Zyski:
- Umiejętność uzasadnienia, czy dane pytanie badawcze rzeczywiście wymaga metod mieszanych
- Umiejętność przejrzystego zestawienia wyników ilościowych i jakościowych oraz zinterpretowania ich jako jednego ustalenia bez ukrywania sprzeczności
- Możliwość uniknięcia fałszywej triangulacji poprzez sprawdzenie, czy źródła są rzeczywiście niezależne
Wydarzeń społecznych często nie da się w pełni zrozumieć za pomocą jednej soczewki. Konieczne może być zarówno zmierzenie zjawiska liczbowo (ile osób, w jakiej proporcji), jak i dogłębne jego zrozumienie (dlaczego, jak). Właśnie tym są metody mieszane: świadomym łączeniem podejścia ilościowego i jakościowego w tych samych badaniach. Ściśle pokrewną koncepcją jest triangulacja — sprawdzanie wiarygodności ustaleń poprzez sprawdzenie krzyżowe tego samego pytania z różnymi źródłami danych, metodami lub perspektywami. W tej części dowiesz się, jak wykorzystywać sztuczną inteligencję w planowaniu projektowania hybrydowego, łączeniu różnych typów danych i krzyżowej walidacji ustaleń.
Siła metody mieszanej polega na tym, że tam, gdzie jedna metoda jest słaba, druga jest silna. Ankieta podaje „częstość występowania”, ale nie „dlaczego”; wywiad stara się odpowiedzieć na pytanie „dlaczego”, ale nie mówi, ilu osób to dotyczy. Kiedy użyjesz obu razem, otrzymasz obraz, który jest zarówno szeroki, jak i głęboki. Sztuczna inteligencja jest tutaj szczególnie przydatna, ponieważ pomaga umieszczać dane w różnych formatach (tabele liczb i transkrypcje tekstu) obok siebie i w uporządkowany sposób zadawać pytanie „czy się wspierają, czy zaprzeczają”? Ale ostateczna synteza – ocena „co te dwa źródła mówią razem” – należy do ciebie.
Krok po kroku: przygotowanie projektu hybrydowego
1. Podaj dlaczego jest mieszany. Metody mieszane wybiera się nie „ponieważ jest to modne”, ale dlatego, że pytanie badawcze wymaga zarówno szerokości, jak i głębokości. Sztuczna inteligencja pomaga Ci zadać pytanie, czy Twoje pytanie naprawdę wymaga miksowania.
2. Wybierz sortowanie. Czy ma ona najpierw charakter ilościowy, potem jakościowy (znajdź liczby, a następnie pogłębij „dlaczego” za pomocą wywiadów), czy też ma charakter najpierw jakościowy, a potem ilościowy (odkrycie tematów, a następnie zmierzenie ich rozpowszechnienia)? AI wyjaśnia logikę każdego projektu.
3. Zdefiniuj punkty montowania. W którym momencie te dwa typy danych się spotkają? Np. zaproszenie na rozmowę grupy, która uzyskała niskie wyniki w ankiecie. AI opracowuje te strategie połączeń.
4. Zrób plan triangulacji. W ilu różnych źródłach sprawdzisz to samo ustalenie? AI tworzy listę kontrolną odpowiadającą na pytanie „które źródło wtórne może poprzeć to twierdzenie?”
5. Nie ukrywaj sprzeczności, wyjaśnij je. Wyniki ilościowe i jakościowe są czasami sprzeczne; To nie jest problem, to jest odkrycie. AI oznacza sprzeczność; Twoim zadaniem jest to zinterpretować.
Uwaga: triangulacja nie polega na „dwukrotnym popełnieniu tego samego błędu”. Jeśli oba Twoje źródła pochodzą z tej samej stronniczej próby, zostaniesz wprowadzony w błąd przez wzajemne „potwierdzanie”. Prawdziwa triangulacja to nakładanie się naprawdę niezależnych źródeł.
trzy mini etui
Przypadek 1 — Połączenie liczby i historii. Jeden zespół stwierdził „niskie zaufanie sąsiedzkie” w ankiecie przeprowadzonej wśród 400 osób w jednej okolicy (38%). Następnie zbadał „dlaczego” za pomocą 15 wywiadów. Kiedy YZ umieścił obok siebie tabelę z ankietą i tematy wywiadów, okazało się, że za niskim zaufaniem wyróżniał się temat „szybkiej zmiany populacji”. Częstotliwość występowania była powodem rozmowy kwalifikacyjnej.
Przypadek 2 — Sprzeczność zamieniona w odkrycie. W ankiecie 72% osób stwierdziło, że „poddaje recyklingowi”; Kiedy jednak w większości wywiadów wdawał się w szczegóły, wyjaśniał, że tak naprawdę robił to nieregularnie. Sztuczna inteligencja zauważyła tę sprzeczność. Zespół zinterpretował to jako „błąd związany z atrakcyjnością społeczną” (skłonność ludzi do udzielania odpowiedzi, która zostanie zatwierdzona). Sprzeczność wynikała z ustalenia, którego nie można było dostrzec w samym badaniu.
Przypadek 3 — Wykryto fałszywą triangulację. Badacz znalazł ten sam wynik w dwóch różnych ankietach internetowych i uznał go za „zweryfikowany”. Kiedy zapytałem AI o projekt, okazało się, że w obu badaniach rekrutowano uczestników z tej samej grupy w mediach społecznościowych. Źródła nie były niezależne; „triangulacja” była w rzeczywistości powtórzeniem tego samego błędu.
