Netto-lading en dominance gap: betekenis en toepassing

Je hebt een lijst associaties gemeten, sommige positief en andere negatief, sommige sterk en andere zwak. Hoe vergelijk je die eerlijk, en hoe zie je of de negatieve kant de beoordeling kan overheersen? Netto-lading en dominance gap zijn twee rekenafspraken van Neurofactor die daarbij helpen, zolang je hun grenzen kent.

Netto-lading is een Neurofactor-werkbegrip dat de valentie (lading) en de sterkte van een associatie combineert tot één waarde tussen −100 en +100. De dominance gap is het verschil tussen de sterkste negatieve en de sterkste positieve associatie binnen een groep.

Beide zijn werkdefinities en rekenafspraken, geen gevalideerde wetenschappelijke schalen. Ze maken associaties binnen één meetopzet vergelijkbaar en laten zien of de negatieve kant zwaarder kan wegen. Ze voorspellen niet wat één persoon gaat doen.

Een associatie is een betekenis die mensen met iets verbinden, zoals een product of een organisatie (zie Associatie: betekenis en toepassing). Twee eigenschappen doen ertoe voor de beoordeling:

• Valentie of lading: is de associatie positief, neutraal of negatief?
• Sterkte: hoe sterk is de verbinding tussen het onderwerp en die associatie? Hoe je sterkte opvat en meet, staat in Associatiesterkte: betekenis en toepassing.

Een sterk negatieve associatie die nauwelijks met het onderwerp verbonden is, weegt anders dan een licht negatieve associatie die iedereen meteen noemt. Netto-lading, ook wel gewogen lading genoemd, combineert daarom valentie en sterkte tot één getal. Zo worden losse associaties optelbaar en vergelijkbaar. Het is een werkbegrip van Neurofactor: een rekenafspraak, geen begrip uit de wetenschappelijke literatuur en geen gevalideerde meetschaal.

Neurofactor gebruikt de volgende rekenafspraak:

1. Valentie wordt gecodeerd op een vijfpuntsschaal: sterk negatief (−2), licht negatief (−1), neutraal (0), licht positief (+1) en sterk positief (+2).
2. Sterkte wordt uitgedrukt op een schaal van 0 (geen verbinding) tot 100 (maximale verbinding binnen de gekozen meting).
3. Netto-lading = valentie × sterkte ÷ 2.

Het delen door twee zorgt ervoor dat de uitkomst tussen −100 en +100 ligt. Een sterk positieve associatie met maximale sterkte krijgt +100 (2 × 100 ÷ 2). Een licht negatieve associatie met sterkte 60 krijgt −30 (−1 × 60 ÷ 2). Een neutrale associatie krijgt altijd 0, hoe sterk die ook is.

Leg vooraf vast op welk niveau je rekent: per deelnemer en daarna middelen, of eerst valentie en sterkte middelen en dan vermenigvuldigen. Het gemiddelde van producten is niet gelijk aan het product van gemiddelden, dus de routes geven verschillende uitkomsten. Rapporteer naast het gemiddelde ook de spreiding en het aantal deelnemers.

De dominance gap is het verschil tussen de sterkste negatieve en de sterkste positieve associatie binnen een groep, beide uitgedrukt in netto-lading. Neurofactor rekent als volgt:

Dominance gap = |sterkste negatieve netto-lading| − sterkste positieve netto-lading

Is de sterkste negatieve associatie −52 en de sterkste positieve +38, dan is de dominance gap 52 − 38 = +14. Een positieve uitkomst betekent dat de negatieve kant aan de top zwaarder weegt; hoe groter dat verschil, hoe meer die negatieve associatie de beoordeling kan domineren. Een negatieve uitkomst betekent dat de positieve kant zwaarder weegt.

De dominance gap kijkt bewust naar de uitersten. Een groep kan per saldo licht positief uitkomen terwijl één zwaar negatieve associatie de keuze bepaalt. Ook dit is een werkdefinitie: er bestaat geen gevalideerde drempel waarboven een verschil "groot" is.

