Gevinster:
- Evne til å bruke kunstig intelligens som tankepartner i å spisse forskningsspørsmålet, generere hypoteser og variabel definisjon, og metodevalg
- Evne til å oppnå kvantitative, kvalitative og blandede design-, prøve- og validitets-pålitelighetsalternativer fra kunstig intelligens og vurdere dem i henhold til deres felt og etiske regler.
- Evne til å forstå at metodiske beslutninger og etikkkomiteens (IRB) ansvar tilhører forskeren og at forslaget om kunstig intelligens kun er et utkast.
Etter å ha blitt kjent med litteraturen er det på tide å designe ditt eget studie. Forskningsdesign er prosessen med å starte med et spørsmål og gjøre det om til en målbar, svarbar studie: skjerpe spørsmålet, etablere en hypotese, definere variabler, velge riktig design og metode, bestemme utvalget, vurdere validitet og reliabilitet. Dette er den mest mentalt krevende delen av forskning, og AI kan være en sterk tankepartner her – generere alternativer, fremkalle blindsoner, sammenligne alternativer. Men kjerneregelen i denne enheten er klar: Metodiske beslutninger og etisk ansvar tilhører forskeren; AI gir bare alternativer for å evaluere.
Fra spørsmål til hypotese
Et godt forskningsspørsmål er fokusert, svarbart og originalt. Et vanlig rammeverk er PICO i eksperimentelle/kliniske studier: Populasjon, Intervensjon, Sammenligning, Utfall. I samfunnsvitenskap er spørsmålet generelt stilt som en sammenheng mellom variabler. AI hjelper deg med å begrense et bredt spørsmål og foreslår flere alternative formuleringer.
En hypotese er en transformasjon av problemet til en testbar prediksjon; involverer vanligvis en retning ("X øker Y"). Variabler er tingene du måler: uavhengig variabel (som du påvirker), avhengig variabel (utfallet du måler), kontrollvariabler (som du holder konstant). AI er nyttig for å skjerpe hypotesen, destillere variablene til operasjonelle definisjoner (målbare definisjoner), og gjenkalle mulige konfoundere (den tredje faktoren som i hemmelighet påvirker utfallet).
Hint: Fortell AI-en "også gi argumenter for å motbevise denne hypotesen." Det er verdifullt å se svakhetene ved ditt eget design tidlig, slik at du kan lære nå i stedet for under dommerprosessen.
Design, utvalg og validitet
Forskningsdesignet er hvordan data vil bli samlet inn og strukturert for å svare på spørsmålet ditt. Det er tre brede familier: kvantitativ (numeriske data, statistisk testing – eksperimentell, kvasi-eksperimentell, korrelasjonell, undersøkelse), kvalitativ (tekst/observasjon, mening og erfaring – intervju, casestudie, fenomenologi, jordet teori) og blandet metode (kombinerer de to). AI kan sammenligne hvert mønster med dets fordeler og ulemper og diskutere hvilken som kan passe best for spørsmålet ditt; men det ultimate valget er ditt, basert på dine kilder, felttradisjoner og spørsmålets natur.
Prøven er delmengden fra universet ditt som du undersøker. I kvantitativ beregnes prøvestørrelsen ved kraftanalyse - den minste prøven som kreves for å fange en statistisk signifikant effekt; AI minner om formelen og forutsetningene, men du bør bekrefte nummeret med en programvare (som GPower). Validitet (måler du virkelig det du måler) og pålitelighet* (kan målingen gjentas) er kvalitetssikringer av design; AI lister opp trusler, du tar forholdsregler.
Det mest kritiske punktet er etikk. Enhver studie som involverer mennesker eller dyr krever godkjenning fra etisk komité (IRB): informert samtykke, konfidensialitet, ikke-maleficence. AI kan hjelpe deg med å utarbeide en søknad om etisk komité, men det er aldri en erstatning for godkjenning og etisk ansvar. AI kan ikke si "dette designet er etisk"; Dette avgjøres av din institusjons etiske komité.
Blandede metoder begrunnelse og forhåndsregistrering
Et viktig spørsmål når man velger en blandet metode er hvorfor og hvordan man kombinerer de to datatypene. Bare det å si "Jeg gjennomførte både en undersøkelse og et intervju" er ikke en blandet metode; Designet må ha en logikk. Vanlige design inkluderer utforskende sekvensiell (først kvantitativ, deretter kvalitativ for å utdype funn), utforskende sekvensiell (først kvalitativ, deretter skalautvikling og kvantitativ testing), og samtidige nestede design. AI kan sammenligne disse mønstrene i henhold til spørsmålet ditt og diskutere hvilken som passer til integrasjonslogikken; men valget avhenger av hva spørsmålet ditt egentlig krever.
Et kraftig verktøy for metodisk integritet er forhåndsregistrering: registrering av hypotese, variabler og analyseplan i et åpent depot (som OSF) før datainnsamling. Dette forhindrer etterpåklokskapsjakt (HARKing - å lage hypoteser etter å ha sett resultatet) og øker troverdigheten til studien din. AI kan hjelpe deg med å strukturere et utkast til forhåndsregistreringsskjemaet og oppdage eventuelle uklarheter i planen din; Hver avgjørelse du tar opp er imidlertid din, og det er ditt ansvar å holde seg til den etter innspillingen.
tre minisaker
Tilfelle 1 — Innsnevring av spørsmålet. En avgangsstudents spørsmål var "Hvordan påvirker sosiale medier unge?" Det var så stort og umålelig. Han satte AI inn i et PICO-lignende rammeverk; Spørsmålet er "Er det en sammenheng mellom daglig Instagram-brukstid og søvnkvalitet hos 14-17 år gamle elever på videregående skole?" har blitt. Et målbart, begrenset og svarbart spørsmål; AI bidro til å begrense det, studenten tok avgjørelsen.
