واحد تحلیل

یکی از اولین تصمیمات در هر تحقیق علوم اجتماعی، واحد تحلیل یک مطالعه علمی است. واحد تجزیه و تحلیل به شخص، جمع یا شیئی که هدف تحقیق است اشاره دارد. واحد تجزیه و تحلیل معمولی شامل افراد، گروه ها، سازمان ها، کشورها، فناوری ها، اشیاء و مواردی از این قبیل است. به عنوان مثال، اگر ما علاقه مند به مطالعه رفتار خرید افراد، نتایج یادگیری یا نگرش آنها نسبت به فناوری های جدید هستیم، واحد تجزیه و تحلیل فرد است. اگر بخواهیم ویژگی‌های باندهای خیابانی یا کار گروهی را در سازمان‌ها بررسی کنیم، واحد تحلیل، گروه است. اگر هدف تحقیق درک این باشد که چگونه شرکت ها می توانند سودآوری را بهبود بخشند یا تصمیمات اجرایی خوبی اتخاذ کنند، واحد تجزیه و تحلیل شرکت است. در این مورد، حتی اگر تصمیمات توسط افراد در این شرکت ها گرفته شود، فرض بر این است که این افراد نماینده تصمیمات شرکت خود هستند تا تصمیمات شخصی آنها. اگر پژوهش در جهت درک تفاوت‌های فرهنگ‌های ملی باشد، واحد تحلیل تبدیل به یک کشور می‌شود. حتی اشیاء بی جان نیز می توانند به عنوان واحد تحلیل عمل کنند. به عنوان مثال، اگر محققی علاقه مند به درک چگونگی جذاب تر کردن صفحات وب برای کاربران خود باشد، واحد تحلیل یک صفحه وب (و نه کاربران) است. اگر بخواهیم نحوه انتقال دانش بین دو شرکت را مطالعه کنیم، واحد تحلیل ما دوتایی (ترکیبی از شرکت‌هایی که دانش را ارسال و دریافت می‌کنند) می‌شود. حتی اشیاء بی جان نیز می توانند به عنوان واحد تحلیل عمل کنند. به عنوان مثال، اگر محققی علاقه مند به درک چگونگی جذاب تر کردن صفحات وب برای کاربران خود باشد، واحد تحلیل یک صفحه وب (و نه کاربران) است. اگر بخواهیم نحوه انتقال دانش بین دو شرکت را مطالعه کنیم، واحد تحلیل ما دوتایی (ترکیبی از شرکت‌هایی که دانش را ارسال و دریافت می‌کنند) می‌شود. حتی اشیاء بی جان نیز می توانند به عنوان واحد تحلیل عمل کنند. به عنوان مثال، اگر محققی علاقه مند به درک چگونگی جذاب تر کردن صفحات وب برای کاربران خود باشد، واحد تحلیل یک صفحه وب (و نه کاربران) است. اگر بخواهیم نحوه انتقال دانش بین دو شرکت را مطالعه کنیم، واحد تحلیل ما دوتایی (ترکیبی از شرکت‌هایی که دانش را ارسال و دریافت می‌کنند) می‌شود.

درک واحدهای تحلیل گاهی می تواند نسبتاً پیچیده باشد. به عنوان مثال، اگر بخواهیم بررسی کنیم که چرا محله های خاصی دارای نرخ جرم و جنایت بالا هستند، واحد تحلیل ما محله است، نه جنایات یا مجرمانی که مرتکب چنین جنایاتی می شوند. این به این دلیل است که موضوع تحقیق ما محله است و نه مجرمان. با این حال، اگر بخواهیم انواع مختلف جرایم را در محله های مختلف مانند قتل، سرقت، ضرب و جرح و غیره مقایسه کنیم، واحد تحلیل ما جرم می شود. اگر بخواهیم بررسی کنیم که چرا مجرمان به فعالیت های غیرقانونی دست می زنند، واحد تحلیل فرد (یعنی مجرم) می شود. به عنوان مثال، اگر بخواهیم بررسی کنیم که چرا برخی از نوآوری ها موفق تر از دیگران هستند، واحد تحلیل ما یک نوآوری است. با این حال، اگر بخواهیم بررسی کنیم که چگونه برخی از سازمان ها نسبت به سایرین به طور مداوم نوآوری می کنند، واحد تجزیه و تحلیل سازمان است. از این رو، دو سؤال پژوهشی مرتبط در یک مطالعه پژوهشی ممکن است دو واحد تحلیل کاملاً متفاوت داشته باشند.