Het idee om een beoordeling op te bouwen uit gewogen, opgetelde onderdelen is niet nieuw. Fishbein onderzocht in 1963 de relatie tussen overtuigingen over een object en de houding tegenover dat object (Fishbein, 1963). Dat werk is uitgewerkt in het boek van Fishbein en Ajzen over overtuigingen, houding, intentie en gedrag (Fishbein & Ajzen, 1975). Busemeyer en Jones vatten dat model samen als: houding is overtuiging maal evaluatie, opgeteld over de opvallende (saillante) overtuigingen (Busemeyer & Jones, 1983). Zulke modellen heten expectancy-value- of multi-attribuutmodellen.

Netto-lading leent dat principe: valentie wordt gewogen met sterkte, daarna kun je optellen. Het is geen toepassing van die modellen. De onderdelen worden anders gemeten, het doel is beschrijvend, en de theorie valideert de Neurofactor-rekenwijze niet.

Negatieve informatie weegt vaak zwaarder dan vergelijkbare positieve informatie. Baumeister en collega's brachten onderzoek uit uiteenlopende domeinen samen en concludeerden dat slechte gebeurtenissen, feedback en indrukken doorgaans meer impact hebben dan goede (Baumeister e.a., 2001).

Rozin en Royzman onderscheidden binnen deze negativiteitsbias onder meer negativity dominance: de totaalindruk van een combinatie van negatieve en positieve onderdelen is negatiever dan de algebraïsche som van de afzonderlijke waarden (Rozin & Royzman, 2001). Een eenvoudige optelling van netto-ladingen kan de negatieve kant dus onderschatten. Daarom rapporteert Neurofactor de dominance gap naast de som. Die meet geen negativiteitsbias en toont niet aan dat die in jouw doelgroep optreedt; het is een praktische signalering van een mogelijk overheersende negatieve associatie.

Ordinale antwoorden behandelen als getallen. De vijfpuntsschaal voor valentie is in de kern ordinaal: je weet dat "sterk negatief" negatiever is dan "licht negatief", maar niet of de afstanden gelijk zijn. Liddell en Kruschke lieten zien dat ordinale gegevens analyseren alsof ze metrisch zijn kan leiden tot onterechte, gemiste en zelfs omgekeerde effecten, en dat middelen over items dat niet oplost (Liddell & Kruschke, 2018).

Schalen vermenigvuldigen. Een product van twee schalen hangt af van waar het nulpunt ligt. Codeer je valentie als 1 tot 5 in plaats van −2 tot +2, dan krijgt ook een negatieve associatie een positief product en verandert de betekenis van elke uitkomst. Het analyseren van zulke multiplicatieve samengestelde maten is in de methodologische literatuur al lang een bekend probleem (Evans, 1991). Hardeman en collega's wijzen erop dat de gekozen codering van zulke producten de samenhang met andere variabelen kan beïnvloeden. Zij adviseren eerst te onderbouwen dat een multiplicatief model past en de codering op theoretische en empirische gronden te kiezen (Hardeman e.a., 2013).

De consequentie: de schaal van −100 tot +100 maakt vergelijken binnen één meetopzet makkelijker, maar −40 is niet "twee keer zo negatief" als −20.

Meer over Salience van associaties en Knock-outassociatie. Een hoge dominance gap is geen bewijs van een knock-outassociatie, wel een reden om dat te onderzoeken.

De maten zijn vooral een ordeningshulp na een associatiemeting (zie Hoe meet je associaties?):

• Prioriteren: welke associaties wegen het zwaarst en verdienen verdieping?
• Groepen vergelijken: verschilt de balans tussen groepen die met dezelfde opzet zijn gemeten?
• Herhaalmetingen volgen: verschuift een netto-lading na een aanpassing, bij gelijke meetopzet?
• Communicatie richten: een hoge dominance gap wijst op een negatieve associatie die je eerst wilt begrijpen.

Ze vervangen niet het onderzoek naar waarom een associatie bestaat en of die een keuze beïnvloedt.

