S ta n is la v F a jg e lj
METODE ISTRAŽIVANJA PONAŠANJA II d o p u n je n o iz d a n je
CENTAR ZA PRIMENJENU PSIHOLOGIJU BEOGRAD 2005
Prof. dr Stanislav Fajgelj M E T O D E IS T R A Ž IV A N JA PO N A ŠA N JA Dmgo dopunjeno izdanje, 2005. godine
Recenzenti Prof. dr Lajoš Genc Prof. dr Dejan Todorović Izdavač Centar za primenjenu psihologiju Beograd, Đušina br. 7/III tel./faks: 011/3239-685 Za izdavača Duško Babić Likovno rešenje korica Dragana Božić Lektor i korektor Milorad Rikalo Grafičko iiređenje i računarski slog Stanislav Fajgelj Stampa: Centar za primenjenu psihologiju, Beograd Format: 17 x 24 cm Tiraž: 500
P R E D G O V O R D R U G O M IZDANJU Ova knjiga je, sticajem okolnosti, imala relativno dugu predistoriju: od „Priručnika za socijalna istraživanja”, preko nekoliko verzija skripti do prvog izdanja. Svako prethodno izdanje bilo je jedno novo iskustvo koje mi je pomagalo da priredim sledeće. Sada, otprilike godinu dana nakon pojavljivanja prvog izdanja, novo izdanje bilo je lepa prilika i povod da nastavim sa poboljšavanjem teksta. Prilično neočekivano, prvi izvor smemica za poboljšanje teksta bila je moja tekuća praksa univerzitetskog nastavnika metodologije. Pokazalo se, naime, da kada koristite knjigu za sastavljanje testova znanja za kolokvijume i ispite, kristalno jasno uočavate koje su teme bitne, a koje nebitne i koji delovi teksta su jasni, a koji nisu. Ako neko poglavlje ne možete jednostavno da pretočite u ispitno pitanje, onda je ono verovatno konfuzno napisano. Drugi izvor smemica su bili recenzenti, referenti na javnoj promociji knjige, pisci prikaza i druge kolege, iz struke, čija sam zapažanja u većini usvojio, sa zadovoljstvom, a ona koja nisam usvojio to je bilo više iz praktičnih, nego načelnih razloga. Svaka se stvar može napraviti na više načina, a pogotovo knjiga ovog obima. Smatrao sam da moj cilj nije da objedinjujem sve te načine, jer je to nemoguće, nego da usvojim jedan način i da ga sprovedem dosledno i celovito. Neka to bude opšti odgovor čitaocima koji se pitaju zašto u knjizi nečega nema, zašto ga ima premalo, ili ga ima previše. U čemu je drugo izdanje različito od prvog? Svuda u tekstu se mogu naći doterani pasusi i rečenice, u smislu bolje čitljivosti i jasnijeg izraza. To je onaj minimum koji sam, kao autor, dugovao čitaocima. Pored toga, u svim glavama je bilo i krupnijih izmena teksta. Većina takvih izmena se odnosila na novi način prezentiranja odredene tematike i uvrštavanja novih činjenica ili novih primera. Primer jedne takve krupne izmene je uvodenje posebnog poglavlja o analizi kvalitativnih podataka, u kome sam objedinio materiju koja se nesistematski ponavljala na više mesta u knjizi (npr. u intervjuu, analizi sadržaja, utemeljenoj teoriji i sl.). Dodat je izvestan broj eksperimentalnih nacrta i drugih tipova istraživanja. Poglavlje o utemeljenoj teoriji prerađeno je tako da bude okosnica „kvalitativne paradigme”, barem u ovom tekstu. Poglavlja o analizi sadržaja i analizi socijalnih mreža (sociometriji) pretrpela su značajne izmene. Dopunjeno je poglavlje o neposrednom posmatranju, kao i mnoga druga poglavlja. Dodato je nekoliko spiskova sa praktičnim uputstvima i sugestijama, kao što je, na primer, spisak poželjnih osobina kod istraživača. Dodat je izvestan broj primera, manje nego što ih ima u nekim drugim sličnim knjigama, ali dovoljno. Da se obim knjige ne bi značajno
uvećao nakon pomenutih dopuna, neka poglavlja su učinjena sažetijim, kao na primer cela glava o uzorkovanju. Mnogi delovi teksta su pronienili mesto, a mnoga poglavlja su promenila naslove. Time je, po mom uverenju povećana logička koherentnost teksta. U svemu tome bilo je vrlo malo izmena u značenju i faktografiji, pa prvo i drugo izdanje nisu međusobno posvađani. Svaki naučni projekt, bilo da je empirijsko istraživanje ili pisanje knjige o istraživanjima, ima jednu te istu konačnu fazu. Ta konačna faza su čitaoci. Čitaoci su za knjigu od najveće važnosti i neko može da se pita zašto ta faza nije obrađena u knjizi, kao posebno poglavlje. Zato što to poglavlje pišu sami čitaoci, onda kada knjiga izade u svet i kada više nije u vlasti autora. Meni, kao i svakom autoru, ostaje da se nadam da će to biti jedno lepo i uspešno poglavlje.
Beograd, oktobar 2005.
Autor
SADRZAJ
U V O D U I S T R A Z I V A N J E P O N A S A N J A .................................... 15 A. Namena i koncepcija knjige .............................................................. 15 B. Šta je istraživanje u naukama o ponašanju ...................................... 16 1. Sta su društvene n a u k e .............................................................. 17 2. Naučno istraživanje ponašanja................................................. 18 3. Neka važna pitanja istraživanja ponašanja ...........................21 C. Epistemološke osnove istraživanja ponašanja................................. 25 1. Š taje epistemologija ................................................................ 25 2. Osnovni ciljevi epistemologije ...............................................26 3. Osnovni epistemološki p rin c ip i...............................................26 4. Šta je naučni metod ...................................................................32 5. Š ta je n a u k a ................................................................................ 35 6. Š taje is tin a .................................................................................. 38 7. Osnovni elementi naučnog saznanja ......................................40 8. Problem uzročnosti ...................................................................51 9. Objašnjenje i razum evanje....................................................... 58 D. Individualne raz lik e ..............! ..............................................................60 1. Slučajnost i determinizarn - istorijski u v o d ...........................61 2. Šta je verovatnoća i u kakvoj je vezi sa slučajem ................62 3. Slučaj i praksa ............................................................................64 4. Slučajnost, saznanje i m e re n je .................................................66 5. Slučajnost i razvoj je d in k e ........................................................67 6. Paradoksi slučajnosti ................................................................ 69 7. Izvori individualnih razlika ..................................................... 71 8. Greške merenja ......................................................................... 75 9. Analiza individualnih ra z lik a ...................................................77 10. Slučaj i veze između pojava - ko relacija............................... 79 E. Teorija m e re n ja .....................................................................................81
1. Pretpostavka kvantitativnog sv o jstv a......................................82 2. Uspostavljanje povezanosti između sveta i z n a k o v a ........... 83 3. Prvi i drugi Campbellov zakon merenja ............................... 84 4. Fundamentalno i izvedeno m e re n je ........................................ 86 5. Problem aditivnosti ...................................................................87 6. Kombinovano m eren je.............................................................. 88 7. Merenje, skaliranje i nivoi m e re n ja ........................................90 8. Zaključci o fonnalnoj teoriji merenja ....................................95 9. Kako se dokazuje da je svojstvo merljivo .............................97 10. „Praktična” teorija merenja ..................................................... 98 11. Problem usklađivanja statističkih tehnika i istraživačkih p o d atak a.......................................................................................99 II.
O S N O V N I E L E M E N T I E M P IR IJ S K O G I S T R A Ž IV A N J A P O N A Š A N J A ......................................................................................... 111 A. Teorijski okvir istra živ a n ja.............................................................. 111 1. Izbor teorijske perspektive..................................................... 111 2. Koje perspektive postoje ........................................................ 112 3. Izbor opšteg pristupa istraživanju ........................................ 117 4. Izbor strukture istraživanja i istraživačkih metoda ........... 125 5. Na osnovu čega se vrši iz b o r ................................................. 126 B. Varijabla .............................................................................................. 130 1. Entiteti i a trib u ti....................................................................... .130 2. Od entiteta i atributa do ispitanika i v arijab li...................... .131 3. Varijable i merenje ponašanja ................................................134 4. Manifestne i latentne v arijab le....................................135 5. Kvantifikatorska i strukturalna uloga varijabli ...................137 6. Osobine i stanja ....................................................................... .138 7. Varijable u empirijskom istraživ an ju................................... .139 8. Nezavisne i zavisne v arijab le..................................................142 9. Aktivne i deskriptivne v arijab le............................................ .144 10. Moderatorske i medijatorske v arijab le................................. .147 11. Osnovna matriea p o d atak a..................................................... .150 C. Problem i cilj istra ž iv a n ja ..................................................................157 1. Izvori id e ja ................................................................................ .157 2. Problem istraživanja..................................................................160 3. Cilj istraživanja ....................................................................... .162 D. Istraživanje u b ib lio te c i......................................................................163 E. Hipoteze i istraživačka pitanja .........................................................170 1. Da li su hipoteze uvek p o treb n e............................................ .172 F. Struktura, projekt i p r e d lo g .............................................................. .173 G. Validnost istraživanja ....................................................................... .178 1. Intema validnost....................................................................... 178 2. Ekstema validnost ................................................................... 184
H. III.
3. Konstruktivna v alid n o st..........................................................186 Neki primeri istraživanja sa niskom v a lid n o šć u ........................... 187
V R S T E I S T R A Ž I V A N J A ................................................................ 190 A. Dodeljivanje objekata u g n ip e .......................................................... 191 1. Randomizacija o b jek ata.......................................................... 193 2. Tehnike jednačenja grupa ..................................................... 196 3. Dodeljivanje u nacrtu sa ponovljenim m e ren jim a............. 198 B. Eksperimentalno istraživanje ..........................................................201 1. Šta se podrazumeva pod manipulacijom i kontrolom . . . .' 204 2. Osnovni eksperimentalni n a c rt...............................................206 3. Značaj poređenja u istraživanju.............................................208 4. Smisao kontrolne grupe i pretesta ........................................ 209 5. Kontrola varijanse kao opšti istraživački z a d a ta k ............. 210 6. Pogrešni eksperimentalni n a c rti.............................................213 7. Ostali eksperimentalni n a c r ti................................................. 215 8. Nacrt analize kovarijanse........................................................218 9. Složeni eksperimentalni n a c rti...............................................218 10. Nacrti sa ponovljenim merenjima ........................................ 222 C. Kvazi-eksperimentalno istraživanje ...............................................225 1. Nacrt sa neekvivalentnom kontrolnom g ru p o m ..................227 2. Nacrt prekinutih vremenskih serija ......................................228 D. Laboratorijski i terenski eksperiment ............................................ 229 1. Prirodni eksperiment .............................................................. 234 2. Multivarijatni eksperim ent..................................................... 234 E. Neeksperimentalno istraživanje ..................................................... 236 1. Zaključci o razlici eksperimentalnih i neeksperinientalnih istraživ anja................................................................................ 239 2. Terensko istraživanje.............................................................. 240 F. Anketno istraživanje ......................................................................... 243" 1. Vrste anketnih istraživanja..................................................... 246 2. Računarski podržano anketiranje.......................................... 248 G. Korelaciono i strukturalno istraživanje.......................................... 252 1. Predikcija i uzročnost.............................................................. 253 2. Strukturahio istraživanje ........................................................255 H. Transferzalno i longitudinalno istraživanje................................... 255 1. Istraživanje kohorti ................................................................ 258 2. Retrospektivno istra živ a n je................................................... 259 I. Specijalna i namenska istra živ a n ja................................................. 260 1. Komparativna analiza i komparativne s tu d ije .................... 260 2. Pilot istraživanje....................................................................... 261 3. Akciono istraživanje .............................................................. 262 4. Evaluativno istraživanje..........................................................263 5. Mctodološka istraživ an ja....................................................... 266
1. Pretpostavka kvantitativnog sv o jstv a......................................82 2. Uspostavljanje povezanosti između sveta i z n a k o v a ........... 83 3. Prvi i drugi Campbellov zakon merenja ............................... 84 4. Fundamentalno i izvedeno m e re n je ........................................86 5. Problem aditivnosti ...................................................................87 6. Kombinovano m eren je.............................................................. 88 7. Merenje, skaliranje i nivoi m e re n ja ........................................ 90 8. Zaključci o formalnoj teoriji merenja ....................................95 9. Kako se dokazuje d aje svojstvo m e rljiv o .............................97 10. „Praktična” teorijam erenja ..................................................... 98 11. Problem usklađivanja statističkih tehnika i istraživačkih p o d atak a.......................................................................................99 II.
O S N O V N I E L E M E N T I E M P IR IJ S K O G IS T R A Ž IV A N J A P O N A Š A N J A ......................................................................................... 111 A. Teorijski okvir istraživ an ja.............................................................. 111 1. Izbor teorijske perspektive..................................................... .111 2. Koje perspektive postoje ....................................................... .112 3. Izbor opšteg pristupa istraživanju .........................................117 4. Izbor strukture istraživanja i istraživačkih metoda ........... .125 5. Na osnovu čega se vrši iz b o r ..................................................126 B. Varijabla ............................................................................................. .130 1. Entiteti i a trib u ti....................................................................... 130 2. Od entiteta i atributa do ispitanika i varijabli...................... 131 3. Varijable i merenje p o n a š a n ja ............................................... 134 4. Manifestne i latentne v arijab le............................... . . . 135 5. Kvantifikatorska i strukturalna uloga varijabli . . . .*......... 137 6. Osobine i stanja ....................................................................... 138 7. Varijable u empirijskom istraživanju.................................... 139 8. Nezavisne i zavisne v arijab le................................................. 142 9. Aktivne i deskriptivne v arijab le............................................ 144 10. Moderatorske i medijatorske v arijab le................................. 147 11. Osnovna matrica p o d atak a..................................................... 150 C. Problem i cilj istra živ a n ja................................................................ 157 1. Izvori id e ja ................................................................................ .157 2. Problem istraživanja................................................................ .160 3. Cilj istraživanja ....................................................................... .162 D. Istraživanje u b ib lio te c i......................................................................163 E. Hipoteze i istraživačka pitanja ....................................................... .170 1. Da li su hipoteze uvek p o treb n e............................................ .172 F. Struktura, projekt i p re d lo g .............................................................. .173 G. Validnost istraživanja ........................................................................178 1. Intema validnost....................................................................... 178 2. Ekstema validnost .................................................................. 184
H. III.
3. Konstruktivna v alid n o st.......................................................... 186 Neki primeri istraživanja sa niskom v a lid n o šć u ........................... 187
V R S T E I S T R A Ž I V A N J A ................................................................ 190 A. Dodeljivanje objekata u g ru p e ......................................................... 191 1. Randomizacija o b je k a ta ......................................................... 193 2. Tehnike jednačenja grupa ..................................................... 196 3. Dodeljivanje u nacrtu sa ponovljenim m e ren jim a............. 198 B. Eksperimentalno istraživanje ..........................................................201 1. Šta se podrazumeva pod manipulacijom i kontrolom . . . . 204 2. Osnovni eksperimentalni n a c rt...............................................206 3. Značaj poređenja u istraživanju ............................................ 208 4. Sniisao kontrolne grupe i pretesta ........................................209 5. Kontrola varijanse kao opšti istraživački z a d a ta k ............. 210 6. Pogrešni eksperimentalni n a c rti............................................ 213 7. Ostali eksperimentalni n a c r ti.................................................215 8. Nacrt analize kovarijanse....................................................... 218 9. Složeni eksperimentalni n a c rti...............................................218 10. Nacrti sa ponovljenim merenjima ........................................222 C. Kvazi-eksperimentalno istraživanje ...............................................225 1. Nacrt sa neekvivalentnom kontrolnom g ru p o m ..................227 2. Nacrt prekinutih vremenskih serija ......................................228 D. Laboratorijski i terenski eksperiment ............................................ 229 1. Prirodni eksperiment .............................................................. 234 2. Multivarijatni eksperim ent..................................................... 234 E. Neeksperimentalno istraživanje ..................................................... 236 1. Zaključci o razlici eksperimentalnih i neeksperimentalnih istraživ an ja................................................................................239 2. Terensko istraživ an je.............................................................. 240 F. Anketno istraživanje ......................................................................... 243 1. Vrste anketnih istraživanja..................................................... 246 2. Računarski podržano anketiranje.......................................... 248 G. Korelaciono i strukturalno istraživanje.......................................... 252 1. Predikcija i uzročnost.............................................................. 253 2. Strukturahio istraživanje ....................................................... 255 H. Transferzalno i longitudinalno istraživanje....................................255 1. Istraživanje kohorti ................................................................ 258 2. Retrospeklivno istraživ an je................................................... 259 I. Specijalna i namenska istra živ a n ja.................................................260 1. Komparativna analiza i komparativne studije ....................260 2. Pilot istraživanje.......................................................................261 3. Akciono istraživanje ..............................................................262 4. Evaluativno istraživanje......................................................... 263 5. Metodološka istraživ anja....................................................... 266
? J. K.
L.
IV.
6. Konstrukcija memih inslrum en ata........................................ 266 7. „Edukativno” i „pravo” istraživanje ....................................267 Studija s lu č a ja .....................................................................................269 1. Etnografsko i biografsko istraživanje ................................. 273 Utemeljena te o rija .............................................................................. 275 1. Gradnja utemeljenog teorijskog modela ............................. 278 2. Jedan potpuniji primer utemeljene teorije ...........................284 Meta-analiza ....................................................................................... 285 1. Veličina e f e k ta ..........................................................................287 2. Konibinovanje testova značajnosti........................................ 292 3. Kombinovanje ostalih tipova veličine efe k ta ...................... 293 4. Konverzije veličine e f e k ta ..................................................... 295 5. Koraci kvantitativne m e ta-an alize........................................ 297 6. Efekat fioke .............................................................................. 299 7. Kvalitativna meta-analiza ......................................................299
M ETO DE I TEHNIKE M ER EN JA ............................................ 301 A.
Kvantitativne i kvalitativne metode ...............................................302 1. Razlika u nivou merenja ........................................................302 2. Pitanje klasifikacije .................................................................303 3. Kvalitativna altemativa kvantitativnim metodama ........... 304 4. Interakcija, validnost i o b jek tiv n o st......................................306 5. Sličnosti i p rep litan ja .............................................................. 308 6. Završna zapažanja o razlici kvantitativnih i kvalitativnih metoda .......................................................................................309 7. Uvodni komentar 0 prikazanim metodama ........................ 310 B. Neposredno posm atranje...................................................................311 1. Posmatranje i merenje ............................................................ 311 2. Ko se i šta se posm atra............................................................ 312 3. Vrste neposrednog posm atran ja............................................ 313 4. Posmatrač - osnovni merni instrument p o sm atran ja.........314 5. Beleženje posmatranog .......................................................... 317 C. Učesničko posm atran je..................................................................... 321 D. Psihološko testiranje ..........................................................................324 1. Definicije te s t a ..........................................................................324 2. Vrste testova.............................................................................. 325 3. Delovi testa ..............................................................................327 4. Konstmkcija te sta ..................................................................... 329 5. Modeli merenja i teorije te sto v a............................................ 330 6. Mema svojstva stavki i testova ............................................ 332 7. Računarsko adaptivno testiranje .......................................... 334 8. Nekoliko opštih komentara o psihološkom testiranju . . . . 334 E. Skale procene .....................................................................................335 F. U p itn ik ..................................................................................................339
G. , Intervju .................................... ........................................................... .347 f H. / Fokus g ru p e ............................. ........................................................... 352 1. Praktična pitanja organizacije i sprovođenja fokus grupa . 354 2. Izvori ugrožavanja validnosti u fokus g rupam a..................358 3. Nedostaci fokus g r u p a ............................................................359 I. Analiza socijalne mreže i sociometrija .......................................... 360 J. Igranje uloga .......................................................................................365 K. i Analiza sadržaja ................................................................................ 367 1. Definicije analize s a d rž a ja ..................................................... 368 2. Analiza sadržaja - kvantitativna ili kvalitativna metoda ., 370 3. Sta se analizira u analizi sadržaja.......................................... 370 4. Osnovni elementi analize sad ržaja........................................ 374 5. Primena računara u analizi te k sta.......................................... 378 6. Analiza sadržaja audio i video zapisa ................................. 379 ! L. Narativna a n a liz a ................................................................................ 380 ij M. Kodiranje i analiza kvalitativnih podataka ................................... 382 \ / 1. Beleženje i snimanje .............................................................. 383 ^ 2. Transkripcija ............................................................................384 3. K ategorije.................................................................................. 385 4. K o d ira n je .................................................................................. 387 5. Usaglašavanje kodera i pouzdanost k o d iran ja .................... 389 6. Primena računara u analizi kvalitativnih podataka ........... 390 N. Analiza sekundamih podataka ....................................................... 393 O. Merenje stavova ................................................................................ 395 1. Metode merenja stavova ....................................................... 397 2. Skale s ta v o v a ............................................................................399 P. Pouzdanost m erenja............................................................................416 1. Tipovi pouzdanosti...................................................................417 2. Granične vrednosti koeficijentapouzdanosti...................... 420 Q. Valjanost m e re n ja ..............................................................................421 1. Tipovi valjanosti .....................................................................422 2. Neki izvori ugrožavanja validnosti merenja ...................... 425 3. Paradoks atenuacije .................................................................426 4. K olikaje validnost potrebna .................................................426 V.
S P R O V O Đ E N J E E M P I R I J S K I H I S T R A Ž I V A N J A ........... 428 A. Praktični problemi i moguća re š e n ja .............................................. 428 1. Tehnički i organizacioni p ro b lem i........................................429 2. Problemi sa saradnicima ....................................................... 430 3. Problemi sa ispitanicima ....................................................... 433 B. Etička p ita n ja .......................................................................................439 1. Moralan odnos prema istraživanju........................................439 2. Moralan odnos prema ispitanicima ......................................440 3. „Eksperiment Milgram” ..........................................................447
C.
V I.
Primena računara u istraživanju p o n ašan ja....................................450 1. Unos p o d a ta k a ......................................................................... 451 2. Kodeks š if a r a ............................................................................455 3. In te m e t.......................................................................................459 4. Trajnost resursa na Interaetu .................................................460 5. Baze podataka iz istraživanja-m etabaze ...........................461 6. Pisanje .......................................................................................462 7. Računari i merenje naučne produkcije................................. 465 8. Osnovni problemi primene računara u istraživanju p o n a š a n ja .................................................................................. 465
O S N O V I K V A N T I T A T I V N E A N A L I Z E P O D A T A K A . 467 A. Osnovni p o jm o v i................................................................................ 471 1. Populacija i u zo ra k ...................................................................471 2. Matematički jezik sta tistik e ................................................... 472 3. Devijacioni i standardizovani s k o ro v i................................. 474 4. Normalna distribucija.............................................................. 475 B. Deskriptivna statistik a....................................................................... 477 1. Parametri i statistici ................................................................ 478 2. Mere centralne tendencije ..................................................... 479 3. Mere varijabilnosti...................................................................482 4. Mere oblika distrib u cije..........................................................484 5. Standardne greške i intervali po v eren ja............................... 486 6. Kategorijalne v arijab le............................................................ 488 7. Neka dodatna pitanja u vezi deskriptivne statistik e........... 490 C. Korelacija i re g re sija ......................................................................... 492 1. Regresija .................................................................................. 492 2. K orelacija.................................................................................. 495 D. Višestruka regresija i višestruka k o relacija....................................498 E. Statistika zaključivanja-testiranje hipoteza ............................... 503 1. Statističke hipoteze .................................................................504 2. Verovatnoća testa i statistička značajnost ...........................507 3. Distribucije uzoraka ra z lik a ................................................... 510 4. Alternativna hipoteza i dvosmerno nasuprot jednosmemom testiranju ........................................................513 5. Dodatne napomene 0 testiranju h ip o te za.............................516 6. Sličnost korelacija i razlika ................................................... 519 F. Da li je testiranje značajnosti nulte hipoteze korisno ..................520 G. x ^ te s t.................................................................................................... 526 1. Tabele kontingencije .............................................................. 529 H. Grafičko prikazivanje rez u ltata........................................................535 1. Vrste grafikona i primeri ........................................................535 I. Primena računara u statističkoj obradi .......................................... 539 1. Statistička analiza u najopštijem sm islu ............................... 540
2.
Problem inteipretacije rezultata statističke obrade ........... 543
V II. U Z O R K O V A N J E .................................................................................. 546 A. Osnovni p o jm o v i................................................................................546 B. Osnovni principi iizorkovanja..........................................................550 C. Reprezentativnost uzorka ................................................................ 554 D. Veličina u z o r k a .................................................................................. 555 1. Kako odrediti potrebnu veličinu uzorka ............................. 559 2. Istraživanje cele populacije - p o p is ......................................564 3. Problem malih grupa-stratuma i problem retkih pojava .. 565 4. Reprezentativnost, veličina uzorka i korelacija između pojava ......................................................................... 566 5. „Dobrovoljačka greška” ..........................................................567 E. Slučajni ili probabilistički uzorci ...................................................568 1. Spisak p o p u lacije.....................................................................568 2. Prosto slučajno b ira n je ............................................................570 3. Sistematsko biranje sa jeđnakim verovatnoćam a............... 572 4. Stratifikovano shičajno biranje ............................................ 573 5. P onderisanje..............................................................................574 6. Klaster biranje ......................................................................... 577 7. Višeetapno b ira n je ...................................................................577 8. Slučajno biranje telefonskih brojeva ....................................580 F. Ncprobabilistički uzorci ...................................................................582 1. Prigodno b iran je....................................................................... 582 2. Namemo b iran je....................................................................... 583 3. Kvotni u zo rak ........................................................................... 585 4. Problemi k v o ta ......................................................................... 587 5. Mešovito biranje .....................................................................589 6. Neke opšte sugestije za neprobabihstičko uzorkovanje . . . 590 7. Neke posebne tehnike i modifikacije u z o ra k a ....................591 G. Poređenje probabiHstičkih i neprobabihstičkih u z o ra k a ............. 592 1. Svako uzorkovanje ima skrivene etape ............................... 592 2. Netačnost dokumentacije na osnovu koje se vrši uzorkovanje ..............................................................................593 3. Razlika planiranog od realizovanog u z o rk a ........................ 594 4. Usaglašenost formula i tipa uzorka ......................................595 5. Poredenje kvotnog i shičajnog u z o rk a ................................. 596 H. Upotreba računara u uzo rk o v an ju ................................................... 598 V III.
P IS A N J E I S T I ^ Ž I V A Č K I H I Z V E Š T A J A ........................ 600 1. Šta su naučne p u blikacije....................................................... 601 2. Vrste ra d o v a ..............................................................................604 B. Merenje naučne p ro d u k cije.............................................................. 607 1. Kvalitativni pokazatelji naučnih radova-recenzije .........609
C.
2. Kvalitativni pokazatelji naučnih č a so p isa .......................... 611 3. Kvantitativno ocenjivanje naučnog r a d a ............................ 612 4. Etička pravila pisanja.............................................................616 Pravila pisanja istraživačkih izveštaja............................................619 1. Elementi s t i l a ......................................................................... 619 2. Delovi i stmktura istraživačkih izveštaja............................ 620 3. Način citiranja i spisak literatiu-e......................................... 631 4. Pisanje teza i disertacija........................................................ 636 5. Pisanje projekta i predloga istraživanja...............................644
IX. BIBLIOGRAFIJA...................................................................645 X.
IN D E K S P O JM O V A ......................................................................... 651
I.
U V O D U IS T R A ZIV A N JE P O N A ŠA N JA
A.
Namena i koncepcija knjige
Ova knjiga je pisana sa ciljem đa bude korisna širokom auditorijumu: studentima osnovnih studija, studentima postdiplomskih studija i istraživačima kojima je potreban priručnik za neku od metoda. Nastojalo se, takođe, da knjiga bude relevantna za sve, ili bar za većinu društveno naučnih disciplina. Knjigu jeste napisao psiholog, imajući u vidu ono što najbolje poznaje. Medutim, to što je knjiga „psihološka” nije nikakva posebna mana. Psihološka istraživanja su dominantna u naučnoj pubhcistici i reflektuju sve prisutne pravce i paradigme. Kasnije će u tekstu biti ukazano na važnu činjenicu da su u metodološkom pogledu sva istraživanja slična, ako ne identična. Razlozi za tako široko defmisanog ciljnog korisnika nisu samoljubivost autora, nego racionalnost primerena publicistici malih naučnih zajednica - da za svakog bude po nešto. Važno je znati da je postojalo snažno opredeljenje da knjiga bude; a) praktična i što više direktno primenjiva, b) savremena po obuhvatu tema, pristupa i metoda i c) kritična, tj. da svako važno pitanje bude prodiskutovano i evaluirano sa više aspekata. Oblast kojom se knjiga bavi je veoma široka,jer se, sajedne strane, graniči sagnoseologijom, odnosno saznajnom teorijom kojaje filozofska disciplina i koja obraduje pitanje čovekovog saznanja uopšte, a ne samo naučnog. Dalje, metodologiju je nemoguće razumeti bez epistemologije kao „nauke o naukama”. Konač-
no, metodolngija naučnog istraživanja, sama za sebe, kao „nauka o metodama” može se izučavati na više načina i nivoa: od epistemološkog do potpuno primenjenog. U toj lcpezi mogućnosti, ova knjiga je napisana tako da bude što bliže metodologiji i savremenoj „istraživačkoj praksi” a da filozofski i epistemološki diskursi budu u malim dozama. Opšta filozofska, logička i epistemološka znanja, nazovimo ih uslovno formalnim, našla su svoje mesto u ovoj knjizi u jednom prilično kondenzovanom obliku. Detaljnu diskusiju i komparacije različitih filozofskih pravaca treba potražiti u drugim knjigama koje postoje i na našem jeziku. Naravno, knjiga mora da počiva na epistemološkim osnovama, jer nijedan tekst, makar napisan i kao priručnik ne može da tvrdi pogrešne stvari. Treba imati u vidu da su nauke o ponašanju uglavnom sasvim mlade nauke i nedostaje obimno istorijsko iskustvo koje bi moglo biti podloga da se napiše knjiga sa preciznim uputstvima istraživačima. Umesto takvih uputstava i gotovih recepata, odlučili smo da u knjizi buduprezentirane osnovne činjenice ipravila koji mogu poslužiti istraživaču da izvede svoja vlastita rešenja. Dakle, praktičnost i kritičnost je teško postići skupa, u istom tekstu. Ovde se ništa nije krilo, naprotiv. NastojaH smo da prikažemo sve važne dileme savremenih društvcnih istraživanja. Ali je sve moralo da bude „dozirano”, u okviru želje da bude za svakoga po nešto. Neki komentari i neka vlastita iskustva sa „Psihometrijom” (Fajgelj, 2005,1 izdanje) i prvim izdanjem ove knjige ukazivali su da univerzahiost koncepcije ne odgovara studentima osnovnih studija jer imaju suviše teksta za ovladavanje. Medutim, po rečima samih studenata, bolje je i tako ncgo bez udžbcnika, a nije loše da jednom kupljena knjiga može da posluži i kasnije'. Konačno, studcnti koji su se opredelili za nauke o ponašanju ne treba da gaje očekivanja da postoje laka rešenja i jednostavna uputstva koja mogu stati u knjigu džcpnog formata.
B. Sta je istraživanje u naukama o ponašanju
Prvo pitanje na koje treba odgovoriti je pitanje o tome šta, zapravo, podrazumevamo pod naučnim istraživanjem ponašanja. O kakvim istraživanjima je reč? 0 kojim naukama je reč? O kojim granama, disciphnama ih oblastima tih
' Jer studentsko doba je kratko i prolazno, tck uvod u dugi profesionalni život. Stuđentsko doba jc i lepo, što brucošima koji počinju da uče metodologiju možda ne izglcda tako, ali uveravam ih da jeste.
nauka se radi? O kojim pristupima u okviru tih nauka je reč i u koje svrhe se vrše ta istraživanja? Postoje različite taksonomije nauka i one se raenjaju tokom vremena. U savremenim taksonomijama nauka, od 1950. naovamo, sve češće se javlja termin nauke o ponašanju. Taj se pojam vrlo često koristi sinonimno sa terminom društvene nauke, ali u ovoj knjizi nećemo izjednačavati ova dva pojma, iako se nauke o ponašanju i društvene nauke značajno preklapaju. Na narednim stranama objasnićemo šta podrazumevamo pod istraživanjem ponašanja, šta su nauke o ponašanju i šta ih razdvaja od društvenih (socijainih) nauka.
1.
Šta su društvene nauke
Pod društvenim, odnosno socijalnim naukama obično se podrazumevaju: • • • •
sociologija, ekonomija, politikologija i socijalna psihologija.
Pored njih u društvene nauke se svrstava i etnologija (odnosno kuhuma i socijahia antropologija) i posebne oblasti nekih drugih nauka, kao što su socijalna i ekonomska statistika i socijalna i ekonomska geografija. Društvenim naukama se mogu nazvati i komunikologija, koja se bavi izučavanjem delovanja masovnih komunikacija na pojedinca i društvo i marketing, odnosno istraživanje tržišta i potrošača. Pravo je takode jedna široka profesionalna, stmčna i naučna oblast kojaje relevantna samo u okviru društva, ali se u kontekstu društvenih nauka obično spominje samo tzv. uporedno pravo. Slično se može reći za istoriju - jednim svojim delom ona je neospomo društvena nauka. Postoje i druge nauke ili njihove grane, zavisno od taksonomije, koje se mogu tretirati kao dništvene nauke, a neke čak sadrže prefiks „socijalno” u svom nazivu (kao npr. socijalna medicina). U novije vreme se ekologija]tAm m delom tretira kao društvena nauka. Obično se pravi razlika između humanističkih i društvenih nauka, iako liniju razgraničenja nije uvek lako povući. Humanističkim naukama se smatraju književnost, jezici, lingvistika i sve srodne discipline, zatim istorija, filozofija i sl. Za njih su karakteristični holistički i idiografski pristup (v.) u kojima empirijska istraživanja, merenje, kvantifikacija i generalizacije koje se vrše na osnovu njih, imaju malo smisla. Međutim, na istoriju i lingvistiku jc izvršen pohod „digitalne metodologije” (kao što su primena računara, ekspertski sistemi, Intemet i si.) i empirijskog i kvantitativnog pristupa generalno, pa su se one u metodološkom pogledu približile društvenim naukama. Neki autori smatraju da bi se lingvistika u svakom slučaju trebala smatrati društvenom naukom, a da je istorija izmedu dmštvenih i humanističkih nauka.
Tvorac naziva sociologija, kao nauke o diuštvu, Auguste Comte^, je pod tim pojmom podrazumevao vrh jednog misaonog univerzuma, na čijem je jednom kraju astronomija, a na drugom sociologija. Sociologija je, po Comteu, krajnje široka i univerzalna disciplina i tiče se čoveka i društva u svim njiliovim aspektima. Danas možemo reći da nijedna nauka ne postoji van i bez društva, te da je svaka nauka jednim svojim delom „društvena”. Na primer, diseminacija naučnih saznanja je proces širenja poruka (kroz društvo), kao što se i primena naučnih dostignuća odvija u društvu. Osnovni problem koji je trebao da bude rešen pre pisanja ovog teksta je problem klasifikacije dve „individualne” nauke: psihologije i pedagogije. U psihologiji postoji debata oko toga da h je ona društvena ih prirodna nauka, jer sadrži elemente i jednih i drugih. Bez obzira kako će ko odgovoriti na prethodno pitanje, psihologija i pedagogija jesu društvene nauke u meri u kojoj one izučavaju pojedinca kao društvenu jedinku i u meri u kojoj izučavaju njegove društvene interakcije. Ova knjiga je namenjena prvenstveno psiholozima, ah imajući u vidu i individualni i socijahii aspekt njenog predmeta proučavanja - čoveka. Ipak, knjiga uopšte nije namenjena samo psiholozima, nego socijabiim istraživačima u cehni. Pokazalo se da je najbolji način da se obuhvate psihologija, društvene nauke i empirijska istraživanja taj da se iskoristi jedan termin koji se u zadnje vreme (od druge polovine XX veka) često koristi, posebno u anglosaksonskoj literaturi - nauke o ponašanju (engl. behavioural sciences). Oni koji koriste taj termin defmišu nauke o ponašanju kao nauke koje izučavaju čovekovo ponašanje, bilo kao individue, bilo kao dela drušU'a i društvenih grupa. U nauke o ponašanju se svrstavaju i psihjatrija, delovi biologije kao što je teorija evolucije, zatim kriminologija, bihejvioralni aspekti prava, geografije i drugih oblasti.
2.
Naučno istraživanje ponašanja
Naučno istraživanje se često defmiše na nominalni, odnosno denotativni način, nabrajanjem njegovih važnih svojstava. To su ona svojsta koja će u poglavlju 0 epistemologiji biti označena kao epistemološki principi i principi naučnog metoda, pa se za naučno istraživanje kaže daje objektivno, sistematično.
^ U ovoj knjizi koristiće se, u najvećoj meri, izvomo pisanje hčnih imena. Pravopis srpskogjezika Matice srpske predviđa ovakvo rešenje, pogotovo u latiničnim tekstovima. Izvomim pisanjem čitaocu se olakšava pretraživanje elektronskih biblioteka i Intemeta, a nije nevažna ni olakšica ovom autoru kojom se izbegava često jalovo traganje za pravilnom transkripcijom stranih imena. S druge strane, da li izvomo treba pisati Frojd, Njutn ili recimo, Njujork? Kod tako poznatih imena, koristili smo ponekad i prilagođeno pisanje, jer je očigledno da doslednost u primeni bilo izvomog, bi!o prilagođenog pisanja nije praktična - pogotovo ako se imaju u vidu sve reči stranog porekla, a ne samo imena.
javno, ponovljivo, kritično, teorijski zasnovano itd. Pored toga, ono što je ovde posebno važno i čemu je ova knjiga posvečena su em pirijska istraživanja. Empirijska istraživanja u svakoj nauci zasnivaju se na prikupljanju iskustvenih podataka za različite namene, a prvenstveno u cilju potvrđivanja i stvaranja naučnih teorijal Na drugi način rečeno, kada se bilo koja nauka, pa i nauka o ponašanju, zasniva na podacima, ona je empirijska nauka. Za razliku od empirijskog istraživanja, naučnik se može baviti problemima i na diskurzivan način - bez podataka. Može pisati rasprave, traktate, eseje, polemike i drugo. Nekada se ovakav način istraživanja problema naziva teorljskim istraživanjem , pa čak postoji i termin misaoni eksperiment (ideja Maxa Webera, Milić, 1965, slična ideji kontrafakata (v.): šta bi se desilo da se desilo). Dve discipline su i široj javnosti poznate po tome što isključivo koriste ovakav tip istraživanja: matematika i filozofija. Naravno, i svakom empirijskom istraživanju prethodi razmišljanje o problemu. Empirijska istraživanja se bave proverom teorija, traženjem objašnjenja, sticanjem znanja, stvaranjem novih hipoteza i teorija, ali uvek na osnovu empirijskih podataka (koji se u filozofiji nazivaju iskustvom). Istraživanja koja nisu empirijska, koja ne prikupljaju podatke, mogu imati iste namene i iste ciljeve sve osim provere teorija. Međutim, ni sva empirijska istraživanja nisu pogodna za proveru hipoteza i teorija. Takva su kvalitativna istraživanja. Podaci koji mogu da posluže testiranju hipoteza i teorija moraju biti prikupljeni nierenjem, koje na svom elementamom nivou može da uključuje i klasifikaciju. Merenjem dobijamo podatke, na prvom mestu kvantitativne, koji imaju „epistemološku snagu” da testiraju hipoteze. Istraživanja koja nemaju takve podatke mogu da stvaraju nove hipoteze i teorije, ali ne mogu da ih dokazuju. Nekada je podatke koje prikupljaju kvalitativna istraživanja moguće transformisati ili reorganizovati, tako da mogu poslužiti za testiranje teorija. Najbolji način da se to uradi je meta-analiza (v.), koja na osnovu više kvalitativnih istraživanja može da generiše kvantitativne podatke. Ova knjiga, dakle, ima u vidu nauke o ponašanju koje se zasnivaju na podacima, a kada se zasnivaju na podacima nauke imaju epistemološki status empirijskih nauka. Šta su podaci u naukama o ponašanju? To su pi-venstveno individualne i gnipne razlike u ponašanju. Osim invidualnih i gnipnih razlika u ponašanju, nauke o ponašanju mogu izučavati i proizvode takvog ponašanja: artefakte, poruke, organizacije, informacije i slično.
^Izraz „empirijski”, koji ovde koristimo, ima korenu empirizmu, filozofskom pravcu po kome svo naše znanje potiče od naših pet čvila. Medutim, kada se danas kaže da je nešto „empirijski provereno”, misli se da je provereno na osnovu podataka koji nisu prikupljeni samo putem naših čula, nego i putem memih instrumenata, uređaja za posmatranje, testova, eksperimentalnih procedura itd. Uprošćeno, pridev „empirijski” opisuje prikupljanje i analizu podataka, dok se „empirizam” odnosi na stav da svako znanje mora biti ulemeljeno na podacima.
To ne znači da su individualne razlike jedini podaci kojima se bave nauke o ponašanju. Svaka od njih prikuplja i druge podatke o svetu koji nas okružuje. U literaturi se često pojam „socijalno istraživanje” tretira različito od „istraživanja ponašanja”. Pri tome se, zapravo, razlikuju „socijalna istraživanja”, koja se bave grupnim razlikama, od istraživanja ponašanja koja se bave razlikama pojedinaca. Socijalna istraživanja se, u tom smislu, bave „ponašanjem” grupa ili društva u celini. Medutim, i u tako shvaćenim socijalnim istraživanjima jedinice posmatranja su vrlo često pojedinci, samo što se njihova ponašanja objedinjavaju i tumače u celini, kao agregati, pa se može reći da su u socijakiim naukama Ijudske grupe jedinice analize. Radi jasnoće i preglednosti, dobro je da čitalac uoči ono što se u ovoj knjizi smatra dominantnim - ponašanje i individualne razlike. Ako bismo temu ove knjige nazvali „empirijska istraživanja u oblasti nauka 0 ponašanju”, onda bismo malo drugačije povukH granice izmedu društvenih i prirodnih nauka, kao i unutar društvenih nauka. Bilo bi jasno da u sferu našeg interesovanja spadaju psihologija, pedagogija, defektologija i druge slične oblasti. S druge strane, mnoge oblasti koje ne prikupljaju podatke o ponašanju, makar sadržavale prefiks „socijalno”, ne bi bile empirijske nauke o ponašanju. Drugim rečima, ako gradivo ove knjige posvetimo izučavanju ponašanja, sve se čini rrmogo jasnije u pogledu toga kome i kada ova knjiga može biti korisna. Takode, postaje jasno da će sva kasnija poglavlja koja se odnose na prikupljanje i obradu podataka imati u vidu prvenstveno individualne razlike u ponašanju. Biće, medutim, obrađena i metodoiogija prikupljanja podataka o grupnim razlikama i razlikama u rezultatima individualnog i grupnog ponašanja. Analiza sadržaja, kao metodologija za prikupljanje podataka o porukama, primer je izučavanja podataka o jednom rezultatu Ijudskog ponašanja - porukama. Međutim, naučne oblasti koje se primamo bave proizvodima i rezultatima Ijudskog ponašanja, kao što su ekonomija i organizacione nauke, imaju potrebe za specifičnom metodologijom i bilo bi vrlo nepraktično smestiti sve takve metode u jednu knjigu. Istini za volju, postoji jedno staro iskustvo kod Ijudi koji se bave metodologijom i tehnologijom naučnog istraživanja koje kaže da su na nivou podataka „sve nauke iste”. Metodom faktorske analize se može tražiti najbolji skup pokazatelja uspešnosti preduzeća, na isti način kao što se analizom grupisanja (klaster analizom) mogu tražiti tipovi organizacije metalskih preduzeća. Zasada smo izbegavali da kažemo „Ijudsko ponašanje”. Jednim delom to je zato što imamo u vidu i ponašanje Ijudskih grupa, a drugim delom zato što se u nekim disciplinama, posebno u psihologiji, izučavaju i životinje. Psihologija se bavi izučavanjem životinja iz dva razloga: a) da bi bolje objasnila ponašanje Ijudi 1 b) da bi razumela ponašanje životinja (zoopsihologija). Uopšte rečeno, kao što je Comte smatrao da je „sociologija jedna”, sa stanovišta metodologije empirijskih istraživanja se generalno može reći da je „nauka jedna”. Mnoge metode za prikupljanje i analizu podataka su univerzalrie i, uz male modifikacije, koriste se u raznim naukama. Recimo, metoda uzorkovanja se koristi i u geologiji (uzimaju se uzorci zemljišta), higijeni (uzimaju se uzorci hrane), kontroli kvaliteta (uzimaju se uzorci proizvoda) itd. U tom kon-
tekstu ne treba posebno spominjati statistiku, koja je takođe univerzalna metoda, ili neposredno posmatranje. Međutim, u ovoj knjizi, sve te metode i tehnike se izlažu i ilustruju primerima prvenstveno imajući u vidu istraživača u oblasti nauka 0 ponašanju. Praktična je okolnost što mu spomenuta univerzalnost naučnog instrumentarijuma omogućava da izložene metode primeni u svim situacijama, recimo ukoliko prikuplja neke fizičke („objektivne”) podatke. Takođe, metode i tehnike koje se u ovom tekstu prezentiraju su na prvom mestu metode i tehnike prikupljanja i obrade podataka. To je veoma važan deo svakog empirijskog istraživanja. Naravno, većina istraživača smatra da najvažniji deo empirijskih istraživanja i njihov cilj nije prikupljanje podataka, nego interpretacija rezultata obrade tih podataka. U osnovi, sa time se možemo složiti. Međutim, interpretacija nalaza j e stvaralački akt i bilo bi pogrešno za nju praviti priručnik. Postoje pravila i iskustva koja nesumnjivo pomažu interpretaciji 1 pomažu istraživaču da izbegne greške u interpretaciji nalaza. Ta pravila se prvenstveno odnose na izbor i primenu istraživačkih metoda i tehnika, a to onda već jeste predmet metodoloških priručnika i udžbenika. Svaki istraživač se suočava sa mnogobrojnim tehničkim problemima oko sprovođenja istraživanja. Neki osnovni problemi će biti spomenuti u ovoj knjizi i biće ukazano na izvesna rešenja tih problema. Na primer, biće u osnovnim crtama prezentirane mogućnosti primene računara u društvenim istraživanjima. Jedan od tih problema je svakako i problem naučne produkcije, odnosno pisanja naučnih radova i izveštaja i sva druga pitanja koja se tiču diseminacije naučnih radova i njihovog vrednovanja. Smatramo da ta oblast takođe zaslužuje poglavlje u ovakvom metodološkom priručniku. Koriščenje računara i naučna produkcija su faze, odnosno zadaci naučno istraživačkog rada koji ne čine lanac prikupljanja i analize podataka, ali bilo bi ih pogrešno ispustiti iz nečega što se zove metodološki udžbenik ili priručnik.
3.
Neka važna pitanja istraživanja ponašanja
U poglavlju 0 epistemološkim osnovama istraživanja ponašanja biće objašnjeno da postoji više opštih pristupa definisanju naučne istine i njenom saznavanju. Zbog toga istraživaču u oblasti nauka o ponašanju može izgledati da istina zavisi od toga kako na nju gledamo i kako smo do nje došli. Ipak, shodno zdravom razumu i shodno teoriji saznanja, iako problem istine nije jednostavan i postoje različite njene definicije i načini na koje se do nje dolazi, postoji zdrav optimizam upogledu integriteta i l ealiteta istine. Taj optimizam prihvaćen je kao jedan od osnovnih stavova i u ovoj knjizi. Dva osnovna epistemološka pristupa koji su od neospornog značaja za metodologiju istraživanja ponašanja su racionalizam i empirizam. Podsetimo da su istaknute odlike racionalizma logička dedukcija i determinizam, a, nasuprot njemu, istaknute odlike empirizma su najbolje predstavljene logičkim pozitivizmom koji svoju istinu zasniva isključivo na
objektivnom prikupljanju I obradi podataka. U drugoj polovini XX veka nastalo je mnogo opštiln naučnih pristupa koje danas nazivamo paradigmama ili teorijskim perspektivama (v,). U pogledu odnosa prema empirijskim istraživanjima, mogućnostima saznavanja istine na osnovu podataka i uopšte u pogledu odnosa prema onome što bismo nazvali naučnim saznanjem, pojedini jzm i" se jako razlikuju. Ođ radikalnog pozitivizma i bihejviorizma, koji objektivnost, merenje i saznanje zasnovano na podacima smatraju jedinim izborom, do radikalnog postmodernizma i radikalnog feminizma koji odbacuju mogućnost naučnog saznanja na osnovu objektivno prikupljenih podataka. Ipak, danas se čini da su osnovna saznajno-teorijska pitanja prilično konvergirala, a ona koja nisu, razmotrena su, uobličena i svedena na praktično primenjive oblike. U tom smislu današnjim društvenim istraživačima stoji na raspolaganju jedan uglavnom prepoznatIjiv skup metodoloških opredeljenja. Sva je prilika da je u domenu neposrednog prikupljanja i obrade podataka (na šta se pn/enstveno odnosi ova knjiga) taj skup metoda relativno ograničen, jasan i pregledan. To bismo mogli ilustrovati jednim stavom koji se danas često sreće medu feministkinjama. One smatraju da je moralna uloga nauke važnija od objektivnosti, a prikupljanje i analizu podataka tretiraju kao dokazivanje analnog (skupljačkog) karaktera i muške supremacije. Ipak, ti autori smatraju da se u domenu empirijskih naučnih istraživanja feminizam ne odlikuje posebnim metodama, nego posebnim izborom tih metoda.
Za nas u ovom trenutku nije važno to što postoje epistemološki pristupi koji odbacuju mogućnost empirijskog istraživanja ponašanja. Namena ove knjige nije da odredi mesto i značaj empirijske metode, merenja i kvalitativnih metoda, nego da istraživačima koji se opredele za empirijskiprislup omogiići da to urade valjano. Važno je to što, bez obzira na izabranu paradigmu, ako istraživač ponašanja odluči da dokaže svoje teorijske stavove empirijski, on na raspolaganju ima prilično jasno defmisan metodološki instrumentarijum. Sva je prilika da je današnji osnovni metodološki kostur istraživanja ponašanja, kao što je npr. trijas merenja, individualnih razlika i statističke metode (v.) izdržao probu vremena. Ako se ovaj trijas podvede pod objektivnost kao kriterijum naučnog saznanja, i ako se onda u svetlu objektivnosti koriste i tzv. kvalitativna istraživanja (v.), dobiće se prilično celovit uvid u metodološki domen empirijskih istraživanja ponašanja. Dakle, ako se istraživač odhiči za empirijsko istraživanje, onda su njegove obaveze jasne.
a. Z načaj metodološke ispravnosti istraživanja Osobenosti predmeta proučavanja nauka o ponašanju - čoveka i društva nameću vrlo ozbiljna ograničenja objektivnom saznavanju (naučne) istine, a posebno dokazivanju te istine. Zato je u socijahiim istraživanjima iskristahsan zahtev za m etodološkim pcrfekcionizmom. Svako socijalno istraživanje će stručna i naučna javnost, kao i redakcije naučnih publikacija prvo razmotriti sa stanovišta mctodološke besprekomosti. Ma kohko to istraživačima izgledalo nepravedno, svaka uočena metodološka neispravnost u istraživanju dovešće u najozbiljniju sumnju njegove nalaze. Ovakav pristup nije prost kapric, nego se može utemeljiti bar na jednoj teoriji istine - teoriji koherencije (v.). Osnovna
namena ove knjige ide tragom strogih metodoloških zahteva koji se postavljaju pred socijalna istraživanja i zahteva za dobrom metodološkom edukovanošću socijahiih istraživača.
b. Z načaj m etodološki koreklne radoznalosti Bilo kako bilo, osnovni, pravi i zdravi motiv svakog istraživača je radoznalost, odnosno želja za saznanjem. Ljubopitljivost je čoveku prirodena i u tom pogledu se ne treba bojati za budućnost naučnog istraživanja. Međutim, istraživačka radoznalost će biti naučno plodna i korisna samo ako je usaglašena sa epistemološkim pravilima koja su opisana u poglavlju o epistemološkim osnovama i svim ostalim metodološkim pravilima koja se obraduju u ostalim delovima knjige. Uvek treba imati na umu kritičnost, kao osobinu koja je komplementama radoznalosti i koja je vrlo važna za društvene nauke. Kao što je isticao Descartes, metodička skepsa treba da se neguje prema tuđim, ali još više prema vlastitim nalazima. Jedan od najčešćih uzroka pogrešnih istraživačkih zaključaka je to što nisu obuhvaćene, pa ni kontrolisane varijable koje imaju uticaja na predmet istraživanja. U tom pogledu istraživači su u vrlo nepovoljnoj situaciji da sve što su oni obuhvatili i čega su se mogli setiti funkcioniše besprekomo, ali da su zaključci ipak pogrešni zbog delovanja nepoznatih faktora. To je jedan od problema koji se ne može rešiti drugačije osim stahiim preispitivanjem. Ulogu istraživača čini teškom i to što visoka motivacija, kao rezultat radoznalosti, uloženog tmda, dmštvene verifikacije i bilo čega dmgog, ne sme uticati na zaključke. Pokazalo se vrlo delotvomim da istraživači ponašanja transformišu svoju radoznalost u „metodološku radoznalost”, koja obuhvata metodičku skepsu i stalno upoznavanje i usavršavanje novih istraživačkih metoda i tehnika. Za istraživanja ponašanja je, dakle, korisno da istraživači budu radoznali i zainteresovani za samu metodologiju istraživanja, barem isto onoliko koliko ih interesuje sam predmet istraživanja.
c. K akav istraživač treba da bude U prethodnom odeljku je spomenuta (metodološki korektna) radoznalost kao važna osobina istraživača. U kasnijim glavama biće izloženi moralni principi koje istraživač mora da neguje u odnosu prema saradnicima, ispitanicima i, kao pisac, premajavnosti. Ovde ćemo navesti još neke osobine koje Rosnovv i Rosenthal (2005) smatraju korisnim da ih empirijski istraživač poseduje. 1.
Entuzijazam. Istraživač mora da bude predan svom radu, da ga doživljava kao izazov i da, uprkos svim problemima, gaji polet za otkriće, znanje i
2.
3.
4.
5.
6.
7.
8.
9.
saznanje. Iskusni eksperimentalni psiholog Tolman je rekao: ,,Na kraju, jedini siguran kriterijum je da se zabavljatc”. Otvorenost. Prijemčivost prema novim argumentima i idejama pomaže istraživaču da prevaziđe dogmatizam, da ostvari nove uvide, da promeni vlastite zablude i da se uči na greškama. Zdrav razum. Generalno, videli smo da se naučni metod jasno razlikuje od zdravorazumskih metoda. Medutim, zdrav rezon, koji je praktičan i ,,na zemlji”, koristan je za istraživača. Pokazalo se da istraživaču početniku (studentu) obično nedostaje upravo zdrav razum da bi odredio ima li njegovo istraživanje smisla (bez obzira što je metodološki korektno). Uživljavanje u tuđe iiloge. Ova sposobnost je važna kako za razumevanje ponašanja ispitanika, tako i za pisanje istraživačkih izveštaja, javno izlaganje rezultata i sl. Od istraživača ponašanja se očekuje da može da oseti tačku gledanja ispitanika prema istraživanju, kao i tačku gledištaosoba koje ocenjuju njegov rad. Kreativnost i inventivnost. Dobar istraživač pokazuje kreativnost u svim fazama istraživanja: od nalaženja novca i podrške, do prezentacije rezultata. Navešćemo primer kako je genijalni Francis Galton smislio da ispita da li molitve bivaju uslišene. Setio se da iskoristi činjenicu da je do njegovog vremena (XIX vek) većina molitava u Engleskoj sadržavala želje za zdravljem i dugim životom kraljevske porodice. Zato je prikupio statističke podatke i utvrdio da je prosečni životni vek muških članova kraljevske porodice bio za više od četiri godine kraći od kontrolne grupe sačinjene od državnih činovnika, lekara i advokata. Samopouzdanje u vlastito suđenje. Citiraćemo jedan stav: „Morate da verujete da primenom vlastitog rezonovanja na empirijske podatke možete otkriti istinu - mali deo nje svakako”. Sposobnost komunikacije. S obzirom da je naučno znanje u osnovi privremeno, morate da znate da kraj vašeg istraživanja može biti početak nečijeg tuđeg. Zato: „Istraživanje nije samo izvođenje, ono je kazivanje...”. Ako drugi ne znaju za vaš rad, ili ga poznaju pogrešno, kao da ga niste obavili. Briga za detalje. Neuredno zapisivanje, unošenje podataka ili prelamanje i fotokopiranje upitnika može ugroziti ceo projekat. Nijcdan detalj nije nevažan, nijedna kontrola nije suvišna, ništa sc ne sme prepustiti slučaju. Ako niste u stanju da brinete o detaljima, niste pogodni za istraživača. Akademski integritet i poštenje. O ovoj temi se raspravlja u glavi o pisanju, ali nikada nije odviše naglasiti da nepoštenje u svim fazama: od školovanja i sticanja titula, do saopštavanja rezultata narušava naučno pregnuće u lokalu i u celini. Isto tako, ne sme se biti slep prema nepoštenju drugih. Istraživač koji svoj posao obavlja pošteno, biće osetljiv i na nepošteno ponašanje svojih kolega.
C.
Epistemološke osnove istraživanja ponašanja
1.
Šta je epistemologija
Epistemologija (od starogrčkog episteme - znanje), kao teorija naučnog znanja i saznanja, ima svoje mesto u podeli filozofskih disciplina. Ako filozofiju posmatramo kroz sočivo naučnog saznanja, onda možemo napraviti jednu sasvim uprošćenu skalu filozofskih disciplina. • Ontologija - izučavanje bića i postojećeg, znanje o postojećem. • Gnoseologija - teorija saznanja postojećeg. • Epistemologija - teorija naučnog saznanja. • Aksiologija - koje vrednosti pridajemo znanju, šta su njegov cilj i namena. • Retorika - kako govorimo i pišemo o znanju. • M etodologija - kako saznajemo, odnosno kako stičemo znanje. Za epistemologiju se često kaže da je meta-naučna disciplina. Prefiks „meta” je starogrčkog porekla i danas se koristi da označi nešto što je iznad, izvan ili posie. To je pozicija sa koje se može kritički sagledavati osnovna oblast. Tako i epistemologija kritički gleda na nauku i to sa oba aspekta; statičkog i dinamičkog, odnosno sa stanovišta znanja i sa stanovišta saznanja. Sa stanovišta kritičke analize znanja epistemologija je meta-teorija, a sa stanovišta kritičke analize saznanja meta-metodologija. Takođe, za epistemologiju se kaže da je teorija naučnih teorija i naučnih metoda, ili još jednostavnije nauJca o nauJiama i naučnim metodama. Dakle, predmet izučavanja epistemologije je nauka sama. Modema epistemologija analizira svoj predmet izučavanja - nauku - na isti način kako zahteva od nauka da izučavaju svoje predmete izučavanja. Taj način je racionalan i logičlci. Dakle, epistemološica analiza naučne teorije i naučne metode je vrlo slična bilo kojoj drugoj naučnoj analizi. U epistemološkoj analizi se primenjuju epistemološke teorije i principi, logička pravila, kritičnost, javnost itd. Epistemologija, međutim, ne sadrži empirijsku provem naučnog saznanja. Dosadašnje iskustvo je pokazalo da se same teorije i metode, tj. njihova suština i saznajne mogućnosti, ne mogu podvrći empirijskoj proveri. Druga je stvar sa istinitošću znanja, ono se mora podvrći empirijskoj proveri, ali je ta provera zadatak samih nauka, a ne epistemologije. U literaturi je vrlo česta praksa da se termini „epistemologija”, „filozofija nauke” i „metodologija” koriste naizmenično, sa istim značenjem. Epistemologija, ako se posmatra kao filozofska disciplina, jeste filozofija nauke. S druge strai^e, metodologija istraživanja, kako se, na primer, prezentira u ovoj knjizi, uvek se bavi epistemološkim pUanjima. Činjenica je, dakle, da se ti pojmovi preklapaju i
da nije načinjena neka posebna greška ako se ravnopravno upotrebljavaju. Važnije je da student uoči da postoji jedna dimenzija u misaonom odnosu, koja se proteže od filozofije (ontologije) do konkretnog naučnog istraživanja i na kojoj filozofija, epistemologija i metodologija dele različita ali susedna mesta.
2.
Osnovni ciljevi epistemoiogije
Epistemologija kao svoje glavne ciljeve ima: • •
određivanje normi i kriterijuma naučnog saznanja i ocenjivanje vrednosti naučnog saznanja.
Epistemologija ove ciljeve dostiže putem racionalne analize, koristeći logička pravila i epistemološke kriterijume. Zato neki autori posmatraju epistemologiju kao primenjenu logiku. Osnovna epistemološka metoda je logička metoda. Tokom epistemološke analize naučno saznanje i znanje se razlažu, analiziraju i porede sa postojećim epistemološkim kriterijumima. Zato se dva navedena cilja epistemologije prepliću, kombinuju i nadopunjuju. Epistemologija je, u celini, normativna nauka koja daje norme za ocenjivanje vrednosti, odnosno istinitosti naučnog znanja i saznanja. Da bi naučno znanje bilo istinito, ono mora objašnjavati ili tumačiti stvamost, mora biti prikupljeno na metodološki ispravan način i mora posedovati organizaciju i strukturu koju epistemologija zahteva. Odatle se vidi da je naučna istina složena, da se njoj stalno teži i da se stalno mora proveravati. Da bi razvila norme naučnog saznanja, epistemologija se ne može zadovoIjiti samo analizom rada drugih naučnika. Ona mora razvijati vlastite pojmove, klasifikacije i teorije. Recimo, modema epistemologija je defmisala osnovne tipove istraživanja, strukturu istraživanja, kao i pojmove validnosti istraživanja i načine provere validnosti. Važan zadatak epistemologije je da otkrije eventuahie „sistemske nedostatke” naučnog znanja, u vidu ideoloških zabluda, ili uticaja nekih drugih vrednosti osim što je istina sama. Nauka, naime, mora biti vrednosno neutralna i njena osnovna vrednost može biti samo istina.
3.
Osnovni epistemoiošl
Da bi mogla vrednovati naučno saznanje s obzirom na njegovu istinost, epistemologija je razvila nekoliko osnovnih kriterijuma koje nazivamo epistemološkim principima. Ovi principi predstavljaju sredstvo epistemološke analize ali su i mnogo više od toga. Kao što će se videti, oni su istovremeno i ciljevi svake nauke, nalaze se u samoj osnovi naučnog saznanja i, što je najvažnije, defmišu istinitost svakog saznanja. Zato ih, istovremeno, možemo zvati i lo-iterjumima istinitosti. Svi epistemološki principi stoje u komplementamom odnosu, što čini
da je epistemološka analiza kom pleksanj težak proces i nekada je za ocenu saznajne vrednosti istraživanja potrebno mnogo više vremena nego za istraživanje samo (Fajgelj, Kuzmanović i Đukanović, 2004). Osnovni epistemološki principi su: 1. 2. 3. 4. 5.
opštost, objektivnost, sistematičnost, preciznost ili pouzdanost i proverljivost ili odbacivost.
Ne postoji nauka o pojedinačnom. Sve naučno znanje opšteg je karaktera. Ne postoji naučni zakon koji nema karakteristiku opštosti, tj. da ne važi za određenu klasu pojava koje nalazimo u iskustvu. Ukoliko je naučno znanje opštijeg karaktera, utoliko je ono epistemološki vrednije, i obmuto, ukoliko je obuhvaćena klasa pojava manja, onda je to znanje sa epistemološke tačke manje vredno. Ipak, princip opštosti može imati izuzetke jer postoje pojave koje su pojedinačne, tzv. singulariteti, i koje same čine jednu klasu. Naučno saznanje mora biti objektivno, tj. mora biti stvarno. Ono ne sme biti „subjektivno” tj. ne sme zavisiti od naših želja, emocija ili predubeđenja. Nauka ima za cilj da opiše i objasni odredenu pojavu i zato jedino priroda te pojave može da upravlja tokom saznanja. Naučnici mogu da poseduju različite vrednosti i uverenja, ali lične vrednosti i uverenja ne smeju da utiču na proučavanje predmeta saznanja. Objektivnost se najčešće defmiše kao intersubjektivna saglasnost, s time da se, kada je naučno saznanje u pitanju, ne misli na saglasnost bilo kojih „subjekata” nego na saglasnost stručnjaka i naučnika koji pripadaju odredenom krugu naučne zajednice. U okviru teorije merenja u naukama o ponašanju se, recimo, objektivnost merenja defmiše kao nezavisnost dobijenih mera od objekata koji se mere i od m emih agensa kojima se meri. Ako ne postoji saglasnost eksperata, ili ako mere zavise od onoga šta se meri i čime se meri, znanje nije objektivno, ono zavisi od onoga ko ga je stekao, pa otuda nije epistemološki vredno. Kao što znanje mora važiti za sve Ijude jednako, saznanje se mora odnositi prema svim objektima proučavanja jednako. To je princip sistem atičnosti. Osim što se sve metode moraju primeniti na svim objektima jednako, čitav proces saznanja, u svim delovima, mora slediti jedan plan. Svaki deo naučnog istraživanja mora slediti iz pretliodnog. Svi objekti posmatranja moraju proći kroz iste klasifikacije, svi postupci moraju biti objašnjeni i svi zaključci sistematično izvedeni. Samo ono znanje koje stečeno na sistematičan način je epistemološki vredno. Preciznost i pouzdanost su dva principa koji su tesno povezani. To se posebno jasno vidi kada se izučavaju u kontekstu merenja. Nepouzdano merenje ima visoke greške, što onemogućava precizne zaključke. Iskaz da će „ispitanik praviti više grešaka što je buka veća” je manje precizan nego iskaz da će „ispitanik udvostmčiti broj grešaka na svakih lOdB preko 60dB”. Ova dva iskaza imaju status istraživačkih hipoteza, ali princip
preciznosti se ne odnosi samo na hipoteze, nego na sve delove i faze naučnog saznanja, od formulisanja problema do merenja. Sasvim je razumljivo da su preciznija znanja epistemološki vrednija. Znanje koje je pouzdano je ono na koje se možemo osloniti. Ono je uverljivo i manje je podložno sumnji. Da bi bilo pouzdano, ono ne sme imati greške i mora biti tačno. U okviru posebnih teorija kao i u okviru posebnih metodoloških postupaka postoje i neki sasvim specifični kriterijumi pouzdanosti. Tako su na primer, u oblasti merenja ponašanja razvijene posebne statističke tehnike za ocenu pouzdanosti. Kasnije će, u poglavlju o pouzđanosti merenja, preciznost biti obrazložena upravo pod pojmom pouzdanosti. U teorijskoj metodologiji se, medutim, na pouzdanost gleda nešto šire i manje precizno. Po tom opšte-teorijskom gledištu, pouzdanost se povećava boljom teorijskom elaboracijom, jasnim defmicijama i dobrim objašnjenjima. Takođe, što više činjenica ide u prilog nekoni znanju, ono će biti pouzdanije, lakše će izdržati naučnu kritiku i biće epistemološki vrednije. Ukohko jedno naučno saznanje ne možemo proveriti, to znači da to saznanje nema nikakvu epistemološku vrednost jer se ne može dokazati. ProverIjivost i dokazivost su se našli u centm žive debate savremenih epistemologa, koja još nije okončana. Potrebu za proverljivošću naučnog saznanja niko ne spori, ah se ispostavilo da je proverljivost teško formalizovati i operacionalizovati. Po Masičnom shvatanju, naučno saznanje se proverava tako što se iz njega izvlače (dedukuju) posledice (predikcije) koje se onda iskustveno proveravaju. Ovaj aspekt, iskustvenu provem, niko načelno ne osporava. Međutim, uočeno je više problema koji do danas nisu zadovoljavajuće rešeni. Recimo, isti podaci mogu da podupiru više različitih teorija. Isto tako, iz jedne teorije se može izvesti više različitih predikcija. Neke posledice se, takođe, ne mogu empirijski proveriti jer za to još ne postoje tehnički uslovi. Na formahiom planu, aparat fomialne logike je izneverio očekivanja jer se nije mogla naći formalna defmicija proveravanja, opovrgavanja ili dokazivanja teorije ili hipoteze. Probleme definisanja proverljivosti možemo ilustrovati sa dva paradoksa Bertranda Russella (koji je inače poznat po brojnim takvim primerima kojima se dovodi u pitanje saznanje). Prvi primer se odnosi na iskaz ,svi gavranovi su crni”. Po tzv. principu ekvivalencije, iskazi .sve ne-crne stvari su ne-gavranovi" i „bilo koja posebna stvar ili nije gavran ili je cma" su ekvivalentni sa prvim iskazom. Formalno logički, ono što dokazuje jedan od ovih iskaza dokazuje i sve ostale. Uzmimo sada da smo videli ružu i da smo utvrdili da je ona crvena. Pošto ruža nije gavran, iskustveni iskaz ,,ova ruža je crvena” bi dokazivao iskaz da su svi gavranovi cmi. Naravno, nijedan istraživački rad ne bi bio objavljen, niti bi bio ođbranjen ijedan diplomski, magistarski ili doktorski rad koji bi pomoću crvenih ruža dokazivao crnoću gavranova. Drugi primer se odnosi na klasično shvatanje empirijske provere. Naša teorija, recimo, sadrži dva teorijska iskaza; da svinje imaju krila i da su dobre za jelo. Iz ta dva iskaza možemo izvesti opreznu logičku posledicu (predikciju) da su neke krilate životinje dcbre za jelo. Cela ova hipotetičko-deduktivna shema se na jeziku koji je uobičajen u logici može napisati na sledeći način.
Svinje imaju l^rila Svinje su dobre za jelo
’
Neke krilate životinje su dobre za jelo Pošto je ova predikcija empirijski proverljiva, pristupićemo njenoj proveri na pečenim pilićima, patkama I fazanima. Utvrdićemo da su oni dobri za jelo. Po uobićajenom shvatanju, pošto je dokazana teorijska predikcija, dokazana je i teorija I to u oba aspekta: krilatosti svinja i njihovoj ukusnosti.
Proverljivost se može definisati i kao mtersubjekiivna proverljivost, odnosno da znanje do kojegje došla osoba^^Tmože biti provereno od osoba Y i Z. Iz ovih razloga su neki epistemolozi smatrali da objektivnost i proverljivost predstavljaju jedan isti epistemološki princip, što nas dovodi do zaključka da postoji izvestan unutrašnji sklad svih epistemoloških principa kao aspekata istine. Medutim, nije nužno da postoji saglasnost različitih subjekata, jer proveru može izvršiti ista osoba, X, tako što će ponoviti istraživanje. Iz tog razloga se umesto proverljivosti često postavlja blaži zahtev zaponovljivost istraživanja kao postupka saznanja. Epistemološki princip proverljivosti nalaže da se naučno saznanje mora staviti u takvu formu koju je moguće neposredno proveriti. Jednostavno, u naučnoj teoriji mora postojati neka posledica, neka činjenica, koja se može iskustveno proveriti. Kasnije će se videti da je osnovni zahtev koji se postavlja pred naučne hipoteze upravo taj - da budu proverljive. Recimo, da bi nešto bilo proverljivo mora da se oslanja na neke postojeće i na iskustvu čvrsto utemeljene osobine. Ako kažemo: ,,svi smaragdi su zelavi”, osobina „zelav” (kombinacija zelenog i plavog) nepoznata je, neuobičajena i neproverena sama po sebi. Postojanje te osobine smaragda se, dakle, teško može proveriti. Ukoliko želimo da neko naše naučno saznanje bude proverljivo, onda je neophodno da čitav naučni postupak kojim smo do njega došli učinimo javnim. To povezuje princip proverljivosti sa principom javnosti, što opet govori o isprepletenosti i komplementamosti svih aspekata istine. Važno je još istaći i stav da proverljivost nije ,,sve ili ništa” osobina, nego se mora govoriti o stcpcnii proverljivosti. To znači da svako naučno saznanje može biti manje ili više proverljivo, a ono koje je proverljivije je epistemološki vrednije. Takode, to znači da se može govoriti i o stepenuproverenosti teorije ili hipoteze. Epistemolozi najčešće govore o „dovoljnoj” empirijskoj podršci, podrazumevajući da pojedinačni nalazi nisu dovoljni kao potvrda. Da bismo verovali teoriji ona mora imati neki „zadovoljavajući” nivo empirijske podrške (detaljnije videti u sledećem odeljku). P rincip opovrgavanja. - U savremenoj epistemologiji se vrlo često koristi pojam odbacivosti ili opovrgljivosti (engi. falsifiability) naučnih iskaza i posebno hipoteza (v. kasnije). Ideja pripada postpozitivisti Ser Karlu Popperu, koji je smatrao da postoji asimetrija izmedu opovrgavanja i potvrđivanja teorije jer se teorija može konačno opovrgnuti, a ne može konačno potvrditi (Langdridge, 2004, Ristić, 1995). Precizno rečeno, Popper je pomoću odbacivosti želeo da
razgraniči empirijske iskaze od metafizičkih, koji nisu opovrgljivi. Pravljenje razlike između fizike i astrologije je po Popperu „problem razgraničenja”. Ono što može da razgraniči nauku od ne-nauke je to što su naučne teorije (u originalnoj Popperovoj terminologiji „conjectures”) odbacive u načelu. To znači da one moraju biti formulisane kao jasni i odredeni iskazi koji mogu biti provereni i odbačeni ukoliko ih empirijska istraživanja ne potvrde. Ako se ni nakon ozbiljnih napora za njegovo opovrgavanje u tome ne uspe, iskaz možemo smatrati polkrepljenim. Popper je, dakle, smatrao da za nauku nije bitno to što počiva na indukciji, nego na iskazima koji su formulisani tako da mogu biti opovrgnuti. Nije od vehke važnosti ni to što neki iskaz biva višestruko empirijski potvrden. To je „tehničko” pitanje, jer je provera teorijskih iskaza trajni i beskonačni zadatak nauke, a prvi njen zadatak je upravo u tome da se razgraniče naučno smisleni od besmislenih stavova. Popper je, dakle, imao u vidu opovrgavanje teorija, tačnije njihovu opovrgIjivost kao kriterijum naučnosti, a nije se obazirao da dokazivanje. Na osnovu njegovog shvatanja vrlo je lako odlučiti koja teorija ne valja, odnosno saznati ono što nije - negativno znanje. Današnjim istraživačima je ideja opovrgljivosti vrlo bhska. Oni, naime, u njoj vide zahtev da istraživanje bude opovrgljivo, a da bi bilo takvo, ono m orabiti ponovljivo, javno i da zadovoljava druge epistemološke principe i, pre svega, mora biti formuhsano tako da bude proverljivo u principu. Princip „proverljivosti u načelu” je još davno i manje-više svestrano prihvaćen od strane Rudolpha Camapa i mnogih kasnijih epistemologa. Takvo tumačenje Popperovog principa opovrgljivosti čini da on istraživačima izgleda blaži od principa proverljivosti, ali bazičniji. Koen I Nejgel (1965) daju vrlo dobru ilustraclju princlpa opovrgavanja. Razmotrimo hipotezu .Svl Ijudl su smrtnl". Nekoga ko veruje u tu hlpotezu nećemo razuveriti ni ako mu pokažemo čoveka koji je doživeo stotu, ni Metuzalema koji je živeo 969 godina. Bez obzira koliko starog čoveka našli hipoteza neće biti opovrgnuta. Po Popperu, ova hipoteza nije naučna hipoteza. Uzalud nam je što čvrsto verujemo u nju. Ne samo da nije opovrgljiva, ona nije ni proverljiva. Naučna hipoteza bi glasila: „Svi Ijudi umiru pre nego što dočekaju svoj dvestoti rođendan”. Jasno, ovakvu hipotezu bi opovrgao svako ko ima 200 ili više godina. Isto tako, pošto ni u jednom od dosadašnjih pokušaja (a njih je na milijarde, sa izuzetkom Metuzalema) niko nije uspeo da je opovrgne, možemo je smatrati potkrepljenom, što je po Popperovom shvatanju dovoljno da je zadržimo.
Ipak, postoje problemi sa Popperovim idejama. Kao prvo, mnogi smatraju da negativno znanje nije cilj nauke, negopozitivno znanje. Nećemo mnogo dobiti time što znamo šta nije, draže nam je da saznamo šta jeste. A to nas vraća na indukciju, jer ako želimo da pravimo nauku zasnovanu na podacima, onda pozitivno znanje možemo steći jedino induktivno. Drugo, neki epistemolozi (ali ne svi, Marković, 1981) Popperovo stanovište interpretiraju tako da je samo jedan nalaz dovoljan da opovrgne hipotezu ili teoriju. Ovakvo tumačenje principa odbacivosti, ako se primeni kao kriterijum istinitosti, nerealno je i protivreči praksi naučnih istraživanja. U poglavlju o testiranju statističkih nultih hipoteza
kaže se da jedno pojedinačno prihvatanje nulte hipoteze ne znači i dokazivanje njene tačnosti. Takav stav možemo primeniti na proveru hipoteza i teorija generalno. Neke zaključke koji su vrlo verovatno tačni retko ćemo odbaciti na osnovu pojedinačnog nalaza. Pošto je ovakvo shvatanje Popperovog načela opovrgljivosti suviše nemilosrdno prema naučnom istraživanju, odgovor je potražen u Bejzovoj teoremi (po Thomasu Bayesu, engleskom teologu i matematičaru). Ukratko, njegova teorema se bavi verovatnoćama i to na taj način da u ocenjivanju verovatnoće pojavljivanja nekog događaja možemo koristiti učestalost njegovih pojavljivanja u prošlosti. Kada se to primeni na dokazivanje naučnih iskaza dolazimo do zaključka da verovatnoća tačnosti nekog iskaza raste ukohko je u prošlosti više puta bio potvrdivan, a opada ako nije (Langdridge, 2004). Ako se Popperovo stajalište nadopuni Bejzovorn teoremom, onda možemo govoriti o stepenu opovrgnutosti, ali i prihvaćenosti naučnih teorija, a na osnovu postojeće empirijske podrške. G noseologija i epistem ologija. - Teorija saznanja ih gnoseologija je filozofska disciplina koja se bavi Ijudskim saznanjem, njegovim mogućnostima i donietima generalno, a ne samo naučnim saznanjem Naučnim saznanjem se bavi epistemologija. Ne razhkuju svi filozofi gnoseologiju i epistemologiju, kao što ne razlikuju znanje uopšte od naučnog znanja. Takođe, mnogi smatraju da ne postoji posebna istina za nauku a posebna za druge vidove odnosa duha i sveta. Ako je „istina jedna”, onda su i kriterijumi znanja uvek jednaki, pa se ni gnoseologija ne razhkuje od episteniologije. Ipak, epistemologiju ćemo lako razlikovati ako je posmatramo kao nauku o naukama, odnosno ako istaknemo nauku kao njen predmet izučavanja, a ne saznanje uopšte. M etodologija. - Jednostavan prevod njenog naziva kaže da je metodologija naiika o metodama. Metode su opet, najuopštenije govoreći, postupci saznavanja - spoznaje. Metode i metodologija su delovi svake nauke pojedinačno i svih nauka zajedno. Postojc takozvane opšte metode, kao što je, na primer, neposredno posmatranje, i opšta metodološka pravila, kao što su pravila merenja, zbog čega se pod metodologijom ponekad podrazumeva nešto veoma slično epistemologiji. U ovoj knjizi se, takođe, metodologija ponekad tretira kao meta-metodologija, opšta nauka o metodama koja analizira naučne metode s obzirom na njihov saznajni i istinitosni potencijal - potpuno slično kao što to čini epistemologija. Kako se dolazi do naučnog saznanja? Ukoliko naučno saznanje mora da ispuni epistemološke kriterijume, nužno je da sam proces saznavanja počiva na tačno definisanim postupcima, načinima ili procedurama - metodama. Metodologija je naučna disciplina koja se bavi problemom metoda. Njen cilj je da iznalazi puteve, pravila i principe kojih se Ijudska saznajna aktivnost treba pridržavati da bi dostigla istinu. Recimo, metodologija je defmisala veliki broj postupaka za prikupljanje i analizu podataka posredstvom kojih se dolazi do naučne istine. Sve što se odnosi na nietode i metodologiju je bliže praksi naučnog saznavanja - istraživanju, bliže nauci samoj, kako uopšte, tako i pojedinačnim naukama, dok je epistemologija bliža teoriji saznanja - gnoseologiji, pa znači
bliža filozofiji i logici. Šta više, smatra se da svaka nauka mora imati osim svog osobenogpodručja i svoju osobenu metodu, unatoč tome što postoje opšte metode koje se primenjuju u mnogim naukama. Ovaj zaključak snažno podupire činjenica da se izrazom „metodologija” vrlo često označava prosto skup metoda koje se neposredno koriste u nekom istraživanju - recimo metodologija ispitivanja javnog tnnjenja. U nekim naukama, kao na primer u pedagogiji, umesto izraza „metodologija” kao naziva za skup primenjenih metoda, koristi se izraz metodika - kao, na primer, metodika nastave. Na taj način se izbegava konfuzija koja nastaje ako se metodologijom istovremeno naziva i nauka o metodama i zbir metoda.
4.
Sta je naučni metod
Postoji veliki broj nauka, a unutar njih vehki broj oblasti i podoblasti. Granice nauka se stalno pomeraju i prephću, a same nauke se menjaju i razvijaju. Sta je ono što ih sve objedinjuje i da h uopšte postoji nešto što im je zajedničko? Dovoljno je samo da uporedimo matematiku i komparativno pravo, ili elektromagnetiku i psihologiju. Ljudi će se lako složiti da su „prave nauke” pre svega prirodne nauke. One izgledaju egzaktne, otkrivaju zakone koji su lako proverljivi i važe stalno i univerzalno, a na osnovu njihovih saznanja mogu da se naprave različite stvari koje su korisne u svakodnevnom životu. Nasuprot tome, društvene, humanističke i nauke o ponašanju traže svoje mesto pod suncem, ah teško uspevaju da „otkiiju” ijedan zakon kao što je Ohmov. Ipak, analiza i jednih i drugih nauka otkriva da postoje mnoge zajedničke karakteristike, unatoč očiglednih razlika. Uobičajeno je da, kada se traže bitne karakteristike nauke, one bude takve da nauku razlikuju od zdravog razuma. Tako, reeimo, preciznost i tačnost nisu takve karakteristike, jer bismo onda i vozni red ili telefonski imenik mogli nazvati naukom. Greške, zablude i neznanje, takode, jednako karakterišu nauku kao i svakodnevni život. Da bismo se približili razumevanju naučnog pristupa svetu, odnosno naučnog metoda, pogledajmo kojim metodama se služi zdrav razum. Ovu podelu je inicijalno dao Charles Sanders Pierce, a modifikovali su je mnogi. A prlori m ctod ili metod intuicije. - Ovaj metod se bazira na očiglednosti, rezonovanju, logici i saglasnosti sa zdravim razumom. Ovim metodom se Ijudi služe kada putem razgovora, u slobodnoj komunikaciji, dodu do „istine” koja se svima čini razumnoni. Recimo, Ijudi su se lako složili oko toga da se Sunce oki'cće oko Zemlje. Isto tako im je izgledalo očigledno da su putanje Sunca i Meseca kružne, kao i da je Zemlja ravna. Kerlinger i Lee (2000) i Cozby (2003) navode više primera „znanja” baziranog na apriori metodu. Recimo, Ijudima će izgledati „razumna” pojava da parovi koji nakon mnogo bezuspešnih pokušaja da imaju decu konačno usvoje dete, uskoro dobiju svoje. Ako čuju da se to desilo jednom ili dvaput, Ijudi će poverovati dapostoji nekakav uticaj usvajanja dece na mogućnost trudnoće. U sledećem koraku, Ijudi će naći i obiašnienie za tu „poja-
vu”, recimo da rasterećenje od bračnog stresa prouzrokovanog sterilnošću pogoduje začeću. Slično tome, u skladu sa zdravim razumom izgleda i stanovište da učenje teških predmeta u školi popravlja duh, volju i moralni karakter učenika. Isto tako, Ijudi lako donose generalizacije na osnovu „svog slučaja” ili slučaja nekog koga poznaju. Neko ko ima stalne sukobe sa komšijama doneće, recimo, generalni zaključak da do takvih sukoba dolazi uvek kada su različiti Ijudi prisiljeni da žive zajedno i da se prilagodavaju jedni drugima, tj. da je uzrok sukobima deljenje istog mesta za život. Metod intuicije se zasniva na nekoliko principa kao što su „samoočevidnost” i „vremenska bliskost”. Primeri sa kretanjem planeta jasno ukazuju da samoočevidnost može biti površna ili pogrešna. Ostali primeri ukazuju da vremenska bliskost ne mora da znači uzročnost i da pojedinačni slučajevi ne daju osnova za generalizacije. Medutim, osnovni problem nastaje kada Ijudi kroz slobodan razgovor ne dodu do iste „istine”. Kako znati čija je istina prava? Naučni metod treba da prevaziđe ovakve probleme koje ima zdravi razum. M etod au to riteta. - Aristotel je našao da „Ubedljivost postiže govomik svojim karakterom kada govor tako sroči da mi pomislimo da je on uverljiv. Mi vcrujemo dobrim Ijudima potpuno i pre nego drugima.” Mi, recimo, danas verujemo Aristotelu zato što je on za nas autoritet. Ljudi veruju Bibliji, zakonima, spisku dozvoljenih lekova koji je donela Savezna komisija za lekove i drugim pravilima koja je doneo neki autoritet. Danas Ijudi „znaju” da je nešto istina zato što su videli na televiziji ili pročitali u novinama. Metoda autoriteta je korisna kada treba doneti neku odluku, a mi nemamo vremena ili resursa da se informišemo ili prosto nismo u stanju da sami rešimo problem. Ljudski razvoj se zasniva, jednim delom, na uvažavanju istina koje su sročili autoriteti. Metoda je destruktivna kada se koristi za ućutkivanje raznomišljenika i suzbijanje kritičkog i samostalnog mišljenja. U literaturi se često prepričavaju primeri Aristotelovih grešaka. Smatrao je, recimo, da srce ima samo tri komore, da mozak nema krvi, kao i da ne zauzima celu lobanju. Za dijagnostikovanje šarlaha Aristotel predlaže sledeće: "Ako se žena koja ima šarlah ogleda u ogledalu, površina ogledala prekriće se maglom crvenom kao krv, i ova magla, ako je ogledalo sasvim novo, ne može se obrisati bez teškoća" (navedeno prema Marković, 1981). Aristotel je takode bio zastupnik teorije o samozačeću, odnosno spontanoj generaciji, I govorio je da se život stvara iz blata. Svi ovi stavovi se danas proglašavaju netačnim. Medutim, zbog autoriteta Aristotela, kao tvorca jednog od najvećih filozofskih sistema, teško je olako odbaciti poslednja dva zapažanja. Recimo, možemo razmišljati o tome da ona ogledala nisu biia staklena, nego od uglaćanog metala, te da je dah ili znoj čoveka sa temperaturom I sa šarlahom mogao dovesti do oksidacije. Takode, nije isključeno, a teško je dokazivo, da i dan danas dolazi do formiranja složenih organskih jedinjenja i velikih molekula na nekim posebnim mestima kao što su podmorski vulkani i gejziri, a ta mesta liče na primordijalnu supu - Aristotelovo blato.
Najočigledniji problem metode autoriteta je kada se autoriteti ne slažu medu sobom. Na primer, Buda propisuje drugačije istine od Muhameda. Jedan ekonom-
ski stručnjak drugačije vidi razloge ekonomske krize od drugog. Dakle, ni metoda autoriteta ne može da zadovolji naučne kriterijume istine. Metod istrajnosti, tenaciteta 111 kohezivnosti. - Nešto u šta smo verovali čitav život i u šta veruje naša okolina čini nam se istinitijim od novih saznanja. Trajnost i ponavljanje uverenja doprinosi njihovom izgledu istinitosti, Postoji poznati slogan „da laž koja se često ponavlja postaje istina”. Ljudi osećaju izvesnu lojahiost prema „starim istinama” i ne vole da ih menjaju. Mitovi, predanja i sujeverje takođe pripadaju ovom metodu saznavanja. Problem nastaje kada Ijudi dele različite „stare istine”. U takvim slučajevima često mogu da presude samo nova saznanja i otkrića, koja budu na strani jedne ili druge „stare istine”. Međutim, svi mi smo iskusili nelagodu zbog potrebe da promenimo stav nakon novih saznanja i otpor da to učinimo. Zbog toga metod istrajnosti kojom se služi zdrav razum ne može biti dovoljno dobar kao naučni metod. Naučni metod. - Naučni metod ne odbacuje intuiciju, autoritete i istrajnost. Oni mogu biti izvor ideja i znanja. Međutim, kao što smo videli, svi ti zdravorazumski metodi sadrže određeni stepen Ijudske proizvoljnosti. Drugo, kada se sretnu dva različita mišljenja, zdravorazumski metodi ne nude način kako da se razlike prevazidu i kako da se utvrdi koje je istinito. Treće, čak i kad svi Ijudi misle isto, zdrav razum ne podstiče nijedan način da se proveri da li možda svi greše (baš naprotiv, takva situacija zdravom razumu prija). Šta raditi kada pobožan čovek tvrdi da je nečija bolest Božja kazna zbog grešnog života, vegetarijanac da je to zato što je taj jeo meso, hipohondar da je to zato što nije redovno išao kod lekara itd. Pi-va bitna razlika između zdravog razuma i naučnog metoda je to što nauka do svojih stavova dolazi racionalno i objektlvno. Može se poći od intuitivnih, autoritativnih i tradicionalnih ideja i iskustava, ali tako da se oni fonnulišu strogo, po preciznim logičkim pravilima, dakle nepristrasno i bez uticaja predrasuda, želja i emocija. Sledeće važno oruđe kojim se naučni metod bori protiv nedostataka zdravorazumskih metoda je sumnja do krajn jih granlca (Koen i Nejgel, 1965, Cozby, 2003). Ovakvu sumnju Descartes je nazvao metodičkom skepsom, i označio je kao osnovni metod kojim se od zdravorazumskih stereotipa stiže do naučnog znanja. Smnnja i kritičnost dovode do toga da se postojećim mišljenjima stalno suprotstavljaju nova. Zbog toga je svaka nauka progresivna jer je prisiljena da se menja, da se preispituje, da odbacuje stara znanja ili da ih modifikuje i da otkriva nova, Međutim, staki skepticizam sam po sebi ne bi donosio nikakvo dobro jedino bi naučnici bili stalno posvađani među sobom, Nova stanovišta bi završavala kao modne novotarije, Skepsi i kritici treba još nešto što bi pomoglo da se izmedu svih stanovišta „koja su u ponudi” odaberu ona koja su istinita, Osnovni, najbolji i najpraktičniji način da se to uradi je em pirljska provera, Međutim, empirijska provera je složen zadatak i nekada treba proći vrlo dug put pre nego
što se kaže da činjenice potkrepljuju neko stanovište, čineći od njega naučno znanje. Taj put zovemo naučnim em pirijskira istraživanjem .
5.
Šta j e nauka
U metodološkim udžbenicima čest je siučaj da se izbegava direktno definisanje nauke. Postoje mnoge nauke, mnogi pogledi na nauku i saznanje, pa i mnoge defmicije nauke. Teško je jednom defmicijom obuhvatiti sve nauke. Umesto toga se obično čitavo poglavlje u knjizi, jedno ili više njih, posvećuje nauci, saznanju i naučnom metodu. Mi ćemo postupiti na isti taj način. U prethodnim poglavljima je bilo reči o epistemologiji, metodologiji i naučnom metodu, u ovom će biti reči o nauci, a kroz čitavu knjigu će, manje ili više, biti reči o ostalim važnim pojmovima naučnog saznanja. Iz prethodnog opisa naučnog metoda se mora izvući zaključak da je za nauku važno da bude u dodiru sa Ijudskim čulnim iskustvom i neposrednom praksom. Jer nauka iz prakse i čulnog iskustva crpi ideje, a zatim ih na istoj toj praksi i iskustvu proverava. Medutim, odnos nauke i iskustva nije prost. Ako pogledamo u ekran računara pred sobom, mi ne vidimo rojeve atomskih čestica, niti elektromagentna polja. Kada bismo ostali na nivou čulnog iskustva nikada ne bismo znali da oni postoje. Treba pošteno reći da je odnos stvamosti i saznanja „klizav teren” - kada taj odnos analiziraju filozofi. Međutim, kada je nauka otkrila električnu struju i atome, mogla je ne samo da objasni čulna iskustva, uključujući i ona koja protivreče prethodnim iskustvima ili zdravom razumu, nego i da napravi monitor. Praksa, odnosno primena nauke, pruža stabilniju osnovu za defmiciju nauke, saznanja i naučnog metoda. U tom smislu, za defmiciju nauke su od presudne važnosti tri postulata ili aksioma (Fajgelj, Kuzmanović i Đukanović, 2004): • • •
stvamost postoji, stvamost je moguće saznati i istina je prva i osnovna vrednost nauke.
Sada za nauku možemo reći da je ona čovekova delatnost koja ima za cilj da spozna istinu, primenjujući naučni metod. Spoznatu istinu zovemo naučnim znanjem, a nauka, dakle, ima za cilj da ovo znanje proizvodi. Ovako sročena definicija podjednako ističe znanje o nama i svetu oko nas, kao i put, odnosno aktivnost kojim naučnici dolaze do tog znanja. Aktivnost, odnosno put ili proces kojim se stiže do znanja nazivamo saznanjem. Postoji, dakle, razlika izmedu pojmova „znanje” i „saznanje”. Znanje je rezultat saznanja. Znanje označava nešto što je dostignuto, što već postoji - neko stanje duha, dok „saznanje” označava proces, postupke i delatnosti. U literaturi se oba termina vrlo često koriste naizmenično, a nekada se, da bi se istakla karakteristika saznanja kao procesa, koristi termin „saznavanje”. Neki filozofi ne razlikuju saznanje i znanje, a neki ne razlikuju znanje i istinu jer
smatraju da znanje postaje znanje tek ako je istinito. U protivnom, ne možemo govoriti 0 znanju nego o mišljenju (mnjenju) ili uverenju. U ovom tekstu ćemo i mi, da bismo izbegli ponavljanje para „znanje i saznanje”, koristiti čestu praksu da se pod terminom „saznanje” podrazumeva i jedno i drugo. Neke dcfinicije nauke se mogu podeliti na sličan način kako smo podelili znanje i saznanje. Prvi tip defmicija, statički tip, nauku tretira kao sumu svih postojećih znanja i kao način da se nova znanja dodaju postojećim. Po statičkom pogledu nauku čini prvenstveno znanje. Drugi tip, dinamički, na nauku gleda prvenstveno kao na aktivnost kojom se naučnici bave. Ova aktivnost je istraživačka jer naučnici teže otkiiću. Ovaj drugi tip defmicija nauke Kerlinger i Lee (2000) nazivaju heurističkim pogledom' i kažu za njega da u prvi plan ističe teoriju kao podsticaj i osnovu za dalje istraživanje. Dalje, u definisanju nauke (i naučnog metoda) ističe se njen ja vn i karakter. Po toj defmiciji, svaki korak u naučnom saznanju jeste i mora biti javan - sve do konačnog koraka - samog znanja. Tajna znanja i veštine ne spadaju u nauku. Javnost naučnog rada je u uskoj vezi sa principima skepse, kritičnosti, objektivnosti i proverljivosti. Mnogi autori ističu da javnost naučnog rada spada, zapravo, u jedan širi okvir u kome treba posmatrati nauku. Nauka je naime, uvek, društvena delatnost. Društvo postavlja opšte okvire bavljenja naukom, postavlja naučne ciljeve i probleme, ali i kritcrijume za ocenjivanje - društvenu verifikaciju. Naravno, društvo može da vrši i „negativne” uticaje na nauku: da unosi zablude, da odbacuje revolucionama olkrića i nameće stereotipe. Nauka ima još jedno važno svojstvo koje proističe iz opisanih svojstava naučnog metoda, a to je autokorektivnost. Pošto postoji javnost rada, skepsa i empirijska provera, može se smatrati da je u nauku ugradena autokorekcija. Zahvaljujući ovom svojstvu, nauka će svoje greške i zablude, pre ili kasnije, sama prvo uočiti a zatim nastojati da otkloni. Kao što je već rečeno prilikom opisivanja naučnog metoda, nauka se često definiše tako što se suprotstavlja zdravom raziimu. Za zđravi razuni se duhovito kažc da ,je njegov iskijučivi kriterijum taj da nove ideje moraju izgledati kao stare”. Osnovne razlike između nauke i zdravog razuma su u tome što nauka: a) sistematski izgraduje svoje teorije, pojmove i hipoteze, b) što ih sistematski i empirijski proverava, c) kontroliše moguće uticaje drugih pojava, d) pažljivo izbegava da pojavama pridaje „metafizička objašnjenja”, za koja je karakteristično da se ne mogu proveriti, e) sistematski pronalazi i izučava odnose među uočenim pojavama i f) zasniva svoja istraživanja što je moguće više na stvamosti, a što je moguće manje na ličnim uverenjima, vrednostima, stavovima ili emoci-
■*Heuristika je metod rcšavanja problema koji se primenjuje kada nisu po:jnate sve informacije o problcmii. Moguća rešenja se ocenjuju da li su „dobra” ili „loša” vrlo često na osnovu pokušaja i pogrešaka ili na osnovu bilo kog raspoloživog kriterijuma i dostupnih infoniiacija. Često se, kao ovde, heurističnim naziva svako saznanje do koga sc dolazi đomišljatošću, lukavošćuiliinventivnošću-strategijamakojepodstičuislimulišuspoznaju.
jama. Iz prethodnih rečenica se može uočiti da one ponavljaju neke pojmove koji su ovde istaknuti kao osnovni epistemološki principi: sistematičnost, provera i objektivnost, uz dodatak pojma kontrole. U nekim definicijama se u prvi plan ističe značaj naučnog objašnjenja sveta i pojava, te se naučno znanje u celini vidi samo kao preduslov da bi Ijudi mogli da objasne svet. Razumevanje sveta oko nas i pretnje koju on predstavlja najveća je težnja čovekova, pa prema tome i osnovni cilj nauke. S druge strane, nauka se često defmiše preko njene praktične funkcije, prvenstveno društvene. U tom smislu se od nauke očekuje da „popravlja stvari”, da rešava probleme i da bude deo opšteg progresa, ako ne i njegov nosilac. Vrlo slična ovakvoj defmiciji je i defmicija nauke kao najboljeg čovekovog sredstva da predviđa događaje u budućnosti. Time nije iscrpljeno sve što može poslužiti za defmiciju nauke. Recimo, ako se u obzir uzmu epistemološki kriterijumi iz prethodnog poglavlja mogla bi se dati 1 sledeća defmicija nauke: „Nauka je skup istinitog, opšteg, objektivnog, sistematizovanog, preciznog, pouzdanog i proverljivog znanja o prirodi, Ijudskom dništvu i čoveku.” U narednim poglavljima biće opisani elementi naučnog saznanja i osnovne teorije istine, je r istinu i način dolaženja do nje takođe treba imati u vidu kada se određuje šta nauka jeste. D edukcija i indukcija. - Jedan od mnogih Aristotelovih doprinosa celokupnoj nauci jeste afirmacija dedukcije. Po Aristotelu, dedukcija je način mišljenja u kome se pomoću višeg temiina, a posredstvom srednjeg termina (svojstva), izvodi zaključak o nižem terminu. Suštinu dedukcije Aristotel je video u silogizmu. Dedukcija je takav p u t od opštem ka pojedinačnoin u kome, ako su premise istinite, i sam zaključak nužno je istinit. Zato je Aristotel smatrao da je dedukcija superioma u odnosu na sve ostale metode i da je ona osnovno sredstvo traganja za istinom. Vekovima se dedukcija smatrala jedinim dopustivim načinom zaključivanja u nauci. Istovremeno, po klasičnom gledištu, dedukcija predstavlja tok zaključivanja od opšteg ka specifičnom, ih od univerzalnog ka pojedinačnom. Mnogi su uočili da kad bi svo naučno zaključivanje bilo takvo, u nauci ne bi postojale nikakve novine. Takođe, osnovni cilj naučnog saznanja jeste spoznaja opšteg, a dedukcija pretpostavlja da je opšte već spoznato. Tokom razvoja nauke ove protivurečnosti su se uobličile u pitanje: „kako spoznajemo opšte?” Prvi ozbiljan odgovor na ovo pitanje dao je Francis Bacon u XVI veku, nakon dominacije srednjovekovne sholastike (prouzrokovane ideologiziranom primenom Aristotetolovog učenja). Baconov doprinos se ogleda u afirmaciji indukcije kao logičke i naučne metode. Indukcija se defmiše kao način zaključivanja posredstvom koga se o d pojedinačnihprem isa dolazi do saznanja opšteg. Kvintesencija indukcije kao logičke metode jeste postupak generalizacije. Analizirajući određeni broj elemenatajedne klase, mi zaključujemo da svi pripadnici te klase poseduju neke osobine. Dakle, na osnovu analize „nekih” doiazimo do saznanja „svih”. Ovaj „skok sa pojedinačnog na opšte” naziva se generalizacijom, ali do danas nisu nadeni čvrsti, logički utemeljni razlozi kojim bi se bilo
koja ovakva generalizacija mogla potpimo opravdati. Zato se danas smatra da je svo saznanje stečeno pomoću induktivne logike manje ili više verovatno, te se u njega uvek može sumnjati. Sa stanovišta logičara, takvo saznanje je veoma problematično. Međutim, danas se na indukciju gleda kao na deo metodologije nauka, posebno prirođnih, a ne kao na deo logike (jer se smatra da je sva logika deduktivna). U savremenim naukama, induktivna metoda je usko povezana sa iskustvenim podacima i sa empirijskom proverom. Kao deo naučne metodologije induktivna metoda i dalje pati od spomenutog nedostatka - bez obzira koliko je elemenata neke klase uzeto kao osnov za zaključak, nikad nećemo biti sigumi da ne postoji još neki element koji bi zaključak opovrgao. Medutim, u savremenim naukama, koje se baziraju na iskustvenim podacima, donošenje generalizacija i njihova konstantna provera spadaju u samu osnovu naučne metode. Shodno tome, i induktivna metoda je deo temelja modeme nauke.
6.
Sta je istina
Istina je jedan od temeljnih pojmova svekolike Ijudske misli. Nažalost, istinu je vrlo teško defmisati. Definicija istine bi morala biti istinita. Zato su se brojni pokušaji defmisanja istine zavrteli u začaranom krugu, u obhku iskaza; „istina je ono što je istinito”. U izvesnom smislu se, stvarno, može reći da istina defmiše samu sebe. Naravno, većini istraživača to ne može biti dovoljno i oni će sa razlogom očekivati da se o istini kaže nešto odredenije. Delovi odgovora na pitanje o tome šta je istina i šta je istinito nalaze se u većini poglavlja ove knjige. Istina se na posredan način defmiše i kroz tumačenje nauke, naučnog metoda, saznanja i znanja, što je učinjeno u ovoj glavi. Da bismo izbegh uranjanje u problem istine, što bi ovaj tekst opteretilo i sadržinski i prostomo, iznećemo samo neke osnovne okvire u kojima su se kretale dosadašnje definicije istine. Prva teorija istine, ]tr se o njima može baš tako govoriti - kao o teorijama istine - jeste Aristotelova teorija korespondencije. Ova klasična teorija istine kaže da je sud istinit ako se slaže sa onim o čemu sudi, a ono je, po Aristotelu, onakvo kakvo jeste bez obzira na naš sud. Jednostavno rečeno, teorija korespondencije kaže da se istina krije u „slaganju misli i stvari”. Važno je uočiti da po ovoj teoriji istina nije unutrašnje svojstvo suda, nego njegovo svojstvo saglasnosti sa stvamosti (Filipović, 1965, Marković, 1981). 0\oi teoriju istine su prihvatili realistički mislioci koji smatraju da stvamost postoji nezavisno od saznanja, recimo Tomasso d’Aquino (Toma Akvinski) i Gottfried Wilhehn Leibniz, zatim filozofi i epistemolozi empirističke orijentacije koji saznanje oslanjaju na (čulno) iskustvo, a konačno i savremeni pozitivisti (npr. Bertrand Russell i Ludvvig J. J. Wittgenstein). Teorija korespondencije je modifikovana u nekoliko navrata, a doživela je i nekoliko različitih interpretacija. Naime, u zavisnosti od filozofskog pravca menjala su se shvatanja o tome šta je
stvamost i kako je saznajemo, pa je i iskaz o „slaganju suda i stvamosti” morao biti prilagođavan. Jedna od najozbiljnijih kritika teorije korespondencije je upravo u tome što mi ne znamo stvamost da bismo mogli upoređivati naše stavove sa njom. Mi smo tek na tragu te stvarnosti, poznajemo je samo delimično i ne možemo biti sigumi d a je naše znanje lišeno subjektivnili elemenata. Zato je i poređenje suda i stvarnosti uvek delimično i relativno. Ako utvrdimo da se slažu, preostaje nam jedino da verujemo da je to slaganje pravo i da će takvo ostati i dalje. Defmicija istine koja se zasniva na uverenjima nije dobra defmicija. Dm ga ozbiljna kritika teorije korespondencije je ona koja kaže da je putem korespondencije nemoguće proveriti istinitost sudova o apstraktnim i izvedenim sudovima (kao npr. u matematici), koji kao svoj predmet nemaju stvarnost. Neke savremene tcorije istine su potpuno odbacile teoriju korespondencije i okrenule su se svojstvima suda kao takvog. Među takve teorije spada teorija evidencije ili očevidnosti, koja kaže da je istinit svaki iskaz koji je očigledan, dostupan čulnoj proveri i što svaki pojedinac može proveriti - na primer: „ovaj cvet je crven”. Teorija evidencije spada u tzv. subjektivističke teorije istine i nije široko prihvaćena. Mnogo više traga je ostavila teorija koherentnosti Immanuela Kanta. Ona kaže da je istina u unutrašnjem skladu mišljenja. Da bi neki sud bio istinit mora se slagati sa zakonima mišljenja i sa drugim sudovima. lako je nesumnjivo da istinite teorije moraju imati unutrašnji sklad i logične međuodnose delova, kao što su pojmovi i hipoteze, teorija koherencije je naišla na nekoliko ozbiljnih problema. Kao prvo, nije uspelo precizno definisanje koherencije mišljenja i stavova. Zatim, „ima umobolnika čije je mišljenjc savršeno koherentno ... ali pošto su pošli od pogrešnih premisa i zaključci su im lažni” (Marković, 1981). Unatoč problemima, unutrašnja koherentnost ili intema konzistencija teorije je svima razumljiv i intuitivno jasan zahtev koji naučno saznanje mora ispuniti. Postoji i pragmatička teorija istine, koja za istinito proglašava ono što je korisno, dobro, plodno, bilo za pojedinca bilo za dmštvo. Biologija i teorija evolucije supredstavljali posebnupodršku ovoj teoriji. Nesum njivoje tačno da su istinita znanja veoma korisna za preživljavanje čoveka kao vrste. Medutim, ne važi i suprotno, nije svako biološki korisno mišljenje i istinito. Takođe, vrlo su poznate i semantička, dijalektičko-humanistička i modalna teorija istine. Semantička teorija istine Alfreda Tarskog polazi od teorije korespondencije, ali umesto slaganja suda i stvamosti uvodi slaganje objekata u okvim jednog iskaza ili rečenice. Iskaz koji tvrdi da se neke stvari ponašaju tako i tako biće istinit samo ako se one tako ponašaju. „Pada sneg” je istinit iskaz samo ako sneg pada. Dijalektička teorija istine je razvijena iz Mancovog učenja (Marković, 1981) i istinu je situirala u čovekovu dmštvenu praksu, dmštvene vrednosti i istoriju. Istina je integralni deo čovekovog bivstvovanja i odnosa prema svetu i društvu. Zbog toga je ona relativna, niko je apsolutno ne poznaje, ah se čovek njoj stalno približava kroz praktičnu delatnost i dmštveni razvoj.
Modalna teorija takođe odbacuje mogućnost da se jedno naučno saznanje može odrediti kao apsolutno istinilo ili neistinito. Saznanje je samo manje ili više verovatno. Modalna teorija ili modalna logika razvrstava sudove ne po njihovom statusu tačno-netačno, nego u četiri inodusa: a) apodiktički - nužni, b) kontingentni - postojeći ali ne i nužni, c) mogući i d) nemogući. Za modalnu logiku je tesno povezana i teorija verovatnoće, jer se u sledećem koraku analize modalnosti sudova svakom modusu može dodeliti i verovatnoća: jedan sud može biti moguć sa izvesnom verovatnoćom. Modalna teorija se smatra savremenom relativističkom teorijom istine. Ovim nisu iscipljeni svi pogledi na istinu, niti sve varijante tih pogleda (Fajgelj, Kuzmanović i Đukanović, 2004). Osim toga treba reći da prezentirana podela glavnih teorija istine nije jedina moguća podela. Moguće je shvatanja istine podeliti i na apsolutna i relativna ili ohjektivna i subjektivna. Apsohitna istina je nepromenjiva i večna; objektivna istina važi za sve Ijude podjednako, a subjektivna samo za jednog čoveka ili za neke odredene Ijude.
7.
Osnovni elementi naučnog saznanja
Naučno saznanje i znanje se sastoji iz određenih elemenata koji stoje u odredenim medusobnim odnosima. U svakom koraku naučnog saznanja se susreću svi elementi saznanja, isto kao što svaki korak saznanja služi da se neki elementi formiraju, a neki provere ili modifikuju. Elementi naučnog saznanja su od značaja i za epistemološku analizu, jer kad znanje raščlanjujemo da bismo ga vrednovali, raščlanjujemo ga na njegove elemente.
a. Pojam, konstrukt i varijabla Pojam i konstrukt su osnovni elementi naučnog saznanja. Pojam nastaje pomoću apstrakcije i generalizacije. Pojam izražava neku apstrakciju koja je nastala generalizacijom pojedinačnih opažanja ili iskustava. Apstrakcija, takode, podrazumeva da se nešto izdvoji i zadrži a ostalo zanemari i odbaci. Ako je pojam „težina”, on je nastao opažanjem mnogih materijalnih stvari, izdvajanjem jedne njihove osobine i zanemarivanjem ostalih osobina, kao što je recimo „boja”. Dakle, pojam ima svojstva opštosti i apstraktnosti. Zato se smatra da su pojmovi izvesne naše ideje o svetu, koji je uvek konkretan i pojedinačan. Pojmovi su zato prvi korak u saznanju, ali to ne uopšte ne znači da se do njih lako dolazi. Za pojam se danas obično kazuje da predstavlja neku klasu ili skup. ,,Čovek” je jedna takva klasa, koju mi posedujemo kao pojam. Klasa „čovek” ima ninoštvo podklasa, recimo: „profesor” i „student”. Klasu mogu da sačinjavaju stvarni i zamišljeni objekti, svojstva tih objekata i odnosi tih objekata. Recimo, „Ijubav”, „lep”, „manji” itd. Pojmovi se mogu podeliti na mentalne, kada spadaju u oblast psihologije, i logičke ili naučne, kada spadaju u oblast nauke i filozofije.
Mentalni pojmovi su naši svakodnevni pojmovi, koje stvaramo na osnovu naših urođenih sposobnosti i na osnovu svakodnevnog praktičnog iskustva sa okolinom. Oni su promenljivi, intuitivni, preklapaju se, razlikuju se od čoveka do čoveka, iskazuju se rečima prirodnog jezika i imaju mnoga konotativna značenja (v.). Logički ih naučni pojmovi nisu drastično različiti od mentahiih, osim što se za njih kaže da se ne nalaze ,,u glavi” nekog čoveka, nego su dostupni svima, a da bi bili takvi moraju se precizno opisati i napisati. Naučni pojmovi nastoje da se ne preklapaju, nastoje da budu precizno defmisani, a njihovo značenje mora da bude prvenstveno denotativno (v.). Kako nastaju pojmovi, odnosno pomenute klase, pitanje je koje sebi postavIjaju mnoge nauke. Još je Aristotel uočio da se pojmovi mogu podeliti po opštosti i da postoje izvesni najopštiji pojmovi - kategorije. Izvesni, vrlo uticajni filozofski pravci smatraju da su kategorije nama date same po sebi i da se ne moraju posebno saznavati. To nije opšte prihvaćen stav. Generalno rečeno, mentalni pojniovi se stiču procesima individualnog posmatranja, učenja, uopštavanja, apstrahovanja, poredenja itd. Naučni pojmovi se stiču procesom naučnog saznanja, ali ono, u osnovi, sadrži vrlo slične operacije koje koriste pojedinci za formiranje svojih pojmova. Pojmovi se mogu razlikovati i po obimu i sadržaju. Obim pojma se odnosi na broj objekata na koji se pojam odnosi, tj. na veličinu klase. Sadržaj pojma je skup karakteristika koje su apstrahovane i generalizovane kod objekata i opažaja koji su ušli u pojam. Sadržaj pojma je, nasuprot samom pojmu, nešto konkretno. Sadržaj pojma „čovek” su naši roditelji, rodbina, prijatelji, prolaznici i svi drugi koje srećemo i koje smo sreli, a koji liče na nas. Sadržaj pojma „težina” se odnosi na svojstvo stvari da tonu, da su neke toliko teške da ne mogu da se nose, da mogu da se vagaju itd. liustrativan primer za odnos obima i sadržaja pojma je pojam „prosečnog čoveka”. Sasvim je moguće da taj pojam ima nuhi obim jer nijedan čovek nema tačno onu kombinaciju osobina koje sadižaj pojma podrazumeva, ali je sadržaj precizno definisan kao „čovek koji ima te i te osobine”. K o n s t r u k t takode pojam, ali se on koristi u jednom specifičnom kontekstu - naučnom. Konstrukti su naučni pojniovi koji su fomiirani sa eksplicitnom namerom da se pomoću njih objasne diaigi pojmovi ili da se provere neki teorijski stavovi. Pojmovima operišu svi Ijudi, a konstruktima naučnici. Važno je zapamtiti da se konstrukti defmišu tako da se mogu posmatrati ili izmeriti (v. operacionalne defmicije). U istraživačkom žargonu se umesto tennina „konstrukt” veoma često koristi termin „varijabla”. Zbog značaja pojma varijable biće mu posvećena posebna glava. b. D efinicija Kao što je čitalac već mogao pomisliti, prvi koji je „defmisao defmiciju” bio je Aristotel i to pomoću „najbližeg višeg rodnog pojnia i karakteristične razlike” (lat. per genus proximum et p er differentiam specificam). Aristotel, kao i
nmogi posle njega, smatrali su da je defmicija objašnjenje suštine stvari, a tek u novije vreme se defmicija tretira kao tumačenje značenja neke reči. Najjednostavniji opis svake defmicije je: „5 je P ”. 5 i P su pojmovi, pri čemu se subjekt S naziva defmiendum, a predikat P se naziva definiens, na primer, „Čovek je životinja”. I definiendum i defmiens mogu biti složeni izrazi, a ne pojedinačne reči. Defmiens se, tako, može sastojati od nabrajanja ili cele rečenice. Medutim, u skladu sa Aristotelovim shvatanjem, defmiendum je uvek pojedinačnog karaktera, a defmiens opšteg. Suština klasičnog shvatanja defmisanja je u uopštavanju. Međutim, po savremenom shvatanju, suština defmisanjaje u tumačenju značenja manje poznatih pojmova poznatijim pojmovima, novih pojmova starim, pa sve do toga da je defmisanje „transformacija jednih reči u druge”. Po savremenim shvatanjima, defmicija je element naučnog saznanja i predstavlja iskaz kojim se određuje značenje nekog pojma. Dobre defmicije čine naučni jezik jasnijim, preciznijim i svima razumljivim. Defmicije su najbolji način da se sistem naučnih pojmova izgrađuje, usavršava i proširuje. Definicije su preduslov zadovoljavanja epistemoloških principa kao što su intersubjektivna saglasnost i proverljivost. Idealni oblik prethodne defmicije, po Aristotelu, bio bi „Čovek je racionalna životinja”. „Zivotinja” je u tom iskazugenusproximum, a „racionalna” differentia specifica. Na nesreću, naučna potreba za definicijama postoji i onda kada ne znamo šta je prvi opštiji pojam i šta je specifična razlika. Kao posledica toga nastaju defmicije koje odstupaju od Aristotetolovog ideala da je defmicija objašnjavanje suštine. Uzmimo na primer tzv. pokaznu (ostenzivnu) definiciju; ,,Ovo je Severnjača”. Marković (I9 8 I) smatra da su pokazne definicije u epistemološkom smislu bliže perceptivnim sudovima nego defmicijama, te ne pomažu mnogo u razumevanju značenja pojmova. Postoje mnoge klasifikacije defmicija i analize strukture i saznajne vrednosti svake od klasa. Realne definicije su one koje uspostavljaju vezu između reči i stvari, a nominalne one koje uspostavljaju vezu između reči. Nominalne defmicije se dalje mogu podeliti na empirijske i normativne. Empirijske defmicije nabrajaju skup značenja u kojima se defmiendum koristi u nekoj naučnoj ili Ijudskoj zajednici. Pošto se ove defmicije koriste u rečnicima, nazivaju se i leksičkim. Na primer, „Emocionahia stabilnost je emocionalna zrelost, otpornost na frustraciju, mogućnost odlaganja potreba i stvaranje dobrih odnosa sa drugim Ijudima”. Normativne ili stipulativne defmicije određuju pravila za buduće korišćenje termina, autor normativne defmicije propisuje šta će termin značiti. Na primer, „Pod emocionalnom stabilnošću treba podrazumevati uspešno razrešenje emocionalnih konflikata iz detinjstva”. Epistemološki su vredne i tzv. genetičke defmicije, koje objašnjavaju način nastanka objekta koji se definiše. Recimo: „Čovek je nastao evolucijom od viših primata, uspravljanjem na dve noge i upotrebom govora i oruda”. Dobre su i analitičke defmicije koje u defmiensu nabrajaju sve bitne odlike defmienda, recimo: „Čovek je jedino živo biće koje sebi pravi omđa za rad”. Defmisanje putem nabrajanja primera ili svih sličnih objekata je osnova denotativnih defmi-
cija, koje su vrlo česte i važne u svakodneynom životu, ali manje vredne za nauku, recimo: „Čovek je Aristotel, Njutn, Gali'lej, Rasel, Frojd itd.” Defmicija koja se po savremenoj metodologiji smatra bezvrednom je negativna defmicija - npr. „Čovek nije biljka”. Treba reći da se genetičke, analitičke, denotativne, teorijske i operacionalne definicije nekad nazivaju metodima defmisanja. T eorijske i operacionalne definicije - Za istraživača je možda najvažnija podeia na teorijske {konceptualne, konstitutivne) i operacionalne defmicije. Teorijske defmicije su sve one koje jedan pojam objašnjavaju drugim pojmovima, po pravilu na jedan apstraktan i uopšten način. Na primer, psiliolozi kažu: „Anksioznost je subjektivan strali”, ili „Frustracija je stanje koje se javlja kada Ijudi osećaju da su njihovi ciljevi blokirani unutrašnjim ili spoljašnjim barijerama”, ili „Klinička depresija je preovladavanje negativnog mišljenja” itd. Operacionalne defmicije objašnjavaju značenje defmienda putem aktivnosti ili operacija koje su neophodne da se on: a) zapazi ili da se zapaze njegove posledice, b) izazove i c) izmeri. Posebnu epistemološku snagu imaju operacionake defmicije koje kao definiens specificiraju operacije merenja. Ako možemo da opišemo način na koji se neka varijabla meri i na koji se dobijene mere mogu protumačiti, postigli smo da se varijabla može kvantifikovati. Operacionalne defmicije su potekle iz operacionalističkog pravca u filozofiji, čiji je začetnik Nobelovac P. W. Bridgeman. Bridgeman kaže: „Generalno, pod bilo kojim pojmom mi ne podrazumevamo ništa više nego skup operacija; pojam je sinonim za odgovarajući skup operacija.” Zato se kaže da su operacionalne defmicije uputstva istraživaču: „uradi to i to na taj i taj način i dobićeš varijablu X '. Ako se realne definicije mogu opisati kao struktura reč-stvar, nominalne kao struktura reč~reč, onda operacionalne definicije imaju strukturu reč-operacije. Navedene operacije „izazivanja” varijable su veoma važne sa eksperimentalna istraživanja. U kontekstu eksperimentalnih istraživanja se pod tim operacijama podrazumevaju operacije manipulisanja varijablama. Zato neki autori kažu da postoje dve vrste operacionalnih defmicija: 1) merne i 2) eksperimentalne. Meme su one u kojima se navode samo operacije merenja varijable. Tačnije, one objašnjavaju kako se varijabla meri ili kako će biti merena. Recimo, nivo stresa kod zaposlenih će biti iskazan brojem dana odsustvovanja. Ili, osobina „pažljivosti” kod dece u vrtiću biće iskazana brojem upotrebljenih izjava kao što su „molim”, „izvini” i ,,da li mogu”. Eksperimentalne dcfmicije opisuju operacije pomoću kojih istraživač manipuliše varijablom. Na primer, potkrepljenje se može operacionalno defmisati navođenjem detalja pomoću kojih se subjekt potkrepljuje za jedno a kažnjava za drugo ponašanjc. Prilikom ispitivanja dugotrajne memorije, složenost informacija se defmiše težinom numeričkih zadataka koji se prezentiraju subjektima. Ili, da bi se učinilo da lica učesnika u istraživanju izgledaju kao da se smeju daće im se da drže olovku u zubima. Značaj operacionalnih definicija za empirijska istraživanja je nemerljiv. Kasnije će biti pokazano kako je operacionalizacijajedan generalan proces koji je
neophodan u svim početnim delovima empirijskih istraživanja. Kao prvo, empirijska istraživanja ne mogu postojati bez islcustvenih podataka, a iskustveni podaci su nemogući bez jasnih i određenih instrukcija za njihovo prikupljanje. Drugo, operacionalne defmicije su preduslov kvantifikacije, kao saznajno najtačnije metode prikupljanja podataka. Treće, one su preduslov proverljivosti istraživanja putern njegove ponovljivosti. Osnovni prigovor operacionalnim defmicijama, koji se standardno sreće u metodološkim udžbenicima, jeste da one ne mogu pokriti svo bogatstvo sadržaja naučnih pojmova i veza među njima. Takođe, credo operacionaHzma: ,,da sve što postoji postoji u nekoj kohčini, pa se može i izmeriti”, doveo je do pogrešnog zaključka da ,,što se ne može izmeriti i ne postoji”. Ove primedbe su nesumnjivo tačne, aU je tačna i opaska nekih autora da su operacionalno defmisani pojmovi jedini pojmovi na koje se možemo osloniti, dok su sve ostale defmicije manje ili više proizvoljne. Neki autori sugerišu zaključak da svi ostali tipovi defmicija mogu biti naučno plodni, ali da su operacionahie defmicije potrebne da bi se sve ostale proverile.
c. H ipoteza Reč hipoteza je starogrčkog porekla i znači pretpostavka. U nauci se hipoteza po pravihi fomiira kao probno objašnjenje neke pojave i često nastoji da pruži odgovor na pitanja „Zašto” i „Kako”. Umesto reči „probno” koriste se i termini „moguće”, „potencijalno”, „pretpostavljeno” ili čak „zamišljeno”. Dakle, hipoteza sadrži objašnjenje koje je još uvek neizvesno i koje je u maloj meri zasnovano na empirijskim podacima. Hipoteze se prave sa ciljem da budu iskustveno proverene. Kada se hipoteza potvrdi (i ako se potvrdi), rezultat će biti naučni zakon koji predstavlja najvrednije objašnjenje pojave koja je predmet saznanja. Saznajni proces počinje hipotezom, nastavlja se empirijskom proverom a završava naučnim zakonom. Tačno je da hipoteza nastoji da pruži probni odgovor na pitanja „Zašto” i „Kako”. Međutim, naučne hipoteze se ne fonmilišu kao upitne rečenice, nego kao iskazi koji dovode u vezu pojmove. Pošto je svrha naučnih hipoteza da budu dokazane ih opovrgnute, njihova fonnulacija mora biti takva da to omogućava. Dokazivanje hipoteze će biti moguće samo ako su pojmovi koje ona povezuje adekvatno defmisani. Najbolje je ako su pojmovi takvi da se mogu meriti. Recimo, iskaz; „Vera čini čoveka boljim” dovodi u vezu religioznost i izvestan kvahtet Ijudi, verovatno morahii. Ovaj iskaz nije empirijski proverljiv sve dok ne definišemo veru i dobrotu tako da ih možemo porediti. Iskaz nije ni odbaciv, jer nije odreden u pogledu broja Ijudi na koji se odnosi, niti je određen u pogledu značenja „bolji”. Bolji od koga? Da bi od ovog iskaza nastala manje-više standardna istraživačka hipoteza, koja bi otklonila ove nedostatke, morao bi se prefonmilisati u: ,,Što Ijudi više veruju u Boga to su moralniji”. Ovo je sada hipoteza zato što se; a) za stepen verovanja u Boga mogu pitati Ijudi sami, b) za
merenje moraliiosti postoje psihološki testovi i c) povezanost koja se opisuje u hipotezi može se iskazati korelacijom. Hipoteze po pravilu nastaju kada Ijudi imaju teškoće da objasne neke događaje ili činjenice, To isto važi za naučne hipoteze. lako je moguće da hipoteza nastane i kao rezultat istraživačke inspiracije, pravi izvor svih hipoteza su neznanje i želja da se ono prevazide. Kada dođemo na teren naučnih istraživanja, to znači da se hipoteze izvode iz problema istraživanja sa ciljem da taj problem reše. Hipoteza se vrlo često izjednačava sa teorijom, ali razlike postoje. O naučnim zakonima i teorijama biće reči na sledećim stranama, a hipoteze će kasnije biti detaljno obradene u zasebnom poglavlju.
d. N aučni zakon Zakoni postoje u pravu i etici. Ti zakoni se nazivaju normativnim zakonima. Zakoni postoje i u matematici i logici. Ti zakoni jesu naučni zakoni, ali se odnose na apstraktne pojmove. U ovoj knjizi ćemo razmatrati samo takozvane empirijske naučne zakone, koji se bave pojmovima iz realnog sveta - konkretnim pojavama. Empirijski naučni zakoni su iskazi koji dovode u vezu dva ili više pojmova koji se odnose na stvame objekte ili njihova svojstva. U pretiiodnom poglavlju smo naučni zakon okarakterisali kao „dokazanu hipotezu”. Dakle, razlika između zakona i hipoteza je u tome što zakoni moraju biti isiiniti. Osim toga, za naučne zakone se obično zahteva da budu univerzalni i trajni, ili barem relativno univerzalni i relativno trajni. Mnogi epistemolozi zahtevaju da zakon utvrduje ne samo prostomo i vremenski univerzalnu vezu između činjenica, nego i da ta veza bude nužna. Naučni zakon je istovremeno osnova naučnog objašnjenja, jer on sadrži opis pojava i opis veza između njih. Jasno je da sve ove uslove ispunjava zakon koji između pojmova na koje se odnosi tvrdi uzročnu vezu. Takvi zakoni se nazivaju kauzalnim i mnogi epistemolozi podrazumevaju da jedino oni predstavljaju „prave” zakone. Kauzalni zakoni ne nastaju potvrđivanjem bilo kojih hipoteza, nego samo onih koje sadrže odgovor na pitanja „Zašto” i „Kako”. Recimo, od hipoteze ,,Svi Ijudi su smrtni” (za koju se ispostavilo da je neproveriva) ne bi nastao (kauzalni) naučni zakon. Osnovna teškoća sa kauzalnim zakonima je što ih je vrlo malo, ih ih skoro nema u oblasti društvenih nauka. Šta više, pojam uzročnosti u oblasti društvenih nauka se u celini dovodi u pitanje (von Wright, 1975, Milić, 1965). Umesto kauzahiih naučnih zakona, u naukama o ponašanju se govori o empirijskim generalizacijama, koje imaju niži nivo opštosti i trajnosti od zakona i o statističkim zakonima, u kojima se tvrdi da postoji stohastički (probabilistički) tip veze između konstrukata, ali se ne tvrdi da je ta veza uzročno-posledična. Od posebnog značaja za nauke o ponašanju su strukturalni zakoni, koji se razlikuju od prethodno opisanihprocesnih zakona, jer defmišu postojanje odredene strukture
u stvamosti. Psihologija se, recimo, veoma mnogo bavi strukturom ličnosti ili intelekta, isto kao što se fizika bavi strukturom atoma.
e. Naučna teorija Definisati naučnu teoriju nije lak zadatak. Recimo, neko će teoriju u prirodnim naukama defmisati kao skup naučnih zakona, dok će u društvenim naukama teoriju defmisati kao skup hipoteza. Čitalac će razumeti zašto ćemo ovde imati u vidu prvenstveno teoriju u društvenim naukama. Ima nekoliko aspekata koji mogu da posluže da se teorija defmiše kao specifičan oblik naučnog saznanja. To su: hipotetičnost, opštost i apstraktnost. Oni prvenstveno razdvajaju „teoriju od prakse”, teoriju od svakodnevnog iskustva i teoriju od neposrednog čulnog doživljaja. Zatim, u trijasu: hipoteza - zakon- teorija, teorijaje više empirijskipotkrepljena od hipoteze, a martje odzakona. Popper je, recimo, smatrao da se teorija gradi od potvrđenih hipoteza. Isto tako, hipoteze i zakoni su delovi naučne teorije, a ne obrnuto. Dobro je, dakle, misliti o teoriji kao tvorevini koja se sastoji odsvih ostalih elemenata naučnog saznanja: pojmova, defmicija, hipoteza i zakona. Zato nije dobro izjednačavati hipotezu i teoriju u načelu, iako neka teorija može biti malog obima i može imati samo jednu hipotezu kao krucijalnu. S druge strane, može se govoriti o strukturi naučne teorije kao samostalne misaone konstmkcije, a ne kao prostog zbira ostalih delova. U tom smislu se obično ističe da teorija ima syo]jezik (semantiku), osnovne i specifične prepostavke (hipoteze) i metode i tehnike istraživanja. Pojednostavljeno, jezikom se defmišu pojmovi i konstrukti, hipotezama se predlažu moguća objašnjenja veza između pojmova, bilo uzročna bilo ne-uzročna, a metode se koriste prilikom provere hipoteza. Naučnici se često dvoume oko toga da li je teorija sredstvo i podsticaj saznanju ili je njegov cilj. U srcu, naučnici će pre odabrati ovo drugo, smatrajući da će tek tako zadovoljiti naučni zahtev za objašnjenjem sveta. Međutim, tačno je i jedno i drugo, oba lica teorije se prepliću po fazama i u toku razvoja teorije. U nešto drugačijem obliku, ove dve osnovne funkcije teorije se mogu formulisati na sledeći način: a) organizovanje svih elemenata znanja sa ciljem da se daju naučna objašnjenja i b) stvaranje novog znanja. Za ovu drugu funkciju se kaže da je generativna jcT teorija treba da podstiče i omogući nove uvide i nova znanja. Teorije mogu biti manjeg iU većeg obima, mogu biti jake ili slabe, programatske, deskriptivne ili eksplanatorne. Teorija i model. - Mi ćemo koristiti poznatu interpretaciju po kojoj je model formalizovana teorija, zato što se u njemu formalnim jezikom, obično matematičkim ili logičkim, defmišu pojmovi i veze između njih. Modeli, po pravilu, nastaju iz teorije, pa teoriju i model nije lako razlikovati. Nekada se teorija u celini predstavlja kao model, ili sadrži jedan ili više modela.
Ključni pojam modela je izomorfizam. Model je izomorfan ako je paralelan, ekvivalentan, odnosno ima jednaku formu kao i priroda, tačnije kao i pojave koje on objašnjava. Izomorfnost modela se proverava empirijski, poredenjem „ponašanja” modela, odnosno predikcija koje iz njega proističu, sa stvamošću. Modeli nisu nikada potpuno jednaki stvamosti je r su formalni, usmereni na ograničen broj flinkcija, namenjeni simulaciji suštine itd. Međutim, ako je model dovoljno izomorfan sa pojavama koje su modelirane, onda se izučavanje pojava može zameniti izučavanjem modela. Duncan Luce (1999) kaže da su modeli precizni i da se iz njih mogu izvesti precizne predikcije. Oba ova aspekta povećavaju odbacivost modela, a time i njiliovu epistemološku vrednost. Značaj modeliranj a u naučnom saznanju porastao je sa razvoj em kibemetike posebno nakon II Svetskog rata. M edu najpoznatijim modelima danas su računarske simulacije, uključujući i simulacije čovekovih kognitivnih procesa u okviru oblasti koja se naziva veštačka inteligencija (Fajgelj, 1972). Osim toga, kibemetika je učinila poznatim m etodcrne kutije. Po tom metodu, složen sistem koji se proučava (kakav je npr. psiha) tretira se kao ,,cma kutija”. N a početku, ne interesuje nas unutrašnja građa sistema, njegova stmktura ili delovi, nego samo njegovo ponašanje. Da bismo razumeli sistem i otkrili kako on funkcioniše, mi pravimo različite njegove modele i poredimo njihove reakcije na određene draži sa reakcijama realnog sistema na iste draži. Izomorfizam u reagovanju ne znači da je i stmktura identična, ali se metod pokazao kao vrlo koristan za generisanje hipoteza. Pctpuno u skladu sa metodom crne kutije je poznati „test Alana Turinga" za određivanje da li mašine mogu da misle. Turing je inicijalno predložio svoj test kao „igru imitacije’ . Mašini (tačnije računaru) se zada zadatak da imitira čoveka, Ako, zatim, ne možemo da razlikujemo da li razgovaramo sa mašinom ili sa drugim čovekom, onda je mašina prošla Turingovtest. Joseph (Joe) VVeizenbaum je 1966 gcdine objavio Elizu (po liku iz drame Pigmalion), program za analizu govora, koji svoju veštinu može da unapreduje. Eliza je postala čuvena po skriptu (delu programa) koji je simulirao tehniku psihoteraplje Carla Rogersa nazvanu .reflektovanje”. Čitava Eliza, pa i ovaj skript su, sa današnjeg stanovišta, bili naivni, vrlo jednostavni i sasvim skromnog obima. Međutim, iz sledećeg primera jedne konverzacije sa Elizom videće se da metod crne kutije uopšte nije naivan (velikim slovima su dati odgovori mašine). Ljudi su svi sličnl U KOM SMISLU? Uvek nas gnjave na ovaj ili onaj način. MOŽETE Ll DA Ml DATE NEKI KONKRETAN PRIMER? Pa, moj dečko me nagovorio da dođem ovamo. VAŠ DEČKO VAS JE NAGOVORIO DA DOĐETE OVAMO. Rekao mi je da sam stalno depresivna. ŽAO Ml JE ŠTO ČUJEM DA STE DEPRESIVNI, To je tačno, Nesrećna sam, DA Ll MISLITE DA ĆE OVA VAŠA POSETA POMOČI DA NE BUDETE VIŠE NESREČNI? Treba mi neka pomoć, to sad izgleda Izvesno.
ŠTA Bl VAMAZNAČILO UKOLIKO BISTE DOBILI NEKU POMOČ? Možda blh shvatila kako da Izađem na kraj sa mojom majkom. KAŽITE Ml VIŠE 0 VAŠOJ PORODICI Mene Izdržava moja majka KO VAS JOŠ U VAŠOJ PORODICIIZDRAŽAVA? Moj otac VAŠ OTAC? VI pomalo ličite na mog oca. KAKVU SLIČNOSTVIDITE? Niste mnogo agresivnl, ali misllm da ne želite da to primetim. ŠTA VAS NAVODI NA MIŠLJENJE DA NISAM MNOGO AGRESIVAN? Ne raspravljate se sa mnom. ZAŠTO MISLITE DA SE NE RASPRAVLJAM SA VAMA? Bojite me se. DA Ll VAS ČINIZADOVOLJNOM TO ŠTO VERUJETE DA VAS SE BOJIM? Moj otac se plaši svakoga. NA ŠTA JOŠ POMISLITE KADA SE POMENE VAŠ OTAC? Na dobričine. IMA Ll TO NEKE VEZE SA TIME ŠTO VAS JE VAŠ DEČKO NAGOVORIO DA DOĐETE OVAM O?... Sam VVeizenbaum je bio zaprepašćen efektom Elize kada ju je učinio dostupnom sekretaricama I tehničkom osoblju Laboratorije za veštačku inteligenciju na MIT. Onl su počeli provoditi sate za temninalom računara i bili su uvereni da Eliza sWarno razume njihove probleme. Kada je svojoj sekretarici rekao da ima pristup svim razgovorima koje je Eliza vodila, bila je besna I optužila ga da se meša u njen prlvatni život, pošto se očigledno poveravala računaru. Još je zanimljivija anegdota sa jednim istraživačem koji je do kasno u noć pripremao važnu prezentaciju za donatcre. Pošto je imao razne tehničke probleme, pomislio je da je to zbog toga što je istovremeno bio uključen računar na kome je radio VVeizenbaum. Otišao je u njegovu kancelariju da ga ubedi da se isključi, ali VVeizenbauma nije bilo nigde, jedino je njegov računar bio uključen, ali sa praznim ekranom. Pomislio je da VVeizenbaum radi cd kuće i ukucao: Džo, molim te da se izloguješ. ZAŠTO KAŽETE DA SE IZLOGUJEM? Džo, treba mi računar za sutrašnju demonstraciju VI. ZAŠTO VERUJETE U TO? Džo, ozbiljno. Moram da spremim demonstraciju za sutra i treba ml računar. MOŽDA SU UZROK TOME LJUDI SA KOJIMA SE SREČETE. Nakon još nekoliko sličnih razmena, istraživač je zaključio da je Džo nevaspitan, nazvao ga je telefonom kući i proderao se: "Džo! ******* jedan! Zašto mi to radiš?" S obzirom da je bilo četiri sata ujutru I da VVeizenbaum nije znao da je ostavio upaljen računar na kome je radila Eliza, bunovno je upitao: ,,Šta to znači šta ti radim?” Pošto je taj odgovor toliko ličio na one prethodne, Elizine, ništa nije moglo ubediti istraživača da I oni nisu bili delo VVeizenbauma. Danas se na Internetu mogu naći brojne verzije Elize, pa se čak mogu instalirati I na kućnom računaru. U debatu oko Turingovog testa i Elize uključill su se i psiholozi psihoterapeuti, nastojeći da demantuju ili barem omeđe mogućnosti .računarske psihoterapije' (o kognitivnom aspektu Elize može se pročitati kod Gardnera i sar., 1999).
G ra d n ja teorije. - Pokušaji da se aksiomatske teorije primene na empirijskim naukama nisu uspeli, fako da je aksiomatski način gradnje teorije ostao rezervisan za formalne discipline kao što je matematika. Umesto aksiomatskih sistema, u epistemologiji empirijskih nauka dugo vremena je dominirao takozvani hipotetičko-deduktivni način gradnje teorije. Njegovi počeci se nalaze kod Sir Isaaca Newtona, a detaljnu obradu i sam naziv je dao Karl Popper. U literaturi se mogu sresti pomalo disparatne definicije ovog metoda. Mi ćemo, jednostavno, koristiti njegov naziv. Dakle, shodno nazivu, saznajni tok počinje hipotezom, a rastavlja se dedukcijom. Hipoteza je, da podsetimo, probno objašnjenje neke pojave. Iz ovog probnog objašnjenja se mogu izvesti neke predikcije u obliku logičkih zaključaka koji su izvedeni deduktivno. Ove predikcije se onda moraju iskustveno proveriti, ili u skladu sa Popperovim originalnim stanovištem, moraju se podvrći falsifikaciji. Teorija nastaje kao višeslojna struktura u kojoj jedne hipoteze slede iz drugih. Prvo pravilo je da se naredne hipoteze ne mogu izvoditi dok se dedukcije iz prethodnih ne dokažu. Tačnije, same dedukcije iz prethodne hipoteze mogu poslužiti kao naredne hipoteze. Ovakva teorija je logički čvrsta i koherentna, eksplanatoma moć teorije je dobra, a predikcije su jasno izvedene i proverljive. Međutim, u društvenim naukama obično nema dovoljno „materijala” da bi se formirala ovakva teorija - aksioma, postulata i teorema. Dalje, pošto se dedukcije ne mogu izvlačiti iz premisa kao u matematici, izvodenjem, nego mukotrpnom analizom, posmatranjem i promišljanjem, izgradnja ovakve teorije zahteva nesrazmerno veliki napor, koji odvlači pažnju od predmeta saznanja. U naukama o ponašanju je verovatno najpoznatija hipotetičko-deduktivna teorija ponašanja Clarka Leonarda HuIIa, bazirana na njegovoj teoriji učenja. Teorija koja nastaje na hipotetičko-deduktivni način je deduktivni sistem, a svi deduktivni sistemi počinju od aksioma. Dakle, i teorija bi trebala počinjati od nekih opštih i jednostavnih hipoteza - aksioma, koje su jasne same po sebi i ne moraju se dokazivati. Pošto se društvene nauke ne mogupohvaliti velikimbrojem aksioma, ovaj aspekt deduktivnih sistema se obično zanemaruje - ostavlja se autoru teorije da odredi način kako će započeti teoriju. Međutim, upravo oko tog pitanja, kako započeti teoriju, vodena je diskusija medu epistemolozima. Ni sam Popper, naravno, nije mislio da će hipoteze „padati sa neba kao pečene ševe”, nego je predvideo fazu posmatranja i generisanja hipoteza. Raymond B. Cattell (1966) je odlučno smatrao da saznajni proces retko počinje hipotezom. Po njemu, on počinje posmatranjem, induktivnom generalizacijom, pa tek onda hipotezom, a nastavlja se proverom hipoteze i dedukeijom. Ovaj tok Cattell naziva induktivno-hipotetičko-deduktivnom spiralom (IHD). U poglavlju o hipotezi izneli smo stav da hipoteze nastaju onda kad Ijudi imaju saznajne teškoće. To se sasvim uklapa u Cattellov IHD metod. Na liniji diskusije induktivno - deduktivno nailazimo na altemativni način gradnje teorije - induktivni. Ovakva teorija služi samo da smisleno poveže
iskustvene činjenice i ništa više. Ekstremni pozitivisti preferiraju ovakav tip teorije jer smatraju da nikakva teorija nijc potrebna, osim one koja povezuje posmatranja i utvrđuje pravilnosti i generalizacije iz takvih posmatranja. Nasuprot njima, kasnije će u knjizi biti prikazana „utemeljenja teorija”, koja takođe gradi teoriju na induktivni način, ali pripada „kvalitativnoj perspektivi”, sasvim različitoj od pozitivizma. Savremena epistemologija u prvi plan stavlja kombinaciju induktivnog i deduktivnog pristupa gradnji teorije u empirijskim naukama, gde se posmatranje, empirijska provera, teoretisanje i dedukcija smenjuju i dopunjuju, iterativno i spiralno. Saznajni proces obično započinje zapažanjem nekih problema, neočekivanih pojava ili nedostataka u dosadašnjima objašnjenjima. Na primer, u oblasti porodice danas su aktuelni problemi niskog nataliteta, kasnog stupanja u brak, čestih razvoda itd. Recimo da smo se zainteresovali za problem kasnog stupanja u brak. Ako želimo da izučlmo ovaj problem, pitanje „Zašto danas Ijudi kasno stupaju u brak?” nije formulisano kao naučna hipoteza. Nešto nam nedostaje da bismo mogli formulisati naučnu hipotezu, a to je znanje. Zato ćemo se posvetiti izučavanju podataka iz matičnih i drugih evidencija, lli analizl drugih sekundarnih podataka. Tako ćemo uočiti, možda, da je tokom poslednjih godina padao životni standard i, istovremeno, da je rasla prosečna starost pri sklapanju braka. Na taj način smo induktivno došli do izvesne pravilnosti koja će nam pomoći da sastavimo hipotezu. Ta hipoteza će glaslti: ,Mladl Ijudl odlažu brak zbog slromaštva." Iz ove hipoteze slede predikcije da će mladi iz bogatijih kuća, ili oni koji sami dobro zaraduju, ranije sklapati brak od onih koji nemaju materijalnu podršku roditelja ili su nezaposleni. Ove predikclje se mogu empirijski proveriti. Da bi predikcije bile proverene treba sprovesti niz istraživanja. U istraživanjima če neke od predikcija biti odbačene, a neke potvrdene. Ako podacl podržavaju predikciju, hipotezu čemo, kao potvrđenu, uključiti u teorlju. Na osnovu njenih predikcija (dedukcija) možemo formullsati nove hipoteze, Reclmo, reči ćemo da mladi odlažu brak zato što nisu sigurni da će moćl deci pružiti budućnost. Ako podaci ne podržavaju predikcije, hipotezu ćemo pokušati popraviti. Recimo, možemo se ograničiti samo na mlade Ijude u gradu, ukoliko podacl ukazuju na takvu mogućnost. Najverovatnije je, međutim, da nećemo moći dokazati da odlaganje sklapanja braka zavisi od siromaštva. U tom slučaju ćemo morati odbaciti hipotezu u celini i potražiti ideje I podatke za novu hlpotezu, recimo: .Porast Individualističkih vrednosti dovodi do kasnijeg stupanja u brak.’ Vidimo, dakle, da smo tokom proveravanja hipoteze naizmenično istraživali, postavljali dopunske hipoteze, menjali III odbacivali stare. U tom delu je saznajni tok bio iteratlvan, induktivno-deduktivan.
P rovera teorije. - Teorija se može proveravati na više načina. Prvo, treba proveriti njenu unutrašnju strukturu. Njeni delovi moraju biti u logičkom skladu, a skladni moraju biti i svi zaključci koji se iz teorije izvode. To znači da iz teorije ne mogu proisteći suprotni zaključci. Unutrašnja struktura teorije prvenstveno zavisi od toga kako je teorija izgrađena. U tom pogledu idealni oblik teorije je aksiomatski. Aksiomatska teorija se gradi od opštih hipoteza koje imaju status aksioma i ne proveravaju se. Iz aksioma se izvode dedukcije u čiju tačnost se možemo uveriti neposrednim iskustvom. Aksiomatska teoriia ili aksiomatsko-
deduktivni sistem ima čvrstu i logički zasnovanu unutrašnju strukturu i logički izvedene zaključke. Prva aksiomatska teorija je Euklidova geometrija. Drugo, teorija se uvek poredi sa konkurentnim teorijama. Nekada hipoteze iz jedne teorije bolje potkrepljuju neku drugu teoriju. Treće, naravno, naučne teorije se moraju proveravati empirijski, bez obzira koliko je to teško, dugotrajno, skupo i ponekad beznadno. Teorija psihoanalize Sigmunda Freuda je primer teorije koja se vrlo teško proverava. Nije bolji bio slučaj ni sa opštom teorijom relativnosti Alberta Einsteina, iako je ona formulisana kao aksiomatska, matematička teorija. Ipak, u oba shičaja se empirijska provera smatra jedinim i pravim sudijom istinitosti tih teorija.
8.
