پیمایش آنلاین — پژوهش پیمایشی مبتنی بر وب
- معرفیشده توسط
- Mick P. Couper, Don A. Dillman (early systematic frameworks)
- سال
- Mid-1990s (widespread scholarly adoption ~1995–2000)
- نوع
- Quantitative / mixed-methods data collection technique
- خانواده
- Data collection
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
پیمایش آنلاین ابزار جمعآوری داده ساختاریافتهای است که بر روی یک پلتفرم وب میزبانی شده و توسط پاسخدهندگان از طریق دستگاههای متصل به اینترنت تکمیل میشود. این روش امکان جمعآوری داده در مقیاس بزرگ و پراکنده جغرافیایی را با هزینه کم و سرعت بالا فراهم میکند. پاسخدهندگان پرسشنامه را در زمان مناسب خود تکمیل میکنند که این امر سوگیری مصاحبهگر را کاهش داده و امکان ثبت خودکار دادهها را فراهم میآورد. پیمایشهای آنلاین امروزه غالبترین روش پژوهش پیمایشی در تحقیقات اجتماعی، رفتاری، بهداشتی و بازاریابی هستند.
شهود پشت روش
پیمایش آنلاین را به مثابه یک پرسشنامه چاپی در نظر بگیرید که به یک صفحه وب منتقل شده است، اما با قابلیتهای بسیار غنیتر: منطق پرش (skip logic) پاسخدهندگان را بر اساس پاسخهای قبلی به سوالات مختلف هدایت میکند، عناصر چندرسانهای را میتوان جاسازی کرد و پاسخها مستقیماً و بدون ورود دستی وارد پایگاه داده میشوند. نقطه مقابل این مزایا، عدم توانایی پژوهشگر در تأیید هویت پاسخدهنده یا مشاهده زمینه تکمیل پیمایش است. بنابراین، طراحی یک پیمایش آنلاین خوب نیازمند توجه دقیق به واژگان سوالات، جریان صفحه و انگیزههای جمعیت هدف برای مشارکت صادقانه و کامل است.
تاریخ
پیمایش مبتنی بر وب در اواسط دهه ۱۹۹۰ با افزایش نفوذ اینترنت در محیطهای دانشگاهی و شرکتی ظهور کرد. بررسی سال ۲۰۰۰ میک کوپر در Public Opinion Quarterly اولین ارزیابی علمی سیستماتیک از روششناسی پیمایش وب را ارائه داد و چالشهای پوشش و عدم پاسخ آن را شناسایی کرد. روش طراحی سفارشی شده (Tailored Design Method) دون دیلمن، که در ابتدا برای پیمایشهای پستی توسعه یافته بود، به تدریج در ویرایشهای مختلف (۱۹۷۸، ۲۰۰۰، ۲۰۰۷، ۲۰۱۴) برای گنجاندن پروتکلهای اینترنتی و چندوجهی تطبیق داده شد. تا دهه ۲۰۱۰، پیمایشهای آنلاین از تلفن و پست به عنوان غالبترین روش پیمایش در تحقیقات اجتماعی و بازاریابی پیشی گرفتند.
چه زمانی استفاده شود
هنگامی که نیاز به جمعآوری دادههای خودگزارشی استاندارد از یک نمونه بزرگ یا پراکنده جغرافیایی به سرعت و با صرفه اقتصادی دارید و زمانی که متغیرهای پژوهش را میتوان به صورت اقلام بسته عملیاتی کرد، از پیمایش آنلاین استفاده کنید. این روش برای اندازهگیری نگرشها، نظرات، شیوع یا رفتارهای خودگزارشی در تحقیقات اجتماعی، بهداشتی، سازمانی و بازاریابی ارجح است. زمانی که سوال پژوهش نیازمند کاوش عمیق معنا یا فرآیند است (به جای آن پدیدارشناسی، نظریه دادهبنیاد یا مصاحبههای نیمهساختاریافته را در نظر بگیرید)، زمانی که جمعیت هدف دسترسی یا سواد اینترنتی پایینی دارد (پیمایش تلفنی یا حضوری مناسبتر است) یا زمانی که سازههای مورد علاقه را نمیتوان به طور کافی از طریق اقلام خودگزارشی ثبت کرد، از پیمایش آنلاین استفاده نکنید.
