Skip to content
بازگشت به نتایج جست‌وجو

پژوهش تاییدی — طرح کمی نظریه‌آزما

معرفی‌شده توسط
Karl Popper (falsificationism); formalized in behavioral sciences by Paul Meehl and others
سال
1934 (Popper); widely adopted in social sciences from 1960s onward
نوع
Quantitative research design
خانواده
Survey / observational design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

پژوهش تاییدی یک طرح کمی قیاسی است که در آن پژوهشگر فرضیه‌های برگرفته از نظریه موجود را پیش از گردآوری داده‌ها مشخص می‌کند، سپس آزمون می‌کند که آیا داده‌ها آن فرضیه‌ها را تأیید یا رد می‌کنند. برخلاف رویکردهای اکتشافی که ایده‌ها را از داده‌ها تولید می‌کنند، پژوهش تاییدی با یک چارچوب نظری تثبیت‌شده آغاز می‌شود، پیش‌بینی‌ها را از پیش ثبت می‌کند و آزمون‌های آماری را برای ارزیابی آن پیش‌بینی‌ها در برابر شواهد تجربی به کار می‌برد. این نوع پژوهش ستون فقرات تحقیقات فرضیه‌محور در علوم اجتماعی، رفتاری و بهداشتی است.

شهود پشت روش

پژوهش تاییدی را مانند داشتن یک حکم دادگاه آماده پیش از شروع محاکمه در نظر بگیرید — با این تفاوت که «حکم» یک فرضیه دقیقاً بیان‌شده است که از نظریه قبلی نشأت گرفته، نه یک قضاوت پیش‌داورانه. پژوهشگر می‌گوید: «نظریه X پیش‌بینی می‌کند که A با B رابطه مثبتی دارد. من داده‌ها را جمع‌آوری کرده و این ادعا را آزمون خواهم کرد.» سپس مطالعه به گونه‌ای طراحی می‌شود که به آن پیش‌بینی فرصت منصفانه‌ای برای ابطال‌پذیری بدهد. اگر داده‌ها با پیش‌بینی سازگار باشند، نظریه حمایت تجربی دریافت می‌کند؛ در غیر این صورت، نظریه باید بازنگری شود. این معیار ابطال‌پذیری، که توسط کارل پوپر معرفی شد، چیزی است که علم تاییدی را از صرف گمانه‌زنی جدا می‌کند.

تاریخ

بنیان فلسفی پژوهش تاییدی در ابطال‌گرایی کارل پوپر نهفته است که در Logik der Forschung (۱۹۳۴؛ ترجمه شده به The Logic of Scientific Discovery، ۱۹۵۹) بیان شد و معتقد بود که فرضیه‌های علمی باید قابلیت رد شدن توسط شواهد تجربی را داشته باشند. این اصل در علوم اجتماعی از طریق آمار آزمون فرضیه نیمن-پیرسون و از طریق درخواست‌های تکرار توسط روش‌شناسانی مانند پل میل و جیکوب کوهن در دهه‌های ۱۹۶۰ تا ۱۹۹۰ عملیاتی شد. بحران تکرارپذیری در دهه ۲۰۱۰، تمرکز بر پیش‌ثبت‌نام را به عنوان یک مکانیسم اجرایی عملی برای منطق تاییدی تشدید کرد.

چه زمانی استفاده شود

هنگامی که یک نظریه یا مدل خاص از قبل وجود دارد و می‌خواهید پیش‌بینی‌های آن را در برابر شواهد تجربی جدید ارزیابی کنید — برای مثال، آزمون اینکه آیا یک مداخله معتبر اضطراب را در یک جمعیت جدید کاهش می‌دهد، یا اینکه آیا یک مدل ساختاری از تعهد سازمانی در یک زمینه فرهنگی متفاوت صادق است — از پژوهش تاییدی استفاده کنید. این نوع پژوهش به یک نمونه به اندازه کافی بزرگ (تعیین شده توسط تحلیل توان پیشینی، معمولاً N >= ۸۰-۱۰۰ برای اثرات متوسط)، پیامدهای کمی، و فرضیه‌های به وضوح ابطال‌پذیر که پیش از جمع‌آوری داده‌ها فرموله شده‌اند، نیاز دارد. هنگامی که مبنای نظری قبلی برای فرضیه‌های خود ندارید، هنگامی که سازه‌ها هنوز با معیارهای معتبر عملیاتی نشده‌اند، یا هنگامی که هدف تولید ایده است نه آزمون آن — در این موارد، از طرح تاییدی استفاده نکنید؛ طرح‌های اکتشافی یا توصیفی مناسب‌تر هستند.

