Proč „one-pager“: rychlé schválení, jasná očekávání
Jednostránkový výzkumný návrh (one-pager) je koncentrované podání klíčových informací o plánovaném projektu. Jeho účelem je usnadnit rychlé a kvalifikované schválení tématu školitelem, garantem předmětu nebo hodnotící komisí. Omezení na jednu stránku vyžaduje prioritizaci: místo obecných přehledů vyjasníte co přesně zkoumáte, proč je to důležité, jak to provedete, dokdy to stihnete a co bude měřitelným výstupem.
Principy dobrého one-pageru
- Priorita nad úplností: Pouze informace, které rozhodují o schválení.
- Funkčnost: Každé tvrzení má dopad na plán (čas, data, nástroje).
- Měřitelnost: Cíle i rizika jsou operacionální, nikoli abstraktní.
- Struktura → rozhodnutí: Každá sekce odpovídá na implicitní otázku hodnotitele.
Šablona one-pageru: přehled sekcí
- Název & klíčová slova (max. 120 znaků + 3–5 klíčových slov)
- Problém a přínos (jaká je mezera v poznání/praxi, komu pomůže řešení)
- Výzkumné otázky / hypotézy (2–4, ověřitelné, navázané na metodiku)
- Metodický návrh (typ studie, vzorek, sběr dat, analýzy, nástroje)
- Datový a etický plán (zdroje dat, přístupy, souhlasy, GDPR, anonymizace)
- Plán výstupů a metriky úspěchu (artefakty, statistiky, kritéria kvality)
- Harmonogram (milníky v týdnech, buffer, termíny)
- Rizika a mitigace (3–5 největších rizik a záložní postupy)
- Minimální literatura (5–8 nosných zdrojů, citační styl kurzu)
- Potřebná podpora (co požadujete od školitele/instituce)
1. Název & klíčová slova
Formát názvu: „Proměnná A → výsledek B v kontextu C: metoda D“ (např. „Gamifikovaná zpětná vazba → míra dokončení kurzu v MOOC: kvázi-experiment“). Klíčová slova: 3–5 termínů z indexačního jazyka dané disciplíny.
2. Problém a přínos
Ve dvou odstavcích vysvětlete, jakou mezeru řešíte (empirickou, metodologickou, aplikační) a jaký bude přínos (teoretický rámec, zlepšení procesu, rozhodovací pomůcka). Vyhněte se obecným frázím; uveďte důkaz relevance (např. nesourodé výsledky v literatuře, praktická potřeba partnera).
3. Výzkumné otázky a hypotézy
- Otázky: 2–4 přesné otázky s upřesněním populace a podmínek.
- Hypotézy (pokud relevantní): H1, H2… s uvedením směru efektu a metriky (např. „H1: Skupina s intervenční zpětnou vazbou dosáhne o ≥10 p. b. vyšší míry dokončení než kontrola“).
4. Metodický návrh
Typ studie: experiment, kvázi-experiment, korelační, případová studie, smíšené metody. Vzorek: velikost, kritéria zařazení, způsob náboru. Sběr dat: nástroje (dotazníky, testy, logy, rozhovory), validita a reliabilita. Analýza: statistické testy/modely nebo kvalitativní kodování; software (R, Python, NVivo).
5. Datový a etický plán
- Zdroje dat: vlastní sběr, sekundární data, otevřené repozitáře.
- Přístup a souhlasy: informovaný souhlas, právní základ zpracování, schválení etickou komisí (je-li potřeba).
- Ochrana údajů: pseudonymizace, ukládání, přístupová práva, plán sdílení (otevřená data/omezená).
6. Plán výstupů a metriky úspěchu
- Výstupy: rukopis (kapitoly/oddíly), dataset s dokumentací, skripty analýz, vizualizace.
- Metriky: např. dosažený počet účastníků, splnění power analýzy, předregistrovaná analýza, reprodukovatelnost kódu (spustitelný notebook), kvalitativní saturace.
7. Harmonogram na jednu stránku
| Milník | Týden | Výstup |
|---|---|---|
| Dokončení protokolu a pilotu | Týden 1–2 | Pilotní nástroj, checklist kvality |
| Sběr dat | Týden 3–5 | Dataset v1 s metadaty |
| Analýza a validace | Týden 6–7 | Notebook s výsledky, replikace |
| Rukopis v1 | Týden 8 | Draft se všemi sekcemi |
| Revize a odevzdání | Týden 9 | Finální verze s přílohami |
8. Rizika a mitigace
- Nízká návratnost → rozšířený nábor, motivační připomínky, záložní dataset.
- Nevyhovující reliabilita nástroje → úprava položek po pilotu, alternativní škála.
- Nejednoznačné efekty → předregistrované doplňkové analýzy, triangulace dat.
- Právní/etická omezení → anonymizace, omezené sdílení, konzultace s etickou komisí.
9. Minimální literatura (5–8 zdrojů)
Uveďte pouze ty zdroje, které determinují návrh a interpretaci. Dodržte citační styl požadovaný kurzem. Ke každému zdroji přidejte 5–10 slov, proč je klíčový (teorie, metoda, nástroj).
10. Potřebná podpora a zdroje
- Přístup k softwaru/licencím (např. statistický balík, kvalitativní nástroj).