محدودیتها و ملاحظات
- سوگیری پوشش: افراد بدون دسترسی به اینترنت یا سواد دیجیتال پایین به طور سیستماتیک حذف میشوند و نمایندگی را محدود میکنند.
- نرخ پاسخ برای پیمایشهای آنلاین ناخواسته معمولاً پایین است (اغلب زیر ۳۰٪) که میتواند منجر به سوگیری عدم پاسخ شود.
- پژوهشگر نمیتواند هویت پاسخدهنده یا شرایطی را که پیمایش در آن تکمیل شده است، تأیید کند.
- دادههای خودگزارشی، صرف نظر از روش آنلاین، در معرض سوگیری حافظه، سوگیری مطلوبیت اجتماعی و سوگیری موافقت قرار دارند.
- پاسخهای متنی باز نیازمند تلاش کدگذاری کیفی اضافی هستند و اغلب توسط اکثریت پاسخدهندگان خالی گذاشته میشوند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- دسترسی سریع به نمونههای بزرگ و پراکنده جغرافیایی با هزینه حاشیهای کم به ازای هر پاسخدهنده.
- اثرات مصاحبهگر را حذف میکند: پاسخدهندگان به صورت خصوصی پاسخ میدهند و سوگیری مطلوبیت اجتماعی در مورد موضوعات حساس را کاهش میدهد.
- ثبت خودکار دادهها خطای ورود را حذف کرده و نظارت لحظهای بر نرخ پاسخ را امکانپذیر میسازد.
- قالببندی انعطافپذیر: منطق پرش، ترتیب تصادفی اقلام، رسانههای جاسازی شده و نوارهای پیشرفت، کیفیت دادهها و تجربه پاسخدهنده را بهبود میبخشد.
- دادههای کمی بلافاصله در قالب ساختاریافته در دسترس هستند و جدول زمانی تجزیه و تحلیل را کوتاه میکنند.
کاربردها
- اندازهگیری نگرشها، تعهد و جو سازمانی کارکنان در پژوهشهای محل کار.
- ارزیابی نتایج گزارش شده توسط بیمار و رفتارهای بهداشتی در تحقیقات بهداشت عمومی و بالینی.
- جمعآوری دادههای رضایت مشتری، بازخورد محصول و بخشبندی بازار در تحقیقات تجاری.
- انجام تحقیقات آموزشی در مقیاس بزرگ در مورد تجربیات دانشجویان، همبستههای موفقیت تحصیلی و ترجیحات آموزشی.
- جمعآوری دادههای نگرشی بینالمللی در مطالعات تطبیقی علوم سیاسی و جامعهشناسی.
- غربالگری شرکتکنندگان بالقوه برای مطالعات آزمایشی یا بالینی با استفاده از اقلام معیارهای واجد شرایط بودن.
چگونه کار میکند
چگونه کار میکند
پژوهشگر اهداف پژوهش را تعریف کرده و پرسشنامهای با اقلام بسته (مقیاسهای لیکرت، چندگزینهای، رتبهبندی) و در صورت نیاز، فیلدهای متنی باز ایجاد میکند. هر مورد به یک متغیر نگاشت میشود؛ منطق پرش، فیلدهای اجباری و اعتبارسنجی پاسخ در پلتفرم پیمایش پیکربندی میشوند. توجه به چیدمان بصری، واکنشگرایی موبایل و زمان تخمینی تکمیل (ترجیحاً زیر ۱۵ دقیقه) در این مرحله ضروری است.
قبل از استقرار کامل، پرسشنامه با یک نمونه کوچک در دسترس (معمولاً ۵ تا ۲۰ نفر) که نماینده جمعیت هدف باشد، آزمایش میشود. آزمون پایلوت به بررسی ابهام در واژگان، نقص در منطق پرش، مشکلات فنی نمایش در دستگاهها و مرورگرهای مختلف و زمانهای تکمیل غیرمعمول طولانی میپردازد. بازخوردها برای اصلاح موارد قبل از نهایی شدن ابزار استفاده میشوند.
