눈에 거슬리지 않는 조치는 연구자가 연구 상황에 개입하지 않아도 되는 조치입니다. 직접 및 참가자 관찰은 연구원이 물리적으로 출석하도록 요구합니다. 이 연구원의 눈에 잘 보이기 위해 자신의 행동을 변경하는 응답자를 이끌 수 있습니다. 질문지는 행동의 자연적인 시내에 있는 중지입니다. 응답자는 설문 조사 또는 묻는 질문의 분개 작성의 피곤 얻을 수 있습니다.
눈에 거슬리지 않는 측정은 연구자 또는 측정 장비의 침입으로 인한 편견을 줄일 수 있습니다. 그러나 눈에 거슬리지 않는 조치는 연구원이 수집 된 데이터 유형을 제어 할 수있는 정도를 줄입니다. 일부 구조의 경우 사용 가능한 눈에 거슬리지 않는 조치가 단순히 없을 수 있습니다.
세 가지 유형의 눈에 거슬리지 않는 측정이 여기에서 논의됩니다.
간접 측정
간접 측정은 연구 맥락에서 자연스럽게 발생하는 눈에 거슬리지 않는 측정입니다. 연구원은 공식적인 측정 절차를 도입하지 않고 데이터를 수집 할 수 있습니다.
가능한 간접적 인 조치의 유형은 연구자의 상상력과 창의력에 의해서만 제한됩니다. 예를 들면,너가 박물관안에 각종 전시의 인기를 측정하고 싶으면 것 을 말하자. 그것은 박물관 후원자에 보이지 않는 기계 측정 시스템의 몇 가지 유형을 설정할 수 있습니다. 한 연구에서,시스템은 간단했다. 미술관은 각 전시물 앞에 새로운 바닥 타일을 설치했으며 일정 기간 후에 타일의 마모를 후원자의 교통량과 관심의 간접적 인 척도로 측정했습니다. 우리는 상당히 전자 조치를 사용하여이 방법을 개선 할 수 있습니다. 예를 들어,우리는 전시 앞에서 움직임을 감지하는 전기 장치를 만들 수 있습니다. 또는 우리는 비디오 녹화 된 증거를 기반으로 숨겨진 카메라와 코드 수호 관심을 배치 할 수 있습니다.
내가 가장 좋아하는 간접 조치 중 하나는 라디오 방송국 청취 선호도에 대한 연구에서 발생했습니다. 오히려 좋아하는 라디오 방송국에 대한 돌출 조사 또는 인터뷰를 실시하는 것보다,연구자들은 지역 자동차 딜러 및 차고에 가서 라디오가 현재 조정 된 어떤 역을보고 서비스되고 있었다 모든 자동차를 확인. 유사한 방법안에,너가 잡지 특혜를 알고 싶으면,너는 너의 견본의 쓰레기를 통해서 뒤적거린 또는 노력을 재생하는 호별 잡지를 단계한.
이러한 예는 간접적 인 측정에 대한 가장 중요한 포인트 중 하나를 보여줍니다-당신은 측정의이 유형의 윤리에 대해 매우주의해야합니다. 간접적인 측정안에 너는,정의에 의하여,응답자 지견없이 정보를 모으고 있다. 이 과정에서,당신은 개인 정보 보호에 대한 권리를 침해 할 수 있으며,당신은 확실히 동의를 사용하지 않는. 물론 일부 유형의 정보는 공개 될 수 있으므로 개인 정보 침해를 포함하지 않을 수 있습니다.
간접적 인 조치가 적절하고 쉽게 이용 가능하며 윤리적 인 경우가있을 수 있습니다. 다만 모든 측정에 것과 같이,그러나,당신은 측정의 신뢰도 그리고 타당성을 견적하는 것을 시도하게 확실해야 한다. 예를 들어,두 개의 서로 다른 시간에 라디오 방송국 기본 설정을 수집하고 결과를 상호 연관시키는 것은 테스트-재시험 신뢰성을 평가하는 데 유용 할 수 있습니다. 또는 구성 유효성을 설정하는 데 도움이되는 간접 측정 값을 동일한 구성(아마도 파일럿 스터디)의 다른 직접 측정 값과 함께 포함 할 수 있습니다.