Problem uzročnosti
Uzrok se čini sasvim jasnim u svakodnevnom životu i zdravom razumu. Gledano intuitivno, svi Ijudi razumeju šta je uzrok. Nažalost, ispostavilo se da u nauci i filozofiji nije tako. Filozofi i naučnici se odavno bave pitanjemuzročnosti, ali do danas nije obelodanjen univerzalan način na koji možemo prepoznati uzrok i posledicu. Kao što kaže Marković (1981), kategorija uzročnosti je u stalnoj krizi - ali bez nje se ne može. Za pojam uzročnosti odnosno kauzalnosti (lat. causd) vezana su i druga veoma slična i veoma važna pitanja. To su pitanja nužnosti i detenninizma. Neki ishod je nužan ukoliko su eliminisane mogućnosti svih drugih ishoda, ili ukoliko se za taj ishod ne može dokazati da je pogrešan (recimo 2+2=4). Ovakva definicija nužnosti u velikoj meri podseća na kolokvijalnu predstavu o neminovnosti ili o sudbini. Kao primer za ovaj tip nužnosti obično se navodi smrtnost Ijudi.^ Nužnost može postojati i u statističkom smislu, kao nešto što je najverovatnije; prosek. U tom smislu prosečna visina Ijudi je nužna. I dalje, statistička nužnost, vezana za verovatnoću, ne mora biti zasnovana na proseku kao najverovatnijem ishodu, nego na nekom skupu ravnopravnih ishoda. Na primer, nužnost je da se rodi dečak ili devojčica. Uzročna veza među pojavama uvek podrazumeva neki od ovih oblika nužnosti. D eterminizamje shvatanje da su svi dogadaji nužni, da nužno slede jedni iz drugih. Markiz Pierre-Simon de Laplace je smatrao da ako znamo sve sile koje u jednom trenutku deluju u prirodi i ako znamo raspored svih objekata koji nas interesuju, znaćemo svu prošlost njihovog postojanja ali i budućnost. Sa stanovišta naučnog saznanja, uzročnost se povezuje sa objašnjenjem. Ako za neku pojavu znamo uzrok(e), onda kažemo da smo je objasnili. Paralelno s time, uzročnost je u najtešnjoj vezi sa pojmom naučnog zakona (v.), je r ako se
* Pažljiv student je na osnovu dosadašnjih primera već uočio epistemološku dramatičnost hipoteze: ,,Svi Ijudi su smrtni”. Od toga da ona čak nc zaslužuje ni status nauCne hipoteze, do toga da služi kao ilustracija nužnosti.
zakonom iskazuje kauzalni odnos uzroka i posledice, onda se smatra da je posledica najbolje objašnjena. Ovde 0 uzročnosti govorimo prvenstveno sa saznajnog stanovišta: da li se može otkriti, kako se može otkriti i koliko nam pomaže u objašnjenju. Pitanja kao što su ,,da li uzročnost postoji” nam nisu od prvorazrednog značaja, ali čitalac mora biti svestan da i takva pitanja postoje, kako u prirodnim tako i u društvenim naukaraa i da su i dalje neodgovorena. Može se čak reći da je danas kauzalnost prilično nepopularan pojam - kao nešto što je ranije zadalo toliko briga da ga treba izbegavati - od koga zaziru i u prirodnim i u društvenim naukama. Opisaćemo ukratko storiju o kauzalnosti kroz istoriju Ijudske misli. Kada se koriste zdravim razumom, Ijudi znaju šta je uzrok. U početku su iizroci pripisivani stvarnim ili nestvarnim likovima; bogovima ili Ijudima. Kasnije, razvojem grčke filozofije status uzroka je prebačen i na prirodne objekte. Aristotel je upotrebio izraz „konačni uzrok” da bi označio svrhu, a otkrivanje svrhe smatrao je glavnim ciljem nauke, Kombinacija verovanja u Ijude i bogove kao uzroke i Aristotelovog „konačnog uzroka” dominirala je Ijudskom mišlju do kraja Srednjeg veka - do Galileja. Galileo Galilei je svojom čuvenom knjigom „Discorsi e dimostrazioni matematiche” iz 1638. godine započeo revoluciju modeme nauke. Ova revolucija je imala više aspekata, a mi ćemo ovde obratiti pažnju na dve osnovne maksime koje je istakao Galilej: a) opis prvo, objašnjenje drugo i b) opis se izvodi na jeziku matematike. Na osnovu ove dve maksime nauka je od spekulativne postala empirijska. Nakon obelodanjivanja Galilejevog pristupa, u fizici je počelo otkrivanje jednog zakona za drugim: Snellov, Hookov, Ohmov, Jouleov itd. Ti zakoni su, zapravo, bili matematičke generalizacije fizičkih posmatranja. U tom trenutku je izgledalo da je pitanje uzročnosti u nauci bilo rešeno ona se izvodi iz naučnih zakona. Međutim, filozofi i naučnici nisu napustili raspravu o pitanju uzroka i posledice. Jedva da je prošlo sto godina od Galilea, kad je škotski filozof, empirista, David Hume, snažno doveo u pitanje postojanje uzročnosti, tvrdeći da su kauzalne veze samo „navike našeg uma”, nestvame i nestalne. Hume je uzročnost sveo na nivo deskripcije - posmatranja, a ne matematičke fonnule, i to je opisao u poznatom pasusu: Tako se mi sećamo da smo videli vrstu objekala koje zovemo „ vatra ’’ i da smo osetili onu vrstu osećaja koju zovemo „vrelina. ” Na isti način mi prizivamo iz sećanja njihovu stahiu povezanost u svim prošlim primerima. Bez bilo kakve daljnje ceremonije mi čemo jednu nazvati „ uzrokom " a drugu „posledicom ” i zaključivati o jednoj na osnovu driige. Jezikom današnje statistike, ovaj problem na koji ukazuje Hume nazvali bismo problemompnV/t/«e korelacije (eng. spurious Correlation), odnosno „korelacije koja ne implicira kauzalnosf ’ (Pearl, 1996). Medu savremenim pozitivističkim filozofima, Lord Russell je takođe odbacivao uzročnost: „Zakon uzročnosti je, venijem, relikt prošlog vremena, koji preživljava, slično monarhiji, samo zato
što se pogrešno smatra da ne nanosi nikakvu štetu...”. On je veoma jednostavno objasnio kako fizički zakoni, iskazani matematičkom formulom, ne impliciraju uzročnost. Čuveni Newtonov II zakon F=ma kaže samo da ako znamo dve vrednosti, možemo izračunati treću. Isti zakon se može napisati i kao m=F/a, što znači da nam on pomaže da izračunamo masu, a ne da je izraz F/a uzrok mase. Odnos uzroka I posledice ima definisan smer povezanosti - od uzroka ka posledici. Zanemarivanje tog sm era, a do njega dolazi ako se fizički zakoni - jednačine - interpretiraju kao kauzalni iskazi, dovodi do pogrešnih zaključaka. Pearl to ilustruje primerom iz veštačke inteligencije, koji naziva „programerskom noćnom” morom. Naime, ako robotu prepustimo da 0 kauzalnosti zaključuje na osnovu logičkog zaključivanja iz poznatiti pravila, on može doneti sledeći zaključak: Ako je trava mokra, padala je kiša Ako razbijemu flašu, trava je mokra Ako razbijemo flašu, padala je kiša
Negde u Russellovo vreme počeo je još jedan naučni preokret i on će imati veliki uticaj na nauke o ponašanju, ali i na tretman uzročnosti. Preokret su započeli Sir Francis Galton i njegov student Karl Pearson otkrićem regresije i korelacije. Genijalni Galton se bavio različitim stvarima, izmedu ostalih eugenikom. Za te svrhe je izučavao povezanost raznih osobina Ijudi i načine na koje bi se ta povezanost mogla izraziti. Kada je nacrtao dijagram raspršenja mera dužine podlaktice i obima glave, dobio je karakterističan eliptični oblak tačaka i ustanovio da linija koja najbolje fituje taj oblak ima zanimljiva svojstva. Rekao je: „Lako je videti da ko-rclacija mora biti rezultat varijacija dva organa koje delimično potiču iz zajedničkih uzroka”. Galtonovo otkriće korelacije je Pearson opisao na sledeći način: ,,...Ja sam protumačio ovu Galtonovu rečenicu tako da postoji kategorija šira od kauzalnosti, imenom korelacija, kojoj je uzročnost samo granični slučaj, i tako da ovaj novi koncept korelacije uvodi psihologiju, antropologiju, medicinu i sociologiju velikim delom u oblast primene matematike.” Pearson je bio do krajnosti protivnik kauzalnosti, nazivajući je animističkim pojmom poput volje i sile. Izgledalo je da je kauzalnosti došao kraj. Medutim, niti su fizičari, niti statističari, niti filozofi prestali da govore o kauzalnosti. Četvrt veka nakon Pearsona, Sir Ronald Fisher je izmislio randomizirani eksperiment, koji je tada, a i danas bio jedini opštevažeći način da se iz empirijskih podataka donese zaključak o kauzalnoj vezi (Pearl, 1996). Uprkos svemu, nepoverenje u pojmove uzroka i posledice je ostalo veoma prisutno kako u prirodnim naukama, tako i u statistici. U narednom pcglavlju opisaćemo kako je pojam uzročnosti doveden u pitanje u društvenim naukama.
a. Em pirijsko otkrivanje uzročnosti Osnovno pitanje koje danas treba da interesuje istraživača ponašanja je kako na osnovu iskustvenihpodataka zaključiti uzročnost. K akvaje iskustvena podrška potrebna da bi zaključak o kauzalnoj vezi bio zasnovan, tj. potkrepljen? Koje podatke moramo da prikupimo i koja merenja da izvršimo da bismo potkrepiii naš kauzalni iskaz? Naravno, sve ove varijante osnovnog pitanja imaju smisla samo ako verujemo da kauzalnost postoji. U većini savremenih metodoloških priručnika može se pročitati otprilike jednako uputstvo o tome kako možemo prepoznati uzročnu povezanost. •
•
•
Uzročnost karakteriše vremenski sled događaja. Uzroci dolaze pre posledica. Uprkos brojnim sumnjama u relevantnost kriterijuma vremenskog sleda, on se danas smatra jednim od osnovnih „pokazatelja uzročnosti.” Međutim, on nije dovoljan. Ne možemo tvrditi da je pojavaA uzrok pojave B samo zato što je pojava B usledila nakon pojave A. Naprotiv, ovakav zaključak bi bio poznata logička greška: post hoc ergo propter hoc. Zaključivanje na osnovu zdravog razuma često upada u ovakvu grešku. Pored vremenskog redosleda, uzrok i posledica moraju biti povezani i kova?-ijacijom. Kovarijacija može imati diskretnu (diskontinuiranu) i kontinuiranu formu. U diskretnoj formi iskaz o postojanju kovarijacije glasi; ,^Cad god pustimo deci film (pojava A ) ona su mim a (pojava B), a ako nema fihna, deca su nemima.” U kontinuiranoj formi (mnogo bližoj psiholozima) iskaz o kovarijaciji bi glasio: „Ako je A uzrok B, onda ako se menja A mora da se menja i B.” Na primer, ako je temperatura uzrok promene dužine tela, onda će se dužina povećavati ako telo zagrevamo, a smanjivati ako ga hladimo. Treće, ako uočimo vremenski redosled i kovarijaciju, još uvek ne možemo biti sigurni da ne postoje neka alternativna tumačenja. Recimo ako utvrdimo da studenti koji više vreniena provode u učenju imaju bolje ocene (zanemarićenio poznate „teluiike” učenja u snu, čitanja kroz žute naočale i sl.), čime je zadovoljen i vremenski sled i kovarijacija, još uvek imamo obavezu da eliminišemo uticaj nekih „trećih” varijabh, kao što je, recimo, motivacija. Tako se eliniinacijaplauzibilnih alternativnih uzroka standardno navodi kao treći preduslov utvrdivanja uzročno-posledične veze.
Vrlo blizak pojmu uzroka je pojam uslova. Najjednostavnije rečeno, uslovi su pasivni prethodnici nekog ishoda, dok je uzrok aktivan prethodnik. Dalje, za uzrok se kaže da je posebna vrsta uslova: uzrok j e onaj uslov koji j e nužan i dovoljan. Neki autori smatraju da je analiza nužnosti i dovoljnosti takode neophodna da bi se odredila odnosno dokazala uzročna povezanost. Postoje brojni prinieri kojima se ilustruje nužnost i dovoljnost. N a primer, teško oštećenje mozga je dovoljan uslov smrti, ali nije nužan. Suprotno, gubitak svesti je nužan uslov smrti, ali nije dovoljan. Na formalnomjeziku; ako je dogadaj A uvek praćen dogadajem B, ali ne važi i obmuto, onda je A dovoljan uslov za 5 , a 5 je nužan uslov za A.
Cozby (2003) upozorava da je analiza nužnosti i dovoljnosti retka u naukama o ponašanju zato što se nije pokazala korisnom. U naukama o ponašanju obično ne prođe mnogo vremena pre nego što se utvrdi da neki uzrok nije nužan i dovoljan. On navodi poznati primer ,jednog od retkih psiholoških zakona”, odnosa frustracije i agresije; „Frustracija je uzrok agresivnosti.” Iz toga bi sledilo da kad god postoji frustracija uvek postoji agresija i da kad god postoji agresija, prethodila joj je frustracija. Pokazalo se da to nije tako jednostavno, je r frustracija može da dovede i do povlačenja ili do konstruktivnih napora da se fioistracija prevaziđe. Takođe, agresija može biti izazvana nekim nehotičnim postupkom druge osobe („stane mu na žulj”) ili direktnim napadom, koji se ne uklapaju u definiciju frustracije. Ipak, ako i nije naučni zakon, odnos frustracije i agresije je dobro utemeijen u podacima.
b. M atem atička analiza uzročnosti Ovaj naziv, matematička analiza uzročnosti, koristićemo uslovno. Naime, u poslednjih deceniju-dve učinjeni su napori da se uzročnost iz misteriozne filozofske kategorije transformiše u matematički i logički čvrsto zasnovan koncept. Učinjeno je mnogo da se kauzalnost, sama po sebi, formalizuje toliko da bude izračunljiva. Kada bi taj cilj bio dostignut, onda bismo iz podataka mogli direktno, računski, dokazati uzročnu vezu. Kada bi bila razvijena matematičkostatistička kauzalna analiza, onda bi bio premošćen jaz izmedu zdravorazumskog i naučnog tretmana uzročnosti - mogli bismo testirati i dokazivati kauzalne hipoteze. Već duže vreme postoji nekoliko matematičkih teorija koje se bave modeliranjem kauzalnih veza. U društvenim naukama najpoznatije je modeliranje pomoću strukturalnih jednačina (engl. structural equating modehng - SEM). Strukturalnajednačina ima form uy=/& + e, dakle upadljivo liči na regresionu ili bilo koju drugu hnearnu jednačinu. Da bi ona bila strukturalna, tj. da bi predstavIjala kauzalni iskaz, bilo je potrebno da se napravi niz dodatnih pretpostavki koje su učinile da se jednostavnost ove jednačine izgubi. Recimo, znakjednakosti nije običan, onaj koji je poznat iz algebre, nego označava ishod dejstva x n&y. Pored toga, mora se pretpostaviti i dax i tn is u ni na koji način povezani, a vrloje važna i pretpostavka da će vrednostj^ biti nezavisna od nekog skupa varijabli Z, koji ne sadrži varijable X i Y { y . kasnije). Statističari su dokazali da će pod tim pretpostavkama gomja strukturalna jednačina predstavljati formalni opis randomiziranog eksperimenta (v.), što znači da se radi o kauzalnom iskazu. Dalje, kauzalna analiza SEM se zasniva na starijoj metodi, analizi puta (engl. path analysis) koja je invencija jednog genetičara (Sewalla Wrighta) i koja se bazira na grafičkom prikazu - dijagramu odnosa izmedu varijabli. Ovi dijagrami se nazivaju dijagrami puta, ili kauzalni dijagrami. Za struktume jednačine se može reći da su formalni opis kauzalnih odnosa, a za dijagrame puta da su
njihov grafički opis. Međutim, kasnije će biti istaknuto presudno svojstvo kauzalniii dijagrama - oni su kvalitativni opis uzročnih veza. Na slici 1 prikazan je dijagram odnosa između četiri varijable: nasleđa, pušenja, katrana i raka pluća. U početku, lekari su utvrdili visoku korelaciju između pušenja i raka pluća (a). Duvanska industrija se branila tako što je tvrdila da postoje nasledni faktori koji povećavaju kako rizik od raka pluća tako i od zavisnosti od nikotina (b). Dogovorom su došli do modela (c), koji je priznavao povezanost izmedu pušenja i raka, ali i genetskih faktora sa oba. Nažalost, statističari nisu uspeli da provere koja je od ovih veza jača, tj. ko ima pravo, lekari ili proizvođači duvana, jer bilo koji podaci mogu podjednako da potkrepljuju i jednu i drugu vezu (zato što „genetski faktori” nisu neposredno merljivi). Konačno, pokazalo se da je izračunljiv model (d), koji je baziran na pretpostavci da nije samo pušenje ono koje izaziva rak, nego je rak posledica naslaga katrana na plućima, a one su jedna od posledica pušenja (Pearl, 1996).
G enotip (a)
(b)
O---------------KD
Pušenje
Rak p lu ć a Pušenje
Rak p lu ć a
G enotip (d)
Pušenje
R a k p lu ć a Pušenje
Katran
R a k p lu ć a
Slika 1. Primer razvoja jednog kauzalnog dijagrama. Zaključak o izračunljivosti kauzalnog modela (d) je donesen pomoću računa verovatnoće, dakle nakon matematičke analize i uz uvođenje još nekih operacija. To su operacije akcije i intervencije. Naime, pokazalo se da standardni matematički jezik računa verovatnoće i predikata nije dovoljan za formalizaciju uzročnosti. Da bi testirali kauzalne iskaze, matematičari su morali da smisle operator akcije (kao što je ,,x” operator množenja). Operator akcije je, recimo, operator pomoću koga možemo ispitati da li kvašenjem trave možemo postići da padne kiša - kada proveravamo kauzalnost u iskazu ,,gde je trava mokra, tu je i kiša”. Ili, da proverimo da li možemo skratiti noć tako što ćemo ranije probuditi petla (npr. tako što ćemo mu ispričati neki vic o petlu) - kada proveravamo kauzalnost u iskazu „petlovi kukuriču u zoru.” Nematematičarima možda izgledaju smešni ovi problemi, ali stvari su u matematici drukčije.
Intervencija o kojoj je bilo reči odnosi se na laku promenu modela, uvođenje novih varijabli, uvođenje novih veza između varijabli, okretanje strelica na jednu, drugu ili na obe strane i tome slično. Svaka ta promena zapravo gradi novi kauzahii model, koji se pomoću analize puta ili modela struktumih jednačina proverava i poredi sa ostalima. Provera i poređenje se vrše na osnovu togakoliko koji model fituje podatke. Pokazalo se da je intervencije najlakše vršiti ako se model predstavi grafički, tako da se današnji softver za kauzalnu anahzu zasniva na dijagramima puta. Razvijena su pravila na osnovu kojih se može jednostavno, čak i ručno, anahzirati kauzalni dijagram i primenjujući operator akcije intervenisati odbacujući čvorove i poteze u dijagramu, da bi se došlo do „puta kojim ide uzročnost”. Ovaj proces je posebno koristan i impresivan kada dijagram sadrži veliki broj varijabli. Postoji još jedan važan pojam u oblasti matematičke analize kauzalnih modela. To je po'i&m kontrafakata (engl. counterfactuals). To su iskazi tipa: ,,Da se desilo A, desilo bi se i B ”. Na primer, ,,Da Titanik nije potonuo, on bi još plovio”, ili ,,Da nisu uvedene sankcije, Milošević ne bi pobedio na izborima”. Nazivaju se kontrafaktima zato što tvrde nešto što se nije desilo, nešto što protivreči podacima koje posedujemo. Pokazalo se da kontrafakti mogu značajno doprineti kauzalnoj analizi, proveravajući ishode događaja koji se nisu dogodili. Veoma je važno uočiti da dijagram puta predstavlja prikaz kvalitativnih informacija koje posedujemo o problemu koji izučavamo. To je lepo ilustrovano primerom sa uticajem pušenja na rak pluća. Zato se za modele struktumih jednačina i analizu puta kaže da kombinuju kvalitativne informacije i empirijske podatke na takav način da se odnos uzroka i posledice može kvantifikovati. Nažalost, u naukama o ponašanju strukturalni model koji najbolje fituje podatke ne dokazuje uzročnost. Radi se o tome da se matematički, logički, ali i zdravorazumski može dokazati da postoji niz ekvivalentnih modela koji bi takode mogli objasniti dobijene podatke. Neki od tih modela se mogu izgraditi na osnovu dobijenih podataka, odnosno varijabli kojima raspolažemo. Drugi, obično veći deo, obuhvata varijable koje još nismo izmerili, ili koje nam čak još nisu ni poznate kao potencijalni uzroci. To su one varijable koje čine skup Z, opisan u defmiciji struktume jednačine. Tako, dijagram puta koji smo prikazali kao ilustraciju anahze uticaja pušenja na rak, pod (d), je suviše pojednostavljen i dosadašnja istraživanja ukazuju da postoji više varijabh koje treba uključiti, a nova istraživanja mogu doneti saznanja o još nekim novim varijablama. Dakle, matematički aparat za analizu kauzalnih dijagrama je relativno dobro razvijen, a!i je problem upravo u sastavIjanju pravog dijagrama. Dijagram puta predstavlja ono što mi znamo o pojavi, njenim uzrocima i posledicama. Matematički aparat služi samo da se dijagram testira. Sve u svemu, još uvek se ne možemo osloniti da ćemo kauzalnost dokazati matematički. Modeli struktumih jednačina i analiza puta su samo dobre alatke za testiranje različitrh kauzalnih hipoteza, ali ih ne mogu dokazati. Zbog toga mnogi autori matematičku kauzalnu analizu nazivaju pseudokauzalnom. Ako čitalac
pročita poglavlje o epistemološkom kriterijumu proverljivosti i poglavlje o testiranju statističkih hipoteza, videće da je, zapravo, situacija slična sa svim hipotezama, a ne samo sa kauzalnim. Kasnije će u knjizi uzročnost biti često pominjana, u različitim kontekstima. Studentu se preporučuje da pročita ulogu medijatorskih i moderatorskih varijabli, kao i poglavlje o eksperimentalnim istraživanjima.
9.
Objašnjenje i razumevanje
Aristotel je smatrao najboljim objašnjenjem ono koje ne navodi samo materijalne, formalne i eficijentne uzroke, nego i „konačni uzrok” - svrhu. U prethodnim poglavljima smo objašnjenje povezivali sa defmicijom (klasičnim shvatanjem defmicije), hipotezom, naučnim zakonom, naučnom teorijom i uzročnošću. Uvek se, dakle, radilo o povezivanju više pojmova, na tačno određeni način, tako da „posuđujući znanje” od prethodnih pojmova - eksplanansa povećavamo znanje o pojmu koji objašnjavamo - eksplanandu. Debata o razlici objašnjenja i razumevanja je prvo postala aktuelna među istoričarima. Naime, pokušaji da se istorijske pojave objasne putem naučnih zakona, onako kako bi zahtevao hipotetičko-deduktivni metod nisu uspevali. Istorijske pojave su pojedinačne i ne postoji mogućnost provere hipoteza. Recimo, objašnjenje „Predsednik vlade je ubijen zato što je pokušao da se obračuna sa organizovanim kriminalom”, ma koliko bilo tačno, ne može postati naučni zakon koji povezuje atentat na predsednika i borbu protiv organizovanog kriminala, na način kako je ovde opisano da se formiraju naučni zakoni. Dakle, ako naučni zakoni ne mogu da posluže za objašnjavanje istorijskih pojava, šta ostaje? Ostaje „razumevanje”, koje je u početku bilo defmisano kao uživljavanje u život i misli učesnika istorijskih događaja, sa ciljem da se rekonstruišu njihovi razlozi za ponašanja koja su preduzimali. Dalja analiza „principa razumevanja” je pokazala da se on oslanja na nekoliko osnovnih pojmova: idiografski pristup, mentalistički pristup, te na voljnu i svesnu delatnost Ijudi. Razlika idiografskog i nomotetskog pristupa ima duboko utemeljenje u savremenim društvenim naukama. Neki je nazivaju debatom, a neki ratom. Nomotetski pristup traži zakone ponašanja, poput prirodnih, dok idiografski tumači ponašanje pojedinca. Iz ove osnovne razlike proizlazi niz drugih razlika u pristupu saznanju, izboru perspektive i u opredeljenju za vrstu istraživanja ili neku od metoda. Te razlike sada nećemo dalje obrađivati, ali ćemo se na njih kasnije pozivati u drugim pogiavljima. Dalje detalje o debati nomotetsko - idiografsko student može potražiti u mnogim metodološkim tekstovim a, kao npr. Radonjić (1968), Marković (1981), Shaughnessy i sar. (2000) i Fajgelj (2005). Razlika mentalističkog i bihejviorističkog pristupa je potekla iz psihologije, ali se, jednako kao i razlika idiografskog i nomotetskog, oslanja na neke fundamentalne dileme naučnog saznanja. Mentalisti se oslanjaju na motive, iskustva i ideje Ijudi da bi razumeli njihovo ponašanje. Mentalisti, recimo, koriste metodu
introspekcije za prikupljanje podataka. Bihejvioristi odriču motivima, mislima, idejama i introspekciji status elemenata naučnog saznanja. Bihejvioristi izučavaju isključivo manifestno ponašanje, koje je svima dostupno, pa u vezi njega može postojati intersubjektivna saglasnost. N a primer, svi možemo da prebrojimo kohko je besinislenih slogova ispitanik tačno reprodukovao, ah samo on može da „vidi” da mu je „u glavi sve zbrkano.” Voljna i svesna delatnost Ijudi (u psihologiji se izučava i delatnost životinja) upućuje na idiografski pristup, jer su kombinacije namera, motiva i želja jedinstvene od čoveka do čoveka. Međutim, nije jedinstvenost tohki problem, kohki je problem što su motivi pojedinaca efememi, prepleteni i nadasve mnogobrojni. Zato ako uzmemo motive kao uzroke, nećemo moći izgraditi valjanu teoriju. Epistemolozi su pokušah da reše taj problem tako što su dozvohh teleološka i intencionalna objašnjenja. Naime, svi živi organizmi su svrsishodni sistemj, koji funkcionišu na osnovu postojanja niza ciljeva. Navođenjem tih ciljeva i podrazumevajući težnju da se ciljevi dostignu (motive), možemo objasniti i razumeti, ponašanje živih bića. Dakle, na teleološki način, ponašanje se može razumeti saznavanjem njegovih motiva. Celokupan pristup saznanju kroz razumevanje mnogi autori nazivaju hermeneutikom, je r se tumače značenja koje neka situacija ima za pojedinog čoveka i interpretiraju njegovi motivi za delanje. Teleološko objašnjenje je hermeneutičko objašnjenje. Već na prvi pogied, introspekcija, razumevanje, teleološko objašnjenje i herm eneutika po svom opštem duhu pretpostavljaju idiografski pristup i čini se da ukidaju pojam uzročnosti u okviru tog pristupa. Međutim, to nije potpuno tačno je r se danas i veliki broj „nomotetskih autora” uzdržava od pominjanja uzročnosti u oblasti Ijudskog ponašanja. Pravilnosti koje otkrivamo u ponašanju su statističkog tipa, a mali je broj varijabli za koje su nauke o ponašanju definitivno utrdile da su „nužni i dovoljni” uslovi ponašanja njegovi uzroci. Na kraju, može se reći da iako je pojam uzročnosti sporan čak i u fizici, iako su razlike između objašnjenja i razumevanje suptilne i unatoč tome što teleološka objašnjenja mogu da ih spoje, danas je česta praksa da kvalitativno orijentisani istraživači insistiraju na tome da oni razumeju pojave, dok ih kvantitativne studije „samo objašnjavaju”.
Na kraju glave o epistemološkim osnovama istraživanja ponašanja treba skrenuti pažnju čitaocu, a malo je verovatno da on to već ne zna, da su u oblasti epistemologije, a posebno filosofije, o svakom iznesenom stavu napisani čitavi tomovi knjiga. Ne samo da su napisani, nego i međusobno protivreče. Mi smo nastojah, bona fid e, da damo jedan presek stanovišta koja su najmanje spoma, koja su u današnjoj socijalnoj nauci prihvaćena neposredno ili prećutno, ah, naravno, i ona koja su izraz našeg uverenja o tome šta je važno i presudno za empirijska istraživanja. Uverenja kao što su „Istina ne postoji” ili „Stvamost ne
postoji” nisu plodotvoraa za naučna istraživanja i njima jednostavno nije mesto u metodološkom priručniku. O različitim filosofskim i epistemološkim uverenjima, koja imaju svoj odraz u svetu empirijske nauke, biće još dosta reči kasnije u knjizi, a posebno u okviru problema izbora teorijske perspektive (v.), odnosa kvantitativnih i kvalitativnih istraživanja (v.) i metoda itd.
D. Individualne razlike
Kao što je u uvodu rečeno, većina podataka u naukama o ponašanju se odnose na individualne razlike. Pored individualnih razlika, koje se, kako im naziv kaže, tiču pojedinaca, često se u naukama o ponašanju prikupljaju podaci o ponašanju gnipa, pa čak i čitavih institucija i društava. Individualne, gnipne i institucionalne razhke se mogu utvrditi na nebrojeno mnogo načina. Vrlo često se Ijudi prosto pitaju o njihovim mišljenjima i stavovima. Ljudi i grupe se, takode, mogu posmatrati i mogu se beležiti njihove akcije, reakcije i interakcije. Isto tako, mogu se posmatrati i meriti rezultati aktivnosti pojedinaca ili grupa - umetnička dela, proizvodi, ih rešenja nekih životnih problema. Da bi se izbeglo komplikovano nabrajanje svih entiteta i načina ispoljavanja njihovih razhka, u tekstu ćemo se služiti sintagmoni individualne razlike, podrazumevajući sve ono što ovde jeste ih će tek biti rečeno o poreklu i izvoru podataka u istraživanjima ponašanja. Naravno, metode koje su specifične za pojedine oblasti nauka o ponašanju, kao što je istraživanje kriminala, istraživanje kulturnih uticaja i sličnosti iznieđu civihzacija, istraživanje genetskih i bioloških osnova ponašanja itd., neće biti ovde zasebno obrađene. Dosada je već dovoljno istaknuto da će istraživač u oblasti nauka o ponašanju u tipičnom slučaju prikupljati i anahzirati podatke o individualnim razhkama. Sada treba reći da je dominantan način prikupljanja podataka merenje. Nešto kasnije će se videti da su merenje i tzv. teorija merenja kompleksna i mnogo istraživana oblast i da unatoč tome što danas raspolažemo značajnim iskustvima o problemu merenja, konačni odgovori u toj važnoj oblasti svakog istraživanja nisu dati. Posebno su istaknuti teorijski problemi upravo u merenju u oblasti društvenih nauka. Međutim, ako se merenje pravilno shvati i ako se defmiše na pravilan način, onda će biti jasno da najveći broj podataka u društvenim istraživanjima dobijamo upravo merenjem. Pre nego što objasnimo šta je merenje, odnosno pre nego što izložimo osnove tzv. formalne teorije merenja, moramo objasniti šta je suština indivi-
dualnih razlika. Odmah ćemo reći da su one u osnovi slučajne pojave, pa je neophodno da se razume pojam slučajnosti i priroda slučajnih pojava.
1.
Slučajnost i determinizam - istorijski uvod
O pojmovima shičaja i verovatnoće najčešće se debatira u kontekstu odnosa determinizma i indetenninizma, nužnosti i slučajnosti. Ta debataje veoma stara, potiče još od filozofa antičke Grčke. Aristotel, vrhovni autoritet u oblasti racionalizma i dedukcije, tretirao je slučajnost kao „kolateralnu grešku” koja nastaje pri susretu razHčitih delatnosti. Ova ideja je vekovima kasnije elaborirana i varirana na različite načine. U formi u kojoj je koristimo i u ovom tekstu, ona kaže da slučajnost nastaje na „preseku kauzalnih lanaca”. No, u suštini, Aristotel je odricao shičajnosti ontološki karakter; pre je bio na strani onih koji su u njegovo vreme, ali i milenijumima kasnije, smatrali da je slučajnost samo „dokaz našeg nepoznavanja pravih uzroka” (kao npr. Baruch de Spinoza). Većina naučne istorije čovečanstva protekla je u racionalističkodeduktivnom uverenju da je slučajnost subjektivna kategorija, tačnije neznanje, dok je svet ustrojen deterministički, kauzalno. Ekstremni, mehanički determinizam zasniva na tvrdnji da je sve što postoji direktna posledica, po sih kauzalnosti, prethodnih stanja i procesa, pa je tako i budućnost već odredena današnjim stanjima i procesima (u poglavlju o uzročnosti opisano je ovaj stav Laplacea). Polet tom ekstreiTinom detenninizmu dala je fizika Isaaca Nevvtona, odnosno njegova tri zakona kretanja objavljena u delu Philosophiae Naturalis Principia Mathematica, 1687., svakako jednom od najznačajnih dela uopšte, a posebno modeme nauke. U domenu svakodnevnih brzina, sila i trenja, Njutnove postavke su važile u više nego zadovoljavajućem stepenu. Medutim, sam Njutn, kao i svi posle njega, videli su da se merenjem ne mogu dobiti tačne vrednosti za, recimo, čuvenu jednačinu II zakona: F=ma. Simon Newcomb je, recimo, 1895. g. rekao da „nešto nije u redu sa zakonom gravitacije” (koji sledi iz Keplerovih i Njutnovih zakona), zato što se rezultati posmatranja ne slažu saNjutnovimjednačinama. Kasnijim razvojem misli i prakse generalno, čovek je „ušao” u mikrosvet i u kosmos, gde su sile i brzine mnogo veće i gde Njutnove stroge racionalističke postavke više nisu bile dovoljne. Zato su morali nastati „novi pristupi” kao što su Gibbsova statistička mehanika i njegov pojam entropije kao mere nereda, zatim kvantna mehanika i Heisenbergovo uvidanje da proces posmatranja (i merenja) uvek utiče na objekt posmatranja, i napokon kibemetika koja je u samoj svojoj osnovi imala pojmove informacije, entropije, verovatnoće i statistike. Tako su slučajnost i statistika postali odlika modemog razvoja nauke, posebno od XIX veka, i prevazilaženja racionalizma u korist empirijske nauke. Kauzalna objašnjenja i detenninizam koji sledi iz takvih objašnjenja pokazali su se posebno problematičnim u oblasti društvenih nauka. Zato je razvoj društvenih nauka kao empirijskih nauka bio prevashodno zasnovan na primeni
statističke metode u analizi pojava i podataka. U društvenim naukama se, tako, najpre odustalo od determinizma. Dosadašnja istorija nauke i tehnologije se može sagledavati upravo kroz stepen u kome je u samom supstratu odgovarajuće nauke uključen slučaj, neodređenost, greška i statistička metoda - je r priroda nije sastavljena iz iscepkanih tipova i kategorija. Prateći istoriju nauke i tehnologije, vidimo da je tek u „drugoj iteraciji” čovek bio prisiljen da počne ugrađivati kontinualnost prirode u svoje pojmove i metode. Kako je do toga došlo? Tako što je nauka počela da se empirijski proverava, da se praktično primenjuje, da se fizički procesi kontrolišu, da se predmeti proizvode, a uz sve to i uvek - da se meri. 'Dak\s,praksa]e. bila taj agent koji je potisnuo determinizam - a rezultat je bio akceptiranje slučajnosti.
2.
Šta je verovatnoća i u kakvoj je vezi sa slučajem
Izrazi „verovatnoća” i „verovatno” se koriste u svakodnevnom govoni, označavajući subjektivnu neizvesnost jednog od ishoda izmedu dva ili više mogućih. Kao što je čitalac već mogao zaključiti iz ovog teksta, kad god postoji zdravorazumski konsezus oko nekog pojma, valja očekivati široko polje sukobljavanja filozofskih stavova. Tako se smatra da ni do danas nije iskristalisana jedinstvena defmicija verovatnoće, iako je debata trajala vekovima. Postoje dva široka pravca razmišIjanja o verovatnoći: frelcvencijski i nefrekvencijski. U frekvencijskom pravcu postoje, opet, dva osnovna pristupa: a priori i a posteriori. A priori definicija potiče od Pierra LaPIacea i Augustusa DeMorgana. Po toj defmiciji verovatnoća je broj poželjnih ishoda, podeljen brojem svih jednako verovatnih ishoda: p = f / i f + u). S ap (Iat.pro6a6;7;7a5) je označena verovatnoća, sa/(en g l. favorable) broj poželjnih ishoda, a sa u (engl. unfavorable) broj nepoželjnih ishoda. Ovu verovatnoću možemo izračunati pre nego što se bilo koji ishod dogodi. Za nju nije potrebno nikakvo empirijsko iskustvo. N a primer, verovatnoća da padne glava je 0,5, da padne šestica 1/6 itd. Delimično zbog toga, a delimično zbog toga što se bazira na pojmovima poželjnih ishoda i jednakih verovatnoća, naziva se i psihološkom defmicijom verovatnoće. S obzirom da je istorijski najstarija (prva razmišljanja potiču - od koga bi drugog - od Aristotela), često se naziva klasičnom definicijom verovatnoće. A posteriori definicija se bazira na graničnoj relativnoj frekvenciji iz velikog broja ponavljanja. Ona je empirijska defmicija, zato što pretpostavlja izvršavanje niza pokušaja da bi se odredila verovatnoća nekog od ishoda. Recimo, ako nas interesuje verovatnoća pojavljivanja šestice prilikom bacanja kocke, u skladu sa ovom defmicijom moramo bacati kocku, brojati pojave šestice i na kraju taj broj podeliti sa brojem bacanja. Ako želimo da odredimo verovatnoću kiše u julu, ili verovatnoću da doživimo šezdesetu godinu ako imamo 57, konsultovaćemo sve raspoložive meteorološke podatke i podatke iz životne statistike. Ti podaci su empirijski prikupljani tokom godina. Kontrolor proiz-
vodnje će za neki proizvod reći da mu je yerovatnoća fabričke greške 0,06, zato što to pokazuju višegodišnji podaci. Nefrekvencijsku definiciju je dao poznati engleski ekonomista John Maynard Keynes (on je početkom XX veka učinio preokret u gradanskoj ekonomiji, pa se danas svi oni koji dele njegova uverenja nazivaju Kejnsijanci). Njegov pristup verovatnoći je bio sledeći. Uz svaku verovatnoću idu dva broja: a) vrednost verovatnoće same po sebi i b) težina dokaza koji je prate. Odredivanje uverljivosti dokaza je subjektivno. Onaj ko donosi odluku ocenjuje na osnovu raspoloživih informacija koiiko je dobijena vrednost verovatnoće ubedljiva (plauzibilna). Dakle, sama empirijska verovatnoća nije dovoljna za praktičnu upotrebu, nego se mora proceniti i težina dokaza na osnovu kojih je izračunata. Kerlinger i Lee (2000) navode primer doktorske komisije kojoj su data na ocenu dva doktorata čiji su nalazi bili jednaki, ali je u jednom test statističke hipoteze izveden na uzorku od 10, a u drugom od 100 objekata. lako je /i-vrednost testa nulte hipoteze bila jednaka, komisija je smatrala uverljivijim onaj nalaz koji je baziran na uzorku od 100. Klasična defmicija, koja je i najpoznatija, ima ključan nedostatak u tome što koristi izraz .jednako verovatnih” ishoda. Psihološki, ta pretpostavka je intuitivno jasna, jer ako o nečemu ne znamo ništa, onda je pretpostavka da su ishodi nezavisni i jednako verovatni sasvim razložna. Međutim, sa epistemoioškog gledišta, na ovaj način se verovatnoća defmiše pomoću verovatnoće, pa je zbog toga ova defmicija cirkularna i sa epistemološkog stanovišta bezvredna. Kasnije su date rrmoge revizije ove defmicije sa ciljem da se izbegne cirkulamost. Kerlinger i Lee navode mišljenje da je a posteriori definicija ostavila najdublji trag u statistici, pa otuda i u naukama o ponašanju. Analogno Keynesovoj defmiciji čini se da Ijudi u svakodnevnom životu „ponderišu” vcrovatnoću prema subjektivnom značaju događaja. Ljudi ne gledaju samo da li verovatnoća dogadaja prelazi 0,50, ili koliko su uverljivi dokazi da je veća od 0,50, nego kolike su posledice tog dogadaja. Tako razmišljaju Ijudi kada se približavaju ivici provalije, ili kada izlaze u vreme velike oluje sa mnogo grmljavine. N a osnovu zdravstvenih i drugih statistika Ijudi bi mogli biti sasvim mirni jer je, recimo, verovatnoća da će poginuti od pada sa stene samo 1: 10000 ili 1:25000 (v. poglavlje o paradoksima slučajnosti). Verovatnoća je, medutim, samo operacionalizacija, tačnije kvantifikacija pojma slučajnosti. Defmicije verovatnoće ne ulaze u to zašto kocka ne pada uvek na jednu stranu, ili zašto neko umre pre šezdesete, ili zašto neki proizvodi imaju fabričku grešku. D a li j e slučajnost mižna, ili su slučajni događaji samo retka i efemernapojava? Nama je za razumevanje individualnih razlika potrebno upravo da razumemo šta je slučajnost. Na sledećim stranama prezentiraćemo tumačenje slučajnosti koje nema za cilj da razreši filozofski status slučajnosti, nego da bude praktično i da poseduje eksplanatomu moć u odnosu na pojavu koja nas interesuje - individualne razhke.
•
•
•
•
Ovo tumačenje zasnovaćemo na pojmu prakse kao svrsishodne (celishodne, ciljne) delatnosti. Prikui)ijanje iskustvenih podataka, a ono je, rekli smo, osnova empirijskih istraživanja, jeste takva praktična delatnost. Što se tiče debate nužnost - slučajnost, prihvatićemo u potpunosti postojanje kauzahiih odnosa u svetu (dakle determinizma), ah i postojanje nezavisnih „kauzahiih lanaca” koji se mogu uki‘stiti u nekoj prostomoj i vremenskoj tački. Posebno je lako zamisUti prephtanje kauzalnih lanaca iz više „svetova”, recimo mikrosveta i maki'osveta. Samo saznanje ćemo takode tretirati kao praktičnu delatnost. Svakomje jasno da se empirijska provera, kao važan element naučnog metoda, mora bazirati na nizu čvrsto planiranih praktičnih postupaka. Razvoj jedinki takođe je vrsta svrsishodne praktične delatnosti. Razvoj jedinke uključuje nasledni potencijal, sredinske uticaje, metaboHzam, aktivnosti na postizanju homeostaze i niz drugih elemenata koji imaju svoj cilj i koji se obavljaju vršeći materijalne i energetske razmene sa okohnom.
Videće se da ovo tumačenje podržava epistemološku, tj. saznajnu nužnost slučajnosti u oblasti anahze individualnih razhka.
3.
Slučaj i praksa
Razmišljanja o shičaju možemo podehti u tri oblasti: maiematičku, stalističku i praktičnu. U okviru matematičke oblasti operiše se pojmom verovatnoće koja se definiše potpuno apstraktno i formalno, onako kako je to uradeno na prethodnim stranama, tako da se shičaj i slučajnost uopšte ne moraju spominjati. Matematička definicija verovatnoće glasi otprilike da je to broj između 0 i 1 kojim možemo označiti neki dogadaj iz skupa mogućih događaja. Ništa više i ništa drugo. Karakteristično razmišljanje o slučaju i slučajnosti u okviru statističke škole razmišljanja bi izgledalo kao određivanje učestalosti (verovatnoće) postojanja Ijudi čiji je IQ veći od 150, ako su na uzorku veličine »=1000 nadena 3 takva čoveka. U opštem smishi, statistika se bavi slučajnim pojavama u reahiom svetu i nastoji da u neodredenosti koju shičaj sa sobom nosi otkrije „nešto čvrsto” na osnovu čega se mogu donositi zaključci i generalizacije. Ono što smo nazvaii praktična misao o shičaju srela bi se, recimo, sa sledećim problemom. Recimo da se organizuje nagradna igra u kojoj ćc se dobitnik odrediti tako što će se imena svih N učesnika napisati na papiriće i papirići ubaciti u šešir. Nekoj osobi ćemo onda dati da izvlači dobitnika iz šešira. Na osnovu kombinacije intuicije i „logičke anaUze” praktičar će smatrati da su time svima date iste šanse. Ako pita statističara, ovaj će mu reći da je verovatnoća biranja svakog od učesnika 1/N. Malematičar će se složiti da vrednost 1/N predstavlja verovatnoću. „Praktičar” i osoba koja izvlači papiriće se, dakle, nalaze u situaciji za koju se svi slažu da je implementacija slučajnosti par excellence. Praktičar smatra da je
planirao slučaj zato Sto ne postoje nikakve zakoiiitosti koje upravljaju time kako će osoba izvlačiti papiriće. Na osnovu toga će on smatrati da će rezultati izvlačenja biti emanacija „čiste” slučajnosti. Statističar i matematičar mu to mogu potvrditi. Nažalost, najverovatnije nije tačno da ništa neće uticati na to kako će osoba izvlačiti papiriće. Možda bi neki ogled pokazao da sve osobe radije izvlače papiriće koji stoje okomito (kod kojili prvo dodirnu ivicu), ili bi se pokazale neke druge, ma kakve one bile, senzomotorne preferencije koje utiču na to da neki papirići imaju manju, a neki veću šansu za izvlačenje. U našoj praktičnoj postavci, kada osoba ima zadatak da u svakom izvlačenju izvuče bilo koji listić, ona postupa po nekim pravilima koje je ona svesno ili nesvesno postavila. Npr.: „sad odozdo”, ,,sad jedan odozgo” itd., ili po nekim senzomotomim preferencijama. Ona na taj način ne generiše slučaj. Ona ne zna šta radi, odnosno ne zna šta piše na listiću, i pod pretpostavkom da su listići perceptivno identični i „promešani”, svaka njena strategija izvlačenja je podjednako dobra. Može da ide prosto redom i da izvlači listiće jedan za drugim sa vrha gomile. Da bismo operativnu interpretaciju slučaja postavili na noge, konstatovaćemo za početak da slučai nastaie u nraktičnoi delatnosti koia ie usmerena ka ciliu. Naime, zašto bi se uopšte smatralo da je papirić koji osoba izvuče u jednom izvlačenju različit od nekog drugog, iz drugog izvlačenja. Osoba je dobila zadatak da izvuče bilo koji papirić i u svakom izvlačenju će ona to besprekorao izvršiti. Njen cilj je da izvuče bilo koji papirić, a ne neki određeni. Na čijoj strani se stvamo desio slučaj? Na strani učesnika nagradne igre. Oni su jedini imali cilj da dobiju nagradu i praktično su sproveli postupak popunjavanja i dostavljanja papirića. Izvlačenje listića sa njihovim imenima je tek jedan od „kauzalnih lanaca” koji dovode do toga da njihov cilj ne bude ostvaren, odnosno da bude ostvariv sa određenom verovatnoćom. Shičaj na strani osobe koja izvlači papiriće i „praktičnog probabihstičara” bi se u gornjemprimeru javio samo ukohko bi osoba imala zadatak ih nameru da izvuče jedan ih više određenih papirića. Dakle, postoji suštinska razhka izmedu prve postavke, u kojoj osoba izvlači bilo kojih n papirića, i dmge u kojoj je osoba dobiia zadatak da izvuče n određenih dobitnika. U prvom slučaju osobi je bilo svejedno šta piše na papiriću, a u dmgom je to bio ci!j. U prvom slučaju, svaki skup od n papirića je tačan, a u dmgom, samo jedan. Sa stanovišta osobe koja izvlači, u prvom slučajup er definitionem nema greške (jer nema cilja), a u dmgom postoji egzaktno izračunljiva verovatnoća greške. Zašto se stvarno dešava da ishodi naše svrsishodne delatnosti budu razhčiti, bez obzira što su naše namere, aktivnosti i uslovi bih isti? Zato što je, generalno govoreći, svaki dogadaj svet u malom. Nema izolovanih procesa, nema čistih aktivnosti, nema kule od slonovače kada se radi o dogadajima iz stvarnog sveta. Paralelno svakom lancu događaja kojeg mi pokrenemo nekom našom akcijom teče širok tok znanih i neznanih procesa. Isto tako, svakom takvom lancuprethodi
niz procesa i okolnosti. Svi ti procesi mogu biti međusobno povezani, ali mogu biti i potpuno nepovezani. Ovde se ne misli na procese koji slede po nužnosti fizičkih zakona, kao npr. da će bačena kocka prvo leteti, pa zatim usled delovanja gravitacije i trenja, pasti i zaustaviti se. Misli se na neku sitnu vibraciju stola usled prolaska kamiona, iii na zazor u delovima mašine koja je proizvela kocku, pa sve kocke nisu idealne nego im mesto težišta varira. Dakle, govori se o procesima koji se jedinstveno kombinuju u datom trenutku i na datom mestu, koji nisu nužna posledica prethodnih procesa, pa se zato od dogadaja do događaja rekombinuju na bezbroj mogućih načina. Takvi procesi, koje možemo nazvati nezavisnim kauzalnim lancima, na preseku svojih uticaja stvaraju ono što nazivamo slučajnim dogadajem. Slučaj nastaie zatn što se tok naše delatnosti prenliće sa kauzalnim lancima koii teku paralelno s niome. ali koie mi nismo namerno pokrenuh. To su kauzalni lanci koji nisu intencionalno, vremenski ili prostomo povezani sa svrhom naše delatnosti. Primer su greške u proizvodnji kocki, vibracije stola, nesvesne senzomotome preferencije kod osoba koje izvlače listiće iz šešira i slično. Ako praktičnu i svrsihodnu delatnost defmišemo dovoljno široko, kao bilo kakve materijalne i energetske razmene sa okolinom koje imaju za cilj održarje života, onda i za bilo koje telesne i duševne osobine živih bića možemo reći da jesu ili da nastaju kao rezultat takve delatnosti. Na primer, jedan od rezuUata rasta jedinke, koji mi zovemo telesnom visinom, rezuUat je niza procesa i uticaja koji uopšte nisu geometrijski, niti imaju veze sa zauzećem prostora. Kako možemo da znamo da je to tako? Tako što mereći telesnu visinu kod Ijiidi vidimo da se ona ponaša p o pravilima slučajne varijable sapribližno normalnom raspodelom. Nakon što smo to uočih mi znamo da iza „postignuća visine” stoji veliki broj uzroka i procesa koji su uticali neposredno ih posredno. Kao što će se kasnije videti, na osnovu varijabilnosti telesne visine možemo izučavati te procese i, izučavajući ih, sagledati sav ,,rad” koji je jedinka obavila na uskladivanju hereditamih i sredinskih faktora.
4.
Slučajnost, saznanje i merenje
Svaka čovekova delatnost dovodi do slučajnih odstupanja, ali za tematiku ovog teksta su posebno važni čovekovi ciljevi koji se odnose na saznanje. Posebno nas interesuju ciljevi koji se odnose na saznavanje ponašanja Ijudi i Ijudskog društva. Da li je naučno saznanje ciljna praktična delatnost, kao što je izvlačenje papirića iz šešira? Podsetimo se uvodnog poglavlja sa kratkiin istorijskim pregledom razvoja nauke, od racionalističko-deduktivne do empirijske. Istorija nas, đakle, uči da saznanje nije potpuno ako se obavlja samo u glavama naučnika. Priroda je, po svemu sudeći, kontinualna; nije izdeljena u pojmove, tipove ili kategorije. Pre ili kasnije, da bismo je saznali, moramo stupiti u praktičan odnos sa njom i suočiti se sa svim aspektima koje ona sadrži: kontinualnost i isprepletenost.
Takođe, ne treba posebno dokazivati da naučno saznanje ima jasne i čvrste ciljeve. To je jedna od čovekovih delatnosti koja se posebno odlikuje usmerenošću i planiranjem. Naučno saznanje se pokazuje kao svrsishodna delatnost najpre u savremenim empirijskim naukama koje teorije proveravaju na iskustvenim podacima. Postoji jedna operacija koja je intimno povezana sa saznanjem i sa praktičnim svetom - merenje. M erenje, kao posebno defm isana praktična delatnost, obuhvata osobine Ijudskog znanja i saznanja, osobine čovekove praktične delatnosti i osobine stvarnog sveta. Ako ga tako defmišemo, onda znamo da će, kad god se nešto meri, dolaziti do odstupanja od cilja zbog nepoznatih uzroka. To „odstupanje od cilja” možemo operacionalizovati kao neizvesnost rezultata sledećeg merenja, bez obzira koliko smo merenja, makar i iste stvari, prethodno izvršili. Naučno saznanje možemo, u kontekstu defmicije slučaja, operacionalizova' ti kao očekivanje. Pod očekivanjem podrazumevamo potpuni sadržaj tog pojma a ne samo racionalno-analitički. Očekivanje, naime, sadrži i nameru, volju spremnost za delanje, a ne samo kognitivnu analizu koja rezultira nekim stepe nomneizvesnosti. Ukratko, očekivanje razumemo kao intencionalno i racionalno, Sada raspolažemo sa nekoliko bitnih odrednica koje nam mogu pomoći u defmisanju slučaja: praktična delatnost, cilj i očekivanje. Prema tome, možemo zaokružiti situacije za koje se može reći da se desio slučajni dogadaj i možemo formulisati još jedan važan stav o slučajnosti. Ovaj stav će biti posebno pragmatičan u oblasti merenja u naukama o ponašanju: sKičai nastaie tokom svrsishodne praktične deiatnosti. kao odstupanie od nostavlienog cilia ili očekivanoe ishoda. Uporedimo situacije kada merimo telesnu težinu Ijudi sa merenjem težine kamenčića na šijunkovitoj plaži. U oba slučaja ćemo verovatno dobiti približno normalno distribuiranu slučajnu varijablu težine. Čemu sada možemo pripisati slučajnost ishoda merenja, odnosno dobijenu varijabilnost? Težina kamenčića na plaži zavisiće verovatno od geološkog sastava kamenja, starosti plaže, izloženosti radu talasa i sl., pri čemu su sami kamenčići pasivni agenti promena. S druge strane, težina Ijudi zavisi od DNK programa, ali i nebrojenih procesa koji su doveli do formiranja organa i tkiva, zatim od rase, ishrane, bolesti i drugih faktora koji su rezultat aktivne interakcije merenih Ijudi i okoline, ali i potencijalnih interakcija merene veličine (težine) i samog merenja (npr. neki Ijudi nisu želeli, ili nisu mogli da dodu da se mere). Distinkcija izmedu merenja kamenčića i Ijudi bi bila još jasnija da smo kod Ijudi merili inteligenciju. U svim slučajevima je merenje to koje je generisalo slučaj, jer koliko god da smo merili, uvek će biti neizvesan ishod sledećeg merenja. Međutim, kada se radi o merenju težine kamenčića, oni su pasivan, a kada se radi o merenju Ijudi, oni su aktivan činilac merenia.
5.
Slučajnost i razvoj jedinke
Postoje različite mogućnosti da se defmiše „praktična” delatnost. Pojam prakse je, sam po sebi, predmet filozofskog procesuiranja već odavno, ali se pri tome po pravilu podrazumevaju čovek i njegova razumna delatnost. Nama, medutim, treba jedna opšta defmicija koja bi bila primenljiva na sve organizme:
na svesnu delatnost čoveka, ali i na proces razmnožavanja amebe. U tom pogledu se čini da je praktičnu delatnost najbolje opisati kao interakciju organizma i okoline koja se zasniva na fizičkim i hemijskim procesima. U najprostijem vidu, praktična delatnost je kretanje i razmena materije. Često se može sresti iskaz o „materijalnim i energetskim razmenama” organizma i okoline, koji znači u osnovi isto (Fajgelj, 1975). Međutim, vrlo važna komponenta praktične delatnosti svih živih organizama je cilj s obzirom na koji se ona obavlja i bez kojeg praktične delatnosti nema. Moglo bi se reći da ne postoji delatnost živih organizama koja nije svrsishodna (ali se ne može zanemariti ni mogućnost postojanja „šuma” i spontane motorike). Dakle, šta je to cilj? Ciljno ponašanje defmišemo kao objektivno sistemsko svojstvo živih organizama koje se sastoji od niza odluka i aktivnosti pomoću kojih se organizmi prilagodavaju okolnostima, radi dostizanja nekog konačnog stanja koje obično nazivamo ciljem. Ovako defmisano ciljno ponašanje ne podrazumeva svest. Razmotrimo sada jedno veoma važno pitanje iz ovog domena - šta su telesne i duševne osobine živih bića. Da li se one mogu podvesti pod svrsishodno ponašanje, odnosno da li su rezultat takvog ponašanja? Da li je, na primer, telesna visina c;^'jedinke, baš kao i inteligencija? Ako se decentriramo od kolokvijalnog pojma svesnog ponašanja i umesto izraza „ponašanje” upotrebimo izraz „materijalne i energetske razmene sa okolinom”, onda i u slučaju čovekovog rasta možemo reći da se radi o realizaciji jednog programa koji je ugrađen u DNK i koji kroz transkripciju u proteine, kao i kroz mnoge druge poznate i nepoznate mehanizme ostvaruje fizičke karakteristike vrste. Ipak, bilo bi pogrešno reći da je cilj genetskog programa dostizanje neke telesne visine. Cilj genetskog programa je da napravi mesta za sve organe, ali i da u tome ima što više varijacija kako bi se omogućila evolucija (prirodna seiekcija bila bi nemoguća kad bi svi organizmi bili identični). Malo je verovatno da negde u genetskom kodu piše „visina”. Jedan od rezultata rasta, koji mi nazivamo telesnom visinom, rezultat je niza procesa i uticaja koji uopšte nisu geometrijski, niti imaju veze sa zauzećem prostora. Jedan od osnivača statistike, belgijanac Adolphe Quetelet tvorac je pojma „prosečni čovek”. To je onaj čovek koga priroda želi da stvori, ali zbog ometanja od strane mnoštva sitnih nezgoda ona to retko uspeva u svim aspektima. Kako možemo da znamo da iza dostignute telesne visine stoji niz procesa i uticaja? Tako Sto mereći visinu vidimo da se ona ponaša p o pravilima slučajne varijable sapribiižno normalnom raspodelom. Pošto smo to uočili, mi znamo da iza „postigmića visine" stoji veliki broj uzroka i procesa koji su uticali neposredno ili posredno. Kao što će se kasnije videti, na osnovu varijabilnosti telesne visine možemo izučavati te procese i izučavajući ih sagledati sav ,,rad” koji je jedinka obavila na usklađivanju hereditamih i sredinskih faktora. Dakle, da li su osobine organizama cilj razvoja tih organizama i da li se taj cilj postiže praktičnom svrsishodnom delatnošću? Odgovor je nesumnjivo pozitivan. Iz toga sledi da se varijacije u nivou posedovanja osobina mogu takođe
tumačiti kao slučajne pojave. Razvoj jedinki kombinuje nasleđe i okolinu, mikrosvet i makrosvet, kao i nebrojene kauzalne lance, pa su osobine jedinke, kao rezultat tog razvoja, emanacija slučajnosti.
Prikazano shvatanje slučajnosti je korisno za razumevanje porekla individualnih razlika. U narednom poglavlju će biti opisani izvori individualnih razlika, upravo na osnovu ovakvog shvatanja skičajnosti. Ono nije posebno novo jer se tretman slučajnosti kao neočekivanog rezultata Ijudske aktivnosti koje je usmemo ka cilju sreće još kod Tukidida i Ksenofana (Marković, 1981). Povezivanje slučaja i teleologije nastavljeno je i kasnije, recimo kod nekih filozofa „novokantovaca”. Marković ovakva shvatanja slučajnosti naziva aksiološkim. Kao što je rečeno, pojmovi cilja i očekivanja sadrže i aspekt „vrednosti” (za jedinku, za istraživača), pa u tom smislu Markovićeva klasifikacija ima smisla. Važno je uočiti da je slučaj nnžna prateća pojava svake praktične delatnosti usmerene ka cilju - pa i merenja.
6.
Paradoksi slučajnosti
Teškoće razutnevanja slučajnostl su prisutne kod svlh Ijudl, bllo da se radl o svakodnevnom žlvotu III naučnom radu. Postojl prillčan broj referencl u naučnoj llteraturi koje su se bavlle teškoćama Ijudskog uma u pltanjima slučaja. Tim problemom su se bavlli poznatl autori iz razllčitih oblastl i utvrđene su različite pravilnostl i zakonitosti po kojima Ijudl greše u tumačenju slučajnosti. Istražlvanja koja se najčešće cltiraju u tom domenu je obavlo pslholog Amos Tverskl, a njegovl zaključcl se smatraju fundamentalnlm. Osim naučnlka, ponašanjem Ijudl u neizvesnim sltuacljama bave se i obaveštajne službe. Njlma je to pltanje važno Iz vlše aspekata: sa stanovišta zaključaka koje donose agenti-operativci, analltlčari, kao I Ijudl kojl su predmet obaveštajnog rada. U najkraćim crtama, jedan od osnovnih probiema shvatanja slučajnostl se manifestuje kao konflikt izm e đ u slučaja kao diskretnog i konkretnog događaja i verovatnoće kao kontinuirane i apstraktne veiičine. Ljudl slučajnost prepoznaju u nekom događaju kojl se desio III se nlje desio, III treba, odnosno ne treba da se desl. S druge strane, matematika Im nudl verovatnoću, koja može da zauzme bilo koju vrednost izmedu 011. Kasnlje će to bltl demonstrirano na konkretnom primeru. Pored toga, Ijudl ne znaju da rezonuju na način teorije verovatnoće. Karakteristlčan primer je kada se probleml definlšu pomoću tzv. uslovnlh verovatnoća. Osim uslovnlh verovatnoća, teorija verovatnoće operiše i druglm načinlma kombinovanja vlše verovatnoća (vlše slućajnih dogadaja). U svlm tlm primerima Ijudi a) ne rezonuju koherentno i b) često rezonuju suprotno od matematlčklh pravila. Generalno, to je zato što Ijudi događaje interpretiraju kauzaino, a ne stohastički. Jedna vrio neobična stvar se primećuje kod kolokvljalne Interpretacije slučajnlh događaja. Nalme, kad se nekome desl nešto neočeklvano, Ijudi kažu da je to sudblna. Sudblna nlje ništa drugo do kolokvijalan Izraz za determinlzam (eventualno anlmlstlčke, mistićne III religlozne vrste). Iz toga bl sledilo da Ijudi siučajnost tum ače determinističkl, u čemu se
ogleda još jedna paradoksalnost Ijudskog shvalanja slučajnosti. Zdrav razum voli kauzalnost. Tverski i Kahneman su zaključlll da „intuitivno sudenje o svim relevantnim marginalnim, konjunktivnim i uslovnim verovatnoćama teško da će biti koherentno, tj. da će zadovoIjavati pravila teorije verovatnoće". Značajno je reći da su ova dvojica autora smatrali da ta nekoherentnost nije površna, već da proističe iz temelja kognitivnog funkcionisanja Ijudi. H e u ris tik a r e p r e z e n ta tiv n o s ti.- U brojnim studijama tokom ranih 70-ih godina XX veka, Tversky i Kahneman' su pokazali da tipična odrasla osoba nije statističar u minijaturi,
kao i da se rezonovanje statlstičara početnika fundamentalno razlikuje od eksperta. Oni su formulisali niz heurističkih metoda koje Ijudi svakodnevno koriste prllikom odlučivanja u uslovinia neodredenosti. Pogledajmo sledeči originalan primer Tverskog i Kanemana: Ispitane su sve porodice u gradu koje imaju šestoro dece. U 72 porodice je tačan redosled rođenja dečaka (M) i devojčica (Ž) bio: ŽMŽMMŽ. Koliko vi procenjujete d_a je medu ispitanim porodicama bilo onih u kojima je redosled rođenja bio MŽMMMM? Ako se pretpostavi da je verovatnoća rođenja dečaka i devojčica je d n a k a I nezavisna od radanja do radanja, tačan odgovor bi bio da su sve sekvence jednako verovatne. Tako bi 72 bila najbolja ocena frekvencije redosleda MŽMMMM medu ispitanlm porodicama (jednaka kao ŽMŽMMŽ). Međutim, preko 80% Ijudl je dalo procenu manju od 72 (pri tom treba imati u vidu da bi oni koji su upoznati sa činjenicom da se dečaci radaju češće, sa verovatnoćom oko 0,513, trebalo da daju procene veće od 72 jer u pomenutom redosledu ima više dečaka). Kaneman i Tverski su pokazali da su ovi odgovori bili bazirani na pravilu „heuristlke reprezentativnosti". Prema ovoj heuristici, verovatnoća izvlačenja nekog konkretnog uzorka se procenjuje prema tome koliko je uzorak sličan populaciji - vrlo slično procenjlvanju porodične pripadnosti na osnovu sličnosti sa roditeljima. Autori su utvrdili da su ovde postojala dva opšta razloga zbog kojih se Ijudima ŽMŽMMŽ činio visoko reprezentativan za redosled rođenja. Prvo, za razliku od MŽMMMM, u njemu je jednak broj dečaka i devojčica, što bolje reflektuje činjenicu da su oba ishoda jednako verovatna (ili vrlo blizu tome). Drugo, on izgleda mnogo više nasumičan od MŽMMMM, čime intuitivno zadovoljava saznanje o slučajnosti odredivanja pola. lako heuristika reprezentativnosti ima svoju zasnovanost u velikom broju živoinih situacija, ona zakazuje na primerima sa jednakim verovatnoćama, dakle kada postoji maksimalna neodredenost. P ris tu p is h o d a .- Konold (1995) je nazvao „pristupom ishoda" tendenciju da studenti
na osnovu probabilistlčkog iskaza vremenske prognoze da danas postoji „70% verovatnoće da će pasti kiša' zakljućuju da „će danas biti kiše". Na osnovu tog pristupa studenti su verovatnoću pretvarali u da/ne ishod. Karakteristično za taj pristup je da za verovatnoću 50% smatra da predstavlja potpuno odsustvo znanja o ishodu (neki studenti su, u primeru vremenske prognoze, rekli da im se čini da meteorolozi koriste iskaz o 50% kada ne znaju šta da kažu). Na osnovu ovog primera Konold je smislio sledeći ajtem. Problem vrem enske p rognoze. Meteorološki centar u Springfildu želi da odredl tačnost svojih vremenskih prognoza. Pregledall su svoju arhivu za one
*’ Psiliolog Daniel Kahneman je 2002. g. đobio Nobelovu nagradu za rad u oblasli ckonomske psihologije koji je bio inspirisan upravo izučavanjem razumevanja slučajnosti kod Ijudi.
dane kada je prognostičar dao 70% šanse da će pasti kiša. Iz arhive su povadili podatke o tome da li je tih dana stvarno padala kiša ili ne. Prognoza o 70% šanse da će pasti kiša može se smatrati vrlo tačnom, ako je kiša stvarno pala, data je u tabeli.
a) b) c) d) e)
95%- 100%od tih dana 85%- 94%od tih dana 75%- 84%od tih dana 65%- 74%od tih dana 55%- 64%od tih dana
43 14 19 38 5
Konold je primenio ajtem na 119 studenata na početku različitih kurseva iz statistike. Broj odgovora se nalazi u krajnjoj koloni. Kao i u slučaju .problema retke bolesti”, ovaj primer je izazvao diskusiju medu statističarima. Na osnovu frekvencija odgovora vidi se da je većina studenata rezonovala u skladu sa pristupom ishoda. Njih 43 je očekivalo da 70% šanse znači da će kiša padati (odgovor a). Medutim, verovatnoća je kontinualna veličina koja bazira na statistički eksplicitno iskazanom zahtevu za velikim brojem ponavljanja. Tačnost prognoze se ne može dokazati na osnovu jednog jedinog dana jer ni iskaz o 70% šanse nije baziran na pojedinačnim danima, već na istorijskoj meteorološkoj evidenciji. Pravilan odgovor je pod d) i njega je izabralo 32% ispitanika. On obuhvata verovatnoću koja je sadržana u prognozi, upravo na način na koji je prognoza i sastavljena. Niske frekvencije odgovora pod b) i c) govore o tome da, kada Ijudi imaju „pristup ishoda", onda rezonuju j li pada ili ne pada” i ništa manje od toga im se ne čini plauzibilnim. Ovaj primer eklatantno ukazuje na problem diskretno-kontinualno, kada se brkaju dogadaji i verovatnoće.
7.
Izvori individualnih ra zlilo
U prethodnom poglavlju je izložen opšti okvir za razumevanje porekla individualnih razlika, njihovog značaja i analize. Objedinjujući pojmove slučaja, praktične delatnosti, cilja, očekivanja i merenja, napravili smo jednostavan i prihvatljiv okvir za objašnjenje pojave koja je za nauke o ponašanju od presudne važnosti - individualnih razlika. Na sledećim stranama ćemo rezimirati i dodatno objasniti izvore individuahiih razlika. Osnovna teza Po poreklu i suštini, individualne razlike su slučajne pojave. Teza I Budući da su slučajne pojave, individualne razHke su nužan ishod ciljne i praktične delatnosti kao što je nierenje. Teza 2 Najbolji alat za njihovu anahzu kao slučajnih pojava jeste statistika u najširem značenju tog pojma.
TezaS Slučajne pojave potiču iz dubljih, skrivenih i nepoznatih izvora, pa je anahza individualnih razlika snažno oruđe za otkrivanje njihovih izvora. Teza 4 Ako između dve slučajne varijable postoji korelacija, onda možemo biti sigurni da one: a) dele jedan ili više zajedničkih izvora, ili su b) jedna drugoj deliniičan izvor. To je osnovni i aktivni princip analize individualnih razlika koja nam omogućava da na osnovu manifestnog ponašanja izučavamo latentne osobine. Individualne razlike, dakle, nastaju kao rezultat merenja ponašanja i u najopštijem smislu su slučajne pojave. U prethodnimpoglavljima smo protumačili da je slučaj takav ishod neke praktične delatnosti koji predstavlja odstupanje od očekivanja ili ciljeva te delatnosti. Na narednim stranama objasnićeno koje se tu praktične delatnosti u pitanju i o kojim ciljevima se radi?
a. Prvi izvor individualnih razlika Naše merenje, kao takvo, praktična je delatnost, a njegov cilj je tačna mera. Da bismo merili mi moramo da konstruišemo merne instruinente, moramo da izvlačimo uzorke objekata posmatranja, da sprovodimo procedure merenja i prikupljamo podatke putem intervjua ili neposrednog posmatranja na primer. Svaka od tih praktičnih delatnosti dovodi do slučajnih odstupanja. Razlike koje se kao slučajne pojave toni prilikom generišu se često nazivaju greškama merenja. Biće posebno jasno o kakvim se odstupanjima radi ako kažemo da do njih dolazi kada se ponavljaju merenja uzastopno na jednom te istom objektu. Ta odstupanja su posebno uočljiva kada se merenja ponavljaju sa drugim memim instrumentima, posmatračima ili ocenjivačima. Do istih takvih odstupanja redovno dolazi i u fizičkommerenju i tamo se nazivaju „slučajnim greškama”. Međutim, merenje kao praktična delatnost, u naukama o ponašanju rie dovodi samo do ovakvih odstupanja koja se žargonski nazivaju slučajnim greškama. U naukama o ponašanju se stalno iznova konstruišu merni instrumenti i stalno se iznova postavlja pitanje njihovih memih karakteristika, posebno validnosti. Na primer, memi instrument koji je primenjen možda uopšte ne meri osobinu koju smo mislili da meri i to možda zato što je teorija o osobini koja se meri pogrešna. Takođe, veoma poznata vrsta grešaka koja se može pripisati ovom izvom je pristrasnost, odnosno nereprezentativnost uzorka. Pristrasnost uzorka je vrlo često rezultat toga što je uzorak projektovan kao nereprezentativan, tj. kao prigodni ili namemi. A projektovan je kao prigodni ili namerni zato što nije bilo dovoljno vremena, novca, volje ili znanja da se primeni reprezentativni. Treću, a vrlo čestu varijantu ovog izvora, predstavljapristrasnost istraživača u odnosu na pojavu koju izučava. Ova pristrasnost se može ogledati u izboru i
defmisanju problem a istraživanja, a naročito prilikom tumačenja rezultata. Međutim, sa aspekta generisanja individualnih razlika važna je pristrasnost tokom prikupljanja podataka. Naime, istraživač kao posmatrač, ocenjivač, učesnik ili moderator tumači pojave u skladu sa svojim iskustvima i ciljevima. U tom pogledu nastale individualne razlike su rezultat interakcije istraživača i merene pojave, ali posmatrano sa strane istraživača kao aktivnog činioca. Pogrešan predmet merenja, nereprezentativan uzorak i pristrasnost po pravilu neće davati nasumična odstupanja ,,od stvamosti” (slučajne greške), nego će biti manje ili više sistematska, budući da su povezana sa odabranom teorijom, pristupora i dotadašnjim znanjima. Imajući sve to u vidu, za individualne razlike koje su generisane iz prvog izvora može se reći da predstavljaju „mere” istraživanja kao takvog - od teorijske osnove do memih procedura - i ne govore ništa o predmetu merenja. Takve individualne razhke su u principu neželjene i mogu se okarakterisati kao greške merenja, ali se u daljem razvoju teorije mogu pokazati kao saznajno vredne i mogu predstavljati osnov za popravljanje postojeće ili stvaranje nove teorije.
b. D rugi izvor individualnih razlika Psihologija poznaje dve „paradigme” psihološkog merenja: a) ispitanik dobija da reši neki zadatak, a psiholog ocenjuje je li rešenje tačno i b) ispitanik se pita o njegovim stavovima, uverenjima ili ponašanjima i on sam sebe procenjuje. Čitalac će lako prepoznati da se ti primeri mogu uopštiti tako da važe u svim naukama o ponašanju. U prvoj paradigmi je situacija ,jasnija”, ispitanik se nalazi pred jasnim zadatkom, a rešenje tog zadaka se može lako oceniti i ocenjuje ga spoljni posmatrač. U dmgoj paradigmi, ispitanik sam procenjuje svoje ponašanje, na osnovu manje ili više direktnih pitanja, ali mi ne znamo unapred na koji način će on razumeti ta pitanja i šta će želeti da kaže svojim odgovorom. Ovim dvema paradigmama, karakterističnim za psihološko testiranje, mogu se pridmžiti i neke druge, a pre svega paradigma merenja putem posmatranja, pri čemu pod posmatranjem podrazumevamo svako ocenjivanje ponašanja od strane istraživača. U prvoj paradigmi se slučaj može jednostavno defniisati kao greška ispitanika, odnosno pogrešno rešen zadatak. U nekoj dmgoj prilici bi isti ispitanik uspešno rešio taj zadatak (i obratno). U drugoj paradigmi, kada ispitanik daje samoprocenu, znamo da on može menjati svoje odgovore u zavisnosti od niza faktora. Može biti nesiguran u pogledu toga šta je njegovo tipično ponašanje, ili može oscilirati između nekoliko svojih suprotstavljenih samoprocena. Može procenjivati korisnost je d m g ili dmgog odgovora u konkretnoj situaciji... Bilo kako bilo, u ovom vidu odgovaranja nije lako formulisati šta je ispitanikov cilj, ali samo odgovaranje možemo tretirati kao svrsishodno praktično ponašanje i možemo registrovati da dolazi do variranja odgovora iz nepoznatih razloga, pa stoga možemo takve varijacije tretirati kao slučajne pojave.
Individualne razlike koje tako nastaju rezultat su interakcije između objekta posmatranja i same procedure posmatranja, ali ovaj put, za razliku od prvog izvora, sa strane objekta kao aktivnog činica. I ove individualne razlike su obično neželjene, tj. tretiraju se kao greške merenja.
c. Treći izvor individiialnih razlika Razvoj i funkcionisanje organizma na fiziološkom i neurohemijskom nivou je takode praktična ciljna delatnost (iako nije svesna). Ciljevi tili procesa su raznovrsni, a najviši cilj je održanje života, odnosno pretvaranje haosa u red (negentropija). Tokom rasta i razvoja jedinke neprekidno se vrši uskladivanje naslednih i konstitucionih činilaca međusobno i sa sredinskim uslovima. S obzirom na vehki broj činilaca, rezultat rasta i razvoja je jedinstven za svaku jedinku (makar bila i monozigotni blizanac sa nekom driigom), ah se bez svake sumnje kreće u okvirima koje diktira nasleđe vrste homo sapiensa. Pošto su neurofiziološki činioci na svaki način „baza” ponašanja, oni će biti i izvor, odnosno uzrok individualnih razHka u ponašanju i osobinama. „Fizički” procesi su, baš kao i „psihički”, praktična đelatnost, a ciljevi su im biološki - npr. adaptacija. Uticaji prirodne i društvene sredine, od samog nastanka ploda do smrti individue, sa svoje strane moduHšu neurofiziološko funkcionisanje. Individualni sklop, ono što definiše jedinku kao takvu, pa prema tome i njene osobine i ponašanje, proističe iz ovako defmisane kombinacije naslednih i sredinskih faktora i obično predstavlja predmet izučavanja bihejvioralnih nauka (Fajgelj, 2005).
Svi ovi tipovi delatnosti se prepliću i nalaze se u interakciji. Na koji način? Kao prvo, treba uočiti da u situaciji merenja ponašanja u osnovi postoje dve strane - istraživač i objekt istraživanja. U naukama o ponašanju dolazi do čestog terminološkog sukoba jer su objekti istraživanja obično osobe - za koje je najbolje koristiti naziv „subjekt”. U kontekstu ove knjige verujemo da čitaocu neće predstavljati problem da razume da su predmet istraživanja, objekt, subjekt i ispitanik razna imena za istu stvar. Dakle, obe strane, istraživač i subjekt, pokreću lanac odredenih praktičnih delatnosti sa različitim i odvojenim ciljevima. Istraživač započinje istraživanje, bira varijable i hipoteze, vrši operacionalizaciju, manipuliše nezavisnom varijablom, bira uzorak objekata, sprovodi merenja obavlja dugi niz praktičnih koraka i postupaka. U svakom tom koraku je moguće đa dođe do nekog odstupanja, neželjenog ishoda, pogrešno formulisanih tvrdnji u upitniku, neočekivanih rezultata i ponašanja. Svi učesnici u istraživanju, a posebno ispilanici, mogu da se ponašaju neočekivano, da se boje eksperimenta, da izbegavaju da odgovaraju iskreno ili da su nemotivisani. Ciijevi istraživača su manje-više jasni i univerzalni, recimo da je to saznavanje istine, ali u svakom postupku koji sprovodi tokom istraživanja dešavaju se „nepoznati i nezavisni kauzalni lanci” koji dovode do slučajnih odstupanja.
Sa strane subjekta; uslovi merenja, ciljevi koje subjekt ima i ponašanje koje on saobražava tim ciljevima su ono što dovodi do različitih ishoda njegovog ponašanja. Ako na testiranju za prijem na posao popunjava neki upitnik ličnosti želeće da se predstavi u boljem svetlu, a ako odgovara nekom anketaru o svom stavu prema abortusu nastojaće možda da „izbegne raspravu” sa anketarom i odgovoriće ,,ne znam”. Jedan subjekt želi da prikrije svoja osećanja i stavove, drugi želi da ih izrazi većim ili boljim nego što jesu, treći je nemaran i nepažljiv... Ovaj izvor individualnih razlika će biti posebno jasan ako za primer uzmemo kognitivno testiranje. Ispitanik će možda želeti da reši što više zadataka, ali će praviti greške zato što mu ne odgovara rad na hronometar, ih ima tremu, ih je umoran (ali ne zato što nije dovoljno pametan). Situacija ocenjivanja odnosno merenja u kojoj je ispitanik svestan da ga ispituju i, posebno, ako je svestan da će njegovi odgovori imati posledice za njega, veoma je bremenita u pogledu interakcija ciljeva istraživača i objekta. Ljudi po pravilu stupaju u kontatke sa istraživačima sa izraženom i protivrečnom m.otivacijom i nije preterano da se postojanje ciljeva učesnika sa obe strane naglasi pomoću moguće suprotstavljenosti tih ciljeva. Nasuprot takvoj tipičnoj situaciji društvenog merenja može se navesti primer neučesničkog (engl. unobtrusive) posmatranja, kada ispitanici nisu uopšte svesni da su posmatrani, a pogotovo ako ne izvršavaju nikakve specijalne aktivnosti, nego se bave svakodnevnim poslom. U tom slučaju, sa strane društvenog istraživača i dalje postoji cilj merenja (tačna mera) i praktična delatnost merenja. Sa strane ispitanika, istina, nema prilagođavanja situaciji merenja, jer je nisu svesni, pa svoje ponašanje neće modifikovati. Međutim, njihovo ponašanje (koje posmatramo) je i dalje praktična svrsishodna delatnost, koju kao takvu prati pojava slučaja, pa se pojednostavljeno može kazati da postoje samo prvi i treći izvor individualnih razlika.
8.
Greške merenja
U „individualnim” naukama kao što su psihologija i pedagogija obično se kaže da su individualne razlike posledica različitih nivoa crte kod ispitanika, dok se greške merenja tretiraju kao oni ishodi merenja koji nas dovode u zabludu u pogledu nivoa crte. Klasična testna teorija kaže, na primer, da se svaka mera sastoji iz pravog i pogrešnog dela. Od presudne je važnosti, medutim, da istraživači ponašanja razumeju da su „pravi skorovi”, baš kao i „greške merenja” (v. poglavlje o pouzdanosti) jedna te ista pojava - slučajne pojave nastale tokom praktične svrsishodne delatnosti Ijudi. Analizom bilo kog od izvora varijacija mogu se dobiti relevantne informacije o kauzainim lancima koji su izazvali te varijacije. U tom pogledu „pravi skorovi” nemaju nikakvu privilegiju u odnosu na greške merenja ili greške ispitanika. Osim toga, treba ponoviti da su sva tri izvora individualnih razlika u stalnoj interakciji i da je potreban poseban napor da bi se oni razdvojili - ukoliko je to uopšte moguće.
Uzmimo kao ilustraciju merenje telesne visine, upravo zbog toga što to nije neka skrivena psihička osobina i što se kod nje „stvari čine jasnim ”. Poslužićemo se izveštajem Queteleta da je na poligonu frekvencija 100.000 francuskih regruta našao nagomilavanje slučajeva upravo ispod minimuma visine potrebnog za shiženje vojske i tužno smanjenje frekvencije upravo iznad minimuma. Jedino razumno objašnjenje za to odstupanje od normalne raspodele je bilo da su niski regruti uvlačili glavu u ramena kako bi pali ispod minimuma. Dakle, mereći telesnu visinu Ketle je merio i motivaciju za odlazak u vojsku (Stilson, 1966). Osim toga, kada bismo u nekoj longitudinalnoj studiji ili studiji preseka korelirali prosečnu telesnu visinu sa npr. socio-ekonomskim statusom (SES) pojedinca ili dništva, sva je prilika da bismo dobili pozitivnu vrednost - materijalno blagostanje doprinosi telesnoj visini i težini. Na osnovu toga bismo mogli ići dalje i zaključivati o razlozima za tu korelaciju: da li se radi o boljoj ishrani, raznovrsnijoj ishrani, higijeni, telesnim vežbama, odsustvu teškog rada ili sl. Sve u svemu, videli bismo da individualne razlike u telesnoj visini nisu samo anatomskog porekla, nego i socijaLnog. Ove druge možemo proglasiti „greškama merenja”, ali su one realne i objašnjive. Slučajne i sistematske greške m erenja. - 0 greškama merenja se raspravlja u svakom istraživačkom priručniku i udžbeniku. Standardna podela je na slučajne greške i sistematske greške merenja. Za slučajne greške merenja se kaže da se kod svakog izmerenog objekta javljaju nezavisno. Zato slučajne greške raerenja ne dovode do promene u aritmetičkoj sredini rezultata, s obzirom da se međusobno potiru. Nasuprot njima, sistematske greške utiču na aritmetičku sredinu jer do njih dolazi kada postoje neki sistematski faktori koji utiču na mere svih merenih objekata. Slučajne greške merenja ne mogu da posluže ni za kakvu generalizaciju jer se menjaju od merenja do merenja, a obično ih je teško identifikovati i kvantifikovati. Nasuprot tome, sistematske greške, s obzirom nato da utiču na visinu izmerene osobine kod većeg broja objekata u istom smeru, mogu da posluže za generalizacije, ali je njihov izvor obično nepoznat, neočekivan i, svakako, neželjen.’ lako je ova podela lako shvatljiva društvenim istraživačima, ona ne predstavlja nikakvu koherentnu teoriju grešaka. Kao što je rečeno u prethodnim poglavljima, sve izmerene individualne razlike su slučajne pojave, tj. sve su one rezultat sticaja mnogih kauzalnih lanaca koji dovode do jedne ili druge izmerene veličine. Sistematska analiza tzv. grešaka merenja nam pokazuje da su to jednostavno oni rezultati koji su nama neočekivani, tj. koje ne predviđa teorija o
’ Tačnije rečeno, greške ne dovode samo do pomeranja aritmetičke sredinc, odnosno lokacije distribucije frekvencija lcvo ili desno, nego mogu da dovedu i do izobličenja oblika distribucije. Ako uzmemo da se u naukama o ponašanju očekuje da su individualne razlike normalno raspodeljcne, greške mogu da dovedu do asimetričnosti distribucije, do spljoštenosti ili zašiljenosti, do bimodalnosti ili polimodalnosti kao i prelomnih tačaka. Medutim, iz razlogajednostavnosti, ovde ćemo se zadržati na ovoj jednostavnoj interpretaeiji slučajnih i sistematskih grešaka - u fonni uticaja na prosek.
merenoj osobini i rezultati čije izvore ne poznajemo. Dakle, greške merenja u tom trenutku predstavljaju neželjene varijacije u izmerenoj pojavi. Međutim, u nekom drugom trenutku, nakon modifikacije teorije, nakon unapređivanja znanja o nierenoj pojavi, ili jednostavno u nekom drugom kontekstu, te varijacije mogu prestati da budu „neželjene”. U pomenutom Queteletovom primei'u, deformacija u distribuciji ima status gre.ške kada se meri telesna visina regruta. Međutim, neki istraživač može to iskoristiti kao sekundami podatak o pojavi slabe motivacije za služenje vojske. Postoji bezbroj primera o tome kako je naknadna analiza grešaka dovela do bitnog unapredivanja saznanja o pojavama.
9.
Analiza individualnih razlil
Poslužićemo sejednim korisnimuprošćavanjem, pomalopoetskim, pa ćemo reći da su individualne razlike odjeci ;z dubina. Sta to znači? To znači da osluškujući individualne razlike možemo čuti šta se dešava i šta se dešavalo iza i pre procesa i pojava koje neposredno merimo. U realnom svetu nije važno što se jedan deo razlika izmerenih telesnih visina može, na primer, objasniti netačnošću lestvice uz koju su regruti stali da bi bili izmereni. Ta netačnost je, možda, rezuhat aljkavosti majstora koji je u domu zdravlja nadležan za održavanje, a on je aljkav je r smatra da nije dovoljno plaćen za svoj rad. U nekom drugom domu zdravlja, nadležna osoba može biti dovoljno motivisana i stnična pa će regrutske mere biti tačnije (i, možda, drukčije). U realnom svetu je motivisanost osoblja jednako realna kao i rezuUat rada nečijeg genetskog koda (telesne visine). Našim „oshiškivanjem” individuahiih razhka možemo saznati vrlo mnogo o vrlo mnogo različitih stvari, bih mi toga svesni ih ne, bilo to nama potrebno iii ne. hidividualne razlike se, dakle, mogu definisati kao slučajni događaji: to su varijacije u ponašanju ih osobinama koje su posledica delovanja nepoznatih uzroka, koje smo utvrdih tokom praktične operacije merenja i koje predstavljaju odstupanje od (nekog i nečijeg) cilja. U ovom trenutku je značajno istaći da je najbolja metoda za anahzu individualnih razhka statistička metoda. Pošto su individualne razhke shičajne varijable, a slučajne varijable su „mera latentnih varijabh”, onda je razumljivo zašto upravo statistika predstavlja alat za njihovu analizu. Zbog toga smo ranije više puta rekh da će za sve istraživače ponašanja biti vrlo inforniativno i korisno da razumeju da su individualne razlike predmet izučavanja naul
latentni generator ponašanja. N a su p ro t late n tn im v a rijab la m a , sv o jstv a i po n ašanja koja se n eposredno m ere se n a ziv aju m a n ifestn im v a h ja h la m a . O p o jm u latentnih i m anifestnih varijab li i n jeg o v o m isto rijatu će k a sn ije b iti više reči. N a koji način je slučajn o st u ticala n a n ačin z ak lju čiv an ja u n au ci? Z ak o n i u p rirodnim naukam a, koji su u v e k slu žili k a o e talo n n a u čn o g z ak lju č iv a n ja u društvenim naukam a, d efm išu v e ze izm e đ u izv esn o g b ro ja v a rijab li p o m o ću obično vrlo jed n o sta v n ih alg eb arsk ih je d n a č in a (na p rim e r, p o z n ati O h m o v zak o n glasi prosto I= U /R ). T akve veze izm eđu v a rijab li se ob ičn o n a ziv aju fu n k cio nalnim , je r se m atem atički izrazi koji ih o p isu ju zovu funkcijam a. T ak o se u O hm ovom zakonu kaže da je e ie k trič n a stru ja fu n k c ija n a p o n a i otpora. F unkeionalne veze su d e term in ističk e, tač n e i p recizn e. A ko zn am o vredn ost napona i o tp o m o st p o tro ša ča m oći ćem o izraču n ati v re d n o st e lek tričn e struje koja prolazi kroz potrošač sa p ro izv o ljn o v e lik o m tačnošću. M eđ u tim , k a d se radi o slučajnim pojavam a, tj. sh ičajn im v a rijab la m a , k a o što su n a p rim e r stavovi Ijudi, onda se ne m ože usp o stav iti fu n k c io n a ln a v e z a izm eđu p o jav a n eg o sta tistička. U najvećem bro ju sh ič ajev a to znači da ćem o, z n aju ći v re d n o st n e za v isn ih varijabh, recim o starosti isp ita n ik a, m oći izraču n ati v re d n o st z av isn e varijab le, recim o stava prem a abortusu, ali sam o u z od red en u v e ro v atn o ću tačnosti. Individualne razlike su p ra k tičn a re aliz a cija slu čaja u on o m sm islu kako su slučajne pojave ovde interpretirane. P ro b a b ilistič k a p riro d a in d iv id u a ln ih razlika nas sprečava da izračunam o fu n k c io n a ln e v eze, ali po što je ionako nerealn o očekivati da ćem o fu n k cio n aln e v e ze izm eđu so c ija ln ih v a rijab li ikada u tvrditi, m oram o obratiti p ažnju da su in d iv id u a ln e ra zlik e objektivni svedoci dubljih, daljih, i pojava kojih m o žd a jo š n ism o svesni da postoje. Individuaine razlike se, dakle, n a jb o lje m ogu d efm isati u rav n i slučajnih događaja; to su varijacije u p o n a ša n ju ili o so b in a m a k o je su p o sle d ic a dclo v an ja nepoznatih uzroka, koje sm o u tv rd ili to k o m p rak tičn e operacije m eren ja i koje predstavljaju odstupanje od (n ek o g i n e čijeg ) cilja. Izvori in d iv id u a ln ih razlika, vrste praktične d elatnosti i c iljev a opisani su u p re th o d n o m poglavlju, S ta tistič k a m e lo d a j e n a jb o lje s re d s tv o z a a n a liz u in d iv id u a ln ih ra z lik a . Pošto su individualne razlik e slu čajn e v a rijab le , a slučajne v arijab le su „m era latentnih v arijabli”, onda je ra zu m ljiv o zašto up rav o sta tistik a p re d stav lja alat za njihovu analizu. P rem a tom e, trijas m erenja, ind ivid u a ln ih ra zlika i sta tistik e nezaohilazan j e u em pirijskim istra živ a n jim a u n a u ka m a o p o n a ša n ju . Istina, u m nogim oblastim a n a u k a o p o n a ša n ju do d an as nisu ra zv ije n i teo rijsk i i p raktični okviri koji bi om ogućili nierenje. O bično se u tak v im slu čajev im a p rim e n ju ju tzv. kvalitativne m etode. M eđ u tim , isk u stv o g ovori da je razv o jem znanja i sa z n an ja u lim oblastim a, kvalitativne m etode vrlo lako p rev esti u k vantitativne. Ono što društveni n a u čn ici d an as k o riste i n aziv aju statistikom , u svom najširem vidu, ne m ože se tretirati k a o isk lju čiv o p ro b ab ilističk a disciplina®. N a
* Slatistika je nastala iz teorije verovatnoće, grane m atem atike, uglavnom kao prim ena tcorije verovatnoćc u oblasti naučnih istraživanja i m erenja. N aslanak statističke m etodc se obično vezuje za X V III vek i radove Jacoba B em oullija, p ie ra Sim ona L aplacea i K arla
prim er, n je n a d o m in a n tn a p rim e n a u n e k im n au k am a kao što je p silio lo g ija , u o bliku tzv. m u ltiv a rija tn e sta tistik e (m u ltiv arijatn e analize, M V A ), p o k a z u je d a se p rv e n stv en o radi o p rim e n i m atričn e alg e b re z a analizu pod atak a. T ak o d e , danas se c elo k u p n a o b last o b ra d e p o d a ta k a često n a ziv a „d ata m in in g ” (k o p a n je po p o d a cim a), p ri čem u su sta tističk e m eto d e sam o je d a n o d n ačin a „ k o p a n ja ” . Ipak, p ro se č a n istraž iv ač se sta ln o sreće sa sta tistič k o -p ro b a b ilistič k im p o jm o v im a k a o što su v a rijan sa, u z o rak , sta n d ard n a gre.ška i sl. N a o sn o v u tih p o jm o v a istraž iv ač i p o g re šn o z ak lju ču ju da se radi o p rim en i č iste sta tistik e u istraž iv an jim a p o n a ša n ja . N o, statu s tih p o jm o v a u v ećin i ra d o v a iz statistik e p rim e n jen e u n a u k am a o p o n a ša n ju j e teh n ič k i. O ni služe za d e sk rip ciju je d n e , po svem u izu z etn e p o ja v e k o ja je isto v rem e n o i sudbina i n a d a d ru štv en ih , antrop o lo šk ih i sv ih b io lo š k ih n a u k a u o p šte . T a p o ja v a su in d iv id u a ln e razlike. Što se tič e sta tistik e, su p e rio m i skup m e to d a za a n alizu in d iv id u a ln ih razlik a čini ono što se o b ičn o n a z iv a m u ltiv a rija tn o m analizo m , ih m u ltiv a rija tn o m statistik o m . T o je zato što M V A p re d sta v lja m o d ele m eđ u o d n o sa v iše v arijab li, u p rav o o n a k o k ak o sm o d e fm isa li n a čin n a sta n k a in d iv id u a ln ih razlik a. Z b o g toga se m u ltiv a rija tn a a n a liz a m o že n a zv a ti a n a lizo m ind ivid u a ln ih razlika.
10. Slučaj i veze između pojava - koreiacija K a k o se stv a rn o o d v ija p ro c e s z ak lju čiv an ja n a o sn o v u in d iv id u a ln ih razlik a? U n a u k a m a o p o n a ša n ju je p o z n ato d a in d iv id u a ln e ra zlik e u ra zlič itim Ijudskim p o n a ša n jim a k o re lira ju (u sta tistič k o m sm islu ). Z am islim o npr. da zn am o šta č in i z a d o v o ljstv o p o tro ša ča v o č n im jo g u rtim a i da to z ad o v o ljstv o m o žem o p o tp u n o ta č n o izm eriti. M o ž e m o o n d a zam isliti k a k o izd v ajam o je d a n siu č ajan u z o ra k iz p o p u la c ije Ijudi i p rim e n ju je m o n a n jeg a dva ra zlič ita , ali p o tp u n o ta č n a (j^ouzdana) in stru m e n ta z a m eren je z ad o v o ljstv a. K a k v a bi bila k o re la cija p o d a ta k a d o b ije n ih p o m o ću ta d v a in stru m e n ta? Je d in ič n a, odn o sn o savršena, je r b i na sv a k o m in stru m e n tu svaki isp ita n ik dob io isti skor. T aj b i nalaz zato bio tr iv ja la n , j e r k o re la cija j e n a m e n jen a slu č ajn o m tip u p o v e z a n o sti, a ne fu n k cio n aln o m . S tv a m o sta n je stv a ri o d stu p a o d o v o g u o b a aspekta: ne zn am o p o tp u n o tačno šta čini z a d o v o ljstv o (iako svaki stav, n a če ln o , d efm išem o k a o k o m p o zit intelekta, em o c ija i v o lje ) i - ne m o že m o ga tačn o m eriti. D akle, ne bi se m oglo d esiti (o sim sh ič ajn o ) d a n a o b a in stru m e n ta isp itan ici sistem atsk i d o b ija ju isti skor, n iti bi n ek i, b ilo k a k av u z o ra k Ijudi n a o b a in stm m e n ta m o g a o im ati p o tp u n o (sta b iln o ) id en tiča n skor. U stv a m o sti, izm eđu o v a d v a in stru m e n ta ko ji su n a p rav ljen i da n iere je d n u te istu stv a r m ogli b ism o o č ek iv ati d a ćem o d o b iti (relativ n o ) v iso k u icoreiaciju. K ad a u p ra k tičn o j situ ac iji p rim e n im o d v a in stru m e n ta n a je d n o m slu č ajn o m
F riedricha G aussa.
uzorku ispitanika, dobićemo rasipanje rezultata i na jednom i na drugom instrumentu, koje je rezultat slučajnih pojava (individualnih razlika iz sva tri izvora). Statistika nas u toj naizgled teškoj situaciji pretvara iz gubitnika u dobitnike, jer nam omogućava da izračunamo korelaciju. U tumačenju izvora te korelacije postoje dve mogućnosti. • Prva mogućnost je da se razlozi za korelaciju kriju u nepoznatim kauzalnim lancima koji su uticali na pojavu rasipanja rezultata na obema varijablama. Naime, ako posloji korelacja između odgovora na dva m enia instrumenta, možemo smatrati da izn te korelacije stoji jedan ili više kauzalnih lanaca koji su udruženo delovali na merenje sa oba instrumenta i koji čine da ti odgovori nisu nezavisni. To je reformulacija Millovog i Reichenbachovog principa „zajedničkog uzroka” - da pojave koje koreliraju verovatno imaju zajednički uzrok, s time što smo dodali plural: zajedničke uzroke. U ovoj situaciji statistička korelacija dve varijable uvek ukazuje na postojanje jednog ili više kauzalnih lanaca (uzroka) koji su zajednički tim pojavama i koji dovode do uzajamnog rasipanja. Pošto su individualne razlike odieci delovania latentnih seneratora, kad utvrdimo da između dve osobine postoii korelaciia. zaključuiemo da te osobine imaju jedan ili više zaiedničkih izvora. Ovde pod „osobinom” podrazumevamo tzv. manifestnu osobinu, odnosno ponašanje koje smo neposredno merili. U istraživačkom žargonu to se naziva (manifestnom) varijablom. U naukama o ponašanju je ovakav način zaključivanja o korelaciji vrlo čest. Dobijena korelacija znači da na obe osobine sinhrono utiču neke dublje pojave, koje su ostale van našeg merenja, ali koje su ustvari osnovni predmet interesovanja istraživača. Pod sinhronijom ili sintonijom podrazumevamo istosmemo delovanje tih latentnih varijabli na ponašanje svih objekata. Koristeći statističku analizu kovariranja individualnih razlika nastojimo da otkrijemo razloge i uzroke, odnosno objašnjenje povezanosti manifestnih pojava. • Druga moguća interpretacija korelacije je da đo nje dolazi zato što između dve varijable postoji delimičan odnos uzroka i posledice. Delimičan u tom smislu što jedna varijabla ne izaziva sama drugu, nego u sadejstvu sa jednom ili više drugih varijabli. Zato uočena povezanost nije funkcionalna, nego statistička. Isto tako, nezavisna varijabla može da ne uzrokuje zavisnu direktno, nego može delovati preko jedne ili više medijatorskih varijabli, koje su neposredni uzroci zavisne varijable. U ovoj knjizi biće opisane neke od mnogih takvih konfiguracija varijabli (v. npr. medijatorske i moderatorske varijable). Ako želimo da izbegnemo teraiine uzroka i posledice, rekli bismo da se koretacija dve varijable može objasniti time što je jedna varijabla delimičan izvor drugoj. Na primer, ako ustanovimo korelaciju izmedu prosečne dužine dnevnog gledanja televizije i nekog stava X, možemo da smatramo da televizija utiče na fomiiranje takvog stava, tj. da je njegov uzrok (kulturolozi i komunikolozi su u
žustroj polemici oko toga da li mediji utiču na formiranje stavova (Baćević, 2004), ali primer je, kao primer, validan). Mnogi smatraju da su ovo dva vrlo različita sveta i da oličavaju različite „istraživačke paradigme”. Prva paradigma se posebno primenjuje u tzv. strukturalnim istraživanjima (v.), kada želimo da otkrijemo šta se nalazi iza manifestnog ponašanja i šta je njegova suština. Druga se koristi kada tražimo medusobne uticaje, razloge i uzroke pojava, tj. kada se bavimo kauzalnom analizom ili predikcijom. U našem pretliodnom primem, logično je da ćemo korelaciju između dva instrunienta koji mere zadovoljstvo voćnim jogurtima protumačiti tako da potiče od izvesne osobine (npr. emocije). Smatraćemo da je emocija prijatnosti zajednički izvor individualnih razlika na obe varijable. Tako nam je korelacija između dva skupa odgovora omogućila zaključak o postojanju jedne nevidljive osobine. Pogledajmo jedan drugi jednostavan primer, primer korelacije između plate i pola, U većini društava ta korelacija postoji u tom smislu da muškarci imaju veće plate. Naravno, ne može se reći da postoje neki zajednički generatori koji uslovljavaju i pol i platu. Generatori koji uslovljavaju pol su se desili davno, mnogo pre nego što je jedinka počela da prima platu. Zato bismo ovu korelaciju verovatno tumačili drugom varijantom objašnjenja korelacije. Medutim, ako bi se radilo o korelaciji između izbornih preferencija (glasanja) i plate (koja takode može da postoji), onda bi umesno bilo tražiti zajedničke izvore obe varijable, tj. koristiti prvi tip objašnjenja korelacije.
E.
Teorija merenja
Istorija merenja je veoma duga. Prvi materijalni dokazi o postupku merenja se odnose na merenje dužine i težine u smislu standardizacije mernih skala u trgovini. Primer je egipatski lakat koji potiče još iz 3000. godine p.n.e. i koji je u početku bio prosto defmisan kao dužina mke od lakta do vrha prstiju. Pošto je ta antropometrijska varijabla varirala izmedu 43 i 53 cm, kasnije je carskim ukazom napravljen standard u cmom granitu sa kojim su niorali biti uporedivani niemi štapovi u čitavom carstvii. Lako je pretpostaviti da je merenje dužine i težine (mase) moralo biti veoma prisutno tokom izgradnje puteva, mostova, hramova, piramida i drugog, a merenje vremena nije bilo ništa manje važno nego danas, osim m ožda što su jedinice merenja bile krupnije. Medutim, teorijski rad na merenju i defmisanju veličine kao apstraktne kategorije smatra se da je počeo sa Euklidom, otprilike u IV veku p.n.e. u njegovim Elementima.
Kasnije se ta potreba, da se merenje definiše na apstraktan, principijelan i univerzalan način širila i dobijala na snazi, paralelno sa izučavanjem jedne neprijatne pojave koja prati svako merenje - grešaka merenja. Današnja teorija merenja je široka oblast koja se oslanja na matematiku, formalnu logiku, teoriju brojeva, teoriju skupova, teoriju tipova i slične fomialne discipline, sa jedne strane i na zalcone i objekte stvamih nauka, sa druge. Sa matematičke tačke gledišta, teorija nije valjana ako nije aksiomatizovana. Dobra matematička teorija mora biti potpuno izvedena iz formalnih aksioma, jer sanio u tom slučaju predstavlja potpun deduktivan sistem, a svojstva koja teorija predvida mogu se izračunati (v. uvodna poglavlja knjige). To je pravilo svih fonnalnih sistema i ono ne podrazumeva da je teorijski model tačan. Ipak, zbog namene ovog teksta, nastojaćemo da što je moguće više smanjimo učešče matematičkog jezika u korist prirodnog jezika. Formalna teorija merenja se začela krajem XIX veka i dobila današnji obhk tokom 30-tih i 40-tih godina XX veka u radovima mnogih fizičara, logičara i psihologa. Dva veoma važna imena iz tog perioda, koja ćemo ovde spomenuti, su Nomian Campbell, fizičar, i Stanley Smith Stevens, psiholog. Porcd njih, još veliki broj značajnih autora iz razhčitih posebnih naučnih discipUna doprineH su da teorija merenja dostigne današnji nivo razvijenosti.
1.
Pretpostavka kvantitativnog svojstva
Mnogi teoretičari merenja smatraju da je preduslov svakog merenja da postoji kvantitativno svojstvo. Ipak, oko tog stava postoji dosta nesporazuma i sporenja. Zašto jc zahtev da preduslov merenja mora biti postojanje kontinuirane kohčinc, odnosno svojstva, tako sporan? Naravno, zato što nauke o ponašanju imaju dosta problema da dokažu da su svojstva kojima se one bave kvantitativna. Kako demonstrirati da je hbido takvo svojstvo, ili patrijarhalnost? Sva je prilika da je definicija kvantitativnog svojstva kao preduslova merenja „fundamentaHstička”, suviše radikahia i suviše formahia ako sc bazira na algebarskim, tj. detcrminističkim aksiomima. Aksiomatski pristup odgovara fizičkom mcrenju, dok društvcnim naučnicima šanse rastu ako se na teoretska pitanja u oblasti merenja gleda probabiHstički, odnosno statistički. Kaže se da u probabilističkom smishi pojedinačna merenja u naukama o ponašanju ne zadovoljavaju ključne aksiome, aU proseci mnogih merenja mogu da zadovoljavaju. Postojc i druga teorijska rešenja i stavovi koji idu na ruku merenju u empirijskim naukama o ponašanju (v. poglavlje o kombinovanommcrenju). Statistički pristup, koji uvodi i greške mercnja u teoriju merenja, dovodi do „prljanja” aksiomatskih teorija i zato ga tcoretičari mcrenja ranije nisu koristili.
2.
Uspostavljanje povezanosti između sveta i znakova
Norman Campbell je autor koji se najčešće spominje u kontekstu teorije merenja, na osnovu njegove knjige Physics, The eiements, objavljene 1920. godine Kembel, kao i drugi teoretičari merenja nakon njega, striktno razlikuje „merenje koje se defmiše kao konstrukcija skale” od „merenja koje se defmiše kao upotreba skale nakon što je konstruisana”. Jedna i dmga defmicija, ako se koriste uzajamno i u isto vreme, mogu dovesti do prilične konfuzije oko toga šta je merenje i šta su problemi merenja. Pogledajmo poznatu klasičnu defmiciju merenja; hđerenje j e postupalc laojim se mereni objekt upoređuje sa standardriom skalom. .lasno je da se ona u Campbellovom smislu potpuno odnosi na primenu gotove skale. Postupak primene skale, tj. postupak merenja, može biti veoma prost, ili veoma složen, u zavisnosti od toga šta se meri, ali u sebi nosi prvenstveno problematiku „vršenja merenja” koja je potpuno različita od problematike konstrukcije standardne skale. M erenja u fizičkom svetu, koja su poznata široj javnosti, uglavnom su rutinska i sastoje se od upotrebe standardizovanih, manje ili više sofisticiranih instrumenata, pa zbog toga, ako se merenje defmiše klasično, kao „primena skale”, suština i problematika merenja ostaje sakrivena. U društvcnima naukama nije ništa manje važno da se pažljivo odnosimo prema ova dva načina glcdanja na merenje. Po Campbeliu: Merenje j e dodeljivanje numerala sistemima saglasno naučnim zakonima. Campbell koristi izraz „sistem” da označi bilo koji objekt kojim se fizičari bave. To može biti komad drveta, kamen, električna sijalica, delitelj napona, posuda sa gasom ili bilo šta dmgo. Naučni zakoni se izvode iz relacija medu sistemima, koje su utvrđene primenom izvesnih operacija, a s obzirom na izvesnu veličinu, kao i propozicijama samog merenja. Vrlo je važno obratiti pažnju na Campbell izraz numeral, koji, premda nije potpuno u duhu našeg jezika, mora da ukaže na suštinsku karakteristiku Campbellove teorijc fundam entalnog merenja. Naime, pod numeralom se podrazumeva slovo, cifra, ili znak kojim se rnože pred.staviti broj. Numcrali su I, 2, 3,..., ali i A, B, C,... ili I, II, III,... ili /, #,... Broj je nešto sasvim dmgo. Campbell ne elaborira pojam broja na način teorije brojeva’ (jedne od fundamentalnih disciplina matematike i logike), ali niti
’ Russell i W hitehead defiiiišuprirodni broj pomoću pet sledećih aksioma: 1) 0 jcb ro j, 2) naslediiik svakog broja takođe je broj, 3) nijcdan od dva različita broja ne može imati istog naslednika, 4) 0 nije naslednik nijednog broja i 5) ako 0 poseduje neko svojstvo i ako to svojstvo poseduje naslednik bilo kog broja koji poseduje to svojstvo, onda svi brojcvi imaju to svojstvo.
suprotno od toga, niti bitno drukčije od toga. On kaže da je broj diskrirninabilna karakteristika sistema koja može biti merena isto kao i bilo koja druga diskriminabilna karakteristika. Ova defmicija je vrlo slična Stevensovom pojmu „brojnosti” (numerosity) koji ima ključnu ulogu i u Stevensovoj teoriji merenja. Stevens kaže: „Brojnost je svojstvo koje defmišemo na osnovu određenih operacija koje smo izvršili na grupi objekata”. Na primer, m ogućeje uspostaviti redosled grupa objekata (recimo gomilica pasulja) s obzirom na brojnost (mmerousness) jednostavno tako što ćemo posmatrati gomile pasulja i procenjivati koja je najveća, pa sledeća po veličini i tako dalje. Posmatranje i upoređivanje su te operacije koje smo izvršili na grupama objekata, ali je važno uočiti da je „brojnost” (veličina gomile pasulja) ovde odredena kao subjektivna veličina (subjektivni broj), jer nismo stvamo prebrojavali koliko zrna pasulja ima u gomilicama. Kasnije ćemo videti da je skalu koja nastaje ovim dvema operacijama Stevens nazvao ordinalnom. Stevens dalje nastavlja: „Znamo iz iskustva, međutim, da ćemo imati veću pouzdanost ako poređamo gomile tako što ćemo sukcesivno odvajati po zrno pasulja iz svake gomile, sve dok se jedna gomila ne isprazni. Tada, za svaku gomilu 11 kojoj je ostalo bar jedno zrno ćemo reći da ima veću brojnost. ... Ako odvajanje zma isprazni sve grupe istovremeno, njihova brojnost je jednaka...” Stevens je rezultat ove operacija nazvao intervalnom skalom (v. kasnije). Ovako definisana „brojnosf’ je „diskriminabilna karakteristika” koja se niože izmeriti na Campbellov fundamentalan način (vidi kasnije), a poredak sistema koji se može uspostaviti na osnovu tog inerenja će biti tačan i potpun. Vidimo da se u osnovi, teorije Stevensa i Campbella poklapaju u pogledu osnovne prirode broja i merenja. Međutim, prebrojavanje je, iako izgleda kao najegzaktnija operacija merenja kontradiktomo i kasnije će o tome biti još reči.
3.
Prvi i drugi Campbellov zakon merenja
Campbellova teorija merenja je, naravno, aksiomatska i kao takva se zasniva na 11 aksioma koji defmišu fundamentalno merenje, a Campbell ih je podelio u dve grupe koje je nazvao p)-vim i drugim zakonom merenja. Prvi Campbellovzakon m ere n ja.- Campbell polazi od stare i opštepoznate svrhe merenja da se „pomoću merenja neke osobine mogu tako urediti sistemi da oni budu u poretku veličine s obzirom na merenu osobinu”. Shodno Stevensu, ovako konstmisanu skalu možemo zvati ordinalnoin. Bitne relacije koje moraju da važe izmedu sistema razvrstanih pomoću ordinalne skale su asimetričnost, tranzitivnost i jednakost. Po Campbellu, relacija jednakosti je važna, iako je u ovoj fazi razvoja teorije protivrečna. On koristi primer muškog nasledivanja gde „... nijedna dva čoveka ne mogu imati sve iste pretke i potomke” za ilustraeiju teškoća oko defmisanjajednakosti, odnosno nejednakosti. Međutim, bez relacijejednakosti ne
može se konstruisati aditivna skala, tj. ne može se meriti fundamentalno (v. kasnije). Slobodno ćemo citirati prvi zakon merenja. „Merenjem se mereni sistemi moraju, ii pogledu svojstva koje se meri, razvrstati u poredak tako da svaki sistem mora biti > ili < ili = svakom drugom, i mora biti = bar jednom drugom sistemu. Prvi zakon merenja je iskaz da j e ovaj uslov ispunjen Simbolima <, > i = označavamo relacije „veći od”, „manji od” i ,jednak”. Nakon što je konstruisana neka skala saglasno prvom zakonu merenja, ostaje da se sistemima dodele numerali. Pokazuje se da je dodeljivanje numerala vrlo osetIjiva operacija i da pred merenje postavlja nove probleme. Postoji opšta saglasnost da su za ove svrhe najbolji numerali 1,2,3,.... Zašto? Zato što postoji dobro utvrđena konvencija da je 1<2<3 itd. Slična konvencija postoji i za A
M ohsova skala tvrdoće m in e rala .- Medutim, u bilo kom nizu numerala ne postoji reiacija jednakosti =, nego po konvenciji postoje samo tranzitivne i asimetrične relacije < i >. To postavlja pitanje kako izvršiti dodeljivanje numerala nizu sistema između kojih postoji relacija =. Za ilustraciju problema na koji nailazi dodeljivanje nimierala obično se koristi klasični primer skale tvrdoće minerala. Autor te skale, Mohs, verovao je da unutar njegove skale važe relacije < > i =, ali su kasnija istraživanja to opovrgla. Kako je Mohs konstruisao skalu? Za ordinaiiziranje minerala po tvrdoći iskoristio je relaciju „može da ogrebe”, a operacija pomoću koje se ta relacija utvrdivala je bila prosto da se pokuša da li jedan mineral može da ogrebe dmgi. Mohs je odabrao 10 minerala kao predstavnike 10 karakterističnih tačaka na skali i tim mineralima dodeho numerale 1 do 10. Mineral 1 je mogao biti ogreban svakim drugim rnineralom, a mineral 10 nije mogao biti ogreban nijednim drugim, a mogao je da ogrebe svaki dnjgi. Kasnija ispitivanja skale su pokazala sledeće stvari; a) mikroskopsko merenje dubine ogrebotina i merenje količine opiljaka nakon stniganja je utvrdilo da je intei'val (razlika) u tvrdoći izmedu minerala 9 i 10 veća nego između 1 i 9 i b) iako je utvrdeno da neka dva minerala oba mogu ogrebati jedan dmgi, ili naprotiv, ne mogu ogrebati jedan dmgi, čime je dokazan treći Campbellov aksiom, ti minerali ispoljavaju različite tvrdoće prema trećem mineralu, što znači da nisu dokazani aksiomi IV i V, pa dakle, ne postoji ni relacija = (Fajgelj, 2005). N a osnovu nalaza b) - nepostojanja relacije = - Campbell je zaključio da Mohsova skala tvrdoće minerala ne proizvodi veličinu u smislu mere. Prvi nalaz, a), drastično je ukazao na pitanje odnosa numerala i brojeva. Naime, numerali 1, 2, 3,... nas neodoljivo asociraju na brojni niz i na primenu aritmetike u kojoj je 1+1=2, 2+2=4 itd. Ovi numerali, kad se koriste u aritmetici predstavljaju tzv. objektivne brojeve (za razliku od Stevensove brojnosti koja može biti subjektivan broj) koji se odlikuju jednakošću intervala.
Drugi Campbellov zakon merenja - Sada je jasno da će merenje biti „najbolje” ako dodeljeni numerali budu brojevi. Campbell je to jednostavno formulisao tako da rezultat merenja mora da bude takva mema skala čije mere će se moći sabirati. Aditivnu ska lu ]t on defmisao pomoću operacije adicije pomoću koje se mogu kombinovati veličine dva = sistema da bi se dobili sistemi koji su < ili >. Campbell je operaciju adicije formalno defmisao u okviru dnigog zakon merenja. „Iskaz da su ovi uslovi ispunjeni primenom bilo koje predložene metode adicije defmisane sa + i (), na sisteme koji poseduju veličinu defmisanu sa <, > i = ,je drugi zakon merenja dotične veličine". Simbolima + i () su defmisane operacije, za razliku od simbola <, > i = kojima su defmisane relacije. Operaciju + treba razlikovati od algebarske operacije sabiranja brojeva; ovde se odnosi na sabiranje sistema. Operacija () daje kao rezultat jedan sistem koji je jednak sumi sistema unutar zagrada. Simbol A' označava sistem koji je distinktan od sistema A, ali na istom stepenu veličine koja se meri. To su, dakle, dva različita sistema, ali je njihova mera ista, pa se može napisati A=A' i - što je još važnije - mora im se dodeliti isti numeral. Dakle, ako postuliramo da medu našim sistemima mogu postojati bar dva koja su = (po merenoj osobini), onda možemo prevazići nesaglasnost skupa sistema i skupa numerala (koji su svi različiti) - jednakim sistemima možemo pripisati isti numeral. Pored ove argumentacije, aditivnost skale se može demonstrirati i nizom drugih važnih svojstava koje mora da poseduje fundamentalno merenje. Zasada mislimo da je dovoljno rečeno o načinu rezonovanja u formalnoj teoriji merenja da bi zainteresovani čitalac mogao da je razume.
4.
Fundamentalno i izvedeno merenje
Sa svojih 11 aksioma Campbell je potpuno defmisao ono što je on nazvao fundamentalnim merenjem i to pomoću dva zakona merenja. Možemo reći da prvi zakon defmiše pravila poretka odnosno ordinalizacije, a drugi zakon defmiše aditivnost koja je neophodna da bi se na dodeljenim numeralima mogla primenjivati aritmetika. Campbell stalno insistira na razlici između „sveta” i „znakova”, tj. između sistema i numerala (v. kasnije o reprezentacijskim teorijama merenja). Pri tome, takva dodela numerala koja bi rezultirala brojnom skalom, pogodnom za aritmetičke operacije, je tek cilj, pogodnost i prednost, ali ne preduslov merenja uopšte. Dodeljivanje numerala sistemima samo po sebi ne opravdava eventualnu kasniju primenu aritmetike. Skala koja se konstruiše tako da zadovoljava oba zakona merenja daje kao rezultat A-veličinu, kako ju je zvao Campbell, odnosno fundamentalnu vehčinu kako se još naziva. Kada je merenje takvo da daje A-veličine, onda se operacija + jednako može primeniti i na dodeljenje numerale, kao i za sisteme.
Postoji još jedna velika i značajna grupa veličina koje se zovu B-veličinama, iii deriviranim veličinama. One se mere pomoću A-veličina jer se ne mogu meriti direktno i to zato što se operacija sabiranja + ne može praktično sprovesti na merenim sistemima. Primeri za B-veličinu su gustina materije koja se računa kao masa/zapremina. Masa i zapremina su A-veličine, dok gustina nije direktno merljiva. Međutim, svojstvo gustine tečnosti je uočeno odavno i Campbell je pokazao da se skala gustine može konstruisati pomoću relacije „pliva na” i operacije sipanja tečnosti jedne preko dmge. Dobiće se relacija koja je tranzitivna, jer ako A pliva n a B ,a B na C, onda će i A plivati na C. Takode, relacija je asimetrična, jer ako A pliva na B, onda B ne pliva na A, a defmisana je i jednakost sistema time da nijedna tečnost ne pliva na drugoj konstantno. Kada se tečnosti poredaju na osnovu ovog „zakona plivanja”, dobiće se poredak koji je identičan poretku koji je dobijen izračunavanjem odnosa masa/ zapremina. Zbog raznih razloga, npr. između ostalog zato što gustina zavisi od temperature i pritiska, nijedna skala gustine ne zadovoljava oba zakona, tj. nije striktno aditivna. Medutim, za praktične potrebe, jednostavnim i rutinskim merenjem mase i zapremine kao A-veličina, možemo dobiti tačnu poziciju dotične tečnosti na skali gustine. Drugi prirner je merenje temperature. Temperatura se konvencionalno uzima kao primer veličine koja nije aditivna i mnogi je defmišu kao „stanje objekta zahvaljujući kojem on može izgledati hladan ili topao na dodir”, dakle kao subjektivni broj. Međutim, postoji obilna empirijska evidencija o vezi svojstva temperature i drugih merljivih svojstava kao što su dužina objekta i električna provodljivost. Da bi se temperatura izmerila kao B-veličina potrebno je, dakle, izabrati neko merljivo svojstvo koje simultano varira sa temperaturom. Ako je to svojstvo merljivo kao A-veličina i ako se može postulirati zakon po kome se temperatura povećava u tačno odredenim iznosima sa povećanjem dotične A-veličine i ako poredak sistema po dodiru i po A-veličini korespondira, onda možemo smatrati da smo konstruisali valjanu skalu za merenje temperature kao B-veličine. Primer za ovo je običan živin termometar u kome se koristi stabilan (ali ne konstantan i ne uvek linearan) odnos zapremine žive i temperature.
5.
Problem aditivnosti
Tokom najžešće diskusije između fizičara i psihologa u Britanskom udruženju za razvoj nauke (u čuvenom Fergusonovom Komitetu), malo po malo se učvrstilo pogrešno uverenje da „aditivnosf’ znači zapravo „fizičku jukstapoziciju”. Počelo je verovatno od Kembelovog objašnjenja da se adicija dužine dva štapa postiže tako što se štapovi nastave jedan na drugi. Takav način sabiranja, koje se zasniva na fizičkom povezivanju (jukstapoziciji), proširen je primerima težine sa stavljanjem dva predmeta na isti tas vage, električnog otpora
sa povezivanjem otpomika na red itd. Na testu „aditivnosti” su u to vreme psiholozi i naučnici iz društvenih disciplina potpuno razočarali. Kasnije analize su pokazale da je shvatanje adicije kao fizičke jukstapozicije u najmanju ruku protivrečno. Da li je aditivna fizička jukstapozicija dužine štapova ako dva štapa nastavimo pod uglom od 90°, ili ih stavim o jedan pored drugog? Tegovi se ne moraju stavljati na tas vage jedan pored drugog, nego se jedan može obesiti koncem da visi ispod tasa. Otpomici u strujnom kolu se mogu vezati paralelno jednako kao serijski. Nigde u Campbellovom radu, niti u kasnijim radovima drugih autora nije bilo eksplicitno objašnjeno šta se podrazumeva pod „adicijom” (sabiranjem). Campbell je često koristio term in „kombinacija sistema” i iz njegovih tekstova se može zaključiti da je on predviđao mogućnost vrlo različitih operacija koje mogu rezultirati zbirom veličine. Sve u svemu, sama operacija adicije „+” nije aksiomatizovana, ali se u prirodno-naučnom merenju, od slučaja do slučaja, ona mogla precizno defmisati. Aditivnost se može smatrati kao formalni preduslov flindamentalnog merenja, ali ona nije nigde data sama po sebi i stvar je razvoja nauke i tehnologije merenja kada će biti sm išljene operacije koje daju aditivne mere. Neki misle da su fizičari zaključili kako se aditivnost može prosto postići fizičkom blizinom objekata zato što su mnoga njihova merenja u to vreme tako funkcionisala. U osnovi, medutim, fizička blizina nije recept za postizanje aditivnosti.
6.
Kombinovano merenje
Pošto se Kcmbclova aditivnost nije mogla svesti na fizičku jukstapoziciju, došlo se do „neutralnog” termina - konkatenacije. Taj termin se koristi da označi spajanje svojstava ili mera, ne prejudicirajući nikakvu konkretnu operaciju kojom se vrši to spajanje. Problem aditivnosti merenja, kao preduslov fundamentalnog merenja, i sljedstveno tome, kvantiiativnog merenja, nastavio je da okupira teoretičare merenja. Polovinom XX veka bilo je više autora koji su se bavili aditivnošću, odnosno konkatenacijom. Ključni prodor u razrešavanju problema aditivnosti kao preduslova za kvantitativno merenje, učinjen je sa tzv. teorijom kombinovanog (eng. conjoint) merenja, koju su aksiomatizovanom obliku dali Luce i Tukey 1964. godine. Model Lucea i Tukeya predstavlja aksiomatizaciju p rem a kojoj, ako aksiomi važe, izmerena zavisna varijabla i dve ili više nezavisnih varijabli mogu biti simultano (odatle naziv „kombinovano”) reprezentirane na intervalnoj skali sa zajedničkom jedinicom merenja, ukoliko se pogodno transform išu i povežu odgovarajućom funkcijom. To znači da se aditivna reprezentacija može postići bez empirijske operacije konkatenacije. Kombinovano aditivno merenje omogućava da se analiziraju skupni efekti nezavisnih varijabli na zavisnu varijablu i to tako da mere tih efekata budu na intervalnom nivou merenja. Pri tome, originalne varijable m ogu biti na ordinal-
nom nivou merenja, parcijalno ordinalne (uključujući i slabi poredak - jednake rangove), ili mogu biti kategorijalne, nepotpune itd. Luce i Tukey su koristili prirner merenja glasnoće zvuka. Subjektivna glasnoća zvuka zavisi od frekvencije (visine) i intenziteta tona. Stevens nije raspolagao teorijskim okvirom u kome bi te dve fizičke varijable, intervalno merene, mogao kombinovati tako da đaju intervalnu meru glasnosti. To je bio jedan od razloga zašto su u Fergusonovom komitetu zaključili da psihološko merenje nije fundamentalno. Subjektivna glasnost, dobijena ocenjivanjem od strane ispitanika, nalazi se na ordinalnom nivou merenja. Luce i Tukey su, međutim, pokazali da se kombinovanim aditivnim merenjem ona može pretvoriti u intervalnu: ako se frekvencija i intenzitet eksponenciraju intervalna glasnost će se dobiti njihovim množenjem. Aksiomatski gledano, kombinovano aditivno merenje počiva na nekoliko manje-više teluiičkih postulata, kao što su, na primer, rešivost i Arhimedov uslov. Danas se smatra da su ključni uslovi kombinovanog merenja iednostniko i dvostruko uravnoteženie (engl. single i double cancellation). Jednostruko uravnoteženje karakteriše kombinovano merenje i zahteva da poredak objekata po bilo kojoj od nezavisnih varijabU bude jednak, nezavisno od nivoa ostaUh varijabli. Dvostruko uravnoteženje karakteriše kombinovano aditivno merenje i zahteva da vrednost zavisne varijable raste skupa - kombinovano - sa porastom vrednosti nezavisnih varijabli. Pojednostavljeno rečeno, cilj kombinovanog merenja je da se otkrije kombinaciona funkcijaj^=y(.Xy). Simbol Xj označava sve nezavisne varijable uzete zajedno, a y. ocenu zavisne varijable y koja nastaje kao kombinacija transformisanih nezavisnih varijabli. F u n k cija /^ ,) mora biti takva da vrednosti y. i Xj zadovoljavaju uslove jednostrukog ili dvostrukog uravnoteženja i da^- bude što bolja o ce n aj. Model će biti aditivan ako je funkcija monotona. Ako su nezavisne varijable Xj kategorijalne, funkcija se naziva klasifikacionom ili funkcijom dodeIjivanja. Funkcija očigledno podseća na regresionu ili bilo koju drugu lineamu funkciju i dokazano je da više poznatih statističkih tehnika, minimalno modifikovanih, može da posluži za njenu konstrukciju. To su monotona analiza varijanse (MONANOVA), monotona regresija, multidimenzionalno skaliranje, optimalno skaliranje, kanonička analiza kontingencionih tabela i sl. Danas se kombinovano merenje koristi u okviru standardne tehnike za analizu podataka pod nazivom kombinovana analiza (engl. conjoint analysis). Primenjuje se često u marketinškim studijama zadovoljstva potrošača U psihologiji, recimo, možemo da imamo neki test od 20 ajtema i da „sposobnost” da se odgovori na te ajteme defmišemo kao latentnu crtu. Aditivno kombinovano merenje nam omogućava da kombinujući ajteme (u testni skor) izračunamo latentnu crtu. Kao rezultat kombinacije i odgovarajuće transformacije, sve tri varijable - ajtemi, skor i crta - imaju probabilistički (statistički) jednake intervale i aditivne jedinice merenja. U drugom psihološkom primeru, postignuće na nekom kognitivnom testu (zavisna varijabla) može se izraziti kao aditivni kombinovani učinak sposobnosti i motivacije. Teorija kombinovanog
merenja nam pokazuje kako možemo dobiti kvantitativni skor na postignuću ako sposobnost i motivaciju merimo samo na ordinalnom nivou. U psihologiji sii se modeli teorije ajtemskog odgovora - TAO (engl. Item Response Theoi^ - IRT) veorna približili zahtevima fundamentalnog, odnosno aditivnog merenja. Posebno se u tom smislu mora istaći Rašov model koji je od svih psihometrijskih modela merenja najbliži teoriji merenja i sadrži fo iT n a ln e elemente (aksiome) koji ga s njom izjednačavaju.
7.
Merenje, skaliranje i nivoi merenja
Stanley S. Stevens je učinio enorman praktični i teorijski napor da merenje afirmiše kao sastavni činilac empirijske psihologije. Njegova teorija merenja se danas označava kao operacionalistička, za razliku od Campbellove i svih sličnih teorija koje su reprezentacijske. Radi se o tome da je Stevens ostavio u nasleđe uverenje da dobra defmicija mernih procedura-operacija dobro definiše dobijene skale i samo svojstvo. Iz Stevensovog pristupa bi sledilo da ako definišemo skalu stava prema abortusu Likertovog tipa kao intervalnu (npr. od l~uopšte ne odobravam nasihii prekid trudnoće, do 5-potpuno odobravam nasilni prekid trudnoće), onda smo time dokazali da je i sam stav - slično dužini ili težini ~ kvantitativno svojstvo. Nasuprot tome, reprezentacijske teorije merenja, kao što je Kembelova, ističu u pn'i plan razliku „sveta” i „znakova” i insistiraju na tome da dodeljivanje znakova~numeraIa objektima samo po sebi ne garantuje da će oni biti dobra reprezentacija sveta. Tek kad se dokaže da je reprezentovanje sveta znakovima uspešno, mogu se operacije na numeralima uzeti kao zamena za operacije na objektima. Procedura dodeljivanja numerala objektima, sama po sebi, ne dokazuje kvantitativnost svojstva, niti aditivnost nierenja.
a. Šta su slcala i slcaliranje Originahio značenje latinske imenice scaia, scaiae je lestvica oduosno stepenište. Dakle, suština tog pojma je u graduiranosti, u definisanim stepenima ili koracima, podrazumeva se jednakim. Termin „skala” se u našem jeziku koristi na razhčite načine: skala radioaparata, notna skala, temperatuma skala itd, Ako se podsetimo Stevensovih i Campbellovih shvatanja koja se odnose na način dodeljivanja numerala i proces merenja, vidimo da se može dati sledeća definicija. Sicaliranje predstavlja način, odnosno metodologiju po kojoj se mimerali dodeijuju objektima. Rezuhat ovog dodeljivanja je slcala. McDonald kaže da je veoma zgođna terminologija za proces skaliranja ona koja razlikuje posmatranja, tj. opažene količine, od podataka - dodeljenih numeričkih vrednosti. Skahranje je onda
prosto konverzija posmatranja u podatke. Pojedinačni nivoi Stevensovih skala u tom slučaju defmišu stepen do koga izmerena veličina korespondira brojnoj liniji - od nominalne (uopšte ne) do racio (potpuno). Po Barrettu skaliranje se može defmisati kao kodiranje empirijskih posmatranja brojevima kako bi se reprezentirale veličine atributa/varijable, a na osnovu datog skupa pravila ili aksioma koje će rezultati merenja morati da zadovolje. Važan pojam u skaliranju je metrika. Metrika nije ništa drugo do skup numerala koji je dodeljen objektima, tj, posmatranjima. Na primer, skala može biti u testnim skorovima, z-skorovima, percentiHma itd. U fundamentalnom merenju, koje se odlikuje realnom nulom i jedinicom merenja, metrika skale je prosto definisana brojem jedinica merenja. Na primer, skala za masu počinje od nule, i nastavlje se u kilogramima, a konkretna veličina se iskazuje brojem jedinica. U udžbenicima se skale često dele na kontinuirane i dish-etne. Kontinuirane merne skale mogu imati bilo koju vrednost sa racionalnog brojnog niza (celi i razlomljeni brojevi), dok diskretne skale mogu imati samo celobrojne vrednosti, ili se mogu zasnivati na nekim drugim numeralima, tj. uopšte ne moraju biti numeričke. Usko povezano sa podelom kontinuirano-diskretno je i pitanjepreciznosti, koje se, manje-više, odnosi samo na kontinuirane skale. Naime, dužina je kontinuirano svojstvo, pa je i merna skala u metrima kontinuirana, ali svaki konkretan memi uredaj ima neke konačne merne intervale, podeljke ili stepenike. Očitavanje dužine nekog predmeta (pa prema tome i samo merenje) koja pada između dva podeljka je subjektivno i predstavlja konstantan izvor greške. Ako je lenjir baždaren u milimetrima, onda se olovka čija je dužina između 110 i 111 mm neće moći tačno izmeriti.
b. Stevensova četiri nivoa m erenja Najpoznatiju klasifikacijii mernih skala i njihovih svojstava je dao Stevens sredinom XX veka, podelom na četiri nivoa merenja. Danas se često ta podela navodi bez imena autora, jer se verovatno smatra da je konceptualizacija prirode koja je proistekla iz Stevensove kategorizacije postala „opšte vlasništvo” i „opšte mesto” teorije merenja u naukama o ponašanju. Stevensova kategorizacija, u njegovoj početnoj interpretaciji i svim kasnijim dopunama i elaboracijama se pokazala kao jedno od retkih dostignuća teorije merenja koje je blisko i razumIjivo nematematičarima. Stevens je u svojim kasnijim radovima formalno defmisao nivoe merenja putem dozvoljenih transformacija. Dozvoljene transfoiTnacije su one transformacije merne skale koje čuvaju relevantne odnose u procesu merenja. U primeru merenja dužine štapova, promena jedinice merenja (npr. iz centimetara u inče) predstavlja obično množenje svih mera nekom konstantnom veličinom. Ovo
množenje ne menja relacije „veće od” ili „duže od” koje su prethodno uspostavIjene među objektima, kao ni rezultate koje se dobijaju operacijama adicije, odnosno konkatenacije. U ovom slučaju je, dakle, promena meme jedinice dozvoljena transformacija. Konkretno, poredak štapova po dužini će ostati isti bilo da ih merimo u centimetrima ih inčima, kao što će štap koji je bio dva puta duži od nekog drugog štapa ostati takav i u novim jedinicima. Klasična četiri nivoa merenja se mogu defmisati na sledeći način: Nominalni • Dvama objektima će biti dodeljen isti numeral ukoliko oni poseduju istu vrednost atributa. • Dozvoljene transfomiacije su bilo koje jedan-u-jedan ili mnogo-u-jedan tranformacije; imajuću u vidu da kod mnogo-u-jedan transformacija dolazi do gubitka informacija. • Primeri: numerisanje fudbalskih igrača, numerisanje opština poredanih azbučnim redom, zatim npr, l=ateist, 2=pravoslavac, 3=katolik itd. Ordinalni • Objektima će biti dodeljeni numerali tako da poredak numerala odražava poredak defm isan relacijom poređenja prisutnosti atributa. Dvama objektima X i 7 sa vrednostima atributa a{X) i a(Y) biće dodeljeni brojevi m{X) i m(Y) tako da ako je m{X) > m{Y) bude i a{X) > a{Y). • Dozvoljene transformacije su sve monotono neopadajuće transformacije, pri čemu kod transformacija koje nisu striktno monotono rastuće dolazi do gubitka informacija. • Primeri: Mohsova skala tvrdoće minerala, rangiranje hotela brojem zvezdica ili putem kategorija A, B, C,..., brzina sedimentacije krvi kao mera intenziteta oboljenja. • Napomene: 1. U matematičkoj realizaciji statističkih metoda za obradu ordinalnih varijabli pojavio se problem kada više objekata ima isti poredak/rang (engl. ties). Uprkos tome što Campbellov prvi zakonm erenjapotpuno sankcioniše takav slučaj, ovaj matematički problem je morao posebno biti rešavan, a skala koja ima ties se često naziva „slabom ordinalnom”. 2. Premda su ovde u dozvoljene transformacije svrstane samo monotono neopadajuće, koje čuvaju poredak objekata (,,od najmanjeg do najvećeg”), negde se navodi da su dozvoljene i monotone nerastuće, koje poredak objekata izokreću („od najvećeg ka najmanjem”), ali se tako dobijene skale nazivaju inverznim. Intervalni • Objektima se dodeljuju brojevi tako da razlike izmedu brojeva reflektuju razlike u stepenu prisustva svojstva. Služeći se primerom iz ordinalnog nivoa i dodajući dva objekta U i V, za intervalni nivo mera mora važiti da ako m{X) - m{Y) > m{U) - m{V), onda mora biti i a{X) - a{Y) > a{U) - a{F).
•
•
Dozvoljene transformacije mogu biti bilo koje tzv. afme transformacije t{m) = c^m + d, gde su c i konstante. Prostim jezikom rečeno: početak (nula) i jedinica merenja su na intervalnom nivou merenja proizvoljni. Primeri: temperatura u stepenima Celzijusa ili Farenhajta, kalendarski datum.
Racio'” • Objektima se dodeljuju brojevi tako da razlike i razlomci izmedu brojeva reflektuju razlike i razlomke između vrednosti svojstva. • Dozvoljene transformacije su bilo koje linearne (slične) transformacije t{m) = c^m , gde je c konstanta. Na dmgi način rečeno, na racio nivou merenja je jedinica merenja proizvoljna. • Primeri: najbolji primer je temperatura u stepenima Kelvina. Primeri sa dužinom neke stvari u centimetrima i trajanjem neke pojave u sekundama su još samom Stevensu izgledali problem atični je r je u njima nula problematična, Naime, nulta dužina se može defmisati kao nulto rastojanje izmedu dve tačke, ali nije jasno kojem objektu se može dodeliti ta dužina. Radi jednostavnosti, u literaturi se ova četiri nivoa merenja označavaju skraćenicom noir, koja predstavlja francusku reč za cmo. Osimklasičnih nivoa, u udžbenicima se navode i neki dmgi nivoi, kao što su aditivni, log-intervalni i apsolutni (v. kasnije). Što se tiče prosečnog istraživača ilmštva i Ijudskog ponašanja, prethodni pasusi koji sadrže formalnu defmiciju Stevensovih nivoa merenja ne bi izazvali mnogo pažnje, bez obzira što su precizni i potpuni. Ono što je ovu klasifikaciju učinilo da preživi do danas, uprkos kritika, osporavanja i modifikacija, jesu zapravo verbalni opis procedura merenja i primeri koji se obično uz njih daju. Kao što je rečeno u prethodnini pasusima, opisi iprim eri Stevensovih nivoa merenja su u stvari najh'aći kurs iz njegove teorije merenja. Neki važni aspekti noir skala vide se iz sadržaja tabele 1, koja je originalni Stevensov rezime njegovih mernih skala i njihovih osobina. Tabela je zanimljiva jer u kratkim crtama svedoči o onome što je Stevens smatrao da su dotadašnji razvoj i njegova razmišljanja ostavili u naslede nauci (iz datuma objavljivanja tabele vidi se, naime, da je proteklo dosta godina od njegovih prvih radova o teoriji merenja). lako bi se ova tabela danas mogla dmgačije formirati i dmgačije popuniti, važno je da se uoče neke bitne tačke koje je Stevens imao u vidu. Na primer, nominalna skala je stalni izvor diskusije je r dodeljivanje numerala, kakvo je Stevens predvideo u nominalnim skalama, u sebi nema ništa numeričko. Stevensov odgovor je bio da operacije identifikacije i klasifikacije, koje moraju da prethode konstmkciji nominalne skale, mogu da se nazovu merenjem. Ali dodeU našoj psihološkoj litcraturi uobičajeno je da se koristi termin „racio” je r postoji problem pogodnog prevoda, koji uključuje i razne pretvorbe, npr. u pridev. Dolazilo bi u obzir: količnik, razlomak, omer, proporcija, odnos...
Ijeni numerali nisu brojevi i ne mogu poslužiti za izračunavanje bilo kakvog smislenog statistika, osim veiičine uzorka n. Zanimljivo je i to što je sirove skorove sa psiholoških testova svrstao u ordinahiu skalu, pa je čak i standardizovane skorove označio upitnikom. Smatrao je očigledno, da ako su sirovi skorovi na ordinalnoj skali, onda računanje aritmetičke sredine i standardne devijacije nije opravdano, a upravo to je potrebno da bi se iz sirovih skorova izračunali z-skorovi, Tabela 1. - Stevensova klasifikacija memih skala (1 9 5 9 )_________ Operacija
Primcr
Sredina
| Dispcrzija | Asocijacija
Test
NOMINALNA Jednatco
numerisanje igrača
hi-kvadrat
mod
ORDINALNA Veće ili manje
Tvrdoća minerala, kućni brojevi, sirovi skorovi
Distanca
temperatura;Celzijusi, položaj. vreme, standardni skorovi (?)
Odnos (razlomak, količnik)
brojnost (numerosity), dužina, gustina, položaj, vremc, temperatura rKelvini, gIasnost:soni, svctlina:brili
medijana
percentili
rang korelacija
test znaka, run test
produktmoment korelacija
Mest F -test
IN T E R V A L N A aritmetička sredina
standardna devijacija
R A C IO gcometrijska srcdina, harmonijska srcdina
procenat varijacijc
Pošto je za distinktnu osobinu racio skala uzeo da imaju početak koga defuiiše neka dominantna i relevantna teorija, morao je da razlikuje dve vrste merenja dužine i vremena. Intervalno mereni vreme i prostor (dužina i položaj) su oni koji se mere časovnieima i krojačkim metrima. Iste veličine se mogu iskazati i na racio nivou, ali se onda moraju računati od momenta „velikog praska”, jer današnja dominantna teorija o nastanku svemira predviđa da vreme i prostor počinju baš u tom trenutku. Verovatno zato što je svoju klasifikaciju memih skala smatrao hijerarhijskom, dužinu i vreme je svrstao kako u nižu, intervalnu, tako i u višu, racio skalu (u zavisnosti od toga kako se gleda na problem nulte tačke). Međutim, značajno je primetiti da se „prosek” (sredina) količnika (racija) ne može predstaviti aritmetičkom sredinom, nego geometrijskom ili hamionijskom. To je važna osobina racio skale, jer se njeni intervah ne iskazuju sabiranjem i oduzimanjem susednih tačaka, nego innoženjem i deljenjem. Međutim, operacije predvidene za jednu skalu (intei'valnu ili racio) se mogu koristiti na dmgoj skali prostom konverzijom (na primer, logaritmovanjeni ili eksponenciranjem). Ta činjenica čini veoma sumnjivom Stevensovu distinkciju između ovih skala.
Stevens je eksplicitno defmisao brojnpst (prebrojavanje) kao racio skalu, ali pod uslovom da broj 0 znači „nijedan”, a ne „nijedan više”, a da broj 1 znači „samo jedan objekt”, a ne ,jo š jedan objekt”. Ova skalaje racio, ali ima i svojstvo jednakih intervala pa se na njoj može primenjivati aritmetika intervalnih skala. Nažalost, prebrojavanje daje odgovor na pitanje brojnosti (engl. how many), a ne količine (engi. how much) i ne garantuje jednakost količina. Kod brojanja jabuka isto se broje i male i velike jabuke. Na isti način se kod brojanja tačnih odgovora na nekom kognitivnom testu jednako broje i laki i teški zadaci. Zato sirovi skorovi, koji se dobiju na taj način, po Stevensu nisu „dospeli” dalje od ordinalne skale. Kao što se postavlja pitanje da li broj jabuka može predstavljati količinu jabuka, tako se postavlja pitanje da li sirovi skor može označavati nivo sposobnosti ispitanika. To je samo jedna od protivrečnosti koje se sreću u domenu merenja i to na mestu gde bi se najmanje očekivalo - na mestu merenja putem prebrojavanja, koje se čini najjasnijom i najelementamijom operacijom dodeljivanja brojeva.
8.
Z aključd o formalnoj teoriji merenja
Formalna definicija merenja koju danas možemo smatrati dominantnom glasi: merenje j e dodeJjivanje numerala objektima shodno naučnim zakonima. Odabrali smo izraz „numeral”, kako je objašnjeno u prethodnim poglavljima, zato što je važno da se razume da se put od merenja do brojeva ne prelazi dodeljivanjem cifara objektima. Cifre se mogu dodeljivati igračima, ili se mogu dodeljivati vojnicima postrojenim po veličini, ali to još uvek nisu brojevi, čak i ako se pišu kao 1, 2, 3,... U teoriji mcrenja, to su numerali, baš kao što su i A, B, C,..., ili I, II, III,... Pojam objekta treba shvatiti veoma uopšteno. Campbell koristi termin „sistem”, a mogu se sresti i tennini „pojava”, „veličina”, „stvar”, „objekt” itd. Kad se radi o terminu „naučni zakon”; on potiče od Campbella, ali se često koriste druge sintagme kao što su „strogo utvrđena pravila” ili prosto „pravila”. U merenju se, ipak, najčešće koriste naučne teorije da bi se na osnovu njih konstniisalo svojstvo koje se meri, da bi se utvrdile operacije i relacije merenja, kao i korelacije merene pojave sa drugini pojavama. Zbog toga smo se opredelili za izraz „naučni zakon”. Klasična defmicija merenja, koja glasi; merenje j e upoređivanje nekog objekta sa siandardom, odnosi se na primenu već gotovih skala. Campbellova i Stevensova teorija merenja se odnose na konstrukciju memih skala, a ne na njihovu primenu. Prvi Campbellov zakon merenja glasi ukratko: merenje mora da omogući da za svaki od izmerenih objekata možemo kazati da je manji, veći ili jednak u odnosu na svaki drugi, i tvori ono što danas svi zovu (po Stevensu) ordinalnom memom skalom. To je osnovni zakon merenja, jer je pi-vi zadatak merenja da omogući svrstavanje objekata u redosled po nekoj osobini. Istraživači u oblasti
društvenih nauka ovaj zakon i ovaj zadatak mogu smatrati kako osnovnim tako i, za praktične svrhe, dovoljnim. Campbell je formuHsao drugi zakon zato da bi obezbedio numeričku prirodu dodeljenih numerala, odnosno da numerali koje dodehmo objektima dobiju status broja i budu dostupni aritmetičkim operacijama. Dakle, da 1, 2, 3,... ne budu samo znakovi na papiru, nego da bude 1<2<3... i da bude 1+1=2. Skale koje su konstruisane tako da zadovoljavaju dmgi zakon merenja su po Stevensovoj klasifikaciji pi-venstveno racio skale, ali ponekad mogu biti i intervalne. Oba Campbellova zakona se lako mogu demonstrirati na merenju dužine. Recimo da imamo izvestan broj štapova čiju smo dužinu izmerili pomoću lenjira i upisali je na samom štapu. Ako poredamo štapove po veličini na osnovu prostog posmatranja, videćemo da dobijeni poredak potpuno odgovara poretku koji bismo dobili da smo ih poredali po upisanim numeralima. Relacija > (veći) na brojevima daje isti rezultat kao i operacija > (duži) na štapovima. Stap koji ima upisan najveći numeral je istovremeno i najduži štap. No, to još nije dovoljno da bismo upisane numerale tretirali kao brojeve. Ako spojimo dva štapa, tako da se nastavljaju jedan na dmgi i ako sada izmerimo dužinu ovako dobijene kombinacije objekata, ona će predstavljati zbir numerala koji su upisani na njima. U tom Irenutku možemo biti sigurni da smo merenjem pomoću lenjira izvršili dodeljivanje objektivnih brojeva štapovima, tj. izvršili fundamentalno merenje (po Campbellu). Mnogi smatraju da su zahtevi koje pred merenje postavlja drugi zakon merenja, a posebno pojam aditivnosti kojim je ovaj zakon motivisan, suviše „strogi” za najveći broj merenja u naukama o ponašanju. Iz takvog stava direktno sledi procena da je sličnost mera koje se dobijaju u naukama o ponašanju i brojne linije danas nedovoljna. Tačnije, da većina tih mera u suštini ne prevazilazi ordinalni memi nivo. U psihologiji, naprim er, među rmiogim aproksimacijama numeričkih skala koje se danas koriste najpoznatija je „metoda testnog skora” koja se sastoji iz sabiranja odgovora na testu. Sabiranje odgovora na testnim stavkama koje su različite težine nije dobra mera količine sposobnosti. Ovde je već diskutovano o problemu prebrojavanja kao operaeije merenja (ali i vrste meme skale). To zapažanje ide na ruku onima koji ne veruju u numeričko merenje u naukama o ponašanju. S druge strane, ozbiljne formalne analize „testnog skora” kao i praksa upotrebe kazuju kako je on dovoljan skor i praktično upotrebljiv. Da upotrebimo analogiju sa brojanjem jabuka - čak iako sve jabuke nisu iste veličine, ako žehmo da neku količinu jabuka pravedno podelimo na iste gomile, optimalna mera će biti da te gomile sadrže isti broj jabuka. Pored toga, zahtevi za aditivnošću se kroz kasniji razvoj teorije merenja nisu pokazali dovoljno preciznim. Staviše, današnji razvoj teorije merenja doveo je do toga da merenje u društvenim naukama, u formalnom pogledu, postane potpuno saobrazno fizičkom. Fizičari su u kritici merenja u dmštvenim naukama polazih od idealizovane slike merenja u vlastitoj nauci, zavarani širokom praktičnom upotrebom merenja fizičkih veličina. Detaljniji uvid pokazuje da je u mno-
gim primerima, jedina razlika između fizičkog i društvenog merenja u celini u „praktičnosti”, ali ne i u naučno-teorijskoj strukturi. Između fizičkog merenja i merenja ponašanja postoje sličnosti i razlike. Moglo bi se reći da su sličnosti vrlo velike sa strane samih operacija i relacija merenja, ali su razlike značajne kada se tiču predmeta merenja i strukture i m etodajedne i druge nauke. Kao što sc zakoni kakve poznajemo iz fizike ne mogu primeniti na tumačenje i objašnjenje čovekovog ponašanja, tako se ni metode, operacije, primene, klasifikacija i druge stvari vezane za merenje ne mogu uzeti da budu jednake. Ključni zahtev za aditivnošću kao preduslovom da merenje bude kvantitativno je ispunjen novim metrijskim prodorima, kao što je teorija kombinovanog merenja i Rašov model, koji omogućuju da se ordinalne varijable transformišu u intervalne. Merenje čovekovog ponašanja najviše podseća na merenje B-veličina, a sličnost sa fizičkim merenjem postoji u nizu drugih aspekata, kao što su: imanentnost grešaka merenja, interakcije merenja i merenog, uloga subjektivnog faktora, ograničeni i uslovljeni domeni merenja, značaj konvencija i sl.
