روش‌های مختلف جمع‌آوری داده در تحقیقات میدانی

تحقیقات میدانی، نوعی تحقیق است که در محیط‌های طبیعی انجام می‌شود و از روش‌های مختلفی برای جمع‌آوری داده استفاده می‌کند. هر روش مزایا و معایب خاص خود را دارد و انتخاب روش مناسب به عواملی مانند اهداف تحقیق، جامعه مورد مطالعه، منابع و امکانات موجود و تخصص محقق بستگی دارد. در ادامه به بررسی برخی از روش‌های رایج جمع‌آوری داده در تحقیقات میدانی با استفاده از منابع علمی معتبر می‌پردازیم:

1. مصاحبه:

• شرح: مصاحبه شامل گفتگوهای ساختاریافته (با سوالات از پیش تعیین شده) یا غیرساختاریافته (با سوالات آزاد) با افراد برای جمع‌آوری اطلاعات عمیق و دقیق است.
• مزایا:
  • امکان کاوش در تجربیات، دیدگاه‌ها و انگیزه‌های افراد را فراهم می‌کند.
  • داده‌های کیفی غنی ارائه می‌دهد.
• معایب:
  • وقت‌گیر و potentially expensive.
  • تحت تأثیر سوگیری مصاحبه‌گر و سوگیری مطلوبیت اجتماعی (پاسخگویان پاسخ‌هایی می‌دهند که به نظر آن‌ها از نظر اجتماعی قابل قبول هستند) قرار می‌گیرد.

2. نظرسنجی:

• شرح: نظرسنجی شامل پرسشنامه‌هایی است که به یک نمونه از جمعیت، به صورت خود-اجرا یا مصاحبه‌گر-اجرا، برای جمع‌آوری داده از تعداد زیادی از افراد ارائه می‌شود.
• مزایا:
  • روش کارآمد برای جمع‌آوری داده‌های کمی از یک نمونه بزرگ.
  • امکان استانداردسازی و مقایسه بین شرکت‌کنندگان را فراهم می‌کند.
• معایب:
  • مستعد سوگیری پاسخ (پاسخگویان پاسخ‌های نادرست یا گمراه‌کننده می‌دهند) و سوگیری عدم پاسخ (برخی از گروه‌ها در داده‌ها کمتر نشان داده می‌شوند).
  • ممکن است نتواند پیچیدگی کامل تجربیات یا دیدگاه‌های شرکت‌کنندگان را ثبت کند.

3. مشاهده:

• شرح: مشاهده شامل مشاهده و ثبت سیستماتیک رفتار افراد یا گروه‌ها در محیط طبیعی آن‌ها، به صورت مشارکتی (محقق به فعالیت می‌پیوندد) یا غیرمشارکتی (محقق از دور مشاهده می‌کند) است.
• مزایا:
  • رفتار را در زمان واقعی در محیط‌های طبیعی ثبت می‌کند.
  • تأثیر محقق بر رفتار شرکت‌کنندگان را به حداقل می‌رساند.
• معایب:
  • سوگیری ناظر می‌تواند بر تفسیر داده‌ها تأثیر بگذارد.
  • ملاحظات اخلاقی در مورد حریم خصوصی و رضایت آگاهانه شرکت کنندگان.

4. تحلیل اسناد:

• شرح: تحلیل اسناد شامل بررسی و تجزیه و تحلیل انتقادی اسناد، مدارک و سایر مصنوعات موجود مربوط به موضوع تحقیق است.
• مزایا:
  • بینش‌های ارزشمندی در مورد رویدادهای تاریخی، تجربیات گذشته و عملکردهای نهادی ارائه می‌دهد.
  • داده‌های مکمل سایر روش‌ها را ارائه می‌دهد.
• معایب:
  • وقت‌گیر و نیاز به ارزیابی انتقادی اصالت و سوگیری سند دارد.
  • ممکن است نتواند تصویر کامل یا دیدگاه‌های همه ذینفعان را ثبت کند.

5. روش‌های بصری:

• شرح: روش‌های بصری شامل تکنیک‌هایی مانند عکاسی، فیلم‌برداری و نقاشی برای جمع‌آوری و ثبت داده‌های بصری مرتبط با موضوع تحقیق است.
• مزایا:
  • اطلاعات زمینه‌ای غنی را ثبت می‌کند و روش قدرتمندی برای ارائه داده ارائه می‌دهد.
  • می‌تواند برای مطالعه ارتباطات غیرکلامی و رفتار در محیط‌های اجتماعی مفید باشد.
• معایب:
  • نیاز به توجه دقیق به مسائل اخلاقی مانند رضایت آگاهانه و حریم خصوصی شرکت کنندگان دارد.
  • برای تفسیر و سوگیری احتمالی در انتخاب و قاب‌بندی داده‌ها باز است.

انتخاب روش مناسب:

انتخاب مناسب‌ترین روش جمع‌آوری داده در تحقیقات میدانی مستلزم توجه دقیق به چندین عامل است:

• اهداف تحقیق: چه نوع اطلاعاتی برای پاسخ به سوالات تحقیق مورد نیاز است؟
• جامعه مورد مطالعه: چه افراد یا گروه‌هایی در حال مطالعه هستند؟
• منابع موجود: محدودیت‌های زمانی، بودجه‌ای و پرسنلی چه هستند؟
• تخصص محقق: محقق در استفاده از چه روش‌هایی مهارت و احساس راحتی دارد؟
• ترکیب روش‌ها:
• محققان اغلب از یک رویکرد چند روشی استفاده می‌کنند و روش‌های مختلف جمع‌آوری داده را برای به دست آوردن درک جامع‌تر و ظریف‌تر از پدیده تحقیق ادغام می‌کنند. این مثلث‌بندی داده‌ها، طرح تحقیق را تقویت می‌کند و اعتبار و قابلیت اطمینان یافته‌ها را افزایش می‌دهد.
• References:
• Book: “Social Research Methods” by William M. Kiser & John O.C. Jr. https://uk.sagepub.com/en-gb/eur/the-sage-handbook-of-social-research-methods/book228804
• Article: “Data Collection Methods in Research” by National Cancer Institute https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7718444/

چه تأثیری دارد که تعریف عملیاتی متغیرها در پژوهش‌ها دقیق و واضح باشد؟

نوشته

مراحل طراحی پرسشنامه و اعتبار سنجی آن

نوشته

روش‌های جمع‌آوری داده‌ها در تحقیقات توصیفی

نوشته

در انتخاب موضوع پایان نامه چه مواردی را مورد توجه قرار دهم؟

نوشته

در پایان فصل دوم پژوهش مبانی نظری و پژوهشی را چگونه جمع بندی کنم؟

• تحلیل محتوای کیفی چیست؟

تحلیل محتوای کیفی فرآیندی است برای جمع آوری، ساختاردهی و تفسیر داده های کیفی برای درک آنچه نشان دهنده آن است. داده های کیفی غیر عددی و بدون ساختار هستند. داده های کیفی عموماً به متن اشاره دارد، مانند پاسخ های باز به سؤالات نظرسنجی یا مصاحبه های کاربر، اما گاهی شامل صوت، عکس و ویدیو نیز می شود. داده های کیفی به طور کلی به داده های متنی کلمه به کلمه از منابعی مانند مصاحبه ها، بحث های گروهی، بررسی ها، شکایات، پیام های چت، تعاملات مرکز پشتیبانی، مصاحبه با مشتری، یادداشت های موردی یا نظرات رسانه های اجتماعی اشاره دارد. در مقایسه با داده های کمی که اطلاعات ساختاریافته را جمع آوری می کنند، داده های کیفی معمولا ساختاری ندارند و عمق و وسعت بیشتری دارند و می تواند به سوالات ما پاسخ دهند و به فرموله کردن فرضیه ها و ایجاد درک بیشتر ما از پدیده ها کمک کند.