내용 분석
내용 분석은 텍스트 문서의 분석입니다. 분석은 양적,질적 또는 둘 다일 수 있습니다. 일반적으로 콘텐츠 분석의 주요 목적은 텍스트의 패턴을 식별하는 것입니다. 콘텐츠 분석은 매우 광범위한 연구 영역입니다. 그것은 포함:
- 텍스트의 주제 분석. 문서 또는 문서 집합에서 테마 또는 주요 아이디어의 식별입니다. 문서는 필드 노트,신문 기사,기술 논문 또는 조직 메모를 포함한 모든 종류의 텍스트가 될 수 있습니다.
- 인덱싱. 텍스트 문서를 빠르게 인덱싱하기 위한 다양한 자동화된 방법이 있습니다. 예를 들어,문맥에서 핵심 단어(킥킥)분석은 텍스트 데이터의 컴퓨터 분석입니다. 컴퓨터 프로그램은 텍스트 및 인덱스 모든 핵심 단어를 검색합니다. 핵심어는 예외 사전에 포함되지 않은 텍스트의 모든 용어입니다. 일반적으로”이다”,”및”및”의”와 같은 필수적이지 않은 모든 단어를 포함하는 예외 사전을 설정합니다. 모든 핵심 단어는 알파벳 순으로하고 선행하고 연구원이 텍스트에서 발생하는 맥락에서 단어를 볼 수 있도록 다음과 텍스트로 나열됩니다. 예를 들어 인터뷰 텍스트를 분석하면”남용”이라는 용어의 모든 용도와 사용 된 컨텍스트를 쉽게 식별 할 수 있습니다.
- 정량적 설명 분석. 여기서 목적은 텍스트의 특징을 정량적으로 설명하는 것입니다. 예를 들어,텍스트에서 가장 자주 사용되는 단어 또는 구를 찾을 수 있습니다. 다시 말하지만,이 유형의 분석은 대부분 컴퓨터 프로그램으로 직접 수행됩니다.
내용 분석에는 염두에 두어야 할 몇 가지 문제가 있습니다. 첫째,당신은 텍스트 형태로 사용할 수있는 정보의 유형으로 제한됩니다. 뉴스 기사는 뉴스 미디어에 의해 처리 되는 방법을 공부 하는 경우 당신은 아마 당신이 샘플 수 있는 뉴스 기사의 준비 인구 했을. 그러나 사형에 대한 사람들의 견해를 연구하는 데 관심이 있다면 적절한 텍스트 문서 아카이브를 찾을 가능성이 적습니다. 둘째,편견을 피하기 위해 샘플링에 특히주의해야합니다. 예를 들어,암 치료 방법에 대한 현재 연구에 대한 연구는 출판 된 문헌을 인구로 사용할 수 있습니다. 이것은 아직 간행되지 않은 최근 일 뿐만 아니라 1 가지의 이유 또는 또 다른 한개를 위해 간행해 얻지 않은 암에 쓰기를 둘 다 뺄텐데. 마지막으로 자동화된 콘텐츠 분석의 결과를 해석하는 데 주의해야 합니다. 컴퓨터 프로그램은 누군가가 용어 나 문구가 무엇을 의미하는지 결정할 수 없습니다. 당신이 의미의 미묘함을 고려하지 않았기 때문에 결과를 잘못 해석하는 것은 큰 분석에서 상대적으로 쉽습니다.
그러나 콘텐츠 분석은 눈에 거슬리지 않는 장점이 있으며,자동화된 방법이 존재하는지에 따라 대량의 텍스트를 분석하는 비교적 빠른 방법이 될 수 있다.