1. Formuleer de vraag: welk onderwerp, welke groep en welke beslissing?
2. Leg de meetopzet vast: hoe je associaties verzamelt, valentie uitvraagt en sterkte omzet naar 0–100.
3. Kies vooraf het rekenniveau: per deelnemer of per groep.
4. Rapporteer per associatie de netto-lading, de spreiding en het aantal deelnemers dat haar noemde.
5. Bepaal de dominance gap en vermeld welke associaties aan de uitersten staan.
6. Kijk naar de verdeling achter gemiddelden rond nul en naar zelden genoemde associaties.
7. Toets met vervolgonderzoek of een opvallende associatie keuzerelevant is.

Dit voorbeeld is fictief. Alle getallen zijn bedacht om de rekenwijze te laten zien en zijn geen onderzoeksuitkomst.

Situatie en keuzevraag. Een fictieve producent van vleesvervangers wil weten welke associaties flexitariërs, mensen die bewust minder vlees eten, hebben met "plantaardig vlees". Welke associaties verdienen aandacht voordat hij zijn communicatie aanpast?

Rekenvoorbeeld voor één deelnemer. Een deelnemer noemt "sterk bewerkt", beoordeelt die als sterk negatief (−2) en geeft een sterkte van 80. De netto-lading is −2 × 80 ÷ 2 = −80. Dezelfde deelnemer noemt "duurzaam" als licht positief (+1) met sterkte 70, wat +35 oplevert.

Fictieve groepsuitkomsten (netto-lading per deelnemer berekend en daarna gemiddeld):

Mogelijke interpretatie. De som van deze zes waarden is −12. De sterkste positieve associatie is "duurzaam" (+38) en de sterkste negatieve "sterk bewerkt" (−52). De dominance gap is 52 − 38 = +14: aan de top weegt de negatieve kant zwaarder. De waarde rond nul bij "smaak" kan betekenen dat de groep er weinig over zegt of dat sterke positieve en negatieve oordelen elkaar opheffen; alleen de verdeling laat dat zien.

Vervolgstap. De producent concludeert niet dat flexitariërs plantaardig vlees afwijzen. Hij onderzoekt eerst, bijvoorbeeld met verdiepende gesprekken, wat "sterk bewerkt" voor deze groep betekent en of het de keuze in de winkel beïnvloedt.

• Netto-lading lezen als gevalideerde score: er bestaan geen normen voor "hoog" of "laag".
• Meetopzetten mengen: andere vragen, schalen of associatiesets maken getallen onvergelijkbaar.
• Nul als neutraal lezen: een nul kan ook ontstaan als sterke oordelen elkaar opheffen.
• De som als totaaloordeel gebruiken: die hangt af van welke associaties je meeneemt.
• De dominance gap overschatten: één zelden genoemde associatie kan hem sterk verschuiven.
• Coderen zonder nulpunt in het midden: met 1 tot 5 verliezen de producten hun betekenis.

Netto-lading en dominance gap beschrijven een groep op één moment binnen één meetopzet.

• Wel: associaties binnen dezelfde meting rangschikken, negatieve uitschieters signaleren en verschuivingen volgen bij gelijke opzet.
• Niet: voorspellen wat één persoon kiest; groepsgemiddelden zijn geen individuele voorspellingen.
• Niet: concluderen dat een associatie een keuze veroorzaakt.
• Niet: uitkomsten van verschillende onderzoeken of methoden zonder meer vergelijken.

Vermeld daarom altijd welke associaties zijn uitgevraagd, hoe sterkte is gemeten en wie er meededen.

Netto-lading maakt van valentie en sterkte één vergelijkbaar getal; de dominance gap laat zien of de sterkste negatieve associatie zwaarder weegt dan de sterkste positieve. Attitudemodellen en onderzoek naar negativiteitsbias geven context, maar de rekenwijze zelf is een werkafspraak. Gebruik haar binnen één meetopzet, rapporteer spreiding en keuzes, en zie de uitkomst als begin van een vraag, niet als eindoordeel.