روش تحلیل محتوای کیفی چیست؟

تحلیل محتوای کیفی دارای پنج مرحله اساسی است که عبارتند از : 1. جمع آوری داده های کیفی، 2. سازماندهی و اتصال به داده های کیفی، 3. کدگذاری داده های کیفی، 4. تجزیه و تحلیل داده های کیفی برای بینش، 5. گزارش در مورد بینش های به دست آمده از تحلیل داده ها.

مرحله اول، داده های کیفی را جمع آوری کنید.

تحلیل محتوای کیفی با جمع آوری داده کیفی آغاز می شود .اولین گام تحقیق کیفی، جمع آوری داده هاست. به زبان ساده، جمع آوری داده ها، جمع آوری تمام داده های شما برای تجزیه و تحلیل است. یک موقعیت رایج زمانی است که داده های کیفی در منابع مختلف پخش می شوند.

مرحله دوم، داده های کیفی را سازماندهی و منسجم کنید.

اکنون شما همه این داده های کیفی را دارید، اما یک مشکل وجود دارد، داده ها بدون ساختار هستند. قبل از اینکه بتوان بازخورد را تجزیه و تحلیل کرد و ارزشی به آن اختصاص داد، باید در یک مکان واحد سازماندهی شود. چرا این مهم است؟ داشتن ثبات! اگر همه داده ها به راحتی در یک مکان قابل دسترسی باشند و به روشی ثابت تجزیه و تحلیل شوند، زمان ساده تری برای جمع بندی و تصمیم گیری بر اساس این داده ها خواهید داشت. رویکرد دستی برای سازماندهی داده های شما: روش کلاسیک ساختار دادن به داده های کیفی این است که تمام داده هایی را که جمع آوری کرده اید در یک صفحه گسترده (spreadsheet) رسم کنید.

کدگذاری در تحلیل محتوای کیفی

سومین مرحله تحلیل محتوای کیفی، کدگذاری داده کیفی است که یکی از مهمترین مراحل تحلیل است. کدگذاری در تحلیل محتوای کیفی فرآیند برچسب گذاری و سازماندهی داده های شماست به گونه ای که بتوانید مضامین موجود در داده ها و روابط بین این مضامین را شناسایی کنید. برای ساده سازی فرآیند کدگذاری، نمونه های کوچکی از داده های کیفی را می گیرید، مجموعه ای از کدها یا دسته بندی ها را ارائه می کنید و هر بخش از بازخورد را به طور سیستماتیک برای الگوها و معنا برچسب گذاری می کنید. سپس نمونه بزرگتری از داده ها را می گیرید، کدها را برای دقت و سازگاری بیشتر اصلاح و اصلاح می کنید. کد کردن به معنای شناسایی کلمات یا عبارات کلیدی و اختصاص دادن آنها به دسته ای از معنا است. بعنوان مثال در کدگذاری در تحلیل محتوای کیفی، “من واقعا از خدمات مشتری این شرکت نرم افزاری متنفرم” به عنوان “خدمات ضعیف به مشتریان” کدگذاری می شود.

کدگذاری در تحلیل محتوای کیفی به روش دستی

1.ابتدا کدگذاری در تحلیل محتوای کیفی باید تصمیم بگیرید که آیا از کدگذاری قیاسی یا استقرایی استفاده خواهید کرد. کدگذاری قیاسی زمانی است که فهرستی از کدهای از پیش تعریف شده ایجاد می کنید و سپس آنها را به داده های کیفی اختصاص می دهید. کدگذاری استقرایی برعکس این است، شما کدهایی را بر اساس خود داده ها ایجاد می کنید. کدها مستقیماً از داده ها به وجود می آیند و در حین حرکت آنها را برچسب گذاری می کنید. شما باید مزایا و معایب هر روش کدگذاری را بسنجید و مناسب ترین روش را انتخاب کنید.

2. داده های بازخورد را بخوانید تا درک گسترده ای از آنچه نشان می دهد به دست آورید. اکنون زمان آن رسیده است که اولین مجموعه کدهای خود را به عبارات و بخش های متن اختصاص دهید.

3. مرحله 2 را تکرار کنید، کدهای جدید اضافه کنید و توضیحات کد را هر چند وقت یکبار که لازم است بازبینی کنید. پس از کدگذاری همه چیز، دوباره همه چیز را مرور کنید تا مطمئن شوید که هیچ تناقضی وجود ندارد و هیچ چیز نادیده گرفته نشده است.

4.در کدگذاری در تحلیل محتوای کیفی یک چارچوب کد برای گروه بندی کدهای خود ایجاد کنید. چارچوب کدگذاری ساختار سازمانی همه کدهای شماست. و دو نوع قاب کدگذاری متداول وجود دارد، مسطح یا سلسله مراتبی. یک چارچوب کد سلسله مراتبی، به دست آوردن بینش از تجزیه و تحلیل خود را برای شما آسان تر می کند.

5. بر اساس تعداد دفعاتی که یک کد خاص رخ می دهد، اکنون می توانید موضوعات رایج را در داده های بازخورد خود مشاهده کنید. این بصیرت است! اگر «خدمات بد به مشتری» یک کد رایج است، وقت آن است که اقدام کنید.

تحلیل محتوای کیفی با استفاده از نرم افزار و به کمک کامپیوتر (CAQDAS)

به طور سنتی در رویکرد تحلیل دستی (اما نه همیشه)، داده های کیفی برای کدگذاری به نرم افزار CAQDAS وارد می شوند. در اوایل دهه 2000، نرم افزار CAQDAS توسط توسعه دهندگانی مانند ATLAS.ti، NVivo و MAXQDA رایج شد و مشتاقانه توسط محققان برای کمک به سازماندهی و کدگذاری داده ها استفاده شد.

مزایای استفاده از نرم افزار تحلیل داده های کیفی به کمک کامپیوتر:

• به سازماندهی داده های شما کمک می کند
• به شما این امکان را میدهد که به کاوش تفاسیر مختلف از تجزیه و تحلیل داده های خود بپردازید
• به شما امکان می دهد داده های خود را آسان تر به اشتراک بگذارید و امکان همکاری گروهی را فراهم می کند (تجزیه و تحلیل ثانویه را امکان پذیر می کند) با این حال، هنوز باید داده ها را کدگذاری کنید، موضوعات را کشف کنید و خودتان تحلیل را انجام دهید. بنابراین هنوز میتواند یک رویکرد دستی تلقی شود.

اگر می خواهید در خصوص نرم افزار Nvivo آموزش ببینید. اینجا کلیک کنید مجموع آموزش 8 ساعت و 24 دقیقه

مرحله چهارم، داده ها را برای تولید بینش های معنادار تجزیه و تحلیل کنید.

