Samenvattingen · Natuur, Leven en TechnologieNL · HAVO

Onderzoeken, ontwerpen en modelvorming

Dit onderwerp behandelt de drie kernwerkwijzen van NLT (A5–A7): de empirische onderzoekscyclus, waarmee je een vraag over de werkelijkheid beantwoordt; de technische ontwerpcyclus, waarmee je een praktisch probleem oplost; en modelvorming, waarmee je een stukje werkelijkheid vereenvoudigd naspeelt om het te begrijpen en te voorspellen. Je leert elke cyclus stap voor stap doorlopen, onderzoek en ontwerp uit elkaar houden, een model opstellen en — cruciaal — een model valideren aan echte metingen. Deze vaardigheden vormen de ruggengraat van vrijwel elke NLT-module en van de praktische opdrachten in het schoolexamen.

4Onderdelenca. 24min leestijd4VaardighedenNiveauBasis 1 · Standaard 2 · Verdieping 1

T·0222 / 8

Examenprofiel

De empirische onderzoekscyclus doorlopen: een onderzoeksvraag en toetsbare hypothese formuleren, variabelen benoemen, een eerlijke opzet ontwerpen, meten, verwerken en concluderen (A5).De technische ontwerpcyclus doorlopen: een probleem vertalen in een programma van eisen, ontwerpen bedenken en kiezen, een prototype maken en testen, en evalueren en verbeteren (A6).Modellen opstellen en gebruiken: een conceptueel, wiskundig of dynamisch computermodel maken van een systeem met invoer, proces, uitvoer en terugkoppeling (A7).Modellen valideren en hun geldigheid beoordelen: modeluitkomsten vergelijken met metingen, aannames toetsen en het geldigheidsgebied van een model benoemen (A7).

Operatoren:onderzoekontwerpmodelleerberekenleg uitverklaarberedeneervalideer

basisniveau

Doorloop een eenvoudige onderzoeks- of ontwerpcyclus correct en herken de rollen van hypothese, programma van eisen en model.

verhoogd niveau

Reken en valideer een dynamisch model in tijdstappen, beoordeel de aannames en het geldigheidsgebied, en verantwoord ontwerpkeuzes tegen het programma van eisen.

Diepte

Schrift

Inhalt · 4 onderdelen

Onderzoeken, ontwerpen en modelvorming

De empirische onderzoekscyclus#

Basisexamenblad-nl

De empirische onderzoekscyclus

Afb. 1De empirische onderzoekscyclus: van een onderzoeksvraag via een hypothese, een opzet, meten en verwerken naar een conclusie, die vaak weer een nieuwe, scherpere vraag oproept — zodat de cyclus zich sluit.

Onderzoeken is de manier waarop de natuurwetenschap kennis wint: je stelt een vraag over de werkelijkheid en zoekt er met waarnemingen en metingen een onderbouwd antwoord op. Elk empirisch onderzoek volgt daarbij dezelfde vaste keten van stappen, de onderzoekscyclus. Je begint met een onderzoeksvraag, formuleert een hypothese, ontwerpt een opzet, verzamelt gegevens door te meten, verwerkt die en trekt een conclusie. In de figuur zie je die cyclus als een lus, want de conclusie roept bijna altijd een nieuwe, scherpere vraag op. Het woord empirisch betekent „op ervaring en waarneming gebaseerd”: de werkelijkheid, niet je mening of je verwachting, geeft in dit soort onderzoek de doorslag. Wie de cyclus kent, pakt elk practicum en elke onderzoeksopdracht geordend aan.

Alles staat of valt met een goede onderzoeksvraag: een concrete, meetbare vraag naar hoe de ene grootheid van een andere afhangt, bijvoorbeeld „hoe hangt de afbraaksnelheid van een enzym af van de temperatuur?”. Een bruikbare vraag is niet te breed en laat zich met een meting beantwoorden. Uit die vraag volgt een hypothese: een toetsbare verwachting van de uitkomst, mét een reden. Een hypothese is meer dan een gok — het is een uitspraak die de meting kan bevestigen óf weerleggen, zoals „ik verwacht dat de afbraaksnelheid eerst toeneemt met de temperatuur en daarna terugvalt, omdat het enzym bij te hoge temperatuur zijn vorm verliest”. Juist doordat een hypothese fout kán blijken, maakt ze het onderzoek eerlijk: je kunt haar aan de werkelijkheid toetsen in plaats van je gelijk te bewijzen.

