การสังเคราะห์เชิงสัจนิยม
- ผู้เสนอ
- Ray Pawson (2005)
- ปี
- 2005
- ประเภท
- Framework
- กลุ่มวิธี
- Theory-Driven Synthesis
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การสังเคราะห์เชิงสัจนิยมเป็นวิธีการสังเคราะห์หลักฐานที่ขับเคลื่อนด้วยทฤษฎีและตีความ ซึ่งพัฒนาโดย Ray Pawson (2005) โดยมุ่งเน้นไปที่การทำความเข้าใจว่าการแทรกแซงทำงานอย่างไรและเพราะเหตุใด มากกว่าที่จะทำงานหรือไม่ การสังเคราะห์เชิงสัจนิยมซึ่งมีพื้นฐานมาจากปรัชญาสัจนิยม จะตรวจสอบการกำหนดค่าบริบท-กลไก-ผลลัพธ์ (Context-Mechanism-Outcome: CMO) กล่าวคือ สภาพบริบทเฉพาะกระตุ้นกลไกที่ก่อให้เกิดผลลัพธ์ได้อย่างไร แตกต่างจาก systematic review แบบดั้งเดิมที่มักจะตอบคำถามว่า 'การแทรกแซง X ช่วยลดผลลัพธ์ Y หรือไม่' การสังเคราะห์เชิงสัจนิยมจะถามว่า 'ภายใต้เงื่อนไขใด ผ่านกลไกใด สำหรับประชากรกลุ่มใดที่ X ได้ผล' แนวทางนี้มีคุณค่าอย่างยิ่งสำหรับการแทรกแซงที่ซับซ้อน (นโยบาย โครงการ การรักษาแบบหลายองค์ประกอบ) ซึ่งประสิทธิผลแตกต่างกันอย่างมากในแต่ละบริบท และสำหรับการทำความเข้าใจว่าเหตุใดการแทรกแซงจึงประสบความสำเร็จในบางสถานการณ์แต่ล้มเหลวในสถานการณ์อื่น
แนวคิดเบื้องหลังวิธีการ
การสังเคราะห์หลักฐานแบบดั้งเดิมมักสรุปว่า 'ยา X ช่วยลดภาวะซึมเศร้าในผู้ใหญ่' โดยอาศัยการวิเคราะห์อภิมาน (meta-analysis) จากการทดลองแบบสุ่มและมีกลุ่มควบคุม (RCTs) แต่หลักฐานการนำไปปฏิบัติแสดงให้เห็นว่ายาได้ผลดีเยี่ยมในบางคลินิกและล้มเหลวในคลินิกอื่น เหตุใดจึงเป็นเช่นนั้น? การสังเคราะห์เชิงสัจนิยมกล่าวว่า: ผลลัพธ์ขึ้นอยู่ไม่เพียงแค่การแทรกแซงเท่านั้น แต่ยังรวมถึงบริบท (ความพร้อมของการดูแลโดยจิตแพทย์ สถานะทางเศรษฐกิจและสังคมของผู้ป่วย ศักยภาพของระบบการดูแลสุขภาพ) ที่กระตุ้นกลไกเฉพาะ (ผลข้างเคียงที่ผู้ป่วยแต่ละรายทนได้แตกต่างกัน การยึดติดกับการรักษาที่ได้รับอิทธิพลจากความเชื่อทางวัฒนธรรม ประสิทธิผลขึ้นอยู่กับการจับคู่ผู้ป่วยกับยาเฉพาะตามรูปแบบการตอบสนองก่อนหน้า) การสังเคราะห์เชิงสัจนิยมเปรียบเสมือนการสืบสวน: เป็นการสังเคราะห์หลักฐานเพื่อสร้างทฤษฎีเชิงสาเหตุว่าอะไรทำให้การแทรกแซงได้ผลในบริบทใด ทฤษฎีนี้มีประโยชน์มากกว่า 'ใช่ มันได้ผล' อย่างแน่นอน สำหรับนโยบายและการปฏิบัติ เพราะเป็นการระบุเงื่อนไขที่การนำไปปฏิบัติจะสำเร็จหรือล้มเหลว
ประวัติศาสตร์
