medidas discretas são medidas que não exigem que o investigador se intrometa no contexto da investigação. A observação direta e participativa exige que o pesquisador esteja fisicamente presente. Isso pode levar os entrevistados a alterar o seu comportamento, a fim de olhar bem nos olhos do pesquisador. Um questionário é uma interrupção no fluxo natural de comportamento. Os entrevistados podem cansar-se de preencher um inquérito ou ressentir-se das perguntas feitas.
a medição discreta reduz presumivelmente os desvios que resultam da intrusão do investigador ou do instrumento de medição. No entanto, medidas discretas reduzem o grau de controle do pesquisador sobre o tipo de dados coletados. Para algumas construções pode simplesmente não haver quaisquer medidas discretas disponíveis.
três tipos de medição discreta são discutidos aqui.
medidas indirectas
uma medida indirecta é uma medida discreta que ocorre naturalmente num contexto de investigação. O pesquisador é capaz de coletar os dados sem introduzir qualquer procedimento formal de medição.
os tipos de medidas indirectas que podem estar disponíveis são limitados apenas pela imaginação e inventividade do investigador. Por exemplo, digamos que você gostaria de medir a popularidade de várias exposições em um museu. Pode ser possível estabelecer algum tipo de Sistema de medição mecânica que é invisível para os clientes do Museu. Num estudo, o sistema era simples. O Museu instalou novos azulejos em frente a cada exposição que eles queriam uma medição em e, após um período de tempo, medir o desgaste dos azulejos como uma medida indireta do tráfego e interesse do patrono. Talvez possamos melhorar consideravelmente esta abordagem através de medidas electrónicas. Podíamos, por exemplo, construir um dispositivo eléctrico que pressentisse movimento em frente a uma exposição. Ou podemos colocar câmaras escondidas e códigos de interesse com base em provas gravadas.
uma das minhas medidas indiretas favoritas ocorreu num estudo das preferências de escuta das estações de rádio. Ao invés de realizar uma pesquisa ou entrevista sobre estações de rádio favoritas, os pesquisadores foram para concessionários e garagens de automóveis locais e verificou todos os carros que estavam sendo atendidos para ver a estação de rádio estava atualmente sintonizado. Da mesma forma, se você quiser saber as preferências da revista, você pode vasculhar o lixo de sua amostra ou até mesmo encenar um esforço de reciclagem porta-a-porta de revista.
estes exemplos ilustram um dos pontos mais importantes sobre as medidas indirectas-é preciso ter muito cuidado com a ética deste tipo de medição. Em uma medida indireta você está, por definição, coletando informações sem o conhecimento do respondente. Ao fazê-lo, pode estar a violar o seu direito à privacidade e certamente não está a usar o consentimento informado. É claro que alguns tipos de informação podem ser públicos e, portanto, não envolvem uma invasão da privacidade.
pode haver alturas em que uma medida indirecta é apropriada, prontamente disponível e ética. Tal como acontece com todas as medições, no entanto, deve ter a certeza de tentar estimar a fiabilidade e a validade das medidas. Por exemplo, recolher as preferências das estações de rádio em dois períodos de tempo diferentes e correlacionar os resultados pode ser útil para avaliar a fiabilidade do teste-teste. Ou, você pode incluir a medida indireta junto com outras medidas diretas da mesma construção (talvez em um estudo piloto) para ajudar a estabelecer a validade da construção.
Análise de conteúdo
análise de conteúdo é a análise de documentos de texto. A análise pode ser quantitativa, qualitativa ou ambas. Normalmente, o principal objetivo da análise de conteúdo é identificar padrões no texto. A análise de conteúdo é uma área extremamente ampla de pesquisa. Inclui::
- análise temática do texto. A identificação de temas ou ideias importantes num documento ou conjunto de documentos. Os documentos podem ser qualquer tipo de texto, incluindo notas de campo, artigos de jornal, artigos técnicos ou memorandos organizacionais.
- indexação. Há uma grande variedade de métodos automatizados para indexar rapidamente documentos de texto. Por exemplo, palavras-chave em contexto (KWIC) análise é uma análise computacional de dados de texto. Um programa de computador verifica o texto e indexa todas as palavras-chave. Uma palavra-chave é qualquer termo no texto que não está incluído em um dicionário de exceção. Normalmente você iria configurar um dicionário de exceção que inclui todas as palavras não essenciais como “is”,” e”, E”of”. Todas as palavras-chave estão alfabetizadas e são listadas com o texto que precede e segue para que o pesquisador possa ver a palavra no contexto em que ela ocorreu no texto. Numa análise do texto da entrevista, por exemplo, é possível identificar facilmente todos os usos do termo “abuso” e o contexto em que foram utilizados.
