Slow science is geen nostalgie, maar een noodzakelijke systeemreset.

(Gepubliceerd samen met dr. Maaike Geuens in het tijdschrift voor Hoger Onderwijs Th&ma in februari 2026)

De zeer recente politieke ontwikkelingen in Nederland creëren een bijzonder relevant momentum om het debat over slow science te verdiepen. In het coalitieakkoord 2026–2030 van het geïnstalleerde kabinet wordt expliciet ingezet op structurele investeringen in onderzoek en wetenschap, met de ambitie om te evolueren richting de Lissabon-doelstelling van 3% van het bbp aan publieke en private R&D-investeringen. Daarnaast krijgen universiteiten en hogescholen gerichter meer mogelijkheden om internationaal toptalent aan te trekken en eigen talent te behouden. Die beleidskeuzes openen niet alleen financiële ruimte, maar leggen ook een meer fundamentele vraag op tafel: niet alleen hoeveel we investeren, maar vooral hoe we onze instellingen organiseren om kwaliteit duurzaam te versterken zou meer centraal moeten staan in de maatschappelijke discussie. Slow science kan daar in belangrijke mate aan bijdragen.

Slow science wordt te vaak misbegrepen en opgevat als een pleidooi voor “rustiger werken”. Die lezing is te beperkt. Slow science gaat in de kern over de vraag hoe universiteiten en hogescholen hun onderzoek en werking zo organiseren dat kwaliteit, integriteit en maatschappelijke betekenis kunnen groeien. Bestuurders bepalen immers hoe men beoordeelt, hoe men tijd verdeelt, hoe men met financiering omgaat en welke vormen van verantwoording men als normaal beschouwt. Slow science is niet bedoeld als vrijbrief om prestaties te ontlopen. Het is evenmin een aanval op ambitie. Integendeel: slow science is ambitieus, omdat het de instelling vraagt om kwaliteit expliciet te definiëren en om de prikkels die kwaliteit ondermijnen te vervangen door prikkels die kwaliteit ondersteunen. Slow science vraagt dus niet minder verantwoording, maar betere verantwoording: minder schijnprecisie, meer inhoudelijke oordeelsvorming.

De urgentie is herkenbaar in Nederland en Vlaanderen. Instellingen vragen tegelijk om openheid, interdisciplinariteit, onderwijsinnovatie en impact, maar ze belonen in de praktijk nog vaak snelheid en telbare output. Dit creëert een paradox: het systeem vraagt activiteiten die tijd vergen, terwijl het instrumentarium die tijd structureel schaars maakt. Slow science brengt dat spanningsveld terug tot de essentie: kwaliteit vraagt condities, en condities vragen beleid. In dit stuk werken we dit verder uit door eerst een grondige analyse te maken van de onderliggende uitdagingen, en vervolgens te verkennen hoe slow science doelgericht kan worden verankerd in institutioneel beleid dat expliciet doorwerkt in HR-principes en beoordelingskaders.

I. Efficiëntie ten koste van epistemologie

Voor vele startende academici vormt de neerleging van het proefschrift een einde en een begin van een tijdperk. Ze bevinden zich vanaf dat tijdstip in wat academici graag een “veelbelovende fase” noemen - en wat in werkelijkheid vaak een cocktail is van hoop, adrenaline en een lichte chronische stressstoornis. Sommigen hebben slechts één of een beperkt aantal publicaties, wél al flink wat onderwijservaring, en misschien een artikel dat al in de vierde reviewronde zit bij een gerenommeerd tijdschrift, zoals ik zelf meemaakte aan het einde van mijn doctoraat. Vier rondes betekent in de praktijk: je bent een jaar verder en bent er bijna. Vaak wordt het artikel afgewezen na een fundamenteel meningsverschil met één reviewer, bijvoorbeeld over een factoranalyse. Het gaat zelden over de relevantie van de onderzoeksvraag, noch over de bijdrage aan het veld, maar over een methodologische interpretatie. Op zich is dat zeker legitiem: peer review hoort rigoureus te zijn. Alleen blijkt het cv van zo’n startende onderzoeker minder filosofisch ingesteld. Plots val je terug op bijvoorbeeld slechts één publicatie. Je wordt drie keer als tweede kandidaat gerangschikt voor een positie als assistant professor. Drie keer “net niet” is in de sport nog steeds podium; in de academische wereld is het vooral een uitnodiging tot zelfreflectie over levenskeuzes.