9.
Kako se dokazuje da Je svojstvo merljivo
Jedna od najstrožijih kritika koja je upućena merenju u domenu čovekovog ponašanja je Michellova koji kaže da društveni istraživači iz odanosti Stevensovim noir skalama i njegovoj operacionalističkoj defmiciji merenja potpuno zaboravljaju da dokažu da su svojstva kojima se bave kvantitativna. Jer samo u tom slučaju je razumno pokušavati sa fundamentalnim merenjem - kvantifikacijom. Postoje mnogi odgovori Michellu, sa raznih aspekata društvenog istraživanja: od epistemologije do konkretnih postignuća. Manjkavosti Michellovih aksioma, pomoću kojih se dokazuje da je neko svojstvo kvantitativno, vide se prvenstveno u sferi cirkularnosti i determinizma. Na primer, nasuprot determinizmu aksiornatskih teorija (koje Michell, izgleda, jedino ima u vidu), obično se naglašava značaj statističkog tretmana empirijskih podataka. Statistički karakter merenja ne potiče samo od grešaka merenja, koje smo ranije objasnili kao nužnog pratioca merenja, nego i od slučajnosti kao suštine individualnih i grupnih razlika. Michell tumači da postoje dva glavna zadatka svake kvantitativne nauke: naučni i insti-umentalni. Naučni zadatak ima za cilj da formuliše svojstvo kao kvantitativno i da postavi empirijski proverljive hipoteze o kvantitativnosti svojstva. Instrumentalni zadatak se odnosi na razvoj empirijskih procedura za utvrđivanje vrednosti svojstva - merenja. Po Michellovom shvatanju, merenje je prazno ako ne postoji naučno zasnovana i proverljiva osnova za tvrdnju da je svojstvo kvantitativno. Kako istraživači u oblasti nauka o ponašanju mogu da obave Mičelov naučni zadatak da se teorijski uobliče svojstva kojima se bave tako da ta svojstva budu merljiva?
Osnovni način da se dokaže da j e neko svojstvo merljivo j e da se ono izučava u sve širim kontekstima i da se stalno otkrivaju i utvrđuju njegovi novi odnosi sa drugim svojstvima i pojavama. Taj način je sadržan u metodologiji kojaje već široko prisutna u naukama o ponašanju. Takva metodologija je jasno heuristička ]e,r ne pruža nikakve garancije da će se cilj postići, ali je što praktično, što intuitivno, plauzibilna. Svojstva kao što su društvena pokretljivost, etnička ili socijalna distanca, natalitet, kriminalitet itd. ne mogu se ustanoviti kao kvantitativna u nekom posebnom istraživanju, ili jednom vremenskom trenutku. Akumulacijom istraživačkog iskustva o tim svojstvima, praćenjempromena tokom vremena, povezivanjem sa drugim osobinama određenog društva kao što su stepen razvoja, stanje krize u društvu, čvrstina porodice i sl. raste kredibilitet ovih svojstava kao naučno zasnovanili i merljivih pojmova. Sličan tok i proces se može realizovati u okviru bilo koje druge discipline. U psihologiji se, na primer, može pratiti trag ovakve heurističke metodologije naprim eru istraživanja inteligencije ih dimenzije ličnosti ekstraverzije-introverzije. U oba siučaju su intenzivno istraživane veze ovih svojstava sa drugima psihičkim svojstvima i sa različitim ponašanjima Ijudi. Na taj način su ova svojstva uključena u najšira teorijska tumačenja stnikture čovekove psihe. Pored toga, utvrdeno je da ova svojstva mogu da predvidaju uspeh Ijudi na poslu ili nekoj dnigoj aktivnosti i da se vrši razlikovanje grupa Ijudi medusobno. Vrlo važan korak za potvrdu kvantitativne zasnovanosti ovih svojstava se sastojao u nalaženju njihovog biološkog utemeljenja.
10. „Praktična" teorija merenja Reprezentacijske definicije merenja, kao što je Campbellova, kažu da se merenjem uspostavlja odnos jednog formalnog sistema, obično matematičkog, i stvarnog sveta. Ovakve defmieije objašnjavaju formalnu stranu tog odnosa, ah one ne ulazi u to šta se meri i šta se radi da bi se merilo. Nažalost, istraživači su neposredno i stalno u kontaktu upravo sa takvim pitanjima. Istraživačima teorija merenja i statistika postavljaju zahteve i pravila, koja im zvuče apstraktno, a stvarni svet je konkretan. U situacijama kada njihov nacrt istraživanja ima metodološke teškoće u pogledu prikupljanja i obrade podataka, istraživači se dovijaju na različite načine. Jedan način je da se priklone nekom teorijskom okvini, nekom pristupu, odnosno „izmu”, koji podržava njihov nacrt istraživanja". Osim priklanjanja nekom teorijskom okviru, istraživači često pribegavaju zanemarivanju izvesnih uslova koje " Takvo rešenje je potpuno legitimno. Problem sa priklanjanjem nekom „izm u” ne posloji sve dok on služi kao teorijska osnova i podrškam erenju i obradi podataka. Uostalom, kao šlo jo govorio Rudi Supck, najgori „izam ” je „neznalizam”. Problcm sa „izmima” postaje ozbiljan kad „izmi” postanu ideologije i polazišta neosnovanih konfrontaeija.
postavlja teorija merenja ili statistika. Ipak, najboljaje treća mogućnost, a to je da istraživači pokušaju da poboljšaju i saobraze svoj nacrt sa metodološkim zahtevima. Da bi se istraživači lakše nosili sa ozbiljnim, a svakodnevnim teškoćama sa poštovanjem strogih pravila koja postavlja formalna teorija merenja i statistika, navešćemo ovde neke opšte stavove za orijentaciju. Cilj tih poglavlja nije da se doprinese debati i nejasnoćama, nego, baš naprotiv, da se čitaocu pomogne da se oslobodi anksioznosti (i agresivnosti) prema takozvanim statističkim uslovima i zahtevima.
11. Problem usklađivanja statističkih tehnika i istraživačkih podataka Stevens je istraživačima ostavio još jedno nasleđe, osini podele nivoa nierenja na četiri nivoa. Naime, on je podelio i statističke tehnike s obzirom na nivo merenja na kome su primenljive (v. tabelu na str. 94). Svi istraživači dobro poznaju problem da „statistika” postavlja uslove pod kojima se neka metoda za obradu podataka može primenjivati. Recimo, aritmetička sredina se može računati samo na inten/alnom nivou merenja, dok se na ordinalnom nivou mora koristiti medijana, a na nominalnom mod. Osim uslova koji su proistekli iz Stevensove podele, postoje i drugi koji su usko vezani za konkretne statističke tehnike. Takvi uslovi su npr. oni u vezi koreliranosti podataka kod istraživačkih nacrta sa ponovljenim merenjema, ili u vezi izbegavanja zajedničke analize varijabli koje su linearna kombinacija jedne iz diiige, ili uslov da uzorak mora biti dovoljno veliki. Svi ovi uslovi predstavljaju pravu noćnu moru za društvene istraživače. U sledećim poglavljima biće ukazano na moguća rešenja tog problema, koja se zasnivaju kako na teorijskim, tako i na praktičnim saznanjima primene teorije merenja i statističke analize podataka.
a. „ Pragmatičico ” i ,, recenzentslco " gledište U odnosu na saobražavanje statističkih telinika nivou merenja na kome se nalaze podaci mogu se defmisati dva stanovišta. • Pragmatičko, koje toleriše izvesne neusaglašenosti, a na osnovu i u interesu interpretabihosti, kompatibilnosti i korisnosti rezultata. Po tom stanovištu današnje stanje stvari je ukratko takvo da s u podaci sa ordinaine skale dovoljno dobri zaprimenu bilo Icoje tehnilce koja oficijeino počiva napretpostavci midtivarijatne normalne raspodele. Poredak (rang) objekata je ono što presudno utiče na visinu koeficijenata i statistika (iz fomialne teorije merenja sećamo se prvog Campbellovog zakona merenja koji je zakon poretka).
Što se tiče razlike ordinalnih i nominalnih skala, istraživač bi po ovom stanovištu uočio da su nominalne varijable obično sastavljene iz jednog ili više ordinalnih podopsega koje „kvari” jedna ili više kategorija, kao što su ,,ne znam”, ,,ne želim da odgovorim” i sl. Istraživači obično takve kategorije (ispitanike) odbacuju, ili ih prešifriraju u neku najbhžu ordinahiu kategoriju. • Statističko stanovište je doktrinarno i zahteva da se koriste samo one tehnike koje odgovarajii tipu varijabli. Osim statističara, ovo gledište zastupaju i mnogi recenzenti. Zato se može nazvati i recenzentskim. Postoje istraživanja u SAD koja pokazuju da veliki broj recenzenata ceni formahia pravila za primenu statistike (u skladu sa Stevensom), posebno kada se radi o testiranju hipoteza (iako je testiranje nulte hipoteze, sve u svemu, jedna od najmanje korisnih statističkih alatki u društvenim istraživanjima). Da bi se našlo mesto pod stmcem u masovnoj naučnoj proizvodnji, kao što je publikovanje u naučnim časopisima, istraživači moraju uzeti u obzir ove strožije i formalne kriterijume. Ova dva stanovišta predstavljaju dva „ideal tipa”, tj. dva pola, između kojih istraživač može oscilirati u svakom konkretnom slučaju. Recenzentsko gledište i pohtika recenzenata i mentora koja se na njemu zasniva, ima puno opravdanje kada služi kao odbrana od nestručne (pogrešne) primene statistike. Oni koji insistiraju na poštovanju statističkih uslova štite zapravo statistiku od zloupotrebe. Istraživači koji se, po logici stvari, priklanjaju pragrnatičkom stanovištu, mogu da se pozovu na nekohko važnih činjenica. Izložićemo neke od osnovnih.
b. Staiisiika j e modeliranje i kondenzacija podalaka U statističkim udžbenicima se obično kaže da statistika predstavlja primenu matematičkih modela, tačnije modela teorije verovatnoće na podatke. To je nesumiijivo tačno, ali se danas i na sve dnige statističke fonnule gleda kao na jcdnu vrstu modela. Na primer, aritmetička sredina je model očekivane vrednosti jedne konlinuirane skičajne varijable na intervalnom nivu merenja. Koeficijent linearne korelacije je model povezanosti dve kontinuirane, normalno raspodeljene varijable. F-test je model za poredenje varijansi dve kontinuirane varijable itd. Osim ovih, postoje i statistički modeli raspodele verovatnoća, generalni lineami model, faktorski model, kanonički model itd. Dakle, statističke metode se mogu interpretirati kao matematičko-statistički modeli podataka, njihovih veza i struktura. Odgovornost je istraživača da putem statističke obrade, logičke analize i poinoću bilo koje druge raspoložive tehnike proveri da li model odgovara podacima, tj. da li fimje podatke (termin fit je preuzet iz engleskog jezika i pošto se teško prevodi obično se koristi u tom obliku ~ kao tudica). Na primer, aritmetička sredina je očekivana vrednost neke varijable. Međutim, da bi taj model fitovao stvamost, podaci moraju ispunjavati izvesne uslove. Moraju biti unimodalno distribuirani (distribucija mora imati jedan ,,vrh”) i moraju biti kvantitativni. Očekivanje će biti iznevereno ako
distribucija ima više „vrhova” i ako smo sabirali „babe i žabe” (tj. ako varijabla nije numerička-kvantitativna. Primer takvog neuspešnog statističkog modeliranja je sadržan u laičkoj kritici statistike: „Ja jedem kupus, ti jedeš meso, u proseku jedemo sarmu.”). Koeficijent korelacije je lineami model veze izmedu podataka koji postiže puni kvalitet kada su varijable normalno raspodeljene i, kako modelpretpostavlja, numeričke (intervalne). Tehnika i tehnologija računanja koeficijenta lineame korelacije nas ne sprečava da ga izračunamo iz bilo kakvih podataka. Možemo, na primer, imati jednu varijablu sa brojevima koje igrači nose na dresovima i drugu . sa oznakama njihove boje očiju: l=cm a, 2=smeđa, 3=neodređena, 4=plava. Nije nemoguće da između ove dve varijable postoji korelacija zbog toga što su na nekim mestima u timu pogodniji igrači koji su konstituciono bliži mediteranskom tipu, a na drugim mestima pogodniji igrači bliski skandinavskom tipu. Da bi istraživač imao pravo da interpretira dobijeni koeficijent, on mora izvršiti logičku analizu vrste i nivoa meme skale koju poseduju podaci. Zatim bi morao da proveri njihovu distribuciju i da testira lineamost veze, tako što bi npr. nacrtao dijagram raspršenja ili izračunao eta-koeficijenta korelacije. U konkretnom slučaju, ukoliko i boja očiju i brojevi na dresovima korepondiraju sa telesnom konstitucijom, moglo bi se očekivati da će eta, ili neki koeficijent namenjen nominalnim varijablama biti veći od Pirsonovog koeficijenta. Dakle, tek nakon takve ili slične provere bi istraživač mogao da kaže da dobijena korelacija odgovara (fituje) stvamoj povezanosti između osobina. Primena neke statističke tehnike za analizu individualnih razlika je zapravo postavljanje jednog modela podataka. Ako model odgovara podacima (ili ako podaci odgovoraju modelu), rezultat primene statističke tehnike će biti validan. Na primer, ako izračunamo aritmetičku sredinu iz brojeva koje fusbaleri nose na dresovima, dobićemo neki broj koji, sam po sebi, nećc ukazivati na moguću pogrešnu upotrebu modela aritmetičke sredine. Da bismo proverili da li je to očekivana vrednost neke stvamo postojeće intervalne kontinuirane slučajne varijable moraćemo se poslužiti svim sredstvima koja nam stoje na raspolaganju - od logičke analize do matematičke provere. Mnogi kažu da je ispitivanje adekvatnosti primenjene statističke tehnike, odnosno saglasnosti modcla podacima, jednako heuristički (naučni) zadatak kao što je konstrukcija upitnika u anketnom istraživanju ili sastavljanje liste kategorija u analizi sadržaja. U gomjem primem moraćemo da ispitamo da li je varijabla kontinuirana tako što ćemo utvrditi mogući raspon brojeva dresova. U daljoj logičkoj analizi biće potrebno utvrditi da li je varijabla intervalna, odnosno da li su intervali svojstva izmedu brojeva 2 i 4 jednaki onima izmedu 8 i 10. Videćemo da brojevi nisu kontinuirani, da ne postoje nikakvi smisleni intervali izmedu objekata sa raznim brojevim a, te da, shodno tom e, ne postoji nikakvo kvantitativno svojstvo. Tako ćemo biti obavezni da zaključimo da model aritmetičke sredine ne ođgovara podacima koje čine brojevi na dresovima, jer iza tih brojeva ne stoji kontinuirano intervalno svojstvo.
Statistika je kondenzacija p o d a ta k a .- Savremena epistemološka analiza uočila je da su metode koje se konvencionalno nazivaju statističkim pretežno bazirane na konceptu redukcije dimenzionalnosti prostora. Na primer, umesto gomile podalaka o telesnoj visini regruta koristićemo samo njihovu aritmetičku sredinu i standardnu devijaciju. Umesto velike tabele o povezanosti tclesne visine i težine koristićemo samo jedan jedini koefieijent korelacije. Posebno je efekat redukcije podataka vidljiv u multivarijatnoj analizi u kojoj, na primer, sve stavke iz Adornove skale autoritarnosti zamenjujemo sa skorovima na 9 faktora autoritamosti. Osnovna tehnika kojom se može ilustrovati koncept redukcije dimenzionalnosti je Hotcllingova analiza glavnih komponenti, koja se koristi u svim oblastima nauke. Pod redukcijom dimenzionalnosti prostora se podrazumeva traganje za najmanje dimenzionalnim prostorom koji sadrži sve potprostore koje defmišu manifestne varijable. To je prostor koji sa najmanje dimenzija objašnjava najveći deo ukupne varijanse svih varijabli. Taj cilj važi za celu stalistiku - ona. jesredstvo za redukciju ili kondenzaciju podataka. Kondenzacija podataka je, takođe, preduslov za reprezentaciju podataka. Nemoguće je, naime, napraviti upotrebljiv prikaz izvomih podataka koji sadrže nekoliko desetina ili stotina hiljada brojeva. Da bi prikaz bio razumljiv on mora biti sažet. Pošto je za grafičku prezentaciju najjednostavniji dvodimenzionalni prostor (list papira), svi podaci se po mogućnosti nastoje objasniti pomoću dve dimenzije. I ne samo to, objektivno je (m.atematički) defmisan zakon minimalne potrošnje mastila, koji omogućava da se grafički prikazi formiraju sa što je moguće manje linija. Najbolji način je da se sažimanje vrši traženjem opštijih tipova ili latentnih konstrukata. U tom slučaju sažeti prikaz zadovoljava i saznajnu stranu jer govori o tome šta se nalazi iza manifestnog ponašanja. Zato se danas može pročitati da statistika nije samo metoda reprezentacije, nego baš grafičke ili vizuelne reprezentacije.
c. Postoji više podela mernih skala Kao što se videlo u ranijim poglavljinia, s obzirom na dopustivost transformacija i u skladu sa poznatom Stevensovom klasifikacijom, skale se mogu podeliti na nominalne, ordinalne, intei-valne i racio, ali postoje i drugi načini klasifikacije memih skala. Osim klasičnih Stevensovih nivoa merenja, često se u udžbenicima (Momirović i WoIf, 1997, Sarle, 1995) može naći veliki broj drugih podela meraih skala, manje ili više elaboriranih. Nabrojaćcmo neke od proširenih i altemativnih podela mernih skala. •
Log-intervalni. Objektima se dodeljuju brojevi tako da razlomci brojeva odražavaju razlomkc između vrednosti atributa. Ako je m{X) / m{Y) > m{U) / m{V), onda je i a{X) / a{Y) > a{U) / fl(K). Dozvoljene transfomiacije su bilo koje eksponencijalne trasformaeije tipa t{m) = c ^ m ‘‘, pri čemu su c i af konstante. Primeri: Guslina materije (masa/zapremina), potrošnja goriva u I/km.
•
•
•
•
• •
•
•
Aditivni. bjektima se dodeljuju brojevi tako da sva svojstva brojeva odražavaju analogna svojstva atributa, osim nulte tačke. Dozvoljene transformacije su tipa t{m) = m + c, gde je c neka konstanta, Primeri: Odgovor na pitanje „koliko braće i sestara imate” kao pokazatelj broja dece u porodici, ili na pitanje „kada ste počeli da pušite” kao pokazatelj dužine pušačkog staža. Apsolutni. Objektima se dodeljuju brojevi tako da sva svojstva brojeva odražavaju analogna svojstva atributa. Nula i jedinica merenja su apsolutne. Apsolutna skala je rezultat operacije brojanja. Jedina dozvoljena transfomacija je transfonnacija identiteta: t(jn) = m. Primeri: Broj dece u porodici. Dihotomne (binarne) varijable se tretiraju kao univerzalne, ,,bez-skalne”, a u skladu sa striktnim Stevensovim pređlogom dopustivih transformacija, biname varijable se po defmiciji nalaze najmanje na intervalnom, a mogu biti i na racio nivou. Postoji zatim i podela na kategorijalne skale, koje nastaju klasifikacijom objekata, i merne skale, koje nastaju merenjem. Ove prve se nekad zovu nenumeričkim, odnosno kvalitativnim, a ove druge numeričkim, odnosno kvantitativnim. Nekad se numeričke meme skale razlikuju s obzirom na neposredni postupak dodeljivanja brojeva, pa imamo brojanje i merenje. S obzirom na posebnu grupu problema koji se tiču primenjivost matematičkih modela distribucija verovatnoća, razlikuju se diskretne i kontinuirane skale, od kojih se one prve nazivaju takode i kategorijalnim. Klasični autori kao što su Gutman i Lazarsfeld su razlikovali kvalitativne varijabie, koje su kategorijahie, muhitomne (muhihotomne) ili dihotomne, ali uvek diskretne, od k\’antitativnih varijabli koje su obično kontinuirane i na kojima se mogu primenjivati aritmetičke operacije. Mosteller i Tukey su napravih sledeći spisak tipova podataka: imena stepeni (uređene oznake kao: major, potpukovnik, pukovnik) rangovi (počinju od 1, koja može predstavljati bilo najveći, bilo najniži rang) relativne frekvencije (omeđene nulora i jedinicom; procenti) frekvencije (nenegativni celi brojevi) iznosi (nenegativni reahii brojevi) salda (neomedeni, negativni ili pozitivni brojevi, npr. saldo računa)
Jedna od važnih osobina mcrnih skala je konvencija. Poput temperatumih skala, Celzijusove i Farenhajtove npr., koje se uspešno koriste i dan danas bez obzira što nemaju ni pravu ni zajedničku nulu i što je određivanjem apsolutne nule skala u Kelvinima postala racio skala. U naukama o ponašanju takve su skale stavova kao što je Likertova, u psihologiji IQ skala it.sl. One se koriste kao intervalne jer tako izgledaju. Pridržavanje konvencije ima „društveni” kvalitet jer omogućava uporedivost rezultata i komunikaciju izmedu istraživača, a ne smemo
smetnuti s uma da je nauka dmštvena delatnost. Osim toga, javnost naučnih nalaza smo u uvodnim poglavljima istakli kao važnu komponentu naučnog metoda. U matematici, monotone transformacije su one koje ne menjaju poredak izmerenih objekata (na primer, množenje sa nekom vrednošću je monotona transformacija). Praktično jepokazano da monoione transformacije skala ne menjaju značajno koeficijente korelacije, F i t testove. To znači da koeficijenti korelacije, F i t testovi ne zavise toliko od stvamih mera koje su objektima dodeljene, nego od poretka objekata na osnovu tih mera. Osim toga, razvijeno je u praksi dosta ležeraosti i „tolerancije” u odnosu na to da h su neki konkretni podaci prihvatljivi za neku konkretnu statističku metodu za anahzu podataka - u pogledu skale. Interpretabilnost i stabilnost rezuhata su samo potvrdih da se to isplati. Pored toga, kad bolje pogledamo, potpuno nominalne varijable nisu tako česte u društvenim istraživanjima. Većina varijabli koje tretiramo kao nominalne su parcijahio nominalne, odnosno parcijalno ordinalne. To znači da je opseg varijabli (sve moguće vrednosti koje ona zauzima) sastavljen od jednog ili više podopsega koji su ordinalni i jedne ili više vrednosti koje su van tog (tih) redosleda. Na primer, kod merenja stavova, sve altemative su poredane u niz po jačini slaganja sa nekim iskazom, osim altemative ,,ne zna”. Slično važi za zanimanje (...,NK, KV, \ ^ V , SSS, VŠS,..., privatnik, učenik,...), bračni status („neoženjen/neudata” nasuprot svih drugih podvrsta) itd.
d. Kontinuiranost, diskretnost i preciznost merne skale Jedna od osobina po kojoj se, u udžbenicima o teoriji merenja, skale standardno dele je kontinuiranost nasuprot diskretnosti. Kontinuirane meme skale mogu imati bilo koju vrednost sa racionalnog brojnog niza (celi i razlomljeni brojevi), dok diskretne skale mogu imati samo celobrojne vrednosti, ili se mogu zasnivati na bilo kojim drugim numeralima, odnosno ne moraju biti uopšte numeričke. U ovoj distinkciji se nažalost odmah uočava problem razlikovanja „sveta” i „znakova”. Meme skale se stvarno razlikuju po tome kom skupu numerala pripadaju njihove vrednosti - na primer, skupu celih ili razlomljenih brojeva. Međutim, veoma je važno da li svojstvo koje skala meri može imati bilo koju vrednost (kontinuirano svojstvo), ili može biti samo u diskretnim intervalima (diskretno svojstvo). Tako je recimo skala dužine i težine kontinuirana, dok je skala pola, broja dece, broja eritrocita i obrazovanja diskretna. U statistici postoji posebna grana za kontinuirane i diskretne podatke. Najčešće korišćeni model distribucije za kontinuirane podatke je normalni, a za dihotomne - binomni. Shodno tome, statistički testovi za poredenje vrednosti se razlikuju za diskretne (npr. one koji nastaju prebrojavanjem) i kontinuirane podatke i obično su prvi bazirani na binomnoj, a dmgi na normalnoj raspodeli. U oblasti korelacije, postoje biserijalni i pointbiserijahii koeficijent, kao i tetrahorični i (p koeficijent. Prvi par koeficijenata se, kako to stoji u udžbenicima, prime-
njuje kada su „varijable kontinualne, ali iz nekog razloga svedene na dve kategorije”, dok se drugi par koeficijenata primenjuje u slučajevima kada su „varijable izvomo dihotomne”. Nekada je istraživaču teško da odluči da li je varijabla „izvomo dihotomna” ih ne, odnosno da h je diskretna ih kontinuirana. Kontinuiranost koja se pretpostavlja kod podataka je od suštinske važnosti da bi se na podatke primenio model normalne distribucije i, shodno tome, da bi se oni mogh anahzirati najvećim brojem statističkih tehnika. Sadašnje stanje je takvo da su infmitezimalni podaci (kod kojih razhka između dva susedna broja teži nuh) neverovatni iz više razloga. Tek se očekuje istraživanje koje će imati na raspolaganju podatke sa takve meme skale. Dragim rečima, kontinuiranost merenja j e teorijski model koji podrazumevaju statističke metode, a ne podaci. Kontinuirane meme skale u praksi zapravo ne postoje i svako merenie ie praktično kategoriialno. Prirodom stvari, znamo da je svako merenje u praksi diskretno jer je preciznost memih instrumenata uvek ograničena. Jasno je da ako merimo osobine koje su kategorijalne, rezultirajući podaei će biti diskretni bez obzira na meme skale i instrumente koje koristimo. Međutim, ako je osobina naizgled kontinuirana, memi instrumenti bilo suštinski (zbog ograničene preciznosti), bilo našim izborom (ograničenjem preciznosti), rezuhiraju prekidnim podacima. Da h će tretman osobine koja je generički kategorijalna uvek biti nominalan? Posmatrajmo recimo osobinu koja se zove broj dece. Ona je kategorijahia, tj. diskretna, ah nije nominalna. Ako kažemo da je svako skahranje skup pravila za zadavanje brojeva pojavama, ovde je pravilo koje se koristi prosto brojanje. Međulim, možemo taj memi „instrument” zameniti jednim grubljim i spomenutu osobinu meriti samo kao „ima dece-nem a dece”, koja je, budući binaraa, „scale free”, ih možemo koristiti ordinalnu skalu: do 2 deteta, 3-4 deteta, 5 i više dece. I premda ovaj primer nije najpogodniji za to, može postojati i modahtet „bez odgovora” (modaiitet „ne znam” je malo verovatan, ah moguć), koji bi varijablu učinio parcijalno nominalnom. O kategorijalnosti nasuprot kontinuiranosti meme skale, kao i o značaju tog pitanja u istraživanjima, biće još reči u glavi o varijabh. Preciznost sk a le.- Usko povezano sa podelom kontinuirano-diskretno je i pitanje preciznosti koje se, manje-više, odnosi samo na kontinuirane skale. Naime, dužina je kontinuirano svojstvo, pa je i mema skala u metrima kontinuirana, ah svaki konkretni memi uređaj ima neke konačne meme intervale, podioke ih stepenike. Očitavanje dužine nekog predmeta, pa prema tome i merenje, koja pada između dva podeoka je subjektivno i predstavlja konstantan izvor greške. Ako je lenjir baždaren u mihmetrima, onda se olovka čija je dužina između 110 i 111 mihmetara neće moći tačno izmeriti.
e. Brojanje, merenje, nulta tačka i jedinice merenja Zanimljivo pitanje odnosa brojanja i merenja već je spomenuto, posebno u diskusiji uz Stevensovu tabelu 1 (str. 94). Uobičajeno je da se pod „merama” podrazumevaju brojevi na kojima se mogu primenjivati aritmetičke operacije, npr. mere se mogu sabirati, oduzimati, množiti i deliti, a rezultati tih operacija se mogu dalje množiti i deliti, pri čemu mere ne gube originalno značenje. U tom smislu, mere su po Stevensovoj klasifikaciji uvek na intervalnoj ili racio skali. Međutim, mere koje odražavaju brojnost ne podnose nikakve transformacije, ukoliko želimo da zadržimo njihovo značenje. Podaci koji nastaju brojanjem liče na racio skalu po tome što imaju „apsolutnu nulu”. Ta nulaje realno proverljiva i dostupna našim čulima, jerpredstavlja prosto odsustvo događaja koji se broji. Međutim, brojanje je „mera grupe”, a ne pojedinačnih sistema. Recimo, tvrdimo da Njujork ima više stanovnika od Zrenjanina, ili-'da Petrovići imaju više dece od Trifiinovića. U brojanju je važno samo da možemo jasno razlikovati objekte koje prebrojavamo (Koen i Nejgel, 1965). Na primer, možemo lako brojati decu, muškarce i žene, krvna zmca, ali ne možemo kapi vode u čaši (dok tu vodu nekako ne pretvorimo u kapi). Broj je dakle izvesna „skupna mera” i ne odnosi se na elemente tog skupa. Isto tako, broj izražava samo brojnost, a ne i količinu. Od naših defmicija zavisi kako ćemo tretirati tu brojnost i kakav ćemo joj stvami i logički status pridavati. Recimo, broj jabuka u vreći ne govori o težini vreće. Jedna vreća može imati više jabuka od dmge, a da ipak bude lakša. Ako pretpostavimo i znamo da postoji neka prosečna veličina jabuke, onda bi neka mašina koja pakuje vreće i radi na principu brojanja jabuka proizvodila vreće jednake težine i zapremine - statistički. U tom primeru, dakle, brojanje služi kao aproksimativno, tj. statističko merenje količine. Tačno je da vreća koja ima 100 jabuka ima dva puta više jabuka od one koja ima 50. Odatle izgleda da je skala dobijena brojanjem jabuka, a koja se odnosi na vreće, intervalna. Jedino svojstvo koje ta skala nema je kontinuiranost. Međutim mere koje nastaju brojanjem nemaju univerzalnu jedinicu merenja, odnosno, ona je specifična i može se, eventualno, izraziti kao statistik. Ako ne postoji univerzalna jedinica merenja, onda ne postoje ni jednaki intervali između skorova, pa skala ne može biti intervalna. Na ovaj nedostatak brojanja je ukazivao još Edward L. Thomdike i predlagao da se brojanje zam eni merenjem skaliranjem. N ulta tačka, jedinice m ereiija i transform acije jedne skale u d ru g u .- Po mnogim autorima je pitanje postojanja nulte tačke i jedinice merenja osnovno pitanje merenja. Realna nula kod brojanja uvek postoji egzistencijalno. Intervalni nivo merenja ne pretpostavlja postojanje realne nulte tačke. Kod racio skale (skale količnika) nula se prosto može dedukovati iz situacije kada je brojitelj jednak nuli. Medutim, to ne znači da ona realno postoji. Realna (apsolutna) nula je često logički problematična i protivrečna. Ipak, nulta tačka, makar bila odredena samo konceptualno i teorijski, kao i dobre i racionalno utemeljene jedinice merenja preduslov su objektivnosti mere-
nja. U oba aspekta, zasnovanosti nulte tačke meme skale i njenih meraili jedinica, postoji jasna razlika između mereiija u prirodnim i društvenim naukama (u korist prvog). Ta diskusija se odnosi na pitanje kvantitativnosti svojstva koje se meri, a koje je obradeno u zasebnompoglavlju. Poseban problem Stevensovoj podeli skala i statističkih tehnika predstavlja to što se matematičkim transformacijama mogu menjati svojstva skala tako da prelaze jedna u drugu. Ordinalne skale se npr. mogu transformisati u intervahie na osnovu distribucije učestanosti rangova, prostim logaritmiranjem racio skale se mogu konvertovati u intervalne, a eksponenciranjem intervalne skale u racio. Dakle, premda stvarno merenje u bilo kojoj nauci teško da može proizvesti kontinualne intervalne ili racio skale, matematičkim transformacijama se mogu simulirati takva svojstva. Zbog toga je istraživačima teško da prihvate opravdanost strogog, recenzentskog gledišta.
f. N oiinalna raspodela, ukupni skorovi i linearnost veza Teorijski model nonnalne raspodele opisuje slučajne ishode koji nastaju na preseku beskonačno rrmogo nezavisnih kauzalnih lanaca (uzroka, procesa). Pod nezavisnim podrazumevamo da su nezavisni od naše praktične aktivnosti u kojoj se slučaj dogodio, kao i da međusobni odnosi lanaca ne stoje u uzročno-posledičnoj vezi (jer ako stoje, onda je to jedan te isti lanac). Zato se smatra da je ona univerzalna teorijska kriva slučajnih dogadaja. Medutim, videli smo takođe da nema „teorijskog” slučaja i kada bismo u praksi postavili cilj da proverimo distribuciju verovatnoča nekih ishoda, samo „skičajno” bismo dobili stvamu normalnu raspodelu. Teško je, naime, poverovati u veliki broj (šta više bezbroj) kauzahiih lanaca koji su nezavisni kako međusobno tako i od procesa rnerenja. Danas preovladava uverenje, kako je Heisenberg tvrdio za mikrosvet u okviru kvantne mehanike, da postojiprincipijelna interakcija merenog i merenja. I stvamo, u praksi, postoji mnogo podataka o tome da pojave koje bi po svemu morale biti normalno raspodeljene to stvamo nisu, čak ni na vrlo velikim uzorcima. Poučan je nalaz Queteleta na francuskim regrutima sa deformacijom distribucije rezuhata tačno oko minimalne telesne visine potrebne za prijem u vojsku (videti prethodno poglavlje). Quetelet je to odstupanje od normalne raspodele objasnio time što su niski regmti uvlačih glavu u ramena da bi paU ispod minimuma i tako izbegli služenje vojske. Poznato je da se starost u populaciji ne distribuira normalno, nego je pozitivno asimetrična, baš kao i telesna težina. Kod starosti je aktivni faktor za asimetričnost verovatno to što se više Ijudi rađa nego što umire. Kod telesne težine je pozitivna asimetrija posledica numeričke interakcije telesne visine i zapremine tela. Ljudska inteligencija jc takode jedno od svojstava koja su obilno merena i o čijoj distribuciji se dosta zna. U nekim istraživanjima na nacionalnom nivou, dobijene distribucije IQ skorova su bile bliže modelu beta distribucije nego normal-
ne. Postoje indicije da se ođgovarajućim transformacijama koje uklanjaju greške merenja i specifične izvore varijansi može ukloniti i normalnost distribucije iz podataka. Model normalne raspodele je kontinuirani, numerički model, tj. važi samo za podatke koji potiču sa realnog brojnog niza. N orm alna distribucija i ukupni sk o ro v i.-N a distribuciju ukupnih skorova mernih instrumenata, kao što su psihološki testovi ili upitnici utiče izbor stavki, tačnije njihove težine i interkorelacije. Ako napravimo ukupan skor na nekom testu, upitniku ili skali stavova prostim sabiranjem odgovora, distribucija tog ukupnog skora će biti nagnuta na jednu ih na drugu stranu ako su stavke u tom instrumentu pretežno „teške” ih „lake”. Još značajnije je to što distribucija ukupnog skora neće biti nomialna ako postoji korelacija izmedu stavki. Sto je viša interkorelacija stavki, to će distribucija biti spljoštenija. Pošto je normalno da postoje značajne interkorelacije između stavki koje mere istu osobinu, to znači da će distribucije ukupnih skorova dobrih mernih instrumenata odstupati od normalne. P retpostavka m ultivarijatne norm alne rasp o d ele.- Ova pretpostavka je centralna pretpostavka muUivarijatne analize, odnosno onoga što ovde nazivamo anahzom individualnih razlika. Po toj pretpostavci, sve varijable koje podvrgavamo nekoj MVA metodi moraju biti zajednički nomialno raspodeljene. Ako je njihova zajednička distribucija multivarijatno nonnalna, onda su i njihove pojedinačne distribucije normalne, Pošto je normalna raspodela kontinuirani model, to istovremeno znači da sve varijable moraju biti numeričke i kontinuirane. To znači da sve varijable moraju biti na intervalnom ili racio nivou po Stevensovoj klasifikaciji nivoa merenja. Iz ostalih poglavlja o „praktičnoj” teoriji merenja znamo da je pretpostavka multivarijatne normalne raspodele svojstvo modela i da se model može primeniti, pa nakon toga testirati da li je primena uspela. L inearnost veza.- Veze između varijabli koje se multivarijatno normalno raspodeljuju imaju još jedno zanimljivo svojstvo - linearnost. Po izloženom shvatanju slučajnosti i individualnih razlika, lineamost veze je prirodna kada do slučajne pojave dolazi usled brojnih i nezavisnih kauzalnih lanaca. Pod nezavisnošću se podrazumeva njihovo nezavisno kombinovanje unutar svakog ishoda, u našem konkietnom slučaju objekta (ispitanika, grupe), a posebno kao nezavisnost od naših manipulacija sadržanih u operaciji merenja. Ta praktična, i na neki način „čarobna” dijada nonnalnosti i lincamosti, koja je rezultirala lineamom regresijom i koeficijentom lineame korelacije, nije, dakle, invencija matematičara i statističara, nego je matematičkim fonnulam a samo izraženo ono što stoji iza individualnih razhka (slučajnih događaja). Ako izaberemo model iineame korelacije za proveru veze između varijabli, ispravnost tog modela možemo proveriti tako da utvrdimo da li neki model nelinearne korelacije (regresije) daje više kocficijente povezanosti. Cak i ako pokažemo da hneami model nije najbolji, možemo se njime zadovoljiti ukoliko su koeficijenti i zaključci na osnovu njih dovoljni za prihvatanje teorije. Za to
postoji još jedan razlog, a taj je što praksa pokazuje da sa povećanjem uzoraka distribucije bivaju sve sličnije normalnoj, a veze lineamoj. Kao što kaže De Leeuw, na velikim uzorcima vlada linearni model.
g. Zaključak i rešenje U statistici društvenih nauka se često koristi floskula po kojoj je za neku varijablu dovoljno da važipretpostavka o normalnosti. Nažalost, ne postoji tačan spisak kiiterijuma koji bi društvenom istraživaču pomogao da odluči je li ta pretpostavka realna ili ne. Nekada se umesto, ili kao zamena za pretpostavku noiTnalnosti, razmatra da li bi iza neke manifestne varijable koja je sada kategorijalna mogla stajati kontinuirana osobina. Na osnovu toga se očekuje da bi merenje dotične osobine na čitavoj populaciji, ili sa preciznijim memim instmmentom proizvelo nomialno distribuiranu slučajnu varijablu. Međutim, bilo kakvo slučajno raspršenje, pa i nonnalna distribucija, se dešava kada čovek obavlja praktičnu delatnost usmerenu ka cilju. Nomialna distribucija rezultata nastalih prilikom merenja (a ono je u upravo takva svrsishodna praktična delatnost) znači samo to da je procedura merenja verovatno bila korektna. Shodno tome. na normalnu distribuciiu treba gledati kao na odliku merenia. ili tačniie. kao na osobinu čovekovog odnosa sa svetom. a ne kao na odliku atributa - osobine. Tokom merenja ponašanja, koje je samo po sebi takva delatnost, a iziskuje i praktičnu delatnost ispitanika, dobijamo individualne razlike koje su po defmiciji slučajne varijable. Ako se dobijene individualne razlike distribuiraju noiTnalno, onda ta činjenica ukazuje na uravnotežnost i nezavisnost nepoznatih kauzalnih lanaca koji su imah uticaj na merenje. Dominantne meme skale u društvenim istraživanjima su ordinalne, koje se u nekom sledećem koraku analize mogu transfonnisati u kvazi-intervalne (ali diskretne, posebno kad nastaju prebrojavanjem odgovora ispitanika). Vrlo često će se čak utvrditi da skale koje se deklarišu kao ordinalne to nisu, nego zahvaljujući višestrukim predmetima merenja, ili nečemu dmgom, imaju mešavinu ordinalnih i nominalnih podopsega. U svetlu svega što je dosada rečcno, može se doneti generalan zaključak da je dozvoljena elastičnost u tretmanu statističkih uslova i da islraživači mogu primeniti multivarijatne statističke metode ako imaju svest o tome da bi za njihove podatke možda bio primereniji neki drugi model. Mogli bismo generalno utvrditi da se multivarijatna statistika u naukama o ponašanju mora pom iriti sa diskontinuiranim i ne nužno normalno raspodeljenim varijablama. Određivanje statističke metode koja će se primeniti u nekom konkretnom slučaju je analogno izboru instiiimenta za prikupljanje podataka, izboru indikatora, ili bilo kom drugom koraku empirijskog istraživanja. To je zapravo proces modeliranja ili izbora modela, koji se zatim proverava, potvrđuje, odbacuje, ili ostavlja za dodatne provere. Istraživač mora stalno im^ati pred očima sledeći stav; statistički uslovi su svojstva modela, a ne podataka.
Savršeno je jasno da „srednje rešenje” između dva gledišta, „recenzentskog” i „istraživačkog”, postoji i da je ono već dato u prethodnim obrazloženjima. Radi se o tome da istraživač ima pravo na pragmatičko stanovište ako je „svestan šta radi”. Tu svest može lako dokazati tako što će proveriti svoje nalaze s obzirom na prirodu podataka i dobijene distribucije učestanosti. To znači da treba ispitati u kolikom stepenu mema skala i distribucija podataka odstupa od zahtevane. Na primer, istraživač može proveriti da h su njegovi nalazi „otporni” na transformacije podataka kao što su različita sažimanja, zatim monotone transforaiacije kao što su stepenovanje ili logaritmiranje, pa standardizaciju i/iii normahzaciju. Istraživač može uporedhi svoje nalaze sa drugim nalazima. Još bolje je da izvrši takve transformacije podataka koje će ih učiniti što više saglasnim sa statističkim uslovima. Na primer, ordinahie varijable može transformisati kako bi ih „intervalizirao” (pomoću nom alizacije, ili ih može binarizovati), a nominalne varijable može prečistiti tako dapostanu ordinalne. Dalje, razvoj multivarijatnih tehnika za obradu nominalnih varijabli je učinio da istraživači danas mogu kvalitetno analizirati sve tipove podataka. Upadljiv primer za to je set programa iz tzv. holandske škole koji se po matematičko-statističkom supstratu svrstavaju pod različite naslove kao što su analiza homogenosti, optimalno skaliranje, multipla korespondentna analiza i komponentna analiza, a prihvataju varijable svih tipova. Pored toga, anahza nominalnih varijabli, kao čest izvor glavobolje društvenih istraživača, motivisala je mnoge statističare za razvoj metoda koje su paralelne onima za intervalne varijable. Kad se radi o nominahiim varijablama, za njihovu obradu se mogu koristiti već spomenute specijalizovane metode, ili se može koristiti binarizacija da bi se nominalne varijable dovele u ,,bez-skalni” oblik koji je pogodan za bilo kakvu dalju analizu. Ipak, najbolje rešenje je istovremeno i najteže - treba povećati uzorak, otkloniti greške merenja i poboljšati instrumente u cilju povišavanja nivoa merenja.
O S N O V N I E LE M E N TI E M P IR IJS K O G IS TR A ŽIV A N JA PO N A ŠA N JA
A. Teorijski okvir istraživanja 1.
Izbor teorijske perspektive
Pod teorijskom perspektivom podrazumevamo skup teorija ili barem uverenja koji su, skoro po pravilu, bazirani na nekom fiiozofskom pravcu. Pošto se nazivi filozofskih pravaca i teorijskili perspektiva vrlo često završavaju na ,,-izam”, i ove perspektive ponekad nazivamo „izmima”. U literaturi se mogu sresti i dragi izrazi, kao što su pravac, škola, filozofska pretpostavka, epistemologija, pa čak i defmicije kao što su „ontologija” ili „široko shvaćena istraživačka metodoiogija”. Svaki od ovih izraza je sasvim na mestu, ali treba uočiti da su oni različitih nivoa opštosti, kao i različitih preciznosti. Alternativni tennin, koji je snažno afirmisao Thomas Kuhn u svom dehi The Structure o f Scientific Revoluiions, jeste paradigma. U svim slučajevima se radi o opštem pogledu na svet, svjetonazoru, koji u našem kontekstu primenjujemo na empirijsko istraživanje. Standardno, izbor teorijske perspektive se mora izvršiti na samom početku istraživanja ili još ranije, sa ciljem da se iz odabrane perspektive zatim izvede opšti istraživački pristup: kvantitativni, kvalitativni ili mešoviti. Međutim, kao što
ćemo kasnije videti, vrlo često sam problem istraživanja diktira metode, a ove onda pozicioniraju istraživanje pod neku odredenu perspektivu. U oblasti nauka o ponašanju ima mnogo podela teorijskih perspektiva. Ne postoji neka defmitivno ustoličena taksonomija teorijskih perspektiva, koja bi u obliku uputstva ili preporuke mogla biti servirana istraživačima. Osnovni razlog za to je što islraživačima nije nužno da eksplicitno odaberu teorijskuperspektivu. U istraživačkim izveštajima će se vrlo retko naći filozofske diskusije i izjave o filozofskimpreferencijama. Identifikacijama i podelama teorijskih perspektiva se bave filozofi i epistemolozi - oni su ti koji imaju potrebu da razvrstaju određeno istraživanje pod neku perspektivu. Istraživači obično nemaju tu potrcbu. Ipak, svesno i eksplicitno opređeljenje za neku teorijsku perspektivu podrazumeva poznavanje njenih postavki, kao i postavki altemativnih i konkurentskih perspektiva. Istraživač koji poseduje ta znanja lakše će i bolje odabrati svoj istraživački pristup. Poznavanje dobrih i loših strana pojedinih paradigmi pomoći će istraživaču u kritičkoj evaluaciji vlastitih i tuđih naiaza. Konačno, znajući da neće biti usamljen, lakše će se odlučiti za primenu metodologije koja nije dominirajuća u njegovoj oblasti, ali je pokazala dobre rezultate u drugim. Važno je znati da tema izbora perspektive ih paradigme nije jednako prisutna u svim naučnim oblastima. Dok se u psihološkoj metodološkoj literaturi sreće vrlo retko, u sociološkoj je to jedno od važnih uvodnih poglavlja.
2.
Koje perspektive postoje
Kao što se može očekivati, postoji prilično slaganje oko teorijskih perspektiva koje su klasične i i koje su zato dobro poznate i široko prihvaćene. Slaganja je mnogo manje oko novih pravaca i škola, posebno onih koji se odnose na specifične oblasti ili probleme. U oblasti društvenih nauka generalno, pored klasičnih, identifikuje se i niz novih perspektiva. S obzirom da su zasnovane na radovima novih autora, da imaju užu oblast primene i da su ekletičke ili nedovoljno proverene u praksi, u literaturi ne postoji saglasnost oko njihovog broja, svojstava, pa ni naziva. Iskoristićemo četiri osnovne teorijske perspektive, kako ih danas vidi Creswell (2003), i prikazati ih u nešto modifikovanom obliku u tabeli 2. U tabeli 3 prikazana je Stembergova (2001) podela klasičnih psiholoških perspektiva i njihovih glavnih osobina. To su klasične perspektive širokog obima, jer su npr. strukturalizam i funkcionalizam prisutni ne samo u psihologiji, nego u svim društvenim naukama, pa i van njih. Tabela 4 sadrži „nove psihološke perspektive” (po Stembergu, 2001), od kojih su neke, kao bihejviorizam, imale snažan uticaj na sve nauke o ponašanju.
Perspektiva • Osnivači
Ključna svojstva
Ključne metode
P ostpozitivizam • Auguste Comte, John Stewart Mill, Emile Durldieim, Rudolf Camap, Thomas Kuhn, Karl Popper...
Kritičlci realizam: znanje o ponašanju je uvek nesavršeno i pogrešno, zato apsolutna istina nije moguća; „statistički determinizam”; redukcija fenomena na mali skup ideja; provera teorije
Eksperiment; primamo kvantitativne metode uz prihvatanje kvalitativnih; merenje
K onstruktivizam • Merton, Mannheim, Piaget
Relativizam; razumevanje različitih i višestnikih značenja koje pojedinici konstruišu o svojim iskustvima; teorija se gradi induktivno na osnovu interakcija istraživača sa učesnicima i participacije istraživača u društvenim procesima
Kvalitativne metode; neposredno posmatranje; intervjui; otvorena pitanja; naracija
Z astupničko/učesnička • Marx, Adomo, Marcuse, Habermas
Preplitanje sa politikom; preraspodela dmšU'ene moći u korist marginalnih grupa; učestvovanje (participacija) u dmšrvenim procesima; društvena promena
Kvalitativne metode; saradnja; interakcija; dmštveni i politički rad
P rag m atizam • James, Dewey, Mead, Pierce
Usredsredenost na problem a ne na metode i pristupe; znanje proističe iz akcija, situacija i njihovih posledica; cilj je da se promeni subjekt
Mešovite metode, sve koje „rade”
CD
Perspektiva • Osnivači
Ključna pitanja
Ključne metode prikupljanja podataka
Ključne kritike
S tru k tu ra liz am • W iIlieImW undt, • Eđward Titciiener
Priroda svesnog; analiza svesti u njene konstitutivne elemente (osnovne osete)
Introspekcija (samoposmatranje)
Suviše mnogo osnovnih oseta; nedostatak sredstava za razumevanje procesa mišljenja; nedovoljna primenjivost na svet izvan laboratorije; isključiva upotreba introspekcije
F unkcionalizam (i njegov naslednik, pragmatizam) • W illiam James • John Dewey
Mentalne operacije; praktična uloga svesti; ukupan odnos organizma i sredine
Sve koje daju rezultat
Previše defmicija rtči funkcija; preterana fleksibilnost u korišćenju previše različitih metoda, što rezultira slabom eksperimentalnom koherencijom; preteran naglasak na primenjenoj psihologiji; nedovoljno fundamentalnih istraživanja
Mentalne veze između dva A socijacionizam događaja ili dve ideje, koje • Hermann Ebbinghaus • Edv/ard Lee Thomdike ; dovode do oblika učenja • Ivan Pavlov
Empirijske strategije, primenjene na samoposmatranje i studije životinja
Prevelika pojednostavljenost; ne objašnjava kogniciju, emocije ili druge psihološke procese
Tabela 4. - Nove psihološke perspektive. Perspektiva • Osnivači
Ključna pitanja
Ključne metode
Ključne kritike
B ihejviorizam • Jolin Watson • B. F. Skinner
Opazivo ponašanje
Eksperimentalna; jak naglasak na životinjske subjekte
Ignoriše i ne istražuje unutrašnje uzroke ponašanja; ne priznaje socijalno (na osnovu posmatranje) učenje; ne objašnjava mnoge aspekte Ijudskog ponašanja (npr., usvajanje i upotrebu jezika ili uživanje i divljenje prema muzici i drugim umetnostima)
G eštalt psihologija • Max Wertheimer • K urtK offka • W olfgang Kohler
H o listič k i k o n c e p ti, ne sam o k a o z b ir d elova, n e g o k a o fe n o m e n ko ji p o sto ji s a m p o sebi
E k sp e rim e n tisa n je i p o sm a tra n je (veći n a g la sa k n a o p a ža n ju h o listič k ih p o d a ta k a n eg o n a k o n tro li v a rijab li)
M a lo p o d a ta k a p o tte b n ih d a b i se te o rija o d b a cila; n e d o sta ta k e k sp e rim e n ta ln e k o n tro le ; n e d o sta ta k p re c iz n ih d e fm ic ija i k o rišć e n je c irk u la m o g z a k lju č iv a n ja
K ognitivizam • Herbert Simon
R a z u m e v a n je k ak o Ijudi m isle ; k ak o se z n an je u č i, stru k tu rira , p a m ti i k o risti
E k sp e rim e n tisa n je i n e p o sre d n o p o sm a tra n je , p rv e n stv en o Ijudi i p rim a ta
E m o c ije , d ru štv e n i o d n o si i d ru g i a sp e k ti Ijudskog p o n a ša n ja n is u istra ž iv a n i o n a k o inte& zivno k a o što su k o g n itiv n i a sp e k ti k o ji su o č ig le d n iji; n e p o sre d n o
• G e o rg e M ille r • U b ric N e iss e r
p o sm a tra n je u m a n ju je n a u č n u stro g o st i k o n tro lu
Perspektiva • Osnivači
Ključne kritike
Ključna pitanja
Ključne metode
Biološke interakcije tela i duha, posebno kao funkcije mozga i nervnog sistema
Trenutno nisu obuhvaćeni svi aspekti Eksperimentacija; studije na Ijudskog ponašanja; mnogi aspekti se ne Ijudima i životinjama; neurofiziološka i neurohemijska mogu etički sprovesti na Ijudima, a nalazi na životinjama se ne mogu uvek istraživanja mozga generalizovati na Ijude
l- i
♦ Biološka psihologija • Roger Sperry • Eric Kandel
Evoluciona psihologija Evolucione osnove Ijudskog ponašanja • Leda Cosmides • David Buss
Plauzibilno zaključivanje; eksperimentacija; ankete
Nalaze je teško empirijski odbaciti; preterana spekulativnost
2 (D O o fD in '
N< <■ flj £u" •O o3 OI U)t
0) 13
P sihodinam ska psihologija • Sigmund Freud
Razvoj ličnosti; psihoterapija; otkrivanje nesvesnih iskustava
Psihoanahza, bazirana na studijama kUničkih slučajeva
Prevelik naglasak na seksualnosti; prevelik oslonac na studije slučaja; suviše uopštena; teško se naučno istražuje; previše se oslanja na teoriju
H um anistička psihologija • Abraham Maslow • CarlR ogers
Slobodna volja i s amo aktuah zac ij a čovekovog potencijala; svesno a ne nesvesno iskustvo
KHnička praksa, posmatranje, studije shičaja; holistički a ne analitički pristup
Teorije nisu posebno opšte; ograničeni fond istraživanja
Dj'
3.
Izbor opšteg pristupa istraživanju
U didaktičkom tekstu, kao što je ovaj, prirodno je reći da se opšti pristup istraživanju izrot^i iz^svpjene teorijske perspektive. Isto tako, didaktički rečeno, iz usvojenog opšteg pristupa se izvode nacrti i metode istraživanja. Međutim, u prethodnom p'oglavlju je ’ rečeno da postoje prečice i povratne staze, zbog kojih istraživači nekad mogu" a nekad moraju da krenu od problema, pa iz njega, obrnutim redom, da biraju prvo rfietbde, pa pristup, pa perspektivu. Postoje tri opšta istraživačka pristupa: • • •
kvantitativni, kvalitativni i mešoviti.
Prema ova tri pristupa se nazivaju istraživanja u celini, pa i grupe istraživačkih nacrta i metoda. Podela na kvantitativna, kvalitativna i mešovita (hibridna) istraživanja je standardna u savremenim naukania o ponašanju i u savremenim metodološkim udžbenicima. Ova podela je opštija od onih koje se baziraju na strukturi istraživanja, mestu ili metodama istraživanja, jer se odnosi na razlike u opštem epistemološkom pogledu od koga istraživač polazi. Zb^g toga se kvantitativna i kvalitativna istraživanja razlikuju u svim fazama, od pregleda literature do piFanj'a^žaključaka; Ipak^te razlike obično nisu velike i mnoga istraživanja obično samo teže ka jednom riolu~kvantitativhom ili kvalitativnom, ali nijednom ne pripadaju u celirii.*'
b. Kvantitativna istraživanja Savremena kvantitativna istraživanja u naukama o ponašanju počinju sa filosofskim pravcem pozitivizmom, a nastavljaju sa neo-pozitivizmom i postpozitivizmom, te da se, generalno, oslanjaju napostpozitivističkii teorijskuperspektivu (v.). Logički pozitivizam je krajem XIX i početkom XX veka izvršio veliki uticaj na empirijske nauke (važna imena logičkog pozitivizma su spomenuti A. Comte, zatim J. S. Mill, E. Mach, R, Kamap, L. Witgenstein i B. Russell). U osnovi pozitivizma je stav da se nova saznanja o svetu mogu postići samo na osnovu iskustvenih činjenica („les faits positives”, po rodonačelniku pravca Augusteu Comteu). Znanje i saznanje mogu da potiču samo iz dva izvora: a) empirijskog iskustva i b) iogičkog rezonovanja. Logičko rezonovanje se oslanja na simboličku logiku i matematiku, ne označava nikakvo iskustvo, pa dakle ništa ne govori o svetu, ali služi za organizovanje i sistematizovanje empirijskog iskustva. Potrebno je malo objasniti povezanost pozitivizma i kvantitativnih istraživanja. Može se reći da su sva istraživanja koja se pozivaju na post-pozitivističku paradigmu kvantitativna. Medutim, obično se izbegava da se kaže da su sva kvantitativna istraživanja pozitivistička. Razlog je taj što su u „praksi” mnoga istraživanja mešovita. Istraživači teže da budu pragmatični sami po sebi i kvan-
tifikuju pojave kad god mogu i kad god je to korisno. Kao što smo videli, postoji paradigma pragmatizma, koja se upravo zasniva na primeni mešovitih istraživanja. Takođe, mnoge kvalitativne metode se mogu koristiti na kvantitativan način, recimo intervju (v.), tako da će istraživanja koja ih koriste biti barem delimično kvantitativna. Ipak, ostaje činjenica da iza kvantitativnih istraživanja dominantno stoji jedna teorijskaperspektiva- pozitivizam. Pozitivizam je pretrpeo promene tokom svojih 150 godina razvoja, ali je opšte filozofsko utemeljenje kvantitativnih istraživanja ipaknmogo homogenije od kvalitativnih istraživanja, iza kojih stoji veliki broj različitih a sličnih i specifičnih a nedovoljno formiranih paradigmi. Postpozitivizam ima skeptičan stav prema mogućnosti da se dostigne apsolutna istina. Osnova za tu skepsu je to što naša neposredna iskustva, koja su istovremeno jedini pravi izvor saznanja, ne mogu da nam pruže dokaze o tome šta svet stvamo jeste. U pogledu shvatanja istine, pozitivizamje, aposebnopostpozitivizam, iako možda izgleda paradoksalno, modemi agnosticizam, ili barem relativizam- znanju se mora i može težiti, ali se nikada u potpunosti neće dostići. Kao operacionalizacija pozitivizma u psihologiji nastao je značajan pravac bihejviorizam (za čijeg začetnika se smatra John Broadus Watson), koji je imao reperkusije na sve dmštvene nauke. U svom izvornom obliku, bihejviorizam je odbacivao introspekciju i tzv. mentalističke pojmove (misli, osećanja). Otuda tadašnji bihejvioristi nisu mogli pitati ispitanike šta misle i osećaju, jer bi u tom slučaju naučnu istinu bazirali na introspekciji (koja je nenaučna jer je neproverljiva) i na pojmovima koji se dešavaju u njihovim glavama (koji su takođe nenaučni jer su neproverljivi). Takav pristup, koji odbacuje introspekciju i mentalističke pojmove, bio je suviše radikalan i kao takav nije opstao. Medutim, njegov ključni doprinos je ostavština koja nalaže da se bude vrlo oprezan kada se zaključuje o tome šta se dešava ,,u glavama” Ijudi. Postpozitivizmu su bliski pojmovi induktivno-hipotetičko-deduktivne gradnje teorije, merenja, eksperimenta, matematike i statistike, analize (odnosno redukcionizma), egzaktnosti i empirijske provere teorije, dok su mu strani pojmovi .spekulacije, introspekcije, empatije, interakcije i ličnih značenja. Posredno i nefonnalno, pozitivizmu su strane „velike reči”, autorska nadahnuća i inspiracije. On podrazumeva objektivnost i vrednosnu i političku neutralnost. Kvantitativna istraživanja su usmerena na sticanje znanja putem posmatranja i merenja fizičkog, neposredno opazivog, manifestnog sveta. Zaključci se mogu odnositi na „nevidljivi svet” (na primer, latentne varijable), ali se moraju donositi samo na osnovu prikupljenih činjenica ili egzaktno izvedenih kombinacija tih činjenica. Ideal kvantitativnih istraživanja je utvrđivanje odnosa uzroka i posledice medu pojavama, ma koliko taj ideal bio teško ostvariv. Ne postoji opšte usaglašeni spisak osnovnih karakteristika kvantitativnih istraživanja, ah možemo se opredeliti za jedan koji izgleda uverljivo: •
ideje, teorije i hipoteze se testiraju empirijski.
• traže se zakonitosti i pravilnosti koje važe za sve slučajeve, a ne samo zapojedince, • istraživanja se planiraju i sprovode sistematski i precizno, • sve procedure se dokumentuju i javno objavljuju, sve pretpostavke se ekspliciraju i objašnjavaju (ništa se ne podrazumeva), značenje svih termina se do kraja objašnjava, prvenstveno operacionalno, • zadržava se skeptičko stanovište prema postojećem znanju i • istraživanja se ponavljaju kako bi se izgradila teorija. Pažljiv čitalac će iz ovog zaključiti da su kvantitativna istraživanja dobro kontroiisana, generalizabilna, precizna, lako ponovljiva, jasna i pregledna, i imaju jasnu i preciznu metodologiju.
c. K valitativna istraživanja Fenom enologija.- Za kvalitativna istraživanja se najčešće kaže da se oslanjaju na fenom enološkipravac u filozofiji (čiji je začetnik bio Edmund Husserl, početkom XX veka). Fenomenologija počinje od tvrdnje da „istina postoji nezavisno od našeg saznanja”. Fenomenologija je u osnovi objektivni idealizam, koji objektivni svet vidi kao duh. Međutim, Husserl i njegovi naslednici izvršili su jednu ključnu dopunu fenomenologije kao vrste idealističke filozofije. Oni su joj dodali intencionalnost. Intencionahiost znači da se svest javlja uvek kao „svest o nečemu”. Nema svesti (pa ni znanja) koja je izolovana u glavama Ijudi. Svest i stvamost su neraskidivo povezani putem intencionalnosti. Pod intencionalnošću se ne podrazimievaju želje i namere, kao u kolokvijalnom govoru, nego to da je svako naše iskustvo „iskustvo o nečemu”, svi naši mentalni procesi se odvijaju neodvojivo povezani sa objektima na koje se odnose. Iz toga sledi važna posledica da su duh i svest javni, dostupni svim Ijudima, jer dele nešto što je zajedničko - intencionalnost. Intencionalnost nam omogućuje da utvrdimo ono što je zajedničko svima nama, a ono što je zajedničko, to je stvamost. Iz ovoga, opet, slede dva važna rezultata: a) stvarnost možemo saznati jer je ona direktno povezana sa duhom i b) znanja o svetu mogu biti objektivna jer su javna. Husserl i njegova fenomenologija su odigrali veoma značajnu ulogu u razvoju naučne mish, suprotstavljajući se agnostičkim i spekulativnim pravcima, s jedne strane i pozitivizmu, s druge. Fenom cnoška m etoda.- Fenomenologija, dakle, tvrdi da se analizom duha - svesnih doživljaja - iskustva - može spoznati istina o svetu. Da, ali kako? Da li su svaka svest i svako znanje pravi? Nisu. Stvamost se saznaje putem fenomenološke metode. Husserlova inicijalna zamisao je da se fenomenološka metoda zasniva na dva osnovna proeesa: • •
,,stavljanju u zagrade” i fenomenološkoj redukciji.
Proces „stavljanja u zagrade” (grčki epoche) obuhvata uklanjanje svih prethodnih znanja, iskustava, ideja, pretpostavki i predrasuda o predmetu izučavanja, kako bismo ga mogh posmatrati onakvog kakav on jeste. Zadatak je posmatrača, bilo da je on istraživač ili ispitanik, da svoje doživljaje opiše kao potpuno naivan posmatrač (Langdridge, 2004, Radonjić, 1968). Srž epoche je simmja; ne sumnja u sve i svašta, nego sumnja u „zdrav razum”, u kolokvijalna uverenja, svakodnevna uverenja, strasti i pristrasnosti. Fenomenološka redukcija se, sasvim jednostavno, bazira na svodenju pojedinačnih iskustava na opšte iskustvo. Ona se bavi našim svesnim iskustvima, tražeći u njima suštinu. Naša su iskustva korelati stvarnosti i kada ih očistimood uverenja, verovanja, tradicije i prakse, pojaviće se svet „čistih suština”, odnosno istine. Ključ za redukciju je u ponovljenim razmalranjima svesnog iskustva o fenomenu. Skidajući stahio iznova sloj po sloj površnih značenja, stižemo do onoga što fenomen nama stvamo znači. Konačni cilj fenomenološke metode je: a) detaljan tekstualni opis svih tema, b) koji sadrži sve teme i značenja pojave koja se istražuje pojedinačno, ali i c) celovit i uopšten opis pojave - ono što je rezuUat fenomenološke redukcije. Fenomenološka metoda, koja je imahi za ci!j da naivnu svest dovede do kritičkog puta ka istini, bila je i ostala jedan od glavnih oponenata pozitivizmu, ali i spekulativnim filozofskim, gnoseološkim i epistemološkim pogledima (Marković, 1981). Kada se danas za neko istraživanje kaže da je fenomenološko onda se u pr\'i plan ističu njegova nastojanja da razume subjektivno iskustvo ispitanika o okruženju u kome se nalaze i da celovito i bez predrasuda prikaže ono što je utvrdeno. Socijalni k o n stru k tiv iza m .- Socijalni konstruktivizam , ili samo konstruktivizam, je još jedna od savremenih, tzv. „novih” paradigmi u društvenim naukama, koje imaju za cilj da se suprotstave „staroj” paradigmi - pozitivizmu. Danas se mnoga kvalitativna istraživanja oslanjaju na konstruktivističku paradigmu. Socijalni konstniktivizam polazi od osnovne pretpostavke da su svi čovekovi „proizvodi” socijalno uslovljeni, pa tako i nauka, stavovi, mnjenja i znanja. Isto tako, društvene pojave su, same po sebi, uslovljene istorijskim i socijalnim okolnostima. Zato se društvene pojave mogu spoznati jedino tako što će ih pojedinac konstruisati u interakciji sa socijalnim okruženjem. Ne samo to, Ijudi uvek konstruišu svoju društvenu stvarnost na osnovu interakcije sa drugim Ijudima. U terminologiji konstruktivizma obično se koristi termin značenje, pa se kaže da pojedinac konstruiše značenje neke socijalne situacije. Ta značenja su socijalno uslovljena, promenljiva i pojedinačna. Zadatak istraživača je da konstruiše jedno opšte značenje neke društvene situacije, a na osnovu prikaza te situacije od strane ispitanika i analize njihovih značenja. Važan element konstruktizma je jezik, jer ne samo što se jezik koristi kao medijum interakcije sa subjektima, nego se jezik analizira da bi se otkrila opšta značenja, diskursi, društveni odnosi i sl, Tipično konstruktivističko istraživanje u sociologiji počinje evaluacijom neke određene društvene postavke, identifikujući interesne ili neke druge grupe.
Istraživač uči šta grupc misle i kako se ponašaju i nastoji da izgradi ono što je zajednički pogled na problem istraživanja. Tok konstruktivističkog istraživanja se često prikazuje ,Jiermeneutičkim krugom”. Po tom krugu istraživač prvo sprovodi nestmkturisani ili polustrukturisani intervju sa prvim ispitanikoni da bi ustanovio njegovu „konstrukcijii” problema koji se istražuje. Taj ispitanik zatim predlaže sledećeg ispitanika, za koga zna ili prctpostavlja da misli i oscća sasvim drugačije. Istraživač njega intervjuiše na isti način, ali ga pita i da komentariše stavove prethodnog (prethodnih) ispitanika. Postupak se ponavlja dok se ne ispitaju svi ispitanici, a može i da se ponovi. Konačni proizvod je „prikaz slučaja” (engl. case report), koji nc sadrži cgzaktnc (brojčanc) podatkc kao u postpozitivističkom izveštaju, nego doživljaj problema kod učesnika, koji uključuje njihova oscćanja, motive, razlogc i objašnjcnja. Konstruktivizam se od fenomenologije razlikuje po tome što on insistira na tome da sc značenja konstniišu, a ne otkrivaju. Sledstveno tome, konstruktivizam sugeriše da istraživač mora biti u intenzivnoj interakciji sa subjektima i da njegov odnos mora biti „emetičan”, a ne posmatrački (Stojnov, 2001, Langdridge, 2004, CresweII, 2003). Još ncka svojstva kvalitafivnih istraživanja.- Fenomenologija i konstruktivizam nisu jedine teorijske perspektive na koje se pozivaju kvalitativna istraživanja. Tu su još i 1) fcminizam, 2) zastupničko/učesnička paradigma, 3) ,,quecr” teorija (koja se bavi pitanjima polova) itd. Ne samo da postojc brojni pogledi koji pretenduju da budu teorijske perspektive, nego se i postojeći pojavljuju u zabrinjavajućc velikom broju varijanti (zabrinjavajuće sa stanovišta istraživača koji trcba da se opredeli). U sociologiji i sličnim disciplinama se vrlo visoko kotira kriterijum „političke korcktnosti”, a ne sarno epistemološki kriterijumi koje smo ovdc pobrojali. Od istraživača se zahtcva da zadovolji ideološke principe Ijudskih prava, ravnopravnosti polova, jednakosti, slobode i dr. Fenomenologiji, konstruktivizmu i svim drugim kvalitativnim paradigmama su bliski pojmovi značcnja, ličnih iskustava, introspekcije, celovitosti (molarnosti, a nasuprot molekulamosti), pronicanja u suštinu, posmatranja i opisivanja, dok su joj strani pojmovi mcrenja, statističke obrade, eksperimenta, analitičkog rašlanjivanja pojava i objašnjcnja putcm kauzalnosti (Langdridge, 2004, Woodworth i Shcehan, 1971). Za kvalitativna istraživanja se podrazunieva da sc sprovode lui terenu, tamo gde ispitanici žive. Kvaiitativna istraživanja su, takodc, po definiciji eksplonitivna. Da bismo čuli šta ispitanici govore i dabism o izgradili svoje razumevanje na osnovu onoga šta oni govore, nc možemo i ne smemo imati prctpostavke o tomc šta će oni reći. Dmštvene nauke se razlikuju po tome koliko koriste kvalitativna istraživanja. Na primer, u psihologiji se trenutno kvalitativna istraživanja procentualno malo koriste. Da bi sc to razumclo, treba imati na umu da je psihologija locirana izmedu prirodnih i društvcnih nauka i da se značajan broj psiholoških istraživanja bavi objektivno merljivim varijablama - neurorizološkim, humoralnim, psihofizičkim itd. Kvalitativni pristup, naravno, ne postoji u prirodnim naukama - on jc
jedan od pokušaja suočavanja sa teškoćama koje postoje u istraživanju Ijudskog ponašanja i društva.'^ Ipak, postoji trend porasta broja kvalitativnih istraživanja u psihologiji. Zastupljeni su i glavni pravci, kao npr. fenomenološka psihologija, konstruktivizam, diskurzivna psihologija itd. Kvalitativna istraživanja se u psihologiji najčešće bave mentalnim sadržajima i značenjima, uzimajući ih celovito i tretirajući pojedinca kao celovitu ličnost. Prirodno je što sc ovaj interes za značenja pretočio u interes za jezik i upotrebu jezika. Ova istraživanja se, takođe, zasnivaju na aktivnoj konstrukciji znanja kroz aktivno suočavanje sa pojavama. Istraživač nastoji da očuva prirodno okmženje Ijudi koje istražuje, a cilj mu je da otkrije značenja koja Ijudi pridaju svom ponašanju (Kerlinger i Lee, 2000). U ovoj knjizi je najveća pažnja posvećena kvantitativnim istraživanjima i njihovoj metodologiji. Razlika kvantitativno-kvalitativno ne može se redukovati samo na razliku fenomenologije i postpozitivma - daleko od toga. Prikupljanje podataka putem merenja, objektivnost, dokazivanje teorije i proveravanje nalaza nisu samo „vlasništvo” pozitivizma ili nekog određenog filozofskog pravca, nego su ugrađeni u sve moderne nauke, pre svega u prirodne nauke. Zbog toga će svaki tekst koji prvenstvo daje objektivnosti, proverljivosti, odbacivosti, ponovljivosti i opštosti (generalizabilnosti) imati naglasak na kvantitativnim istraživanjima i metodama.
d. Mešovita istraživanja Konačno, ideja o hibridnim ili mešovitim istraživanjima dobila je na zamahu kada je postalo jasno, krajem XX veka, da žućna debata na liniji kvantitativno-kvalitativno više zamagljuje problem saznanja, nego što mu pomaže. Kao što se moglo očekivati, filozofski pravac koji stoji iza ovih istraživanja je pragmatizam. Pragmatizam je savremeni filozofski pravac i nije homogen. Po njemu saznanje dolazi iz akcija, situacija i njihovih posledica. U metodološkom smislu, centralni pojam istraživanja je problem, a ne metod. ,,Sve metode su dozvoljene” ako dovode do rešavanja problema, naravno, pretpostavlja se, društvenog. Istina je ono što u jednom trenutku „radi”. Istraživač planira svoj rad na osnovu svrhe, odnosno željenih ciljeva, i na osnovu njih ima punu slobodu da bira pristupe i metode koje koristi. Pri tome, osnovni cilj je uvek da se „promeni subjekf’. Spekulativnost i inspirativnost, koju laička javnost lako uočava o donienu fizike (na primer, u pogledu tcorije stnjna), nc Ireba olako porcditi sa kvalitativnini paradigmama u dmštvcnim naukama. U fizici se ti „kvalitativni” mcnlalni procesi koriste samo u domcnu poslavljanja hipoteza, odnosno kao „probna objašnjenja” dosada poznatih činjenica i, još višc, sukoba činjcnica. Hipotcze u fizici mogu biti vrlo udaijeite odpodataka, spckulalivne iproizvodautorovih„značenja”, alilrebaobratiti pažnjunato: a) da se u fizici podrazumeva da onc moraju biti empirijski dokazane i b) da se one javljaju u onini oblastima fizike u kojima nema đovoljno podataka, tj. koje su u začetku. ,
Nije samo pragmatizam u filozofiji doveo do kombinovanja jjiisiapa i metoda, pa i kvantitativnili i kvalitativnih. Ukupno iskustvo razvoja društvenih nauka tokom X X veka i objektivna analiza naučnog saznanja nije potvrdila da podela na kvalitativno-kvantitativno ili narativno-Iogičko-naučno čini distinktne tipove istraživanja, niti je potvrdila da bi takvi distinktni tipovi istraživanja bili nauci korisni. Oni se moraju posmatrati kao polovine jednog kontinuuma, pri čemu većina metoda sadrži elemente i jednog i drugog. Stanje svesti na prelazu dva milenijuma je takvo da socijalni istraživači moraju imati mullimetodski pristup, da se do istine najbolje dolazi triangulacijom (kombinovanjem nalaza dobijenih različitim metodama) i da prilikom projektovanja istraživanja uvek treba razmotriti hibridne odnosno mešovite nacrte. Veliki broj razumnih istraživača sa obe strane je uvideo da je za dobrobit nauke najbolje da se uzima iz svakog modela ono što je najbolje i najprimerenije konkretnom problemu, ne bežeći ni od jedne metode. Takav pogledje takođe pragmatičan, ali ne u smislu filozofskog pravca koji smo upravo opisali. Kerlinger i Lee (2000) navode tri tipa multimetodskih, mešovitih istraživanja. Prvi tip je onaj u kome istraživanje počinje kao kvaUtativno, kada prikuplja kvalitativne podatke, a završava kvantitavno, kada prikuplja kvantitativne podatke da bi potkrepilo zaključke. Drugi tip ima obmut tok; počinje kvantitativno, a završava kvalitativno sa ciljem da ilustruje i bolje protumači dobijene nalaze. Treći tip se odlikuje uzastopnim i simultanim smenama kvantitativnih i kvalitativnih faza. Jedna metoda može slediti drugu ili može biti ugneždena u drugu. Slično, CresweII (2003), razlikuje sekvencijalne, konkurentne i transformativne procedure. U sekvencijalnim se počinje sa jednom metodom, pa se na osnovu nje projektuje i razvija sledeća faza u kojoj se koristi drugi tip metode. U konkurentnim procedurama se različite metode koriste simultano, a nalazi se objedinjavaju radi bolje interpretacije. Transforrnativne procedure se, ustvari, baziraju ne zasebnoj istraživačkoj paradigmi, koja je akciona, zastupnička i učesnička u osnovi, pa se kroz nju slobodno tretiraju sve metode koje mogu da doprinesu ciljevima istraživanja. Nažalost, pokazalo se da mešovita istraživanja, sama po sebi, nisu praktična. Multimetodski pristup je po pravilu dug i skup, što sprečava masovniju primenu ove opravdane metodološke orijentacije.
e. Jo š neke razlike kvantitativnih i kvalitativnih istraživanja U prethodnim pasusima su opisane razlike kvantitativnih i kvalitativnih istraživanja koje oni „duguju” filozofskim praveima na kojima se zasnivaju. U tom smislu se te razlike mogu tretirati kao epistemološke i duboko fundirane. Ipak, tačno je da opredeljivanje za jednu ili drugu perspektivu često nije motivisano fdozofskim načelima (o elementima koji utiču na izbor perspektive biće reči u jednom sledećem poglavlju). Otuda se postavlja pitanje da li razlike u vrsti istraživanja (pa i u istraživačkom opredeljenju za jedan od tipova) uopšte potiču
od filozofskih uverenja istraživača, ili je sve to skupa zbog izvesnog ličnog opšteg odnosa prema svetu i saznanju. Sledeći problem sa razlikovanjem ova dva tipa istraživanja je u tome što se na praktičnom nivou te razlike umnožavaju, i vrlo često one ne slede upravo opisane bazične epistemološke razlike. Ukazaćemo na nekoliko takvih važnih razlika. Kao prvo, kvahtativna istraživanja preferiraju kvahtativne metode, a k v a n tita tiv n a kvantitativne metode prikupljanjapodataka. M etodamaprikupljanja podataka posvećena je posebna glava u ovoj knjizi i u njoj su izneseni neki dodatni argumenti u debati kvantitativno-kvalitativno. Nije naodmet ponoviti da mnoga istraživanja kombinuju metode i da se to danas u celini ohrabruje kada god to cilj i predmet istraživanja zahtevaju. Sledeća razlika na dimenziji kvantitativno-kvahtativno je u tome što se često smatra da kvantitativne studije imaju vehke uzorke entiteta, a male uzorke atributa, dok kvalitativne studije, obratno, imaju male uzorke entiteta, a velike uzorke atributa. Obično sledi i važno dopunsko objašnjenje da kvalitativna istraživanja proučavaju pojave i/ili entitete intenzivno i dubinski, kroz interakciju sa objektima merenja, pomoćii empatije i razumevanja. Međutim, ako usvojimo tumačenja iz uvodnih poglavlja o pojmu entiteta i atributa i ako usvojimo operacionalizaciju pojma atributa kao varijable, onda se ne čini da je pomenuti žargon tačan. Postoje, naime, terenska i anketna istraživanja koja se obavljaju sa stotinama, pa čak i hiljadama varijabli. Kvalitativna istraživanja često imaju fleksibilan tok, dok je retkost da kvantitativna odstupe od utvrđenog plana. Fleksibilnost kvalitativnih istraživanja je u nekim slučajevima, kao npr. kod utemeljene teorije, važan deo njihove metodologije. Međutim, fleksibihiost se može izložiti ozbiljnoj kritici je r iz nje sledi da se kod kvalitativnih istraživanja ne zna gde će se stići, niti šta će se saznati. U kvalitativnim istraživanjima se uzorak entiteta i posmatranja može definisati tek na kraju istraživanja, a ne na samom početku, kao kod kvantitativnih studija. Uzorak, kao osnova generalizabilnosti zaključaka (eksterae vahdnosti), nije u kvaUtativnim studijama posebno važan. Ciljevi tih istraživanja nisu u dokazivanju i proverljivosti, nego u konstrukciji značenja i generisanju hipoteza. Zastupnici kvalitativnih istraživanja kažu da je važnije da se obavi više intervjua, nego da se ima više ispilanika. Karakteristično za kvalitativna istraživanja je namerno uzorkovanje objekata. Obično se kaže da izbor ispitanika treba da vodi teorija, odnosno da se u uzorak uzimaju oni ispitanici koji će najbolje poslužiti razumevanju pojave koja se ispituje. Zbog toga je generalizabilnost kvalitativnih studija uvek pod znakom pitanja, a pristalice smatraju da eksterna validnost uopšte nije tema. Umesto zaključka, može se reći da ako kvalitativne metode žele da izbegnu brojeve, moraju se čuvati praznih reči, a brojeve moraju zameniti sistematičnošću u svim aspektima istraživanja. Korisno je podsetiti se istorijskih uslova koje su Good i Scates (1967) postavili pred ne-kvantitativne studije da bi se smatrale naučnim istraživanjima.
Moraju biti prikupljeni novi podaci i izvršena originalna posmatranja i moraju se koristiti primami izvori podataka. Mora postojati plan studije i sistematičnost. Moju se planirati kadrovi koji učestvuju u istraživanju, pojmovi moraju biti precizno definisani, posmatranja moraju biti objektivizirana i proverena (putem više posmatrača, ili putem predefmisanih obrazaca i uputstava). Sistematičnost podrazumeva da se o svim objektima prikupe isti podaci. Rezultati moraju biti sumirani, inteipretirani i prikazani sistematično, uz pomoći grafikona i tabela. Rezultati se moraju uporediti sa prethodnim nalazima i sa nalazima drugih autora. Moraju se istaći sugestije i smemice za dalja istraživanja. Opšti ton istraživačkog izveštaja mora odlikovati kompetentnost, kritičnost, objektivnost, erudicija, uočavanje finih razlika i svojstava i poštovanje pravila i stila naučnog rada.
4.
Izbor strukture istraživanja i istraživačl
Pod stmkturom istraživanja podrazumevamo vrstu ili tip istraživanja, a neki autori to nazivaju i istraživačkom strategijom. Tipovima istraživanja posvećena su mnoga kasnija poglavlja. Da bismo čitaocu ukratko objasnili šta se naziva strukturom ili strategijom istraživanja, navešćemo nekohko poznatih i važnih istraživačkih strategija: • • • • • • •
eksperimentalna, ne-eksperimentalna, anketa, studija slučaja, utemeljena teorija, narativno istraživanje, sekvencijalno mešovito istraživanje itd.
Izbor stmkture istraživanja povlači za soboni i izbor metoda ili tehnika prikupljanja podataka, kao što su: • • • • •
upitnici, testovi, intervjui, neposredno posmatranje, analiza sadržaja itd.
Teorijska perspektiva, opšti pristup istraživanju, istraživačka strategija i istraživačke metode su povezane i često uzajamno uslovljene, ali ne stoje u odnosu 1:1. Na primer, i.straživanje zasnovano na postpozitivističkoj paradigmi
biće najverovatnije kvantitativno, preferiraće eksperimentalnu, kvazieksperimentalnu ili korelacionu strategiju, a podatke će prikupljati prvenstveno objektivnim instrumentima.
5.
Na osnovu čega se vrši izbor
Kako dolazi do izbora neke teorijske perspektive, a zatim i istraživačkog pristupa i strukture? Postoji niz uticaja kroz koje istraživač prolazi; počevši od fakultetske nastave, oblasti stmčnog i naučnog interesovanja (klinička psihologija, urbana sociologija, komunikologija) ili opredeljenja za neku od teorija (npr. psihoanaliza). Ovi uticaji se prepliću sa ličnim sklonostima ili nesklonostima, zahtevima mentora, običajima itd. Prilagođavanje problem u. - Međutim, nisu samo filozofske preferencije, niti trebaju biti, presudne za izbor teorijske perspektive. Priroda konkretne discipline nauka o ponašanju takode utiče na izbor perspektive. Recimo, istraživanje čula i nižih kognitivnih procesa u psihologiji zahteva kvantitativna istraživanja koja proističu iz postpozitivističke ih neke shčne perspektive. S druge strane, istraživanja narodnih običaja u etnologiji (kultumoj antropologiji) sprovodiće se kvahtativnom metodologijom, dakle pod konstruktivističkom ili fenomenološkom perspektivom. Porcd toga, postoje izvesne tradicije i običaji u nekim oblastima, koje diktiraju izbor odredene metodologije pa onda i perspektive. Postoje istraživački problemi i ciljevi istraživanja koji diktiraju izbor jedne ih druge perspektive. Na primer, ako je cilj istraživanja da utvrdi efikasnost nekog novog nastavnog metoda, verovatnije je da će se usvojiti eksperimentalni nacrt, koji je bhzak postpozitivističkoj perspektivi, nego fenomenološka perspektiva koja je zasnovana na razgovorima sa učesnicima. Kad god je potrebno da se litvrdi iznos u kome je prisutna neka pojava, ili u kome su pojave povezane, izbor će pasti na perspektivu koja podržava kvantitativna istraživanja. Nije bez značaja ni opšti nivo ih stepen razvijenosti podničja koje se istražuje. Opšta tendencija u svim naukama je da se pi-va znanja prikupljaju „čuhma”, kako bi se odgovorilo na pitanje ,,šta”. U početnim fazama razvoja neke obiasti češće će biti birane neke perspektive u kojima je dominantno prikupljanje mišljenja, značenja ili iskustava Ijudi - recimo konstruktivizam ili fenomenologija. Treba reći da ncke istraživačke teme diktiraju izbor perspektive, ali je mnogo češći slučaj upravo obrnut: teorijska perspektiva diktira oblasti istraživanja. Recimo, biološka psihološka perspektiva se interesuje pi-venstveno za odnos duha i tela, dok se kognitivistička psihologija bavi pitanjima mišijenja i učenja. K ada primcniti kvalitativno istraživanjc, a kada ne. - Kvahtativna istraživanja su prvi izbor u situacijama kada: a) 0 pojavi koja se istražuje nema dovoljno znanja ili b) kada je pojava izuzetak od svih postojećih znanja.
U oba slučaja kvalitativna istraživanja imaju deskriplivnufunkciju ifim kciju stvaranja hipoteia H eo n ja . IJ drugom slučaju treba prevaziči jaz između onoga što se zna i onoga što'se žBiva7najbolje postavljanjem novih hipoteza ili formulisanjem novih tebrija..... ..... Takođe, kvalitativna istraživanja su optimalan izbor kada je „populacija” veoma mala ili je nepozhate veličine, ili čak ako je dovoljno velika, ali je dostupnost njenih članova mala. ............ Ima iTinogo takvih primera kvalitativnih istraživanja. Recimo, istraživanje pojava bliske smrti, kao što su ubrzano „odvijanje života” unazad, „lebdenje” iznad vlastitog tela ili „kretanje” kroz tunel na čijem kraju je svetlo. Kada treba razumeti probleme života Ijudi koji se redovno dijaliziraju, najbolje je sprovesti kvalitativno istraživanje. Isto tako, da bi se proučila dinamika grupa kao što su gangovi ili verske sekte često su korišćena kvalitativna istraživanja. Kada se kaže da su kvalitativna istraživanja dobra za prikupljanje inicijalnih znanja, onda se misli kako na nivou celokupne naučne oblasti, tako i na nivou pojedinca - istraživača. Za ilustraciju možemo uzeti kuvanje po kuvaru. Neko ko nema iskustva sa kuvanjem ustanoviće da su izrazi koji se stalno provlače u receptima: „dinstati na laganoj vatri”, „kuvati dok ne omekne” ili „kad je gotovo preliti buljonom”, potpuno nejasni. Recepti su recepti samo za onoga ko zna da kuva. Slično je i sa empirijskim istraživanjima. Unatoč čvrstom epistemološkom zahtevu o javnosti i ponovljivosti istraživanja, istraživački izveštaji nikad nisu do kraja detaljni. lako se zahteva da sve bude objašnjeno i da se ništa ne podrazumeva, ipak u istraživačkim izveštajima često ostaje nejasno „kako se dinsta”, „kada je omeknuto” ili ,,šta je buljon”. Zato, kad istraživač počne da istražuje neku pojavu, njemu nedostaju lična iskustva i saznanja iz te oblasti. Zato će njemu samom biti korisno da se upozna sa pojavom tako što će otići na lice mesta, što će obaviti nekoliko intervjua, organizovati diskusiju u obliku fokus grupa, ili analizirati sadržaj neke naracije ukratko, obaviće kvalitativno istraživanje. S druge stranc, istraživač ne treba da se opredeli za kvalitativno istraživanje ako žcli da generalizuje. Kroz celu ovu knjigu se naglašavaju različiti aspekti kvalitativnih istraživanja koji ukazuju na to da ova istraživanja mogu da stvore dubok, detaljan i celovit uvid u pojedinačnu pojavu, ali da nisu objektivna i generalizabilna. C iljna javnost. - Pod ciljnom javnošću podrazumevamo publiku ili segment stručne, naučne pa čak i laičke javnosti kojoj se istraživač obraća. Šta više, istraživači su prisiljeni da razmišljaju i mnogo specifičnije - o urednicima, mentorima, redakcijama ili recenzentima. U uvodnoj glavi smo rekli da je javnost suštinska odlika naučnog metoda. Da bi nalazi istraživanja postali javni, oni moraju da se napišu u odredenom formatu i da se objave, ili da budu prihvaćeni i odbranjeni ispred neke komisije.
Svaki istraživač svesno ili nesvesno ima u vidu izvesnu javnost kada piše istraživački izveštaj. Sasvim je prirodno da će nastojati da metodologiju istraživanja, ali ne samo nju, saobrazi sa potrebama i očekivanjima te javnosti. Kada je reč o redakcijama naučnih časopisa, treba reći da je pitanje izbora perspektive i metodologije obično pitanje da li će rad biti objavljen ili ne. U oblasti psihologije, u tom pogledu će apsolutniprioritet imati kvantitativna istraživanja. Dakle, ako istraživač zna da će istraživački izveštaj objaviti u psihološkom časopisu, onda je prihčno izvesno da se mora opredehti za kvantitativni pristup. Lična iskustva i oprcdeljenja - „kadrovski problem ”. - Iz prethodnih poglavlja znamo koje su razhke kvantitativnih i kvalitativnih istraživanja duboko filozofski i epistemološki fundirane. Medutim, javna je tajna da opredeljivanje za jednu ili drugu perspektivu često nije motivisano niti filozofskim načehma, niti racionalnim sagledavanjem problema ili ciljne javnosti. Istraživač koji je uložio dosta truda u okvinijedne paradigme, stekao znanja i iskustva, izbegavaće da se upušta u nešto što ne poznaje i gde se ne oseća siguran. Takođe, neke metode „traže” istraživače sa izvesnim sklonostima. Na primer, zastupničko/učcsnička paradigma zahtevaće istraživača koji ima smisla za društveni rad, koji ima posebne motive ili naklonost prema marginahiim društvenim grupama, npr. Učesničko posmatranje, posebno ako je inkognito, takode je primer metode koja nekome leži, a nekome ne. Isto se može reći za intervju ili fokus grupc. Poznavanje iipotrehe račimaraie danas, manje-više univerzalni zahtev koji se postavlja pred svakog istraživača, bilo koju perspektivu da odabere. Međutim, nije isto da li će računar biti korišćen samo za pisanje i pripremanje video-prezentacije, ili će se koristiti za prikupljanje i analizu podataka, upravljanje laboratorijskim uređajima i sl. Tako danas i poznavanje računarstva može uticati na izbor paradigme, pristupa i metoda. Problem matematike - Nažalost, zvuči paradoksalno, ali izgleda da jak generator razlika i žučnih debata između zastupnika kvantitativnih i kvalitativnih istraživanja potiče od matematike a ne od društvenih nauka. Naime, kvantitativne metode skoro bez razlike podrazumevaju primenu statistike u obradi podataka, a u slučaju disciplina kao što je matematička psihologija, podrazumeva se i primena drugih grana matematike. Statistiku ne pominjemo slučajno, jer je ona univerzalno orude za analizu individualnih razlika, široko primenjivano u naukama o ponašanju, ali, nažalost, istovrcmeno za mnoge istraživače, posebno žene, ozbiljan kamen spoticanja. Mnogi autori su ukazivali na postojanje dva osnovna stila mentalnog funkcionisanja: nauaii i narativni. Vrlo je verovatno da će istraživač „koji ima problema” sa korišćenjem statistike i primenom statističkih programa izbegavati kvantitativne paradigme, a u okviru njih sofisticirane statističke metode i tehnike. Istraživač kome leži literami način izražavanja smatraće da su narativna istraživanja njegov izbor.
Postoji veoma jak kacirovski problem u pogledu primene statistike i matematike, jer: a) matematika zahteva stil mentalnog flinkcionisanja drugačiji nego što ga neguju društvene nauke i b) jer se u situaciji nepostojanja tog stila, kroz negativna iskustva tokom školovanja, kod Ijudi stvaraju otpor, strah i predrasude prema matematici (pedagoški psiholozi kao osobinu ličnosti tretiraju „anksioznost prema matematici”). Otuda je, nažalost, izbor kvalitativnih metoda često „negativan izbor,” motivisan izbegavanjem matematike i statistike. U otporima prema statistici ima mnogo iracionalnog, preteranog i neopravdano generalizovanog straha od matcmatike. U nekim naučnim sredinama postoji izvesna očinska dobrodušnost, popustljivost i prećutno razumevanje za istraživače koji „ne razumeju” foiTnule, makar se te formule sastojale samo od četiri osnovne računske operacije. Rešenje za ovaj „kadrovski problem” nije ni u prećutkivanju, ni u preuveličavanju. On se mora rešiti kroz obrazovanje i stalno metodološko usavršavanje istraživača, s jedne strane, ah i organizacionom podrškom kroz dopunske tečajeve, angažovanje metodoloških i statističkih konsultanata, s druge. Ne preterivati sa razlikam a. - Kasnije će u glavi o metodama biti ukazano da razlike između kvalitativnog i kvantitativnog pristupa nisu uvek epistemološki zasnovane, nego su pitanje preovlađujećeg stila i opredeljenja u okviru jednog istraživanja. Informativan je stav da se „kvantitativni podaci najčešće prikupljaju na osnovu kvahtativnih sudova, a većina kvalitativnih podataka se može konvertovati u kvantitativne” (Trochim, 2005). Ne treba zaboraviti ni Rosnovva i Rosenthala (2005), dva vrlo poznata metodologa, koji kažu da je njihova mantra: mctodološki pluralizam i teoretski ekum enizam . Trcba istaći još jednu značajnu činjenicu. Nakon što se u kvantitativnoj studiji prikupe svi podaci i izvrše sve anaHze podataka, istraživanje ulazi u fazu interpretacije nalaza i donošenja zaključaka. Konačna intepretacija nalaza je krcativan čin u kome učestvuju sva znanja (činjenice), iskustva i intuicija koje istraživač poseduje. Zakijučci su to bolji što su celovitiji i što bolje tumače pojavu kojom se bave. Student će ovde veoma lako uočiti sličnost sa zahtevima koje kvalitativni pristup postavlja pred istraživanje: celovitost i razumevanje. Iz toga se vidi da u svakom pristupu postoje elementi onog drugog i da u svakom istraživanju, koje stvarno teži istini, postoje elementi i kvantitativnog i kvalitativnog pristupa.
B. Varijabla
Pojam varijable se može proučavati u dva opšta konleksta. Jedaii kontekst je merno-teorijski i statistički, a dmgi istraživački. U domenu teorije merenja i statistike, varijabla je „izmereni konstrukt” i mora biti objašnjena sa stanovišta porekla i prirode informacija koje su u njoj sadržane, sa stanovišta nivoa merenja, oblika dislribucije podataka, kontinuiranosti, preciznosti itd. U drugom kontekstu, istraživačkom, termin „varijabla” se koristi paralelno sa pojmom „konstrukt”. U tom kontekstu istraživača interesuje prvenstveno epistemološki i logički status koji varijable itnaju u istraživanju, odnosno uloga koju one igraju u formulisanju odgovora na istraživačka pitanja. Ova podela je uslovna i oba značenja koja varijabla ima u društvenim istraživanjima se prepliću i podjednako su važna. O merno-teorijskom aspektu varijable je već bilo reči u glavi o merenju, a pitanja nivoa merenja i tipa podataka koje varijable sadrže provlače se kroz čitavu knjigu. U ovoj glavi će biti posebna pažnja posvećena epistemološkom statusu varijabli.
1.
Entiteti i atributi
Tumačenje pojma varijable mora početi od tumačenja nekih osnovnijih pojmova. U skladu sa savremenom terminologijom to su pojmovi entiteta (odnosno objekta) i atributa. Uobičajeno je da se ta rasprava počne sa filozofijom starih Grka kojom su procvali racionahiost, apstrakcija i dedukcija. Aristotelovo delo je bilo kamen temeljac celokupne deduktivne metode. Taj temclj se, opet, sa svoje strane oslanjao na pojam tipa, odnosno klase, odnosno opšteg pojma (v. uvodni deo knjige). U tom iskoraku od mitske ka racionahioj misU, išlo se na defmisanje i preciziranje sve opštijih pojmova i zatim silogističko izvodenje nižih pojrnova. To intenzivno klasifikovanje i apstrahovanje je bio nužan prvi čovekov korak u saznanju, je r čovek, kad misli racionahio, on pi'vo mora da zna šta, pa tek onda zašto i kako. Kasnije srednjovekovno insistiranje na deduktivnom metodu je odvelo Ijudsko saznanje u metafiziku i sholastiku. Kao reakcija na takav razvoj stvari, mudri Ijudi su počeli insistirati na induktivnom metodu, pa dakle i na empirijskom metodu. Sledeći problem je bio u tome što se očigledno sva znanja nisu mogla izvesti induktivno iz čulnog iskustva. To je dovelo do separacije uma na iskustvena i na apriomo data saznanja. Shčno klatnu, rešenja su išla od deduktivnog do induktivnog, od empirijskog do racionalističkog, ah se stiče utisak da taj iterativni proces konvergira ka boljem i većem saznanju istine. Ocem moderne nauke danas možemo smatrati GaHlea Gahleja (Galileo Galilei, 1564-1642) koji je u svojoj knjizi Discorsi.e dimostrazioni matematiciie.
kojaje objavljena u Lajdenu (Holandija) 1638. godine, objavio svoje istraživanje slobodnog pada tela. U toj analizi, na primer, on je iz opštih hipoteza o zakonitostima slobodnog pada izveo predikcije kao što su recimo ona da je pređeni put tela koje pada srazmeran kvadratu vremena pada. Te predikcije je zatim empirijski proverio. Zato se njegovo delo obično uzima kao početak modeme nauke, bez obzira što je Francis Bacon (1561-1626) takođe uradio veoma mnogo na postavljanju osnova emirijskog metoda, što je istakao značaj „tvrdoglavih činjenica” baziranih na iskustvu i time pružio intelektuatou bazu za prekidanje skolastičke tradicije. Kasniji tok je pokazao da su i induktivni i deduktivni pristup podjednako značajni, isto tako i analiza i sinteza, ali su naučna znanja i dalje težila da budu čista, izolovana, apstraktna i nepraktična. Promena tog stanja je bila postepena i u njoj je veliku ulogu odigrao pojam slučaja. Pri tome se prvenstveno misli na pojavu slučaja prilikom merenja, tj, one vrste praktičnog odnosa sa svetom koja je modemoj nauci bila potrebna za provem starih i stvaranje novih teorija. Slučaj je, kao prvo, decentrirao naučnu misao od prostog kauzaliteta i determinizma, a kao dnigo, primorao ninoge nauke da razviju praktična rešenja za izučavanje slučajnih varijabli. Za razumevanje merenja važno je ukazati i na neke dmge aspekte razvoja naučne misli od Aristotelovog racionalizma do modeme empirijske nauke. Radi se o nastanku i utemeljenosti naših pojmova entititeta i atributa. Aristotelovi tipovi podrazumevaju diskontinualnost i postojanje ,,po sebi”, dok su svojstva tih tipova i sama razdvojena u zasebne tipologije. Razvoj empirijskog metoda je iziskivao, upravo se zasnivao na tome, da se atributi „pridruže” objektima. Jasno je da objekte (entitete) saznajemo preko njihovih atributa, a da atributi ne mogu da postoje nezavisno od entiteta. Psiholog Cattell u ovom kontekstu za tvorca diskontinualnog načina mišljenja smatra Aristotela, a kontinualnog Galileja, pa ih po njima i naziva. Presudni aspekti kontinualnog načina mišljenja su merenje i slučajnost. Kao što je ovde objašnjeno, merenje i slučajnost su nerazdvojivo povezani. Jedna od stvari koja čoveka stalno podseća na kontinualnost prirode je upravo slučaj. Slučaj je direktni pokazatelj beskrajnog podzemnog okeana isprepletenih veza i uticaja. Uvođenje slučaja u strukturu naučnog objašnjenja imalo je kao direktnu posledicu ireverzibilnost procesa i zaključaka, a slučaj je uveden putem merenja. Prihvatanjem slučaja čovek je morao prihvatiti i stalnu promenljivost prirode.
2.
Od entiteta I atributa do ispitanika i varijabli
Kasnije će se videti (v. tabelu na str. 151) d aje osnovna matrica podataka u naukama o ponašanju tipa entiteti x atributi. Ova elementama matrica zapravo definiše dva prostora: jedan u kojem su objekti i drugi u kojem su atributi. Ne samo da postoje zasebne statističke metode za svaki prostor, npr. faktorska i
klaster analiza, nego se unutar svake metode oba prostora javljaju na drugačiji način. E ntiteti. -E ntiteti, tipovi, ili objekti su u naukama o ponašanju obično Ijudi (vidi uvodno poglavlje o tome šta su socijalna istraživanja). Pošto istraživači Ijudima često postavljaju neka pitanja, za ove entitete se onda koristi izraz ispilanici. U naukama o ponašanju i u statistici često se koristi izraz objekt istraživanja. Nažalost, u psihologiji se vrlo često Ijudi, kao objekti, često nazivaju subjektima, što stvora terminološku konfuziju. Jedan dobar a uopšten izraz koji obuhvata sve ove pojmove, a istovremeno sadrži kratko tumačenje o čemu se radi je jedinica posm atranja. Jedinice posmatranja u naukama o ponašanju mogu biti: • Ijudi, • Ijudske grupe kao što su porodica, školsko odeljenje, sportski klub, verska sekta, • životinje, • artefakti, kao što su poruke, knjige, fotografije, časopisi, • geografske celine, kao što su gradovi, opštine, regioni, • socijahie interakcije, kao što su brakovi, hapšenja, razvodi itd. Nesretna okolnost je to što je termin ,jedinica posmatranja” predugačak i nespretan za svakodnevnu i neformalnu upotrebu. Ahemativni naziv za jedinicu posmatranja je jedinica analize, zato što je ona ne samo jedinica prikupljanja podataka, nego i jedinica obrade podataka i interpretacije. Celokupna logika istraživanja odreduje šta je osnovna jedinica posmatranja u istraživanju. Medutim, istraživanje može imati višestruke jedinice analize ih može koristiti i neke druge jedinice - recimo jedinice uzorkovanja (v.). U oblasti statističke obrade podataka, pa i u statističkim programima, koristi se termin sliičaj. Slučaj je slcup podataka o jednoj ili više jedinica posmatranja. Dobro je da se pravi razhka između jedinice anahze i shičaja. Recimo, u anketnom istraživanju jedinica anahze je ispitanik, a slučaj čine svi njegovi odgovori na postavljena pitanja. Međutim, slučaj može obuhvatati sve podatke o jednom domaćinstvu, dok su jedinice anahze u tom istraživanju bili pojedinci, članovi tog domaćinstva, zatim nekretnine koje pripadaju domaćinstvu, kao i porodica koja tu živi u celini. A tributi. - U pogledu termina atribut, u socijalnim istraživanjima se umesto njega takođe koriste mnogi alternativni nazivi. Tu su pre svega svojstvo i osobina. Nauke o ponašanju nemaju problema da utvrde šta su njihovi entiteti (kao što ima fizika sa elementarnim česticama, ili astronomija sa nebeskim telima) - to su jedinke i njihove grupe. Pažnja je pre i iznad svega posvećena otkrivanju atributa tih entiteta. Većina tih atributa su skriveni, odnosno ne mogu se direktno opaziti, niti spolja, od strane posmatrača, niti iznutra, putem introspekcije. Zato su atributi žiža interesovanja nauka o ponašanju i nazivaju se konstruktima (v. uvodnu glavu). U novije vreme, nakon bumog razvoja empirijskog proučavanja ponašanja živih organizama, uobičajilo se da se konstrukti alternativno nazivaju varijab-
lama. Pojam varijable ili promenljive potiče izvomo iz matematike (algebre). Međutim, onako kako se koristi u algebri, po pravilu se ne sreće u naukama o ponašanju. Prvi razlog leži u tome što su algebarski izrazi, tj. jednačine koje se koriste za prikazivanje fizičkih zakona i odnosa među podacima u prirodnim naukama vrlo retki u naukama o ponašanju. Pojave koje se izučavaju u naukama o ponašanju i dništvenim naukama ne stoje u kauzainim, odnosno funkcionalnim odnosima sa drugim pojavama. Drugi razlog je taj što su svi podaci koji predstavljaju individualne razlike po prirodi slučajne pojave i ne mogu se prikazati determinističkim izrazima, nego samo statistički. Termin varijabla je u društvene nauke došao iz statistike gde mu je puni i tačan naziv slučajna varijabla (engl. random variabie). Slučajna varijabla se u statistici definiše kao pravilo ili fijnkcija koja svakom ishodu u uzorku pridružuje jednu vrednost. Iz toga možemo izvesti jednu strogu, statističku definiciju (slučajne) varijable u naukama o ponašanju: Varijabla j e rezidtat merenja nekog atributa na skupu entiteta. Kada se u naukama o ponašanju govori o empirijskim podacima o ponašanju, oni su po pravilu organizovani u slučajne varijable. Slučajna varijabla je takva varijabla koja sadrži podatke čije vrednosti ne možemo sa sigurnošću predvideti. U matematici (teoriji verovatnoće) bi se kao primer slučajne varijable naveo rezultat bacanja novčića. U tom slučaju bi varijabla sadržavala vrednosti P, G, P, P, G, P,... (gde je P pismo, a G glava). Nakon neke od vrednosti, recimo P, ništa nam ne govori koja će biti sledeća vrednost - postoji samo verovatnoća. Analogno tom primeru bilo bi merenje telesne visine na grupi Ijudi. Kad izmerimo visinu jednog čoveka, ne znamo koje će visine biti sledeći čovek. Slučajna varijabla, dakle, nastaje merenjem nekog atributa-svojstva na uzorku entiteta-objekata. Ako su entiteti Ijudi, onda slučajna varijabla sadrži individualne razlike, čije smo izvore detaljno objasnili u prethodnimpoglavljima. Ova precizna statistička interpretacija varijable je u izvesnoj koliziji sa slobodnijim načinom upotrebe termina „varijabla” - kao konstrukta. Slučajna varijabla je nešto konkretno i ne predstavlja sam atribut, nego sadrži podatke o atributu. U kasnijim poglavljima ćemo videti da se varijablom ne nazivaju samo atributi ispitanika, nego i događaji i uslovi, npr.: „bio na utakmici - nije bio na utakmici”, „primio elektrostimulaciju - nije primio elektrostimulaciju”, „slušao gradivo po novom programu - slušao po starom programu” itd. Za takve varijable čak ne možemo reći da predstavljaju konstrukte. Srećna okolnost je u tome što istraživači nemaju problema da intuitivno razumeju pojam varijable i da ga pravilno koriste, bez obzira što epistemolozi imaju s time problema. U ovom tekstu nećemo izbegavati da izraz „varijabla” koristimo umesto tennina kao što su pojam, atribut, dogadaj, osobina ili svojstvo ali i u statističkom smislu, kao skup podataka o nekoj osobini.
3.
Varijable i m erenje ponašanja
U uvodnim poglavljim a o defmiciji socijalnih istraživanja i individualnim razlikama spomenuto je d a postoje problemi oko toga kako definisati čovekovo ponašanje. Pošto je cilj ove knjige da sadrži što više „praktičnih” smemica za sprovođenje empirijskih istraživanja u naukama o ponašanju, onda je teriTiin „ponašanje” vrlo koristan da tikaže na to šta misiimo pod primenom empirijske metode u naukama o ponašanju. Naime, empirijska istraživanja u toj oblasti prikupljaju podatke o ponašanju Ijudi i životinja, cbraduju podatke, interpretiraju ih i na osnovu rezuHata donose generalizacije. Opšta metodologija koja se koristi u takvom naučnom kontekstu poseduje priličan stepen univerzahiosti, bez obzira 0 kojoj disciplini društvenih nauka se radi. S druge strane, ta opšta metodologija se priHčno jasno razlikuje od metodologije istorijskih nauka, etnologije i kulturologije, književnosti ili eseja o društvenim pitanjima. Međutim, ako pokušam o da defmišemo šta je to čovekovo ponašanje, onda ćemo naići na mnoge problem e. Neposredno ponašanje Ijudi je efememo, dakle nestalno, vrlo različito i kompleksno, razudeno i višeslojno. Mi smo visoko adaptivni organizmi koji raspolažu širokimrepertoarom različitih reakcija, uključujući 1 one koje proističu iz svesnog odlučivanja. Pod ponašanjem se podrazumeva kako znojenje dlanova, gestikulacija i brzina reakcije, tako i verbalna ekspresija od jačine govora, do sadržaja onoga što je rečeno. Pored toga, da bi se neka nauka tretirala kao društvena, ja sn o je da se mora baviti onakvim ponašanjima koja su društvena. Dakle, nije uvek, ili nije prevashodno od interesa ponašanje jedinke kao takvo, nego njegove interakcije sa ponašanjem drugih Ijudi. U tom smislu su od neposrednog interesa i ponašanja grupakao entiteta. Cim smo gore spomcnuli verbalnu ekspresiju bilo je jasno da se tu podrazumeva i pisana reč. Ali ako se kao čovekovo ponašanje tretira i pisana reč, onda je sasvim prirodno da se uzm e u obzir svaki drugi čovekov proizvod. Sve što čovek radi i što proizovdi se m ože posmatrati kao simbol njega i njegovog dmštva. Sada, kada razgovaramo o varijablama, možemo zaključiti da se varijable mogu podeliti u odnosu n a vrstu i aspekt ponašanja koje merimo: a) varijable koje nastaju merenjem ponašanja individua, b) varijable koje nastaju merenjeni ponašanja grupa i c) varijable koje nastaju merenjem proizvoda čovekove praktične delatnosti. U poglavlju o individualnim razlikama nabrojali smo glavne izvore individualnih razlika. Tamo j e spomenuto da, posebno kada se radi o pojedincu, njegovo ponašanje a) m ožem o meriti izvana (od strane spoljnog ocenjivača) ili b) možemo prepustiti pojedincu da on sam pruži podatke o svojim osobinama (mišljenjima, osećanjima). Kada ovde govorim o o merenju, onda ga tretiramo krajnje uopšteno - od primene mernih instrum enata do neposrednog posmatranja (videti poglavlje o nepo.srednom posmatranju). Medutim, ako se držimo strožijeg pristupa, varijable možemo klasifikovati n a a) one koje nastaju merenjem i b) one koje nastaju posmatranjem.
Slično tome, podela se može izvršiti i u odnosu na stepen objektivnosti. U tom pogledu, varijable mogu da budu a) objektivne, u smislu da su nastale mernom procedurom koja je ponovljiva u svakom trenutku i koja daje stabilne rezultate bez obzira da to ko je izvršava i b) neobjektivne. Ova podela dobrim delom korespondira sa podelom istraživačkih metoda na kvantitativne i kvalitativne i umesto izraza „podela”, trebalo bi koristiti izraz „dimenzija”. Naime, potpuno neobjektivne metode i potpuno neobjektivne varijablo ne mogu biti naučne metode i naučne varijable. Medutim, može se dozvoliti kompromis izmedu infomiativnosti i objektivnosli, ukoliko služi svrsi naučne generalizacije. Otuda se obično objektivnost ispoljava kao stepen nezavisnosti rezultata merenja od učesnika u merenju (memih agenata i memih instrumenata) i uslova mcrenja.
4.
Manifestne i latentne varijable
Kada su jedinice posmatranja Ijudi, onda osobine (atributi) koje se mere u socijahiim istraživanjima mogu biti vidljive i dostupne direktnoj proveri - na primcr; pol, starost, obrazovanje... Međutim, često"su osobine Ijudi koje se mere u principu nevidljive i ne mogu se direktno meriti. Tada se obično nazivaju latentnim osobinama, iii u okviru statistike socijalnih istraživanja, latentnim varijablama (videti poglavlje o anahzi individualnih razlika). Takve varijable su stavovi, motivacija, agresivnost itd. ; Postoje dva tipična načina za konstmkciju latentnih iz manifestnih varijabh: indiiktivni i deduktivni. Ove nazive smo dali uslovno, pa ćemo ukratko objasniti na šta mishmo. Tehnički rečeno, latcntne varijable se konstmišu na osnovu korelacija manifestnih varijabh (v. kasnije). Iz toga bi se moglo zaključiti da je put zaključivanja generalno induktivan: od izmerenih činjenica ka zaključenim konstruktima. Mcdutim, to najčešće nije tako. Induktivni način se koristi u korelacionim ih eksplorativnim istraživanjima koja ne počinju od odredenih hipoteza o skiivenim strukturama u podacima. Pored takvih studija, iskustvo mnogih istraživača govori da se iz prikupljenih podataka mogu dervirati neočekivane nove strukture, odnosno latentne varijable, ali se isto tako često ne dobijaju očekivane strukture. Danas se, zahvaljujući dostupnoj računarskoj podršci, istraživači obično „igraju sa podacima”, variraju statističke tehnike i modele obrade, pa toičak danas ima i svoj naziv: „kopanje po podacima” (engl. data mining). Ima više razlog zašto se ovaj induktivni pristup ne koristi nmogo. Kao prvo, on bi pretpostavljao nasumično prikupljanje podataka, pomoću nedefmisanih memih instrumenata i podsećao bi na metodu „pokušaja i pogrešaka”. Važniji razlog je taj što istraživači uvek raspohižu svojim ili tudim teorijskim konstmktima osobina. Upravo se na tome zasniva dmgi, deduktivni pristup. Po tom pristupu, istraživanje počinje tako što se latentna varijabla teorijski konstruiše. Na osnovu te teorije se izvode konzekvence, odnosno veze konstmkta sa
drugim sličnim osobinama i ponašanjima koja taj konstrukt izaziva. Na kraju se predikcije empirijski proveravaju tokom istraživanja. Ako se radi o osećanju etničke distance, moraju se izvesti predviđanja o mogućim iskazima i ponašanjima na koja etnička distanca može da ima uticaj. Z a t i m se n a osnovu t i h predvidanja m o g u fo n T iu lis a t i pitanja koja će u nekoj formi biti postavljena ispitanicima. Na primer ,,da li biste pristali na brak sa osobom dotične nacionalnosti”, ili bi se od ispitanika moglo tražiti da rangiraju nacionalnosti po „bliskosti”. Ova ponašanja, odnosno odgovori na pitanja, su manifestna, bilo tako što se mogu direktno proveriti (kao na primer da li je ispitanik u braku sa osobom druge nacionalnosti), bilo tako što su rezultat svesne akcije ili odluke ispitanika. Namie, mi po pravilu ne možemo direktno pitati ispitanika „kolika vam je etnička distanca”, nego moramo „razbiti” tu latentnu osobinu na niz jasnih i konkretnih manifestacija za koje se m oie pitati ispitanik da li ih poseduje ili manifestuje. Varijable koje se dobijaju merenjem tih konkretnih manifestacija se zato nazivaju mamfestnim vahjablama. U anglosaksonskoj literaturi se ove varijable često nazivaju opservablama, zato što ih dobijamo iskustveno, kao nešto Sto se može opaziti. Ovaj pristup ili put: od teorijskog konstrukta do manifestnog ponašanja, pa preko empirijske provere nazad do konstrukta, treba smatrati osnovnim u istraživanjima ponašanja. Dakle, u procesu merenja, kada merimo latentne osobine, mi merimo ponašanje koje emituju ispitanici. U tom slučaju, društvene istraživače u principu ne interesuje manifestno ponašanje samo po sebi. Društveni istraživači mere manifestno ponašanie da bi nomoću niega donrli do latentnih osobina koie generišu ili modulišu to ponašanie. Ranije smo, u glavi o individualnim razlikama, objasnili mehanizam koji to omogućava. Pojam „latentna varijabla” potiče od sociologa Paula Lazarsfelda i njegove analize latentnih klasa koja je namenjena grupisanju ispitanika i nalaženju tipova. Uopštavanjem metode latentnih klasa se došlo do metode analize latentne strukture i do pojmova latentnih crta i latentnih varijabli. Potpuno analogni pojmovi su kod Coombsa po]s.n\genotipa, kod Mac CorquodaIea i M eehla pojam crte ili hipotetičkog konstrukla (a u manjem stepenu intervenišuće varijabie), a kod Thurstonea faktora. Nasuprot tome, podaci koje dobijemo posm atranjem i merenjem nazivaju se vanjskim ili manifestnim v a r i j a b l a m a , i l i , po Stevensu, indikantima (Supek, 1968). Postoje razne mogućnosti da se manifestno ponašanje poveže sa skrivenim svojstvima. Izvorno, latentne varijable su se defmisale na osnovu kovarijacija manifestnih ponašanja, Osim ovog relativno jednostavnog rešenja za odnos manifestnog i latentnog, mogu se pretpostaviti i mnogi drugi tipovi tog odnosa. Jedna mogućnost su prepostavke o hijerahijskom ustrojstvu Ijudskih osobina i ponašanja, pri čemu su manifestne one koje su najniže i koje su izvedene. Druga mogućnost je redukcionistička; koja manifestno ponašanje timiači „nižim”, flziološkim, ili genetskim razlozima. Međutim, za čitaoca će biti najjednostavnije da zna sledeće:
Latentne varijable se definišu, konstndšu, odnosno identifikuju na osnovu korelacija manifestnih varijabli. U lom operacionalnoni smislu se do danas nije ništa promcnilo. Ako postoji dosledna i značajna korelacija između ponašanja, onda u skladu sa onime što je rečeno o izvoru i logici individualnih razlika, jedini razuman razlog za tu korelaciju mora se tražiti u postojanju zajedničkog latentnog generatora ponašanja. Metodologija koja stoji na raspologanju istraživačima za otkrivanje ili konstnikciju latentnih varijabli iz manifestnih je krajnje precizna - radi se, skoro bez izuzctka o multivarijatnoj statistici. U novije vreme se radi i na nekim aUernativnim metodama, kao što je tehnologija neuronskih mreža. Neuronske mreže su nastale u okviru kibernetike i veštačke inteligencije u cilju simulacije kognitivnih procesa po modehi strukture centralnog nervnog sistema. Neuronske mreže spadaju u tzv. sainoorganizujuće i samoobučavajuće automate koji su u stanju da „prepoznaju” strukture i pravihiosti u spoljnom svetu. Ta njihova sposobnost se koristi u statistici društvenih istraživanja da bi se uočile latentne strukture u podacima. Što se tiče „klasičnih” multivarijatnih tehnika, uobičajeno je da se latentne varijable konstruišu putem faktorske analize, a pod posebnim pretpostavkama tome služe i kanonička diskriminaciona anahza i kanonička korelaciona analiza. Naravno, da bi se varijable koje su dobijene u nekom istraživanju (manifestne) mogle upotrebiti tako da se na osnovu njih konstruišu latentne varijable, raora se nacrt istraživanja napraviti tako da odgovara tom cilju. Kao što smo na početku poglavlja rekli, latentne osobine se po pravilu defmišu na početku istraživanja. Ta defmicija ne mora biti eksplicitna, u formi hipoteze istraživanja, ali skoro uvek postoje neka prethodna iskustva i očekivanja. Što se tiče izbora modela obrade podataka, uobičajene multivarijatne tehnike zahtevaju intervalni nivo merenja, multivarijatno nomialno raspodeljene varijable i lineami tip povezanosti. O odnosu prema tim strogim uslovima smo raspravljali u ranijim poglavljima. Interesi prakse nalažu da se nekim od tih uslova može progledati kroz prste. Još bolje je ako se mogu upotrebiti savremene statističke tehnike koje su nezavisne od tipa podataka, kao što su npr. korespondentna analiza i/ili optimalno skaliranje. U svakom slučaju, treba biti apsolutno svestan da sve multivarijatne tehnike rade po tzv. gigo principu (od engl. garbage in - garbage out, ako smeće uđe, smeće će i izaći) što znači da što podaci više odstupaju od kvantitativnog ideala (uključiv i dovoljno velikog uzorka), to će nalazi biti više pod znakom pitanja.
5.
Kvantifikatorska i strukturalna uloga varijabli
Prethodno opisana distinkcija izmedu manifestnih i latentnih varijabli se tiče najnaprednije i najkompleksnije upotrebe empirijskih podataka. Ovu bismo upotrebu uslovno mogli nazvati strukturalnom. Mi merimo neke vidljive pojave
da bismo otkrili šta stoji iza njih, koje „strukture” se kriju iza manifestnih ponašanja. U takvom pristupu, istraživača prvenstveno interesuje da ustanovi povezanosti između različitih varijabli, a zatim, na osnovu tih povezanosti da identifikuje moguće latentne generatore kojima se mogu objasniti manifestna ponašanja i povezanosti izmedu njih. Medutim, izmerene (manifestne) varijable mogu poslužiti kao takve,;;er ^e. To je mnogo „niži” pristup kvantitativnim istraživanjima, gde varijable služe samo da bi se kvantifikovale pojave koje su merene. U tom pristupu, analiza ajtemskih varijabli se završava na tome da se ustanovi koliko procenata ispitanika misli da se država dovoljno brine o izbeglicama, a koliko da se ne brine dovoljno. Ovaj pristup smo uslovno nazvali kvantifikatorskim. Iz neznanja i nerazumevanja, mnogi društveni istraživači u tome vide jedini cilj kvantitavnih istraživanja - da se nešto prebroji. Međutim, epistemološki najvrednija upotreba manifestnih varijabli je u tome da se otkriju njihovi izvori, tj. šta dovodi do individualnih razlika. Naravno, treba imati na umu jednu važnu stvar - da bi se manifestne varijable koje su dobijene u nekom istraživanju mogle upotrebiti na strukturalan način mora se nacrt istraživanja napraviti tako da odgovara tom cilju.
6.
Osobine i stanja
Dosada smo latentne varijable prvenstveno tretirali kao „nevidljive” osobine, nedostupne direktnom merenju ili posmatranju. To je nesumnjivo korisna i proverena konceptuahzacija izvora Ijudskog ponašanja koja se u krajnje simplifikovanom vidu može fonTiulisati ovako: iza neposrednih, manifestnih ponašanja se kriju skriveni uzroci. Ako se ovakav koncept operacionalizuje tako da se skriveni uzroci tretiraju kao latentne varijable koje se detektuju putem kovarijacija (korelacija) manifestnih varijabli, onda koncept postaje i koristan istraživački pristup. Medutim, taj uopšteni pojam osobine (atributa), koga stalno spominjemo, vrlo je šarolik pojam u naukama o ponašanju. Kao što je napočetku ovog poglavIja rečeno, nisu sve osobine skrivene. Osim po dostiipnosti posmatranju, osobine se u naukama o ponašanju razlikuju i po složenosti, sadržaju i po mnogo raznih drugih aspekata. Skrivenost je jedan od najvažnijih aspekata, jer skrivene varijable ne možemo direktno meriti, ali nije jedini aspekt. Pored skrivenosti, jedan od važnih kvaliteta latentnih varijabli je i direktivnost. Direktivnost je ono što nam omogućava da tvrdimo da nekoj skrivenoj varijabli možemo pristupiti izučavajući ponašanje koje ona izaziva. Međutim, skrivena osobina može samo da moduliše ponašanje (a ne direktno da ga izaziva), ili može da mu odreduje domet i uspešnost. Na primer, znanje ili inteligencija omogućavaju da se nešto uradi kako valja, ali da bi se posao uopšte počeo potrebna je motivacija. Važno je i to da osobina koju istražujemo bude relativno trajna. Ako nije takva, onda su svi istraživački zaključci koji se mogu doneti nužno efememi.
U kontekstu trajnosti često se sreće pojam stanja. Danas se obično stanje kontrastira u odnosu na osobinu kao neŠto što je kratkotrajnije i uslovljeno situacionim faktorima. Najčešće se ovaj pojam sreće kada se spominju emocije, kao što su strah (anksioznost, stres) ili bes, gde se stanje straha npr. definiše pomoću prolaznih osećanja i reakcija koje ispoljava osoba koja ih inače nema u obliku trajne dispozicije - osobine. Postoji i druga varijanta pojma stanja sa kojim se srećemo u socijalnim istraživanjima. To su, na primer, stanje mentalnog zdravlja, materijalni status, socijalni status itd. To su obično izvesni široki, derivirani koncepti, koji kao takvi nemaju preciznu lokalizaciju u ličnosti ispitanika, nego predstavljaju jedan široki opis njegovog ličnog i društvenog idcntiteta. Dominantan pristup u medicini, psihijatriji i kliničkoj psihologiji je takav da se bolest tretira kao stanje. U dnjštvenim naukama poznat je problem materijainog statusa, odnosno opštije, sodoel^onomskog statusa (SES). To je jedno složeno i difuzno svojstvo, za koje se obično kaže da nije latentna csobina nego stanje. Ne možemo upreti prstom ni na jednu određenu stvar za koju bismo mogli reći da je mera SES-a. Od drušb/a do društva i od vremena do vremena, merila SES-a se pomeraju i variraju. Kod nas, istraživač će pokušati da dobije podatke o prosečnim primanjlma po članu domaćinstva, ali i o prosečnoj stambenoj površini po članu domaćlnstva, posedovanju raznih dobara, obrazovanju, zaposlenju itd. Vldeće se da svi ti opaženi pokazatelji koreliraju medusobno, ali i da formiraju zasebne strukture, te na taj način istraživač može, osim neposredne kvantifikacije SES-a, saznati o stilovima života, vrednostima i sklonostima Ijudi koje dovode do toga da svako svoj socioekonomski status gradi na različit način.
7.
Varijable u empihjskom istraživanju
U posebnoj glavi je objašnjen pojam varijable u kontekstu individualnih razlika, merenja, nivoa merenja i drugih statističkih svojstava. Tamo je varijabla definisana sa stanovišta teorije merenja. U ovom poglavlju ćemo pojam varijable dopuniti sa epistemološke, logičke i istraživačke strane. Nezavisno od statusa koji varijabla ima sa aspekta teorije merenja, ona može igrati razne uloge u nacrtu istraživanja. lako je naša dcfinicija varijable iz uvodnih poglavlja, kao slučajne promenIjive, odnosno još tačnije, kao skupa podataka o individualnim razlikama po nekom atributu, egzaktna, tennin varijabla se u žargonu istraživača koristi mnogo slobodnije. Kada kažu „varijabla”, teško je, naime, razlikovati kada istraživači misle na slučajrm varijablu, a kada na pojarn ili konstrukt'^ koji predstavljaju svojstvo ili osobinu ispitanika, a kada na neki događaj ili svojstvo okohne. Reč varijabia služi u svim tim kontekstima, pa su varijable u istraživanju ponašanja pol, starost, prihod, autoritarnost, prijatnost, pozitivan stav o političkoj stranci,
' ’ Poj am konstm kt, inače, skoro po pravilu, odgovara poj mu onoga što ovde nazi vamo latentnom varijablom.
introverzija, buka i osvetljenost prostorije, pol i starost „žrtve saobraćajne nesreće”, trajanje i jačina elektroška i sl.
a. O peracionalna definicija varijable Konstatacijom da istraživači koriste termin varijabla vrlo slobodno, otvorili smo, u stvari pitanje, o tome kako se onda prevaljuje put između tog ležemog pojma varijable i varijable kao „skupa podataka o individualnim razlikama na nekom atributu” , Trebalo je prilično vremena tokom prve polovine dvadesetog veka da se iskristališe rešenje tog problema. Danas taj put od varijable kao koncepta ili konstrukta do varijable kao slučajne promenljive nazivamo operacionalnom defmicijom varijable. Da podsetimo, u uvodnoj glavi je rečeno da se operacionalne defmicije kontrastiraju sa konstitutivnim defmicijama. Varijabla se konstitutivno defmiše tako što se podvodi pod neki opštiji teorijski pojam - konstrukt (što je osnova klasične defmicije), ili tako što dovede u vezu sa drugim pojmovima i teorijama (npr. „anksioznost je subjektivan, neopravdan strah, uzrokovan prodorom zabranjenih misli iz Ida”). Nasuprot tome, varijabla se operacionalno definiše putem: a) navođenja operacija i procedura pomoću kojih se varijabla meri ili b) pomoću kojih se njome manipuliše, Pi-vi način operacionahzacije sastoji se prosto u tome da se odredi kako će, ih čime će varijabla biti merena, Na primer, anksioznost ćemo meriti TayIorovom Skalom manifestne anksioznosti, ili, prijatnost sladoleda ćemo meriti posmatrajući gestikulaciju, mimiku i verbalnu reakciju kupaca. Drugi način operacionalizacije su eksperimentalne operacionalne definicije. Na primer, potki'epljenje se može defmisati kao niz postupaka pomoću kojih smo kod dece neko ponašanje nagrađivali, kažnjavali ili ignorisali. Svakom istraživaču treba staviti do znanja da su mnoge značajne i plemenite naučne ideje zapele u fazi operacionalizacije i da njegovo istraživanje u tome neće biti prvo, Mnogi bi voleli da istraže „kako žene opažaju muškarce”, ili „zašto se Ijudi smeju”, ali se takve opšte teme kod objektivnih istraživača „istope” u fazi operacionalizacije pojmova i utvrdivanja „koja žena”, „koji opažaj”, „koji muškarac” ili „šta je smešno”. Poznato je da su kolokvijalni pojmovi kao što su stil, imidž, stres, nervoza, adrenalin, kompleksi i sl. takozvani kontejnerski pojmovi u koje se odlažu značenja po volji i po želji, od vremena do vremena. Tako bi gornja istraživanja, nakon obavljene operacionalizacije varijabli, verovatno dobila žalosno prozaično formulisan problem „preferencija muškaraca sa bradom kod introvertnih, odnosno ekstravertnih žena”. Mi smo ovde operacionalizaciju tretirali samo kao operacionalizaciju varijable. Međutim, iz metodološke literature znamo da je operacionaHzacija jedan opštiji korak, ili faza u istraživanju koji se može odnositi na operacionalizaciju pojmova i nacrta istraživanja uopšte. V arijable i indikatori. - Kada se kaže da je manifestno ponašanje rezultat delovanja latentnih varijabli, može doći do zablude da je put od izmerenog mani-
festnog ponašanja do latentne varijable kratak i jednostavan. Upravo suprotno, da bi se formulisala pitanja koja će se postaviti ispitanicima, ili kategorije koje će se posmatrati i analizirati u nekoj od metoda prikupljanja podataka, treba proči niz međukoraka i iteracija. Treba imati u vidu ono što je rečeno u poglavlju o manifestnim i latentnim varijablama da se, tipično, u istraživanjima polazi od teorijske formulacije latentne varijable - konstrukta. Recimo da istražujemo pojavu korupcije i da nas interesuje odnos stanovništva prema toj društveno patološkoj pojavi. Od početka moramo biti svesni da je taj odnos složen i da stavovi prema korupciji verovatno ne zavise od jedne jedinstvene latentne varijable (kao što je npr. poštenje), nego od meduodnosa moralnih načela pojedinea i stanja u društvu. Generalno, putem korupcije pojedinci sebi lično nastoje da pribave privilegovan položaj - kako oni koji daju mito, tako i oni koji ga primaju. Primači mita to rade obično tako što zloupotrebljavaju društveni položaj. Smatra se da korupcija ima više vidova, recimo sitna i krupna korupcija, ili običajna (kao što je „čašćenje” lekara) i koristoljubiva. Nekada su Ijudi prosto prisiljeni da je prihvate, a nekada je svojcvoljno daju ili traže. U okviru glave o teoriji merenja i na drugim mestima u ovoj knjizi, sugerisano je da nema recepta kako da se prevazide jaz izmedu latentnih i manifestnih varijabli. Postoje samo mnogobrojna iskustva i sugestije koje se na osnovu njih mogu izvući. Najopštije iskustvo govori da je za uspešnu operacionalizaciju merenja latentnih varijabli važno sledeće; • raspolagati sa dobrim teorijskLm defmicijama latentne varijable; • što bolje poznavati pojavu, kako u njenim najopštijim okvirima, tako i u konkretnim manifestacijama; • neprekidno unapređivati teorijske defmicije i poznavanje pojave. Uobičajeni postupak je da se latentna osobina raščlanjava sve više i više, sve dok se ne dođe do nekih tipova ponašanja, situacija ih mišljenja. Ovi tipovi se često nazivaju indikatorima varijable se oni mogu prevcsti npr. u upitničko pitanje iH kategoriju koja se posmatra. U slučaju istraživanja korupcije, indikatori opšteg odnosa prema korupciji bi mogh biti „spremnost da se dadne mito” i „spremnost da se primi mito”. Naravno, raščianjivanje latentne varijable se obično obavlja u više faza ih nivoa, pa „spremnost da se dadne mito” može dalje da se raščlani na razhčite situacije, na razHčite iznose novca, protivusluga ili nadoknade u robi. Recimo, verovatno je da će ispitanici radije davati manje sume u nekim tradicionalnim situacijama kao što su lekarske usluge, nego da će davati vehke sume za sve i svašta. Ova strategija račlanjivanja (divide et impere) ima duboke korene u epistemologiji i sasvim se uklapa u ono što se naziva induktivno - hipotetičko deduktivnom prirodom modernih empirijskih nauka. Na osnovu iskustvenih podataka formiraju se elementi teorije, na osnovu kojih se postavljaju različite hipoteze, pa se nakon njihove provere koriguje teorija i tako dalje.
8.
Nezavisne i zavisne varijable
Ova distinkcija je poznata svim istraživačima i koristi se u različitim istraživačkim kontekstima. Mnoge statističke tehnike se, takođe, baziraju na podeli varijabli na nezavisne i zavisne (kao što su regresija i analiza varijanse). Epistemološke osnove razlikovanja nezavisnih i zavisnih varijabH se nalaze u odnosu uzroka i posledice. Nezavisne varijable su uzroci, a zavisne posledice. Zato se njihova razhka najlakše objašnjava upravo u kontekstu kauzalnih iskaza. Nezgoda je što više od polovine društvenih istraživanja (ili oko polovine u nekim disciphnama, kao što je psihologija) ne spadaju u eksperimentalna istraživanja, što znači da nemaju ambicije da utvrduju kauzalne odnose. A ipak, i u takvim istraživanjima se koriste termini „zavisna varijabla” i „nezavisna varijabla”. To znači da istraživači, iako možda ne insistiraju na kauzalnosti, ipak vole pretpostavke o „dejstvu” ih „uticaju” i to baš u smeru od nezavisne ka zavisnoj varijabh, što vremenom lako postaje imphkacija kauzalnosti. Na nesreću, pokazalo se da impheiranje kauzalnog odnosa nezavisne i zavisne varijable komphcira defmiciju jednih i drugih, otežava interpretaciju nalaza i dovodi u zabunu istraživače u pogledu uzročnosti. Neki autori misle da je u neeksperimentalnim istraživanjima upotreba tennina „nezavisna varijabla” i „zavisna varijabla” deskriptivna i opcionahia. Takvi autori su u manjini, što znači da podelu na nezavisne i zavisne varijable treba zadržati kao univerzalnu, ah imphciranje kauzalnosti treba izvoditi ,,sa zmom soli”. Navešćemo neke konvencionalne karakteristike ih aspekte nezavisnih varijabli, kojim.a se one svuda u hteraturi opisuju. •
•
Prvo i osnovno - za nezavisne varijable se kaže da su „nastale” ranije u vremenu u odnosu na zavisne varijable. Pod pojmom „nastale” podrazumevamo da su poprimile ih promenile vrednosti, ih da su stanja ih dogadaji koje one izražavaju nastah pre zavisnih varijabh. Na primer, ispitanici su bih operisani, ili su dobih zgoditak na igrama na sreću, ih su završih neku odredenu školu, ih su „dobih” određeni pol, ih su bili izloženi uvredljivom ponašanju od strane istraživača, ih je na njima primenjena neka specijalna vrsta obuke. Ovaj aspekt je povezan sa prvim aspektom kauzalnosti koji glasi „post hoc, ergo propter hoc” - uzrok mora uvek doći pre posledice (v. poglavlje o uzročnosti). Nezavisne varijable u lconkretnom istraživanju imaju status uzroka ih izvora zavisnih varijabh, razloga postojanjazavisnih varijabh ih dejstvana zavisne varijable. Konki'etno istraživanje ima upravo za cilj da proveri da h nezavisna varijabla deluje na zavisnu: recimo pol na znanje matematike. Posmatrano na ovaj način, nezavisna varijabla može biti bilo koji konslmkt, pojam, svojstvo ih dogadaj. Na narednim stranama biće opisane deskriptivne varijable koje mogu imati status nezavisnih. Takode, to mogu biti neki događaji u kojima subjekti jesu ih nisu učestvovah, kao npr. elcmentame nepogode. U narednoj tački će biti prezentirane nezavisne varijable koje
•
nastaju kao rezultat eksperimentalne manipulacije, ali taj slučaj ćemo tretirati kao posebnu vrstu nezavisnih varijabli. Na primer, ako istražujemo posttraumatski stresni poremećaj (PTSP), nezavisne varijable mogu biti porodična, bračna ili poslovna anamneza učesnika rata pre početka rata. Ako istražujemo uticaj sposobnosti na uspeh u nekom poslu, onda će inteligencija biti nezavisna varijabla. U okviru ove tačke posebno treba istaći nezavisne varijable koje predstavljaju izvesna kategorijalna svojstva ispitanika: pol, obrazovanje, bolestan-zdrav itd. Takve varijable mogu poslužiti za razvrstavanje objekata u grupe. Istraživač ne može njima da manipuliše, ali njihov uticaj na zavisnu varijablu može veoma efikasno proveriti tako što će na osnovu njih formirati grupe i izračunati razlike između grupa u zavisnoj varijabli. Konačno, najpreciznija je definicija nezavisnih varijabli u okviru eksperiraentalnih istraživanja. U eksperimentima, nezavisne varijable su one kojima manipulišemo mi kao istraživači sa ciljem da istražimo njihov mogući uticaj na zavisne varijable. Na primer, ako istražujemo „spremnost za izražavanje mišljenja” kod ispitanika, možemo varirati varijablu potkrepIjenja. Naime, u nacrtu istraživanja možemo varirati koliko potkrepljujemo izražavanje mišljenja ispitanika. U tom slučaju je varijabla „potkrepljenje” nezavisna varijabla i ima modalitete: slaganje i podrška iznesenim stavovima, ignorisanje odnosno šutnja, i neslaganje sa iznesenim stavovima ispitanika. Nezavisne varijable u ovom smislu su izvesni uslovi u koje stavljamo objekte, ili izvesna dejstva koja vršimo na njih, očekujući da će to dovesti do promene u ponašanju objekata.
Pažljiv čitalac je sigurno uočio razliku između druge i treće definicije nezavisnih varijabli. U dnigoj tački su opisane one nezavisne varijable na koje mi nernamo uticaj, je r ne zavise od nas i našeg istraživanja. Treća tačka definiše nezavisne varijable kao one koje mi stvaramo. Takode, druga definicija kaže da su nezavisne varijable svojstva ispitanika, dok treća kaže da su to neki uslovi u koje mi smeštamo ispitanike. Druga definicija se zaniva na kontroli nezavisnih varijabli, a treća na nianipulaciji nezavisnim varijablama. O sličnosti i razlici pojmova kontrole i manipulacije biće reči u poglavlju o eksperimentalnim istraživanjima. Pogledajmo sada šta su zavisne varijable. Naravno, one se u vremenskom poretku nalaze iza nezavisnih varijabli, što znači da su primile ili promenile vrednosti nakon nezavisnih. U eksperimentalnim istraživanjima je vremenski poredak lako ustanoviti jer mi merimo zavisne varijable nakon što smo promenili, svojom voljom, vrednosti nezavisnih varijabli. U neeksperimentalnim istraživanjima se nezavisne i zavisne varijable često niere u istom trenutku. Vremenski poredak se onda utvrđuje na osnovu logičke analize: pol je „nastao” pre izbora profesije, socijalno poreklo je „nastalo” pre partijskog opredeljenja itd. U slučaju istraživanja posttraumatskog stresnog poremećaja (PTSP), poremećaji sna, vraćanje „slika” iz rata, bezvoljnost, povlačenje iz dništva i sl. biće
manifestni indikatori zavisne varijable - PTSP-a. Da li će nastati PTSP zavisi ođ ratnih iskustava kao što su smrt najboljeg druga, ranjavanje, prisustvovanje zverstvima, ili od osobina ličnosti i životne anamneze osobe. Kod primera sa uspehom na poslu, mi proveravamo hipotezu da li on zavisi od inteligencije ispitanika. Konačno, mi manipulišemo nezavisnim varijablama da bismo izazvali i merili promene u zavisnim varijabiama. U istraživanju „sprerrmosti za iznošenje mišijenja” prebrojavaćemo verbalne iskaze, rečenice ili stavove, ili ćemo prosto meriti vreme koliko ispitanik govori. Ako tako izmerena zavisna varijabla „izražavanje mišljenja” varira u zavisnosti od toga kakvo je bilo potkrepljenje, onda ćemo zaključiti da ona zavisi od potkrepljenja. Prema tome, distinkcija nezavisnih i zavisnih varijabli je u tome da li po našem nacrtu istraživanja, ili po opštoj logici sveta i razuma, postoji između varijabli relacija zavisi od. Nije važno da li neko kontroliše ili manipuliše nezavisnim varijablama. Manipulacija varijablama je važna samo zato da bismo bili sigurni da sunezavisne varijable nastale pre zavisnih. Naime, nekadaje vrlo teško odrediti da li su nezavisne varijable nastale pre zavisnih. Zato će čitaocu biti najlakše da zapamti da zavisne varijable, prosto, zavise od nezavisnih. Pri tome, kao što je ranije rečeno, istraživači nastoje da terminu „zavise” pridaju kauzahio značenje: ,,su posledica”, aH u naukama o ponašanju teško to mogu dokazati.
9.
Aktivne i deskriptivne varijable
Aktivne varijable su one nezavisne varijable kojima mi manipulišemo u istraživanju. Zapravo, one su aktivne zato što ih mi aktivno kontrolišemo jer želimo da utvrdimo njihov direktni uticaj na zavisne varijable, pa je ovaj naziv utoliko neprikladan - nisu one aktivne nego mi. U prethodnom odeljku su aktivne varijable opisane pod tačkom tri, kao treće tumačenje prirode nezavisnih varijabli. Manipulacija u osnovi znači da na različite objekte, ili na različite grupe objekata primenjujemo različita dejstva. Aktivne varijable su po pravilu ono što ćemo kasnije nazvati „dražima”, dakle neki uslovi, događaji,programi ili uticaji kojima podvrgavamo objekte našeg istraživanja. Jednostavno, aktivne varijable su svojstva okoline, a ne organizama, ali mi želimo da utvrdimo da li one, nakon što postanu deo iskustva organizma, utiču na njegovo ponašanje. Desh'iptivne varijable su one koje u istraživanju merimo i koje nam služe za deskripciju objekata koje istražujemo, za opis njihovih svojstava. Deskriptivne varijable su one kojima mi ne manipulišemo, nego predstavljaju mere nekog svojstva odnosno atributa. Zato se nazivaju i atribut varijablama, a pošto predstavljaju mere objekata, odnosno subjekata, nazivaju se i subjekt varijablama. Ako su objekti koje istražujemo živi organizmi, deskriptivne varijable mogu biti manifestne varijable (v.), latentne varijable (v.), stanja (v.), reakcije, organizmičke varijable itd. Takođe, u metodološkoj literaturi se ove varijable često nazivaju varijablama irtdividualnih razlika. Pod deskriptivnim varijablama
nećemo podrazumevati zavisne varijable jer one imaju precizno defmisan status u istraživanju. Kakav status u istraživanju imaju deskriptivne varijable? Na prvom mestu, one mogu da posluže kao nezavisne varijable. Da bismo mogli ispitati uticaj deskriptivne varijable, kao nezavisne, na zavisnu varijablu, ona mora zadovoIjavati uslov 1 i 2 iz prethodnog odeljka, ali ne i 3, jer deskriptivnim varijablama ne možemo (ili ne smemo) da manipulišemo. Postoje sasvim opravdana mišljenja da manipulaciju može da zameni kontrola i da je, zapravo, suština manipulacije u tome da kontrolišemo nivoe nezavisne varijable. Kada deskriptivne varijable koristimo kao nezavisne, dalji postupak zavisi od toga da li su one kategorijalne ili kontinualne. Ako su kategorijalne, onda njihovu „manipulaciju” ili kontrolu postižemo tako što grupišemo ispitanike po toj varijabli. U tom slučaju se deskriptivna varijabla naziva i grupišućom varijabloin. Operacija grupisanja je „prirodna” ako je varijabla kategorijalna, sa malim brojem kategorija, pa je neposredno pogodna za klasifikaciju objekata u grupe - kao što su, na primer, pol i obrazovanje. Za istraživanja koja koriste gmpišuće varijable koje predstavljaju neka „prirodna” svojstva subjekata i sadrže njihove individuahie razlike po tim svojstvima, kaže se da spadaju u nacrte sa prirodnim grupama. Takvi nacrti nisu dobri za donošenje kauzalnih zaključaka, nego ih treba tretirati kao korelacione (Shaughnessy et al., 2000). To je, naravno, posledica toga što ne možemo izvršiti slučajnu alokaciju ispitanika i što ne možemo manipuhsati „prirodnim” varijablama. Ne možemo, na primer, slučajno (randomizirano) formirati grupu Ijudi u braku i razvesti ih da bismo ispitali uticaj razvoda na emocionalne probleme (o varijabh pola ne treba ni govoriti). Ako je deskriptivna varijabla kontinuirana, kao što su starost i prihod, ona se može sažeti, tj. klasifikovati u manji broj kategorija (svesti na ordinalnu ili nominalnu skalu). Medutim, sažimanjem varijabh se gube informacije, tačnije varijansa. U tom. slučaju istraživač se može opredehti da sačuva kontinuiranu varijabhi tako što će primeniti regresionu iU korelacionu anahzu, a ne anahzu varijanse (pod uslovom da i ostale nezavisne varijable prolaze test kontinuiranosti, tačnije intervalnosti). Važno je naglasiti da se randomizirana alokacija ne može vršiti u okviru deslcriptivnih varijabh. Naime, ispitanici su prirodno razvrstani u introvertne ili ekstravertne, u muškarce ih u žene, u fobične ili kompulzivne. Zato deskriptivne varijable, kada služe kao nezavisne, najčešće učestvuju u korelacionim istraživanjima, odnosno u istraživanjima koja ispituju povezanost varijabh, a ne u kauzalnim istraživanjima, kao što je eksperiment. U drugoj ulozi se deskriptivne varijable javljaju kada istraživač smatra ih sumnja da jesu ili bi mogle biti nezavisne, tj. kada bi mogie imati uticaja na zavisnu varijablu. Međutim, istraživač ih ne može koristiti kao aktivne varijable je r je njihova manipulacija nemoguća, zabranjena zakonom ih neetična. Recimo, iako čvrsto venijemo da veći hirurški zahvati mogu da dovedu do depresije, ne možemo slučajno formirati eksperimentalnu grupu i podvrći je operativnom zahvatu da bismo eksperimentalno proverih naše uverenje.