درک واحد تجزیه و تحلیل مهم است زیرا نوع داده هایی را که باید برای مطالعه خود جمع آوری کنید و از چه کسانی جمع آوری می کنید شکل می دهد. اگر واحد تجزیه و تحلیل شما یک صفحه وب است، باید داده های مربوط به صفحات وب را از صفحات وب واقعی جمع آوری کنید، نه اینکه مردم را در مورد نحوه استفاده آنها از صفحات وب نظرسنجی کنید. اگر واحد تحلیل شما سازمان است، پس باید متغیرهای سطح سازمانی مانند اندازه سازمان، درآمدها، سلسله مراتب یا ظرفیت جذب را اندازه گیری کنید. این داده‌ها ممکن است از منابع مختلفی مانند سوابق مالی یا نظرسنجی‌های مدیران ارشد اجرایی (مدیر عامل)، که گمان می‌رود نماینده سازمان آن‌ها (و نه خودشان) باشند، باشد. برخی از متغیرها مانند حقوق مدیر عامل ممکن است مانند متغیرهای سطح فردی به نظر برسند، اما در واقع، همچنین می تواند یک متغیر سطح سازمانی باشد زیرا هر سازمان در هر زمان فقط یک مدیر عامل دارد. گاهی اوقات، می توان داده ها را از سطح پایین تری از تجزیه و تحلیل جمع آوری کرد و آن داده ها را در سطح بالاتری از تجزیه و تحلیل جمع کرد. به عنوان مثال، برای مطالعه کار تیمی در سازمان‌ها، می‌توانید اعضای تیم را در تیم‌های سازمانی مختلف بررسی کنید و امتیازات فردی آن‌ها را میانگین کنید تا یک امتیاز ترکیبی در سطح تیم برای متغیرهای سطح تیم مانند انسجام و تضاد ایجاد کنید. در بخش بعدی مفهوم “متغیرها” را با عمق بیشتری بررسی خواهیم کرد. و میانگین نمرات فردی خود را برای ایجاد یک امتیاز ترکیبی در سطح تیم برای متغیرهای سطح تیم مانند انسجام و تضاد. در بخش بعدی مفهوم “متغیرها” را با عمق بیشتری بررسی خواهیم کرد. و میانگین نمرات فردی خود را برای ایجاد یک امتیاز ترکیبی در سطح تیم برای متغیرهای سطح تیم مانند انسجام و تضاد. در بخش بعدی مفهوم “متغیرها” را با عمق بیشتری بررسی خواهیم کرد.

مفاهیم، ​​ساختارها و متغیرها

ما  بحث کردیم که اگرچه تحقیقات می‌تواند اکتشافی، توصیفی یا توضیحی باشد، اما اکثر تحقیقات علمی از نوع توضیحی هستند زیرا به دنبال توضیح بالقوه پدیده‌های طبیعی یا اجتماعی مشاهده‌شده هستند. تبیین ها مستلزم توسعه مفاهیم یا ویژگی ها یا ویژگی های قابل تعمیم مرتبط با اشیا، رویدادها یا افراد هستند. در حالی که اشیایی مانند یک شخص، یک شرکت یا یک ماشین مفهوم نیستند، ویژگی ها یا رفتار خاص آنها مانند نگرش فرد نسبت به مهاجران، ظرفیت یک شرکت برای نوآوری و وزن یک خودرو را می توان به عنوان مفاهیم در نظر گرفت.

ما دانسته یا ندانسته از انواع مفاهیم در مکالمات روزمره خود استفاده می کنیم. برخی از این مفاهیم در طول زمان از طریق زبان مشترک ما توسعه یافته اند. گاهی اوقات، برای توضیح یک پدیده مورد علاقه، مفاهیمی را از سایر رشته ها یا زبان ها وام می گیریم. به عنوان مثال، ایده گرانش وام گرفته شده از فیزیک را می توان در تجارت برای توصیف اینکه چرا مردم تمایل دارند به مقصد خرید ترجیحی خود “جاذبه” کنند، استفاده شود. به همین ترتیب، مفهوم فاصله را می توان برای توضیح درجه جدایی اجتماعی بین دو فرد دیگر استفاده کرد. گاهی اوقات، ما مفاهیم خود را برای توصیف یک ویژگی منحصر به فرد که در تحقیقات قبلی توصیف نشده است، ایجاد می کنیم. به عنوان مثال، استرس تکنو یک مفهوم جدید است که به استرس ذهنی اشاره دارد که ممکن است وقتی از شما خواسته می شود تا یک فناوری جدید را یاد بگیرید، با آن مواجه شوید.