Wanneer dit verhaal later wordt verteld, krijgen “starters” vaak dezelfde reactie: waarom mikte je meteen op een toptijdschrift? Waarom niet op zeker spelen? Waarom niet een degelijk tijdschrift waar de publicatiekans hoger is? Het is een terechte vraag en tegelijk de perfecte illustratie van het probleem. In ons huidige systeem is voorzichtigheid rationeel. Risico nemen is niet alleen een intellectuele keuze; het is een carrièrekeuze. We hebben een systeem gebouwd waarin vernieuwing aantrekkelijk klinkt in missieteksten, maar risicovol aanvoelt, zeker in sollicitatieprocedures en bij beoordeling door commissies.

Het huidige systeem draait op twee soorten brandstof: publicaties en onderzoeksfinanciering. In Nederland en België zie je bijzonder scherp hoe die twee elkaar versterken. Publicaties verhogen de kans op  (externe) financiering. Die geven dan weertijd, een zekere status en de nodige onderzoeksinfrastructuur. Die combinatie van elementen verhoogt opnieuw de kans op publicaties. Het is een cumulatieve logica, een soort Matthew-effect in academische vorm: wie heeft, zal meer krijgen. Op papier is dat meritocratisch. In de praktijk is het ook een mechanisme dat kleine verschillen snel (uit)vergroot. Een paar vroege hits kunnen een vliegwiel creëren; een paar vroege tegenslagen kunnen een rem op een verdere academische ontwikkelingvormen. In extreme gevallen wordt het zelfs een handrem die moeilijk nog loskomt.

Het probleem is niet dat we meten. Het probleem is wat en hoe we meten. Wanneer publiceerbaarheid de dominante maatstaf wordt, verschuift de focus subtiel van waarheidsvinding naar outputoptimalisatie. En die verschuiving is niet alleen anekdotisch. Publicatiebias is stevig gedocumenteerd. Franco, Malhotra en Simonovits (2014) tonen bijvoorbeeld in Science aan dat studies met null-resultaten[1] systematisch minder kans hebben om gepubliceerd te worden. Zoals een artikel in the Economist[2] enkele jaren geleden uiteenzette, worden vooral statistisch significante en positieve resultaten gepubliceerd, terwijl nul- of negatieve bevindingen vaak in de lade verdwijnen. Daardoor ontstaat publicatiebias: toevallige false positives worden oververtegenwoordigd in de literatuur, wat leidt tot een systematisch vertekend en overschat beeld van effecten. Met andere woorden: wat we uiteindelijk “de literatuur” noemen, is niet het geheel van kennis, maar een geselecteerde subset waarin bevestiging vaker zichtbaar wordt dan ontkrachting.

Dat is epistemologisch problematisch. Wetenschap hoort net vooruit te gaan door falsificatie, door het onderuit halen van hypothesen, door het begrenzen van theorieën. Maar als niet-significante resultaten minder aantrekkelijk zijn voor tijdschriften én minder gunstig voor carrières, dan wordt het rationeel om onderzoek te ontwerpen dat “waarschijnlijker” significante resultaten oplevert. Dat betekent: veiligere hypothesen, voorspelbare designs, en minder appetite voor onzekerheid. Het resultaat is dat wetenschap ongemerkt een voorkeur ontwikkelt voor bevestiging. Je krijgt een literatuur die vooral laat zien wat werkt, niet wat níét werkt.

Daarbovenop komt p-hacking en analytische flexibiliteit. Simmons, Nelson en Simonsohn (2011) lieten in hun klassieke paper zien hoe onderzoekers (vaak zonder slechte bedoelingen) door kleine keuzes in dataverzameling, analysetiming, variabelenselectie en modelkeuzes de kans op false positives drastisch kunnen verhogen. Het punt is niet dat onderzoekers massaal frauderen; het punt is dat het systeem flexibiliteit beloont wanneer flexibiliteit leidt tot significantie. En significantie is nog steeds de toegangskaart tot publicatie, zichtbaarheid, citaties en, uiteindelijk, financiering. Als je de incentives zo ontwerpt, hoef je niet verbaasd te zijn dat mensen zich aanpassen.

Dit is waarom slow science geen romantisch pleidooi is voor traagheid. Het is een pleidooi voor een systeem waarin risico opnieuw mogelijk wordt, zonder dat het een vorm van academische zelfdestructie is. Waar het perfect aanvaardbaar is dat een hypothese niet wordt bevestigd. Waar zogenaamde null results niet automatisch betekenen dat je “minder interessant” bent. Waar methodologische zorgvuldigheid niet wordt afgestraft omdat ze tijd vraagt. Zolang snelheid de norm is, blijft voorzichtigheid rationeel. Zolang voorzichtigheid rationeel blijft, zullen de echt grote doorbraken - die bijna altijd gepaard gaan met het nemen van risico’s -, schaarser blijven dan we zouden willen.

