Gewinne:
- Fähigkeit zu begründen, ob eine Forschungsfrage tatsächlich gemischte Methoden erfordert
- Fähigkeit, quantitative und qualitative Erkenntnisse transparent gegenüberzustellen und als ein Ergebnis zu interpretieren, ohne Widersprüche zu verbergen
- Möglichkeit, falsche Triangulation zu vermeiden, indem überprüft wird, ob Quellen wirklich unabhängig sind
Gesellschaftliche Ereignisse können oft nicht vollständig durch eine einzige Linse verstanden werden. Es kann notwendig sein, ein Phänomen sowohl numerisch zu messen (wie viele Menschen, in welchem Verhältnis) als auch eingehend zu verstehen (warum, wie). Genau das sind gemischte Methoden: die bewusste Kombination quantitativer und qualitativer Ansätze in derselben Forschung. Ein eng verwandtes Konzept ist die Triangulation – das Testen der Robustheit eines Ergebnisses durch Gegenprüfung derselben Frage mit verschiedenen Datenquellen, Methoden oder Perspektiven. In dieser Einheit erfahren Sie, wie Sie KI bei der Planung von Hybriddesigns einsetzen, verschiedene Datentypen kombinieren und Ergebnisse gegenseitig validieren.
Die Stärke der gemischten Methode besteht darin, dass dort, wo eine Methode schwach ist, die andere stark ist. Die Umfrage gibt Ihnen die „Prävalenz“, aber nicht das „Warum“; Das Interview geht auf das „Warum“ ein, sagt aber nicht, auf wie viele Menschen es zutrifft. Wenn Sie beides zusammen verwenden, erhalten Sie ein Gemälde, das sowohl breit als auch tief ist. KI ist hier besonders nützlich, da sie Ihnen dabei hilft, Daten in verschiedenen Formaten (Zahlentabellen und Texttranskripte) nebeneinanderzustellen und geordnet zu fragen: „Unterstützen oder widersprechen sie sich?“ Aber die endgültige Synthese – das Urteil darüber, „was diese beiden Quellen zusammen sagen“ – liegt bei Ihnen.
Schritt für Schritt: Aufbau eines Hybriddesigns
1. Geben Sie an, warum es gemischt ist. Gemischte Methoden werden nicht gewählt, „weil sie im Trend liegen“, sondern weil Ihre Forschungsfrage sowohl Breite als auch Tiefe erfordert. KI hilft Ihnen dabei, zu hinterfragen, ob Ihre Frage wirklich gemischt werden muss.
2. Sortierung auswählen. Ist es zuerst quantitativ und dann qualitativ (ermitteln Sie die Zahlen und vertiefen Sie dann das „Warum“ mit Interviews), oder ist es zuerst qualitativ und dann quantitativ (Entdecken der Themen und dann Messen ihrer Verbreitung)? KI erklärt die Logik jedes Designs.
3. Definieren Sie Einhängepunkte. An welchem Punkt treffen die beiden Datentypen aufeinander? Laden Sie beispielsweise die Gruppe, die in der Umfrage niedrige Ergebnisse erzielt hat, zu einem Interview ein. KI entwirft diese Verbindungsstrategien.
4. Erstellen Sie einen Triangulationsplan. Mit wie vielen verschiedenen Quellen werden Sie denselben Befund überprüfen? AI erstellt eine Checkliste für die Frage „Welche Sekundärquelle könnte diese Behauptung stützen?“
5. Widersprüche nicht verbergen, sondern erklären. Quantitative und qualitative Ergebnisse stehen manchmal im Widerspruch; Das ist kein Problem, es ist eine Erkenntnis. KI markiert Widerspruch; Es ist Ihre Aufgabe, es zu interpretieren.