- Mentorské checkpointy (např. 20 min konzultace v týdnu 2, 5 a 7).
- Technická podpora při sběru (nastavení formuláře, export logů, přístup k databázi).
Šablona pro přímé vyplnění (jedna stránka)
Název: [Max. 120 znaků] Klíčová slova: [3–5]
Problém a přínos (5–7 vět): [Mezera v poznání/praxi + komu přinese výsledek hodnotu]
Výzkumné otázky/hypotézy (2–4):
Q1: [Otázka s populací a podmínkami]
H1: [Směr efektu + metrika + práh významnosti]
Metodika (8–12 vět): typ studie; vzorek (N, nábor); nástroje a proměnné; analytický plán; software.
Data & etika (3–6 vět): zdroje dat; přístupy; souhlasy; anonymizace; plán sdílení.
Výstupy & metriky (3–5 bodů): [Artefakty + kritéria kvality]
Harmonogram (tabulka nebo linie): [Milník → týden → výstup]
Rizika & mitigace (3–5): [Riziko → protiopatření]
Literatura (5–8): [Citace – stručný důvod důležitosti]
Potřebná podpora: [Co požadujete + kdy]
Jak hodnotitel čte one-pager: implicitní checklist
- Je problém důležitý a konkrétní? (nikoli „obecně zajímavý“)
- Je otázka odpověditelná s navrhovanými daty a časem?
- Je metodika adekvátní (validita, reliabilita, confoundery)?
- Je plán reálný v harmonogramu a s dostupnými zdroji?
- Je rizikový profil přiznaný a řízený?
Specifika podle typů výzkumu
- Kvantitativní experiment: popište randomizaci/kvázi-přiřazení, power analýzu, primární endpoint.
- Kvalitativní studie: vzorkování (purposive), plán saturace, rámec kódování, audit trail.
- Smíšené metody: sekvence (explanatory/exploratory), body integrace (joint display), priority dat.
- Sekundární analýza dat: dostupnost proměnných, datové licence, limity měření.
- Případová studie/aplikovaný projekt: hranice případu, logika replikace, kritéria úspěšnosti intervence.
Operacionalizace: od pojmu k měření
U každé klíčové proměnné uveďte jednotku, škálu a zdroj měření (existující validovaný nástroj vs. vlastní). Pokud je nástroj nový, počítejte s pilotem a uveďte metody hodnocení (Cronbachovo alfa, test-retest, inter-rater).
Analytická strategie v jedné větě
„Primární analýza použije [model/test] s [proměnnými], kontrolujíc [confoundery], s alfa = 0,05 a korekcí na vícenásobná srovnání [metoda].“ Při kvalitativních datech: „Kódování [rámec], dvojité kódování 20 % dat, Cohenovo κ > 0,70.“
Harmonogram: buffer a brány kvality
- Buffer: přidejte 10–20 % času navíc pro sběr a analýzu.
- Brány kvality: před pokračováním musí být splněny (např. reliabilita ≥ 0,70; N ≥ plánované).
Register rizik stručně
| Riziko | Pravděpodobnost | Dopad | Mitigace |
|---|---|---|---|
| Nízký zájem účastníků | Střední | Vysoký | Vícekanálový nábor, incentivy, rozšíření kritérií |
| Technické selhání sběru | Nízká | Střední | Pilot, záložní formulář, manuální export |
| Neinterpretovatelné výsledky | Střední | Střední | Předregistrované doplňkové analýzy, triangulace |
Verzionování a doručitelnost
- Nazývání: OnePager_Tema_v1-0_RRRR-MM-DD.pdf
- Historie změn: 3–5 odrážek „co se změnilo“ mezi verzemi.
- Doručení: PDF s odkazy na přílohy (pilotní nástroj, ukázky položek, minidataset).
Časté chyby a rychlé opravy
- Příliš široké téma → zúžte populaci nebo kontext, aby byla otázka odpověditelná.
- Nejasná metrika → definujte, co a jak přesně měříte (škála, hranice významnosti).
- Chybí plán rizik → přidejte alespoň tři největší rizika a mitigace.
- Harmonogram bez bran kvality → doplňte podmínky pro postup do další fáze.
Mini-příklad (syntetický, zkrácený)
Název: Adaptivní kvízy a retence znalostí v úvodním kurzu statistiky: randomizovaný experiment.
Problém & přínos: Vysoký pokles po 4. týdnu; chybí důkazy o účinnosti adaptivních kvízů v kontextu krátkých mikrosezení. Přínos: rozhodnutí o škálování v kurikulu.
Otázky/Hypotézy: Q1: Zvyšují adaptivní kvízy retenci po 2 a 6 týdnech? H1: Skóre ve skupině A ≥ +8 p. b. oproti kontrole.
Metodika: N=120, randomizace po sekcích, 2 × 15minutové kvízy týdně, primární endpoint = skóre „delayed test“. Analýza: ANCOVA s pretestem jako kovariátem.
Data & etika: Souhlas v LMS, anonymizované exporty, etické oznámení. Sdílení agregovaných dat.
Výstupy & metriky: Dataset, skripty v R, rukopis. Metriky: dosažené N, preregistrace, reprodukovatelný notebook.
Harmonogram: Pilot T1–T2; sběr T3–T6; analýza T7; rukopis T8–T9.
Rizika: Absence → připomínka; technické chyby → offline