II. De menselijke en institutionele kost van fast science: wanneer zelfs reviewers “op” zijn 

De schade van speedy science is niet alleen epistemologisch. Ze is ook institutioneel (systemisch)en menselijk. Neem peer review. Peer review is hét kwaliteitsmechanisme van wetenschap: het is hoe we elkaar controleren, aanscherpen, corrigeren en idealiter uitdagen tot verbetering en ontwikkeling. Alleen is peer review vandaag gebouwd op een veronderstelling die steeds minder realistisch is: dat academici vrijwillig en in voldoende aantallen tijd en energie (kunnen) blijven steken in het beoordelen van werk van anderen, terwijl het systeem hen steeds sterker afrekent op hun eigen output. Reviewen kost tijd. Publiceren levert punten op. In een wereld waar tijd schaars is, wint wat wordt beloond.

Kovanis et al. (2016) hebben fast science als een soort institutioneel of systemisch probleem gekaderd: de globale “last” van peer review neemt toe omdat de publicatie-output sneller groeit dan de reviewcapaciteit. Dat zie je ook in de praktijk. Tijdschriften vinden moeilijker reviewers, reviewrondes duren langer ende kwaliteit van reviews kan sterk verschillen. Soms krijg je prachtige, constructieve feedback. Soms krijg je een halve pagina met opmerkingen die vooral suggereren dat de reviewer jouw paper las tijdens een treinrit met instabiele wifi. En soms, heel soms, krijg je een review die zo streng is dat je je afvraagt of je per ongeluk een persoonlijkheidsanalyse van de reviewer hebt ingediend in plaats van een manuscript. Elke acadecimus komt deze laatste reviewer meer tegen dan hen lief is. Het ironische is dat het systeem bovendien nu nog meer vertrouwen vraagt in peer review, juist omdat AI en publicatievolume toenemen. Peer review wordt alleen niet structureel gewaardeerd. Het telt zelden echt mee in promoties. Het verschijnt niet prominent in overzichten. Je kunt er niet makkelijk een grafiek van maken die er goed uitziet in een jaarverslag. En wat niet in een grafiek kan worden gegoten, bestaat vaak minder binnen de bestuurlijke logica.

Een tweede schadepost bestaat uit dede mentale belasting bij onderzoekers zelf. Een universiteit is geen machine; het is een werkplek met mensen die ambities hebben, twijfels kennen, gezinnen en een sociaal leven hebben of wensen en recht hebben op een volwaardig en gezond leven, inclusief voldoende rust en slaap. Toch zijn onderwijs- en onderzoeksinstellingen in de breedste zin van het woord geëvolueerd: competitie lijkt de enige belangrijke variable/output/….. Tijdelijke contracten, voortdurende financieringsdruk, rankings, citatievergelijkingen, “benchmarks”, …Dat alles creëert een permanente staat van alertheid. Een soort academische hypervigilantie. Het vreemde is dat academische milieus dit steeds vaker normaliseren en kaderen als “excellentie”, terwijl het in een andere context gewoon “structurele stress”, een permanent verhoogd cortisolniveaus of  in extreme gevallen zelfs burnout zou heten. Sommige departementen vieren toptijdschriftpublicaties met een bel. Het klinkt gezellig, bijna dorps. Maar het werkt ook conditionerende effecten in de hand. Pavlov zou dit begrijpen: externe erkenning wordt een prikkel, status wordt een beloning, en gedrag past zich aan. Je kunt er om lachen, maar het zegt veel over de onderzoekscultuur. Wanneer we vooral vieren wat zichtbaar meetbaar is, sturen we mensen richting dat gedrag. Dan hoeft het niet te verwonderen dat onderwijs, mentoring, reviewen en institutioneel werk - allemaal cruciaal voor de universiteit, wetenschap en zelfs maatschappij- vaak minder sexy worden, minder “career capital” opleveren, en dus in in het gedrang komen.