Ray Pawson พัฒนาการสังเคราะห์เชิงสัจนิยมในช่วงต้นทศวรรษ 2000 เพื่อวิพากษ์วิจารณ์ systematic review แบบทั่วไป เขาโต้แย้งว่า systematic review ที่มุ่งเน้นแคบๆ ไปที่ 'มันได้ผลหรือไม่?' พลาดข้อมูลเชิงลึกที่สำคัญเกี่ยวกับวิธีการทำงานและสำหรับใคร ปรัชญาสัจนิยมของ Pawson (มีพื้นฐานมาจาก critical realism) ตั้งสมมติฐานว่ากลไกเชิงสาเหตุมีอยู่จริงและสามารถค้นพบได้ผ่านการตรวจสอบเชิงประจักษ์ แต่กลไกเหล่านั้นทำงานภายในบริบทที่กำหนดการกระตุ้นและผลกระทบของพวกมัน Wong และเพื่อนร่วมงานที่ University of Toronto ได้พัฒนากระบวนการสังเคราะห์เชิงสัจนิยม โดยเฉพาะอย่างยิ่งสำหรับการวิจัยด้านสุขภาพและการนำไปปฏิบัติ Cochrane Collaboration ปัจจุบันยอมรับการสังเคราะห์เชิงสัจนิยมว่าเป็นระเบียบวิธีทบทวนที่ถูกต้อง ซึ่งเสริม systematic review เชิงปริมาณ การสังเคราะห์เชิงสัจนิยมได้รับความนิยมเพิ่มขึ้นในวิทยาศาสตร์การนำไปปฏิบัติ การวิจัยระบบสุขภาพ และการประเมินนโยบาย ซึ่งประสิทธิผลที่ขึ้นอยู่กับบริบทเป็นเรื่องปกติ
ควรใช้เมื่อใด
ใช้การสังเคราะห์เชิงสัจนิยมเมื่อ (1) คุณต้องการทำความเข้าใจว่าการแทรกแซงที่ซับซ้อนทำงานอย่างไรและเพราะเหตุใด ไม่ใช่แค่ว่ามันทำงานหรือไม่ (2) หลักฐานบ่งชี้ว่าประสิทธิผลของการแทรกแซงแตกต่างกันอย่างมากในแต่ละบริบทหรือประชากร (3) กลไกการเปลี่ยนแปลงไม่ชัดเจนและผู้มีส่วนได้ส่วนเสียต้องการข้อมูลเชิงลึกเกี่ยวกับเส้นทางสาเหตุ (4) คุณกำลังออกแบบหรือนำโปรแกรมไปปฏิบัติและต้องการทำความเข้าใจว่าเงื่อนไขใดที่เอื้อต่อความสำเร็จ (5) systematic review ก่อนหน้านี้สรุปว่า 'หลักฐานยังไม่ชัดเจน' และคุณต้องการทำความเข้าใจว่าทำไม หรือ (6) คุณมีเป้าหมายเพื่อระบุจุดคานงัดสำหรับการปรับปรุงนโยบายหรือการปฏิบัติ (เช่น แง่มุมใดของบริบทที่ต้องเปลี่ยนแปลงเพื่อเปิดใช้งานความสำเร็จของการแทรกแซง) การประยุกต์ใช้ทั่วไป ได้แก่ วิทยาศาสตร์การนำไปปฏิบัติ การเสริมสร้างความเข้มแข็งของระบบสุขภาพ นโยบายการศึกษา โปรแกรมยุติธรรมทางอาญา และการแทรกแซงทางสังคมที่ซับซ้อน
ข้อจำกัดและข้อควรพิจารณา
- ต้องใช้ความรู้เชิงเนื้อหาอย่างลึกซึ้งและความซับซ้อนทางทฤษฎี การสังเคราะห์เชิงสัจนิยมไม่ใช่รายการตรวจสอบที่ตรงไปตรงมา แต่ต้องอาศัยการตัดสินใจเกี่ยวกับกลไกและทฤษฎีเชิงสาเหตุ