Om een verband zuiver te meten, scheid je de variabelen. De onafhankelijke variabele stel je zélf in en varieer je stap voor stap — in het voorbeeld de temperatuur. De afhankelijke variabele meet je als gevolg — de afbraaksnelheid. Alle andere grootheden die de uitkomst kunnen beïnvloeden, houd je bewust gelijk: de constant gehouden variabelen, zoals de hoeveelheid enzym, de zuurgraad en de concentratie. Dit heet een eerlijke proefopzet: verander je meer dan één ding tegelijk, dan weet je achteraf niet welke oorzaak het gemeten effect veroorzaakte. Alleen door telkens één variabele te variëren en de rest vast te houden, meet je werkelijk het gezochte verband. Een goede opzet meet bovendien over een ruim bereik en met meerdere, netjes verdeelde meetpunten, en herhaalt elke meting, want geen enkele meting is precies gelijk aan de vorige.

Na het meten volgt het verwerken: je zet de gegevens in een tabel en meestal in een grafiek, berekent gemiddelden en zoekt het verband tussen de variabelen. De grafiek maakt zichtbaar of er een verband is, wélk verband het is, en hoe groot de bijbehorende constante is. Pas daarna trek je een conclusie, en die moet rechtstreeks antwoord geven op de oorspronkelijke onderzoeksvraag: je zegt of de hypothese wordt bevestigd of verworpen, en onderbouwt dat met je meetresultaten — niet met wat je hoopte te vinden. Een eerlijke conclusie benoemt ook de beperkingen: de meetonzekerheid en mogelijke storende invloeden. Belangrijk is dat een enkele meetreeks een hypothese kan ondersteunen of tegenspreken, maar nooit definitief „bewijst”; daarvoor is herhaling door anderen nodig.

De cyclus is niet af bij de conclusie, want die roept vaak een nieuwe vraag op — vandaar de lus in de figuur. Vond je dat de afbraaksnelheid boven 40 °C terugvalt, dan wil je weten bij welke temperatuur precies, of hoe snel het enzym herstelt bij afkoeling. Zo verdiept onderzoek zich in ronden. Een tweede reden voor de lus is de reproduceerbaarheid: je legt de opzet zó nauwkeurig vast dat iemand anders het onderzoek kan herhalen en tot hetzelfde resultaat komt. Een resultaat dat niemand kan reproduceren, telt in de wetenschap niet als betrouwbaar. Deze werkwijze — vraag, hypothese, opzet, meten, verwerken, conclusie — is het geraamte van elk NLT-onderzoek, van een klein practicum tot een grote praktische opdracht, en keert bij het ontwerpen (de volgende paragraaf) in gewijzigde vorm terug.

Uitgewerkt voorbeeld

Onderzoeksvraag, hypothese en variabelen opstellen

Je wilt onderzoeken of suiker sneller oplost in warmer water. Formuleer een onderzoeksvraag en een toetsbare hypothese, en benoem de onafhankelijke variabele, de afhankelijke variabele en twee constant gehouden variabelen.

Stap 1 — Onderzoeksvraag
Maak de vraag concreet en meetbaar: „Hoe hangt de oplostijd van een suikerklontje af van de temperatuur van het water?” Ze koppelt twee grootheden: temperatuur (mogelijke oorzaak) en oplostijd (gevolg).
Stap 2 — Hypothese met reden
Formuleer een toetsbare verwachting met onderbouwing: „Ik verwacht dat de oplostijd kleiner wordt bij hogere temperatuur, omdat de watermoleculen dan sneller bewegen en de suiker sneller losweken.” Deze uitspraak kan de meting bevestigen of weerleggen.
Stap 3 — Variabelen scheiden
Onafhankelijke variabele: de watertemperatuur (die je zelf instelt). Afhankelijke variabele: de oplostijd (die je meet). Constant houd je onder meer de hoeveelheid water, de massa van het suikerklontje en of je wel of niet roert.