Isto tako, možda njihov uticaj nije od neposrednog interesa za istraživanje, tj. ne spadaju ni pod drugu definiciju nezavisnih varijabli iz prethodnog poglavlja. U oba slučaja će istraživači nastojati da potencijalni uticaj takvih varijabli na zavisnu varijablu otkloni, minimizira ili barem izmeri. Ovakve deskriptivne varijable se nazivaju konfundirajućim, ometajučim, neželjnim, interferentnim, trećim ili eksternim varijablama (engl. confounding, spurious ili extraneous). Po pravilu, istraživači nastoje da njihov uticaj na zavisnu varijablu eliminišu. Pošto se eliminacija uticaja tih varijabli na glavni istraživački efekt (odnos nezavisne i zavisne varijable) svodi na kontrolu tog uticaja, i same takve varijable nazivamo kontrolnim. Detaljnije o načinu eliminisanja varijanse ovakvih varijabh u poglavlju o kontroli nežcljene varijanse. Draži i odgovori. - U psihologiji se često razlikuju draži i odgovori, odnosno stimulus varijable i varijable reakcije. Ova terminologija se najčešće koristi u eksperimentalnim istraživanjima gde stimulus varijable po pravilu predstavljaju aktivne varijable. U eksperimentima istraživač primenjuje dejstva na subjekta, npr. menjajući njegovu okolinu, da bi izazvao odgovor subjekta. Varijable reakcije su bilo koje ponašanje subjekta nakon dejstva stimulus varijabh i obično imaju status zavisnih varijabli. Kategorijalne i kontinuirane varijable. - Razlika kategorijalnih (diskretnih) i kontinuiranih varijabli je već obradivana u poglavljima teorije merenja. U skladu sa Stevensovom tradicijom i njegovim nivoima merenja, za kategorijalne varijable se obično podrazumeva da spadaju u nominalne varijable. Nasuprot tome, kontinuirane varijable se obično razvrstavaju u ordinalne ih intervahie. To onda povlači i korišćenje razhčitih statistika i statističkih tehnika, a vrlo često i različitih nacrta istraživanja; Medutim, ne postoji saglasnost teoretičara merenja u pogledu korespondencije kategorijalnih i kontinuiranih varijabli sa drugim podelama varijabli. To je posebno izraženo kod ordinalnih varijabli. Naime, za kontinuirane varijable se obično kaže da su kvantitativne varijable. Teoretičari merenja ordinalne varijable takode tretiraju kao kvantitativne (doduše kao „slabo kvantitativne” jer su izvesne aritmetičke operacije i relacije dozvoljene, a izvesne ne). Medutim, ako iniamo varijablu „nivo motivacije” sa tri vrednosti: „nizak”, „srednji” i „visok”, onda će ta varijabla biti ordinalna i, očiglcdno, kategorijalna. Ovaj primer ukazuje na mogućnost (i čestu praksu) da se intervalne i ordinalne varijable, putem kategorizacije, sažmu u manji broj kategorija, sve do samo njih dve. Recimo, sve intei"valne varijable, koje se smatraju kontinuiranim, mogu se svesti na dihotomne (biname) varijable: ispod proseka - iznad proseka. Slično, ordinalne varijable se mogu binarizovati na; prvi i ostali („ostali” se operacionalizuju kao oni koji izjavljuju da je važno učestvovati). Ako ove dileme dodamo već navedenima, kao što su razlika brojanja i mcrenja i nepostojanje kontinuiranog merenja u praksi, uvidećemo da distinkciju kontinuiranih i kategorijalnih varijabli treba uzeti relativno.
Da bismo rešili tu dilemu vratićemo se na početak. Rečeno je da ako su deskriptivne varijable kategorijalne one su prirodan način da se grupišu objekti. Ispitanici će prirodno biti cm i ili plavi, Srbi ili Mađari, penzioneri ili privatnici. Šta to znači? To znači da na stvari treba gledati praktično, odnosno sa stanovišta namene varijable u istraživanju. Ako se varijabla u svom izvomom obliku može iskoristiti za formiranje gmpa objekata, onda je možemo smatrati kategorijalnom - diskretnom. To znači da su njene vrednosti jasne i defmisane, odnosno da se medusobno ne preklapaju i, naravno, da ih nema veliki broj. Taj uslov može zadovoljiti većina nominalnih varijabli i mnoge ordinalne varijable - ali ne mora. S druge strane, ako varijabla nije pogodna za grupisanje, onda je nećemo tretirati kao kategorijalnu. Prvi razlog zašto varijabla neće biti pogodna za grupisanje je „logička greška” u varijabli - recimo „muški, ženski, dete” - koja dovodi do preklapajućih gmpa. Dmgi razlog, vrlo uobičajen, jeste to što varijabla ima suviše veliki broj vrednosti. Takva varijabla je nepogodna za gmpisanje objekata. To je vrlo čest slučaj sa ordinalnim i intervahim varijablama.
10. Moderatorske i medijatorske varijable U pogledu kauzalnog odnosa varijabli, tačnije u pogledu otkrivanja kauzalnog odnosa, deskriptivne varijable mogu imati status moderatorslcih ili medijatorskih varijabli, koje se u nekim prilikama nazivaju zajedničkim imenom: intervenišiiće varijable. Ako i odbacimo mogućnost kauzabiog tumačenja odnosa nezavisnih i zavisnih varijabli, istraživačka praksa je pokazala da mogu postojati dugački i isprepleteni lanci varijabli koje utiču jedne na druge. U takvom lancu varijabli moderatorske i medijatorske varijable se nalaze „između” nezavisnih i zavisnih varijabli. Najjasnija predstava o tome šta su ovi lanci varijabli i intervenišuće varijable stiče se iz dijagrama puta. Na sledećoj slici 2 prikazaćemo jedan dijagram puta sa četiri varijable (Garson, 2000).
Slika 2. Primer dijagrama puta sa dve medijatorske varijable
Varijabla starost se naziva egzogenom varijablom, zato što na nju ne pokazuje nijedna strelica. Sasvim je jasno da ona može biti samo nezavisna varijabla. Sve ostale varijable su endogene varijable i mogu u nekom trenutku analize poslužiti kao zavisne varijable. Brojevi pored linija sa strelicama predstavljaju standardizovane parcijalne regresione koeficijente - p. U naukama o ponašanju se veoma često dogada da u početnim fazama istraživanja neke pojave ustanovimo visoku korelaciju izmedu nezavisne i zavisne varijable. Ova korelacija se na jeziku analize puta naziva ukupnim efektom. Na našem primeru, utvrđeno je da postoji visok pozitivan ukupni efekt, tj. korelacija između varijabli „starost” i „zadovoljstvo poslom” . Međutim, u nekoliko ponovljenih istraživanja, od strane različitih autora, ustanovljeno je da je povezanost starosti i zadovoljstva poslom nestabilna, tj. da je varirala od uzorka do uzorka i od istraživanja do istraživanja. To je prvi razlog za sumnju da postoje neke varijable koje posreduju u ovoj vezi. Nakon logičke, kvalitativne kauzalne analize, uvedene su dve nove varijable; „autonomija u poslu” i „plata” i kao relevantne postavljene su tri strukturahie jednačine: zadovoljstvo = starost + /?,2 autonomija + /9,3 plata + plata = p 2 \ starost + autonomija + s, autonomija = /Sj, starost + f, Nakon rešavanja ovih jednačina kao regresionih, dobijeni su beta koeficijenti prikazani u grafikonu. Vidi se da je direktni efekt starosti na zadovoljstvo zapravo nulti (-0,08, koeficijent je čak promenio predznak, ali nije značajan). Sada se vidi da starost utiče na zadovoljstvo poslom u najvećoj meri preko plate. Zato, ako istražujemo uticaj starosti na zadovoljstvo poslom u nekom kolektivu u kome su plate izjednačene, nećemo dobiti visoku korelaciju. U nešto manjem stepenu starost ostvaruje uticaj na zadovoljstvo i preko autonomije radnog mesta. Skrećemo pažnju da postoji i lanac uticaja starosti na zadovoljstvo preko autonomije i plate. Varijable „autonomija u poslu” i „plata” su medijatorske varijable. Medijatorske varijable su one varijable preko kojih nezavisne varijable (NV) ostvaruju svoj uticaj na zavisne (ZV) - one objašnjavaju povezanost nezavisnih i zavisnih varijabli. Varijabla deluje kao medijatorska ukoliko su zadovoljeni sledeći uslovi: • • •
nezavisna varijabla (starost) značajno korelira sa medijatorskom varijablom (npr. platom), medijatorska varijabla (plata) značajno korelira sa zavisnom varijablom (zadovoljstvom poslom) i kada se medijatorska varijable uvede u model, direktni efekt nezavisne varijable na zavisnu postaje manji (kada je medijatorsko dejstvo delimično) ili neznačajan, odnosno nulti (kada je medijatorsko dejstvo potpuno).
Moderatorske varijable dekiju kao moderatori uticaja NV na ZV. One deluju u interakciji sa NV na ZV. Moderatorske varijable često istraživači sami
traže i uključuju u nacrt kada dobiju da je veza NV i ZV neočekivano niska ili nestabilna. To je zato što moderatorske varijable mogu da pojačaju uticaj NV na ZV, pa čak i da mu promene predznak. Moderatorske varijable su često kategorijahie varijable, a ako su kontinualne, istraživači ih često kategorizuju, videćemo zašto. Moderatorske varijable ne moraju biti ni u kakvoj korelaciji sa NV ih ZV (Baron i Kenny, 1986). Zamislimo da smo u gomjem primeru sa zadovoljstvom poslom uveli još i varijablu „perspektiva preduzeća” i da smo odvojeno obavih regresionu analizu za perspektivna i za besperspektivna preduzeća. U besperspektivnim preduzećima dobili smo da direktni efekt starosti na zadovoljstvo postaje umereno pozitivan, dok indirektni efekt, preko autonomije i plate, postaje neznačajan. Suprotno tome, u perspektivnim preduzećima, direktni efekat ostaje nizak, a indirektni postaje još viši. U tom shičaju je „perspektiva preduzeća” moderatorska varijabla. U besperspektivnim preduzećima, u kojima preti otpuštanje i svi imaju niske plate, stariji radnici su zadovoljni već time što imaju posao, a autonomija i plata gube na značaju. Postoje dve uobičajne metode za otkrivanje moderatorskog efekta varijabh. •
*
Efekti interakcije u anaUzi varijanse. Moderatorska varijabla „perspektiva preduzeća” se uključuje u nacrt kao druga nezavisna varijabla, faktor, pa se anahzira da h je efekat interakcije značajan i kako izgleda kad se grafički predstavi (v. poglavlje o faktorskim nacrtima). Zato su moderatorske varijable kategorijalne ili se prave da budu takve. Moderatorska regresiona analiza, u kojoj se kao prediktori uvrštavaju nezavisna varijabla, moderatorska varijable i produkt nezavisne i moderatorske varijable (postoji i jednostavnija mogućnost da se rade odvojene regresije po nivoima moderatorske varijable).
Delovanje svih ovih varijabh u istraživanjima najčešće dovodi do toga da stepen zavisnosti zavisnih varijabh od nezavisnih bude potcenjen, čak potpuno prigušen, odnosno maskiran, ih da bude osetljiv na promene u nacrtu, u memim instrumentima ih u uzorku. Pored toga, uočavanje intervenišućih varijabh i ocenjivanje njihovog uticaja pomaže u objašnjavanju pojave. Zato je od vehkog značaja da se medijator i moderator varijable uoče i njihov uticaj oceni, ukloni, odnosno kontrohše. Sim psonov pa rado ks.- Pogledajmo sledeći primer. Na jednom fakuitetu, na smeru za Kliničku psihologiju primljeno je 15 od 100 žena koje su se prijavile (15%). Samo jedan od 10 muškaraca je primljen (10%). Na smeru Eksperimentalne psihoiogije primljeno je 6 od 10 žena (60%) i 50 od 100 muškaraca (50%). Na Odseku za psihologiju, koga čine ova dva smera, primljeno je ukupno (15 + 6)/(100 + 10) = 19% žena i (1 + 50)/(10 + 100) = 46% muškaraca. Dakle, na oba smera je upisan veći procenat žena, a na nivou celog odseka više muškaraca. Šta je tačno? Ovaj primer je krajnje uprošćen i ilustruje pojavu koja se danas naziva Simpsonovim paradoksom, po Simpsonu koji se tim problemom bavio u okviru analize kontingencionih tabela (Fajgelj, 2005, Pearl, 1999, Nunnally i Bernstein, 1994). Inače, pojavu je uočiojoš Karl Pearson 1899 g. Danas se obično sreće jednostavnija i konkretnija definicija ovog
paradoksa, koja kaže da je to situacija kada je korelacija dve varijable na ukupnom uzorku pozitivna, dok je na poduzorcima formiranim na osnovu neke treće varijable negativna ili obrnuto. Uopštenija definicija kaže da je reč o pojavi da svaki statistički odnos izmedu dve varijable može biti preokrenut uključivanjem dodatnih faktora u analizu. Unatoč izvesnim razlikama u tumačenju porekla Simpsonovog paradoksa, može se praktično uzeti da ta treća varijabla (odnosno dodatni faktor) ima status m oderatorske varijable. Sledeći primer se odnosi na tzv. obrnutu regresiju, koja je mučila iiteraturu društvenih nauka tokom 70-ih godina XX veka, a posledica je nalaza da muškarci više zarađuju od žena. Postavilo se pitanje da II da se prilikom istraživanja diskriminacije u platama uporeduju plate jednako obrazovanih muškaraca i žena, ili da se, umesto toga, upoređuju kvalifikacije jednako plaćenih muškaraca i žena. Zanimljivo je da je svaki izbor vodlo do suprotnih zaključaka. Pokazalo se da muškarci zarađuju više nego jednako obrazovane žene, ali istovrem eno, muškarci su više obrazovani nego jednako plačene žene. Ekološka k o re la c ija .-T o je suprotna, ali ipak slična pojava Simpsonovom paradoksu. llustrovaćemoje originalnim Robinsonovim primerom. On je ispitivao povezanost stranog porekla i pismenosti u SAD i za svih 48 država izračunao je dve mere: procenat rođenib u inostranstvu i procenat pismenih. Korelacija izmedu ovih 48 parova mera bila je 0,53. Iz toga je proistekao zaključak da su doseljenici iz drugih država znatno češće pismeni. Ova korelacija se naziva ekološkom, zato što njena jedinica analize nije pojedinac, nego grupa. Kad su se uzele individualne mere, da li je neko roden u SAD ili van SAD i da li je pismen ili ne, korelacijaje bila -0,11. Ako se povezanost dve varijable odreduje na osnovu ekološke korelacije, može doći do potpuno pogrešnih zaključaka. Kada se za povezanost koja postoji između grupa misli da postoji i izmedu pojedinaca pravi se ekološka greška (engl. ecological fallacy).
N ažalost, postoje protivrečnosti u term inologiji moderatorskih i medijatorskih varijabli. Naime, neki autori, na izvestan način, uvode i aspekt poznatosti varijable i njenog efekta. Tako, ako je istraživaču dobro poznato da postoje varijable koje intei'venišu izmedu nezavisnih i zavisnih varijabli, on će ih zvati intervenišućim (moderatorskim iii medijatorskim) i predvideće njihovo merenje, kontrolu i tumačenje efekta. Problem nastaje kada takve varijable postoje, ali ih istraživač nije svestan, pa ih nije kontrolisao, ili ih nije mogao kontrolisati. Tada je uobičajeno da se one nazivaju ometajuće, interferentne ih „treće” varijable (v. ranije). U prethodnim stmkturalnim jednačima utieaj takvih varijabli je, skupa sa greškama merenja, sadržan u faktoni s.
11. Osnovna matrica podataka Osnovna matrica podataka u soeijalnim istraživanjima je poznata dvodimenzionalna matrica u kojoj su u redovima entiteti, a u kolonama atributi (tabela 5). Iz ove tabele se vidi nekoliko stvari. Entiteti o kojima se u toj matrici podataka radi su Ijudi, čija prezimena služe za identifikaciju entiteta. Matrica podataka ne predviđa nikakvo principijelno ograničenje za broj entiteta. Kolone u matrici podataka predstavljaju varijable. Prve tri su neke „vidljive” varijable, koje se obično nazivaju socio-demografskim obeležjima i koje, ako se se koriste u analizama, imaju status nezavisnih varijabli. Varijable označene sa „stav...” mogu
biti pitanja iz nekog upitnika, kao što je: ,,Da ii se slažete sa mišljenjem da treba zabraniti abortus kod udatih žena”. Ni broj varijabli u matrici nije ograničen nikakvim teorijskim razlozima. Međutim, praktični razlozi su često prilično restriktivni u pogledu maksimalnog broja entiteta i broja varijabli. Uprkos praktičnim ograničenjima, današnja socijalna istraživanja često imaju više hiljada entiteta i više stotina varijabli (Fajgelj, 1995).
Iz prirode varijabli koje su merene mogli bismo odmah zaključiti da su predmet ispitivanja bili sta^'ovi Ijudi. Otuda bi se entiteti u našoj matrici zvali ispitanicima. Kao što su ispitanici ovde identifikovani prezimenima, varijable su identifikovane kratkim nazivima. U teorijskom smislu, osnovna matrica podataka ne nameće nikakva ograničenja u pogledu naziva varijabli. Međutim, praktični razlozi, a oni su danas uglavnom vezani za primenu računara u obradi podataka, nameću da varijable budu označene nekim kratkim imenima. U nekim slučajevima kratka imena su samoobjašnjiva i dovoljna (kao npr. „pol”). Medutim, većinu pitanja iz upitnika za merenje stavova je nemoguće skratiti tako da naziv bude jasan; npr. ,,S obzirom na različita mišljenja u javnosti, da li vi smatrate da bi dircktno učešće građana u troškovima školovanja i lečenja trebalo regulisati na nivou opština ili na nivou republike?”. U takvim slučajevima se za naziv varijable obično koristi redni broj pitanja iz upitnika. Sledeće na što treba obratiti pažnju je da su svi podaci u prikazanoj matrici numerički, osim prve kolone u kojoj se nalaze prezimena Ijudi. Međutim, sva je prilika da bi u stvamoj matrici podataka Ijudi bili identifikovani nekom brojčanom šifrom, kao što je redni broj, a ne prezimenom. Korišćenje brojevaje vrlo uobičajeno, ali iza toga ne leže neki suštinski razlozi vezani za teoriju merenja, jer nominalne, pa i ordinalne varijable mogu sadržavati slova iz bilo kakve azbuke. Prirodno je da se starost izražava kao broj godina života (ili
eventualno kao godina rođenja). Međutim, razlozi da se pol predstavlja kao l=muški, 2=ženski, ili obrazovanje kao l=bez škole, 2=osnovna škola, 3=srednja škola i 4=viša i visoka škola su isključivo praktični. Drugim rečima, za kvantitativne merne skale je prirodno da se koriste (dodeljuju) brojevi, a u slučaju nominalnih i ordinalnih to je pogodna konvencija. Praktičnost upotrebe brojeva za označavanje kategorija nominalnih varijabli je, opet, prvenstveno vezana za primenu računara pri unosu i obradi podataka. Neki od razloga za to su: a) na tastaturama računara postoji posebna grupa numeričkih tipki koja čini da se numerički podaci lakše unose, b) jednocifreni brojevi zauzimaju manje mesta u računarskoj memoriji od slova, i c) lakše je vršiti elementamu logičku kontrolu na numeričkim podacima. Ako se umesto brojeva koriste slova, ili kombinacija brojeva i slova, problemi počinju već pri unosu podataka, a zatim i u svim ostalim aspektima. Pored spomenutih prednosti brojeva, postoji i prednost lakših transformacija numeričkih podataka. Numeričke transfonnacije su uglavnom besmislene kod nominalnih skala, ali kao što je ranije rečeno, čisto nominalne varijable su retke jer obično postoji jedan ili više ordinalnih segmenata u nominalnoj varijabli koji su podložni num eričkim transform acijam a. Postoji i izvesna „naklonost” statističkih programa ka numeričkimpodacima, koja se ogleda u tome da je njima generalno lakše manipulisati. Skale stavova, prikazane gore kao „stav...” se uobičajeno kodiraju numerički, sa npr. brojevima 1 do 5 i to kao: l=uopšte se ne slažem, 2=ugIavnom se ne slažem, 3=neodIučan, 4=uglavnom se slažem i 5=potpuno se slažem. Iza toga ne stoje praktični, nego teorijski razlozi, jer teorija merenja stavova obično pretpostavlja da je stav kvantitativno svojstvo, koje se proteže na jednom kontinuumu (kontinuumu stava), pa skala od „uopšte se ne slažem” do „potpuno se slažem” predstavlja određene tačke na tom kontinuumu i stoga teorijski predstavlja intervalni nivo merenja. Napominjemo da današnja pravila teorije merenja nalažu da se takve varijable tretiraju, ipak, kao ordinalni nivo merenja. U zavisnosti od tehnologije unosa (obuhvata) podataka, može biti značajno to što je starost u tabeli prikazana kao dvocifrena varijabla, a ostale kao jednocifrene. Ako se podaci unose po klasičnoj metodologiji, onda svaka cifra (a ne varijabla) zauzima jednu poziciju, što znači da su za starost potrebne dve pozicije. Naravno, istraživačima je pri interpretaciji rezultata statističke obrade lakše ako umesto brojčanih šifri 1 i 2, u hstingu vide „muški” i „ženski”, ili umesto šifri 1, 2, 3 itd. vide nazive zanimanja: nezaposlen, poljoprivrednik, domaćica itd.
a. N eka praktična p itanja o varijahlama Pogledajmo sledeće pitanje iz nekog zamišljenog upitnika: 99, Navedite dva glavna probiema sa kojima se suočava vaša porodica u svakodnevnom životu. 1. Nizak standard i besparica
5. Sveukupna situacija u društvu
2. Politička nesigurnost i nedostatak demokratije
6. Ostalo
3. Nezaposlenost
7. Ne znam
4. Bolest članova porodice
8. Ne želim da odgovorim
Ovako kako je pitanje formulisano ispitanik treba da zaokruži dve od prvili 6 altemativa, ili samo jednu od altemativa 7 i 8. lako je u pitanju traženo da se zaokruže dva problema, možemo očekivati da će neki ispitanici ipak zaokružiti samo jedan (i to ne onaj pod „ne znam”). Ako su zaokmžena dva odgovora, mi ne znamo koji od tih probiema je za ispitanika važniji, a koji manje važan. Ako nas je interesovao i taj podatak, onda pitanje nije dobro postavljeno. Medutim, ono što n am je sada važno je to što ovo pitanje „proizvodi” dve varijable koje bismo mogli nazvati „najvažniji problem porodice 1” i „najvažniji problem porodice 2”, ili skraćeno 99.1 i 99.2. Svaka od tih varijabli može sadržavati brojeve od I do 8, jer je najpraktičnije da se „ne znam” i „ne želim da odgovorim” (ako su zaokruženi) dodele obema varijablama (iako je moguće u tom slučaju drugoj varijabli dodeliti nulu). Druga varijabla može sadržavati vrednost 0 (nula) i ako je ispitanik zaoknjžio samo jedan problem. Šta meri ovo pitanje? Na manifestnom nivou stvar izgleda jasna. Medutim, kada se ovo pitanje „ukrsti” sa političkini opredeljenjem ispitanika, može se uočiti tendencija da pristalice vlasti više zaokružuju altemativu I, a pristalice opozicije altemativu 2 (na primer). U tom trenutku postaje jasno da mišljenje Ijudi o tome šta je najveći problem nije jednostavna, jednoznačna i „objektivna” analiza situacije, nego rezultanta ukupnog odnosa prema dmštvenom trenutku i svim prilikama u kojima se ispitanici nalaze. Zato istraživač može ovo pitanje da iskoristi kao indikator za „pozicioni-opozicioni” stav i da od njega formira varijablu koja sadrži samo 3 modaliteta: pozicioni (sa altemativom I), opozicioni (sa altemativom 2) i ostalo (sve ostale altemative). Sledeće pitanje takode može biti korisno za ilustraciju pojma varijable: 11. Zaokružite stvari koje vaše domaćinstvo poseduje. IF riž id e r 2. Mašina za pranje rubija
5, Televizor 6. Personalni računar
3. Eiektrični ili plinski štednjak 4. Mašina za pranje suđa
7. Električni ili plinski bojler 8. Ništa od toga
Ako je prikupljanje podataka sprovedeno uredno, ispitanik bi morao imati najmanje jedan zaokružen odgovor. Međutim, šta će sve zaokružiti pojedinačni ispitanik, to ne znamo, ali znamo da može zaokružiti sve altemative od 1 do 7 (istraživač bi, u cilju konfora, mogao predvideti i kategoriju ,,Sve”). To znači da
ovo pitanje mora rezultirati u 7 binamih varijabli koje sadržavaju vrednosti 1-Ne i 2-Da. Altemativno, ako postoje neki specijalni razlozi (kao što je ekonomičnost), a na osnovu prethodnog pregleda materijala znamo da je najveći broj ispitanika zaokružio 1, 3 i 7, mogli bismo fonnirati jednu varijablu koja bi sadržavala sledeće vrednosti-kategorije: l=frižider, el. štednjak i bojler, 2=(1 + mašina za pranje rublja), 3=(1 + televizor), 4=(2 + televizor), 5=(1 + ostalo), 6=ništa (svi ovi primeri služe samo za ilustraciju problema i ne predstavljaju rešenja iz konki-etnih istraživanja). Još jedan veoma važan aspekt se može ilustrovati prethodnim pitanjem. Ovako neposredno kako je postavljeno, pitanje se može tretirati kao „popisno”, koje ima za cilj običnu deskripciju. Prebrojavanjem odgovora možemo dobiti odgovor na to koliko stanovništvo poseduje odredenih aparata (ako je uzorak bio reprezentativan). To je elementarna (kvantifikatorska, v.) namena varijabli. Međutim, istraživača bi moglo zanimati da izmeri nešto što se naziva materijalnim statusom ispitanika. U stabilnim i uređenim društvima, materijalni status se najbolje meri pitanjem o mesečnim prihodima, ili o iznosu plaćenog poreza. Kod nas, nažalost, to nije tako, iz raznih razloga, tako da istraživači ne obraćaju naročitu pažnju na izjavu u novčanim prihodima, nego nastoje da nizom pitanja „napipaju” socio-ekonomski status ispitanika. Jedna grupa pitanja koja su sa tog stanovišta relevantna su svakako ona koja se tiču posedovanja raznih dobara. Dakle, materijalni status je jedna latentna osobina, tačnije stanje pojedinca ili domaćinstva koja nije neposredno vidljiva. Prethodnim pitanjem možemo saznati jedan aspekt materijalnog statusa - posedovanje kućnih aparata. Pored toga, trebalo bi postaviti pitanje o stambenim prilikama, automobilu, novčanim prihodima ili putovanjima. Kada se gleda na taj način, istraživač bi možda gornje pitanje pretvorio u samo jednu varijablu - broj zaokruženih aparata. Međutim, fmije (multivarijatne) analize su, na primer, pokazale da svaki kućni aparat ne signalizira materijalni status u istom iznosu. Posedovanje mašine za pranje suđa, recimo, više korelira sa materijalnim statusom nego posedovanje bojlera. Zato nije neobično da kao indikator materijalnog statusa kod nas istraživači uzimaju prvi faktorski skor iz svih pitanja koja se odnose na taj domen. Kad se radi o nominalnim varijablama, važno pitanje je obuhvatnost, odnosno iscrpnost varijabli. Naime, ako u varijabli nacionalnost predvidimo odgovore: 1-Srbin, 2-Crnogorac, 3-Jugosloven, onda ćemo kod Muslimana, Mađara, Hr\'ata i dmgih imati tzv. neodgovor. U ovom primeru je stvar jasna, pa je i mogućnost grešaka mala, ali ako pitanje glasi ,,Šta je ono što vam najčešće padne na pamet kad razmišljate o sutrašnjici”, a poniiđeno je nekih 9 mogućih odgovora, onda postoji velika mogućnosti da se mnogi ispitanici neće moći pronaći inedu ponuđenim odgovorima, pa ćem.o opet imati povećanu stopu neodgovora. Takvi problemi se rešavaju, rečeno terminologijom dnevnih redova, pomoću „tačke razno”, odnosno kategorija kao što su ,,ne znam”, „dmgo” itd. (istraživački žargon ove kategorije ponekad označava „čep” kategorijama). Vrlo dobar način rešavanja tog problema je da se u pilot istraživanju proveri obuhvat-
nost varijable (tj. repertoar odgovora). Istraživači nekad pribegavaju manje pogodnom rešenju, a to je da se pitanje ostavi sa otvorenim odgovorom. Ispitanici rečima upisuju svoje odgovore, a istraživači ih kasnije putem jedne vrste anaiize sadržaja razvrstavaju u dominantne kategorije. Postoji i rešenje sa uvrštavanjem odgovora „D ru g o _______ ”, koje omogućava da ispitanici sami prošire spisak ponuđenih odgovora (v. poglavlje o upitniku). Cest neposrazum između istraživača i statistike je u odnosu pitanja i varijabli. Pogledajmo sledeće pitanje; 13. Da li ste do sada imali problema sa našim osobljem? 1.N e 2. Da a. Ne više nego na drugim mestima b. Lekari su Ijubazni, a sestre ne
c. Dugo se čel
Već na prvi pogled se vidi da je sastavljač pitao više stvari. Samo po sebi, to nije pogrešno. Šta više, ispitanicima verovatno neće mnogo smetati formulacija pitanja. Međutim, kod unosa i obrade podataka postaviće se problem koliko tu varijabli zapravo ima. Naime, izgleda da je istraživača interesovalo ne samo da li je ispitanik imao problema, nego i kakvih (altemative 2.b i 2.c), a kao i da ga je interesovalo ispitanikovo obrazloženje (2.d). Dakle, ovakva pitanja nisu a priori besmislena, ali kad god statističar vidi hijerarhijske altemative on posumnja da istraživač nije načisto sa time šta je želeo da pita. Ako ne postoje neki posebni razlozi za ovakva složena pitanja, bolje ih je razdvojiti na jasna i eksplicitno sročena odvojena pitanja.
b. N eka praktična pitanja o m atrici podataka Kompozicija osnovne matrice podataka u socijalnim istraživanjima može biti veoma različita. Entiteti ne moraju biti Ijudi, a varijable mogu da budu veoma različite. Ništa, međutim, neće promeniti njenu osnovnu strukturu: entitcti x atributi, pri čemu atributi po pravilu predstavljaju slučajne varijable, a ove opet najčešće sadrže numeričke podatke. Primer osnovne rnatrice podataka koji je dat u tabeli 5 i ostali primeri dati u prethodnim pasusima očigledno su iz oblasti neposrednog istraživanja čovekovog ponašanja. Kao što je više puta pomenuto, dmštvene nauke vrlo često prikupljaju podatke o grupama, slojevima, regionima i institucijama, u kom slučaju te gmpe predstavljaju entitete. Postoje vrlo raznovrsni nacrti istraživanja i kombinacije osnovnih jedinica posmatranja. Kod longitudinalnih istraživanja (v.) se može raditi o istom entitetii, posmatranom u više vremenskih tačaka. U tom slučaju redovi osnovne mah'ice podataka mogu sadržavati ta pojedinačna posmatranja. Ako su entiteti proizvodi Ijudske delatnosti, kao što su razni artefakti, intelek-
tualni proizvodi (infonnacije, poruke), organizaciona rešenja, ili bilo šta drugo, onda će u redovima matrica podataka biti odabrani proizvodi. Slično važi i za kolone osnovne matrice podataka - velika raznolikost. Prirodno je da tip i priroda varijabli koje se nalaze u kolonama zavise od toga šta su entiteti. Na primer, u spomenutim longitudinalnim istraživanjima, tabela 5 bi dobila i treću dimenziju; vrcme. U praksi se matrice podataka retko prave kao višedimenzionalne (iako teorija podataka to predviđa), nego se dimenzije pretvaraju 0 dodatne skupove redova i/ili kolona. Recimo, varijable iz novih posmatranja se unose u dodatne kolone na kraju matrice. Koncipiranje atributa koji će se meriti u istraživanju predstavlja vrlo „intiman” deo istraživačkog procesa. Nema neke posebne oblasti ili naučne discipline koja bi mogla direktno pomoći istraživaču da reši taj problem. Prva i osnovna referenca na koju istraživač može da se osloni su dosadašnja istraživanja dotične pojave (bila empirijska ili ne). Sledeće što će rukovoditi istraživača u izboru varijabli je izbor teorijske perspektive - bihejvioristi neće istraživati iste varijable kao i konstruktivisti. Nakon što svoje istraživanje locira u šire i uže teorijske okvire koje je odabrao kao relevantne, istraživač će verovatno morati proći jednu fazu iterativnog prilagođavanja formulacije hipoteza, izbora varijabli, niogućnosti merenja i mogućnosti obrade sa ciljevima istraživanja. Sva ta pitanja se razmatraju u odgovarajućim poglavljima ove knjige. Na primer, ako istraživač analizira načine na koje rukovodioci ocenjuju podređene, on može dati nekom uzorku rukovodilaca zadatak da napismeno daju mišljenje o Ijudima kojima rukovode. Altemativno, mogu se uzeti mišljenja rukovodilaca o kandidatima koji su se prijavili za konkurs, ili se može rukovodiocima dati da napišu esej o tome kako vide idealnog kandidata za radna mesta iz njihovog domena. Ovi pisani dokumenti se mogu tretirati kao poruke i podvrći analizi sadržaja. Kao što predviđa analiza sadržaja, prvo se moraju definisati varijahle, odnosno kategorije koje se posmatraju. Na primer: da li rukovodilac obraća pažnju na pol i starost kandidata, radno iskustvo, izgled, komunikativnost, ličnost, kvalifikacije ili nešto drugo. U ovom istraživanju se može desiti da nacrt bude takav da svi rukovodioci ocenjuju iste kandidate. U tom slučaju postojaće dva entiteta: rukovodilac i kandidat. Naime, može postojati interakcija izmedu rukovodilaca i kandidata u tom smislu što neke osobine kandidata provociraju izvesne procene (osećanja) kod rukovodilaca. Pošto će istraživač verovatno želeti da kontroliše ovu interakciju, matrica podataka mora sadržavati oba entiteta - i rukovodioce i kandidate. To se može postići tako da entiteti budu rukovodioci, a da varijable budu ponovljene za svakog ocenjivanog kandidata - npr. pol za pi-vog kandidata, pol za drugog itd. Obratno, kandidati se mogu „uvesti” u matricu i kroz redove, odnosno ponavljanjem za svakog rukovodioca - npr. prvi rukovodilac o prvom kandidatu, prvi rukovodilac o drugom kandidatu itd. Osnovna matrica podataka prikazana u tabeli 5 je dokazano univerzalna i čvrsto utemeljena u samoj suštini empirijske metode. Kao što smo upravo videli, ona je u stanju da odražava vrlo kompleksne istraživačke nacrte i modele poda-
taka. Naravno, u kompleksnim istraživanjima će i unutrašnja struktura matrice podataka biti kompleksna, pa ponekad treba vremena i truda da bi se razumelo šta treba da nalazi u redovima i kolonama te matrice.
C.
Problem i cilj istraživanja
Neko bi možda mogao zaključiti da naučno saznanje, da bi bilo istinito, ne sme biti rukovođeno Ijudskim potrebama i željama. Medutim, teorijski je i praktično nemoguće sprovoditi istraživanje koje nije usmereno na davanje nekih odredenih odgovora ili na rešavanje nekih odredenih problema. Iza svakog istraživanja stoji neki problem koga treba rešiti, ili potreba koju treba zadovoljiti. Pokretači naučnog istraživanja su potrebe istraživača, naučne zajednice ili društva u celini. Te potrebe mogu biti vrlo raznolike, ali bi se grubo mogle podeliti na praktične i saznajne. Jedna od potreba koju treba negovati i ceniti je svakako radoznalost - svaki istraživač žcli da nade odgovore na svoja pitanja. Nauka, gledano u celini, nije niti spekulisanje u svetu ideja niti besciljno akumuliranje empirijskih fakata. Praktični ili saznajni problem koji istraživanje nastoji da reši naziva se problem istraživanja.
1.
Izvori ideja
Z đrav razum i p osm atranje okolnog sveta - Ideje za problem istraživanja dolaze iz literature, postojećih teorija ili svakodnevnog života. Kada je svakodnevni život izvor ideja za istraživanje, to znači da se istraživač oslanja na zdrav razum i posmatranje okolnog sveta. Zdrav razum je sadržan u mnogim izrekama kojima smo okruženi. Takve su: „suprotnosti se privlače”, „iver ne pada daleko od klade”, „batina je iz raja izašla” ili ,,s kim si onakav si”. Takve narodne mudrosti zaslužuju da budu proverene. Posmatranje sebe i okoline je vrlo zdrav način da se dode do ideje za istraživanje i preporučuje se studentima kao izvor tema za edukativna istraživanja. Recimo, svi smo koristili strategiju da neku stvar ostavimo na posebno mesto kako bi je kasnije lakše pronašli. Nažalost, svi smo iskusili da se kasnije sećamo da smo to uradili, ali ne i gde smo je stavili (čisto radi informisanja čitaoca: ova pojava je istražena i pokazalo se da što je mesto neobičnije, to ćcmo ga se teže setiti). Poznat je i „zakon” da ćcte uveče, kad se posle burnog provoda vraćate po inraku kući, iz svežnja ključeva uvek odabrati pogrešan ključ. Pedantni Hans Eysenck je istraživao i ustanovio da svi ključevi imaju jednaku verovatnoću izbora i da ne postoji nikakav poseban usud u obliku Marfijevog zakona. Jedno istraživanje se, recimo, bavilo načinom na koji studenti nose knjige i sveske. U tvrdena je jedna od najvećih polnih razlika ikad
zabeleženih, jer žene u ogronmoj većini nose knjige na grudima a muškarci pod miškom. Praktični problem i - Praktični problemi su podničje u kojem se od nauke često očekuje rrmogo i odmah. Istraživači ponašanja su veoma često posvećeni otkrivanju želja i preferencija stanovništva, razloga socijalno patološkog ponašanja ili razloga zašto deca beže sa časova. Nažalost, ova hic et nunc očekivanja od nauke bivaju češće izneverena nego zadovoljena, ali u dobro definisanim uslovima mogu da ponude dobra i brza rešenja. Slučajna otkrića I paradoksalni d o g a d a ji- Čest izvor novih ideja su slučajna otkrića."' Recimo, Ivan Pavlov je otkrio pojavu uslovnih refleksa izučavajući pseći digestivni sistem tako što je merio salivaciju kada se psu da hrana. Osećaj da se do nečega došlo neznano kako imaju svi Ijudi povremeno. U psihologiji je poznat „alia doživljaj”, koji je deo rešavanja problema, kada nam se rešenje problema iznenada ukaže, bez najave. Slučajna otkrića su slična „aha doživljaju”, ali se pokazalo da su povezana sa zabludama zbog istraživačkog očekivanja i sa samoispunjavajućim proročanstvima}^ To znači da treba biti oprezan kada nam se učini da smo iznenada došli do nekog objašnjenja, jer ono može loše uticati na objektivnost. Primer za paradol
T eorije- Teorije kao elementi naučnog saznanja, organizuju veći broj poznatih činjenica, opisa ponašanja ili konstrukata u smislen sistem koji onda predstavlja objašnjenje pojedinačnih činjenica. Objašnjenje činjenica se zasniva na vezama među njima koje teorija mora jasno da specificira. Međutim, iz teorija se, po pravilu, mogu izvoditi predvidanja novih činjenica, ponašanja i njihovih odnosa. Iz svakog odnosa koji je naveden u teoriji može se izvesti problem istraživanja ili hipoteza, Na primer, ako se radi o teoriji koja memoriju deli na radnu (kratku) i dugu, iz nje se izvode zaključci da u mozgu postoje različiti centri i mehanizmi za jednu i za drugu memoriju. Na osnovu toga se mogu sprovesti istraživanja koja će ispitivati razlike između osoba koje su pretipele polres mozga i onih kojim aje oštećen hipokampus. Iz teorije evolucije, opet, sledi da muškarci i žene moraju imati različit pristup i prioritete pri izboru partnera jer su njihove mogućnosti prenosa gena na sledeću generaciju različite. Žene, tako,
Na engleskom se sposobnost ihpojava slučajnogotkrićanazivdiserendipity, prema staroj cejlonskoj bajci o tri princeze iz Serendipa koje su stalno imale sreću danalaze stvari. Sociolog Robert Merton je skovao naziv „samoispunjavajuće proročanstvo” da bi opisao pojavu da Ijudi neprekidno stvaraju predviđanja, tačna ili pogrešna, zatim da se ponašaju u skladu sa tim predviđanjima, i da konačno, posledice takvog ponašanja tumače kao potvrdu svog predviđanja.
imaju ograničenja u broju potomaka, u dužini trajanja reproduktivnog perioda i u obavezama u podizanju dece. Na osnovu teorijskili predikcija, žene bi morale preferirati partnere za koje su sigurne da će podržati opstanak (retkih) potomaka (imućne, uspešne, dominantne), dok bi muškarci morali preferirati partnerke koje imaju veću šansu da rode (zdrave, mlade, skladne). Nalazi mnogih istraživanja podupiru ove predikcije (Cozby, 2003), ah je zanimljivo da mogu da se tumače i na drugi način. Recimo, autori koji su više socijalno orijentisani smatraju da razhke u preferencijama potiču od podele rada: žene se bave materinstvom a muškarci materijalnim blagostanjem. Prošla istraživanja i konfliktni nalazi.- Prošla istraživanja su standardan izvor ideja za nova istraživanja. Šta više, uobičajena struktura empirijskog istraživanja nalaže da se analiziraju prethodne studije i da se problem istraživanja formuliše iz eventualnih nedostataka u njihovim zaključcima. Posebno inspirativni za nova istraživanja pokazali su se nalazi koji su protivrečni ili čak potpuno suprotni. Cozby (2003) ilustruje značaj prošhh istraživanja sledećim primerom. Autistična deca imaju teške poremećaje u jezil
Intenzivne studije s lu č a ja - Intenzivne studije slučaja (v.) se obično sprovode nakon paradoksalnih događaja iU konfliktnih nalaza. Ovakve studije mogu pružiti sasvim nove uvide i pomoći stvaranju hipoteza. Interesantni su primeri iz ninogih oblasti kada su autori sprovodili studiju slučaja na samom sebi, npr. psiholog Ebbinghaus, Poznat je studija slučaja Aleksandra Romanoviča Lurije, ruskog psihologa, na mnemonisti - čoveku koji ništa ne zaboravlja. 0
tom slučaju je Lurlja naplsao knjigu I detaljno opisao tok svog istraživanja,
zapažanja I pretpostavke kojl su nastall nakon što je mnemonistu pod pseudonlmom S život slučajno doveo do Lurije. Kada se mnemonlst pojavlo kod Lurije (koji se upravo u to vreme intenzivno bavlo proučavanjem pamćenja), on ga je podvrgao standardnlm testovlma zapamćivanja serlja slova I brojeva, S, koji dotada nije imao svest da je po nečemu drukčljl od drugih Ijudl, uspevao je da upamtl svaku serlju slova i brojeva, počev od standardnih 15 elemenata, pa sve do 70, Štavlše, uspevao je da potpuno tačno ponovi serlje koje je učlo prvog dana (to je uspevao čak I nakon 15 godina), unapred, unazad III iz sredine, na osnovu čega je Lurlja prestao da gubi vreme proveravajući koliko mnogo i kollko dugo može da pamti, jer je bllo očlgledno da p a m ii sve i to neograničeno dugo. Nakon toga se Lurija pos-
Isto onako kao što je preterana uopštenost problema smetnja sprovođenju istraživanja, čest nedostatak formulacija problema je preterana uskost i specifičnost. Iz straha da ne upadnu u zamku opštosti, istraživači početnici ponekad posežu za uskim, trivijalnim, površnim i nenaučnim temama, kao što je: „Ulična anketa stanovnika opštine Savski Venac o Romskim orkestrima na svadbama” (uspešan način da se problem učini trivijalnim je geografsko ili vremensko ograničavanje, ili oba zajedno - uzmimo da smo prethodne svečanosti još ograničili na 2005. godinu). Problemska izjava, dakle, ne sme biti ni previše opšta ni previše uska. I u jednom i u drugom slučaju, istraživanje će biti pogrešno usmeravano. Ako je problemska izjava preširoka, hipoteze će verovatno biti u protivrečnosti sa njome. Ako je, opet, preuska, zaključci će verovatno prevazilaziti predmet istraživanja.
3.
Cilj istraživanja
Rečeno je da su istraživački problemi pitanja koja se javljaju u okviru neke naučne discipline (uže ili šire) ili u okviru svakodnevnog života, a koja, po Jmišljenju istraživača nisu dobila pravi odgovor. Formulisano na drugačiji način, za svako istraživanje se može reći da ima neku svrhu, cilj ili namenu. Prirodno je da se cilj istraživanja izvodi iz problema, odnosno da je u uskoj povezanosti sa problemom istraživanja. Kod problema koji su teorijske prirode, cilj i prbblem su obično direktno povezani - rešavanje problema je cilj istraživanja. Medutim, kod primenjenih istraživanja, a svako istraživanje pledira na neku vrstu primenjivosti, cilj i problem se ne moraju potpuno podudarati. Zato se može reći da se cilj odnosi naprimenjeni, odnosno praktični aspekt istraživanja, dok se problem odnosi na naučni, odnosno saznajni. Svakako, ovo treba razumeti samo kao načelni savet kako da se razlikuju problem i cilj, a ne kao njihovu defmiciju. Vrlo je česta praksa da se od islraživača zahteva da u projektu istraživanja eksplicitno navede koje su moguće primene i koristi od istraživanja. To su onda ciljevi istraživanja. S druge strane, problem je fomiulisan kao pitanje koje traži odgovor, a dosada ga nije dobilo, ili ga nije dobilo na zadovoljavajući način. Recimo, cilj . istraživanja može biti poboljšanje preventive protiv zloupotrebe psihoaktivnih supstanci u školama, dok će problem biti formulisan kao pitanje: ,,Da li bolja informisanost učenika doprinosi promeni stava prema drogama?”. Ili, cilj može biti provera teorije o sedam osnovnih faktora ličnosti, a da problem bude formulisan kao: ,,Da li postoje uzrasne razlike u sedmofaktorskom modelu ličnosti?”. Eksplicitno formulisanje cilja istraživanja nije neophodno (osim ako to naručilac ne zahteva), ali se preporučuje zato što može biti korisno istraživaču da bolje suzi i fonnuliše problem. Veoma dobar način da se istraživanje „usaglasi sa životom” je da se formuliše kratak i jasan cilj istraživanja - je d a n ili više njih. Cilj istraživanja je obično formulisan kao izjava, dužine najviše jednog pasusa, u kojoj su pobrojane namere i bitni činioci istraživanja. Ova izjava počinje obično kao: „Cilj (svrha ili namena) ovog istraživanja je (bio je ili biće)...”. Sledeća
komponenta izjave o cilju često se formuliše kao: ,,...da proveri teoriju...”, ,,...da utvrdi, objasni, opiše, ispita...” ili ,,.,.da doprinose ili poboljša...”. Ipak, postoje različita mišljenja o tome da li u uvodu istraživačkog izveštaja treba postojati samo deklaracija problema ili deklaracija cilja, ili trebaju postojati obe. Neki autori podrazumevaju da deklaracija cilja, svrhe ili namene istraživanja treba da zameni izjavu o problemu istraživanja, posebno u primenjenim istraživanjima. Ti autori preporučuju da u tom slučaju deklaracija o cilju treba da bude šira nego što je opisano u prethodnom pasusu. Treba da sadrži: tip istraživanja, varijable, populaciju, teorijski okvir i veze medu njima. Takvom izjavom istraživač objašnjava kako misli da reši problem koji istražuje, kako će odgovoriti na pitanja koja postavlja problem i zašto uopšte sprovodi studiju. Npr.: „Cilj ovog istraživanja je da proveri teoriju po kojoj način učenja studenata utiče na njihov školski uspeh. Ispitivaćemo nekoliko uobičajenih načina učenja (pojedinačno-u grupi, kod kuće-u biblioteci, aktivno-pasivno), a školski uspeh će biti iskazan kroz prosečnu ocenu i dužinu studiranja”. Izjave o problemu i cilju istraživanja su delovi uvodnog poglavlja u istraživačkom izveštaju. One nisu jedini delovi uvoda, nego se na tom mestu očekuje i pregled literature, nedostaci dosadašnjih istraživanja i značaj istraživanja. O sadržaju tivoda i načinu njegovog pisanja biće reči u glavi o naučnoj produkciji.
D. Istraživanje u biblioteci
Ovaj naslov namemo krije dvosmislenost; istraživanje je u fazi biblioteke i vrši se istraživanje biblioteke. Već je ukazano da su značajan izvor istraživačkih ideja članci i knjigc. No, literatura nije važna samo kao izvor ideja. U literaturi je sadržano postojeće naučno znanje i „minuli rad” svih prethodnih istraživača. Zato literatiu'a mora i može da se koristi u svim fazama istraživanja; od formulacije problema do tumačenja rezultata. U zavisnosti od cilja istraživanja (primenjeno ili fundam entalno), težine problem a, od vrste istraživanja (eksplorativno ili konfinnativno), ali i od savesnosti istraživača, prikupljanje, pregled i integracija literature mogu oduzeti veliki deo raspoloživog vremena. Pošto je to jednako važna faza istraživanja kao i sve druge, nazvali smo je istraživanjem u biblioteci, a ko je probao biće sklon i da to nazove istragom. Jedan od osnovnih epistemoloških zahteva koji se postavlja pred empirijska istraživanja - ponovljivost, odnosi se u potpunosti i na literaturu. To znači da u istraživačkom izveštaju valja detaljno navesti svu relevantnu literaturu koja je korišćena prilikom planiranja i sprovodenja istraživanja. Da bi istraživanje bilo ponovljivo, sledeći istraživač mora biti u stanju da pronade i proveri iste one početne infonnacije koje su poslužile prethodnom istraživaču.
Međutim, način korišćenja literature zavisi od cilja i vrste istraživanja. Kvantitativna istraživanja (v.) korističe, recimo, literaturu na „deduktivan” način, kao nešto što je opšte i na čemu će se graditi vlastito istraživanje. Zato se u kvantitativnim studijama detaljan pregled literature obično nalazi na početku istraživačkog izveštaja]e,t se iz literature izvode problem i hipoteze istraživanja. Nešto od literature može da se citira i na kraju rada, tokom interpretacije nalaza, kada se vlastiti nalazi porede sa prethodnim. Zastupnici kvalitativnih paradigmi(v.) kažu da istraživač ne sme polaziti od predubedenja i gotovih hipoteza, nego će graditi svoje razumevanje pojave na osnovu nepristrasnog slušanja onoga što govore ispitanici. Zato kvalitativnu studiju ne bi trebalo početi od pregleda literature. To posebno važi za induktivni tip teorije kao što je utemeljena teorija (v.). Tamo se literatura konsultuje nakon što se prikupe podaci i onda kada ih treba objediniti, protumačiti i fom irati teoriju, Ipak, bez obzira na cilj i tip istraživanja, svi istraživači moraju da se upoznaju sa literaturom na samom početku istraživanja. Literatura pomaže istraživaču da postavi teorijski okvir istraživanja. Pod teorijskim okvirompodrazumevamo teorijsku per.spektivu (v.) ili paradigmu, koja je važna za svako istraživanje, ali za neka manje (npr. kvantitativne studije), a za neka više (npr. studija slučaja). Izbor teorijske perspektive se može obaviti i na osnovu ličnih sklonosti - apriori, ali će i dalje biti važan teorijski okvir nižeg nivoa, potreban za sprovođenje konkretnog istraživanja. U tom smislu, iz literature treba uzeti uobičajene pojmove i tenninologiju, raspoložive hipoteze, postojeća teorijska objašnjenja, dominantne metode, ali i nedostatke, probleme ili protivrečnosti. U svim vrstama studija može se „pregled literature” staviti u posebno poglavlje, ili u poseban deo uvodnog poglavlja. Creswell (2003) sugeriše da postoje tri karakteristična načina na koji se piše pregled literature: integrativan, teorijski ili metodološki. Integrativni pristup je karakterističan za teze i disertacije i sadrži obimnu literaturu i nastojanja da se ona predstavi integrisano. Teorijski pristup je karakterističan za članke u časopisima i u njemu se prikazuje odabrana teorija, razmatra se i povezuje sa pretpostavkama samog istraživanja. Metodološki pristup je orijentisan na metode i defmicije, posebno na kiitički osvrt na dosada korišćenu metodologiju. Istraživanje u biblioteci je univerzalan zadatak i svakodnevno ga sprovodi na hiljade istraživača. Mnogo je učinjeno da ini se posao olakša, a postoje i čitave naučne discipline koje se bave tim problemom. Osnovni preduslov za ovo istraživanje je da postoje bibhoteke. No, to još ni izbliza ne rešava problem jer je broj članaka i knjiga ogroman i nijedna biblioteka ih ne može posedovati sve. Ekstremna voluminoznost naučne produkcije istakla je u prvi plan problem pretraživanja bibliotečkih infom acija. Rešenje ovog problema nalazi se pi-venstveno u primeni računara
a. D igitalne biblioteke, bibliogm fske baze i elektronski časopisi Digitalne biblioteke, bibliografslce baze i elektronski časopisi slnže prvenstveno za upoznavanje sa dosadašnjim istraživačkim nalazima, dosada korišćenim metodama i pristupima, problemima i ostalim stvarima koje su važne za istraživača. Dugi naslov ovog poglavlja i tri nabrojana pojma nisu sami po sebi dovoljno jasni, pa ćemo samo ukratko objasniti na šta mislimo. Radi se o tome da su naučne informacije sve dostupnije u računarski kompatibilnom obliku (odnosno, na računarski kompatibilnom mediju). To znači da ih možemo pročitati na računaru. To dalje znači da se mogu koristiti i druge pogodnosti koje računari nose - lako pretraživanje po imenima autora, po ključnim rečima, po godini izdanja, ili po bilo kom drugom delu teksta. Ne samo to, takve računarski preparirane informacije se danas sve više drže na Intemetu, što znači da ih istraživač može pretraživati i pregledati kod kuće. Termin digitalna biblioteka (eng. D L -D ig ital Library) se obično koristi da označi upravo to, celokupnu biblioteku na računaru (u digitalnom obUku), uključujući kompletan tekst svih bibliografskih jedinica koje biblioteka poseduje. Naravno, izrada takve digitahie biblioteke zahteva ogroman rad i zasada su digitalne biblioteke u tom smislu samo cilj kojem se teži. Medutim, ako se kao kriterijum uzme postojanje kompletnog teksta bibliografskih jedinica, bez obzira da h su pokrivene sve naučne oblasti i duži vremenski period, onda broj tzv. „full text” baza podataka u svetu raste. Bibliotečki podaci se standardno organizuju u bazu podataka, sa preciznom strukturom podataka i medusobnim odnosima i procedurama (softverom) za pretraživanje, kopiranje, štampanje i sl. Zato takve stvari uvek nose naziv „baza...”. Tretman ove oblasti u naučnoj javnosti je veoma ozbiljan i kao zasebna naučna grana nalazi se na granici bibliotekarstva i informatike. S obzirom na ozbiljne probleme koji se tiču unosa tekstova u računar, elektronske bibliotečke baze imaju prilično jasnu hijerarhiju i jasan put razvoja. Počelo je sa običnim katalozima ili indeksima radova, obično članaka u časopisima (tzv. periodike). Kao što se može očekivati, najlakše je bilo formirati bazu koja sadrži samo imena autora, godine izdanja, nazive publikacija, nazive članaka i ostale elementame podatke. Nakon toga, razvoj je išao u pravcu obuhvatanja sve većeg broj podataka o radovima. Na prvom rnestu to su tri celine koje prate praktično svaki rad: a) afilijacije autora, odnosno nazivi ustanova u kojima autori rade, b) apstrakti radova odnosno rezimei i c) spiskovi literature koja je referisana u svakom radu. Bibliografske baze koje sadrže sve te podatke se obično nazivaju citatnim bazama, jer se mogu izračunavati indeksi citiranosti, tj. može se ustanoviti koliko je koji naučni rad, autor, ustanova, oblast, ili bilo šta drugo, citirana. Poslednji i najviši stepen elektronskih bibhotečkih baza, koje sadrže i puni tekst radova, ima dva oblika. U prvom obliku se uz svaki rad nudi i njegov puni tekst, ali samo čist tekst. To znači da se odbacuju grafikoni, fomiule, slike, ponekad tabele i dmge slične stvari koje se ne mogu prikazati običnim tekstom.
Generalno rečeno, u takvim bazama nije verno prenesen grafički preloma teksta kao što su fusnote, stiipci, antrfilea i ostalo. Drugi oblik čine baze koje sadrže „slike” radova, sa doslovno prenesenim izgledom originalnog teksta (na engleskom se zato obično nazivaju „full page image” bazama). U tim bazama se vide svi grafički elementi, svi aspekti grafičkog dizajna, isticanja teksta itd. (kod nas bi se to moglo nazvati elektronskim fototipskim izdanjem). Takvi tekstovi se najčešće preuzim aju u Portable Document Formatu (jidf) ili PostScript formatu (ps). Bibliotečke baze na Internetu. - Neračunarske bibliografske i druge baze su poznate već duže vremena. U nekim oblastima nauke one su bolje razradene i više se koriste, a u nekim manje, ali je kod nas stanje i dalje takvo da njihova dostupnost ne zadovoljava. Odavno postoje velike komercijalne baze apstrakata na papiru, kao što su Sociological Abstracts ili PsychoIogical Abstracts, pa i čitavih periodičnih tekstova, a njihovo korišćenje se naplaćuje na ovaj ili onaj način. Takve baze su danas uglavnom prebačene u računarski format i dostupne su na CD-ROM-ovima. Medutim, ono što im najviše povećava dostupnost je to što im je danas moguće pristupiti preko Intemeta (npr. Sociological Abstracts iii PsycINFO). PsycINFO je poznata zbirka „psiholoških apstrakata” koju priprema APA (www.apa.org). Njena upotreba se plaća, a uz doplatu se može koristiti i baza članaka sa punim tekstom - PsycARTICLES. Postoji poseban softver za pretraživanje PsycINFO baze. PsycINFO se pretražuje preko ključnih reči, a ako ne možete da formulišete ključne reči koje vas interesuju, u bazi se nalazi „Thesaurus o f Psychological Index Terms”. U oblasti društvenih nauka vrlo je poznata serija bibliografskih baza Instituta za naučne informacije (Institute for Scientific Information, ISI, http:// w ww.isinet.com ) koji sada funkcioniše u okviru informacione korporacije Thomson. Tu spadaju poznate citatne baze Social Science Citation Index (SSCI), Science Cilation Index (SCI) i A rt & Humanities Citation Index (A&HCI). Trenutno je prismp i pretraživanje ovih (i nekih drugiii) baza omogućen preko integrisane mrežne on-line platforme koja se naziva ISI Web o f Science. Pristup punom tekstu naučnih radova i publikacija omogućen je preko mrežne platforme IS I Web o f Knowledge. Analogne bibliotečke infonnacije su sadržane i u poznatim Current Contents, takode na ISI, koje se mogu nabaviti i na CD-ROMu. ,,ISI Web o f Science” je dostupna i u preko naših biblioteka. Logika pretraživanja u SSCI se zasniva na principu „ključnog članka”. Ključni članak je onaj koga je istraživač prepoznao kao najvažniji za predmet njegovog istraživanja. Na osnovu referenci iz tog članka, istraživač će lančano nalaziti sve više i više radova. Medutim, ISI baze su komercijalne baze i ne mogu se pretraživati besplatno. To u situaciji kada je pisan ovaj tekst znači da će mnogi istraživači irnati teškoća oko toga da iskoriste ove baze za dolaženje do spiska relevantne literature za svoj rad. U poslednje vreme je kod nas aktivan servis KoBSON - Konzorcijum biblioteka Srbije za objedinjenu nabavku na http://nainfo.nbs.bg.ac.yu/KoBSON/ page/. Preko KoBSONa mogu istraživači koji su zaposleni na državnim obrazov-
nim i naučnim institucijama besplatno koristiti neke od poznatih svetskih bibliotečkih resursa. Ostali istraživači mogu uz materijalnu nadoknadu koristiti usluge KoBSONA u prostorijamaNarodne biblioteke Srbije, Bibhoteke Matice srpske u Novom Sadu (http://www.bms.ns.ac.yu/), Univerzitetske biblioteke „Svetozar Marković” u Beogradu (littp://www.unilib.bg.ac.yu/usluge/cene/intemet.php) i dr. Za pretraživanje apstrakata iz svih medicinskih grana nezaobilazan je Medline (dostupan, recimo, preko EBSCOa i KoBSONa), a za oblast obrazovanja i razvoja ERIC (Education Resource Information Center, http://www.eric.ed.gov). Pored ovih komercijalnih, postoje i kompjuterizovane univerzitetske bibliografske baze čije pretraživanje je u javnom domenu, ali se dobijanje tekstova naplaćuje, ili je na drugi način ograničeno. Veliki američki univerziteti nude usluge pretraživanja univerzalnih bibliografskih baza (kao što su spomenuti PsycINFO i SSCI), ali naravno, samo svojim nastavnicima i studentima (npr. Univerzitet Stanford na http;//www-sul.stanford.edu/catdb/alldata.html). Kod nas je najbolje pristupiti prezentaciji Narodne biblioteke Srbije na http://www.nbs.bg. ac.yu i proveriti mogućnosti pristupa njenim i stranim resursima. Treba istaći domaću citatnu bazu SocioFakt koju već dugi niz godina razvija tim pod rukovodstvom p ro f Pere Sipke sa Filozofskog fakulteta u Novom Sadu (http://www.ceon.org.joi). Puni pristup ovoj bazi se trenutno ostvaruje preko SocioFakt Open Access, koji je instaliran u okviru Narodne biblioteke Srbije na http://nainfo.nbs.bg.ac.yu/sfoa/. Baza obuhvata osnovni korpus domaćih časopisa iz društvenih nauka, ekonomije i prava od 1991. godine. Pored toga, postoje i dopimske i pomoćne baze koje sadrže starije časopise, knjige, razne adresare i servisne informacije. lako je SocioFakt citatna baza, izvestan broj radova se može preuzeti u punom tekstu (Portable Document Format - PDF). Osim manje-više uobičajenih informacija koje nudi citatna baza (naslov, autore, afilijacije autora, izvor, sažetak, ključne reči, spisak referenci i sl.), SocioFakt omogućuje nalaženje sličnih i povezanih radova na osnovu deljenja referenci, kao i uvid u osnovne podatke o časopi.su. Podaci sadržani u SocioFaktu se koriste za EINUS - Elektronski izveštaj o naučnom učinku u Srbiji, koji je zasada u nezvaničnoj upotrebi i koji omogućava uvid u naučni učinak pojedinaca, časopisa, ustanova, projekta, istraživačkih timova i sl. Kao što je rečeno, Internet je pružio nove aspekte i adute ovoj problematici, prvo tako što je potpuno pojednostavio pristup bibliografskim bazama (uključujući i plaćanje, ako raspolažete kreditnom karticom), a drugo što je omogućio da se zadovolji autorska potreba za diseminacijom i javnom prezentacijom radova. Neki noviji kvantitativni scijentometrijski pokazatelji kažu da radovi koji su dostupni na Internetu (pn line) imaju vcću citiranost. Na oko 120.000 članaka utvrđeno je da je prosečan broj citata za o ff line članke 2,74, a za on line 7,03. Zahvaljiijući toj potrebi, na Intemetu se mogu pronaći univerzitetski web site-ovi na kojima su prezentirani naučni radovi in extenso. Ovi radovi su u nekim slučajevima već objavljeni u nekom časopisu, nekada su na Intemetu pre nego što se objave, a nekada postoje samo u on line izdanju.
Virtuelna b i b l i o t e k a pojam vezan za Intemet, i okuplja na jednom mestu linkove na informacije o nekoj oblasti, sadržane diljem Intemeta. Korisnik može da pristupi velikom broju informacija koje su raspršene po računarima širom sveta. Virtuelna bibliotekaje indeks tih informacija. Na Internetu postoje „elektronski časopisi” sa kompletnim tekstovima, koji ne postoje u klasičnom formatu, a ako postoje, onda on line verzija obično sadrži samo apstrakte tekstova (rezimee). Tekstovi elektronskih časopisa su dostupni pretraživanju po ključnim rečima, ili po bilo kom delu teksta i to kako u okvim uobičajenih pretraživača za Intemet, tako i pomoću pretraživača koji idu uz dotični bibliotečki web site. Čini se da je ovakvih elektronskih časopisa sve više, ali im je pristup često ograničen raznim, najčešće komercijalnim aspektima (plaćaju se). Naravno, najveći domet u dostupnosti preko Intemeta su bibliotečke baze sa punim tekstom publikacija, ili fototipskim slikama stranica. Uobičajeno je da takve baze ne sežu mnogo godina unazad zbog teškoća obuhvata starih tekstova, da ne obuhvataju najveće naučne časopise i da im se pristup plaća. Primer takve baze je EBSCO (http://www.epnet.com/), koja je jednim delom citatna bibliografska baza, jednim delom baza punog teksta, a jednim delom „full page image” baza. Osim velikog broja naučnih časopisa iz razhčitih oblasti, ona obuhvata i kompletnu medicinsku bazu Medline, zatim niz novina, magazina i nedeljnika kao i bazu fotografija. Kod nas joj se može prismpiti preko Narodne biblioteke Srbije (KoBSON). Jedna od besplatnih „full page image” bibliotečkih baza je CiteSeer Publications Researchlndex (http://citeseer.ist.psu.edu/), kojaje doduše specijalizovana za informatičke nauke, ali sa značajnim primenama u oblasti analize sadržaja, digitalnih biblioteka, prepoznavanja teksta i likova, psihološkog i pedagoškog testiranja i sl. Svakako, glavna prednost joj je što je dostupna, besplatna i sadrži veran prikaz tekstova (u Postscript i PDF formatu). U Sjedinjcnim Američkim Državama sve je više bibhotečkih baza sa punim tekstom, koje su prvenstveno namenjene studentima dodiplomskih i postdiplomskih studija za izradu teza i disertacija. Jedna od njih je Questia (http://www. questia.com). Ovim bazama je često dozvoljen besplatan pristup, ali u ograničenom obimu ili u ograničenom vremenu. Javlja se i praksa da kupci udžbenika izdatih u SAD dobiju izvesnu ograničenu pretplatu za korišćenje neke od takvih baza. To je, na primer, slučaj sa Thomsonovim InfoTrac College Edition (http:// infotrac.thomsonleaming.com/index.htmI). Medutim, studentu će vrlo korisni biti i „obični” pretraživači (tzv. search engines), kao što su Google, Yahoo ili Altavista. Oni ne „zavimju” u specijalizovane i komercijalizovane on-line baze, ali se preko njih mogu naći mnogi članci, pa čak i knjige, na ličnim prezentacijama univerzitetskih nastavnika, prezentacijam a univerziteta, istraživačkih ustanova i dr. Sve što je dosada rečeno o tekstualnim bazama odnosilo se na periodiku, odno.sno članke u časopisima. Zbog voluminoznosti (ali ne samo zbog toga), na Intemetu je znatno teže naći kompletan tekst knjiga - monografija. Medutim, i
tako je nešto moguće ako je istraživač vešt u pretraživanju, ako ima dobm bazu „bookmarka”, odnosno „favorita” i poznaje domene koji se bave njegovom problematikom. Sve u svemu, Intemet je već sada „najbolje mesto” za istraživanje literature za domaće autore. On nudi opštu dostupnost tekstovima, ali ne uvek na besplatnoj osnovi. Očigledno se radi o probleniu fmansiranja držanja, obrade, preuzimanja i svih ostalih poslova oko bibliografskih podataka. Zbog toga besplatnc literature još nema dovoljno, posebno kad se radi o velikim tekstovima kao što su knjige, ali je u trenutnim okolnostima za domaćeg istraživača to najboije rešenje, a analize govore da će i na globalnoj skali Internet osvajati takvu poziciju.
b. Bibliografski softver Pod ovim nazivom se krije softver koji služi da piscu olakša i automatizuje citiranje, navođenje referenci i formiranje bibliografije (literature, referenei). Poznati su Thomsonovi Reference Manager (http://www.refman.com) i ProCite (http://www.procite.com), ali postoje i dmgi programi i treba očekivati da će ih biti sve više. U osnovi većine tih programa je interna bibliografska baza referenci. Tu bazu može da popunjava sam korisnik, ili može da „skida” reference sa Intemeta (npr. sa prezentacija časopisa i univerziteta), sa CD-ROMa ili diskete. Referensnu bazu korisnik može formirati sam, kopirajući reference iz dmgih baza iii ih unoseći direktno. Kada tokom pisanja autoru zatreba da se pozove na neki objavljeni rad, on mora pronaći taj rad u nekoj od baza koje je već ranije formirao ili na Internetu. Ako nije potpuno siguran o kom članku se radi, može da pretražuje po raznim kriterijumima i ključnim rečima, bilo lokalne baze bilo baze na Internetu. Kad pronađe ono što mu treba, može ubaciti poziv na referencu direktno u svoj tekst, može ubaciti samu referencu u bibliografiju i može formatirati bibliografiju po nckom od standarda (APA, MLA, Turabian i sl.). Postoji problem sa integracijom ovih programa u tekst procesore (prilikom instalacije, bibliografski programi se „ugrade” u Tools opciju na meniju), zato što izlaze stalno nove verzije procesora teksta. Isto se može očckivati i za pravila citiranja, koja se menjaju, pa recimo nova APA pravila nisu ista kao stara.
E.
Hipoteze i istraživačka pitanja
Nakon defmisanja cilja istraživanja, problem se mora raščlaniti na hipoteze ili istraživačkapitanja. Termin „hipoteze istraživanja” je uobičajen u kvantitativnim studijama, dok se u kvalitativnim istraživanjima češće koristi termin „istraživačka pitanja”. Da bi sastavio istraživačku hipotezu, istraživač mora preciznije da defmiše varijable i relacije između njih nego što je to učinio prilikom fonnulisanja problema i cilja istraživanja. U prethodnoj glavi je objašnjeno da varijable moraju biti operacionalno defmisane da bi mogle učestvovati u istraživanju. Isto važi i za hipoteze, pa se može reći da je operacionalizacija jedan od univeralnih procesa pomoću kojih se istraživanje vodi od postavke problema ka zaključcima. Svako istraživanje ima svoj p ro b lem - cilj. Da bi istraživanje ostvarilo svoj cilj, odnosno rešilo problem, istraživač mora problem istraživanja pretočiti u hipoteze. U uvodnoj glavi o epistemologiji opisani su uloga i mesto hipoteze u naučnom saznanju. U kontekstu empirijskog istraživanja možemo reći da hipoteze (jedna ili više njih) raščlanjuju problem istraživanja i to na „pogodan” način. Pod pogodnim načinom se podrazumeva da su hipoteze iskazi koji naproverljiv način govore o vezi dve ili više varijabli. Tačno je da su hipoteze „probna objašnjenja”, ali da bi se mogle proveriti moraju biti formulisane na pogodan način, razumljivo i precizno. Preciznost se postiže operacionalizacijom ali i striktnim defmisanjem svih pojmova - pre svega konstrukata, odnosno varijabli. U uvodnim poglavljima ove knjige i u drugoj Hteraturi, mogu se naći detaljne fomialno-logičke ali i sadržinske analize mogućih hipoteza i njihovog jezika. Dobra hipoteza se po pravilu formuliše kao iskazna rečenica koja sadrži: a) tvrdnju o povezanosti dve iii više varijabli i b) jasne implikacije o tome kako se ta povezanost može proveriti. Ovaj drugi kriterijum znači da i varijable i iskazana povezanost među njima moraju biti merljivi (na bilo kom nivou merenja). Na osnovu prikupljenih podataka i njihove obrade, iskazna rečenica se ili zadržava kao potkrepljena ili odbacuje kao nepotkrepljena. Na primer, hipoteza: „Učenje u grupi poboljšava školske ocene” sadrži jasno definisane varijable i odnos izmedu njih. U hipotezi: „Rano vežbanje mentahie funkcije kod dece ne dovodi do lakšeg budućeg učenja te funkcije” tvrdi se da odnos između dve varijable ne postoji. Međutim, varijable „mentalna funkcija” i „buduće učenje” je vrlo teško defmisati tako da budu merljive jer su pojmovi mentalne funkcije i vežbanja suviše opšti. Ova hipoteza dakle, u toj formi nije direktno proverljiva. Međutim, kad bi se bolje specifikovalo na koje se funkcije, na koje se vežbanje i na koje se učenje misli, onda bi ta hipoteza bila valjana i verovatno bi bila potvrdena (npr. deca se ne mogu istrenirati da sabiraju brojeve pre nego što dovoljno sazriju, niti se mogu uvežbati da nauče šta je levo, a šta desno).
U istraživanju ponašanja se vrlo često sreću hipoteze koje imaju sakrivenu relaciju između varijabli. To su hipoteze koje dovode ii odnos dve ili više grupa ispitanika. Na primer, u hipotezi: „Deca iz velikih gradova postižu bolje rezultate na testovima opšte kulture nego deca sa sela” dovode se u vezu dve grupe, a ne dve varijable. Međutim, prava hipoteza, koja stoji iza navedene, glasila bi: „socijahio poreklo utiče na nivo opšte kuUure”. Na sličan način, relacija izmedu varijabli je maskirana i u sledećoj hipotezi: „Osobe istog ih sličnog zanimanja imaju sHčne stavove prema stvarima koje su povezane sa njihovim zanimanjem” (recimo nastavnici imaju slične stavove prema obrazovanju). Prava relacija je izrneđu varijable zanimanja i varijabh stavova. Neki autori jednostavno smatraju da postoje tri vrste hipoteza u naukama o ponašanju: a) hipoteze od povezanosti varijabh, b) hipoteze o razhci između grupa i c) deskriptivne hipoteze o distribuciji varijabh. Kao što će u ovoj knjizi više puta biti rečeno, razhka i korelacija su dVe strane istog hsta, pa se i tipovi hipoteza pod a i b mogu objediniti, dok je tip c teško operacionahzovati kao proverljivu hipotezu, ah se može formuhsati kao istraživačko pitanje (recimo, „kohko je kod studenata razvijeno kritičko mišljenje”, „koja je prosečna dužina studiranja” ih „kakvu školsku spremu imaju roditelji studenata”). Iz prethodnog se vidi i fonnat istraživačkih pitanja - to su, po pravilu, upitne rečenice koje obično počinju sa „kako”, „kohko” ili ,,šta”. Smatra se da treba izbegavati reč „zašto”, jer takva pitanja zahtevaju da budu kvantitativno istražena, a kvantitativna istraživanja zahtevaju hipoteze, a ne pitanja. Da bi hipoteze predstavljale odgovor na problem istraživanja, one moraju na logičan način biti izvedene iz problema. Pošto je za problem istraživanja rečeno da je najbolje da se locira u neki teorijski okvir, hipoteze se onda mogu formulisati uz pomoć dotične teorije, U zavisnosti od teorije, nekada je prelazak od teorije ka hipotezama veoma lak i obavlja se prosto na odnosu dedukcije (v. hipotetičko-deduktivno građenje teorije). Međutim, riinogo teži put je onaj od teorijskih hipoteza do empirijskih hipoteza. U istraživanju postoji obično samo jedna (najviše dve) teorijska hipoteza i uobičajeno da ona bude navedena u uvodnom delu, u okviru deklaracije problema istraživanja (ili eventualno cilja). Zato je praktično da problem istraživanja bude tako fon-nulisan da istovremeno može da posluži kao osnovna teorijska hipoteza. Već smo uočili da različiti problemi zahtevaju različite formulacije, isto kao i različiti tipovi istraživanja. Recimo, eksplorativna i kvalitativna istraživanja, koja nisu namenjena testiranju hipoteza, umesto osnovne hipoteze počinju od nekog osnovnog istraživačkog pitanja. Pored osnovne teorijske hipoteze i pitanja, može postojati još nekoliko teorijskih hipoteza ih pitanja manjeg obima, ne više od njih pet do sedam. Primer jedne teorijske hipoteze, koja istovremeno ima i status problema istraživanja, mogao bi biti: „Da li rane fiksacije libida dovode do anorexie nervoseT'. U ovoj hipotezi je teorijski okvir psihoanalitički i iz tog okvira se postavlja pitanje o odnosu jednog konstnikta i jednog pojma. Pod empirijskim hipotezama podrazumevamo operacionalne hipoteze. Da bi hipoteze mogle biti potvrđene ili odbačene, one moraju biti operacionaLno
defmisane. Operacionalizacija hipoteza zahteva znanje, inventivnost i iskustvo istraživača. Recimo, teorijska hipoteza „gužva smanjuje uspešnost u mentalnim zadacima” može sc operacionalizovati kao: „ispitanici u punoj učionici postižu niži rezultat na testu inteligencije od ispitanika koji odgovaraju sami”. Hipoteza iz prethodnog primera sadrži izraz „niži”. Svako će se odmah zapitati koHko niži mora biti rezuUat učenika u punoj učionici. Za pet IQ jedinica, deset, ili više od toga. Statističke hipoteze su način da se u naukama o ponašanju ta dilema reši. Većina autora smatra da su one najbolji način provere istraživačkih hipoteza, ali čitalac mora pročitati zasebno poglavlje o testiranju statističkih hipoteza da bi razumeo probleme koji postoje u toj oblasti. Važno je razlikovati istraživačke ili supstancijalne hipoteze od statističkih hipoteza. Statističke hipoteze su operacionalizacija istraživačkih hipoteza, zapravo, one su najviše operacionalizovane naučne hipoteze. Međutim, istraživači ponekad greše jer umesto istraživačkih hipoteza navode statističke, ili istraživačke hipoteze preterano operacionalizaciju čime se dolazi do partikulamih, sitnih i trivijalnih hipoteza, koje je kasnije teško povezati u celovite zaključke. Supstancijalne hipoteze moraju predstavljati smislenu i inventivnu operaeionalizaciju problema istraživanja. U literaturi se vrlo često navodi podela hipoteza imajući u vidu upravo statističke hipoteze. Tako se, na prvom mestu, razlikuju nuite i alternativne hipoteze. Nulte hipoteze sadrže iskaz o nepostojanju povezanosti izmedu varijabli, ili nepostojanju razlika između grupa u datoj populaciji. Alternativne hipoteze se dalje dele na usmerene i neusinerene. U usmerenim hipotezama se, na primer, tvrdi da između varijabli postoji pozitivna povezanost, ili da je jedna grupa bolja od druge, U neusmerenim hipotezama se samo tvrdi da postoji povezanost ili da postoji razlika.
1.
Da li su hipoteze uvek potrebne
Postoje brojna istraživanja koja nisu namenjena proveri hipoteza. Takva su, pre svega, kvalitativna i eksplorativna istraživanja. Cesto su takva akciona, evaluaciona ili strukturalna istraživanja i studija slučaja. Zato će jednostavan odgovor na gomje pitanje biti da hipoteze nisu uvek potrebne. Medutim, svako istraživanje ima svoje pitanje, predmet--cilj, dakle sadrži izvesnu namem, a iz te namere se onda mogu izvesti očekivanja. Očekivanja se pojavljuju i onda kada se istraživanje uklopi u neki teorijski okvir (a prepomčuje se da se istraživanje osloni na neku teoriju kad god je to moguće), jer već sama odabrana teorija predstavlja izvesno očekivanje. U mnogim istraživanjima su dovoljne implicitne hipoteze, odnosno hipoteze koje se mogu zaključiti iz odabranog cilja istraživanja, teorijskog okvira i očekivanja koja iz njih proističu. Važno je znati da hipoteze i istraživačka pitanja, fomudisana u onakvom eksplicitnom i egzaktnom obliku kako je upravo opisano, doprinose epistemološ-
koj vrednosti istraživanja, čine da istraživanje ima ideju vodilju i fokus - poentu, istraživaču olakšavaju formulisanje zaključaka a čitaocu njihovo razumevanje. Eksplorativna istraživanja se prepoznaju po tome što ne polaze od hipoteza. Akciona i evaluaciona istraživanja su slična, a strukturalna mogu imati „strukturalne hipoteze” ali se one obično teško operacionahzuju u statističke hipoteze, te opstaju kao istraživačka pitanja. Problem može nastati onda kada eksplorativna istraživanja, koja odgovaraju na pitanje ,,šta” ih „koliko”, to rade na taj način što porede razne grupe objekata, instrumente, metode, prate razvoj pojave tokom vremena i sl. U takvim istraživanjima se u cilju bolje deskripcije istraživane pojave koristi komparativna anahza, što je epistemološki sasvim opravdano i saznajno vrlo vredno, Međutim, u tim istraživanjima nije cilj da se anahzira, na primer, razlika između dece i odrasiih, da bi se ustanovio uticaj razvoja iU neke slične nezavisne varijable na zavisnu, nego se razhka koristi samo za bolju deskripciju merenih osobina kod dece. To znači da se u eksplorativnom istraživanju mogu testirati statističke hipoteze, ah sa ciljem bolje deskripcije predmeta istraživanja. Te hipoteze nemaju status istraživačkih, a pogotovo ne supstancijahtih, barem ne u tom istraživanju, i ne treba ih navoditi u uvodnom delu izveštaja, nego mogu biti opisane u poglavlju o metodama, a diskutovane u poglavlju o rezultatima i analizi.
F.
Struktura^ projekt i predfog
U metodološkoj literaturi se često koristi termin „struktura istraživanja”, ali mu se pridaju različita, nekada specifična značenja (npr. struktura metoda i tehnika). Mi ćemo, paralelno, koristiti teiTnin nacrt istraživanja. lako on čitaoca može podsetiti na projektovanje i projekte (v. kasnije), ovde ćemo pod nacrtom podrazumevati epistemološku stniktum istraživanja. Altemativni te m in koji bi se mogao koristiti da opiše ono o čemu ovde želimo da govorimo je shema, tačnije epistemološka shema istraživanja, zatim model istraživanja, a u prethodnim poglavljima pomenuli smo i poj&m strategija istraživanja. Svi ovi termini zvuče intelektualno i savremeno, ali im je značenje vrlo rastegljivo, pa na osnovu njih čitalac ne može razumeti šta je tačno struktura istraživanja. Zato ćemo ukratko objasniti o čemu se radi. Pod strukturom ili shemom istraživanja podrazumevamo opštu metodološku i epistemološku strukturu istraživanja. To znači da nas zanimaju samo oni aspekti istraživanja koji se direktno nalaze u „lancu zaključivanja”. Rcčeno u najopštijoj fonni, među te aspekte spadaju atributi i cntiteti, odnosno varijable i objekti. Dakle, u stnikturu istraživanja ne spada način fmansiranja, način pretraživanja literature, organizacija rada istraživačkog tima i razni dmgi
logistički aspekti koji postoje u svakom istraživanju. Takođe, pod „strukturom” ne mislimo na pripadnost istraživanja nekoj paradigmi ili „izmu”. Mnoga poglavlja u ovoj knjizi bave se pitanjima koja su direktno vezana za epistemološku strukturu istraživanja (npr. uzorkovanje, testiranje statističkih hipoteza). Međutim, ostavićemo gradivo koje se nalazi u tim poglavljima da tamo i ostane jer je to najbolje za zasebnu dublju elaboraciju tih pitanja. U ovom poglavlju će pažnja biti posvećena strukturi istraživanja na načelan, opšti i formalan način. Nastojaćemo, pri tom, da budemo kratki, pregledni i komplementami gradivu koje postoji u drugim udžbenicima. Struktura istraživanja ne mora da postoji u obliku posebnog dokumenta. Za nju je najvažnije da je detaljno poznaje sam istraživač. Struktura istraživanja se počinje graditi od samog početka, od definisanja problema i pregleda literature, a neki neočekivani ili neželjeni ishodi kasnije mogu nalagati da se unesu izmene recimo da se neko merenje ponovi ih da se doda nova grupa. lako ona nije pogodna da se prezentira u posebnom dokumentu, vrlo je važno da struktura (model ili shema) bude jasno predočena u istraživačkom izveštaju. Osnovne detalje struktiire treba uključiti u uvodno poglavlje istraživačkog izveštaja (recimo u okviru defuiicije problema ili cilja istraživanja), a svi važni elementi se moraju predočiti u poglavlju o metodama. Pogledajmo sada detaljnije i konkretnije šta sve struktura mora i može da obuhvata. • Struktura se prvenstveno predstavlja pomoću eksplicitnog opšleg dijagrama odnosa varijabli i objekata. Ovaj opšti dijagram prikazuje podelu varijabli, njihove odnose i tačke u kojima su izmerene ili primenjene. Iz strukture se mora jasno videti koje varijable su nezavisne, koje zavisne, koje deskriptivne, a koje kontrolne ili grupišuće. • Kada je reč o objektima, struktura, odnosno dijagram mora jasno da prikaže podelu objekata u grupe, npr. eksperimentalnu i kontrolnu. Ako istraživanje ne podrazumeva posebno grupisanje objekata, recimo ako je anketnog tipa, onda će postojati samo jedna grupa. No, i u tom slučaju može biti važno da se prikažu vreme i mesto fomiiranja gmpe ili osnovna svojstva populacije iz kojeje izvučena, recimo: „korisnici zdravstvenih usluga”. • Važan deo strukture je onaj koji se odnosi na način izbora objekata i razvrstavanja u grupe. Ako je istraživanje eksperimentalnog tipa, gmpe će se formirati randomizacijom ili nekim drugim načinom jednačenja. U drugim prilikama grupe će biti fomiirane na osnovu neke prirodne varijable, ili će biti uparene, ili će se koristiti već postojeće grupe ispitanika, ili će izbor biti prigodan. • Faktor vreme ']e, osini u logističkom smislu sprovođenja istraživanja, još važniji u epistemološkom smislu. Zato je vremenski tok prikupljanja podataka, manipulacije varijablama ili kontrole uzorka veoma važan aspekt strukture istraživanja. To je od prvorazrednog značaja za ona istraživanja - tzv. logitudinahia - u kojima se prate promcne na entitetima koje
nastaju kroz vreme. Sve što je vezano za vremensku dimenziju istraživanja mora biti planirano unapred. „Dijagram varijabli i grupa” je vrlo omiljen u metodološkoj literaturi i svuda se može sresti neka verzija ovog grafičkog prikaza koji obuhvata varijable, grupe, merenja, vremenske tačke i druge epistemološke gradivne elemente. Sa malo prakse ovi dijagrami postaju vrlo dobro oruđe za skiciranje strukture vlastitog istraživanja, kao i za razumevanje tuđih. Kasnije ćemo se i mi poslužiti tom tehnikom prilikom tumačenja tipova istraživanja. U naukama o ponašanju je prilično redak slučaj da se struktura istraživanja prikazuje pomoću ovakvih dijagrama - grafički. Umesto toga se obično koriste verbalni opisi. Važno je da svi navedeni elementi strukture predstavljaju delove epistemološke sheme istraživanja i da neposredno određuju tip istraživanja. Isto tako, greške ili nedostaci u strukturi istraživanja dovode do toga da se iz prikupljenih podataka ne mogu dati željeni odgovori, ili ako se daju, neće biti valjani. Propusti u strukturi islraživanja dovode do ugrožavanja interne validnosti, što znači da istraživanje postaje bezvredno pre nego što je počelo. Na primer, ako se proučava delovanje grupnog rada i savetovanja na agresivne reakcije kod mladih i ako se istraživanje sprovede samo na grupi mladih koji su prošli program savetovanja, onda eventuahii zaključak o delotvornosti programa savetovanja nikada neće biti naučno valjan. Nedostaje, naime, „kontrolna grupa”. Da je u strukturom istraživanja bila predviđena kontrolna grupa koja bi po svemu bila ista kao i „eksperimentalna gnipa”, osim po tome što nije učestvovala u programu savetovanja, onda bi eventualno smanjenje broja agresivnih ispada moglo biti pripisano dejstvu savetovanja. O svim elementima strukture istraživanja koji su spomenuti u prethodnim pasusima biće još mnogo reči u kasnijim poglavljima. Predlog istraživanja. - lako struktura istraživanja čini epistemološki temelj i u tom smislu defmiše tip i valjanost istraživanja, ona se ne odnosi na sve korake i aspekte istraživanja, niti ih obuhvata. Istraživanju su potrebni neki detaljniji dokumenti da bi bilo prihvaćeno, planirano i sprovedeno. Postoje dva dokumenta koja mogu da posluže ovoj svrsi: predlog istraživanja i projekt istraživanja (engl. proposal and design). Na nesreću, sadržaj ova dva dokumenta može biti veoma sličan, pa ih je teško razlikovati. Zbog toga, ali i zbog nepažljivosti, pojmovi projekta i predloga istraživanja se često mešaju, prepliću i nedosledno koriste. Ovde ćemo ih razhkovati pre svega po nameni. Kada se znaju naraena i cilj projekta i predloga biće jasnije šta treba biti njihov sadržaj. Predlog istraživanja obrađuje istraživanje sa strane opšteg, stručnog i naučnog značaja, kao i sa strane mogućnosti praktične primene. U njemu se, takođe, mora naći opis strukture istraživanja. Pre nego što pogledamo šta sve može da obuhvata predlog istraživanja moramo imati u vidu jednu važnu činjenicu. Predlog istraživanja po pravilu učestvuje u nekoj vrsti utakmice sa željom da bude prihvaćen, odobren ifmansirari i u toj utakmici učestvuje sa drugim predlo-
zima. U edukativnim istraživanjima (seminarskim, diplomskim, magistarskim, doktorskim) obično postoji samo predlog istraživanja, koji se kod nas naziva „predlog teme”, što je pogrešno jer se time signalizira da je u predlogu dovoljno dati izjavu o problemu i cilju istraživanja. lako treba poštovati da su kandidati u stisci sa vremenom i iskustvom, zbog čega nisu u mogućnosti da odmah projektuju celo istraživanje, ono što oni moraju da podnesu ,,na takmičenje” (odnosno na odobrenje) svakako nisu samo problem i cilj, nego ,,što detaljnije to bolje”. Creswell (2003) citira MaxwelIovih devet pitanja koja svaka komisija postavlja i koja treba imati u vidu sastavljač predloga edukativnog istraživanja. 1. Šta moramo znati da bismo bolje razumeli vaš predlog? 2. Šta je ono što mi nedovoljno znamo o vašoj temi? 3. Šta vi predlažete da se istraži? 4. Šta je postavka i ko su Ijudi koje ćete ispitivati? 5. Koje metode planirate da koristite za prikupljanje podataka? 6. Kako ćete analizirati podatke? 7. Kako ćete validirati svoje nalaze? 8. Da li se i sa kojim etičkim pitanjima suočava vaše istraživanje? 9. Šta kažu preliminarni rezultati o primenjivosti i značaju predložene studije? Projekt istraživanja. - Projekt istraživanja je dokimient koji pored strukture istraživanja, sadrži i elemente važne za sprovođenje istraživanja i služi istraživaču i drugim saradnicima u istraživanju kaoplan ili skica istraživanja. Sve što je neposredno važno za sprovodenje istraživanja mora da se stavi na papir koji nazivamo projektom. Sa saznajnog aspekta, projekt istraživanja treba da sadrži opis strukture istraživanja i sledeće elemente. • • • • •
Hipoteze istraživanja. Metode prikupljanja podataka. Metode manipulacije varijablama i kontrole varijabli. Način uzorkovanja objekata i veličinu uzorka. Metode analize podataka.
Ovime lista elemenata nije iscrpljena - u zavisnosti od tipa i cilja istraživanja mogu postojati i druge važne stavke. Osim toga, ovako opisan projekt je prilagođen kvantitativnim studijama koje su najčešće u psihologiji i pedagogiji, posebno eksperimentahiim studijama. Neeksperimenlalne studije neće manipulisati varijablama. Deskriptivne i kvalitativne studije, recimo, neće imati hipoteze. Polpuno kvalitativne studije neće imati analizu podataka, a moguće je i da uopšte neće imati čvrst projekt, nego će ispitanici diktirati tok istraživanja. Namena projekta je da „vodi” istraživanje kroz razne faze, obezbeđujući da one prate jedan logičan sled, da prikupljeni podaci budu pouzdani, valjani, ekonomični i objektivni i da, konačno, doneseni zaključci budu valjani. Projekt ne mora da bude napisan strogo i do kraja detaljno, zato se često i naziva skieom, ali mora da „sugeriše” sve bitne elemente istraživanja. Projekt se piše na samom
početku istraživanja, odmali nakon što je poznata struktura istraživanja, ili paralelno sa njome. Često se dešava da se projekt mora menjati, doterivati i dopunjavati tokom operacionalizacije hipoteza ili iz drugih razloga. U tom pogledu se posebno ističu kvalitativna istraživanja kod kojih se smatra kvahtetom to što na početku ne postoji precizna struktura ili projekt, nego se on gradi tokom istraživanja. Kvantitativna istraživanja zahtevaju da projekt bude gotov pre nego što počne prikupljanje podataka. Kao što je rečeno. sadržaj predloga i projekta je teško razlikovati, a često se podnose kao jedinstven dokument. Recimo, „prava” istraživanja su obično komercijalna. Da bi se konkurisalo kod naručioca, predlog obično treba da se napiše tako detaljno da može da poshiži i kao projekt. Sadržaj ovog dokumenta za komercijalna istraživanja je drugačiji nego za edukativna istraživanja. Predlog ili projekt komercijalnog istraživanja treba ih može da sadrži sledeće nibrike. • Problem i ciljevi istraživanja. • Mogućnost priniene rezuhata; u kojim oblastima, pod kojim uslovima, za koje ciljne korisnike. • Opšti značaj istraživanja, položaj u dotičnoj oblasli istraživanja, odnos i veza sa drugim domaćim i svetskim istraživanjima, razhke i specifičnosti u odnosu na prethodna istraživanja itd. • Komparativne prednosti u odnosu na konkurente: dokumentovane teorijski, praktično, fmansijski, vremenski (u smislu rokova) itd. • Angažovanje eventuahiih drugih resursa, od kadrovskih do materijalnih; npr. laboratorija, dnigih ustanova, uređaja itd. • Nacrt istraživanja i ključne epistemološke karakteristike (u osnovnim crtama). • Angažovanje ispitanika i drugih učesnika u istraživanju i posebni zahtevi u vezi toga, ako postoje. • Veze sa dnigim projektima, ako postoje; npr. ako je projekt nastavak nekog prethodnog projekta, odvija se paralelno nekom shčnom projektu i ako postoje planovi za dalja istraživanja. • Podaci, biografije i bibhografije za sve saradnike i njihova uloga, zaduženja i odgovornosti u projektu. Obično se zahtevaju detaljni podaci o rukovodiocu (iH rukovodiocima) projekta koji moraju da pokažu njegovu kompetentnost: dosadašnje iskustvo u tom poslu, objavljeni radovi itd. • Podaci 0 instituciji (jednoj iU više njih) koja stoji iza istraživanja, u kojoj su zaposleni istraživači, ili koja pruža neophodnu materijalnu podršku istraživanju. Ti podaci trebaju da demonslriraju kompetentnost i naučni kredibihtet institucije: prethodna istraživanja, objavljeni radovi i sl. • Tzv. „kontrolne tačke”, način praćenja i kontrole odvijanja projekta i periodično izveštavanje. • Način diseminacijc rezultata; npr. putem objavljivanja knjige ih zbornika radova. • Finansijski plan; realističan, potpun i što detaljniji.
• Vremenski plan koji sadrži sve korake koje istraživač mora preduzeti; od formulisanja problema, preko operacionalizacije hipoteza i konačne analize podataka do interpretacije. Stavke ovde nisu poredane po značaju i prioritetima i predstavijaju samo vodič za istraživača i okvir za razmišljanje. Treba imati u vidu da institucije koje raspisuju konkurse i kod kojih se ovakvi projekti podnose na evaluaciju propisuju manje ili više detaljna pravila za njihovo pisanje i sadržaj. Istraživač će svakako morati da poštuje ta pravila i da gornju kontrolnu listu prilagodi onome što zahteva odgovarajuća ustanova. Često je potrebno da postoji rezime predloga ili projekta koji u tom slučaju mora da sadrži problem, ciljeve i očekivane rezultate, aktivnosti koje su neophodne i sl. Takode, nije neobično da postoji više verzija ovih dokumenata, najčešće jedna kratka, namenjena najvišem menadžmentu neke institucije, i dmga detaljna. Za istraživanja koja se obavljaju „rutinski”, po nekom vremenskom planu ili ustaljenoj tehnologiji obično se pronađe modus vivendi između naručioca i istraživača, pa projekti sadrže samo izmene, nove rokove i troškove.
G. Validnost istraživanja
U savremenoj metodologiji se velika pažnja posvećuje valjanosti zaključaka iz enipirijskih istraživanja. Valjanost celokupnog istraživanja počiva na valjanosti zaključaka. Validnost istraživanja se danas raščlanjuje na tri aspekta: intemu validnost, ekstemu validnost (koje se ponekad nazivaju i intrinsičkom, odnosno ekstrinsičkom) i konstruktivnu vaUdnost. Validnosti istraživanja ne treba mešati sa pojmom validnosti merenja, koja je opisana u zasebnom poglavlju.
1.
Interna validnost
Inicijalno, intema validnost je defmisana kao svojstvo nekog određenog istraživanja da omogući kauzalno zaključivanje, odnosno odgovor na osnovno pitanje ,,da li je X uzrok Y”. Rečeno nešto detaljnije, intema validnost postavlja pitanje: ,,da li je X, experimentalna manipulacija, stvamo dovela do značajne razlike u ponašanju - 7?” Ovo pitanje mora biti postavljeno i na njega mora biti odgovoreno u svakom eksperimentalnom istraživanju. Međutim, u uvodnoj glavi je pitanje uzročnosti u naukama o ponašanju detaljnije obrazloženo i ukazano je da postoje teškoće u dokazivanju uzročno posledičnih veza u istraživanju ponašanja. To treba imati u vidu i na ovom mestu, pa se umesto reči uzrok može koristiti tennin uticaj, a umesto „kauzalno” „pseudo-kauzalno”.
Nakon takve reformulacije, danas se pojam inteme validnosti uopštava kao validnost bilo kakvih istraživačkih zaključaka o povezanosti varijabh, a ne samo kauzahiih. Po toj interpretaciji, intema vahdnost označava stepen u kome je kontrolisana neželjena varijansa, tj. uticaji neželjenih varijabh. Da bi zaključci bih koherentni i logični, istraživanje mora biti intemo vahdno, a biće takvo ako je uspelo da ehmini.še dejstvo konfundirajućih varijabh na zavisnu varijablu. Jasno je da se interna vahdnost ne primenjuje na eksplorativne i deskriptivne studije, ah se u modifikovanom obliku može zahtevati od korelacionih studija (npr. ,,da h je varijabla^direktno povezana sa 7?”). hiterao vahdan nacrt je onaj koji omogućuje nepristrasno i pouzdano zaključivanjc o povezanosti nezavisnih i zavisnih varijabh, odnosno koji omogućuje da takvi zaključci budu ishniti. Koncept interae vahdnosti se odnosi samo na jednu konkretnu studiju i intema vahdnost te studije se ne može generalizovati na buduće druge studije, ma kohko bile shčne. Na primer, ako smo istraživah efikasnost nekog nastavnog metoda i doneh zaključak da taj metod doprinosi boljem ovladavanju znanja, interaa vahdnost zaključka podrazumeva da smo u konkretnom istraživanju nedvosmisleno potvrdih: a) da je nastavni metod ono što poboljšava znanje i b) da smo ehminisah drage moguće razloge zašto učenici bolje uče. Ovaj drugi zahtev je važan zato što je možda naš nastavni metod bio efikasan zbog toga što je omogućavao da se nastavnici više bave decom i posvećuju im više pažnje, a ne zbog svojih pedagoških svojstava. Ovo poslednje (pod b) dovodi do teškoća u razhkovanju interae i konstruktivne vahdnosti. Interna vahdnost načelno ne podrazumeva konstruktivnu validnost (v.). Takođe načehio, interaa vahdnost se ne bavi razlozima i načinima delovanja nezavisne varijable na zavisnu. Međutim, da bismo ehminisah druge moguće uticaje na zavisnu varijablu, moramo raščlanjivati moduse uticaja nezavisne varijable na zavisnu, što više i što kritičnije, što se značajno podudara sa anahzom konstruktivne valjanosti - u našem slučaju analizom konstrukata „nastavni program” i „znanje”.
a. Izvori ugrožavanja interne validnosli Postoje brojni razlozi zbog kojih naši zaključci o delovanju nezavisne varijable na zavisnu mogu biti netačni. Obaveza je istraživača da ih: a) eliminiše koliko god je to moguće, ili b) da ih, ukoliko su ipak bili prisutni u istraživanju, analizira i protuniači njihov mogući uticaj na zaključke. 1. Osnovni izvor ugrožavanja interne validnosti, ih pretnja internoj validnosti, leži u greškama u nacrtu istraživanja, odnosno grešakama u foraiiranju grupa, u izboru objekata posmatranja, u izbora i kontroli varijabli, projektovanju vremenskog redosleda merenja itd. Sve ove greške mogu dovesti do m ešanja ili konfundacije varijabli (engl. confounding). Ako postoji konflindiranje, ne može-
mo biti sigumi koja je varijabla dovela do promene u zavisnoj varijabli. S druge strane, ako istraživanje nema konfundacije ono je dovoljno interno validno. 2. Nekoliko karakterističnih pretnji internoj validnosti potiče od tehničke realizacije istraživanja, posebno od načina merenja, kontrole i manipulacije varijabh. Kod istraživanja sa jednom gnipom, ovi izvori stvaraju razlike između pretesta i posttesta koje nisu posledica delovanja tretmana. Kod istraživanja sa više grupa, ovi izvori mogu još da dodaju i razlike između grupa koje nisu posledica delovanja tretmana. Međutim, neki od ovih izvora mogu biti razlog da gmpe budu različite i pre istraživanja (pre pretesta), što dovodi do toga da gmpe nisu ekvivalentne, a da istraživač toga nije odmah svestan. Navešćemu listu pretnji intemoj validnosti koju su u izvomom obliku predložili Campbell i Stanley. • Istorija - neki događaj se javio koji je imao utieaja na posttest. Ako postoji više grupa u istraživanju, događaj se može desiti samo jednoj gmpi, ih razne grupe mogu imati razne događaje. Posebno je opasno ako istraživač nije upoznat da su se takvi dogadaji desili. Na primer, ispitanici su čuh neku vest, ih su gledali neki fllm na televiziji, ih se u njihovoj okohni desilo nešto što je utiealo na njihovo ponašanje. Bilo koji događaj koji se desio ih uslov koji se promenio između pretesta i posttesta, bilo u jednoj grupi, bilo u više njih, predstavlja pretnju intemoj validnosti, U nacrtima sa više grupa, ako „istorija” svih ispitanika tokom eksperimenta nije jednaka, eksperiment neće biti interno vahdan. Recimo, ako je jednu gmpu ispitanika intei"vjuisao jedan intervjuer, a drugu drugi, možemo smatrati da njihova „istorija” nije jednaka, a isto važi i za shičaj kada se intervjuer promenio. • Maturacija - ispitanici su se promenih između pretesta i posttesta zbog odrastanja, starenja, sticanja iskustva ih sl. Maturacija ne mora biti jednaka u svim gmpama ispitanika. • Senzitizacija - testovi koji se zadaju na pretestu mogu ispitanike pripremiti i usmeriti, tako da bi i bez tretmana biU bolji na posttestu (pogotovo ako se daje isti test pre i posle). Zato se ova pretnja naziva i pretnjom testiranja. Da bi se to izbeglo, istraživači ponašanja često u posttestu zadaju dmkčiji memi inslrument. Medutim, on ne mora imati isti predmet merenja, a verovatno će biti lakši ih teži u odnosu na instmment iz pretesta. Zato se senzitizacija i faktor testiranja mešaju sa uticajem nezavisne varijable. Ovaj izvor grešaka može biti pogoršan ako ima više grupa. D. Campbell je merenje u pretestu koje utiče na posttest nazivao reaktivnim, jer u tom slučaju sam pretest predstavlja vrstu tretmana. Pokazalo se da je merenje stavova o kontraverznim pitanjima reaktivno, zatim merenje postignuća, memorije i sl. • Instrumentacija - instmmenti koji se koriste u istraživanju mogu menjati svojstva tokom vremena, mešajući se na taj način u uticaj nezavisne varijable na zavisnu. Uticaj promene instrumentaeije je lako ilustrovati
ako se kao memi instmmenti koriste ocenjivači, za svaku grupu različiti. Ocenjivači mogu imati različite „lične jednačine”, može im dosaditi posao ocenjivanja, i]i se, naprotiv, mogu izveštiti u occnjivanju. Međutim, poznati su i primeri kada su tehnički uređaji imali neka svojstva ili kvarove koji su uticali na to da su se uslovi tokom istraživanja mcnjali. Na primer, dešavalo se da tahistoskopi, uređaji za brzo prikazivanje slika, sa zagrevanjem skraćuju vreme prezentacije draži. • Mortalitet - „ispadanje” ispitanika tokom istraživanja, zbog bilo kog razloga. Prctnja mortaliteta je svc veća što istraživanje duže traje. Postoje dva osnovna oblika mortaliteta: mehanički i selektivni. Mehanički gubitak subjekata se dešava zbog nekih razloga koji nemaju veze sa varijablama koje se istražuju. Recimo, pregorela je sijalica na projektoru i grupa se razišla, eksperimentator je pročitao pogrešne instrukcije pa sunalazi morali biti odbačcni, neko je iznenada upao u prostoriju itd. Ovaj gubitak se nekada može nadoknaditi prostim ponavljanjcm procedure, ili angažovanjem novih subjekata. Kod selektivnog gubitka, subjekti odustaju zbog nekih svojih osobina. Problem nastaje onda kada te osobine imaju uticaja na zavisnu varijablu. Ako ima više grupa, ispitanici mogu sistematski više odustajati iz neke grupe. Recimo, ako se jedan od tretmana sastoji od rešavanja vrlo teških kognitivnih zadataka, manje sposobni ispitanici se mogu demoraUsati i odustati od daljeg učešća, ostavljajući u toj eksperimentalnoj grupi samo natprosečne ispitanike koji bi ionako bih bolji od ostalih grupa. • Regresija ka prosekii - ako su ispitanici birani tako da budu vrlo niski ih vrlo visoki po zavisnoj varijabli na pretestu, statistika nas uči da će, po svemu sudcći, ovi prvi na posttestu biti bolji, a ovi drugi gori. Ovaj poznati statistički fcnomen kaže prosto ,,da se ne može dva puta uzastopce biti najgori ili najbolji” zato što su i u jednom i u drugom slučaju vcrovatno učestvovali „nesreća” ili „sreća”, odnosno neželjene slučajne pojave - greške. 3. Pristrasna selekcija iii selekciona pretnja su izvor ugrožavanja inteme vahdnosti kod istraživanja koja imaju više grupa. Jednostavno rečeno, selekciona prctnja postoji uvek kada razhke izmcdu grupa na posttestu nisu posledica (samo) delovanja tretmana, nego nokih faktora koji su doveh do toga da grupe budu različite pre početka istraživanja. Još tačnije, do selekcione pretnje dolazi kada postoji intcrakcija selekcionih kriterijuma i nezavisne varijable. Selekcionapristrasnost je jedna od čestih i vrlo „uticajnih” grešakau nacrtu istraživanja, kada se gm pe pogrešno koncipiraju i/ih kada se ispitanici pogrešno alociraju u grupe. N a primer, ako se izbor i alokacija ispitanika učini tako da se gmpe razhkuju po nekoj varijabU koja korehra sa nezavisnom varijablom ih koja utiče na zavisnu varijablu, onda će naši zaključci o uzročnosti patiti od mešanja „treće varijable”. Kad god randomizacija nije kompletno sprovedena, možemo sumnjati u postojanje selekcione pretnje.
4. Pod „socijalnim” izvorima ugrožavanja podrazumevaju se delovanja raznih interakcija između učesnika koje su neminovne u svakom istraživanju. • Razmena (difuzija) iskustava ili imitacija tretmana - ako između grupa postoji kontakt, onda članovi kontrolne (poredbene) grupe mogu da saznaju šta rade oni u programskoj (eksperimentalnoj). Na osnovu toga oni mogu steći znanja koja ima eksperimentalna grupa, a mogu i imitirati eksperimentalni tretman. • Rivalitet - poredbena grupa može razviti rivalitet i takmičarstvo kojim može kompenzirati efekte tretmana u programskoj grupi. • Demoralizacija - ova pojava je skoro suprotna rivalitetu. Poredbena grupa zna šta radi programska grupa (ili zna da ,,se s njima nešto radi”), pa iz uvređenosti, razočarenja, negodovanja, otpora ili protesta sabotira aktivnosti, ne trudi se na posttestu i pokazuje lošije rezultate nego što bi normalno postigla, • Kompenzacija kontrolnoj grupi - razlozi navedeni u prethodnoj tački, ili pritisci spoljnih učesnika u istraživanju, kao što su roditelji, učitelji ili rukovodioci, mogu istraživača dovesti u iskušenje da kontrolnoj grupi obezbedi neke od pogodnosti koje ima programska grupa. Dešava se da ispitanici ili njihovi roditelji vrše pritisak na istraživača da ih premesti u programsku grupu. Da bi izbegao demoralizaeiju, on, recimo, i njima može nabaviti računare, prikazivati im fihnove, skiatiti radno vreme ih časove, što može predstavljati elemente samog tretmana i dovesti do poboljšanja rezultata u kontrohioj grupi na posttestu. 5. Hawthome i placebo efekat - za razhku od prethodnih prctnji valjanosti, koji se odnose na kontrohiu grupu, postoje izvori grešaka koji dovode do ometanja iU pojačavanja delovanja tretmana u programskoj ili eksperimentalnoj grupi. To se, pre svega, odnosi na delovanje arteficijelnosti situacije i eksperim entalnihuslovanaponašanjeispitanikaueksperim entahioj grupi. To seilustruje poznatim Hawthorne efektom (vidi str. 189). Ovaj efekat je jedna od osnovnih pretnji eksperimentalnim istraživanjima u psihologiji, jer je teško obezbediti da se ispitaniei ponašaju spontano i „redovno” u takvoj neprirodnoj situaciji kao što je eksperimentalna. Nisu sve zavisne varijable jednako podložne Hawthome efektu. Motivacija za rad spada, verovatno, u najpodložnije, ah u sferi oseta, brzine reakcije, memorije i drugih nižih kognitivnihprocesa može se očekivati da će dejstvo biti manje. S druge strane, odavno su poznate socijalna facilitacija i socijalna inhibicija. Robert Zajonc (izgovara se Zajens, rimuje se sa engl. science) je ova dva efekta objasnio kao delovanje prisustva drugih Ijudi.''’ Prisustvo drugih, po Zajoncu, deluje stimulativno na dobro naučene reakcije, a inhibirajuće na slabo naučene.
M ože đelovati iznenadujuće što efekat socijalne faciUtacije postoji i kod životinja. Na primer, Zajonc je našao da bubašvabe trče brže kad su u paru nego kad su same (Stemberg, 2001).
Pri tome može biti reči o sasvim prostim mptomim reakcijama kao što su vožnja bicikla, trčanje i sl. Drugi veoma poznat, ponekad i dramatičan, izvor ugrožavanja validnosti u programskoj grupi je placebo efekat, kojim se označava promena ponašanja ispitanika zato što misle da tretman deluje na njih (u bilo kom pravcu). Ove promene ponašanja mogu, na primer, obulivatati promenu krvne slike, telesne temperature, pojave slične ovulaciji kod žena, dakle mnogo više od proste „sugestije”, povodljivosti ili „glume”. U medicini je kontrola placebo efektajedna od osnovnih kontrola koja se sprovodi u ispitivanju delovanja lekova. Placebo efekt je verovatno aktivni princip isceljenja i čudesnih izlečenja tokom verskih i drugih obreda. Ekološka validnost - Neki autori vide u nekim od nabrojanih izvora ugrožavanja inteme validnosti zajednički imenilac u tome što se ispitanici nalaze u veštačkoj situaciji. Ekološki validno istraživanje je ono koje je prikupilo podatke 0 „prirodnom” ponašanju Ijudi. Pod prirodnim ponašanjem se podrazumeva ponašanje u prirodnom okruženju, onako kako se spontano odvija. Istraživanje u Hawthomeu, na primer, nije bilo ekološki validno. Smatra se da sva istraživanja u laboratorijama nisu ekološki vahdna. O tklanj anje p retn j i internoj validnosti. - Ako istraživač uspešno predvidi postojanje neke od ovih pretnji, ili, što je mnogo teže, ako to uoči tokom odvijanja istraživanja, on raspolaže brojnim tehnikama za otklanjanje ugrožavanja validnosti. Ove tehnike su istina brojne, i nalaze se svuda u literaturi, ali ni jedna od njih ne daje garancije, ne deluje uvek na isti način, niti su sve sprovodljive u svim situacijama. Generakio rečeno, sve pretnje intemoj valjanosti istraživanja sa jcdnom grupom najbolje se otklanjaju ako se uvede jedna ili više poredbenih grapa. Istorijske pretnje, pretnje maturacije, instrumentacije ili regresije kaproseku, mogu se uspešno otkloniti ukoliko istraživač uzme barem jednu ekvivalentnu gmpu za poredenje. Nažalost, kao što je rečeno, sve ove pretnje mogu postojati i u nacrtu sa više gmpa. Univerzalan i optimalan način za otklanjanje ovakvih pretnji je nacrt sa kompletnom randomizacijom, jer on na najbolji način obezbeđuje probabilističku ekivalentnost grupa. Ako randomizacija nije moguća (a često nije moguća zbog praktičnih i etičkih razloga), onda se može primeniti neka od tehnika jednačenja grupa. Mnoge od pretnji validnosti u multigrupnim istraživanjima se mogu sprečiti tako što će se onemogućiti kontakt izmedu programske i poredbene grupe. Nažalost, to je u praksi često nemoguće postići, a postavlja se i pitanje jednakosti uslova u kojima se grupe nalaze.ukoliko su fizički (ili vremenski) odvojene. Ako gmpe nisu ekvivalentne, odnosno nisu randomizirane, selekciona pretnja i selektivni mortalitet se mogu smanjiti tako što će se prvo dati pretest, pa onda na osnovu njega grupe ujednačiti.
Hotom i placebo efekat se mogu kompenzirati tako što će se kontrolnoj grupi dati neki lažni tretman ili program. U istraživanjima gde eksperimentalna grupa prima neke medikamente, stimulativna ili sedativna sredstva, praktikuje se da se kontrolnoj grupi daju placebo pilule (čitaoea ne treba da zbuni to što se placebo efekt otklanja placebo pilulama). Kontrolna gm pa može takođe da sluša neke trake, da gleda neke filmove ili da pohađa neke grupne seanse, ali takve koji ne sadrže nezavisnu varijablu. Prineip da kontrolna grupa prima placebo (lažni tretman) se pokazao kao univerzalno važeći i kao presudan za otklanjanje mnogih pretnji validnosti istraživanja. Ako davanje placeba kontrolnoj grupi(ama) nije moguće, treba pokušati da dodeljivanje grupa tretmanima bude slepo, tj. da ispitanici ne znaju u kojoj su giTipi, a vrlo je popularan dvostruko slepi nacrt u kome ni istraživač i njegovi pomoćnici, ni sam ispitanik neće znati da li ispitanik prima tretman ili ne. Naravno, moguće su kombinacije nacrta sa placebo kontrolnom grupom i dvostruko slepog nacrta.
2.
Eksterna validnost
Eksterna validnost se definiše kao potencijal za tačne generalizacije, ili kao reprezentativnost istraživanja, tačnije njegovih zaključaka. Eksterno validni, odnosno reprezentativni zaključci mogu se generalizovati na: a) druga istraživanja, b) na druge situacije i c) na druge Ijude. Jedan tipičan primer nastojanja da nam zaključci budu generalizabilni je sadržan u metodi uzorkovanja (v. glavu o uzorkovanju). Ako smo postigli da nam uzorak objekata bude reprezentativan, naši će zaključci biti generalizabilni na čitavu populaciju. Ekstema validnost se može proceniti pomoću nekog pokazatelja sličnosti sa rezultatima sličnih, ili pokazatelja razlika sa rezuhatima manje sličnih istraživanja. Ako iniamo teoriju pomoću koje možemo defmisati koji su uslovi ili ispitanici tnanje, a koji više slični našem istraživanju, onda možemo relativno egzaktno proveriti stepen generalizabilnosti - zaključci sličnih istraživanja moraju i sami biti slični, a zaključci različitih istraživanja različiti. Intema validnost eksperimentalnih istraživanja je često suprotstavljena eksternoj validnosti. Eksperimenti, naime, mogu da imaju visoku intemu validnost, a nisku eksternu. Recimo, najvišu intemu validnost imaju laboratorijski eksperimenti, ali mnogi autori smatraju da je njihova ekstema validnost problematična. Sledeći primer su eksperimenti na životinjama. Životinje se odavno koriste u ispitivanjima psihopatologije i drugih bolesti kod Ijudi: bolesti zavisnosti, minimalnih disfunkcija mozga, delovanja stresa i sl. Medutim, ni danas nije jasno koliko i kada se nalazi sa životinja mogu generalizovati na Ijude, iako su eksperimenti na životinjama besprekorno interno validni. Visoka kontrola ometa-
jućih varijabli u ekspedmentalnom istraživanju ponašanja povezana je sa visokom arteficijelnošću situacije, a to znači i sa niskom ekstemom validnosti istraživanja. Osnovni izvor ugrožavanja eksteme valiđnosti istraživanjaje lošuzorak. Pri tome, pod uzorkom se podrazumeva uzorkovanje objekata, situacija i vremena. Problem uzorkovanja situacija i vremena se nekada naziva pitanjima ekološke reprezentativnosti i reprezentativnosti varijahli. Da li zaključci doneseni na školi iz centra grada važe i za periferijske škole, da li je agresivnost mcrcna na odraslim Ijudima sa sela ista kao ona koje će se meriti sutra na gradskoj omladini, da li je anksioznost koja je izazvana eksperimentalnom manipulacijom i merena provodljivošću kože ista kao ona koju merimo testom anksioznosti. Sva ova pitanja su pitanja generalizabilnosti, dakle eksterne validnosti. Kada je reč o uzorku objekata, pretnja ekstemoj validnosti na prvom mestu dolazi od nereprezentativnosti uzorka u odnosu na populaciju na koju želinio da generalizujemo zaključke (v. glavu o uzorkovanju). Na sličan način deluju izvori koji su opisani u okviru interne validnosti: mortalitet, maiuracija i selekciona pretnja. Osipanje, sazrevanje i starenje menjaju svojstva uzorka i njegovu reprezentativnost, a o pristrasnoj selekciji objekata, koja je u interakciji sa nezavisnom varijablom ne treba posebno govoriti. Medutim, ekstema validnost deli i druge izvore ugrožavanja sa internom validnosti: placebo efekt, rivalitet, memorija, regresija ka proseku itd. Ipak, pre svega, arteficijelnost situacije, ilustrovana Hawthome efektom (vidi str. 189), jedna je najčešćih pretnji eksternoj validnosti koja ne dolazi od pogrešnog uzorka objekata. Najbolji način dokazivanja eksteme validnosti (ali i najteži) je replikacija istraživanja. Ako postoje sumnje u to da su zaključci primenljivi na druge Ijude ili situacije, to je najbolje proveriti tako što će se istraživanje ponoviti na drugim Ijudima i situacijama. Shauglmessy i sar. (2000) ukazuju na kompleksne nacrte, posebno faktorske nacrte kao moguće sredstvo za dokazivanje eksteme validnosti. Naime, ako ne postoje značajni efekti interakcije to će značiti da su dejstva svih nezavisnih varijabli, na svim nivoima ostalih nezavisnih varijabli jednaka - generalizabilna. Suprotno od toga, ako postoji efekat interakcije dve varijable onda znamo da uticaj nijedne od te dve varijable nije generalizabiian. Navedeni izvori ugrožavanja validnosti mogu da postoje u bilo kom istraživanju. Smatra se da su neeksperimentalna istraživanja interno nevalidna sama po sebi, zbog pogrešne alokacije ispitanika i nedostatka eksperimentalne m anipulacije nezavisnom varijablom . Zbog toga je kod tih istraživanja verovatnoća tačnosti zaključka o uzročno-posledičnoj vezi između nezavisnih i zavisnih varijabli niska. Nasuprot tome, za klasični eksperiment, posebno ako se vrši u laboratorijskim uslovima, veruje se da najmanje ugrožava intemu validnost. Prednost neeksperimentalnih istraživanja, posebno onih koja se odvijaju u prirodnim uslovima je u tome što manje ugrožavaju validnost putem arteficijelnosti uslova. Zato se kaže da neeksperimentalna istraživanja mogu biti ekstemo validnija od eksperimentalnih.
3.
Konstruktivna validnost
Konstruktivna validnost se odnosi na ispravnost definicije lionstrukata i ispravnost njihovog merenja u istraživanju. Konstruktivna validnost istraživanja daje odgovor na pitanja kao što su: šta je znanje, šta je nastavni metod, šta su njegovi aktivni činioci i da li je onako kako je sproveden predstavljao ono što smo zamislili. Naime, naš nastavni metod možda nije onoliko stimulisao kritičko mišljenje koliko smo mi mislili. Ili, znanje koje smo mi merili je možda bilo većinom zasnovano na razumevanju osnovnih principa, a ne na poznavanju činjenica. Konstruktivnu validnost istraživanja treba razlikovati od konstruktivne validnosti merenja. Razlikovanje nije jednostavno jer konstruktivna validnost postavlja iste ili slične zahteve pred istraživanje kao i pred merenje. Zato i ne postoji saglasnost oko toga da li treba uvoditi konstruktivnu validnost istraživanja kao poseban epistemološki kvalitet istraživanja. Ako postoji neka osnova po kojoj se konstruktivna valjanost može vezati za istraživanje, iako se standardno vezuje za merenje, onda je to operacionalizacija. Naime, operacionalizacija prati empirijsko istraživanje od formulisanja problema do prikupljarija podataka. U domenu varijabh, operacionalizacija mora biti tako planirana da dobijeni podaci predstavljaju mere onog konstmkta koji je zamišljen. Ako ispitujemo percepciju, da h su mere brzine prepoznavanja i broja grešaka prave mere percepcije? Ako ispitujemo stav prema smitnoj kazni, da h aspekti, facete ih oblasti tog stava koje smo odabrah potpuno pokrivaju njegov domen? S druge strane, ako nam je nezavisna varijabla kredibilnost govomika, onda govornike moramo na pravi način učiniti nisko ih visoko kredibilnim, tako da oni ne budu istovremeno i više ih manje privlačni ih simpatični. Ranije je ukazano da se tokom operacionahzacije uvek izgubi deo istraživačevih želja i zamish. Konstrukti su obično opšti i apstraktni i da bi se došlo do varijabh koje je moguće meriti ih njima manipuhsati mora se napraviti sporazum sa praksom. Do istraživača je, njegovog iskustva, znanja i veštine da to ne bude „sporazum sa đavolom”, odnosno da se tokom operacionahzacije ne izgubi suština konstrukta.
H. Neki primeri istraživanja sa niskom validnošću
Većina metodoloških udžbenika koristi analizu sprovedenih istraživanja kako bi pokazali šta je dobar, a šta loš nacrt, šta su greške u nacrtu, kako do njih dolazi i šta ugrožava vahdnost istraživanja. Mi ćemo se u sasvim skromnom obimu takođe poslužiti tom praksom i navesti nekoliko zabavnih, ali i poučnih primera pogrešnih istraživačkih zaključaka. Počećemo sa jednim anegdotskiin primerom koji je u formi kratke priče objavljen u magazinu Time od 25. noveinbra 1957. Od direktora istraživanja jedne velike istraživačke agencije naručeno je da pripremi sludiju 0 buvama. On je staviojednu buvu na svoj sto i obučioje da mu na njegovu naredbu skoči preko prsta. Nakon toga, otkinuo joj je dve od šest nogu. „Skoči”, naredio je buvi i ona je opet skočila. Još dve noge su onda odstranjene. Buva je opet skočila. Konačno, otkinuo je i poslednje dve noge. ,Skoči", naredio je. Buva se nije pomerila. Direktor istraživanja je zaključio eksperiment i napisao istraživački izveštaj: ,Kada je buva izgubila svih šest nogu, postala je gluva". Citirano iz Scott i VVertheimer (1962).
Očigledni nedostatak zaključka iz ovog istraživanja je proistekao iz toga što je operacionalna defmicija „gluvoće”, odnosno „čujenja” kod buve uključivala merenje jedne reakcije na komandu glasom (skakanje), ali je sama reakcija bila presudno konfundirana sa eksperinientalnom manipulacijom (rezanjem nogu). Tačnije, zamišljena zavisna varijabla (čujenje), nezavisna varijabla (glasovna komanda) i eksperimentalni tretman (rezanje nogu) su isprepletene i u interakciji. Utvrđivanje reakcije kod buve je obavljeno tako da ono drastično utiče na mogućnost izvršenja reakcije. U ovom primeru nedostaci su očigledni, jednostavno smešni. Istraživači moraju da urade ama baš sve što je u njihovoj moći da izbegnu takve nedostatke. Međutim, nedostaci mogu biti zakamuflirani i teško utvrdivi. Scott i Wertheimer (1962) navode primer sa istraživanjima koja su proveravala hipotezu da oboleli od shizofrenije češće od ostalih mentalnih pacijenata dolaze iz porodica u kojima nije bilo dovoljno Ijubavi i pažnje. Međutim, po pravilu su u tim istraživanjima bili intervjuisani sami pacijenti, pa ako su oni izveštavah o nedostatku Ijubavi u detinjstvu, hipoteza se smatrala potvrđenom. I ovde se radi o tome da su varijable pomešane; meri se aktuelno mišljenje pacijenata o prošlim događajima, a ne sami dogadaji. Aktuelno mišljenje pacijenataje vrlo verovatno već značajno modulisano bolešću, jer je, ako ništa dnigo, zasnovano na sećanjima. Za ovakve hipoteze bilo bi mnogo bolje koristiti longitudinalne studije, a ne transferzalne. Jedan klasični psihološki eksperiment u kome se koristilo stvaranje uslovnih refleksa za ispitivanje percepcije takođe je poznat u naučnim krugovima.
Nacrt eksperimenta je bio sledeći: pacovu se pokazuju krug i elipsa. Na krug dobija hranu, a na elipsu eiektrošok. Ispitivana je sposobnost diskriminacije, tj. minimalne uočljive razlike između kruga i elipse, pa su izlagani krug i elipsa u svakoj sledećoj eksperimentalnoj seansi bivali sve sličniji. Medutim, uočeno je da životinje tokom eksperimenta dobiju eksperimentalnu neurozu i na pojavu bilo koje slike beže, sakrivaju se u kavezu, skiče i sl. Iz toga su izvedeni dalekosežni zaključci o „neurotičnom” delovanju metode minimalne uočljive razlike i tenzijama koje proističu iz nemogućnosti razlikovanja draži. Autori eksperimenta su dobili vrlo prestižnu nagradu američkog udruženja psihologa. Nakon nekog vremena, nažalost, jedan kritičan autor je detaljno analizirao taj eksperiment i ustanovio da je u eksperimentalnim situcijama puštan jedan kratak pisak kako bi se životinji .skrenula pažnja" da sledi slika, da se životinja probudi i pokrene na akciju. Nakon pažljive analize, pokazalo se da je taj pisak bio draž na koji se životinja uslovljavaia i pošto je nekad na pisak dobijala nagradu, a nekad kaznu, zbog toga je razvijala eksperimentalnu neurozu.
U ovom primeru se opet radi o tome da se jedna varijabla „provukla” eksperimentalnoj kontroli (pisak). Na nesreću, ta varijabla je potpuno istisnula nezavisnu varijablu (krug-elipsa) i kauzalne zaključke koji su usledili učinila potpuno pogrešnim jer su oni kauzalnu vezu pronašli između pogrešnih varijabli. Cešći slučaj je da takve nekontrolisane varijable „uprljaju” eksperiment u tom smiski da spreče ili umanje (ređe pojačaju) delovanje nezavisne varijable na zavisnu tokom eksperimentalnog tretmana, u kom slučaju su zaključci opet pogrešni, ali u okviru onih promenljivih koje su bile planirane. Već iz ovih nekoliko primera se vidi da je nedovoljna (ih nedostajuća) kontrola „irećih” varijabH vrlo čest izvor istraživačkih grešaka. Sledeći primer je takode iz tog domena, ah se od prethodnih razHkuje po tome što istraživači nisu podlegii iskušenju brzih zaključaka. Istraživanje protiče iz vremena kada je prefrontalna lobotomija bila korišćena u terapiji teških oblika shizofrenija, depresija, manično depresivnih psihoza i sl. (sredinom XX veka). Bilo je uočeno na šimpanzama i donekle na Ijudima da nakon lobotomije raste telesna težina. Istraživanje je bilo lako sprovesti jer se pacijenti redovno vagaju dok su u bolnici. Podaci 0 telesnoj težini bili su izvađeni iz istorija bolesti pacijenata kojima je urađena lobotomija i utvrđen je vrlo značajan i konstantan porast težine u sledeće dve godine. Medutim, neki detalji su ipak bili sumnjivi, pa su učinjenje dve provere. S obzirom da su ti pacijenti boravili u bolnici, ili dolazili u bolnicu duže vreme pre operacije, uzete su njihove ranije telesne težine. Utvrdeno je da postoji konstantan porast težine od najmanje godinu dana pre operacije. Takode, prikupljena je gnjpa pacijenata kojima je bila prepisana operacija, ali nisu mogli biti nađeni rodaci ili staratelji koji bi je odobrili. U vreme dok su čekali operaciju, tim pacijentima je telesna težina rasla istim tempom kao i operisanim pacijentima. Nije utvrdeno šta je uzrok tog povećanja telesne težine (dugo ležanje, bolja ishrana, medikamenti), ali je odbačena hipoteza o lobotomiji kao uzroku. Citirano iz Scott i VVertheimer (1962).
Treba svakako imati u vidu poznati Hawthome eksperiment, koji nije završio pogrešnim zaključcima, ali samo zato što su istraživači uočili paradoksalnc rezultate i bili prinudeni da ih protumače.
Eksperiment je vršen u pogonu VVestern Electric Co. u Hotornu (odatle Ime). Osnovna namena eksperirrienta je bila da se proveri kako uslovi rada (svetlo, temperatura, vlažnost i ostalo) utiču na produktivnost rada. Šest devojaka je odvojeno u testnu sobu tokom 2 godine i tamo radilo na svom uobičajenom poslu, sklapanju releja. Eksperiment je zamišljen tako da se parametri sredine prvo pojačavaju (poboljšavaju), pa zatim smanjuju i da se nakon svake te promene beleži produktivnost. Počeio je tako da se pr^o pojačalo osvetljenje što je bilo popraćeno povećanjem produktivnosti. Onda je osvetljenje smanjeno, ali, umesto da opadne, produktivnostje opet porasia. Ispostavilo se da je i poboljšavanje i pogoršavanje bilo kog uslova rada povećavalo radni učinak. Devojkama su menjani uslovi posla na gore i na bolje, ali je nađeno da im je produktivnost stalno rasla, a apsentizam bio smanjen za skoro 80%. Analizom situacije, intervjuisanjem devojaka, poslovođa i drugih zaposlenih, kao i posmatranjem okoline, konstatovano je da su devojke - ispitanici bile konsultovane oko svih stvari, pitane su za mišljenje i stalno su bile u kontaktu sa „važnim Ijudima” iz nauke. Takode, bile su izdvojene od ostalih devojaka u posebnu prostoriju. Kao posledica toga, njihov društveni status je stalno rastao. Kako je status rastao, tako je rasla i njihova odanost posiu. Iz tog i svih drugih nalaza je utvrđena čvrsta veza između produktivnosti i zadovoijstva poslom. Ako se radnici osećaju delom kompanije, ako misle da se za njih neko interesuje i da su ijudska bića oni bolje rade. Uslovi rada su bili sekundarni.
Po ovom eksperimentu je dobio naziv Hawthorne efekt, koji se odnosi na uticaj merenja na rezultate merenja uopšte, a ponekad i na nedovoljnu kontrolu eksperimentalnih varijabli. Postoji sličan efekt koji se takode koristi kao ilustracija interakcije merenja i merenog, a to je halo efekt ili efekt oreola. Efekt oreola: a) je tendencija da ocenjivač sudi o postignuću na raznim, relativno nezavisnim dimenzijama na osnovu opšteg utiska o ispitaniku, b) je tendencija da ocena ispitanika na jednoj osobini utiče na ocenu na drugoj osobini i e) odražava nesposobnost da se razlikuju konceptualno razhčiti i potencijalno nezavisni aspekti ponašanja kod osoba koje se ocenjuju.
I. V R S T E IS TR A ŽIV A N JA
Postojc mnogobrojne klasifikacije istraživanja, po različitim aspektima. Zbog toga je često teško saobraziti buduće istraživanje sa nekim određenim nacrtom, ili razvrstati postojeće istraživanje u neki od tipova. U nekim oblastima, kao što je medicina, vodi se prilično pažnje o tome kojoj vrsti pripada istraživanje, pa se čak taj podatak eksplicitno navodi u rezimeima. U nekim drugim oblastima, kao što su društvene nauke, istraživači ne posvećuju toliko mnogo vremena da bi odredili vrstu kojoj pripada njihovo istraživanje. Takode, razne naučne oblasti imaju specifične tipove istraživanja, prilagođene prirodi pojava koje dotična nauka istražuje (npr. klinička istraživanja u psihologiji, ih medijska istraživanja u komunikologiji). Neki tipovi istraživanja su u nekim naučnim oblastima vrlo često korišćeni, a u nckima retko. Možda podatak o tipu ili vrsti istraživanja ne zavrcđuje da se eksplicira u rezimeu naučnog rada, jcr je od sekundame važnosti i je r pažljiv čitalac može uvek prepoznati o kome tipu se radi. Međutim, tip istraživanja snažno utiče na način prikupljanja podataka, a zatim i na izbor metodologije, statističkih tehnika i načina interpretacije rezultata. Epistemolozi, na primer, smatraju da je razlika izmedu eksperimentalnog i neeksperimentalnog tipa istraživanja od presudne važnosti za odgovor na jcdno od temeljnih pitanja nauke - kauzalnost. Osim toga, pojmovi iz oblasti tipologije istraživanja moraju biti bliski istraživačima kako bi razumcH tuđe radove.
Iscrpna taksonomija istraživanja se ne može napraviti po jednoj dimenziji. Postoji više stvari koje mogu da odrede tip istraživanja. Već je pomenuto da se istraživanja mogu podeliti s obzirom na opšti pristup: kvantitativna, kvalitativna i mešovita. Druga najpoznatija podela je prema strukturi ili strategiji istraživanja: npr. eksperimentalna i neeksperimentalna. Istraživanja se mogu deliti i s obzirom na uslove pod kojima se odvijaju - laboratorijska i terenska - a izdvajaju se i istraživanja po nekim posebnim svojstvima, kao što sn studija slučaja ili akciona istraživanja. S obzirom na faktor vremena, istraživanja se dele na transferzalna i longitudinalna. D eskriptivna, relaciona i eksperim cntalna o rijen tacija.- Više autora u okviru psihologije je nastojalo da podeli istraživanja sintetički, u odnosu na jedan zbirni kriterijum. Uočeno je, naime, da postoje neki tipovi istraživanja koji su unutar sebe slični a izmedu sebe različiti po nekoliko svojstava. Ta svojstva uključuju ne samo metodološku strukturu istraživanja i primenjene metode, nego i ciljeve istraživanja i njiliov opšti duh. Rosnow i Rosenthal (2005) ove tipove nazivaju orijentacijama i izdvajaju deskriptivnu, relacionu (korelacionu) i ekperimentalnu. Sličnu podelu je uočio i Cattell i čitalac će, kasnije u knjizi, pronaći argumente u prilog ovakve podele. Medutim, pre nego što se posvetimo tim, ali i drugim podelama istraživanja, obradićemo jednu temu koja je od značaja za eksperimentalna, ali druga istraživanja - fonniranju grupa objekata.
A.
Dodeljivanje objekata u grupe
U glavi o varijabli prezentirana je uvodna diskusija o formiranju grupa objekata na osnovu deskriptivnih varijabli. Formiranje grupa objekata je veoma važan deo istraživačke strategije. Postojanje više grupa je preduslov poredenja, a poredenje je preduslov zaključivanja. Grupc se mogu formirati na veoma različite načine, isto kao što i logika na kojoj počiva poredenje može biti različita. Recimo, možemo da poredimo stanovnike grada i sela, ili loše i dobre studente. Međutim, možemo formirati grupe tako da budu potpuno jednake, da ih onda podvrgnemo nekom tretmanu i da ispitamo da li će se grupe razlikovati nakon delovanja tretniana. Dodeljivanje objekata u grupe je kritično kod eksperimentalnih istraživanja, što znači da ćemo prilikom izlaganja materije dodeljivanja imati u vidu prvenstveno taj tip istraživanja. Međutim, osnovna problematika dodeljivanja objekata, a to je kontrola neželjene varijanse, relevantna je za sve tipove istraživanja. Postoje dva osnovna načina dodeljivanja objekata u grupe.
Nacrti sa nezavisnim grupama - U tim nacrtima se svaki objekt nalazi samo u jednoj grupi, a svaka grupa prima jedan tretman (ili nivo) nezavisne varijable. Nezavisnost u ovom kontekstu ne znači statističku nezavisnost, koja je u okviru pitanja zavisnih i nezavisnih uzoraka obrađena u poglavlju o testiranju hipoteza. Ovde su grupe nezavisne zato što je svaka podvrgnuta drugom tretmanu. Tri su glavna načina dodeljivanja objekata u nacrtima nezavisnih grupa. • Randomizacija • Jednačenje • Podela u prirodne giupe. U glavi o varijabli pomenuli smo nacrte sa prirodnim gnipania. U takvim istraživanjima se gnipe formiraju na osnovu nekih prirodnih svojstava ispitanika - recimo starosti, inteligencije iii obrazovanja. Ovako foiTnirane grupe se koriste u svim tipovima istraživanja, kako eksperimentalnim tako i neeksperimentahiim. Randomizacija i jednačenje biće opisani u zasebnim poglavljima. Pod pojmom „prirodne gr'upe” podrazumeva se i svako grupisanje koje zatičemo na teremi. Recimo, takav je slučaj ako nam kao grupe služe razredi u školama ih odeljenja u fabrikama. Ovaj način formiranja grupa se koristi u svim tipovima istraživanja, a ako se radi o eksperimentima oni se nazivaju nacrtima sa neekvivalentnim grupama (v. kasnije). Time se naglašava problem koji takvi nacrti mogu imati kada se desi da se grupe raziikuju po nekom svojstvu koje presudno utiče na zavisnu varijabiu. Recimo, ako ispitujemo efikasnost nekog edukativnog programa protiv pušenja, eksperimentalnu grupu možemo fomiirati tako što ćemo potražiti dobrovoljce pušače, a u kontrolnu grupu ćemo uključiti sve ostale pušače. U tom slučaju može se desiti da su dobrovoljci bili oni Ijudi koji su i inače bili ,,na ivici” da prestanu pušiti, dok su u kontrolnoj bili oni sa težim oblikom nikotinizma. To znači da grupe nisu bile ekvivalentne u pogledu stepena nikotinske zavisnosti. Nacrti sa ponovljenim m ercnjim a.- U nacrtima sa ponovljenim merenjima svaki objekt se podvrgava svim tretmanima i nierenjima. Recimo, ako ispitujemo uticaj smislenosti teksta na brzinu učenja, po nacrtu sa nezavisnim gn’pama formirali bismo dve giTipe, jednoj bismo dali besmislen, a drugoj smislen tekst i izmerili količinu upamćenog teksta. U nacrtu sa ponovljenim merenjima, ispitanicima bismo prvo dah besmislen tekst, izmerili koliko su naučili i zatim bismo na istim ispitanicima to ponovili sa smislenim tekstom. Nacrt je dobio ime po tome što smo na svakom ispitaniku uzastopno ponovili merenje količine zapamćenog tcksta. Striktno rcčeno, u ovom nacrtu sc zapravo ne formiraju zasebne grupe, ali ga zbog konvencije o dodeljivanju eksperimentalnih tretmana grupama tretiramo kao način fonniranja gnipa. Ako grupu defmišemo na opštiji način, kao skup mera, onda je jasno da i nacrti sa ponovljenim merenjima sadrže grupe.
1.
Randomizacija objel
U poglavlju 0 nezavisnim i zavisnim varijablama spomenuli smo da se nezavisne varijable defmišu kao one koje zavise od istraživača, odnosno od njegove manipulacije. Manipulacija je najbolji način da se kontroliše uticaj nezavisne varijable na zavisnu. Medutim, nisu nezavisne varijable jedine koje istraživači žele da kontrolišu u istraživanjima. Ako istražujemo uticaj nekog edukativnog programa na smanjenje pojave pušenja među mladima, interesovaće nas da eliminišemo neke druge moguće uticaje na pojavu pušenja kod mladih. Ti uticaji, koji nisu ništa drugo do varijable, mogu biti pušenje roditelja, uzrast, pol, osobine ličnosti i drugo. Dakle, kada želimo da proverimo da li naš edukativni program doprinosi smanjenju nikotinizma među mladima, onda moramo biti sigurni da smo eliminisali moguće uticaje drugih varijabli. Kontrola neželjene varijanse je generalna obaveza istraživača jer od nje zavisi validnost zaključaka i 0 njoj će kasnije biti još reči. Najbolji način kontrole sistematslce nežeijene varijanse j e randomizacija. Pogledajmo na prethodnom primeru o čemu se radi. Najbolji nacrt istraživanja uticaja edukacije na pušenje bio bi osnovni eksperiment sa eksperimentalnom i kontrolnom gmpom. Eksperimentalna grupa bi pohađala naš edukativni program, a kontrolna ne. Ispitah bismo svu odabranu decu da li puše i koliko puše pre i posle početka programa i testirali bismo hipotezu razlika izmedu tih grupa. Nulta hipoteza bi bila da razlike ne postoje, a altemativna hipoteza bi bila da eksperimentalna grupa manje puši nakon edukativnog programa. Međutim, kako da odaberemo decu, kako da ih rasporedimo u gnjpe i kako da odabremo koju grupu ćemo podvrći edukativnom programu? Kompletan postupak randomizacije se sastoji iz tri koraka. U prvom koraku biramo prostim slučajnim uzorkovanjem objekte iz populacije koja je predmet naše generalizacije. Ovaj korak se naziva sliičajnom seleiccijom. U drugom koraku, iz dobijenog uzorka prostim slučajnim izborom dodeljujemo objekte u dve iii više grupa. Konačno, u trećem koraku slučajno odabiremo koja grupa će biti izložena eksperimentalnom tretmanu ili programu (jednorn ili više), a koja neće. Na engleskom se dodeljivanje tretmana grupama naziva „assignment”, a u slučaju randomizacije: „random assignment”. U prevodu, mi ćemo drugi i treći korak nazivati sliičajna alolcacija. Ovo trostepeno biranje nazivamo kompletnom randomizacijom. Kompletna randomizacija, budući da se zasniva na jednakoj verovatnoći biranja svih članova populacije i jednakoj verovatnoći izlaganja eksperimentalnoj manipulaciji, teorijsJii obezbeđuje eliminisanje delovanja svih neželjnih varijabli na biiduće istraživanje. U praksi, prvi korak, odnosno slučajna selekcija, može se obaviti bilo kojom metodom uzorkovanja kako je opisano u zasebnoj glavi. Ako su odabrana procedura uzorkovanja i veličina uzorka uverljive u pogledu reprezentativnosti, naš eksperiment će biti eksterno valjan. Slučajna selekcija obezbeduje da sve formirane grupe objekata budu reprezentativne za populaciju, ili da barem uzorak
u celini bude reprezentativan, pa se kaže da se slučajnom selekcijom postiže eksterna validnost eksperimenta (v. kasnije). U sledećem koraku, slučajnoj alokaciji, izmešaćemo sve izvučene objekte (kao karte) i zatim ih numerisati. Nakon toga ćemo na osnovu tabele slučajnih brojeva izvlačiti jednog po jednog i ako je izvučeni broj paran, objekt će biti dodeljen prvoj grupi, a ako je neparan, objekt će biti u drugoj grupi. Na kraju, bacićemo novčić da bismo odredih da h će prva grupa biti eksperimentalna ih kontrohia. Čitalac će biti u stanju da sam generahzuje postupak na slučajeve kada postoje više od dve grupe. Ako su koraci slučajne alokacije obavljeni korektno, to će doprineti da eksperiment bude interno valjan. Slučajna alokacija obezbeđuje da možemo tvrditi da je samo naša eksperimentalna manipulacija nezavisnom varijablom dovela do promene u zavisnoj varijabh, što se naziva intemom vahdnošću eksperimenta (v. kasnije). Istraživanja ne moraju da poseduju ni slučajnu selekciju, ni slučajnu alokaciju, ih mogu posedovati samo jedno (ah ne oboje). Istraživanja koja ne poseduju slučajnu alokaciju ne mogu se nazvati randomiziranim eksperimentom, čak i ako poscduju eksperimentalnu manipulaciju nezavisnim varijablama (v. sledeće poglavlje). Naime, danas se smatra da je slučajna alokacija jcdnako bitna za dokazivanje kauzaliteta kao i eksperimentalna manipulacija. Slučajna selekcija nije presudna da bi eksperiment bio validan, ali je presudna za generalizaciju njegovih nalaza. Slučajna selekcija se ređe koristi u ekspcrimentima iz praktičnih razloga. Ako se ispituju Ijudi, obično će se angažovati dobrovoljci, ako se ispituju životinje, uzgajivač će ih isporučiti. Slučajnu selekciju je teško ih nemoguće postići u medicini i kliničkoj psihologiji, istraživanju retkih pojava i sl. - u takvim slučajevima se moraju uzeti oni objekti koji su na raspolaganju. Ako već ne možemo da imamo slučajnu selekciju, a želimo da dokazujemo kauzalnost, onda je važno da slučajna alokacija bude obavljena korektno. Postupak iz dva koraka, kako smo ga ovde opisali, lako se može spojiti u jedan. Mi smo razdvojili ta dva koraka iz pedagoških razloga, da bismo ukazali na važnost nepristrasne dodele tretmana grupama, ali i zato što postoje slučajevi kada ništa osim trećeg koraka ne možemo preduzeti. To je slučaj, na primer, sa prirodnim gmpama kakve se koriste u kvazi-eksperimentima. Inače, u primeru kojim smo ilustrovali slučajnu alokaciju, „spajanje” dva koraka se može obaviti sasvim jednostavno - izbacivanjem trećeg koraka. Naime, ako smo objekte podelili u grupe na osnovu tablice slučajnih brojeva, sasvim je svejedno hoće li prva ih druga grupa biti eksperimentalna. Važno je da su svi objekti imali jednaku verovatnoću da u nju upadnu. R andom izacija po blokovim a. - Istraživanja se često suočavaju sa nekim zahtevima koji nisu epistemološki u užem smislu, ali koje valja ispuniti da bi se postigla intema i eksterna validnost. Jedan od takvih zahteva je da grupe budu jednako velike. Ovaj zahtev je statistički i sreće se uvek kada se porede gnipe (recimo u analizi varijanse), jer će rezultati poredenja biti pouzdaniji ako su standardne greške grupa slične. Drugi problem je trajanje istraživanja, a on je
posebno izražen kod eksperimenata. Naime, ako se eksperimentalna seansa sprovodi na manjim grupama, a pogotovo na pojedincima i ako meme procedure traju dugo, sasvim je normalno da eksperiment potraje nekoliko nedelja ili meseci. Iz raznih razloga, tokom tog vremena mogu da nastanu neke okolnosti koje mogu da ugroze validnost. Jedna od takvih okolnosti je da učesnici polako saznaju šta je predmet istraživanja. Treći problem je angažovanje dobrovoljaca (dakle, bez slučajne selekcije), pogotovo ako se oni prijavljuju tokom celog toka istraživanja. Randomizacija po blokovima je jedan dobar odgovor na sva tri problema. Kako se ona sprovodi? Recimo da naš eksperiment ima pet nivoa nezavisne varijable, odnosno pet vrsta tretmana. Pod „blokom” podrazumevamo neku slučajnu kombinaciju ovih tretmana. Blok ne podrazumeva nikakvo zajedničko zadavanje ispitanicima, on je samo „simbolička” kombinacija. Recimo, ako pet tretmana označimo sa A, B, C, D i E, jedan blok bi bio: E, C, D, A, B. Zamislimo sada da smo istakli ,,važno obaveštenje” da su nam potrebni studenti dobrovoljci za učešće u zanimljivom eksperimentu, U dato vreme ispred laboratorije se okupio izvestan broj dobrovoljaca, koje ćemo pozivati u grupama po pet. Kada grupa uđe, svakog od studenata ćemo^Iučajno rasporediti u jednu od tretmanskih grupa u okviru jednog bloka. Nakon toga, to ćemo ponoviti sa sledećom grupom na sledećem bloku itd. Ono što je važno, prijem dobrovoljaca ne mora da se obavi odjednom. Prvog ispitanika možemo alocirati prvog dana, sledećeg drugog dana i tako dalje. Ako želimo da nam grupe budu veličine 10, trebaće nam 50 studenata. Šematski prikaz ove procedure je dat u tabeli 6 (Shaughnessy et al, 2000).