لینک پیمایش زنده یا کد جاسازی شده از طریق دعوت ایمیلی، رسانههای اجتماعی، سرویس پانل، لیست پستی سازمانی یا جاسازی در یک وبسایت به نمونه هدف توزیع میشود. توزیع ممکن است از نمونهگیری احتمالی (انتخاب تصادفی از یک چارچوب تعریف شده) یا نمونهگیری غیر احتمالی (در دسترس، گلوله برفی، سهمیهای) استفاده کند. ایمیلهای دعوت شخصیسازی شده با موضوع واضح و شرح مشوق، نرخ پاسخ اولیه را بهبود میبخشد.
نرخ پاسخ و تکمیل جزئی از طریق داشبورد پلتفرم به صورت لحظهای ردیابی میشود. یادآوریهای پیگیری در فواصل زمانی برنامهریزی شده (مثلاً یک هفته پس از دعوت اولیه) برای پاسخدهندگان غایب ارسال میشود. پژوهشگر موارد سرعتگیر (زمان تکمیل غیرقابل قبول کوتاه)، خط مستقیمرو (پاسخهای یکسان به تمام اقلام) و ارسالهای ربات را رصد کرده و موارد نامعتبر را شناسایی و حذف میکند.
هنگامی که اندازه نمونه هدف یا مهلت مقرر حاصل شد، پیمایش بسته میشود. دادههای پاسخ در قالب ساختاریافته (CSV، SPSS، Excel) برای پاکسازی و تجزیه و تحلیل صادر میشوند. مراحل پاکسازی شامل حذف پاسخهای ناقص زیر یک آستانه قابل قبول، کدگذاری مجدد اقلام با امتیاز معکوس و بررسی دادههای پرت چندمتغیره قبل از اقدام به تجزیه و تحلیل توصیفی یا استنباطی است.
دامهای رایج
- پرسشنامه بیش از حد طولانی: پیمایشهایی که بیش از ۱۵ تا ۲۰ دقیقه طول میکشند، نرخ ریزش را به شدت افزایش میدهند؛ اقلام را به شدت به موارد مورد نیاز برای پاسخ به سوال پژوهش محدود کنید.
- عدم انجام آزمون پایلوت: نادیده گرفتن آزمون پایلوت اجازه میدهد تا اقلام مبهم، منطق پرش شکسته و خطاهای نمایش موبایل در ابزار زنده باقی بمانند و مجموعه داده را فاسد کنند.
- نمونهگیری غیر احتمالی به عنوان نماینده ارائه میشود: نمونههای آنلاین در دسترس یا گلوله برفی نمیتوانند تعمیم به یک جمعیت تعریف شده را بدون هشدار صریح پشتیبانی کنند؛ از زبانی که نمایندگی را القا میکند اجتناب کنید مگر اینکه از یک پانل احتمالی استفاده شده باشد.
- نادیده گرفتن بررسیهای کیفیت داده: عدم غربالگری برای سرعتگیرها، خط مستقیمروها و پاسخهای ربات، اندازه نمونه را به طور مصنوعی افزایش داده و در عین حال کیفیت دادهها را کاهش میدهد.
- اقلام هدایتکننده یا دوگانه: ساختار ضعیف اقلام، سوگیری پاسخ سیستماتیک را معرفی میکند که هیچ تکنیک تحلیلی نمیتواند به طور کامل آن را اصلاح کند.