مفاهیم همچنین ممکن است سطوح مترقی انتزاع داشته باشند. برخی از مفاهیم مانند وزن فرد دقیق و عینی هستند، در حالی که مفاهیم دیگری مانند شخصیت یک فرد ممکن است انتزاعی تر و تجسم آن دشوار باشد. سازه یک مفهوم انتزاعی است که به طور خاص برای توضیح یک پدیده معین انتخاب شده (یا “ایجاد شده”) است. یک سازه ممکن است یک مفهوم ساده، مانند وزن یک فرد، یا ترکیبی از مجموعه ای از مفاهیم مرتبط مانند مهارت ارتباطی یک فرد باشد، که ممکن است از چندین مفهوم اساسی مانند واژگان، نحو، و املای فرد تشکیل شده باشد. نمونه اول (وزن) یک ساختار تک بعدی است، در حالی که دومی (مهارت ارتباط) یک ساختار چند بعدی است (یعنی از چندین مفهوم اساسی تشکیل شده است). تمایز بین سازه ها و مفاهیم در سازه های چند بعدی واضح تر است، جایی که انتزاع مرتبه بالاتر را ساختار و انتزاعات مرتبه پایین را مفاهیم می نامند. با این حال، این تمایز در مورد سازه‌های یک‌بعدی تار می‌شود.

سازه هایی که برای تحقیقات علمی استفاده می شوند باید دارای تعاریف دقیق و روشنی باشند که دیگران بتوانند از آنها برای درک دقیق معنی و معنی آن استفاده کنند. به عنوان مثال، یک ساختار به ظاهر ساده مانند درآمد ممکن است به درآمد ماهانه یا سالانه، درآمد قبل از مالیات یا پس از مالیات، و درآمد شخصی یا خانواده اشاره داشته باشد و بنابراین نه دقیق و نه واضح است. دو نوع تعاریف وجود دارد: تعاریف فرهنگ لغت و تعاریف عملیاتی. در تعریف آشناتر فرهنگ لغت، یک سازه اغلب در قالب یک مترادف تعریف می شود. به عنوان مثال، نگرش ممکن است به عنوان یک تمایل، یک احساس یا یک عاطفه تعریف شود، و عاطفه نیز به نوبه خود به عنوان یک نگرش تعریف می شود. چنین تعاریفی که ماهیت دایره ای دارند، به ویژه در تحقیقات علمی برای توضیح معنا و محتوای آن ساختار مفید نیستند. تحقیقات علمی مستلزم تعاریف عملیاتی است که سازه ها را بر حسب نحوه اندازه گیری تجربی آنها تعریف می کند. به عنوان مثال، تعریف عملیاتی ساختاری مانند دما باید مشخص کند که آیا قصد داریم دما را در مقیاس سانتیگراد، فارنهایت یا کلوین اندازه گیری کنیم. ساختاری مانند درآمد باید بر این اساس تعریف شود که آیا ما به درآمد ماهانه یا سالانه، درآمد قبل از مالیات یا پس از مالیات و درآمد شخصی یا خانوادگی علاقه مندیم. می توان تصور کرد که تعریف ساختارهایی مانند یادگیری، شخصیت و هوش می تواند به صورت عملیاتی بسیار سخت باشد. ساختاری مانند درآمد باید بر این اساس تعریف شود که آیا ما به درآمد ماهانه یا سالانه، درآمد قبل از مالیات یا پس از مالیات و درآمد شخصی یا خانوادگی علاقه مندیم. می توان تصور کرد که تعریف ساختارهایی مانند یادگیری، شخصیت و هوش می تواند به صورت عملیاتی بسیار سخت باشد. ساختاری مانند درآمد باید بر این اساس تعریف شود که آیا ما به درآمد ماهانه یا سالانه، درآمد قبل از مالیات یا پس از مالیات و درآمد شخصی یا خانوادگی علاقه مندیم. می توان تصور کرد که تعریف ساختارهایی مانند یادگیری، شخصیت و هوش می تواند به صورت عملیاتی بسیار سخت باشد.