10 Blokova
Tabela 6. - Randomizacija po blokovima. Ispitanici Tretman Blok
l.ECDAB 2. C A E B D
1. Katarina 2. Andrej
3. DBE AC 4 .B A C E D
3. Olivera
C D
4. Stanislav 5. Andrea
A B
6. Jovana
C A
5. A C E D B 6. A D E B C 7. B C A D E
E
8. D C A E B
7. Vojko 8. Jasna
9.EDBCA
9. Bojan
B
10. C E B D A
10. Dejan 11. Tanja
D
E
Prvi blok
Drugi blok
D i tako dalje za svih 50 ispitanika
Nakon ovakve procedure imaćemo u svakoj tretmanskoj grupi po 10 ispitanika. Sve grupe su jednake, a svaki ispitanikje imao jednaku šansu da uđe u
neku od gmpa, bez obzira kada se prijavio za učešće. Čak i ako su se tokom sprovođenja eksperimenta desili neki izvori ugrožavanja validnosti, ispitanici koji su se prijavili poslednje nedelje biće alocirani tretmanima sasvim slučajno. Time će ideja randomizacije biti sačuvana, a time i ideja kontrole neželjnih varijabli. Smatra se da, ako je sprovedena pravilno, randomizacija ujednačava grupe s obzirom na sve varijable; zavisne i ometajuće. Tačna defmicija randomizacije je da su nakon randomizacije eksperimentalna i kontrolna grupa statistički izjednačene. To ne znači da će grupe uvek biti jednake po svim mogućim varijablama. To je način na koji istraživač ima najveću verovatnoću da postigne jednakost grupa. Takode, randomizacijom se dobijaju grupe koje su nekorelirane, odnosno nezavisne. Randomizacija nije jedini pačin kontrole neželjene varijanse. O ostalim načinima biće reči u narednom poglavlju i u poglavlju o kontroli sistematske neželjene varijanse.
2.
Tehnike jednačenja grupa
U literaturi se često može pročitati da je jednačenje grupa najčešće korišćena zamena za randomizaciju objekata. Kasnije ćemo videti da ono u nekim slučajevima ima prednosti na randomizacijom. Medutim, onaj ko pažljivo čita literaturu uočiće da jednačenje grupa ima dve osnovne namene u istraživanjima. Prva je jednačenje grupapo zavisnoj varijabli (zavisnim varijablama). Cilj ovog jednačenjaje da E i K grupa budu jednake po zavisnoj varijabli, da bi eventualnu razliku u posttestu mogli pripisati samo tretmanu. Postoje, naime, neke okolnosti u kojima se nećemo moći pouzdati u randomizaciju da će nam obezbediti grupe koje su jednake po zavisnoj varijabli. Okolnost koja se najčešće sreće u praksi je da nemamo dovoljno veliki uzorak iz koga možemo vršiti slučajnu selekciju i alociranje, a znamo da je populacija heterogena (po zavisnoj ali i dmgim varijablama). Takav ćemo slučaj irnati ako radimo sa nedonoščadi ih vrlo starim osobama. Na ograničenom broju nedonoščadi nećemo se moći osloniti na slučajno biranje i alokaciju. Pod tim okolnostima se istraživačima preporučuje daprim enjuju jednačenje po zavisnoj varijabh. Uslov da se to može obaviti je postojanje dobrog kriterijiim a za jednačenje. Kriterijum za jednačenje su, po pravilu, mere sa pretesta. Dakle, ujednačene E i K gmpe se fonniraju nakon pretesta. Naravno, najbolje je ako se u pretestu direktno meri zavisna varijabla. Recimo, ako je zavisna varijabla krvni pritisak nećemo imati probleme da ujednačimo gmpe po tenziji. Nažalost, postoje često slučajevi kada se pretest ne može primeniti direktno na zavisnoj varijabli, bar ne na isti način kao što se planira za posttest. Recimo, ako je zavisna varijabla brzina rešavanja slagahce, ne možemo u pretestu deci dati istu slagalicu, jer će im kasnije biti potrebno manje vremena d a je slože. U takvim prilikama se mora naći neko posredno merenje zavisne varijable, ali takvo da mere sa posttesta visoko pozitivno koreliraju sa merama na posttestu. Na primer, deci možemo dati
da slažu dugačiju slagalicu, ili im čak možemo dati da rešavaju neki test inteligencije, ili test percepcije (Shaughnessy et a l, 2000). Đ ak\e,jednačenje grnpa po zavisnoj varijabli može biti bolji (praktičniji) izbor od randomizacije kada imamo mali uzorak iz heterogene populacije i kada raspolažemo dobrim kriterijumom za jednačenje. Dniga funkcija jednačenja je kontrola neželjene varijanse. Cilj takvog jednačenja je da proizvede grupe koje su ujednačene po nežeijenim, ometajućim ili interferentnim varijablama. Formiranje grupa na osnovu jednačenja, rekh smo, ima neke prednosti nad randomizacijom, ali ima i nedostatke. Ako se jednačenje obavlja zbog kontrole neželjene varijanse, biće teško odrediti po kojim varijablama treba obaviti jednačenje. Obično su to pol, starost, bračno stanje, obrazovanje, intehgencija i sl., ah je potencijalni spisak varijabh obično mnogo duži. Praksa pokazuje da kada je broj varijabh po kojima se vrši jednačenje veći od jedan, jednačenje zahteva vehke uzorke, čime se gubi njegova osnovna prednost nad randomizaeijom. Međutim, skrećemo pažnju da se jednačenje gmpa može obaviti i nakon eksperimentalnog tretmana, ukohko su grupe dovoljno vehke. Postoji jedan značajan statistički uslov koji mora biti zadovoljen kod jednačenja grupa sa ciljem kontrole neželjene varijanse. To je uslov da varijable po kojima se vrši jednačenje moraju dovoljno korelirati sa zavisnom varijablom - ne manje od 0,5 ili 0,6 (Kerlinger i Lee, 2000). U protivnom, jednačenje je ne samo uzaludan posao, nego je pokazano da može doneti više štete nego koristi. U poglavlju o eksperimentalnim nacrtima opisan je naert anahze kovarijanse. Tamo je rečeno da on predstavlja potpunu i efikasnu statističku zamenu zajednačenje grupa. Danas se istraživači retko odlučuju za jednačenje, ako ga mogu zameniti statističkim jednačenjem putem analize kovarijanse. Opisaćemo osnovne tehnike kojima se postiže ujednačenost grupapo jednoj ili više varijabli. Jednačenje po parovim a. - Ovaj najpoznatiji način jednačenja grupa se naziva još i jednačenje po ispitanicima, a nekada se termin ,Jednačenje po parovirna” koristi za jednu specifičniju situaciju (v. kasnije). Altemativni nazivi su i „precizni metod kontrole” ili „uparivanje po koreliranomkriterijum u”. U ovoj metodi jednačenja je cilj da se forrniraju ekvivalentne grupe ispitanika po nekim varijablama. Recimo, ako želimo da kontrohšemo uticaj inteligencije na zavisnu varijablu, tu kontrolu ćemo sigurno ostvariti tako što ćemo sve gnipe ujednačiti po intehgenciji. Postupak je jednostavan; svim ispitanicima koji su ušli u uzorak izmerićemo inteligenciju i poredati ih od najvišeg ka najnižem (ili obratno). Zatim ćemo uzeti prva dva ispitanika sa spiska, pa ćemo jednog člana para slučajno dodeliti u E, a dnigog u K grupu. Isti postupak ćemo ponoviti sa sledećim parovim a ispitanika sa spiska. Naravno, ako imamo nacrt sa više grupa, sa spiska ćemo u svakom koraku birati onoliko ispitanika koliko imamo grupa. Kada je broj varijabli veći od jedan, postoji ozbiljan problem nalaženja jednakih parova. Naime, već ako imamo dve varijable čije delovanje želimo da
kontrolišemo - npr. pol i inteligenciju - imaćemo problem da nađemo đovoljan broj parova osoba koje su jednake po obe varijable. To je moguče postići samo ako je početni uzorak, iz koga izvlačimo parove, dovoljno veliki. Što je broj neželjnih varijabli veći i što je broj grupa u istraživanju veći, problem će biti sve teži i ubrzo će postati pretežak (o sličnom problemu, problemu kvota, raspravlja se u glavi o uzorku). U slučaju da se vrši jednačenje po više varijabli, ono gubi svoju osnovnu prednost nad randomizacijom. Jednačene grupe mogu imati jedan važan nedostatak; ne moraju biti nezavisne. Zavisne grupe ćemo verovatno dobiti ako parovc formiramo tako da to budu brat i sestra, muž i žena, dve osobe istog IQ-a, dve osobe istog socijalnog statusa ili istog uzrasta. Pošto varijable kao što su porodica, uzrast i obrazovanje (koje su namemo ili nenamcmo učestvovale u jednačenju) koreliraju sa zavisnom varijablom, doći će do korelacije između grupa po zavisnoj varijabli. Ova korelacija izmcdu grupa se možc iskoristiti kao prednost ukoliko se odabere prava statistička tehnika. Naime, korelacija izmcđu grupa je sistematska neželjena varijansa koja se može eliminisati iz eksperimentalne varijanse, čineći tako nacrt osetljivijim na razlike izmedu grupa. Ako se koristi Mest, u slučaju zavisnih gmpa (uzoraka) testiranje nulte hipoteze mora biti korigovano za korelaciju izmedu grupa. Nckada se pod jednačenjem po parovima podrazumeva jedna sasvim specifična procedura. Ona se primenjuje kada su parovi prirodno dati; blizanci, braća i sestre ili bračni parovi (kod bračnih parova postoji dobro poznata pojava tzv, asortativnog spajanja, odnosno sličnosti po nekim osobinama kao što su inteligcncija, obrazovanje, društvcnih status i sl.). U tim slučajevima se jedan član para smešta u jednu a dmgi u drugu gmpu. Tako se dobijaju gnipe ujednačenepo parovima (engl. matched pair groups). Jcdnačenje po distribuciji frekvencija. - Ova tchnika se zasniva na ujednačavanju cele distribucije po odabranim varijablama, a ne na jednačenju pojedinaca. Nakon što prikupimo mere svih objekata formiraćemo gmpe tako da im budu jednake aritmetičke sredine, standardne devijacije i asimetrija. Jcdnakost gmpa možemo proveriti i testom nulte hipoteze. Gmpe će biti statistički ujednačene. Ako ima više varijabli, jednačenjem po parovima obično se mora odbaciti mnogo objekata. Pri jcdnačenju distribucija gubitak objekataje manji. Nažalost, ako se jednačenje obavlja po više varijabli, dobijenc gmpe ne moraju biti jednake po kombinaciji varijabli. Na primcr, ako jednačimo po starosti i autoritamosti, može se desiti da u jednoj gmpi dobijemo kombinacije ispitanika stariji-autoritami i mladi-manje autoritami, a da u dmgoj grupi budu suprotne kombinacije.
3.
Dodeljivanje u nacrtu sa ponovljenim merenjlma
Kao što je rečeno u uvodu, u nacrtima sa ponovljenim merenjima svi ispitanici se podvrgavaju svim trctmanima (ali postoje i nacrti u kojima se podvrgavaju
samo nekim tretmanima) i nakon svakog trelmana se na tim ispitanicima meri zavisna varijabla. Prednosti i nedostaci nacrta sa ponovljenim merenjima opisani su u poglavlju 0 eksperimentalnim nacrtima. Osnovni nedostatak ovih nacrta su efekti redosleda, kao što su efekat vežbanja, efekat zamora i efekat kontrasta. Kaže se da je redosled tretmana konfundiran sa efektom tretmana. Da bi se neutralisao efekat redosleda, na prvom mestu efekat vežbe, odnosno da bi se otklonila konfundacija, istraživač mora pažljivo dodeljivati eksperimentalne uslove objektima. Tehnike kojima se to postiže nazivaju se uravnotežavanjem, odnosno balansiranjem (engl. counterbalancing) i dele se na: kompletne nacrte i nekompletne nacrte. Pre nego što objasnimo o čemu se radi uvešćemo nekoliko osnovnih pojmova. Za osnovni element eksperimenta sa ponovljenim merenjima uzećemo eksperimentalni uslov (to nije opšte usvojeno, recimo u literaturi se nekada to naziva pokušajem - engl. trial). Jednu kombinaciju ili redosled uslova nazvaćemo blokom. Recimo da svakom ispitaniku prikazujemo slike sa dve verzije jedne trodimenzionalne geometrijske figure: osnovnom i rotiranom, pri čemu se rotirana razlikuje u stepenima rotacije: 0°, 60", 120° i 180“. Parovi slika koji odgovaraju ovim stepenima rotiranosti su uslovi i označićemo ih sa A, B, C i D. Zadatak ispitanika je da pritisne dugme kada oceni da li su dve figure iste ili različite. Što je veći ugao rotacije, vreme reakcije i broj grešaka se povećava. Redosled prikazivanja uslova može biti ABCD, ACDB, DBAC itd. Svaki od ovih redosleda ili kombinacija uslova nazivamo blokom. Postoji 24 proste figure i 24 složene figure. Kompletno uravnoteženje sastoji se u torne da se u eksperimentu obuhvate svi mogući blokovi. U ovom slučaju to je faktorijel od 4; 4! = 4 x 3 x 2 x ] = 24. Ako postoje dva uslova, radi se o dva bloka, tri uslova šest blokova, šest uslova 240 blokova i tako dalje. Kompletni nacrti zahtevaju da se svi blokovi prezentiraju svim ispitanicima, ili, barem, da se svakom ispitaniku prezentira „dovoljan” broj različitih blokova. U kompletnim nacrtima je svaki ispitanik za sebe kompletan eksperiment - zato što prolazi kroz sve blokove (ili dovoljan broj blokova kako bi se efekat vežbe otklonio, a izbegao efekat zamora). Uravnotežavanje efekta redosleda vrši se u okviru svakog ispitanika. Postoje dve najčešće tehnike za realizaciju kompletnih nacrta: randomizirani blokovi i ABBA uravnotežavanje. Randomizirane blokove smo već spominjali u poglavlju o randomizaciji, gde se ta tehnika koristila za slučajno đodeljivanje objekata tretmanima. Ovde je namena na neki način okrenuta jer bi se moglo reći da treba blokove slučajno dodeliti objektu. Recimo da smo u gomjem primeru ispitivanja percepcije geometrijske figtu'e odredili da svaki ispitanik mora videti dve različite geometrijske figure, jednu prostu i drugu složenu, u četiri bloka. Blokove smo formirali tako što smo uslovima (rotacijama) slučajno dodeljivali redne brojeve. Dobili smo 48 blokova. Svaki ispitanik će morati da oceni jednakost 24 prostih (p) i 24 složenih (s) figura u svih mogućih 48 blokova. Zato kažemo da je svaki ispitanik eksperiment za sebe. Naravno, što više ispitanika ispitamo, to će nalazi biti ekstemo validniji. U donjoj tabeli je prikazan takav plan
izlaganjaslika ispitaniku kod koga će efekti redosleda biti uravnoteženi randomiziranjem po blokovima. Redosled uslova (rotacija), redosled prostih i složenih figura, kao i redosled svih pojedinačnih figura određeni su slučajno. ______ Tabela 7. - Uravnotežavanje putem randomiziranih blokova.________ Figura Blok Figura Blok Figura Blok 1 sl7 CDBA 17 s6 CADB ADBC 33 s9 sl5 DABC 2 p8 BCAD 18 p ll DACB 34 3
p21
ADCB
19
4 5 6
s8 p9 s24
CBDA CDAB
20
ABDC
22
7
slO
23 24
21
8
s22
BACD DBCA
9
s20
ACDB
25
10
s5
11
sl6
12
p l4
26 27 28
13 14 15
p22 p l7 p l5
BDCA DCBA BDCA DABC ABCD
1 6 pl
DBCA CBAD
29 30 31 32
BCAD
s7 p20 p23
BACD ACDB
s l2 p4 s21
CDAB BCDA ACBD
sl pl3 s4 p l2
ADCB CDBA DCAB
s3 plS sIS P2
DBAC BADC CADB CABD ACBD
35 36 37 38 39 40 41 42 43 44 45 46 47 48
p6
CABD
pIO p l6
ABDC DCAB
p3 sI3
DCBA DACB
sl9 s23 p24
BCDA CBAD CBDA
P5
s ll sI4
BADC ADBC DBAC BDAC ABCD
_pl9
BDAC
p7 s2
Uravnotežavanje ABBA se sastoji u podvrgavanju ispitanika uslovima jednim redom (A pa B) i odmah zatim i obmutim (B pa A). Tehnika je, očigledno, dobila naziv po najjednostavnijem nacrtu - sa samo dva uslova, ali je lako napraviti generalizaciju za više uslova (recimo: ABCDDCBA). ABBA nacrt je štedljiv i koristan je kada se ne mogu primeniti svi mogući blokovi u okviru nacrta randoraiziranih blokova. Međutim, ako u eksperimentu postoji mnogo uslova koji su skupi, dugotrajni ili zamomi, onda kompletni nacrti nisu pogodni. Isto važi ako ponavljanje svili blokova svim ispitanicinia nije moguće ili nije potrebno. U takvim slučajevima se primenjuju nekompletni nacrti. Kod njih se ne koriste svi mogući blokovi. Rezonuje se da će do uravnotežavanja doći kombinovanjem više ispitanika, a ne u okviru jednog ispitanika kao u kompletniin nacilima - svaki ispitanik nije eksperiment za sebe. Najpoznatija tehnika nekompletnih nacrta je Latinski kvadral. Uzmimo naš primer sa trodimenzionalnim figurama u četiri rotacije: A, B, C i D. Latinski kvadrat reda g je matrica reda gxg, koja sadrži g^ kućica u kojima se nalaze simboli A, B, C i D, ali tako da se svaki simbol sreće samo u jednom redu i samo jednom u koloni. Jasno je da može postojati veliki broj Latinskih kvadrata, ali su za metodologiju eksperimentalnih istraživanja zanimIjivijedino tzv. ortogonalni Latinski kvadrati, kojih ima maksimalno g - 1.
Međutim, svaki pojediiiačni validni Latinski kvadrat će istraživaču omogućiti ono što je potrebno: da ispitanike podvrgne različitom bloku eksperimentalnih uslova, da blokovi budu fomiirani i dodeljeni nasumično i da broj blokova bude sasvim ograničen, jednak broju uslova. Telinika će biti jasnija iz sledećeg primera, Tabela 8. - Latinski kvadrat sa četiri uslova. Red prezentiranja uslova 2 1 3 4 Blok 1
A
B
C
D
Blok 2
B
D
BIok3 B lok4
C D
C D
A B
A
A B
C
Svakom bloku (redu matrice) mora biti podvrgnut najmanje jedan ispitanik, ali se obično slučajno dodeljuje nekoliko njih. Jedino je važno da u svakom redu bude jednak broj ispitanika. Dakle, ako svakom bloku dodelimo pet ispitanika biće nam potrebno 20 ispitanika. Postoje posebni nacrti analize varijanse namenjeni analizi Latinskih kvadrata. U statističkim i metodološkim udžbenicima lako je naći uputstva kako da se formiraju Latinski kvadrati za bilo koji broj usiova. Treba naglasiti da uravnotežavanje ne ukida efekte redosleda. Ono ih samo uprosečava i time ih eliminiše iz eksperimentalnih uslova, čime se statistički eliminiše i njihovo mešanje sa efektom nezavisne varijable.
B.
Eksperimentalno istraživanje
Tradicionalno se kao prva, osnovna i najvažnija razlika između istraživanja ističe razlika između eksperimentalnih i neeksperimentalnih istraživanja. Ideja eksperimentalnog istraživanja potiče od Francisa Bacona koji se posvetio otkrivanju metoda ili pravila saznanja koja bi obezbedila valjano naučno otkriće uzročnosti sama po sebi, nezavisno od veštine onoga ko ih primenjuje. Bacon je svoje namere ilustrovao rečenicom: „Jer kao što u crtanju prave linije ili u opisivanju pravilnog kruga golom rukom mnogo zavisi od njene staloženosti i izvežbanosti, ah ako upotrebimo lenjir ili šestar, malo iU ništa ne zavisi od staložnosti i izvežbanosti ruke, tako je isto i sa našim metodom,” (Koen i Nejgel, 1965). Baconove metode otkrivanja uzročnosti je John Stewart Mill uobličio i predstavio kao metode eksperimentalnog istraživanja, Mill je formalno dcfmisao eksperiment putem nekoliko metoda (Koen i Nejgel, 1965, Rosnow i Rosenthal, 2005).
• M etod slasania ili kanon slasania. Ako dva ili više slučajeva pojave kojifispitujemo-tmaju samo^feđritt-zajedničku okolnost, okolnost po kojoj se svi slučajevi jedino slažu, onda je ta okolnost dovoljan uslov pojave koja se istražuje. Na primer, ako se desetina Ijudi pojavi u ambulanti sa dijarejom i bolovima u želucu, istraživačemo šta je kod tih Ijudi zajedničko. Ako utvrdimo da su svi tog dana jeli isti sladoled, i da im je to jedino zajedničko, zaključićemo da je sladoled verovatan uzrok njihovih tegoba. • M etod ili kanon razlike. Ako neki slučaj u kome se javlja pojava koju istražujemo i neki drugi slučaj u kome se ona ne javlja imaju zajedničku svaku okolnost izuzev jedne, i to one koje se javlja u prvom slučaju, ta okolnost je nužan uslov pojave koja se istražuje. Recimo da smo krenuli na izlet sa nekoliko prijatelja koji su nam po svemu vrlo slični (pol, uzrast, kondicija, građa itd). Uveče se desilo dajedan od njih dobije proliv i jake bolove u stomaku. Nakon razgovora utvrdili smo d a je jedini on jeo kobasicu. Ako je to jedina okolnost koja je različita od ostalih članova, smatraćemo da je kobasica verovatan uzrok bolesti. • M etodzajedničkeprom ene. Svaka pojava koja se menja na neki način kad god se druga pojava menja na neki poseban način ili je uzrok, ili je posledica te pojave, ili je s njom povezana nekom uzročnom vezom. Ovaj kanon se svodi na jedno od pravila za određivanje uzročnosti (v.): pravilo korelacije. • M etod ostatka. Ako se u svakoj pojavi apstrahuje onaj deo za koji se na osnovu ranijih indukcija zna da je posledica izvesnih antecendensa, onda će ostatak pojave biti posledica ostalih antecendensa. Planeta Neptun je otkrivena tako što su uočene nepravilnosti u kretanju planete Uran. Kada su, na osnovu Njulnove teorijc, eliminisana dejstva Sunca i svih poznatih plancta na kretanje Urana, ostatak nepravilnosti u orbiti pripisan je postojanju nepoznate devete planete. Uočljivo je da su Millovi metodi eksperimentalnog istraživanja nastali na osnovu izučavanja uzročnosti. Treba uočiti da su prva dva kanona kvalitativna, treći je kvantitativan, a četvrti deduktivan. Za prva dva kanona smo već ranije rekli da predstavljaju dcfiniciju uzroka kao nužnog i dovoljnog uslova. Takode, treći kanon, kanon korelacije, je deo savremenih nravila za odrcdivanje uzročnosti (v.). U osnovi, svi ovi kanoni, definicije i pravila imaju isto poreklo (bio autor toga svestan ili ne) i baziraju se na istom rodnom pojmu - iizročnosti. Zato, kad god govorimo o eksperimentu, trebamo imati u vidu da je on namenjen otkrivanju uzročne veze između varijabli. Medutim, nije ništa manje značajno da imamo u vidu i kratku diskusiju iz uvodne glave o uzročnosti u naukama o ponašanju, o razlici objašnjenja i razumevanja, o naučnom zakonu i o odnosu korelacije i kauzalnosti. Koja svojstva mora posedovati istraživanje da bismo ga nazvali eksperimentalnim? Prvo svojstvo eksperimenata je da su oni namenjeni utvrdivanju uzročne povezanosti nezavisnih i zavisnih varijabli.
Sledeće svojstvo je ckspcrimentalna manipulacija nezavisnom varijablom. Putem manipulacije imamo nadzor nad vremenskim sledom nezavisne i zavisne varijable i možemo ispitati da li je nezavisna varijabla nužan i dovoljan uslov zavisne. Na drugom mestu, od eksperimentalnih istraživanja se zahteva kontrola. Da bismo bili sigumi da je baš nezavisna varijabla uzrok zavisne varijable moramo eliminisati dejstva svih drugih mogućih varijabli. Eksperimentalna kontrola, dakle, nije ništa drugo do nastojanje da se eliminišu sve druge varijable koje bi mogle uticati na zavisnu varijablu. U naukama o ponašanju varijable čije moguće delovanje želimo da eliminišemo mogu biti deskriptivne varijable (v.), dakle neka svojstva subjekata koje istražujemo, ih sredinske varijable (draži, v.). U narednom odeljku biće objašnjeno šta podrazumeva eksperimentalna manipulacija i kontrola. Stav savremene epistemologijc je da se najbolja kontrola postiže randomizacijom (v. prethodno poglavlje). Ako neko istraživanje izučava uticaj nezavi.sne na zavisnu varijablu tako što manipuliše nezavisnom varijablom i pri tome ostale izvore uticaja eliminiše randomizacijom objekata, onda takvo istraživanje nazivamo pravim eksperimentom ili randomiziranim eksperimentom (čije bi pravo ime bilo eksperiment sa randomiziranim grupama), a ponekad se naziva i klasičnim eksperimentom verovatno imajući u vidu Bacon-Galileovu tradiciju u prirodnim naukama. Ovaj tip istraživanja se u epistemološkom smishi smatra najvrednijim, jedinim koji ispunjava Baconov ideal „omda za utvrđivanje uzročnosti” koje ne zavisi od ingenioznosti istraživača. Međutim, kasnije će u tekstu biti objašnjeno da randomizirani eksperimenti, pa i eksperimenti u cehni, često nisu mogući u naukama o ponašanju, a nekada i ne daju rezuhate koji se od njih očekuju. Nešto epistemološki slabija vrsta istraživanja su kvazi-eksperimentalna istraživanja. Kvazi-cksperimenti imaju eksperimentalnu kontrolu nezavisne varijable, ali nemajii randomizaciju. Da bi se nadoknadio nedostatak randomizacije, odnosno pojačala eksperimentahia kontrola, kvazi-eksperimenti moraju imati ih više grupa objekata ili više ponovljenih merenja zavisne varijable. U prvom slučaju, najčešći oblik kvazi-eksperimentalnih istraživanja je nacrt sa neekvivalentnim gritpama, u kome grupe nisu birane i alocirane slučajno, a u drugom nacrt prekimitih vremenskih serija. Zadaci koje sebi postavljaju istraživači ponašanja su veoma brojni, razhčiti, teški i međusobno nepomirljivi. To čcsto rezuUira eksperimentima koji se ne mogu razvrstati ni u jedan od prethodna dva nacrta, a to znači da ne dozvoljavaju kauzahie zakijučkc. Danas se takva istraživanja ne odbacuju, nego se njihovi nacrti tretiraju kao pogrešni, loši ili neadekvatni zbog toga što ne poseduju internu validnost. Dva česta i karakteristična pogrešna nacrta su: nacrt bez kontrolne grupe sa i bez pretesta. Spomenuli smo dijagrame odnosa u poglavlju o strukturi istraživanja, pa je sad vreme da predočimo o čemu se radi. Tipovi istraživanja, odnosno tipovi istraživačkih nacrta se po konvenciji ilustruju takvim dijagramima. Grafički prikaz nacrta istraživanja se može naći u skoro svakom metodološkom priRičniku,
u različitim varijantama označavanja. Treba znati da je tradicija dijagramskih prikaza nacrta istraživanja nastala za potrebe opisa raznih tipova eksperimentahiih istraživanja i da svoj puni sjaj dostiže u toj oblasti. Deluje, naime, vrlo instruktivno, kada se naizgled kompleksno i rafmirano istraživanje svede na jednostavan dijagram nacrta, a to zato što je osnovna struktura istraživanja takva. Dijagrami neeksperimentahiih istraživanja, kao što su terenska istraživanja i ankete, znatno su manje infonnativni. Moguće je nacrtati takve dijagrame, ah su oni kod neeksperimentahiih istraživanja trivijalni jer sadrže samo jednu grupu i samo jedno merenje. Pre nego što uvedemo grafičke prikaze nacrta istraživanja izložićemo neka opšta pravila za označavanje elemenata ovih dijagrama. Pravila označavanja nisu univerzakio prihvaćena u literaturi, ali razhke nisu velike. • Slovom M se označavaju merenja zavisne varijable. Ako postoje razHčiti načini merenja zavisne varijable ih merenja nekih drugih varijabli, to se označava indeksima (npr. M, i M^). U slučajevima kada je to potrebno, merenja na eksperimentalnoj grupi imaju oznaku Mg, a na kontrolnoj M^. • Sa T se označava eksperimentalni tretman, program, odnosno eksperimentahia manipulacija nezavisnom varijablom. • Sa se označava neeksperimentalna kontrola nezavisnih varijabh, onda kada su se one „desile” ranije u prošlosti, nezavisno od dejstva istraživača. ® Sa R se označava procedura dodeljivanje objekata grupama i dodeljivanja tretmana grupama putem randomizacije - slučajnom selekcijom i slučajnom alokacijom. • Sa N se označava dodeljivanje ispitanika grupama i tretmana grapama bez randomizacije, obično na taj način da se preuzmu grupe onako kako su zatečene „na terenu”, recimo školski razredi. • Sa P se označavaju grupe koje su fonnirane jednačenjem. Ako su grupe slučajno alocirane (što se prepomčuje), onda će nositi oznaku Pr• Sa G se označava grupisanje ispitanika na osnovu neke „prirodne” grupišuće varijable, kao što su pol, inteligencija, partijska pripadnost, obrazovanje. • U dijagramima pretpostavljamo da vreme teče s leva na desno. Zato, ako su simboli poravnati vertikalno (u istom stupcu), onda to znači da se oni dešavaju istovremeno. • Takode, svaki red označava jednu grupu objekata; npr. eksperimentalnu i kontrolnu.
1.
Sta se podrazumeva pod manipulacijom i l
Manipulacija nezavisnom varijablom u istraživanjima ponašanja obično je ih direktna ili inscenirana. Pod direktnom manipulacijom podrazumevamo prikazivanje nekog materijala ispitanicima, primenjivanje zvučnih, slušnih, taktilnih i drugih draži na čula, stimulacije raznih vrsta (hemijske i električne), stavljanje ispitanika u posebne uslove (glad, izolacija, život i rad u grupi), potkrepljenje
svih vrsta (materijalno ili emocionalno), primenu novih zakonskih ili programskih pravila na nekoj grupi ili instituciji itd. Pod insceniranom manipulacijom podrazumevamo kreiranje neke veštačke situacije koja liči na životnu, kako bi se ispitanik naveo da veruje u nju. Inscenirana manipulacijaje složena i za nju su istraživaču obično potrebni saradnici, koji se nekada nazivaju instruiranim subjektima, dok se stvami ispitanici nazivaju naivnim subjektima. Poznata su mnoga istraživanja u kojima je inscenacija imala karakter dramskog komada, maštovita, sa smislom za glumu. Suprotno manipulaciji je puštanje da se pojave odvijaju slobodno. Zato se pod manipulacijom može razumeti svaka intervencija u varijable prisutne u eksperimentu, menjanje uslova, selekcija uslova, selekcija objekata, formiranje grupa itd. U čemu je razlika izmedu manipulacije i kontrole i da li ona postoji? Neki epistemolozi smatraju da je „kontrola” opštiji pojam od manipulacije i da obuhvata pasivnu i aktivnu kontrolu - manipulaciju. Cattell (1966), opet, smatra da je termin „kontrola” nejasan je r nekada znači manipulaciju, nekada držanje konstantnim, a nekada samo zapisivanje i snimanje. Prilično čest slučaj je da se u odnosu na nezavisne varijable koristi termin manipulacija, dok se u odnosu na ostale, „treće” varijable koristi termin kontrola. Pri tome se podrazumeva aktivna intervencija u nezavisne varijable i „držanje konstatnim” trećih varijabli. Da bi se varijable držale konstantnim, po pravilu je potrebna aktivna uloga istraživača. Recimo, on će morati da jednači grupe (v.). Ili će morati da interveniše tako što će menjati osvetljenje prostorije ili nivo buke, davati placebo kontrolnoj gnipi itd. Sve su to aktivnosti koje se uobičajeno koriste sa ciljem da se ne dopusti da se varijable „slobodno odvijaju”, kako nezavisne, ali još češće „trcće” varijable. Medutim, postoje mnoga istraživanja u kojima su treće varijable bile samo merene, zapisivane ili snimane kako bi se proverilo da li su mogle da budu izvor uticaja na zavisnu varijablu. To je vrlo pasivan oblik kontrole i Cattell ga smatra suvišnim. Kada se kontrola povezuje sa ekstemim varijablama u eksperimentu, onda treba posebno naglasiti da je u oblasti istraživanja ponašanja praktično nemoguće izolovati sve potencijalne eksterne varijable, a mnoge od njih je nemoguće „držati konstantnim” (recimo, kada bismo od ispitanika tražili da prestanu da dišu tokom seanse). Dakle, pojmovi kontrole i manipulacije su veoma bliski. Mi ćemo, iz didaktičkih razloga, smatrati da manipulacija podrazumeva aktivnu, namerau, planiranu i sistematsku intervenciju istraživača na nezavisnim varijablama, dok ćemo pod kontrolom podrazumevati intervenciju nad eksternim varijablama, obično raanje aktivnu od manipulacije ili čak pasivnu. Solomon Asch (1907-1996) je počev od 1951. godine sproveo niz el
Nakon toga su grupi pokazivane dve table. Na jednoj je bila jedna vertikalna linija standard, a na drugoj su bile tri paralelne vertikalne linije, svaka označena slovom A, B i C. Zadatak ispitanika je bio da, kada na njega dode red, glasno izgovori slovo ispod one linije za koju smatra da je jednake dužine kao standard. Svakoj grupi bilo je prikazano 18 parova tabli, sa raznim dužinama linija, a instruirani ispitanici su imali zadatak da u 12 parova jednoglasno odaberu pogrešnu liniju. Prethodno je Asch sproveo kontrolnu studiju tokom koje ispitanici nisu imali nikakve druge instrukcije, osim da na papiru napišu koja je linija jednaka. Broj grešaka je bio zanemarljiv (ispod 1%), što govori da su zadaci bili jasni i lako rešivi. Na Aschovo iznenadenje, samo 24% ispitanika (od 50) je uvek odgovaralo tačno i nije se povelo za mišljenjem većine. 75% ispitanika se konformiralo barem jedamput, a 28% ih se konformiralo u najinanje 6 parova (od 12). U proseku, ispitanici su se konformirali u 37% slučajeva, okvirno rečeno u jednoj trečini. Tokom same seanse i kasnije, tokom izlaznog intervjua, naivni ispitanici su pokazivali veliki stepen nelagode. Pokušavali su da nadu neku racionalizaciju za svoj očigledno pogrešan izbor: optičku varku, pogrešno razumevanje zadatka, drugačiji ugao gledanja, a neki su poricali da su se konformirali. Na pitanje zašto su ipak dali pogrešan odgovor, uglavnom su odgovarali da su želeli da ugode istraživaču, da ne izgledaju inferiorno, da ne budu otpadnici, da se ne izdvajaju, da budu deo grupe i dr. Zanimljivo je da su neki znali da su dali pogrešan odgovor (ali su se svesno priklonili grupi), a neki su smatrali da im se vid naglo pogoršao i da grupa ima pravo. Asch i mnogi kasniji autori varirali su veličinu grupe. Pokazalo se da je stopa od 1/3 konformiranja stabilna ukoliko u grupi postoje tri iii više saradnika koji jednoglasno daju pogrešan odgovor. S druge strane, ako u grupi postoji barem jedan saveznik koji daje tačan odgovor (grupa nije homogena), konformiranje drastično opada. Međutim, ako taj jedan „promeni mišljenje" i konformira se, konformiranje naivnih subjekata je postajalo veće od 1/3. Izvršene su mnoge replikacije ovog istraživanja, u manje ili više sličnoj postavci. One su pokazale da postoji tendencija ka konformiranju, ali da je to proces koji zavisi od mnogo faktora. Na primer, pleme Temne u Siera Leoneu, koji pripada zemljoradničkoj kulturi, pokazalo je veoma visoko konformiranje, dok se Eskimi, pretežno lovci i ribolovci, praktično nisu konformirali. Konformiranje je veće kada su draži ambivalentne, a manje kada su nedvosmislene. Konformiranje je veće kada se grupa procenjuje kao atraktivna i kompetentna. Konformiranje je manje ako se ispitanik oseća ,/aštićeno", npr. ako je izdvojen u boksu ili ako može da zapiše svoj odgovor. Aschova studija bi se po strukturi mogla razvrstati u laboratorijske eksperimente (problematičan je jedino aspekt randomizacije). Osnovna nezavisna varijabla je broj instruiranih ispitanika. Treba se podsetiti da je Asch imao i kontrolnu grupu u kojoj je broj tih saradnika bio nula. Medutim, osim veličine grupe, varirana je i njena homogenost i stepen privatnosti u odgovaranju. Oni koji se sećaju priče „Carevo novo ruho" prepoznaće Aschov fenomen konformiranja.
2.
Osnovni eksperimentalni nacrt
Najjednostavniji i najpoznatiji nacrt eksperimentalnog istraživanja se može prikazati na sledeći način.
Osnovni eksperimentalni nacrt, dve grupe, pre-posle
R R
M M
T
M M
Eksperlmentalna grupa Kontrolna grupa
Randomizacija. - Kao što dijagram kaže, grupe su na početku birane i alocirane slučajno. Formiranje i alociranje grupa putem randomizacije obezbeduje da grupe budu statističke elzvivalentne. Vrlo poznate skraćene oznake grupa su E \K . Pretest. - Nakon alociranja grupa, na svakoj grupi je obavljeno merenje zavisne varijable. Ovo merenje se naziva pretestom. Međutim, osim merenja zavisne varijable, istraživač ovom prilikom može meriti i druge varijable za koje misli da bi mogle imati značaja za konačnu interpretaciju (v. nacrt analize kovarijanse). Neki autori naglašavaju potrebu da se merenja dodatnih (kontrolnih) varijabli ne nazivaju pretestom, jer on treba da označava samo merenje zavisne varijable. Mi ćemo to imati na umu, ali ćemo, ipak, pretestom nazivati svako merenje koje se obavlja pre tretmana, bez obzira koje varijable se tom prihkom mere. Iz prikazanog dijagrama se ne može zaključiti koje varijable su merene. Obično se, ako se želi ukazati na to da su merene još neke varijable osim zavisne, koriste indeksi uz simbol merenja, npr. Pošto su oba M (u obe gnipe) vertikalno poravnata, to znači da su merenja izvršena u isto vreme. Početna merenja zavisnih varijabli se nekada moraju izvršiti pre dodele objekata u grupe (recimo kod nacrta sa jednačenim grupama), no to ne utiče na logičku strukturu nacrta. Takode, nije nužno da pretest za obe grupe bude tačno u isto vreme. Medutim, zbog potencijalnog značaja faktora vremena, u dijagramu treba naznačiti da merenja nisu bila u isto vreme (M neće biti poravnati). Tretman. - Nakon pretesta, eksperimentalna grupa se podvrgava tretmanu T. To može biti bilo šta: neki program savetovanja, neki tretman pomoću lekova ili droga, trening i obuka itd. Umesto termina tretman koriste se i terminiprogram ili uslov. Kontrolna gnipa za to vreme živi i radi kao i do tada, bez promena, ili eventualno prima „lažni tretman”, tzv. placebo (v. poglavlje o intemoj validnosti), ili prima neku drugi tretman, ukoliko je cilj eksperimenta da uporedi vrednost različitih tretmaua. Posttest. - Kada je tretman eksperimentalne grupe gotov (raa koliko trajao), izvršava se ponovno merenje zavisne varijable (i eventualno svih drugih relevantnih varijabli) na obe grupe - istovremeno. Ovo merenje se naziva posttestom, pa se i čitav nacrt često naziva pretest-posttest nacrt, ili skraćeno „pre-posle”. Rečnikom savremene epistemologije, kombinacija randomizacije i eksperimentalne manipulacije maksimizira ehperimentalnu varijansu, a minimizira
neželjenu varijansu, čime se omogućuje najtačnije i najosetljivije statističko zaključivanje. Klasična statistička tehnika koja se primenjuje za analizu podataka iz eksperimentalnih istraživanja je analiza varijanse (ANOVA). Staviše, Fisher je izumeo analizu varijanse upravo za potrebe analize eksperimentalnih podataka. Fisher je tvrdio da su statistika i nacrt istraživanja dve strane iste medalje i da moraju biti uskladeni. Današnja shvatanja ne poriču značaj uskladenosti nacrta istraživanja i primenjenih statističkih metoda, ah se ne insistira na tome da postoji samo jedna statistička tehnika za jednu vrstu nacrta istraživanja, Tako se rezultati eksperimentalnih nacrta mogu anahzirati i drugim statističkim tehnikama, kao što su ?-testovi, korelaciona i regresiona anahza ili multivarijatna analiza.
3.
Značaj poređenja u istraživanju
U osnovnom eksperimentalnom nacrtu imamo na raspolaganju dva poređenja: izmedu eksperimentalne i kontrolne grupe i izmedu pretesta i posttesta. Ta dva osnovna poređenja, kombinovana sa randomizacijom i eksperimentalnom kontrolom nezavisne varijable, smatra se da daju „punu epistemološku snagu” ovom nacrtu, naročito u smislu dokazivanja kauzalne povezanosti nezavisne i zavisne varijable. Medutim, praksa je pokazala da se svako istraživanje za sebe, i uvek nanovo, „bori sa životom” i da su različiti neželjeni događaji pravilnost, a ne izuzetak. Jedan od epistemološki proverenih načina da istraživač kompenzira neželjene dogadaje i uticaje je da poveća broj poređenja. U tom cilju može povećati broj grupa, kako eksperimentalnih, tako i kontrolnih. Isto tako, može povećati broj merenja, bilo u pretestu, bilo u posttestu, a merenja se mogu obavljati i tokom trajanja samog tretmana. Na primer, na sledećem dijagramu je prikazano istraživanje sa četiri grupe na kojima su primenjena dva tretmana (T^ i T^) u različitim kombinacijama. U prvoj grupi su primenjena oba, u drugoj samo prvi, u trećoj samo drugi, a u četvrtoj nijedan. U svakoj grupi su izvršena tri merenja (M^, M,, i M J. Jasno je da se u ovakvom nacrtu može napraviti znatno veći broj poređenja, sa ciljem da se proveri delotvornost nezavisne varijable u razhčitim grupama i vremenima. U dijagramu, inače, nije prikazana kolona sa načinom izbora grupa, jer ona može biti bilo randomizirana, bilo neekivalentna, bilo po prirodnoj grupišućoj varijabli, a može biti i kombinovana.
T ix M^a Msa ^M^a
T2 x
Tly
M ic
M^b
M^c
Msb
Mac
M4b
M4c
Generalno se može smatrati da je nacrt koji omogućuje više poređenja, ima veću epistemološku, odnosno saznajnu, odnosno istinitosnu vrednost od onog koji omogućuje manje poređenja. To važi za bilo kakav tip nacrta; eksperimentalni, kvazi-eksperimentaini ili neeksperimentalni. Nažalost, kao i uvek, ova povećana saznajna vrednost ima svoju cenu. Naime, što je nacrt kompleksniji, što ima više grupa i merenja, to i nacrt statističke obrade mora biti složeniji. Ponekad istraživačima predstavlja nerešiv problem da koncipiraju onakvu statističku obradu koja omogućuje ekstrakciju svili informacija koje postoje u mnogobrojnim grupama i merenjima.
4.
Smisao kontrolne grupe i pretesta
lako je, kako je prethodno rečeno, svako poređenje dobrodošlo, neka poređenja u istraživanjima imaju posebnu snagu. Prosto, zdravorazumski, zaključujemo da su od posebnog interesa ona poređenja koja uključuju neko početno stanje, neki osnovni ili bazni nivo, neke vrednosti zavisne varijable koje postoje pre početka istraživanja i bez bilo kakve eksperimentalne manipulacije. Upravo u cilju takvih poredenja zamišljeni su kontrolna grupa i pretest. Ono što zovemo kontrolnom grupom je invencija XX veka, iako je, naravno, ideja kontrole eksperimentalnih uslova postojala odavno, praktično od početka razvoja empirijske metode. Cesto se u udžbenicima sugeriše da kontrolnu grupu nazivamo griipom za poređenje, odnosno poredbenom grupom što sasvim ukazuje na njeno mesto i ulogu. Tu praksu ćemo koristiti i u ovoj knjizi. Medutim, na kontroinu grupu se može gledati na dva načina. Onako kako smo je u ovom tekstu najčešće koristili u dijagramima i u primerinia za ilustraciju, to je kontrolnagriipa bez tretmana. Mnogi ozbiljni metodolozije nazivaju upravo tako (engl. no-treatment group), da bi je razlikovali od kontrolnih grupa koje takođe primaju tretman, ali alternativan. Naime, sasvim je logično da nivoi nezavisne varijable ne moraju biti: prisutan - nije prisutan. Kako je opisano u poglavIju o složenim eksperimentalnim nacrtima, nezavisna varijabla može biti kategorizirana u više nivoa koji se međusobno razlikuju po stepenu ili intenzitetu prisustva. Nivo koji označava odsustvo nezavisne varijable (kontrolna griipa bez tretmana) ne mora čak uopšte biti prisutan. U tom slučaju su sve grupe eksperimentalne i svaka služi za poređenje sa ostalima. To će se desiti kada istraživača ne interesuju kauzalni zaključci o tome da li nezavisna varijabla izaziva ponašanje, nego ga interesuje kvantifikacija uticaja nezavisne na zavisnu varijablu. Isto tako, pretest služi određivanju početnih vrednosti, ili baznog nivoa vrednosti svih varijabli u istraživanju. Bez poznavanja baznog nivoa, svi zaključci o promenama zavisne varijable su problematični. U neeksperimentalnim istraživanjima, gde su nezavisne varijable poprimile vrednost pre nego što je istraživanje počelo, istraživači moraju da pokažu puno inventivnosti da bi rekonstruisali bazni nivo, odnosno supstituisali pretest merenje. Za tu svrhu se mogu koristiti
da se takvim varijablama dodeli status nezavisne varijable. M eđutim, pošto je potrebno da se njihov uticaj na zavisnu varijablu kontroliše, često se nazivaju kontrolnim varijablama, zbog specifične namene u okviru istraživanja (kontrole varijanse). Tu mogu postajati dvaslučaja. Prvi je k ad aje neželjena varijabla kategorijalna, sa malim brojem kategorija, pa je pogodna da bude grupišuća varijabla (v.). Takvu varijablu merimo i na osnovu nje razvrstavam o objekte u grupe, sa ciljem da kontrolišemo njen uticaj na zavisnu varijablu. Kontrola se obavlja tako što se primenjuje faktorski nacrt (v.) ili tzv. ugnježdeni nacrt (engl. nested design), pri čemu se efekti kontrolnih varijabli obično ocenjuju kroz faktore interakcije. Drugi shičaj je kada je varijabla intervalna - kontinuirana. Ona se može klasifikovati u manji broj kategorija i postupak se može nastaviti kao sa grupišućom varijablom. Medutim, to nije postupak koji se preporučuje, je r se sažimanjem gubi varijansa. Najbolje je primeniti odgovarajuću statističku tehniku namenjenu kontinuiranim varijablama. Tada se za ove varijable obično koristi naziv kovarijable. Efekat kovarijabli kako na nezavisne tako i na zavisne varijable se najbolje ehminiše statistički pomoću analize kovarijanse (v. eksperimentalne nacrte), ah se mogu koristiti i parcijalne korelacije ih višestruka regresija. Naravno, promocija neželjene varijable u nezavisnu nije uvek primenljiva. Treba imati u vidu da uključivanje varijabh u nacrt povlači za sobom i obavezu da se efekti svih varijabh i njihovih inlerakcija interpretiraju. Statistički izveštaji su mnogo duži i složeniji i taj problem je sve veći što je veći broj neželjenih varijabh. Peti način, korišćenje ispitanika kao vlastite kontrole, sastoji se u tome da se odabare nacrt sa ponovljenim merenjima, nacrt randomiziranih blokova, odnosno nacrti u kojima se posebno tretira varijansa „unutar objekata”. Ovaj metod je, u drugom kontekstu, opisan u poglavljim a o dodeljivanju objekata u grupe i eksperimentalnim nacrtima. U svim ovim nacrtima se koriste isti ispitanici u svim nivoima eksperimentalnog tretmana. N a taj način je sasvim sigumo da će „grupe” biti ujednačene jcr se radi o istim ispitanicima. Ako je moguće sprovesti ovaj tip nacrta, kontrola neželjene varijanse će biti veoma jaka. U poredenju sa jednačenjem po parovima, može se reći da se ova tehnika zasniva na rezonu da je svaki ispitanik najbolje uparen sam sa sobom. Dakle, svaki ispitanik se koristi u svim grupama, tj. kako u kontrolnoj, tako i u eksperimentalnim. Ovaj nacrt se koristi, recimo, ii ergonomskim istraživanjima kada se proverava prilagođenost uređaja operateru i kada svi operateri moraju da probaju sve uređaje. Svaki od ovih načina ima dobre i loše strane. Drugi, treći i četvrti način imaju jedan isti osnovni nedostatak - teško je znati a priori koje su varijable važne da bi po njima ujednačih grupe. Povezan sa tim problem om je i problem ehminacije varijabh iU nalaženja jednakih parova kada je broj varijabh veći od jedan. Nedostaci tehnike jednačenja grupa opisani su u odgovarajućem poglavlju. Neće smetati ako podsetimo da jednačenje grupa ima smisla jedino ako varijable po kojima se jednači dovoljno korehraju sa zavisnom varijablom - ne manje od 0,5 ih 0,6.
Treći način, a donekle i drugi, mogu imati problem sa generalizabilnošću istraživanja - nalazi će biti generalizabilni samo na pojedince koji imaju ista svojstva kao uzorak. Ako smo koristili samo muškarce - da bismo eliminisali varijablu pol - nalazi će važiti samo za muškarce. Peti način (ponovljena merenja) je nemoguće sprovesti kad god memorija, učenje ili razvoj mogu imati udela u ishodu. Mogu postojati i druge praktične smetnje za sprovođenje nacrta ponovljenih merenja. Zato ovaj način kontrole neželjene varijanse obično nije primenljiv.
6.
Pogrešni eksperimentalni nacrti
Videli smo da osnovni eksperimentalni nacrt podrazumeva dva ključna poređenja: programskc i poredbene grupe i pretesta i posttesta. Medutim, postojala su i postojaće mnoga istraživanja koja ne sadrže jedno ili drugo poredenje. U literaturi se nacrti ovakvih istraživanja, po konvenciji, nazivaju pogrešnim, nevalidnim ili neadekvatnim. Takvi nazivi potiču od njihove male epistemološke vrednosti, odnosno niske interne validnosti. Na osnovu takvih nacrta se ne može dokazati kauzalnost. Najčešće korišćena vrsta pogrešnih nacrta je nacrt sa jednom grupoim
Nacrt sa jednom grupom, pre-posle
M
T
M
Na primer, ispitivan je uticaj raspoloženja ispitanika na ocenjivanje osobina drugih Ijudi. Tokom pretesta ispitanicima je dato da ocene osobine Ijudi prikazanih na shkama. Zatim im je dato da pročitaju kratku priču o detetu koje je oslalo bez roditelja (tretman), pa im se, u posttestu, opet tražilo da ocene Ijude sa slika. Pošto je postojala razlika u ocenjenim osobinama, donesen je zaključak da trenutno raspoloženje utiče na to kako ocenjujemo osobine drugih Ijudi. U ovom nacrtu se ista gnjpa poredi sama sa sobom. Postoje brojni izvori koji mogu ugroziti internu validnost ovog nacrta. Pre svega to mogu biti: merenje, istorija, maturacija i regresija ka proseku (v. poglavlje o intemoj validnosti). Merenje u prctestu moglo je ispitanicima poslužiti da uvežbaju ocenjivanje osobina na osnovu slika. Takode, mogli su se desiti neki dogadaji pre, posle ili izmedu merenja koji su potpuno maskirali efekt tretmana, ili su, naprotiv, pojačali njegov efekt. Ako islraživanje potraje duže, posebno ako su ispitanici mladi, njihovi stavovi i sposobnosti se mogu promeniti zbog sazrevanja. Regresija ka proseku je „prosta životna činjenica” da će niski skorovi na pretestu težiti da budu viši u posttestu, a visoki skorovi niži - i jedni i drugi će težiti ka proseku.
Međutim, ako je dobijena veličina efekta eksperimentalnog tretmana visoka, a znamo da se pojava koju ispitujemo ne menja lako, uverljivost nalaza će biti visoka. Drugi tip pogrešnog nacrta je nacrt sa simulacijom pretesta: Nacrt sa simulacijom pre-posie
T
M
M Kao što ime kaže, u ovom nacrtu je simuliran pretest tako što su uzeti podaci za neku drugu grupu, za koju se smatra da je ekvivalentna eksperimentalnoj. Šta više, neki istraživači smatraju da su na ovakav način uveli kontrolnu grupu u istraživanje. Drugi autori smatraju da ako su grupe odabrane randomizirano, onda su one ekvivalentne, pa bi gomji nacrt u tom slučaju bio adekvatan. Nacrt je zadovoljavajući i onda kada je varijabilnost pojave (zavisne varijable) dobro izučena, ako se zna da ona nije visoka i ako se zna da je stabilna. Takve varijable su, na primer, fiziološki parametri ili niži kognitivni procesi. Međutim, čak i ako je grupa koja je odabrana za pretest stvamo ekvivalentna eksperimentalnoj, pravi pretest nije izvršen, niti je izvršen posttest na „kontrolnoj” grupi, pa je intema validnost ovakvog nacrta pod znakom pitanja i treba biti oprezan u zaključcima iz ovakvih istraživanja. Najviše pogrešan nacrt je nacrt bez kontrolne gnipe i bezpretesta. Njegov dijagram je sasvim jednostavan; Z'
\ Nacrt bez kontrolne grupe, samo posttest
M Jednostavan primcr ovakvog istraživanja je evaluacija uvođenja novog načina ocenjivanja u jednom školskom odeljenju. Novi način ocenjivanja je uveden, nakon godinu dana izračunata je prosečna ocena i donesen je zaključak da je novi način doprineo boljim ocenama. Ovaj zaključak je epistemološki bezvredan jer nije postojala nikakva eksperimentalna kontrola: odabrano odeljenje je možda uvekbilo natprosečno, ako je i postojao napredak, on je možda bio uslovljen time što su nastavnici obraćali više pažnje učenicima u tom odeljenju, napredak je mogao postojati i u dmgim odeljenjima te škole zbog poboljšanja uslova u školi itd. Dmgim rečima, ovaj nacrt nije intemo validan. Ovde su prikazani sasvim jednostavni dijagrami strukture istraživanja. Medutim, što je nacrt istraživanja složeniji, to je greške lakše napraviti a teže
otkriti. Ova tri prikazaiia dijagrama su prototip grešaka u dizajniranju istraživanja i imaju edukativni značaj. To je zbog toga što se i najsloženiji eksperimentalni nacrti sastojc od grupa i merenja i njihovog poredenja. Ako nema pravih poredenja, nacrt je pogrešan (v. poglavlje o značaju poredenja). Međutim, danas se rezultati istraživanja sa pogrešnim nacrtima ne odbacuju praktično, čak iako su epistemološki bezvredni. Nekada jednostavno ne postoje druge studije, nekada ova istraživanja predstavljaju podsticaj novima, a nckada posluže za generaciju boljih i osetljivijih hipoteza. Osim toga, navedeni nacrti mogu biti manjc ili višc pogreSni u zavisnosti od načina formiranja grupa - ako su grupe birane da bude reprezentativnc za populaciju, onda će nalazi posedovati barem ekstemu validnost. Isto tako, videli smo da vrednost nacrta zavisi i od prirode zavisne varijable.
7.
Ostali eksperimentalni nacrti
a. Nacrt bez pretesta Postoje neki često korišćeni eksperimcntalni nacrti koji neniaju saznajnu snagu kao što jc ima randomizirani cksperiment, aii koji se u savremenoj epistemologiji smalraju da su zadovoijavajuće intcmo validni, odnosno pogodni za kauzalne zaključke. Najbolji prinier takvog nacrta je je nacrt bezprctesta (engl. posttest only). Nacrt bez pretesta
R R
T
M M
Eksperimentalna grupa Kontrolna grupa
Očigledno je da je ovaj nacrt potpuno ekvivalentan nacrtu randomiziranog eksperimenta, osim što nema pretesta. Ukoliko je randomizacija obavijena korcktno i ukoliko su grupe dovoljno velike, može se sa velikom sigurnošću osloniti da će one biti statistički ekvivalentne. U tom slučaju prctest nije potreban kao proverajednakosti grupa. Iznos u kom eje nezavisna varijabla delovalanazavisnu ćemo utvrditi na osnovu razlike izmedu i Mf. Nacrt bez pretesta može biti pogodniji od punog ekspcrimentalnog nacrta jer: a) jednostavniji je i b) nema opasnosti od senzitizacije (v. poglavlje o internoj validnosti). Nacrt dozvoljava da postoji više kontrohiih grupa, sa različitim nivoom tretmana, ali i kontrolnu gnipu bez tretmana. Zbog svega toga sc ovaj nacrt često navodi kao odlična zamena za pravi eksperiment. Medutim, pretest je način da se odrcdi početni nivo zavisne varijable. Taj početni nivo nam može biti važan: a) da proverimo da li su grupe stvamo ekviva-
lentne, b) da uočimo da li je kod svih ispitanika tretman jednako delovao, c) da kontrolišemo da li je tokom trajanja istraživanja došlo do promene u zavisnoj varijabli (v. pretnju maturacije) ili d) da na osnovu njega ujednačimo grupe Ger se umesto randomizacije u ovom nacrtu može koristiti jednačenje).
b. H ibridni nacrti Hibridni nacrt su oni koji kombinuju jednostavnije eksperimentalne nacrte, sa ciljem da se steknu neke prednosti, ili da se eliminišu njihove slabosti. Zanimljiv takav nacrt je Solomonov nacrt, nazvan po svom tvorcu Richardu Solomonu. Ovaj nacrt je namenjen prvenstveno otklanjanju pretnje senzitizacije. U njemu postoje četiri grupe, dve eksperimentalne i dve kontrohie. Po jedna od E i K gnipe ima pretest, a druga nema. Solomonov nacrt
R R R R
M M
M M M M
T T
E grupa 1 K grupa 1 E grupa 2 K grupa 2
S obzirom da se ovaj nacrt može anahzirati kao faktorski nacrt (v. kasnije), možemo ne samo statistički otkloniti uticaj senzitizacije, nego i tačno utvrditi da li je i kohko je ona postojala, odnosno da H je već samo pretestiranje dovelo do povećanja skorova u posttestu. Epistemološka anahza pokazuje da ovaj nacrt poseduje snažnu kontrolu i omogućuje snažna poredenja. Posebno je zanimljiva kontrolna grupa 2. Ona se može izbaciti iz nacrta, a da preostah nacrt sa dve eksperimentalne grupe i dalje bude epistemološki snažan za ehminaciju senzitizacije. Isto tako, zahvaljujući drugom paru E i K gnipa, nacrt predstavlja konibinaciju randomiziranog nacrta i nacrta bez pretesta - dva epistemološki najjača nacrta. Sledeći interesantan hibridni nacrt je nacrt sa naizmeničnim ponavljanjima (engl. SNvitching replicationos). U njem u se tretmani ponavljaju, ah naizmenično na svim grupama. Nacrt sa naizmeničnim ponavljanjem
R R
M M
T
M M
T
M M
Ako postoje uslovi da se ovaj nacrt primeni, on otklanja neke veoma akutne probleme eksperimentalnih istraživanja, kao što su socijalne pretnje intemoj validnosti ili Hawthorne i placebo efekat.
c. N acrt sa random iziranim blokovima Ovaj nacrt ne treba povezivati sa načinom formiranja grupa ili dodeljivanja tretmana objektima, koji nose sličan naziv: randomizacija po blokovima. Međutim, logika ovog nacrta ima sličnosti sa slučajnim stratifikovanim uzorkovanjem, čiji je cilj takode smanjivanje varijanse u podacima. Blokovi su u ovom slučaju homogene gnipe objekata. Ako u našem ukupnom uzorku očekujemo, ili znamo da postoje, neke homogene podgrupe, onda se može primeniti nacrt randomiziranih blokova sa ciljem minimiziranja neželjene varijanse. Recimo, ako istražujemo studente, možemo pretpostaviti da studenti iste godine (jedna kohorta, v.) imaju više medusobnih sličnosti, nego sa studentima ostalih godina. U tom slučaju uzećemo godinu studija kao blok. Z'
~
N a crt sa ra n d o m iz ira n im b lokovim a
B lo k 1
B lok2
B io k S
B lo k 4
R R R R R R R R
T T T T
^
M M M M M M M M
Na dijagramu su prikazana četiri bloka, a u okviru svakog bloka je primenjen nacrt bez pretesta. Eksperiment spolja izgleda kao običan eksperiment bez pretesta, jedino će se u obradi podataka uvesti i varijabla bloka. Ako su grupe homogene, odnosno ako je varijansa unutar blokova manja nego varijansa celog uzorka, uz primenu odgovarajućeg nacrta analize varijanse (koji se baš tako zove: nacrt randomiziranih blokova) postići ćemo veću osetljivost F-testa.
8.
Nacrt analize kovarijanse
Ovaj nacrt je često korišćen i smatra se veoma jakim nacrtom, ali zahteva složeniji model statističke obrade. Njegov dijagram je identičan dijagramu osnovnog eksperimentalnog nacrta. Jedino što se u okviru pretesta, osim zavisne varijable mere i kontrolne varijable, odnosno kovarijable (v. poglavljc o kontroli neželjene varijanse). Jedna ili više kovarijabli iz pretesta se zatim koristi za korigovanje mera u posttestu. Podrazumevamo da je čitaocu u osnovi poznat pojam korigovanja ili kontrolisanja, kada se jedna varijabla koriguje na osnovu njene kovarijanse sa nekom drugom varijablom. Na primer, ako ispitujemo efikasnost neke metode učenja, možemo kao kovarijablu uzeti inteligeneiju. Onda ćemo mere grupa na zavisnoj varijabli u posttestu (to će vcrovatno biti količina zapamćenog gradiva, brzina reprodukcije ili sl.) korigovati za iznos njihove korelacije sa intehgencijom. Razliku između grupa ćemo onda ispitati samo na onom dehi varijanse posttesta koji je preostao nakon što je učešće intehgencije ehminisano. Na taj način smo uradih sasvim isto što smo mogh i jednačenjem grupa po intehgenciji. Iz grtipnih razhka eliminisali smo intehgenciju. Zato se za nacrt analize kovarijanse kaže da j e statistička zamena za jednačenje grupa - i to vrlo efikasna zamena. Jednačenje grupa se danas retko koristi upravo zato što postoji efikasan način statističkog jednačenja. Kao što je rečeno za kovarijable, one u ovom nacrtu moraju biti intervalne (zato što kovarijansa postoji samo za intervalne varijable). Medutim, šta uzeti za kovarijablu ili kovarijable? Načelno, treba uzeti one varijable koje imaju visoku korelaciju sa zavisnom varijabloni. Ako se uzme kovarijabla koja nisko korelira sa zavisnom varijablom, recimo 0,20, njen doprinos varijansi zavisne varijable je svega 4%. Zato se ne niože očekivati da će rezultati poređenja E i K grupe biti vidljivo promenjeni nakon analize kovarijanse (najviše 4%). Ako nastavimo sa logikom visoke korelacije sa kovarijablom, možemo postaviti pitanje koja to varijabla najviše korelira sa posttestom? Pretest. Mere zavisne varijable na pretestu će verovatno vrlo visoko korelirati sa nierama na posttestu. Kakav je smisao uklanjanja doprinosa pretesta? Redukcija šuma, redukcija neželjene varijanse, odnosno redukcija pretestnih individualnih razlika. Skoro identičnu logiku poseduju i nacrti sa ponovljenim merenjima. Opisali smo je u njihovom poglavlju i tamo smo rekli da uklanjanje varijanse individualnih razlika povećava osetljivost nacrta.
9.
Složeni eksperimentalni nacrti
Prvi nivo usložnjavanja eksperimentalnih nacrta sastoji se u povećavanju broja nivoa nezavisne varijable. U dosada opisanim nacrtima nezavisna varijabla je imala samo dva nivoa: da-ne, odnosno prisutna-nije prisutna. Ako istražujemo uticaj potkiepljenja na postignuće, najjednostavniji nacrt imao bi dva nivoa nezavisne varijable, recinio: bez potkrepljenja, potkrepljenje sa 1000 dinara.
Međutim, ako nas, s pravom, interesuje da li će Ijudi stalno postizati sve bolje rezultate što su više plaćeni, linearno, ili je povezanost nelinearna, moraćemo uvesti više nivoa nezavisne varijable. Recimo, formiraćemo 5 grupa: bez potkrepIjenja, 100 dinara, 300 dinara, 600 dinara i 1000 dinara potkrepljenja. Iz takvog nacrta ćemo, verovatno, steći saznanje da postignuće na nekom jednostavnom manuelnom zadataku u početku brzo raste, ali se kasnije taj porast sve više smanjuje, što znači da sc sa malim potkrepljenjem mogu postići približno isti rezultati kao i sa velikim. Povezanost potkrepljenja i postignuća je, dakle, nelinearna, tzv. negativno ubrzana, ali je još tivek monotona. Međutim, u naukama u ponašanju postoje mnoge nemonotone povezanosti. To su one povezanosti u kojima vrednosti zavisne varijable u početku rastu a kasnije opadaju, ili obratno. Takve krivulje se u istraživačkoni žargonu često nazivaju obmutim (inverznim) iti pravim Ukrivuljama. U psihologiji se takve krivulje povezanosti nezavisne i zavisne varijable srcću u istraživanju emocija. Recimo, povezanost straha i promene stava, ih povezanost anksioznosti i postignuća imaju inverznu U-krivu. Kako strah počinje da raste spremnost da se menjaju stavovi takođe raste, ali nakon toga, sa porastom straha, spremnost za promenu stava opada.
a. F aktorski nacrli Sledeći nivo usložnjavanja eksperimentalnog nacrta je povećavanja broja nezavisnih varijabli. Dosada smo podrazumevali da postoji samo jedna nezavisna varijabla. Faktorski nacrti su oni u kojima postoji više nezavisnih varijabli. U glavama o varijabli, o dodeljivanju objekata u gnipc i o kontroli neželjene varijanse govori sc detaljno o opasnosti da neke varijable koje nismo kontrolisali presudno utiču na ishod istraživanja. Ako takve ekstenie varijable kovariraju sa nezavisnom varijablom, onda se kaže da u istraživanju postoji konfuiidacija varijabli (cngl. confounding). Recimo, ako u cilju skraćivanja trajanja ekspcrimenta dodelimo više cksperimcntatora da vrše merenja ili sprovode tretmane, vrlo je verovatno da će varijabla „eksperimentator” biti izmešana sa nezavisnom varijablom. Ako istraživanje potraje duže vremena, može se desiti da ispitanici dobrovoljci koji su se javili na početku istraživanja budu različiti od onih koji se prijavljuju kasnije. Iskustva su pokazala da su oni koji se jave na početku radoznaliji, da imaju jači motiv za akademskim postignućem i da imaju unutrašnji lokus kontrole (smatraju da njihovim životom upravljaju oni sami, a ne spoljni faktori). Ako ove osobine utiču na zavisnu varijabhi koja se izučava u istraživanju, onda postoji opasnost da se njihov uticaj pomeša sa nezavisnom varijablom. U tom slučaju nećemo znati koja je od varijabli i koliko utieala na zavisnu varijablu. Recimo, ako u drugom primeru eksperimentalnu grupu fomiiramo od „ranih dobrovoljaca”, a kontrolnu od „kasnih”, onda će navedene razlike u osobinama ličnosti biti ozbiljno izmešane sa nezavisnom varijablom.
Zbog potencijala da se otkrije, analizira i otkloni uticaj mešanja, za faktorske nacrte se kaže da su pojačavači željene varijanse ili prave varijanse, za razliku od nacrta randomiziranih blokova, ponovljenih merenja ili analize kovarijanse koji su prigušavači neželjene varijanse. 0 načinima eliminisanja uticaja ekstemih varijabli govori se u poglavlju o kontroh neželjene varijanse: randomizacija, jednačenje, držanje varijable konstantnoni itd. Epistemološki najvrcdniji odnos prema ekstemim varijablama je uključivanje u nacrt. Ekstcrna varijabla se promoviše u nezavisnu i na osnovu nje se formiraju grupe ispitanika. U našoj standardnoj notaciji struktumih dijagrama faktorski nacrt 2 x 2 može se predstaviti na sledeći način. Faktorski nacrl 2 x 2
T i2 T^i T 22
M M M M
Grupa 1 Grupa 2 Grupa 3 Grupa 4
Indeksima iza T označene su kombinacije nivoa nezavisnih varijabli. Postojc dve nezavisne varijable i svaka ima dva nivoa - otuda naziv 2 x 2. Za statističku anahzu podataka iz ovakvih nacrta koriste se faktorski nacrti analize varijanse koji se dijagramski prikazuju na drugačiji način. Recimo da se radi o eksperimentu koji ispituje uticaj rada u gmpi na intelektualno postignuće. U tom cilju fomiirane su dve grupe (na bilo koji način) i obema je dato da rešavaju isti test inteligencije. Medutim, ispitanici u eksperimentalnoj grupi su to radili u tesnoj i pretrpanoj učionici, a ispitanici u kontrolnoj grupi u prostranoj prostoriji. Zamishmo sada da smo upoznati sa nckim ranijim nalazima da na intelektualno postignuće utiče i to da li prostorija ima prozore ili nema. Ako su ispitanici u E gnipi bih postigli niže rezuhate, ali je njihova tesna učionica bila bez prozora (dok je K grupa imala prozore), otkrićemo da ne znamo šta je zapravo krivac njihovog lošijeg uspeha - gužva ili prozori. Način da to ustanovimo je da fomiiramo faktorski nacrt 2 x 2 i da primenimo faktorsku anahzu varijanse koja se može prikazati na sledcći način. bez prozora
sa prozorima
tesna
prosek gmjie 1
prosek grupe 2
prostrana
prosek gmpe 3
prosek grupe 4
Prostorija
Čitalac će lako uvideti kako se faktorski nacrti mogu proširiti na više nivoa i više varijabh: recimo 4 x 3 x 2 . Nedostatak ovakvog proširivanja je u tome što broj kućica u matrici brzo rasle, a s time i broj gmpa. Ako želimo da grupe budu dovoljno vcHke i da pri tomc budu jednake veličine, a posebno ako nacrt sadrži
pretest i posttest i želimo da održimo veličinu grupa unatoč pojavi morlaliteta, veći faktorski nacrti postaju nepogodni. Postoje i nekompletni faktorski nacrti, koji su prvenstveno namenjeni sitiiaciji u kojoj postoji jedna kontrolna grupa koja ne prima ni jedan tretman (pa ne može da se „ukrsti” sa ostalim grupama). In terp reta cija faktorskih nacrta. - Kod faktorskili nacrta se analiziraju i interpretiraju dva aspekta podataka: glavni efekti i efekti interakcije. Glavni efekti su oni efekti koje nezavisne varijable pojedinačno vrše na zavisnu varijablu. Glavni efekti se mogu izraziti kroz povezanost nezavisnih i zavisnili varijabli, ili kroz učešće u varijansi zavisne varijable. Prvi i osnovni razlog uvodenja novili nezavisnih varijabli u nacrt je taj što istraživač očekuje da nove varijable imaju moderatorski efekt. Efckti interakcije obično im aju za cilj da te stiraju nioderatorski efekt. Ako je efekt interakcije dve nezavisne varijable statistički značajan, onda te dve varijable skupno deluju na zavisnu varijablu, ili jedna (moderator) deluje na drugu NV i na ZV. Efekt interakcije ne zavisi od toga da li varijable imaju ili nemaju značajan glavni efekt. Efekti interakcije su hijerarhijski uređeni, pa za nacrt koji ima tri varijable, A, B i C postoje efekti interakcije A > < B , A x C , B ^ C i A > < B x C . Cozby (2003) daje jedan ilustrativan primer mogućih ishoda u jednostavnom 2 x 2 nacrtu. Prikazi sadrže tri varijable: dve nezavisne varijabe sa dva nivoa, A i B, i zavisnu varijablu koja je kontinuirana, ZV. Svaki ishod prikazan je
B2
02
A:Ne B:Ne A x B :N e
A
A: Ne B:Da A x B :N e
^
-•a
I
5
5
1
9
9
1
9
1
Slika 3. Svi mogući ishodi faktorskog nacrta sa dve nezavisne varijable.
tabelom i grafikonom. U kućicama tabele se nalaze proseci Z V u svakoj grupi, a pored tabele su proseci za svaki nivo A ili B varijable. Proseci navedeni pored tabele predstavljaju glavne efekte. Na grafikonu je na ordinati unesena ZV, a na apscisi varijabla A. Dva nivoa varijable B predstavljeni su linijama, tako što su ucrtane tačke za sva četiri proseka u kućicama, pa su onda linijom spojeni proseci za 5 , i za 5 ,. Konačno, uz svaki ishod je upisana legenda koja kaže da li su značajni glavni efekti {A i B )i efekat interakcije (A x B). Prepuštamo čitaocu da analizira sve ishode i protumači ih. lako je primer krajnje pojednostavljen i idealan - takvi čisti podaci se ne sreću u praksi - on je tačan i informativan. Za analizu faktorskih nacrta uopšte nije nužno da grupišuće varijable budu nezavisne, tj. aktivne. Česti su nacrti u kojima je samo jedna varijabla nezavisna (aktivna, manipulisana), dok su ostale varijable deskriptivne (atribut) varijable. Na primer, u gonijein primcm sa ispitivanjem uticaja rada u grupi na postignuće, istraživač je mogao zadržati pretqoanost prostorije kao nezavisnu varijablu, ali je umesto varijable prozora mogao uvesti varijablu introverzije - ekstraverzije kao drugu gnipišuću varijablu.
10. Nacrti sa ponovljenim merenjima O ovim nacrtima diskutuje se na više mesta u knjizi. U poglavlju o dodeljivanju objekata u grupe objašnjeni su osnovni principi formiranja grupa za ove nacrte, a u poglavlju o longitudinalnim istraživanjima istaknuta je kontrola faktora vremena koja se vrši u ovim nacrtima. Suština nacrta sa ponovljcnim merenjima je da se merenja obavljaju na istim ispitanicima. To povlači za sobom potrebu da se drugačije defmiše šta je grupa. U nacrtima sa ponovljenim merenjima postoji samo jedna grupa objekata, ali se oni mere u više navrata. Zato „grupu” čini skup mera iz jednog merenja. Pošto je ovde reč o ekspcrimentalnim istraživanjima, između merenja ispitanici bivaju podvrgnuti tretmanima. Medutim, nacrti sa ponovljenim merenjima se mogu koristiti i u neeksperimentalnim istraživanjima. U terminologiji analize varijanse nacrti sa ponovljenim merenjima se često nazivaju nacrtima uinitar subjekata (engl. within-suhject design), zbog toga što jedan od glavnih efekata pripada subjektima, tj. ispitanicima. Dosada opisani nacrti su se zasnivali na nezavisnim grupama, a epistemološka pravila su nalagala da jedno od osnovnih poređenja bude izmedu eksperimcntahie i kontrohie grupe. U nacrtima saponovljenim m erenjima5va^7 ispitanik se poredi sam sa sobom, tj, isti ispitanici učestvuju i u eksperimentalnim i kontrohiim uslovima. Postoje četiri osnovna razloga zbog koga se istraživači opredeljuju za nacrte sa ponovljenini merenjima: • •
potreban je manj i broj obj ekata, eksperimenti sa ponovljenim merenjima su efikasniji,
• više su osetljivi zato što je varijansa unutar subjekata manja od one između subjekata, • omogućuju praćenje promena u ponašanju tokom vremena. Nacrt sa ponovljenim merenjima zahteva manje ispitanika. Zato je idealan za slučajeve kada raspolažemo samo sa nekoliko slučajeva. Takođe, u eksperimentima koji se bave nekim retkini pojavama, ili za koje je potrebno da ispitanici produ duge i skupe priprerne, vrlo je teško obezbediti dovoljno velike grupe koje bi pri tome bile ujednačene (bilo randomizacijom, bilo jednačenjem). Drugi razlog se tiče efikasnosti i brzine. Zamislimo eksperiment u kome se ispituje komunikacija izmedu dve moždane hemisfere. Ispitanicima se nakralko prikazuju kombinacije slova iz skupa AaBb, na isto oko ili na oba oka. Ispitanici moraju odmah da odgovore da li su slova ista, kao u Aa i Bb, i!i različita, kao u AB, ab ili Ab. Pokazalo se da ispitanici brže prepoznaju slova ako su im prikazana bilateralno, nego unilateralno. Barem što se tiče ovog nacrta, dve hemisfere su bolje od jedne (ne znamo je li testirano i to da li je jedna...). S obzirom da svaki eksperimentalni uslov traje vrlo kratko, nekoliko sekundi, nacrt sa nezavisnim grupama, koji bi zahtevao da se promene ispitanici kada se mcnja vrsta di aži, trajao bi znatno duže. Treći razlog se zasniva na činjenici da će se ispitanici obično manje razlikovati unutar svojih ponovljenih merenja, nego što bi se razlikovali u odnosu na druge ispitanika iz kontrolne grupe. S obzirom da su ove individualne razlike ono što ometa utvrđivanje dejstva tretmana na ponašanje (one ulaze u varijansu koja je u imenitelju F o d n o sa^ što su one manje, to će F o d n o s biti veći, odnosno biće osetljiviji na promene u zavisnoj varijabli koje su rezultat promena u nezavisnoj varijabli. Naime, „grupe” su sastavijene od istih ispitanika, pa je ujednačenost grupa maksimahia. Razlika između grupa potiče samo od grešaka merenja, a ne od individualnih razlika ispitanika. Pošto se za greške merenja može očekivati da nisu sistematske i da su manje od individualnih razlika, testiranje razlika između gnipa je osetljivije, što znači da se mogu detektovati i mali efekti nezavisne varijable. Osnovna prednost ovih nacrta je u tome što su vrlo osetljivi na delovanje nezavisne varijable, jer je prisustvo neželjene sistematske varijanse (v.) praktično nulto. Što je manja varijansa greške Ger se sve individualne razlike u analizi varijanse tretiraju kao varijansa greške), to je nacrt osetljiviji. Zato su nacrti sa ponovljenim merenjima pogodni za istraživanja u kojima se očekuju sasvim male promene u zavisnoj varijabli. Osetljivost 0 kojoj ovde govorimo je jednostavno verovatnoća da će eksperiment otkriti uticajnost nezavisne varijable na zavisnu ukoliko ta uticajnost stvarno postoji. Statistički pandan oseljivosti je moć slatističkog testa, odnosno verovatnoća da će nulta hipoteza biti pravilno odbačena. Moć statističkog testa zavisi od nivoa statističke značajnosti, veličine efekta i veličine uzorka (v. poglavlje 0 testiranju statističkih hipoteza). Nacrti sa ponovljenim merenjima se koriste i onda kada je cilj istraživanja da se utvrde promene u zavisnoj varijabli tokom vremena. U naukama o ponašanju su veoma česta longitndinalna istraživanja, u kojima se vrše pono-
vljena m erenja kako bi se pratio razvoj neke pojave. Za longitudinalna istraživanja se kaže da je vreme nezavisna varijabla. U naukama o ponašanju ponavljanje istraživanja se koristi i kada treba da se poboljša pouzdanost merenja, ili da se odredi pouzdanost merenja. Prosek iz više merenja je pouzdanija mera od pojedinačnih mera. U poglavlju o psihološkom merenju opisanaje metoda odredivanja pouzdanosti putem testa i retesta. Kada je reč o korišćenju ponovljenih merenja sa ciljem povećavanja ili ocenjivanja pouzdanosti, većina autora se slaže da se ne radi o nacrtima sa ponovljenim merenjima. Međutim, ne postoji saglasnost ni o tome da li nacrt sa ponovljenim merenjima treba da se klasifikuje kao longitudinakio istraživanje. Sve u svemu, u oblasti longitudinalnih istraživanja postoji izvesna terminološka konfuzija. Neki autori smatraju da je nacrt sa ponovljenim merenjima jedan od eksperimentalnih nacrta i da se ne može drukčije razvrstati. Ti autori imaju pravo utoliko što se puna saznajna snaga i sve prednosti ovog nacrta pokazuju u eksperimentu. Međutim, eksperimentahii nacrt (manipulacija nezavisnom varijablom) pojačava snagu i drugim istraživačkim elementima, recimo poređenju pretesta i posttesta ili poređenju grupa. Zato smatramo da ne postoje razlozi, ni epistemološki ni statistički, koji sprečavaju da se nacrt sa ponovljenim merenjima koristi i u neeksperimentalnim isto kao u eksperimentalnim istraživanjima. Smatraćemo, dakle, da je on jedan od dominantnih nacrta longitudinalnih istraživanja, kao što su istraživanja razvoja u psihologiji. Osnovni nedostatak nacrta sa ponovljenim merenjima je taj što se ispitanici uzastopno podvrgavaju tretmanu po utvrdenom redosledu. Zbog toga prethodni tretmani mogu da dehiju na učinak narednih. Cela ta pojava se naziva efektom redosleda ili sekvencijalnim efektom. Postoji nekoliko glavnih vrsta efekta redosleda. Prva vrsta je efekat vežbanja. Ispitanici mogu poboljšavati svoje odgovore zbog toga što ih ponavljanjem usavršavaju. Druga vrsta je efekat zamora i deluje upravo suprotno od efekta vežbe. Ispitanici, prosto, imaju sve slabiji učinak jer se zamaraju ili im postaje dosadno. Situaciju pogoršava to što kod nekih ispitanika može delovati vežba, a kod nekih zamor. Uzmimo da ispitujemo uticaj potkrepljenja na učinak tako što dajemo deci da igraju video igre i da ih u svakom trei;manu različito potkrepljujemo za uspeh ili za neuspeh. Deca kojima je ta igra nova mogu manifestovati efekt vežbe, dok će deca koja su je ranije igrala pokazivati efekat zamora. Može postojati i efekat kontrasta, ako recimo ispitanicima puštamo prvo fihTi sa prizorima žestokog nasilja, nakon koga im scene krađe u samoposluzi izgledaju bezazlene, dok bi sasvim drugačiji utisak imali da su filmovi bih pušteni drugim redosledom. Da bi se neutralisao efekat redosleda, na pp/om mestu efekat vežbe, koriste se tehnike uravnotežavanja, odnosno balansiranja. Međutim, uravnotežavanjem se ne izbegavaju efekti redosleda, nego se uprosečavaju. Na taj način se izbegava da se efekti redosleda mešaju sa efektom nezavisne varijable. Tehnike uravnotežavanja su opisane u poglavlju o dodeljivanju objekata.
Postoje još neka ograničenja u primeni nacrta sa ponovljenim merenjima. Na primer, neke varijable se ne mogu istraživati u nacrtu sa ponovljenim merenjima. Takve varijable su, na primer, starost i pol. Osoba koja ima 50 godina, ne može imati prvo 20 (iako bi se za ovu grupu veoma lako dobila informisana saglasnost za učestvovanje), pa 30, pa opet 50. Životinje kod kojih je izazvana lezija mozga ne mogu više učestvovati u tretmanu koji predviđa da se zdrave životinje podvrgnu anesteziji. Ovaj primer nam ukazuje i na to da nacrt sa ponovljenim merenjima nije pogodan za tzv. ireverzibilne zadatke. To su oni zadaci kod kojih postoji opasnost da će ih ispitanici ovladati već nakon prve primene, tj. da će dostići plafon u izvođenju, te da bi naknadno zadavanje bilo beskorisno. Ovaj probiem se delimično može prevazići zadavanjem altemativnih (različitih) zadataka i tehnikom uravnotežavanja.
C.
Kvazi-eksperimentalno istraživanje
Kvazi-eksperimentalna istraživanja se danas smatraju zasebnom vrstom istraživanja sa precizno utvrđenim svojstvima. Osnovna ideja kvazi-eksperimentahiih nacrta je da se u uslovima kada nije moguće postići nivo kontrole koji imaju eksperimentalni nacrti, ta kontrola što više aproksimira tehnikama koje stoje na raspolaganju” . Postoji opšta saglasnost da su to istraživanja u kojima postoji m anipulacija nezavisnim varijablam a, ali ne postoji random izacija u selekciji ispitanika i alokaciji tretmana. Doduše, manipulaciju nezavisnim varijablama u kvazi-eksperimentalnim istraživanjima treba defmisati šire i slobodnije. Ona ne mora biti direktno sprovedena od strane istraživača, u obliku neke njegove direktne akcije. Manipulaeiju mogu predstavljati nove mere ministarstva prosvete, neki društveni događaj, primena neke nove terapije itd. Važno je samo da manipulacija bude jasno vremenski defmisana i konkretna, kao neki uslov u kome se našla eksperimentalna grupa. Da bi nadoknadili nedostatak randomizacije, koja je u celini najbolji način kontrole neželjene varijanse, kvazi-eksperimenti insistiraju na višestrukim merenjima. Sasvim. jednostavno, da bi neko istraživanje bilo kvazi-ekperimentalno mora zadovoljavati jedan od sledeća dva uslova: mora imati najmanje dve grupe (npr. eksperimentalnu i kontrolnu) ili mora postojati više merenja (više od jednog pretesta i posttesta). ” Sam naziv promovisali su Campbell i Stanley 1963. godine. Ova dva autora, posebno Donald T. Campbell i njegovi naslednici, detaljno su analizirali kvazi-eksperimentalna istraživanja i doprineli njihovoj populamosti. Campbell je, takođe, poznat po invenciji pojmova konvergentne i diskriminativne validnosti.
Raison d'etre kvazi-eksperimentalnih istraživanjaje, zapravo, nemogućnost randomizacije ili nemogućnost pribavljanja kontrolne grupe uopšte - situacija koja je česta u istraživačkoj praksi. Često je teško, ili čak neizvodivo slučajno biranje objekata, ili slučajno alociranje objekata u grupe, ili je takvo biranje i alociranje neetično. U takvim slučajeviina preporučuje se primena kvazi-eksperimentalnihnacrta koji predstavljaju metodološki fundiranu, „prvu zamenu” pravog eksperimenta. Isto tako, dešava se da kontrolna grupa ne može da postoji, ih nije uverljiva. Na primer, ako sprovodimo terenski eksperiment u kome proučavamo delovanje novih zakonskih propisa na bezbednost saobraćaja, ne možemo jedan deo stanovništva izuzeti od primene zakona kako bi nam služio kao kontrola. Ako ne možemo da sprovedemo randomizaciju, saznajni potencijal istraživanja možemo povećati tako što ćemo uzeti više grupa kako bismo njihovim poređenjem eliminisali mogućnost da su postojeće razlike između gnipa dovele do razlikau zavisnoj varijabli. Možemo nastojati da grupe, iako nisu randomizirane, ipak budu što ujednačenije. Na primer, ako grupe formiramo od postojećih razreda u školi, one će biti ne-randomizirane, dakle neekvivalentne. Stvar se može poboljšati tako što će svaku grupu činiti više razreda iste, ih još bolje, različitih škola. lako ovde nije mesto za to, ukazaćemo i na mogućnost da svaka gmpa sadrži jedan razred, ali da varijablu razreda ili škole uključimo u faktorski nacrt (v.), pa da vidimo da li ona kao efekt deluje i da li deluje u interakciji. Takode, ako ne možemo da imamo kontrolnu grupu, moraćemo eksperimentalnu gmpu da merimo više puta kako bismo vremenski pratili promene zavisne varijable i uverili se da su te promene rezultat delovanja nezavisne varijable. Da bi se epistemološki (saznajni) kvalitet kvazi-eksperimenta podigao na što viši nivo, istraživač mora uraditi sve da on što više hči na pravi eksperiment ” da grupe budu što shčnije, da ih bude što više, kao i da postoji što više merenja kako bismo mogli napraviti što više poređenja. Ipak, osnovna razlika kvazi-eksperimenta i pravog eksperimenta, nedostatak randomizacije, ne može se sakriti, pa se za kvazi-eksperimente smatra da imaju nižu intemu validnost (v. kasnije). Kvazi-eksperimenti se često koriste u terenskim uslovima, kao primenjena i evaluaciona istraživanja. Terenski uslovi su glavni razlog zašto se u istraživanjima ne može sprovesti randomizaeija. Gmpe objekata koje se koriste u kvaziekspcrimentima obično su takve da se za njih može reći da se biraju same, odnosno da ih ne alocira istraživač. N a primer, eksperimentalnu grupu čine deca iz jednog razreda, a drugu iz dmgog, ili eksperimentalnu gmpu čine studenti dobrovoljci, a kontrolnu grupu ostali studenti, jednu grupu predstavlja jedna opština, a drugu druga itd. Grupe mogu predstavljati i kohorte (v. kasnije).
1.
Nacrt sa neekvivalentnom kontrolnom grupom
Ovaj nacrt je najpoznatiji kvazi-eksperimentahii nacrt, a pri tome je, verovatno, dominantan nacrt u društvenim istraživanjima kada ona pokušavaju da liče na eksperimentalna.
Kvazi-eksperimentalno istraživanje sa neekvivalentnim grupama
N N
M M
T
M M
E grupa K grupa
Iz dijagrama se vidi da je on u svemu jednak osnovnom eksperimentalnom nacrtu, osim po slovu N umesto R. To znači da su verovatno odabrane grupe kako su zatečene na terenu, kao što su dva odeljenja u školi, dva sprata u domu, dve opštine i sl. Objekti nisu imali jednaku verovatnoću da uđu u neku od grupa i nisu imali jednaku verovatnoću da budu izloženi tretmanu ili da ne budu. Zbog toga ne možemo da tvrdimo da su grupe ekvivalentne po svim svojstvima koja su relevantna za odnos nezavisne i zavisne varijable. Međutim, zdrav razum nalaže da istraživač učini sve da bi grupe bile međusobno što sličnije, jer što se gnipe više razlikuju u početku, teže će biti pripisati razlike na posttestu delovanju tremana-programa. Nekada se u literaturi može pročitati preporuka da se ekvivalentnost grupa obezbedi nekom od tehnika jednačenja grupa (v. poseban odeljak). Na drugim mestima se može pročitati da treba koristiti statistički ekvivalent jednačenju grupa, a to su tehnike parcijalnih korelacija iii analize kovarijanse. Čak se kvazi-eksperimenti nekada nazivaju nacrtima sa analizom kovarijanse. Ovde stojimo na stanovištu da ako se grupe fonniraju na osnovu jednačenja, onda se dobija pravi eksperiment jer je u poglavlju u jednačenju gnipa istaknuto da ono u nekim slučajevima funkcioniše bolje od randomizacije. Drugi razlog zašto ne treba povezivati kvazi-eksperimente sa jednačenjem grupa je to što jednačenje u terenskoj primeni stvara slične tehničkc preprckc kao i randomizacija - na primer, trebali bismo premeštati učenike iz jednog odeljenja u drugo. Naravno, zaključci kvazi-eksperimenta će biti interno validniji ukoliko su grupe sličnije. U tom smislu treba preduzeti sve što je moguće. Na primer, ako se biraju školska odeljenja treba uzeti ona koja su slična na osnovu mišljenja nastavnika ili direktora, da budu slična po prosečnom uspehu, socijalnom poreklu itd. Ključni doprinos kontroli ekvivalentnosti grupa je pretest. Tokom pretesta se redovno meri zavisna varijabla, ali se mogu meriti i druga svojstva ispitanika. RazHke u početnom nivou zavisne varijable i kontrolnih varijabh se kasnije mogu uključiti u analizu rezultata putem analize kovarijanse. Upravo na osnovu posto-
janja kontrolne grupe (ma kakva bila) i pretesta, Campbell i Stanley su tvrdili da je kvazi-eksperiment najbolja zamena za pravi eksperiment. Međutim, dovitljiv istraživač može iskoristiti nejednakost grupa da ispita uticaj tih razlika na zavisnu varijablu. U tom slučaju se nacrt neekvivalentnih grupa može kombinovati sa nacrtom u kome se dodatne grupe formiraju na osnovu one varijable po kojoj se izvome grupe razlikuju. Recimo da smo primetiH da nam se E i K grupe razlikuju po polu, a očekujemo da bi efekt pola mogao da bude pomešan sa efektom nezavisne varijable. U tom slučaju ćemo u svakoj od E i K grupa fomirati i grupe po polu. Na primer, učenike u dva prigodno izabrana razreda (biranje tipa N) možemo dalje podeliti na muške i ženske (biranje tipa G). U tom slučaju, u rubrici alokacije imali bismo prvo N, a zatim u podgrupama i G.
2.
Nacrt prekinutih vremensl
Ovaj poznati nacrt se koristi kada ne možemo da imamo kontrolnu grupu. Da bi se to nadoknadilo, u ovom nacrtu je predvideno da se izvrše višestruki pretesti i višestniki posttesti.
Kvazi eksperimentalno istraživanje sa prekinutom vremenskom serijom
M,
M2
M3
T
M4
Mg
Mg
Smisao naziva ovog nacrta je u tome što želimo da utvrdimo da li je naš tretman T prckinuo vremensku seriju koja je utvrđena u merenjima M ,, i M3 i da h merenja M j, M ; i M<, pokazuju da nakon tretmana postoji drugačiji trend. Broj merenja nije ograničen ni u pretestu ni i posttestu, a preporučuje se da ih bude što više, čak i 20. Izbor grupe objekata na kojima se vrše merenja nije bez značaja. Najbolje je da grupa bude reprezentativna za popuhiciju na koju se odnosi zavisna varijabla, da poseduje dovoljnu varijabihiost itd. Sva longitudinahia istraživanja predstavljaju statističku glavobolju za istraživače. lako postoje modeli za obradu ponovljenih merenja i vremenskih serija, izbor pravog modela i pravih parametara po pravilu prevazilazi mogućnosti društvenih istraživača. Medutim, u nacrtu prekinutih vremenskih serija će vrlo inforniativan biti već običan grafički prikaz u kojem su na apscisi unesene vremenske tačke u kojima su vršena merenja, a na ordinati vrednosti zavisne varijable. Kada se u takav grafikon unesu rezuUati merenja i povežu linijom dobiće se linija trenda. Ako je uticaj tretmana značajan, biće lako uočiti prelom (koleno) u liniji trenda. Na primer, istraživača može interesovati da li objavljivanje slučajeva krađe u robnim kućama, sa imenom i prezimenom osobe, utiče na sinanjenje krada.
Recinio da je takva mera uveđena na nivou grada u glavnom dnevnom listu. S obzirom da postoje evidencije krada u robnim kućama i policiji, istraživač može jednostavno uneti mesečni broj krađa u pomenuti grafikon i ucrtati vertikalnu liniju na mestu kada je uredba počela da važi. Ako linija pokazuje pad, mera je uspela. Zaniniljivo je da se takva mera stvarno pokazala efikasna u slučaju krada u prodavnicama, ali nije u slučaju saobraćajnih prekršaja i vožnje u pijanom stanju. Razlog je verovatno u tome što voziti pijan nije sramota, a krasti u prodavnicama jeste. Treba uočiti još dve karakteristike istraživanja iz ovog primera: ono je evaluativno (evaluira program borbe protiv krada) i zasniva se na arhivskim (sekundarnim, v.) podacima. Prikazani dijagram se nekada naziva prostom prekinutom vremenskom serijom zato što se nacrt može učiniti i kompleksnijim. Kao prvo, ponavljanja mogu biti kombinovana sa više tretmana (npr. M M T M M T M M), sa ciijem da se detaljno analizira uticaj i trajnost uticaja nezavisne varijable na zavisnu. Dnigo, može se uvesti i kontrolna grupa (u ovom slučaju neekvivalentna, jer bismo u protivnom imali pravi eksperiment). N acrtprekinute vremenske serije sa tieekvivalemnom kontrobiom grupom ]s epistemološki vrlo jak, blizak pravom eksperimcntu, jer omogućuje poredenje trenda sa kontrolnom grupom koja nije primila tretman. Postoje i dnigi specifični kvazi-eksperimentalni nacrti: npr. nacrt sa regresionim diskontinuitetom (kada se alokacija ispitanika u grupe vrši na osnovu neke prelomne tačke u zavisnoj varijabli), kada se vrednosti pretesta utvrduju na nekoj drugoj grupi (recimo iz nekih ranijih istraživanja, ili iz druge zemlje), ili se vrednosti pretesta utvrđuju nakon posttesta (na osnovu sećanja ispitanika ili arhivskih podataka) itd.
D. Laboratorijski i terenski eksperiment
U poglavljima o eksperimentalnim i kvazi-eksperimentalnim istraživanjima taksonomija istraživačkih nacrta izvedena je na osnovu formalnih aspekata istraživanja, pri čemu su ti formalni aspekti primamo izvedeni iz odlika eksperimentalnih istraživanja - grupe, merenja, tretmani itd. Međutiin, taksonomiju je moguće izvršiti i na osnovu mnogih dnigih aspekata. Jedan od tih aspekata je mesto odvijanja eksperimenta: laboratorija ili teren. L aboratorijski eksperim ent. - Laboratorijski eksperimenti se sprovode u gluvim sobama, sobama sa jednosmernim ogledalima i drugim prostorijama sa ili bez posebnih uredaja za manipulaciju nezavisnim varijablama i merenje reakcija. Smatra se da je kontrola neželjene varijanse u ovim uslovima najveća. Naravno, da podsetimo, osim kontrole spoljnih uslova, trajanja, načina merenja zavisne
varijable, načina kontrole nezavisne varijable i sl., presudna kontrola u istraživanjima je ona koja se postiže randomizacijom. Laboratorijski eksperimenti i u tom pogledu imaju prednosti, je r se u njima lakše sprovodi i kontroliše randomizacija ispitanika. Osim kontrole neželjene varijanse, mnogi eksperimenti su vezani za laboratorije jer koriste takve merne procedure i procedure eksperimentalnog tretmana koje zahtevaju posebnu aparatum. Laboratorijski eksperimenti se koriste kada su zavisne varijable fiziološki parametri, psihofizička svojstva čula, EEG ili EKG, snaga i brzina, odnosno kada se konstrukti koji predstavljaju zavisne varijable mogu operacionalizovati tako da budu merljivi na fizičkom nivou. Ovaj uslov je prc logistički ncgo epistemološki, ali je od presudne važnosti u ispitivanjima čula, psiho-fiziologije, ergonomije itd. U ergonomskim istraživanjima, npr., prirodno je da se efekti dizajna alata, intrumenata i uređaja, kao i organizacije radne okoline mogu najbolje oceniti eksperimentalno, u laboratoriji, mereći brzinu reakcije, produktivnost rada, broj grešaka ili umor. Nisu samo eksperimentahia istraživanja ona koja se mogu sprovoditi u „laboratorijama”, tj. u posebnim prostorijama. Kada god se prikupljaju podaci o ispitanicima ili grupama, to se može uraditi u prostorijama instituta i fakulteta umesto na terenu, tamo gde oni žive ili rade. Međutim, uticaj mesta prikupljanja podataka, recimo da li se intervju vrši u kući ispitanika ili u kancelariji istraživača, kod neeksperimentalnih istraživanja nije veliki. Osim toga, istraživač u neeksperirnentalnoj studiji inia veće i bolje mogućnosti da neutrališe uticaj neprirodne okoline; da sesiju počne neobaveznim razgovorom, a da tokom razgovora ponudi kafu ili sok. Tačnije, preporučuje se da se takve mere „opuštanja” preduzmu uvek kada ispitanike dovedemo na njima tudu teritoriju i situaciju. To je dobro i za eksperimentalno i za neeksperimentalno istraživanje. Međutim, kod ovog prvog kafa i sok neće pomoći ispitaniku da zaboravi na elektrode i senzore koje smo mu prikačili, ili da ne obrati pažnju na vađenje krvi. Muzafer Sherif je 1935. godine počeo sa nizom laboratorijskih eksperimenata u kojima je ispitivao proces formiranja grupnih normi. Kao draž je u eksperimentima koristio tzv. „autokinetički efekt". To je pojava da ako u potpunom mraku gledamo u jednu svetlosnu tačku, imamo utisak da se ona kreće, iako stoji. Ljudi se, iz nekog razloga, razlikuju u pogledu toga koliko „kretanja” svetlosne tačke opažaju - neko više, neko manje. Sherif je ispitanicima davao da posmatraju svetlosnu tačku u mračnoj komori sa distance od oko 51 cm. Nakon toga je svaki ispitanik na prigodnom upitniku upisivao koliko se, po njegovom sudu, tačka kretala. Individualne procene su se drastično razlikovale i kretale su se od jednog do preko deset inča. Nakon toga su ispitanici „radili u grupama" od po dvoje, troje ili četvoro. Pokazalo se, da kada rade sa još nekom osobom, ispitnici vrio brzo konvergiraju u proceni kretanja tačke. Procene, po pravilu, nisu konvergirale ka proseku individualnih procena, nego ka proceni jednog od učesnika. Pošto je bilo formirano vise grupa, njihove „grupne procene" (grupne norme) su bile različite. Što je grupa bila veća i konvergencija je bila veća, odnosno svi bi članovi usvajali jednaku procenu. Dalje, nakon što je grupna procena donesena, ispitanici su se nje pridržavali, individualno, u ponovljenim eksperimentima, čak i godinu dana posle. Ako se nakon nekog vremena ispitivanje ponovi na dva ispitanika iz različitih grupa, oni sporo konvergiraju, Međutim, generalno, kada bi se formirale nove grupe od istih
ispitanika, one bi ipak ponovo fortnirale svoje norme, Ispitanici čije su individualne procene bile jako različite od grupne norme, nalazili su razna opravdanja za promenu stava i neretko su iskazivali neprijatnost zbog promene stava. Postavlja se pitanje šta je u ovom laboratorijskom eksperimentu nezavisna, a šta zavisna varijabla. Nezavisna varijabla je broj članova u grupi koji se kretao od 1 do 4. Nlaime, to je jedina varijabla koja je varirana, odnosno manipulisana od strane eksperimentatora - sve ostale su držane konstantnim, tj. kontrolisane. Zavisna varijabla je procena kretanja svetlosne tačke (tačnije stepen autokinetičkog efekta), ili još tačnije, individualne razlike u toj proceni.
Valja skrenuti pažnjii da se u laboratoriji mogu sprovoditi i neeksperimentalna istraživanja, pa čak i ona koja su eksplorativna. To se dešava onda kada merenje varijabli zahteva složenu aparaturu, zbog čega je neopliodno da se ispitivanje obavi u laboratoriji. Ovakvi primeri nisu česti iz jednog prostog razloga. Nairae, kad istraživač već mora da angažuje laboratoriju, kao jedan skup resurs, on će želeti da istraživanje bude takvo da omogućuje kauzalne zakijučke ili barem predikciju, a ne samo deskripciju pojave. T erenski eksperim ent. - Na engleskom se takvi eksperimenti nazivaju „field experiments”. Ova istraživanja se sprovode u manje-više prirodnim uslovima, ponekad tako da ispitanici nisu svesni da učestvuju u istraživanju. U tim istraživanjima je moguće potpuno očuvati formalnu strukturu klasičnog eksperimenta - randomizaciju i eksperimentalnu kontrolu varijabli - a razlikuju se od laboratorijskih istraživanja po manjem stepenu kontrole ostalih, eksternih varijabli. Važno je uočiti da koristimo termin „stepen”, jer bi se po stepenu kontrole neželjene varijanse mnoga dosadašnja istraživanja mogla svrstati negde između laboratorije i prirodnih uslova. Terenski eksperimenti, ipak, imaju standardne probleme oko randomizacije jer je u prirodnim uslovima teško održati okupljene uzorke slučajno odabranih osoba. Ako se eksperiment sprovodi u školi ili fabrici, teško je radnike i dake izdvajati u posebna odeljenja, kako bi grupe bile ujednačene. Najprirodnije je da se uzmu odeljenja (radna ili školska) koja već postoje, ali ona u tom slučaju neće predstavljati probabilistički ekvivalentne, nego ne-ekvivalentne grupe. Pošto su terenski eksperimenti obično primenjena istraživanja (v. kasnije), ispitanici u kontrolnoj grupi se često osećaju oštećcnima, ili jesu oštećeni, jer se na eksperimentalnoj grupi primenjuje neki novi metod, tretman, lek ili organizacija rada. Zbog toga se članovi kontrolne grupe osipaju. Na terenskim eksperimentima se obično insistira onda kada se želi postići visoka eksterna validnost, odnosno generalizabilnost rezultata. Terenski eksperimenti su dobar odgovor na taj zahtev zato što nisu opterećeni artefieijelnošću ih izazivanjem straha kod ispitanika, zbog čega više liče na situacije svakodnevnog života. Primer jednog terenskog eksperimenta bi bio istraživanje ponašanja Ijudi koji čekaju u redu ispred nekog šaltera. Saradnici istraživača mogu u nekim redovima izazivati probleme tako što će ulaziti preko reda, a u drugim tako što će ometati red (npr. stajaće i neće se pomerati). Pri tome, saradnici mogu imati razli-
čita svojstva koja su bitna za reakcije drugih Ijudi: pol, starost, majka sa detetom ili slično. Svojstva saradnika i njihovo ponašanje su nezavisne varijable, a zavisne varijable su reakcije ostahh učesnika u redu, prikupljene posmatranjem, intervjuom ili upitnikom. Saradnici istraživača su karakteristika mnogih terenskih eksperimenata. Terenski eksperimenti se često koriste u socijalnoj psihologiji, pedagogiji, pedagoškoj psihologiji, kad god se anahzira ponašanje Ijudskih grupa i uticaj spoljnih uticaja na grupu, kao i grupe na pojedinca. U poglavlju o igranju uloga demonstrirana je jedna situacija koja potpuno podseća na terenski eksperiment, iako je njen cilj bio praktičan, a ne istraživački. P oređenje laboratorijskih i terenskih eksperim enata. - Generalno rečeno, laboratorijski eksperimenti su holji za kontrolu neželjene varijanse, dok su terenski eksperimenli bolji u maksimiziranju eksperimentalne varijanse. Naime, uočeno je da arteficijelnost laboratorijskih istraživanja ometa spontani razvoj i ispoljavanje promena u ponašanju. Efekat eksperimentalnog tretmana će biti veći u prirodnim uslovima. I konačno, zbog bolje kontrole svih varijabli, laboratorijski eksperimenti imaju bolju internu validnost (v.), a lošiju ekološku i eksternu validnost (v.). Zbog omogućavanja prirodnog ponašanja učesnika terenski eksperimenti imaju bolju eksternu i ekološku validnost, a lošiju internu validnost. Problem sa ekstemom validnošću laboratorijskih eksperimenata će svakome biti jasan ako podsetimo da su mnogi vršeni na životinjama i da su se generalizacije na Ijude često pokazale pogrešnima a uvek je ostajala sumnja u to da li su generalizacije sa životinja na Ijude ispravne. Laboratorijski eksperimenti imaju često drugačije ciljeve od terenskih eksperimenata. Oni su mnogo češće bazična istraživanja ili fundam entalna istraživanja koja imaju za cilj samo da se razume pojava, da se otkriju povezanosti, utvrde uzroci ili da se proveri neka teorija. Za razliku ođ njih, terenski eksperimenti su češće primenjena istraživanja, koja se takode bave istraživanjem uzroka i razumevanjem pojava, ali sa prevashodnom namerom da se ti uzroci ili pojave koriste za poboljšanje postojećeg stanja. Zbog svoje orijentisanosti na bazične ciljeve, za laboratorijske eksperimente ponekad uopše nije važna eksterna validnost, jer imaju sasvim određen cilj, recimo proveru neke psihološke teorije. Zbog svog primenjenog karaktera, neki su terenski eksperimenti, posebno u formi socijalnih eksperimenata, imali ogromne društvene posledice. Takvi eksperimenti su vršeni posebno u SAD i obuhvatali su izgradnju novih gradova, resocijalizaciju otpuštenih zatvorenika, način ishrane stanovništva tokom drugog svetskog rata, tv-serije za odrasle i za decu (posebno se ističe primer tv-serije „Ulica Sezam”) itd. Naravno, ovakvi elcsperimenti su ogromni u pogledu resursa koje su angažovali: Ijudskih, novčanih, vremenskih. Za razliku od takvih terenskih eksperimenata, laboratorijski eksperimenti uglavnom imaju mali ili nikakav uticaj, osim na živote učesnika i istraživača. Za svaki eksperiment, generalno, može se reći d aje lako primenljiv u nekim oblastima, dok je u drugim oblastima nemoguć, teško sprovodljiv, ili etički ne-
prihvatljiv. Eksperimenti u kojima bi tretman mogao dovesti do štete ispitanicima nisu moralno ispravni. U svakom eksperimentu, bio on laboratorijski ili terenski, može doći do Hawthome ili placebo efekta npr., čime će biti umanjena njegova eksterna validnost. Zbog toga je razlika u generalizabilnosti, koja ide u korist terenskih eksperimenata, samo razlika u stepenu. Ima autora koji smatraju da je posebno plodna kombinacija laboratorijskih i terenskih eksperimenata, je r se kombinovanjem dobijaju dobre strane oba tipa. Kombinovanje može biti stvarno i neposredno, ah može biti i u obhku metaanalize (v.). Vrlo zanimljivo meta-anahtičko istraživanje navodi Cozby (2003). U tom istraživanju autori su našh 38 parova objavljenih eksperimenata, među kojima se svaki par eksperimentalno bavio istim varijablama, ah jedan član u laboratoriji, a drugi na terenu. Teme su obuhvatale agresivnost, pomoć, memoriju, stil rukovodenja i depresiju. Vehčine efekta su bile veoma shčne i zaključci tih studija se nisu značajno razhkovah. Iz toga jc izvučen zaključak da su rezuhati iz ova dva tipa istraživanja više komplementami nego kontradiktorai. Navešćemo eksperiment Philipa Zimbardoa'* koji je po formi bio laboratorijski i koji je stekao svetsku slavu iako je zapravo bio prekinut. Eksperiment se oficijelno bavio deindividuacijom u grupi, za koju se smatralo da je uzrok destruktivnom ponašanju gomile, Zimbardo je 1973. godine podrum odeljenja za psihologiju na Univerzitetu Stanford pretvorio u lažni zatvor. Angažovao je studente dobrovoljce, muškarce, koje je plaćao 15 dolara na dan tokom dve nedelje. Podelio ih je, randomizirano, na grupu zatvorenika I grupu stražara. Deindividuaciju je sprovodio tako što je zatvorenike obukao u jednake zatvoreničke uniforme, na glavu im stavio kape od najlon čarape (da bi izgledalo kao da su ošišani do kože) i nazivao ih brojevima umesfo imenlma. Čuvari su takođe dobili uniforme, neprovidne sunčane naočare kroz koje im se nlsu videle očl I noslli su pendreke. Nažalost, ovaj zanlmljivi ekspenrnenf se u roku od šest dana potpuno otudio od svoje namene. „Čuvari” su počeli da se ponašaju kao pravi čuvari. Omalovažavali su „zatvorenlke" i sadističkl ih maltretirali b e z vidljivog razloga. ja tv o re n lc i” su pokušali da se bune, ali je njihova pobuna ugušena. Nakon toga su postali apatični i depresivni, a neki su čak doživeli mentalnl slom. To je poprimilo takve razmere da je eksperiment morao biti prekinut, premda je teoriju deindividuacije kao izvoru ponašanja mase snažno potkrepio. Epistemološka struktura ovog istraživanja nije jednostavna. U eksperimentu su postojale dve grupe, all nijedna nije bila kontrolna. Dakle, nezavisna varijabla je u ovom eksperimentu složena i može se nazvati zbirnim imenom „članstvo u grupi”, što je označavalo različlto odevanje, različit smeštaj i ulogu. Zavisna varijabla je takođe zblrna i može se nazvati individualnim i grupnim prihvatanjem uloge.
Važno je uočiti da u eksperimentu nije uspela kontrola neželjnih varijabh, iako se dobra kontrola smatra osnovnom prednošću laboratorijske eksperimentalne metode. Naravno, treba podsetiti da je kontrola svih izvora varijanse odlika naučnog metoda i univerzalan zadatak i ideal svih istraživanja.
Philip Zimbardo je sludirao i diplomirao zajeđno sa Stan!eyem Milgramom, koji je svelski poznat po „Eksperimentu Milgram” u kome je ispitivana poslušnost i konformiranje sa autoritetom.
1.
Prirodni eksperiment
Zaniniljiva su istraživanja u kojima se koristi neki realan događaj kao eksperimentalan tretman. Ovakva istraživanja se obično nazivaju prirodnim eksperimentom, odnosno in vivo eksperimentom. Događaj može biti neka prirodna okolnost, kao što su elementame nesreće. Češće su to socijalni faktori, odnosno faktori koje je izazvao čovek - izbori ili sportska utakmica. Bitno je to što je dogactaj nastao pre istraživanja i/ili nezavisno od njega - istraživač ga nije izazvao, ali ga koristi kao uslov koji utiče na ponašanje i stavove Ijudi. U epistemološkom pogledu, događaj koji je u pitanju dovodi do stratifikacije neke populacije u pogledu nezavisne varijable. Recimo, vojnici u ratu koji jesu ili koji nisu bili zarobljeni, Ijudi koji su osuđeni pre ili posle ukidanja smi'tne kazne, studenti koji su upisani sa i bez prijemnog ispita itd. Vidi se da će stratifikacija često biti dihotomna, ali to nije nužno. Samo od dovitljivosti istraživača zavisi da li će iskoristiti neke „prirodne događaje” da bi proučio njihov uticaj na ponašanje Ijudi. Mnoge eksperimentalne manipulacije nisu moguće jer su opasne za učesnike, ili su neetične. Međutim, nešto slično takvim manipulacijama se može desiti u stvamom životu i može se koristiti za istraživanje. U tom smislu su dosada iskorišćene mnoge krizne siluacije kao što su koncentracioni logori, prirodne i druge nepogode. Naravno, većinom su događaji koji se koriste u prirodnim eksperimentima manje drastični od ovih koje smo pomenuli, nego obuhvataju, recimo, donošenje novih propisa, zakona i mera. Svedoci smo jednog velikog prirodnog eksperimenta, „tranziciju iz socijaHzma u kapitahzam”, u kome čitave države menjaju državno i ekonomsko uređenje. Metodologija koja se koristi u prirodnim eksperimentima može biti kvantitativna ih kvalitativna (v.). Stepen kontrole varijabli nije visok, ali u zavisnosti od prirode događaja, vremena koje protekne izmedu događaja i istraživanja i uslova pod kojima ispitanici provedu to vreme, prirodni eksperiment može biti veoma shčan pravom eksperimentu (po stepenu kontrole varijabli). Može se postaviti pitanje razhkovanja pravog i prirodnog eksperimenta, jer se kao bitna osobina pravog eksperimenta uzima upravo (namerna) manipulacija nezavisnom varijablom. lako je, možda, „priroda” učinila ono što istraživači nisu mogh ih nisu smeh, „prirodna” manipulacija nezavisnom varijabloni se možda nije odvijala kontrohsano, za sve objekte jednako, jednakom brzinom ih intenzitetom. Zato prirodni eksperiment treba prihvatati kao eksperiment samo uslovno, nakon detaljne anahze njegove inteme vahdnosti.
2.
Multivarijatni eksperiment
Psiholog Cattell (1966 i Katel, 1978) razlikuje dve tradicije u naučnoj psihologiji: Wundt-Pavlovljevu i Galton-Speamianovu. Prva je eksperimentalna i laboratorijska (na engleskom se često naziva niesingana - brass, jer su u to
vreme u laboratorijama korišćeni različiti uređaji od te legure), a druga je korelaciona (psihometrijska, jer se bazira na analizi individualnih razHka; na strani 519 će biti još reči o ovim tradicijama). Posebno treba skrenuti pažnju na Cattellov rad u kome je on promovisao mtdlivarijalni eksperimenl. Svi eksperimentahii nacrti koji su ovde opisani su, po Cattellu, u osnovi bivarijatni. Zavisna varijabla je uvekjedna, a nezavisne, čak i ako ih ima više, statistički se tretiraju bivarijatnim statističkim tehnikama (jer se i faktorski nacrt ANOVE smatra bivarijatnim ). M ultivarijatni eksperimenti dozvoljavaju više zavisnih i više nezavisnih varijabh, one se analiziraju multivarijatnim statističkim tehnikama (koje iza sebe imaju pretpostavku o multivarijatnoj normalnoj distribuciji), a kontrola eksternih varijabli se vrši tako što se one uključuju u nacrt i posebno analiziraju (recimo kroz analizu kovarijanse). Bivarijatne i multivarijatne eksperimente Cattell (u skladu sa klasičnim shvatanjem) naziva istraživanjima za nalaženje zakona (engl. law-finding). Multivarijatne nacrte, koji nemaju manipulaciju nezavisnim varijablama, ali mogu imati snažnu kontrolu ekstemih varijabli, i zasnivaju se na analizi individualnih razlika, Cattell naziva istraživanjima za nalaženje stnikture (engl. slructurefinding). Ono što je važno u Cattellovom radu je to što je on fonnalno defmisao niz tipova istraživanja na osnovu šest dimenzija: broja varijabli, manipulacije, vremenskog redosleda, kontrole situacije, reprezentativnosti izbora varijabli i reprezentativnosti izbora objekata. Većina nacrta se nalazi negde na prelazima izmedu polova dimenzija, te je, shodno tome, pozicioniranje istraživanja u jedan ili dmgi tip stvar stepena. Za nas je posebno važno Cattellovo uverenje da se i u „psihometrijskim”, stmkturalnim istraživanjima, recimo onim koja su bazirana na faktorskoj analizi, mogu donositi kauzalni zakijučci- recimo, latentna osobina anksioznosti je uzrok slabije pažnje, lošeg raspoloženja, nepoverenja u budućnost itd. Značaj koji su tehnike multivarijatne analize (MVA), naročito faktorska analiza, imale za razvoj nauka o ponašanju, posebno psihologije, doprineo je tome da se strukturalna istraživanja danas tretiraju kao posebna vrsta istraživanja (v.). Posebno je značajno to što je Cattell ukazao da se latentni konstrukti mogu smatrati uzrocima manifestnog ponašanja, čime strakturalna istraživanja postaju kauzalna, slična eksperimentima, Multivarijatna analiza se može koristiti za analizu rezultata iz bilo kog nacrta istraživanja- pa i eksperimentalnog, Za statističku analizu multivarijatnih eksperimenata postoje multivarijatne varijante analize varijanse i kovarijanse, diski'iminaciona analiza, višestmka regresiona analiza, kao i niz drugih tehnika koje imaju za cilj redukciju dimenzionalnosti. U rečniku muhivarijatne analize se standardno koriste teiTnini eksperimentalne i kontrolne gmpe, kao i nezavisnih, zavisnih i kontrolnih varijabli. Multivarijatni pristup omogućava da se svih pomenutih šest dimenzija eksplicitno uključe u model, te da se na osnovu toga odabere odgovarajući, strogo defmisan matematičko-statistički tretman (prvenstveno multivarijatni), čime se
celokupno istraživanje i njegova analiza smeštaju u mnogomerni konktekst. Zbog toga su istraživanja koja koriste multivarijatni pristup, u eksperimentalnoj i]l neeksperimentalnoj paradigmi, veoma često korišćena u istraživanju ponašanja, posebno u psihologiji (v. korelaciona istraživanja).
E.
Neeksperimentalno istraživanje
Kada istraživač nema direktnu kontrolu nad nezavisnom varijablom zato što je ona nastala ili prom enila vrednost ranije, ili zato što nije u mogućnosti da njome manipuliše, a želi da ispita povezanost nezavisne i zavisne varijable, istraživač će primeniti neeksperimentalno istraživanje. Neeksperimentalna istraživanja su, dakle, nam enjena istraživanju povezanosti između varijabli. Osnovni tip povezanosti koji interesuje svaku nauku je kauzalni. Međutim, neeksperimentalna istraživanja ne m ogu dokazati uzročno-posledičnu vezu izmedu varijabli, čak i ako je pravilno utvrde. Ranije su se neeksperimentalna istraživanja često nazivala ,,ex post facto istraživanja”. Taj naziv je potekao od prvog uslova koji mora postojati u uzročnoj vezi: post hoc, ergo propter hoc. Pošto se nezavisna varijabla desila sama od sebe, mi o njenom uticaju na zavisnu varijablu zaključujemopostfacto. Nažalost, uslov vremenskog redosleda ne samo da nije dovoljan (v. poglavlje o uzročnosti u uvodnoj glavi), nego se, ako se uzima zasebno, smatra jednom od najčešćih grešaka u mišljenju. Zbog toga se danas naziv ex post facto sve ređe koristi. Mi moramo da kažem o da je tačno da uzrok mora biti nužan i dovoljan uslov i da vremenski sled dve pojave ne dokazuje njihovu uzročnu povezanost, ali je tačno i to da je vremenski sled nužna pretpostavka kauzalnosti. Ako nezavisna varijabla nije nastala pre zavisne, ona sigumo nije njen uzrok. Međutim, traganje za uzročnošću nije jedini cilj naučnih istraživanja. Tako i neeksperim entalna istraživanja imaju dva altem ativna cilja: p red ik ciju i otkrivanje stru k tu re . Ova dva cilja imaju veliki teorijski i praktični značaj i nisu ništa manje poželjni od utvrdivanja uzročnosti. Obe se zasnivaju na korelaciji odnosno kovarijaciji varijabli. Odnos korelacije i uzročnostije složen. Uzročnost, kao što smo videli, podrazumeva korelaciju, ali korelacija ne podrazumeva uzročnost. Drugim rečim a, korelacija je nužan uslov uzročnosti, a uzročnost je dovoIjan uslov za korelaciju. Iz svega se m ože zaključiti da neeksperinientalna istraživanja povezuju prvi i drugi uslov uzročnosti: vremenski sled i korelaciju. Ono što neeksperimentalna istraživanja ometa da donesu vahdne kauzalne zaključke je nepostojanje trećeg uslova: eliminisanja altemativnih tumačenja. Ovaj treći uslov neeksperimentalna istraživanja ne ispunjavaju iz jednog osnovnog razloga — nedostatka kontrole. Istraživač nema kontrolu nad neza-
visnom varijablom. Ne može da bude siguran kadaje ona nastala i da li je nastala pre zavisne varijable. Takođe, ne može da utiče na njen intenzitet ili trajanje. Još gora je situacija sa kontrolom ometajućih varijabli, odnosno neželjene varijanse. Objekti se ispituju u svom prirodnom okruženju, izloženi nizu različitih dejstava. Takođe, čak i ako je nezavisna varijabla nastala pre zavisne, možda su pre nje ili paralelno sa njom delovale druge varijable. Ispitivali smo, recimo, uticaj telesne aktivnosti na anksioznost i dobili smo da su Ijudi koji se manje kreću anksiozniji, i pri tome, što se manje kreću, više su anksiozni. Iz toga smo zaključili da je nedostatak telesne aktivnosti uzrok anksioznosti. Kao prvo, ne postoji dokazani redosled između telesnog kretanja i anksioznosti. Po većini psiholoških teorija bi anksioznost bila „starija” varijabla od rekreiranja. No, čak i ako zanemarimo te teorije, verovatno ćemo brzo otkriti (mi ili neko drugi) da postoje još mnoge varijable koje koreliraju i sa rekreacijom i sa anksioznošću. Na primer, možemo ustanoviti da više trče Ijudi koji imaju višu platu i koji su oženjeni plavušom, i da su oni, istovremeno manje anksiozni. Štaje onda, medu te četiri varijable, uzrok a šta posledica. Neeksperimentalna istraživanja mogu da imaju eksperimentalnu i kontrolnu grupu, a mogu čak i da imaju randomizaciju kao princip alociranja subjekata po grupama (ali ne pre delovanja „tretmana” - nezavisnih varijabli). Međutim, nijedno neeksperirnentalno istraživanje nema eksperimentalnu kontrolu nezavisnih varijabli. U takvim istraživanjima je naziv „eksperimentalna grupa” pogrešan, jer nema eksperimenta. Kod nas se taj naziv često koristi zbog nedostatka dobrog altemativnog termina, ali i iz razloga žargona, neopreznosti, navike itd. Preporučujemo da se, ako je istraživanje neeksperimentalno, naziv „eksperimentalna gmpa” zatvori u navodnike, jer u neeksperimentalnimistraživanjima nijedna grapa ne može biti eksperimentalna. Takođe, može se koristiti nešto blaži termin, programska grupa, što ćemo i mi koristiti u ovoj knjizi. Poglcdajmo sledeći dijagram.
Neeksperimentalno istraživanje 1
T''
M
Setimo se islraživanja PTSP-a. Pošto se eksperimentalna kontrola nezavisne varijable u ovom slučaju kosi sa etičkim kodeksom istraživača, njima preostaje jedino neki neeskperimentalni nacrt. U dijagramu je prikazana prva varijanta nacrta sa jednom grupom. To je tipično neeksperimentalno istraživanje, gde su za istraživanje uzeti svi koji su imali ratne traume, neki njihov uzorak, ili čak samo pojedinačni slučajevi, kada bi se takvo istraživanje zvalo „studija slučaja”. Za te Ijude jedino znamo da poseduju nezavisnu varijablu T''^, u ovom slučaju izloženost traumatičnom iskustvu. Na takvim Ijudima možemo da merimo niz varijabli, između ostalog i njihovu ocenu težine doživljene traume, vrstu traume, proteklo
vreme i niz drugih faktora. Nizom statističkih tehnika, od testiranja hipoteza o razlikama, preko korelacije, regresije i kanoničke korelacione anahze, sve do modeliranja stmkturalnih jednačina (SEM) možemo {postfacto) istraživati veze i odnose prošlih iskustava i današnjih osobina. Sledeći nešto kvahtetniji nacrt bi bio nacrt sa dve gnipe. U prvoj su oni koji su imah ratno iskustvo i koju možemo zvati „eksperimentahiom grupom”, a u drugoj su osobe bez ratnog iskustva. Oznaka N znači da smo koristili prirodne grupe, recimo u prvoj grupi su oni koji su došh u savetovaiište, a u drugoj studenti. Dalji postupak, odnosno merenje zavisne varijable može obuhvatati intervjue, psihološke testove, standardizovane upitnike za merenje posttraumatskog stresnog sindroma i sl.
Neeksperimentalno istraživanje 2
N N
M M
Najkvalitetniji nacrt istraživanja koji može da se primeni u ovom slučaju je onaj iz sledećeg dijagrama. U njemu snio odabrali dve grupe ispitanika pomoću jednačenja, nakon što smo ih slučajno odabrali iz većeg skupa. U prvoj grupi smo uzorkovali Ijude koji su učestvovali u ratu i imali traumatična iskustva, a u drugoj one koji uopšte nisu bili u ratu (opšta populacija). Nakon toga, na obema grupama smo izvršili merenje zavisne varijable.
Neeksperimentalno Istraživanje 3
P,
M
Treći nacrt je bolji od drugog zato što se slučajnim uzorkovanjem bolje mogu eliminisati nepoželjne „treće varijable” nego prigodnim uzorkovanjem. Svojstva prigodnog uzorka ne garantuju da će Ijudi koji su ušii u jednu ili drugu grupu biti reprezentativni za „ratnu” odnosno „opštu” populaciju. Na primer, veterani koji se sami javljaju u savetovališta dnigačiji su od onih koji se ne javljaju, a studenti su drugačiji od službenika i radnika. Zbog toga treba biti veoma oprezan kada se razlike i veze koje utvrdimo u istraživanju sa drugim nacrtom generahziraju na populaciju (metodološki čistunci kažu da takvu generalizaciju uopšte nije moguće izvršiti).
Zbog mogućnosti mešanja varijabli nijedan od ova tri nacrta nije posebno intemo valjan, s time da je drugi bolji od prvog, a treći bolji od oba. Pažljiv čitalac će uočiti da postoje brojne varijante, podvarijante, niešavine i preplitanja ove tri varijante neeksperimentalnog nacrta. Recimo, različite grupe i podgrupe se mogu formirati na osnovu različitih varijabli. Možemo formirati grupe prema težini doživljene traume, ali i prema tome da li je ispitanik imao neka još ranija traumatična iskustva, kao što su alkoliolizam, razvod ili bolest. Takve grupišuće varijable mogu imati status altemativnih nezavisnih (moderatorskih ili medijatorskih) varijabli, ili možemo samo želeti da povratimo izvestan stepen kontrole nad varijansom, u kom slučaju će imati status kontrohiih varijabh. Pomoću tih varijabh možemo otkriti zašto neki koji su imali trauniatična iskustva razviju PTSP, a neki ne, odnosno zašto neki razviju težak obhk, a neki lak. Osim toga, u konlaetnom istraživanju se mogu mešati i kombinovati i drugi elementi upravo spomenutih nacrta. N a primer, jedna grupa može biti shičajno birana, a dniga ne, u zavisnosti od praktičnih razloga (po pravilu je lakše shičajno birati opštu populaciju). Kada je reč o formiranju grupa, ni u jednom skičaju nismo mogh izvršiti punu randomizaciju. Ona bi podrazumevala da smo grupe formirah randomizirano pre odlaska u rat i da smo onda eksperimentahiu grupu poslali u rat. lako smo mi u drugom i trećem nacrtu nastojah na što validnije odaberemo grupe, one su se u suštini birale same. Ne samo da nismo uticah na to ko je otišao u rat a ko nije, nego nismo uticah ni na to ko je dolazio u savetovaUšte a ko ne. U trećem nacrtu smo sugerisah shičajni izbor „eksperimentalne grupe” iz populacije Ijuđi sa ratnim iskustvom. Međutim, moglo bi biti veoma teško praktično izvesti takav slučajni izbor; vojska, milicija, rezei"visti, dobrovoljci, paravojne grupe itd. Postoji još jedan ozbiljniji problem na koji treba ukazati. IJzmimo da programsku grupu biramo od Ijudi koji se zbog teškoća javljaju u savetovališta i zdravstvene institucije (što je biti najvcrovatnija odluka istraživača). Njima se tom prilikom dijagnostikuje PTSP na osnovu razgovora, anamneze, upitnika ili testova. Prema tome, programsku grupu bi činili Ijudi kod kojih je utvrđen PTSP po DSM -IV ili M KB-IO. Iz toga sledi da smo izvršili izbor na osnovu zavisne varijable, a ne na osnovu nezavisne varijable. Time se interna validnost praktično poništava, jer smo razliku između grupa veštački kieirali.
1.
Zaključci o razlici eksperimentalnih i neeksperimentalnih istraživanja
U savremenim metodološkim priručnicima se mogu naći dijagrami i detaljni prikazi par desetina različitih nacrta istraživanja od kojih su većina varijante i podvrste nacrta koji su prikazani u prethodnimpoglavljima, ali neki predstavljaju iskorak ka posebnim, statistički defmisanim istraživanjima koje ovde nismo pomenuli. Postoji jedno važno pitanje koje se upliće u diskusiju o tipologiji istraživačkih nacrta. To je pitanje o tome šta je uzročnost u domenu ponašanja i
da li ona postoji. Da li se za ponašanje, odnosno delatnost, odnosno aktivnost čoveka i živih bića uopšte, mogu utvrditi uzroci kao što ih poznajemo iz prirodnih nauka. Autori koji argumentovano tvrde da je to nemoguće, smatraju, naravno, da ni eksperimentalna istraživanja ne mogu naći ono čega nema - kauzalitet. Ipak, niko ne odriče epistemološku moć eksperimentahiih istraživanja i njihovu validnost, posebno intemu. U uvodnoj glavi ukazano je na dosta elaboriranu interpretaciju uzročnosti u domenu ponašanja kao statističke povezanosti. U skladu sa takvom interpretacijom razvijeni su i modemi nacrti istraživanja koji se baziraju na statističkoj anahzi individuahiih razlika pre nego na randomizaciji i eksperimentalnoj kontroli'^. U glavi o uzorkovanju, iz rasprave o teoriji i praksi slučajnih uzoraka, videćemo da bilo kakva randomizacija obezbeđuje nepristrasnost samo u izvesnom stepenu, sa odredenom verovatnoćom, a nikako apsolutno. Iz toga sledi i da je razlika eksperimentalnih i ne-eksperimentalnih nacrta samo u stepenu kontrole neželjene varijanse, a ne takva da ih međusobno potpuno isključuje. Eksperimenti, takođe, sadrže neke ozbiljne pretnje validnosti, zbog kojih mogu izgubiti saznajnu snagu koju imaju. Za neeksperimentalna istraživanja se kaže da se zasnivaju na analizi individuahiih razlika, a ne na eksperimentalnoj kontroli varijabh. Eksperimentalna istraživanja su česta u psihologiji, a manje česta u drugim naukama o ponašanju. Danas se može sresti procena da je otprilike polovina psiholoških istraživanja eksperimentalna. Međutim, neka bibliometrijska istraživanja govore da broj objavljenih radova eksperimentalne prirode opada, a neeksperimentalne prirode raste. Takođe, u uvodu ove glave istakli smo i podelu na deskriptivnu, korelacionu i eksperimentalnu orijentaciju u psihologiji, koja nas upozorava da neeksperimentalna istraživanja imaju barem ove dve jedinstvene podvrste. Prilično je poznatapojava dapostoji jaka vezanost jednih autora za eksperimentalni tip istraživanja, a dmgih za korelacioni. Takođe, postoje čitave škole i pravci koji se identifikuju bilo kao eksperimentalni bilo kao neeksperimentalni i, naravno, postoje žučne debate između njih.
2.
Terensko istraživanje
Po nekim podelama, istraživanja ponašanja se mogu razvrstati u četiri glavne gmpe; laboratorijski eksperimenti, terenski eksperimenti, terenska istraži-
” Statistički pristup istraživanju uzročnosti se danas uglavnom naziva modelima striilctiiralnihjednačina(engl. structural equation m odels- SEM). Najčešće korišćena SEM metoda je verovatno konfimiativna faktorska a naliza-K F A (engI. confirmatory factoranalysis), u kojoj se postavlja „matrica cilja”, odnosno formira se hipotetička malrica faktorske strukture, pa se testira koliko je dobijena matrica slična njoj.
vanja i anketna istraživanja (Kerlinger i Lee, 2000), Prve dve su eksperimentalne a druge neeksperimentalne, Međutim, kako ćemo dalje videti, vrlo veliki broj istraživanja u naukama o ponašanju se može nazvati terenskim istraživanjem (engl. field study), Tu mogu da se ubroje studije slučaja, akciona, evaluativna i slična specijalna istraživanja, odrednica „terensko” je prisutna i u anketnim istraživanjima, a ono što se danas u psihologiji podrazumeva pod terenskim istraživanjem to je terenski eksperiment. Zbog opasnosti da se sva istraživanja koja se obavljaju na terenu klasifikuju kao terenska, u mnogim današnjim udžbenicima se ona ne spominju kao posebna vrsta istraživanja. Ipak, radi kompatibilnosti, obradićemo terenske stu d ije onako kako se tradicionalno obrađuju u literaturi. S3?£_definicije-terenskih-istražLvanjajliJ:erenskih studija sadrže odrednicu da se te studiifi_bave„jealnim društvenim.zaiednicama u njihovom-realnom_okniženju”; preduzećima, školama, opštinama, gradovima, selima, porodicama, neformalnim grupama, verskim sektama itd. Medutim, posle te tač k e postoje izv e sn e ra z lik e u defLnjsanju i shvatanj^U -terenskikistraživanja. Po ;prTOrta^IlYalanju, u terenskim studijama naglasak je na razumevanju i značenju ponašanja manjih ili većih društvenih zajednica. Metode koje se koriste su većinom kvalitativne (posmatranje, intervju). Iz takvog shvatanja bi sledilo da su terenska istraživanja primerena sociološkoj grupi disciplina i da liče na studije slučaja (v.)/Dmgo„shyatanje stavlja naglasak na analizu varijabH, odnosa između varijabli i stepena prisustva varijabli u realnim društvenim i prirodnim uslovima, ali i na testiranju hipoteza. Dominantna metodologija je kvantitativna. Razlika ova dva shvatanja terenskih istraživanja se svodi na poznatu kvalitativno-kvantitativnu razliku. Naravno, u oba shvatanja se atribut „terenska” tretira na isti način: kao psobina ovih studija da .se ispitanici ili grupe analizirajuna mestima gde oni žive ili rade i pod_ svakodnevnini uslovima. Taj aspekt, da Se istraživanje sprovodi u uslovima stvamog života ispitanika, bitna je odrednica ovog tipa istraživanja. Mi ćemo se ovde prikloniti shvatanju da je terensko istraživanje svako neeksperimentalno istraživanje, koje na dovoljno velikom uzorku iz postoječe 1 socijalne strukture utvrđuje pojave ili odnose, ili testira hipoteze, a izvodi se u j realnim životnim uslovima. Odrednicu „dovoljno velikog uzorka” i „socijalne strukture” koristimo zato da bismo ukazali da u terenska istraživanja ne ubrajamo studiju slučaja, da insistiramo na eksternoj validnosti terenskih istraživanja i da naglasimo da se terenska istraživanja bave društvenim grupama ili ustanovama. Defmicija nastoji da zadrži i kvalitativni i kvantitativni pristup terenskim studijama. Defmicija isključuje terenske eksperimente (koje smo ovde obradili u drugom poglavlju), ali ne isključuje mogućnost da terenske studije rade sa nezavisnim i zavisnim varijablama i da donose kauzalne zaključke - makar hipotetičke. Medutim, zbog nedostatka randomizacije i eksperimentalne manipulacije, terenske studije nemaju visoku internu validnost. Snagajerenskih studija je u eksternoj i ekološkoj validnosti, odnosno generalizabijnosti, za koju su potrebna dva
uslova: a) sličnost uslova pod kojima se vrši istraživanje sa uslovima u kojima ispitanici žive i b) „dovoljno veliki uzorak” ispitanika (entiteta) da bi bio reprczentativan. Po ovom shvatanju, istraživanja neformalnih grupa, recimo navijačkih grupa, spadaju u terenska ako se sprovode na više različitih gnipa, ili na istoj grupi tokom dužeg vremena. Nasuprot tome, istraživanja Ijudskih zajedica kao što su pojedinačno pleme, selo ili varošica bi pre spadala u studije shičaja. RazHka je samo u stepenu generalizabihiosti: da h je istraživanje uopšte sprovedeno sa ciljem uopštavanja i da h su nalazi direktno generahzabilni na druge grupe ih na šire dmštvene procese, ih su nalazi namenjeni samo za razumevanje, analizu i ilustraciju slučaja koji je istraživan. Naravno, i nalazi iz studija shičaja mogu poslužiti (kao šta najčcšće i služe) kao izvor generahzabilnih hipoteza. Terenska istraživanja mogu da poseduju značajne epistemološke kvahtete. Recimo, varijansa varijabli je obično velika, znatno veća nego što se može dobiti u laboratorijskim uslovima. To je, jednim delom, posledica realizma ovih studija, jer obuhvataju realne životne situacije, a pokazalo se da je život bolji generator individualnih razlika nego eksperiment ili laboratorija. Terenska istraživanja su „heuristična”, tj. imaju veliki „otkrivajući potencijal”. Na nesreću, ovo svojstvo prouzrokuje brojne praktične probleme istraživačima, je rje terenska istraživanja teško držati pod kontrolom: tokom samog istraživanja stalno se nameću nove hipoteze, javlja se potreba za novim instrumentima i novim uzorcima, a nove potencijalne oblasti istraživanja stalno odvlače pažnju istraživača. TroSkovi terenskih studija su često veliki, broj saradnika je veliki i one često dugo traju. Terenska istraživanja ne podrazumevaju nijednu posebnu metodu prikupljanja podataka. Samo mašta, mogućnosti i potrebe istraživača omeđuju metodologiju prikupljanja podataka. To može biti neposredno posinatranje, psihološko testiranje, upitnici, intei"vjui ili merenje fizičkih varijabli kao što su antropometrijske varijable. Prevagu imaju kvantitativne metode, jer su terenske studije većinom kvantitativna istraživanja. lako su terenska istraživanja neeksperimcntalna, postoji mnogo primera u kojima se u terenskim studijama manipulisalo varijablama. Recimo, nekim ispitanicima su davane jcdne informacije o nekoj pojavi, a drugima druge, pa su uporedivane njihove reakcije. U takvim terenskim istraživanjima su značajnu ulogu odigrali saradnici istraživača, za koje smo rekli da su karakteristika terenskih eksperimenata. Za istraživanja u kojima se porede rezultati dobijeni optruzivnim i neoptruzivnim metodama (npr. da li je posmatrač neposredno prisutan ili je sakrivcn) se takođe može reći da sadrže manipulaciju varijablom prisutnosti posmatrača. Istraživanja u kojima se koristi učesničko posmatranje takođe često koriste manipulaciju varijablama. Ovakva terenska istraživanja su, u celini, kvantitativna, ali mogu se služiti nekim kvalitativnim metodama.
Terenska istraživanja su vrlo brojna i pokrivaju veoma široku oblast. Zato se dalje mogu podeliti na osnovu nekoliko kriterijuma. Po jednom kriterijumu, dele se na: eksplorativna i konfirmativna. Konfirmativna istraživanja traže odgovore na zašto i kako, i zadiru dublje u otkrivanje odnosa i zavisnosti unutar date društvene zajednice, sa ciljem da ih protumačc. Atribut konfirmativna ova istraživanja stiču zato što se bave testiranjem hipoteza (eng. hypothesis testing). Eksplorativna terenska istraživanja se nazivaju i deskriptivnim terenskim istraživanjima. Glavna pitanja na koja ona odgovaraju su šta i koliko. Ona ne postavljaju pitanja zašto i kako, niti traže odgovore na ta pitanja. Saznajni tok u mnogim naukarna počinje eksplorativnom, odnosno deskriptivnom fazom. Tako su i eksplorativna terenska istraživanja često uvod u konfirmativna. Da bismo mogli postaviti pitanje „zašto” i da bismo mogli tražiti odgovore na njega, moramo defmisati konstrukte i formulisati hipoteze. U tome značajnu ulogu igraju eksplorativna istraživanja, koja, sama po sebi, ne sadrže hipoteze i ne proveravaju ih (ali mogu da imaju istraživačka pitanja, v.). Eksplorativna terenska istraživanja mogu imati dva cilja: a) prostu deskripciju i b) otkrivanje veza mcđu varijablama. U deskriptivnom obliku ona su vezana za ono što smo u glavi o kvantitativnoj anahzi nazvali deskriptivnom statistikom. Cilj im je samo da se utvrdi koji konstrukti postoje i u kom stepenu. Varijable u takvim nacrtima imaju samo kvantifikatorsku ulogu. Kada se eksplorativna istraživanja primenjuju da bi se utvrdile povezanosti, njihovi ciljevi idu dalje od proste deskripcije. Taj tip istraživanja obuhvata i studije u kojima se istražuje predikcija i latentni konstrukti, pa se, dakle, on preklapa sa korelacionim istraživanjima (v.) i strukturabim istraživanjima (v.).
F.
Anketno istraživanje
O^novna odredba anketnpg jstraživanja (engl. sw vey) je da je neeksperimentalng. Sledeća važna odredba, koja se u literaturi ponekad previše naglašava, jeste da se anketno istraživanje sprovodi.na.uzcir/:M, pa se na engleskom ponekad može naći naziv sample survey. Medutirn, ne čini se da je činjenica da se ncko istraživanje sprovodi na uzorku objekata differentia specifica tog istraživanja u odnosu na ostala. Uzorkovanje je, kao što smo videli, prisutno svuda, pa i u studiji slučaja. Takođe, taj opšti pravac induktivnog zaključivanja-generahzacija sa uzorka na populaciju, je prisutan u većini kvantitativnih empirijskih istraživanja. Konačno, uz .anketno istraživanje se vezuju upitnik \ struktiirisani intervju kao osnovne metode prikupljanja podataka. Po rečnicima, re_^potiče pjryo od la ^ s k o g jnquisita, pa od francuskog _engueie.
Anketnom istraživanju posvećujemo celu glavu zbog važnosti i učestanosti primene. Sve nauke o ponašanju koriste anketna istraživfinja. Međutim, njihov značaj se vidi daleko izvan naučno-istraživačke.oblasti: u domenu primenjenih istraživanja, socijahie politike, ekonomije i marketinga, a danas ga, u okviru ispitivanja javnog mnjenja, mnogi vide kao važnu komponenlupolitičkog legitimiteta, odnosno demokratskog odhičivanja (Baćević, 1994, Slavujević, 2002). A nketnajstraživanja su nova i syoj .osnovni-razvoj .doživela su_u.XX.veku. U hteraturi se mogu sresti razUčiti stavovi o tome da h su anketna istraživanja kpnfirmativna^ih ek'splorativna'.''U osnovi, ona mogu poshižiti i u eksplorativne i u konfirmativne svrhe. Anketnajstraž[vanja se č ^ sa potpuno praktičnirn, komercijalnim eiljevima, a.nejiaučnim. U tim slučajevima je prirodno da ona budu na deskriptivnom odnosno „procentnom” nivou. U_takypm tipu 2 stražiyanja varijable imaju „kvantifikatorskii” ulogu. Kao što je istaknuto u glavi o varijabh, „kvantifikatorska” uloga varijabh ima niži epistemološki nivo nego „strukturalna” . Međutim, anketna istraživanja mogu sasvim dobro da posluže za strukturahie namene, pa dakle da i njihove varijable imaju strukturalnu ulogu - da služe za otkrivanje izvora i razloga za mnjenja i ponašanja Ijudi, S obzirom na ciljeve ih namenu, anketna istraživanja mogu.biti: • pohtikološka (izbori, partijska opredeljenja, poverenje u pohtičare i institucije, stavovi o važnim društvenim pitanjima), •
m a r k g t in š k a ( p o t r o š a č k e p r e f e r e n e ije i p o n a š a n je ) ,
• jnedijska (čitanost, shišanost i gledanost medija), • socLopsihološka (vrednosti, životni stilovi, navike), • so.cioekorLoniska (socijahia pokretljivost, materijahii status) itd. Lista eiljeva ovim daleko od toga da je iscipljena. Istraživači mpgu imati neke sa_s_Yim specifične ciljeve, a vrlo čest^se cjljevi kombinuju. U_anketnim istraživanjima se mogu prikupljatipodaci najrazličitije prirode. Teško je zamishti sve šta Ijudi jesu ili bi mogh biti pitani u anketama. Zbog toga nije lako napraviti valjanu taksonomiju podataka koji se prikupljaju u anketnim istraživanjima. Priroda podataka koji se prikupljaju zavisi, naravno, od ciljeva anketnog istraživanja. AJcQ-bisma.nas.tojali-da_nekako grupišemo podatke koji se prikupljaju-u.anketama, imajući u vidu osnovne ciljeve anketnih istraživanja, .mogli bism ojh-podehti.na podatke o: •
s D .c io lg š k im , _ e k o n o m s k iiu i l i a n t r o p o l o š k i m . s v o j s t v m i a ,
• •
.prošlom,_sadašnjem i b_udućem.ponašanj.u.ljudi, stav_oYiroa.i_mišlje.njiipa.