Achtung: Triangulation bedeutet nicht, „den gleichen Fehler zweimal zu machen“. Wenn beide Ihrer Quellen aus derselben voreingenommenen Stichprobe stammen, werden Sie dadurch in die Irre geführt, dass sie sich gegenseitig „bestätigen“. Echte Triangulation ist die Überlappung wirklich unabhängiger Quellen.
drei Mini-Koffer
Fall 1 – Zahl und Geschichte verschmolzen. Ein Team stellte bei einer Umfrage unter 400 Menschen in einem Viertel (38 %) „geringes Nachbarschaftsvertrauen“ fest. Anschließend ging er dem „Warum“ mit 15 Interviews nach. Als YZ die Umfragetabelle und die Interviewthemen gegenüberstellte, zeigte sich, dass das Thema „rascher Bevölkerungswandel“ hinter dem geringen Vertrauen hervorstach. Die Zahlenprävalenz gab Anlass für die Befragung.
Fall 2 – Aus Widerspruch wurde Entdeckung. In der Umfrage sagten 72 % der Menschen: „Ich recyceln“; Doch als er in den meisten Interviews ausführlich darauf einging, erklärte er, dass er es tatsächlich unregelmäßig tat. KI hat auf diesen Widerspruch hingewiesen. Das Team interpretierte dies als „sozialen Erwünschtheitsbias“ (die Tendenz der Menschen, die Antwort zu geben, die angenommen wird); Der Widerspruch war ein Befund, der in der Befragung allein nicht erkennbar war.
Fall 3 – Falsche Triangulation erkannt. Ein Forscher fand in zwei verschiedenen Online-Umfragen das gleiche Ergebnis und hielt es für „bestätigt“. Als ich AI nach dem Design fragte, stellte sich heraus, dass beide Umfragen Teilnehmer aus derselben Social-Media-Gruppe rekrutierten. Die Quellen waren nicht unabhängig; „Triangulation“ war eigentlich eine Wiederholung derselben Voreingenommenheit.
Vier kopierbare Vorlagen
1) Gemischte Designbegründung:
Meine Forschungsfrage: [Frage]. Erfordert diese Frage wirklich eine gemischte Methode? (1) Erklären Sie, welcher Teil einen quantitativen Ansatz und welcher Teil einen qualitativen Ansatz erfordert. (2) Wie soll das quantitativ-qualitative Ranking aussehen und warum? (3) Wenn eine gemischte Methode nicht erforderlich ist, sagen Sie es ehrlich.
2) Verlinkungsstrategie:
Meine quantitative Phase: [Umfragebeschreibung]. Meine qualitative Phase: [Beschreibung des Interviews]. An welchem Punkt kann ich diese beiden Phasen verbinden? Welche Untergruppe sollte ich beispielsweise zu einem Meeting einladen? Schlagen Sie mir drei Verknüpfungsstrategien vor und erklären Sie, was jede davon bewirkt.
3) Triangulationskarte:
Mein bisher wichtigstes Ergebnis ist: [Befund]. Ich möchte dies mit unabhängigen Quellen überprüfen. (1) Welche verschiedenen Datenquellen können dieses Ergebnis überprüfen? (2) Wie überprüfe ich, ob die Quellen WIRKLICH unabhängig sind? Warnen Sie mich vor falscher Triangulation, die die gleiche Tendenz mit sich bringt.
4) Widerspruchsanalyse:
Mein quantitativer Befund: [Tabelle/Anzahl]. Mein qualitatives Ergebnis: [Thema]. Unterstützen, widersprechen oder ergänzen sich diese beiden? Wenn es eine Diskrepanz gibt, listen Sie mögliche Erklärungen auf (z. B. sozialer Erwünschtheitsbias, unterschiedliche Stichprobe). Verstecken Sie den Widerspruch nicht; Präsentieren Sie es als Erkenntnis.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Ich habe Umfrageergebnisse und Interviews. Kombinieren Sie diese und schreiben Sie ein einzelnes Ergebnis.
KI mischt zufällig zwei Quellen und erzeugt einen Text, der Widersprüche verbirgt und unklar ist, welche Behauptung aus welchen Daten stammt.