- มีความเป็นการตีความมากกว่า systematic review เชิงปริมาณ โดยนำเสนอความเป็นอัตวิสัย ผู้ทบทวนที่แตกต่างกันอาจสร้างทฤษฎีที่แตกต่างกันจากหลักฐานเดียวกัน ความโปร่งใสและการมีส่วนร่วมของผู้มีส่วนได้ส่วนเสียช่วยลดความเสี่ยงนี้ แต่ไม่สามารถขจัดออกไปได้ทั้งหมด
- เกณฑ์การคัดเลือกมีความยืดหยุ่นมากกว่า systematic review แบบดั้งเดิม (รวมการศึกษาหลากหลายประเภท บางประเภทมีคุณภาพต่ำกว่า) การศึกษาจะถูกตัดสินตามความเกี่ยวข้องกับทฤษฎีโปรแกรม ไม่ใช่เกณฑ์การคัดเลือกที่เป็นมาตรฐาน สิ่งนี้อาจนำไปสู่ข้อมูลที่ไม่เข้มงวดหากไม่ได้รับการจัดการอย่างระมัดระวัง
- ใช้เวลานานและต้องใช้ทรัพยากรมากเนื่องจากกระบวนการที่ทำซ้ำและความจำเป็นในการทำความเข้าใจกลไกอย่างลึกซึ้ง อาจไม่สามารถทำได้ภายใต้กรอบเวลาที่จำกัด
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จัดการกับความซับซ้อนอย่างชัดเจน: ยอมรับว่าผลกระทบของการแทรกแซงขึ้นอยู่กับบริบทและกลไก ไม่ใช่แค่ส่วนประกอบของการแทรกแซงเท่านั้น
- สังเคราะห์หลักฐานที่หลากหลาย: RCTs ให้ข้อมูลเกี่ยวกับประสิทธิผล การศึกษาเชิงคุณภาพให้ข้อมูลเชิงลึกเกี่ยวกับกลไก การวิจัยการนำไปปฏิบัติเผยให้เห็นอุปสรรคของบริบท ทั้งหมดนี้มีส่วนช่วยในการทำความเข้าใจ
- สร้างทฤษฎีที่นำไปปฏิบัติได้: แทนที่จะเป็น 'โปรแกรมนี้ได้ผล (p <0.05)' การสังเคราะห์จะสร้าง 'โปรแกรมนี้ได้ผลเมื่อเป็นไปตามเงื่อนไข X, Y, Z; กลไกคือ A, B, C; ในบริบทอื่น กลไกจะถูกปิดกั้นโดยอุปสรรค 1, 2, 3'
- เป็นกระบวนการที่ทำซ้ำและสะท้อนคิด: ทฤษฎีมีการพัฒนาเมื่อมีการตรวจสอบหลักฐาน ผู้วิจัยยังคงโปร่งใสเกี่ยวกับวิธีที่ทฤษฎีเปลี่ยนแปลงระหว่างการสังเคราะห์
- มีประสิทธิภาพอย่างยิ่งในการอธิบายความแตกต่างหลากหลาย: หากการศึกษาแสดงผลลัพธ์ที่แตกต่างกัน การสังเคราะห์เชิงสัจนิยมจะถามว่าทำไม (ความแตกต่างของบริบท/กลไก) แทนที่จะปฏิบัติต่อความแตกต่างหลากหลายว่าเป็นสิ่งรบกวน
การประยุกต์ใช้
- การวิจัยการนำไปปฏิบัติ: การทำความเข้าใจว่าเหตุใดการแทรกแซงทางคลินิกที่นำมาใช้ในโรงพยาบาลแห่งหนึ่งจึงประสบความสำเร็จ ในขณะที่การแทรกแซงเดียวกันนั้นล้มเหลวในอีกแห่งหนึ่ง การสังเคราะห์เชิงสัจนิยมระบุปัจจัยบริบทและกลไกที่เอื้อต่อความสำเร็จ
- การเสริมสร้างความเข้มแข็งของระบบสุขภาพ: การประเมินการแทรกแซงนโยบายที่ซับซ้อน (เช่น การปรับโครงสร้างการดูแลปฐมภูมิ การนำระบบ telemedicine มาใช้) โดยการตรวจสอบการกำหนดค่า CMO ในสภาพแวดล้อมการดูแลสุขภาพที่แตกต่างกัน
