6. Conclusie en discussie
6.3 Discussie
6.3.2 Reflectie op het onderzoeksproces
Het uitvoeren van een literatuur review is iets wat ik nog nooit eerder heb gedaan. Er moest veel informatie opgezocht worden over deze onderzoeksmethode. Door mijn onervarenheid op dit gebied zijn er enkele uitdagingen op mijn pad gekomen waar ik mee om moest gaan.
De eerste uitdaging trad vrij vroeg in het onderzoek al op. Dit was het zoeken in verschillende databases voor input. Van het bestaan van universele wildcards wist ik af, maar ik heb het zelden toegepast. Daarnaast is de manier waarop er gezocht wordt verschillend per database. Bij bijvoorbeeld Web of Science was het proces duidelijk en inzichtelijk, maar bij Cinahl was het verplicht om aparte onderzoeksgebieden aan te vinken die voor mij onduidelijk waren. Om hier goed mee overweg te kunnen is er veel tijd gestoken in het oriënteren op het zoekproces. Meerdere zoekopdrachten zijn gebruikt en verschillende onderzoeksgebieden zijn uitgetest. Door te sorteren op relevantie ben ik er uiteindelijk achter gekomen welke instellingen de
meeste relevante resultaten opleveren met de in paragraaf 3.2.2 beschreven zoekwoorden. Hoewel deze methode goede resultaten hebben opgeleverd, kunnen relevante artikelen onbedoeld uitgesloten zijn.
Een andere uitdaging in het proces kwam naar voren bij de selectie van de artikelen. Bij de selectie werden de titels en keywords bestudeerd en de abstracts gelezen. Verreweg de meeste artikelen zijn niet relevant gebleken. In figuur 4.1 is te zien dat er in totaal 2258 resultaten waren, maar dat hiervan maar 25 artikelen geselecteerd zijn voor analyse. Ik betrapte me erop dat ik soms te snel een artikel afwees, omdat ik in eerste instantie geen relevantie kon vinden. Dit gebeurde vooral als ik al enkele uren bezig was met de selectie. Ik heb dit opgelost door in kleinere tijdsblokken te werken in het zoeken naar relevante artikelen. In plaats van twee uur zorgde ik ervoor dat ik niet langer dan drie kwartier aaneensluitend zocht. Daarnaast voerde ik niet meer dan drie blokken per dag uit. In de tussentijd werkte ik aan andere onderdelen in mijn scriptie.
Desalniettemin blijft er enig risico dat artikelen te snel afgewezen worden, wat de validiteit kan schaden. Toen de selectie eenmaal opgemaakt was, begon ik met het lezen van de papers. Ik moest 48 papers lezen, en tijdens de analyse bleek de ene paper veel relevanter dan de andere. In eerste instantie wilde ik niet veel papers uitsluiten vanwege het gebrek aan relevantie, dus merkte ik dat ik daarnaar ging zoeken. Toen ik verschillende papers na het analyseren nogmaals las, was de relevantie in een aantal papers te vergezocht of zelfs niet aanwezig. Uiteindelijk heb ik besloten deze papers alsnog uit te sluiten, waardoor ik 23 van de 48 papers niet heb opgenomen in de literatuur review. Dit heeft veel tijd gekost, maar de beslissing om bijna de helft van de papers niet op te nemen waarborgt naar mijn mening te kwaliteit.
Tijdens het analyseren werkte ik met de software Atlas TI. Ook hier ben ik onervaren mee. De codes die gebruikt zijn boden goed overzicht. Het navigeren was gemakkelijk. Tijdens het schrijven merkte ik echter dat oorzaken en belemmeringen soms door elkaar zijn gehaald. Dit zorgde ervoor dat ik bij elke code die een oorzaak of belemmering betrof goed na moest gaan wat het precies was. Dit kostte veel tijd in zowel het schrijfproces als in de hercodering. Achteraf gezien had ik meer tijd kunnen steken in het beoordelen van de codes.