پرسشهای متداول
چه اندازه نمونهای برای پیمایش آنلاین نیاز دارم؟
اندازه نمونه به تجزیه و تحلیل برنامهریزی شده بستگی دارد. برای آمار توصیفی با جمعیت شناخته شده، جداول توان استاندارد یا فرمولهای حاشیه خطا اعمال میشوند (مثلاً n ≈ ۳۸۵ برای حاشیه خطای ۵±٪ با اطمینان ۹۵٪ در یک جمعیت بزرگ). برای تجزیه و تحلیل رگرسیون یا SEM، قوانین کلی رایج حداقل ۱۰ تا ۲۰ مورد به ازای هر متغیر پیشبینیکننده را پیشنهاد میکنند. با در نظر گرفتن نرخ پاسخ و ریزش مورد انتظار، با بیش از حد جذب، جبران کنید: اگر انتظار نرخ پاسخ ۳۰٪ را دارید، تقریباً سه برابر اندازه نمونه هدف خود را دعوت کنید.
چگونه میتوانم نرخ پاسخ خود را بهبود بخشم؟
استراتژیهای کلیدی مبتنی بر شواهد عبارتند از: ایمیلهای دعوت شخصیسازی شده با فرستنده معتبر، موضوع کوتاه و واضح، توضیح مختصر هدف مطالعه و مدت زمان آن، بیانیه محرمانگی صریح، مهلت مشخص و یک یا دو یادآوری مودبانه برای پاسخدهندگان غایب. مشوقهای ملموس (کوپن، قرعهکشی جایزه) نرخها را بهبود میبخشد اما ممکن است پاسخهای کمتلاش را جذب کند؛ این مبادله را برای زمینه مطالعه خود بسنجید.
چگونه با دادههای گمشده در پیمایش آنلاین برخورد کنم؟
بین دادههای گمشده در سطح مورد (چند مورد در یک پاسخ در غیر این صورت کامل رد شده) و دادههای گمشده در سطح واحد (کل پیمایش ارسال نشده) تمایز قائل شوید. برای دادههای گمشده در سطح مورد، در صورت تصادفی بودن دادهها، از درونیابی چندگانه (multiple imputation) یا حداکثر درستنمایی با اطلاعات کامل (full-information maximum likelihood) استفاده کنید. برای دادههای گمشده در سطح واحد، تجزیه و تحلیل سوگیری عدم پاسخ را با مقایسه پاسخدهندگان اولیه و دیررس یا مقایسه متغیرهای جمعیتی موجود با معیارهای جمعیت هدف، انجام دهید.
آیا پیمایش آنلاین همیشه کمی است؟
خیر. پیمایشهای آنلاین میتوانند شامل فیلدهای متنی باز باشند که دادههای کیفی تولید میکنند و برخی پیمایشها به عنوان ابزارهای کاملاً کیفی طراحی شدهاند. با این حال، مورد استفاده غالب، کمی یا ترکیبی از روشها است که از مقیاسهای لیکرت، چندگزینهای و اقلام رتبهبندی استفاده میکند که پاسخهای آنها به صورت عددی کدگذاری شده و با آمار توصیفی یا استنباطی تجزیه و تحلیل میشوند.
آیا میتوانم از همان پرسشنامهای که برای اجرا روی کاغذ طراحی کردهام، به صورت آنلاین استفاده کنم؟
بدون بازبینی خیر. پرسشنامههای کاغذی اغلب فاقد منطق پرش هستند، تکمیل خطی را فرض میکنند و برای چاپ به جای صفحه نمایش قالببندی شدهاند. انتقال به اجرا به صورت آنلاین نیازمند افزودن منطق نمایش شرطی، بررسی رندر موبایل، تأیید اینکه دستههای پاسخ در اندازههای مختلف صفحه به درستی نمایش داده میشوند و بازآزمایی ابزار است. اگر دادههای آنلاین و کاغذی ترکیب میشوند، باید همارزی اندازهگیری بین حالتها آزمایش شود.
روشهای مرتبط
منابع
Couper, M. P. (2000). Web surveys: A review of issues and approaches. Public Opinion Quarterly, 64(4), 464–494.
باز کردن مرجع DOIکپی شد.Dillman, D. A., Smyth, J. D., & Christian, L. M. (2014). Internet, Phone, Mail, and Mixed-Mode Surveys: The Tailored Design Method (4th ed.). Wiley.
شابک: 978-1118456149کپی شد.