- โปรแกรมการศึกษาและการฝึกอบรม: การสังเคราะห์หลักฐานเกี่ยวกับโปรแกรมฝึกอบรมครูที่ดีที่สุดทำงานอย่างไร ในบริบทของโรงเรียนใด ผ่านกลไกใด (เช่น ความรู้และทักษะของครูที่เพิ่มขึ้น การสนับสนุนจากผู้บริหารโรงเรียน ความพร้อมของทรัพยากร)
- การแทรกแซงทางสังคม: การทำความเข้าใจกลไกที่โปรแกรมเจ้าหน้าที่สาธารณสุขชุมชนช่วยลดอัตราการตายของมารดา กลไกขึ้นอยู่กับความไว้วางใจ บริบททางวัฒนธรรม เส้นทางการส่งต่อ
- โปรแกรมยุติธรรมทางอาญา: การสังเคราะห์หลักฐานเกี่ยวกับโปรแกรมลดการกระทำผิดซ้ำ โดยตรวจสอบว่าบริบท (การฝึกอบรมเจ้าหน้าที่ แรงจูงใจของผู้เข้าร่วม การสนับสนุนการกลับคืนสู่สังคม) และกลไก (การเปลี่ยนแปลงทางปัญญา การสนับสนุนทางสังคม การจ้างงาน) มีปฏิสัมพันธ์กันอย่างไร
วิธีการทำงาน
วิธีการทำงาน
กำหนดคำถามวิจัยของคุณในแง่ของสิ่งที่ได้ผลสำหรับใคร ในสถานการณ์ใด และอย่างไร: 'กลไกใดอธิบายว่าทำไมการบำบัดด้วยการปรับเปลี่ยนความคิดและพฤติกรรม (cognitive behavioral therapy: CBT) สำหรับภาวะซึมเศร้าจึงได้ผลดีกับผู้ป่วยบางรายมากกว่ารายอื่น? ภายใต้เงื่อนไขใดที่การมีส่วนร่วมในการบำบัด CBT เพิ่มขึ้น และกลไกเหล่านี้มีปฏิสัมพันธ์กับบริบทของผู้ป่วย/ผู้ให้บริการ/องค์กรอย่างไร?' พัฒนาทฤษฎีโปรแกรมเบื้องต้น ซึ่งเป็นการอธิบายว่าคุณคาดหวังว่าการแทรกแซงจะทำงานอย่างไร โดยอาศัยวรรณกรรม การปรึกษาหารือกับผู้มีส่วนได้ส่วนเสีย และแบบจำลองเชิงตรรกะ ทฤษฎีนี้มีลักษณะคล้ายสมมติฐาน แต่มีพื้นฐานมาจากความรู้ที่จับต้องได้ ไม่ใช่แค่การคาดเดา ดำเนินการค้นหาอย่างเป็นระบบ (คล้ายกับ systematic review แบบดั้งเดิม) สำหรับหลักฐานเกี่ยวกับการแทรกแซง แต่ให้ขอบเขตการค้นหาที่กว้างขึ้น: รวมถึง RCTs การศึกษาเชิงสังเกต การวิจัยการนำไปปฏิบัติ การศึกษาเชิงคุณภาพ และการประเมินผลเชิงสัจนิยมที่ให้ข้อมูลเชิงลึกเกี่ยวกับกลไกและผลกระทบของบริบท คัดกรองการศึกษาเพื่อความเกี่ยวข้องกับทฤษฎีโปรแกรมของคุณ (การศึกษานี้เกี่ยวข้องกับกลไกหรือบริบทในทฤษฎีของคุณหรือไม่?) แตกต่างจาก systematic review แบบดั้งเดิม การสังเคราะห์เชิงสัจนิยมเป็นกระบวนการที่ทำซ้ำ: เมื่อคุณดึงข้อมูล ความเข้าใจของคุณเกี่ยวกับกลไกและบริบทอาจเปลี่ยนแปลงไป และคุณอาจค้นหาการศึกษาเพิ่มเติมที่เกี่ยวข้องกับทฤษฎีที่ปรับปรุงแล้ว