Resultaat: Resultaat: de onderzoeksvraag koppelt temperatuur aan oplostijd, de hypothese voorspelt met reden een kortere oplostijd bij hogere temperatuur, en door alleen de temperatuur te variëren en de rest (hoeveelheid water, massa suiker, roeren) gelijk te houden, meet je zuiver het effect van de temperatuur.

Veelgemaakte fouten

De onafhankelijke en de afhankelijke variabele verwisselen: de onafhankelijke stel je zelf in, de afhankelijke meet je als gevolg daarvan.
Meer dan één variabele tegelijk veranderen, zodat je achteraf niet weet welke grootheid het gemeten effect heeft veroorzaakt.
Een hypothese formuleren die niet toetsbaar is (te vaag of niet meetbaar), of in de conclusie de hypothese als „bewezen” presenteren terwijl metingen haar alleen kunnen ondersteunen of weerleggen.
In de conclusie de meetonzekerheid en storende invloeden negeren en het resultaat stelliger presenteren dan de metingen toelaten.

Actieve herhaling

Je onderzoekt of de kiemsnelheid van tuinkperszaadjes afhangt van de hoeveelheid water die je geeft. Formuleer een onderzoeksvraag en een toetsbare hypothese, en benoem de onafhankelijke variabele, de afhankelijke variabele en drie variabelen die je constant houdt om een eerlijke proef te krijgen.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma Natuur, Leven en Technologie (HAVO) (CvTE / Examenblad)

De technische ontwerpcyclus#

Standardexamenblad-nl

De technische ontwerpcyclus

Afb. 2De technische ontwerpcyclus: van een probleem via een programma van eisen, ontwerpen en een prototype naar testen en evalueren; voldoet het prototype niet aan de eisen, dan keer je terug om het te verbeteren.

Naast onderzoeken staat ontwerpen: niet een vraag over de natuur beantwoorden, maar iets máken dat een praktisch probleem oplost — een waterfilter, een sensorschakeling, een prothese of een app. Waar onderzoek kennis oplevert, levert ontwerp een werkend product. Toch verloopt ontwerpen net zo systematisch als onderzoeken, langs een eigen ontwerpcyclus die je in de figuur ziet: van een probleem via een programma van eisen, ideeën en een keuze naar een prototype, dat je test en zo nodig verbetert. Het grote verschil met onderzoek zit in het startpunt en het eindpunt: je begint bij een behoefte of probleem en eindigt bij een oplossing die aantoonbaar aan vooraf gestelde eisen voldoet. Die cyclus voorkomt dat je meteen gaat bouwen en pas achteraf ontdekt dat je iets verkeerds maakte.

De eerste en belangrijkste stap is het probleem vertalen in een programma van eisen: een lijst van concrete, liefst meetbare voorwaarden waaraan de oplossing moet voldoen. Voor een waterfilter kan dat zijn: het verwijdert minstens 95 % van de deeltjes, kost minder dan tien euro, en is door één persoon te bedienen. Goede eisen zijn meetbaar, zodat je later objectief kunt controleren of het ontwerp slaagt — „het moet goed werken” is geen eis, „het moet minstens één liter per minuut doorlaten” wél. Je onderscheidt vaak harde eisen (waaraan het ontwerp móét voldoen) van wensen (die het beter maken maar niet verplicht zijn). Dit programma van eisen is het kompas van de hele cyclus: elke latere keuze en elke test meet je eraan af.

Met de eisen vastgelegd bedenk je oplossingen. In deze ideefase mag je breed en creatief denken: meerdere ontwerpen schetsen in plaats van meteen op één idee te fixeren, want de eerste inval is zelden de beste. Vervolgens kies je onderbouwd: je legt de ontwerpvoorstellen naast het programma van eisen en beoordeelt welk voorstel het beste scoort op de harde eisen en de wensen. Een handig hulpmiddel is een afwegingstabel waarin je elk voorstel per eis punten geeft (die aanpak komt terug in het onderwerp over waarderen en oordelen). Zo maak je de keuze navolgbaar in plaats van op gevoel. Het gekozen ontwerp werk je daarna technisch uit: welke materialen, welke afmetingen, welke onderdelen — genoeg detail om het te kunnen bouwen.

