Discreta de medidas que no requieren que el investigador se entrometen en el contexto de la investigación. La observación directa y participativa requiere que el investigador esté presente físicamente. Esto puede llevar a los encuestados a alterar su comportamiento para verse bien a los ojos del investigador. Un cuestionario es una interrupción en el flujo natural del comportamiento. Los encuestados pueden cansarse de completar una encuesta o resentirse de las preguntas formuladas.
La medición discreta reduce presumiblemente los sesgos que resultan de la intrusión del investigador o del instrumento de medición. Sin embargo, las medidas discretas reducen el grado en que el investigador tiene control sobre el tipo de datos recopilados. Para algunos constructos, es posible que simplemente no haya medidas discretas disponibles.
Aquí se discuten tres tipos de mediciones discretas.
Medidas indirectas
Una medida indirecta es una medida discreta que ocurre naturalmente en un contexto de investigación. El investigador es capaz de recopilar los datos sin introducir ningún procedimiento de medición formal.
Los tipos de medidas indirectas que pueden estar disponibles solo están limitados por la imaginación y la inventiva del investigador. Por ejemplo, digamos que le gustaría medir la popularidad de varias exhibiciones en un museo. Puede ser posible configurar algún tipo de sistema de medición mecánica que sea invisible para los usuarios del museo. En un estudio, el sistema era simple. El museo instaló baldosas nuevas frente a cada exposición en la que querían medir y, después de un período de tiempo, midieron el desgaste de las baldosas como una medida indirecta del tráfico y el interés de los clientes. Podríamos mejorar considerablemente este enfoque utilizando medidas electrónicas. Podríamos, por ejemplo, construir un dispositivo eléctrico que detecta el movimiento frente a una exposición. O podríamos colocar cámaras ocultas y codificar el interés de los clientes basándose en pruebas grabadas en video.
Una de mis medidas indirectas favoritas ocurrió en un estudio de las preferencias de escucha de las emisoras de radio. En lugar de realizar una encuesta molesta o una entrevista sobre las estaciones de radio favoritas, los investigadores fueron a los concesionarios de automóviles y garajes locales y revisaron todos los automóviles que se estaban reparando para ver a qué estación estaba sintonizada la radio actualmente. De manera similar, si desea conocer las preferencias de la revista, puede hurgar en la basura de su muestra o incluso organizar un esfuerzo de reciclaje de revista de puerta a puerta.
Estos ejemplos ilustran uno de los puntos más importantes sobre las medidas indirectas: hay que tener mucho cuidado con la ética de este tipo de medidas. En una medida indirecta, usted está, por definición, recopilando información sin el conocimiento del encuestado. Al hacerlo, puede estar violando su derecho a la privacidad y ciertamente no está utilizando el consentimiento informado. Por supuesto, algunos tipos de información pueden ser públicos y, por lo tanto, no implican una invasión de la privacidad.
Puede haber ocasiones en que una medida indirecta sea apropiada, fácilmente disponible y ética. Sin embargo, al igual que con todas las mediciones, debe asegurarse de intentar estimar la confiabilidad y validez de las medidas. Por ejemplo, recopilar las preferencias de las emisoras de radio en dos períodos de tiempo diferentes y correlacionar los resultados podría ser útil para evaluar la fiabilidad de las pruebas y repeticiones. O bien, puede incluir la medida indirecta junto con otras medidas directas del mismo constructo (tal vez en un estudio piloto) para ayudar a establecer la validez de constructo.
Análisis de contenido
El análisis de contenido es el análisis de documentos de texto. El análisis puede ser cuantitativo, cualitativo o ambos. Por lo general, el propósito principal del análisis de contenido es identificar patrones en el texto. El análisis de contenido es un área de investigación extremadamente amplia. Incluye:
- análisis Temático del texto. La identificación de temas o ideas principales en un documento o conjunto de documentos. Los documentos pueden ser cualquier tipo de texto, incluidas notas de campo, artículos de prensa, documentos técnicos o notas de organización.
- Indexación. Hay una amplia variedad de métodos automatizados para indexar rápidamente documentos de texto. Por ejemplo, el análisis de palabras clave en contexto (KWIC) es un análisis computarizado de datos de texto. Un programa de computadora escanea el texto e indexa todas las palabras clave. Una palabra clave es cualquier término del texto que no esté incluido en un diccionario de excepciones. Por lo general, debe configurar un diccionario de excepciones que incluya todas las palabras no esenciales como «es», «y» y «de». Todas las palabras clave están alfabetizadas y se enumeran con el texto que las precede y sigue para que el investigador pueda ver la palabra en el contexto en el que ocurrió en el texto. En un análisis del texto de la entrevista, por ejemplo, uno podría identificar fácilmente todos los usos del término «abuso» y el contexto en el que se usaron.