Fast science heeft tot slot ook integriteitsgevolgen. Niet omdat iedereen plots oneerlijk wordt, maar omdat druk gedrag beïnvloedt. Als de norm “meer en sneller” is, stijgt de kans op slordigheid, op overselling van bepaalde onderzoeksresultaten, op het selectief rapporteren van analyses. De replicatiecrisis in meerdere disciplines laat zien dat dit geen randfenomeen is. En opnieuw: het systeem is de context. Als je mensen beloont voor snelheid, krijg je snelheid. Als je mensen beloont voor robuustheid, krijg je robuustheid. We hebben vooral het eerste geoptimaliseerd.

Al deze negatieve effecten worden vergroot door nieuwe ontwikkelingen, met name AI. Het geldt alsals een soort turbo die tegelijk hoop en paniek veroorzaakt. AI-tools helpen bij literatuurverkenning, structureren van teksten, genereren van samenvattingen en ze kunnen zelfs suggesties doen voor analyses of reviewcommentaren. Dat is niet per definitie slecht. Het kan jonge onderzoekers helpen sneller te leren. Het kan schrijfdrempels verlagen. Het kan ook de kwaliteit verhogen, mits verstandig gebruikt. Maar het verlaagt vooral de productiekost van tekst. En als de productiekost daalt, stijgt de productie. Dat klinkt als vooruitgang, tot je beseft dat het signaal van een publicatie als kwaliteitsmarker dan ook kan verwateren. Meer output betekent niet automatisch meer kennis. Het kan ook gewoon meer papier zijn. Of, in de digitale versie, meer pdf’s die niemand leest maar wel in je ORCID verschijnen. Van Dis et al. (2023) formuleren in Nature een reeks onderzoeksprioriteiten rond ChatGPT en vergelijkbare systemen, waaronder transparantie, governance en de effecten op wetenschappelijke communicatie. Hun boodschap is relevant: AI verandert niet alleen hoe academici en universiteiten werken, maar ook hoe ze beoordelen. Als AI de snelheid opvoert, wordt de vraag naar kwaliteit en controle nog urgenter. Ironisch genoeg hebben we in een wereld met meer AI niet minder, maar net méér slow science nodig. Slow science vormt dan een broodnodig tegengewicht voor “academische inflatie”: een situatie waarin publicaties talrijker worden, maar minder onderscheidend of kwalitatief, en waar iedereen nog harder moet werken om relevant te blijven. Dat klinkt misschien als een foute grap, maar het is vooral een risico. Bovenstaande paper van Van Dis et al. had ik overigens graag met jullie willen delen. Helaas zit deze - zoals het meeste wetenschappelijke onderzoek - achter een paywall: enkel als jullie als lezer bereid zijn om ervoor te betalen, krijgen jullie toegang.

III. Slow science als hervormingsagenda: niet trager, maar anders

Iedereen voelt de druk, toch blijven velen hetzelfde hectische tempo aanhouden, alsof er ergens een onzichtbare metronoom op standje “prestatie” staat. Net daarom wint het idee van slow science terrein. Deze evolutie wordt geïnspireerd door de bredere slow movement: goede dingen vragen tijd, en wetenschap is bij uitstek een domein waar dat zou moeten gelden (zie ook: Meijer en Webster, 2025). In The Slow Professor pleiten Berg en Seeber (2016) voor minder, maar beter: minder vergaderingen, minder administratieve ballast, minder papers, en in ruil meer tijd voor de kerntaak die academisch of wetenschappelijk werk eigenlijk zou moeten definiëren: diep nadenken, ideeën laten rijpen, en sterke gesprekken met collega’s voeren. Dat pleidooi betekent niet dat alles trager moet worden in dienstverlening of processen; het betekent wel dat we het systeem zo organiseren dat kwaliteit opnieuw de norm wordt.

Slow science kan en mag bovendien geen individuele levenskeuze zijn die alleen haalbaar is voor wie al “binnen” is. Als slow science een soort privilegeproject wordt - iets voor mensen met vaste contracten en tijd - dan is het geen oplossing maar een extra ongelijkheid. Slow science moet daarom een institutionele hervormingsagenda zijn. Niet als moreel vingertje naar individuele academici (“je moet trager werken”), maar als herontwerp van de academische structuren die bepalen wat rationeel, gewenst en beloondgedrag is.

Een eerste element zijn dede evaluatiesystemen. Metrics zijn niet intrinsiek slecht. Ze geven houvast, transparantie en vergelijking. Maar metrics zijn ook performatief: ze sturen gedrag. Als impact factor, H-index en citaties de dominante criteria zijn, sturen ze gedrag richting zichtbaarheid, snelheid en strategische publicatiekeuzes. Dit is geen geheim. Het is een logisch gevolg van meten. Wat je meet, ga je optimaliseren. Als we willen dat academici tijd investeren in replicatie, onderwijs, mentoring, publieke impact, data-archivering, open science, of het zorgvuldig opzetten van longitudinale designs om – eindelijk – causale effecten aan te tonen, dan moeten we die activiteiten ook werkelijk waarderen in promotiekansen. Niet alleen in mooie beleidsdocumenten, maar des te meer in beslissingskamers.