Nu volgt het bouwen van een prototype: een eerste, vaak eenvoudige uitvoering van je ontwerp waarmee je kunt testen of het idee werkt. Een prototype hoeft niet mooi of af te zijn — het is een proefmodel om van te leren, geen eindproduct. Daarna test je het, en cruciaal is dat je test tegen het programma van eisen: haalt het filter de 95 %, blijft het onder de tien euro, is het te bedienen? Je meet dit zo objectief mogelijk, met dezelfde zorgvuldigheid als bij een onderzoek. De testresultaten vertellen of je ontwerp voldoet. Vaak blijkt een deel van de eisen wél en een deel níét gehaald, en juist die uitkomst stuurt de volgende stap: verbeteren.

Voldoet het prototype niet volledig, dan keer je terug in de cyclus — vandaar de lus in de figuur. Meestal ga je terug naar het ontwerp om het bij te stellen (een fijnere filterlaag, een ander materiaal), soms zelfs terug naar de eisen als die te streng of onhaalbaar bleken. Zo doorloop je de cyclus meerdere keren, en elke ronde brengt het product dichter bij een oplossing die aan alle eisen voldoet. Dit iteratieve karakter — bouwen, testen, verbeteren — is typerend voor techniek: geen enkel serieus product komt in één keer goed. Vergelijk je de ontwerpcyclus met de onderzoekscyclus, dan zie je dezelfde onderzoekende houding en hetzelfde meten, maar met een ander doel: onderzoek zoekt een antwoord, ontwerp zoekt een werkende oplossing binnen gestelde eisen. Bij veel NLT-vraagstukken heb je ze allebei nodig — je onderzoekt eerst hoe iets werkt, en ontwerpt daarna een toepassing.

Uitgewerkt voorbeeld

Een programma van eisen opstellen

Ontwerp een houder die een smartphone rechtop op een tafel houdt zodat je er filmpjes op kunt kijken. Stel een programma van eisen op en geef aan wat harde eisen en wat wensen zijn.

Stap 1 — Analyseer het probleem
De houder moet een telefoon stabiel rechtop of schuin houden, geschikt voor kijken. Bedenk welke eigenschappen daarvoor echt nodig zijn en welke alleen prettig zijn.
Stap 2 — Formuleer meetbare harde eisen
Harde eisen (moet): de houder blijft stabiel staan met een telefoon tot 200 gram; hij kan telefoons van 6 tot 9 cm breed vasthouden; hij valt niet om bij een lichte tik. Elk van deze eisen is meetbaar en te testen.
Stap 3 — Voeg wensen toe
Wensen (beter, niet verplicht): de kijkhoek is verstelbaar; de houder is opvouwbaar; hij is gemaakt van gerecycled materiaal. Deze maken het ontwerp aantrekkelijker maar zijn geen breekpunt.

Resultaat: Resultaat: het programma van eisen bevat meetbare harde eisen (stabiliteit tot 200 g, breedte 6–9 cm, niet omvallen) en enkele wensen (verstelbare hoek, opvouwbaar, duurzaam materiaal). Tegen deze lijst kun je later elk prototype objectief testen en verschillende ontwerpen eerlijk vergelijken.

Veelgemaakte fouten

Meteen gaan bouwen zonder eerst een programma van eisen op te stellen, zodat je achteraf niet objectief kunt beoordelen of het ontwerp slaagt.
Eisen te vaag formuleren („het moet goed werken”) in plaats van meetbaar en controleerbaar te maken.
De onderzoekscyclus en de ontwerpcyclus verwarren: onderzoek beantwoordt een vraag (levert kennis), ontwerp lost een probleem op volgens eisen (levert een product).
Een prototype dat niet aan alle eisen voldoet toch als „klaar” beschouwen in plaats van terug te keren in de cyclus om te verbeteren.

