Skip to content
بازگشت به نتایج جست‌وجو

طراحی پژوهش طولی — طراحی پژوهش طولی

معرفی‌شده توسط
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
سال
Late 19th–early 20th century; methodologically codified through the 20th century
نوع
Quantitative (or mixed) observational 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 طولی یک طرح مشاهده‌ای است که در آن شرکت‌کنندگان، گروه‌ها یا واحدها در یک دوره زمانی طولانی به طور مکرر اندازه‌گیری می‌شوند. این روش به جای ثبت یک تصویر واحد، تغییر، ثبات و توالی زمانی متغیرها را ردیابی می‌کند و آن را به استراتژی اصلی غیرآزمایشی برای مطالعه رشد، نمو، افول و آشکار شدن فرآیندهای علی در طول زمان تبدیل می‌کند.

شهود پشت روش

پژوهش طولی را مانند دنبال کردن افراد (یا سازمان‌ها، یا مدارس) در طول مجموعه‌ای از نقاط بازرسی در نظر بگیرید، به جای اینکه در یک زمان از افراد مختلف عکس بگیرید. با بازگشت به همان واحدها، پژوهشگر می‌تواند ببیند چه کسی، چقدر، در چه جهتی تغییر کرده است و آیا اندازه‌گیری‌های اولیه نتایج بعدی را پیش‌بینی می‌کنند یا خیر. این ردیابی زمانی چیزی است که طرح‌های طولی را از طرح‌های مقطعی متمایز می‌کند: به جای استنباط تغییر از تفاوت‌های بین گروه‌های اندازه‌گیری شده در یک زمان، شما تغییر را مستقیماً در همان واحدهای اندازه‌گیری شده در زمان‌های متعدد مشاهده می‌کنید.

تاریخ

روش‌های طولی در اواخر قرن نوزدهم از طریق مطالعات رشد که رشد فیزیکی کودکان را ردیابی می‌کردند و در اپیدمیولوژی از طریق مطالعات کوهورت که شیوع بیماری را ردیابی می‌کردند، ظهور کردند. مجموعه داده‌های طولی مهم قرن بیستم — از جمله مطالعه رشد برکلی (Berkeley Growth Study) (۱۹۲۸)، مطالعات کوهورت بریتانیا (British Cohort Studies) (۱۹۵۸، ۱۹۷۰) و مطالعه قلب فریمینگهام (Framingham Heart Study) (۱۹۴۸) — توسعه این روش‌شناسی را شکل دادند. چارچوب‌های آماری برای تجزیه و تحلیل داده‌های طولی در دهه‌های ۱۹۸۰ و ۱۹۹۰ از طریق کارهای محققانی مانند جودیت سینگر (Judith Singer)، جان ویلت (John Willett) و مایکل راودنبوش (Michael Raudenbush) به طور قابل توجهی بالغ شدند و به کتاب‌های درسی و نرم‌افزارهای پرکاربرد برای مدل‌سازی چند سطحی و منحنی رشد منجر شدند.

چه زمانی استفاده شود

هنگامی که سوال اصلی مربوط به تغییر یا تحول در طول زمان است، از پژوهش طولی استفاده کنید — به عنوان مثال، چگونه پیشرفت تحصیلی از مدرسه ابتدایی به متوسطه تکامل می‌یابد، چگونه مسیرهای سلامتی پس از یک رویداد پزشکی آشکار می‌شوند، یا آیا نگرشی که در یک نقطه اندازه‌گیری شده است، رفتار اندازه‌گیری شده در زمان بعدی را پیش‌بینی می‌کند. این طرح زمانی مناسب است که داده‌های مقطعی نتوانند اثرات سن را از اثرات کوهورت متمایز کنند و زمانی که تغییر درون فردی از نظر تئوری معنی‌دار باشد. زمانی که پدیده اساساً ایستا است، زمانی که دوره پیگیری مورد نیاز از منابع موجود فراتر می‌رود، یا زمانی که فرسایش در جمعیت هدف به حدی شدید است که نمونه باقی‌مانده غیرنماینده می‌شود، از پژوهش طولی استفاده نکنید. طرح‌های مقطعی زمانی کارآمدتر هستند که یک تصویر واحد برای پاسخ به سوال پژوهش کافی باشد.