Een tweede punt is de financiering. Financieringsstructuren creëren cumulatieve ongelijkheid. Wie al een sterke publicatielijst heeft, wordt competitiever in aanvragen; wie financiering heeft, wordt competitiever in publicaties. Dat is precies de exponentiële logica die we eerder beschreven. Slow science vraagt daarom financieringsmechanismen die tijd als kwaliteitsvoorwaarde erkennen. Meerjarige trajecten, minder nadruk op tussentijdse output en ook ruimte voor onderzoek dat niet onmiddellijk publiceerbaar is. Bovendien zou het nuttig zijn als financieringsorganisaties explicieter waarderen dat null results nuttig zijn. Als we echt willen dat wetenschap zichzelf corrigeert, innoveert en verbetert, moeten we het corrigeren belonen.

Ten derde is er een leiderschapscomponent. Universiteiten kunnen niet tegelijk zeggen dat ze welzijn belangrijk vinden en vervolgens een systeem onderhouden dat permanente competitie normaliseert. Leiderschap betekent keuzes maken, ook als die niet meteen in KPI’s passen. Kwaliteit boven snelheid is een keuze. Sociale veiligheid boven status is een andere keuze. Het institutioneel waarderen van reviewen en onderwijs is eveneens een keuze. Dat vraagt moed, want snelheid levert snelle cijfers op. Traagheid levert vaak pas later opbrengst op. Besturen houden nu eenmaal van opbrengst in het volgende jaarverslag. Maar wetenschap is geen kwartaalrapport.

Ook academische vrijheid verdient een andere framing. We behandelen academische vrijheid vaak als een individueel recht: je mag zelf je onderzoeksvraag kiezen. Maar in een systeem van permanente competitie is dat vaak een beperkte vrijheid. Je mag kiezen, zolang je keuze publiceerbaar, financierbaar, strategisch is of aansluit bij een lopende project call. Echte academische vrijheid is structureel: het is de vrijheid om risico te nemen zonder dat één afwijzing of één mislukte financieringsaanvraag jouw carrière breekt. Het is de vrijheid om te falen, omdat falen bij onderzoek hoort. Het is de vrijheid om tijd te nemen voor reflectie, omdat dit bij kwaliteit hoort. Slow science is dus niet alleen een methodologisch pleidooi, maar ook een vrijheidspleidooi.

Tot slot hebben we nog de ontwikkeling van AI. Als AI de productiesnelheid verhoogt, moeten universiteiten heldere normen ontwikkelen over transparantie en verantwoordelijkheid. Dat moet niet gebeuren in de sfeer van paniek (“AI gaat de wetenschap kapotmaken”), maar in de sfeer van governance (“hoe zorgen we dat AI bijdraagt aan kwaliteit en niet aan ruis?”). Dat betekent dat we het gebruik van AI in alle mogelijke processen van schrijven, analyseren en reviewen niet verzwijgen, maar expliciet maken. Het betekent ook dat we evaluatiesystemen minder afhankelijk maken van pure output, omdat output goedkoper wordt. AI maakt het dus nog urgenter om te verschuiven van kwantiteit naar kwaliteit. De paradox is mooi: technologie versnelt, maar juist daardoor moeten onze instituties vertragen waar het ertoe doet: in reflectie, in controle, in integriteit.

IV. Een HR-beleid, gericht op de ‘slow principles’: trager beslissen, helderder verantwoorden

Slow science gaat echter niet alleen over minder publicatiedruk of meer tijd voor reflectie in onderzoek. Het gaat ook over hoe universiteiten hun eigen werk organiseren. HR is daarbij een verrassend goede lakmoesproef. Want je kan moeilijk pleiten voor zorgvuldigheid, integriteit en kwaliteitsdenken in wetenschap, terwijl aanwervingen soms nog aanvoelen alsof ze plaatsvinden in een parallel universum waar “transparantie” vooral een mooie term is in strategische plannen.