Actieve herhaling

Je klas moet een goedkope, herbruikbare isolerende beker ontwerpen die een warme drank zo lang mogelijk warm houdt. Stel een programma van eisen op met minstens vier meetbare eisen, onderscheid harde eisen van wensen, en beschrijf hoe je het prototype test tegen die eisen.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma Natuur, Leven en Technologie (HAVO) (CvTE / Examenblad)

Modelvorming en systeemdenken#

Standardexamenblad-nl

Systeem met invoer, proces, uitvoer en terugkoppeling

Afb. 3Het basisschema van systeemdenken: invoer gaat het proces in, het proces levert de uitvoer, en via terugkoppeling stuurt de uitvoer het proces bij. Negatieve terugkoppeling stabiliseert, positieve terugkoppeling versterkt.

De werkelijkheid is te ingewikkeld om in één keer te bevatten, en daarom werken wetenschappers met modellen: vereenvoudigde weergaven van een stukje werkelijkheid die de hoofdzaken bewaren en de bijzaken weglaten. Een model is bewust een vereenvoudiging — het is niet de werkelijkheid zelf, maar een handzame versie die je kunt begrijpen, doorrekenen en gebruiken om te voorspellen. Je kent al veel modellen: het bolletjesmodel van stoffen, een landkaart, een formule. Bij NLT onderscheid je grofweg drie soorten. Een conceptueel model is een schema of begrippenkaart dat laat zien hoe onderdelen samenhangen. Een wiskundig model beschrijft het verband met formules. En een dynamisch computermodel rekent stap voor stap hoe een systeem in de tijd verandert. Welk type je kiest, hangt af van je vraag.

Een krachtige manier om naar de werkelijkheid te kijken is systeemdenken: je beschouwt iets als een systeem met een invoer, een proces en een uitvoer, en let vooral op de terugkoppeling. In de figuur zie je dat basisschema. De invoer gaat het systeem in, het proces zet die om, en de uitvoer komt eruit; bij terugkoppeling beïnvloedt de uitvoer op zijn beurt weer de invoer of het proces. Denk aan de temperatuur in een kamer: de verwarming (proces) verhoogt de temperatuur (uitvoer), een thermostaat meet die en zet de verwarming zachter als het warm genoeg is — de uitvoer stuurt zo het proces bij. Systeemdenken helpt je greep te krijgen op ingewikkelde gehelen door ze op te delen in onderdelen en hun onderlinge verbanden, precies wat je bij interdisciplinaire NLT-vraagstukken nodig hebt.

Terugkoppeling (feedback) is het hart van veel systemen en kent twee soorten. Bij negatieve terugkoppeling werkt de uitvoer de oorzaak tegen, waardoor het systeem stabiel blijft — de thermostaat die bij warmte de verwarming afzet, of het lichaam dat bij een te hoge bloedsuiker insuline aanmaakt. Negatieve terugkoppeling stuurt naar een evenwicht en dempt schommelingen. Bij positieve terugkoppeling versterkt de uitvoer juist de oorzaak, waardoor iets zichzelf aanjaagt en uit de hand loopt — een lawine, een uitbrekende epidemie, of het smelten van poolijs dat de opwarming versnelt. Het herkennen van deze twee soorten terugkoppeling verklaart waarom sommige systemen zichzelf in balans houden en andere ontsporen, en het is een terugkerend thema in de domeinen aarde, gezondheid en materialen.

Een dynamisch model bereken je stap voor stap in kleine tijdstappen

\Delta t

. In elke stap neem je aan dat de grootheden even constant blijven, werk je de toestand bij en gebruik je die als startpunt voor de volgende stap. Zo verandert een ingewikkeld, doorlopend proces in vele eenvoudige stapjes die je (of de computer) achter elkaar uitrekent. Een voorraad (bijvoorbeeld een aantal bacteriën of een hoeveelheid water) verandert door een instroom en een uitstroom: de nieuwe voorraad is de oude voorraad plus wat erbij komt min wat eraf gaat, gedurende

\Delta t

. Voor groei die evenredig is met de omvang zelf — zoals een bacteriekolonie — geldt in elke stap

N_{\text{nieuw}} = N_{\text{oud}} + g \cdot N_{\text{oud}} \cdot \Delta t

, met

g

de relatieve groeisnelheid. Herhaal je deze stapregel, dan bouwt het model het hele verloop op uit navolgbare rekenstapjes.

De kwaliteit van zo'n model hangt sterk af van je aannames en van de tijdstap. Elke vereenvoudiging is een aanname: laat je de wrijving weg, veronderstel je dat de groeisnelheid constant blijft, negeer je uitstroom? Die aannames maken het model bruikbaar, maar begrenzen ook waar het geldt — een groeimodel dat oneindige groei voorspelt, klopt niet meer zodra voedsel of ruimte opraakt. En de tijdstap: hoe kleiner

\Delta t

, hoe nauwkeuriger het model de werkelijkheid benadert, maar hoe meer rekenwerk het kost. Er is dus een afweging tussen nauwkeurigheid en bewerkelijkheid. Een goed model is transparant over zijn aannames, zodat je weet wanneer je de uitkomsten mag vertrouwen. Hoe je een model vervolgens toetst aan de werkelijkheid — het valideren — is het onderwerp van de volgende paragraaf.

N_{\text{nieuw}} = N_{\text{oud}} + g \cdot N_{\text{oud}} \cdot \Delta t

stapregel voor evenredige groei

In elke tijdstap groeit de voorraad N met de relatieve groeisnelheid g maal de huidige voorraad maal de tijdstap; herhaal je de regel, dan bouw je het hele groeiverloop op.

Uitgewerkt voorbeeld

Twee stappen van een groeimodel uitrekenen

Een bacteriekweek start met $N_0 = 500$ bacteriën en heeft een relatieve groeisnelheid $g = 0{,}8\ \text{per uur}$ . Bereken met $\Delta t = 0{,}5\ \text{uur}$ het aantal bacteriën na de eerste en na de tweede stap.

Stap 1 — Eerste tijdstap
Werk de voorraad bij met de stapregel; de groei in deze stap is g·N·Δt = 0,8·500·0,5 = 200.
$N_1 = 500 + 0{,}8 \cdot 500 \cdot 0{,}5 = 500 + 200 = 700$
Stap 2 — Tweede tijdstap
Gebruik de nieuwe voorraad 700 als startpunt; de groei is nu g·N·Δt = 0,8·700·0,5 = 280.
$N_2 = 700 + 0{,}8 \cdot 700 \cdot 0{,}5 = 700 + 280 = 980$
Stap 3 — Grenzen van het model
De groei per stap wordt steeds groter, omdat hij evenredig is met het aantal. Bij grote aantallen raken voedsel en ruimte op, zodat de echte groei afvlakt; het model met constante g voorspelt dan te veel.

Resultaat: Resultaat: na de eerste stap zijn er ongeveer 700 en na de tweede stap ongeveer 980 bacteriën. Het model laat de aantallen steeds sneller stijgen, maar geldt alleen zolang er genoeg voedsel en ruimte is; bij uitputting vlakt de echte groei af en moet je de aanname van een constante groeisnelheid herzien.

Veelgemaakte fouten

Een model verwarren met de werkelijkheid zelf en vergeten dat het een bewuste vereenvoudiging met aannames is.
Positieve en negatieve terugkoppeling omdraaien: negatieve terugkoppeling stabiliseert (werkt tegen), positieve terugkoppeling versterkt (jaagt aan).
In de stapregel de oude en de nieuwe waarde door elkaar halen, of de tijdstap $\Delta t$ vergeten mee te vermenigvuldigen.
Denken dat een kleinere tijdstap altijd „beter” is zonder de keerzijde te noemen: nauwkeuriger, maar veel meer rekenwerk.

Actieve herhaling

In een bacteriekweek zijn er op $t = 0$ ongeveer $N_0 = 500$ bacteriën, met een relatieve groeisnelheid $g = 0{,}8\ \text{per uur}$ . Gebruik $\Delta t = 0{,}5\ \text{uur}$ en de stapregel $N_{\text{nieuw}} = N_{\text{oud}} + g \cdot N_{\text{oud}} \cdot \Delta t$ om het aantal bacteriën na de eerste twee stappen te schatten, en leg uit waarom dit model bij hele grote aantallen niet meer klopt.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma Natuur, Leven en Technologie (HAVO) (CvTE / Examenblad)

Modellen valideren en hun grenzen#

Vertiefungexamenblad-nl

De modelleercyclus

Afb. 4De modelleercyclus: vanuit een probleem maak je met aannames een model, je simuleert, en je vergelijkt de uitkomsten met metingen. Wijken ze af, dan stel je de aannames bij en simuleer je opnieuw — tot model en meting overeenkomen.