U^pr-vu -grupu_podataka _spadaj u_„činj.enicelLili_„fakti!lo_lj udima, .Qno-što_ se kod na^često naziva ob.eležjima,.nezavisnim-varijablama ili-socio-demografskim oheležjinja. Tu spadaju.pol, starost, obrazovanje, n a c io n a ln O -S t, piihod, konfesionalna pripadnost, bračni status, posedovanje dobara itd. Medutim, mogu se prikupljati i „objektivni” podaci o telesnoj visini, broju cipela, boji kose ili krvnoj grupi. Ovde se mogu ubrojati_Lpadflciii.zdraY-lju i boIe_stima, isJkustvima sa krimj-
n a l D i n . i nasiljsm (kao izvršilac ili kao žrtva), seksualnim navikama.-Lflpredeljenjima i .tome slično. Sledcća. važna g n jp a ^ .p o _ d a te k 3 .-S U --p Q d a d - .Q _ p Q n a š a n ju J ju d i. Ispitanike možemo pitati koliko često idu u pozorište, hihlioleku ili robnu kuću. Možemo ih pitati koje proizvode kupuju, kakvu hranu jedu, gde provode slobodno vreme, kako vaspitavaju decu ih za koga su glasah. U.anketama se često postavliaiu pita_nja o bjjdućejmjlLplaioiraaDm-ponašanju: za koga će glasati, da h će i ć i na more, da l i planiraju da stupe u brak. Osim„objektivnih^’-podataka,jianketnimistražii'anjima.se.mogu.prikupljati podacii). psihičkim ih psihofizičkim osobinama. raspoloženjima, emocijanTa itd. hMk. niaitipi.č-niia primena_anketnih istr-ažlviinia ie u ispitivaniim ajavnng mnje.njn, tj. utvrdivanja stavova, mišljenja, opredeljenja i preferencija stanovništva o nekim određenim pitanjima, na primer o nekim novim merama vlade. Takva istraživanje se kod nas često nazivaju sondažama javnog mnjenja (engl. public opinionpolls, Baćević, 1994). Kao i kod svih kvantitativnih studija,jresudnO-_pitanje-anketiiili.istražiYanja }S..mIjanosJ^J_pouzdanmLJnecenia (v.). S obziromuna-.osnovni cilj. anketnih istraživanj&Jzaklj.učivanje (i populaciji )ld~ošnomližorkdl. prvi činhae kojj nwra biti zadovoljen da bi merenje bilo valjanp^ i pi3uzdan0_je-x.ep-rez-entatiyan uzorak (dovoljno velik i pravilno biran). Drugi č i n i ^ J^ d a ispitanici odgovaraiu iskreno,. pošteno, ali i da pitanja budu takva da se na njih može odgovoriti pošteno. Ako.ispitanike_p_itateji^sšto što oni jie.znaju ih^Č-ega.-.se-_-ne,sećaju (npr. „kako ocenjujete rezuhate prve privredne reforme iz 1965. godine”), rezultati neće biti yaljani i pouzdani. N a spremnost ispitanika da iskreno odgovaraju može se utic.ati pravilnoni fonii^lacijom pltanja, naknadom troškova, obukom anketara, dobrim uputstvom itd. Međutim, još nije pronadeno univerzalno i konačno rešenje za pouzdano i valjano merenje u anketnim istraživanjima. Treba imati u vidu da su ankctna istraživanja, pogotovo politikološka, često podvrgnuta direktnoj i brzoj validaciji - za razliku od svih ostalih istraživanja ponašanja. Na prinier, prognoze iz predizbornog istraživanjajavnog mnjenja, sprovedenog deset dana pred izbore, biće validirane u roku od 10-15 dana, već koliko bude bilo potrebno za prebrojavanje glasova. Usko povezana sa anketnim istraživanjem je problematika merenja stavova. Pojam stava, teorija i način merenja stavova opisani su u posebnom poglavlju. Uzorkovanje je važna komponenta anketnog istraživanja i važan deo njegovog epistemološkog kvaliteta. Razvoj metoda uzorkovanja i anketnog istraživanja je tekao paralelno. Uzorkovanju je u ovoj knjizi posvećena posebna glava, gde su opisani osnovni pojmovi, tipovi uzorka i njihova svojstva, kao i problemi realizacije uzorka. Posebno skrećemo pažnju na odeljke o „etapi ispitanika” i „etapi anketara” i na poglavlje o praktičim problemima empirijskih istraživanja.
strukturisanirn interyjiionx_ilij.ipilnikom. Ove dve metode prikupljanja'pajataka opisane su u posebnim poglavljima. Zbog brzine, efikasnosti, praktičnosti, cene i
zbog drugih razloga, danas se u prikupljanju podataka veoma mnogo koriste računari, pa će u sledećem poglavlju o tome biti više reči.
1.
Vrste anketnih istraživanja
Anketna istraživanja se mogu deliti na različite načine. U uvodu smo predložili podeiu po ciljevima, a mogu se deliti i po tipu uzorka, po ciljnoj populaciji (rceimo, omladinske ankete) ili po nekom drugom kritcrijumu. U udžbenicima se, medutim, obično dele pj;cma_tomeJžako se prikuplia)u„pfldaci. U skladu sa time razlikujemo: ankete sa ličnim intervjuisanjem, telefonsice anicete, poštansice ankete i Internet anicete. jA nketa„sa ličnira^inter-vjuisanjeinl- U celini gledano, najboJji_jiačin anketiranja je putem ličnog intervjuisanja, kada obučeni intervjuer -_a.nketar_ postavlja pitanja ispitamku,--Iicem u- Lice. Oblik intervjua koji se koristi je strukturisani, Sto znači da se podaci prikupljaju na osnovu upitnika za lično intervjuisanje. U poglavlju o upitniku opisana su svojstva ovog upitnika i osnovne sugestije za konstrukciju. Rad anketara opisan je u poglavljima o upitniku, intervju, skrivenim etapama uzorkovanja i praktičnim problemima empirijskih istraživanja. U tim poglavljima ukazano je na dobre i loše strane ovog tipa anketiranja. U celini, ovim načinom anketiranja mogu se prikupiti sveobuhvatni, produbljeni i pouzdani podaci o velikom broju različitih ponašanja i mišljenja. Sadržaj i tok intervjua može biti prilagodavan ispitaniku i može se ocenjivati uverljivost i iskrenost odgovora. U našim uslovima daje najbolje rezultate. Nažalost, Hrao jntMvjiiisanje podrazum.eya.-dQbj;p_j5rganizoyanu i_.Qbiič.enu anketarsku službuj ra(^najerenju. Zal.aje_ankrta_saJjčnitXLinten/jui_sanjem_^^ (kod nas se kao okvirna cena inože uzeti 10 evra po upitniku) i zahteyqjnnqgo_^ prip rem a j prganjzacionog rada. Umesto nacionalne anketarske mreže može se koristiti manji tim anketara koji se razašilju iz sedišta istraživača, ali se to plaća znatno dužim trajanjem istraživanja, \Telcfonska anketa.-j- Mnogo lakša je telefonska anketa. Uz dobre telefonske centrale, dobru pokrivenost telefonima, dobar softver za slučajno biranje telcfonskih brojeva (RDD), dobar softver za CATI i uz ispitanike navikle na telefonske ankete, o,vaj-tip anketiranja može dati dc)bre rezultate, pogotovo kad su oni potrebni odmait i kada su sredstva_ograniče.uci. Telefonska anketa je nekoliko puta jeftinija od ankete sa ličnim intervjuisanjem, a može biti skuplja od poštanske ankete. U poglavlju o upitniku date su osnovne sugestije za konstrukciju instrumenta za prikupljanje podataka putem telefonske ankete. U glavi o uzorkovanju opisana je procedura uzorkovanja telefonskih brojeva. Kao što se može prelpostaviti, naši istraživači javnog mnjenja ne rnogu računati da će u potpunosti biti zadovoljen ijedan od prethodnih uslova. Dakle, niz tehničkih problema mogu ,da ugroze kvalitet telefonske ankete. Postoji i problem proistekao iz prirode telefonske komunikaeije i izgrađene kulture ove komunikacije. Antetiranje;p_utem_t_ejefona,_
djrektne komimikacije,-licem u lice. Zato su pĐiiaci±oji-.se. prikupe_ tejefpnom, _ae_stQ.jDOvrl«z i kurtoazni, .posebno ako je broj pitanja.veliki ili ako seispitaniku žuri, Neki Ijudi lakše odbijaju sagovomika preko telefona, pa stopa neodgovora može biti visoka. S dnige strane, n ^ i j j u d i će pre pristati-da.odgovaraj.u preko telefona nego da puste_stranca_a Ne samo da je ova vrsta ankete o,grani£sna na-domaćinstva koia imaiu..telefon. nego je oeraničena i na ..one_koj,i„pris.tajiLda djgnu.sluaalicu (danas su sve prisutnije „telefonske sekretarice” i identifikacija pozivnog broja - „caller ID” - koji služe ispitaniku da vidi ko ga zove i da odluči da li će odgovoriti ili ne). Ako se osoba javi i ne spusti slušalicu odmah, postoje razne telinike i preporuke kako da se motiviše za dalji razgovor. Kada4nter.vjuisanje počne, bez obzira što nije licem-u-lice, o iio Je sle jd ir^ n a J« m ^ ^ što znači da anketar može postaviti potpitanja i pružiti dodatne informacije, ali se, s druge strane, omogućava neobučenim anketarima da postavljaju sugestivna pitanja. Medutim, ako je upitnik koji se primenjuje u telefonskoj anketi kratak, pilanja jednostavna i ne zahtevaju duge razgovore i objašnjavanja, a od uzorka se ne zahteva da bude reprezentativan, telefonska anketa je vrlo praktično rešenje. Treba dodati i to da se njome izbcgava organizacija i kontrola velike mreže anketara, koja je potrebna za lično intervjuisanje. /l^ š ta n s k a ja n k cta j- Poštanske ankete su ]oš-jednostaviiije i jeftinije. .ad telefomkih^ d M b ^ n .znatao duže. Anketiranje putem upitnikakoji se šaljupoštom (ili nekim dmgim sličnim načinom) ima i odredene prednosti u odnosu na ankete licem u lice (v. poglavlje o upitniku). Qsn.o.Yni pr£!blem-Ovog.tipa,ankete.je-v/.?ofc3 stopa neodgovoni, 40-70.%, koja je pri tome, visoko selektivna. Istraživači se herojski bore da bi popravili stopu vraćenih upitnika i smislili su razne tehnike koje su obrađene u glavi o sprovođenju istraživanja. Nažalost, nijedna od tehnika se nije pokazala dovoljno efikasna, niti su njeni efekii važili uvek. S druge strane, značajno su poskupljivale i usporavale islraživanje, čime je slanje upitnika poštom izgubilo svoje prednosti. Zato se danas misli da trcba izbcgavati poštansku anketu kad god je to moguće i ukoliko niste sigurni da ćete stopu neodgovora smanjiti na 10-20% (kako biste izbegli pristrasnost zbog selektivnog odbijanja). [Iiit^rnct a n k e ta .- Pod Internet anketama se mogu podrazumevati različite stvari. Prvo i osnovno je anketiranje preko web stranica, ali se Intemet može koristiti i za slanje i vraćanje upitnika e-mailom. Zbog značaja koji ima primena računara u anketnim istraživanjim a, ta će tema biti obradena u sledećem poglavlju. L ongitudinalno anketno istra,živanje.- Anketno istraživanje može biti i longitudinalno (v.). Kada se sprovodi kao longitudinalno, naziva sepanel istraživanjem. Panel istraživanja se izvode u dva ili više talasa. U svakom talasu se daje isti ili sličan upitnik istom uzorku ispitanika, Postoji problem oko uveravanja ispitanika da je takva anketa anonimna. Rešenje se može potražiti u tome da se u pi-vom talasu uzme veći uzorak i da se svi ispitanici pitaju da li su saglasni da učestvuju i u sledećim talasima. Naravno, unatoč datoj saglasnosti, u svakom
sledećeni talasu treba očekivati određenu stopu neodgovora koja se u ovom slučaju kumulira. Anketna istraživanja su pogodna za logitudinalne analize, bez obzira da li su inicijalno tome namenjena. Ove analizc imaju karakter analize sekundarnih podataka (v.), ali se može koristiti i meta-analiza (v.). Ovakve studije trcnda su posebno olakšane ukoliko postoje nacionalne ili lokalne arhive istraživačkih podataka. Kod nas je u toku razvoj nacionalne arhive istraživačkih cm pirijskih podataka iz društvenih nauka - NEDA (National Social Science Em prical Data Archive). U razvoju arhive učestvuje Konzorcijum instituta, pod vodstvom C enlra za politikološka istraživanja i javno mnjenje (ww\v.cpijm.org.yu) Instituta društvenih nauka u Beogradu, a autor ove knjige je pisac softvera. Polaznu osnovu ove arhive čini postojeća meta-baza istraživačkih podataka - CPIJM Research Data. NEDA je integrisana arliiva istraživačkihpodataka ']qx sadrži kako izvorne podatke, tako i metapodatke o istraživanjima, a osim toga sadrži procedure za pristup i analizu tih podataka. Na primer, raspolaže funkcijom pretraživanja tekstova varijabli i kategorija i njihovih ključnih reči, fomiiranjem (rekvencija odgovora, analizom kontingencionih tabela i analizom trendova. Vođcnje d n cv n ik a.- Pošto su mnoga istraživanja pokazala da se ne valja osloniti na memoriju ispitanika o tomc šta su radili u prošlosti, koliko je ncšto trajalo, kad je počclo i sl., pokušana su razna rešenja tog problema. G encralno, kada ispitanici moraju da se prisete nekog događaja, oni će to uraditi lakše i bolje ako im se pomogne da uporcde taj dogadaj sa nekim drugim, ako im se ponude neki vremenski reperi i sl. Medutim, jedno od najboljih, ali i najzahtevnijih rešenja je da se ispitanicima dadne nalog da vode dncvnik o svom ponašanju koje interesuje istraživača: kada su gledali televiziju, koliko sati su potroSili na kupovinu, koliko puta su dncvno slagali itd. Ispitanicima se za te svrhe m ogu podeliti priprcmljcni formulari koji ćc olakšati upisivanje. Tehnika dncvnika i upitnika se mogu kombinovati.
2.
Računarski podržano anketiranje
Danas u opticaju postoji veći broj tehnika u ovoj oblasti i veći broj različitih naziva, pri čemu se neki nazivi preklapaju ili koriste naizmcnično. Sve ove tchnike se obično podvode pod opšti pojam računarski podržanog prikupljanja podataka, ili cngl. Computer assisted data coUection, CADAC. Nabrojaćemo iikratko glavne nazive tih tchnika i engleskc skraćenice koje se često sreću u literatiu-i. • Računarski podržano telefonsko anketiranje; Computer A ssisted (ili Aided) Telephone Interviewing, CATI. • Računarski podržano lično anketiranje; Computcr A ssistedP crsoncd Intervicwing, CAPI. • Računarski podržano lično odgovaranje; Computer A s sis te d S e lf In tervicwing, CASl (to se može organizovati kao CAPl, tako što intervjuer
pruži prenosni računar ispitaniku - u tom slučaju to se naziva CASI-IP, Interviewer Present). • Računarski podržani upitnici; Computerized Self-Administered Questionnaire, CSAQ. CSAQ se može realizovati kao DBM {Disk By Mail) metoda u kojoj se disketa sa programom za intervjuisanje šalje ispitaniku na njegovu adresu, on je stavlja u svoj računar, pokreće program i odgovara na pitanja), ili na sledeće načine. - EMS, ili Electronic Mail Survey je postupak kada se upitnik i uputstva za popunjavanje šalju ispitaniku elektronskom poštom. On onda daje odgovore popunjavajući poslate fonTiulare i vraća ih, obično takođe elektronskom poštom istraživaču. - Na ovaj (ili sličan) način se mogu sprovoditi i panel istraživanja kao Computer Assistcd Panel Research (CAPAR). Ispitanici dobijaju spisak pitanja na koja moraju odgovoriti i na njih odgovaraju u nekoliko navrata, u fiksnim intervalima, na primer, jednom nedeljno tokom jednog mescca. U istraživanjima sa dobrim budžetom se čak praktikovalo da se ispitanicima instahra personalni računar sa modcmom. • Kada se ispituju pojave u realnom vremenu, recimo gledanost telcvizijskih emisija, nijedna od prethodnih metoda nije pogodna. Zato u zadnje vreme dobijaju na populamosti metode za ispitivanje gledanosti televizije „tv-metri” {m g\. people meter). • Internet ankete - ih glasanje preko web straniea. Danas je to veoma čcst, jeftini i brz način anketiranja. Intemet ankete imaju „ugraden” problem uzorka, jer učestvuju samo oni ispitanici koji pristupe web stranici i koji pristanu da odgovore. Ako se pitanja odnose na samu wcb prezentaciju i tematiku na koju se ona odnosi, onda se uzorak eventualno može prihvatiti kao rcprczentativan. Kod nas je zasada to visoko selekcioniran uzorak, jer u trenutku pisanja ovog teksta Internet koristi nešto preko 23% stanovništva, od kojih je 43% mlađih od 29 godina, 35% ima najmanje višu školu, a skoro 80% ih ima najmanje srednju školu.^“ Postoje kombinacije ovih načina intervjuisanja sa razhčitim tehničkim mogućnostima koje pružaju računari. Na primer, pitanja može izgovarati (preko telefona, ili direktno) sam računar. Takode, ispitanici mogu odgovarati glasom, jednostavnim odgovorima kao što su ,,da” i ,,ne”, a da računar koristi automatsko prepoznavanje govora i na taj način beleži odgovore. Nije poznato da u ovom trenutku postoji opcrativno komercijalno rešenje za ovakav tip anketiranja na našem jeziku. Postoje i razHčiti uređaji koji mogu da registruju odgovore ispitanika pomoću pritiska prsta i da te odgovore šalju modemom centrahiom računaru. U CADAC metodama, intei-vjuer obično čita pitanja sa monitora računara i odmah upisuje odgovore ispitanika (svejedno da li preko telefona - CATI, iH lično - CAPI). Odgovori se, dakle, odmah beleže. Zatim, česta je praksa u upitni™ Podaci iz istraživanja „JJM184" .sprovcdenog u Srbiji i Cmoj Gori u dcccmbru 2004. gođine od stranc Ccntra za politikološka istraživanja i javno mnjcnjc.
cima za ispitivanje javnog mnjenja da se na osnovu jednog odgovora odlučuje o sledećim pitanjima koja će se postaviti (ako ispitanik siuša neki radio A'; onda mu se postavlja pitanje kada ga sluša ili koje inu se emisije sviđaju, a u protivnom mu se ta pitanja ne postavljaju). Poznato je da anketari prave greške u takvim situacijama pa pitaju ispitanika o emisijama koje mu se svidaju, čak i ako je on rekao da ne sluša taj radio. Poznato je, takođe, da ispitanici u takvim situacijama ne odgovaraju uvek sa ,,ne znam”, nego prikazuju luda ili opšta mišljenja kao svoja. U slučaju računarski podržanog intervjuisanja, računar uopšte neće prikazati pitanje o preferiranira emisijama ako je ispitanik prethodno odgovorio da ne sluša radio. Jedna vrlo važna potencijalna prednost računarski podržanog intervjuisanja je u mogućnosti menjanja redosleda pitanja. Odavno je uočeno da redosled postavljanja pitanja utiče na odgovaranje ispitanika. Ne samo da se pitanja mogu birati slučajnim izborom, ncgo se i redosled opcija (alteraativa) može slučajno varirati. Kontrola podataka je važan aspekt svake empirijske metode. U klasičnom, papir i olovka intervjuisanju, logička kontrola podataka se vrši pre ili tokom unosa podataka. Nažalost, kada se utvrde greške, ispravka je obično nemoguća i uobičajeno je da se pogrešni odgovori kodiraju kao ,,bez odgovora”. Kod CATI, računar može odmah da proveri da li je odgovor u predviđenom opsegu, da Hje u logičnom odnosu sa nekim prethodnim odgovorima i može sugerisati intervjueru (ili ispitaniku) da proveri odgovore. Naravno, faza unosa podataka se polpuno preskače kod CADAC metoda (osim u nekim specijahiim slučajevima) i podaci su raspoloživi odmah nakon završelka intervjuisanja. Računar može egzaktno da evidentira sve događaje tokom intervjuisanja: koliko je bilo odbijanja, koliko puta se moralo zvati telefonom (kod CATI), koliko je trajao intervju itd. Računar može pomoći i oko otvorenih pitanja, tako da odmah vrši kodiranje, proveru dotada uspostavljenih kategorija i njihovo prilagođavanje, ako je potrebno. Na računaru se mogu prezentirati i neki nestandardni formati pitanja, kao što su duži ua kojima ispitanik mora da označi svoj položaj, ili neki niz fotografija koje ispitanik mora da prepozna itd. Tokom CATl računar može da vodi kompletan posao oko nalaženja brojeva telefona koji će se zvati i samog fizičkog biranja broja. Ako veza nije bila uspostavljena, računar (tačnije, računarski program za CATI) može zapamtiti taj broj i pokušavati sa ponovnim zvanjem neki zadati broj puta, ili dok se veza ne uspostavi. Ako ispitanik nije kod kuće, ih nije trenutno u mogućnosti da razgovara, anketar može unijeti dogovoreno vreme ponovnog zvanja, a računar će ga podsetiti na to. Što je još važnije, računar može pratili kvote na osnovu unesenih odgovora ispitanika i upozoravati intervjuera npr. da mu „treba još žena” (ako je korišćeno kvotno biranje). Sto se tiče eene koštanja, generalni nalaz je da su troškovi u početku veliki, ali se kasnije ostvaruju uštede. Takođe, na pripremu i razvoj „elektronskog” upitnika treba utrošiti više vrcmena (dakle na početku istraživanja), ali se kasnije
iištedi na unosu podataka i logičkoj kontroli. Potrebna je obuka anketara za CADAC, ali zato je obuka za samo sprovođenje intervjua manja ~ jer program sam odabira pitanja i vodi računa o ispravnosti odgovora. Što se tiče metodoloških prednosti i mana i valjanosti prikupljenih podataka, još ne postoje defniitivni podaci o tome. Kod neiskusnih anketara računar može ometati njihov kontakt sa ispitanikom u smishi da im pažnja bude okupirana manipuhicijom tastaturom i mišem. S dnige strane, iskusni anketar, koji zna da ne mora paziti koje pitanje sad ide, a koje n e ide, može osećati veći konfor nego kod papirnog upitnika. Isto tako, akoje ispitivanje CASI (bezprisustva anketara), ispitanik se može osećati otudcn i uphišen novom tehnikom, aH, s druge strane, može se osećati slobodniji da odgovara na osetljiva (hčna) pitanja. Naravno, u našim uslovima, tehnike ,,bez anketara”, koje se zasnivaju na tome da ispitanik direktno odgovara koristeći računar, u istraživanjima koja se odnose na opštu populaciju, su vrlo malo verovatna. Tv-metri ih „people metri” su i k o d nas ušh na velika vrata, ah pošto su ti uredaji vrlo skupi koriste ih samo najveće marketinške agencije. Oni su naslednici „dnevnika”, formulara koji su deljeni gledaocima i u koje su oni bih dužni da upišu kada i šta gledaju. Danas su aktuelni tzv. prenosni tv-metri, mah uredaji vehčine pejdžera. Oni registruju specijalne zvučnc signale koje emituje radio stanica iU tv stanica čija se shišanost ili gledanost ispituje. Ovi zvučni signah nisu čujni za čoveka, a specijalno su kodirani tako da tv-metar „zna” koja emisija je u toku. Osobe koje pristanu (uz novčanu nadoknadu) da učestvuju u merenju gledanosti, a trebale bi da predstavljaju reprezentativan uzorak, nose čitav dan svoj tv-metar. Tv-metar „pamti” sve em isije koje je osoba shtšala i kasnije ih šalje (obično modemom) agenciji koja sprovodi merenje gledanosti. Naravno, tv-metri mogu da registruju samo da je osoba u prostoriji u kojoj se čuje neka emisija, a ne i da )i osoba stvarno shiša ih gleda em isiju i šta mish o toj emisiji (može, na primer, da ima shišahce i da shiša vokmen). Na osnovu merenja gledanosti putem tv-metara televizijske stanice mogu da zinaju koHko Ijudi je u svakom trenutku bilo bhzu televizora kada su se em itovale njihove emisije. Moguće je očekivati dalji tchnički razvoj ovih uređaja u pravcu registrovanja stavova ispitanika o praćenim cmisijama, a moderni uređaji već danas mogu promptno da šalju rezuhate putem mi'eže mobihie telefonije ih sl.
G. Korelaciono i strukturalno istraživanje
Ova vrsta istraživanja je svakako jediia od najčešće primenjivanih u naukama o ponašanju. Mnogi autori ova istraživanja vide kao sasvim zasebnu epistemološku klasu, koja kombinuje eksperimentalni pristup i pristup analize individualnih razlika (npr. Cattell, 1966). U poglavlju o eksperimentalnim istraživanjima opisan je multivarijatni eksperiment, čiji je protagonista bio Cattell. On je razlikovao istraživanja čiji je cilj nalaženje zakona od istraživanja čiji je cilja otkrivanje stmkture. Međutim, ono što je važno, Cattell je i ovim drugim pripisivao mogućnost da donose kauzalne zaključke - recimo, latentna osobina anksioznosti je uzrok slabije pažnje, lošeg raspoloženja, nepoverenja u budućnost itd. Zbog toga ćemo korelaciona istraživanja razvrstati u dve podvrste. a) Studije koje se zasnivaju na nekom indikatom povezanosti - koeficijentu korelacije - i imaju za cilj da utvrde povezauost dve ili višc varijabli, ili još jedan korak dalje, da utvrde da li se iz jedne od tih varijabh mogu predvideti druge - cilj predviđanja ili predikcije. b) Studije koje primenjuju multivarijatne tehnike da otkriju latentne strukturc iza manifcstnih varijabli, pa zapravo služe za istraživanje skrivenih i duhinskih izvoraponašanja, zbog čega ih nazivamo strukturalnim. O manifestnim i latentnim varijablarna je raspravljano u uvodnim poglavljima. Obe podvrste se mogu nazvati korelacionim, što se obično i čini, zbog toga što se zasnivaju na kovarijacijama manifestnih ponašanja, bilo da se bave predikcijom ili strukturom. Medutim, ne treba misliti da se u korelacionim studijama koristi samo tehnika korelacije ili regresije. Moguće su sve statističke tehnike kao što su multidimenzionalno skaliranje, klaster anahza i drugo. Kada se radi o korelacionim studijama prvog tipa, onima koji se bave predikcijom, današnji istraživač bi smatrao da su ona neeksperimentalna. Kada bismo mu tražili da opiše razliku izmedu eksperimentalnih i korelacionih istraživanja, on bi verovatno dao jedan intuitivan odgovor. Prava ekspcrimentalna istraživanja se sprovode na malom broju objekata, razvrstanih u striktno defmisane gmpe, kontrola varijabli je striktna, a manipulacija varijablama i objektima neposredna. Nasuprot tome, korelacione studije su obično terenske, obuhvataju velike uzorke objckata i, obično, veliki broj varijabli, a kontrole i manipulacije varijabli uglavnom uopšte nema. Eksperimcntalna istraživanja imaju za cilj da utvrde uticaje jcdnih varijabli na drugc, dok korelaciona imaju za cilj otkrivanje povezanosti varijabli. Korelaciona istraživanja se zasnivaju na analizi individualnih razlika. Kao ilustraciju korelacionih istraživanja današnji istraživač bi naveo anketna istraživanja. No, takvo razlikovanje eksperimentalnih i korelacionih istraživanja je samo delimično tačno i može dovesti do grešaka u prepoznavanju tipa istraživanja. Kao
prvo, ono ima u vidu samo prave eksperirnente i to laboratorijske. Ako pod eksperimentalnim istraživanjem podrazumevamo i kvazi-eksperimente i terenske eksperimente, onda ćemo videti da se i oni mogu sprovoditi na terenu, na velikim uzorcima, sa velikimbrojem varijabli i sa metodologijom sličnom terenskim istraživanjima (npr. upitnicima). Takođe, individualne razlike na izvestan način predstavljaju osnovu zaključivanja i u eksperimentalnim istraživanjima. Za razliku od korelacionih istraživanja, individualne raziike se u eksperimentima tretiraju kao nepotrebna ili neželjena varijansa i koriste se za poređenje sa eksperimentalnom varijansom varijansom tretmana. Razlikovanje eksperimentalnih i korelacionih istraživanja je još teže ako se u obzir uzmu strukturalna istraživanja. Glavno pitanje po kome se razlikuju eksperimentalna i neeksperimentalna istraživanja je pitanje utvrdivanja uzročnosti. Po klasičnom shvatanju samo prva mogu da utvrde uzročnost. Međutim, strukturalna istraživanja su namenjena objašnjavanju manifestnog ponašanja, tražeći latentne uzroke tog ponašanja. To znači da su u logičkom smislu i ona kauzalna istraživanja. No, razlika u odnosu na eksperimentalna istraživanja se može povući na osnovu postojanja manipulacije nezavisnim varijablama - stnikturalna istraživanja je nemaju. Korelacione studije pokrivaju izrazito široku i raznoliku oblast istraživanja. One se tipično sprovode za utvrđivanje mogućnosti predvidanja ponašanja ili utvrdivanja latentnih izvora ponašanja. To je samo malo drugačije formulisan cilj eksperimentalnih studija: ,,da se otkriju uzroci ponašanja”. Radi se samo o stepenima, gradacijama i različitim kombinacijama gradivnih elemenata istraživanja koji su ranije spomenuti: objekti, varijable i vreme. Da bi čitalac mogao, konkretno, da razhkuje eksperimentalne i korelacione studije, najbolje je da: a) eliminiše iz razmatranje korelacione i MVA tehnike jer se one mogu koristiti u svim tipovima istraživanja i, zatim, b) da razmotri da li je bilo eksperimentalne manipulacije nezavisnom varijablom(ama).
1.
Predikcija i uzročnost
O povezanosti i odnosu pojmova korelacije i uzročnosti detaljno je razmatrano u ranijim glavama (v. str. 54 i 80). Kao što je tamo rečeno, korelacija odnosno kovarijansa je sanio jedan od kriterijuma za utvrdivanje uzročnosti. Zato ako utvrdimo da izmedu dve varijable postoji korelacija, ne smemo da tvrdimo da između njih postoji uzročna veza. Ali ne smemo da tvrdimo i da ne postoji. Podsetimo se dva osnovna tumačenja korelacije: ih je jedna varijabla izvor drugoj, ili obe imaju zajednički izvor. Da bismo se mogli pozvati na uzročnost, jedna varijabla mora dolaziti pre druge i moraju biti eliminisani dmgi mogući izvori ove povezanosti. Ovaj drugi uslov se obično ilustruje tzv. prividnim korelacijama, koje je najbolje defmisati
kao korelacije koje nisu posledica uzročno-posledične veze. O takvim korelacijama razgovarano je u poglavlju o moderatorskim i medijatorskim varijablama. Poznati primer kojim se ilustruju teškoće prividnih koreiacija navode Shaughnessy i sar. (2000). Utvrđeno je, naime, da postoji značajna pozitivna korelacija između potrošnje sladoleda i stope kriminala - više siadoleda više tuča, ubistava i napada. Neoprezne je to navelo na zaključak da sladoled na neki način utiče na porast nasilja. Istražujući dalje tu pojavu, utvrđeno je da ona potpuno nalikuje odavno poznatoj povezanosti izmedu temperature i agresije - leti je najviše tuča. Prirodno je, naime, da je leti najveća potrošnja sladoleda. Pri tome, podaci ukazuju da ne postoji povezanost temperature i krađa (imovinskog kriminala) i da je povezanost temperalura sa ubistvima manja nego sa tučama (u decembru je broj ubistava sličan kao u julu). Tih nekoliko dodatnih podalaka bacilo je sumnju na uzročnu povezanost sladoleda i vručine sa agresijom. Povezanost izmedu temperature i nasllja bi jednako dobro mogla biti objašnjena time što je leti omladina na raspustu a Ijudi na godišnjim odmorima, što se više izlazi, što se više dolazi u bliski kontakt sa drugim Ijudima, što se leti pokreću Ijubavne veze itd. To su sve okolnosti koje mogu dovesti do nasilja. Postoji, dakle, barem jedno plauzibilno alternativno objašnjenj'e povezanosti temperature i nasilja. Zbog toga navedenu korelaciju ne možemo smatrati dokazom uzročnosti, već je sa podjednakom izvesnošću možemo smatrati prividnom.
Ako korelacija implicira uzročnost, i ako se to kasnije dokaže, ona predstavlja objašnjenje zavisne varijable, onako kako to zahteva definicija kauzalnog naučnog zakona. U istraživanju ponašanja mali je broj takvih bivarijatnih korelacija za koje možemo reći da predstavljaju kauzalne naučne zakone. Za većinu korelacija se, pre ili kasnije, pokaže da su zasnovane na medijatorskim, moderatorskim, ili varijablama koje su izvor i jednoj i drugoj varijabli. Medutim, ni jedna od tih konfiguracija varijabli ne čini da su pojedinačne korelacije beskorisne. Svaka korelacija kojaje stabilna i nije posledica statističkih artefakata (jer neke korelacije mogu biti posledica načina merenja varijabli) predstavlja jedno znanje o stvarnosti više. Ako znamo da će leti biti više tuča, možemo angažovati više čuvara reda, pripremiti skižbu hitne pomoći, delovati preventivno itd. Ako ništa dnjgo, takva korelacija može biti osnova za dalja istraživanja - dakle podsticaj novim hipotezama. Slično korelaciji temperature i agresivnosti utvrdene su i pozitivne korelacije prikazivanja nasilja na televiziji i nasilja na ulicama. Na osnovu tih korelacija možemo da predviđamo šta će se desiti nakon prikazivanja boks mečeva ih nasihiih fihiiova. Taj praktični zadatakje nauka ispunila, medutim, jedan dmgi i važniji zadatak nije - nije rečeno zašto postoji povezanost nasilja na tv i na ulicama. Predviđanje na osnovu korelacije se nekad naziva statističkim ili arhivskim (engl. actuarial), zato što može da poshiži za praktične svrhe, za planiranje društvenih akcija i za pohtičke odluke. Onima koji odlučuju će biti korisno da znaju da će u poncdeljak ujutru biti više samoubistava, da učenici koji počnu da se povlače iz društva trebaju stručnu pomoć, da će inteligentniji biti uspešniji na poshi, da će novoformirane grupe uvek biti ,,na ratnoj stazi” sa postojećim itd.
Korisnost tih korelacija postoji unatoč tome što se možda radi o prividnim vezama, odnosno što nema objašnjenja za njihovo postojanje.
2.
Strukturalno istraživanje
Strukturahia istraživanja su korelaciona istraživanja koja na osnovu opaženih korelacija manifestnih varijabli tragaju za latentnim varijablama. U glavi 0 individualnim razlikama rečeno je da je osnovni cilj analize individualnih razhka upravo u traganju za njihovim izvorima. Korelacije varijabli koje sadrže individualne razlike (ovde ih zovemo deskriptivnim) su put kojim možemo ići da bismo zavirili iza zavese manifestnog ponašanja i potražih izvore. Strukturalna istraživanja se po pravilu odiikuju primenom multivarijatne analize (MVA). Tehnike MVA su pravi primer implementacije ideje redukcije dimenzionalnosti koju smo izložili u poglavlju o anahzi individualnih razlika. Faktori ih dimenzije koji se konstruišu tokommuhivarijatne analize predstavljaju, matematički i logički, zajedničke generatore varijanse manifestnih varijabli. Ovi generatori se nazivaju latentnim varijablama i predstavljaju nepoznate i skrivene konstrukte za koje očekujemo da su izvori (uzroci) manifestnih varijabh. Najčešće koriščene multivarijatne tehnike u strukturahiim istraživanjima ponašanja su: faktorska anaUza, kanonička korelaciona anahza i (kanonička) diskriminaciona analiza.
H. Transferzalno i iongitudinalno istraživanje
Vrlo važna je i podela istraživačkih naerta u pogledu „faktora vreme”. Istraživanja koja nemaju za cilj praćenje vremenskih promena nazivaju se transferzalnim, a ona koja su namenjena praćenju vremenskih promena nazivaju se longitudinalniin. Transferzalna istraživanja ih studije preseka (engl. crosssectional) prikupljaju podatke u jednom vremenskom trenutku, a logitudinalna u više uzastopnih vremenskih tačaka. Transferzalna istraživanja se obavljaju jednom, u jednoni trenutku, makar se sastojala iz pretesta i posttesta i nemaju za cilj da istražuju uticaj vremena na promene zavisnih varijabli. U prethodnim glavama često je spominjano vrerne kao važan element istraživačkog nacrta. Na prvom mestu, za nacrt ponovljenih merenja je rečeno da predstavlja vrstu longitudinalnih istraživanja. Opisan je i kvazi-eksperimentalni nacrt prekinutih vremenskih serija, a longitudinalni aspekt pomenut je i kod anketnih istraživanja, tačnije panel studija. U eksperimentalnim istraživanjima vreme je takođe važan epistemološki element, ali samo kao potka za prvi uslov
uzročnosti: post hoc. U pravom eksperimentu, vreme koje protekne između pretesta i posttesta nije samo po sebi zanimljivo, ono je potrebno da se na eksperimentalnoj grupi obavi tretman i da se njegovi efekti pokažu na zavisnoj varijabli. Kada se prati razvoj neke pojave tokom vremena, onda se to čini u okviru longitudinalnog istraživanja. Longitudinalna istraživanja se nekada nazivaju studijama trenda (što je pre literami nego stručni termin), a na engleskom se često nazivaju foUow up istraživanjima. U longitudinalnom istraživanju se merenja zavisne varijable ponavljaju tokom vremena. Istraživači pretpostavljaju da se zavisne varijable menjaju tokom vremena delovanjem brojnih i nedovoljno poznatih uzroka, ili delovanjem nekog odredenog, poznatog uzroka (koga možemo nazvati tretmanom), a istraživanje treba da odgovori na pitanja o tome šta se menja, koliko se menja, da li između promena različitih varijabli postoje veze itd. Promene kod dece ili Ijudi, do kojih dolazi protokom vremena, vrlo su često predmet naučnog istraživanja. Klasična u tom pogledu su razvojna istraživanja, koja su se nekada romantično nazivala „genetskim istraživanjima” (danas postoji posebna, vrlo dinamična naučna disciplina u okviru biologije koja se bavi genetskim istraživanjima, koja nemaju ničeg zajedničkog sa pomenutim istraživanjima razvoja). Razvoj se može ticati ne samo pojedinaca, nego i društva, društvenih grupa, društvene delatnosti, proizvodnje itd. Medutim, zanimljivo je da se istraživanje razvoja može vršiti na dva načina: transferzalni i longitudinalni. U transferzalnom načinu se u istom vremenskom trenutku ispituju različite uzrasne gnipe - kohoite (v.) - i analiziraju se razlike između njih. Transferzalni način je znatno ekonomičniji i brži. Recimo, ako želimo da ispitamo promene u stavovima kod Ijudi između 20. i 50. godine života, za longitudinalno istraživanje trebalo bi nam 30 godina, a rezultate iz transferzalnog dobićemo odmah. Medutim, transferzalno istraživanje na kohortama ipak ne izučava delovanje varijable razvoja, kao nezavisne varijable, na ponašanje, nego registruje postojeće razlike koje mogu biti prouzrokovane različitim uzrocima (efektom kohorte, v. kasnije). Jedini pravi način da se donesu zaključci o delovanju razvoja je longitudinalno istraživanje. Pored toga, longitudinalno istraživanje omogućuje da se utvrdi povezanost jedne varijable (obično zavisne) na jednom uzrastu, sa nekom drugom varijablom na drugom uzrastu. Recimo, ako želimo da utvrdimo kako porodična atmosfera na uzrastu od pet godina deluje na školski uspeh na uzrastu od 13 godina, moraćemo da sprovedemo longitudinalno istraživanje. Postoji, doduše, mogućnost da sprovedemo retrospektivno istraživanje (v.) tako što ćemo ispitati učenike sa 13 godina, pa ćemo onda intervjuisati njih i njihove roditelje o porodičnoj atmosferi u prošlosti. Za analiziranje delovanja „razvojne varijable” longitudinalna istraživanja su jedini pravi odgovor. Medutim, ne samo da traju dugo i da su skupa, ona imaju ozbiljan nedostatak mortaliteta (v. ugrožavanje validnosti). Ispitanici odustaju, gube interes, sele se, umiru - što može biti selektivno, tako da uzorak na kraju istraživanja više nije onaj isti sa kojim je istraživanje počelo. Retko koje longitu-
dinalno istraživanje je završilo sa uzorkom sa kojim je počelo. To ugrožava intemu i ekstemu validnost longitudinalnih istraživanja. Neki lukavi istraživači nastoje da umanje štetu nastalu zbog mortaliteta tako da u prvom istraživanju prikupe sve osnovne podatke o ispitanicima, kako bi u kasnijim merenjima mogli barem da kontrolišu karakteristike ispitanika koji su otpali. Nije samo mortalitet taj koji preti validnosti longitudinalnih istraživanja. To može biti i pojava senzitizacije (v.). Ispitanici mogu, naime, herojski nastojati da budu konzistentni tokom istraživanja. To se posebno često uočava prilikom ispitivanja stavova. S druge strane, opet, može postojati i efekat senzitizacije u suprotnom smeni. To se desilo u istraživanju poremećaja ishrane koje je izvršeno u razmaku od 10 godina, prvo dok su ispitanici bili studenti (1982. godine) i dmgo 1992. g. Primećeno je da su se odrasle žene, sada udate i sa decom, osećale neprijatno da kažu da i dalje imaju problem sa dijetama, problem koji podseća na adolescenciju. Ovo istraživanje je ukazalo na još jednu zanimljivu mogućnost. Istraživači su, naime, osim longitudinalnog istraživanja sproveli i dva transferzalna, odnosno ponovili su ispitivanje na tekućim studentima 1992. godine. Postojao je pad u problemima sa ishranom u generaciji 1992. u odnosu na generaciju 1982. (manje su se držale dijete). Medutim, kohorta 1982. je pokazalajoš veći pad u problemima sa ishranom u longitudinalnom istraživanju. Na osnovu poređenja transferzalnog i longitudinalnog istraživanja može se zaključiti da je jedan deo smanjenja problema sa ishranom nastao zbog individualnog sazrevanja, a drugi zbog promenjene dmštvene klime. Citalac je već uočio da smo dosada podrazumevali da se u longitudinalnim istraživanjima isti ispitanici podvrgavaju merenjima više puta. Precizan nacrt koji obuhvata ponovljena merenja, specijalizovanu tehniku analize varijanse i logiku smanjivanja varijanse greške obrađen je u poglavlju o eksperimentalnim istraživanjima. lako se nacrt sa ponovljenim merenjima doininantno tretira kao posebna vrsta eksperimentalnog nacrta, pristup ponovljenih merenja istih ispitanika je očigledno jedan od temelja longitudinalnih istraživanja. U nacrtu ponovljenih merenja postoji manji broj merenja na istim objektima, za koje nije važno da li su obavljena u pravilnim vremenskim razmacima. Statistička analiza nacrta sa ponovljenim merenjima se obavlja pomoću specijalizovanog nacrta analize varijanse sa ponovljenim merenjima, gde ponovljena merenja predstavljaju posebnu vrstu faktora („unutar subjekata”, engl. vvithin subjects). Nasuprot nacrtu sa ponovljenim merenjima, longitudinalna istraživanja mogu irnati i nacrt vremenskih serija (engl. time series). U vremenskim serijama se merenja neke pojave obavljaju u većem broju pravilnih vremenskih razmaka (zaključci su to bolji što je broj merenja, vremenskih intervala, veći). Ovaj nacrt se mnogo primenjuje u istraživanjima poslovanja, menadžmenta, industrijskog marketinga i u ekonomiji (npr. kretanje prodaje ili proizvodnje). Za statističku obradu vremenskih serija postoji posebna grupa tehnika koja se upravo tako i
naziva: analiza vremenskih serija, ili jednostavno, vremenske serije (najpoznatiji tip takve analize je ARIMA - Autoregressive Integrated Moving Average) . Vremenske serije ;7epodrazumevaju iste ispitanike, pa ne podrazumevaju ni logiku smanjivanja varijanse greške sa ciljem povećanja osetljivosti istraživanja. Meri se mesečna potrošnja, kvartalna proizvodnja, godišnja stopa kriminala, mesečni broj razvoda itd. Na grafikonu se na apscisi unose vremenske tačke, a na ordinati vrednosti zavisne varijable. Nakon što se unesu vrednosti merenja i tačke povežu linijom, dobije se grafikon vremenske serije. Ovi grafikoni se mogu zamisliti kao kretanje tačke kroz vreme, analogno Braunovom kretanju čestica. Uobičajeni grafikoni vremenskih serija upravo liče na Braunovo kretanje: velike oscilacije na gore i na doie. Osnovni zadatak analize vremenskih serija je da u tom, na prvi pogled nasumičnom, kretanju tačke uoče neki tre n d i da nacrtaju krivulju trenda. Da bi se obavio ovaj zadatak, postojeća vremenska serija, u obliku nasumičnog kretanja, razbija se u komponente: a) dugoročni ili sekularni trend, b) ciklična kretanja ili ciklične varijacije, c) sezonska kretanja ili sezonske varijacije i d) nepravilna ili slučajna kretanja. Ne moraju u svakoj vremenskoj seriji postojati sve ove komponente, cilj analize vremenskih serija je upravo u tome da prepoznaju one komponente koje su značajne. Nekada je dovoljno nacrtati grafikon vremenske serije da se uoči da li postoji prva komponenta, dok je ostale teže ili nemoguće uočiti sa grafikona. Ono što je posebno važno kod vremenskih serija; nakon što se uoči krivulja trenda, mogu se praviti predikcije za budućnost - koliko se može očekivati dece žrtava saobraćaja u sledećoj godini. Vidljivo je da longitudinahia istraživanja imaju još jedan problem - zahtevaju složene statističke tehnike. Nekada se one mogu zaobići crtanjemjednostavnog grafikona, ali najčešće ne. Zbog velikih oscilacija merenja, koje su uobičajene, lako se donose pogrešni zaključci i lako bude obmanuta čak i „statistika”.
1.
Istraživanje kohorti
Istraživanja u kojima se izučava uticaj vremena na promene nazivamo analizom kohorti. Kohorta je grapa pojedinaca koji se odlikuju nekim zajedničkim dogadajem ili iskustvom koje su doživeli u isto vreme. Prvi i najčešći dogadaj koji se koristi za defmisanje kohorti i njihovo istraživanje je vreme rođenja.^' Takode, to može biti datum regrutovanja, učešće u ratu, godina stupanja u brak itd. Analiza kohorti se koristi i u transferzalnoj i u longitudinalnoj postavci, ah je primena kohorti u transferzalnoj postavci ono zbog čega su one posebno poznate. Kao primer longitudinalne postavke možemo navesti istraživanje razlika u stilovima negovanja bebe nekad i sad. Bračne parove ćemo podeliti u kohorte
„Pristup” kohorti se česlo koristi u svakodncvnora govoru kada se slarost iskazuje godinom rođenja.
po godini sklapanja braka, recimo venčani 1970 i venčani 1990. U tom longitudinalnom istraživanju možemo ne samo pratiti pojave kao što su rođenje dece, stil negovanje dece, broj dece, materijalni status ili razvodi, nego možemo i porediti kohortu „1970” i „1990” po tim pojavama. Naravno, istraživanje deli glavni nedostatak svih longitudinalnih istraživanja - traje barem 20 godina. Ako nas zanima borbeni moral vojnika, možemo izdvojiti kohortu vojnika regrutovanih u leto 1992. godine i pratiti vojnike iz te kohorte tokom sledećih nekoliko godina ratovanja, kada su oni pomešani sa drugim kohortama, i porediti ih sa njima. Isto tako, možemo istraživati na kojim radnim mestima rade psiholozi iz kohorte psihologa koji su studije upisali 1980. godine. No, kao što je rečeno, kohortna istraživanja se najčešće koriste u transferzalnoj postavci. U toj postavci ćemo, u jednom ograničenom vremenskom periodu, ispitati nekoliko različitih kohorti i uporediti ih po varijabli koju istražujemo. Recimo, ako ispitujemo uticaj uzrasta na stil odevanja, analiziraćemo garderobu Ijudi koji su stari 10, 20, 30 i 40 godina. Kada se kohorte koriste u transferzalnom nacrtu, može doći do tzv. efekta kohorte. To je zbir svih efekata koji deluju na kohortu a koji ne potiču samo od razvoja jedinki, odnosno od dejstva vremena na zavisnu varijablu. Na efekt kohorte je već ukazano na primeru istraživanja poremećaja u ishrani. Drugi primer bi moglo biti istraživanje o razlikama stilova oblačenja, Razlike u stilovima ne bi poticale samo od njihovog uzrasta, nego i od razlika u tekućem društvenom i materijalnom statiisu, ali i različitom obrazovanju, školskom sistemu ili dništvenim vrednostima u vremenu u kojem su odrasli. Cozby (2003) navodi primer transferzalnog istraživanja sposobnosti učenja upotrebe računara u zavisnosti od uzrasta. Pokazalo se da pedesetogodišnjaci uče sporije od četrdesetogodišnjaka itd. Medutim, to može, baremjednim delom, biti posledica toga što stariji imaju manje iskustva sa računarima, dok su mlađi odrasli sa njima. Jedan od načina da se izbegne efekat kohorte je sprovođenje longitudinalnog istraživanja, ali se efekat neželjenih faktora - ukoliko su poznati ~ može eliminisati jednačenjem gmpa ih statistički.
2.
Retrospektivno istraživanje
Ovaj tip istraživanja se primenjuje uvek kada istražujemo varijable, pojave ili dogadaje u prošlosti. U ex post facto istraživanjima, kad god nastojimo da utvrdimo da li se „desila” nezavisna varijabla ili, što je mnogo bolje, da je izmerimo, mi vršimo retrospektivno istraživanje. Medutim, prava retrospektivna istraživanja su ona kod kojih sve varijable pripadaju prošlosti. Takav je slučaj kod istraživanja samoubistava, gde su se ne samo sve nezavisne ili grupišuće varijable „desile” u prošlosti (npr. neki događaj koji je provocirao depresiju), nego i sama zavisna varijabla (suicid).
Retrospektivno istraživanje se može zasnivati na sekundamim podacima (v.), proceni i samoproceni učesnika, a mogu se koristiti intervju (v.), upitnik (v.) i druge metode.
I.
Specijalna i namenska istraživanja
1.
Komparativna analiza i l
Značaj poređenja u istraživanjima je opisan u jednom ranijem poglavlju. Tanio je rečeno da je svako istraživanje u izvesnoni smislu komparativna studija i da je komparacija sadržana u svakom tipu istraživanja. Komparativna analiza, kao posebna vrsta istraživanja, poseduje jedan deskriptivni, odnosno eksplorativni deo. U tom delu se prikupljaju i prezentiraju podaci 0 obuhvaćenim objektima analize. Takvi podaci su neophodni i korisni, ali oni nisu „svojina” nekog posebnog nacrta istraživanja, nego se prikupljaju u svakom tipu istraživanja, u svakoj nauci. U nekim naučnim disciplinama, kao što su sociologija, etnologija i lingvistika, postoji lcomparativna metoda kao posebna istraživačka metoda, koja se zasniva na komparativnoj analizi i ima jednak status kao „eksperimentalna metoda” ih „statistička metoda”. Pored toga, komparativne studije su u jednom trenutku promovisane kao poseban tip istraživanja, zasnovan prvenstveno na kvahtativnim metodama i namenjen prvenstveno poredenju vehkih društvenih grupa. Međutim, danas se o komparativnim studijama razmišlja na drugačiji način. Ono što je suština komparativnih studija je to da se uočene razliice između objekata analize icoriste za bolje upoznavanje objelcata /, posebno, za donošenje zaidjučaica o pojavama ipovezanosti pojava. U ovakvoj postavci komparativna analiza se koristi da bi se postavile nove hipoteze, ili čak izgradila nova teorija. Na primer, povezanost izmedu životnog standarda u jednoj zemlji i dominantnih vrednosti stanovništva se verovatno neće moći uočiti istraživanjem samo u toj zemlji. Međutim, sve će postati jasnije ako se istraživanje ponovi u drugim zemljama, sa višim i sa nižim životnim standardom i ako se dobije da viši životni standard ide sa „nematerijalnim” vrednostima (sasvim pojednostavljeno, takav nalaz je proistekao iz čuvene Inglehartove „Svetske studije vrednosti” - World Vaiues Study). To znači da su utvrđene razlike izmedu zemalja pomogle u donošenju zaključka o povezanosti životnog standarda i vrednosti. Takode, biće veoma informativno ako se analiziraju društva koja odstupaju od te opšte povczanosti i potraže razlozi za to odstupanje. Slično komparativno istraživanje bi nam pomoglo da utvrdimo da h dobar životni standard smanjuje vehčinu porodice. Danas se, dakle, ne smatra da su komparativna istraživanja pogodna isključivo za poredenje društvenih grupa. Pristup komparativne analize se može isko-
ristiti za poređenje bilo kojih objekata analize: pojedinaca, grupa ili bilo kakvih čovekovih proizvoda. Takođe, komparativne studije se ne odlikuju nikakvom posebnom m etodologijom ili pristupom. Mogu se koristiti kvantitativne i kvalitativne metode, a vrlo često se koristi narativna analiza (posebno u etnologiji). Međutim, kao i svako drugo naučno istraživanje, komparativna istraživanja moraju biti objektivna i sistematična i moraju imati sve druge atribute naučnog saznanja (v. uvodnu glavu). Komparativna istraživanja su posebno olakšana onde gde postoje arhive podataka iz društvenih istraživanja, kao što je na primer NEDA (v.).
2.
Pilot istraživanje
Postoji jedna vrsta istraživanja koja se može sresti u svakom metodološkom bedekeru, ali nedovoljno često u praksi domaćih socijalnih istraživanja, To su pilot istraživanja. Njihova namena je prvenstveno ekonomska, u širem smislu značenja štednje (ne samo novčane). Radi se o tome da svako istraživanje prolazi kroz svoje faze, kao što su prikupljanje literature i konstnikcija mernih instrumenata, i u svakoj od tih fazi se izlaže mogućnostima previda, grešaka, i nesporazuma. Vrlo opasan nesporazum je nesporazum sa realnošću, koji dovodi do toga da populacija koja je zamišljena nije dostupna, način uzorkovanja koji je predviden ne može da se sprovede, a meme instrumente, kao što je recimo upitnik, ne razume niko osim istraživača. Na svu sreću, situacija nikada nije tako dramatična da nijedan od spomenutih elemenata nije realno zamišljen, ali se vrlo često dešava da neki od delova ne funkcioniše. Na primer, ako se ispituju deca u osnovnim školama, treba biti vrlo oprezan kada se procenjuju njihove mogućnosti koncentracije i motivacije za odgovaranje na upitnike. Analogni problemi se sreću i kod populacije starih i/ili nepismenih ispitanika. Postoje i brojni drugi detalji o kojima se mora voditi računa u radu sa Ijudima. Na primer, ispitivanje ne sme da uzrokuje da Ijudi ostanu na poslu prekovremeno (ili ih u tom slučaju treba platiti). Ako se radi sa fokus grupama, značaj iičnosti moderatora je od velikog značaja ukoliko su teme osetljive recimo, za razgovor o polno specifičnim stvarima (kao što je npr. ženska kontracepcija) podrazumeva se da će voditi osoba istog pola kao što su i učesnici. Posmatranje ponašanja pijanih navijačkih grupa može biti rizično po istraživača koji će sediti medu njima i nešto beležiti u notes. Takvi i svi drugi problemi se mogu veoma efikasno otkriti u jednom probnom istraživanju, koje je po svemu jednako pravom, osim što je manje od njega. Glavni metodološki problem tog probnog, odnosno pilot istraživanja je upravo u defmisanju izraza „manje”. Pilot istraživanje se ne može napraviti tako da se pravo istraživanje proporcionalno smanji u svim dimenzijama. U nekim slučajevima se smanjivanje može odnositi na veličinu uzorka, ali ne i na dužinu upitnika, jer je upravo dužina upitnika onaj kritični element koga treba proveriti.
Ako je teško dobiti članove prave populacije, npr. invalide I kategorije, nije opravdano pilot istraživanje sprovoditi na prijateljima i studentima. Međutim, pilot istraživanja su nezamenjiva u pripremi ozbiljnih, velikih i skupih istraživanja. Vrlo često se pilot istraživanja sprovode tokom konstrukcije mernih instrumenata. U anketnim istraživanjima se upitnik proverava na pilot uzorku, tj. na manjem uzorku koji je ipak približan budućem punom uzorku. Ista tehnologija se prinienjuje i tokom konstrukcije skala stavova ili psiholoških memih instrumenata. Pilot istraživanja služe i da se na osnovu obrade njihovih podataka ustanove početne vrednosti raznih parametara istraživanja, npr. potreban broj procenjivača, najmanji i najveći raspon kod nekih kritičnih varijabli, potrebno vreme da bi se obavio intervju itd. Sledeća važna namena pilot istraživanja je u nalaženju „prostora” ili „referentnog okvira” pojave koju istražujemo. U tom slučaju pilot istraživanja su mala eksplorativna istraživanja koja prikupljaju podatke o npr. rasponu stavova prem.a nekom pitanju, glavnim odlikama populacije, kulture ili potkulture u kojoj se istraživanje obavlja. Na početku smo rekli da u domaćim istraživanjima praksa probnih istraživanja nije česta i to je uglavnom zbog toga što su istraživački fondovi kratki. To zvuči paradoksalno, jer su pilot istraživanja upravo zaniišljena kao način da se uštedi na greškama i zabludama.
3.
Akciono istraživanje
Akciono istraživanje je fleksibilan i iterativan proces u kome se smenjuju akcija (promena, poboljšanje) i istraživanje (razumevanje, znanje). Akciona istraživanja se koriste da bi se prikupile infonnacije o sprovodenju neke društvene akcije ili intervencije. Pod akcijom se podrazumeva bilo kakva društvena akcija. Na primer, nastavnici ili mkovodioci mogu da odluče da se sprovede neka aktivnost, ili neki program, obično neki socijalni program namenjen rešenju nekog konkretnog problema. Oni koji sprovode tu akciju, npr. učenici ili zaposleni, mogu o njoj da imaju nepovoljno mišljenje, a osim toga, plan akcije može imati i druge ncdostatke. Akciona istraživanja su namenjena da premoste jaz izmedu onih koji odlučuju o pokretanju akcije i „sveta”, koji uključuje izvršioce i okolnosti pod kojima se akcija sprovodi. U akcionim istraživanjima, Ijudi koji učestvuju u akciji i koji su uključeni u promene uključuju se i u istraživanje. To doprinosi valjanosti podataka. Ono što je vrlo važno, akcija i istraživanje se prepliću i saznanja stečena u jednoj fazi akcije mogu se iskoristiti za modifikaciju sledećih koraka akcije, isto kao što se mogu iskoristiti za modifikaciju daljeg toka istraživanja. Akciona istraživanja se nekad kontrastiraju prema fundamentalnim istraživanjima, što će reći da su to prim enjena istraživanja. Međutim, akciona istraživanja su specifična vrsta primenjenih istraživanja (jer problem istraživanja
može biti sasvim praktičan, a da se samo istraživanje u tom trenutku ne smatra praktičnim). U pogledu opšte metodologije i metodologije prikupljanja podataka ova istraživanja nisu ničim posebno određena. Većinom se koriste kvalitativne metode, ali, kad god je moguće, treba primenjivati kvantitativne metode. Ograničenja, ako postoje, potiču sa praktične strane, kao što su rokovi, troškovi, namena, zahtevi naručioca itd. Naravno, postoji to osnovno ograničenje koga predstavlja potreba da se nađu odgovori na praktična pitanja i reše praktični problemi. Ta potreba vodi, upravlja i uobličava celokupan tok istraživanja. Za akciona istraživanja je karakteristično da kao output moraju da imaju razne elaborate i izveštaje koji su namenjeni laicima kao što su rukovodioci i službenici, a ne naučna i striičnajavnost. Mnogi naučni istraživači imaju teškoće da napišu takve elaborate. Akciona istraživanja su ograničena na oblast u kojoj se sprovodi akcija i na uzorak ispitanika na koji se akcija odnosi. Zbog toga akciona istraživanja, sa epistemološke tačke gledišta, nisu namenjena generalizacijama i ne zahtevaju reprezentativne uzorke entiteta kojima se bave. Akciona istraživanja tekuparalelno sa programom, društvenom akcijom ili društvenim problemom koji se istražuje, u kom slučaju se istraživanjem prate promene do kojih dolazi. Zato akciona istraživanja često ne teku po planu, nego se prilagodavaju toku akcije, a pojedine faze se ponavljaju. O rezuhatima pojedinih faza se neprekidno informiše naručilac (korisnik) istraživanja, a nastavak rada zavisi od dogovora istraživača i naručioca. Akciona istraživanja se tradicionalno mnogo koriste u oblasti pedagoške psihologije i pedagogijc, ali su danas vrlo prisutna u svim oblastim a- upravljanje siikobima, borba protiv bolesti zavisnosti, adaptacija marginalnih grupa itd. Konačan uspeh programa koji se pokreću, izvode ili prate putem akcionih istraživanja može da se ocenjuje pomoću evaluativnih istraživanja.
4.
Evaluativno istraživanje
Evahiativno istraživanje je/>a;- excelience prinienjeno istraživanje. Danas je evahiativna istraživanja najbolje defmisati kao evaiuaciju društvenih reformi i inovacija u oblasti državne uprave, obrazovanja, pravosuđa, industrije, zdravstva i mentahiog staranja. Ova evakiacija se obavlja na naučni način, sistematski i na osnovu prikupljenih podataka. Postoje i mišljenja da je ovakva definicija suviše uskajer se odnosi samo na evaiuacijuprograma. Po tim mišljenjima, evaluativno istraživanje se sprovodi da bi se ocenila, odnosno evahiirala vrednost ili uspešnost nekog društv’enog objekta, ma kakav on bio. Objekt o kome je reč može biti neki program, recimo suzbijanja pušenja, edukacije porodica o kuhumim vrednostima, ili opismenjavanja, zatim neka ustanova, politika, telinologija ili čak pojedinac. U torn opštijem kontekstu, evaluacija se nekada defmiše kao sistematsko ocenjivanje vrednosti ih doprinosa nekog objekta, a nekada kao sistematsko prikupljanje i ocenjivanje informacija
kako bi se stekla upotrebljiva predstava o nekorn objektu. Međutim, ako se usvoji ovakvo shvatanje, onda se mnoga istraživanja mogu smatrati evaluativnim. Na primer, pilot istraživanja (v.), pa i edukativna istraživanja (v.) bi niogla biti takva. U prilog užoj, specifičnoj definiciji evaluacionih istraživanja ide zapažanje D. Campbella da su društvene reforme zapravo vrsta terenskih eksperimenata i da bi tako trebale biti tretirane. Ako se neka reforma sprovodi sa ciljem da se postigne neki efekat (na zavisnu varijablu), onda se može primeniti postavka eksperimentalnog nacrta sa ciljem evaluacije reforme. Kao što je rečeno u poglavlju o laboratorijskim i terenskim eksperimentima, terenski eksperimenti ne mogu ostvariti visok stepen kontrole ekstemih varijabli. Mnogim laicima izgleda još manje verovatno da neka refonna može u konkretnim driištvenim uslovima predstavljati naučni eksperiment (reforme na ovim prostorima uvek podsećaju na izreku ruskih anarhista; ,,Što gore to bolje”). Međutim, ne samo da može, nego mnogi metodolozi smatraju da je upravo važno da se reforme tretiraju kao kvazi-eksperimenti kako bi se pošteno evaluirale. U širem društvenom interesu je, a ne samo konkretnih rukovodilaca, da se evaluacija obavi pomoću naučne metodologije koja kao da je smišljena za tu situaciju. Bez obzira koliko široko se definišu, važna osobina evaluativnih istraživanja je njihovapovezanost sa konkretnom organizacijom, sa lokalnom ili globalnom politikom i sa tehnikama i metodama rukovođenja. Ukj'atko, za sprovodenje evaluativnih istraživanja su potrebne razne socijalne veštine, koje ne pripadaju repertoaru istraživačkih veština. Kao što je rečeno, evaluaciona istraživanja se koriste u raznim oblastima, od kriminologije (recimo, evaluacija nove organizacije u zatvorima), narkomanije (npr., evaluacija programa porodične edukacije) ili nasilja (npr. evaluacija mera protiv nasilja na sportskim priredbama), pa sve do oblasti školstva, gde se evaluiraju nastavni programi, reforme, novi udžbenici itd. Postoje različite podele evaluativnih istraživanja, kao i različite podele njihovih faza ili delova. Jedna podela se zasniva na glavnim pitanjima na koja evaluativna istraživanja moraju da odgovore. Postoje četiri tipa studija; ocena potreba, ocenaprogramske teorije, evaluacijaprocesa, evaluacija ishoda i evaluacija efikasnosti. Prvo pitanje koje se postavlja je, naravno, da li uopšte postoje potrebe za programom; da li postoji problem narkomanije u školama, da li deca koja uzimaju drogu imaju neke specifične lične ili porodične probleme koji bi se mogli rešiti, koje droge se koriste i kako se nabavljaju. Ocena potreba se može doneti na osnovu anketnog upitnika, intervjua, sekundamih podataka itd. Ako postoje potrebe i problemi, onda se može pristupiti izradi programa za njihovo rešavanje. Sam program, odnosno „teorija programa” se može evaluirati tako što će se porediti sa potrebama i raspoloživim resursima, sa tuđim iskustvima, kioz saradnju sa interdisciplinarnim timovima i na druge načine. Po jednoj drugoj podeli evaluativnih istraživanja, ovaj tip studija se naziMH studijom izvodIjivosti (engl. feasibility study), koje imaju za cilj da ocene mogućnost za sprovođenje nekog programa u datom kontekstu i sa predviđenom metodologijom.
Treći tip evaliiacionih studija se bavi evaluacijom sprovođenja procesa, odnosno programa. Dok se program odvija, valja odgovoriti na pitanja da li on uopšte stiže do onih kojima je namenjen, da li je privukao dovoljan broj klijenata i da li osoblje programa obavlja svoje dužnosti. Nekada osoblje nije dovoljno obučeno, nekada se program sprovodi na mestima i u vreme koji nisu dostupni klijentima. Studija ovog tipa ima za cilj da utvrdi da li je implementacija programa dobra. Očigledna je njena sličnost sa akcionim istraživanjiina koja su obradena u zasebnom poglavlju. Četvrto pitanje je da li jo ishod programa onaj koji je planiran, tj. da li je program ostvario planirani učinak. Da li je smanjena upotreba droge u školama, da li su smanjene deformacije kičme kod dece, broj saobraćajnih nesreća, krada u samoposhigama itd. Ovaj tip studije je ekvivalentan posttestu u eksperimentima koji ima za cilj da utvrdi da li je došlo do promena u zavisnoj varijabh. Konačno, mora se evahiirati efikasnost programa u cehni i u širem društvenom kontekstu. Moraju se uporediti utrošeno vreme i novac sa ishodima koji su postignuti i mora se dati odgovor da h je uopšte vredelo sprovoditi prograni (reformu). Ako nije, studija efikasnosti mora dati odgovor na pitanje u čemu se pogrešilo i kako bi se troškovi mogh smanjiti. Pored navedene podele, postoje i druge mogućnosti klasifikacije evahiacionih istraživanja. Recimo, nekada se evahiativna istraživanja dele na: deskriptivnu studiju, analizu ciljeva ih normativnu studiju i studiju uticaja i efckata. Deskriptivna studija opisuje ciljeve i namenu programa ih institucije, način primene i funkcionisanja, organizovanost i angažovane resurse. Ciljevi društvenog objekta se anahziraju s obzirom na njihov domet, prirodu ih kvalitet, a anaiiza se vrši poredenjem sa nekim altemativnim ciijevima ili vrednostima. Rccimo, analizira se da li su ciljevi kratkoročni ih dugoročni, jesu li minimahstički ili visoki, da li su „plitki”, pa se odnose samo na promenu stavova, ili su „duboki”, pa se odnose na promenu ponašanja. Nekada se ova analiza naziva nonnativnom stiidijom. Medutim, ranije su se evaluativna istraživanja generalno nazivala normativnim istraživanjima, i za njih se govorilo da imaju za cilj deski'ipciju ili evaluaciju postojećih normi nekog društva ili društvenih grupa, kulture, profesije ili društvene delatnosti (recimo osnovnoškolskog obrazovanja). Danas se upotreba termina „nonnativno istraživanje” retko sreće, ah je potreba za analizom ciljeva opstala. Objektivno vrednovanje ciljeva nekog programa ili institiicije je zadatak od opšteg dmštvenog značaja. Studija uticaja i efekata se bavi uticajima ili efektima društvenih objekata, posebno društvenih reformi i programa. U tom cilju se analizira širi značaj tih efekata i moguće interakcije sa drugim pojavama - ekonomskim, zdravstvenim, ekološkim itd. Pitanje efekata i efikasnosti programa ili institucije je, u svakom slučaju, „pitanje svih pitanja” evaluativnih istraživanja. U evaluacionim istraživanjima se mogu koristiti sve raspoložive metode prikupljanja podataka: upitnici, intervjui, fokus grupe, arhivski podaci. To znači da se evaluaciona istraživanja mogu koncipirati kao anketna istraživanja, longitudinalna istraživanja, studije slučaja, analiza sekundamih podataka i drugo.
Karakteristika evaluacionih istraživanja je protivstavljenost interesa istraživača i institucija koje sprovode program ili proces i niz nesporazuma oko predmeta, metoda i zaključaka istraživanja. Sve će biti jasnije ako se kaže da su tipični korisnici nalaza evaluativnih istraživanja sponzori, donatori, udruženja korisnika, upravni odbori, državna uprava itd.
5.
Metodološkz ,:,trjaživanja
lako je u uvodnoj glavi rečeno da se osnovna epistemološka pitanja, kao što su ,,šta je istina”, ne mogu empirijski istraživati, mnogobrojna istraživanja su bila posvećena sagledavanju metodoloških aspekata istraživanja i njihovom uticaju na nalaze. Cesto istraživana tema je uzorak objekata istraživanja. Ovde smo obradili „dobrovoljačku grešku” jer postoje podaci d aje barem 80% psiholoških istraživanja sprovedeno na studentima dobrovoljcima. Putem metodoloških istraživanja otkrivene su i zablude usled eksperimentatorovih očekivanja, jer se otkrilo da eksperimentalni tretmani „deluju” i pre nego što sprovedeni (u pretestu), zato što je eksperimentator tako očekivao. Na sUčan način je utvrđen i uticaj demografskih, socijalnih i psiholoških osobina anketara na rezultate ankete. U metodološka istraživanja možemo ubrojati i naukometrijska i bibliometrijska istraživanja koja analiziraju svojstva naučne produkcije. Tu možemo ubrojati i mnoga istraživanja koja su se bavila detaljnijom anaUzom nekih ključnih prethodnih istraživanja, otkrivajući dejstvo nekih skrivenih varijabh i doprinoseći boljem razumevanju istraživanih pojava. U psihologiji su metodološka istraživanja veoma zastupljena, toliko da neki zajedljivi autori izjavljuju da se psihologija jednom trećinom bavi sama sobom.
6.
Konstrukcija mernih instrumenata
U psihologiji, ah ne samo u njoj, vrlo velike studije, ih čak više njih, mogu biti posvećene konstrukciji i evaluaciji memih instrumenata kao što su psihološki testovi, upitnici, skale za merenje stavova i druge skale. Postoji nedoumica da li da se takve studije nazivaju istraživanjima ili ne. U psihometrijskom smislu, svaki merni instrument se mora primeniti na standardizacionom ili normativnom uzorku da bi se odredila njegova mema svojstva i norme. U psihometriji se to tretira kao korak u konstrukciji mcrnog instrumenta i ne naziva se istraživanjem. Uslovno bismo ovaj korak mogli nazvati psihometrijslcom studijom. Sa metodološkog stanovišta, za psihonietrijsku studiju se može reći da ima specifičan cilj: određivanje mernih svojstava i normi za meme instrumente. Dakle, studija nije posvećena izučavanju nekog svojstva objekata i bilo koje đruge pojave - njen predmet je merni instrument a ne ono što on meri. U metodo-
loškom smislu, ovakva studija bi se, eventualno, mogla nazvati istraživanjem, ali uz čvrstu i jasnu deklaraciju njenog cilja. Situacija je nešto lakša ako se u studiji određuje validnost memog instrumenta (kao jedno od osnovnil: memih svojstava). Takve validacione studije često obuhvataju više meraih instrumenata, više razhčitih gmpa objekata ili više razhčitih uslova primene instrumenta. Zbog logike konstruktivne validacije (v. odgovarajuće poglavlje i Fajgelj, 2005) i primene telinika kao što su nomološka mreža i multiosobinska-multimetodska matrica, vrlo je čest slučaj da se tokom validacione studije detaljno razmatra konstrukt koji instmment meri, kako u teorijskom, tako i u praktičnom kontekstu. Takvu studiju je, jasno, mnogo lakše svrstati u istraživanje, iako je njen cilj i dalje određivanje memih svojstava instrunienta. Konačno, u mnogim istraživanjima se konstmišu novi ili evaluiraju postojeći memi instmmenti, a da nemaju kao primaran cilj odredivanje memih svojstava instmmenata. Ta istraživanja se ne mogu razvrstati kao psihometrijske studije, nego se razvrstavaju prema njihovom osnovnom problemu i cilju.
7.
„Edukativno" i „pra vo" istraživanje
Edukativna istraživanja se obično sreću pod nazivom „teze i disertacije”, a tu svakako treba pridodati i seminarske i diplomske radove. Namena tih istraživanja je, u vreme njihovog nastanka i sprovodenja, edukativna, odnosno usmerena ka sticanju akademskog stepena. To ne znači da ta istraživanja nemaju ili ne moraju da imaju vrednost na ukupnoj skali saznavanja istine. Međutim, pred istraživačem koji obavlja takvo istraživanje stoje mnogi specifični zahtevi koji potiču izvan kruga samog istraživanja, po čemu su ta istraživanja specifična. Generalno rečeno, osim standardnih ciljeva koje nameće proces naučne spoznaje, „edukativno” istraživanje mora da pokaže d aje istraživač ovladao svim metodama i tehnikama naučnog istraživanja. Kao prvo, on mora pokazati stvaralaštvo i inicijativu da uoči i defmiše istraživački problem i da ga detaljno locira u teorijskom prostom dotične oblasti. To podrazumeva detaljno, obimno i potpuno uvodno poglavlje sa „istorijom”, „ciljem i značajem” i drugim sličnim delovima, više nego što bi istraživač našao za shodno da piše u „pravom” istraživanju. Za edukativna istraživanjaje, takode, od značaja da se ne ponavljaju, o čemu vode računa svi, od kandidata, preko mentora, do komisija koje odobravaju temu i pred kojima se rad brani. Zahtevi koji se postavljaju tezama i disertacijama se odnose i na njihovu strukturu i format, koji imaju neka opšta svojstva, relevantna u celoj naučnoj produkciji, ali i specifična svojstva koja određuju univerziteti, fakulteti, mentori i sl. Sve u svemu, subjektivno i objektivno, istraživaču koji sprovodi „edukativno” istraživanje je važno da „pokaže da zna i da može”, da se konfonnira pravilima akademske sredine u kojoj treba da brani rad (kako bi pokazao da ih poznaje) i da ispuni druge formalne zahteve koji eventualno postoje (npr. rokovi, obim rada.
stmktiira poglavlja i sL). Neke opšte sugestije za pisanje teza i disertacija date su na kraju knjige. „Prava” istraživanja su u najvećem broju slučajeva komercijalna. Pod tim podrazumevamo dapostoji neko (ustanova ili pojedinac) ko je: a) naručio istraživanje i fmansira ga (tada možemo da kažemo da je to komercijalno istraživanje u punom smislu), ili b) ko fmansira istraživanje, ali nije neposredno i direktno zainteresovan za rezultate tog istraživanja, nego mu je cilj da podržava i pomaže razvoj nauke u celini (to su obično ministarstva i različite fondacije). U oba slučaja može postojati konkurs za istraživanja, s time da je to redovna praksa u drugom slučaju, dok se kod pravih komercijalnih istraživanja konkursi često sprovode u fonni prikupljanja ponuda, kao u trgovini i industriji. Ako je istraživaču u „edukativnim” istraživanjima važno da poštuje formalna pravila, istraživaču u „pravim” istraživanjima može biti važno da bude jeftin, produktivan i konkurentan. Ipak, u pravim istraživanjima je kvalitet podataka od prvostepene važnosti. Potrebu da istraživački nalazi budu kvalitetni odreduje u suštini potreba naručioca za kvalitetnim rešenjima, dobrim predviđanjem ili sl. Naime, ako zaključci istraživanja nisu dobri to se možda neće utvrditi odmah (kad je reč o društvenim naukama), ali će se pre ili kasnije utvrditi. Prodaja proizvoda neće rasti (marketinška istraživanja), politička stranka neće osvojiti predviđeni broj glasova (istraživanja javnog mnjenja), školski uspeh se neće pobolj.šati (pedagoška istraživanja) itd. Drugi izvor pritisaka da nalazi „pravih” istraživanja budu kvalitetni je svakako naučna i stručna javnost koja će evaluirati kako predikcije koje su istraživači formulisali, tako i opštu metodologiju koja je korišćena; primenjene tehnike, uzorak, merne instrumente i ostalo. U primenjenim istraživanjima ulogu može imati i javnost uopšte. To se posebno odnosi na komercijalna istraživanja javnog mnjenja u oblasti političkog marketinga i izbornih orijentacija. Kao sugestija, u ocenjivanju rezultata tih istraživanja treba pratiti ko organizuje, ko vodi i ko učestvuje na konferencijama za štampu na kojima se često saopštavaju nalazi predizbomih anketnih istraživanja. Ako konferenciju vode isključivo istraživači koji su sprovodili istraživanje, treba se osloniti na njihov zdrav razum i da su, znajući ,,da ne možete sve Ijude lagati svo vreme”, prezentirali valjane podatke. Istraživači, naime, znaju da i stručna i laička javnost prate njihov rad i da su - ova prva iz komercijalnih, odnosno konkurentskih razloga - vrlo raspoložene da otkrije svaku moguću grešku. Zato se pristrasnost, proizvoljnost i površnost ne isplate na dugi rok. Međutim, ako podatke prezentira naručilac, ili konferenciju za štampu vodi naručilac, a tek poneki istraživač prisustvuje, onda ima mesta zdravoj sumnji da su rezultati koji su prikazani fdtrirani. Međutim, u pogledu javne prezentacije nalaza takvih istraživanja, najveće filtriranje obavljaju novinari i redakcije. Zato novinske izveštaje mnogi istraživači osećaju kao neprolaznu barijeru u pravilnom saopštavanju nalaza.
J.
Studija slučaja
Studija slučaja se najčešće tretira kao posebna vrsta istraživanja. Proučavanje pojedinačnog slučaja, kako se još negde naziva ovaj tip istraživanja, može se, međutim, tretirati i kao posebna metoda istraživanja i metoda prikupljanja podataka. Studija slučaja predstavlja, zapravo, jedinstvenu kombinaciju nacrta istraživanja i istraživačkili metoda, od izbora uzorka varijabli i objekata, preko meraih instrumenata do obrade i analize podataka. Zato ona nesumnjivo zaslužuje zasebno poglavlje. Studija slučaja nije jedina oko koje se diskutuje da li je vrsta istraživanja ili istraživačka metoda. I druga istraživanja se spominju i u jednom i u drugom kontekstu; recimo eksperimentalna metoda. lako se govori o studiji slučaja (engl. case study) i proučavanju pojedinačnog slučaja u jednini, suština ovog tipa istraživanja nije u tome što se proučava samo jedan slučaj, nego što se proučava vrlo mali broj slučajeva, ali intenzivno i „produbljeno”. Tehnički rečeno, uzorak entiteta je vrlo mali (nekohko), a uzorak varijabli ili broj merenja vehki. Zato se ovaj tip istraživanja ponekad naziva istraživanjem sa malim n (sa n se u istraživačko-statističkom žargonu označava vehčina uzorka). U slatističkom pogledu, studija slučaja produkuje daleko više varijabh nego što ima slučajeva, a pošto je fond plauzibilnih statističkih tehnika za tu situaciju krajnje mah, primena statistike je veoma ograničena. Studija slučaja je, po defmiciji, ekstremno idiografska, dakle suprotna principima nomotetskog pristiipa. Iz toga se često izvlači zaključak da ona spada u kvahtativna istraživanja. Medutim, studija shičajaje veoma „šarena” vrsta istraživanja u tom pogledu, može biti i kvantitativna i kvahtativna. Mnoge primene ovog tipa istraživanja su pokazale kako ona može ispuniti razhčite istraživačke ciljeve, pa čak i generahzaciju i razumevanje pojave, kao zameni za uzročnost. V rste studija slučaja i kada se prim enjuje. - Šta su „slučajevi” u studiji slučaja? To mogu biti bilo koji entiteti: pojedinci, porodice, institucije, narodi, kulture, pa i Ijudski artefakti. Studije slučaja se mogu podehti s obzirom na faktor vremena. U tom pogledu su studije slučaja imiverzalne; mogu da se bave nekim pojedinačnim događajera. iz života nekog entiteta - kada spadaju u transferzahia istraživanja, ili da prate ceh život entiteta - kada spadaju u longitudinahia istraživanja. Studija slučaja se može upotrebiti i u kvazi-eksperimentalnom (kada postoji manipulacija) ih neeksperimentalnorn (kada ne postoji manipulacija), pre-posle nacrtu (v. kasnije). U takvom nacrtu se objekti studiraju pre i posle nekog tretmana, događaja ih iskustva. Generahio rečeno, studije slučaja se često kombinuju tako da budu istovremeno i pre-posle i longitudinalne: sa više objekata, sa više posmatranja i
sa više tretmana. Na taj način može bolje da se uoči delovanjc tretmana, uticaj vremena ali i da se poveća pouzdanost nalaza. Studija slučaja se može koristiti u komparativnom istraživanjii (v.), u kome se porede slični ili različiti objekti sa ciljem otkrivanja razloga za njihove razlike. Poređenja se obavljaju obično narativno, kvalitativno, ali ukoliko postoje odgovarajući podaci, mogu se vršiti i kvantitativno. Jedna druga podela (Grosshans i Chehmsky, 1990) deli studije shičaja na: ilustrativne, eksplorativne, kritične, za implementaciju programa, za ocenu efekata programa i kumulativne. Kada se koristi kao kritična metoda, ona predstavlja produbljenu anaHzu nekog važnog slučaja sa ciljem sticanja ključnih saznanja o njemu. Kada se koristi kao ihistrativna metoda, ona prati druge metode, recimo anketne, ili sekundarne i shiži za bolju ihistraciju pojave. lako se u mnogim disciplinama, recimo u sociologiji, studija slučaja koristi kao samostalna istraživačka metoda, najbolje rezultate postiže ako se konibinuje sa drugim vrstama istraživanja u tzv. multimetodskom pristupu. Studija slučaja je vrlo bliska kliničkoj metodi u psihologiji. U toj varijanti, studija slučaja se često koristi z a prikaz slučaja koji je po nečemu izuzetan, ili za analizu pojedinačnih dijagnostičkih i terapijskih primcra. Takođe, studija slučaja je vrlo bliska istorijskoj metodi koja se koristi u raznim naukama i otuda potiče njen altemativni naziv istorija slučaja. Studije slučaja su skoro jedina mogućnost istraživanja retkih i izuzetnih pojava. Na primer, poznata su istraživanja dece koja su odrasla bcz odraslih, u šumi i u pećinama (recinio „divlji dečak iz Aveyrona”). U tom smislu, veoma važna uloga studija slučaja je eksplorativna i deskriptivna. Pored toga, brojni su primeri, svuda u nauci i van društvenih istraživanja, da je studija slučaja služila kao generator naučnih teorija, ideja i hipoteza. Darvin je u suštini formulisao svoje ideje o malim promenama živih organizania u funkciji prilagođavanja i nasleđivanja studirajući pojedinačne slučajeve. Studija slučaja se koristi posebno često za evahiaciju (v. evaluativna istraživanja) u ekonomskim i socio-ekonomskim disciplinama, u gradskom planiranju, testiranju naoružanja, velikim nesrećama kako što su one u nuklearnim centralama, humanitamih programa i sl. Međutim, studija slučaja može da posluži za proveru teorija i hipoteza u situaciji kada teorija postoji, a zadatak je da se ona proveri, dopuni, koriguje ih razvije. Provera teorije u tom slučaju obično nije statistička, ali može biti masovna tako što će biti sproveden niz studija slučaja na zasebnim objektima, ili niz novih ispitivanja na istom objektu. Darvin je svoje ideje sistematski proveravao na ogromnom broju novih primeraka u pojedinačnim posmatranjima. Studiju slučaja nećemo koristiti ako želimo da izvršimo generalizaciju na populaciju. Osnovni problem je u tome što se na studijama slučaja uglavnom ne može koristiti statističko zaključivanje, za koje smo rekli da je najbolji način generalizacije u domenu istraživanja ponašanja. Generalizacije na osnovu studije slučaja mogu biti intuitivne, pa čak i tačne, ali se one ne mogu proveriti samo na osnovu podataka iz studije slučaja.
U literaturi se može sresti tvrdnja da studija slučaja omogućuje kauzalne iskaze. Znamo da dokazivanje uzročnosti nije validno bez manipulacije nezavisnom varijablom i randomizacije. Uzorkovanje u studijama slučaja je namemo ili prigodno, pa je kontrola neželjene varijanse, koja se postiže randomizacijom, slaba. Manipulacija nezavisnom varijablom se koristi u eksperimentalnom nacrtu sa n=\ (v. kasnije), ali je inače retka ili nemoguća. Iz toga sledi da su uzročno-posledični zaključci kao što je: „Jovan je još kao mali bežao od kuće zbog straha od kazne za loš uspeh u školi i zahvaljujuči tom odrastanju na ulici postao je heroinski zavisnik.” - nevalidni, prvenstveno zbog nedostatka interne validnosti. Međutim, slučaj Jovana je sasvim dovoljan za postavljanje hipoteze o vezi izmedu straha u detinjstvu, bežanja od kuće i kasnije narkomanije. Nedostatak generalizacije i nemogućnost dokazivanja kauzalnih veza su povezani sa nedostatkom kvantifikacije. Pomoću studije shičaja je nemoguće kvantitifikovati pojave u populaciji. Međutim, kvantifikacija nije nemoguća kada se rad o ispitivanom slučaju - recimo koliko je pušio ranije, a koliko sada, koliko je bio težak pre bolesti, a koliko nakon, koliko je bilo krivičnih dela u opštini pre izgradnje fabrike, a koliko posle. Ova kvantifikacija ne može da posluži za analizu individualnih razlika (jer je broj individua mali), pa prema tome ne može da posluži ni za otkrivanje izvora individualnih razlika - latentnih varijabli, Medutim, merenje na pojedinačnim slučajevima, u onoj meri u kojoj je moguće, prvenstveno namenjeno otkrivanju trendova, može da ukaže na moguće uzročno-posledične veze i uzroke tekućeg ponašanja. lako kauzalni zaključci u studiji slučaja neće biti validni, oni mogu doprineti razumevanju ponašanja koje se posmatra. Razumevanje pojave će biti bolje kod longitudinalnih, pre-posle i kombinovanih studija slučaja. E ksperim entalni n acrt sa jcdnim slučajem . - Kao što je rečeno, studija slučaja može imati fomiu eksperimenta. U tom slučaju je nazivamo eksperimentalnim nacrtom sa «= I. PoSto se ne koristi randoniizacija, nacrt je zapravo kvazieksperimentalni. U tom nacrtu se izučava samo jedan objekt (ili eventualno mali broj objekata), po nacrtu ponovljenih merenja ili vremenskih serija, pri čemu je broj merenja obično vrlo veliki. U nekim slučajevima se nacrt sa n=\ smatra boljim od nacrta sa više grupa, pogotovo onda kada treba proučiti delovanje tretmana na nekom pojedinačnom objektu, ili kada treba ostvariti delovanje na ponašanje pojedinačnog objekta. Karakteristično za eksperimentalni nacrt sa n=\ je početna faza koja se odlikuje višestrukim merenjima sa ciljem da se utvrdi bazni nivo ili bazna stopa. Bez poznavanja baznog nivoa zavisne varijable ne možemo utvrditi da li tretman (tretmani) dovodi do njene promene, a pošto se proučava samo jedan objekt, potrebno je više merenja da se postigne pouzdana mcra baznog nivoa. Poseban problem predstavlja kada bazni nivo poseduje trend ili značajno osciUra. Eksperimentalni tretman se na pojedinca može primenjivati uzastopno više puta kako bi se bolje odredio njegov efekat. Ovakav nacrt se naziva ABAB nacrt. U njemu se smenjuju faze određivanja nivoa zavisne varijable (A) i faze tretmana (B) sa ciljem da se ispita stabilnost efekta tretmana.
lako se eksperimentalni nacrt sa n=\ smatra vrstom studije slučaja, mnogi smatraju da je on bliži eksperimentalnom nacrtu jer poseduje bolju kontrolu neželjene varijanse, manipulaciju nezavisnom varijablom i zato ima dobru intemu validnost. Uzorkovanje u studiji slučaja. - Rečeno je da je uzorak objekata u studiji slučaja veoma mali i da je najčešće upravo n=\. Zbog toga se u studiji slučaja ne mogu vršiti generalizacije na osnovni skup pomoću statistike zaključivanja (testiranja hipoteza i statističkog odlučivanja). Osim što su mali, uzorci u studiji slučaja po pravilu nisu ni reprezentativni u odnosu na neku populaciju, nego su, štaviše, često izuzetni. Studija slučaja nije namenjena statističkoj generalizaciji, pa lunesto da uzorci budu reprezentativni za populaciju, od uzoraka u studijama slučaja se očekuje da budu reprezentativni za teoriju. Ovo svojstvo, iako možda na prvi pogled ne privlači pažnju, veoma je važno i presudno za studiju slučaja. D a bi studija slučaja postala naučno istraživanje ona mora biti striktno, neumoljivo i dosledno vođena nekom naučnom teorijom (engl. theory driven). Kada je gore rečeno da uzorak (makar i veličine jedan) u stiidiji slučaja mora biti reprezentativan za teoriju, to znači da se objekti moraju veoma pažljivo birati kako bi reprezentovali teorijske stavove koji se proveravaju (v. utemeljenu teoriju i teorijsko uzorkovanje). Na primer, ako se analiziraju uzroci neke pojave, onda za svaku grupu, „eksperimentalnu” i „kontrolnu” treba izabrati barem jedan objekt. Ako se proveravaju odnosi između nekih varijabli, nazovimo ih „zavisnim” i „nezavisnim”, onda objekti moraju biti birani tako da poseduju različite vrednosti tih varijabli: jedan mora imati decu, drugi ne, jedan mora biti prostitutka, drugi ne itd. Najčešće tehnike uzorkovanja su prigodna i namerna (v.). U prigodnom uzorkovanju se slučajevi „sami pojave”, ili istraživač odabere onog koji mu je dostupan. Ipak, najbolje je ako istraživač može da nađe neki ključni slučaj, recimo osobu koja hoće i može da dadne ključne iformacije. Ako se bira namerno, onda se obično bira po sledećim principima: ekstrerrmi slučajevi, najbolji slučajevi, najgori slučajevi, klasteri sličnih slučajeva, reprezentativni slučajevi i specijalni slučajevi. Važno je da izbor objekata sledi logičku strukturu teorije. Recimo, ako teorija tvrdi da će deca iz razorenih domova više biti sklona maloletničkom kriminalu, izabraćemo da studiramo maloletnog kriminalca iz razorene porodice, a ne iz normalne porodice, niti ne-kriminalca iz razorene porodice. Ako su slučajevi pojedinci, onda je poznata strategija da se bira čuvena osoba, marginalna osoba iliprosečna osoba. Za čuvenim osobama obično tragaju novinari i pisci, dok su za društvene istraživače vrlo zanimljive marginalne osobe. Marginalna osoba je ona koja „nije kod kuće ni u svom domu”. To su osobe koje nisu ni potpuno uključene u svoju sredinu, niti potpuno isključene. Danas se pod tim pojmom najčešće podrazumevaju osobe koje žive na marginama dva društva ili dve kulture - recimo izbeglice u tuđoj zemlji.
K akva studija slučaja tre b a da b u d e-N ajv ažn iji epistemološki problem studije slučaja potiče od nereplikabilnosti ovog tipa istraživanja. Da bi se to kompenziralo, treba učiniti sve da se ona sprovede sistematično i kritično, a njen izveštaj mora biti napisan analitično, ilustrovan primerima, dobro povezan sa izabranim teorijskim okvirom i uporeden sa drugim teorijama. Da bi zaključci iz studije slučajabili validniji, najbolje je ako se ona koristi multimetodski i ako se koristi triangulacija. To praktično znači da treba koristiti različite metode prikupljanja podataka, uključujući testove, upitnike, snimanje kamerama, analizu sekundarnih podataka, dakle metode koje se smatraju objektivnim. S druge strane, kvalitativne metode se mogu učiniti objektivnijim tako što će se koristiti više ocenjivača, što će ocenjivači biti obučeni, što će kategorije biti precizne i sl. N a primer, ako želimo stvamo da izučimo pojavu straha u detinjstvu, bežanja od kuće i narkomanije, osim studije Jovanovog slučaja koristićemo i anketu, analizu sekundarnih podataka, korelacione studije itd. Ovo je situacija u kojoj se studija slučaja očigledno tretira kao istraživačka metoda. Sve u svemu, iako studije slučaja nekome mogu da izgledaju veoma egzotično, one se ne razlikuju od ostalih tipova istraživanja. Iz prethodnih pasusa se vidi da one imaju svoje osobitosti, ali da te iste osobitosti dele sa drugim tipovima istraživanjima i metodama u socijalnim istraživanjima. Radi se o tome da je studija slučaja više specifična kombinacija metoda nego potpuno poseban tip istraživanja.
1.
Etnografsko i biografsko istraživanje
Nije lako opisati šta je etnografija ili etnografsko istraživanje. Matične oblasti odakle ona potiče i gde se najviše koristi su, pre svega, etnologija (socijalna antropologija), pa zatim i sociologija. Atkinson i Hammersley kažu da etnografija ima sledeće karakteristike: a) jak naglasak na istraživanju prirode društvenog fenomena, umesto na testiranju hipoteza o njemu, b) tendencija da se radi sa „nestrukturisanim” podacim^a, c) detaljno izučavanje malog broja slučajeva, možda samo jednog i d) analiza podataka se zaniva na tumačenju značenja i funkcija ponašanja, uključuje verbalne opise i objašnjenja, pri čemu su kvantifikacija i statistika sporedne. Nažalost, ova defmicija se može odnositi na bilo koje kvalitativno istraživanje. Zato se mora nadopuniti još nekim stavkama koje karakterišu većinu etnografskih istraživanja. Tu spada, pre svega, intenzivno uključivanje istraživača u terenskupostavku koja se izučava. Ova tradicija poznata je još od klasičnih etnoloških istraživanja u kojima je Margaret Mead živela u plemenskim zajednicama. Druga karakteristika, povezana sa prvom, je dominantna upotreba učesničkog posmatranja. lako se etnografija ne ograničava ni na jednu posebnu metodu i obično se koristi više metoda, učesničko posmatranje je obično na prvom mestu. Treća karakteristika, koju Atkinson i Hammersley donekle pominju, je naglasak na verbalnim deskripcijama, još tačnije na proznom karakteru istraživačkih
izveštaja. E tnografska tradicija podrazum eva da analiza podataka bude prezentirana na literaran način i izveštaj u celini se ocenjuje s obzirom na literami kvalitet. Dok se etnografska istraživanja obično koriste za izučavanje manjih Ijudskih zajednica, biografsko istraživanje je namenjeno izučavanju pojedinaca. U našoj i stranoj metodologiji često se sreće naziv biografski metod. Medutim, ovde ćemo ovu metodu tretirati kao vrstu istraživanja iz barem dva razloga. Kao prvo, ona je vrlo sUčna studiji slučaja i predstavlja varijantu etnografije, a kao drugo, biografski podaci se mogu prikupljati različitim metodama, što se snažno preporučuje. Biografsko istraživanje (engl. life story research) je pokušaj da se razume nečiji život na osnovu onoga što on sam o sebi kaže. Već na osnovu ovog pokušaja defmicije se može zaključiti da su predmet biografskog istraživanja na prvom mestu živi Ijudi, kao i da se kao dominantna metoda koristi metoda intervjua. Ovakva biografska istraživanja se najčešće koriste u etnologiji (antropologiji) i u sociologiji, a ima primera takvih istraživanja i u psihologiji. Biografska istraživanja su veoma populama u žumahstici i književnosti, a u književnosti se obično odnose na čuvene pojedince koji su živeh u bhžoj ili daljoj prošlosti (na primer, serija čuvenih biografija Stefana Zvveiga). Poznata su i autobiografska istraživanja, poznata kao memoari. Dakle, kao primami izvor podataka se koristi intervju (v.). Intervjuisanje osobe čiji se život anahzira može potrajati mesecima, čak i godinama. Forma intervjua koja se koristi je u principu nestrukturisana, ali se za prikupljanje objektivnijih podataka o nekim segmentima ispitanikovog života mogu koristiti polustandardizovani i standardizovani intervju. Obično će istraživač morati pre sprovodenja istraživanja, a pogotovo tokom njega, razviti poseban, ako ne i prijateljski odnos sa ispitanikom. To nije neuobičajeno, ali istraživača stavlja u osetljiv položaj da bira izmedu objektivnosti i prijateljstva. Navešćemo jedan mogući protokol intervjua za prikupljanje životne priče. Ovaj protokol nije namenjen produbljenom, višegodišnjem bavljenju životnom pričom neke osobe. Međutim, sasvim je dovoljan i stimulativan za skiciranje nečijeg života (Langdridge, 2004). liv o t u celini 1. Svako ima životnu priču. Pričajte mi o svom životu, dvadesetak minuta, ako možete. Počnite odakle vi želite i odaberite ono što vi mislite da je važno. 2. Koje su najvažnije prekretnice u vašem životu? 3. Pričajte mi o najsrećnijim trenucima u vašem životu. 4. Ali 0 onim najtužnijim. 5. Ko su bili najvažniji Ijudi u vašem životu? 6. Ko su bili oni najbliži? 7. Kako vam sada izgleda vaš život, kada pogledate unazad? 8. Kada biste mogli ponovo da ga proživite, šta biste promenili? 9. Kako objašnjavate ono što vam se dešavalo u životu?
10. Kada biste imali priliku da napišete svoju životnu priču, koja bi poglavlja ona imala? Poglavlje 1? Poglavlje 2?... Koje bi bilo zadnje poglavlje? Ja lično 1. Kako biste opisali sebe kada ste bili mlađi? 2. Kako biste opisali sebe sada? 3. Jeste II se mnogo promenili tokom godina? U čemu? 4. Kakva je vaša životna filozofija? Uopšte, kakavje, po vama, smisao života?
Drugi izvor podataka su razni dokumenti i materijali, a oni mogu poticati: a) iz nezavisnih izvora i b) od samog ispitanika. Ako je ispitanik poznata osoba, o njemu će se lako naći podaci iz nezavisnih izvora. Podaci koje daje sam ispitanik mogu biti fotografije, stari dokumenti, raniji radovi, dnevnici itd. Između ostalog, od ispitanika se može zahtevati da tokom istraživanja vodi dnevnik o svom životu, svojim zapažanjima, sećanjima itd. Na nesreću, u tom slučaju se javlja problem autorstva, odnosno vlasništva nad dnevnikom jer kakvo pravo ima istraživač da objavljuje tude memoare kao svoje. Treći izvor podataka može biti učesničkoposmatranje (v.). Istraživač može živeti ili provoditi vreme sa ispitanikom, a ako se radi o više ispitanika, sa svima njima. Praksa je pokazala da je triangulacija obavezna u biografskom istraživanju. Treba koristiti sve raspoložive podatke da bi se korigovao ispitanikov nedostatak sećanja ili pristrasnost. Uzorkovanje, odnosno izbor osoba čiji se život opisuje, vrši se onako kako je opisano u studiji slučaja. S obzirom na narativnu prirodu većina podataka koji se prikupe, biografsko istraživanje je vrlo slično narativnoj (v) i etnografskoj (v.) analizi, kao i analizi diskursa, dakle svim metodama i tehnikama koje se bave analizom teksta. To se posebno odnosi na analizu prikupljenih podataka iz intervjua, dnevnika i ostalog.
K. Utemeljena teorija
Sociolozi Bamey Glaser i Anselm Strauss su 1967. godine predložili utemeljcnu teoriju kao skup tehnika pomoću kojih se može izgraditi teorijsko objašnjenje nekog društvenog procesa, akcije ili interakcije, na osnovu prikupIjenih mišljenja učesnika o toj pojavi. Utemeljena teorija je ubrzo stekla priličnu populamost u sociologiji i mnogi je vide kao najbolju operacionalizaciju kvalitativneparadigme u domenu izučavanja Ijudskog ponašanja. Po nekim mišljenjima, ako istraživač koji preferira kvalitativnu metodologiju danas želi da izučava pojedince koristiće narativnu metodn ili fenomenologiju.
Ako želi da izučava procese, aktivnosti ili događaje, koristiće studiju slučaja ili utemeljenu teoriju, a ako želi da razume široki kultumi kontekst ponašanja pojedinaca ili grupa, koristiće etnografsku metodu (Creswell, 2003). Inicijalna motivacija autora utemeljene teorije bila je krajnje pragmatična^^ - da ponude jednu referencu na koju bi mogli da se pozovu doktoranti koji koriste kvalitativnu metodologiju. Da bi delo koje su pisali moglo da posluži kao metodološki uzor, morali su da objedine i operacionalizuju osnovne postavke kvalitativnog pristupa. Prirodno je da su za filozofsku perspektivu uzeli fenomenologiju, a iz toga je sledilo i opredeljenje za induktivni način gradnje teorije. Konkretno, istraživaču je sugerisano da odbaci sva svoja prethodna znanja i očekivanja i da na osnovu posmatranja, intervjua ili neformalnog razgovora sa učesnicima neke društvene situacije dobije podatke o tome šta oni misle o toj situaciji ili događaju (recimo, kako studenti vide kurs iz metodologije). Otkrivajući značenja koja ta situacija ima za učesnike, povezujući ih i objedinjujući, istraživač gradi teoriju koja objašnjava razloge i motive učesnika, odnosno doprinosi razumevanju uzroka i posledica njihovog ponašanja. Tu teoriju, pošto je nastala isključivo na osnovu nepristrasno prikupljenih podataka, autori su nazvali, američki pitoreskno, the grounded theory, odnosno teorijom utem eljenom na podacim a. Medutim, tokom razvoja utemeljene teorije, došlo je do razmimoilaženja samih autora, Glasera i Straussa, a razlike u interpretaciji i primeni javile su se i kod mnogih drugih autora. To je dovelo do toga da studentu danas nije lako iz literature razumeti šta utemeljena teorija stvamo jeste, a viđeni autori čak sugerišu da u istraživačkim izveštajima valja precizirati koja varijanta je korišćena. Citalac će uočiti da je to karakteristika kvalitativnog pristupa jer za mnoge metode ne postoji saglasnost čak ni oko osnovnih postavki, na primer da li su kvalitativne ili kvantitativne. To je sigumo jedan od razloga što utemeljena teorija nije našla šim primcnu van sociologije, pre svega u psihologiji. Ipak, utemeljena teorija se pokazala, sa svim svojim varijantama i protivrečnostima, kao intuitivan i plodan okvir za implementaciju kvalitativne metodologije. Ona je verovatno najbolja ilustracija kvalitativne ideje i u tom smislu se u ovoj knjizi često pominje. S obzirom da postoji više varijanti utemeljene teorije, nije lako izdvojiti šta su njena bitna, konstitutivna svojstva. Danas se čini da bi ta svojstva mogla biti: • prikupljanje i analiza podataka se obavljaju istovremeno, • saznajni tok je iterativan i rekurzivan, jer se nakon početnog kodiranja prikupljaju novi podaci, na osnovu novih podataka se stvaraju nove kategorije i proces kreće iznova, • pri izboru ispitanika, odnosno učesnika, koristi se teorijsko uzorkovanje.
Treba znati da su oba autora bila pod značajnim uticajem pragmatizma, što se odrazilo na čitav koncept utemeljene teorije.
• analiza podataka se bazira na kodiranju kvalitativnih podataka, koje je dobro razrađeno i obavlja se u više faza i na više nivoa, • literatura se konsultuje nakon početnih faza kodiranja, a nikako pre kodiranja i • gradi se teorija koja objašnjava nalaze. Kasnije će svako od ovih svojstava biti detaljnije obrađeno i biće pokazano zašto su ona značajna i zašto čine da utemeljena teorija zaslužuje status zasebne vrste istraživanja koja predstavlja oličenje kvalitativne paradigme. Debata Glasera i S trau ssa.- Nakon što su 1967. objavili knjigu J h e Discovery of Grounded Theory", Glaser i Strauss su nastavili rad na utemeljenoj teoriji i u tridesetak godina objavili nekoliko knjiga i mnogo članaka, Međutim, uskoro su počele da se pojavljuju razlike između njih dvojice i njihovih saradnika, da bi devedesetih godina, po mišljenju mnogih, nastale dve različite „utemeljene teorije" - Glaserova i Strauss-Corbinova. Pojednostavljeno rečeno, Glaser naginje interpretaciji utemeljene teorije u celosti sa stanovišta kvalitativne paradigme, u kojoj saznajni proces u potpunosti vode sami učesnici (Glaser ima u vidu informatore, recimo stare Ijude koji pričaju o tome kako se nekada živelo u njihovom selu). Nema i ne treba da bude nikakvog uticaja istraživača, usmeravajućih pitanja, istraživačkih očekivanja, hipoteza i sl. Svet i stvarnost koji se pojavljuju u istraživanju moraju biti isključivo oni koje konstruiše sam informator. Dakle, uloga istraživača je u tome da prikuplja podatke, da ih kodira i da nastoji da vidi šta je suština, odnosno šta je ona središnja kategorija koja objašnjava snimljene društvene pojave i dogadaje i na osnovu koje se onda može formulisati teorija tih pojava. Glaserova utemeljena teorija je labav skup tehnika i metoda, maksimalno induktivno orijentisana i pre svega usmerena ka sh/aranju teorije, a ne njenoj verifikaciji. Glaser smatra da striktno poštovanje procedura za gradnju utemeljene teorije - konstantnog upoređivanja, teorijskog uzorkovanja i kodiranja garantuje da će teorija biti validna sa m a po se b i i ne predvida njenu dalju proveru. Nasuprot njemu, Strauss i Corbin insistiraju na čvrstom pridržavanju postupaka za gradnju utemeljene teorije. Oni su utemeljenu teoriju čvrsto metodoioški strukturirali I zahtevaju od istražlvača da je poštuje. Pored toga, Strauss insistira na tome da utem eljena teorija treba da p ro đ e p ro ces verifikacije, kao i svaka druga teorija. Po Straussu, utemeljena teorija mora da se pridržava ,kanona dobre nauke”, kao što su ponovljivost, opštost, preciznost, značaj i provera. Implicitno, Strauss smatra da su naučne metode univerzalne, nazavisne od problema i zato smatra da ih se treba pridržavati. Glaser osporava Straussa u tom pogledu jer misli da propisivanje metodologije umanjuje induktivnost i nepristrasnost prikupijanja i analize podataka. On, naime, implicitno smatra da metode nisu univerzalne I da određeni problemi zahtevaju određene metode za njihovo rešavanje i zato se preskripcijom metodologije sužava mogućnost saznavanja fenomena. Očigledno je da debata izmedu Glasera i Straussa ima opšti epistemološki značaj I obuhvata stara pitanja saznajne teorije i epistemologije. ipak, danas se čini da većina autora poštuje intenciju utemeljene teorije da generiše dobru teoriju, ali zahteva da ta teorija bude proverer.a - razlike su samo u tome na koji način se smatra da treba biti proverena. Teorija koja nastaje iz nepristrasno prikupljenih podataka, sa „bogatstvom detalja", autentičnim iskazima učesnika i celovitim tumačenjem (što su perjanice kvalitativne paradigme) može postići visok stepen uverljivosti. Medutim, ništa ne može zameniti empirijsku proveru teorije jer nam jedino ona omogućuje da odlučimo koja je teorija bliža islini - ako ih ima više (a hiljade društvenih istraživaća se brine za to da ih uvek ima više).
Važno je znati i to da se utemeljena teorija ne bavi testiranjem hipoteza, tj. nije konfirmativna, ali to ne znači da je ona eksplorativna. Ona rezultira teorijom koja objašnjava i predviđa ponašanje. Isto tako, ona nije deskriptivno istraživanje jer nastoji da interpretira pojave. Po tome je ona različita od etnografske i fenomenološke metode, jer ne opisuje nego tumači. Nažalost, pokazalo se da su razlike između opisivanja i tumačenja suptilne, pa tako i između fenomenoloških istraživanja i utemeljene teorije (posebno u psihologiji). Preporuka je studentu da ove distinkcije zasada uzme „zdravo za gotovo”, ali da zapamti da postoje fmese kako bi ih mogao proučiti kad mu zatrebaju.
1.
Gradnja utemeljenog teorijskog modela
Prikupljanje podataka se prepliće sa njihovom analizom .- Za prikupljanje podataka za utemeljenu teoriju se najčešće konsti polustrukturisani intervju, ali koriste se i sve druge metode; neposredno i učesničko posmatranje, fokus grupe, neformalne konverzacije, hronologija dogadaja ili razni tekstuahii prepisi. Šta više, raznolikost se preporučuje je r su triangulacija podataka, odnosno sinergija podataka, važni za validaciju kvalitativnih istraživanja. Ono što je za utemeljenu teoriju važno je da prikupljanje podataka morabiti isprepleteno sa njihovom analizom. Na primer, nakon nekoliko prvih razgovora mora se pripreiniti njihov transkript koji se onda kodira sa ciljem da se otkriju ključni pojmovi ili teme. To obično dovodi do potrebe za novim. razgovorima, za novim pitanjima i za proširivanjem uzorka ispitanika. Razumevanje situacije do kojeg se došlo tokom jedne faze istraživanja koristi se za pripremu narednih faza, Isprepletenost prikupljanja i analize podataka ima suštinski epistemološki značaj za utemeljenu teoriju. Ono je preduslov da bi se gradnja teorije mogla proglasiti induktivnom. Rekli smo da je inicijalno opredeljenje utemeljene teorije da se ona gradi induktivno. Mnogi autori, a pre svih Glaser lično, i danas insistiraju da je utemeljena teorija bazirana na indukciji. Glaser je naziva ernergentnom istraživačkom m e t o d o l o g ijo m nastaje, izvire iz podataka i koja je ukorenjena u podacima. A kada autori koji pripadaju fenomenološkom pravcu kažu da je neki proces induktivan, oni podrazumevaju da se podaci prikupljaju bez ikakvih očekivanja, hipoteza i predefinisanih kategorija. Pošto su mnogi primenjivali utemeljenu teoriju tako što su proveravali bilo svoja očekivanja, bilo nalaze prethodnih istraživanja, smatra se da su oni učinili otklon od induktivne, emergentne prirode utenieljene teorije. Na primer, ako se istražuje kako studenti doživljavaju kurs iz metodologije, istraživač može pretpostavljati da su studenti prve godine iznenadeni sadržajem kursa jer nisu očekivali da će to učiti na studijama psihologije (na primer). On će onda želeti d aproveri da li je to tačno i može primeniti utemeljeni teorijski model, ortodoksan u svim detaljima osim u tome što polazi od jedne početne pretpostavke.
Da bi se izbegao ovaj epistemološki nesporazum oko toga da li je utemeIjena teorija induktivna i koliko, odnosno da bi se proširio epistemološki okvir utemeljene teorije, nismo u podnaslov izvukli „induktivno građenje teorije”, nego isprepletenost prikupljanja, kodiranja i analize podataka (Langdridge, 2004). Na taj način teorija i dalje ostaje utemeljena na podacima i emergentna, a izbegava se (nepraktičan i skoro nemoguć) zadatak da istraživač pred istraživanje zaboravi sve što je ranije znao. T eorijsko uzorkovanje.- Nakon nekoliko prvih obavljenih intervjua i kodiranja njihovih izjava javlja se potreba za dodatnim razgovorima sa istim ispitanicima, ali i sa drugim ispitanicima. Na primer, nakon prvih razgovora sa studentima o kursu iz metodologije, jedna od studentica psihologije koja voli metodologiju je spomenula kako joj se čini da su njene kolege upisale psihologiju da bi sebi pomogle. Drugi student koji voli metodologiju je izjavio da ceni i voli statistiku. Istraživač će, verovatno, prema proceduri utemeljene teorije, u daljem istraživanju želeti da razgovara i sa ženama i sa muškarcima, kako bi ustanovio da li postoje polne razlike u stavovima prema metodologiji. Pored toga, u daljem razgovoru će nastojati da izdvoji studente koji dele stav o „motivu samopomoći” kod njihovih kolega. Jasno je da ovakvo biranje studenata «ema za cilj da postigne reprezentativnosl iizorka, nego da obezbedipodatke za razvoj teorije. Tokom analize podataka (a ona teče paralelno sa prikupljanjem), a na osnovu dotad uočenih pravilnosti i dominantnih tema i pitanja, odlučuje se o tome koga još treba posmatrati. U tem inologiji utemeljene teorije ovakvo uzorkovanje se naziva teorijskim. Očigledno je da uzorkovanje u utemeljenoj teoriji ima sasvim drugačije namere i ciljeve od uzorkovanja u kvantitativnim istraživanjima. U kvantitativnim istraživanjima se od uzorka zahteva da bude reprezentativan, jer se ciljevi istraživanja (često, ali ne uvek) mogu dostići jedino na reprezentativnim uzorcima: provera teorije, deskripcija, generalizacija i sl. K o d iran je .- Kodiranje kvalitativnih podataka je zajednički imenilac svih kvalitativnih istraživanja. Kodiranje i generisanje kategorijaje, naprimer, presudno za analizu sadržaja (v.), koja se u mnogim tačkama preklapa sa utenieljenom teorijom, osim u gradnji teorije. Zbog značaja koje ima, kodiranju smo dodelili zasebno poglavlje (v.). Za utemeljenu teoriju se pre može reći da je utemeljena na kodiranju nego na podacima. Tačnije rečeno, teorija će biti onoliko utemeljena koliko su kodovi utemeljeni na podacima i koliko dobro oni stvarno odražavaju značenja sadržana u podacima. Kodovi mogu biti simboli, reči, opisi, čitave rečenice i komentari (memoi) kojima označavamo jedinice analize u tekstu. Postoji sledeća izreka: kodiranje je analiza, ali kodovi u utemeljenoj teoriji sadrže samo izvesnu kohčinu analize. Oni su tek deskripcija uočenih manifestnih ili latentnih značenja sadržanih u tekstu, ili samo oznaka kategorije u koju ta jedinica analize spada. Kategorije predstavljaju viši nivo apstrakcije, generalizacije i konceptualizacije nego kodovi. lako ih
miiogi autori izjednačavaju sa pojmovima, odnosno konstruktima, Strauss i Corbin smatraju da su kategorije na višem stepenu opštosti i apstrakcije od pojmova jer mogu da obuhvataju više pojmova i njihovih odnosa. One obično obuhvataju više kodova i više delova teksta, sve do središnje kategorije (engl. core), koja se odnosi na glavninu prikupljenih podataka i oko koje se formira utemeljena teorija. Inicijalno, Glaser i Strauss su podehli kodiranje u utemeljenoj teoriji na: a) otvoreno, b) aksjalno i c) selektivno. Otvoreno kodiranje obuhvata početnu analizu prikupljenih podataka. Transkripti i terenske zabeleške se sređuju, dele se na jedinice analize, jedinice se označavaju i onda se sreduju po smislu i značenju. Sredivanje jedinica teksta po oznakama-kodovima praćeno je stalnim upoređivanjem i ima za cilj da ustanovi kategorije. Aksijalno kodiranje nastavlja sa ovako formiranim početnim kategorijama i potkategorijama, ali se zasniva na uočavanju njihovih veza i ođnosa. Na osnovu povezanosti inicijahiih kategorija po smislu, značenju, mestu u tekstu, osobama koje su dale izjavu itd., aksijalno kodiranje završava novim krupnijim kategorijama, koje mogu da obuhvataju više inicijalnih, „otvorenih” kategorija. Selektivno kodiranje je konačna faza kodiranja u kojoj se aksijahie kategorije povezuju medusobno sa ciljem da se objedine u jednu jedinstvenu kategoriju, koja će onda postati osnova utemeljene teorije. Ova Glaser-Straussova podela nije univerzalno prihvaćena, ali njen smisao i intencije jesu. Na primer, Charmaz (prema Langdridge, 2004) deli kodiranje u utemeljenoj teoriji na: a) inicijalno kodiranje ili kodiranje redpo red i b) fokusirano kodiranje. Kodiranje red po red otprilike odgovara otvorenom kodiranju. Naziv potiče otuda što istraživači u početnoj fazi obično čitaju tekst red po red i nastoje da svaki red kodiraju, odnosno razvrstaju pod neko značenje. Otvoreno kodiranje, odnosno kodiranje red po red jesu ih mogu da budu maksimalno induktivni. Naime, istraživač ne mora imati nikakve predefinisane kategorije, nego može označavati delove teksta baš prema onome što mu se učini da oni znače. Tokom fokusiranog kodiranja se inicijalni kodovi analiziraju s obzirom na značaj, stabilnost i smislenost. Onda se oni koriste za označavanje većih delova teksta. Ne treba zaboraviti da su analiza i prikupljanje podataka isprepleteni, pa ako istraživač nije siguran u smisao nekih kodova, on će izvršiti dodatno intervjuisanje. Ovo intervjuisanje će biti sve više usmxravano kako istraživač bude imao konkretnija pitanja. Zato je fokusirano kodiranje manje induktivno nego kodiranje red po red. Cilj fokusiranog kodiranja (isto kao i aksijalnog i selektivnog) je formiranje širih kategorija značenja koje su čvrsto zasnovana na podacima. Da bi se to postiglo potrebno je stalno uporedivati novootvorene kategorije sa podacima, nadopunjavati postojeće podatke i vraćati se na izvomi tekst. Zato se za kodiranje u utemeljenoj analizi kaže da je dinamičko. Za ilustraciju inicijalnog i fokusiranog kodiranja upotrebićemo zamišljeni intervju sajednim studentom. Tokom fokusiranog kodiranja, a na osnovu kategorija koje su se iskristalisale tokom inicijalnog kodiranja, izdvojene su tri kate-
gorije. Treba obratiti pažnju na to da je moguću centralnu kategoriju formulisao sam ispitanik i ona je ovde označena kao „suštinska podrška studentu”. Ukoliko bi se istraživač odlučio da nju usvoji za gradnju teorije o tome šta studenti očekuju od univerzitetskog nastavnika, video bi da su njene komponente „prezentiranje gradiva” i „participacija studenata”. Transkript intervjua
Inicijalno kodiranje
Fokusirano kodiranje
Veoma cenim to što nastavnik
Objašnjavanje gradiva
Prezentiranje gradiva
Jednostavno prezentiranje gradiva
Prezentiranje gradiva
Uključivanje studenata u nastavu i ohrabrivanje da učestvuju (nedovoljno)
Participacija studenata
Organizacija i prezentacija gradiva
Prezentiranje gradiva
Odgovara na pitanja
Participacija studenata
Student oseća predmet kao težak ali nastavnik mu olakšava
Suštinska podrška studentu
nastoji da nam objasni gradivo i da i nasloženije probleme ispriča jednostavnim rečima... Trudi se da uključi i nas, postavlja nam pitanja I pažljivo sasluša naše odgovore, ali mislim da toga treba da bude još više... Slajdovi su mu dobro organizovani i jedna lekcija sledi iz druge... Ako ga neko nešto pita uvek se potrudi da odgovori... Da nije toga bilo bi mi veoma naporno da spremim taj ispit jer je gradivo teško i nama nerazumljivo...
Stalno upoređ iv an je.- Ono je osnovni proces utemeljene teorije pomoću kojeg se indentifikuju kategorije i gradi teorija. Tokom čitave gradnje teorije, od prvog intervjua do kraja, istraživač mora stalno da poredi prethodne nalaze sa novim. Čim se ustanovi neka tema, odnosno kategorija, moraju se skupiti svi delovi teksta vezani za nju i uporediti jedan sa drugim, ali i sa tekstovima koji pripadaju drugim kategorijama. Na osnovu sličnosti donosi se odluka o spajanju u nove kategorije, a na osnovu razlika o uvođenju novili kategorija ili potkategorija. Stalno upoređivanje ima prvorazrednu ulogu u validaciji utemeljene teorije. U neprekidnoj komparativnoj analizi kategorija i slučajeva vidi se osnovna mogućnost da se uoče neusklađenosti, skrivene povezanosti ili mogućnosti objedinjivanja značenja. Posebno se istraživači podstiču da analiziraju negativne slučajeve. Ukoliko se pronađe ispitanik koji se ne uklapa ni u jednu kategoriju to je dobar signal da treba korigovati kategorije, dodati nove, ili im povećati kompleksnost. Iterativ n o st.- Preklapanje prikupljanja i analize podataka, teorijsko uzorkovanje, konstatna komparativna analiza i kodiranje, svi oni podrazumevaju iterativnost i rekurzivnost. Postupak se ponavlja sve dok se kategorije ne stabilizuju ili se vraća na početak ukoliko se uoče protivrečnosti. Ponavljanje i vraćanje unazad su bitni kako za implementaciju induktivne gradnje teorije, tako i za validaciju. Utemeljena teorija je po svojoj suštini iterativan proces u kome analiti-
čar postaje sve više i više „uzemljen” na podacima a istovremeno razvija sve bogatije koncepte o tome kako pojava koju istražuje stvamo funkcioniše. Ovo svojstvo će biti jasnije ukoliko se utemeljena teorija uporedi sa kvantitativnim istraživanjima. U kvantitativnim istraživanjima se ponavljanja, odstupanja od plana i vraćanje na prethodne korake dešavaju samo po nuždi, kao velika nevolja. Osim toga, ponavljanje je često nemoguće, na primer ako se radi o istraživanju u kome se ispituje uticaj nekih trajnih promena kao što su psihotcrapija, odrastanje, program obuke itd. Za kvalitativna istraživanja se, u cehni, kaže da ih odhkuje fleksibilan tok, a u utemeljenoj teoriji je fleksibilnost obavezna. Razvoj te o rije.- Ostalo je još nekohko koraka i aspekata gradnje utemeljene teorije koje treba istaći. Na prvom mestu to je konsultovanje literature. Konsultovanju hterature, odnosno „istraživanju u bibhoteci” se u utemljenoj teoriji pristupa nakon kodiranja, a ne pre. Ne postoji saglasnost oko toga kada tačno treba početi sa pregledom hterature. Zahtev da se hteraturi pristupa odloženo proistekao je iz zahteva za nepristrasnim prikupljanjem podataka i induktivnim inicijalnim kodiranjem. Smatra se da bi saznanja stečena čitanjem prethodnih radova omela istraživača da ispuni ova dva zahteva. Ovo karakteristično i pomalo neobično pravilo provlači se danas kroz sva kvahtativna istraživanja i utiče na to kako se pišu istraživački izveštaji. Ukratko, u izveštajima iz kvalitativnih istraživanja nije retkost da se glavnina hterature navodi tokom diskusije i zaključaka, a ne na početku, u uvodu, kako je to uobičajeno u kvantitativnim studijama. U praksi, sasvim je uobičajeno i dozvoljeno da se pre istraživanja konsultuje tzv. tehnička hteratura (npr. o metodologiji utemeljene teorije). Sa konsultovanjem hterature o samoj pojavi se počinje kada se počnu izdvajati kategorije. Tokom gradnje teorije, što kategorije bivaju krupnije i što je središnja kategorija, kao i teorija koja iz nje nastaje višeg nivoa, sve je neophodnije da se podrška potraži u literaturi. Konačno, kada je utemeljena teorija formirana, mora biti obirrmo komparirana sa diTigim nalazima i taj korak predstavlja jedan oblik njene validacije. Drugi načini validacije su sadržani u svim opisanim koracima utemeIjene teorije, ali i u tome da se koriste dnigi skupovi podataka i drugi timovi procenjivača - triangulacija. Osini konsultovanja literature, u gradnji teorije se koriste i memoi (od engl. memo, komentar, opaska). Memoi su se pokazali kao veoma važni i korisni za prelaz sa kategorija na teoriju. Nakon što su identifikovane sve relevantne tem ekategorije, sledeći korak u utemeljenoj teoriji je utvrđivanje odnosa izmedu tih tema (aksijalno i selektivno kodiranje). Memoiziranje je glavna tehnika pomoću koje se otkrivaju odnosi između tema. Uz pomoć memoa istraživač modelira moguće međuodnose kategorija, sve do konačnog cilja - središnje kategorije koja objedinjuje značenja svih pojmova i tema. Memoiziranje može početi od samog početka i obuhvata komentare koje istraživač zapisuje tokom čitanja i kodiranja teksta. To mogu biti podsetnici, objašnjenja zašto i kako su dodeljeni kodovi, zapažanja o povezanosti kategorija, nejasnoće i sumnje, hipoteze i sugestije za dalje razmišljanje. Zabeleške se mogu odnositi na mišljenja istraživača o tome šta zapravo govore ispitanici, ih mogu
biti sasvim operativna i praktična zapažanja. Memoi se upisuju na marginama ili na posebnim karticama. U početku su vrlo slobodni i otvoreni, a kasnije teže da budu sve više specifični i usredsređeni na osnovni konccpt. Sve memoe treba tretirati kao provizome i privremene. Sve vreme tokom interpretacije teksta istraživač treba da zapisuje svoje misli i utiske o tome šta čita. Treba koristiti svaku priliku da se napravi pauza i zapišu zapažanja i ideje. Tcorija se formira u obliku priče (naracije) i mora biti formulisana lineamo, oko jedne centralne teme koju čini središnja kategorija, tačnije priča u celini predstavlja defmiciju središnje kategorije (Pandit, 1996). Središnja kategorija „mora biti kao sunce koje stoji u sistematskom poretku prema svojim planetama”, ostalim kategorijama i potkategorijama. Po verziji Straussa i Corbina, taj sistematski poredak, koji središnju kategoriju povezuje sa ostalim kategorijarna uspostavlja se na osnovuparadigmatskog modela. Paradigmatski model se predstavlja sheinom: kauzalni uslovi -> fenomen -► kontekst -* intervenišući uslovi ->• strategije akcije i interakcije -+ posledice. Središnja kategorija se defmiše kao fenomen. Kauzalni uslovi su događaji koji vode razvoju fenomena. Kontekst i intervenišući uslovi tvore jedan širi skup uslova u kojima se fenomen odvija. Strategije akcije i interakcije se odnose na ponašanje koje na.staje kao odgovor na fenomen, a posledice su, konačno, svi oni svesni i nesvesni ishodi tog ponašanja. Ilustrovaćemo ovo primerom koji su dali Strauss i Corbin (citirano prema Garson, 2000). Iseč ak iz zapisnika intervjua „Ublažavanje bola je glavni problem kada imate artrilis. Nekada je bol jači, a nekada slabiji, ali kada postane stvarno jak, jojl To boli tako jako da ne žeiite da ustanete iz kreveta. Osećate se kao da ne možete ništa da radite. Svako olakšanje koje donesu pilule koje uzinnate je prolazno I delimično.” Kodiranje, m em oiziranje i fonviran je u tem eljene teorije Jed na od stvari koje se ovde raspravljaje BOL. Jedno svojstvo bola je INTENZITET: on varira od slabog do snažnog (kada je snažan, a kada je slab?), Kada strašno boli, postoje posledice: ne želite da ustanete iz kreveta, ništa vam se ne radi (koje su druge stvari koje ne radite kada vas boli?). Da bi se rešio ovaj problem, treba vam UBLAŽAVANJE BOLA. Jedan AGENT UBLAŽAVANJA BOLA su lekovl (koji su drugi članovi ove kategorije?). Ublažavanje bola ima odredeno TRA.JANJE (može biti privremeno) i DELOTVORNOST (može biti parcijalna)."
Treba imati na umu da je ovo Straassova verzija utemeljene teorije. To se vidi iz toga što se koriste neke predefuiisane dimenzije, tačnije gradivni elementi utemeljene teorije. Ovi gradivni elementi su sadržani u samom paradigmatskom modelu, a Strauss i Corbin ohrabmju istraživača da ih u tekstu uočava i kodira. Iz gorajeg primera se vidi da je središnja kategorija,/e;7omen bola. K auzabi uslov je artritis, strateška akcija je uzimanje lekova, a posledica je smanjenje bola. U suprotnom, posledica je smanjena radna sposobnost. Kontekst i intervenišući uslovi su jačina bola, kao i trajnost i delotvomost terapije, Pošto su iterativnost i rekurzivnost važna svojstva utemeljene teorije, nema jasno određenog završetka u gradnji teorije. Načelno, kao kriterijum završetka
prepomčuje se tzv. saturacija teorije. To je kada dodatni podaci i dodatna analiza ne donose nove kategorije, niti menjaju postojeće. U suštini, projekt završava kad istraživač odluči da je kraj. Konačno, za utemeljenu teoriju je važno p red stav ljan je rezultata. Prezentiranje utemeljene teorije je obično veoma lagano, je r je materijal pogodan za prezentaciju nastajao tokom njene gradnje; dijagrami, primeri, kodna shema, memoi itd. Preporučuju se integrativni dijagrami na kojima su prikazane sve kategorije i njihovi međusobni odnosi. To mogu biti pojmovne mape, usmereni grafovi ili čak obični crteži koji funkcionišu kao sažeti prikazi. Vrlo je važno da sve tačke, tj. čvorovi grafikona budu ilustrovani primerima iz teksta. Ilustrativni primeri za kategorije rnogu se prikazati i tabelamo. Uopšte, u izveštajima iz kvalitativnih istraživanja podrazumeva se navođenje primera i izvoniih podataka, u originalnom jeziku. Obilno ilustrovanje delovima teksta je korisno kako za dokazivanje kategorija i modela, tako i za prikazivanje spomih mesta. Pristup utemeljene teorije, koji uključuje iterativno kodiranje i konstantno memoiziranje se nalazi u osnovi ne samo sva tri softverska paketa koja ćemo navesti kao kvalitativne semantičke pakete u poglavlju o primeni računara u analizi teksta, nego i većine paketa koji se deklarišu kao paketi za kvalitativnu analizu, analizu sadržaja ih na neki drugi način.
2.
Jedan potpuniji prim er utemeljene teorije Kearney et al. su 1995 (navedeno prema Russell i Ryan, 1998) intervjuisali 60 žena
koje su rekle da su tokom trudnoće uživale kokain u proseku jednom nedeljno. Polustrukturirani intervjui su trajali između jednog i tri sata i obuhvatali su detinjstvo, odnose, životni kontekst, prethodne trudnoće I akcije tokom tekuće trudnoće koje su se odnosile na upotrebu droge, prenatalnu brigu i brigu o sebi, Zapisnici su kodirani i analizirani odmah ćim bi postali dostupni. Čim bi se pojavila neka nova tema, istraživači su postavljali pitanja o toj temi u sledećim intervjuima. Time su prikupljanje i analiza podataka bili isprepleteni. Kearney i sar. su prvo kodirali podatke prema opštim temama na osnovu kojih su sprovodili intervjue (otvoreno kodiranje), Nakon toga su članovi tima ponovo čitali zapisnike, tragajući za novim primerima sociopsiholoških tema u kazivanjima žena, Svaki put kad bi naišli takav primer oni bi postavljali pitanja ,,o ćemu govori ovaj primer?”. Odgovori bi sugerisali neke suštinske kategorije koje bi zatim bile doterivane na osnovu drugih zapisnika. Autori su zatim pratili kako su te osnovne kategorije bile međusobno povezane (aksijalno kodiranje), Oni su zapisivali svoje ideje o tim interakcijama u formi memoa i razvijali su preliminarnl model, U svakom sledećem zapisniku tražili su negativne slučajeve i delove teksta koji su dovodili u sumnju njihov model, Na osnovu toga su korigovali model kako bi uključili sve varijante koje su se pojavljivale u zapisnicima, Za početak, Kearney i sar, su identifikovali 5 glavnih kategorija koje su nazvali: VREDNOST, NADA, RIZIK, REDUKCIJA ŠTETE i KONTROLA STIGME (velika slova se ćesto koriste za kodna imena u istraživanjima sa utemeljenom teorijom). Zene su vrednovale svoju trudnoću i buduću prinovu shodno svojim vlastitim životnim prioritetima (VREDNOST); žene su iskazivale različite stepene nade da će tnjdnoća završiti dobro i da
će one biti dobre majke (NADA) i one su bile svesne da upotreba kokaina predstavlja rizik za fetus, ali su taj rizik percipirale na različit način (RIZIK). Žene su na različit način nastojale da smanje rizik za fetus (REDUKCIJA ŠTETE) i koristili su različite strategije da smanje društveno odbacivanje i omalovažavanje (KONTROLA STIGME). Nakon što su kodirali 20 intervjua, Keamey i sar. su shvatili da su kategorije REDUKCIJA ŠTETE i KONTROLA STIGME komponente jedne kaipnije kategorije koju su nazvali IZBEGAVANJE ŠTETE. Nakon što je približno 30 intervjua bilo kodirano, oni su identifikovali i označili jedan opšti psihološki proces koji su nazvall SPASAVANJE SELFA koji je uključivao svih 6 glavnih kategorija (selektivno kodiranje). Teorljska saturacija je dostignuta nakon približno 40 Intervjua, a Kearney i sar. su sprovell još 20 intervjua a da nisu otkrill nijednu novu kategoriju ili odnos. Kearney i sar. su predstavili svoj model grafičkl, povezujučl ga sa llustrativnim primercima teksta. Opisali su sa bogatstvom detalja svaku glavnu kategoriju koju su otkrill. Konačno, proverili su valjanost svog modela predstavljajući ga obaveštenim informatorima (trudnlcama narkomankama), članovima tlma projekta i stručnjacima iz oblasti zdravstva I socljalnog staranja koji su poznavali dotičnu populaclju.
L.
Meta-analiza
Meta-analiza je „istraživanje na istraživanjima”, ili, kako se u žargonu kaže, „istraživanje bez prikupljanja podataka”. U meta-analizi se vrši kvantitativna analiza smera i intenziteta povezanosti nezavisnih i zavisnih vahjabli u različitim istraživanjima. Kao takva, mcta-analiza spada u kvantitativna istraživanja. Primena kvantitativne meta-analize u savremenim naukama, kako društvenim, tako i prirodnim, u veoma je brzom razvoju. Na primer, u prvih 15 godina, od 1977. do 1990, broj radova referisanih u PsycINFO je porastao sa nula radova godišnje na 160 godišnje (Lyons, 2004). Zamislimo situaciju, koja se rcdovno dešava u istraživačkoj praksi, da istraživač, nakon faze pregleda literature, ustanovi da dve studije imaju podudame nalaze, a treća sasvim suprotne. S obzirom da se u svim metodološkim knjigama, pa i u ovoj, sugeriše da istraživač odabere problem iz oblasti u kojoj postoje protivrečnosti i nejasnoće, velika je verovatnoća da će se u ovoj situaciji istraživač odlučiti da sprovede svoju studiju. Medutim, bogato iskustvo sa naučnom produkcijom u XX veku govori da će ta studija ili dovesti do nerešene situacije, ili situacije 3;1 u korist prvih nalaza. Ni jedan ni drugi ishod neće predstavljati defmitivan dokaz, niti će razrešiti nejasnoće. Dodatna studija će biti samo još jedna nova studija, koja će predstavljati „poziv” narednom istraživaču da i sam dodatno istražuje, čime se broj istraživanja neprestano povećava, ne nužno u pravcu konačnog razrešenja problema. Preovladujući postupak koji istraživači primenjuju u pregledu literature je da se utvrdi da li je u citiranim studijama pronaden značajan efekt ili nije. Ovaj postupak su Hedges i Olkin nazvali „brojanjem glasova” - ako većina studija
kaže ,,da”, onda je ,,da”. Razvoju meta-analize dugujemo saznanje da je brojanje glasova pogrešan postupak za utvrdivanje da li postoji povezanost nezavisne i zavisne varijable. Kao logičan izlaz iz takve situacije, u naučnoj zajednici je duže vremena cirkulisala ideja o objedinjavanju istraživanja, o njihovom epistemološkom sabiranju, međusobnom posuđivanju snage, o iskorišćavanju što više informacija iz dosada provedenih istraživanja i kumuliranju saznanja koje bi u krajnjoj liniji dovelo do konvergencije ka istini. Uočeno je da bi se takva ideja mogla ostvariti samo ako bi se izvršila neka vrsta „istraživanja na istraživanjima”, koju danas nazivamo meta-analizom. Početak meta-analize pripisuje se Karlu Pearsonu koji je 1904. prikupljao koeficijente korelacije da bi ispitao prosečni učinak vakcinacije protiv malih boginja na preživljavanje. Doprinos u tom smislu dali su i drugi klasici modeme statistike, kao što su Ronald Fisher, William G. Cochran i George Snedecor. Prvi koji je uočio potencijal meta-anahze kao posebne vrste istraživanja, koja uključuje postavljanje hipoteza i sistematsko izučavanje, a sa ciljem objedinjavanja, poređenja i kumuiiranja rezultata različitih istraživanja i koji je to nazvao metaanalizom bio je Glass. Od tada (1976), praktična primena ovog tipa istraživanja postajala je sve masovnija i danas je postala jedna od uobičajenih vrsta (nacrta) istraživanja i može se sresti u većini časopisa koji objavljuju istraživačke izveštaje. U nekim oblastima, recimo istraživanju efikasnosti terapije, meta-analitičke studije su dominantan način istraživanja. Glass je defmisao meta-analizu kao „analizu na analizama... statističko istraživanje na velikom broju rezultata iz individualnih istraživanja u cilju integrisanja nalaza”. Meta-analiza omogućava istraživaču da na sistematski način izuči i da smisla velikom broju naizgled nekonzistentnih nalaza iz innogih primamih istraživanja. Primena kvantitativne meta-analize obično se zasniva na prikupljanju mera veličine efekta, koji se generalno defmišu kao mere veličine rezultata koje su nezavisne od skale merenja u primamom istraživanju, veličine uzorka, varijabilnosti i drugih faktora, Glass je razlikovao meta-analizu od analize sekundamih podataka, koju smo ovde prikazali kao posebnu metodu prikupljanja podataka. Analiza sekundarnih podataka je stara i dobro poznata metoda analize podataka koje su prikupili drugi, a istraživač ih analizira iz dmge perspektive ili dnigim metođama. Za razliku od nje, meta-analiza se bazira na analizi sumarnih podataka iz više istraživanja, recimo aritmetičkih sredina (a ne sirovih podataka), po danas već razrađenoj metodologiji, sa ciljem da se izvuku zaključci koji su zajednički za sva ta istraživanja. Meta-analiza se može koristiti i za formiranje utemeljene teorije. Osim kvantitativne meta-analize, postoji i kvalitativna, koja se koristi za kvalitativnu analizu različitih karakteristika istraživanja. uzimajući u obzir sve dostupne podatke o istraživanju, a ne samo glavne nalaze. O kvalitativnoj meta-analizi biće reči u zasebnom odeljku.
1.
Veličina efel
U kvantitativnoj meta-analizi se smatra da je fundamentalni ishod svakog istraživanja veličina efekta (engl. effectsize). Naziv potiče od Glassove namere da izračuna prosečan uticaj eksperimentalnog tretmana na zavisnu varijablu, ne vodeći pri tome računa o statističkoj značajnosti (jer ona zavisi od veličine uzorka, od tipa statističkog testa, od altemativne hipoteze ili prihvaćenih grešaka I i II tipa). Za to je bila potrebna neka mera ili indeks koja bi bila nezavisna od jedinica merenja ili varijabilnosti u pojedinačnim istraživanjima, a ta mera bi onda predstavljala univerzalnu kvantifikaciju vehčine efekta tretmana na zavisnu varijablu. O problem.ima testiranja značajnosti, odnosno testiranja statističkih hipoteza govori se u glavi o kvantitativnoj analizi. Ovde ćemo tim problemima dodati onaj koji je Glass hteo da reši uvođenjem meta-analize. Krajnje pojednostavljeno, kad god testiramo značajnost nuhe hipoteze, mi ponderišemo dobijenu veličinu efekta veličinom uzorka: test značajnosti = veličina efekta x veličina uzorka. Na primer, dva istraživanja koja imaju identičnu vehčinu efekta, mogu se drastično razlikovati u oceni značajnosti zato štoje jedno sprovedeno na velikom, a drugo na malorn broju objekata. Meta-anaHza nam pomaže da razumemo da nalazi koji se u istom smeru ponavljaju u više istraživanja, čak i ako nijedan nije značajan, predstavljaju mnogo „teži” dokaz nego pojedinačan a značajan nalaz. Na primer, kada se meta-analitički obradi, dobiće se da su dva nalaza sa značajnošću p=0,06 mnogo jači dokaz (p=0,014) protiv nuhe hipoteze, nego jedan nalaz od p=0,05. Deset rezuhata na p=0,l su čvršći dokaz protiv nulte hipoteze (p= 0,000025), nego štoje p etn jih n a p=0,05 (p=0,00012). Meta-analiza nam omogućuje, ali nam i skreće pažnju, da mnogo mahh i neznačajnih rezultata mogu stvoriti tačnu sliku o predmetu istraživanja (Rosenthal i DiMatteo, 2001). Danas se meta-analiza ne bavi sarno eksperimentalnim istraživanjima, pa se veličina efekta definiše h.ao jačina povezanosti između nezavisne i zavisne varijable. U tom smislu, meta-analiza se bavi pojedinačnim efektima i ne obraća pažnju na „sliku u celini”. Istraživači u meta-analizi nemaju posebnog interesa da se bave istraživanjem „sekundamih” varijabli - od interesa je uticaj psihoterapije na ozdravljenje, uticaj veličine razreda na uspeh učenika, povezanost asertivnosti i bolesti zavisnosti - da navedemo samo neke od nezavisnih i zavisnih varijabli. Medutim, postoje bar dva aspekta koja treba imati u vidu. Prvi je značaj moderatorskih varijabli. Ako studije pokazuju da terapija deluje kod mladih, a ne kod starih, onda je starost moderatorska varijabla i ona ne sme biti previđena u meta-analizi. U toin slučaju bi meta analiza morala, na primer, biti sprovedena na odvojenim istraživanjima koja su se bavila uzorcima mladih i starih. Dnigi aspekt je taj što meta-analitičko istraživanje može drugačije definisati varijable nego što to čine pojedinačna istraživanja. Kasnije će u primeru biti prikazano kako se u meta-analizi mogu proglasiti nezavisnom i zavisnoiTi varijable (pol, starost i inteligencija), koje nisu tako bile defmisane u izvomim istraživanjima.
Da bi se mogla smisleno koristiti u meta-analizi, mera veličine efekta mora zadovoljiti nekoliko uslova: a) mera veličine efekta ne sme zavisiti od veličine uzorka, b) ona ne sme zavisiti od skale i jedinica merenja, c) ona mora biti nulta ako ne postoji povezanost i d) njena distribucija uzoraka mora biti poznata, najbolje nomialna, sa poznatom (ili procenljivom) varijansom, tj. standardnom grešlcom. Iz malopređašnje definicijc veličine efekta čitalac verovatno već ima predstavu da bi koeficijent korelacije bio jedna od takvih mera. Stvamo, koeficijent lineame korelacije jeste mera veličine efekta koja se često koristi. Medutim, kada su varijable nominalne ili kategorijalne, istraživači neće koristiti r, nego različite dmge indikatore povezanosti, recimo t, F ili statistike. Nažalost, istraživači znaju da testovi statističke značajnosti (za t, F, itd.) zavise od veličine uzorka, tačnije od broja stcpeni slobode. Zbog toga se dobijeni, npr. F statistici, iz različitih istraživanja ne mogu porediti, niti se mogu sabirati (da bi se našla neka vrsta proseka). lako je koncept veličine efekta jednostavan - uticaj jedne varijable na drugu - nije lako izvesti neku njegovu jedinstvenu meru. Mnoga istraživanja se zanivaju na složenim nacrtima koji sadrže više varijabli, više grupa I njihovih kombinacija. Osim toga, još uvek je teško iz objavljenih istraživanja izvući podatke na osnovu kojih se može izračunati veličina efekta, pa se, recimo, u mnogim radovima veličina efekta mora procenjivati iz grafikona, lli se mora kontaktirati autor da bi se saznala veličina grupa. Da bi se meta-analiza prilagodila svim varijacijama složenih nacrta i manjkavih izveštaja, razvijeni su mnogi indeksi veličine efekta, u zavisnosti od vrste i nacrta istraživanja, tipa varijabli, statlstlčke tehnike i vrste istraživačkih pretposlavki. Osim toga, oblast kvantitativne meta-analize se još razvija i postoje razlike u terminologlji I razlike u razvrstavanju pokazateija veličlne efekta.