Referenties
Abrams, S. E. (2012). Purpose, Insight, and the Review of Literature. Public Health Nursing, 29(3), 189–190.
https://doi.org/10.1111/j.1525-1446.2012.01025.x
Artikel1. (n.d.). Wat is discriminatie? | Art.1 MN. Geraadpleegd op 21 februari 2020, van
https://www.art1middennederland.nl/over-discriminatie/wat-is-discriminatie/
Baker, J. D. (2016). The Purpose, Process, and Methods of Writing a Literature Review. AORN Journal, 103(3), 265–269. https://doi.org/10.1016/j.aorn.2016.01.016
Bennet Moses, L., & Chan, J. (2016). Algorithmic prediction in policing: assumptions, evaluation, and accountability. Policing and Society, 28(7), 806–822. https://doi.org/10.1080/10439463.2016.1253695
Blauw, S. (2018). Het bestverkochte boek ooit (met deze titel) (1st ed.). Amsterdam, Nederland: de Correspondent.
Bottis, M., & Bouchagiar, G. (2018). Personal Data v. Big Data in the EU: Control Lost, Discrimination Found. Open Journal of Philosophy, 08(03), 192–205. https://doi.org/10.4236/ojpp.2018.83014
Cambridge Dictionary. (2020, 24 juni). Privacy. Geraadpleegd op 28 juni 2020, van https://dictionary.cambridge.org/dictionary/english/privacy
Cheng, M., & Foley, C. (2018). The sharing economy and digital discrimination: The case of Airbnb. International Journal of Hospitality Management, 70, 95–98. https://doi.org/10.1016/j.ijhm.2017.11.002
Cohen, M. C. (2018). Big Data and Service Operations. Production and Operations Management, 27(9), 1709– 1723. https://doi.org/10.1111/poms.12832
Crawford, K. (2013, May 10). Think Again: Big Data. Geraadpleegd op 27 februari 2020, van
https://foreignpolicy.com/2013/05/10/think-again-big-data/
Cigsar, B., Unal, D. (2018). The Effect of Gender and Gender-Dependent Factors on the Default Risk. Revista de Cercetare si Interventie Sociala, 63, 28-41.
Cuquet, M., & fessel, A. (2018). The societal impact of big data: A research roadmap for Europe. Technology in Society, 54, 74–86. https://doi.org/10.1016/j.techsoc.2018.03.005
Dalenberg, D. J. (2018). Preventing discrimination in the automated targeting of job advertisements. Computer Law & Security Review, 34(3), 615–627. https://doi.org/10.1016/j.clsr.2017.11.009
Deliversky, J., & Deliverska, M. (2018). Ethical and Legal Considerations in Biometric Data Usage—Bulgarian Perspective. Frontiers in Public Health, 6, 1–5. https://doi.org/10.3389/fpubh.2018.00025
Dressel, J., & Farid, H. (2018). The accuracy, fairness, and limits of predicting recidivism. Science Advances, 4(1), eaao5580. https://doi.org/10.1126/sciadv.aao5580
Engle, M. (2020, February 24). LibGuides: How to Prepare an Annotated Bibliography: The Annotated Bibliography. Geraadpleegd op 13 mei 2020, van https://guides.library.cornell.edu/annotatedbibliography Favaretto, M., De Clercq, E., & Elger, B. S. (2019). Big Data and discrimination: perils, promises and solutions. A systematic review. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0177-4
College voor de Rechten voor de Mens. (n.d.). Discriminatie uitgelegd. Geraadpleegd op 3 april 2020 van https://www.mensenrechten.nl/nl/discriminatie-uitgelegd
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137–144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007
Gumbus, A., & Grodzinsky, F. (2016). Era of big data. ACM SIGCAS Computers and Society, 45(3), 118–125.
https://doi.org/10.1145/2874239.2874256
Gillborn, D., Warmington, P., & Demack, S. (2018). QuantCrit: education, policy, ‘Big Data’ and principles for a critical race theory of statistics. Race Ethnicity and Education, 21(2), 158–179.
https://doi.org/10.1080/13613324.2017.1377417
Goldkind, L., Thinyane, M., & Choi, M. (2018). Small Data, Big Justice: The Intersection of Data Science, Social Good, and Social Services. Journal of Technology in Human Services, 36(4), 175–178.