اکنون می خواهیم داده های خود را برای یافتن بینش تجزیه و تحلیل کنیم. اینجاست که ما شروع به پاسخ به سوالات تحقیق خود می کنیم. به خاطر داشته باشید که مرحله 4 و مرحله 5 دارای همپوشانی هستند. این به این دلیل است که ایجاد تجسم بخشی از تجزیه و تحلیل و گزارش است. وظیفه کشف بینش ها، جستجوی کدهایی است که از داده ها بیرون می آیند و همبستگی های معناداری را از آنها استخراج می کنند. همچنین در مورد اطمینان از متمایز بودن هر بینش و داشتن داده های کافی برای پشتیبانی از آن است.
بخشی از تجزیه و تحلیل، تعیین میزان ارتباط هر کد با مشخصات جمعیتی و مشخصات مشارکت کنندگان در تحقیق است و مشخص کردن اینکه آیا رابطه ای بین این نقاط داده وجود دارد یا خیر. برای بهبود کیفیت اطلاعات بینش، کدهای فرعی را به صورت دستی ایجاد کنید. اگر چارچوب کد شما فقط یک سطح داشته باشد، ممکن است متوجه شوید که کدهای شما بسیار گسترده هستند و قادر به استخراج بینش معنادار نیستند. اینجاست که ایجاد کدهای فرعی برای کدهای اصلی شما ارزشمند است.

مرحله پنجم، نتایج و داستان داده های خود را گزارش کنید.

آخرین مرحله از تجزیه و تحلیل داده های کیفی، گزارش دادن به آن، گفتن داستان است. در این مرحله، کدها به طور کامل توسعه یافته و تمرکز بر انتقال روایت به مخاطب است. یک طرح کلی منسجم از تحقیقات کیفی، یافته ها و بینش ها برای ذینفعان برای بحث و مناظره حیاتی است، قبل از اینکه بتوانند یک اقدام معنادار را طراحی کنند.

نمونه تحلیل محتوای کیفی

یکی از روش های بسیار خوب برای یادگیری تحلیل محتوای کیفی و نحوه گزارش کردن نتایج آن، خواندن مقالات منتشر شده با این رویکرد می باشد. گرچه تحلیل در مطالعات کیفی مختلف از نظر سطح انتزاع و دقت با یکدیگر متفاوت می باشد، ولی محققین با مطالعه انواع مختلف مقالات کیفی که منتشر شده است و مراحل داوری همتایان را پشت سر گذاشته اند، می توانند تا حدود زیادی الگو بگیرند و مسیر پژوهش خود را به راحتی دنبال کنند. در زیر سه نمونه از مقالات کیفی منتشر شده، جهت مطالعه آورده شده است که میتواند راهگشا باشد. مقاله اول به دنبال کشف موانع برنامه های سلامت جنسی از دیدگاه سیاست گذاران حوزه سلامت بوده که بر اساس پایان نامه دکترا با همین مضمون منتشر شده است. مقاله دوم با هدف کشف و واکاوی شرایط زمینه ساز تک فرزندی در زنان و مردان ساکن تهران که دارای یک فرزند بودند انجام شده است و منتج از یک طرح پژوهشی در تهران بوده و مقاله سوم با هدف واکاوی جامعه پذیری جنسی در ایران می باشد که بر اساس یک پایان نامه دکترا می باشد.

سه نمونه از مقالات تحلیل محتوای موضوعی را در زیر مطالعه کنید:

Perceived Barriers to Implementing Sexual Health Programs from the Viewpoint of Health Policymakers in Iran: A Qualitative Study
https://qualitativestudies.com/wp-content/uploads/2022/05/sexual-health-programs.pdf

واکاوی شرایط زمینه ساز قصد و رفتار تک فرزندی در تهران
https://qualitativestudies.com/wp-content/uploads/2022/05/only-child.pdf

درک زنان از جامعه پذیری جنسی در ایران: یک مطالعه کیفی
https://qualitativestudies.com/wp-content/uploads/2022/05/sexual-socialization.pdf

اگر می خواهید در خصوص نرم افزار Nvivo آموزش ببینید. اینجا کلیک کنید مجموع آموزش 8 ساعت و 24 دقیقه

برگرفته از آکادمی پژوهش کیفی – دکتر فریده فراهانی

تحلیل داده های آماری

نوشته

کمبود ویتامین E چه عوارضی دارد؟

نوشته

Maxqda مکس کیو دی ای چیست؟

نوشته

ارزش ویژه برند (Brand Equity) چیست؟

نوشته

چرا بعد از کار اینقدر خسته می‌شوم؟ چه باید کرد؟

• روش تحقیق چیست؟ انواع روش تحقیق

روش تحقیق به «چگونگی» اجرای هر بخش از تحقیق مرتبط است. به طور دقیق تر، می توان گفت که چگونه یک محقق به طور سیستماتیک و منظم یک مطالعه را طراحی می کند تا یافته های معتبر و قابل اعتمادی اطمینانی ایجاد کند و به اهداف تحقیق برسد.
به عنوان مثال، محقق در موارد زیر چگونه تصمیم میگیرد :
• چه نوع داده هایی را جمع آوری کند (و چه داده هایی را نادیده بگیرد)
• از چه افرادی لازم است داده جمع آوری کرد (طرح نمونه گیری)
• نحوه جمع آوری آن (روش های جمع آوری داده ها)
• نحوه تجزیه و تحلیل آن (روش های تجزیه و تحلیل داده ها)

در یک پایان نامه، مقاله دانشگاهی یا هر تحقیق معتبر و رسمی، یک فصل یا یک بخش به روش تحقیق اختصاص می یابد که جنبه های ذکر شده در بالا را پوشش می دهد که دوره روش تحقیق بسیار مهم است. نکته مهم این است که یک فصل روش شناسی خوب در یک پایان نامه ، نه تنها انتخاب های روشی انجام شده را توضیح می دهد، بلکه توضیح می دهد که چرا این روش انتخاب شده است.
فصل روش شناسی در واقع باید نشان دهد که روش ها و تکنیک های انتخاب شده بهترین تناسب با اهداف و مقاصد تحقیق را داشته و به همین دلیل، نتایج معتبر و قابل اعتمادی را ارائه می دهد، همچنین انتخاب های طرح تحقیق را توضیح داده و توجیه کند. یک روش تحقیق خوب، یافته های علمی معتبری را ارائه می دهد، در حالی که روش شناسی ضعیف این کار را نمی کند. انتخاب های اصلی طرح تحقیق در ادامه ارائه شده است.

انواع روش تحقیق

روش تحقیق شامل انواع روش های کیفی، کمی و ترکیبی یا آمیخته است. در دوره روش تحقیق، روش‌های کیفی، کمی و ترکیبی انواع مختلفی از روش‌ها هستند که با توجه به کلمات، اعداد یا هر دو متمایز می‌شوند. این کمی ساده ‌سازی شده این مفاهیم است، اما نقطه شروع خوبی برای درک این روش ها محسوب میشود. اجازه دهید کمی دقیق تر ببینیم.

تحقیق کیفی به تحقیقی اطلاق می شود که بر گردآوری و تجزیه و تحلیل کلمات (نوشتاری یا گفتاری) و داده های متنی تمرکز دارد، در حالی که تحقیق کمی بر اندازه گیری و آزمایش با استفاده از داده های عددی متمرکز است. تجزیه و تحلیل کیفی همچنین می تواند بر سایر داده های “نرم تر” مانند زبان بدن یا عناصر بصری نیز تمرکز کند.
زمانی که اهداف و مقاصد تحقیق ماهیت اکتشافی دارند، استفاده از روش شناسی کیفی بسیار رایج است. به عنوان مثال، یک روش کیفی ممکن است برای درک تصورات و باورهای مردم در مورد رویدادی که رخ داده است استفاده شود.