محدودیت‌ها و ملاحظات

  • به یک چارچوب نظری به خوبی توسعه‌یافته نیاز دارد؛ نمی‌تواند جایگزین کار اکتشافی باشد، زمانی که حوزه به خوبی درک نشده است.
  • یک مطالعه تاییدی به ندرت اثبات قطعی ارائه می‌دهد — تکرار قبل از نتیجه‌گیری‌های قوی لازم است.
  • نتایج محدود به اعتبار عملیاتی‌سازی‌ها و نمایندگی نمونه هستند.
  • پایبندی دقیق به پروتکل‌های پیش‌ثبت‌نام نیازمند انضباط است؛ انحرافات افشا نشده، ادعای تاییدی را تضعیف می‌کنند.
  • چارچوب آزمون فرضیه باینری (رد کردن / عدم رد کردن) می‌تواند ماهیت پیوسته انباشت شواهد را مبهم کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • قوی‌ترین شواهد را برای یا علیه یک ادعای نظری خاص ارائه می‌دهد، به شرطی که پیش‌ثبت‌نام حفظ شود.
  • فرضیه‌ها و برنامه‌های تحلیل از پیش مشخص‌شده، بسیاری از نگرانی‌های مربوط به درجات آزادی را که نرخ‌های مثبت کاذب را افزایش می‌دهند، از بین می‌برند.
  • با استانداردهای علم باز و قابلیت تکرارپذیری که به طور فزاینده‌ای توسط مجلات و نهادهای تامین مالی مورد نیاز است، همسو می‌شود.
  • امکان انباشت دانش را از طریق تکرار مستقیم در مطالعات مستقل فراهم می‌کند.
  • تحلیل توان آماری تضمین می‌کند که مطالعه به اندازه کافی برای تشخیص اثر مورد انتظار، بزرگ است.

کاربردها

  • آزمون اینکه آیا یک مداخله نظری (مثلاً پروتکل درمان شناختی-رفتاری) شدت علائم را در یک نمونه بالینی کاهش می‌دهد.
  • ارزیابی اینکه آیا یک مدل معادله ساختاری رضایت شغلی در یک زمینه ملی یا فرهنگی جدید تکرار می‌شود.
  • تأیید ساختار عاملی پیش‌بینی‌شده یک مقیاس روان‌شناختی در یک نمونه اعتبارسنجی مستقل با استفاده از تحلیل عاملی تاییدی (CFA).
  • ارزیابی اینکه آیا یک متغیر میانجی از پیش مشخص‌شده (مثلاً خودکارآمدی) اثر یک درمان را بر یک پیامد منتقل می‌کند.
  • تکرار یک همبستگی منتشرشده بین دو سازه در یک جمعیت جدید برای ارزیابی تعمیم‌پذیری یک یافته موجود.
  • آزمون یک مداخله دارویی یا آموزشی در برابر یک شرایط کنترل با پیامدها و تحلیل از پیش ثبت‌شده در یک رجیستری کارآزمایی بالینی یا علم باز.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر با یک چارچوب نظری تثبیت‌شده آغاز می‌کند و یک یا چند فرضیه دقیق و ابطال‌پذیر را استخراج می‌کند. هر فرضیه جهت یا بزرگی مورد انتظار یک رابطه یا تفاوت را پیش از جمع‌آوری هرگونه داده بیان می‌کند. پیش‌ثبت‌نام فرضیه‌ها (در پلتفرم‌هایی مانند OSF یا AsPredicted) به طور فزاینده‌ای برای جلوگیری از برچسب‌گذاری مجدد پسینی یافته‌های اکتشافی به عنوان تاییدی، ضروری است.