- análise descritiva quantitativa. Aqui o objetivo é descrever as características do texto quantitativamente. Por exemplo, você pode querer descobrir quais palavras ou frases foram usadas mais frequentemente no texto. Mais uma vez, este tipo de análise é mais frequentemente feito diretamente com programas de computador.
a análise de conteúdo tem vários problemas que você deve ter em mente. Em primeiro lugar, você está limitado aos tipos de informações disponíveis no formulário de texto. Se você está estudando a maneira como uma história de notícias está sendo tratada pela mídia de notícias, você provavelmente teria uma população pronta de histórias de notícias a partir das quais você poderia provar. No entanto, se estiver interessado em estudar a opinião das pessoas sobre a pena de morte, é menos provável que encontre um arquivo de documentos de texto adequado. Em segundo lugar, você tem que ser especialmente cuidadoso com a amostragem, a fim de evitar preconceitos. Por exemplo, um estudo da pesquisa atual sobre métodos de tratamento do câncer pode usar a literatura publicada como a população. Isso deixaria de fora tanto a escrita sobre o câncer que não foi publicado por uma razão ou outra, bem como o trabalho mais recente que ainda não foi publicado. Finalmente, você tem que ter cuidado na interpretação dos resultados de análises automatizadas de conteúdo. Um programa de computador não pode determinar o que alguém quis dizer com um termo ou frase. É relativamente fácil em uma análise grande interpretar mal um resultado porque você não levou em conta as sutilezas do significado.
no entanto, a análise de conteúdo tem a vantagem de ser discreta e, dependendo da existência de métodos automatizados, pode ser um método relativamente rápido para analisar grandes quantidades de texto.
a análise secundária dos dados
a análise secundária, tal como a análise do conteúdo, utiliza fontes de dados já existentes. No entanto, a análise secundária geralmente se refere à re-análise de dados quantitativos em vez de texto.
no nosso mundo moderno há uma incrível massa de dados que é rotineiramente coletada por governos, empresas, escolas e outras organizações. Grande parte desta informação é armazenada em bases de dados eletrônicas que podem ser acessadas e analisadas. Além disso, muitos projetos de pesquisa armazenam seus dados brutos em forma eletrônica em arquivos de computador para que outros também possam analisar os dados. Entre os dados disponíveis para a análise secundária é:
- census bureau de dados
- crime registros
- testes padronizados de dados
- dados económicos
- dados do consumidor
análise Secundária, muitas vezes, envolve a combinação de informações de vários bancos de dados para examinar as questões de pesquisa. Por exemplo, você pode juntar dados criminais com informações de Censo para avaliar padrões no comportamento criminoso por Localização geográfica e grupo.
a análise secundária apresenta várias vantagens. Em primeiro lugar, é eficiente. Faz uso de dados que já foram coletados por outra pessoa. É o equivalente de pesquisa da reciclagem. Em segundo lugar, ele muitas vezes permite que você amplie o escopo de seu estudo consideravelmente. Em muitos pequenos projectos de investigação, é impossível considerar a recolha de uma amostra nacional devido aos custos envolvidos. Muitas bases de dados arquivadas já são de âmbito nacional e, ao usá-las, você pode alavancar um orçamento relativamente pequeno em um estudo muito mais amplo do que se você mesmo coletou os dados.
no entanto, a análise secundária não é isenta de dificuldades. Frequentemente não é matéria trivial aceder e ligar dados de grandes bases de dados complexas. Muitas vezes o pesquisador tem que fazer suposições sobre quais dados combinar e quais variáveis são adequadamente agregadas em índices. Talvez mais importante, quando você usa dados coletados por outros você muitas vezes não sabe quais problemas ocorreram na coleta de dados original. Os estudos nacionais de grande dimensão, bem financiados, são geralmente bem documentados, mas mesmo a documentação detalhada dos procedimentos não substitui muitas vezes a recolha directa de dados por experiência.
uma das finalidades mais importantes e menos utilizadas da análise secundária é replicar os achados anteriores da pesquisa. Em qualquer análise de dados originais existe o potencial de erros. Além disso, cada analista de dados tende a abordar a análise a partir de sua própria perspectiva usando ferramentas analíticas que eles estão familiarizados com. Na maioria das pesquisas, os dados são analisados apenas uma vez pela equipe de pesquisa original. Parece um desperdício terrível. Os dados que podem ter levado meses ou anos para coletar são examinados apenas uma vez de uma forma relativamente breve e da perspectiva de um analista. Na pesquisa social geralmente fazemos um trabalho terrível de documentar e arquivar os dados de estudos individuais e torná-los disponíveis em forma eletrônica para outros para re-analisar. E, nós tendemos a dar pouco crédito profissional a estudos que são re-análises. No entanto, nas ciências duras, a tradição de replicabilidade dos resultados é crítica e nós, nas Ciências Sociais Aplicadas, poderíamos beneficiar ao direcionar mais de nossos esforços para a análise secundária dos dados existentes.