ดึงข้อมูลจากการศึกษาที่รวมอยู่ โดยเน้นที่การกำหนดค่า CMO: คุณลักษณะบริบท (ลักษณะผู้ป่วย ปัจจัยผู้ให้บริการ สภาพแวดล้อมองค์กร สภาพแวดล้อมนโยบาย บริบททางวัฒนธรรม) คืออะไร? กลไก (กระบวนการทางปัญญา พฤติกรรม สังคม องค์กร) ที่ถูกกระตุ้นคืออะไร? ผลลัพธ์ที่ได้คืออะไร? สร้างตารางที่จับคู่บริบทกับกลไกกับผลลัพธ์ มองหารูปแบบ: กลไกบางอย่างทำงานในบริบทบางอย่างหรือไม่? ผลลัพธ์แตกต่างกันอย่างคาดการณ์ได้หรือไม่ โดยขึ้นอยู่กับการผสมผสานระหว่างบริบทและกลไก? สังเคราะห์หลักฐานตามหัวข้อ โดยจัดระเบียบตามกลไกและบริบทที่สำคัญ ตัวอย่างเช่น: 'กลไกที่ 1: การยึดติดกับการรักษา (Therapeutic Adherence) ขึ้นอยู่กับบริบท (ผู้ป่วยสูงอายุ ที่อยู่อาศัยมั่นคง ประสบความสำเร็จในการบำบัดก่อนหน้า); เมื่อบริบทนี้กระตุ้นกลไกนี้ ผลลัพธ์คือการมีส่วนร่วมอย่างต่อเนื่อง ในทางตรงกันข้าม กลไกที่ 2: ผลข้างเคียงในผู้ป่วยที่มีภาวะร่วมกันบั่นทอนการยึดติดกับการรักษา แม้ว่าบริบทจะเอื้ออำนวยก็ตาม' ปรับปรุงทฤษฎีโปรแกรมของคุณเมื่อหลักฐานสะสม: ปรับปรุงการกำหนดค่า CMO ที่ตั้งสมมติฐาน ทิ้งกลไกที่ไม่ได้รับการสนับสนุนจากหลักฐาน และขยายกลไกที่ได้รับการสนับสนุนจากการศึกษาหลายชิ้น บันทึกข้อสมมติฐาน: แง่มุมใดของทฤษฎีที่ยังคงเป็นการคาดเดา (ไม่ได้รับการสนับสนุนจากหลักฐานที่รวมอยู่) เทียบกับหลักฐานที่แข็งแกร่ง
นำเสนอทฤษฎีโปรแกรมที่ปรับปรุงแล้วในรูปของการกำหนดค่า CMO ที่ปรับปรุงแล้ว: ข้อความที่ชัดเจนและทดสอบได้เกี่ยวกับวิธีการทำงานของการแทรกแซงในบริบทใด ตัวอย่าง: 'การบำบัดด้วยการปรับเปลี่ยนความคิดและพฤติกรรมสำหรับภาวะซึมเศร้ามีประสิทธิภาพเมื่อ: [บริบท: ผู้ป่วยมีภาวะซึมเศร้าปานกลาง มีเครือข่ายทางสังคมที่สนับสนุน สามารถเข้าถึงนักบำบัด CBT ที่ผ่านการฝึกอบรม] กระตุ้น [กลไก: การปรับเปลี่ยนความคิดเชิงลบ การกระตุ้นพฤติกรรมเพื่อเพิ่มการเสริมแรงเชิงบวก] ก่อให้เกิด [ผลลัพธ์: การลดลงของอาการซึมเศร้าอย่างต่อเนื่อง] อย่างไรก็ตาม เมื่อ [บริบท: ภาวะซึมเศร้าอย่างรุนแรงพร้อมความคิดฆ่าตัวตาย ที่อยู่อาศัยไม่มั่นคง ไม่สามารถหานักบำบัดได้] กลไกอาจถูกปิดกั้นหรือถูกหักล้างโดย [บริบท: ความเครียดจากสิ่งแวดล้อมที่รุนแรง ความสามารถทางปัญญาในการทำงานเชิงความคิดมีจำกัด การขาดความต่อเนื่องในการรักษา] และผลลัพธ์อาจไม่ดี' ใช้หลักฐานจากการศึกษาทุกประเภทเพื่อสร้างทฤษฎีนี้: ข้อมูล RCT ชี้ให้เห็นว่าอะไรได้ผลโดยเฉลี่ย การศึกษาเชิงคุณภาพอธิบายว่าทำไม การวิจัยการนำไปปฏิบัติเผยให้เห็นอุปสรรคของบริบท รายงานความเชื่อมั่นในการกำหนดค่า CMO ต่างๆ: การกำหนดค่าใดได้รับการสนับสนุนอย่างดีจากการศึกษาหลายประเภท และการกำหนดค่าใดที่ยังคงเป็นการคาดการณ์? อภิปรายนัยยะ: สำหรับผู้ปฏิบัติงาน ให้ระบุเงื่อนไขที่มีแนวโน้มที่จะสนับสนุนความสำเร็จ สำหรับนโยบาย ให้ระบุการลงทุนหรือการเปลี่ยนแปลงที่จำเป็นเพื่อกระตุ้นกลไกที่สำคัญ