برعکس، زمانی که اهداف و مقاصد تحقیق ماهیت تأییدی داشته باشند، معمولاً از روش کمی استفاده می شود. به عنوان مثال، یک روش کمی ممکن است برای اندازه گیری رابطه بین دو متغیر (مثلاً تحصیلات و رانندگی پرخطر) یا برای آزمایش مجموعه ای از فرضیه ها استفاده شود. همانطور که ممکن است تاکنون حدس شده باشید، روش ترکیبی سعی می کند بهترین روش های کمی و کیفی را برای ادغام دیدگاه ها و ایجاد تصویری غنی و کامل ترکیب کند.

روش تحقیق: روش نمونه گیری

طرح نمونه گیری در مورد تصمیم گیری در مورد داده های خود است که نمونه خود را از چه کسی قرار است جمع آوری کنید .در دوره روش تحقیق گزینه ‌های زیادی در طرح نمونه گیری وجود دارد، اما دو دسته اصلی طرح نمونه گیری که می توان نام برد عبارتند از : 1. نمونه‌ گیری احتمالی و 2. نمونه ‌گیری غیراحتمالی.

نمونه گیری احتمالی یعنی شما از یک نمونه کاملا تصادفی از گروه افرادی که مورد نظر شما است استفاده می کنید (این گروه “جمعیت” نامیده می شود). با استفاده از یک نمونه کاملا احتمالی یا تصادفی، نتایج مطالعه شما قابل تعمیم به کل جامعه خواهد بود. به عبارت دیگر، بدون نیاز به جمع‌آوری داده‌ها از کل گروه (که اغلب برای گروه‌های بزرگ امکان‌پذیر نیست) می‌توانید نتایج یکسانی را در کل گروه انتظار داشته باشید.

برعکس، در نمونه گیری غیر احتمالی شما از نمونه تصادفی استفاده نمی کنید. به عنوان مثال، ممکن است شما از یک نمونه در دسترس استفاده کنید ، به این معنی که شما با افرادی که به آنها دسترسی دارید (شاید دوستان، خانواده یا همکارانتان) مصاحبه یا نظرسنجی کنید، نه یک نمونه واقعا تصادفی (که ممکن است به دلیل محدودیت منابع، دستیابی به آن دشوار باشد). با نمونه گیری غیر احتمالی، نتایج معمولاً قابل تعمیم به روش آماری نیستند.

روش تحقیق: روش های جمع آوری داده ها

در دوره روش تحقیق گزینه های مختلفی از نظر نحوه جمع آوری داده ها برای مطالعه شما وجود دارد. با این حال، این گزینه ها را می توان به انواع زیر گروه بندی کرد:

• مصاحبه ها (که می توانند بدون ساختار، نیمه ساختاریافته یا ساختاریافته باشند)
• گروه های متمرکز و مصاحبه های گروهی
• نظرسنجی (نظرسنجی آنلاین یا فیزیکی)
• مشاهدات
• اسناد و مدارک
• مطالعات موردی

انتخاب روش جمع‌آوری داده‌ها به اهداف و مقاصد کلی تحقیق و همچنین موارد عملی و محدودیت‌های منابع بستگی دارد. برای مثال، اگر تحقیق شما ماهیت اکتشافی دارد، روش‌های کیفی مانند مصاحبه و گروه‌های متمرکز احتمالاً مناسب هستند. برعکس، اگر هدف تحقیق شما اندازه‌گیری متغیرهای خاص یا آزمون فرضیه‌ها باشد، نظرسنجی‌هایی با مقیاس بزرگ که حجم زیادی از داده‌های عددی را تولید می‌کنند احتمالاً مناسب‌تر خواهند بود.
روش تحقیق : روش های تجزیه و تحلیل داده هاروش های تجزیه و تحلیل داده ها را می توان بر اساس کیفی یا کمی بودن تحقیق گروه بندی کرد.
روش های رایج تجزیه و تحلیل داده ها در تحقیقات کیفی عبارتند از:
• تحلیل محتوای کیفی
• تحلیل موضوعی
• تحلیل گفتمان
• تحلیل روایت
• نظریه بر پایه یا زمینه ای

تجزیه و تحلیل داده های کیفی با کدگذاری داده ها آغاز می شود و پس از آن یک (یا چند) تکنیک تحلیل اعمال می شود.
روش های رایج تجزیه و تحلیل داده ها در تحقیقات کمی عبارتند از:

• آمار توصیفی (به عنوان مثال، میانگین ها، میانه ها، حالت ها)
• آمار استنباطی (مانند همبستگی، رگرسیون، مدل سازی معادلات ساختاری)
باز هم، انتخاب روش جمع‌آوری داده‌ها به اهداف و مقاصد کلی تحقیق و همچنین محدودیت‌های عملی و منابع بستگی دارد.

چگونه روش تحقیق را انتخاب کنیم؟

در دوره روش تحقیق همانطور که احتمالاً تاکنون متوجه شده اید، اهداف و اهداف تحقیق شما تأثیر عمده ای بر روش شناسی تحقیق دارد. بنابراین، نقطه شروع برای توسعه روش تحقیق شما این است که قبل از تصمیم گیری روش شناسی، یک قدم به عقب بردارید و به تصویر بزرگ تحقیق خود نگاه کنید. اولین سوالی که باید از خود بپرسید این است که آیا تحقیق شما ماهیت اکتشافی دارد یا تاییدی.

اگر اهداف و مقاصد تحقیق شما اساساً ماهیت اکتشافی دارند، احتمالاً تحقیق شما کیفی خواهد بود و بنابراین می‌توانید روش‌های جمع‌آوری داده‌های کیفی (مانند مصاحبه) و روش‌های تحلیل (مانند تحلیل محتوای کیفی) را در نظر بگیرید.

برعکس، اگر اهداف و هدف تحقیق شما به دنبال اندازه‌گیری یا آزمایش چیزی است (یعنی تاییدی هستند)، احتمالاً تحقیق شما ماهیت کمی خواهد داشت و ممکن است روش‌های جمع‌آوری داده‌های کمی (مانند نظرسنجی) و تجزیه و تحلیل آماری را در نظر بگیرید.

نتیجه گیری: همیشه باید با اهداف تحقیق خود شروع کنید و تصمیم روش شناسی خود را بر اساس اهداف بگیرید.

اگر می خواهید در خصوص نرم افزار Nvivo آموزش ببینید. اینجا کلیک کنید مجموع آموزش 8 ساعت و 24 دقیقه

برگرفته از آکادمی پژوهش کیفی – دکتر فریده فراهانی

داده های کیفی – تعریف، انواع، تجزیه و تحلیل مثالها، روشهای جمع آوری و اهمیت داده های کیفی در پژوهش بازاریابی

نوشته

روش تحقیق آمیخته ترکیبی کیفی کمی

نوشته

آموزش ورود محتوای فایل پی ‌دی‌ اف به ورد

نوشته

ابزارها وتكنيك ها در روش تحقیق کیفی

نوشته

رمز گذاری روی فایل های ورد،پاورپوینت و اکسل

گراندد تئوری (نظریه داده بنیاد)

گراندد تئوری (Grounded Theory) یا نظریه داده بنیاد یک روش تحقیق کیفی است که برای نظریه‌پردازی پیرامون پدیده مورد مطالعه استفاده می‌شود. این روش زمانی استفاده می‌شود که ادبیات پژوهش پیرامون موضوع از غنای لازم برخوردار نباشد. همچنین هدف ارائه یک نظریه جدید است که تاکنون در جوامع پژوهشی مطرح نشده است.