Kraftvolle Aufforderung:
Ich habe eine Mixed-Methods-Studie. Quantitative Ergebnisse: [Tabelle]. Qualifizierte Themen: [Liste]. Ihre Aufgabe: Für jedes Hauptergebnis separat die Punkte aufzeigen, an denen sich die quantitativen und qualitativen Quellen (a) stützen, (b) widersprechen und (c) ergänzen. Geben Sie in jeder Zeile die Quelle an. Verstecken Sie Widersprüche nicht, markieren Sie sie deutlich. Ich werde den Synthesekommentar abgeben; Sie stimmen Ressourcen aufeinander ab.
Der Unterschied: Der zweite Ansatz stellt die beiden Datentypen transparent gegenüber und bewahrt den Widerspruch als Erkenntnis.
Mixed-Methods-Designs
Design
Sortieren nach
Wozu ist es gut?
Achtung
erklärend
Quantitativ → Qualitativ
Die Zahl mit „Warum“ erklären
Auswahl der Interviewbeispiele
explorativ
Qualitativ → Quantitativ
Übertragen Sie das Thema maßstabsgetreu
Skalengültigkeit
gleichzeitig
gleichzeitig
Breites + tiefes Bild
Schwierigkeiten bei der Integration
miteinander verflochten
einer dominant
zusätzliche Perspektive
Die Rolle von Sekundärdaten
Häufige Fehler
- Die gemischte Methode ohne Begründung wählen. Wenn die Frage dies nicht erfordert, erhöhen die beiden Methoden nur den Arbeitsaufwand.
- Den Widerspruch verbergen. Der quantitativ-qualitative Widerspruch ist kein Makel, sondern oft die wertvollste Erkenntnis.
- Pseudo-Triangulation. Die zweimalige Verwendung derselben voreingenommenen Quelle stellt keine Verifizierung dar.
- Verlieren, welcher Anspruch woher kommt. Jede Erkenntnis muss ihrer Quelle treu bleiben.
- Denken Sie, dass zwei Daten die gleiche Tiefe haben. Im Allgemeinen ist einer dominant und der andere unterstützend; Klären Sie ihre Rollen.
Zusammenfassend
Die gemischte Methode ist eine Möglichkeit, ein Phänomen sowohl umfassend (quantitativ) als auch tiefgründig (qualitativ) zu betrachten; Bei der Triangulation wird der Befund mit unabhängigen Quellen verglichen. KI; Es ist ein wirkungsvolles Hilfsmittel, um Designprinzipien zu hinterfragen, Strategien für die Verbindung von Phasen zu entwickeln, zwei Arten von Daten transparent gegenüberzustellen und Widersprüche aufzuzeigen. Aber das Urteil über die Synthese, darüber, ob die Quellen wirklich unabhängig sind, und darüber, wie man den Widerspruch versteht, liegt bei Ihnen. Wählen Sie die gemischte Methode mit Begründung, verbergen Sie keine Widersprüche und vermeiden Sie falsche Triangulation.
Anwendungsaufgabe
Entwerfen Sie eine Forschungsfrage, die gemischte Methoden erfordert. Stellen Sie die KI-Frage mit der Vorlage „Mixed Design Justification“, ob die Frage wirklich gemischte Methoden erfordert. Machen Sie einen kleinen quantitativen Befund (einige Prozent) und ein paar qualitative Themen; Lassen Sie sie mit der Vorlage „Widerspruchsanalyse“ prüfen, ob sie sich gegenseitig unterstützen. Planen Sie abschließend, wie Sie einen Befund mit unabhängigen Quellen mit einer „Triangulationskarte“ vergleichen und beachten Sie das Risiko einer falschen Triangulation.
Checkliste
- [ ] Ich habe die gemischte Methode anhand der Forschungsfrage begründet.
- [ ] Ich habe den Verbindungspunkt der quantitativen und qualitativen Phasen definiert.
- [ ] Ich habe jedes Ergebnis mit seiner Quelle verknüpft.
- [ ] Ich habe die quantitativ-qualitativen Widersprüche nicht verheimlicht und sie als Erkenntnisse behandelt.
- [ ] Ich habe überprüft, ob die Quellen wirklich unabhängig sind.