ข้อผิดพลาดที่พบบ่อย
- การบังคับใช้ทฤษฎีที่กำหนดไว้ล่วงหน้าอย่างไม่วิพากษ์วิจารณ์ การสังเคราะห์เชิงสัจนิยมควรเป็นกระบวนการที่ทำซ้ำและตอบสนองต่อข้อมูล ไม่ใช่ยึดติดกับทฤษฎีเริ่มต้น เตรียมพร้อมที่จะทิ้งหรือปรับปรุงการกำหนดค่า CMO เริ่มต้นอย่างมีนัยสำคัญหากหลักฐานขัดแย้ง
- การรวมการศึกษาที่มีคุณภาพระเบียบวิธีต่ำโดยไม่ยอมรับข้อจำกัด เพียงเพราะมีการรวมหลักฐานที่หลากหลาย ไม่ได้หมายความว่าการศึกษาทั้งหมดมีความน่าเชื่อถือเท่ากัน ให้พิจารณาคุณภาพของหลักฐานอย่างชัดเจน
- การกล่าวอ้างเกินจริงถึงพลังในการอธิบายของทฤษฎีที่ปรับปรุงแล้ว การสังเคราะห์เชิงสัจนิยมสร้างทฤษฎีที่เป็นไปได้ซึ่งมีพื้นฐานมาจากหลักฐาน แต่ไม่ได้ 'พิสูจน์' กลไก ยอมรับความไม่แน่นอนที่ยังคงอยู่ โดยเฉพาะอย่างยิ่งเกี่ยวกับกลไกที่ไม่มีการนำเสนออย่างเพียงพอในวรรณกรรมที่มีอยู่
- การละเลยหลักฐานเชิงปริมาณ การสังเคราะห์เชิงสัจนิยมให้คุณค่ากับข้อมูลเชิงลึกเชิงคุณภาพเกี่ยวกับกลไก แต่หลักฐานเชิงปริมาณ (จากการทดลอง การสำรวจ) เกี่ยวกับขนาดผลกระทบและลักษณะของประชากรก็มีความสำคัญเท่าเทียมกัน สร้างสมดุลระหว่างความลึกของการทำความเข้าใจกลไกกับความกว้างของหลักฐานผลลัพธ์
คำถามที่พบบ่อย
การสังเคราะห์เชิงสัจนิยมแตกต่างจาก traditional systematic review อย่างไร?
Traditional systematic review ถามว่า 'การแทรกแซงได้ผลหรือไม่?' และสังเคราะห์หลักฐานเชิงปริมาณ โดยมีเป้าหมายเพื่อประมาณค่าผลรวมเดียว การสังเคราะห์เชิงสัจนิยมถามว่า 'มันทำงานอย่างไรและเพราะเหตุใด สำหรับใคร ในสถานการณ์ใด?' และสังเคราะห์หลักฐานที่หลากหลายแบบทำซ้ำเพื่อสร้างทฤษฎีเชิงสาเหตุ (การกำหนดค่า CMO) traditional review ใช้เกณฑ์การคัดเลือกที่เข้มงวดและประเมินคุณภาพการศึกษาอย่างสม่ำเสมอ realist review รวมการศึกษาที่หลากหลายซึ่งถูกตัดสินตามความเกี่ยวข้องกับการทำความเข้าใจกลไกและบริบท ทั้งสองวิธีมีความเป็นระบบและโปร่งใส แต่การสังเคราะห์เชิงสัจนิยมเน้นทฤษฎีและตีความมากกว่า
การกำหนดค่า CMO คืออะไร และฉันจะพัฒนาได้อย่างไร?