Tilfelle 2 — Forvirrende variabel advarsel. En forsker antok "nettbasert kurs → lav prestasjon." Han spurte AI om dens svakheter; AI minnet oss om at sosioøkonomisk status kan være en forvirring som påvirker både kurstype og suksess. Forskeren visste ikke dette, men han hoppet over å legge den til som en kontrollvariabel i designet sitt. AI fungerte som en påminnelse; han tok den metodiske avgjørelsen selv.
Sak 3 - Etisk grense. En student utformet en undersøkelse om et sensitivt tema (stoffbruk) og spurte YZ: "Vil denne undersøkelsen bestå den etiske komiteen?" spurte han. AI listet opp generelle prinsipper (samtykke, anonymitet, rett til å trekke tilbake), men studenten erstattet ikke dette med samtykke; Den reelle etiske komiteen søkte og styret ba om rettelser i to artikler. AI hjalp til med å utarbeide, styret tok avgjørelsen.
Kopierbare maler
1) Begrenser spørsmålet:
Din rolle: en metodikkkonsulent. Mitt brede interesseområde er: "[emne]". Begrens dette til 3 fokuserte, målbare alternative forskningsspørsmål. For hver, spesifiser utvalget, nøkkelvariabler og mulig design. Dette er alternativene; Jeg bestemmer meg.
2) Hypotese og variabel disambiguering:
Mitt forskningsspørsmål: "[spørsmål]". Foreslå meg (a) en testbar hypotese, (b) uavhengige/avhengige/kontrollvariabler, (c) operasjonell (målbar) definisjon for hver variabel. List også opp mulige forstyrrende variabler. Diskuter alternativene, avgjørelsen er min.
3) Mønstersammenligning:
Sammenlign design av kvantitative, kvalitative og blandede metoder for «[spørsmål]» i en tabell: passform, styrke, grense, nødvendig ressurs. Ikke si "velg dette" helt sikkert; Gi meg fordeler og ulemper, jeg tar valget.
4) Trusselliste over gyldighet/pålitelighet:
List opp følgende designs trusler mot intern validitet, ekstern validitet og reliabilitet og foreslå et mulig mottiltak for hver. Design: [oppsummere]. Dette vil være min sjekkliste; Jeg tar avgjørelsen.
Svak forespørsel / Sterk forespørsel
Svak melding:
Gi meg et forskningsdesign.
Det er ingen emner, spørsmål, områder og begrensninger; AI lager en felles, ubrukelig mal.
Kraftig ledetekst:
Din rolle: erfaren metodolog innen utdanningsvitenskap. Mitt spørsmål: "Effekten av blended learning på 7. klasses naturfagprestasjon". For et kvasi-eksperimentelt design: diskuter passende kontrollgruppestrategi, type måleinstrumenter, mulige konfounders og interne validitetstrusler som OPSJONER. Si hvilken informasjon som trengs for kraftanalyse; Jeg vil beregne tallet med benG*Power. Kryss av for punkter som krever etisk godkjenning.
Designbeslutning
Rollen til AI
Hvem sitt ansvar
Begrens spørsmålet
produserer alternativer
Forskeren velger
Hypotese/variabel
Utkast + påminnelse
Forsker definerer
Mønstervalg
sammenligner
Forskeren bestemmer
prøvestørrelse
Formel minner
Bekreftet av programvare
Etisk godkjenning
utkastassistent
Kun etisk komité
Vanlige feil
- Å få AI til å velge mønsteret. Den metodiske beslutningen tilhører forskeren; AI foreslår, du velger.
- Omgå etikkstyret. AI kan ikke si "etisk"; Godkjenning kommer fra institusjonens etiske utvalg.
- Ignorerer miksere. Hvis kontrollvariabler ikke er planlagt, kan ikke resultatet tolkes.
- Får det nøyaktige antallet prøver fra AI. Bekreft strømanalyse med passende programvare.
- Begrenser ikke spørsmålet. Et umåtelig bredt spørsmål betyr en studie som ikke kan utformes.
Forsiktig: En metode foreslått av AI er kanskje ikke standard i ditt felt. Sammenlign hver anbefaling med metodikkressurser innen ditt felt (lærebok, konsulent, lignende publikasjoner); AI snakker generelt, domenekonvensjoner er spesifikke.
Oppsummert
Forskningsdesign er en kjede som går fra å spisse spørsmålet til prøvetaking og etikk. AI er en kraftig tankepartner som produserer alternativer i alle ledd i denne kjeden og minner om blindsoner; klargjør hypotesen, sammenligner mønstre, lister opp trusler. Men ansvaret for designvalg, prøvebekreftelse og spesielt etisk godkjenning ligger hos forskeren og den etiske komiteen. Den korteste tommelfingerregelen: valget er fra AI, den metodiske og etiske avgjørelsen er fra deg.
Søknadsoppgave
Få din egen forskningsidé. Med AI kan du begrense det til 3 fokuserte spørsmål og velge ett. Generer hypoteser, variabler og operasjonelle definisjoner for spørsmålet du har valgt og korriger dem i henhold til ditt felt. Be om en kvantitativ/kvalitativ/blandet design-sammenligning og begrunn hvilken du valgte og hvorfor i et avsnitt. Kryss av for punkter som krever etisk godkjenning.
sjekkliste
- [ ] Har jeg begrenset forskningsspørsmålet mitt målbart?
- [ ] Har jeg avklart hypotesene og variablene med operasjonelle definisjoner?
- [ ] Har jeg planlagt forvirrende variabler?
- [ ] Valgte jeg mønsteret av mine egne grunner?
- [ ] Har jeg bestemt punktene som krever godkjenning av etisk komité?