收益：
- 能够证明研究问题是否确实需要混合方法
- 能够透明地将定量和定性发现并列并将其解释为一个发现而不隐藏矛盾
- 能够通过检查源是否真正独立来避免错误三角测量
社会事件往往无法通过单一视角得到充分理解。可能有必要对一种现象进行数字测量（有多少人，比例是多少）并深入理解它（为什么，如何）。这正是混合方法的本质：在同一研究中有意识地结合定量和定性方法。一个密切相关的概念是三角测量——通过使用不同的数据源、方法或观点交叉检查同一问题来测试结果的稳健性。在本单元中，您将学习如何使用人工智能来规划混合设计、组合不同类型的数据以及交叉验证结果。
混合方法的优点是一种方法弱，另一种方法强。该调查只提供了“普遍程度”，但没有提供“原因”；采访深入探讨了“原因”，但没有说明它适用于多少人。当两者结合使用时，你会得到一幅既博大又深刻的画。人工智能在这里特别有用，因为它可以帮助你将不同格式的数据（数字表和文本记录）并排放置，并有序地询问“它是相互支持还是相互矛盾”？但最终的综合——“这两个来源一起说了什么”的判断——是你的。
一步一步：设置混合设计
1. 说出混合的原因。选择混合方法并不是“因为它很流行”，而是因为你的研究问题需要广度和深度。人工智能可以帮助你质疑你的问题是否真的需要混合。
2. 选择排序。是先定量，然后定性（找到数字，然后通过访谈加深“为什么”），还是先定性，然后定量（发现主题，然后衡量其流行程度）？人工智能解释了每个设计的逻辑。
3. 定义安装点。这两种数据类型在什么时候会相遇？例如，邀请在调查中得分较低的群体进行采访。人工智能起草这些连接策略。
4. 制定三角测量计划。您将使用多少个不同的来源来检查相同的发现？人工智能针对“哪个二手来源可以支持这一说法？”这个问题生成了一份清单。
5、不要隐藏矛盾，要解释清楚。定量和定性的发现有时会发生冲突；这不是一个问题，而是一个发现。 AI标志着矛盾；你的工作就是解释它。
注意：三角测量并不是“同样的错误犯两次”。如果你的两个来源都来自同一个有偏见的样本，你就会被它们相互“证实”所误导。真正的三角测量是真正独立的源的重叠。
三个迷你箱子
案例 1 — 数字和故事合并。一个团队对一个社区的 400 人 (38%) 进行了一项调查，结果发现“社区信任度较低”。然后他通过 15 次采访来调查“为什么”。当YZ将调查表与访谈主题放在一起时，可以看出，在低信任度的背后，“人口快速变化”的主题脱颖而出。数字普遍性给出了访谈的理由。
案例2——矛盾转化为发现。调查中，72%的人表示“我回收”；但当他在大部分采访中详细说明时，他解释说，他实际上是不定期这样做的。人工智能已经标记了这一矛盾。研究小组将此解释为“社会期望偏差”（人们倾向于给出会被认可的答案）；这一矛盾是仅在调查中无法看到的发现。
情况 3 — 检测到错误三角测量。一名研究人员在两项不同的在线调查中发现了相同的结果，并认为这是“经过验证的”。当我向 AI 询问设计时，结果发现这两项调查都从同一社交媒体群组中招募了参与者。来源并不独立； “三角测量”实际上是相同偏见的重复。
四个可复制模板
1）混合设计原理：
我的研究问题：[问题]。这道题真的需要混合法吗？ (1) 解释哪部分需要定量方法，哪部分需要定性方法。 (2) 定量-定性排序应该是什么？为什么？ (3) 如果不需要混合方法，请如实说明。
2）链接策略：
我的定量阶段：[调查描述]。我的定性阶段：[采访描述]。我什么时候可以连接这两个阶段？例如，我应该邀请哪个小组参加会议？向我建议 3 种链接策略并解释每种策略的作用。
3）三角测量图：
到目前为止我的主要发现是：[发现]。我想与独立消息来源进行交叉核对。 (1) 哪些不同的数据源可以检验这一发现？ (2) 如何检查来源是否真正独立？警告我不要进行错误的三角测量，它也带有同样的偏见。
4）矛盾分析：
我的定量发现：[表/数字]。我的定性发现：[主题]。这两者是相互支持、矛盾还是互补？如果存在差异，请列出可能的解释（例如社会期望偏差、不同的样本）。不要隐藏矛盾；将其作为一项发现呈现。
弱提示/强提示
弱提示：
我有调查结果和访谈。将这些结合起来并写出一个结果。
人工智能随机混合两个来源并生成隐藏矛盾的文本，并且不清楚哪个主张来自哪个数据。
强力提示：
我有一个混合方法研究。定量结果：[表]。合格主题：[列表]。您的任务：对于每个主要发现，分别显示定量和定性来源 (a) 支持、(b) 矛盾和 (c) 相互补充的点。在每一行指定来源。不要隐藏矛盾，要清楚地标记出来。我会做综合评论；您调整资源。
区别在于：第二种方法透明地将两种数据类型并置，并将矛盾保留为结果。
混合方法设计
设计
排序依据
它有什么好处
注意
解释性的
定量→定性
用“为什么”解释这个数字
访谈样本选取
探索性的
定性→定量
按比例投射主题
量表效度
同时
同时
宽+深的图像
整合困难
交织在一起
一个占主导地位
额外的视角
二手数据的作用
常见错误
- 选择混合方法没有道理。如果题目不需要，这两种方法都只会增加工作量。
- 隐藏矛盾。定量与定性的矛盾并不是缺陷，但往往是最有价值的发现。
- 伪三角测量。两次使用相同的有偏差的源并不是验证。
- 失去来自哪里的主张。每项发现都必须忠实于其来源。
- 认为两个数据具有相同的深度。一般情况下，一个是主导性的，另一个是支持性的；明确他们的角色。
综上所述
混合方法是一种既广泛（定量）又深入（定性）地观察现象的方法；三角测量正在与独立来源交叉测试调查结果。人工智能;它对于质疑设计原理、生成连接阶段的策略、透明地并置两种类型的数据以及标记矛盾来说是一个强大的帮助。但是综合的判断、查看来源是否真正独立以及理解矛盾的判断是你的。选择有理有据的混合方法，不隐瞒矛盾，避免错误三角测量。
应用任务
设计一个需要混合方法的研究问题。使用“混合设计理由”模板让 AI 询问该问题是否真的需要混合方法。提出一个小的定量发现（百分之几）和一些定性主题；让他们用“矛盾分析”模板来检查他们是否相互支持。最后，计划如何使用“三角测量图”针对独立来源测试结果，并注意错误三角测量的风险。
清单
- [ ] 我根据研究问题证明了混合方法的合理性。
- [ ] 我定义了定量和定性阶段的连接点。
- [ ] 我将每项发现与其来源联系起来。
- [ ] 我没有隐藏定量与定性的矛盾，而是将其视为发现。
- [ ] 我检查了来源确实是独立的。