Als universiteiten slow science ernstig nemen, dan moet dat zich vertalen naar één heel concreet principe: beslissingen die het leven van mensen beïnvloeden, verdienen tijd én een duidelijke transparante, schriftelijke verantwoording. In publieke organisaties hoort dat eigenlijk vanzelfsprekend te zijn. Wie voldoet aan de formele functievereisten en een inhoudelijke fase van de selectieprocedure doorloopt, zou recht moeten hebben op een degelijke en inhoudelijke motivatie op papier: op basis van welke selectiecriteria werd beoordeeld, hoe werden die criteria gewogen, waarom werd de kandidaat wel/niet weerhouden in vergelijking met andere kandidaten. Geen roman, geen juridisch dossier, maar wel iets dat controleerbaar en consistent is. Dat klinkt misschien kafkaiaans, maar het is precies de logica die we in onderzoek dagelijks hanteren. We verwachten van studenten dat ze feedback krijgen op basis van matrijzen en rubrics. We verwachten van auteurs dat reviewers hun oordeel argumenteren. We verwachten van subsidiepanels dat ze scores en eeen heldere motivering geven. Bij aanwervingen of promoties lijkt de pen soms plots allergisch te worden voor inhoudelijke uitleg. Terwijl net daar procedurele rechtvaardigheid het verschil maakt tussen een professioneel proces en een vaag onbestemd gevoel.

Slow science in HR betekent minder snelheid als dekmantel, meer zorgvuldigheid als norm. Niet omdat we allemaal graag extra papierwerk verzamelen (de universiteit heeft al genoeg papier), maar omdat een heldere verantwoording drie dingen doet. Ze maakt procedures consistenter, ze geeft kandidaten echte leerinformatie, en ze verhoogt vertrouwen in de instelling (legitimiteit). En dat vertrouwen is niet triviaal: universiteiten draaien op samenwerking, reputatie en sociale veiligheid. Een transparant aanwervings- en personeelsbeleid is dus geen luxe, maar noodzakelijk voor het onderhouden en in stand houden van academische infrastructuur.

Bovendien onderschrijft zo’n schriftelijke motivering een tweede essentieel element expliciet dat perfect past bij slow science: de eerlijke afweging tussen onderzoek, onderwijs en impact. Als we als sector blijven zeggen dat we kwaliteit in de breedste zin willen waarderen, dan moeten we ook durven opschrijven hoe we dat net gaan beoordelen. Dat geldt niet alleen dat onderzoek belangrijk is, maar ook in hoeverreonderwijs meetelt, hoe wegen we impact, en hoe voorkomen we dat de criteria tijdens het proces verschuiven. Het is opmerkelijk hoe vaak kandidaten vooral verliezen van onduidelijkheid, niet van concurrentie.

Er zit trouwens ook een geruststellende gedachte in: schriftelijke transparantie hoeft het leven van commissies niet onmogelijk te maken: een gestandaardiseerd feedbackformulier met enkele kerncriteria, scores en een korte toelichting zou al voldoende zijn. Het vraagt vooral aandacht en tijd voor zorgvuldigheid. En dat is, in essentie, de kern van slow science: niet altijd sneller willen, maar vooral beter willen. Universiteiten hoeven dus niet trager te worden in alles. Ze moeten vooral trager worden in datgene wat kwaliteit beschermt. Aanwervingen horen daar zeker bij.

Of, om het academisch te zeggen: slow science is ook een HR-interventie. En om het minder academisch te zeggen: als we toch zo graag evalueren, laten we dan beginnen met onze eigen evaluatieprocedures.

REFERENTIES:

• Berg, M., & Seeber, B. K. (2016). The slow professor: Challenging the culture of speed in the academy. University of Toronto Press.

• Franco, A., Malhotra, N., & Simonovits, G. (2014). Publication Bias in the Social Sciences: Unlocking the File Drawer. Science.

• Meijer, A., & Webster, W. (2025). Is it Time to Slow Down? Information Polity, 30(4), 285. https://doi.org/10.1177/15701255251394199.

• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-Positive Psychology: Undisclosed Flexibility in Data Collection and Analysis Allows Presenting Anything as Significant. Psychological Science.

• Kovanis, M., et al. (2016). The Global Burden of Journal Peer Review in the Biomedical Literature. PLOS ONE.

• van Dis, E. A. M., et al. (2023). ChatGPT: five priorities for research. Nature.

[1] Dit zijn nulbevindingen, waarbij er meestal geen statistisch significante effecten gevonden worden tussen onderzochte variabelen

[2] The Economist. (2013, October 18). Trouble at the lab. The Economist. https://www.economist.com/briefing/2013/10/18/trouble-at-the-lab