این روش توسط دو جامعه شناس به نام بارنی گلیسر (Barney Glaser) و آنسلم اشتراوس (Anselm Strauss) در سال ۱۹۶۷ میلادی معرفی شد. روش اصلی گردآوری داده‌ها در این روش استفاده از انواع مصاحبه است. با تحلیل و کدگذاری متن مصاحبه‌ها به ارائه مدل پارادایمی پرداخته می‌شود. در روش گراندد تئوری با استفاده از یک دسته داده‌ها، نظریه‌ای تکوین می‌یابد. به طوری که این نظریه در یک سطح وسیع، یک فرایند، عمل یا تعامل را تبیین می‌کند. بیشتر پژوهشگران از روش اشتراوس و کوربین برای انجام تحلیل گراندد تئوری استفاده می‌کنند.

نظریه حاصل از اجرای چنین روش پژوهشی، نظریه‌ای فراگردی است. از مزایای روش گراندد تئوری این است که:

• تئوری به شکل منظم و بر اساس داده‌های واقعی شکل می‌گیرد.
• برای موقعیتی مناسب است که دانش ما در مورد آن محدود است و تئوری قابل اعتنا در آن موجود نیست که بتوان بر اساس آن فرضیه‌ای برای آزمون تدوین کرد.
• گراندد تئوری در طول تحقیق رشد می‌کند و از رهگذر تعامل مستمر بین گردآوری و تحلیل داده‌ها حاصل می‌شود.

فلسفه روش گراندد تئوری

فلسفه علمی روش گراندد تئوری براساس نظریه کنش متقابل نماید یا symbolic interactionism قرار دارد. به عبارت دیکر نظریه گراندد تئوری در پارادایم تفسیری تعامل‌گرایی سمبولیک ریشه دارد. در تعامل‌گرایی سمبولیک اعتقاد بر این است که مردم مبنای اینکه چگونه سمبول‌های خاص مانند پوشش‌، عبارات کلامی و غیرکلامی را معنی و تفسیر می‌نمایند، رفتار کرده و با یکدیگر تعامل دارند. عناصر کلیدی روش گراندد تئوری شامل نمونه‌گیری نظری، مقایسه ثابت، کدگذاری باز، محوری و انتخابی، یادآوری و اشباع نظری، توسط اشتراوس و کوربین توصیف شده است.

امروزه ۳ رهیافت مسلط در نظریه­ پردازی زمینه بنیان قابل تفکیک است:

رهیافت اشتراوس، کوربین و چارمز

رهیافت نظام­‌مند Systematic که با اثر اشتراوس و کوربین (Strauss and Corbin, 1998) شناخته می­‌شود.

رهـیافت ظاهرشونده Emergent که مربوط به اثر گلیسر (Glaser, 1992) است.

رهیافت ساخت­‌گرایانه Constructivist که توسط چارمز (Charmaz, 1990; 2000) حمایت می­‌شود.

نظریه­ داده بنیاد یکی از استراتژی‌­های پژوهش محسوب می‌­شود که از طریق آن نظریه‌­پردازی بر مبنای مفاهیم اصلی حاصل از داده­‌های موجود در زمینه، شکل می‌گیرد. این­گونه نظریه­ پردازی مبتنی بر استعاره کولاژ و همانند مدل سطل زباله تصمیم­‌گیری می‌­باشد که از تلاقی تصادفی اجزاء و البته با هنرنمایی نظریه­ پرداز ترکیبی نو، بدیع و جذاب خلق می‌­شود. به عبارت دیگر، نظریه­‌پرداز زمینه‌­بنیان در زمینی متشکل از داده­‌های پراکنده متعدد و متنوع سیر نموده و به منظور دستیابی به نظری‌ه­ای نو با هنرنمایی آن­ها را ترکیب می‌­نماید. خلاقیت یکی از اجزای مهم نظریه­‌پردازی زمینه­‌بنیان است. رویه­‌های این روش پژوهشگر را مجبور می­‌سازد که پیش‌­فرض­‌ها را درهم شکسته و از عناصر قدیمی نظمی نو بیافریند.

مدل‌های گراندد تئوری

استراتژی روش گراندد تئوری

استراتژی نظریه­ داده بنیاد زمینه­ بنیان از نوعی رویکرد استقرایی بهره می‌­گیرد. یعنی روند شکل­‌گیری نظریه در این استراتژی حرکت از جزء به کل است. این روش یک سلسله رویه­‌های سیستماتیک را به کار می­‌گیرد تا نظریه‌­ای مبتنی بر استقرا درباره پدیده­ مورد نظر ایجاد کند. یافته‌های تحقیق دربرگیرنده تنظیم نظری واقعیت تحت بررسی است نه یک سلسله ارقام یا مجموعه‌­ای از مطالب که به یکدیگر وصل شده باشند.

هدف نظریه­ پردازی زمینه­ بنیان ساختن و پرداختن نظریه‌­ای است که در زمینه مورد مطالعه صادق و روشنگر باشد. این استراتژی پژوهش بر سه عنصر: مفاهیم، مقوله‌­ها و گزاره­‌ها استوار است.

مراحل نظریه داده بنیاد (گراندد تئوری)

در پژوهش نظریه­ پردازی زمینه‌­بنیان، نظریه مورد نظر یک نظریه فراگردی است. اگر چه نظریه­پردازان زمینه­بنیان ممکن است یک تک ایده مثلاً مهارت­‌های رهبری را هم مورد تحقیق قرار دهند ولی آن­ها اغلب یک فراگرد را بررسی می­‌کنند. زیرا درک جهان اجتماعی مستلزم این است که افراد با یکدیگر تعامل داشته باشند. در نظریه‌­پردازی زمینه­‌بنیان، یک فراگرد، زنجیره­ای از کنش‌­ها و واکنش­‌ها بین افراد و وقایع مربوط به یک موضوع است.

داده‌هایی که توسط نظریه­‌پرداز زمینه‌­بنیان برای تشریح فراگردها گردآوری می­‌شود شامل انواع مختلفی از داده­‌های کیفی است نظیر مشاهده، گفت و شنودها، مصاحبه، اسناد و مدارک، خاطرات پاسخ‌دهندگان و تأملات شخصی خود پژوهشگر. نظریه­ پردازی زمینه­ بنیان از فراگردی استفاده می­ کند که مستلزم گردآوری و تحلیل همزمان و زنجیره ­وار داده‌­ها است.

در این استراتژی پژوهشی، از نمونه ­برداری نظری استفاده می­ شود. نمونه‌برداری نظری، فراگرد گردآوری داده برای تولید نظریه است که بدان وسیله تحلیل‌گر به طور همزمان داده‌هایش را جمع ­آوری، کدگذاری و تحلیل کرده و تصمیم می­‌گیرد به منظور بهبود نظریه خود تا هنگام ظهور آن، در آینده چه داده­ هایی را جمع­ آوری و در کجا آن­ها را پیدا کند.

فرایند نظریه پردازی نظریه­ داده‌بنیاد

نظریه‌­پردازی داده­‌بنیان مبتنی بر ۳ نوع کدگذاری باز، محوری و انتخابی است که در ادامه هر یک تشریح می‌­شوند.