اصطلاحی که اغلب با یک سازه مرتبط است و گاهی به جای آن استفاده می شود، یک متغیر است. از نظر ریشه‌شناسی، متغیر کمیتی است که می‌تواند متفاوت باشد (مثلاً از کم به زیاد، منفی به مثبت و غیره)، در مقابل ثابت‌هایی که تغییر نمی‌کنند (یعنی ثابت می‌مانند). با این حال، در تحقیقات علمی، یک متغیر نمایشی قابل اندازه‌گیری از یک ساختار انتزاعی است. به عنوان موجودیت های انتزاعی، سازه ها به طور مستقیم قابل اندازه گیری نیستند، و از این رو، ما به دنبال معیارهای پراکسی به نام متغیر می گردیم. به عنوان مثال، هوش یک فرد اغلب به عنوان نمره IQ (ضریب هوش) او اندازه گیری می شود، که شاخصی است که از یک آزمون تحلیلی و تطبیق الگو برای افراد انجام می شود. در این حالت، هوش یک سازه است و نمره IQ متغیری است که سازه هوش را اندازه گیری می کند. اینکه آیا نمرات IQ واقعاً هوش فرد را اندازه می‌گیرد یا خیر، حدس می‌زند (اگرچه بسیاری بر این باورند که اینطور است)، و بسته به اینکه چقدر هوش را اندازه‌گیری می‌کند، امتیاز IQ ممکن است معیار خوبی یا ضعیفی برای ساختار هوش باشد. همانطور که در شکل 2.1 نشان داده شده است، تحقیقات علمی در دو سطح پیش می رود: یک صفحه نظری و یک سطح تجربی. سازه ها در سطح نظری (انتزاعی) مفهوم سازی می شوند، در حالی که متغیرها در سطح تجربی (مشاهده ای) عملیاتی و اندازه گیری می شوند. تفکر مانند یک محقق به معنای توانایی حرکت به جلو و عقب بین این دو صفحه است. تحقیقات علمی در دو سطح پیش می رود: یک سطح نظری و یک سطح تجربی. سازه ها در سطح نظری (انتزاعی) مفهوم سازی می شوند، در حالی که متغیرها در سطح تجربی (مشاهده ای) عملیاتی و اندازه گیری می شوند. تفکر مانند یک محقق به معنای توانایی حرکت به جلو و عقب بین این دو صفحه است. تحقیقات علمی در دو سطح پیش می رود: یک سطح نظری و یک سطح تجربی. سازه ها در سطح نظری (انتزاعی) مفهوم سازی می شوند، در حالی که متغیرها در سطح تجربی (مشاهده ای) عملیاتی و اندازه گیری می شوند. تفکر مانند یک محقق به معنای توانایی حرکت به جلو و عقب بین این دو صفحه است.

بسته به کاربرد مورد نظرشان، متغیرها ممکن است به عنوان متغیرهای مستقل، وابسته، تعدیل کننده، میانجی یا کنترل طبقه بندی شوند. متغیرهایی که سایر متغیرها را توضیح می دهند، متغیرهای مستقل نامیده می شوند، آنهایی که توسط متغیرهای دیگر توضیح داده می شوند، متغیرهای وابسته هستند، آنهایی که با متغیرهای مستقل توضیح داده می شوند و در عین حال متغیرهای وابسته را نیز توضیح می دهند، متغیرهای واسطه (یا متغیرهای میانی) هستند، و آنهایی که بر رابطه بین مستقل تأثیر می گذارند. و متغیرهای وابسته را متغیرهای تعدیل کننده می نامند. به عنوان مثال، اگر بگوییم هوش بالاتر باعث بهبود یادگیری در بین دانش آموزان می شود، هوش یک متغیر مستقل و یادگیری یک متغیر وابسته است. ممکن است متغیرهای خارجی دیگری وجود داشته باشند که برای توضیح یک متغیر وابسته معین مناسب نباشند، اما ممکن است تاثیری بر متغیر وابسته داشته باشد. این متغیرها باید در یک مطالعه علمی کنترل شوند و بنابراین متغیرهای کنترل نامیده می شوند.