CMO ย่อมาจาก Context-Mechanism-Outcome การกำหนดค่าคือข้อเรียกร้องเชิงสาเหตุ: 'ในบริบท X (เงื่อนไขเฉพาะของผู้ป่วย ผู้ให้บริการ องค์กร สังคม) กลไก M (กระบวนการเชิงสาเหตุ) ถูกกระตุ้น ก่อให้เกิดผลลัพธ์ O' ตัวอย่าง: 'ในบริบทของนักบำบัดที่มีประสบการณ์และได้รับการกำกับดูแลซึ่งทำงานร่วมกับผู้ป่วยที่มีแรงจูงใจในคลินิกที่มีทรัพยากรเพียงพอ กลไกของการปรับเปลี่ยนความคิดเชิงถูกกระตุ้น ก่อให้เกิดการลดลงของความวิตกกังวลอย่างต่อเนื่อง' พัฒนาการกำหนดค่าโดยการสังเคราะห์หลักฐาน: ใช้ RCTs และการศึกษาเชิงสังเกตเพื่อระบุผลลัพธ์ การศึกษาเชิงคุณภาพและการนำไปปฏิบัติเพื่อระบุกลไก และเปรียบเทียบระหว่างการศึกษาเพื่อระบุความแตกต่างของบริบท
ฉันสามารถรวมการศึกษาคุณภาพต่ำในการสังเคราะห์เชิงสัจนิยมได้หรือไม่?
ได้ การสังเคราะห์เชิงสัจนิยมรวมการศึกษาและระดับคุณภาพที่หลากหลายหากเกี่ยวข้องกับการทำความเข้าใจกลไกและบริบท อย่างไรก็ตาม ให้ยอมรับคุณภาพ: สำหรับคำถามเกี่ยวกับขนาดผลกระทบ ให้จัดลำดับความสำคัญของ RCTs และการศึกษาเชิงสังเกตที่แข็งแกร่ง สำหรับการทำความเข้าใจกลไก การศึกษาเชิงคุณภาพและการนำไปปฏิบัติมีคุณค่าแม้ว่าจะไม่ใช่ RCTs ก็ตาม ให้ประเมินคุณภาพอย่างชัดเจนและให้น้ำหนักการตีความของคุณตามนั้น
ฉันจะสร้างสมดุลระหว่างการพัฒนาทฤษฎีกับหลักฐานเชิงประจักษ์ได้อย่างไร?
เริ่มต้นด้วยทฤษฎีโปรแกรมเบื้องต้นตามความรู้เชิงเนื้อหา จากนั้นปรับปรุงอย่างต่อเนื่องเมื่อหลักฐานปรากฏขึ้น อย่าบังคับหลักฐานให้เข้ากับทฤษฎีที่กำหนดไว้ล่วงหน้า จงเตรียมพร้อมที่จะปรับปรุงอย่างมีนัยสำคัญ แยกแยะระหว่าง: (1) กลไกที่ได้รับการสนับสนุนอย่างดีจากการศึกษาหลายชิ้น (อธิบายว่าเป็นที่ยอมรับ); (2) กลไกที่ได้รับการสนับสนุนจากการศึกษาหนึ่งหรือสองชิ้น (อธิบายว่าน่าจะเป็นไปได้); (3) แง่มุมของทฤษฎีที่ไม่ได้กล่าวถึงในวรรณกรรม (อธิบายว่าเป็นการคาดเดา) ความโปร่งใสนี้ช่วยให้ผู้อ่านประเมินความน่าเชื่อถือของทฤษฎีได้
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Pawson, R., Greenhalgh, T., Harvey, G., & Walshe, K. (2005). Realist review—a new method of systematic review designed for complex policy and programme evaluation. Journal of Health Services Research & Policy, 10(S1), 21–35.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วPawson, R. (2013). The Science of Evaluation: A Realist Manifesto. SAGE Publications.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วWong, G., Westhorp, G., Pawson, R., & Greenhalgh, T. (2013). Realist synthesis: Introduction and some practical guidance. Cochrane Database of Systematic Reviews, 12, CD012032.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว