BackgroundConfounding bias is a common concern in epidemiological research. Its presence is often determined by comparing exposure effects between univariable- and multivariable regression models, using an arbitrary threshold of a 10% difference to indicate confounding bias. However, many clinical researchers are not aware that the use of this change-in-estimate criterion may lead to wrong conclusions when applied to logistic regression coefficients. This is due to a statistical phenomenon called noncollapsibility, which manifests itself in logistic regression models. This paper aims to clarify the role of noncollapsibility in logistic regression and to provide guidance in determining the presence of confounding bias.MethodsA Monte Carlo simulation study was designed to uncover patterns of confounding bias and noncollapsibility effects in logistic regression. An empirical data example was used to illustrate the inability of the change-in-estimate criterion to distinguish confounding bias from noncollapsibility effects.ResultsThe simulation study showed that, depending on the sign and magnitude of the confounding bias and the noncollapsibility effect, the difference between the effect estimates from univariable- and multivariable regression models may underestimate or overestimate the magnitude of the confounding bias. Because of the noncollapsibility effect, multivariable regression analysis and inverse probability weighting provided different but valid estimates of the confounder-adjusted exposure effect. In our data example, confounding bias was underestimated by the change in estimate due to the presence of a noncollapsibility effect.ConclusionIn logistic regression, the difference between the univariable- and multivariable effect estimate might not only reflect confounding bias but also a noncollapsibility effect. Ideally, the set of confounders is determined at the study design phase and based on subject matter knowledge. To quantify confounding bias, one could compare the unadjusted exposure effect estimate and the estimate from an inverse probability weighted model.
MULTIFILE
BackgroundConfounding bias is a common concern in epidemiological research. Its presence is often determined by comparing exposure effects between univariable- and multivariable regression models, using an arbitrary threshold of a 10% difference to indicate confounding bias. However, many clinical researchers are not aware that the use of this change-in-estimate criterion may lead to wrong conclusions when applied to logistic regression coefficients. This is due to a statistical phenomenon called noncollapsibility, which manifests itself in logistic regression models. This paper aims to clarify the role of noncollapsibility in logistic regression and to provide guidance in determining the presence of confounding bias.MethodsA Monte Carlo simulation study was designed to uncover patterns of confounding bias and noncollapsibility effects in logistic regression. An empirical data example was used to illustrate the inability of the change-in-estimate criterion to distinguish confounding bias from noncollapsibility effects.ResultsThe simulation study showed that, depending on the sign and magnitude of the confounding bias and the noncollapsibility effect, the difference between the effect estimates from univariable- and multivariable regression models may underestimate or overestimate the magnitude of the confounding bias. Because of the noncollapsibility effect, multivariable regression analysis and inverse probability weighting provided different but valid estimates of the confounder-adjusted exposure effect. In our data example, confounding bias was underestimated by the change in estimate due to the presence of a noncollapsibility effect.ConclusionIn logistic regression, the difference between the univariable- and multivariable effect estimate might not only reflect confounding bias but also a noncollapsibility effect. Ideally, the set of confounders is determined at the study design phase and based on subject matter knowledge. To quantify confounding bias, one could compare the unadjusted exposure effect estimate and the estimate from an inverse probability weighted model.
MULTIFILE
Hoe kan in ons land innoveren, werken en leren beter worden verknoopt ten dienste van de grote maatschappelijke opgaven waar we voor staan? NWO, Regieorgaan SIA en Topsectoren hebben het initiatief genomen om meer (praktijkgericht) onderzoek te doen naar zogenoemde Learning communities en de kennis hierover beter te delen. De belangstelling voor Learning communities is enorm gegroeid en nu vaak al een vanzelfsprekend onderdeel van (regionaal-) economisch beleid. De nieuwe samenwerkingsverbanden hebben naar verwachting grote gevolgen voor de toekomst van individuele bedrijven, onderwijs- en kennisinstellingen alsook hun collectieve maatschappelijke impact. De grote maatschappelijke uitdagingen als de energie- en zorgtransitie vragen meer kennis, (menselijk) kapitaal en innovaties. Dit staat centraal in het Missiegedreven Topsectoren- en Innovatiebeleid (MTIB). Vraag daarbij is hoe medewerkers zich (toekomstbehendig) kunnen blijven ontwikkelen en wat de bijdrage van Learning communities kan zijn. Het ‘dichter tegen elkaar gaan organiseren van innoveren, werken en leren’ gebeurt in varianten als: Fieldlabs, Skills labs, Praktijkwerkplaatsen, Living labs, Centres of Expertise (CoE) en Centra voor Innovatief Vakmanschap (CIV). Over de grenzen van de afzonderlijke organisaties, domeinen en professies ontstaan nieuwe leer werkgemeenschappen met alle vragen en effecten vandien. Hoe kunnen we die meerpartijen samenwerkingen beter bouwen, beoordelen, betalen en borgen? Het NWO-onderzoeksprogramma Learning communities omvat onderzoeksprojecten in diverse werkcontexten (logistiek, energie, ICT e.a.). Gemeenschappelijke vraag in het programma: wat zijn de werkzame elementen van zo’n Learning community? Naast kennisontwikkeling door het onderzoeksprogramma wordt ook netwerkvorming gestimuleerd tussen onderzoekers en beleidsen praktijkprofessionals. De overtuiging is dat het potentieel in de driehoek innoveren-werken-leren beter kan worden benut. Voor de versterking van de kennisbasis onder het concept Learning communities hebben wij een inventarisatie gedaan naar benaderingen en zienswijzen. Learning communities worden door ons gepresenteerd als samenwerkingsverbanden tussen organisaties en andere (niet of minder georganiseerde) partijen, die het collectief vermogen vergroten van leren, werken en innoveren. Dit vermogen heeft zowel betrekking op het vermogen van de (beroeps)bevolking om zich aan te passen aan veranderende ONDERZOEKSPROGRAMMA EN NETWERK LEARNING COMMUNITIES 4 beroepen en werkpraktijken als het innovatie- en verdienvermogen van organisaties en bedrijven. We verkennen perspectieven op de inrichting, opbrengsten en de relationele dynamiek in Learning communities. We benadrukken dat Learning communities bestaan uit verschillende actoren, partijen en groeperingen – ook wel praktijken genoemd – en dat juist op de grens tussen deze praktijken geleerd wordt. Een Learning community ontwikkelt zich gaandeweg op verschillende systeemniveaus van samenwerking. We gaan in op het belang van een constructief klimaat van samenwerking waarvoor vaak (proces) begeleiding nodig is. Op basis van de verschijningen, uitkomsten en dynamiek hebben we een aantal kernprincipes gedefinieerd. Wat betreft verduurzaming van de communities pleiten wij voor een andere manier van denken. In plaats van een focus op de bestendiging van een tijdelijke (organisatie)structuur, gaat het dan over het verduurzamen van het proces van samenwerkend leren, werken en innoveren dat in gang is gezet. Ook waardevolle activiteiten en interacties die hun doorwerking of spin-off hebben buiten de Learning community zorgen voor bestendiging en verduurzaming van het samenwerkend leren. De verkenning van de kennisbasis voor de Learning communities heeft ook nieuwe onderzoeksvragen opgeleverd voor academisch en praktijkgericht onderzoek. Naast de verkenning van de kennisbasis heeft een expertgroep Instrumenten gewerkt aan een inventarisatie waarmee de concepten uit de kennisbasis op een praktische wijze kunnen worden vertaald in instrumenten om Learning communities (door) te ontwikkelen. De tips en selectie van instrumenten en aanbevelingen zijn samengebracht rond de verschillende ontwikkelingsfasen van Learning communities te weten starten, ontwerpen, uitvoeren en verduurzamen. Er zijn heel veel instrumenten die ‘facilitators’ van Learning communities en anderen kunnen gebruiken bij het opzetten en begeleiden ervan. Actuele vraag is dus in hoeverre en op welke wijze een digitaal platform het aanbod van - en de vraag naar - dergelijke instrumenten beter bij elkaar kan brengen. Er is daarom een verkenning gedaan naar (het ontwerp van) een digitaal platform vanuit zowel de vraagkant maar ook de aanbodkant van instrumenten (de onderzoekers en ontwikkelaars van instrumenten). Hoe het concept Learning communities verder ‘carrière zal maken’ hangt in belangrijke mate af van de vraag of deze veranderingen in het ‘landschap van leren en innoveren’ beter kunnen worden geborgd dan tot dusver middels projecten (en tijdelijke projectfinanciering). De onderlinge afhankelijkheid tussen bedrijven, kennis- en onderwijsinstellingen wordt hoe dan ook steeds groter en daarmee de noodzaak om samenwerking op een nieuwe en meer duurzame manier te organiseren. De Learning communities-benadering komt ook terug in verschillende recente Groeifondsprojecten en regionaal-economische innovatiestrategieën, wat als een bewijs kan worden gezien van de hoge verwachtingen van de benadering. Met onze ervaringen en inzichten doen wij tenslotte enkele suggesties voor de agendering van het thema in het nieuwe Kennis- en Innovatieconvenant (2024-2027). Wij benadrukken daarbij dat de bestaande Learning communities tot nu vooral (tijdelijke) ‘hulpstructuren’ zijn gebleken die niet hebben geleid tot fundamentele aanpassing van de primaire processen van de ONDERZOEKSPROGRAMMA EN NETWERK LEARNING COMMUNITIES 5 betrokken onderwijsinstellingen, organisaties en bedrijven. Wij verwachten dat in de toekomst de vernetwerking in (regionale) innovatie-ecosystemen meer radicale consequenties gaan hebben voor die ‘staande organisaties’ en de wijze waarop werkend leren wordt georganiseerd, gefinancierd en beoordeeld. Om ons hierop beter voor te bereiden doen wij een aantal aanbevelingen ten behoeve van een nieuwe onderzoeksagenda, professionaliseringsagenda en transitieagenda die verder richting en invulling kunnen geven aan deze maatschappelijke beweging. Een beweging waaromheen de verwachtingen hooggespannen zijn en waaraan wij gezamenlijk middels deze publicatie met plezier een bijdrage hebben geleverd.
In the past decades, we have faced an increase in the digitization, digitalization, and digital transformation of our work and daily life. Breakthroughs of digital technologies in fields such as artificial intelligence, telecommunications, and data science bring solutions for large societal questions but also pose a new challenge: how to equip our (future)workforce with the necessary digital skills, knowledge, and mindset to respond to and drive digital transformation?Developing and supporting our human capital is paramount and failure to do so may leave us behind on individual (digital divide), organizational (economic disadvantages), and societal level (failure in addressing grand societal challenges). Digital transformation necessitates continuous learning approaches and scaffolding of interdisciplinary collaboration and innovation practices that match complex real-world problems. Research and industry have advocated for setting up learning communities as a space in which (future) professionals of different backgrounds can work, learn, and innovate together. However, insights into how and under which circumstances learning communities contribute to accelerated learning and innovation for digital transformation are lacking. In this project, we will study 13 existing and developing learning communities that work on challenges related to digital transformation to understand their working mechanisms. We will develop a wide variety of methods and tools to support learning communities and integrate these in a Learning Communities Incubator. These insights, methods and tools will result in more effective learning communities that will eventually (a) increase the potential of human capital to innovate and (b) accelerate the innovation for digital transformation