데이터의 2 차 분석
2 차 분석은 콘텐츠 분석과 마찬가지로 이미 존재하는 데이터 소스를 사용합니다. 그러나 2 차 분석은 일반적으로 텍스트가 아닌 정량적 데이터의 재 분석을 나타냅니다.
우리의 현대 세계에는 정부,기업,학교 및 기타 조직에서 일상적으로 수집하는 믿을 수없는 대량의 데이터가 있습니다. 이 정보의 대부분은 액세스 및 분석 할 수있는 전자 데이터베이스에 저장됩니다. 다른 사람들이 데이터를 분석 할 수 있도록 또한,많은 연구 프로젝트는 컴퓨터 아카이브에 전자 형태로 원시 데이터를 저장합니다. 2 차 분석에 사용할 수있는 데이터는 다음과 같습니다:
- 인구 조사국 데이터
- 범죄 기록
- 표준화 된 테스트 데이터
- 경제 데이터
- 소비자 데이터
2 차 분석은 종종 여러 데이터베이스의 정보를 결합하여 연구 질문을 조사하는 것을 포함합니다. 예를 들어 범죄 데이터를 인구 조사 정보와 결합하여 지리적 위치 및 그룹별로 범죄 행위의 패턴을 평가할 수 있습니다.
2 차 분석에는 몇 가지 장점이 있습니다. 첫째,효율적입니다. 그것은 이미 다른 사람에 의해 수집 된 데이터를 사용합니다. 그것은 재활용의 연구 동등 물 이다. 둘째,그것은 종종 당신이 상당히 연구의 범위를 확장 할 수 있습니다. 많은 소규모 연구 프로젝트에서 관련된 비용 때문에 국가 샘플을 채취하는 것을 고려하는 것은 불가능합니다. 많은 아카이브된 데이터베이스는 이미 국가적 범위이며,이를 사용하여 데이터를 직접 수집한 경우보다 훨씬 광범위한 연구에 상대적으로 적은 예산을 활용할 수 있습니다.
그러나 2 차 분석에는 어려움이 없습니다. 큰 복잡한 데이터베이스에서 데이터에 액세스하고 연결하는 것은 사소한 문제가 아닙니다. 종종 연구원은 결합 할 데이터와 어떤 변수가 인덱스로 적절하게 집계되는지에 대한 가정을해야합니다. 아마도 더 중요한 것은 다른 사람들이 수집 한 데이터를 사용할 때 원래 데이터 수집에서 어떤 문제가 발생했는지 알지 못하는 경우가 종종 있습니다. 대형,잘 자금 국가 연구는 일반적으로 매우 철저하게 설명되어 있습니다,하지만 절차도 자세한 문서는 종종 직접 경험 데이터 수집을 대신 할 수 없습니다.
2 차 분석의 가장 중요하고 가장 적게 활용되는 목적 중 하나는 이전 연구 결과를 복제하는 것입니다. 모든 원본 데이터 분석에는 오류가 발생할 가능성이 있습니다. 또한 각 데이터 분석가는 익숙한 분석 도구를 사용하여 자신의 관점에서 분석에 접근하는 경향이 있습니다. 대부분의 연구에서 데이터는 원래 연구팀에 의해 한 번만 분석됩니다. 그것은 끔찍한 낭비처럼 보입니다. 수집하는 데 몇 달 또는 몇 년이 걸렸을 수도 있는 데이터는 한 분석가의 관점에서 비교적 간단한 방법으로 한 번만 조사됩니다. 사회 연구에서 우리는 일반적으로 문서화 및 개별 연구에서 데이터를 보관하고 다시 분석하는 다른 사람을 위해 전자 형태로 이러한 사용할 수 있도록하는 끔찍한 일을. 그리고 우리는 재 분석 인 연구에 전문적인 신용을 거의 제공하지 않는 경향이 있습니다. 그럼에도 불구하고,하드 과학에서 결과의 복제 가능성의 전통은 중요한 것이며,응용 사회 과학에서 우리는 기존 데이터의 2 차 분석에 더 많은 노력을 기울임으로써 이익을 얻을 수 있습니다.