برای درک تفاوت بین این انواع متغیرهای مختلف، مثال نشان داده شده در شکل 2.2 را در نظر بگیرید. اگر معتقد باشیم که هوش بر پیشرفت تحصیلی دانش‌آموزان تأثیر می‌گذارد (یا توضیح می‌دهد)، آنگاه معیاری از هوش مانند نمره IQ یک متغیر مستقل است، در حالی که معیار موفقیت تحصیلی مانند معدل یک متغیر وابسته است. اگر باور داشته باشیم که تأثیر هوش بر پیشرفت تحصیلی به تلاش دانش‌آموز در فرآیند یادگیری نیز بستگی دارد (یعنی بین دو دانش‌آموز باهوش یکسان، دانش‌آموزی که تلاش بیشتری می‌کند نسبت به دانش‌آموزی که کمتر تلاش می‌کند، به پیشرفت تحصیلی بالاتری دست می‌یابد. تلاش)، سپس تلاش به یک متغیر تعدیل کننده تبدیل می شود. اتفاقاً ممکن است تلاش به عنوان یک متغیر مستقل و هوش به عنوان متغیر تعدیل کننده نیز دیده شود. اگر پیشرفت تحصیلی به عنوان گامی میانی برای پتانسیل درآمد بالاتر در نظر گرفته شود، پتانسیل درآمد به متغیر وابسته پیشرفت تحصیلی متغیر مستقل تبدیل می شود و پیشرفت تحصیلی به متغیر میانجی در رابطه بین هوش و پتانسیل درآمد تبدیل می شود. از این رو، متغیرها بر اساس ماهیت ارتباط آنها با یکدیگر به عنوان یک متغیر مستقل، وابسته، تعدیل کننده یا میانجی تعریف می شوند. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد. سپس پتانسیل درآمد به متغیر وابسته پیشرفت تحصیلی متغیر مستقل تبدیل می شود و پیشرفت تحصیلی به متغیر میانجی در رابطه بین هوش و پتانسیل درآمد تبدیل می شود. از این رو، متغیرها بر اساس ماهیت ارتباط آنها با یکدیگر به عنوان یک متغیر مستقل، وابسته، تعدیل کننده یا میانجی تعریف می شوند. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد. سپس پتانسیل درآمد به متغیر وابسته پیشرفت تحصیلی متغیر مستقل تبدیل می شود و پیشرفت تحصیلی به متغیر میانجی در رابطه بین هوش و پتانسیل درآمد تبدیل می شود. از این رو، متغیرها بر اساس ماهیت ارتباط آنها با یکدیگر به عنوان یک متغیر مستقل، وابسته، تعدیل کننده یا میانجی تعریف می شوند. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد. و پیشرفت تحصیلی به متغیر میانجی در رابطه بین هوش و پتانسیل درآمد تبدیل می شود. از این رو، متغیرها بر اساس ماهیت ارتباط آنها با یکدیگر به عنوان یک متغیر مستقل، وابسته، تعدیل کننده یا میانجی تعریف می شوند. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد. و پیشرفت تحصیلی به متغیر میانجی در رابطه بین هوش و پتانسیل درآمد تبدیل می شود. از این رو، متغیرها بر اساس ماهیت ارتباط آنها با یکدیگر به عنوان یک متغیر مستقل، وابسته، تعدیل کننده یا میانجی تعریف می شوند. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد. شبکه کلی روابط بین مجموعه‌ای از سازه‌های مرتبط، شبکه نام‌شناسی نامیده می‌شود (شکل 2.2 را ببینید). تفکر مانند یک محقق نه تنها مستلزم توانایی انتزاع سازه ها از مشاهدات، بلکه همچنین توانایی تجسم ذهنی یک شبکه نومولوژیکی است که این سازه های انتزاعی را به هم پیوند می دهد.

گزاره ها و فرضیه ها

شکل 2.2 نشان می دهد که چگونه سازه های نظری مانند هوش، تلاش، پیشرفت تحصیلی و پتانسیل درآمد با یکدیگر در یک شبکه نومولوژیک مرتبط هستند. هر یک از این روابط یک گزاره نامیده می شود. در جستجوی توضیح برای یک پدیده یا رفتار معین، تنها شناسایی مفاهیم کلیدی و ساختارهای زیربنایی پدیده یا رفتار هدف کافی نیست. ما همچنین باید الگوهای روابط بین این سازه ها را شناسایی و بیان کنیم. این گونه الگوهای روابط را گزاره می نامند. گزاره یک رابطه آزمایشی و حدسی بین سازه ها است که به صورت اظهاری بیان می شود. مثالی از یک گزاره این است: «افزایش هوش دانش آموزان باعث افزایش پیشرفت تحصیلی آنها می شود». لزومی ندارد که این بیانیه صحت داشته باشد، اما باید به صورت تجربی با استفاده از داده ها قابل آزمایش باشد تا بتوانیم درست یا نادرست بودن آن را قضاوت کنیم. گزاره ها عموماً بر اساس منطق (استنتاج) یا مشاهدات تجربی (استقراء) مشتق می شوند.

