Please enable JavaScript.

Coggle requires JavaScript to display documents.

ch4研究計畫, 操作化 - Coggle Diagram

- - - - 最典型
      - 藉由集合與操控對個人的描述，來描述與解釋個人與社會
      - 描述性研究(典型)：描述由個人所組成的母體
      - 解釋性研究：想要發現該母體內部運作的社會動態
      - 集合了對個人的分析，來概推所屬母體
        →會就其所屬的不同團體的成員資格做描繪(e.g.學生、性向、婚姻狀態...)
    - - 以對個別團體的分析，概推團體的母體的結論
      - 將團體視為單一實體，描繪此實體的特質
      - e.g.想要了解幫派→分析單元為幫派內成員；想要了解某地幫派間的差異→分析單元為幫派
    - - 研究個人之間所發生的事(e.g.爭執、談笑、親密關係...)
    - - 具體的產品(圖書)，或是行為的產品(e.g.笑話)
  - - - 試圖根據有限的、低階的概念，去解釋複雜的現象
        並非完全錯誤但資訊太少
      - 缺點：
        1.研究的變項過少
        2.不同學科對相同現象的研究途徑不同，用某一層面的變項解釋所有層面，過於簡陋
      - 化約論傾向於認定某些特定的分析單元/變項，比其他的分析單元/變項更具解釋力
      - 認定某些特定的分析單元比其他分析單元更有解釋力
        一旦想要探究單一原因，就冒著化約論的風險
      - e.g.想要單用政治學解釋革命事件
    - - 僅僅從對團體的觀察，錯誤地做出有關個體的結論
        →混淆分析單元
      - e.g.發現新教國家的自殺率比天主教國家高，就推斷新教徒比舊教徒更有自殺可能
        →無法確定是否新教國家中自殺者都是新教徒，反之亦同
- - - - 尋求對單一或有限個案事件與情勢的發生原因有徹底了解
      - 不能盡信所有他人告知的細節，但也不能完全不信，認為自己更了解
    - - 以總體現象做解釋
        →不會有清楚明確的結果，但會有一致性的關係
      - 具有機率性質→比個案解釋更能接納不同意見或是誤解的情形
      - 通則因果關係的判準
        
        原因出現的時間在結果之前
        (e.g.是性別影響對大麻的態度，非倒過來的關係)
        
        變項間不是假性關係(spurious relationship)→結果不能被第三變項解釋
        兩變項之間具有的相關是巧合，事實上是因為第三變項引起的
        e.g.冰淇淋銷售量與溺水人數呈正比，是一個假性關係：第三變項是季節
        
        變項間必須具有統計的相關(correlation)→才具有說服力
        有相關不一定有因果關係，但有因果關係一定有相關，因此做為因果關係的判準
      - 指出變項間的關係
      - 適合做假設檢驗→詳細說明變項間的因果關係
      - 變項因果關係
        
        例外個案：例外不能推翻總體的因果模式
        
        多數個案：即便因果關係不適用於多數個案，還是可以成立因果關係
        只要有小比例成立，就可以說具有關係
        
        完全因果關係：個案性因果解釋相對完全，通則性因果解釋則是機率性的
  - - - 發展後續研究可以使用的方法
      - 檢驗進行較大規模研究的可能性
      - 滿足研究者的好奇心以及更進一步了解事物的渴望
- - - - e.g.十年一次的人口普查，顯示全國人口結構的改變
      - 研究某特定人群在長時間所發生的變化
    - - 在不同時間點，檢視同一批受訪者
      - 能夠了解研究對象的持續性或是改變的型態
      - 提供研究對象的轉變全貌
      - 研究的困難性：
        研究對象退出研究的樣本耗損
    - - 長期觀察特定次母體(或世代)，隨時間發生的變化
      - 通常指同一年齡組的人(e.g.1950年代結婚者、二戰時期出生者)
      - 每次的觀察中，資料蒐集可能是來自於不同的樣本組，但都來自同一母體
        (e.g.針對1950結婚者，每5年送一次問卷，受訪對象可能每次不一樣)
        →只能發現淨變化