Een model is pas iets waard als het klopt met de werkelijkheid, en dat controleer je door te valideren: je vergelijkt de uitkomsten van je model met echte metingen. Sluiten model en meting goed op elkaar aan, dan zijn je aannames blijkbaar redelijk en mag je het model vertrouwen binnen het gemeten gebied. Wijken ze af, dan is dat geen mislukking maar juist waardevolle informatie: het model vertelt je dat een van je aannames niet klopt. Valideren is daarmee de brug tussen de wereld van het model en de echte wereld. In de figuur zie je de modelleercyclus als een lus: van een probleem via aannames en een model naar simulatie, dan een vergelijking met metingen, en op grond daarvan het bijstellen van de aannames — waarna je opnieuw simuleert.

Het is belangrijk twee dingen uit elkaar te houden: verifiëren en valideren. Verifiëren is de vraag „heb ik het model goed gemáákt?” — reken ik zonder fouten, kloppen mijn formules en mijn programmeerregels? Valideren is de diepere vraag „heb ik het góéde model gemaakt?” — beschrijft het de werkelijkheid? Een model kan foutloos gebouwd zijn (geverifieerd) en toch de werkelijkheid slecht beschrijven (niet gevalideerd), bijvoorbeeld doordat een verkeerde aanname erin zit. Beide stappen zijn nodig: eerst controleer je of het model doet wat je bedoelde, daarna of wat je bedoelde de werkelijkheid treft. Pas een model dat zowel geverifieerd als gevalideerd is, geeft betrouwbare voorspellingen.

Bij het valideren vergelijk je model en meting zo eerlijk mogelijk. Je zet de voorspelde en de gemeten waarden naast elkaar — in een tabel of, beter, in een grafiek met beide erin — en kijkt hoe groot de afwijkingen zijn. Daarbij weeg je de meetonzekerheid mee: liggen de metingen binnen hun foutmarges rond de modelkromme, dan is de overeenkomst goed, ook al valt geen enkel punt er precies op. Een systematische afwijking (het model zit er telkens dezelfde kant naast) wijst op een verkeerde aanname; willekeurige afwijkingen horen bij de meetruis. Zo lees je uit de vergelijking niet alleen óf het model klopt, maar ook wáár het misgaat, wat je een aanwijzing geeft welke aanname je moet herzien.

Wijkt het model af, dan doorloop je de lus opnieuw: je stelt een aanname bij en simuleert weer. Misschien mag een verwaarloosde invloed toch niet worden weggelaten, blijkt een verband kwadratisch in plaats van lineair, of is een constante verkeerd gekozen. Elke ronde verbetert de overeenkomst, tot het model de metingen bevredigend beschrijft. Belangrijk is dat je het model aanpast aan de metingen, en niet de metingen wegpoetst om het model te redden — de werkelijkheid heeft altijd het laatste woord. Deze wisselwerking tussen model en experiment, waarbij het model voorspelt en de meting toetst, is exact dezelfde onderzoekshouding als in de onderzoekscyclus, nu toegepast op een berekening. Vaak wisselen model en experiment elkaar af: een model voorspelt iets, je meet het na, en de meting scherpt het model aan.

Ten slotte heeft elk model een geldigheidsgebied: een bereik waarbinnen het goed werkt en daarbuiten niet meer. Een groeimodel geldt zolang er ruimte en voedsel zijn; een lineair verband geldt vaak alleen in een beperkt gebied; een klimaatmodel is betrouwbaarder voor grote gemiddelden dan voor het weer van volgende week. Buiten dat gebied doortrekken (extrapoleren) is riskant, want daar kunnen andere invloeden gaan meespelen die het model niet kent. De beroemde vuistregel luidt dan ook: „alle modellen zijn fout, maar sommige zijn bruikbaar” — geen enkel model is de volle werkelijkheid, maar een goed gevalideerd model binnen zijn geldigheidsgebied is een krachtig gereedschap om te begrijpen en te voorspellen. Wie een model gebruikt, hoort dus altijd te vermelden welke aannames erin zitten en waar de grenzen liggen; dat is de eerlijke, wetenschappelijke omgang met modellen die NLT je wil bijbrengen.