محدودیت‌ها و ملاحظات

  • فرسایش (ریزش) در طول موج‌ها اعتبار داخلی را تهدید می‌کند اگر کسانی که مطالعه را ترک می‌کنند به طور سیستماتیک با کسانی که باقی می‌مانند متفاوت باشند.
  • دوره‌های پیگیری طولانی نیازمند منابع زیادی هستند — بودجه، کارکنان و حفظ مشارکت‌کنندگان در طول زمان افزایش می‌یابد.
  • اندازه‌گیری مکرر همان شرکت‌کنندگان ممکن است اثرات آزمون را ایجاد کند: آشنایی با ابزارها، حساسیت به موضوعات، یا اثرات تمرین در آزمون‌ها.
  • نمی‌تواند اثرات همزمان‌ساز متغیر در زمان اندازه‌گیری نشده را به همان روشی که یک آزمایش تصادفی می‌تواند کنترل کند؛ ادعاهای علی احتمالی باقی می‌مانند.
  • تغییرات تاریخی که بین موج‌ها رخ می‌دهند (اثرات دوره) ممکن است روندهای مشاهده شده را همزمان‌سازی کنند و جداسازی آنها از رشد درون فردی دشوار است.

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

نقاط قوت

  • تغییر درون فردی یا درون واحدی را مستقیماً مشاهده می‌کند به جای اینکه آن را از مقایسه‌های سنی مقطعی استنباط کند.
  • ترتیب زمانی متغیرها را ایجاد می‌کند و شواهد قوی‌تری (هرچند نه قطعی) برای جهت علی نسبت به طرح‌های تک موجی ارائه می‌دهد.
  • امکان جداسازی اثرات سن، اثرات کوهورت و اثرات دوره را در صورت ردیابی کوهورت‌های متعدد فراهم می‌کند.
  • امکان تخمین مسیرهای رشد فردی و شناسایی زیرگروه‌هایی با الگوهای رشدی متفاوت را فراهم می‌کند.
  • مجموعه داده‌های طولی انباشته شده (مانند مطالعات کوهورت تولد) می‌تواند سال‌ها به سوالات پژوهشی متعددی پاسخ دهد.

کاربردها

  • ردیابی رشد شناختی، پیشرفت تحصیلی و رشد اجتماعی-عاطفی از دوران کودکی تا نوجوانی.
  • دنبال کردن کوهورت‌های بیمار پس از جراحی، تشخیص یا درمان برای ترسیم مسیرهای بهبودی و شناسایی پیش‌بینی‌کننده‌های عود بیماری.
  • نظارت بر نتایج سازمانی یا نیروی کار — تعهد کارکنان، قصد ترک شغل، بهره‌وری — در طول چرخه‌های اقتصادی.
  • مطالعه اثرات بلندمدت مداخلات سیاستی در آموزش، بهداشت عمومی یا بازارهای کار بدون تخصیص تصادفی.
  • بررسی چگونگی تغییر شخصیت، نگرش‌ها و ارزش‌ها در طول مراحل زندگی در روانشناسی رشد و اجتماعی.
  • مدل‌سازی شیوع بیماری و تجمع عوامل خطر در مطالعات کوهورت تولد یا کوهورت شغلی اپیدمیولوژیک.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر سوال پژوهش را بر حسب تغییر یا ثبات در طول زمان تعریف می‌کند و چارچوب طولی را تعیین می‌کند: طرح پنل (افراد یکسان در هر موج)، طرح کوهورت (گروهی که تجربه مشترکی دارند و به جلو دنبال می‌شوند) یا طرح روند (نمونه‌گیری مستقل از جمعیت یکسان در هر موج). چارچوب زمانی، تعداد موج‌های اندازه‌گیری و فواصل بین موج‌ها برای مطابقت با سرعت مورد انتظار تغییر در پدیده مورد علاقه برنامه‌ریزی می‌شوند.

2

نمونه‌ای از شرکت‌کنندگان یا واحدها که نماینده جمعیت هدف هستند و به اندازه‌ای بزرگ هستند که پس از ریزش مورد انتظار بین موج‌ها (فرسایش) از نظر تحلیلی کافی باقی بمانند، جذب می‌شوند. معیارهای جذب باید به وضوح مشخص شوند تا نمونه اولیه بتواند در طول موج‌ها ردیابی و دوباره تماس گرفته شود. در طرح‌های پنل و کوهورت، حفظ اطلاعات تماس و مشارکت شرکت‌کنندگان در طول موج‌ها از ابتدا یک نگرانی لجستیکی حیاتی است.