https://doi.org/10.1080/15228835.2018.1539369
Golinelli, D., Toscano, F., Bucci, A., & Carullo, G. (2018). Transferring big data within the European Legal Framework: What rol for national healthcare services? Journal of law and medicine, 26, 488–493. Geraadpleegd van https://www.researchgate.net/publication/329935708_Transferring_Health _Big_Data_within_the_European_Legal_Framework_What_Role_for_National_Healthcare_Services Granville, V. (2016, September 14). Why is Big Data so Dangerous? Geraadpleegd op 21 februari 2020, van
https://www.datasciencecentral.com/profiles/blogs/why-is-big-data-so-dangerous
Hamilton, I. A. (2018, October 14). Amazon built an AI tool to hire people but had to shut it down because it was discriminating against women. Geraadpleegd op 2 mei 2020, van https://www.businessinsider.nl/amazon- built-ai-to-hire-people-discriminated-against-women-2018-10?international=true&r=US
Health Sciences Library. (2020, May 4). LibGuides: Systematic Reviews: Creating a PRISMA flow diagram. Geraadpleegd op 14 mei 2020, van https://guides.lib.unc.edu/systematic-reviews/prisma
Hildenbrand, J. (2019, March 25). How much mobile data does streaming media use? Geraadpleegd op 30 maart 2020, van https://www.androidcentral.com/how-much-data-does-streaming-media-use
Hu, C. (2006). Abduction, Deduction, and Induction: Their implications to quantitative methods. Geraadpleegd
van https://canvas.uva.nl/courses/10498/files/2395474/download?wrap=1
Iliadis, A. (2018). Algorithms, ontology, and social progress. Global Media and Communication, 14(2), 219–230.
https://doi.org/10.1177/1742766518776688
Iqbal, M. (2020, March 24). YouTube Revenue and Usage Statistics (2020). Geraadpleegd op 30 maart 2020, van
https://www.businessofapps.com/data/youtube-statistics/
Kamiran, F., Mansha, S., Karim, A., & Zhang, X. (2018). Exploiting reject option in classification for social discrimination control. Information Sciences, 425, 18–33. https://doi.org/10.1016/j.ins.2017.09.064
Laney, D. (2001, February 1). 3D Data Management: Controlling Data Volume, Velocity, and Variety. Geraadpleegd op 30 maart 2020, van
https://www.bibsonomy.org/bibtex/742811cb00b303261f79a98e9b80bf49
Lubin, G. (2012, March 16). The Incredible Story Of How Target Exposed A Teen Girl’s Pregnancy. Geraadpleegd op 1 mei 2020, van https://www.businessinsider.com/the-incredible-story-of-how-target-exposed-a-teen-girls- pregnancy-2012-2?international=true&r=US&IR=T
Lee, I. (2017). Big data: Dimensions, evolution, impacts, and challenges. Business Horizons, 60(3), 293–303.
https://doi.org/10.1016/j.bushor.2017.01.004
Leetaru, K. (2016, January 4). In Machines We Trust: Algorithms Are Getting Too Complex To Understand. Geraadpleegd op 8 april 2020, van https://www.forbes.com/sites/kalevleetaru/2016/01/04/in-machines-we- trust-algorithms-are-getting-too-complex-to-understand/
Mack, C. (2015). The Multiple Lives of Moore’s Law. IEEE Spectrum, 52(4), 31.
https://doi.org/10.1109/mspec.2015.7065415
Marshall G. (2010), Writing.a literature review. Synergy: Imaging & Therapy Practice ;20-23. Geraadpleegd op 18 april 2020, van
https://www.tamuc.edu/academics/graduateSchool/documents/Writing...%20a%20literature%20review%20by
%20Gill%20Marshall.pdf.
Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think (1st ed.). New York, United States: Houghton Mifflin Hartcour Publishing.
Montgomery, K., Chester, J., & Kopp, K. (2018). Health Wearables: Ensuring Fairness, Preventing Discrimination, and Promoting Equity in an Emerging Internet-of-Things Environment. Journal of Involmation Policy, 8, 37–77. Geraadpleegd van https://www.jstor.org/stable/10.5325/jinfopoli.8.2018.0034#metadata_info_tab_contents
Montiel, A. (2018). Gender equality and big data in the context of the sustainable development growth. The open journal of sociopolitical studies, 6, 544–556. https://doi.org/10.1285/i20356609v11i2p544
Onay, C., & Öztürk, E. (2018). A review of credit scoring research in the age of Big Data. Journal of Financial Regulation and Compliance, 26(3), 382–405. https://doi.org/10.1108/jfrc-06-2017-0054
Oracle. (2014, September 1). Oracle: Big Data for Enterprise. Geraadpleegd op 30 maart 2020, van
https://www.oracle.com/assets/wp-bigdatawithoracle-1453236.pdf
Paterson, M., & McDonagh, M. (2018). Data protection in an era of big data: The challenges posed by big personal data. Monash University Law Review, 44(1), 1–20. Geraadpleegd van
https://www.monash.edu/__data/assets/pdf_file/0009/1593630/Paterson-and-McDonagh.pdf
Regan, P. M., & Jesse, J. (2018). Ethical challenges of edtech, big data and personalized learning: twenty-first century student sorting and tracking. Ethics and Information Technology, 21(3), 167–179.