- Análisis descriptivo cuantitativo. Aquí el propósito es describir las características del texto cuantitativamente. Por ejemplo, es posible que desee averiguar qué palabras o frases se usaron con mayor frecuencia en el texto. Una vez más, este tipo de análisis se realiza con mayor frecuencia directamente con programas de computadora.
El análisis de contenido tiene varios problemas que debe tener en cuenta. En primer lugar, se limita a los tipos de información disponibles en forma de texto. Si está estudiando la forma en que los medios de comunicación manejan una noticia, probablemente tendrá una población lista de noticias de las que podría tomar muestras. Sin embargo, si está interesado en estudiar las opiniones de las personas sobre la pena capital, es menos probable que encuentre un archivo de documentos de texto que sea apropiado. En segundo lugar, debe tener especial cuidado con el muestreo para evitar sesgos. Por ejemplo, un estudio de investigación actual sobre métodos de tratamiento del cáncer podría utilizar la literatura publicada como población. Esto omitiría tanto los escritos sobre el cáncer que no se publicaron por una razón u otra, como el trabajo más reciente que aún no se ha publicado. Por último, debe tener cuidado al interpretar los resultados de los análisis de contenido automatizados. Un programa de computadora no puede determinar lo que alguien quiso decir con un término o frase. Es relativamente fácil en un análisis grande malinterpretar un resultado porque no se tuvieron en cuenta las sutilezas del significado.
Sin embargo, el análisis de contenido tiene la ventaja de ser discreto y, dependiendo de si existen métodos automatizados, puede ser un método relativamente rápido para analizar grandes cantidades de texto.
Análisis secundario de Datos
El análisis secundario, como el análisis de contenido, utiliza fuentes de datos ya existentes. Sin embargo, el análisis secundario se refiere típicamente al re-análisis de datos cuantitativos en lugar de texto.
En nuestro mundo moderno hay una increíble cantidad de datos que recopilan de forma rutinaria gobiernos, empresas, escuelas y otras organizaciones. Gran parte de esta información se almacena en bases de datos electrónicas a las que se puede acceder y analizar. Además, muchos proyectos de investigación almacenan sus datos sin procesar en forma electrónica en archivos informáticos para que otros también puedan analizarlos. Entre los datos disponibles para el análisis secundario se encuentran:
- datos de la oficina del censo
- registros de delitos
- datos de pruebas estandarizados
- datos económicos
- datos del consumidor
El análisis secundario a menudo implica combinar información de múltiples bases de datos para examinar preguntas de investigación. Por ejemplo, puede unir los datos de delitos con la información del censo para evaluar los patrones de comportamiento delictivo por ubicación geográfica y grupo.
El análisis secundario tiene varias ventajas. Primero, es eficiente. Hace uso de datos que ya fueron recopilados por otra persona. Es el equivalente de investigación del reciclaje. En segundo lugar, a menudo le permite ampliar el alcance de su estudio considerablemente. En muchos pequeños proyectos de investigación es imposible considerar la posibilidad de tomar una muestra nacional debido a los costos involucrados. Muchas bases de datos archivadas ya son de alcance nacional y, al utilizarlas, puede aprovechar un presupuesto relativamente pequeño en un estudio mucho más amplio que si recopilara los datos usted mismo.
Sin embargo, el análisis secundario no está exento de dificultades. Con frecuencia, no es trivial acceder y vincular datos de grandes bases de datos complejas. A menudo, el investigador tiene que hacer suposiciones sobre qué datos combinar y qué variables se agregan adecuadamente en índices. Quizás lo que es más importante, cuando utiliza datos recopilados por otros, a menudo no sabe qué problemas ocurrieron en la recopilación de datos original. Por lo general, los estudios nacionales grandes y bien financiados se documentan bastante a fondo, pero incluso la documentación detallada de los procedimientos a menudo no sustituye la experiencia directa en la recopilación de datos.
Uno de los propósitos más importantes y menos utilizados del análisis secundario es replicar los hallazgos de investigaciones anteriores. En cualquier análisis de datos original existe la posibilidad de errores. Además, cada analista de datos tiende a abordar el análisis desde su propia perspectiva utilizando herramientas analíticas con las que está familiarizado. En la mayoría de las investigaciones, los datos son analizados una sola vez por el equipo de investigación original. Parece un desperdicio horrible. Los datos que podrían haber tardado meses o años en recopilarse solo se examinan una vez de una manera relativamente breve y desde la perspectiva de un analista. En la investigación social, generalmente hacemos un trabajo terrible de documentar y archivar los datos de estudios individuales y ponerlos a disposición en forma electrónica para que otros los vuelvan a analizar. Y, tendemos a dar poco crédito profesional a los estudios que son re-análisis. Sin embargo, en las ciencias duras, la tradición de replicabilidad de los resultados es crítica y en las ciencias sociales aplicadas podríamos beneficiarnos dirigiendo más de nuestros esfuerzos al análisis secundario de los datos existentes.