3

داده‌ها از واحدهای یکسان در هر موج از پیش تعیین شده با استفاده از ابزارها و رویه‌های سازگار جمع‌آوری می‌شوند. ابزارها باید در طول موج‌ها ثابت نگه داشته شوند تا از برابری اندازه‌گیری اطمینان حاصل شود؛ هرگونه به‌روزرسانی ضروری باید برای مقایسه ارزیابی شود. منابع رایج داده شامل نظرسنجی‌ها، آزمون‌های استاندارد شده، سوابق اداری و ارزیابی‌های بیولوژیکی یا رفتاری است. هر موج جمع‌آوری داده خود یک رویداد اندازه‌گیری کامل است که نیازمند نمونه‌گیری، کار میدانی و کنترل کیفیت است.

4

داده‌های طولی نیازمند مدیریت دقیق داده هستند: پیوند دادن سوابق در طول موج‌ها با استفاده از شناسه‌های منحصر به فرد شرکت‌کننده، رسیدگی به داده‌های گمشده ناشی از فرسایش یا الگوهای پرش، و مستندسازی تغییرات در ابزارها یا شرایط اجرا. داده‌های گمشده به صورت تحلیلی مورد رسیدگی قرار می‌گیرند — حداکثر احتمال تمام اطلاعات (FIML) و جایگزینی چندگانه (MI) به حذف لیست‌وار (listwise deletion) ترجیح داده می‌شوند زیرا فرسایش به ندرت کاملاً تصادفی است (MCAR).

5

تغییر در طول زمان با استفاده از رویکردهای تحلیلی متناسب با ساختار داده و سوال پژوهش بررسی می‌شود. استراتژی‌های رایج شامل مدل‌سازی منحنی رشد (مسیرهای فردی از طریق مدل‌های چند سطحی یا منحنی رشد پنهان)، رگرسیون پنل با اثرات ثابت و تصادفی، مدل‌های پنل متقاطع-تاخیری برای علیت متقابل، و تحلیل بقا یا تاریخچه رویداد برای نتایج زمان تا رویداد است. خلاصه‌های توصیفی تغییر موج به موج قبل از مدل‌سازی استنباطی قرار می‌گیرند.

6

یافته‌ها بر حسب جهت، نرخ و پیش‌بینی‌کننده‌های تغییر تفسیر می‌شوند — و به طور صریح با محدودیت‌های طرح (مشاهده‌ای، نه آزمایشی؛ اثرات انتخاب احتمالی) مشخص می‌شوند. ترتیب زمانی متغیرها — اندازه‌گیری شده در موج‌های مجزا — شواهد قوی‌تری برای جهت علی نسبت به داده‌های مقطعی ارائه می‌دهد، اما باید همزمان‌سازی توسط کوواریت‌های متغیر در زمان اندازه‌گیری نشده را در نظر گرفت.

دام‌های رایج

  • نادیده گرفتن سوگیری فرسایش — گزارش نتایج کامل موارد بدون آزمایش اینکه آیا ریزش‌کنندگان با تکمیل‌کنندگان در متغیرهای پایه کلیدی متفاوت هستند یا خیر، یا بدون استفاده از روش‌های داده گمشده اصولی (FIML، MI)، خطر تخمین‌های سوگیرانه را افزایش می‌دهد.
  • نابرابری اندازه‌گیری در طول موج‌ها — اگر کلمات ابزار، مقیاس‌های پاسخ یا شرایط اجرا بین موج‌ها تغییر کند، تغییر ظاهری در نمرات ممکن است به جای تغییر واقعی، نشان‌دهنده انحراف اندازه‌گیری باشد؛ باید برابری پیکری و متریک (configural and metric invariance) آزمایش شود.
  • تعداد موج‌های کم برای مدل‌های تغییر پیچیده — برازش مدل‌های منحنی رشد با تنها دو موج، مدل را به یک خط مستقیم محدود می‌کند و از تشخیص مسیرهای غیرخطی جلوگیری می‌کند؛ هر زمان که تغییر درجه دوم یا منحنی قابل قبول باشد، حداقل سه موج برنامه‌ریزی کنید.
  • اشتباه گرفتن زیرنوع‌های طرح — طرح‌های پنل، کوهورت و روند دارای ساختارهای نمونه‌گیری متفاوتی هستند و سوالات متفاوتی را پاسخ می‌دهند؛ برخورد با آنها به عنوان موارد مشابه منجر به خطاهای تحلیلی و تعمیم‌های نامناسب می‌شود.
  • کم‌اهمیت دادن به اثرات فاصله پیگیری — فواصل بسیار کوتاه ممکن است تغییر معنی‌داری را ثبت نکنند؛ فواصل بسیار طولانی ممکن است تغییرات میانی مهم یا اثرات اوج را از دست بدهند.