Cztery szablony do kopiowania
1) Uzasadnienie projektu mieszanego:
Moje pytanie badawcze: [pytanie]. Czy to pytanie naprawdę wymaga metody mieszanej? (1) Wyjaśnij, która część wymaga podejścia ilościowego, a która jakościowego. (2) Jaki powinien być ranking ilościowo-jakościowy i dlaczego? (3) Jeśli metoda mieszana nie jest konieczna, powiedz to szczerze.
2) Strategia łączenia:
Mój etap ilościowy: [opis ankiety]. Moja faza jakościowa: [opis wywiadu]. W którym momencie mogę połączyć te dwie fazy? Na przykład, którą podgrupę mam zaprosić na spotkanie? Zaproponuj mi 3 strategie łączenia i wyjaśnij, co robi każda z nich.
3) Mapa triangulacyjna:
Moje główne odkrycie do tej pory to: [odkrycie]. Chcę to sprawdzić w niezależnych źródłach. (1) Jakie różne źródła danych mogą zweryfikować to ustalenie? (2) Jak sprawdzić, czy źródła są PRAWDZIWIE niezależne? Ostrzeż mnie przed fałszywą triangulacją, która niesie ze sobą te same uprzedzenia.
4) Analiza sprzeczności:
Moje ustalenia ilościowe: [tabela/numer]. Moje odkrycie jakościowe: [temat]. Czy te dwie rzeczy się wspierają, zaprzeczają czy uzupełniają? Jeżeli istnieje rozbieżność, wypisz możliwe wyjaśnienia (np. stronniczość związana z atrakcyjnością społeczną, inna próba). Nie ukrywaj sprzeczności; przedstawić to jako odkrycie.
Słaba zachęta/silna zachęta
Słaba zachęta:
Mam wyniki ankiet i wywiadów. Połącz je i zapisz pojedynczy wynik.
Sztuczna inteligencja losowo łączy dwa źródła i tworzy tekst ukrywający sprzeczności i niejasny, które twierdzenie pochodzi z jakich danych.
Potężny monit:
Mam badanie metodami mieszanymi. Wyniki ilościowe: [tabela]. Kwalifikujące się tematy: [lista]. Twoje zadanie: dla każdego głównego ustalenia odrębnie wskazać punkty, w których źródła ilościowe i jakościowe (a) potwierdzają, (b) są sprzeczne i (c) się uzupełniają. Określ źródło w każdym wierszu. Nie ukrywaj sprzeczności, zaznacz je wyraźnie. Poczynię komentarz syntetyczny; Wyrównujesz zasoby.
Różnica: drugie podejście w przejrzysty sposób zestawia dwa typy danych i zachowuje sprzeczność jako wynik.
Projekty metod mieszanych
Projekt
Sortuj według
Do czego to jest dobre
Uwaga
wyjaśniające
Ilościowe → Jakościowe
Wyjaśnianie liczby za pomocą słowa „dlaczego”
Wybór próbki do wywiadu
eksploracyjny
Jakościowe → Ilościowe
Rzuć motyw w skali
Ważność skali
jednocześnie
jednocześnie
Szeroki + głęboki obraz
Trudność w integracji
splecione
jedna dominująca
dodatkowa perspektywa
Rola danych wtórnych
Typowe błędy
- Wybór metody mieszanej bez uzasadnienia. Jeśli pytanie tego nie wymaga, obie metody tylko zwiększają obciążenie.
- Ukrywanie sprzeczności. Sprzeczność ilościowo-jakościowa nie jest wadą, ale często najcenniejszym ustaleniem.
- Pseudotriangulacja. Dwukrotne użycie tego samego stronniczego źródła nie jest weryfikacją.
- Przegrana, które roszczenie pochodzi skąd. Każde odkrycie musi pozostać wierne swemu źródłu.
- Myślenie, że dwa dane mają taką samą głębokość. Ogólnie rzecz biorąc, jeden dominuje, a drugi wspiera; Wyjaśnij ich role.
Podsumowując
Metoda mieszana to sposób patrzenia na zjawisko zarówno szeroko (ilościowo), jak i głęboko (jakościowo); Triangulacja polega na sprawdzeniu wyników z niezależnymi źródłami. sztuczna inteligencja; jest potężną pomocą w kwestionowaniu przesłanek projektu, generowaniu strategii łączenia faz, przejrzystym zestawianiu dwóch typów danych i sygnalizowaniu sprzeczności. Ale ocena syntezy, sprawdzenia, czy źródła są naprawdę niezależne i zrozumienia sprzeczności, należy do ciebie. Wybierz metodę mieszaną z uzasadnieniem, nie ukrywaj sprzeczności i unikaj fałszywej triangulacji.
Zadanie aplikacji
Zaprojektuj pytanie badawcze wymagające metod mieszanych. Zadaj pytanie AI, czy pytanie naprawdę wymaga metod mieszanych, korzystając z szablonu „mieszanego uzasadnienia projektu”. Stwórz małe ustalenie ilościowe (kilka procent) i kilka tematów jakościowych; Niech sprawdzą, czy wspierają się nawzajem za pomocą szablonu „analizy sprzeczności”. Na koniec zaplanuj, w jaki sposób przetestujesz ustalenia w oparciu o niezależne źródła za pomocą „mapy triangulacji” i zwróć uwagę na ryzyko fałszywej triangulacji.
lista kontrolna
- [ ] Metodę mieszaną uzasadniłem pytaniem badawczym.
- [ ] Zdefiniowałem punkt styku faz ilościowych i jakościowych.
- [ ] Powiązałem każde znalezisko z jego źródłem.
- [ ] Nie ukrywałem sprzeczności ilościowo-jakościowych i traktowałem je jako ustalenia.
- [ ] Sprawdziłem, czy źródła są rzeczywiście niezależne.