Uitgewerkt voorbeeld

Een model valideren en bijstellen

Een model voorspelt dat een afkoelende kop thee lineair afkoelt: elke minuut evenveel graden kouder. De metingen laten zien dat de thee eerst snel afkoelt en daarna steeds langzamer. Doorloop de modelleercyclus: beoordeel de overeenkomst, benoem de fout in de aanname en stel het model bij.

Stap 1 — Vergelijk model en meting
Zet de voorspelde (rechte lijn) en de gemeten temperatuur samen in een grafiek. De metingen buigen af: snel dalen aan het begin, afvlakken naar het eind. De afwijking is systematisch, niet toevallig — het model zit er structureel naast.
Stap 2 — Spoor de foute aanname op
Het lineaire model neemt aan dat de afkoelsnelheid constant is. In werkelijkheid koelt iets sneller af naarmate het heter is dan de omgeving; als het verschil kleiner wordt, koelt het langzamer. De aanname „constante afkoelsnelheid” klopt dus niet.
Stap 3 — Stel het model bij en simuleer opnieuw
Vervang de aanname door „de afkoelsnelheid is evenredig met het temperatuurverschil met de omgeving”. Dat geeft een afvlakkend (exponentieel dalend) verloop. Simuleer opnieuw en vergelijk weer met de metingen.

Resultaat: Resultaat: dit is een validatieprobleem — het model is misschien foutloos gerekend, maar beschrijft de werkelijkheid niet. De foute aanname is de constante afkoelsnelheid; vervang je die door een afkoeling die evenredig is met het temperatuurverschil, dan voorspelt het model het waargenomen afvlakken. Na deze bijstelling doorloop je de cyclus opnieuw om te controleren of model en meting nu overeenkomen.

Veelgemaakte fouten

Verifiëren en valideren verwarren: verifiëren is „heb ik het goed gemaakt?”, valideren is „heb ik het goede model gemaakt (klopt het met de werkelijkheid)?”.
Bij een afwijking de metingen aanpassen of negeren om het model te redden, in plaats van het model (de aanname) te herzien.
De meetonzekerheid negeren bij het vergelijken: metingen hoeven niet exact op de modelkromme te liggen, maar wel binnen hun foutmarges.
Een model buiten zijn geldigheidsgebied doortrekken (extrapoleren) en de uitkomst daar even betrouwbaar achten als binnen het gemeten bereik.

Actieve herhaling

Je hebt een valmodel gebouwd dat luchtwrijving verwaarloost en voorspelt dat een koffiefilter met constante versnelling valt. Bij het meten blijkt het filter na korte tijd met vrijwel constante snelheid te dalen. Leg uit of dit een verificatie- of een validatieprobleem is, welke aanname je moet herzien, en hoe je de volgende ronde van de modelleercyclus doorloopt.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma Natuur, Leven en Technologie (HAVO) (CvTE / Examenblad)

Referenties en bronnen

Bronnen

CvTE / Examenblad

Examenprogramma Natuur, Leven en Technologie (HAVO)

Onderzoeken, ontwerpen en modelvorming

Kernpunten

Onderzoeksvraag, hypothese en variabelen opstellen

Kernpunten

Een programma van eisen opstellen

Kernpunten

Twee stappen van een groeimodel uitrekenen

Kernpunten

Een model valideren en bijstellen

Bronnen

Onderzoeken, ontwerpen en modelvorming

Kernpunten

Onderzoeksvraag, hypothese en variabelen opstellen

Kernpunten

Een programma van eisen opstellen

Kernpunten

Twee stappen van een groeimodel uitrekenen

Kernpunten

Een model valideren en bijstellen

Bronnen