2

هر سازه نظری با استفاده از ابزارها، مقیاس‌ها یا عملیاتی‌سازی‌های معتبر به متغیرهای قابل اندازه‌گیری تبدیل می‌شود. استراتژی نمونه‌گیری، حجم نمونه (که از طریق تحلیل توان پیشینی تعیین می‌شود)، رویه‌های گردآوری داده‌ها و آزمون‌های آماری مورد استفاده، همگی از پیش مشخص می‌شوند. این پیش‌مشخص‌سازی چیزی است که به طور رسمی یک مطالعه تاییدی را از یک مطالعه اکتشافی جدا می‌کند.

3

داده‌ها طبق پروتکل از پیش مشخص‌شده گردآوری می‌شوند — معمولاً از طریق نظرسنجی‌های استاندارد، مشاهدات ساختاریافته یا استخراج از مجموعه‌داده‌های ثانویه. پایبندی دقیق به پروتکل ضروری است؛ هرگونه انحراف باید مستند و گزارش شود تا ماهیت تاییدی مطالعه حفظ شود.

4

آزمون آماری از پیش مشخص‌شده اعمال می‌شود (مثلاً t-test، ANOVA، رگرسیون، مدل‌سازی معادلات ساختاری). نتیجه در برابر قاعده تصمیم‌گیری از پیش تعیین‌شده ارزیابی می‌شود — معمولاً یک سطح آلفا که از پیش تعیین شده است (معمولاً ۰.۰۵، یا ۰.۰۱ برای ادعاهای تاییدی سخت‌گیرانه‌تر). اندازه‌های اثر و فواصل اطمینان در کنار مقادیر p برای انتقال اهمیت عملی گزارش می‌شوند.

5

پژوهشگر نتیجه‌گیری می‌کند که آیا داده‌ها هر فرضیه را تأیید می‌کنند یا خیر. عدم رد فرضیه صفر، فرضیه صفر را تأیید نمی‌کند؛ بلکه نشان‌دهنده شواهد ناکافی برای فرضیه جایگزین است. نتیجه‌گیری‌ها محدود به طرح مطالعه، نمونه و عملیاتی‌سازی‌ها هستند. یافته‌های تاییدی واقعی که در نمونه‌های مستقل تکرار شده‌اند، قوی‌ترین وزن شواهد را دارند.

دام‌های رایج

  • HARKing (فرضیه‌سازی پس از مشخص شدن نتایج) — ارائه یافته‌های اکتشافی پسینی به گونه‌ای که گویی فرضیه‌های تاییدی از پیش مشخص شده بودند، نرخ‌های مثبت کاذب را افزایش می‌دهد و نوعی سوء رفتار پژوهشی محسوب می‌شود.
  • طرح‌های کم‌توان — عدم انجام تحلیل توان پیشینی منجر به مطالعاتی می‌شود که نمی‌توانند اثرات واقعی را به طور قابل اعتماد تشخیص دهند و به نتایج صفر مبهم و بی‌اطلاع‌کننده منجر می‌شوند.
  • تفسیر نادرست یک نتیجه غیرمعنی‌دار به عنوان تأیید فرضیه صفر — یک مقدار p بالاتر از آلفا تنها به این معنی است که شواهد برای فرضیه جایگزین ناکافی بوده است، نه اینکه فرضیه صفر صحیح است.
  • استفاده از معیارهای نامعتبر یا موقت — نتیجه‌گیری‌های تاییدی در مورد سازه‌های نظری تنها به اندازه اعتبار ابزارهای مورد استفاده برای عملیاتی‌سازی آن‌ها قوی هستند.
  • انجام چندین تحلیل برنامه‌ریزی نشده در حالی که فقط نتایج معنی‌دار گزارش می‌شوند — این کار p-hacking است و منطق استنباطی طرح تاییدی را از بین می‌برد.

