Diskrete tiltak er tiltak som ikke krever at forskeren trenger seg inn i forskningssammenheng. Direkte og deltakende observasjon krever at forskeren er fysisk til stede. Dette kan føre til at respondentene endrer sin oppførsel for å se bra ut i forskerens øyne. Et spørreskjema er en avbrudd i den naturlige strømmen av atferd. Respondentene kan bli lei av å fylle ut en undersøkelse eller ergerlig av spørsmålene.
Diskret måling reduserer antagelig skjevheter som følge av inntrenging av forskeren eller måleinstrument. Diskrete tiltak reduserer imidlertid graden forskeren har kontroll over typen data som samles inn. For noen konstruksjoner kan det ganske enkelt ikke være noen tilgjengelige diskrete tiltak.
Tre typer diskret måling diskuteres her.
Indirekte Tiltak
et indirekte tiltak er et diskret tiltak som forekommer naturlig i en forskningssammenheng. Forskeren er i stand til å samle dataene uten å innføre noen formell måleprosedyre.
de typer indirekte tiltak som kan være tilgjengelige, begrenses bare av forskerens fantasi og oppfinnsomhet. For eksempel, la oss si at du ønsker å måle populariteten til ulike utstillinger i et museum. Det kan være mulig å sette opp noen form for mekanisk målesystem som er usynlig for museets beskyttere. I en studie var systemet enkelt. Museet installerte nye gulvfliser foran hver utstilling de ønsket en måling på og, etter en periode, målt slitasje av flisene som et indirekte mål på patron trafikk og interesse. Vi kan være i stand til å forbedre denne tilnærmingen betydelig ved hjelp av elektroniske tiltak. Vi kunne for eksempel konstruere en elektrisk enhet som sanser bevegelse foran en utstilling. Eller vi kan plassere skjulte kameraer og kode patron interesse basert på filmet bevis.
en av mine favoritt indirekte tiltak skjedde i en studie av radiostasjonens lyttepreferanser. I stedet for å gjennomføre en påtrengende undersøkelse eller intervju om favorittradiostasjoner, gikk forskerne til lokale bilforhandlere og garasjer og sjekket alle biler som ble betjent for å se hvilken stasjon radioen var innstilt på. På samme måte, hvis du vil vite magasinpreferanser, kan du rive gjennom søppel av prøven din eller til og med skape en dør-til-dør-magasingjenvinningsinnsats.
disse eksemplene illustrerer et av de viktigste punktene om indirekte tiltak – du må være veldig forsiktig med etikken til denne typen måling. I et indirekte mål samler du per definisjon informasjon uten respondentens kunnskap. Ved å gjøre det kan du krenke deres rett til privatliv, og du bruker absolutt ikke informert samtykke. Selvfølgelig kan noen typer informasjon være offentlig og derfor ikke innebære en invasjon av personvern.
det kan være tider når et indirekte tiltak er hensiktsmessig, lett tilgjengelig og etisk. På samme måte som med alle målinger, bør du imidlertid være sikker på å forsøke å estimere påliteligheten og gyldigheten av tiltakene. For eksempel, samle radiostasjon preferanser på to forskjellige tidsperioder og korrelere resultatene kan være nyttig for å vurdere test-retest pålitelighet. Eller du kan inkludere det indirekte tiltaket sammen med andre direkte tiltak av samme konstruksjon (kanskje i en pilotstudie) for å bidra til å etablere konstruktiv validitet.
Innholdsanalyse
Innholdsanalyse er analyse av tekstdokumenter. Analysen kan være kvantitativ, kvalitativ eller begge deler. Vanligvis er hovedformålet med innholdsanalyse å identifisere mønstre i tekst. Innholdsanalyse er et svært bredt forskningsområde. Det inkluderer:
- Tematisk analyse av tekst. Identifisering av temaer eller store ideer i et dokument eller sett med dokumenter. Dokumentene kan være noen form for tekst, inkludert feltnotater, avisartikler, tekniske papirer eller organisatoriske notater.
- Indeksering. Det finnes et bredt utvalg av automatiserte metoder for raskt indeksering av tekstdokumenter. FOR Eksempel Er Key Words in Context (KWIC) analyse en datamaskinanalyse av tekstdata. Et dataprogram skanner teksten og indekserer alle stikkord. Et nøkkelord er et ord i teksten som ikke er inkludert i en unntaksordliste. Vanligvis vil du sette opp en unntaksordliste som inneholder alle ikke-essensielle ord som «er», «og» og «av». Alle nøkkelord er alfabetisk og er oppført med teksten som går foran og følger den, slik at forskeren kan se ordet i konteksten der det skjedde i teksten. I en analyse av intervju tekst, for eksempel, kan man lett identifisere all bruk av begrepet «misbruk» og i hvilken sammenheng de ble brukt.