از آنجایی که گزاره ها ارتباط بین ساختارهای انتزاعی هستند، نمی توان آنها را مستقیماً آزمایش کرد. در عوض، آنها به طور غیر مستقیم با بررسی رابطه بین معیارهای متناظر (متغیرها) آن سازه ها آزمایش می شوند. فرمول تجربی قضایا که به عنوان روابط بین متغیرها بیان می شود، فرضیه نامیده می شود (شکل 2.1 را ببینید). از آنجایی که نمرات ضریب هوشی و معدل به ترتیب معیارهای عملیاتی هوش و پیشرفت تحصیلی هستند، گزاره فوق را می توان در قالب این فرضیه بیان کرد: «افزایش نمره بهره هوشی دانش آموزان باعث افزایش معدل آنها می شود». گزاره ها در سطح نظری مشخص می شوند، در حالی که فرضیه ها در سطح تجربی مشخص می شوند. از این رو، فرضیه ها به صورت تجربی با استفاده از داده های مشاهده شده قابل آزمایش هستند و در صورت عدم پشتیبانی مشاهدات تجربی، ممکن است رد شوند.

فرضیه ها می توانند قوی یا ضعیف باشند. «نمرات IQ دانش‌آموزان با پیشرفت تحصیلی آنها مرتبط است» نمونه‌ای از یک فرضیه ضعیف است، زیرا نه جهت‌دار بودن فرضیه (یعنی مثبت یا منفی بودن رابطه) و نه علیت آن را نشان می‌دهد (یعنی هوش باعث می‌شود؟ پیشرفت تحصیلی یا پیشرفت تحصیلی باعث هوش می شود). یک فرضیه قوی تر این است که “نمرات IQ دانش آموزان به طور مثبت با پیشرفت تحصیلی آنها مرتبط است” که نشان دهنده جهت بودن است اما نه علیت. یک فرضیه هنوز بهتر این است که “نمرات IQ دانش آموزان تأثیرات مثبتی بر پیشرفت تحصیلی آنها دارد” که هم جهت و هم علیت را مشخص می کند (یعنی هوش باعث پیشرفت تحصیلی می شود و نه معکوس). نشانه های شکل 2.2 جهت دار بودن فرضیه های مربوطه را نشان می دهد.

همچنین توجه داشته باشید که فرضیه های علمی باید به وضوح متغیرهای مستقل و وابسته را مشخص کنند. در فرضیه «نمرات بهره هوشی دانش‌آموزان تأثیر مثبتی بر پیشرفت تحصیلی آنها دارد»، مشخص است که هوش متغیر مستقل (علت) و پیشرفت تحصیلی متغیر وابسته (تأثیر) است. علاوه بر این، همچنین واضح است که این فرضیه می‌تواند به‌عنوان درست (اگر هوش بالاتر منجر به پیشرفت تحصیلی بالاتر شود) یا نادرست (اگر هوش بالاتر تأثیری بر پیشرفت تحصیلی نداشته باشد یا منجر به پیشرفت تحصیلی پایین‌تر شود) ارزیابی شود. در ادامه این کتاب، چگونگی آزمایش تجربی چنین روابط علت و معلولی را بررسی خواهیم کرد. جملاتی مانند “دانش آموزان به طور کلی باهوش هستند” یا “همه دانش آموزان می توانند به موفقیت تحصیلی دست یابند” فرضیه های علمی نیستند زیرا متغیرهای مستقل و وابسته را مشخص نمی کنند.

نظریه ها و مدل ها

نظریه مجموعه‌ای از سازه‌ها و گزاره‌های مرتبط با یکدیگر است که برای تبیین و پیش‌بینی یک پدیده یا رفتار مورد علاقه، در شرایط مرزی و مفروضات معین طراحی شده است. اساساً یک نظریه مجموعه ای سیستمی از گزاره های نظری مرتبط است. در حالی که گزاره ها به طور کلی دو یا سه سازه را به هم متصل می کنند، نظریه ها سیستمی از سازه ها و گزاره های متعدد را نشان می دهند. از این رو، نظریه‌ها می‌توانند اساساً پیچیده‌تر و انتزاعی‌تر و دامنه وسیع‌تری نسبت به گزاره‌ها یا فرضیه‌ها داشته باشند.

در اینجا باید متذکر شوم که افرادی که با تحقیقات علمی آشنا نیستند، اغلب یک نظریه را به عنوان یک حدس و گمان یا خلاف واقعیت می بینند. به عنوان مثال، مردم اغلب می گویند که معلمان باید کمتر نظری و بیشتر عملی یا واقعی در تدریس کلاس درس خود باشند. با این حال، عمل یا واقعیت متضاد نظریه نیستند، بلکه از نظر علمی، مؤلفه‌های ضروری برای آزمایش اعتبار یک نظریه هستند. یک نظریه علمی خوب باید با استفاده از حقایق مشاهده شده به خوبی پشتیبانی شود و همچنین باید ارزش عملی داشته باشد، در حالی که یک نظریه ضعیف در این ابعاد وجود ندارد. تحقیقات سازمانی معروف کرت لوین زمانی گفت: «نظریه بدون عمل عقیم است. عمل بدون نظریه کور است.» از این رو، هم تئوری و هم حقایق (یا عمل) برای تحقیقات علمی ضروری هستند.