Podsetimo se odeljka o sličnosti korelacija i razlika u glavi o kvantitativnoj analizi. Tamo je rečeno da postoje ,,dve statistike”, Fišerova i Pirsonova, prva koja ispitiije razlike i druga koja ispituje sličnosti. Jedna prihvatljiva podela indikatora veličine efekta asocira na ovu distinkciju dve statistike. Po toj podeli postoje dve osnovne klase vehčina efekta: a) standardizovane razlike aritmetičkih sredina - kada se kao veličina efekta obično koristi d i b) mere korelacije između varijabli - kada se kao veličina efekta obično koristi r. Međutim, biće nam koristan stav da su, u stvari, sve studije korelacione, odnosno da se svaka analiza, ma koliko tvrdo bila bazirana na testiranju hipoteze o razlici, može svesti na neku vrstu korelacije. Veličina efekta je osnova meta-analize, medutim, d o b ar pokazatelj veličine efekta nam om ogućuje da uporedim o nalaze dva istraživanja, pa čak i da statistički testiramo razliku (Rosnow i Rosenthal, 2005).
a. Poređenje dve nezavisne grupe p o kontinuiranoj (intervalnoj) varijabli Uobičajeno je da se u istraživačkim nacrtima tog tipa jedna grupa naziva eksperimentalnom, a druga kontrolnom. Za analizu podataka se u tim situacijama obično koristi z-test, /-test ili F-test za dve grupe (kada ima jedan stepen slobode u brojitelju). Eksperimentalna gmpa mora u svim istraživanjima biti jednako defmisana i to kao grupa koja je bila izložena jednom te istom dejstvu. U protivnom, meta-analitičko poredenje istraživanja ne bi imalo smisla. Kontrolna grupa u stvari služi za poredenje i smalra se da je manje važno da li je ona u svim istraživanjima defmisana na isti način. U toj situaciji se veličina efekta može izraziti kao standardizovana razlika izmedu dve aritmetičke sredine. To je sasvim jednostavna mera sa jednim stepenom slobode, kako bi rekli statističari. Više autora je predložilo takvu meru, Glass, Hedges i Cohen, i njena osnovna formula je: S = {M E -p i^ /o ,
[ 1]
pri čemu je prosek populacije iz koje dolazi eksperimentalna grupa, prosek populacije iz koje dolazi kontrolna grupe, a a zajednička standardna devijacija populacija. Pretpostavlja se, dakie, da su ili obe grupe izvučene iz iste populacije, ili iz dve različite populacije koje imaju jednaku varijansu. Pošto se vrednosti /i i crocenjuju iz uzorka, javlja se problem šta treba uzeti kao meru zajedničke varijanse populacija. Glass je predložio formulu u kojoj se kao najbolja procena varijanse populacije uzima varijansa kontrolne gmpe. Ta formula onda glasi:
di = {M „ -M ,)l a^,
[2 ]
gde je prosek eksperimentalne gn.ipe, prosek kontrolne grupe, a standardna devijacija kontrolne gmpe. Danas se prepomčuje Hedgesova i Cohenova formula koja varijansu populacije procenjuje kombinujući obe grupe (engl. pooled): d=(M E-M i^)l
[3]
gde je a^K srednja standardna devijacija obe gmpe. Ova formula ima dve varijante, u zavisnosti od načina računanja cr^^. Opšta fomiula glasi: Oe k =
{[(«£- 1 ^ ^ + K -
[4]
Ako se u imenitelju koristi N — (n^ + njJ, onda se dobijeni d naziva Cohenov d, a ako se koristi N = (n^ + n^ - 2), dobijena vrednost se naziva Hedgesov g. Cohenov d^e vrlo populam a mera i često se izjednačava sa pojmom meta-analize, iako je Hedgesov g verovatno tačniji. Naime, ako se u imenitelju koristi N -2, a^j^ postaje ocena populacione standardne devijacije. Ako je u istraživanjima korišćen jednofaktorski nacrt analize varijanse, ili kada se razlika dve gmpe računala r-testom, takva je identična kvadratnom korenu iz srednjeg kvadrata greške (engl. error mean square, residual mean square, unexplained
mean square-MSE). Ako je u istraživanjima korišćen višefaktorski nacrt analize varijanse, koji se koristi u g^je koren iz srednjeg kvadrata unutar gnipa (MS„). U daljem tekstu ćemo za oba indcksa koristiti oznaku d (osim kada razlika nije izričito navedena). Na nesreću, ove tri varijante računanja d prave priličnu zbrkii, što neke autore navodi da sugerišu da se za veličnu efekta koristi r. Razlika između rfigje sve manja kako su veličine grupa veće. Postoji jednostavna foimula za konverziju c/u g = d ! [{nE+n^)l{ne+n,c-2)f = d / {N I b s s f .
[5]
Veličina efekta iskazana preko d je jednaka nuli kada ne postoji razlika između aritmetičkih sredina grupa i distribuirana je normalno (distribucija uzoraka) sa varijansom koja se može oceniti kao: = (« £ +
+ '5?-’/ 2 ( n £ +
n^),
[6 ]
pa je, dakle, ona podobna za korišćenje u meta-analizi. Detaljnija analiza svih pokazatclja vehčine efekta je pokazala da to nisu nepristrasne mere i da njihova veličina i preciznost zavise od mnogih faktora. Među tim faktorima su vehčina uzorka, vrsta nacrta analize varijanse (fiksni i slučajni efekti), pouzdanost merenja itd. Zato su, manje-više za sve pokazatelje, pa i za d, izvedene različite korekcije za pristrasnost. Kada je reč o g, često se preporučuje da se koristi Hedges-Olkinova korekcija za male uzorke: g, = g { l-3 /[(4 * fo i-)-9 ]} .
[7]
pri čemu je bss=n^+ni^^2. Naime, zbog korišćenja standardne devijacije u imeniteiju (a koja je pristrasna procena standardne devijacije u populaciji, vidi poglavIje 0 statistici) mora se uzeti u obzir deljenje sa (n-1). „Porodica d ’ čini jednu od dve osnovne grupe pokazatelja veličine efekta. lako je ona u osnovi namenjena nacrtima sa dve grupe, postoje prilagođene formule pomoću kojih se može 7^-statistik sa više od jednog stepena slobode u brojitelju konvertovati u d (v. kasnije). Pored toga, mogu se koristiti t ili F-testovi po parovima grupa kako bi se utvrdio trend (ako postoji). b. Ocenjivanje stepena linearne povezanosti pom oću r-koeficijenta Drugu glavnu grupu pokazatelja veličine efekta čini „porodica r" (Rosnow i Rosenthal, 2005, Rosenthal i DiMatteo, 2001). Nju čine Pearsonov r kada su obe varijable kontinuirane, (p-koeficijent kada su obe varijable dihotomne, point biserijalni koeficijent kadaje jedna varijabla dihotomna, a druga kontinuirana ili Spearmanov p koeficijent kada su obe varijable ordinalne. Tu se može ubrojati i Z, Fisherova transformacija r itd. Postoje dva pristupa u korišćenju koeficijenata korelacije. U prvom pristiipu se koeficijenti korelacije koriste u izvornom obliku, s time da se r transfonniše u Fisherov Z (v. poglavlje o korelaciji i regresiji), kako bi se dobio pokazatelj koji se nonnalno distribuira i čija je standardna greška poznata. U ovom pristupu,
veličina efekta dobijena iz višestruke regresione analize, sa više prediktora, (višestruki R koeficijent) nije podobna za meta-analizu, nego se preporučuju parcijalni regresioni koeficijenti (obični ili standardizovani) ili parcijalni koeficijenti korelacija. Treba imati na umu da regresioni koeficijenti i parcijalne korelacije ne sadrže samo informaciju o odnosu nezavisne i zavisne varijable, nego i o uticaju „trećih” varijabli na taj odnos. Drugi pristup je pristup „proporcije objašnjene varijanse” i u njemu se koeficijenti korelacije jednostavno kvadriraju. Repertoar koeficijenata koji se u ovom pristupu koriste je nešto drugačiji i najviše se koriste r^, kvadrirani koeficijent višestruke korelacije R \ kvadrirani korelacioni odnos rj^, njemu sličan koeficijent o / i sl. Upućenijem čitaocu će biti od pomoći da zna da su vrednosti r^, i ekvivalentne i da mogu da se dobiju tako što se podeli objašnjena suma kvadrata (engl. regression, explained, model ili betvveen sum o f squares, kako se sve, nepotrebno različito, naziva ta suma kvadrata u statističkim paketima) sa ukupnom sumom kvadrata (engl. total). Kada se to zna, veličina efekta se može izračunati kao korelacioni tip indeksa i onda kada je u istraživanju korišćena analiza varijanse. Kada se r^, R^ ili i f pomnože sa 100 dobije se procenat. Nažalost, kvadriranjem koeficijenta se gubi važan podatak za meta-analizu - smer povezanosti, iskazan predznakom. Već pomenuti eta-kvadrat {rj^) i omega-kvadrata {of) spadaju u standardni repertoar pokazatelja koje statistički paketi računaju u okviru ANOVA. Pošto ta dva kvadrirana koeficijenta izražavaju povezanost nezavisne i zavisne varijableiskazanu kao proporcija objašnjene varijanse - nezavisno od broja grupa i linearne povezanosti varijabli, oni se često mogu naći u meta-analitičkim studijama. Porodica r ima prednosti u odnosu na porodicu d. Kao prvo, nacrt iz kojeg se računa lije potpuno pogodan za računanje point biserijalnog koeficijenta korelacije, za koji, opet, znamo da je ekvivalentan običnom r. Koeficijent r je u osnovi kontinualna mera, izračunata iz svih parova vrednosti, dok je d izračunat samo iz dve M, pa r sadrži više informacija nego d. Dalje, veličine efekta r se lako sabiraju (pretvaranjem u Z), lako se generalizuju za više od dve grupe, a r se innogo lakše interpretira sa stanovišta praktičnog značaja nego d.
c. Ocenjivanje povezanosti dve dihotom ne varijable Za tabele kontingencije 2x2 (sa 6m=1) predložena je veličina efekta L (Schaffer, 1999). Ako je tabela kontingencije veća od 2x2, odnosno kada je bss > 1, izlaz se može potražiti u segmentaciji tabele ili sažimanju kategorija. Ako smo ukrstili dve biname varijable, X i Y, dobih bismo sledeću tabelu: X a
b
c
d
Poznati „odds ratio” (približan prevod je šansa za uspeh, a to je veličina koja se nalazi u osnovi velikog broja koeficijenata koji pretenduju da prikažu asocijaciju nominalnih varijabli) računa se kao: o = (a X d) / ( b X c) = (a / b) / ( c / d),
[8]
pri čemu su a, b, c i frekvencije u kućicama. Vrednost o će biti jednaka jedan ako ne postoji nikakva veza izmedu pojava, a u suprotnom o može poprimiti bilo koju pozitivnu vrednost. Vehčina efekta se onda izračunava prosto kao: L = In(o),
[9]
odnosno kao prirodni logaritam iz „odds ratia”. Ovaj logaritam (engl. log odds ratio) se distribuira pribhžno normalno, sa varijansom 0 ^1^=
\/a + \/b + 1/c + l/d,
[10]
a pri tome treba napomenuti da se iz praktičnih razloga, da ne bi došlo do deljenja sa nulom, svim frekvencijama dodaje 0,5 (/ je operator deljenja, razlomačka crta). Međutim, x^-kvadrat statistik se lako konvertuje u r, čime se olakšava metaanahza tabeia kontingencije bilo koje veličine. Isto tako, na tabeh 2x2 se može izračunati (p-koeficijent, koji je identičan r.
2.
Kombinovanje testova značajnosti
Zbog pogrešnog običaja da se p-vrednost testa nulte hipoteze tretira kao glavni cilj i nalaz istraživanja, mnogi istraživački izveštaji ne sadrže vehčine efekta, niti podatke izkojih se oni mogu izračunati (npr. M ,a \n z 3 . svaku grupu). U tom slučaju se ne može koristiti nijedan od opisanih pokazatelja veličine efekta. Da bi se to prevazišlo, razvijeno je nekohko mogućih strategija. Jedna od njih je Stoufferova, vrlo jednostavna. Ona se sastoji u tome da se na osnovu objavljenog jednosmemog/7 izračunapripadajućiz. Ako izveštaj sadrži ezagktnujednosmemu jo-vrednost, utoliko bolje. Ako sadrži dvosmemu, treba je konvertovati u jednosmemu kao p/2. Ako izveštaj ima samo rezime testiranja značajnosti, onda se za /)<0,05 uzim az=l,645, zap<0,01 uzima sez=2,326, za/)<0,001 uzima sez=3,090 itd. Ukoliko istraživač nije rekao ništa osim da „nalaz nije značajan”, moraćemo uzeti z=0. Nakon toga se izračuna ukupni z, pa se on konvertuje nazad u p. Procedura se može napisati na sledeći način: 1. A2. z„ = S z , / r '
[11]
3- z „ - P „
gde j e pi verovatnoća jednostranog testa značajnosti /-tog istraživanja, z, je z-skor koji odgovara verovatnoći/>,, ^ broj istraživanja, a z„ i z-skor i značajnost svih istraživanja, kombinovano. Ako se radi o istraživanjima u kojima su testirane razlike između gmpa, treba obratiti pažnju i na smer razlike. U nekim istraživanji-
ma A4 može biti manja od a u drugima veća. Za češći slučaj ćemo pvrednosti zadržati kakve jesu, dok ćemo za suprotan slučaj koristiti (l-/?) i u tom slučaju ćemo verovatno dobiti negativan z. Naravno, kao što će biti rečeno u poglavlju o korisnosti testiranja nulte hipoteze, p-vrednost je samo verovatnoća greške I tipa, a on u presudnoj meri zavisi od veličine uzorka. Meta-analiza je nastala sa idejom da se istraživačko zaključivanje rastereti veličine uzorka. Zato metodu kombinovanjap-vrednosti treba koristiti samo kada nijedan drugi pokazatelj veličine efekta nije moguć. Treba imati u vidu da se 2 jednostavno može konvertovati u r, te j e p-vrednosti moguće i na taj način kombinovati (v. kasnije).
3.
Kombinovanje ostalih tipova veličine efekta
Pre nego što pristupimo kombinovanju (računanju prosečne vrednosti) veličine efekta iz različitih istraživanja, treba raščistiti pitanje korigovanja pristrasnosti. U odeljku o porodici d ukazano je na značaj korekcije veličine efekta zbog pristrasnosti i nepreciznosti, odnosno različite varijabiinosti. Neki autori misle da se, zapravo, veličine efekta mogu klasifikovati u tabelu čiji redovi su defmisani tipom, odnosno klasom efekta, kako je gore prikazano, a kolone načinom korekcije za pristrasnost. Ova druga dinienzija klasifikacije ima dve kategorije: a) nekorigovane veHčine efekta i b) korigovane veličine efekta. Pristrasnost ima različite izvore i zato postoje različite korekcije za pristrasnost. Da li će se koristiti korigovani ili nekorigovani indeksi, zavisi od odluke istraživača i zasada ne postoje striktne preporuke. Način korigovanja Hedgesovog g prikazan je ranije. Ako se koristi rešenje je jednostavno jer statistički programi standardno daju i korigovani višestruki R (engl. adjusted), koji se može koristiti za tu svrhu. Formula za korekciju R je informativna za sve /--koeficijente; oni su pristrasni prema broju varijabh, prema veličini uzorka i prema veličini efekta. Korekcija pristrasnosti je posebno važna zbog operacije kombinovanja veličine efekata, odnosno računanja njihovog proseka. Naime, cilj meta-analize je da kreira objedinjeni pokazatelj veličine efekta iz svih obuhvaćenih studija. Pošto su pojedinačni pokazatelji pristrasni, najčešće zbog veličine uzorka i različite varijabilnosti, moraju se pravilno ponderisati da bi njihov doprinos u ukupnoj veličini efekta bio pravedan. Kombinovanje veličina efekta može biti ponderisano ili neponderisano. Opšta formula za kombinaciju veličina efekta može se napisati kao:
E =~
------ ,
gde je E prosečna vehčina efekata ii„ a W; su ponderi. Ako je obična aritmetička sredina. Ponderi se najčešće izračunavaju kao:
[12]
E će biti
odnosno kao recipročna kvadratna standardna greška veličine efekta E^. Recimo, ako se istraživač opredeli da izračuna ponderisani prosek d-a, preporučuje se ponderisanje sa a / : -I [14]
Za izračunavanje prosečne veličine efekta iz r, preporučuje se sledeće ponderisanje:
2 ,(« ,-3 ) gde je Zj Fisherova transfonnacija r i-tog istraživanja, a n^ veličina uzorka u tom istraživanju. Sadaje lako izračunati i standardnu grešku za Z k ao : S G ,= [ l / E ( « , - 3 ) ] \
[16]
a na osnovu SG se mogu formirati intervali poverenja. Da bi se učinilo da Zbude ekvivalentan z-skoru i da se njegovap-vrednost može oceniti iz normalne distribucije, može se primeniti sledeća transformacija: 7
= Z /S G ^.
[17]
Sledeće važno pitanje koje se tretira u savremenim radovima o meta-analizi je pitanje izbora vrste meta-analize (Field, 2001). Pri tome se misli na izbor izmedu niodcla fiksnih i modela slučajnih efekata (engl. fixed vs. random). Savim pojcdnostavljcno, model fiksnih efekata podrazumeva da je efekt u populaciji konstanta i daje nepoznat. Nalazi različitih istraživanjapredstavljaju samo slučajne varijacije oko tog jedinstvenog efekta - veličine efekta su homogene. Model siučajnih efckata pretpostavlja da svako istraživanje potiče iz populacije koja može imati različit efekt od drugih populacija. Populacije kojima pripadaju razhčita istraživanja su uzorak iz univerzuma mogućih efekata - veličine efekta su heterogene. Kada se koristi r kao veličina efekta, homogenost veličina efekta svih uključenih istraživanja može se oceniti g-statistikom koji ima hi-kvadrat raspodclu sa (k-1) stepeni slobode:
e = Z ( n ,- 3 ) ( Z ,- Z ) l
[18]
Sve prethodne formule za računanje prosečnih veličina efekta se baziraju na fiksnom modelu. Razlog za to je što se do danas koristio skoro isključivo taj model, dok je primena modela slučajnih efekata tek počela. Kod modela slučajnih efekata sc za konrbinaciju r-ova obično koristi Hunter-Schmidtova metoda.
4.
Konverzije veličine efekta
Postoji niz jednostavnih formula za konverziju jedne veličine efekta u drugu. S ozbirom da smo rekli da porodica r indeksa ima izvesne prednosti u odnosu na sve ostale indekse, posebno su korisne formule koje ostale indekse pretvaraju u r. Tabela 9. - Tabela za konverziju veličine efekta u r Vehčina efekta Fonmila Napomene u istraživanju Cohenov d
r = d ! [d^ + A{N-2)IN\'' ih jednostavnije r = d![cf + A f
t
r = [r / (f^ + bss)]
Može se koristiti kako za zavisne, tako i za nezavisne uzorke. Obično, bss=N-2.
F
r = [F6.w„, / (Fbss^ + b s s ,) f
Za jednosmemu ANOVA, je broj stepeni slobode grupa, a b.';s^ greške.
/
/- = [ r / ( / + »)]"■
z
r^z/n'-
Osim navedenih, postoje i druge mogućnosti konverzije (v. Lyons, 2004). Praktični značaj ovih formula je u tome što bez obzira kakve su bile hipoteze u istraživanjima i koje statističke metode su korišćcne, praktično sve veličine efekta će moći biti svedene na korelaciju. Naravno, koriste se i formule koje konvertuju veličine efekta u d. d=2rl[{\-rf], d=2tlbss\
[19]
kao i ostale, koje se mogu izvesti iz tabele za konverziju u r. S obzirom da je opšta zamisao meta-anahze da se ocenjuje veličina efckta, bilo je potrebno ustanoviti neke ki'iterijume za tu ocenu. Za ocenu veličine efekta koja je bazirana na r ih r istraživač se može osloniti na standardne intepretacije koeficijenata kcrelacije ili proccnata. Ipak, to nije dovoljno, a uopšte se ne može primeniti na d. Zato je jedan od osnivača oblasti meta-anahze (Cohen) klasifikovao vehčine efekta u tri kategorije: nizak, srednji, visok. On je tu podehi napravio na osnovu iskustva, zdravog razuma i postojeće istraživačke prakse. Srcdnji efekat je koncipirao kao efekt koji je tipičan u istraživanju ponašanja. Srednji efekat pažljiv posmatrač može videti gohm okom: npr. kao prosečna razlika u IQ izmedu kvahfikovanih i nekvahfikovanih radnika. Nizak efekt je onda morao biti
niži od srednjeg, ali da ipak ne bude trivijalan, a visok efekt je onda određen tako da bude jednako udaljen od srednjeg kao i nizak. Dobijene su vrednosti kao u tabeli. lako ni sam Cohen nije pretendovao da je to definitivna i univerzalna skala, onaje danas u širokoj upotrebi.” Tabela 10. - Cohenova klasifikacija veličine efekta Klasifikacija d r (u %) nizak, niži od tipičnog 0,2 0,1 1,0% srednji, tipičan
0,5
0,24
5,9%
visok, viši od tipičnog
0,8
0,37
13,8%
mnogo viši od tipičnog
^1,0
ž0,45
ž20,3%
Dnigu mogućnost su ponudili Rosenthal i Rubin kao binomni prikaz veličine efekta (binomial effect size d isp la y - BESD, Rosnovv i Rosenthal, 2005). Pokazalo se da je r standardizovana razlika u ishodima dve grupe (E ili K, muških ili ženskih itd.), koja se može prikazati u tabeli 2x2 koja je konstruisana tako da su zbirovi redova i kolona jednaki 100. Takva BESD tabela se može jednostavno dobiti ako pozitivan rezultat u eksperimentalnoj grupi računamo kao ({),50 + /•/2)100, a pozitivan rezultat u kontrolnoj grupi kao (0,50 - r/2)100. Recimo, ako smo dobili korelaciju od 0,20 izmedu pola i prolaznosti na ispitu, BESD bi izgledao ovako: položio
pao
muški
60
40
ženski
40
60
100
100
100
200
100
Ako se izračuna „odds ratio”, kao što je prikazano na prethodnim stranama, dobićemo 2,25, što znači da je rizik muškarca da padne 2,25 puta manji od rizika žene (rizik definišemo kao pao/prošao). Ako se uporedi sa interpretacijom „objašnjene varijanse” koja je 4% i spada u niske po Cohenovoj podeli, ovaj nalaz izgleda radikalno ubedljiviji. Bez obzira što povezanost pola i prolaznosti i dalje spada u niske, muškarci će imati značajnu praktičnu utehu ako konsultuju BESD. Koristeći a j ili SG^ lako se može izračunati interval poverenja za prosečnu veličinu efekta, a Z je sasvim lako podvrći TZNH. Danas se na Intemetu mogu naći programi koji računaju različite vrste prosečnih vrednosti veličine efekta i prateće pokazatelje. Ne baš najnoviji, ali verovatno jedan od najčešće korišćenih progrania za meta-analizu je Schwarzerov META53 0ittp://useipage.fu-berlin.de/~health/meta53.exe).
Na primer, uticaj pola na visinu plate je nizak ako je dobijeni 0,2 < d < 0,5, srednji akojc 0,5 ž cl< 0,8, a visok ako je d ž 0,8.
5.
Koraci kvantitativne meta-analize
Meta-analitičko istraživanje prolazi kroz slične faze kao i svako drugo empirijsko istraživanje. Streiner (2003) navodi 12 koraka, a slične preporuke se mogu pronaći i kod Ivesa (2003), Schafera (1999), Schwarzera (1989) i drugih. • • •
•
•
•
Defmisanje problema istraživanja. Detaljna razrada selekcionih kriterijuma prema kojima će se vršiti izbor radova. Pretraživanje literature i biranje radova. Bibliografske baze kao što su PsychINFO, MEDLfNE, EBSCO i dr. čine ovaj posao neuporedivo lakšim u odnosu na pregledanje papimih biblioteka. Medutim, zbog pojave selektivnog objavljivanja, odnosno „problema fioke” (v. kasnije), bibliografske baze, bilo on-line, bilo papirne, ne moraju biti „zdrav” izvor istraživanja. Najčešće se kao rešenje preporučiije da se obuhvati i „siva literatura”, kao što su teze i disertacije, saopštenja na skupovima, radovi na Intemetu i dr. Konačno, treba analizirati odabrane radove i proveriti da li je i koliko bilo „efekta fioke”. Postoje tehnike (dijagranii), pa čak i pokazatelji pomoću kojih se može oceniti da li je postojala selektivnost. Ocenjivanje radova. Važan preduslov za uključivanje istraživanja u analizu je i procena njegovog kvaliteta. Procenjuje se ekstema i interna validnosti, pouzdanost i valjanost merenja i dragi aspekti. Izdvajanje rezultata i naiaza iz radova, računanje ili procenjivanje veličina efekta. Zadatak je da se svi nalazi ujednače i da se utvrde varijable i uzorci. Svi različiti pokazatelji veličine efekta se moraju preračunati u jedan isti, a tamo gdje nije naveden nijcdan mora se proceniti (ili izjednačiti sa nulom). Kombinovanje istraživanja putem izračunavanja prosečne veličine efekta. U ovoj fazi se treba odlučiti za vrstu meta-analize, odnosno za modcl fiksnih ili slučajnih efekata. U tome može pomoći i izračunavanje Q-statistika ili nekog daigog, koji je namenjen utvrdivanju homogenosti efekata. Analiza homogenosti, odnosno varijabilnosti veličina efekata može pružiti korisne podatke sama za sebe. Između ostalog, može ukazati na postojanje i uticaj moderatorskih varijabli na veličinu efekta (npr. starosti ili pola). No, čak i ako test homogenosti nije značajan, još uvek mogu postojati uticaji nekih moderatorskih varijabli koji dovode do razlika u veličini efekta i koje treba otkriti.
Uzmimo, na primer, da nas zanimaju dosadašnja saznanja o povezanosti pola i inteligencije^^ Odabraćemo dostupne radove koji sadrže podatke o polu i
Ova tema, unatoč vclikim polemikama nije baš sistematski istraživana. Međutim, polne razlike su uvek prisutnc u istraživanjima, jcr jc pol jedna od standardnih nczavisnih varijabh, ali se, nažalost, često dcšava da ih istraživači ne prikazuju ckspUcitno. Postoji stabilna cvidencija da u obiasti vrlo visokih IQ mcra muškarci značajno preovlađuju.
inteligenciji, ili uzorak tih radova, i koji zadovoljavaju kriterijume koje smo upravo opisali. Pre svega, koristićemo radove koji sadrže veličinu efekta pola na inteligenciju, ili barem osnovne podatke iz veličina efekta računa: npr. ^M’ "m "ž. ''mž itd. Za sva istraživanja ćemo povaditi podatke o veličinu efekta r (ili d) i kombinovati ih u prosečan r ili d. Na osnovu prosečne veličine efekta imaćemo uvid u dosadašnje znanje o povezanosti pola i inteligencije. Uvid u pokazateljc vcHčine efekta pojedinačnih istraživanja kazaće nam koliko su se istraživanja razhkovala - na taj način možemo porediti sva istraživ an ja s obzirom na osnovni nalaz o polnim razhkama. To nam omogućavaju indeksi r ih d koji su opšta mera vehčine efekta nezavisne varijable na zavisnu. Recimo da smo prikupih par desetaka istraživanja i da sino za svako izračunah vehčinu efekta u obhku korelacije pola i intehgencije (r). Zamishmo, zatim, da smo iz istraživanja prikupih još i podatak o tome da h je uzorak bio dečji ih odrash i da to, kao binarnu varijablu, kodiramo kao 1 i 2. Pored toga, iz istraživanja možemo uzeti još i podatak o kojoj se vrsti intehgencije radilo; recimo l=opšta (g-faktor), 2=verbalna, 3=numerička. Računajući prosečnu veličinu efekta u svakoj gnipi po polu i vrsti inteligencije izvršili bismo meta-anahzu istražujući da li postoje polne razlike, da li postoje i kod dece i kod odraslih i da li one zavise od vrste intehgencije. Na taj način bismo: a) iskoristih saznajnu i statističku moć više istraživanja i b) sproveli sasvim novu analizu po novim nezavisnim varijablama, koja, kao takva, možda uopšte nije vršena u originalnim istraživanjima. Naravno, svakom istraživaču se mora snažno sugerisati da uvek u istraživačkom izveštaju budu uključeni oni statistički podaci iz kojih se može izračunati veličina efekta. N a primer, ako je primenjena ANOVA ih regresija, treba da bude priložena tzv. ANOVA tabela sa sumama kvadrata, srednjim kvadratima, bss i F, a za regresiju još \ R, i korigovani R. U eksplorativnim studijama moraju biti navedeni osnovni statistici i veličina uzorka ili poduzoraka. U svakom slučaju, nije dovoljno navoditi samo F ili t (bez bss), a sasvim je pogrešno navoditi samo /)-vrednost-značajnost. Svakako, najbolje j e ako sam istraživač izračuna veličine efekta i navede način kako ih j e izračunao. Tako će omogućiti da njegovi nalazi budu lakše uporedivi i da neko kasnije koristi te nalaze za meta-analizu.
Psiholog Hans Eysenck to ilustruje tako što bi među 10.000 slučajno odabranih Ijudi, IQ veći od 160 imalo 5 žena i 55 muškaraca. U „prosečnoj” populaciji primetne razlike su u vrstama inteligencije - npr. žene su bolje u verbalnoj, a muškarci bolji u spacijalnoj (snalaženje u prostom). Postoji jedna stara pretpostavka, jo š od Eđwarda Thomdikea, da znatno veći broj visokih IQ-ova kod muškaraca potiče od veće muške varijabilnosti. Neki podaei govore tome u prilog, a neki ne.
6.
Efekat fioke
Praksa je pokazala da istraživački izveštaji u kojima nisu potvrđene hipoteze stoje u fiokama istraživača ili urednika, uzalud čekajući objavljivanje jer se sasvim neopravdano smatra da negativni nalazi nisu saznajno vredni. Ova pojava se naziva efektom fioke ili problemom fioke i analogna je problemu selektivnog odlaganja (v.) koji se sreće u analizi sekundamih podataka. Zato se istraživač u meta-analizi ili analizi sekundamih podataka ne sme oslanjati samo na istraživanja koja se nalaze u objavljenim radovima. Preporučuje se, recimo, da istraživanja koja se nalaze u „sivoj zoni” - diplomski, magistarski i doktorski radovi, saopštenja na skupovima i drugi slični izvori - takođe uđu u populaciju istraživanja jer će to pomoći da se umanji „problem fioke” i selektivni depozit. Postoje i formule kojima se može izračunati koliko je neznačajnih studija (izvučenih iz fioke) potrebno da bi kombinovana veličina efekta postala neznačajna. M eta-analiza efikasnosti tcrapije. - Već je rečeno da je meta-analiza danas standardno sredstvo za utvrđivanje uspešnosti svih vrsta terapije, pa i psihoterapije. Po većini metaanalitičkih istraživanja, psihoterapijaje uspešna, čak uspešnija od nekih drugih terapija u medicini. Međutim, dva osnovna prigovora se upućuju metaanalitičkom ocenjivanju uspešnosti. Prvi prigovor se odnosi upravo na efekat fioke jer se neuspešni ishodi terapije ne objavljuju. Drugi prigovor se odnosi na terapijsko savezništvo (engl. therapeutie alliance). Savezništvo pacijenta i terapeuta podrazumeva, između ostalog, i to da obojici odgovara da veruju da je terapija uspela, pa su njihove ocene uspešnosti obično u skladu sa tim savezništvom.
7.
Kvaiitativna meta-anaiiza
Pod ovaj naslov ćemo svrstati sve mogućnosti za meta-analizu koje nisu egzaktno formulisane kao analiza veličine efekata kako je objašnjeno u prethodnim odeljcima. Tu spada vrlo širok raspon mogućnosti; od kvalitativne analize literature koja je relevantna za istraživanje, preko analize arhivske grade, do meta-statističke analize istraživanja javnog mnjenja. K valitativnam eta-analizaje klasičan postupak, nije zasnovana na nekoj celovitoj epistemološkoj teoriji, niti ima takve ambicije. Zapravo, vrio često se svrstava p o d kvaiitativne metode za prikupijanje podataka. Kada se radi o meta-analizi literature, ona se koristi da bi istraživač mogao bolje i lakše da locira vlastito istraživanje. Prethodna istraživanja se mogu klasifikovati i urediti prema različitim kategorijama; vrstama hipoteza, da li su prihvaćene ili odbačene, vrstama varijabli (zavisnih, nezavisnih, kontrolnih), vrstama uzoraka i populacija, vrstama metodologije itd. Proces defmisanja ovih kategorija i razvrstavanje istraživanja se može tretirati kao vrsta analize sadržaja. Kao rezultat meta-analize literature može se formirati jedna ili više tabela u kojima je na pregledan i sistematski način prikazano šta je radeno u predmetnoj
oblasti i sa kakvim rezultatima. Sasvim je razumljivo da se za te svrhe može koristiti i kvantitativna meta-analiza, kako smo je ovde defmisali, da bi se postavile precizne noiTne ili referentne tačke potrebne za evaluaciju vlastitog istraživanja. Osim kvalitativnih kategorija, mogu se prikupiti i svi ostali reievantni kvantitativni podaci iz primamih istraživanja; veličina uzorka, broj varijabli, broj izvedenih varijabli (izračunatih ili transformisanih), broj kontingencionih tabela, broj objavljenih radova i drugi scijentometrijski pokazatelji. U kombinaciji sa nominalno ili ordinalno kodiranim kvalitativnim varijablama (npr. korišćene metode, korektnost metoda, da li su hipoteze potvrdene itd.), može se dobiti vrlo dobra matrica podataka koja se može analizirati svim raspoloživim tehnikama; od deskriptivne statistike, do multivarijatne analize kao što su klaster i faktorska analiza (za klasifikaciju istraživanja i za klasifikaciju varijabh). Kvalitativna meta-analiza može biti veoma korisna kao nad-analiza više studija slučaja, koje se pojedinačno ne mogu generalizovati, ali će moći nakon meta-analize.
IV. M E T O D E I T E H N IK E M ER E N JA
U emipirijskim istraživanjima ii društvenima naukama koriste se mnogobrojne i veoma različite metodc i tehnike merenja. U ovom tekstu zastupamo stanovište da je merenje najbolji način prikupljanja podataka. Međutim, stanovište kvalitativno orijentisanih istraživača je drugačije. Zato ćemo paralelno koristiti termin metode i tehnike p rik u p lja n ja podataka. U uvodnom poglavlju 0 tome šta je socijalno istraživanje rečeno je da se discipline nauka u ponašanju razlikuju po svojima paradigmama, po strukturi, ciljevima, metodama, teorijama 1 običajima, pa otuda nije čudno ako se razlikuju i po metodama merenja. Treba se samo setiti širokog raspona oblasti nauka o ponašanju; od npr. imunopsihologije i genetičke psihologije, preko računarske hngvistike do etnologije. Kroz većinu poglavlja ove knjige proteže se nastojanje da bude predstavljena opšta taksonomija onoga što danas čini metodologiju istraživanja ponašanja, sa ciljem da se kroz tu taksonomiju istovremeno objasne osnovni principi, pristupi i rešenja. Klasifikacija znanja, kroz principe klasifikacije koji se u njoj odražavaju, kao i obuhvaćene klase, jeste edukativna kohko i informativna. Zato ćemo i u ovoj glavi dati neke opšte podele metoda i tehnika prikupljanja podataka. No, pre nego što počnemo sa gradivom o praktičnom merenju u istraživanjima ponašanja, treba reći nekoliko stvari koje čine opšti okvir, ograničenja i preduslove tog gradiva. Kao prvo, na početku glave o teoriji merenja rečeno je da teoretičari merenja kad kažu merenje misle prvenstveno na konstrukciju mernih skala i defmisanje fonnahiih pravila dodeljivanja brojeva objektima. No, kad skale i formalna pravila budu gotovi, dolazi vreme vršenja merenja. Onda na pozomicu izlazi ono što smo ovde nazvali praktičnom teorijom merenja. Kad u ovom poglavlju spominjemo metode i tehnike merenja, ne mislimo na teoriju skupova i
teoriju brojeva, nego na tehnike tokom kojih se vrši neposredna i praktična delatnost sa ciljem prikupljanja podataka o ponašanju. Drugo, metode i tehnike merenja su intirrmo povezane sa svim ostalim elementima empirijskog istraživanja ponašanja. Te veze su toliko snažne i direktne, da je u velikom broju slučajeva teško razlikovati nacrt istraživanja od tehnike prikupljanja podataka. Arheologija je, na primer, toliko povezana sa iskopavanjima, istraživanje javnog mnjenja sa anketama, a psihologija sa tcstiranjem, da se prosečnom čitaocu čine teško odvojivim. Posledica koju ta intenzivna povezanost ima na ovu knjigu se ogleda u tome što se o metodama i tehnikama prikupljanja podataka razgovara na različitim mestima, kao što su poglavlja o statistici, primeni računara u istraživanjima, vrstama istraživanja itd.
A.
Kvantitativne i kvalitativne metode
Drugu polovinu XX veka obeležilo je jedno „opšte mesto” rnetodologije društvenih nauka - razlikovanje kvantitativnih i kvalitativnih metoda. U paukovoj mreži koja je ispletena oko tog pitanja nije se lako snaći i ponekad se čini da ova dva izraza definišu dva vrlo udaljena sveta. S druge strane, kada se krene od konkretnih istraživanja, odnosno objavljenih istraživačkih izveštaja, vidi se da ti „svetovi” ne samo da nisu mnogo udaljeni, nego se često treba pomučiti da bi se jasno uočile razlike. Uvodna rasprava o odlikama i razlikama kvantitativnih i kvalitativnih istraživanja sadržana je u zasebnom poglavlju. Tamo je ukazano da, po prirodi saznavanja samog, nije lako sprovesti društveno istraživanje koje je isključivo kvantitativno ili kvalitativno (a da ono zadovoljava epistemološke kriterijume). Danas se sugeriše da tip istraživanja bude prilagođen problemu, a ne dogmi.
1.
Razlika u nivou merenja
Razlika izmedu kvantitativnih i kvalitativnih metoda može se koncipirati kao razlika između nivoa merenja koje one dostižu. Kvantitativne metode teže da dostignu minimalno ordinalni, a po mogučstvu intervalni nivo merenja, dok kvalitativne nemaju jasno opredeljenje u tom sniislu, ne teže uopšte da mere pojave, ili ne teže da dostignu ijedan viši nivo od nominalnog. Iz teorije merenja je onda jasno zašto su kvantitativne metode mnogo bliže brojevima nego kvalitativne metode. Uostalom, najjednostavniji rezime razlike kvantitativnih i kvalitativnih metoda je u tome da kvantitativne produkuju brojeve, a kvalitativne kategorije ili značenja.
Razlikovanje kvantitativnih i kvalitativnih metoda na osnovu nivoa merenja utemeljeno je na teoriji merenja i moglo bi biti veoma korisno. Nažalost, podela po nivou merenja ne objašnjava sve razlike između kvantitativnih i kvalitativnih metoda i u nekim slučajevima može dovesti do pogrešnih razvrstavanja. Osim toga, postoje mišljenja da razhka izmedu kvantitativnih i kvalitativnih studija nije pre svega u nivou podataka, nego u izboru kvantitativne ili kvalitativne paradigme (npr. Dohan i Sanchez-Jankowski, 1998). Po tim gledištima anahza može biti kvalitativna ili kvantitativna a može se sprovoditi i na kvalitativnim i na kvantitativnim podacima. Standardan primer kada se vrši kvaUtativna analiza kvantitativnih podataka je zapravo iumačenje nalaza, integracija nalaza i integracija znanja.
2.
Pitanje klaslfikacije
Podsećamo da su, prema Stevensovoj tradiciji, identifikacija i klasifikacija osnovne merne procedure. Po Stevensu, nivo merenja koji se postiže klasifikacijom je nominahii, što znači da dodeljeni numeraU, makar bili i brojčani, nemaju status brojeva (koji se, recimo, mogu sabirati), nego prostih oznaka. Iz toga bi neko mogao zaključiti da kvantitativna studija koja sadrži samo nominalne varijable (am noge studije su takve, recimo ankete) zapravo nije kvantitativnajer brojevi kojima operiše služe samo kao oznake - npr. poUtičkih stranaka. Medutim, pogledajmo jedan primer. Recimo da smo putem anketnog istraživanja na reprezentativnom uzorku ispitivah stavove gradana o tome da li Vlada dobro obavlja poslove u raznim oblastima. U tom cilju postavljeno je jedno pitanje sa 6 kategorija i rezuhati istraživanja su bih sledeći; 1. Oživljavanje I jačanje privrede
6,26%
2. 3. 4. 5.
46,01% 30,33% 22,56% 33,01%
Integracija zemlje u Evropu Obnova i razvoj demokratije Rešavanje pitanja unutrašnjih granica Razvoj saradnje sa SAD
6. Borba protiv korupcije
10,06%
Prvo što će čitalac uočiti je da se radi o nominalnoj varijabh, čiji raspon vrednosti je od 1 do 6. Anketna istraživanja su istraživanja na uzorku, po mogućstvu reprezentativnom. Procenti odgovora na goraje pitanje su, dakle, tačna kvantifikacija pojave u populaciji u okviru margine greške. Ako je uzorak neki od probabihstičkih, može se izračunati kohka je margina greške, dakle, može se doneti ocena parametra u populaciji (videti poglavlje o statistici) i može se primeniti eventualno ponderisanje da bi se iz ovih uzoračkih podataka dobio broj Ijudi u populaciji. To su sve kvantitativne operacije i kvantitativni iskazi, bez obzira što je varijabla nominalna. Pogledajmo sada jedan drugi primer. Tokomjednog kvalitativnog istraživanja ispitivane su kod mladih muškaraca predstave o vlastitom telu i o telesnom iflealu. Obavljen je niz fokus grupa i transkripti su kodirani. Jedan kratak isečak
iz tih kodiranih transkripta je: ,^ a d god počnem da se mrzim zbog svoje težine (TEŽINA), ja spremim sebi neku brzu hranu (BRZHRA) ili skoknem u prodavnicu po čips ili pogačice. Umirim se uživajući u toj hrani (UMU), ah se kasnije kajem (KKAJE).” U ovom primeru su klasifikovani neki dclovi teksta u kategorije. Recimo „zabrinutost zbog prekomeme težine” u kategoriju TEŽINA, „brza hrana koja se lako sprema” u kategoriju BRZHRA itd. Od ovih kategorija se može formirati jedna ih više nominalnih varijabh, medutim, u ovom istraživanju se to nije radilo. Cilj nije bila kvantifikacija, nego su se nastojale izdvojiti tipične teme vezane za autopercepciju vlastitog tela i telesne ideale. Možemo zaključiti da klasifikacija u kvalitativnim metodama ima čisto kvalitativnu namenu, za razliku od kvantitavnih metoda.
3.
KvaHtativna alternativa l
Sta se dobija sa kvalitativnim metodama, što se ne može dobiti kvantitativnim? Ako se istraživač, na prvom mestu mislimo na psihologa, odluči da koristi kvalitativne metode, šta može da očekuje? Analiziraćemo jedan izmišljeni primer da bismo ilustrovali mogući doprinos „kvalitativne altemative”. Recimo da smo opet ispitivali stavove građana o tome da li Vlada dobro obavlja poslove iz nekih oblasti - ali ovaj put putem fokus grupa (v. odgovarajuće poglavlje). Naglasak je bio na slobodnom toku diskusije, interakciji izmedu učesnika i otkrivanju razloga za njihova mišljenja. Nalaz iz fokus gmpa je prezentiran u sledećem izveštaju; „Ljudi u većini smatraju da se Vlada ne bori dovoljno protiv korupcije i kriminala. Njima je važnije ono što se dešava u njihovim konkretnim životima i smatraju da Vlada mora više računa da vodi o neposrednim problemima običnih Ijudi. Pitanja kao što su spoljna politika i razvoj demokratije Ijudi u većini ne vide kao važne probleme u njihovom životu, ali uglavnom pozitivno ocenjuju rad Vlade u tim oblastima. S druge strane, iz izjava učesnika se često mogao steći utisak da oni vrlo loše reaguju na trenutni loš ugled države u svetu, smatrajući ga nepravdom i da bi, verovatno, voleli kada bi se to izmenilo. Osim toga, učesnici smatraju da nisu dovoljno upoznati sa radom Vlade i da bi možda drugačije mislili ukoliko bi znali više,"
Obratimo pažnju na detalje tog izveštaja. Jedine kvantitativne odrednice su ,,u većini”, „uglavnom” i „često”. Iz toga se može steći utisak da Ijudi ne misle dobro o doprinosu Vlade u borbi protiv kompcije, ali je to daleko od stvamog iznosa koji bi govorio kohko je to nezadovoljstvo. Nema nijednog iskaza iz koga bi se mogao zaključiti stav Ijudi o radu Vlade u oblasti privrede, osim ako to nije onaj 0 „neposrednim problemima običnih Ijudi”. No, i to je veoma neprecizno. Iz ostalih fomiulacija se relativno izvesno može zaključiti da Ijudi nisu nezadovoljni radom Vlade u oblasti spoljne politike i razvoja demokratije. Tu opet nema nikakvog kvantitativnog odredenja, niti specifikacije o odnosima sa SAD posebno, ali ima infonnacija o tome da te dve oblasti nisu važne Ijudima.
Dakle, u „kvalitativnom” izveštaju imamo informaciju o tome šta je Ijudima važno (korupcija i, možda, privreda), a šta nije (spoljna politika i demokratija). Ta informacija nije dostupna iz navedenog upitničkog pitanja. Takode, u izveštaju iz fokus grupa postoje iskazi tipa „više-m anje”, ali su oni neprecizni i objektivnom čitaocu ostaje nejasno da li se misli na apsolutnu ili relativnu večinu. Međutim, pretposlednja rečenica u izveštaju sadrži nešto što se u izveštaju iz anketnog istraživanja ne može ni naslutiti. To je zapažanje da Ijudi, iako potcenjuju značaj spoljne politike na njihove živote, pridaju značaj jednom od zadataka spoljne politike - ugledu zemlje. Konačno, iznesena je i tvrdnja da učesnici smatraju da nisu dovoljno upoznati o radu Vlade, te kao da izražavaju izvesne rezerve u pogledu svojih stavova jer nisu dovoljno bazirani na činjenicama. Ni ovaj podatak nije dostupan iz upitničkog pitanja. Gledano u celini,„kvalitativni” nalazi iz fokus grupa sugerišu jednu interprctaciju, odnosno tumačenje stavova učesnika fokus grupa. Iz ovog primera se to ne može zaključiti, ali od kvalitativnih metoda se, pre svega, očekuje da ukažu na značenja koja neki pojmovi, ponašanja ili stavovi imaju za ispitanike. Kao primer da isto mišljenje ili ponašanje može imati različite uzroke može da posluži pitanje „Da li vam se Ijudi često poveravaju?”. Kako kaže jedna pošalica poznatog epistemologa, potvrdan odgovor će dati i popovi i prostitutke. Postoje očekivanja da će na razliku u motivima poveravanja pre ukazati kvalitativne studije nego kvantitativne. Međutim, izveštaj ne poseduje dovoljan stepen preciznosti, jer izrazi kao što su „u većini” i „uglavnom” dozvoljavaju vrlo različita tumačenja. Nezadovoljstvo borbom protiv korupcije je prisutno u svim društvima, čak se može lako pretpostaviti da je u mnogim zemljama „većina” Ijudi nezadovoljna time. Zbog toga je taj iskaz u gomjem izveštaju trivijalan. Istraživački relevantan i zanimljiv zadatak bi bio da se odredi položaj naše Vlade u odnosu na druge zemlje u pogledu nezadovoljstva borbom protiv korupcije. Isto tako, zanimljivo bi bilo kada bi se sadašnji nalazi uporedili sa ranijim nalazima, prethodnih Vlada. Druga posledica nepreciznosti (odnosno nedostatka kvantifikacije) je u tome što se iskazi izneti u izveštaju ne mogu dokazati. Je li „uglavnom” 51%, 70% ili 90%? Čak ni strukturalni iskazi, o tome da je Ijudima važno samo ono što se tiče njih, pa na to obraćaju pažnju, nisu prezentirani u proverljivom obliku jer se ne zna da li je ta pojava prisutna kod većine Ijudi, i ako jeste, kod kolike većine. U tom smislu treba primetiti da u anketnom istraživanju ni po jednom pitanju Vlada nije dobila većinsku (natpolovičnu) podršku. Probleni preciznosti se u kontekstu merenja obično vezuje za pojam pouzdanosti. U ovom slučaju je nedostatak preciznosti nužna posledica odsustva kvantifikacije. Uzorak fokus grupa je suviše mali da bi bio reprezentativan za ukupnu populaciju odi'aslih Ijudi, pa se lako može očekivati da će nalazi varirati od grupe do gnipe. Drugim rečima, pouzdanost tipa „testa i retesta”, koja je primerena i poželjna za ovaj tip podataka, u startu je kompromitovana. Medutim, pouzdanost tipa „saglasnosti izmedu procenjivača” nije kompromitovana i trebala
iz tih kodiranih transkripta je: ,^ a d god počnem da se mrzim zbog svoje težine (TEZINA), ja spremim sebi neku brzu hranu (BRZHRA) ili skoknem u prodavnicu po čips ili pogačice. Umirim se uživajući u toj hrani (UMU), ah se kasnije kajem (KKAJE).” U ovom primeru su klasifikovani neki delovi teksta u kategorije. Recimo „zabrinutost zbog prekomeme težine” u kategoriju TEŽINA, „brza hrana koja se lako sprema” u kategoriju BRZHRA itd. Od ovih kategorija se može formirati jedna ili više nominalnih varijabli, međutim, u ovom istraživanju se to nije radilo. Cilj nije bila kvantifikacija, nego su se nastojale izdvojiti tipične teme vezane za autopercepciju vlastitog tela i telesne ideale. Možemo zaključiti da klasifikacija u kvalitativnim metodama ima čisto kvalitativnu namenu, za razliku od kvantitavnih metoda.
3.
KvaHtativna alternativa !
Šta se dobija sa kvahtativnim metodama, što se ne može dobiti kvantitativnim? Ako se istraživač, na prvom mestu mishmo na psihologa, odluči da koristi kvalitativne metode, šta može da očekuje? Analiziraćemo jedan izmišljeni primer da bismo ilustrovali mogući doprinos „kvaUtativne altemative”. Recimo da smo opet ispitivali stavove građana o tome da li Vlada dobro obavlja poslove iz nekih oblasti - ali ovaj put putem fokus grupa (v. odgovarajuće poglavlje). Naglasak je bio na slobodnom toku diskusije, interakciji između učesnika i otkrivanju razloga za njihova mišljenja. Nalaz iz fokus grupa je prezentiran u sledećem izveštaju: „Ljudi u većini smatraju da se Vlada ne bcri dovoljno protiv korupcije i kriminala. Njima je važnije ono što se dešava u njihovim konkretnim životima i smatraju da Vlada mora više računa da vodi o neposrednim problemima običnih Ijudi. Pitanja kao što su spoljna politika i razvoj demokratije Ijudi u većini ne vide kao važne probleme u njihovom životu, ali uglavnom pozitivno ocenjuju rad Vlade u tim oblastlma. S druge strane, iz izjava učesnika se često mogao steći utisak da oni vrlo loše reaguju na trenutni loš ugled države u svetu, smatrajući ga nepravdom i da bi, verovatno, voleli kada bi se to izmenilo. Osim toga, učesnicl smatraju da nisu dovoljno upoznati sa radom Vlade i da bi možda dnjgačije mislili ukoliko bi znali više."
Obratimo pažnju na detalje tog izveštaja. Jedine kvantitativne odrednice su ,,u većini”, „uglavnom” i „često”. Iz toga se može steći utisak da Ijudi ne misle dobro o doprinosu Vlade u borbi protiv korupcije, ali je to daleko od stvamog iznosa koji bi govorio koliko je to nezadovoljstvo. Nema nijednog iskaza iz koga bi se mogao zaključiti stav Ijudi o radu Vlade u oblasti privrede, osim ako to nije onaj 0 „neposrednim problemima običnih Ijudi”. No, i to je veoma neprecizno. Iz ostalih fomiulacija se relativno izvesno može zaključiti da Ijudi nisu nezadovoljni radom Vlade u oblasti spoljne politike i razvoja demokratije. Tu opet nema nikakvog kvantitativnog određenja, niti specifikacije o odnosima sa SAD posebno, ali ima infomiacija o tome da te dve oblasti nisu važne Ijudima.
Dakle, u „kvalitativnom” izveštaju imamo informaciju o tome šta je Ijudima važno (korupcija i, možda, privreda), a šta nije (spoljna politika i demokratija), Ta informacija nije dostupna iz navedenog upitničkog pitanja. Takođe, u izveštaju iz fokiis grupa postoje iskazi tipa „više-m anje”, ali su oni neprecizni i objektivnom čitaocu ostaje nejasno da li se misli na apsolutnu ili relativnu većinu. Medutim, pretposlednja rečenica u izveštaju sadrži nešto što se u izveštaju iz anketnog istraživanja ne može ni naslutiti. To je zapažanje da Ijudi, iako potcenjuju značaj spoljne politike na njihove živote, pridaju značaj jednom od zadataka spoljne politike - ugledu zemlje. Konačno, iznesena je i tvrdnja da učesnici smatraju da nisu dovoljno upoznati o radu Vlade, te kao da izražavaju izvesne rezerve u pogledu svojih stavova jer nisu dovoljno bazirani na činjenicama. Ni ovaj podatak nije dostupan iz upitničkog pitanja. Gledano u celini,„kvalitativni” nalazi iz fokus grupa sugerišu jednu interpretaciju, odnosno iumačenje stavova učesnika fokus grupa. Iz ovog primera se to ne može zaključiti, ali od kvalitativnih metoda se, pre svega, očekuje da ukažu na značenja koja neki pojmovi, ponašanja ili stavovi imaju za ispitanike. Kao primer da isto mišljenje ili ponašanje može imati različite uzroke može da posluži pitanje ,,Da li vam se Ijudi često poveravaju?”. Kako kaže jedna pošalica poznatog epistemologa, potvrdan odgovor će dati i popovi i prostitutke. Postoje očekivanja da će na razliku u motivima poveravanja pre ukazati kvalitativne studije nego kvantitativne. Medutim, izveštaj ne poseduje dovoljan stepen preciznosti, jer izrazi kao što su ,,u većini” i „uglavnom” dozvoljavaju vrlo različita tumačenja. Nezadovoljstvo borbom protiv korupcije je prisutno u svim društvima, čak se može lako pretpostaviti da je u mnogim zemljama „većina” Ijudi nezadovoljna time. Zbog toga je taj iskaz u gomjem izveštaju trivijalan. Istraživački relevantan i zanimljiv zadatak bi bio da se odredi položaj naše Vlade u odnosu na druge zemlje u pogledu nezadovoljstva borbom protiv korupcije. Isto tako, zanimljivo bi bilo kada bi se sadašnji nalazi uporedili sa ranijim nalazima, prethodnih Vlada. Druga posledica nepreciznosti (odnosno nedostatka kvantifikacije) je u tome što se iskazi izneti u izveštaju ne mogu dokazati. Je li „uglavnom” 51%, 70% ili 90%? Čak ni strukturalni iskazi, o tome da je Ijudima važno samo ono što se tiče njih, pa na to obraćaju pažnju, nisu prezentirani u proverljivom obliku jer se ne zna da li je ta pojava prisutna kod većine Ijudi, i ako jeste, kod kolike većine. U tom smislu treba primetiti da u anketnom istraživanju ni po jednom pitanju Vlada nije dobila većinsku (natpolovičnu) podršku. Probleni preciznosti se u kontekstu merenja obično vezuje za pojam pouzdanosti. U ovom slučaju je nedostatak preciznosti nužna posledica odsustva kvantifikacije. Uzorak fokus grupa je suviše mali da bi bio reprezentativan za ukupnu populaciju odraslih Ijudi, pa se lako može očekivati da će nalazi varirati od grupe do grupe. Drugim rečima, pouzdanost tipa „testa i retesta”, koja je primerena i poželjna za ovaj tip podataka, u startu je kompromitovana. Medutim, pouzdanost tipa „saglasnosti između procenjivača” nije kompromitovana i trebala
bi biti obavezna u svakoj kvalitativnoj metodi (npr. da se uporede nalazi različitih moderatora i različitih kodera). Međutim, fokus grupe imaju jedan kvahtet koji se čak i na ovom malom primeru može uočiti? To je saznanje da Ijudima nisu sve oblasti delovanja Vlade podjednako važne. Može se očekivati da će njihovo ocenjivanje rada Vlade s obzirom na stvari koje su im važne biti strožije, nego s obzirom na stvari koje im nisu važne. Fokus grupe mogu dati sugestije i smemicc istraživaču šta da pita Ijude i koje aUemative odgovora da uključi u upitnik. Recimo, utisak istraživača da Ijudi cene značaj ugleda zemlje, ali ga možda, iz neznanja, ne vezuju za domen spoljne pohtike, može poshižiti da se u narednom anketnom istraživanju postave takva pitanja i da se pojava detaljnije ispita. Slično je i sa uverenjm učesnika da nisu dovoljno informisani. Taj bi podatak, takođe, trebalo proveriti upitnikom na reprezentativnom uzorku, ah se kao ideja može iskoristiti za uvodenje portparola ih službe sa informisanje pri Vladi. M i ćemo ovde zauzeti stav da spomcnuto „kvahtativno” istraživanje i izveštaj koji je iz njega proistekao ne zadovoljavaju kriterijum naučne objektivnosti, je r su tvrdnje iznesene u izveštaju suviše neodredene da bi se mogle proveriti. Pošto postoji evidentan problem preciznosti, zaključujemo da izveštaj nije dovoljno pouzdan, jer bi ponavljanje na novim fokus grupama verovatno dalo druge rezuhate. Pitanje valjanosti ovde nije lako fomuilisati. Svako vidi da je izveštaj ponudio malo podataka, a mnogo zaključaka. U slučaju da su ti zaključci tačni, konstruktivna valjanost bi sc mogla smatrati dobrom. Nažalost, tačnost zaključaka se ne može dokazati na osnovu izveštaja. Prikazani izveštaj iz istraživanja fokus grupama se skoro u potpunosti mogao napisati i na osnovu podataka iz anketnog istraživanja, a na osnovu navedenog pitanja i dva dodatna pitanja: ,,šta mislite da trebaju biti prioriteti Vlade” i ,,da li smatrate da ste dobro upoznati sa radom Vlade”. Ali ako bi izveštaj i dalje zadržao narativnu fonnu, bez kvantitativnih pokazatelja kao što su procenti i stepen povezanost između ta tri pitanja, predstavljao bi prosto loše i neprecizno prepričane podatke. Izveštaj iz fokus grupa bi, opet, značajno dobio na saznajnoj snazi kada bi bio komplctniji, kada bi se izmenio u skladu sa prethodno opisanim zamerkama i, naravno, kada bi se dopunio kvantitativnim iskazima. U tom smislu, poput klasifikacije koja se često sreće u umetnosti; da postoje samo dobra i loša dela, nezavisno od žanra, treba razlikovati dobra i loša istraživanja i dobre i loše izveštaje, nezavisno od pristupa (v. fusnotu na str. 98).
4.
Interakcija, vaUdnost i objektivnost
Pod interakcijom podrazumevamo razmene do kojih dolazi između posmatrača i posmatranog, između istraživača i pojedinca ili grupe koju istražuje. Razmenjuju se utisci, stavovi, shvatanja, mišljenja i simpatije, svesno ili nesvesno, namemo ili nenamerno. Ove razmene (interakcije) su posebno karaktcristične
za kvalitativne metode. Konstruktivistički orijentisani autori zasnivaju istraživačke metode na interakciji je r je smatraju glavnom prednošću koje kvalitativne metode imaju nad kvantitativnim metodama, zato što istraživaču omogućuju bolju konstrukciju vlastitih značenja o pojavi koju istražuju. Naravno, interaktivnost je najviše izražena u metodama kod kojih postoji neposredni kontakt istraživača i ispitanika, kao što je u intervjuu. Treba reći da danas miiogi autori kada govore o kvahtativnim metodama, ili kada ih defmišu, ističu da su društvena istraživanja sama po sebi interaktivna, a prikupljanje podataka posebno. Naime, interakcija merenja i merenog je p rav //o svakog merenja, a ne izuzetak. U naukama o ponašanju postoje, međutim, dva pogleda na tu interakciju. Psiholog Louis Leone Thurstone je 1925. godine formulisao vahdno merenje kao ono u kome rezultati nierenja ne zavise ni od onoga šta se meri, ni od onoga čime se meri. Danas je veoma dobro poznato da interakcija meritelja i merenog dovodi do onog što se naziva ugroiavanjem validnosti merenja (v. posebno poglavlje). Ugrožavanje vaUdnosti zbog interakcije je univerzalan problem u svim nacrtima istraživanja, ne samo kvalitativnim, jer su razmene i interakcije univerzalne za sve tipove istraživanja. Teorija merenja se veoma mnogo bavi tim problemom i o njemu je bilo reči u glavi o teoriji merenja. Jedan od osnovnih epistemoloških kriterijuma je ohjektivnost (v. uvodnu glavii). Iz toga proizlazi da sve metode, kvahtativne više, a kvantitativne manje, stalno moraju da rešavaju pitanje objektivnosti koje je Thurstone formuhsao kao zadatak (parafrazirano): da dobijene mere ne zavise od onoga čime smo merih niti od onoga šta smo merih. Drugo gledište je da je interakcija ono što poboljšava saznanje jer omogućuje istraživaču da bolje razume stanovište ispitanika. Zato istraživači koji prihvataju ovo gledište nastoje da stupe u što neposredniji kontakt sa predmetom svog interesovanja i upravo nastoje da stvore hčno tumačenje društvenih okolnosti koje ispituju. Oni ne smatraju da interaktivnost ugrožva validnost istraživanja - naprotiv. Istraživači uvek moraju da imaju u vidu interakciju i da je koriste ih kontrolišu. Koristiće je ako ocene da će im omogućiti da prikupe bolje podatke (u psihoanalizi se interakcija naziva transferom i nalazi se u samom temelju psihoanalitičke psihoterapije). U suprotnom, moraju da nastoje d aje eliminišu, ili daje parcijaliziraju, kako bi rekli statističari. Na primer, ako smatraju da je ponašanje ispitanika neprirodno zbog prisutnosti posmatrača, istraživači mogu pokušati da primene neku drugu, neoptruzivnu metodu. U glavi 0 individualnim razlikama opisali smo interakcije meritelja i merenog kao izvor individualnih razlika - po pravilu neželjenih. Dobro su poznate tendencije ispitanika da istraživaču ih povladuju, ili naprotiv, da mu se suprotstavljaju. Ispitanici to nekada rade zato što im je takav hčni sklop, a nekada zato što situacija to iziskuje. Nekada žele nešto da prikriju, nekada nisu dovoljno motivisani, a nekada su isuviše motivisani. Na isti način, kao izvor neželjene vari-
janse, mogu se razvrstati halo-efekt, „lične jednačine”, blagonaklonost-strogost i sve druge pristrasnosti istraživača kao posmatrača. Razmene posmatrača i posmatranog mogu doprineti boljem razumevanju ponašanja ovog drugog, ali uvek treba biti svestan problema ugrožavanja validnosti. Zato je teško reći kada interaktivnost povećava valjanost podataka, a kada je ugrožava. Neki autori smatraju da kvalitativne metode ,,iz interakcije izvlače ono najbolje”, dok ona u kvantitativnim metodama ugrožava validnost i sigumo je nepoželjna. Postavlja se pitanje ko treba da presudi u narativnoj paradigmi, u kojoj svaki istraživač ima ličnu priču. U uvodnoj glavi je opisano da je suština naučnog metoda u tome da sadrži potrebu i način da presudi čija je priča istinita. To se može uraditi samo na kvantitativan način: postaviti hipoteze i empirijski ih proveriti.
5.
Sličnosti i preplitanja
Studentu će biti vrlo lako da zapamti Trochimov stav (2005). Parafrazirano, on kaže da u istraživanju ponašanja važi sledeći iskaz: Kvantitativni podaci se najčešćeprikupljajii na osnovu lcvalitativnilj sudova, a večina kvalitativnihpodataka se može konvertovati u kvantitativne. Uzmimo, na primer, podatke uz upitnika ih psilioloških testova (koji pripadaju drugoj paradigmi psihološkog merenja). Rezultati ispitivanja upitnicima ili testovima su kvantitativni i te podaci prikupljeni tim metodama se tretiraju kao da su na intervalnom nivou. Međutim, sud o svom ponašanju, svom stavu ili mišljenju donose sami ispitanici na osnovu kvalitativnog mentalnog procesa suđenja. S druge strane, kvalitativni podaci se po pravilu mogu konvertovati u kvantitativne pomoću operacija klasifikacije (kategorizacije) ili brojanja. Sasvim jednostavno, kvalitativne podatke, a najlakše je da ih zamislimo kao pričunaraciju (v. kasnije), možemo podeliti u osnovne informacione jedinice: jedinice ponašanja ili jedinice anahze. Ove jedinice možemo prebrojavati, a možemo ih i skorovati sa 1 i 0 (juisutne - nisu prisutne) kako bismo dobili dihotomne varijable (koje su „bezskalne”) ili formirali matrice distanci. Podaci nastali brojanjem, dihotomne varijablc i matrice distanci mogu se obradivati kvantitativno - statistički. Za pretvaranje kvalitativnih podataka u kvantitativne su ponekad potrebne dodatne informacije. Recimo, neku postojeću podelu naselja na selo-grad možemo pretvoriti u ordinalnu ako raspolažemo podacima o veličini naselja, ili postojanju škole i drugih institucija u naselju. Postoji i suprotna mogućnost; kvantitativne podatke možemo svesti na kvalitativne, kao kad, recimo, telesnu visinu izmerenu u milimetrima svedemo na „niski-srednji-visoki” (bez navođenja granica podele). Rosnow i Rosenthal (2005) zastupaju metodološki pluralizam i teoretski ekum enizam . Istini za volju, oni pod tim više podrazumevaju objedinjavanje psihologije sa bihejvioralnom medicinom, psihobiologijom i kognitivnom neuronaukom, nego sa naracijom i etnografijom, ali ne isključuju ni takve mogućnosti.
Potvrdu tome nalaze u dosadašnjem razvoju nauka o ponašanju, kao i zapažanja ranijih filozofa, recimo Hansa Reichenbacha, da podaci prikupljeni različitim tehnikama prisiljavaju naučnike da ih objedine. Ponavljamo i ono što je rečeno u poglavlju o teorijskim perspektivama: tumačenje rezultata analize podataka i objedinjavanje svih nalaza iz kvantitativnih studija u konačne zaključke je čin celovitog razumevanja pojave, vrlo shčan onome što pristalice kvalitativnih istraživanja zahtevaju.
6.
Završna zapažanja o razlici kvantitativnih i !
Da bi istraživač koji se opredeli za kvalitativna istraživanja ostao nai' istraživač, morao bi da preduzme sve korake da izbegne temeljni n ed o si. • kvalitativnih metoda - neobjektivnost, neproverljivost i neponovljivost. S drujj.. strane, kvantitativne metode, koje se zasnivaju na merenju ponašanja, imaju, opet, temeljni problem dokazivanja da je ono što se meri (predmet merenja), kvantitativne prirode. Kako dokazati da su pojave kao što su maloletničke trudnoće, štrajkovi ili patrijarhalnost kvantitativne, ili sastavljene od kvantitativnih podpojava, da bismo im mogli dodehti brojeve? Mnoge od često pominjanih raziika izmedu kvantitativnih i kvahtativnih metoda, od kojih smo neke ovde naveh, nisu izdržale probu vremena. S druge strane, vreme je pokazalo da postoje suštinske shčnosti. Kada se tome doda nemogućnost da se razreše temeljni problemi koji muče i jedne i druge metode, u poslednje vreme je prevagu odnelo shvatanje da kvalitativne i lcvantitativne metode rastežu jednu dimenziju, odnosno kontinuum, a ne cepaju socijalna istraživanja na dva dela. Na tom kontinuumu postoje mnogi prelazi, prehvi i kombinacije, pri čemu se u istom istraživanju, pa čak i u istoj metodi niogu susresti kvalitativni i kvantitativni elementi. Odluka o izboru kvantitativne ih kvahtativne paradigme muči istraživače. Opredeljenje za jedan ih drugi pristup istraživanju povlači za sobom razhčito koncipiranje istraživanja u celini, pa i metoda za prikupljanje podataka. Međutim, bez obzira na značaj koji se ponegde pridaje ovoj dilemi i bez obzira na sve konsekvence koje prate izbor jedne od te dve opšte metodologije, osnovni epistemološki kriterijumi ne mogu biti razhčiti. Zbog toga je važno podsetiti se opštih epistemoloških principa (opšto.st, objektivnost, sistematičnost itd.) da bi se razumelo da ,je istina samo jedna” i da u tom smislu ne mogu postojati različite „metodologije”. Dmgo je pitanje što postoji značajna korelacija izmedu jednog opšteg naučnog stila, istraživačke tradicije i opredeljenja za neki „izam”, sa jedne strane i opredeljenja za kvantitativnu ili kvalitativnu metodu, s druge. Kad se to zna, onda postaje jasno zašto se čini da su istraživanja koja koriste razhčite metode prikupljanja podataka različita u svim elementima. To je posledica razlike u mentalnom stilu i tradiciji istraživača ih njegove sredine, a ne posledica različite
metode. No, bez obzira na sve, može se prihvatiti da zadnja odbrana naučnosti nije na liniji kvantitativno-kvalitativno, ali mora biti na liniji sistematičnosti i objektivnosli. Po opštem mišljenju, primena kvalitativnih metoda je n ajk o risn ija i najčešća u ran im fazam a razvoja neke naučne oblasti, ili u prelaznim fazama^^ Izveštaji iz kvalitativnih istraživanja mogu biti inspirativni, dakle pogodni za sticanje novih ideja i formulisanje novih hipoteza. O tome će još biti reči tokom izlaganja pojedinih kvalitativnih metoda. Razuman istraživač bi danas, prema onome što čini pozitivan fond iskustava iz empirijskih socijalnih istraživanja, učinio najbolji potez ako bi spomenutu dilemu rešio na m ultim etodski način. Ako raspolaže makar i najmanjim uslovima (u smishi resursa), kombinovao bi metode iz ,,oba sveta”. N a primer, kombinovao bi anketno istraživanje i fokus grupe, ili kvazi-ekperiment i studiju slučaja. Osim poziva na kombinovanje kvantitativnih i kvalitativnih metoda, neproduktivna debata o ,jednoj pravoj metodi” se danas pomerila u većini društvenih nauka ka mnogo konstruktivnijem pitanju o tome koja je metoda najbolja za koje istraživačke ciljeve. Vrlo je značajno i to što će tokom rasprave o pojedinim metodama čitalac imati prilike da vidi kako je razlika između kvantitativnih i kvalitativnih metoda zapravo eluzivna. Posmatranje može produkovati ordinalnu memu skalu, analiza sadržaja može biti i kvalitativna i kvantitativna metoda, svaka klasifikacija (kao esencija kvalitativnih metoda) se sa malo pažnje može kvantitativno kodirati itd.
7.
Uvodni komentar o prikazanim metodama
U oblasti empirijskih istraživanja u naukama o ponašanju mogu se sresti veoma različite metode i tehnike merenja i prikupljanja podataka. Standardni priručnici i udžbenici o socijalnim istraživanjima tretiraju sve posebne tehnike i varijante merenja kao lateralne, a nasuprot njima, bave se jednom grupom „mainstream” metoda i tehnika. Slično ćemo uraditi i ovde, ne pretendujući da smo učinili baš u svemu najbolji i najpotpuniji izbor. Može se očekivati da će svaki čitalac, čak i ako nije di'uštveni istraživač, prepoznati prikazane nietode, ili barem većinu njih. U tom smislu se može opravdati ako neki priručnik, kao što je ovaj, prati tradicije i navike i drži se tog standardnog izbora metoda. Ako su, opet, ispuštene neke nove, ključne i važne metode iz pojedinih društveno naučnih disciplina, nedostatak ćemo nastojati kompenzirati ažumim prikazom tradicionalnih metoda. Pitanje da li je neka metoda kvantitativna ili kvalitativna, a videće ,se da je to pitanje aktuelno kod priličnog broja metoda, biće diskutovano u okvim svake pojedinačne metode.
To ne protivreči, čak je sasvim u skladu, sa stavom da su društvene nauke još u povoju.
Postoji još jedno važno a aktuelno pitanje: da li se radi o metodi ili tipu istraživanja, I o tome je već bilo reči u glavi o vrstama istraživanja, ili će biti reči u ovoj glavi. N a primer, studija slučaja se negde tretira kao metoda istraživanja, a analiza sadržaja se negde tretira kao vrsta istraživanja. „Skaliranje je drugo ime za merenje” rekli bi mnogi teoretičari merenja. Skaliranje koje se koristi u naukama o ponašanju, svakako se zasniva na ideji skaliranja, odnosno merenja i proistekla je iz želje da se individualne razlike kvantifikuju. M etoda skala procene biće opisana u zasebnompoglavlju. Međutim, pitanje skaliranja se u naukama o ponašanju najčešće postavlja u merenju stavova. Zato će u ovoj knjizi posebno poglavlje biti posvećeno merenju stavova, gde će biti opisane osnovne skale koje se koriste za istraživanje ponašanja.
B.
Neposredno posmatranje
To je prva i osnovna metoda svekolikog čovekovog zadovoljavanja radoznalosti i želje za saznavanjem sebe i okoline. Posmatranje vrši pojedinac ponioću svojih čula. Ta, naizgled trivijalna suština, ostala je temeljni element naučnog saznanja do danas, ali i za budućnost. U glavi o teoriji merenja i diskusiji 0 razlici fizičkog i društvenog merenja rečeno je da je uloga čoveka u svakom merenju praktično presudna. Čovek gleda u brojčanike, očitava vrednosti, posmatra da li je postupak merenja protekao u redu, da li ne postoje neželjeni vanjski uticaji, da li su instrumenti baždareni itd. Postoji nešto u čovekovoj težnji da vidi neku stvar da bi mogao reći da je poznaje što je više od apstraktnih procedura merenja. Kada su svemirske sonde fotografski snimile površinu Venere 1 poslale te retke i ne baš savršene snimke na Zemlju, to je bio znak da je čovek istražio Veneru više nego sva prethodna i kasnija termografska, spektrografska i druga snimanja. U tome verovatno postoji jedan iracionalni razlog, ali je on vrlo praktično utemeljen. Da bi se napravili makar i loši snimci površine Venere čovek je trebao da dode do tamo. To je sasvim razuman dokaz čovekove potencije, više nego što su to snimanja sa distance.
1.
Posmatranje i merenje
Setimo se najstarije defmicije'merenja; merenje je uporedivanje objekta sa standardom. Šta radi čovek kada meri dužinu stola? On posmatra sto i upoređuje ga sa metrom. Da li postoji razlika između te procedure i procedure kada istraživač posmatra decu u obdaništu i upisuje da li se deca igraju sa lutkama islog ili različitog pola. Ne postoji razlika. Posmatranje je merenje.
Ipak, da ne bismo zbog vehemencije donosili prebrze zaključke, možemo zaključiti da posm atranje može biti merenje. Naime, u gomjem primeru je procedura posmatranja identična defmiciji merenja zato što je posmatrač imao tačno propisane kategorije posmatranja i beleženja. On je posmatranje obavljao sistematski, planirano i organizovano. Rezultirajući podaci ovakvog posmatranja mogu biti na intervalnoj memoj skali (recimo broj koliko puta je dete uzelo odredenu lutku ili koliko dugo se s njom igralo). Da je isti posmatrač samo došao i iz besposlice gledao decu u parku kako se igraju, on sigumo ne bi proizveo numeričku skalu („slatka su”, možda bi zaključio). Isti zaključak se može doneti za sve dmge kvalitativne metode - ako se postupak standardizuje, ako se uspostave egzaktne kategorije i način njihovog prepoznavanja i beleženja, ako se obuče posmatrači kako bi se smanjila međuposmatračka varijansa (i racionahzovala unutar-posmatračka), svaka kvahtativna metoda može proizvesti kvantitativnu skalu. Pošto kvalitativne metode prikupljanja podataka po pravilu rezultiraju nominalnim skalama, za te metode se kaže da im je cilj klasifikacija. Stvarno, minimalni cilj objektivnih kvalitativnih metoda je da pravilno identifikuju i razvrstaju ponašanje u kategorije. Što se tiče posmatranja, taj osnovni cilj može biti i jedini, ah ne mora. Posmatračima nije zabranjeno da koriste razne pomoćne i meme instmmente kako bi snimili objektivne podatke o pojavi koju izučavaju (štoperice, fotoaparate, kamere, magnetofone). U pogledu upotrebe memih instmmenata kod posmatranja je od eventuahiog značaja samo to da ti instmmenti što manje utiču na objekte posmatranja, odnosno na pojavu koja se posmatra. Dakle, uz prostu klasifikaciju, posmatranje može pružiti i objektivno prikupljene podatke na intervalnom nivou (brojanje, merenje trajanja) ili ordinahiom nivou (evidentiranje poretka dogadaja, poredenje objekata posmatranjem, poredenje gustine gomile Ijudi sa standardom), a može i priUčno precizno registrovati veze izmedu pojava (uzastopno ili uzajamno pojavljivanje). Konačno, treba svakako znati da neposredno posmatranje, kao najstarija i najopštija metoda prikupljanja podataka nije vezano za neki odredeni nacrt istraživanja niti neku teorijsku perspektivu. Posmatrati se može u okvim eksperimenta, ankete ih narativnog istraživanja. Neposredno posmatranje se, kao kvahtativna metoda, ne smatra pogodnim za donošenje kauzalnih zaključaka o posmatranom ponašanju. Medutim, postoje inovativne studije u kojima se manipuhsalo nezavisnim varijablama (npr. brojem igračaka i prostorom za igru) u kontrohsanim uslovima koji su obezbedivah zadovoljavajuću intemu vahdnost (tako što je dečji vrtić bio osnovan u okviru odseka za psihologiju).
2.
Ko se i šta se posmatra
U dmštvenim istraživanjima se najčešće posmatra ponašanje Ijudi. Međutim, mogu se posmatrati i gmpe Ijudi, male ih vrlo vehke (demonstracije, utak-
mice), pa i životinje. Veoma čest objekat posmatranja su deca i metoda neposrednog posmatranja je jedna od osnovnih u razvojnoj psihologiji. Specifično posmatranje se sreće u analizi medija (komunikologiji) gde se posmatraju filmovi, televizijske ili radio emisije (ovo posmatranje se koristi u analizi sekundarnih podataka i analizi sadržaja). Etnolozi posmatraju ponašanje pripadnika neke primitivne kulture i njihove proizvode. Neposredno posmatranje se vrlo često kombinuje sa drugim metodama. Recimo, možemo posmatrati učesnike dok razgovaramo sa grupom Ijudi, a kasnije im možemo dati upitnik da objasne svoja osećanja i zapažanja ili osećanja i ponašanje drugih učesnika. Štaviše, možemo pitati dm ge Ijude, recimo veštake ili informatore, o tome šta se dešavalo pre posmatranog ponašanja. Možemo da posmatramo Ijude dok odgovaraju na upitnike, ili učestvuju u eksperimentu, potpuno nezavisno od toga šta je predmet upitnika ili eksperimenta. Dobra defmicija i operacionalizacija onoga šta se posmatra je presudna za uspeh posmatranja. Cešći slučaj je da istraživači posmatraju ponašanje i situaciju u cehni, sa mnogo detaJja, preopšimo, a da na kraju ustanove da nemaju ključne podatke za odgovor na istraživačka pitanja. Nije dobro ni da se posmatra „preusko”, samo neki detalji ponašanja, jer i na taj način mogu biti propušteni bitni detalji.
3.
Vrste neposrednog posmatranja
Postoje dva osnovna okruženja u kojima se vrši posmatranje: laboratorija i teren. Laboratorijsko, kontrohsano posmatranje je običnopotpuno strukturisano, što znači da je unapred pripremljen spisak kategorija i posmatrač tokom posmatranja vrši kodiranje (v. poglavlje o kodiranju). Za strukturisano posmatranje je neophodno vođenje zapisnika posmatranja (v. kasnije). Pošto popunjavanje zapisnika može biti složeno i zahtevno, stmkturisano posmatranje zahteva obuku posmatrača. Stmkturisano posmatranje se može učiniti vrlo pouzdanim i objektivnim (uz dobre zapisnike, a pogotovo dobre snimke, ponašanje mogu reevaluirati dmgi posmatrači i kontrolori). Prednosti strukturisanog posmatranja su: mogućnost ponavljanja, sistematičnost u prikupljanju podataka, podaci se rnogu kumuhrati i trajno čuvati (ako se snimaju), kontrola neželjenih varijabh tako što se okmženje drži konstantnim, minimiziranje pristrasnosti posmatrača. Nedostaci su: potencijahio niska ekološka vahdnost, nekada nije moguće obezbediti saradnju ispitanika i moguća neetičnost (Langdridge, 2004). Terensko posmatranje po pravilu nije kontrolisano i manje je stmkturisano. Ono se obavlja u prirodnoj sredini objekata posmatranja i u realnom vremenu. Tipični ciljevi terenskog posmatranja su više eksplorativni i obično naginju fenomenološkom i etnološkom pristupu, što znači da posmatranje ne počinje od gotovih kategorija. Pošto nema gotovih kategorija, teže je napraviti dobar zapisnik posmatranja. Zato je jedini izlaz da se vode beleške i da se fdm ski snima
ponašanje. Problem sa beleškama je što su subjektivne, a problem sa snimanjem, kao i sa prisustvom posmatrača uopšte, jeste to što posmatrani ipak nisu u svom prirodnom okmženju. Snimanje kamerom deluje na većinu Ijudi, a posebno na decu. Neko glumi, izvodi scenske radnje i gura se u prvi red, a neko beži što dalje. lako bi tercnsko posmatranje trebalo da ima visoku ekološku validnost, čitalac može sam zaključiti kolika je korist od grupe koja se okupi pred kamerom i maše. Druga važna podela posmatranja je na: optmzivno i neopiruzivno. Ova podela se dobrim dclom preklapa sa podelom na reaktivno i nereaktiv?7o posmatranje. U optruzivnom posmatranju učesnici su svesni da su posmatrani, što može dovesti do toga da posmatranje bude reaktivno, odnosno da utiče na njihovo ponašanje. Suprotno od toga, u neoptruzivnom posmatranju učesnici ne znaju da su posmatrani i zato je posmatranje nereaktivno jer neće uticati na ponašanje učesnika. Neoptruzivno posmatranje može koristiti telinike: fizičkih tragova, prostog posmatranja i planiranog posmatranja. Fizičke tragove je, na primer, koristio jedan marketinškl istraživač, tako što je posmatrao dugmad na radio aparatu u kolima kod mušterija jednog auto servisa. Na csnovu stanica koje su bile postavljene na dugmadima, dao je preporuku na kojim radio stanicama auto servis treba da objavljuje svoje reklame. Prostim posmatranjem se koristio jedan istraživać koji je razvrstavao psihologe na jednom strućnom skupu po tome da li nose kratku ili dugu kosu. Interesovalo ga je da li na osnovu frizure može predvideti teorijsku I metodološku orijentaciju psihologa (psiholozi sa kraćom kosom su bili metodološki „strožiji”). Planirano posmatranje možete sprovesti tako što ćete izmeriti koliko se suzio krug dece koja sede oko vas kad poćnete da prićate strašnu priču o duhovima.
Da posmatranje ne bi bilo reaktivno, može se koristiti skriveno merenje (kao što je skriveno snimanje) ili delimično skriveno merenje (na primer, ako se majkama kaže da se posmatraju njihova deca, ali se stvamo posmatraju i majke i deca).
4.
Posmatrač - osnovni merni instrument posmatranja
Osnovni memi instrument u posmatranju je posmatrač. Ta karakteristika bitno određuje inesto posmatranja u lepezi naučnih metoda. Posmatrač je istovremcno glavna prednost i glavni nedostatak posniatranja kao metode prikupljanja podataka. Glavna prednost je u tonie što on kao rezuhat posmatranja beleži svoje zaključke o to m eštaje video. Dobro zaključivanje posmatrača o tome šta se dešava je od neprocenjive važnosti za naučno saznanje i daje vrednost posmatranju koju ostale metode nemaju. Na primer, ako uoči guranje i svađu između dva objekta posmatranja, posmatrač može prepoznati da se radi o šali. Ih može oceniti da se radi o dvojici braće kod kojih su takve prepirke deo porodične dinamike i nemaju status ispoljavanja agresije. U slučaju odnosa nastavnika prema učenicima, možda neki nastavnik posvećuje više pažnje nekim učenicima zato što misli da su oni lošiji, ili su bili bolesni i nisu prisustvovali nastavi.
S druge strane, čovek je napravljen tako da odozdo, od prostih čula, naviše, do najviših kognitivnih procesa, funkcioniše integrisano i međusobno povezano. Iz proučavanja percepcije znamo da viđenje objekata odlikuje tzv. konstantnost opažaja. Nama će sto izgledati kao sto i po najjačem suncu i po mraku, i gledan odozdo i gledan sa strane, i pokriven stolnjakom i sa ćerkom koja sedi na njemu. Značaj konstantnosti opažaja je drastično uočen tokom razvoja veštačke inteligencije i nastojanja da se i računari nauče da u svim spomenutim primerima prepoznaju da se radi o stolu. Do daljeg će računari imati velike probleme oko toga. Čovek jeste biološki napravljen tako da mu "svi delovi" rade integrisano, pa zbog toga ne može da odvoji posmatranje od zaključivanja i motiva. Ali ta integracija je sigurno imala za evolucioni cilj tačnost opažanja. Naše mentalne funkcije su odabrane tako da budu što efikasnije, a pogrešno opažanje ne može biti efikasno. Dakle, greške u posmatranju koje su posledica pristrasnosti, pogrešnog zaključivanja i "učitavanja" u posmatrano ono čega tamo nema, nisu pravilo - one su prosto greške.
Dakle, kad čovek nešto gleda, pošto je u njegov centralni nervni sistem i u njegove kognitivne proccse ugrađeno zaključivanje, on „viđi” ono šta on misli da vidi. Čovek ne može da ne zaključuje. Iz toga sledi da će on zaključivati i onda kada nema dovoljno podataka i kada postoji velika verovatnoća greške. Sledeći problem je što kognicija kod Ijudi iiije nezavisna od konacije (motivacije). Biološka adaptacija je učinila da one rade zajedno, uvek zajedno i nikad jedna bez druge. Svaki čitalac će lako zaključiti kakve posledice ove dve činjenice (zaključivanje i motivacija) mogu imati na ishod posmatranja. Medutim, da li se uloga subjektivnog i celovitog istraživača kao biološkog bića manifestuje samo u posmatranju? Naravno ne. Ista pravila kognicije i konacije deluju u svim postupcima koje čovek kao istraživač može da preduzima tokom naučnog istraživanja. Od izbora literature, preko konstrukcije mernih instrumenata do donošenja zaključaka, svuda figuriše taj isti posmatrač. Kod posmatranja treba stalno postavljati pitanje o valjanosti, pouzdanosti i objektivnosti da bi se mogućnost grešaka što više umanjila. Ali neposredno posmatranje nije tehnika koja je pogrešna u principu, niti je više pogrešna od dmgih tehnika prikupljanja podataka u kojima je pojedinac onaj koji sudi. Posmatrač mora biti nepristrasan, mora biti svestan opasnosti postojanja svog mentalnog seta i nastojati ga eliminisati što više. Na primer, razlike i odstupanja od očekivanja treba isto tako pažljivo zapisivati kao i poklapanja. Ali, za posmatrača se obično kaže da mora biti aktivan, u smislu da je on taj koji analizira posmatrane situacije, aranžira uslove, zapisuje, pamti i razmišlja. U ostvarivanju tih ciljeva, posmatraču će nmogo pomoći iskustvo, priprema i obuka. Isto tako, u posmatranju treba koristiti sva pomagala koja mogu biti od koristi i koja su na raspolaganju; sredstva za snimanje (kamere, magnetofoni), štoperice, teleskopi i dvogledi, poluprovidna ogledala i sl.
a. Izbor posm atrača Nakon što istraživač odredi koliko mu je posmatrača potrebno, valja pristupiti njihovom izboru. U zavisnosti od problema istraživanja i vrste i složenosti ponašanja koje se posmatra biće potrebno pronaći posmatrače sa određenim predznanjima, ili iz određenili profesija (psiliološke, m edicinske, pedagoške). Posmatrači se mogu angažovati preko oglasne table i kada se pojave svi koji su zainteresovani obično treba izvršiti selekciju. Bailey i Burch (2002) preporučuju da se za selekciju iskoristi prvih nekoUko časova obuke. Kandidati koji uredno dolaze na časove, pripremljeni, sa svojim štopericama i olovkama, a pogotovo oni koji su sami napravili svoj obrazac zapisnika, imaće prednost nad onima koji verbalno izražavaju entuzijazam ali uvek kasne, nikad ne donesu sve što je potrebno, a inicijativu pokazuju jedino u nalaženju izgovora.
b. Obiika posm atrača Obuku treba početi kratkim upoznavanjem posmatrača sa ciljem istraživanja. Cilj treba predstaviti tako da isključi pristrasnost posmatrača. Na primer, bolje im je reći „Želimo da ocenimo uticaj različitih pristupa nastavi na brzinu učenja kod dece...” nego „Žehmo da pokažemo da su pažljiviji učitelji bolji učitelji...”. Nakon toga je najbolje da se puštaju trake ih filmovi, ili da se na pogodan način prezentiraju karakteristična ponašanja koja će se posmatrati. Posmatrači ih onda ocenjuju koristeći ponuđene zapisnike, njihove ocene se onda upoređuju i diskutuju, a nastah problemi se rešavaju na hcu mesta. Ukazuje im se na neka kritična mesta i moguće nijanse. Istraživačevo iskustvo može mnogo pomoći u procesu obuke. Ukohko to iskustvo ne postoji, odnosno istraživanje se vrši po prvi put, komentare i sugestije do kojih se dođe tokom obuke treba iskoristiti za unapređenje protokola i zapisnika. Za jednostavne protokole i zapisnike dovoljna su 3 - 4 sata obuke, a za složenije i cehh 10 sati. Obuka posmatrača treba dabude zabeleženakako bi njeni glavni momenti mogli biti prikazani u istraživačkom izveštaju, a isto se preporučuje i za sve ostale faze istraživanja.
c. Poboljšavanje pouzdanosti posm atranja O motivaciji saradnika govori se u glavi o praktičnim problemima sprovodenja istraživanja, kao i u poglavlju o skrivenim etapama uzorkovanja. Posmatrače treba takode motivisati, podsticati, naglašavati im značaj istraživanja. Ne sme im se stavljati do znanja da su neki podaci istraživaču poželjniji od nekih drugih (jer tako se može stvoriti pristrasnost). Treba im staviti do znanja da je istraživaču poznato da je posao dosadan, ali da su svi zainteresovani da se on ipak
čestito obavi i da se eventiialni problemi reše. Može se koristiti „primer za ugled”, odnosno istaći posmatrače koji posebno dobro rade, a ako istraživanje traje duže, nekoliko meseci, treba sa njima stalno održavati kontakt, organizovati kratke sastanke na kojima oni izveštavaju o radu, utiscima i problemima itd. Treba ohrabrivati posmatrače da iznose svoje sugestije i zapažanja. Međutim, barem isto toliko revnosno treba sprovoditi i kontrolu rada posmatrača. Poznata je pojava posm atračkogpom aka, koji se ogleda u tome da tokom posmatranja menjaju defmicije ponašanja iz protokola i na ki'aju počinju primenjivati vlastite defmicije, Problem je posebno izražen kod dugotrajnih istraživanja koja se bave mahm promenama ponašanja. Takode, na više mesta smo spomenuh posmatračku pristrasnost. Ona se može defmisati kao ocenjivanje neke druge varijable osim one (zavisne) koju treba ocenjivati ili čak umesto nje. Pristrasnost je veća kod posmatranja složenih ponašanja, ali je utvrdena i kod tako jednostavnih jedinica ponašanja kao što je broj skretanja na levo ili na desno u lavirintu. Posebna vrsta pristrasnosti je haloefekt ih efekt oreola, kada posmatrači ocenjuju osobe po svim svojstvima jednako, a na osnovu početne procene jednog njihovog svojstva. Najbolji način da se kontroliše rad posmatrača je da se u nekim stalnim ih slučajnim razmacima, ređe ili češće vrše provere pouzdanosti. To se radi tako što se na mesto posmatranja pošalje još jedan, jednako obučen posmatrač (obično je teško poslati više od jednog), koji beleži ponašanje na osnovu istog protokola i zapisniica. Ova dva posmatrača trebaju da budu tako postavljena da imaju jednak vidik na polje posmatranja, aU da ne vide šta onaj drugi beleži i kada beleži. Takođe, moraju imati sinhronizovano vreme, recimo tako što će se na zid staviti veliki sat sa sekundnom kazaljkom. Nakon toga se slaganje posmatrača može oceniti nekom jednostavnom metodom, kao što je procenat slaganja, ili se mogu izračunati složeniji koeficijenti slaganja posmatrača kao što je Cohenova kappa ih intraklasni koeficijent korelacije (v. poglavlje o pouzdanosti merenja).
5.
Beleženje posmatranog
Način beleženja zavisi na prvom mestu od stepena struktiiriranosti posmatranja. U terenskom, nestrukturiranom posmatranju, istraživač će se, verovatno, opredeliti za terenske beleške i, ako za to postoje mogućnosti, za video snimanje. Beleške su tradicionalna alatka posmatrača za prikupljanja podataka, ali su, nažalost, vrlo subjektivne, a praksa je pokazala da ih nije lako voditi. Isto tako, praksa je pokazala da video snimanje jako utiče na posmatrane osobe. Nestrukturirano posmatranje često završava narativnom analizom (v.) koja sadrži prozu o predmetu posmatranja. Nekada storije sadrže i tumačenje postupaka ispitanika, zaključke i dodatne napomene, pa su u tom smislu potpuno nestrukturisane. Postoje mišljenje da takve beleške zalaze u oblast utemeljene teorije i studije slučaja, što nije poželjno, nego beleške iz posmatranja trebaju biti samo tačna i
precizna deskripcija posmatranog, po mogućnosti sprovedena tako da se može proveriti objektivnost, što praktično znači da mora postojati više od jednog posmatrača. Za stmkturisana posmatranja najjednostavnija, najjeftinija i najčešće korišćena oprema su zapisnik posmatranja, neka vrsta sata ili štoperice i olovka (Bailey i Burch, 2002). Pomoću ove opreme moguće je sprovesti objektivno posmatranje, koje ima status merenja, a za zapisnik posmatranja ili dnevnik posmatranja se često kaže da predstavlja memi instrument posmatranja. Mnogo je napisano o sadržaju i formatu tog zapisnika. Međutim, osnovno je ono što smo rekli u pretliodnim pasusima - ako hoćemo da posmatranje učinimo objektivnim, dnevnik posmatranja m^ora biti zasnovan na protokolu posmatranja (v. kasnije), odnosno listi instrukcija koje precizno strukturiraju šta se posmatra i šta se beleži. S druge strane, etnolozi će insistirati da dnevnik posmatranja bude sveobuhvatan, potpun i obiman, jer je prvenstvena namena takvih istraživanja upoznavanje i pokušaj razumevanja objekata posmatranja. Najjednostavniji obrazac zapisnika posmatranja koji mi ovde imamo u vidu (a to nije etnološki obrazac) treba da sadrži osnovne identifikacione podatke kao što su: posmatrač, lokacija, vreme početka i završetka, datum i sl. Nakon toga je uobičajeno da postoji deo za prikupljanje podataka, obično u obliku tabele kojaje podeljena na jedinice ponašanja, vremena i intervale. Ako je ova tabela dobro formirana, posmatrač će u kućice trebati unositi samo ,,X” kako bi evidentirao da se dotično ponašanje desilo u tom vremenu i da je trajalo tokom tog intervala. Konačno, na kraju treba ostaviti mesta za komentare posmatrača i ev. dmge podatke (npr. ime kontrolora). Ako je predmet posmatranja agresivno ponašanje, onda će u zapisniku biti ponudeni kritični događaji kao jedinice ponašanja. U uputstvu posmatračima, u protokolu i tokom njihove obuke mora biti detaljno obrazloženo kakvi su to događaji. Npr. da je neko zaplakao, da je neko nekoga udario, da je neko na nekoga vikao, bled ili crven u Hcu, da mu je brada drhtala, da su pesnice bile stisnute, da su pravljeni pokreti koji su hčiU na zaustavljeni udarac, da je bilo fizičkog kontakta u vidu guranja, držanja za odeću i drugog. Ako je predmet posmatranja bilo ponašanje nastavnika prema učenicinia i to u smislu fleksibilnosti, razumevanja i saradljivosti, onda se u zapisniku mogu predvideti mbrike: strog-popustljiv, pravedan-pristrasan, dosadan-zanimljiv, fleksibilan-krut itd. Svaka od ovih klasifikacija mora biti što detaljnije obrazložena i moraju biti data što detaljnija uputstva i primeri za prepoznavanje odgovarajućih ponašanja. Na primer, pravedan nastavnik se ponaša prema svim učenicima isto, poklanja pažnju svim učenicima, kada predaje ne obraća se nikome posebno, ne zove neke učenike nadimkom, a neke prezimenom itd. Danas se beleženje posmatranja može znatno olakšati i poboljšati uz upotrebu tehničkih pomagala, pre svega snimanja na video traku i korišćenje sistema za računarsko prikupljanje podataka. Video traka omogućava da se ponašanje snimi i da se analizira kasnije, polako, uz mogućnost ponavljanja i, što je najvažnije, od strane više posmatrača. Računarsko vodenje zapisnika omogu-
ćuje zapisivanje velikog broja različitih ponašanja, njihovog vremena nastanka, trajanja, vađenje uzoraka vremena, određivanja vremena latencije itd. Kada se radi sa papirom (ali treba imati u vidu da se zapisnik može sastaviti i na osnovu video trake), važno je unapred pripremiti i formatizirati obrazac tako da posmatrač može brzo i lako evidentirati ponašanje. Dobro i efikasno rešenje je da se u gornjim primerima sa agresivnim ponašanjem i ponašanjem nastavnika posmatračima u obrascu zapisnika posmatranja ponudi kontrolna lista (engl. check list), sa spiskom kategorija koje je on dužan da uoči, sa vremenom pojavljivanja i trajanjem. Kad god se pojavi neka od tih kategorija ponašanja on je prosto označi (sa poznatim epistemološkim simbolom koji se naziva „štrihla”). Sledeće vrlo poznato rešenje su skaleprocene (engl. rating scale, v. posebno poglavlje). One su slične kontrolnim listama, ali osim evidentiranja postojanja kategorije, posmatrač unosi i stepen ili jačinu prisustva kategorije. Skale procene i skale samoprocene su jedan od najviše korišćenih memih instrumenata u naukama o ponašanju, posebno u psihologiji, pedagogiji i sociologiji i koriste se u svim istraživačkim kontekstima i pristupima. Na primer, ako se posmatra agresivno ponašanje, posmatrač može dobiti zadatak da odgovori na sledeće pitanje: Koliki je bio intenzitet svađe? 1. Jedva vidljiv
4. Jak
2. Slab
5. Vrlo žestok
3. Srednji
Postoji bezbroj formata ovakvih stavki koje mogu da čine skalu procene npr. kategorijalne, numeričke (kao ova u primeru), ih grafičke. Kao altemativa kontrolnim Ustama nekada se koriste i skale sa prisilnim izborom. Skale sa prisilnim izborom se sastoje iz parova tvrdnji, ih tria, kvarteta, kvinteta itd. Parovi su najčešće konstruisani tako da svaki član predstavlja zasebnu dimenziju ponašanja. Npr; 1.
pažljiv hladan
2.
savestan krut
Posmatrač mora da izabere onaj opis (od dva) koji najbolje opisuje posmatrano ponašanje (npr. nastavnika). Kod stavki sa prisilnim izborom se smanjuje verovatnoća socijahio poželjnih, konvencionalnih i pristrasnih procena. Postoje i znatno složeniji fonnati stavki sa prisilnim izborom, recimo sa 4 tvrdnje, koje su odabrane tako da kombinuju poželjnost i dimenzije onoga što merimo (npr. m aštovit-liut, uredan-nemaran). Dobri rezultati se postižu ako posmatrač mora da zaokruži jednu tvrdnju koja najbolje i drugu koja najlošije opisuje posmatrano ponašanje. Protokol posmatranja predstavlja listu defmicija ponašanja i način njihovog beleženja. Primer jedne kratkc defmicije agresivnogponašanja je; „Blago ponašanje obuhvata svako negodovanje i odbijanje zadatka. Teško ponašanje obuhvata svaki pokušaj agresije kao što su povređivanje, samopovredivanje ili uništavanje stvari”. Ako se ispituje agresivno ponašanje prema terapeutu, defmicije agre-
sivnog ponašanja mogu biti višestruke, npr.: „Grizenje - stvamo ili pokušano sklapanje gornje i donje viiice oko bilo kog dela tela terapeuta.”, „Guranje snažno pokretanje terapeuta uz pomoć ruku ili ramena.” ili „Pljuvanje - stvamo ili pokušano izbacivanje pljuvačke u pravcu terapeuta.” Sto se tiče načina beleženja ponašanja, posmatračima treba dati detaljna uputstva kako da koriste zapisnik posmatranja i pomoćne uređaje (to se mora i praktično izvežbati tokom obuke). Treba im odrediti i mesta odakle posmatraju, uputiti ih kako da se odnose prema posmatranima, kako da se odluče ukoliko se istovremeno desi više jedinica ponašanja i sl. Vrlo je korisno ako istraživač sam, nakon što pripremi protokol i zapisnik, isproba procedum. Uzorkovanje osoba, uzorkovanje dogadaja i uzorkovanje vrem ena.Probem nastaje kada su jedinice ponašanja kratke, kada se javljaju sa velikom učestanošću i kada se posmatranje vrši na čitavoj gmpi odjednom. Posmatrač neće stići da izrši složene operacije zapisivanja kao što su popunjavanje skala procene. U tom slučaju se pribegava uzorkovanju. Mogu se izdvojiti samo neke osobe u grupi koje će se pratiti sve vreme -- uzorkovanje osoba. Pod uzorkovanjem događaja se podrazumeva da se posmatraju i beleže samo odredeni događaji, kao što su npr. svađe, ustajanje sa stolice, zajedničko smejanje itd. Uzorkovanje vremena se sastoji u podeli vremena na segmente i vođenju zapisnika samo u određenim segmentima, recimo svakih 15 sekundi u petominutnim periodima, tokom dva sata. Uzorci mogu biti ređi ili češći, mogu biti fiksni ili slučajni i mogu trajati kratko (samo jedan trenutak) ili nešto duže. Ovaj se nacrt posmatranja mnogo lakše sprovodi uz pomoć računara. Dva osnovna podatka koja se najčešće prikupljaju tokom posmatranja ponašanja su frekvencija pojavljivanja i tvajanje (i Ijubav se može izmeriti tako što će se zabeležiti broj i trajanje pogleda). Najbolji način da se evidentiraju oba aspekta je vremensko uzorkovanje, u kome se cela seansa posmatranja (recimo 30 do 45 minuta) izdeli na kratke intervale od 5-20 sekundi. Nakon toga, uz pomoć štoperice (ili nekog dmgog tajmera), upisuje se „štrihla” u svakom intervalu u kome postoji odredeno ponašanje. Tako se može odrediti kada se ponašanje javljalo i koliko je trajalo. Nažalost, tim metodom se ne mogu snimiti sve potrebne varijante, recimo koliko često i koliko dugo dete diže pogled sa sveske i gleda okolo. Zato postoje modifikacije telmike kratkih intervala koje su opisane kod Bailey i Burch (2002). Obavljeno je niz istraživanja koja su imala za cilj da evaluiraju različite načine uzorkovanja i beleženja posmatranja. Po svemu sudeći, ako je ponašanje visokofrekventno i kratkotrajno, uzokovanje vremena daje dobre rezultate. Takode, ako želimo da posmatramo celu gmpu (recimo decu koja traže ili zahtevaju neku stvar od drage dece), možemo u svakom vreinenskom intervalu beležiti jednu osobu, pa sledeću, sve dok opet na red ne dođe prva. Kod retkih i dugotrajnih ponašanja (npr. koliko dugo dete sedi a koliko stoji), ili kod složenih ponašanja, izgleda da je bolje kontinualno posmatranje ili barem posmatranje sa dužim uzorcima vremena.
C.
Učesničko posmatranje
Učesničko posmatranje se obavlja u „prirodnoj” sredini objekata posmatranja i istraživačpostajeprivremeni član te sredine. Cilj učesničkog posmatranja je da se razume funkcionisanje tog mesta i Ijudi u njemu sa njihovog stanovišta. Ova metoda prikupljanja podataka je posebno dobra za studiranje različitih interakcija u okruženju neke ustanove. N a primer, u okruženju gde žive Ijudi koji su smanjeno sposobni da se verbalno izraze, na primer zbog kognitivnih oštećenja, učesničko posmatranje može biti posebno jako omde. Mnogi smatraju da je učesničko posmatranje varijanta neposrednog posmatranja i u tome imaju pravo. Ipak, učesničko posmatranje se razlikuje od neposrednog posmatranja u raznim aspektima. Kao prvo, neposredni posmatrač u principu ne nastoji da postane učesnik u pojavi koju posmatra. Naprotiv, neposredni posrnatrač nastoji da što manje ometa i utiče na pojavu kako ne bi došlo do iskrivljavanja ponašanja. U neposrednom posmatranju posmatrač ima distanciranu ulogu, on posmatra a ne učestvuje. Shodno tome, može da koristi razna tehnička pomagala, kao što su video kamere, ili može da posmatra kroz poluprovidna ogledala. Zatim, neposredno posmatranje je obično više usredsređeno na problem od učesničkog, je r istraživač sam odabira neki uzorak vremena, situacija ih učesnika koje će posmatrati. U učesničkom posmatranju on mora biti stahio prisutan i stahio uključen u dešavanja. Takođe, u opštem slučaju, neposredno posmatranje ne traje tako dugo kao učesničko. Na primer, istraživač koji žeh da proučava neverbalne interakcije majke i deteta ne mora da ode da živi u nekim porodicarna, nego može da formira odgovarajuću laboratorijsku postavku, da angažuje dobrovoljce i da gledajući kroz poluprovidno ogledalo prati neverbalne znakove koji se koriste. Učesničko posmatranje je, spolja posmatrano, jednostavna metoda; uključivanjem i saživljavanjem sa predmetom proučavanja istraživač pretpostavlja da će unaprediti razumevanje pojave, više nego što bi mogao sa, recimo, anketnim upitnikom. lako izgledajednostavna i iako su njeni osnovni principi jednostavni, metoda učesničkog posmatranja je jedna od najzahtevnijih za istraživača. Naime, ona zahteva da istraživač (postnatrač) postane sudionik u kultm'i, giiapi, ustanovi koje posmatra. Svaki od tih konteksta nameće posebna pravila koja se moraju poštovati da bi posmatrač dobro obavio svoj posao. Učestvovanje mora biti stvamo; u ideahiom slučaju posm_atrač rnora da nauči žargon, pa čak i jezik, da se potpuno konformira, nauči običaje, živi na mestu koje posmatra itd. Učesničko posmatranje često zahteva mesece ili godine intenzivnog rada jer istraživač mora biti prihvaćen kao prirodan deo kulture kako bi bio siguran da se pojava koju posmatra odvija u svom prirodnom obliku. Učesničko posmatranje je karakteristična metoda za etnološka istraživanja, tokom kojih se etnolog uključuje u kulturu koju proučava, živi sa njom i po
pravilu produkuje obiinnu dokumentaciju, dnevnike i zabeleške. Kao u „utemeIjenoj teoriji”, nema unapred određenih ograničenja šta će se posmatrati i nije defmisan kraj studije. U terenskim istraživanjima se takođe često koristi učesničko posmatranje. Ideja je da istraživač ,,ode na teren” da bi posmatrao pojavu u njenom prirodnom okruženju - in situ. Na primer, to mogu biti sportske utakmice i navijačke grupe, ili studentski domovi. I u ovom slučaju terenski istraživač pravi obimne zabeleške koje se kasnije kodiraju i analiziraju na različite načine, Pristalice fenomenološke paradigme naglašavaj u da posmatrač treba da vodi računa i da zapisuje svoj vlastiti položaj i ulogu u grupi u trenutku nekog događaja (podsetimo da je, po fenomenolozima, empatija jedan od suštinskili zadataka posmatrača). Prirodno je da se njegova uloga vremenom menja i da ukupno ponašanje grupe može biti različito, ali može biti i različito percipirano dok je istraživač još došljak i kasnije kad postane deo te grupe. Kroz učesničko posmatranje treba registrovati kako pripadnici grupe opažaju pojave u grupi i u njihovoj okolini, a ne kako posmatrač to opaža. Vrlo je korisno da se registruju reakcije na protivrečne okolnosti, sukobe, razlike unutar grupe, specifičan rečnik, terminologiju i pojmove koje ima grupa. Na primer, koristeći tzv. mapiranje pojmova (eng. concept mapping) ih mapiranje defmicija, posmatrač može već samo na osnovu žargonskih izraza i njihovih defmicija (značenja) da otkrije društvenu strukturu grupe. Npr., posmatrač mora da otkrije značenje pojmova kao što su bolidi, dileje, matorci, profesori, bicikhsti i sl. da bi na osnovu toga mogao da defmiše strukturu grupe, medusobne percepcije, status i odnose. U principu, a to važi za sve metode, posmatrač mora maksimalno da iskoristi mogućnosti koje mu pruža upravo ta metoda; da sagleda ponašanje grupe iz što više različitih uglova, u kontekstu u kome se odvija. Sama metoda ne sprečava da se kvantifikuje što više i sve što je moguće. Na primer, mogu se prebrojavati događaji i Ijudi i meriti vremena kako bi se evidentirali trendovi. Mogu se koristiti kontrolne liste za posmatranje i standardizovane skale procene. Tokom posmatranja se mogu intervjuisati ili na drugi način ispitivati neki reprezentativni uzorci članova grupe da bi se dobili kvantitativni podaci o mišljenjima i drugim njihovim osobinama. Na primer, ako se posmatra neki dom ili internat, da bi posmatrač mogao da defmiše dominantni sklop društvenih pravila i normi on može izvući slučajan uzorak najstarijih pitomaca, obaviti razgovor sa njima i naći „srednje rešenje”. Za kasniju analizu prikupljenog materijala, snimaka i beležaka (koji mogu biti vrlo veliki) najbolje je da se koristi bilo koja vrsta anahze teksta i analize sadržaja, U pogledu izbora posmatrača, njegovih osobina i uopšte problematike njegove uloge kao učesnika pisano je dosta. S obzirom na prirodu metode, posmatrača ima malo, vrlo često samo jedan, koji je istovremeno i istraživač. Nesumnjivo je da njegove osobine utiču na mogućnosti njegove inkorporacije u milje koji posmatra. Recimo, neka naša iskustva iz posmatranja grupa navijača.
koja su vršena sa ciljem da se upozna ta potkultura i potencijalni izvori nasilja, govore da muškarci koji idu na put sa navijačima i snimaju ili zapisuju njiliovo ponašanje mogu postati predmet agresije. Nasuprot tome, žene neutralnog odevanja i ponašanja mogu biti žrtve neukusnih dobacivanja, ali retko otvorene agresije. Ponašanje Ijudskih grupa je veoma slično ponašanju svih primata; u početku postoji veliko nepoverenje prema strancu, a kako vreme odmiče, i kada se ustanovi da stranac nije opasan, mogu se razviti prijateljski odnosi. Argumenti u prilog učesničkom posmatranju su to što se podaci prikupljaju iz prve ruke - direktno, a metoda se pri tome oslanja na jednostavne i jeftine postupke. Dobijeni podaci su detaljni, bogati uvidom, kontekstualni i ekološki valjani. Argumenti protiv ove metode su nedostatak objektivnosti, nesistematsko prikupljanje podataka, moguć i verovatan uticaj posmatrača na posmatrano ponašanje, verovatna nemogućnost ponavljanja i, pre svega, teškoće beleženja posmatranog. Za prikupljanje podataka, pravljenje i čuvanje zabeleški iz učesničkog posmatranja, kao i za načine analize tih podataka postoje brojne preporuke u literaturi. Neke od tih tehnika će ovde biti spomenute u okviru drugih metoda (posmatranje, analiza sadržaja, utemeljena teorija i sl.). Medutim, beleženje podataka je generalno problematično, pogotovo ako je učešće inkognito, i vrlo često se obavlja uveče, kad je istraživač sam. Socijalni psiholog Leon Festinger se sa saradnicima priključio jednom kultu i vršio učesničko posmatranje tokom dva meseca pred i mesec dana iza datuma kada je vođa kulta predvidela da će biti kraj sveta. Svojim sledbenicima ona je rekla da je dobila pisanu poruku od vanzemaljaca da će tog dana, pred zoru, poplava obuhvatiti ceo kontinent. Međutim, ona je našla rešenje za njih tako što će tačno u 16 sati prethodnog dana leteći tanjiri sleteti u njeno dvorište i odvesti „izabrane” na drugu planetu. Nekoliko dana pre rečenog datuma, mnogi članovi kulta su dali otkaz i potrošili uštedevinu. U predviđeno vreme čekali su leteće tanjire sa kaputima u rukama, ali leteći tanjiri nisu došli, niti je bila propast sveta. Unatoč tome, oni nisu izgubili veru, nego su ceo događaj protumačili kao „vežbu” za stvarno spasenje. Ovo istraživanje je, izmedu ostalih, Festinger iskoristio za stvaranje svoje teorije kognitivne disonance, koja kaže da Ijudi nastoje da zadrže svoja uverenja, čak i ako su očigledno pogrešna, tako što smišljanju novu argumentaciju za njih.
Inkognito učestvovanje. - U literaturi se sreću različiti nesporazumi i nesuglasice oko toga da h istraživač-posmatrač treba javno da učestvuje, ih može biti prisutan inkognito ukohko smatra da ga Ijudi u zajednici ne bi prihvatiU, ili bi izmeniU ponašanje zbog njegovog prisustva. Neki čak podrazumevaju da je učesničko posmatranje inkognito. Inkognito učestvovanje je pogodno jer se eliminiše interakcija posm atračposmatrani, a ponekad je to i jedini način kada grupa ne bi prihvatila istraživača (npr. posmatranje kriminalnih grupa). Međutim, u tom slučaju je veoma teško sprovesti postupke posmatranja i registrovanja ponašanja, a nameću se i moralna pitanja. Na primer, istraživač može doći do saznanja da grupa priprema neki protivzakonit akt. U tom slučaju on može posmatrati, a ne mora učestvovati, ili može učestvovati samo jednom, pa se povući, ili može i posmatrati i učestvovati
stalno. Tajno posmatranje može ugroziti privatnost posmatranih. Poznato je istraživanje u kome se istraživač sakrivao pod krevete u studentskom domu da bi čuo šta stTidenti razgovaraju između sebe. S dmge strane, posmatrač koji učestvuje inkognito može biti izložen ozbiljnoj opasnosti ukoliko se njegova uloga otkrije. Postoje i varijacije u pogledu stepena tajnovitosti posmatranja. Recimo, samo neki članovi grupe mogu znati za posmatrača, obično oni koji su odobrili i pripremili njegovo prisustvo, a dnigi ne. Ili, posmatrač može biti javno prisutan u grupi, ali da ostali članovi grupe ne znajuprave ciljeve istraživanja. Posmatrač može biti redovan član kolektiva, ali angažovan da sprovede posmatranje. Može biti prisutan kao privremeni član, recimo kao nastavnik na zameni. Međutim, od posmatrača se očekuje da ostvari distancu prema grupi kako bi mogao biti objektivan. Uglavnom, postoji niz prelaza i nijansi između prirodnog i učesničkog posmatranja. Recimo posmatranje može početi kao neposredno, pa preći u inkognito učesničko, pa na kraju u javno učesničko (nakon što članovi steknu poverenje u istraživača). Povezana sa pitanjem javnog ili tajnog učestvovanja su moralna pitanja u odnosu na ispitanike. Tamo gde je moguće, od ispitanika treba dobiti informisanu saglasnost, a tamo gde nije moguće, sa ispitanicima treba obaviti izlazni intervju. Otkrivanje uloge posmatrača može ostaviti negativne emocije kod ispitanika, a može ugroziti i posmatrača. Zato treba razmotriti pitanja minimalnog rizika i obaviti analizu gubitaka i dobitaka.
D. Psihološko testiranje
Prvo i najvažnije što treba reći je da je oblast psihološkog testiranja isuviše obimna za iole detaljniji prikaz. Ni u samoj psihologiji ne postoji neka zasebna oblast koja se time bavi, nego svaka grana psihologije ima svoje testove, svoj pristup i metode testiranja. Postoji jedna grana psihologije koja je posvećena konstrukcijipsiholoških mernih instrumenata - psihom etrija. Psihometrija se ne bavi Ijudima, nego testovima, i zato u tipičnim udžbenicima psihometrije nema podataka o specifičnim.testovima, njihovom načinu primene i normama (Nunnally i Bemstein, 1994, Rust i Golombok, 1999).
1.
Definicije testa
Osnovna defmicija testa je da je to psihološki merni instrument. Ta defmicija je kohko jednostavna, toliko i kvalitetna. U njoj se spominje naučna
disciplina u kojoj se primenjuje i spominje se merenje kao suština postojanja i primenjivanja testa. Skoro analogna defmicija je ta da je test sredstvo za utvrđivanje individualnih razlika. U uvodnim poglavljima o teoriji merenja videli smo da je suština merenja ponašanja upravo u registrovanju individualnih razlika. Mnogo detaljnija defmicija testa je da je to standardizovani postupak za izazivanje određenog ponašanja pomoću proverenih draži na osnovu koje se ispitanici porede po osobini koja je predmet merenja. Izraz „standardizovani postupak” ukazuje na jednu vrlo važnu stvar: sve što se tiče jednog testa mora biti jednako za sve ispitanike na kojima se primenjuje. Tuspadanačin zadavanja (npr. grupno-individualno), uputstvo koje se čita ispitanicima, redosled ajtema, format ajtema, način ocenjivanja testa, način tumačenja dobijenog skora i sve druge stvari koje mogu biti relevantne za neki test. Generalno rečeno, baš ništa u testu se ne sme menjati, ništa se ne sme izostaviti i ništa se ne može dodati (ipak, treba pogledati poglavlje o računarskom adaptivnom testiranju). Izraz „izazivanje određenog ponašanja pomoću proverenih draži” označava jednu opštu psihološku paradigmu da je svako ponašanje reakcija na draž, zatim da mi ciljno, namemo i sistematski pomoću testa izazivamo odredena ponašanja i to pomoću draži koje su proistekle iz složenog postupka konstrukcije testa. Praktično, draži su u ovom kontekstu stavke testa. Izraz „porede po osobini” izražava jedan važan stav koji je istaknut u uvodnimpoglavljima u teoriji m e re n ja -u društvenim naukama uopšte poredakje optimalan cilj merenja (I Kembelov zakon merenja). Naravno, psiholozi čine sve da psihološko merenje učine kvantitativnim, odnosno da ispitanikkoji dobije skor 20 bude isto toliko udaljen od ispitanika koji je dobio skor 15, kao što su medusobno udaljeni ispitanici sa skorovima 30 i 35 (što je svojstvo intervalne skaie). Treba obratiti pažnju da se na skoro identičan način mogu defmisati i sve dmge metode kojima se prikupljaju podaci o individualnim razlikama, dakle na sve merne instmmente u naukama o ponašanju.
2.
Vrste testova
Da bismo pomenute defmicije testa učinili jasnijim, prikazaćemo neke osnovne podele psiholoških testova. Testovi ličnosti - testovi sposobnosti. - Ovo je jedna veoma značajna razlika. Tu razliku neki formulišu kao razliku između testova tipične aktivnosti i testova maksimalne aktivnosti, a neki dmgi kao razliku između testova unutrašnjeg ocenjivanja i testova spoljnog ocenjivanja. O čemu se tu radi? Testovi ličnosti, u principu, žele da otkriju kakva sa ispitanikova tipična ponašanja, tipična razmišljanja, zebnje ili stavovi. Pri tome, ocenu o tome daje sam ispitanik; on na pitanje: ,,Da U često razmišljate o greškama u prošlosti?” daje odgovor na
osnovu samoprocene vlastitog ponašanja. Međutim, ako mu se postavi pitanje kao što je: (3* + 5)/(7 x ci)=5, a umesto praznog kvadrata treba umetnuti jedan od ponuđenih brojeva: 0, 1, 3, 5, onda se ispituje koliko maksimalno niože da postigne ispitanik (a ne tipično) u sferi numeričke inteligencije. Pri tome, tačnost njegovog odgovora ne ocenjuje on sam, nego psiholog koji ocenjuje test. Značaj razlike se ogleda u tome što je kod ocenjivanja testova sposobnosti situacija „mnogo čistija”. Traži se maksimalni učinak, a odgovore ocenjuje psiholog. Objektivnost ocenjivanja je očigledno principijelno veča nego kad ispitanici prvo ocenjuju šta znači „često” ih „retko”, a zatim ocenjuju da li oni spadaju u „često” ih u „retko” . Stavke (ajtemi) u testovima sposobnosti se obično nazivaju zadacima, a stavke u testovima ličnosti pitanjima. Neki autori vide u testovima hčnosti, odnosno testovima koji se zasnivaju na samoproceni, metodološki kontrapunkt neposrednom posmatranju - posmatra n je samog sebe, tj. introspekeiju. V erbalni testovi - neverbalni testovi. - Verbalni testovi sadrže pitanja i zadatke koji su formuhsani prirodnim jezikom. Neverbalni testovi sadrže pitanja i stavke koji su grafički ili numerički. Naravno, nema potpuno neverbalnog testa - tu su uputstva, vežbe, nibrike za upisivanje ličnih podataka i sl. Testovi pap ir-o lo v k a - testovi izvođenja. - Papir-olovka testovi su, kao što im naziv kaže, odštampani na papiru i odgovori se daju upisivanjem. Testovi izvodenja se često nazivaju test aparatima. To su uredaji, manje ili više složeni, a danas vrlo često računarski kontrolisani, ili neki predmeti (kao što su kocke) čijom manipulacijom ispitanik ispoljava svoje osobine i sposobnosti. S tru k tu risan i testovi - n estrukturisani testovi. - Ova razlika se u priličnoj meri poklapa sa nekoliko drugih dimenzija razlikovanja: objektivni iestovisubjektivni testovi, neprojektivni testovi-projektivni testovi, testovi sa predloženim odgovorima-testovi sa slobodnim odgovorima. Strukturisani testovi se sastoje od stavki koje su jasne; pitanja su jasno postavljena, a za odgovore je nedvosmisleno kakvi treba da budu, ili je čak ponuđen jedan manji skup mogućih odgovora, izmedu koji ispitanik bira jedan. Ove testove je lako oceniti (objektivnost), a sve je učinjeno da svi ispitanici jednako shvate šta pitanje ili zadatak znače i kakav može da bude njihov odgovor. Kod nestrukturisanih testova pitanja su postavljena nejasno, pa čak to uopšte ne moraju biti pitanja, nego neke slike ili situacije koje ispitanik mora da komentariše (stavke u takvim testovima su, u psihološkom rečniku, draži). Odgovori takođe nisu ničim diktirani, osim što psiholog traži od ispitanika da reaguje na ajteme. Pošto su stavke i odgovori nejasni, svaki ispitanik može da ih shvati na svoj način. U psihologiji se to kaže da se ispitanik „projektuje”, odnosno da stavkania testa pridaje značenje u skladu sa svojim skrivcnim željama, porivima, strahovima i konfliktima. Po pravilu, odgovori na nestrukturirane, odnosno projektivne testove su slobodni, otvoreni, pa postoji opasnost darazličiti ocenjivači daju različite ocene testa (neobjektivnost). Naravno, projek-
tivni testovi su testovi ličnosti i najčešće se koriste u kliničkoj psihologiji. U javnosti su poznate obične mrlje od obojenog mastila čiji autor je Herman Rorscliach, zatim Test Tematske Apercepcije (TAT) koji sadrži shke sa neutralnim sadržajem (npr. dečak sedi na stepenicama), Test nedovršenih rečenica (npr. Moja majka j e ___________^) itd. Čitalac će uočiti da se strukturisani testovi potpuno uklapaju u kvantitativnu perspektivu, a nestrukturisani testovi u kvalitativnu. lako se psihološko testiranje tradicionalno tretira kao kvantitativna metoda, projektivni testovi bacaju na to odredenje drukčije svetlo. G rupni tcstovi - individualni tcstovi. - Malopre spomenuti projektivni testovi su skoro uvek individualni testovi. To znači da ih psiholog zadaje jednom ispitaniku u svojoj ordinaciji. Grupni testovi su obično testovi sposobnosti, papirolovka testovi i strukturirani testovi. Grupni testovi se po pravilu mogu zadavati individualno, dok se individualni testovi ne mogu zadavati grupno. Za neke od individualnih testova postoji modifikovana verzija koja može da se primenuje grupno. Testovi brzine - testovi snage. - Ova podela se odnosi na testove sposobnosti. Idealan brzinski test se sastoji od vrlo lakih stavki, koje svi ispitanici mogu da reše, ali je vreme rešavanja testa ograničeno. Kod testova snage zadaci su poredani od lakših ka težim, najlakše mogu da reše skoro svi ispitanici, a najteže samo vrlo retki. Vreme rada nije ograničeno. U praksi ne postoje takvi idealni testovi; nema tako lakih zadataka koje mogu svi da reše (osim trivijalnih, koji ne mere ništa) i nema testova kod kojih je vreme rada neograničeno (iz praktičnih razloga). Važno je znati da kod testova brzine postoji priličan problem odredivanja memih karakteristika. Osim ovih podela postoji još izvestan broj drugih podela za koje se čini da u ovom kontekstu nisu od značaja.
3.
Delovi testa
Kroz tumačenje tipova testova spomenut je osnovni deo testa: stavka, ajtem ili čestica. U testovima ličnosti to je jedno pitanje, a u testovima sposobnosti to je jedan zadatak. Stavke u psihološkim testovima imaju vrlo različite fonnate. Sve stavke se sastoje iz stabla stavice i lcategorija ili alternativa, odnosno mesta za odgovore (Fajgelj, 2005). F orm ati stavld. - Može se razlikovati a) format ocenjivanja stavke i b) fonnat zadavanja stavke. Po fonnatu ocenjivanja, stavke se dele na tri osnovna formata: binami-dihotorrmi, nominalni i ordinalni. Dihotomno se stavke ocenjuju obično kao tačno-netačno, nominalno tako da svaki odgovor dobije svoju oznaku/numeral, a ordinalno tako da se odgovori rangiraju po nekom svojstvu. Što se tiče formata zadavanja, ili prezentiranja, stavke se mogu deUti na više načina. Recimo, na verbalne, neverbalne, računske, grafičke, otvorene, zatvorene,
ikoničke, manipulativne itd. Kada je reč o verbalnim, štampanim testovima, stavke se po načinu prezentiranja dele na: a) dihotoiTine, b) politomne i c) stavke sa otvorenim ili konstruisanim odgovorima, Politomne stavke se, opet, mogu podeliti na: a) pitanja sa višestrukim izborom (PVI) i b) pitanja sa uređenim ili ordinalnim kategorijama, Na binarne ili dihotomne stavke se može odgovarati samo na dva načina: tačno-netačno, da-ne, ili nekim sličnim izborom izmedu dve mogućnosti. Pitanja sa višestrukim izborom - PVI, su nadaleko poznata iz testova postignuća (znanja) i sastoje se iz stabla koje je obično formulisano kao upitna rečenica i tri ili više kategorija od kojih je jedna najtačnija, a ostale se nazivaju distraktorima. Vrlo čest i poznat fo m at stavki iz verbalnih testova ličnosti je sa tzv. uređenim (ordinalnim) kategorijama. U glavi o merenju stavova prikazane su Likertove skale koje sadrže stavke sa ordinalnim kategorijama. Danas se za sve stavke koje imaju evivalentan format kaže da su Likertove, bez obzira da li služe merenju stavova ili ne. Verovatno najčešća verzija stavki u Likertovom formatu ima 5 kategorija-ahemativa, označenih numerički sa I do 5, a tekstualno sa: „uopšte se ne slažem”, ,,ugIavnom se ne slažem”, „neodlučan sam”, „uglavnom se slažem” i „potpuno se slažem”. Jednu od ovih kategorija bira ispitanik kao svoj odgovor na stablo stavke koje je formulisanu u vidu tvrdnje: npr. „Više volim da pročitam dobru knjigu nego da uveče izađem sa društvom” ili „Ono što je ovoj zemlji najviše potrebno to je par odlučnih vođa”. Broj kategorija nije uvek pet, nego se kreće od tri do najviše deset (jer ogromna većina ispitanika ne može da razhkuje više od nekoliko stepeni svojih osećanja). Ako postoji neparan broj altemativa, onda srednja (neutralna) označava srednje prisustvo osobine koja se meri. Nažalost, ispitanici biraju tu kategoriju i kada ne žele ili ne znaju da odgovore, pa se ponekad pokušava da se eliminiše srednja kategorija tako što se odabira paran broj kategorija, kako bi se ispitanici prisilili da „zauzmu stav”, ili tako što se uvodi posebna kategorija „ne znam” i/ili ,,ne želim da odgovorim”. U testovima sposobnosti broj fomiata stavki je ogroman; kao što je jedan psiholog konstatovao, samo inteligencija konstmktora testa ograničava format stavke u testu inteligencije, Vrlo često se koriste foraiati tipa analogija (mačka : miš = zmija : ________ ) i tipa popunjavanja nedostajućeg elementa (1, 3, 5, _____ ), Ovi poslcdnji mogu biti u verbalnoj, numeričkoj ili grafičkoj varijanti. kada se često nazivaju zadacima kompletiranja matrice, npr.:
1
3 18 25
15 23 12
o 8
Pored stavki, test može da sadrži i podtestove (subtestove), koji predstavljaju grupe ajtema koji mere istu stvar. Kad test ima podtestove, onda on obično meri više stvari (npr. ekstraverziju, neurotičnost i impulsivnost). Kod svih testova je veoma važno uputstvo za odgovaranje. Uputstvo za odgovaranje mora biti odštampano na samom testu i administrator testa (osoba koja test zadaje) ga mora pročitati takvo kakvo je. To je važno zato da bi svi ispitanici, uvek, dobili jednako uputstvo. Značaj dobrog uputstva je posebno važan za testove sposobnosti. Osim uputstva, testovi sposobnosti po pravilu imaju i deo zaprim er i deo za vežbu. To su jednostavni zadaci na kojima se demonstrira način odgovaranja (primer) i na kojima se proverava da li su ispitanici razumeli šta se od njih traži (vežba). Ukupan skor testa je po klasičnoj testnoj teoriji (koja danas ima jaku ahernativu u tzv. teoriji ajtemskog odgovora - TAO) zbir odgovora na pojedinačnim stavkama. Ako su stavke u tzv. binamom formatu (tačno-netačno, kakva je većina stavki u testovima sposobnosti, ih da-ne), onda je to prosto broj tačnih odgovora, odnosno broj pozitivnih odgovora. Ako su stavke u formatu „potpuno se siažem - uopšte se ne slažem”, a altemative nose brojeve (ocene) 1, 2, 3,..., onda ukupni skor čini zbir ocena sa svake stavke.
4.
Konstrukcija testa
Tokom konstrukcije testa postoji jedan iterativni proces u kojem se obično počinje od neke teorije (npr. teorije ličnosti) koja defmiše i opisuje osobinu koju želimo da merimo. Iz teorije se zatim izvlače konzekvence koje ta teorija predviđa u ponašanju Ijudi koji poseduju tu osobinu. Ova opšta ponašanja o kojima govori teorija (recimo da se voli dmštvo, da se ne odustaje od svog mišljena itd.) nazivaju se indikatorima (v. glavu o varijabli) i dalje se konkretizuju sve dok se ne svedu na stavke koje se mogu prezentirati ispitanicima. Skup tako nastalih stavki, obično znatno veći od broja koji će konačno ući u test, zadaje se uzorku ispitanika. Dobijeni podaci, koji su u obliku matrice „ispitanici x stavke”, podvrgavaju se postupku ajtem analize tokom koje se utvrđuju merna svojstva kako svih ajtema pojedinačno, tako i testa u celini. Ajtemi koji imaju loša merna svojstva se odbacuju, a oni koji imaju dobra merna svojstva se zadržavaju. U toj fazi se proverava i validnost čitavog testa, kao i validnost svake stavke ponaosob, kako bi se videlo da h sve stavke imaju zajednički predmet merenja (zajedničko jezgro) i da h je taj predmet ono svojstvo koje smo želeli da merimo. Ova vrsta valjanosti se obično naziva konstmktivnom i najčešće se proverava faktorskom ajtem analizom. Osim valjanosti, u fazi konstmkcije testa se ispituje i pouzdanost stavki i ukupnog skora testa. Najčešće je to pouzdanost inteme konzistencije iskazana preko koeficijenta pouzdanosti koji se zove Cronbachova alfa.
Ako valjanost i pouzdanost nisu zadovoljavajuči, najverovatnije će celokupan test morati pretrpeti reviziju - počevši od polaznih teorijskih osnova, preko izbora ponašanja, pa do konkretizacije stavki. Konačna fonna testa se može ponovo administrirati na uzorku ispitanika kako bi se proverila ispravnost zadržanih ajtema i prethodnih zaključaka o pouzdanosti i valjanosti (recimo, odbacivanjem nekih ajtema, bez obzira što oni nisu imali dobre metrijske karakteristike, ajtcmi koji su ostali mogu promeniti svojstva). U zadnjem koraku konstrukcije testa se odreduju norme testa. Za odredivanje normi testa je vrlo važno da uzorak na kome su prikupljeni podaci (tzv. normativni uzorak) bude reprezentativan za populaciju kojoj je test namenjen. Norme testa imaju zadatak da dalje doprinesu standardizaciji postupka testiranja i da izjednače sve ispitanike s obzirom na ocenjivanje testa i intepretaciju testnog skora. Dakle, ako su dva ispitanika odgovarala jednako (ekvivalentno) oni moraju dobiti jednak (ekvivalentan) skor i visina njihove osobine koja je merena mora biti ocenjena jednako. Normiranje testa se naziva još i baždarenjem. Na primer, to znači da ako su obojica rešila po 30 zadataka nekog testa, obojica će dobiti skor 30 i to će značiti da se nalaze na, recimo, 75-om percentilu, što će reći da u populaciji (pošto je normativni uzorak bio reprezentativan) postoji 75% Ijudi koji su lošiji od njih i 25% Ijudi koji su bolji. Norme se ne moraju prikazati u obliku percentila. Poznate su tzv. IQ norme kod testova sposobnosti (IQ skala ima artimetičku sredinu 100 i standardnu devijaciju 15), a mogu se koristiti i z-skorovi (videti glavu o statistici), T-skorovi, C-skorovi itd. Često se cela faza konstrukcije testa tokom koje se odreduju mema svojstva testa i norme testa naziva standardizacijom testa. Poznato je da testovi menjaju svojstva tokom vremena, iz raznih razloga, a moguće su i greške i pristrasnosti tokom standardizacije testa. Zato se testovi podvrgavaju naknadnim proverama i restandardizacijama. Ako se preuzme test iz nekog drugog jezika, on se nakon prevoda (ako je verbalni) mora tretirati kao novi test i proći sve faze konstrukcije. Neverbalni testovi mogu biti manje kritični, jer se ne prevode, ali je bogata psihološka praksa pokazala da i grafički testovi zavise od kulture (npr. ako se koristi silueta igrača skvoša, sva je prilika da u mnogim delovima sveta ona neće biti prepoznata).
5.
Modeli merenja i teorije testova
Memih svojstava, ili metrijskih karakteristika postoji mnogo. Koja svojstva će biti izračunata i kako će biti izračunata, zavisi dobrim delom od mernog modela koji je konstmktor usvojio prilikom konstmkcije i standardizacije testa. Treba odmah reći da se modeli merenja ne odnose samo na psihološke testove, nego i na sve druge meme instrumente čiji fomiat je ekvivalentan psihološkim testovima (v. poglavlja o upitniku i intervjuu).
Klasična testna teorija je počela sa Sir Charlesom Spearmanom 1904. godine, kada je taj isti autor položio i temelje faktorske analize. Spearman je, takođe, poznat kao autor g-faktora, odnosno opšteg faktora inteligencije. Klasična testna teorija se zasniva na ukupnom skoru testa (tzv. sumacionom skoru) i na podeli tog skora na dve komponente: pravi skor i skor greške. Ta podela skora se obično naziva klasičnim modelom merenja i obično se piše kao: Z = T + E.
[20]
Ova podela ne važi samo za ukupni skor, nego i za sve druge dobijene skorove i mere; od skora na pojedinačnoj stavki-pitanju, preko skora na podtestu ili podskali, do skora na čitavom testu ili upitniku. Zato sc obično uvodi opšti izraz indikator koji obuhvata sve ove delove testa ili upitnika. Iz statističke teorije se zna da se dve varijable mogu sabrati samo ako se uzme u obzir i njihova interkorelacija, dakle varijansa zbira varijabli 6 i c bi bila cr^„=o^i, + + ^fbc^b'^c- S obzirom da u gomjem klasičnom modelu nema izraza za kovarijansu varijabli T i E, sledi jedna od najvažnijih pretpostavki klasičnog modela: greške nisu u korelaciji sa pravim skorom - r-j-^ = 0. Pored toga, postavlja se i pretpostavka da greške raznih indikatora nisii međusobno u korelaciji - r^,^, ~ 0Ovaj maksimalno jednostavni model je i danas vrlo prisutan u psihometriji i u svim naukama o ponašanju u kojima se konstruišu memi instrumenti sastavIjeni iz stavki, pitanja ili zadataka. Iz njega je izvedena većina formula za određivanje metrijskih svojstava stavki i memih instrumenata. Međutim, klasični model ima dva značajna nedostatka: a) on je uvek tačan, kako bi rekli matematičari, odnosno ne pruža nikakav način da se oceni koliki su T i £ i b) pretpostavke o nekoreliranosti grešaka mogu eventualno da važe samo za „obične” greške merenja (koje smo u glavi o individualnim razlikama nazvali pr\'im izvorom individualnih razlika), dok su za sve druge izvore „neželjenih” varijacija nerealne. Kako bi se ispravio jedan od ovih nedostataka, oba nedostatka, ih neki treći nedostaci, odnosno kako bi se unapredilo merenje u psihologiji, ali i svim društvenim naukama u celini, tokom XX veka izmišljeni su mnogi novi modeli merenja i teorije testova. Jedno od unapredenja klasičnog modela je model uzorkovanja iz domena (engl. domain sampling), koji pretpostavlja da su stavke koje su odabrane za test samo uzorak iz univerzuma (domena) svih stavki koje mogu da mere tu osobinu. Iz ovog m,odeIa su nastali modelLouisa Gutlmana, baziran na njegovoj teoriji imaža, i teorija generalizabilnosti Lee Cronbacha. Drugu polovinu XX veka društvenu teoriju merenja obeležio je razvoj tzv. teorije ajtemskog odgovora - TAO (engl. Item Response Theory - IRT), koja je dala iTinoga altemativna tumačenja pojmova, innoge nove načine izračunavanja metrijskih svojstava i otvorila nove mogućnosti merenja u naukama o ponašanju (Hambleton i sar., 1991). TAO se najbolje može predstaviti putem karakteristične krive stavke ili ajtema (KKS), ili krive ajtemskog odgovara (engl. Item Characteristic Curve ICC), prikazane na slici 5. Na slici je prikazan najjednostavniji slučaj stavke sa binamim formatom. Na apscisi je visina merene osobine (označena sa 8), a na
ordinati verovatnoća da će ispitanici odgovoriti sa „tačno” ili „da” (označena sa p). Vidimo da ispitanici koji imaju nizak nivo osobine imaju malu verovatnoću tačnog odgovora, a oni koji imaju visoku osobinu će skoro sigumo odgovoriti pozitivno. Formula za izračunavanje verovatnoće da će ispitanik i tačno odgovoriti na ajtem j (štoje označeno k a o ^ - 1 ) je:
[21] i u psihometriji je poznat kao troparametarski logistički TAO model (Fajgelj, 2005). Ajtem čija je karakteristična krivulja prikazana ima nešto ispodprosečnu težinu, Sj = -0,3.
Slika 5. Karakteristična krivulja stavke (KKS), odnosno kriva ajtemskog odgovora. Generalno, u matematici i statistici, krivulje koje imaju oblik kao na slici 5 se nazivaju ogivama ili sigmoidalnim krivama.
6.
Merna svojstva stavki I testova
T ežina stavke. - Ovaj naziv se standardno koristi u psihometrijskom žargonu i potpuno je tačan kada se radi o stavci iz testa spobnosti. Kod testova ličnosti, ako pitanje glasi „da li mnogo čitate”, nije potpuno opravdano govoriti o „težini stavke”, ali je ipak intuitivno jasno. Težina stavke se izražava verovatnoćom odgovora „tačno” ili ,,da” na biname stavke. Ako na reprezentativnom uzorku 80% Ijudi odgovori sa „da”, onda će indeks težine stavke biti 0,80. Nažalost,
pažljivom čitaocu će odmali biti jasno da „težina stavke” zapravo označava „lakoću stavke”, jer raste kako težina opada, što je još jedna protivrečnost u ovom memom svojstvu. Kod stavki koje nisu binam e je pitanje težine stavke nešto složenije. Npr. u stavkama sa Likertovim formatom može se izračunati težina svake kategorije (verovatnoća njenog izbora), a mogu se i sabrati verovatnoće pozitivnih i negativnih kategorija. Takođe, pošto se za stavke sa višestrukima uređenim kategorijama odgovora može reći da imaju svoj vlastiti skor, može se izračunati aritmetička sredina odgovora svih ispitanika. Na primer, ako se radi o petostepenim stavkama u Likertovom formatu, jedna stavka sa M =l,8 bi bila „teška stavka” jer se sa njom retko ko slaže, a neka druga sa M=4,2 bi bila „laka stavka” jer se većina ispitanika sa njom složila. Težina stavke utiče na veliki broj drugih memih svojstava. Naime, ako je stavka veoma „laka” ili „teška”, onda to za sobom povlači smanjeni varijabilitet te stavke. Iz poglavlja o korelaciji i regresiji možemo zaključiti da varijable sa smanjenim varijabilitetom (što se u psihometriji naziva restrikcijom opsega) ne mogu da imaju visoke korelacije sa drugim varijablama. Pošto se veliki broj memih svojstava stavki i testova bazira na interkorelacijama stavki i korelacijama stavki sa ukupnim skorom testa, proizlazi da će stavke sa ekstremnim indeksima težine verovatno imati loša mema svojstva. U TAO se težina stavke defmiše položajem KKS za tu stavku na apscisi, odnosno parametrom 5j (v. sliku 5). Analogno težini stavke, može se defmisati težina celog testa. Težina testa se najbolje uočava iz distribucije ukupnih skorova testa, ako je pozitivno asimetrična test je lagan, a ako je negativno asimetrična, test je težak. D iskrim inativnost stavke. - Diskriminativnost stavke je, generalno rečeno, svojstvo stavke da razlikuje ispitanike sa niskim nivoom crte od onih sa visokim nivoom crte. Stavka iz testa sposobnosti koju rešavaju podjednako neinteligentni i inteligentni ispitanici, odnosno koju podjednako ne rešavaju ni jedni ni drugi je primer potpuno neđiskriminativne stavke. U klasičnoj teoriji testa se diskriminativnost najčešće izražava kroz korelaciju stavke sa ukupnim skorom testa, tzv. ajtem-total korelacijom. Ako se radi o binamoj stavci, onda se tradicionalno koristi point-biserijalna korelacija, a za stavke politomnog formata se uobičajeno koristi Pirsonov r. Point-biserijalna korelacija je direktno izvedena iz Pirsonove (Hnearne iU produkt-moment) korelacije radi lakšeg ručnog računanja i te dve formule daju jednake vrednosti kada je jedna varijabla dihotomna, a druga kontinuahia. Zato je bespotrebno računati bilo šta osim običnog r. Ranije su se koristili razHčiti dmgi pokazatelji diskriminativnosti, a i danas se koriste (v. poglavlje o Likertovim skalama). Jasno je da po klasičnoj teoriji testa postoji vrlo jaka veza između težine stavke i diskriminativnosti - vrlo lake ih vrlo teške stavke slabo razHkuju ispitanike. U TAO modeHma diskriminativnost se izražava nagibom krivulje ajtemskog odgovora - ogive. Nagib je na sHci prikazan uglom aj. Što je ogiva
strmija, to stavka bolje razlikuje niske od visokih ispitanika. Stavka koja je idealno (maksimalno) diskiiminativna bila bi stepenasta, a stavka kojoj je diskriminativnost nulta bila bi potpuno ravna - horizontalna. Diskriminativnost testa se takođe najbolje uočava iz distribucije ukupnih skorova. Leptokurtične distrubucije, zašiljene, imaju smanjenu varijabilnost i slabo razHkuju ispitanike. Isto tako, jako nagnute distribucije, na jednu ih na drugu stranu, takođe imaju oštećenu mogućnost razhkovanja ispitanika. Preostala dva fundamentalna klasična mema svojstva; pouzdanost i valjanost, biće objašnjena u zasebnim poglavljima.
7.
Računarsko adaptivno testiranje
lako se o adaptivnim testovima govorilo i ranije, a neki su i postojali (npr. poznata Binet-Simonova skala za testiranje dečje intehgencije je delimično adaptivni test), pravu njihovu primenu su omogućili TAO modeli. Naime, kao što se kasnije videti u poglavlju o pouzdanosti merenja, TAO modeli su otkrili „novo pravilo merenja” po kome će test biti pouzdan ako se ispitanicima daju ajtemi koji su po težini bliski nivou njihove crte. Pretpostavka računarskog adaptivnog testiranja - KAT (engl. computer adaptive testing ~ CAT) je postojanje banke podataka. Banka podataka j e skup ajtema sa poznatim mernim svojstvima. U merna svojstva, kao prvo, treba iibrojati težinu ajtema, zatim diskriminativnost, faktorsku valjanost, kao i druga svojstva ajtema kao što su polna pristrasnost i oblast (ako se radi o testu znanja). Nakon toga se može napraviti računarski program koji ispitaniku nudi na odgovaranje ajtem po ajtem, i to tako da na osnovu nekog od TAO modela posle svakog ajtema izračunava nivo sposobnosti (skor) ispitanika i daje mu onaj ajtera koji je za tog ispitanika „srednje težak”, tačnije koji taj ispitanik ima 50% verovatnoće da reši. Izraz adaptivno proističe iz toga što se težina testa adaptira nivou osobine kod ispitanike. Kao posledica toga, različiti ispitanici dobijaju razUčite stavke; s\’ako rešava drukčiji test, pa čak i različite dužine. Adaptivni testovi su zato po pravilu kraći i pouzdaniji od fiksnih, neadaptivnih testova. Dosadašnja primena KAT-a je obuhvatila različite testove sposobnosti, testove postignuća i testove podobnosti.
8.
Nekoliko opštih komentara o psihološkom testiranju
Zbog obimnosti problematike, teško je dati opštu ocenu ove kvantitativne metode. Jedna stvar koju treba odmah reći je da, iako kvantitativna, metoda psihološkog testiranja ima i projektivne testove koji bi u opštoj taksonomiji socijalnih istraživanjabili sigumo razvrstani u kvalitativne metode. Na odgovorima iz tih testova bi se mogla primeniti analiza sadržaja. Psiholozi nisu eksplicitno
koristili analizu sadržaja tokom konstrukcije i standardizacije ovih testova, ali je opšti postupak bio upravo takav. Na primer, za ocenjivanje tih testova se koriste kategorije kao što su: boja, pokret, položaj, detalji itd. prema kojima psiholog kodira odgovore ispitanika i skoruje ih. Psihološki testovi su jedan od osnovnih alata u psihološkom ocenjivanju (pored intervjua i nekih drugih tehnika). Postoje neke relativno pouzdane procene 0 broju testova koji su dosada konstruisani i one se kreću na desetine hiljada. S obzirom da testovi mogu značajno da utiču na život pojedinaca (profesionalna selekcija, dijagnostika, sudsko veštačenje itd.), kao i zbog drugih etičkih pitanja, psihološki testovi su pod manje-više efikasnom kontrolom profesionakiih udruženja. Na primer, u Srbiji je za izdavanje testova zadužen Centar za primenjenu psihologiju Društva psihologa Srbije, Beograd, Đušina 7/III. Testovi koje izdaju profesionalna udruženja su zaštićeni zakonom, licencirani su (u smislu da poseduju odobrenje izdavača ako su prevedeni) i dobijaju se na komercijalnoj osnovi, uz obavezni dokaz o stručnoj osposobljenosti (npr. fotokopiji diplome). Pored ovakvih testova, psiholozi neprekidno konstruišu različite testove koje koriste u naučnim istraživanjima. Većina ovakvih testova ne nalazi kasniju primenu, ali poneki postanu vrlo poznati. U anketnim istraživanjima se često koriste skraćeni psihološki testovi; npr. po 5 ajtema iz nekoliko testova. Skraćene verzije testova se prave uglavnom zato da bi se mogle uključiti u anketne upitnike koji su ionako pretrpani pitanjima. Međutim, treba biti potpuno svestan da je takav „test” potpuno novi test, bez obzira što sadrži ajteme iz poznatog testa i da nema nikakve osnove da se tretira kao mera osobine koju meri izvomi test. Dakle, ako istraživač pretenduje da je skraćenom verzijom izmerio neku psihičku osobinu, on to mora dokazati na isti način kako se dokazuje tokom konstrukcije testa. Dakle, ajtem analizom, određivanjem memih svojstava, odredivanjem pouzdanosti i validacijom.
E.