• کدگذاری باز Open Coding
• کدگذاری محوری Axial Coding
• کدگذاری انتخابی Selective Coding

انواع کدگذاری در روش گراندد تئوری

کدگذاری آزاد ( باز) : کدگذاری، روند تجزیه و تحلیل داده‌­هاست. کدگذاری باز بخشی از فرایند تحلیل داده‌هاست که به خردکردن، مقایسه­‌سازی، نام‌گذاری، مفهوم‌­­پردازی و مقوله­‌بندی داده‌­ها می‌پردازد. طی کدگذاری باز، داده‌­ها به بخش‌­های مجزا خرد شده و برای به­‌دست آوردن مشابهت­‌ها و تفاوت­‌هایشان مورد بررسی قرار می­‌گیرند. کدگذاری باز دربرگیرنده رویه­‌های زیر است.

کدگذاری محوری: کدگذاری محوری مرحله دوم تجزیه و تحلیل در نظریه­‌پردازی زمینه‌­بنیان است. هدف این مرحله برقراری رابطه بین مقوله‌­های تولید شده در مرحله کدگذاری باز است. این کدگذاری، به این دلیل محوری نامیده شده که کدگذاری حول محور یک مقوله رخ می‌دهد. در این مرحله پژوهشگر یکی از مقوله‌ها را به عنوان مقوله محوری انتخاب کرده، آن را تحت عنوان پدیده محوری در مرکز فرایند، مورد کاوش قرار داده و ارتباط سایر مقولات را با آن مشخص می‌کند.

کدگذاری انتخابی : پدیده مورد نظر، ایده و فکر محوری، حادثه، اتفاق یا واقعه‌­ای است که جریان کنش­‌ها و واکنش‌­ها به سوی آن رهنمون می­‌شوند تا آن­ را اداره، کنترل و یا به آن پاسخ دهند. پدیده محوری با این سئوال اصلی همراه است که داده‌­ها به چه چیزی دلالت می­کنند؟  مقوله محوری ایده (انگاره، تصور) یا پدیده‌­ای است که اساس و محور فراگرد است. این مقوله همان عنوانی (نام یا برچسب مفهومی) است که برای چارچوب یا طرح به وجود آمده در نظر گرفته می‌­شود. مقوله‌­ای که به عنوان مقوله محوری انتخاب می‌شود باید به قدر کافی انتزاعی بوده و بتوان سایر مقولات اصلی را به آن ربط داد. اشتراوس (۱۹۸۷) ویژگی­‌های انتخاب مقوله محوری را موارد زیر بیان می‌کند.

ارائه الگوی پارادایمی

درکدگذاری‌باز، مقوله‌ها و مضامین اصلی پیرامون پدیده مورد مطالعه شناسایی می‌شوند. در کدگذاری‌محوری‌، مقوله‌ها‌ به‌طور نظام‌مند بهبودیافته و با زیرمقوله‌ها پیوند داده‌ می‌شوند‌. در نهایت از طریق، کدگذاری گزینشی، الگوی پارادایمی پژوهش ارائه می‌شود. یک مدل پارادایمی شامل موارد زیر است:

• شرایط علی
• شرایط زمینه‌ای
• شرایط مداخله‌گر
• استراتژی‌ها
• پیامدها

ارائه الگوی پارادایمی در نظریه‌پردازی داده‌بنیاد

از طریق الگوی پارادایمی، گستره پژوهش تا سطح یکی از چندین فرایند یا شرایط اجتماعی اصلی که در داده‌ها وجود دارند، فشرده‌تر می‌شود. ظهور متغیر محوری در مطالعه، به عنوان راهنمایی برای گردآوری و تحلیل داده‌های بیشتر بعدی نیز، عمل می‌کند، یعنی مقوله محوری سبب جهت‌دهی به نمونه برداری نظری می‌شود.

نتیجه‌گیری

هدف نظریه­پردازی زمینه ­بنیان، تولید نظریه است نه توصیف صرف پدیده. برای اینکه تحلیل­‌ها به نظریه تبدیل شوند مفاهیم باید به طور منظم به یکدیگر ربط یابند. در کدگذاری محوری، مبانی و پایه­های کدگذاری انتخابی پی­ریزی می­شود. کدگذاری انتخابی مرحله اصلی نظریه­پردازی است که مقوله محوری را به شکلی نظام­مند به دیگر مقوله­ها ربط داده، آن روابط را در چارچوب یک روایت و داستان، روشن کرده و مقوله­هایی را که به بهبود و توسعه بیشتری نیاز دارند، اصلاح می‌­کند.

کدگذاری انتخابی، یافته­های مراحل کدگذاری قبلی را گرفته، مقوله محوری را انتخاب می­کند، به شکلی نظام­مند آن را به دیگر مقوله­ها ربط می­دهد، آن روابط را اثبات می­کند، و مقوله­هایی را که به بهبود و توسعه بیشتری نیاز دارند تکمیل می­کند. در این حالت توجه به روابط میان مقوله­ها بر مبنای مشخصه­ها و ابعادشان است.

اولین گام در کدگذاری انتخابی تشریح خط اصلی داستان است. گام دوم ربط دادن مقوله‌های تکمیلی حول مقوله محوری با استفاده از یک مدل است. در مرحله بعد هر یک از مقوله­‌ها می­باید به ابعادشان مرتبط شوند. گام چهارم به تائید رساندن آن روابط با استفاده از داده‌هاست. آخرین مرحله تکمیل مقوله­‌هایی است که نیاز به اصلاح و یا بسط و گسترش دارند. در نهایت نظریه زمینه‌­بنیان ممکن است با گزاره‌­ها یا قضایایی پایان یابد که روابط بین مقوله­‌ها را در الگوی کدگذاری محوری روشن می‌­کنند.

منبع: آموزش روش گراندد تئوری نوشته آرش حبیبی نشر الکترونیک پارس مدیر

مراحل طراحی پرسشنامه عبارتند از:

مراحل طراحی پرسشنامه عبارتند از:

تعیین هدف: در این مرحله باید هدف واقعی از پرسشنامه را تعیین کرد.

واضح کردن اهداف پژوهش و تعیین نیازهای اطلاعاتی مورد نیاز از مهمترین اقدامات این مرحله است.

انتخاب موضوع و بعد‌های مورد نظر:

در این مرحله لازم است به اهداف ، سوال ها یا فرضیه های پژوهش مراجعه شود تا موضوع و ابعاد پرسشنامه مشخص گردد.

بعد اصلی پرسشنامه باید مشخص شود و سپس سوالات مرتبط با این بعد تهیه شوند.

باید توجه داشت که سوالات مورد انتظار برای مطالعه، باید مرتبط و معتبر باشند.

ارائه سوالات: در این مرحله سوالات پرسشنامه باید طراحی شوند.

سوال‌ها باید واضح، قابل فهم و مرتبط با هدف اصلی پرسشنامه باشند.

تعیین فرمت پرسشنامه: در این مرحله، باید فرمت پرسشنامه، چیدمان سوالات و نحوه پاسخ‌گویی مشخص شود.

برای مثال، فرمت می‌تواند شامل طرح لیکرت با پاسخ‌های چندگزینه، پاسخ کوتاه، پاسخ طولانی و غیره باشد.