نظریه ها توضیحاتی در مورد پدیده اجتماعی یا طبیعی ارائه می دهند. همانطور که در فصل 1 تاکید شد، این توضیحات ممکن است خوب یا ضعیف باشند. از این رو، ممکن است نظریه های خوب یا ضعیف وجود داشته باشد. فصل 3 معیارهایی را شرح می دهد که می توان از آنها برای ارزیابی واقعاً خوب بودن یک نظریه استفاده کرد. با این وجود، درک این نکته برای محققین مهم است که نظریه «حقیقت» نیست، هیچ چیز مقدسی در مورد هر نظریه ای وجود ندارد، و نظریه ها را نباید فقط به این دلیل پذیرفت که توسط شخصی ارائه شده اند. در مسیر پیشرفت علمی، نظریه‌های ضعیف‌تر در نهایت با نظریه‌های بهتر با قدرت تبیین بالاتر جایگزین می‌شوند. چالش اساسی برای محققان ایجاد نظریه های بهتر و جامع تر است که بتواند یک پدیده هدف را بهتر از نظریه های قبلی توضیح دهد.

اصطلاحی که اغلب در ارتباط با نظریه استفاده می شود مدل است. یک مدل نمایشی از تمام یا بخشی از یک سیستم است که برای مطالعه آن سیستم ساخته شده است (به عنوان مثال، سیستم چگونه کار می کند یا چه چیزی باعث ایجاد سیستم می شود). در حالی که یک نظریه سعی در توضیح یک پدیده دارد، یک مدل تلاش می کند یک پدیده را نشان دهد. مدل ها اغلب توسط تصمیم گیرندگان برای اتخاذ تصمیمات مهم بر اساس مجموعه ای از ورودی ها استفاده می شوند. به عنوان مثال، مدیران بازاریابی ممکن است از مدل‌هایی استفاده کنند تا بر اساس پارامترهایی مانند هزینه‌های تبلیغات سال قبل، فروش، رشد بازار و محصولات رقیب تصمیم بگیرند که چقدر پول برای تبلیغات برای خطوط محصول مختلف خرج کنند. به همین ترتیب، پیش بینی کنندگان آب و هوا می توانند از مدل هایی برای پیش بینی الگوهای آب و هوای آینده بر اساس پارامترهایی مانند سرعت باد، جهت باد، دما و رطوبت استفاده کنند. در حالی که این مدل ها مفید هستند، آنها ممکن است لزوماً هزینه تبلیغات یا پیش بینی آب و هوا را توضیح ندهند. مدل ها ممکن است انواع مختلفی داشته باشند، مانند مدل های ریاضی، مدل های شبکه و مدل های مسیر. مدل ها همچنین می توانند توصیفی، پیش بینی کننده یا هنجاری باشند. مدل‌های توصیفی اغلب برای نمایش سیستم‌های پیچیده، برای تجسم متغیرها و روابط در چنین سیستم‌هایی استفاده می‌شوند. یک مدل هزینه تبلیغات ممکن است یک مدل توصیفی باشد. مدل‌های پیش‌بینی‌کننده (مثلاً یک مدل رگرسیون) امکان پیش‌بینی رویدادهای آینده را فراهم می‌کنند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند. مدل ها ممکن است انواع مختلفی داشته باشند، مانند مدل های ریاضی، مدل های شبکه و مدل های مسیر. مدل ها همچنین می توانند توصیفی، پیش بینی کننده یا هنجاری باشند. مدل‌های توصیفی اغلب برای نمایش سیستم‌های پیچیده، برای تجسم متغیرها و روابط در چنین سیستم‌هایی استفاده می‌شوند. یک مدل هزینه تبلیغات ممکن است یک مدل توصیفی باشد. مدل‌های پیش‌بینی‌کننده (مثلاً یک مدل رگرسیون) امکان پیش‌بینی رویدادهای آینده را فراهم می‌کنند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند. مدل ها ممکن است انواع مختلفی داشته باشند، مانند مدل های ریاضی، مدل های شبکه و مدل های مسیر. مدل ها همچنین می توانند توصیفی، پیش بینی کننده یا هنجاری باشند. مدل‌های توصیفی اغلب برای نمایش سیستم‌های پیچیده، برای تجسم متغیرها و روابط در چنین سیستم‌هایی استفاده می‌شوند. یک مدل هزینه تبلیغات ممکن است یک مدل توصیفی باشد. مدل‌های پیش‌بینی‌کننده (مثلاً یک مدل رگرسیون) امکان پیش‌بینی رویدادهای آینده را فراهم می‌کنند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند. مدل‌های توصیفی اغلب برای نمایش سیستم‌های پیچیده، برای تجسم متغیرها و روابط در چنین سیستم‌هایی استفاده می‌شوند. یک مدل هزینه تبلیغات ممکن است یک مدل توصیفی باشد. مدل‌های پیش‌بینی‌کننده (مثلاً یک مدل رگرسیون) امکان پیش‌بینی رویدادهای آینده را فراهم می‌کنند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند. مدل‌های توصیفی اغلب برای نمایش سیستم‌های پیچیده، برای تجسم متغیرها و روابط در چنین سیستم‌هایی استفاده می‌شوند. یک مدل هزینه تبلیغات ممکن است یک مدل توصیفی باشد. مدل‌های پیش‌بینی‌کننده (مثلاً یک مدل رگرسیون) امکان پیش‌بینی رویدادهای آینده را فراهم می‌کنند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند. مدل های پیش بینی آب و هوا مدل های پیش بینی کننده هستند. مدل‌های هنجاری برای هدایت فعالیت‌های ما در راستای هنجارها یا شیوه‌های پذیرفته شده استفاده می‌شوند. مدل‌ها همچنین ممکن است ایستا باشند اگر وضعیت یک سیستم را در یک نقطه از زمان نشان دهند، یا پویا، اگر نشان دهنده تکامل یک سیستم در طول زمان باشند.