https://doi.org/10.1007/s10676-018-9492-2
Schaefer, G. O., Tai, E. S., & Sun, S. (2019). Precision Medicine and Big Data. Asian Bioethics Review, 11(3), 275– 288. https://doi.org/10.1007/s41649-019-00094-2
Schryen, G., Wagner, G., Benlian, A., & Paré, G. (2020). A Knowledge Development Perspective on Literature Reviews: Validation of a new Typology in the IS Field. Communications of the Association for Information Systems, 134–186. https://doi.org/10.17705/1cais.04607
Steekproef algemeen | Steekproef aselect. (2015, March 17). Geraadpleegd op 1 april 2020, van
https://www.allesovermarktonderzoek.nl/steekproef-algemeen/steekproef-aselect/
Tanja, J., & Anne Frank Stichting (Amsterdam). (2019). Discriminatie. Amsterdam, Nederland: Athenaeum-Polak & van Gennep.
Tardi, C. (2019, September 5). Moore’s Law. Geraadpleegd op 30 maart 2020, van
https://www.investopedia.com/terms/m/mooreslaw.asp
Taurinskas, B. T. (2016, August 11). Digital Discrimination: What Every Marketer Should Know To Stay Out Of Hot Water. Geraadpleegd op 8 april 2020, van https://www.aimclear.com/digital-discrimination-what-every- marketer-should-know-to-stay-out-of-hot-water/
Tschider, C. A. (2018). Regulating the internet of things: Discrimination, privacy, and cybersecurity in the artificial intelligence age. Denver Law Review, 96(1), 87-144.
Tusinski Berg, K. (2018). Big Data, Equality, Privacy, and Digital Ethics. Journal of Media Ethics, 33(1), 44–46.
https://doi.org/10.1080/23736992.2018.1407189
Vayena, E., & Blasimme, A. (2018). Health Research with Big Data: Time for Systemic Oversight. The Journal of Law, Medicine & Ethics, 46(1), 119–129. https://doi.org/10.1177/1073110518766026
Wachter, S. (2018). Normative challenges of identification in the Internet of Things: Privacy, profiling, discrimination, and the GDPR. Computer Law & Security Review, 34(3), 436–449.
https://doi.org/10.1016/j.clsr.2018.02.002
Ward, J. S. (2013, September 20). Undefined By Data: A Survey of Big Data Definitions. Geraadpleegd op 30 maart 2020, van https://arxiv.org/abs/1309.5821
Waldron, J. (2000, December 1). “Affirmative action”: efficiënt actiemiddel of tweesnijdend zwaard? Geraadpleegd op 8 april 2020, vanhttps://www.mo.be/artikel/affirmative-action-efficient-actiemiddel- tweesnijdend-zwaard
Wang, C., Hu, Q., Wang, X., Chen, D., Qian, Y., & Dong, Z. (2017). Feature Selection Based on Neighborhood Discrimination Index. IEEE Transactions on Neural Networks and Learning Systems, 1–14.
https://doi.org/10.1109/tnnls.2017.2710422
Wash, R. (2014, October 23). The Big Bang: How the Big Data Explosion Is Changing the World. Geraadpleegd op 30 maart 2020, van https://news.microsoft.com/2013/02/11/the-big-bang-how-the-big-data-explosion-is- changing-the-world/
Zhang, L., Wu, Y., & Wu, X. (2016, November 22). A Causal Framework for Discovering and Removing Direct and Indirect Discrimination. Geraadpleegd op 9 mei 2020, van https://arxiv.org/pdf/1611.07509.pdf