Our ability to collect and access large quantities of data over the last decade has been revolutionary for many social sciences. Suddenly, it is possible to measure human behavior, performance, and activity on an unprecedented scale, opening the door to fundamental advances in discovery and understanding. Yet such access to data has limitations that, if not sufficiently addressed and explored, can result in significant oversights. Here we discuss recent research that used data from a large global sample of high school students to demonstrate, paradoxically, that in nations with higher gender equality, fewer women pursued science, technology, engineering, and mathematics (STEM) degrees than would be expected based on aptitude in those subjects. The reasons for observed patterns is central to current debates, with frequent disagreement about the nature and magnitude of problems posed by the lack of female representation in STEM and the best ways to deal with them. In our international efforts to use big data in education research, it is necessary to critically consider its limitations and biases.
Vores evne til at indsamle og bearbejde store mængder data, er i løbet af det sidste årti revolutioneret. Pludselig er det muligt at måle menneskers adfærd, evner og aktiviteter i et hidtil uset omfang. Det åbner for grundlæggende landvindinger i vores forståelser. Dog har sådanne data også begrænsninger, som hvis de ikke tilstrækkeligt adresseres og udforskes, kan føre til væsentlige vildfarelser. Vi diskuterer i denne artikel nyere forskning, der har anvendt data fra en stor global sample af gymnasieelever for at demonstrere, paradoksalt nok, at i lande med højere ligestilling mellem kønnene, søger færre kvinder mod naturvidenskab, teknologi, ingeniørfagene og matematik (STEM), end man kunne forvente baseret på elevernes forudsætningerne til disse fag. Årsagerne til disse mønstre er et centralt input til aktuelle debatter om arten og størrelsen af problemerne som følge af manglen på kvinder i STEM, og de bedste måder at håndtere dem på. I de internationale bestræbelser på at bruge Big Data i uddannelsesforskning, er det nødvendigt kritisk at overveje såvel begrænsninger som bias.