پرسش‌های متداول

تفاوت پژوهش طولی با مطالعه پنل و مطالعه کوهورت چیست؟

هر سه طولی هستند، اما در ساختار نمونه‌گیری تفاوت دارند. مطالعه پنل افراد یکسان را در هر موج ردیابی می‌کند و برای اندازه‌گیری تغییر در سطح فردی طراحی شده است. مطالعه کوهورت افرادی را که دارای یک ویژگی یا تجربه تعریف‌کننده مشترک هستند (مانند متولدین یک سال، تشخیص در یک دوره زمانی مشترک) دنبال می‌کند و بر مسیرهای سطح گروه تمرکز دارد. مطالعه روند نمونه‌های مستقلی از همان جمعیت را در هر موج بررسی می‌کند و تغییرات در سطح جمعیت را بدون ردیابی افراد توصیف می‌کند. انتخاب به این بستگی دارد که آیا تغییر درون فردی، مسیرهای گروهی یا روندهای جمعیتی هدف اصلی هستند.

به چند موج اندازه‌گیری نیاز دارم؟

حداقل دو موج برای ایجاد تغییر لازم است، اما دو موج فقط یک امتیاز تفاوت را امکان‌پذیر می‌کند و نمی‌تواند شکل تغییر را مدل کند. سه موج حداقل عملی برای مدل‌سازی منحنی رشد است، زیرا امکان تخمین یک مسیر درجه دوم را فراهم می‌کند. موج‌های بیشتر، دقت تخمین‌های مسیر فردی را بهبود می‌بخشد و امکان تشخیص الگوهای تغییر پیچیده‌تر را فراهم می‌کند. موج‌ها را برای هم‌ترازی با فواصل زمانی معنادار از نظر تئوری با توجه به سرعت مورد انتظار تغییر برنامه‌ریزی کنید.

چگونه باید داده‌های گمشده ناشی از ریزش را مدیریت کنم؟

ابتدا بررسی کنید که آیا ریزش‌کنندگان با تکمیل‌کنندگان در متغیرهای پایه کلیدی متفاوت هستند (تحلیل فرسایش). سپس از روش‌های داده گمشده اصولی به جای حذف لیست‌وار استفاده کنید: حداکثر احتمال تمام اطلاعات (FIML) تحت برآورد حداکثر احتمال، یا جایگزینی چندگانه (MI) قبل از تجزیه و تحلیل. هر دو فرض می‌کنند که داده‌ها به صورت تصادفی گمشده هستند (MAR) مشروط بر متغیرهای مشاهده شده. اگر مشکوک هستید که گمشدگی به خود نتیجه مشاهده نشده بستگی دارد (گم شده در تصادفی نیست، MNAR)، تحلیل‌های حساسیت با استفاده از مدل‌های الگوی ترکیبی یا مدل‌های انتخاب ضروری است.

آیا طرح طولی علیت را اثبات می‌کند؟

ترتیب زمانی — اندازه‌گیری یک پیش‌بینی‌کننده قبل از نتیجه — شرط لازم برای علیت است و طرح‌های طولی آن را به طور مستقیم‌تر از طرح‌های مقطعی ایجاد می‌کنند. با این حال، طرح‌های طولی مشاهده‌ای نمی‌توانند همزمان‌سازی توسط متغیرهای اندازه‌گیری نشده را رد کنند، بنابراین علیت را اثبات نمی‌کنند. تکنیک‌هایی مانند مدل‌های پنل متقاطع-تاخیری، رگرسیون اثرات ثابت و رویکردهای متغیر ابزاری می‌توانند استنتاج‌های علی را تقویت کنند، اما هر کدام مفروضات خاص خود را دارند. آزمایش‌های تصادفی همچنان استاندارد طلایی برای ادعاهای علی باقی می‌مانند.

خطر اثرات آزمون در اندازه‌گیری مکرر چیست؟

هنگامی که شرکت‌کنندگان به طور مکرر همان یا ابزارهای مشابه را تکمیل می‌کنند، آشنایی آنها با فرمت‌های سوال، حساسیت به موضوعات مطالعه، یا تمرین در آزمون‌های شناختی می‌تواند نمرات را مستقل از تغییر واقعی افزایش یا کاهش دهد. خطرات با فواصل زمانی کوتاه بین موج‌ها و با معیارهای مبتنی بر عملکرد بیشتر است. استراتژی‌های کاهش خطر شامل استفاده از فرم‌های موازی ابزارها، گنجاندن گروه‌های کنترل و ارزیابی قابلیت اطمینان مجدد آزمون در مطالعات پایلوت است.

روش‌های مرتبط

منابع

  1. Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.

    شابک: 978-0761922841
    کپی شد.
  2. Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.

    شابک: 978-0195152968
    کپی شد.