רווחים:
- יכולת לנמק האם שאלת מחקר באמת דורשת שיטות מעורבות
- יכולת לשים בשקיפות ממצאים כמותיים ואיכותיים זה לצד זה ולפרש אותם כממצא אחד מבלי להסתיר סתירות
- יכולת להימנע מטריאנגולציה כוזבת על ידי בדיקה האם המקורות באמת עצמאיים
אירועים חברתיים לרוב לא ניתנים להבנה מלאה דרך עדשה אחת. ייתכן שיהיה צורך גם למדוד תופעה מספרית (כמה אנשים, באיזה פרופורציה) וגם להבין אותה לעומק (למה, איך). זה בדיוק מהן שיטות מעורבות: שילוב מודע בין גישות כמותיות ואיכותיות באותו מחקר. מושג הקשור קשר הדוק הוא טריאנגולציה - בדיקת חוסנו של ממצא על ידי הצלבה של אותה שאלה עם מקורות נתונים, שיטות או נקודות מבט שונות. ביחידה זו תלמדו כיצד להשתמש בבינה מלאכותית בתכנון עיצוב היברידי, שילוב של סוגי נתונים שונים ואימות צולב של ממצאים.
החוזק של השיטה המעורבת הוא שכאשר שיטה אחת חלשה, השניה חזקה. הסקר נותן לך את ה"שכיחות" אבל לא את ה"למה"; הראיון חופר ב"למה" אבל לא אומר על כמה אנשים הוא מתייחס. כשמשתמשים בשניהם ביחד, מקבלים ציור שהוא גם רחב וגם עמוק. AI שימושי במיוחד כאן מכיוון שהוא עוזר לך לשים נתונים בפורמטים שונים (טבלאות של מספרים ותמלול טקסט) זה לצד זה ולשאול "האם זה תומך או סותר זה את זה" בצורה מסודרת? אבל הסינתזה הסופית - השיפוט של "מה אומרים שני המקורות האלה ביחד" - היא שלך.
שלב אחר שלב: הקמת עיצוב היברידי
1. ציינו מדוע הוא מעורבב. שיטות מעורבות נבחרות לא "כי זה טרנדי" אלא בגלל שאלת המחקר שלך דורשת גם רוחב וגם עומק. AI עוזר לך לשאול אם השאלה שלך באמת דורשת ערבוב.
2. בחר מיון. האם זה כמותי קודם כל, אחר כך איכותי (מצא את המספרים, ואז העמיק את ה"למה" עם ראיונות), או שזה איכותי קודם, אחר כך כמותי (מגלה את הנושאים, ואז מדידת שכיחותם)? AI מסביר את ההיגיון של כל עיצוב.
3. הגדר נקודות הרכבה. באיזה שלב שני סוגי הנתונים יפגשו? למשל, הזמנת הקבוצה שנתנה ציונים נמוכים בסקר לראיון. AI מנסח את אסטרטגיות החיבור הללו.
4. ערכו תוכנית טריאנגולציה. עם כמה מקורות שונים תבדוק את אותו ממצא? בינה מלאכותית מייצרת רשימת ביקורת לשאלה "איזה מקור משני יכול לתמוך בטענה זו?"
5. אל תסתירו סתירות, הסבירו אותן. ממצאים כמותיים ואיכותיים לפעמים מתנגשים; זו לא בעיה, זה ממצא. AI מסמן סתירה; זה התפקיד שלך לפרש את זה.
זהירות: טריאנגולציה אינה "לעשות את אותה טעות פעמיים". אם שני המקורות שלך באים מאותו מדגם מוטה, תוטעו על ידי שהם "מאשרים" זה את זה. טריאנגולציה אמיתית היא חפיפה של מקורות עצמאיים באמת.
שלושה מיני תיקים
מקרה 1 - מספר וסיפור אוחדו. צוות אחד מצא "אמון נמוך בשכונה" בסקר של 400 אנשים בשכונה אחת (38%). אחר כך הוא חקר את ה"למה" עם 15 ראיונות. כאשר YZ הניח את טבלת הסקר ואת נושאי הראיונות זה לצד זה, זה הראה שהנושא של "שינוי מהיר באוכלוסייה" בלט מאחורי האמון הנמוך. שכיחות המספר נתנה סיבה לראיון.
מקרה 2 - סתירה הפכה לגילוי. בסקר, 72% מהאנשים אמרו "אני ממחזר"; אבל כשפירט ברוב הראיונות, הוא הסביר שהוא בעצם עשה את זה בצורה לא סדירה. בינה מלאכותית סימנה את הסתירה הזו. הצוות פירש זאת כ"הטיית רצויות חברתית" (נטייתם של אנשים לתת את התשובה שתאושר); הסתירה הייתה ממצא שלא ניתן היה לראות בסקר בלבד.
מקרה 3 - זוהה טריאנגולציה כוזבת. חוקר מצא את אותה תוצאה בשני סקרים שונים באינטרנט וחשב שהיא "מאומת". כששאלתי את AI על העיצוב, התברר ששני הסקרים גייסו משתתפים מאותה קבוצת מדיה חברתית. המקורות לא היו עצמאיים; "טריאנגולציה" הייתה למעשה חזרה על אותה הטיה.
ארבע תבניות הניתנות להעתקה
1) רציונל עיצוב מעורב:
שאלת המחקר שלי: [שאלה]. האם השאלה הזו באמת דורשת שיטה מעורבת? (1) הסבירו איזה חלק דורש גישה כמותית ואיזה חלק דורש גישה איכותית. (2) מה צריך להיות הדירוג הכמותי-איכותי ומדוע? (3) אם שיטה מעורבת מיותרת, אמור זאת בכנות.
2) אסטרטגיית קישור:
השלב הכמותי שלי: [תיאור הסקר]. השלב האיכותי שלי: [תיאור ראיון]. באיזה שלב אני יכול לחבר את שני השלבים האלה? לדוגמה, איזו תת-קבוצה עלי להזמין לפגישה? הצע לי 3 אסטרטגיות קישור והסביר מה כל אחת עושה.
3) מפת טריאנגולציה:
הממצא העיקרי שלי עד כה הוא: [ממצא]. אני רוצה להצליב את זה עם מקורות בלתי תלויים. (1) אילו מקורות נתונים שונים יכולים לבדוק ממצא זה? (2) איך אני בודק אם המקורות באמת בלתי תלויים? הזהיר אותי מטריאנגולציה כוזבת, הנושאת אותה הטיה.
4) ניתוח סתירות:
הממצא הכמותי שלי: [טבלה/מספר]. הממצא האיכותי שלי: [נושא]. האם שני אלה תומכים, סותרים או משלימים זה את זה? אם יש אי התאמה, רשום הסברים אפשריים (למשל הטיית רצונות חברתית, מדגם שונה). אל תסתיר את הסתירה; להציג אותו כממצא.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
יש לי תוצאות סקר וראיונות. שלב את אלה וכתוב תוצאה אחת.
AI מערבבת באופן אקראי שני מקורות ומייצר טקסט שמסתיר סתירות ולא ברור איזו טענה מגיעה מאילו נתונים.
הנחיה עוצמתית:
יש לי מחקר בשיטות מעורבות. ממצאים כמותיים: [טבלה]. נושאים מתאימים: [רשימה]. המשימה שלך: עבור כל ממצא עיקרי, להראות בנפרד את הנקודות שבהן המקורות הכמותיים והאיכותיים (א) תומכים, (ב) סותרים ו- (ג) משלימים זה את זה. ציין את המקור בכל שורה. אל תסתיר סתירות, סמן אותן בצורה ברורה. אעיר את הערת הסינתזה; אתה מיישר משאבים.
ההבדל: הגישה השנייה מציבה בשקיפות את שני סוגי הנתונים ומשמרת את הסתירה כממצא.
עיצובים בשיטות מעורבות
עיצוב
מיין לפי
בשביל מה זה טוב
תשומת לב
מסביר
כמותי → איכותי
הסבר המספר עם "למה"
בחירת מדגם ראיון
חקרנית
איכותי → כמותי
העבר את הנושא לקנה מידה
תוקף סולם
בו זמנית
בו זמנית
תמונה רחבה + עמוקה
קושי להשתלב
שזורים זה בזה
דומיננטי אחד
פרספקטיבה נוספת
תפקידם של נתונים משניים
טעויות נפוצות
- בחירה בשיטה המעורבת ללא הצדקה. אם השאלה אינה דורשת זאת, שתי השיטות רק מוסיפות עומס עבודה.
- מסתירים את הסתירה. הסתירה הכמותית-איכותית אינה פגם, אלא לרוב הממצא בעל הערך הרב ביותר.
- פסאודו-טריאנגולציה. שימוש באותו מקור מוטה פעמיים אינו אימות.
- להפסיד איזו תביעה מגיעה מאיפה. כל ממצא חייב להישאר נאמן למקורו.
- חושב ששני נתונים הם בעומק שווה. בדרך כלל, אחד דומיננטי והשני תומך; הבהירו את תפקידיהם.
לסיכום
השיטה המעורבת היא דרך להסתכל על תופעה באופן רחב (כמותי) וגם עמוק (איכותי); טריאנגולציה היא בדיקה צולבת של הממצא עם מקורות בלתי תלויים. AI; הוא מהווה כלי עזר רב עוצמה להטיל ספק ברציונל התכנון, יצירת אסטרטגיות לחיבור שלבים, הצבת שני סוגי נתונים זה לצד זה וסימון סתירות. אבל השיפוט של הסינתזה, של לראות אם המקורות הם באמת עצמאיים, ושל הגיון בסתירה הוא שלך. בחרו בשיטה המעורבת עם הצדקה, אל תסתירו סתירה והימנעו מטריאנגולציה כוזבת.
משימת יישום
עיצוב שאלת מחקר הדורשת שיטות מעורבות. הפוך את שאלת הבינה המלאכותית האם השאלה באמת דורשת שיטות מעורבות עם תבנית "הצדקת עיצוב מעורב". המצא ממצא כמותי קטן (כמה אחוזים) וכמה נושאים איכותיים; בקש מהם לבחון אם הם תומכים זה בזה עם תבנית "ניתוח הסתירה". לבסוף, תכנן כיצד תבדוק ממצא מול מקורות בלתי תלויים עם "מפת משולש" ושימו לב לסיכון של משולש כוזב.
רשימת בדיקה
- [ ] נימקתי את השיטה המעורבת על סמך שאלת המחקר.
- [ ] הגדרתי את נקודת החיבור של השלב הכמותי והאיכותי.
- [ ] קישרתי כל ממצא למקור שלו.
- [ ] לא הסתרתי את הסתירות הכמותיות-איכותיות והתייחסתי אליהן כממצאים.
- [ ] בדקתי שהמקורות באמת בלתי תלויים.