.6 (Opdracht (Sensitiviteitsanalyse))

Hoe gevoelig is je model?

Een sensitiviteitsanalyse test: Welke parameters zijn cruciaal, welke niet?

Methode:

  1. Kies 3 parameters

  2. Varieer elk ±10% van de standaardwaarde

  3. Meet output

  4. Bereken: Hoeveel procent verandert output?

Voorbeeld:

Parameter

Standaard

+10% waarde

Output standaard

Output +10%

% verandering

aantal-mieren

50

55

100

108

+8%

verdamping

0.05

0.055

100

96

-4%

zoekradius

2

2.2

100

102

+2%

Conclusie voorbeeld: Model is meest gevoelig voor aantal-mieren (+8%), matig voor verdamping (-4%), weinig voor zoekradius (+2%).

Voer dit uit voor je eigen model. Schrijf 200-300 woorden + tabel.

5.9. PO-mijlpaal#

Na dit hoofdstuk ben je klaar voor de vijfde mijlpaal: een complete dataset met onderbouwde conclusies.

Wat lever je op?#

Een document (2-3 pagina’s A4) met:

  1. Experimentopzet (½ pagina):

    • Onderzoeksvraag

    • Gevarieerde parameter + range + aantal waarden

    • Constante parameters (met waarden)

    • Gemeten output

    • Aantal runs per waarde

  2. Dataset (½ pagina):

    • Tabel met alle runs (raw data)

    • Tabel met samenvattingen (gemiddelde, SD per parameter-waarde)

    • Minimaal 15 runs totaal (bijv. 5 waarden × 3 runs)

  3. Grafiek (½ pagina):

    • Lijndiagram: parameter-waarde vs output

    • Duidelijke as-labels en titel

    • (Optioneel) Foutbalken voor SD

  4. Analyse en conclusies (1 pagina):

    • Beschrijf het patroon in de grafiek (2-3 zinnen)

    • Verklaar waarom dit patroon ontstaat (mechanisme, 4-5 zinnen)

    • Beantwoord je onderzoeksvraag (2 conclusies, elk 2-3 zinnen)

    • Noem 1 onzekerheidspunt of beperking (3-4 zinnen)

Checklist: je bent klaar als…#

  • Je hebt minimaal 15 runs uitgevoerd (3+ runs per waarde, 5+ verschillende waarden)

  • Alle runs zijn gedocumenteerd in een tabel (geen ontbrekende data)

  • Je hebt gemiddeldes en standaarddeviaties berekend voor elke parameter-waarde

  • Je grafiek toont een duidelijk patroon (trend, optimum, plateau, of iets anders)

  • Je hebt 2 conclusies getrokken die direct uit je data volgen

  • Je hebt 1 onzekerheidspunt of beperking benoemd (bijv. “Dit geldt alleen binnen deze parameter-range”, “Variatie was hoog bij waarde X”)

  • Je conclusies zijn voorzichtig geformuleerd (geen wilde claims, geen causatie zonder bewijs)

  • Je verklaring koppelt terug naar je model-mechanisme (hoe werken de regels?)

Waar komt dit terug in je eindproject?#

Deze mijlpaal is de kern van je Resultaten-sectie in het eindverslag:

  • Methode: Experimentopzet (hoe je data verzamelde)

  • Resultaten: Dataset + grafiek + patroon-beschrijving

  • Discussie: Conclusies + verklaring + beperkingen

Tips voor succes:

  • Plan je tijd: 15 runs × 2 min = 30 min minimum. Plus analyse-tijd!

  • Maak tussentijds back-ups: Sla je tabel op na elke 5 runs (je wilt niet opnieuw beginnen)

  • Check outliers: Is één run extreem anders? Noteer dat, onderzoek waarom

  • Wees eerlijk over beperkingen: Goede wetenschappers erkennen wat ze niet weten

Evaluatiecriteria:

Criterium

Onvoldoende

Voldoende

Goed

Dataset

<15 runs of incomplete

15 runs, volledig

20+ runs, systematisch

Grafiek

Onduidelijk of ontbreekt

Duidelijk, basislabels

Professioneel, foutbalken

Conclusies

Vaag of ongefundeerd

2 conclusies, logisch

Diepgaand, goed onderbouwd

Beperkingen

Niet genoemd

1 beperking, oppervlakkig

Kritisch, meerdere punten

Wetenschappelijke houding

Claims zonder bewijs

Voorzichtig, correlatie erkend

Nuance, causatie vs correlatie helder

Volgende stap: In hoofdstuk 6 ga je je model verifiëren en valideren. Klopt je code? Klopt je model met de werkelijkheid? En dan: tijd voor het eindverslag, waar je alles samenbrengt in een wetenschappelijk rapport. Je bent bijna klaar!

Inhoud