پرسش‌های متداول

تفاوت بین پژوهش تاییدی و اکتشافی چیست؟

پژوهش اکتشافی فرضیه‌ها یا مدل‌ها را از داده‌ها تولید می‌کند، زمانی که حوزه به خوبی درک نشده است؛ پژوهش تاییدی فرضیه‌های برگرفته از نظریه قبلی را در برابر داده‌های جدید آزمون می‌کند. تمایز رسمی کلیدی زمان‌بندی است: در پژوهش تاییدی، فرضیه‌ها و برنامه‌های تحلیل پیش از جمع‌آوری داده‌ها به طور کامل مشخص می‌شوند؛ در پژوهش اکتشافی آنها در طول یا پس از تحلیل پدیدار می‌شوند. هر دو نقش مهمی دارند، اما تنها آزمون‌های تاییدی از پیش مشخص‌شده، نرخ مثبت کاذب را در سطح آلفای اعلام‌شده کنترل می‌کنند.

آیا پیش‌ثبت‌نام برای پژوهش تاییدی اجباری است؟

به بیان دقیق، پیش‌ثبت‌نام مکانیزمی است که یک مطالعه را به طور قابل تأیید تاییدی می‌کند، نه صرفاً برچسب‌گذاری شده به این عنوان. بدون یک پیش‌ثبت‌نام دارای مهر زمانی و عمومی، خوانندگان نمی‌توانند فرضیه‌های از پیش مشخص‌شده را از توجیه‌های پسینی تشخیص دهند. بسیاری از مجلات، به ویژه در روان‌شناسی و پزشکی، اکنون پیش‌ثبت‌نام را برای ادعاهای تاییدی الزامی می‌کنند. پلتفرم‌ها شامل OSF Registries، AsPredicted و ClinicalTrials.gov هستند.

آیا می‌توانم هم تحلیل‌های تاییدی و هم اکتشافی را در یک مطالعه انجام دهم؟

بله — این کار رایج و مشروع است، اما دو نوع تحلیل باید در گزارش به وضوح متمایز شوند. تحلیل‌های از پیش مشخص‌شده به عنوان تاییدی برچسب‌گذاری می‌شوند و با سطح آلفای اعلام‌شده تفسیر می‌شوند. تحلیل‌های اضافی که پس از مشاهده داده‌ها انجام می‌شوند، به عنوان اکتشافی برچسب‌گذاری می‌شوند، یافته‌های آنها به عنوان مولد فرضیه تلقی می‌شوند نه آزمون‌کننده فرضیه، و قبل از نتیجه‌گیری‌های قوی نیاز به تکرار دارند.

چه حجم نمونه‌ای برای یک مطالعه تاییدی نیاز دارم؟

حجم نمونه باید با تحلیل توان پیشینی قبل از جمع‌آوری داده‌ها، بر اساس کوچکترین اندازه اثری که از نظر نظری معنی‌دار خواهد بود، توان مطلوب (به طور قراردادی ۰.۸۰ یا ۰.۹۰) و سطح آلفا تعیین شود. برای یک اثر متوسط (d کوهن = ۰.۵۰ یا r = ۰.۳۰) با توان = ۰.۸۰ و آلفا = ۰.۰۵، الزامات معمول حدود ۵۰-۱۳۰ شرکت‌کننده بسته به آزمون است. استفاده از یک مجموعه داده موجود برای توجیه حجم نمونه پسینی، یک عمل تاییدی نیست.

آیا یک مطالعه تاییدی یک نظریه را اثبات می‌کند؟

هیچ مطالعه واحدی یک نظریه را اثبات نمی‌کند. یک مطالعه تاییدی می‌تواند شواهدی سازگار با پیش‌بینی‌های یک نظریه ارائه دهد، اما اثبات نیاز به شواهد همگرا در چندین مطالعه مستقل با استفاده از عملیاتی‌سازی‌ها، نمونه‌ها و طرح‌های متنوع دارد. چارچوب پوپر معتقد است که نظریه‌ها تنها می‌توانند تأیید یا ابطال شوند، نه اثبات — هدف انباشت شواهد قابل تکرار و ابطال‌پذیر در طول زمان است.

روش‌های مرتبط

منابع

  1. Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.

    شابک: 978-0415278447
    کپی شد.
  2. Kline, R. B. (2013). Beyond Significance Testing: Statistics Reform in the Behavioral Sciences (2nd ed.). American Psychological Association.

    شابک: 978-1433812378
    کپی شد.