- Kvantitativ beskrivende analyse. Her er formålet å beskrive funksjonene i teksten kvantitativt. For eksempel vil du kanskje finne ut hvilke ord eller uttrykk som ble brukt hyppigst i teksten. Igjen, denne typen analyse gjøres oftest direkte med dataprogrammer.
Innholdsanalyse har flere problemer du bør huske på. For det første er du begrenset til hvilke typer informasjon som er tilgjengelig i tekstform. Hvis du studerer måten en nyhetshistorie blir håndtert av nyhetsmediene, vil du sannsynligvis ha en klar befolkning av nyhetshistorier som du kan prøve ut. Men hvis du er interessert i å studere folks syn på dødsstraff, er du mindre sannsynlig å finne et arkiv med tekstdokumenter som ville være hensiktsmessig. For det andre må du være spesielt forsiktig med prøvetaking for å unngå bias. For eksempel kan en studie av dagens forskning på metoder for behandling av kreft bruke den publiserte litteraturen som befolkningen. Dette ville utelate både skriving om kreft som ikke ble publisert av en eller annen grunn, så vel som det siste arbeidet som ennå ikke er publisert. Til slutt må du være forsiktig med å tolke resultatene av automatiserte innholdsanalyser. Et dataprogram kan ikke bestemme hva noen mente med et begrep eller uttrykk. Det er relativt enkelt i en stor analyse å feiltolke et resultat fordi du ikke tok hensyn til finesser av mening.
innholdsanalyse har imidlertid fordelen av å være diskret, og avhengig av om automatiserte metoder eksisterer, kan det være en relativt rask metode for å analysere store mengder tekst.
Sekundær Analyse Av Data
Sekundær analyse, som innholdsanalyse, benytter allerede eksisterende datakilder. Imidlertid refererer sekundær analyse vanligvis til reanalyse av kvantitative data i stedet for tekst.
i vår moderne verden er det en utrolig masse data som rutinemessig samles inn av regjeringer, bedrifter, skoler og andre organisasjoner. Mye av denne informasjonen er lagret i elektroniske databaser som kan nås og analyseres. I tillegg lagrer mange forskningsprosjekter sine rådata i elektronisk form i dataarkiver, slik at andre også kan analysere dataene. Blant dataene som er tilgjengelige for sekundær analyse er:
- census bureau data
- kriminalitet poster
- standardiserte testdata
- økonomiske data
- forbrukerdata
Sekundær analyse innebærer ofte å kombinere informasjon fra flere databaser for å undersøke forskningsspørsmål. For eksempel kan du bli med kriminalitetsdata med folketellingsinformasjon for å vurdere mønstre i kriminell oppførsel etter geografisk plassering og gruppe.
Sekundær analyse har flere fordeler. For det første er det effektivt. Det gjør bruk av data som allerede er samlet inn av noen andre. Det er forskningsekvivalenten til resirkulering. For det andre lar det deg ofte utvide omfanget av studien betydelig. I mange små forskningsprosjekter er det umulig å vurdere å ta en nasjonal prøve på grunn av kostnadene involvert. Mange arkiverte databaser er allerede nasjonale i omfang, og ved å bruke dem kan du utnytte et relativt lite budsjett til en mye bredere studie enn om du samlet dataene selv.
imidlertid er sekundær analyse ikke uten vanskeligheter. Ofte er det ingen triviell sak å få tilgang til og koble data fra store komplekse databaser. Ofte må forskeren gjøre antagelser om hvilke data som skal kombineres og hvilke variabler som er hensiktsmessig aggregert i indekser. Kanskje enda viktigere, når du bruker data samlet inn av andre, vet du ofte ikke hvilke problemer som oppstod i den opprinnelige datainnsamlingen. Store, velfinansierte nasjonale studier dokumenteres vanligvis ganske grundig, men selv detaljert dokumentasjon av prosedyrer er ofte ingen erstatning for direkte erfaringsinnsamling av data.
en av de viktigste og minst utnyttede formålene med sekundær analyse er å gjenskape tidligere forskningsresultater. I enhver original dataanalyse er det potensial for feil. I tillegg har hver dataanalytiker en tendens til å nærme seg analysen fra sitt eget perspektiv ved hjelp av analytiske verktøy de er kjent med. I de fleste undersøkelser analyseres dataene bare en gang av det opprinnelige forskerteamet. Det virker som et forferdelig avfall. Data som kan ha tatt måneder eller år å samle inn, undersøkes bare en gang på en relativt kort måte og fra en analytikers perspektiv. I samfunnsforskning gjør vi generelt en forferdelig jobb med å dokumentere og arkivere dataene fra individuelle studier og gjøre disse tilgjengelige i elektronisk form for andre å analysere. Og vi har en tendens til å gi lite faglig kreditt til studier som er re-analyser. Likevel, i hardvitenskapen er tradisjonen med replikabilitet av resultater en kritisk, og vi i de anvendte samfunnsvitenskapene kan ha nytte av å lede mer av vår innsats til sekundær analyse av eksisterende data.