اعتبارسنجی:

برای اعتبارسنجی پرسشنامه، باید آن را به گروهی از افراد که در هدف اصلی پرسشنامه قرار دارند، تحویل داد و از آن‌ها درخواست نظر و بازخورد بگیرید. سپس با تحلیل نتایج، می‌توانید پرسشنامه را اصلاح و تکمیل کنید.

به طور خلاصه اعتبار سنجی در زیر شرح داده می شود:

اعتبارسنجی پرسشنامه به منظور اطمینان از صحت و قابل اعتماد بودن پرسشنامه و اطمینان از اینکه پرسشنامه به درستی می‌تواند اطلاعات مورد نیاز را جمع آوری کند، انجام می‌شود. این فرآیند شامل مراحل زیر است:

اعتبار ظاهری (Face Validity): در این مرحله، پرسشنامه به یک گروه از افراد تحویل داده می‌شود تا بررسی کنند که آیا سوالات پرسشنامه مرتبط و معتبر برای موضوع مورد نظر هستند یا خیر. این فرایند برای تضمین اینکه پرسشنامه شامل سوالات مناسب است، بسیار مهم است.

پایایی (Reliability): پایایی به معنای تکرار پذیری و ثبات پاسخ‌گویی پرسشنامه است. برای اندازه گیری پایایی، می‌توان از روش‌های داخلی مانند ضریب آلفای کرونباخ استفاده کرد. این روش بر اساس همبستگی سوالات پرسشنامه با یکدیگر، ضریب پایایی را محاسبه می‌کند.

پایایی زمانی (Test-retest reliability): برای اندازه‌گیری پایایی زمانی، پرسشنامه به دو گروه از افراد در زمان‌های مختلف تحویل داده می‌شود و نتایج به دست آمده مقایسه می‌شوند. برای ارزیابی پایایی زمانی می‌توان از ضریب همبستگی دوباره تست استفاده کرد.

پایایی داخلی (Internal consistency): برای اندازه‌گیری پایایی داخلی، ارتباط سوالات یک بعد پرسشنامه با یکدیگر سنجیده می‌شود. این پایایی معمولاً توسط ضریب آلفای کرونباخ یا ضریب بیسر تعیین می‌شود.

روایی (Validity): روایی به معنای میزان صحت پرسشنامه در اندازه‌گیری مفهوم مورد نظر است. برای ارزیابی روایی، می‌توان از روش‌های داخلی مانند تحلیل عاملی تأییدی، روش روایی محتوایی و روش روایی معیاری استفاده کرد.

با توجه به اینکه اعتبارسنجی پرسشنامه به مراحل متعددی نیاز دارد، باید توجه داشت که این فرآیند باید با دقت و همراه با بررسی‌های دقیق و دسته‌بندی‌های مناسب انجام شود. همچنین، برای اطمینان از صحت و قابلیت استفاده پرسشنامه، باید این فرآیند به صورت دوره‌ای تکرار و به‌روزرسانی شود.

یکی از موارد مهمی که در این مرحله باید به آن توجه شود تحلیل عاملی می باشد. تحلیل عاملی به دو صورت تاییدی و اکتشافی می باشد. تحلیل عاملی تأییدی با نرم افزار هایی مانند Amos ، Lisrel و pls انجام می گیرد. تحلیل عاملی اکتشافی را می توان با نرم افزار Spss انجام داد.

در مقالات بعدی به تفصیل در مورد تحلیل عاملی بحث خواهد شد.

تست و اجرا: در این مرحله، پرسشنامه باید تست و اجرا شود. برای این منظور، لازم است تا پرسشنامه به گروهی از افراد تحویل داده شود و نتایج آن‌ها تجمع شود.

سپس با تحلیل نتایج، می‌توانید از پرسشنامه برای مطالعه و تحقیق خود استفاده کنید.

تجدیدنظر و به‌روزرسانی: پرسشنامه باید به‌روزرسانی شود تا با نیازهای جدید 

انواع مقیاس های اندازه گیری با ذکر مثال

در اندازه‌گیری های پژوهشی، مقیاس‌های مختلفی برای اندازه‌گیری متغیرهای مختلف استفاده می‌شوند.

 این مقیاس‌ها می‌توانند بر اساس طبیعت متغیر، نوع داده‌ها و هدف اندازه‌گیری تعریف شوند.

1. مقیاس اسمی: این مقیاس برای اندازه‌گیری داده‌های کیفی مورد استفاده قرار می‌گیرد و دارای دسته‌های گسسته است.

 برای مثال، می‌توانیم برای این مقیاس، رنگ مورد علاقه شخص را نام ببریم.

مثال های دیگر: جنسیت، سبک موسیقی، شهر محل زندگی

• مقیاس ترتیبی: این مقیاس برای اندازه‌گیری داده‌هایی استفاده می‌شود که ترتیب مشخصی دارند ولی فاصله بین داده‌ها نامعلوم است.

 برای مثال، می‌توانیم سطوح درد را به عنوان یک مثال برای این مقیاس ذکر کنیم.

یا سطوح تحصیلات (دیپلم، لیسانس، فوق لیسانس، دکترا)، شغل (کارمند، مدیر، صاحب کسب و کار)، مراحل بیماری (سالم، بیماری در دوران ابتدایی، بیماری در دوران پیشرفته)

• مقیاس اندازه‌گیری فاصله ای: این مقیاس دارای واحد اندازه‌گیری است و امکان انجام محاسبات آماری را فراهم می‌کند. برای مثال، قد و وزن فرد به عنوان یک مثال از این مقیاس می‌تواند ذکر شود.

یا درجه حرارت، فشار خون، سرعت خودرو

• مقیاس نسبی: این مقیاس دارای نقطه مبنا است و امکان انجام محاسبات ریاضیاتی مانند ضرب و تقسیم را فراهم می‌کند.

 برای مثال، درصد دانش آموزی که به طور کلی به موفقیت دست می‌یابد، یک نمونه از این مقیاس است.

درصد تخفیف، نرخ بهره بانکی، ضریب تبدیل واحد پول، سرعت رشد جمعیت

• مقیاس اندازه‌گیری دو متغیره: این مقیاس‌ها برای اندازه‌گیری دو متغیر به طور همزمان استفاده می‌شوند.

برای مثال، می‌توانیم قطر و وزن توپ را به عنوان یک نمونه از این مقیاس ذکر کنیم.

موقعیت مکانی دو نقطه روی نقشه، میزان مصرف برق و گاز در یک خانه، طول و عرض عینک یا ساعت

در جدول زیر، برخی از انواع مقیاس‌های اندازه‌گیری را با هم مقایسه کرده‌ایم:

نوع مقیاس	توضیح	مثال
اسمی	معمولاً به صورت دسته‌ای است و برای داده‌های کیفی مورد استفاده قرار می‌گیرد.	جنسیت، رنگ چشم
ترتیبی	این مقیاس ترتیب مشخصی برای داده‌ها بر اساس مفهومی مشخص دارد.	سطوح تحصیلات، شغل
اندازه‌گیری فاصله ای	این مقیاس دارای واحد اندازه‌گیری است و امکان انجام محاسبات آماری را فراهم می‌کند.	قد، وزن
نسبی	این مقیاس دارای نقطه مبنا است و امکان انجام محاسبات ریاضیاتی مانند ضرب و تقسیم را فراهم می‌کند.	درصد، نرخ
اندازه‌گیری دو متغیره	این مقیاس‌ها برای اندازه‌گیری دو متغیر به طور همزمان استفاده می‌شوند.	طول و عرض، قطر و وزن

لازم به ذکر است که این دسته‌بندی‌ها ممکن است بر اساس نوع متغیر و هدف اندازه‌گیری تفاوت کنند و برخی از مقیاس‌ها می‌توانند در چندین دسته قرار گیرند.