فرآیند تئوری یا توسعه مدل ممکن است شامل استدلال استقرایی و قیاسی باشد. از فصل 1 به یاد بیاورید که استنتاج فرآیند نتیجه گیری در مورد یک پدیده یا رفتار بر اساس دلایل نظری یا منطقی و مجموعه ای از مقدمات اولیه است. به عنوان مثال، اگر بانک خاصی یک کد اخلاقی سختگیرانه را برای کارکنان خود اعمال کند (فرض 1) و جیمی کارمند آن بانک باشد (فرض 2)، آنگاه می توان به جیمی برای پیروی از شیوه های اخلاقی اعتماد کرد (نتیجه گیری). در استنباط، اگر مقدمات و دلایل اولیه درست باشد، نتیجه گیری باید درست باشد.

در مقابل، استقرا فرآیند نتیجه گیری بر اساس حقایق یا شواهد مشاهده شده است. به عنوان مثال، اگر یک شرکت پول زیادی را برای یک کمپین تبلیغاتی خرج کرده باشد (مشاهده 1)، اما فروش افزایش نداشته باشد (مشاهده 2)، احتمالاً کمپین تبلیغاتی ضعیف اجرا شده است (نتیجه گیری). با این حال، ممکن است توضیحات رقیب برای فروش ضعیف، مانند رکود اقتصادی یا ظهور یک محصول یا نام تجاری رقیب یا شاید یک مشکل زنجیره تامین وجود داشته باشد. بنابراین نتایج استقرایی فقط یک فرضیه هستند و ممکن است رد شوند. نتیجه گیری های قیاسی معمولاً قوی تر از نتیجه گیری های استقرایی هستند، اما نتیجه گیری قیاسی مبتنی بر یک مقدمه نادرست نیز نادرست است.

همانطور که در شکل 2.3 نشان داده شده است، استدلال استقرایی و قیاسی در تئوری و ساخت مدل دست به دست هم می دهند. استقرا زمانی اتفاق می افتد که ما یک واقعیت را مشاهده می کنیم و می پرسیم “چرا این اتفاق می افتد؟”

در پاسخ به این سوال، یک یا چند توضیح (فرضیه) آزمایشی را پیش می‌بریم. سپس از استنتاج استفاده می کنیم تا توضیحات آزمایشی را به معقول ترین توضیح مبتنی بر منطق و مقدمات معقول (بر اساس درک ما از پدیده مورد مطالعه) محدود کنیم. اگر می‌خواهند در یک مدل یا نظریه معین بسط و اصلاح بفرستند، یا مدل‌های بهتری بسازند که جوهره تحقیقات علمی است، محققان باید بتوانند بین استدلال استقرایی و قیاسی به عقب و جلو حرکت کنند.