مقیاس نسبی در آمار

مقیاس نسبی یکی از انواع مقیاس‌های آماری است که برای اندازه‌گیری و مقایسه متغیرهایی که از نمونه‌های با اندازه‌های مختلف به دست می‌آیند، استفاده می‌شود. در این نوع مقیاس‌ها، ارزش متغیر به صورت نسبی به دیگر مقادیر در نمونه مشخص می‌شود. به عبارت دیگر، این مقیاس‌ها به ما امکان می‌دهند تا متغیرهایی با واحدها و مقادیر مختلف را با هم مقایسه کنیم.

مقیاس‌های نسبی شامل مقایسه‌هایی مانند نسبت، درصد، ضریب، و ارزش p به عنوان یک معیار احتمالی می‌شوند. به طور مثال، نسبت متغیر X به متغیر Y به صورت X/Y تعریف می‌شود و در صورتی که ارزش نسبت برابر با 1 باشد، به این معنی است که دو متغیر با هم برابرند. اگر نسبت بزرگتر از 1 باشد، به این معنی است که متغیر اول بزرگتر از دوم است و اگر کمتر از 1 باشد، به این معنی است که متغیر اول کوچکتر از دوم است.

در مقابل، مقیاس‌های دیگری مانند مقیاس‌های مطلق، مانند میانگین و واریانس، بر اساس واحد‌های مشخصی تعریف می‌شوند و به همین دلیل برای مقایسه متغیرهایی با واحدها و مقادیر مختلف نیاز به تبدیل داده‌ها به واحد‌های مشترک دارند.

استفاده از مقیاس‌های نسبی در آمار، به ما امکان مقایسه و تفسیر داده‌های مختلف را با هم فراهم می‌کند و باعث می‌شود تحلیل داده‌ها به صورت دقیق‌تر و معتبرتری انجام شود.

یک مثال از استفاده از مقیاس‌های نسبی:

فرض کنید می‌خواهید میزان فروش یک محصول در دو دوره زمانی مختلف را مقایسه کنید. در دوره اول، فروش این محصول 1000 واحد بوده است و در دوره دوم، فروش آن به 1500 واحد افزایش یافته است. برای مقایسه این دو دوره، می‌توان از مقیاس نسبت استفاده کرد.

در این صورت، نسبت فروش دوره دوم به دوره اول برابر با 1500/1000=1.5 خواهد بود. این نسبت نشان می‌دهد که فروش در دوره دوم نسبت به دوره اول به میزان 50 درصد افزایش یافته است. اگر به جای مقیاس نسبت، از مقیاس مطلق مانند افزایش تعداد واحدهای فروش استفاده می‌کردیم، این نتیجه قابل مقایسه نبود و نمی‌توانستیم به این سادگی بفهمیم که درصد افزایش فروش در دوره دوم چقدر بوده است.

بنابراین، استفاده از مقیاس‌های نسبی مانند نسبت، درصد و ضریب، به ما این امکان را می‌دهد که متغیرهایی با واحدها و مقادیر مختلف را با هم مقایسه کنیم و تحلیل داده‌ها را به صورت دقیق‌تر و معتبرتر انجام دهیم.

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.

مقیاس اسمی یکی از انواع مقیاس‌های اندازه‌گیری در روش‌های آماری است که برای دسته‌بندی داده‌ها به کار می‌رود.

در این نوع از مقیاس‌ها، داده‌ها با نشان دادن نام یا برچسبی که به آن‌ها اختصاص داده شده است، دسته‌بندی می‌شوند.

به عبارت دیگر، در مقیاس اسمی، داده‌ها فقط به عنوان اعضای گروه‌های مجزا شناخته می‌شوند و هیچ قدرت مقایسه و محاسبه‌ای بین آن‌ها وجود ندارد.

مثال‌هایی از مقیاس اسمی عبارتند از: جنسیت – رنگ‌ها، نام شهرها، نام کشورها و ژانرهای موسیقی-

آیا مقیاس اسمی در تحلیل داده‌های کمیتی هم مورد استفاده قرار می‌گیرد؟

مقیاس اسمی در تحلیل داده‌های کمیتی معمولاً برای دسته‌بندی داده‌ها و توصیف ویژگی‌های کیفی مانند نام، جنسیت، محل سکونت، رنگ مورد علاقه و غیره استفاده می‌شود.

این نوع از داده‌ها به صورت کیفی نیستند و نمی‌توان به آن‌ها عملیات ریاضی اعمال کرد.

با این حال، در برخی موارد، می‌توان از مقیاس اسمی برای تحلیل داده‌های کمیتی استفاده کرد.

به عنوان مثال، می‌توان داده‌هایی را در نظر گرفت که در آن‌ها متغیرهایی مانند رنگ یک محصول، میزان رضایت مشتریان از آن محصول یا میزان تقاضای محصولاتی با نام‌های مختلف در بازار وجود داشته باشد و از مقیاس اسمی برای توصیف این متغیرها استفاده کرد.

با این حال، در این موارد، برای تحلیل داده‌ها به مقیاس‌های دیگری نیز نیاز است تا بتوان از قابلیت‌های تحلیلی آن‌ها بهره برد.

مثالی از تحلیل داده‌های کمیتی با استفاده از مقیاس اسمی

فرض کنید که شما یک شرکت معتبر برای تحلیل بازار یک محصول خاص استخدام شده‌اید.

شما به دنبال تحلیل داده‌هایی هستید که نشان دهنده تفاوت در نوع محصولاتی است که مشتریان خریداری می‌کنند.

در این مثال، می‌توانیم از مقیاس اسمی برای دسته‌بندی محصولات استفاده کنیم.

برای این کار، از مشتریان خود سوال می‌کنید که محصولی که خریداری کرده‌اند، به چه دسته‌ای از محصولات تعلق دارد.

مثلاً می‌توانیم از دسته‌های محصولاتی مانند الکترونیکی، خانگی، غذایی و غیره استفاده کنیم.

در اینجا، داده‌ها به صورت کیفی هستند و نمی‌توان به آن‌ها عملیات ریاضی اعمال کرد.

با این حال، با دسته‌بندی داده‌ها، می‌توانید الگوهای خریداری محصولات مختلف را تحلیل کرده و بر اساس آن‌ها تصمیم‌گیری کنید که در کدام دسته محصولات باید بیشتر سرمایه‌گذاری کرد.

برای مشاهده لیست همه ی  پرسشنامه های استاندارد لطفا همین جا روی پرسشنامه استاندارد  کلیک فرمایید.

تحلیل داده های آماری برای پایان نامه و مقاله نویسی ،تحلیل داده های آماری شما با نرم افزارهای کمی و کیفی ،مناسب ترین قیمت و کیفیت عالی انجام می گیرد.نرم افزار های کمی: SPSS- PLS – Amosنرم افزار کیفی: Maxqudaتعیین حجم نمونه با:Spss samplepower

روش های تماس:Mobile :  09143444846  واتساپ – تلگرامکانال تلگرام سایت: برای عضویت در کانال تلگرام سایت اینجا کلیک کنید(البته قبلش فیلتر شکن روشن شود!!) مطالب جالب علمی و آموزشی در این کانال درج می گردد.