Skale procene
Skale procene (engl. rating scale) obuhvataju vrlo širok krug namena, primena i formata. U literatiiri se mogu sresti primeri koji se protežu od nominalnog do intervalnog nivoa merenja, od binamih do otvorenih stavki, od procenjivanja dmgih do procenjivanja sebe, odprocenjivanjaponašanja do procenjivanja osobina ličnosti. Do danas se mnogo uradilo na tome da skale procene postanu skale u formalno teorijskom pogledu, u pogledu fiindamentalne kvantifikacije osobine koja se procenjuje. Međutim, mnoge skale koje su u upotrebi uopšte nemaju za cilj kvantifikaciju osobine, nego najčešće ordinalnoprocenjivanje, a ponekad čak i nominalno. Pored toga, čak i za skale koje na to pretenduju, analize pokazuju da
ne sadrže kvantifikaciju osobine, odnosno da nisu dostigle intervalni nivo merenja. Prva važna podela skala procena je na dve situacije, odnosno postavke u kojima se primenjuju: a) kada neko kao ocenjivač procenjuje druge Ijude, pojave ili događaje, s obzirom na neka njihova svojstva, i b) kada pojedinci sami procenjuju svoja vlastita svojstva. U prvoj situaciji, u psiiaologiji, najčešće se procenjuje ponašanje drugih Ijudi. U drugoj situaciji procenjuju se vlastiti stavovi, mišljenja, osobine ili ponašanja. U prvoj situaciji se prikupljaju odgovori ocenjivača, procenjivača ili sudija, a u drugoj odgovori ispitanika. Međutim, osim razlika koje proističu iz namene i načina primene, nema principijelnih razlika u konstmkciji skala procene za jednu i za drugu situaciju. Skale samoprocene spadaju, prirodno, u oblast psihološkog testiranja i merenja stavova, pa ih nećemo ovde obradivati. Sledeća važna dilema oko toga šta jeste, a šta nije skala procene izvodi se iz neposrednog posmatranja i beleženja ponašanja. Naime, ako procenjujemo tude ponašanje, najjednostavniji način beleženja su liste označavanja ili kontrolne liste. One se veoma mnogo koriste u medicini, psihijatriji i kliničkoj psihologiji kao. tzv liste simptoma, na primer; 1. Usporeno govori 2. Koristi bizame izraze 3. Govori samo kad ga se pita. . . Kontrolne liste imaju binami format (v. psihološko testiranje) i ovde ih nećemo tretirati kao skale procene u užem smislu. U literaturi se ide i dalje, pa se kao skale procene opisuju i stavke koje imaju nominalni nivo i nazivaju se kvalitativnim. Kvalitativne skale procene se zasnivaju na deskripcijama, a ne nabrojevima, pa se nazivaju još i deskriptivnim skalama. Primeri ovakvih skala su: a) U začetku b) Nema veštinu
Početnički U toku ovladavanja
Razvija se Nezavisan Savladao veštinu
Ni ovakve kvalitativne i deski'iptivne skale nećemo tretirati kao skale procene u užem smislu. Posebno su problematične one „kvalitativne” skale koje se ne oslanjaju na stepenovanje, nego izvlače u prvi plan neke najviše istaknute osobine, ili modalitete objekata koji se ocenjuju. Na primer: 1. Vredan i miran na času 2. Posebno sklon matematici i prirodnim naukama 3. Inteligentan ali nezainteresovan. . . U školama su ovakve skale poznate kao „opisne ocene”. Ovde ih nećemo tretirati kao skale procene. Kod nas se često koristi naziv skale rangova. Međutim, to može dovesti do mešanja skale procena sa pitanjima u kojima se od ispitanika traži da rangira neke objekte ili svoja ponašanja i koja se na engleskom
nazivaju rartking scales ili rank order scales. Način na koji se od ispitanika zahteva rangovanje (npr. ne mora rangirati sve ponuđene objekte, nego samo prva tri), kao i zbog toga što se eksplicitno zahteva rangiranje a ne procenjivanje, čini da ni ovakve skale za rangiranja nisu skale procene u užem smislu. Dakle, stavku ćemo tretirati kao skalu procene samo u slučajevima: a) kada procenjivač ocenjuje druge Ijude, b) kada je skala-stavka politomna i c) kada skala-stavka ima minimalno uređene kategorije. Što se tiče ovog poslednjeg uslova, treba reći da psihometrijski modeli, posebno TAO modeli (v.), statističke tehnike za analizu skala procene i tehnike formiranja ukupnog skora, svi odreda podrazumevaju da su skaleprocene intervalne, da su kategorije ekvidistantne i da su rastojanja između kategorija (alternativa) jednaka kod svih ajtema u testu, bez obzira na težinu ajtema. Zbog ove konvencije istraživači obično tretiraju skale procene kao intervalne. Međutim, treba imati u vidu da praksa često demantuje ovu konvenciju. Svaka skala procene predstavlja stavku koja ima stablo i skalu odgovora (Trochim, 2000). Stablo je nekad impHcitno jer se iz skale odgovora zna šta se procenjuje, ili se za skup skala navodi isto stablo. Skalu odgovora čini skup alternativa. Skup alternativa može biti semantički, numerički ih grafički. Primer semantičkog kontinuuma je skup: „neprihvatljiv”, „prihvatljiv” i „dobar”. Pravila dobre skale procene - Šta je osnovni metrijski problem skala procene? Kada se formuUše egzaktno, psihometrijski, to je neujednačenprocesprocenjivanja kod svih ih kod istog procenjivača. A proces procenjivanja se sastoji o d skupapragova koje procenjivač prihvata da bi prešao sa jedne ocene na drugu. Da bi se smanjila mogućnost grešaka procenjivanja, skala treba da bude takva da je na isti način interpretiraju svi procenjivači i svi oni koji tumače ocene na skali da bi doneli neke odluke. Za sve učesnike kompletna skala, posebno njena skala odgovora moraju imati ista značenja. Postoje brojna iskustva i sugestije kako se to postiže. Recimo, skala odgovora: vrlo dobar
dobar
srednji
loš
vrlo loš
ne smatra se dobrom jer kategorije ne sugerišu nikakav stvami kriterijum šta je dobro, a šta loše. Nasuprot tome, skala odgovora: neprihvatljiv
prihvatljiv
dobar
smatra se boljom jer govori o tome da li je ponašanje (recimo učinak) prihvatljivo ih neprihvatljivo za organizaciju za koju se sprovodi. Procenjivanje i tumačenje će biti još jasnije ukoliko se u stablu (ili na drugi pogodan način) objasni da se prihvatljivost odnosi, na primer, na: greške, olpad, kvalitet i sigumost. Sledeća skalaje još preciznija: 5. konstantno dobar učinak 4. učinak generalno iznad proseka 3. zadovoljavajući učinak sa prosečnim brojeni grešaka 2. učinak obično ispod proseka I . konzistentno nizak učinak
Ipak, kao što je u ovoj knjizi na više mesta istaknuto, pouzdanost psiholoških memih instrumenata se najbolje postiže ukoliko se sastave od više ajtema. To isto važi za skale procene. Ako se za svako svojstvo ili ponašanje napravi više skala, onda su manje mogućnosti da se kategorije pogrešno ili različito intepretiraju (osim ukoliko postoji procenjivačko usmerenje). Na primer: Potpuno netačno 1 2 3 4 1 2 3 4 1 2 3 4
1. Profesor predaje jasno 2. Slajdovi su vidljivi i ističu najvažnije elemente 3. Obuhvaćene su najvažnije teme. . .
Potpimo tačno 5 6 7 5 6 7 5 6 7
Sve prethodne skale se mogu izvesti i u grafičkoj, numeričkoj ili kombinovanoj varijanti, a sve u cilju da se procenjivaču sugeriše kontinuum i da mu se olakša beleženje ocena. U poslednje vreme popularne su skale za koje se veruje da imaju još preciznije defmisano značenje. To su BARS skale od Behavioiirally Anchored Rating Scales. U BARS skalama se kategorije vezuju (sidre) za neka određena ponašanja, ili kako neki autori kažu, za neke incidente koji su ključni da bi se neko ponašanje ocenilo kao prihvatljivo ili neprihvatljivo. Na primer, ako se radi o ocenjivanju predavanja, BARS skala bi mogla izgledati ovako (Amold et al, 2005): Prezentacija gradiva 9 8 Govori glasno, bez oklevanja i zastajkivanja i reaguje na studentska pitanja
5 Koristi slajdove pravilnim redosledom i daje rezime na kraju časa 3 Propušta da defmiše neke manje važne pojmove 2 Ponekad ne govori dovoljno glasno 1
Dosadašnja iskustva sa BARS skalama kazuju da one daju nešto bolje rezultate nego grafičke skale procene. Trenutno dominira niišljenje da ih, s obziromna dugačak proces konstrukcije i neznatno bolja metrijska svojstva, treba koristiti samo za važne i standardizovane zadatke. Prikazaćemo neke od preostalih, a standardnih tipova skala procene koje se koriste u psihološkim memim instrumentima. Bipolamim skalama se nazivaju stavke koje imaju sledeći format: 1) Zaokružite broj za koji mislite da je najbliži osobinama koje poseđuje vaš profesor.
Strog, pravedan, ima visoke kriterijume
1
2
3
4
5
6
7
8
9
10
Blag, empatičan, spreman da pomogne
Ove skale ponekad nazivaju „skale sa prisilnim izborom” kada se od ispitanika traži da zaokruži jednu altemativu, a precrta druge, odnosno da eksplicitno eliminiše one altemative koje ne odražavaju njegovo mišljenje. Takode, ovaj tip skala je sličan semantičkom diferencijalu (v.). Grafičkim skalama procene se nazivaju stavke koje mogu da izgledaju ovako: 1
5
1 1 1 1 , 1 1 J ...I..I Nikad ne zadovoljava
Obično ne zadovoljava
9
13
17
20
I I 1... 1 I I I I I I I Ponekad ne zadovoljava
Obično zadovoljava
Uvek zadovol ava
Danas se često linije koje označavaju kontinuum crtaju vertikalno. Numerički kontinuum se može postaviti simetrično, oko srednje, ili neutralne tačke. U tom slučaju bi srednji zarez mogao biti označen nulom, zarezi levo od njega negativnim brojevima, a zarezi desno od njega pozitivnim. Linije (duži) se mogu kombinovati sa bilo kojim drugim formatom skale procene, kao što su u gornjem primeru kombinovani numerički, grafički i verbalni (semantički).
F.
Upitnik
Upitnik je memi instrument sastavljen od stavki ili pitanja koja se ispitaniku prezentiraju odstampana na papim, ili na nekom drugom pogodnom medijumu (recimo na računaru)TPrema toj defmiciji upitnik očigledno liči na psihološke testov'e”(v.), pa je u psihologiji vrlo česta praksa da se testovi ličnosti nazivaju upitnicima. Medutim, u ovom poglavlju neće biti reči o upitniku kao vrsti psihološkog testa, koji je prvenstveno namenjen merenju osobina ličnosti, koji se konstruiše za dugotrajnu upotrebu, ima čvrstu stmkturu i iz njega se fomiira ukupni skor. Upitnik o kome je ovde reč je vrlo sličan „intervjuu prenesenom na papir” (intervj uirce biti pusvečeuo iTosebno poglavlje iz’koga će se videti da se pojmovi stmkturisanog intervjua i upitnika značajno preklapaju). Konstmiše se, po pravilu, ad hoc i namenjen je prvenstveno ispitivanju stavova i preferenčijaTT' 'anHelnim ištruživanjima. Njegova struktura je „labavija" jer sadrži pitanja različitttnipova 1 razhčite teme i iz njega se neform ira ukupni skor. Može se reći da se upitnik o kome ovde govorimo, po principima konstmkcije i osnovnim svojstvima, nalazi „negde izmedu” psihološkog testa i intervjua. Da bi se olakšalo razlikovanje upitnlKa od lesta i intervjua, treba posebno istaći da upitnik ima jednu specifičnu namenu. O n je, naime, toliko neraskidivo vezan za terenska, a pjosgtoo za anketna istraživanja, da se takva istraživanja ponekad
n a z iv a ju u p itn ič k im '_ a sa m up itn ik s e u ta k v im istražiY.aniim.a n a z iv a ..an t o o m ” (npr. „ d o b ić e te svi a n k e tu ” ).
Pitanja u upitniku su potpuno analogna stavkama u psihološkim testovima. Stavke mogu biti u bilo kom formatu. Za upitnik namenjen anketnim istraživanjima karakteristično je da sadrži stavke različirih formata: dihotomne, otvorene, politomne, ordinalne itd. lako je sasvim opravdano da se o anketnom upitniku razmišlja kao o „odštampanom interVjuu”, upitmk može da sadrži i neverbalne stavke, kao sto su računski lii gratički'zadaci. Pored toga,'sve stavke sa ordinalnim kategorijama, kao što su skale procene, mogu umesto verbahiih kategorija da sadrže vertikalne ih horizontalne linije na kojima ispitanik označava svoj položaj u p d ^ ed u nekog svog stava ih procene. Od ispitanika se može tražiti da razvrsta kartice sa nekim uzorkom, da ujgoredi fotografije, da prepozna neke suTibole i tome shčno. Izbor formata stavki jednim delom diktira priroda pojave Rbja se ispituje~t^rpfr^rirodno je da se pol ispitanika određuje dihotomnom stavkom), a drugim delom zavisi od opredeljenja istraživača - konstruktora iipitnika. Postoje mnogobrojna iskustva sa primenom upitnika u anketnim istraživanjima, međutim, nije lako formulisati jedan jedinstven recept za spravljanje dobrog upitnika. Mnogo zavisi od namene istraživanja, od ciljne populacije, od načina prezentiranja (administracije) upitnika i drugih stvari. Dakle, upitnik možemo zamisliti kao intervju koji je potpuno standardizovan i pretočen u skup pitanja koja su odštampana. Međutim, takav upitnik se niože pfimenjivati na različite načine, koji ne podrazumevaju uvek štampani oblik. Dva osnovna načina administracije upitnika, koji za sobom povlače i razlike u načinu konstrukcije, su: • samoadministracija, koja se sastoji u totne da se upitnik na neki način dostavi ispitanicima, a oni onda samostalno odgovaraju na pitanja, • lično intervjuisanje (engl. face-to-face), kada upitnik primenjuje intervjuer - anketar, tako što na osnovu njega vrši strukturisani intervju. Sa podelom se može nastaviti i dalje, s obzirom na medij koji se koristi. Tako se upitnici sa samoadministriranjem dele na: • •
upitnike poslate poštom i upitnike postavljene na Intemetu.
Upitnici sa Učnim intervjuisanjem mogli bi se podehti na: • •
upitnike za neposredno intervjuisanje i upitnike za telefonsko intervjuisanje.
Ove podele upitnika potpuno korespondiraju sa tipovima anketnih istraživanja (v.), za koja smo rekh da se prvenstveno zasnivaju na upitniku i inter\'juu. U pitnik sa ličnlm intervjuisanjem . - U engleskim udžbenicima se ovaj upitnik često n&zndiSchedule, sa značenjemdetaljnog plana intervjua. Primenjuje se u anketnim istraživanjima sa ličnim intervjuisanjem i, po svemu, teško ga je
razlikovati od mtervjua. Sve što je rečeno u poglavlju o intervjuu, posebno o standardizovanom intervjuu, važi za ovaj tip upitnika. Upitnik sa ličnim intervjuisanjem ne videispitanici, nego samo anketar. To za sohom novlači niz mogućih razlika između ovog upitnika i upitnika~ša~ša!TRTadministracijom. Recimo. upitnik sa ličnim intervjuisanjem mogu da prate dodatni dokumenti, liste, siike ih primeri koje anketar pokaziije i n t e .r v ju i s 3 n i m 3 tgkom intervjua. U njemu mogu da stoje, i obično stoje, uputstva anketaru (treba vrlo jasno naznačiti koja uputstva su namenjena samom anketaru i koja se ne čitaju ispitaniku, a koja se čitaju). ■' Ako upitnik admmistrira anketar u ličnom intervjuu, onda će sva potrebna uputstva ispitaniku on davati. Međutim, ta uputstva mora pripremiti istraživač kako bi se izbeglo da različiti ispitanici dobijaju suštinski različita uputstva. U ovom tipu upitnika se bolje mogu primeniti otvorena pitanja nego u upitniku sa samoadministracijom.Jgraksaje pokazala da IjudTniogu pitanja razufnevati na različit način i da iz aistih odgovora nekada stoje različiti stavovi, a nekada iza različitih odgovora stoje isti stavovi. Kada postoji anketar, on može tražiti od ispitanika dodatna objašnjenja, ili mu mo7e dnii d n d n tn n objašnjenja kaEo bismo~Wti sigu m rd a su svi ispitanici na jednak način razumeli pitanja. TaKođe, on moze podsticati ispitanike da jjaiu detatiniie odm vore. a pri tome ih može klasifikovati u neke unapred date kategorije kako bi kasnija obrada bila lakša. Anketar ima mogućnost da prom eni redosledpitanja ili da preskoči nepotrebna p ita n ja .__ Na nešreću, ove prednosti ličnog intervjuisanja se u praksi teško daju iskoristiti. Kada se radi u nacionalnom anketiranju verovatan broj anketara je stotinjak, što znači da treba raspolagati sa toliko obučenih, veštih i stručnih saradnika koji, pri tome, razumeju principe anketnog istraživanja. Ono što je osnovno, istraživač nema nikakvu kontrolu nad tim šta se dogada na terenu i da li su uputstva koja anketar daje i njegova interpretacija upitničkih pitanja i ispitanikovih otvorenih odgovora korektni. Naravno, lično intervjuisanje je neophodno kada su ispitanici nepismeni ili polupismeni. Kod nas je to dovoljan razlog za izbor ovog tipa upitnika kada se ispituje opšta populacija. Takođe, kada se ispituju mala deca, lično intervjuisanje će biti jedini mogući izbor. Svaka dm ga vrsta hendikepa (naravno, ne smatramo da je detinjstvo hendikep), takođe, daje prednost upitniku sa ličnim intervjuisanjem (pa prema tome i intervjuu nad upitnikom), zato što anketar može pomagati ispitanicima da čuju pitanje, da ga razumeju, da formulišu odgovor i da ga zapišu (zapisuje ga anketar). U višejezičnim sredinama anketari mogu biti od pomoći u prevođenju pitanja u upitnicima koji nisu pisani na jeziku koji nije matemji jezik ispitanika. Naravno, ako ispitanici uopšte ne govore jezik istraživača, ili ga slabo govore, najbolje je prevesti upitnik i poslati anketara koji govori njihovim jezikom. O problemima anketiranja govori se u glavi o uzorkovanju, poglavlje o skrivenim etapama. U pitnik sa sam oadm inistracijom . - U upitniku sa samoadministracijom,
njava sam, mora postojati detaljno uputstvo za DODuniavanje. U zavisnosti od duzme up:tnika, od tematike koja se ispituje i od fnnnata stavkiT može biti potrebno uputštvo za svaki deo upitnika posebno. a uputstva će možda trebati prepiatill piimciillJd. rušToje mnoge stvari koje treba objasniti ispitanicima R^cimo;ičada Se tražišam o jedan odgovor, a kada je moguće dati više odgovora. Trgba~obiasniti naćiiri:ako da se poništi pogrešno dat odgovor i kako da se upiše tačan. Ako se od ispitanika očekuje da vrati upitnik poštom, mora se objasniti postiipak (npr. ako želi da bude anoniman ne treba da upisuje adresu pošiljaoca). Upitnik sa samoadministracijom se ranije češće primenjivao nego danas jer je istraživačima tako bilo lakše. Međutim, samo-administracija ima neke krupne nedostatke zbog koiih treba biti oprezan prHikom njcne u p o tre b ^ K a o prvo, p ro cajatn eodgovora, odnosno nevraćanja upitnika je veoma visok, a iskustva su polcažala da on nlje nasumičan nego je u vezi sa sociodemografskim karakteristikama ispitanika, a često i sa predmetom m e re n j^ P ru g i nedostatak samoadministracije je što potenciialni nesporazumi izmedu istraživača i ispitanika, u formi dvosmislenosti pitanja, ostaju prikriveni. Iskustvo je pokazalo da pitanja imaju ražličiti~značenja za različite ispitanike, češće nego što se misli. Ovi 'nedostaci mogu biti otklonjeni ako upitnik adnunistrira anketar. ^ ^ ^ r e ć i važan nedostatak je u tome što istraživač nema nikakvu kontrolu ko ie popunjavao upitnik. Vrlo je uobičajeno da upitnik popunjava cela porodica, ili se traži savet od komšija. "^Upitnilc koji popurijava sam ispitanik mora biti lepo prelomljen, uredan, bez grešaka, pregledan, sistematičan i nikako ne sme biti zbijen. Trfba stalno imati u vidu da će se ispitanici ponašati onako kako izgleda upitnik. I’rednosti upimika koji se saije postom su u ceni, standardizovanosti, anonimnosti i većem konforu ispitanika jer mogu planirati vreine za popunjavanje. Osim slanja poštom, upitnici mogu biti dostavljani putem kurira, preko firme u kojima ispitanici rade, uz neke dmge papire kao što su računi i sl. Standardizovanost je bolja nego u ličnom intervjuisanju zato što se ovi upitnici prave sa manje otvorenih pitanja i zato što se izbegava interferencija anketara. Treba, takođe, iniati na umu da se upitnici, posebno kad se radi o sondažama javnog mnjenja, prave za jednokratnu upotrebu i da ne mogu đa postignu onaj stcpen pouzdanosti i valjanosti koje imaju „trajni” merai instrumenti, kao što su, na primer, psihološki tcstovi. To može biti još jcdan razlog u prilog odluci da upitnik administrira anketar, tj. da se samoadministrirani upitnik zameni ili dopuni intervjuom. O tvorena pitanja. - Otvorena pitanja se često nazivaju pilanjima sa konstruisanim odgovorima (PKO), kako bi se kontrastirala u odnosu n apitanja sa ponuđcnim odgovorima. Vrlo je česta praksa da istraživači u otvorenim pitanjima u upitnicima za samoadministraciju štampaju linije na kojima je predviđeno da'is•liitaniirupisuje odgovor. Nažalost, hnije su obično isuviše blizu i nemoguće lEje koristiti za norfflalžn rilR)pis. Zato linije treba dovoljno razmaknuti, ili ih potpuno napustiti i jednostavno ostaviti dovoljno praznog prostora za odgovor ispitanika. Linija je, međutim, korisna kada se ispitaniku želi sugerisati dužina odgovora.
Kada je reč o otvorenim pitanjima koja zalitevaju dug odgovor, korisno je t ave na krajupitnika, jer je tako lakše organizovati dovol|no prošTgTa za odgovor (međutim, postoje i druge preporuke, v. kasnije). Nisu sva otvorena pitania ..iednako otvorena”. Na primer, pitanje ,,za koju stranloi ili k6aIičyTršteglasali na prošlini izborima” je manje otvoreno od pitanja „šta bi bio vaš komentar o našem proizvodu”. Pri tome, treba imati u vidu da prvo pitanje, u otvorenoj formi, nije identično istom pitanju u zatvorenoj formi, iza koga stoji spisak političkih stranaka i koalicija. Naime, nesigumi i neodlučni ispitanici neće moći da se sete za koga su glasali ako* odgov~ofrnisU ponudeni"(a praksa poTčazujFaa, akćršupčm uđeni, značajan procenat ispitanika tvrdi da iu glasali za D O bedm kal" ^ Otvorena pitanja su pogodna za sondažu kompleksnih pojava, uočavanfe nesporazuma i neznanja, sagledavanja c~eIokupnog domena pojave itd. MeđutiiH, he pretoosti mogu b iti ostxarene samo sa dw olino pismenim. obiazovamm i niot^isan im ispitanicimayQ sim toga. otvorena~bitania obično credstavliaiu proSIem za obradu i obj^M vno ocenjivanje, posebno ona koja imaju karakter esejskih pitanja (kada odgovor može da zauzima pola strane ili više). P itanja sa ponuđenim odgovorim a. - Kao pitanja sa ponudenim odgovorima se najčešće koriste politomne stavke, koje daju podatke na nominalnoj skali, skale procene kao što su Likertove skale (v.), koje daju podatke na ordinalnoj skali, ali se koriste i diliotbmne stavke, gratičke skale procene itd. Politomna nominalna pitanja se često nazivaju pitanjima sa višestrukim izborom (PVI), ali ih ne treba mešati sa PVI koja se koriste u kognitivnom testiranju, kod kojih je jedan od odgovora tačan, a ostali pogrešni. Uvek treba razmotriti da li da se u ponuđene odeovore u PVI uvrste altemative: „drugo”, ,,ne znam”, ,,ne želim da odgovorim”, ,,ne odnosi se na mene”, ili „neodlučan” u Likertovim 'skalam aTS^ka od tih allemntiva ima Hhhrn i loše strane. Nekada odgovor ,,ne znam” označava nespremnost da se iskaže raišljenje, a nekada nedostatak motivacfje. U eksplorativnim istraživanjima, ili u pilot istraživanjima, aftemativa „drugo, šta _____ ” je korisna da bi se proverilo da li je spisak odgovora koji su istraživači ponudili potpun. Ako se upitnik administrira telelonski, onda treba imati u vidu da ispitanici ne mogu da vide pitanja i odgovore. Isto tako, razgovor ne može da traje dugo. Kod takvih upitnika je posebno važno da pitanja ne budu dugačka i složena, a broj altemativa mora biti krajnje ograničen (npr. ne više od pet), jer bi inače intervjuer morao stalno da ih ponavlja. To isto važi za stavke u kojima se od ispitanika traži da rangira neke odgovore, npr. marke deterdženata (ne više od tri). Svaki istraživač se susreo sa problemom pokrivanja celokupne varijabilnosti stavova o nekompitanju. Recimo, teško je unapred znati koji su sve mogući odgovori na pitanje ,,Šta smatrate da je prednost života u velikom gradu?”. Postoji više „tehnika” kako da se prevaziđe taj problem. Najbolje tehnike su one koje se sastoje u prikupljanju prethodnih informacija. To se može postići pilot istraživanjima u kojima se ovo pitanje postavlja kao otvoreno, pa se odgovori kasnije klasifikuju u glavne gmpe. Prethodne informacije se mogu prikupiti i metodom fokus gmpa. Ako ništa od toga nije dostupno, onda istraživač mora a priori, ili
analizom sekundamih podataka - prethodnih istraživanja - da definiše izvestan razuman broj odgovora i da ponudi kategorije „drugo”, ,,ne znam”, „ne želim da— odgovorim” i sl. Kod pitanja sa ponuđenirn odgovorima treba imati u vidu uobičajene metodološke zamerke koje im se upućuju. Ako celokupan domen pojave nije dobrp Đokriven, ispitanici će biti frustrirani jer ne m ogu naći altem ativu ko)a njim a odgovara. Z atim ,T šp itn ici koji n e z n a ju odgovor, m o g u sv o je n e zn a n je sakiiti ta k o S fo ^ o d a b ra ti neku od pcrnuđeniFahernativa (u psihološkim testovima sposobn o sti se ova p o ja v T n a z iv a pogadanjem). N a jče šć a zamerka k o ja se u p u ć u je PVI je da ne mogu da izmere kompleksne pojave, mišljenja i stavove. S druge strane, najjača strana PVI je u lakoći odgovaranja i lakoći i objektivnosti ocenjivanja. F orm ulacija pitanja. - Sama pitanja (stabla stavki) ne smeju biti previše duga, recimo ne više od 25 reči, posebno ako se upitnik zadaje telefonski. Ona ^grafički i prostomo trebaju da budu jasno odvojena od kategorija-ahem ativaodgovora, da bi ispitanicima, ako sami popunjavaju, bilo jasno šta je šta. U pogledu načina odgovaranja, odnosno izbora odgovora, rešenja zavise od toga da li se upitnici skeniraju iH se vrši mčno šifriranje i unos. Ako je upitnik predviđen za optičko čitanje, onda za odgovore treba predvideti posebne „kućice” u obliku kvadrata, zagrada, ili kmgova, a ispitanicima i anketarima treba dati uputstvo kako će upisivati odgovor (npr. sa +, x ili / ) . Ako se unos podataka sa upitnika vrši mčno, kod nas je uobičajeno da se altemative numerišu brojevima ispred - svake, a ijpitanik (ili anketar) treba da zaokruži broi ispred odabranog odgovora. O t( ^ e 1 a k o ti'čba da budu lormulisane stavke, napisana su brojna uputstva. Uputstva za sastavljanje stavki, koja su u ovoj knjizi data u glavi o merenju stavova sasvim su primenljiva na pisanje upitnika. Formulacija pitanja ne sme sugerisati odgovor ni na koji način. Recimo, umesto pitanja „L)a h smatrate da ' predsednik'dobro obavija svoju diizhost”, bolje je pitati „Molimo Vas da ocenite ’ kako~predsednik obavlja svoju dužnostT Medutim, naizgled suprotno prethodnom pravilu (ali samo naizgled), kada se ispituju stavovi, posebno kada se to radi sa stavkama Likertovog tipa, formuIisMje neutralnih. nediskutabilnih pitanja je teško, pa i pogrešno. Stavka, u prmcipuTtreba da predstavlja neki diskutabiTan isi
se mogu koristiti da bi se ispitaniku objasnilo šta se tačno pita i da bi mu se dale neke početne informacije. Međutim. sa dužinomrnitanra niVaVn ne rj^ati. Ako se grupa pitanja odnosi na istu s t^ ^ o n d a uvodna obia'šnienia treha~ - dati na početku, a ne za svako pitanje. Ako upitnik zadaje anketar, on, n i e đ u t i ^ može da ,,osve2i" paiiićenje ispiianika tako što će, po potrebi, ponavljati uvodni deo pitanja. Uvodni delovi pitanja kao što su ,,da li ste vi često, povremenn ili nikaH ” nepotrebni su ako su takve altemative iasno i pregledno nonuđene Tf pnfriavljn o osrrovnoj matiTci podataka mogu se naći još neki primeri i sugestije u vezi formulacije upitničkih pitanja. Terminologiju i rečenički sklop treba prilagoditi nonnlar.iii kojoj je upitnik namenje n /a li žargon i lokalizme ipak treba izbegavati što je više moguće.T^a priiTri^i, U upiUilku z j' ispilivaiije pojave puseniaj:o d ucenlka prva 4 razreda osnovne škole mogu se naći pitanja kao što~š^ r7 S trm išliš o štetnnm iitir.flfiT' nikdtina", ili „kada pusis, da li misliš da će ti r i t o in škoditi’TTli in.š nrohlem nnrr r ^ „ U svetu postoje različita mišljenja o šte tn o sti'u d c^ d u v an a. Šta bi ti rekao~ o tome...”. Takav zvaničan je_zik i formulaciia pitanja su strane deci, stavliaiu ih u arteficijalnu sim a c iju T v r io ^ o v a tn o će provocirati socijalno poželjne odgovore (dešava se, pošto se prave isti upitnici za omladinu različitih uzrasta, da se u pitanjima koristi kurtoazno obraćanje - ..Vi”'). Poseban problem predstavlja ispitavanie inkriminišućih i na drugi način „nezgodnih tema. Postoji duhovit primer o najmanje pet načina na koji se može pitati ispitanik da li je ubio svoju ženu. Primer je sračunat da bude zabavan, ali su formulacije koje su predložene validne za sva „osetljiva” pitanja. • Da li se desilo da ste ubili svoju ženu? • Kao što znate, mnogi Ijudi danas ubijaju svoje žene. Da li se desilo da ste Vi ubili svoju? • Da li poznajete neke Ijude koji su ubili svoju ženu? Kako u tom pogledu stoje stvari sa Vama? • Hvala Vam što se popunili ovaj upitnik i, usput, da li ste ubili svoju ženu? • U upitniku su priložena tri listića. Na jednom piše da je Vaša žena umrla prirodnom smrću, na drugom piše da ste je Vi ubili, a na trećem piše „Drugo (objasnite šta)”. Otcepite one listiće koji ne stoje, a ostavite onaj koji najbolje opisuje Vašu situaciju. Poznata su iskustva da pitanja prvog tipa, recimo „koliko često masturbirate”, mogu ižnenathrjTCe^bro funkcionisati jer „daju legahtet” pojavi (ispitanici reaguju: „vidi, oni znaju” ili „mora da to svi rade”). S tru k tu ra upitnika. - Upitnik niora da sadrži identifikacioni deo koji se sastoji od tzV^socio-demografskih pitanja (o polu, zanimanju, starosti, obrazovanju i sl), mestu stanovanja, radnom statusu, konfesionahioj pripadnost i svemu onome što bi moglo biti korisno za istraživanje. Ako upitnik popunjava anketar, on može unijeti i neke dopunske podatke, ili podatke za koje nije potrebno pitati
ispitanika (npr. o mestu stanovanja ili polu). Istraživač mora odmah nakon prijema upitnika, svaki obeležiti nekom jedinstvenom identifikacijom, običnim rednim brojem ili nekom složenijom šifrom. Bez te identifikacije je kasnije kontrola i analiza podataka nemoguća. Jedno od prvih pitanja koja treba rešiti priUkom konstrukcije upitnika je . redosled nitania. Trcba znati da redosled pitanja u upitniku ima uticaia na rezultate, ponekad drastičnos. Ako upitnik ima nekc logične celine, pogotovo ako one nisu međusobno povezanc (recimo pitanja o partijskim preferencijama, stavovi 0 vojsci i koje medije prati), uobičajeno je da i pitanja koja se odnose na te celine budu prezentirana skupa.^ Vrlo je uobičajeno da se celi.ia sa socio-demografskim pilanjima stavi na početak upitnika. To je za istraživača praktično, ali treba imati u vidu ispitanika kome je možda dosta da odeovara na uintnike u koiima ga uvek prvo pitaju kojeg je p o la ~ ‘ Cesto se kao opšta strategija za raspored pitanja u upitniku predlaže strategija levka. Po toj strategiji, pitanj^ i'du od opštijih ka posebnim. U opštim pitanjima se postavlja opšti okvir za temu koia se ispituie i. ako ie potrebno, daju se potrebne informacije. Opšta jiitanja mogu se formulisati kao otvorena. Nakon toga, pitania j u sve specifičnija. i na krajn kp fruannHc-jt; Van d’hotomna. Op.^te iskustvo, naime, pokazuje da su specifična pitanja manie osetliiva na kontekst i na ono što je ispitanik morao raniie da odpovara. Strateeiia levka se može primeniti u okvin^vake celine, ako ih ima više. Međutim, postojii strategi/a obrnutog levKa, po kojoj se prvo postavljaju najkdnkretnija pitanja, a iza njih dolaze sve opštija pitanja u kojima ispitanik obrazlaže svoje stavove. Po ovoj strategiji upitnik počinje in medias res, nekim pitanjima koja su aktuelna, koja privlače pažnju i koja će ispitanika motivisati da nastavi. Neki istraživači čak, mimo stvamog predmeta merenja, na početak stave neka pitanja koja se u tom trenutku nalaze u žiži društvene pažnje (da h ste za ukidanje vanrednog stanja, da !i ste za samostahtu republiku, da li ste za zabranu abortusa itd.). Po strategiji obmutog levka je prirodno da se socio-demografska pitanja ostave za ki'aj, ah se to rešenje može primeniti bez obzira na poredak ostahh pitanja. Iskustvo govori da je „osetljiva pitanja” bolje ostaviti za kraj, posebno u ličnom intervjuisanju. Međutim, ista iskustva govore da se_ne zna šta su to ojetljiva pitanja. Nekim ispitanicima će, recimo, pitanja o starosti ih o prihodima bm osetijiva, l^o, za ona pitanja za koja se očekuje da budu „osetljiva”, dobro je da se ostave za kraj i da im prethodi kratko upozorenje, kao nnr.: ..neka od slede- •; ćih pitanja će vam se činiti kao mešanje u vaš život i možete mi slobodno reći da ne že'Hfe'da udguvoi'irFT Uvek 1 U tivakom slučaju, ispitaniku mora biti objašnjena svrha, cilj i namena i^raživanja, ko vrši istraživ^je, na koji načm je on odabran u uzorak. da h je anket^ anonimna Tli ne i dmga slična pitanja. Takođe, uobičajeno je da se na kraju upitnika iskaže zahvainost isptaniku: '
Učtiva je praksa da se ostavi prostor ispitaniku za njegov komentar povodom samog istraživania i nečega što niie bilo obuhvaćeno u samom istraživanui. Ako upitnik popunjava anketar, onda treba predvideti mesto (na upitniku, ili na posebnim formularima) na kome on može upisivati svoje komentare. Što se tiče dužine upitnika, odnosno broja pitanja, tu ne postoje striktna uputstva, ali se zna nekoliko stvari: upitnici koji se koriste u telefonskim anketama ne bi trebali da zahtevaju više od desetak minuta razgovora, upitnici koje ispitanici sami popunjavaju, ako su namenjeni opštoj populaciji, ne bi trebali da iniaju ViSć Od četin strane. Upitnici koje administrira anketar licem u hce, međutim, mogu da traju čitav sat, pa i duže. Pri tome treba imati u vidu da slabije obrazovani i stariji ispitanici odgovoraju znatno sporije od proseka. Takode, upitnik može pod izvesnim uslovima imati „varijabilnu dužinu”. Na primer, ako ispitanik ne koristi neki proizvod neće mu se postavljati pitanja vezana za taj proizvod. Tako će se desiti da ispitanici koji koriste sve proizvode odgovara]u na kompletan upitnik, a ostali samo na neke delove.
G. Intervju
Intervju, kao metoda za prikupljanje podataka u naukama o ponašanju, iia prvi pogled-izgleda kao nešto što je svima poznato. Međutim, iyje sasvim lako defmisati šta je.intenju. Sigumo je da se on zasniva na komunikaciji izmedu ,,dv£ strane”;.jnteiyjuera i^inteiyjuisan^^ Ako se kaže da tu komunikaciju čini razgOY0,r, to nije potpuno pogrešno, ali jntervju se,, recimo, može_ vpditi sa gluvonemom osQb.om putem jezika znakova. Takode, intervju ne.morabiti voden licem u Ijce, jM _se može_razgovarati prekp telefona, a danas postoje tehnička sredstva, kao što je Jcpmimikaciya preko Interpeta, koja se obavlja kucanjem na tastaturi. Isto tako, izvpr ppdataka uopšte ne mora biti sam razgovor, bez obzira kako se vodi. Intervjuer, naime, može da posmatra ppnašanje intervjuisanog, a u nekim shičajevima je neverbahio ponašanje važniji izvpr podataka pd ječi. Jleč[ koje izgPVEura ii^tevjuisani, takode, ne mpraju se_anahzirati^samp s pbzirom na. njihoYP. zn^enjej_negg L sjb ziro m .n a fcekvenciju ili-naglašavanje (ono štp nije rečeno je nekada važnije od onoga što jeste). Pflstoje dileme oko toga da li intenjiLmoJe„da_pbjjhv..ala više^osoba pdjednom, kakp_ sa stranejjitervju^ra, tako i sa strane intervjuisanih. U principu, moguće je sprovesti.kpmunikaciju kpja pp svemu pdgovara..definiciji intervjua, ali takp da bude„više.iaten'juera (štp je čest slučaj u pplicijskim istragama) j.više intervjuisanih (kao npr. u medijskim intervjuima). Nekada se kao posebna vjsta intervjua pominjs!gn
Kuo sativiiii (i|iri'iličim o b lik in te rv ju a , k o ji p o n e k o lik n ;i',| ii ImiIh i )i I'.Iii |) h od .svili Dsliilili vislii iiili iv)iiii, II lilcratiiri se č esto navodi|iipM oli( Li iiilci vjil ii klillilMu)| |I m I|0||I|1I|| J ii Um vjii ji' v rio v iiliio iiiijslanja č p v e k o v a rnetoda za p iikii|il|.inn- jiodiiliikii ,(jd dni)',ili Ijiiili < )d.iilr jio lirc vi-lik:i ra z n o lik o st n jeg o v ih oblik:i / ii l n )i- koii.siio da sc i/.l:ii’:iiiji- iiiiilci ijr o iiiici v|im oj’raniči n a o b last n a u k a o poiiiis.iiijii i dii s f isk lju č c drugi- |)m iii'iic iiilci vjiin, kno Slo sp o m e n u ti m e d ijsk i intci vjiii ii ,';iiiiii|)i. n a ra d iju ili tc lc v i/iji, iiilci vjiii koji ,sc sp ro v o d e u istraž n im postuiicini.i ii jioliciji ili su d o v im a i n i/iii diii)’.i slii>l)ciii i iicsU ižbeni ra zg o v o ri k o jc sc iic vodc .sii c ilje m p rik u lja iija luiiičnili pudnliikii K ažcm o „ k o risn o ” , j e r se cliniiiiiu ijoiii d ru g ih in te rv ju a m atc rija čini )iiMii|oiii i b o ljc d e fin isa n o m . M eđ u tim , piiivilii /a Ygđenje.Jnter^ua_s^Li univci/.iilnii i nc la /lik iiju se m n o go iz m e đ u „ c tn o io |’iic i _Po'icije. P o re d to g a, u naukiiiiiii o poiiiiSaiijii sc in terv ju i m o g u k o ristiti u roicn z ičk o j p sih o lo g iji, m o g u ,se iiilcrvjui.siiii is|)ilaiiici k o jim a su n a m e rn o date iickc psilioiiklivnc su p sla n c c i čija jc sv c sl i/n ic iijcn a , nio g u se in te rv ju isa ti kan d id ati /ii iicki vii/iin posiio i sl. I’o l i c b i i o )c, d i i k l c , / i n i / c l i j c d i i n r a / i i i i i i i n s l; iv u p o g l c d i i lo g ii .■51a s c m o / . c s n ii iliiil i^ n iiiič iijiii i i i l c i v j l i o n i , ; i i i i n i c i i j c n o i n pi i k i i p l j a n j u p o d iilii k ii ii (liii.
1.
2.
3.
K a o p rv o , za p o tre b e p rik u p lja n ja n a u čn o rclcviiiilnili p o d a ta k a n a jb o lje j a k o m u n ik a c ija u interyjuu^udejf?<277e/705;-c;iiH(7a, o d n o sn o d a p o s to ji vizu_elni_, k o n la k t. N e k a d a se ovaj u slo v in te rp re tira ta k o da in terv ju m ora sa d rža v a ti u z ajam n u k o m u n ik a c iju , u sm islu in te rak c ijc o so b a koje su u iijcga u k lju č c n c - in tc rv ju era i in te rv ju isan o g . P o m e n u ti liipnotički intei-vju u kliiiičkoj |isih o lo g iji iiiia o g ran ičcn ii i sp ccifičn u uzajam n o st. l)ru g a v ažn a odrcdiiic;i j c da sc k o n iiin ik ac ija o d v ija sa m o izm eđii dve oso Ih ’. A k o poslo ji p o lrcb a za d ru g iin u č csn ic im a , recim '6 p o sm a tra čim a, oni nio g u biti o d v o jcn i u d ru g o j p ro sto riji. O v d e se k a o izu z eta k m ože u b ro jati in terv ju sa o so b o m iz d ru g o g je z ič k o g p o d ru č ja , k ada j e p o treb a n p re v o d ilac . Iritfirv'ju k a a naučna_m etoda^luži-priA :«/j/;’aH7 « info rin a cija . T o isk lju č u je d ru g e v rste ra z g o v o ra k o je slu ž e razm en i in fo rm a cija, tera p iji, d av an ju in fo rm a cija in te rv ju isa n o m i dr.
A k o se u p rak si u k a že p o tre b a z a o d stu p a n je m od n e k e o d p rv e dve p o sta v k e in te rv ju a, treb a j e p a ž ljiv o ra z m o triti, o b e zb e d iti d a p ra v ilo n e p o sred nosti i p risu stv a sam o d v e o so b e b u đ e u što većoj m eri p o što v a n o , o b e z b e d iti da svi in te rv ju isa n i b u d u u istoj p o z ic iji, k o m p e n z ira ti odsU ipanje n e k im d ru g im k v a lite to m itd.
tl3jjednostavniia_defmicija_intervjua_kao j!aučae_metDde._bil3 hi_-da_je
; J}]ie.ryjii.m em i-instEiim m tiiM m kan3aj}.ponašanju.XQ bi,.fie.syegSL^zn?LČ ilQ _dase l_pdg(3yoriintervjuisanog4ia pažljivaxidabrana,.4aslaylj ena i postavljena-pitanja mQi:aiu_Rrevesti-Uj?ie£e,nekib-5yQistava - Variia
I
njii. I mImi ilrliiiiMiiil iiitei'vjupodleže svim pMviliinii rvnlinu i|c iik-iiii Ii iiislriiine-! iKitii, intiMi |iiPMi'il()Viiti objektivnost, poiiz(i:iiu),sl i viiluiiiosl Mcctiiliiii, iiilcrvju je o,smivii.i iiiclo
definisana. Pošto se standardizovani intervju vodi na osnovu pripremljenog upitnika, odnosno plana intervjua, yrlo_je„malajazlikaizmeđu^ojve^vrstejntervjua _i .metode upitnika sa .ličnim..intervjuisanjem. U poglavlju o upitniku student može
naći detaljnija pravila za vođenje strukturisanog intervjua. Standardizovani int^rvjui su neophodni ako želimo daLa) poredirnojspLtanikemeđusobno, h).analiziramo.razvoj neke pojave tokom.yremetia i c).proyerimQ.iLeku-teQriju.ili,hipX!,tezu. Neki autori u polustandardizovani interviu ubraiaiu i interviu u kliničkoj psihologij i koj i se koristiu cilju dijagnostikavanja.psihičkih poremećaj a.i iegoba, a ^ g im i u ciljti psihoi^^^^^ Dmgi autori smatraju j a je klinički.intervju pos,ebna vrsta intervjua. To nas dovodi do toga da se iriteryjui_mo.ga.-podeliti-i.-prema n a m e n iz a k o ju 5« j£ravoJe,.pilnDsno..prema.njihDvom Tako, osim pomenutog kliničkog intervjua postoje i intervjui.prilikom-zapošljavanja, intervjui sa ekspertima koji se sprovode da bi se prikupile informacije o nekoj oblasti, itd. _ Intervjui.koji su Mmenjeni analiziJičnostirispitanika,jJ.ijijegoTO^ponaša-_. _nja ili stayova,,mogu bitjjyriq raznoJ.ikipo.sadržajiijA jrri]^ različite nivoe standardizacije. S drage strane, intervjui koji se fokusiraju na neko konkretno pitanje, kao što je npr. preferencija nekih dnevnih listova, jesu kratki i prilično ujednačeni što se tiče fomie. Intervju se može koristiti za prikupljanje ili proveru sociometrijskih podataka (v.), u studiji slučaja (v.), i u praktično svim vrstama istraživanja, od eksperimentalnih do terenskih. S provođenje intervjua - Intervju ima otyaranje, gl^vni to ^ i završetak. Tokom otvaranja treba „probiti le d ’’ i s tv m iti _.paMolJnu..Jc/inm za ja z g o v g r . Povoljna klima, naravno, zavisi od oba učesnika, ali o.d inteo'juera se.oče.kujejla vodi glavnu reč. Intervjuer..mora..z«g/i..
Glavni tok.intervgua-se..sastoji. od,pitanja ijDdgo.vora. E.roblem formulacije, odnosno formata pitanja je veoma sličan problemu izbora i sastavljanja stavki u psihološkim testovima i upitnicima. Xq se odnosi prvenstveno na standardizovani. ali u dobroj meri.i .na p p lu s tm d ^ d iT O ^ samo na različit način. Pjtanja_^ mogu biti otvorgna i]i.z.9iY9rena, ditot^m inajli pojitpmna, ,sa. ne denim kategprijama. U pitanjima sa uređenim kategorijama se od ispitanika traži da iznese stepen svog slaganja sa nekom tvrdnjom, da oceni učestalost nekog ponašanja, da rangira neke objekte i sl. Što se_tiče opšte p rg an ]z^ je jn te ry ju a i redosieda„pitanja,.ppstojinekoliko .osnpvnih strategija. • Z.^eva£/Strategij^bv^a_se._kQristLkada.interyjuisani_dobrQ..poznaje.nia7 teriju i kada je^spreman da^o.nj.oj.govori slpbifidno, ili kadajjse^ća pptrebu da..snažno izrazi-svoj .stav. Ovo je najčešća strategijajza,r-eđanje.pitanja.u, mtprvju. Sastoii,s.e. u tome da se počne sa širokim, o p št^ _ o tv orenim.Lusmeravajućim p ita n ji^ , pa se prelazi na sve specifičnij a,-da b i se-tekjia .kraju postavijaiajiirektnaj^kp, pitanja. • LObrnuti'levaKjStmtegiia obmutog ili inverznog levka je efikasna lcada intervjuisanom teeba pomoći da se seti onoga Sto pitamo...ili ga treba motivisati da go.vpn. Eo .Qy.oj..strategiji intervju počinje2.«lweg/a|£e5y na početku se postavljaju osnovna ijkon^etna pitanja, a kasnije se traže pbjašnjenja i. dop.uusk.e .informacij e. • fDijam anĆlS ovoj-steategiji.sc.kombinuje .Jcvak” i ..obmuti levak”. Koristi.se onda kada je tematika osetljiva ili neprijatna za_mtervjuJsanog. Pjačinje se.sa..spe.cLfičnim, zatvorenim phM jim a za koja mislimp da su bliska ispitanikovpj^sitoaciji. Onda nastavijamp sa opštimiotvorem^ njima i kada..smatramo da smo razumeli ispitanikpvu situaciju i kada je atmosfera pogodiM, prelazimo na pitanj a koj a sj.i djrektnaj specifična. • {Tiinel/U ovoj strategiji sy_a..pLtanjaJmaju isti stepen-opštostii_otvore^nosti. Nema mogućnosti za variranje pitanja i probna pitanja, pa se ova^ strategija kpiisti kod je dnostavnih intervjua u.kojima se traže ppy.rš_ne iirformacije. Sve ove strategije treba razumeti kao mogući predložak plana intervjua, a ne kao metodološki recept. Intervju može sadržavati više tcmatskih celina, ili predmet istraživanja može biti polidimenzionalan, kada nijedna od navedenih strategija pojedinačno neće biti odgovarajuća. Zatvaranje intervjua često biva ispušteno iz plana intervjua, što nije dobro za konkretno istraživanje, ali još više za naredna istraživanja. Kraj intervjua treba najavid na pogodannačina, ^jm o;_j,M oje poglednje pifanjej.^.j”. V rlp je j^ is n o •5a. intervjuer izloži svoje omovne zaključke, tečke^^aganjaj tj^ke neslagi^^^^ i da iji proveri s a ^ te ^ u is a n m r ~ Korisna j e l kratka, neformalna diskusija, koju treba započeti kad se magnetofon isključi ili notes zatvori, kada.se može zahvaliti ispitaniku i ponovo gajrveritL_u_,anonirnnost^ (ako postoji i ako je potrebna).
Intervjuer ne treba da uvodi nikakve nove infomiacije tokom te diskusije, ali se često dešava da ispitanik, kad se opusti, emituje neke važne informacije. Beleženje i sn im an je .- Što se tiče beleženja odROVflraispitanika, s_tandardna metodologija_prep_oruiuje_ki3mpleJno_snimanj_eJntenigua (audio ili video) i jcasnije pravlienie transkripta. Međutim, Glaser je dao potpuno suprotnu preporuku: ništa’ne snimati ni zapisivati tokom samog intervjua, osim kratkih opaski, nego sastavljati izveštaj odmah nakon (v. poglavlje o kodiranju). Šjo se tiče vođenja beleški,^u_postoje dva. problejiia.„.Ako se nm ogojjiše, intervjuisanom to m o ^ da singta j da klima bude loša (Ijudi vole da ih se gleda u očrdok"govore)._Ako se malo p i ^ (i pri tome ne snima), OTda postoji očigkdan problem memorisaniaTerna, rskaza i sadržaja od strane intervjuera. Za one koji žele da se drže konstruktivističko-fenomenološke paradigme postoje preporuke da se zapisuju samo opaske, komentari (engl, notes), ili da se razvije neki lični sistem za memorisanje bitnih delova intervjua. Naravno, čini se da je najbolje rešenje da se Glaserova tehnika opaski kombinuje sa kompletnim snimanjem. Ne treba zaboraviti da se u otvaranju intervjua od ispitanika zatraži saglasnost za snimanje.
H. Fokus grupe
F o k u s grup^_ se. nekada. n a z iv a ju d isk u sio n im . grupam .3 ,-a ^ n e k a d v rsto n i g ru p n jh ,in te rv ju a , T e rm in d isk u sio n a g n ip a j e n a m estu , d o k fo k u s g ru p e nisu g m p n i in terv ju i, U _gn!pnom intcrY juulalerY juexpj3S_tavlja_pitanj.a, a m t e ^ n H g n v a r a j i i , flnk se m e to d a fo k u s g n ip a z asn iv a n a d ij.kusJiiJlgjwy_a_?,rupe. F o k u s ’”g ru p e im aju o d 6 do 10 č la n o v a (n e k i d o z v o lja v a ju 4-12) i fo rm ira ju se n a ra z lič ite n a čin e (v, k a sn ije ), G n ip e k o je su su v iše m ale n isu se p o k a z a le d o v o ljn o stim u la tiv n e , a v e će g ru p e su tro m e , n e p ro d u k tiv n e, ili se d e le u klik e, F o k u s g m p e i intervjui se č esto n a z iv a ju m e to d a m a za istra živ a n je m o tiva c ije . N a z iv p o tič e o d to g a što se o v e m eto d e tip ič n o k o riste za istraž iv an je sta v o v a i p o n a ša n ja p o tro ša ča , Č esto se d e fin išu i k a o k v a lita tiv n i p ristu p ra z u m e v a n ju p o d g ru p a u p o p u lac iji u p o g le d u n jih o v ih sv e sn ih , p o lu sv e sn ih i n e sv e sn ih p sih o lo šk ih i so c io k u ltu ra ln ih o so b in a i p ro cesa,
lako je još Emory Bogardus koristio grupne intervjue za islraživanje socijalne distance (v,), invencija fokus grupa se pnpisuje sociologu Robertu Mertonu, koji je 40-tih godina XX veka počeo da koristi „fokusirani grupni intervju” za istraživanje delotvornosti ratne propagande na radio programu, Danas se metoda dosta koristi, ali se čini da svaki autor o njoj misli na drugačiji način, pa su i njene primene ponekad prilično različite, Verovatno je suština fokus grupa u tome šta o njima kaže David Morgan, jedan od najpoznatijih korisnika ove metode: „Glavno
svojstvo fokus grupa je da k o riste g ru p n u interakciju d a b i s e p r ik u p ilip o d a c i i ste k li u v id i k o ji b i b ili tcško d o stu p n i b e z te in te ra k cije ”. Fokus gm pe se formiraju sa zadalkom da organizovano diskutuju, pod vođstvom moderatora ili facilitatora, o pitanjima koja su važna za istraživanje. Tok diskusije se snima i kasnije analizira. Diskusija se organizuje, priprema i vodi sa pretpostavkom da će, kao vrsta društvene interakcije, bolje pružiti uvid i razumevanje u istraživanu pojavu nego što to može anketno istraživanje. M o d e ra to r \\\ fa c ih ta to r (to obično nije sam istraživač) koristi set smemica koje mu služe da upravlja diskusijom tako da sve važne teme budu pokrivene. Diskusija obično počinje od opštih tema i postepeno ide ka specifičnim pitanjima (tehnologija lev ka ). Diskusije obično traju od 1,5 do 3 sata. Mogu ranije da se prekinu ako su neuspešne, a kad su duže, to obično znači da se učesnici ponavljaju. Najviše iskustva sa fokus grupama je prikupljeno u marketinškim istraživanjima, gde su potrošeni mihoni dolara na izučavanje načina kako da se Ijudi ubede da kupe jednu, a ne drugu stvar (što čini osnovu ideje slobode volje, humanosti i integriteta ličnosti). Danas bi se, čak, moglo reći, da su fokus grupe prava „moda” u domenu marketinga, ali i dmgih disciphna (recimo istraživanje efakata medija, Baćević, 2004). Sve do nedavno ova metoda je bila slabo korišćena van biznisa i marketinga, što je bilo povezano sa slabim korišćenjem kvalitativnih mctoda generalno. Razvojem novih trendova (kao što su akciona i evaluativna istraživanja), zajedno sa uvidom u teškoće anketnih istraživanja, kvalitativne metode su dobile na značaju, posebno među autorima koji preferiraju fenomenološku perspektivu - pa tako i metode fokus grupa. Fokus grupe su posebno prikladne za sticanje ideja i uvida u nove dmštvene pojave, usluge ili proizvode, odnosno za identifikaciju problema sa postojećim proizvodima. One mogu biti bogat izvor informacija o tome kako različite društvene gmpe opažaju svoj status ili zajedničke teškoće. U tom smislu se grupne diskusije mogu koristiti kao prcliminarni korak u kvantitativnoj studiji, da bi se proverila relevantnost odredene teme ili da bi se stvorile hipoteze za terensko istraživanje. Fokus grupe se mogu koristiti kao komplement raznim dmgim grupnim tehnikama prikupljanja podataka, kao što su grupni intervjui. U socijalnoj psihologiji se odavno koristi postavka koja generalno liči na fokus grupe, a ima status eksperimentalnog ili kvazi-eksperimentalnog istraživanja, u kojoj se ispituje dinamika malih gmpa, uticaj gmpe na stavove i ponašanje članova. socijalna facilitacija i inhibicija, sklonost prihvatanja rizika itd. Otuda je sasvim prirodno što neki autori za današnju modernu metodu koja se zove „fokus grupe”, kažu da je metod izučavanja kako se stavovi i percepcije razvijaju kroz interakciju sa drugim Ijudima i kako se mišljenja mogu menjati kao rezultat interakcija. Fokus gm pe se koriste kao zasebna i jedina istraživačka tehnika, ah im je verovatno najbolja namena u generisanju hipoteza i za tumačenje rezultata kroz
triangulaciju sa drugim melodama prikupljanja podataka, prvenstveno iz anketnih istraživanja.
1.
Praktična pitanja organizacije i sprovođenja fokus grupa
P rip rein a istraživanja. - Proces postavljanja i fokusiranja pitanja, kao i kvalitet postavljenih pitanja presudno utiču na korisnost podataka iz fokus grupa. Da bi grupna diskusija ispunila ciljeve i da bi moderator mogao uspešno obaviti svoj posao, čitavo istraživanje mora biti dobro pripremljeno. Kao prvo, mora se pripremiti spisak glavnih tema. Taj spisak mora biti vrlo kratak (npr. maks. 3), a nekada postoji samo jedna tema. Svaka tema se može razbiti na nekoliko podtema. Teme, podteme i pitanja se izvode iz cilja istraživanja i istraživačkih pitanja, ali i raspoloživih resursa - baš kao i u svakom drugom istraživanju. Na osnovu odabranih tema i podtema formuHšu se osnovna pitanja i smemice za diskusiju koje se, pregledno pripremljene, predaju moderatoru. Pitanja koja moderator niože da postavlja su u formi: „izvolite nastaviti”, „može li neko da da primer za...”, „možete li reći još nešto o...”, ,,šta smo sve dosada govorili o...”, „dobro, šta generalno mislite o...”. Međutim, u zavisnosti od teme i potreba naručioca, diskusija se može voditi više strukturirano, sa većim brojem konkretnih pitanja. Spisak pitanja i drugih uputstava dostavlja se moderatorima u oblikupriručnika, vodiča ili protolcola diskusije (slično protokolu posmatranja, v.). Protokol treba da bude dobar, detaljan, obuhvatan i strukturiran (da ukazuje na redosled pitanja, npr.). S obzirom da diskusija mora biti slobodna, odmah je jasno da nije lako sastaviti protokol koji će ispuniti oba cilja - slobodu i fokusiranost. P rip rem a m oderatora. - Ličnost moderatora i njegova veština u tom poslu su od najveće važnosti. Neki autori smatraju da sam istraživač ne treba da bude moderator, dok dnagi to ne sprečavaju. U drugim poglavljima (neki problemi istraživanja i etapa anketara u poglavIju 0 uzorkovanju) ćemo govoriti o veštini anketara u anketnim istraživanjima, koja je zbir iskustva i ličnih osobina i teško se unapred može prepoznati. Isto važi za moderatora. Njegov glavni posao je da učini da diskusija dobro počne i d a je kasnije dobro vodi. Moderator mora da zna kako da izađe na kraj sa teškim učesnicima i mora uvek očekivati probleme. Idcalno, m oderator bi morao poznavati principe grupne dinamike i facilitacije gnipne diskusije, s jedne strane, a s druge, osnove teme koja se diskutuje - nepristrasno, sa izvesnom distancom i perspektivom. Pošto se fokus grupe najčešće koriste u marketingu, značajno je da moderator bude nezavisan i nepristrasan u odnosu na temu (proizvod) koja se ispituje. Postoji, naime praksa da same marketinške agencije osnivaju vlastitu „službu” za fokus grupe, sa vlastitim moderatorima, koji onda ispituju efekte njihove propagande. Kritičari takve prakse tvrde da je to isto kao da se „lisice postave za čuvare kokošinjca” (u poslovnom smislu ovo vcrovatno predstavlja
problem, ali pošto su marketinška istraživanja od veoma malog naučnog značaja, ne bi se moglo reći da je sama metoda opterećena tim nedostatkom). Tok diskusije se odvija na osnovu izlaganja učesnika (oni ga usmeravaju onime što govore), ali je očigledno da bi puna sloboda bila kontraproduktivna, pa je uloga modcratora da vraća diskusiju u okvire koji su od interesa za istraživanje. Izbor učesnika. - Sledeća kritična faza je izbor učesnika. Kompozicija grupe i njena interakcija sa osobinama moderatora (npr. socijalnim statusom i polom) mogu uticati na tok diskusije i na prikupljene podatke (npr. osećanje prijatnosti u grupi utiče na intimnost iskaza koji se prikupljaju). Sastav grupe zavisi od predmeta istraživanja, ali i opšteg teorijskog pristupa istraživača. Istraživači koji insistiraju na kvalitativnoj metodologiji fenomenološke ili konstruktivističke vrste preferiraće grupe u kojima se Ijudi poznaju, odnosno već postojeće grupe. To mogu biti porodice, prijatelji, zaposleni i sl. Postoji tehnologija prikupljanja članova tako da par pozvanih učesnika sami dovedu svoje prijatelje. U takvim grupama se može bolje implcmentirati interakcija, slobodna komunikacija, smejanje, zadirkivanje, izazivanje, naklonost i dr. Drugi istraživači smatraju da istraživanje prijateljskih grupa pre liči na studiju slučaja i da informacije koje oni mogu da pruže nemaju ekstemu validnost. Zato će ti istraživači nastojati da učesnici imaju odrcdeni skup osobina ih iskustava, odnosno da budu reprezentativni za neku društvenu grupu (npr. grupu potrošača nekog proizvoda ili glasača za neku stranku). Neki autori čak smatraju da se učesnici uopšte ne smeju medusobno poznavati. Učesnisi mogu biti odabrani na osnovu istih zdravstvenih problema, ili zato što slušaju istu radio stanicu, ili mogu pripadati starosnoj grupi koja je posebno relevantna za predmet istraživanja. Da bi se olakšala konverzacija, preporučljivo je da učesnici budu sličnih socio-demografskih osobina; atmosfera mora biti relaksirana a organizacija što prirodnija. Način prikupljanja učesnika zavisi od ciljeva i namene istraživanja. Čest slučaj je da se učesnici nalaze tokom nekih prethodnih anketnih istraživanja. Anketari ih tom prilikom mogu direktno pitati da li su spremni da učestvuju u fokus grupama, ili, po instrukcijama istraživača, anketari prave spisak pogodnih osoba sa imenom i adresom. Nažalost, kod nas nastaju problemi vezani za anonimnost kad se istraživač kasnije obrati tim osobama i pita ih da li bi učestvovali u fokus grupi (iako je anketa, navodno, bila anonimna). Učesnici se mogu angažovati na ulici, na primer, ako su kupili neki proizvod, ili ako na uglu piju neko piće sa dništvom. Mogu se birati učesnici demonstracija i utakmica. Naravno, pri izboru treba poštovati spomenuta pravila reprezentativnosti, ujednačenosti o.sobina i stavova, odnosno posedovanja nekih specifičnih karakteristika (npr. političkog ili nekog drugog opredeljenja). Za sticanje uvida u neku novu oblast pokazalo se kao veoma korisno da učesnici diskusije poseduju stručnost i znanje za tu oblast (Baćević. 2004). Učestvovanje mora biti u prineipu dobrovoljno. Medutim, ako istraživanje tako nalaže, dobrovoljnost se može relativizirati kroz izvesne pritiske za prisustvovanje (npr. pritisak može da izvrši socijalni radnik). Vrlo dobra praksa je da se
učestvovanje honoriše. Kod nas bi okvima, razumna suma, u trenutku pisanja ovog teksta bila oko 50€, plus plaćanje putnih i drugih troškova. Postoje primeri da se u fokus gmpe uključuju instmirani saradnici, koji imaju zadatak da zastupaju neki određeni stav ili mišljenje (kako to ne bi radio moderator, koji to ne sme). Medutim, takva postavka više liči na kvazieksperimentalne nacrte u socijalnoj psihologiji. Sprovođenje istraživanja. - Nema preciznih uputstava što se tiče broja fokus grupa koje treba ispitati u okviru istraživanja jednog problema. Konstmktivistička paradigma sugeriše da broj grupa, odnosno broj diskusija ne treba ograničavati, sve dok se značenja i pojmovi ne razjasne i stabiUzuju. Međutim, uobičajeno je da bude četiri do osam fokus gmpa (Baćević, 2004), ali to zavisi od problema, od raspoloživog vremena, od predvidenog trajanja diskusija ali i od novca. Ista fokus grupa se može okupiti i više puta, sa ciljem da se razjasne prethodna pitanja. Što se tiče lokacije održavanja fokus gmpe, praksa je pokazala da prostorije instituta ili univerziteta, odnosno kancelarije istraživača, koje se inače često koriste, nisu dobre. Učesnici se ne osećaju dobro na fakuUetima i osećaju da su tu dovedeni za nečije potrebe. S druge strane, sale u mesnim zajednicima ili stanovi nekog od učesnika su tuđi drugim učesnicima. To ne važi za slučaj kada grupu čine članovi porodice ili prijatelji -naprotiv, njima će najudobnije biti u vlastitom stanu. Sale za konferencije u hotelima su, recimo, jedno dobro kompromisno mesto kada se članovi ne poznaju. Kada se članovi ne poznaju, situacija je nužno veštačka, pa se kroz organizaciju i delovanje moderatora mora učiniti opuštenijom kako bi se učesnici osećali konfomo i otvoreno. Npr. korisno je da postoji posluženje (sokovi, kafa, keksi) tokom diskusije. Nakon uspostavljanja kontakta i predstavljanja, u zavisnosti od teme diskusije, treba „dati šlagvort” tako što će se prikazati uvodni film, reklamni spot, pročitati neki tekst, odnosno objasniti učesnicima predmet i cilj diskusije. Takode, članovi grupe mogu dobiti zadatak da prouče neki materijal pre sastanka. Diskusija se mora snimati. Vodenje beleški od strane moderatora negativno utiče na odvijanje diskusije. Najbolje je snimanje video kamerom, jer se tako vide i neverbalne aktivnosti. Međutim, ako se želi da snimak bude na profesionalnom nivou onda treba obezbediti dobro osvetljenje i više video kamera. U tim uslovima se Ijudi obično osećaju neprijatno. U svakom slučaju, snimanje mora biti kvalitetno, trake se moraju menjati brzo i luedno i svakako treba izbegavati testiranje opreme na početku i tokom same diskusije (duvanje u mikrofone i vikanje „1, 2, Vrlo često naručilac istraživanja traži da bude prisutan tokom diskusije, ali u zasebnoj prostoriji, u kom slučaju se diskusija mora sniniati video kamerom i prikazivati na monitom u toj prostoriji. Ranije, pre nego što su postojale video kamere, diskusiji je neposredno prisustvovao pomoćnik moderatora koji je beležio neverbalne signale, menjao audio trake i kasnije poniagao u analizi podataka. Danas diskusiji neposredno prisustvuje obično samo moderator, kako bi se
što više eliminisala arteficijeinost situacije i uticaj istraživača. Dobro opremljene istraživačke ustanove poseduju sobe sa jednosmernim ogledalima, iza kojili mogu da sede drugi istraživači ili predstavnici naručioca. Neki autori naglašavaju važnost što manjeg učešća facilitatora u diskusiji, dok su diTigi slobodniji i kažu, npr. da moderator pri kraju može postavljati više detaljnih pitanja ili može zahtevati da se objasne različita mišljenja izneta u grupi (što oni prvi autori smatraju jeresi). Ipak, postoji opšta saglasnost da uloga moderatora, u celini, mora biti nedirektivna. lako diskusija mora biti slobodna što se tiče sadržaja onoga što pojedinci govore, ona neizostavno mora poštovati sledeće norme: 1. Moderator ne sme biti diskutant. 2. Svi učesnici moraju učestvovati u diskusiji (manje ili više). 3. Nema diskutovanja uglas. 4. Učesnici se obraćaju jedan drugom imenom i/ili prezimenom, u skladu sa pristojnošću i običajima sredine odakle potiču. Ne koriste se titule i drugi elementi koji bi uticali na neravnopravno učešće članova (recimo da se stariji obrađaju mladima sa ,,ti”). 5. Nijedan učesnik ne sme preuzeti ulogu „vode debatne grupe”. U tom cilju je korisno da učesnici sede za okruglim stolom. Kad diskusija zamre, moderator ne treba panično da pokušava da je uspostavi postavljanjem niza pitanja. U tom slučaju će se diskusija svesti na odgovaranje na pitanja, odnosno na grupni intervju, u kome se ista pitanja postavljaju čitavoj grupi, a grupa na njih odgovara. Jedna dobra tehnika za oživljavanje diskusije je da se tokom pripreme fokus grupe napravi lista ključnih tema, dilema i pitanja koja mogu da iskrsnu tokom diskusije i da se moderator njima posluži za oživljavanje diskusije (ali pažljivo i štedljivo). Kao dobra, pokazala se telmika „šutnje”, kada moderator izvesno kraće vreme ne pokušava ništa. Taj svojevrsni pritisak na sagovomike funkcioniše u svim vrstama intervjua. Učesnici obično traže od moderatora dozvolu da govore. Takode, često traže podršku ih odobravanje. Čest je slučaj da se na početku diskusije „drže reda” sedenja za stolom. Te pojave štete slobodi diskusije i ciljevima istraživanja (osim ako upravo te pojave nisu njegov predmet). U tom cilju moderator treba da kontroliše svoj „kontakt očima” sa učesnicima, klimanje glavom, osmehivanje i druge oblike „govora tela”. Ovakve oblike podrške može da primenjuje jedino da ohrabri učesnike koji malo govore. Često se javlja problem sa nekim učesnicima koji nastoje da drže reč, prekidajući dnige. Takvi Ijudi to obično rade tako da „hvataju” pauze koje neki govomik napravi i u tom trenutku upadaju sa svojom diskusijom. Moderator mora posedovati veštinu da igra tu ignr brže od onih koji upadaju drugima u reč i da usmerava diskusiju na drugu stranu. Ako to ne pomaže, još uvek postoji šansa da sami učesnici neće dozvohti da budu prekidani. Nasuprot tome, postoje Ijudi koji uglavnom šute, Zadatak moderatora je da i njih uključi u diskusiju, ako treba i tako što će im se direktno obraćati.
A naliza podataka. - Prepis diskusije sa trake moraju da vrše osobe koje poznaju problematiku i imaju iskustvo u tom poslu (daktilografkinje nisu za to pogodne). Engleske norme su oko 7 minuta za prepis jedne minute snimljenog razgovora. Učešće svakog diskutanta treba da bude označeno njegovim imenom i jasno odvojeno od drugih. Prepis treba da ima dovoljno mesta za komentare koje će istraživač kasnije upisivati tokom analize sadržaja diskusije. Obavezno treba uključiti razne identifikacije kao što su datum, ime moderatora, naziv istraživanja, oznaka audio ili video trake sa koje je vršen prepis, ime diskutanta itd. Analiza prepisa diskusije podleže opštim pravilima kodiranja tekstualnih podataka (v. odgovarajuće poglavlje). U najkraćem, istraživač treba da opiše, ilustruje i analizira osnovne (istakmite) teme iznete tokom diskusije, ali isto tako i latentne teme. Analizu i konačni izveštaj po pravilu piše moderator, koji osim rezimea diskusije (analize njenog sadržaja) može i treba da opiše dodatne utiske i zapažanja koji mogu biti relevantni.
2.
Izvori ugrožavanja validnosti u fol
Učesnici mogu da obmanjuju namerno ih nenamemo u svojim diskusijama. Unatoč pažnji koju je posvetio izboru članova grupe, istraživač ne može biti siguran u motive svih učesnika. Najčešći uzroci obmanjivanja (laganja) su nepoverenje prema ciljevima istraživanja, prema „snimanju”, prema moderatoru ili prema ostalim učesnieima. S obzirom da se u socijalnoj psihologiji koriste potpune iste postavke (nacrti) kao što su fokus grupe da bi se demonstrirale pojave kao što su konformiranje stavovima grupe, socijalna faeilitacija i inhibicija, socijalna poželjnost itd., sasvim je jasno da će sve to postojati i kada se takva postavka koristi za prikupljanje podataka. To dobar moderator i dobra opšta organizacija ispitivanja može umanjiti, ali ne može nikad potpuno ukloniti. Konačno, prednosti kvalitativnih metoda se baziraju na „interaktivnosti socijalnog istraživanja” i izgleda kontradiktorno da se roetodološkim postupcim a ta interakcija nastoji eliminisati. Postoje i dmge mogućnosti gubljenja validnosti, kao što su nerazumevanje žargona i lokahzama, a dobro je poznato da nisu svi Ijudi vešti da tačno izraze svoja mišljenja. Vrlo je korisno da se učesnici fokus gmpe intervjuišu individualno nakon obavljene diskusije, ili da im se da anketni upitnik. U intervjuu ili upitniku obavezno treba pitati kako su se osećali, da li su bili otvoreni, da li misle da su drugi bih otvoreni, da h misle da su rekli šta su želeli itd. Intervju se može obaviti ne samo nakon diskusije, nego i kasnije, tokom analize sadržaja diskusije, ako istraživač misli da nije razumco ono što su neki učesnici govorili.
Glava IV, Metode i tehnike merenja 3.
❖
359
Nedostaci fokus grupa
lako se fokus grupe mogu ukratko defmisati kao „intervju + grupna dinamika” (sa naglaskom na grupnoj dinamici), analiza objavljenih istraživanja je pokazala da u većini nije postojala stvarna dislcusija izmedu učesnika, nego su oni govorili jedan po jedan i obraćali se moderatoru. Najviše komunikacije je, izgleda, registrovano unutar grupa koje se poznaju, ali se njima, opravdano, poriče generalizabilnost. Kao što nijedan anketni upitnik ne može postaviti sva pitanja koja mogu biti relevantna za neku temu, tako se ni od učesnika fokus grupe ne može očekivati da znaju, da se sećaju, ili da su razmišljali o svim aspektima pojave koja se ispituje. Cak i ako se organizuje serija fokus grupa, opet će, na žalost istraživača, ostati nedirnutih tema, a neke teme će se (bespotrebno) ponavljati. Pošto su fokus grupe „interaktivna metoda”, ni najbolja selekcija učesnika, ni najbolja priprema i organizacija tema, kategorija i pitanja, ni najbolji moderator ne mogu otkloniti zamrle diskusije, sukobe između učesnika, prekinute diskusije, gubitak glavne niti itd. Lični intervju ima prednost nad fokus grupama kada se istražuju osetljive teme kao što su seksualni stavovi i ponašanje, bolesti u krajnjem stadijumu ili smrtni slučaj (kao npr. samoubistvo) u porodici... Naravno, fokus grupe su krajnje nepogodne za donošenje kvantitativnih zaključaka (kao što je recimo generalizacija na populaciju), a za njih važe i svi ostali načelni nedostaci kvalitativnih metoda koji su diskutovani ranije. Unatoč tome, postoje prilično brojni primeri statističke analtze podataka iz fokus grupa, kao što je poređenja profda „potrošača” i „nepotrošača”, analiza kontingencionih tabela i sl. S obzirom na to da su grupe maie, da su nereprezentativne i da je način prikupljanja podataka neobjektivan, ne preporučuje se kvantifikacija nalaza u fokus grupama, a pogotovo korišćenje statistike zaključivanja. Neki autori ukazuju i na izvesne epistemološke probleme fokus grupa kao kvalitativnih metoda. Recimo, sa konstruktivističkog stanovišta, u fokus grupi se konstruišu značenja koja su specifična za taj socijaLni milje. Iz toga sledi da bi isti ispitanici u dmgoj grupi, u nekom drugom kontekstu, pogotovo u drugoj metodi prikupljanja podataka, m ožda produkovali drugačije diskusije i drugačija značenja. Zatim, postojeće grape (porodice i prijatelji) imaju svoja intema pravila i značenja, koja nisu generalizabilna. Ako se učesnici ne poznaju, onda se treba podsetiti Sherifovog eksperimenta sa stvaranjein grupnih normi - za očekivati je da će isti proces delovati i u fokus grupama. Takode, epistemološki nije razjašnjeno da li se nalazi na grupi mogu preslikati na učesnike-pojedince i na koji način, tj. da li se u fokus grupama analiziraju pojedinci ili gmpa.
I.
Analiza socijalne mreže i sociometrija
Osnovna dva pojma teorije mreža su čvor (engl. node) ; relacija. M reža je skup čvorova i relacija između njih. Da bismo nešto proglasili inrežom, moramo imati najmanje dva čvora i jednu relaciju. U socijalnoj mreži čvorovi predstavIjaju neke socijalne objekte; osobe, grupe ili organizacije. D ništvene nauke se najčešće bave socijalnim mrežama u kojima su čvorovi Ijudi, a relacije odnosi među Ijudima. U naukama o ponašanju čvorovi mogu biti i životinje, u nekim drugim oblastima to su računari, a u matematici čvorovi su apstraktni objekti (Kadushin, 2004), Relacije mogu biti usmerene iU neusmerene. Prim er za neusmerenu vezu je „sede u istoj sobi”. Usmerene veze mogu biti jednosm erne (intrazitivne) ili dvosm erne-uzajamne (recipročne, simetrične, tranzitivne). Prim er za jednosm ernu vczu je ,,A voH B”, a za dvosmemu ,,A i B se vole”.Osim toga, čvorovi u mreži mogu biti povezani sa više od jedne relacije, u kom slučaju se one nazivaju višestrukom vezom (engl. multiplex).
Slika 6. G raf socijalne mreže, odnosno sociogram. Socijalna mreža se može prikazati na dva osnovna načina: kao g r a fi kao matrica. G raf je specijalna vrsta dijagrama koja se sastoji od dva elementa: čvorova i poteza-veza-relacija između njih. U zavisnosti od vrste relacija u grafli, matematičari grafove socijalnih mreža nazivaju usmerenim ili orijentisanim, ili prostim. G raf se simbolički prikazuje kao skup iRj kombinacija, gde / i j predstavIjaju ma koja dva čvora, a R relaciju između njih. N a primer, je prijatelj sa/ ’, „; uči sa/ ’ i sl. N a slici 6 prikazan je g raf jedne standardne socijalne mreže. Čvorovi predstavljaju 10 osoba, a relacije označavaju da li osobe redovno razgovaraju
(komuniciraju) između sebe. N a primer, Saša i Milan ne razgovaraju između sebe direktno, ali između njili postoje Olja i Anja sa kojima obojica razgovaraju. Drugi način prikazivanja socijalne mreže je kvadratna matrica, koja u redovima ima izvore relacija - birače, a u kolonama odredišta relacija - birane. Gornji graf bi bio prikazan na sledeći način. Tabela 11. M atrica socijalne mreže, sociometrijska matrica._________ Birani Birači
Anja
Saša
Anja
Ivan
1
Nina
Nada
0
0
1
0
0
1
0
0
0
Ivan
1
1
-
1
0
0
0
0
0
0
Nina
1
0
1
Nada
1
Milan
1
1
0
1
0
0
0
1
Vesna Mara
1 -
1
Jole
-
0
1
Olja
1
1
1
Milan
Saša
1
1
0
0 -
1
1
1
-
1
0
0
0
0
1
0
0
0
0!ja
1
1
0
0
1
1
-
0
0
0
Jole
0
0
0
1
1
0
0
-
1
0
Vesna
0
0
0
0
0
0
0
1
-
Mara
0
0
0
0
0
0
0
0
1
1
Ovo je najjednostavnija matrica socijalne mreže iz dva aspekta: sadrži samo biname vrednosti (0 za „nema komunikaciju” i 1 za „ima komunikaciju) i simetrična je (jer je relacija „komunicira” simetrična-uzajamna). Matrica socijalne mreže se može analizirati niatematički i statistički, kako za pojedinačnog učesnika, tako i za mrežu u celini. Različiti pokazatelji se mogu računati kako za redove (birače), tako i za kolone (birane). A naliza socijalne m reže obuhvata grafičko prikazivanje i izračunavanje pokazatelja i mera na osnovu relacija u mreži. Analiza socijalne mreže je poznata i pod r\a.z\vova.sociometrija. Ovaj termin je 1930-tih godina skovao Jacob Moreno“ u okviru svog bavljenja interpersonalnom interakcijom u malim grupama, odnosno grupnom dinamikom. Originalna Morenova sociometrija je imala značajan kvalitativni prizvuk. I danas se rezultati analize socijahie mi'eže mogu analizirati kvalitativno, npr. kroz dopunske intervjue i neposredno posmatranje. Medutim, današnja primena socijalnih mreža i sociometrije je kvantitativna, pa je neki autori smatraju paradigmom kvantitativnog skahranja u sociologiji. U torn značenju, sociometrija je ekvivalent psihološkoj disciplini psihometriji i ekonomskoj disciplini ekonometriji, kao implementacijama eminentno kvantitativnih metoda u ovim naukama. Drugi
“ Njegovo pravo ime je bilo Jacob Levi. Bio je neobična ličnost, samoživ, Ivrđio je da „čuje glasove”, ponekad je mislio da je Bog i žalio se da mu drugi kradu ideje, iako baš za temiin „soeiometrija” ima indicija da su zaslužni njegovi saradnici. Inače, i dalje je vrlo ciliran autor, posebno njegovo delo: „Ko će preživeti” (Who Shall Survive).
autori vide analizu socijalnih mreža pre kao granu raatematičke sociologije, nego kao primenu statistike u sociologiji. V rste p o d ataka u socijalnoj m reži - Kao što je rečeno, matrica 11 prikazuje binarnu i dvosmemu relaciju „komunicira sa”. Kada bi se relacija drugačije definisala, recimo kao „svida se”, strelice u grafu ne bi uvek bile na obe strane relacije. N a primer, Saši bi se mogla sviđati Anja, ali se Saša ne bi morao svidati Anji. Posledica na matricu bi bila to da matrica više ne bi bila simetrična: jedinica bi postojala na ukrštanju Saše kao birača i Anje kao birane, a ne i na ukrštanju Anje i Saše. Nadalje, osimbinarnih relacija „ima-nerna”, koriste se i; nominahie, grupne ordinalne, pune ordinalne i intervalne. Nominahie relacije se dobijaju kada svaki učesnik dobije spisak ostahh učesnika i uz svakog od njih treba da upiše svoj odnos s njim, npr.: prijatelj, Ijubavnik, cimer, ne poznaje ga i sl. Gmpna intervalne relacije se dobiju kada pored svakog učesnika treba upisati: dopada mi se, ne dopada mi se, neutralan sam. Pune ordinahie relacije dobijaju se kada svaki učesnik treba da rangira ostale učesnike prema tome kohko mu se sviđaju. Intervahie relacije bi se dobile kada bismo, na primer, merih vreme koje dve osobe provedu zajedno ih kohko e-mailova razmenjuju. Nažalost, iako svi ovi tipovi relacija nose mnogo više informacija nego binarne relacije, postojeća metodologija za anahzu socijalnih mreža ne omogućava da se te informacije dobro koriste. N a primer, teškoće nastaju već pri crtanju grafa socijah^e mreže čiji su relacije nominalne, ordinalne ih intervahie. Najjednostavnije rešenje je da se pored svake strehce upisuje i vrsta ih „iznos” relacije. Isto tako, sasvim je prirodno da Ijudi stupaju u razhčite vrste odnosa. Na primer, socijahia mreža bi bila razhčita za pitanje „sa kime radite” i „sa kime se družite”. Nažalost, iako teorija socijalnih mreža predviđa postojanje višestrukih veza, njihova anahza nije najbolje razrađena. Najednostavnije je da se za svaki tip relacije sprovede zasebna anahza, pa se rezuhati porede bilo kvantitativno, bilo kvahtativno. P rik u p ljan je podataka za socijalnii m rež u .- Podaci za izradu socijalne nueže mogu se prikupljati na razhčite načine. Kao prvo, učesnici („čvorovi”) se ne uzorkuju slučajno, nego su obično članovi neke organizacije, institucije, grupe ih neke druge mreže. Klasična sociometrija se nije primenjivala na vrlo mahm i vehkim grupama jer se smatralo da za male nije potrebna, a za vehke je bila nepraktična. Današnji matematički modeli i softver za crtanje socijalne mreže ne postavljaju nikakva posebna ograničenja za vehčinu grupe. Relacije izmedu čvorova mogu se zaključiti iz različitih vrsta evidencija, neposrednim posmatranjem, intervjuima, merenjem, a klasičan način je putem sociometrijskog upitnika. Sociometrijski upitnik sadrži pitanja kao što su: „sa kim biste želeli zajedno da radite”, ,,sa kim bisle voleli da provodite slobodno vreme” i sl. „Zajednički rad” i „slobodno vreme” su tzv. sociom ethjski kriterijumi, odnosno definicije relacije. Odgovaranje na upitnik je obično anonimno, a mogu se dodati još i pitanja o sociodemografskim obeležjima učesnika. Neobične ili
protivrečne konfiguracije mreže mogu se proveriti naknadnim intervjuisanjem članova grupe. M ere i pokazatelji socijalne m reže - Iz grafa 6 se vidi da Saša i Milan ne komuniciraju direktno, ali postoje Anja i Olja sa kojima obojica komuniciraju. Zato se za njih dvojicu kaže da imaju distancu dužine dva, a između Saše i Vesne je distanca tri. Distanca je najnianji broj relacija (putanja, poteza) između dva čvora. Učesnik koji ima manju prosečnu distancu prema ostalim učesnicima ima veći uticaj, ili lakše prenosi informacije, ili lakše dobija informacije itd. Drugi važan pojam mreže je gustina (engl. density). Gustina mreže se u binamim mrežama iskazuje prosto kao odnos ostvarenih relacija prema maksimalnom mogućem broju relacija (kad su relacije intervalne, gustina se defmiše kao odnos sume vrednosti relacija prema mogućoj sumi). U mrežama u kojima je gustina veća informacije se brže prenose, veća je kohezija, učesnici imaju veća socijalna ograničenja (predvidljiviji su) itd. Sledeća važna grupa pokazatelja se odnosi na društvenu moč (kako radije govore sociolozi i psiholozi), odnosno centralnost (kako radije govore mrežni anaUtičari, Hanneman i Riddle, 2005). Ovi se pokazatelji obično odnose na pojedinačnog učesnika i nose nazive: stepen (engl. degree), zajedništvo (engl. betweenness) i bliskost (engl. closeness). Na primer, najveći stepen ima Anja jer je direktno povezana sa najviše Ijudi. Najveće zajedništvo ima Jole jer predstavlja jedinu vezu između grupe Ijudi oko Anje i izdvojenog para. Najveću bhskost imaju Nina i Nađa, je r imaju najmanju distancu prema svim ostahm osobama. Postoje i mnogi drugi pokazatelji, od kojih su neki sasvim jednostavni, kao što je vehčina mreže, a neki kompleksni, kao što su tok (engl. flow), reciprocitet, sličnost/različitost i sl. Sociom ctrijski in d e k s i- U klasičnoj sociometrijskoj tradiciji su se izračunavali različiti indeksi, kako za pojedinca, tako i za gnipu. Na primer, indeks izbornog statusa osobe i se može izračunati kao: IS; = X^x/(n-I). Sa x su označeni izbori koje je osoba i dobila, a sa n broj članova grupe (n-1 se koristi zato jer osoba ne može birati samu sebe). Isto se može uraditi i za izbore koje je osoba dala, ali za izbore koje osoba nije primila odnosno dala (kadaje;c;=0). Cešće se koriste grupni indeksi. Recimo, ako je članovima omogućeno da izaberu onoliko članova koliko žele, onda se može izračunati indeks grupne ekspanzivnosti:
£ =~
,
[22]
pri čemu je suma svih izbora svih članova grupe. Indeks E nije primenljiv ako je broj izbora bio ograničen. Indeks giaipne kohezivnosti (sličan pojmu gustine) može se izračunati kao:
pri čemu predstavlja sumu svih uzajamnih izbora-parova u matrici). Može se, takođe, izračunati indeks uključivosti grupe kao proporcija izolovanih osoba. Indeks gustine grupe čini proporcija postojećih izbora (strelica) prema mogućem broju izbora svih izbora (koji je jednak = n!/[(n - 2)!2!], broj pozitivnih prema broju negativnih izbora (privlačenja prema odbijanju) itd. S tru k tu re i su b stru k tu re m rež e.- Postoje tri osnovna „idealna tipa” mreže: zvezdasta, linijska-lančana i kružna-cirkularna. Takođe, ove tri strukture mogu postojati, kao substrukture, u okviru veće mreže. Na primer, oko Anje postoji nešto vrlo sHčno zvezdastoj mreži, a ako bi se Anja izbacila učesnici oko nje bi formirali kružnu mi'ežu, dok Jole, Vesna i M ara čine linijsku mrežu. Anja je zvezda ili vođa. Njen položaj u zvezdastoj strukturi donosiće joj verovatno najveći uticaj ili moć. U linijskoj strukturi položaj prvog i zadnjeg člana može biti vrlo povoljan ili nepovoljan u zavisnosti od prirode relacije (na primer, razmotrite slučaj kada struktura predstavlja hijerarhiju izdavanja naređenja). Može se reći da je osnovna substruktura svake socijalne mreže dijada ili par. Pri tome je važno da li je dijada izolovana od ostalih učesnika. Izolovan može biti i pojedinačan učesnik i onda je obično predmet posebnog interesovanja istraživača. Medutim, mreža može imati više izolovanih delova, bilo koje veličine i strukture. Kao što je rečeno, ako postoji neki učesnik koji povezuje te delove, on ima visoku centralnost (moć) zajedništva. M ogu postojati još neki tipovi odnosa, kao npr. inoć iz pozadine, koja se defmiše kao svojstvo neke osobe da je biraju zvezde (ona nije generalno omiljena, ali ima moć zato što utiče na zvezde). Vrlo su često istraživane klike. Narativno rečeno, klikaje grupa učesnika koji su više povezani međusobno nego sa ostalim učesnicima. U terminologiji mreža, po strožijoj defmiciji, klika je segment mreže u kome postoji maksimalna gustina, a po blažoj defmiciji, to je segment u kome postoji visoka gustina. Pažljiv čitalac će uočiti da su različiti koncepti mreže povezani i prepleteni, je r npr. klike imaju veze sa gustinom i izolovanošću. Softver za analizu socijalne nircžc - Dok se Morenova sociometrija računala i crtala ručno, današnje analize socijalne mreže se obavljaju isključivo pomoću računara. Postoji veći broj programa, ujavnom vlasništvu, ili komercijalnih, koji se mogu naći na Internetu. Program InFIow (http://www.orgnet.com/ infIow3.html) crta i izračunava mere i pokazatelje. KrackPlot je program za vizualizaciju mreže poznatog autora Davida Krackhardta (http://www.contrib.andrew. cmu.edu/~krack. SIENA je program za longitudinalnu analizu mreže (http://stat. gamma.rug.nl/snijders/sicna.html). Važno je znati da postoji više matematičkih modela za izračunavanje metrike mreže, kao što su Freemanov i Bonacichev za mem stepena centralnosti, ili HubcII-Katzov, TayIorov i Stephenson-Zelenov za mere bliskosti. Oni nekad daju slične rezullate, a nekad i ne. Osim specijalizova-
nih pristupa za računanje mrežnih pokazatelja, mnoge statističke tehnike stoje na raspolaganju za analizu mrežne matrice: od raznih koeficijenata asocijacije (npr. Pearsonovog r i nominalnih koeficijenata), do analize grupisanja (klaster analize) i multidimenzionalnog skahranja. Poslednje dve baziraju na tome da mrežna matrica nije ništa drugo do matrica bhskosti, odnosno distanci. D iskusija.- Ako podatke prikupljamo upitnikom može sc postaviti pitanje objektivnosti i realiteta izbora. Poznato je iz prakse da Ijudi javno radije daju pozitivne izbore, nego negativne. Osim toga, ako se radi o deci, ih ako su grupe „mlade” i čianovi se nedovoljno poznaju, odluke članova o privlačenju ih odbijanju mogu biti iznuđene. U nekim osetljivim zajednicama, kao što su zatvori, može se sumnjati u tačnost datih izbora ne samo zato što postoje nesvesne simpatije i mržnje, nego zato što se odnosi kriju. Ti nedostaci se mogu otkloniti dopunjavanjem podataka dobijenih upitnikom drugim tehnikama. Osim toga, sociometrijski podaci odshkavaju presek grupnih odnosa u jednom trenutku. S obzirom da se radi o „dinamici”; odnosi se stalno menjaju, jedni parovi se kidaju, a drugi stvaraju, jedan sociogram ne znači i konačnu reč o odnosima u jednoj grupi. To se može prevazići tako da se sociometrijski podaci prikupljaju u više vremenskih tačaka. Pomenuh smo program SIENA pomoću koga možemo napraviti animirane sociograme, iz kojih se vide vremenske promene. Većina opisanih primena anahze socijalne mreže spadaju u oblast neeksperimentalnih istraživanja. Međutim, anahza socijahie tnreže se može koristiti i u eksperimentalnim nacrtima. Na primer, vremenske promene u mrežnim pokazateIjima se mogu koristiti za evaluaciju nekog programa, kao što je neka grupna terapija, koja ima za cilj da unapredi odnose u grupi, razvije saosećajnost, podstakne slobodnije uključivanje u odnose sa drugima i sl. Kad se govori o psihoterapiji, onda se sociometrija sreće u kontekstu tehnika grupne terapije, tzv.psihodrame ih sociodrame, koje su sUčne metodi igranja uloga koju smo ovde opisah. Naravno, metoda igranja uloga se takođe može kombinovati sa sociometrijom u cilju boljeg „kastinga”, aU i izučavanja delovanja metode igranja uloga na učesnike. Pomoću anahze socijalne mreže mogu se anahzirati stvame društvene uloge staleža, klasa, profesionalnih grupa i sl. (u tom slučaju se obično u prikazima mrežnih pokazatelja koriste prosečne vrednosti izbora za taj stalež ih klasu).
J.
Igranje uloga
Igranje uloga se koristi u mnogim oblastima i za razne namene. U suštini, to je postavka tokom koje u ograničenom i obično kratkom vremenu dve ili više osoba simuliraju neku društvenu situaciju, a pri tome je svakom od učesnika dodeljeno da igra određenu ulogu. Ta postavka može da se koristi u eksperimentalnim istraživanjima da bi se tokom nje izvršila eksperimentalna manipulacija
(npr. uticaj grape na stavove, izazivanje frustracije i agresije), može da se neposredno posmatra ponašanje učesnika i da se snimaju i beleže ponašanja kao što su hostilnost, autoritaraost, predrasude, dominantnost-submisivnost i sl. Igranje uloga se često koristi i u izučavanju rukovodenja; recimo, uticaja autoritamosti ličnosti na izbor stila rukovođenja. U tom cilju se odabranoj grupi dobrovoljaca može dati skala autoritamosti, a zatim se može primeniti igranje uloga tokom kojeg će svaki dobrovoljac jedno vreme igrati ulogu rukovodioca grupe. Sličan plan se može primeniti i u istraživanju reakcije nastavnika na problematično ponašanje dece i, simetrično, ponašanje dece u toj situaciji. Na primer, svi učesnici mogu da izmenjaju uloge u sledećoj postavci: ,,Ti si dete koje je bilo nevaljalo. Gađao si dnigu decu gumicom. Ti si učitelj i pozvao si dete na razgovor posle časa. Seli ste u učionicu i počeli razgovor. Počnite.” Postavka sa igranjem uloga može da posluži i za obuku učesnika u nekoj timskoj aktivnosti, ili za neku radnu delatnost, dakle ne kao metoda prikupljanja podataka. Istraživač ili njegovi saradnici mogu takode biti učesnici kako bi mogli da kontrolišu odvijanje igre. Jedno vreme (izmedu dva rata, tokom II svetskog rata i neposredno posle) se u Americi igranje uloga vrlo obimno koristilo u cilju tzv. holističkog pristupa testiranju i profesionalnoj selekciji Ijudi. Iz tog doba potiče jedan program za selekciju obaveštajaca u Office o f Strategic Services u SAD. Pogledajmo taj zanimljivi primer, iako se on ne odnosi samo na temu igranja uloga, nego prvenstveno na pitanje korisnosti testiranja ,,u prirodnim uslovima”; Kandidati su prvo ukratko informisani o budućim zadacima. Dat im je lažni identitet koga su morali celo vreme braniti. Onda su odvođeni u jedan logor u prirodi gde su podeljeni u grupe i gde su imali niz testova. Svakoj grupi je davan zadatak da prenesu sa jedne obale potoka na drugu neke sWari I posmatrane su reakcije pojedinaca, izdvajanje vođa itd. Zatim je svakome dat zadatak da napravi skelu od drveta sa 2 instruirana pomoćnika. Kippy je bio krajnje pasivan, radio je samo ono što mu se kaže, stajao i smetao, bavio se nepotrebnim poslovima itd. Buster je bio agresivan, nametao svoja beskorisna mišljenja i stalno kritikovao druge i tražio slabe tačke. U istoriji projekta niko sa njima dvojicom nije uspeo obaviti zadatak u predviđenom vremenu. Kandidati su posniatrani da li će pobesneti i udariti pomoćnike, odustati, uraditi sve sami ili okrenuti sve na šalu. Onda su bila unakrsna ispitivanja, naizmenično neprijatna pa Ijubazna (po principu toplo-hladno) kako bi se kandidat prisilio da otkrije svoje identitet, Zatim su tu bili razni upitnici, intervjui i testovi, No, podaci nisu iskazivani sistematično, niti pojedinačno, nego je veliki broj procenjivača davao neku zajedničku procenu ličnosti, Nije bilo nikakve sistematske istrage uspešnosti ove selekcije, ali je iskustvo pokazalo da je bila bolja od nasumične, a ponekad znatno bolja. To se onda iskazivalo kao uspeh holističkog testiranja, Međutim, oni su u selekciji takode koristili puno testovnog materijala, a osim toga, nije bilo podataka o tome na čemu su njihove konačne ocene bile bazirane; u kolikoj meri i koliko je šta bilo uspešno u predvidanju.
Osim toga, iako je prosečan postupak trajao 3 dana, u jednoj stanici je to skraćeno na 1 dan i ta stanica je imala najbolje rezultate u selekciji. Citirano prema Eysenck (1971).
Ova zanimljiva i vesela metoda igranja uloga je ograničena samo maštom istraživača i vrlo je fleksibilna u pogledu postavke i namene. Naravno, za naučne zaključke koji sc cvcntualno donesu na osnovu nje važi sve što je rečeno za kvalitativne metode.
K. Analiza sadržaja
Pod analizom sadržaja se danas podrazumevaju prilično različite stvari. Trenutno njen originalni naziv, analiza sadržaja, maskira šarolikost ideja, pristiipa i primena. Jedna od zanimljivih protivrečnosti analize sadržaja je njena lokacija na dimenziji kvantitativno - kvalitativno. Naime, ona se koristi u kvantitativnim istraživanjima da bi se kvantitativno analizirao slobodan tekst, ali i u kvalitativnim istraživanjima da bi se otkrila ključna značenja verbalnih poruka. Istorija ra zvoja.- Pojam analize sadržaja ie staj oko 60 godina. Medutim,j)rema Kripperidorfu, prvi dobro^dokumentovani slučaj kvantitativne analize štampanog materijala Sesio se u XVIII veku u Švedskoj (Insch i Moore, 1997). Analizirano je 90 pesama koje su okrivljene za potkopavanje odanosti crkvi i sektaštvo. Kako bi se pitanje razrešilo prebrojavani su religiozni simboli u ovim pesmama i uporedivana je njihova učestanost sa učestandšću lih simbola u prihvaćenim zbirkama pesama i zbirkama iz religioznih sekti koje su već bile ekskomunicirane. Početak X X veka donosi veliko povećanje obima štampanog materijala, zanimanje za istraživanje masovnih tržišta i interes za javno mnjenje. Razvoj različitih škola žurnalizma doveo je do zahteva za razvojem i ujednačavanjem etičkih standarda, ali i do potrebe da se empirijski istraži moć i uticaj novina. To je dovelo do razvoja tjv . kvantitativne analize novina. Kasnije, merenje učestanosti pojavljivanja ključnih reči i fraza po tematskim kategorijama bilo je prošireno na radio, a zatim i na brojne druge izvore informacija kao što su udžbenici, stripovi, govori, reklame, filmovi i televizija. Pre II svetskog rata analiza sadržaja se uglavnom zasnivala i bila definisana kao korišćenje podataka iz masovnih komunikacija za testiranje naučnih hipoteza i za analizu žurnalističke prakse, Tokom rata, analiza sadržaja je dobiia prvu značajnu praktičnu primenu u „analizi propagande”. Potreba za analizom velikog broja pisanih dokumenata i repetitivnost tog posla učinila je da računari postanu prirodni .saveznik” analize sadržaja. Shodno tome, tokom zadnjih 40 godina, a posebno nakon uvođenja opšte dostupnih personalnih računara, softvera za analizu teksta i uređaja za obuhvat podataka, značajno je porastao interes i primena analize sadržaja u velikom broju društvenih istraživanja.
Anahza sadržaja je mctoda za ko^iije^teSko reći da li j.e metoda prikupljanja podataka, v rstalslrarm iija''‘ili metoda analize podataka. Verovatno se za nju
može reći da je sve to zajedno. Kao p rv o jed in ice posmatranja su ko d analize s'^drzaja sa'svTm špecifične. To nisu Ijudi, nego Ijudski proizvodi, i to takvi proizvodi koji su nosači informacija, odnosno nosači simboia (jedinice posmatranja se u analizi sadržaja nazivaju jedinicama analize; v. kasnije). Za veoma veliki broj Ijudskih proizvoda se može reći da nose informacije o Ijudima i o Ijudskom ponašanju, odnosno da služe prenošenju takvih informacija od proizvođača ka potrošaču, odnosno od pošiljaoca ka primaocu. Kao drugo, prikupljanjepodataka u analizi sadržajajepotpuno bez interferencije sa posmatranom pojavom (eng. unobtrusive). Mogu se analizirati stare knjige i arhive, mogu se snimati politički govori sa radija ili televizije, ili prepisi intervjua obavljenih mnogo ranije. Anahza sadržaja se, dakle, može obavljati na sekundarnini podacima, onima koje nije prikupio istraživač - arhive, zbomici, katalozi i sl. Kao treće, sama analiza dobijenih rezidtata, npr. tumačenje frekvencija pojavljivanja reči, kvalitativna analiza konteksta u kojem se reči javljaju, tumačenje rezultata eventualne muhivarijatne analize i dr. specifična je za prirodu podataka i za ciljeve analize sadržaja. O tome šta su podaci i šta su ciljevi analize sadržaja biće reči u narednim poglavljima.
1.
Definicije analize sadržaja
Najjednostavnija defniicija analize sadržajakao naučne metode prikupljanja i analize podataka je da se ona zasniva na kodiranju teksta, odnosno poruka. Kodiratije teksta je razvrstavanje jedinica analize u kategorije, a rezultati kodiranja se podvrgavaju različitim, prvenstveno kvantitativnim, analizama. Sa ovakvom interpretacijom, analiza sadržaja postaje opšta metoda istraživanja, skoro poseban nacrt istraživanja, koji ima faze deflnicije problem a, prikupljanja podataka i analize podataka. Specifičnija i konkretnija defmicija analize sadržaja kaže: „Anahza sadržaja je svaka tehnika zaključivanja koja se zasniva na sistematskom i objektivnom identifikovanju karakteristika datih poruka”. Jedna od ključnih reči ove defmicije j e poruka. Naime, analiza sadržaja je počela to o aMliza teksta, pa se i danas često vezuje za štampane komunikacije.^Međutim, sve više, analiziraju se svi obHci komunikacije i svi nosači infonnacija. Zato je veoma važno da se potencijali ove metode g'ledaju u tom opštem kontekstu: kao analize bilo kakvih poruka, odnosno infonnacija. Naravno, treba imati u vidu da čovek nastoji da sve infonnacije koje sadrže različiti mediji-nosači prepiše i stavi na papir u obliku teksta. Da gomja defmicija ne bi obuhvatila bilo koje pažljivo čitanje dokumenata (a neko bi je mogao tako shvatiti), analiža sadržaja mora posedovati neke karaktefistike oko kojih postoji široko slaganje različitih nutom:,objektivnost^,sistematjčnost\:opštost^ Da bi \n\a_objektivna, analiza sadržaja se mora izvesti na osnovu eksplicitno formulisanih pravila koja će omogućiti da dve ili više osoba dobiju iste rezultate
ako analiziraju istu poruku-- Da bi bila sistematska, tokom analize s^uključivanje ili isključivanje sadržaja ili kategorija 'mora vršiti na osnovu konzistentno primenjenih kriterijuma selekcije i mora važiti za sve poruke i njihove delove. Ovaj zahtev eliminiše analize u kojima se ispituju samo materljali koji podržavaju istraživačeve hipoteze. Pod opšlošću se podrazumeva da nalazi moraju imati teorijsku relevantnost; čisto deskriptivni podaci o konkretnom sadržaju, nepovezani sa ostalim atributima sadržaja ili osobinama pošiljaoca ili primaoca poruke, od male su naučne vrednosti. Jedna druga definicija kaže sledeće: ,,Dok je utemeljena teorija posvećena otkrivanju hipoteza na osnovu podataka, anahza sadržaja obuhvata telinike za: 1) svođenje artefakata kao nosača simbola, nastalih kao rezuUat Ijudskog ponašanja (uključujući, ali ne ograničavajući se samo na tekst), na matricu ,jedinice x varijable” i 2) kvantitativnu analizu te matrice u cilju testiranja hipoteza. Spomenuto svođenje poruka na matricu podataka se izvodi putem primene skupa kodova na artefakte i, zatim, putem provere pouzdanosti kodera putem ispitivanja njihove saglasnosti”. U ovoj defmiciji se pod matricom jedinice x varijable podrazumeva matrica podataka koja u redovima ima jedinice analize (koje će biti objašnjene kasnije u tekstu), a u kolonama kategorije (koje će takođe biti kasnije objašnjene). Članovi matrice mogu biti frekvencije pojavljivanja ih dužina trajanja, odnosno neki pokazatelji kvaliteta i kvantiteta. Pored ove matrice, u anahzi sadržaja se sreću i druge matrice, kao što su matrica zajedničkog pojavljivanja jedinica analize. Ova matrica je tipa ,jedinice x jedinice”, a njeni elementi su najčešće sirove ih standardizovane frekvencije zajedničkog pojavljiv\anja. Ovakva matrica se u statistici naziva matricom sUčnosti (ili distanci) i obrađuje se kiaster analizom ih multidimenzionabim skaliranjem. Uobičajeni cilj anahze sadržaja je testiranje hipoteza o emiteru (proizvođaču) poruke, prijemniku (potrošaču) ih obojici. Detaljnije, može se reći da svrha anahze sadržaja može biti: a) ispitivanje sadržajakomunikacije u odnosu na ciljeve, b) identifikacija namera i ostahh svojstava komunikatora, c) otkrivanje fokusa pojedinčeve, grupne, institucionalne ih društvene pažnje, d) opis trendova u sadržaju komunikacija, e) sastavljanje i primena standarda za komunikaciju, f) ispitivanje stavova, interesovanja i vrednosti delova populacije i g) kodiranje odgovora na otvorena pitanja u anketama. Dalje, kao što je rečeno, ona je generalno neoptruzivni izvor podataka. Anahza sadržaja se obično koristi za izučavanje poruka koje su generisane bez prelhodnog ziianja subjekata da će ti podaci biti anahzirani. Kaže sc da se „tekstovi mogu tretirati kao tragovi autorovog pogleda na svet u jednoj tački u vremenu i kao imuni na retrospektivne konstrukcije”. Dakle, analiza ^ d rž a ja smanjuje mogućnost za interakcije ili istraživačevu pristrasnost u fazi prikupljanja podataka. Ipak, pristrasnost može postojati u obliku efekata kao što je selektivjii depozit (v. analizu sekundamih podataka). Takođe, analiza sadržaja se, skupa sa analizom sekundamih podataka i meta-analizom može nazvati metodom za analizu arhivskih podataka.
Još značajnije, analiza sadržaja se koristi kao komplement narativnoj analizi (v.), neposrednom posmatranju (v.) i intervjuu (v.) gde se vrlo uspešno koristi za objektivnu analizu, zapisnika, storija i eseja.
2.
Analiza sadržaja - kvantitativna ili kvalitativna metoda
Neki autori podrazumevaju da je analiza sadržaja kvantitativna nnetoda, dokje drugi ubrajaju u kvalitativne metode. Analiza sadržaja nesumnjivo poseduje neka svojstva koja su generalno asocirana sa kvalitativnim metodama kao što su bogatiji detalji, očuvanje više informacija o kontekstu I potencijal za razvoj noviti teorijatkroz vezu sa utemeijenom teorijom). Fenomenologija, konstruktivizam i slične paradigme, u kojima se traga za značenjima, pod kvalitativnom analizom zapravo najčešće podrazumevaju upravo kvalitativnu analizu teksta i drugih sličnih proizvoda Ijudske deiatnosti, uključujući siike, oblike (tzv. ikonički materijai) i zvukove. Kodiranje teksta, koje uključuje definiciju kategorija i pravila dodeljivanja jedinica analize u kategorije, po mnogo čemu je kvaiitativni proces. Tačnije rečeno, sh^ara prostor za kvalitativni pristup saznanju. No, ako se kodiranje teksta obavlja automatski, pomoću računara, i na osnovu gotovih pojmovnih rečnika, stepen objektivnosti analize sadržaja može biti zavidan. Međutim, nakon obavljenog kodiranja (klasifikacije), dobijeni podaci, razvrstani u matricu podataka, mogu se analizirati kvantitativno u svakom pogledu. Postoje brojni primeri primene najnaprednijih statističkih tehnika u cilju analize matrice podataka iz analize sadržaja; klaster analize, faktorske analize, multivarijatne analize varijanse, diskriminacione ahaliže^ višestruke regresione analize, modela strukturalnih jednačina, loglinearnih modela itd. 0 primeni univarijatne i bivarijatne statistike ne treba ni govoriti; od hi-kvadrat testa, ftesta, ANOVE do linearne i rang korelacije.
Mnogi u analizi sadržaja vide odlično oruđe za multimetodski pristup i triangulaciju više metoda. Osim toga, kasnije ćemo videti da postoje dve vrste analize sadržaja; sintaksička i semantička, pri čemu je ova prva prvenstveno kvantitativna. Imajući sve to u vidu, u pravu su i oni autori koji analizu sadržaja razvrstavaju kao kvalitativnu i oni koji je razvrstavaju kao kvantitativnu metodu. Ako analizu sadržaja u celini tretiramo kao opštu istraživačku metodu, onda izgleda prihvatljiv stav da analiza sadržaja ima kvalitativno p rik u p ljan je podataka i kvantitativnu analizu podataka. lako to nije uvek tačno, studentu će biti lako da zapamti taj jednostavni rezime debate o prirodi analize sadržaja.
3.
Sta se analizira u analizi sadržaja
Analiza sadržaja se bavi analizom poruka, bez obzira na to šta je medijum ili nos'aS ^ruke. Danas se često može pročitati da je analiza sadržaja kvantitativna i kvalitativna analiza teksta, ikoničkog materijala i zvukova. Nastoji se, dakle, da se analiza sadržaja decentrira od tekstualnih poruka. To nije lako postići jer, na primer, radio i televizijske emisije koje se prekucaju i dalje analiziraju kao
standardan tekst nisu „ikonički materijal”. Međutim, ako se u televizijskim emisijam a analizira pol i boja kože učesnika, njiliovo odevanje, da li puše ili ne puše pred kamerama, ili da li prijateljski komuniciraju, onda bi se moglo reći da se radi 0 ikoničkom materijalu. Još nedvosmislenije je da se radi o ikoničkom materijalu kada je reč o karikaturama, plakatima, stripovima ili crtanim filmovima, Kad se radi o zvukovima, onda se muzika emitovana na radiju, ili svirana na nekim masovnim skupovima može analizirati s obzirom na žanr, ritam, harmoniju i sl. Međutim, opet, kalegorije u koje se bilo kakav materijal razvrstava su tekstualne; mušarci-žene, narodna nošnja-evropsko odevanje, narodna m uzikarock muzika; sve je to tekst. Zbog toga, čak i ako se radi o genuinom ikoničkom ili zvukovnom materijalu, kodiranje se vrši na osnovu pisanih knjiga šifara. To dovodi do toga da se analiza sadržaja najčešće, kada se dođe do obrade i analize, tretira kao analiza teksta. Analiza teksta je, takođe, najčešći vid analize sadržaja do danas. Tome doprinosi i to što automatsko kodiranje ikoničkih i audio zapisa putem računara još uvek nije na upotrebljivom nivou, te je manje dostupno od iste procedure za tekstove. Kada se uzme u obzir samo analiza teksta, onda postoji i dalja stratifikacija metoda i tehnika analize sadržaja. Osnovna podela u tom domenu je dvotomna: sintaksno-Ieksička i semantička. Da bismo objasnili o čemu se radi, je r ove nazive treba shvatiti uslovno, opisaćemo tu podelu detaljnije. Sintaksno-leksičko-lingvistička analiza sadržaja. - Ovde se analiza sadržaja pojavljuje kao analiza sintakse, leksike i morfologije. U tom cilju se rade frekvencijske analize reči, delova reči, ili rečenica, meri se dužina rečenica ili dužina reči, učešče i odnosi pojedinih vrsta reči (npr. glagola i imenica) i sl. Rezultat sintaksne analize sadržaja su najčešće različiti spiskovi i pregledi. Najjednostavniji pregled je lista reči, koja sadrži sve reči iz neke jedinice analize. To ne moraju biti samo reči, nego mogu biti i fraze ili uobičajeni izrazi (v. kasnije kolokacije). U našem jeziku, zbog padeža, roda i broja, lista reči se može dramatično skratiti ako se primeni lematizacija (v. kasnije). Lista reči se vrlo često prezentira sa frekvencijom i procentorn pojavljivanja reči. Osim lista, vrlo često se prave indeksi. Pod indeksiranjem teksta se često podrazumeva složeni niz postupaka, medutim, po osnovnoj i striktnoj terminologiji, indeks predstavlja listu reči koja sadrži reference u tekstu gde se reč nalazi. Referenca se obično sastoji od rednog broja strane gde se reč nalazi, ali se može sastojati i iz rednog broja neke druge jedinice analize (recimo paragrafa ili člana). Zato se ponekad ta referenca naziva koordinatom. U toj formi mi poznajemo indekse autora koji se nalaze na kraju knjige. Ipak, najpoznatiji pregled se naziva konkordancom. Konkordanca je spisak reči sa kontekstom u kome se reč javlja. Obično se uz svaku reč navodi referenca u tekstu gde se reč nalazi, kao i druge eventualne oznake reči (npr. glagol, imenica, pridev). Kad se govori o kontekstu, obično se misli na izvestan deo okolnog teksta, recimo 25-^5 znakova u neposrednoj okolini date reči. Postoje dva fonnata konkordanci s obzirom na način prikazivanja konteksta: KWIC i KWOC. Primer
KWIC (engl. Key Words In Context - ključne reči u kontekstu) konteksta za reč „indeks” bi bio;
146
U KWIC-u su, dakle, reči, kao što je „indeks”, prikazane unutar konteksta u kome se javljaju, praćene referencom (npr. brojem strane). Druga vrsta konteksta, dobro poznata iz enciklopedijskih rečnika je KWOC (engl. Key Words Out Context - ključne reči izvan konteksta). Ovde se sama reč najčešće daje u zaglavlju, a ispod nje se navode svi konteksti u kojima se ta reč pojavljuje. Primer: indeks striktnoj terminologiji, indeks predstavlja listu re Nekada su konkordance, indeksi i liste izradivane ručno
146 150.
Reč se ponekad, radi jednostavnosti, zamenjuje nekim znakom, npr. zvezdicom ili zagradam a< > . U literaturi se često može sresti da se konkordanca sa kontekstom u obliku KWOC-a naziva indeksom, Indeksi pojmova koji se navode na kraju knjige duguju svoje ime upravo takvoj praksi, iako bi dobar indeks pojmova, po našoj tenninologiji, trebao biti napravljen kao konkordanca sa KWOC-om. Treba znati da kada se kaže „reč”, onda se misli uopšteno, pa to mogu biti reči, delovi reči, fraze, rečenice ili neke slične celine. Takode, istraživača neće uvek interesovati sve reči, nego neke određene reči, koje proističu iz predmeta i ciljeva istraživanja. Lematizacija ]os pojam koji se sreće u lingvističkoj analizi sadržaja. Ukratko, to je grupisanje bilo kojih reči u g ru p e - leme. N a primer, reči sarn, bio, bili, j e itd. se putem lematizacije mogu grupisati u lemu koja predstavlja leksemu hili. Leme su u lingvistici reči koje imaju isti koren ili bazu (leksemu” ) i pripadaju istoj gramatičkoj kategoriji (npr. imenica, glagol). Leme su u lingvistici shčne kategorijama u kvalitativnoj anahzi. U našem jeziku je lematizacija praktično obavezan korak anahze teksta, ali istovremeno i vrlo težak, jer imamo veliki broj padeža, rodova, brojeva, vremena, palatalizacija i jotovanja. Siandardnim postupkom lematizacije (koji se koristi u engleskom jeziku), gde se uzima početak reči kao koren, a sve iste reči sa različitim nastavcima se grupišu zajedno, fimkcioniše u izvesnom broju slučajeva i kod nas, ali nedovoljno često (što je vidljivo na primera: otac, očevi, ocu). Medutim, grupisanje se može obaviti po raznim kriterijumima, kao, na primer, po kriterijumu istog smisla, pripadnosti nekom liku (u drami npr.) itd. Kolokacije se najjednostavnije mogu definisati kao skupovi od dve ili tri reči koje se u nekom tekstu javljaju zajedno češće nego slučajno. Često se traže kolokacije za odabranu reč - reči koje je uobičajeno prate bilo s leve, bilo s desne
Razlika lekscma i lema je lingvistički suptilna, otprilike kao razlika između govom og i pisanog jezika, ili gramatički ispravnog i govom og jezika.
strane. U odeljku o definicijama analize sadržaja smo spomenuli matricu tipa ,jedinica x jedinica”. Kolokacije se mogu otkriti upravo iz ovakve matrice. Kolokacije čine najčešće spojevi glagola i imenica, imenica i prideva itd., kao npr. „najmanja uočljiva razlika”. Osim za naučnu analizu teksta, korisne su i za učenje stranih jezika (idiomi i sL). Mogu se, osim neposredno susednih reči, analizirati i reči koje se nalaze na izvesnoj udaljenosti od date reči (npr. najmanja...razlika, najveća...razlika), ali je takve kolokacije znatno teže otkriti. Svi opisani pojmovi i operacije svoj puni smisao dobijaju u računarskoj analizi sadržaja. Nekada su koiJiordance, indeksi i liste izradivane ručno, što je, naravno, moguće i danas, ali taj posao može biti toliko veliki da je praktično neupotrebljiv. Nažalost, da bi se radio računarski, moraju se rešiti ozbiljni problemi našeg pisma: na prvom mestu naša slova, odredivanje korena reči (kako se ne bi brojale kao različite reči derivacije po padežima, rodu i broju), utvrdivanja vrste reči kao što su imenice ili glagoli itd. O primeni računara u ovoj oblasti, kao i o nekim karakterističnim predstavnicima softvera može se pročitati u poglavlju o primeni računara. Ovom vrstom analize sadržaja su se kod nas bavili prof. dr Duško Vitas h ttp ://w w w .m a tf.b g .a c.y u /n a stav n o /d v ita s/in d e x -e n .h tm l sa K atedre za računarstvo i informatiku Matematičkog fakulteta u Beogradu, ali i drugi autori koji se bave računarskom lingvistikom. Lingvistička analiza teksta se koristi za kvantitativnu analizu jezika u lingvistici, za nalaženje najčešćih idioma i fraza, za formiranje indeksa i konkordanci itd. Postoji veliki broj primera analize u kojima se utvrdivalo autorstvo tekstova. lako takva procedura nije standardizovana, uočeno je da se autori sistematski razlikuju po upotrebi izvesnih opštih reči, kao što su veznici, lične zamenice i drugo. Takođe autori se sistematski razlikuju po dužini reči (tačnije, distribuciji reči po dužini), dužini rečenice i drugim „gabaritima” teksta. Isto tako, uočeno je da formalni, službeni jezik ima puno imenica, malo glagola, puno dugačkih rečenica i puno dugih reči. Poznati su radovi u kojima su analizirane oproštajne poruke samoubica, medu prvima rad Osgooda i Walkerove iz 1959. g. koji su na osnovu nekoliko sintaktičkih (npr. broj slogova po reči), ali i semantičkih (npr. broj fraza koje iskazuju stres) pokazatelja mogli da utvrde koja je prava, a koja lažna poruka u 10 od 13 slučajeva. Sve u svemu, za ovu granu analize teksta bi se moglo reći da joj je predmet izučavanja sam tekst, a ne značenje koje tekst ima i sadržaj poruke koju tekst prenosi. Takođe, vidi se da je u lingvističkoj analizi sadržaja dominantna kvantitativna analiza teksta. Sem antička analiza sadržaja. - U ovom pristupu analizi sadržaja, cilj je analiza sadržaja teksta, tačnije njegovog značenja. U praksi, to se postiže kodiranjem teksta, odnosno razvrstavanjem jedinica analize u kategorije i, zatim, analiziranjem unutrašnjih odnosa kategorija kao što su događaji, likovi, teme i pojmovi. Semantička analiza sadržaja se koristi kako u kvalitativnom, tako i u kvantitativnom pristupu analizi teksta i nekada se naziva bihejvioralnom, zato što tekst tretira kao prozor u Ijudsko ponašanje.
Umesto podele na siiitaksičku i semantičku analizu sadržaja, neki autori razlikujiTkvarititatrvnu itvaTitativnu analizu sađržaja. Konfuziji doprinosi i to što se «4iteraturi analiza sadržaja povezuje sa utemeljenom teorijom i drugim kvalitativnim metodama i pristupima. Postoji i analiza diskursa, kao i narativna analiza, koje je teško razlikovati od analize sadržaja. Svuda gde se radi o kodiranju i analizi tekstualnih podataka student će naći da se govori o analizi sadižaja. Nažalost, ni podela na sintaksičku i semantičku analizu sadržaja nije striktna. Rezultati lingvističke analize mogu biti odličan u semantičku analizu, pa i semantičku kvalitativnu analizu. Recimo, umesto na ukupnom korpusu teksta, kodiranje možemo vršiti na konkordancama ili listama. Pri tome nam KW IC ili KWOC konteksti mogu pomoći pri kodiranju kako ne bismo, na primer, ironije i aluzije pogrešno razvrstali.
4.
Osnovni elementi analize sadržaja
Bemard i Ryan (1998) smatraju da su osnovna pitanja analize sadržaja uzorkovanje i kodiranje. Rosnovv i Rosenthal (2005) dodaju tome i pitanje pouzdanosti kodera, odnosno njihovog slaganja. Negde u tim okvirima treba tražiti osnovne probleme i kritične tačke ove metode.
a. Jedinica analize, populacija i uzorak Jedinice analize - Ono što Bemard i Ryan podrazumevaju pod uzorkovanjem ima, zapravo, nekoliko potpitanja. Jedno od tih potpitanja je izbor jedinice analize. Jedinica analize je deo poruke ih poruka u celini. Jedinice analize se nekada nazivaju jedinicamčTBasifikacije, što jasno ukazuje na to da su jedinice analiže ono što se kodira, ođnosiio'razvrstava u neku od kategorija. Podelu poruke (najčešće tekstualne) u jedinice analize neki nazivaju segmentacijom i sastoji se u određivanju nekih nepreklapajućih delova poruka. Jedinica analize je osnovna jedinica porukelkoja će biti klasifikovana, ali jedinica analize može biti i cela poruka (npr. tekst, dokument). N ajčešće i manje-više standardne jedinice anahze koje se koriste u anahzi sadržaja su: 1) reč ili simbol, 2) gm pa reči po smislu, sintagma, fraza ili tema (nekada se takav segment teksta naziva kontekstnom jedinicom ), 3) rečenica (npr. kada klasifikujem o cele rečenice kao pozitivne, negativne ili neutralne), 4) pasus (npr. kada klasifikujemo cele pasuse), 5) dokument, kao što je knjiga, intefv ju lli odgovor na otvorena pitanja (kada se celi tekst dodeljuje u neku kategoriju), 6)J ik (u drami, filmu), 7) ilustracija, slika ili neki dmga ikonička celina. O izbom jedinica analize govori se i u poglavlju o kodiranju kvalitativnih podataka. K orpus ili populacija p o ru k a - Dmgo važno potpitanje je izbor koipusa pomka i izvora pomka koje će biti analizirane. Ovo pitanje je analogno pitanju . defmisanja populacije objekata u drugim istraživanjima. M ora se oceniti da li
dostupne pomke predstavljaju odgovarajuću podlogu za obuhvatanje pojmova koji se istražuju i za odgovor na pitanja istraživanja. Takođe, moraju se defmisati nosači informacija koji će se analizirati, opseg tema i pitanja od interesa, kao i, naravno, vremenski period na kojem će se analiza sprovoditi. Ako se radi o tekstualnim podacima, oni mogu biti bilo kakvi; knjige, novinski članci, prepisi radio i tv vesti, pisma, memorandumi, izveštaji deoničarima, govori direktora, prepisi intervjua ili diskusije i rezimei članaka. Osim pisanih tekstova, nosači simbola mogu biti bilo koji drugi drugi čovekovi proizvodi, kao što su tv serije, političke karikature, reklame, muzika ili gmčarija. Pošto se analiza sadržaja često izlaže u kontekstu analize sekundamih podataka (v.), pitanje izbora korpusa se naziva izborom arhive, odnosno arhivskog izvora. U zorak p o ru k a i jedinica analize - Treće potpitanje je da li će se analizirati sve poruke iz korpusa ili samo neki, eventualno reprezentativni, uzorak pomka i jedinica analize. Ako se opredelimo za uzorak, onda se moramo opredeliti i za jedinicu uzorkovanja, koja baš kao i kod dmgih istraživanja ne mora da ■bude jednaka jedinici analize. Na primer, korpus može da bude sastavljen od svih osnovnoškolskih udžbenika matemjeg jezika. Jedinica uzorkovanja može da bude strana udžbenika, a jedinica analize ilustracija koja se nalazi na toj strani. S dmge strane, ako je jedinica analize udžbenik u celini, onda je logično da odaberemo sav korpus za anahzu i da ne izvlačimo nikakav uzorak. Takode, ako se analizira40 ili 50 biografija, ondaje najbolje da se anahzira kompletan tekst svih biografija. Medutim, ako broj jediniea uzorkovanja poraste na stotine ih hiljade (recimo sve reklame na televiziji u večernjim satima tokom 2001. godine, ili svi pohtički komentari u Politici tokom zadnjih 10 godina, ili sva saopštenja pohtičkih partija tokom zadnjih 10 godina), onda se mora izvući uzorak jedinica koje će se analizirati. Definisanje spiska populacije i uzorkovanje u analizi sadržaja je identično uzorkovanju u bilo kojoj dmgoj oblasti (v. glavu o uzorkovanju). Identična je i diskusija o razlici jedinica uzorkovanja i jedinica anahze. Ako neke razlike ipak postoje, to je zbog toga što su ovde članovi populacije pomke ili jedinice analize. Na primer, različito će biti defmisano uzorkovanje ako se radi o tekstu, o stripu ili tv-seriji. Na primer, televizijski program se može uzorkovati na sledeći način: na slučajan način će se odabrati jedan datum u godini I tokom tog dana će se snimiti na video traku 10 sati programa. Iz snimljenog materijala će se onda izdvojiti sve emisije koje su od one vrste koja interesuje istraživača; npr. govorne emisije, Iz takvih emisija se onda mogu izdvojiti svi odrasli Ijudi, koji su pred kamerom imali najmanje jednu rečenicu teksta. Te rečenice onda mogu predstavljati korpus teksta koji će se analizirati. Analogno tome, korpus za analizu mogu biti same odabrane osobe; kako bi se klasifikovale u pogledu pola, godina, načina oblačenja, ili posedovanja bilo koje druge karakteristike. Isto tako, ako se zadržimo na primeru televizije, može se celokupni dnevni program izdeliti na vremenske segmente od pola sata, pa se meseci, nedelje, danl i segmenti mogu slučajno uzorkovati, snimati i zatim analizirati s obzirom na vrstu emisije, sadržaja, međuljudskih komunikacija ili garderobe koji se u tim segmentima pojavljuju.
Ako se izučava odnos pacijenata i doktora, mogu se snimati svi razgovori koji se vode u jednom domu zdravlja tokom tri dana u svim ordinacijama. Iz tih razgovora se onda može slučajnim izborom izdvojiti jedan manji uzorak razgovora (razgovor je u tom slučaju jedinica uzorkovanja), ili se može izdvojiti jedan uzorak .linija dijaloga” (kada su jedinlce uzorkovanja reči ili rečenice izgovorene od stiane učesnika). Ako se izučavaju reklame namenjene deci, recimo u pogledu poruka koje im se upućuju jzm edu redova”, onda Izgleda racionalno da istraživač odabere jednu nedelju pred velike praznike, kao što su Nova godina I Božič, kada se više kupuje i kada ima više reklama. Onda se mogu snimati sve reklame tokom dana, u vremenu kada postoji velika verovatnoča da deca gledaju program (recimo, pre podne I predveče). Iz snimljenog materijala se onda može izvući slučajan uzorak reklama, pazeći pri tome da za neke reklame nije lako utvrditi da li su samo za decu, ili samo za odrasle (ako postoje podaci o gledanosti tvprograma, onda se tu mogu potražiti odgovori na to kada deca najviše gledaju televizlju I koje reklame gledaju, a koje ne).
Potpuno analogno uzorkovanju u bilo kojoj drugoj oblasti, i u analizi sadržaja se može postaviti pitanje reprezentativnosti. Načelno, uzorci jedinica analize m oir^irbiti reprezentativni. U skladu sa opredeljenjem i raspoloživim resursima, istraživač će odabrati neki od načina uzorkovanja; od prostog slučajnog iizorka do kvotnog. Postoji jedan generalni stav u domenu analize sadržaja da kvantitavni pristup zahteva reprezentativne uzorke. S druge strane, nekvantitativne studije u analizi sadržaja često ne insistiraju na slučajnom uzorkovanju. Naprotiv, često se koriste dnigi tipovi uzorka kao što su modalni uzorci, ekspertski ili heterogeni uzorci, je r cilj može biti analiza sadržaja nekih ekstremnih ili retkih poruka, a ne tipičnih. Nekada i pojedinačni slučaj može biti dovoljan da bi se uočila i demonstrirala retka i važna pojava (što bi onda ličilo na studiju slučaja u domenu poruka). Medutim, neki autori savetuju da se u uzorku poraka ima najmanje 6 slučajeva, ako se radi o kvalitativnoj analizi sa ciljem razumevanja nekog (nečijeg) iskustva. Isto tako, preporučuje se 30-50 intervjua u etnologiji ili studijama koje koriste utemeljenu teoriju. Otkrivanje glavnih tema i izgradnja teorije može da zahteva manje slučajeva nego što je potrebno za testiranje hipoteza, poređenje grupa i sl. Kako današnje mogućnosti elektronskog obuhvata podataka i računarske analize teksta rastu, tako se smanjuju potrebe za radom na uzorku. No, i dalje je uzorkovanje sadržaja u oblasti analize sadržaja vrlo prisutno pitanje. Pitanja jedinica analize, populacije i uzorka su isprepletena i međuzavisna. Takođe, direktno su povezana sa defmicijom problema istraživanja. Danas postoji softver koji dosta olakšava analizu sadržaja i preporučuje se da istraživač isproba nekoliko jedinica analize i njihovih uzoraka da bi video koji najbolje „rade”.
b. K odiranje Kodiranje u analizi sadržaja spada u domen onoga što u ovoj knjizi nazivamo kodiranjem kvalitativnih podataka i čemu smo posvetili posebno poglavlje. Sva relevantna pitanja su obrađena u tom poglavlju. Podvlačimo potrebu da se kodnoj shemi pristupa razvojno i da sc kodcri dobro obuče kako bi imali istu viziju o svom zadatku. Ako se konačno kodiranje ukupnog teksta radi ručno, onda treba angažovati više kodera i najbolje je da oni ne znaju za ciljeve istraživanja kako se ne bi ugrožavala valjanost. D anas je potreba za ručnim kodiranjem uglavnom prestala, nego se za to koristi odgovarajući softver (vidi poglavlje o prim eni računara u analizi teksta). Isti softver shiži i za kreiranje kategorija, analiziranje teksta i prikazivanje rczultata. E valuacija valjanosti i pou zd an o sti.- Pravilno bi bilo da se proveri valjanost svake nove verzije kodne sheme, jednako kao i pouzdanost kodiranja. Međutim, od suštinskog značaja je da se to uradi nakon konačnog kodiranja. Savetuje se da se oceni kako interrater pouzdanost (neki autori je u ovom kontekstu nazivaju reproducibilnost), tako i pretest-posttest pouzdanost (stabihiost). Isto tako, savetuje se da se valjanost oceni celovito, imajući u vidu sve aspekte koji su navedeni u poglavlju o kvahtativnom kodiranju.
c. A naliziranjepodataka Konačno, kada je kategorijalni sistem tmahziran i kada je po njemu tekst kodiran, dohizi vreme analize dobijenih podataka. Softver za anahzu sadržaja se razlikuje u pogledu vrste i složenosti štampanih izveštaja, kao i gencrisanja sekundamih podataka sa kojima se može ,,ući” u dalju statističku analizu. Ono što imaju svi programi, to je spomenuta osnovna matrica ,jedinica x varijabla” koja sadrži frekvencije pojavljivanja kategorija. U tom smislu, osnovni rezultat anahze sadržaja je frekvencijska anahza pojavljivanja kategorija, kolokacija kategorija i drugih aspekata teksta. Dakle, neposredno je dostupna deskriptivna statistika za sve kategorije i za sve jedinice analize. Deskriptivni podaci, tačnije frekvencije, osnova su za sve naknadne anahze. Ako je anahza sadržavala faktor vremena, odnosno ako je bila longitudinahia, onda se može primeniti analiza trendova ili vremenskih serija. Može se raditi regresiona analiza, gde je zavisna varijabla neka varijabla kao što je tiraž novina, ih faktorska analiza razhčitih kategorija, testiranje hipoteza (npr. razlika grupa emitera, ih grupa prij emnika poruke), klaster analiza, multidimenzionalno skal iranje itd. Za analizu trendova se može koristiti i višestruka regresija sa korekcijom za autokorelaciju. Neki programi za anahzu sadržaja mogu produkovati različite grafikone, ali se istraživač može opredeliti i za neki softver koji je specijalizovan za crtanjc
grafikona. To mogu biti prosti grafikoni kao što su poligoni frekvencija, histogrami ili pite, a mogu biti i kompleksni, prilagođeni analizi sadržaja. Na primer, pošto su kategorijalni sistemi obično hijerarhijski, dobro je da se oni prikazuju pomoću tzv. dijagrama stabla (engl. tree diagram). Recimo, ako se istraživalo pušenje, onda bi stmktura stabla mogla izgledati ovako: 1. nivo: 2. nivo: 3. nivo: 4. nivo:
pušenje pušenje->{pred.stave; konteksti; razlozi; posledice} pušenje->razlozi->{za-pušenje; protiv-pušenja} pušenje->razlozi->protiv-pušenja->{zdravstveni; estetski}.
Uz svaki čvor (granu) u stablu se mogu prikazati prateći podaci kao što su frekvencije pojavljivanja, ili ilustracije stvamim primerima iz teksta. Testiranje hipoteza se može vršiti sa svim raspoloživim alatkama - hikvadrat testom, /-testom, diskiiminacionom analizom, analizom varijanse, sve do modela strukturalnih jednačina. M ogu se testirati razlike u sadržaju između različitih grupa, ili između pretesta i posttesta nakon nekog eksperimenta. Oni koji analizu sadržaja vide kao kvalitativnu analizu i od nje očekuju empatiju i dubinsko razumevanje, nalaze da se kodiranjem i statističkom analizom kodova gube osnovni kvaliteti metode, i da je takav postupak, u osnovi, redukcionistički. Kao glavni argument oni navode da kroz kodiranje mogu da iščeznu ironija, sarkazam, cinizam, aluzije i drugi konteksti koji nekoj reči ili rečenici daju sasvim drugi smisao, a koje nedovoljno izvežbani koder nije zapazio. Takođe, u političkim govorima i drugim komunikacijama mogu stvame teme da budu sasvim skrivene, ili vrlo posredno prisutne, tako da se može desiti da kategorije koje opisuju tu temu budu prazne.
5.
Primena računara u analizi teksta
Već je rečeno da kad se spomene anahza sadržaja, većina pomisli na analizu teksta. Nekada se čak celokupna ta oblast naziva analizom teksta. Dominacija analize teksta (nad analizom drugih vrsta pomka), posebno se vidi kad se ima u vidu softver - programi se uglavnom bave tekstom. K adaje reč o kvalitativnoj ili kvantitativnoj analizi teksta, danas postoji već priličan broj računarskih programa za tu namenu. Pošto je razvoj softvera za računarsku analizu teksta u zamahu, još nem a dobre osnove za njegovu klasifikaciju. Postoje različiti pristupi pod kojima su programi pisani, različite namene i značajna preklapanja. Ovde ćemo uzeti u obzir samo programe koji su prvenstveno usmereni na kvantitativnu analizu teksta. One dmge, koji se bave ozbiljnom kvalitativnom analizom teksta, možemo razvrstati u jednu šim kategoriju: programe za kvalitativnu analizu, tj. CAQDA i obradićemo ih u posebnom poglavlju. Dakle, programi koje ovde imamo u vidu bave se pre svega kvantitativnom analizom teksta, ali pri tome imaju još jednu karakteristiku: lingvistički su.
Lingvistički programi (u kojima je sam tekst predmet analize) bave se izradom lista i indeksa, kao što su indeksi autora i indeksi pojmova (konkordance KWIC i KWOC tipa), frekvencijskom analizom delova reči, reči i rečenica, leksičkom i sintaktičkom analizom teksta, statističkom analizom teksta (kao što su klaster i korespondentna analiza) sa ciljem da se identifikuju slični pojmovi i fraze, izračunavanje fonnula za čitljivost teksta i slično. Navešćemo sasvim kratak spisak ovih programa koji je aktuelan u trenutku pisanja ovog teksta. Pwfiler+ , http://socialscienceautomation.com/Downloads2.aspx WordSmith 4.0, http://www.lexically.net/wordsmitli/ Concordance, http://www.concordancesoftware.co.uk/ Textpack 7.0, http://www.gesis.org/en/software/textpack/index.htm VB-Pro, http;//mmmiller.com/vbpro/vbpro.html Neki od ovih programa imaju elemente kodiranja, odnosno kvalitativne analize, a neki su pogodni za „zatvaranje otvorenih pitanja”. Na navedenimInternet adresama se mogu naći veze na druge resurse posvećene analizi teksta, a sam spisak je preuzet sa prezentacije Haralda Kleina (http://www.textanalysis.info). U računarskoj analizi teksta se kodiranje često vrši u obliku tzv, etiketiranja ili ozn ačavanja (engl. tagging ili labeling). Uobičajeni input u programe za kvantitativnu analizu teksta je prost tekst, bez ikakvog formatiranja (najčešće kao tzv, ASCII tekst, koji sadrži samo slova, brojeve i znake interpunkcije). Iz praktičnih razloga, potrebno je da se taj čist tekst preradi i pripremi za analizu, Priprema teksta je široka oblast i može da obuhvati bilo šta. Kao prvo, sam istraživač može da prečisti tekst od delova koji mu nisu zanimljivi, Isto tako, može da ostavi samo one jedinice analize koje mu trebaju, a u pogledu našeg jezika može da uskladi ekavicu i ijekavicu (ako slučajno postoje zajedno), da „dj' pretvori u „d” , da slovo J" pretvori u „ T i slovo ,,o” u „0” tamo gde označavaju broj (što je praksa kucanja teksta preostala sa pisaćih m a šin ^itd , Međutim, ono što je neposredno potrebno za odvijanje samih programa se obavlja aktiviranjem raznih opcija i menija unutar softvera. U tom smislu tagging je označavanje reči u tekstu da bi im se pridružile dodatne informacije. Mogu se dodati tagovi sa gramatičkom informacijom (npr, imenica, glagol, padež, broj, rod), oznakom kategorije kojoj reč pripada (npr, deca, odrasli, „pozitivan stav prema promenama”), ili oznakom da li je data jedinica analize, na koju se tag odnosi, uključena u analizu, ili isključena, Ako se analiziraju zapisnici, oznake (etikete) se mogu odnositi na to ko je bio diskutant ili o kojoj se temi radi, U zavisnosti od programa za analizu, tagovi služe neposredno za analizu teksta (recimo ako predstavljaju kategorije), ili samo za kvantitativni opis teksta, kao što su frekvencije i lokacije reči - dakle i za sintaktičku i semantičku analizu.
6.
Analiza sadržaja audio I video zapisa
Kao što smo videli, analiza teksta je prilično apsolvirana oblast u tehničkom i tehnološkom smislu. S obzirom na današnju dostupnost tekstova u elektronskom formatu, istraživač će verovatno čak biti pošteđen unosa teksta. Medutim, analiza
audio i video komunikacija i poruka je nešto sasvim drugo. Zasada ne postoje tehnička rešenja za prepoznavanje sadržaja tih medija, onako kako ih čovek prepoznaje. Međutim, radi se mnogo na tome da se taj problem ublaži. Utvrdeno je, npr. da se analizom fizičkih karakteristika audio zapisa (amplituda, frekvencija, dinamika, pauze) može ustanoviti da li se radi o govomoj ili muzičkoj emisiji. Ako se radi o muzičkoj emisiji, čak se elektronski može ustanoviti kom žanru pripada muzika. U govomim emisijama postoje mogućnosti da se elektronski prepoznaju odredene reči, ako već ne mogu sve, kako bi se prepoznalo 0 kakvom sadržaju se radi. Kod video zapisa smo još daleko od toga da se elektronski mogu prepoznati osobe ili predmeti na eki'anu, ali se, koristeći iskustvo sa audio zapisa dosta može saznati o prirodi emisija. Postoje i uspešni pokušaji da se prepoznaje tekst koji se pojavljuje na ekranu: špice, titlovi, odjave, tekstovi u reklamama i sl. U svim slučajevima je korisno ako se mogu napraviti „apstrakti” emisija, analogno apstraktima tekstuahiih članaka. Takvi apstrakti se onda mogu lakše čuvati i pretraživati kada se prave pregledi sadržaja emisija. Postoje uspešni pokušaji da se automatski, putem računara, prave apstrakti tv emisija, biio kao serija stojećih slika, bilo kao kratki živi inserti.
L.
Narativna analiza
Za „najviše kvahtativna” istraživanja se smatraju ona koja se zasnivaju na naraciji i narativnoj analizi. Takva istraživanja su dominantna u etnologiji (antropologiji) i istoriji (v. etnografsko istraživanje). Istraživač anaUzira „priče”, „eseje ” i „sastave na zadatu temu” koje su ispitanici ispričali ili napisali o svom životu ili o nekom konkretnom predmetu istraživanja, bilo pre istraživanja bilo na zahtev istraživača. Naracija je suština fenomenološke paradigme ili socioistorijskog pristupa nauci (Sampson, po Kerlingem i Leeu, 2000). Nauka je, po Sampsonu, pripovedač, a saznanje se sastoji od priča koje možemo ispričati o stvamosti. Svaka priča je obojena ličnošću, iskustvom i orijentacijom pripovedača. Kao rezultat - nema jedne i univerzalne istinite priče. Nasuprot socioistorijskom pristupu, tradicionalni, kvantitativni pristup otkriva i opisuje stvamost objektivno, posmatrač je neutralan, a nauka i saznanje su slika stvamosti, a ne njena interpretacija. U socioistorijskom pristupu narativno se ističe u prvi plan kao protivteža kvantitativnom. Naracija se tretira kao neka vrsta opšte metode, koja je prisutna u svim naukama o ponašanju i ima za cilj da se pojave učine razumljivim, da se protumače i shvate. Psihoanaliza se, recimo, odlikuje narativnom analizom i zato je nazivaju hermeneutikom je r tumači, a ne dokazuje. Narativna istraživanja dominantno koriste narativnu analizu da bi razumela pojave koje se istražuju.
Danas je u metodologiji socijalnih istraživanja naracija dobila jedno preciznije značenje od onog kojeg ima u kolokvijalnoj upotrebi. N arativnaanaliza koristi priču da bi protumačila posmatranu pojavu. Naracija, storija, priča ili pripovest su termini koji se mogu koristiti naizmenično. Ne treba pomešati narativnu analizu sa analizom sadržaja, jer ova druga analizira već ispričanu pripovest, dok narativna analiza koristi pripovest za sticanje i prezentiranje znanja. Narativna analiza se često naziva esejom, ali je tačnije reći da se eseji zasnivaju na narativnoj analizi. Da bi prikupio podatke za narativnu analizu istraživač se upoznaje sa životom pojedinaca i traži od jednog iii više njih da mu ispričaju priču o njihovom životu. Istraživač, onda, od ovih priča formira svoju priču, sistematizovanu i metodološki uobličenu. Istraživač mora da kombinuje poglede učesnika na njihov život sa svojim vlastitim životnim iskustvima u jednu interaktivnu, saradničku naraciju. Ključni pojam narativne analize je jezik. Jezik nije samo priča o nekome ili nečemu, on je „konstrukcija sveta”, smatra se u naraciji bliskim krugovima. Oni smatraju da jezik ima tri odvojene ah međusobno povezane funkcije: a) ideacionu - sadržaj jezika u smislu značenja, b) interpersonalnu - odnos izmedu učesnika u razgovoru i c) tekstualnu - sintaksu i semantiku jezika. Narativna analiza mora obuhvatiti sve tri. Naracija može imati nekoliko formi: objektivni opis, iskustva sa terena, hronologija, model procesa, proširena priča, analiza po slučajevima i analiza poređenja slučajeva ili detaljni deskriptivni portret. Cresvvell (2003) navodi nekoliko konvencija koje istraživač treba da poštuje prilikom prezentiranja rezultata narativne analize. Kombinovati duge i kratke navode i navode u samom tekstu, Navodi su primeri izjava samih učesnika - ispitanika. Koristiti dijaloge u upravnom govoru, u jeziku kojim govore ispitanici. Prezentirati tekstualne informacije u tabelarnoj formi. Upotrebljavati formulacije koje koriste ispitanici. Uz navode naizmence stavljati i autorove inteipretacije. Uvlačenjem teksta ili na drugi način odvajati navode od ostalog teksta. Ne izbegavati metafore. Koristiti naraciju na isti način kao u studiji slučaja (v.) ili etnografiji. Objasniti kako se narativni nalazi odnose prema teorijama i drugom literaUirom u području. Treba imati u vidu da mnogi kvalitativni istraživači diskutuju literaturu na kraju studije. Može se reći da je naracija (priča) „najkvalitativnija” esencija kvalitativnih metoda. Medutim, bez obzira na njenu bliskost zdravom razumu, tj. laicima, naracija teško dostiže osnovne epistemološke ciljeve kao što su opštost, objektivnost, preciznost, pouzdanost i proverljivost, Da bi priča imala epistemološku vrednost, ona mora poštovati izvesna pravila, kao što su: sistematičnost, potpunost, analitičnost i kritičnost.
N arativni i logičko naučni način ra z m išlja n ja .-N a ra c ija je vrlo bliska ne samo zdravom razumu nego i Ijudskoj misli uopšte. D žerom Bruner je smatrao da generalno postoje dva načina razmišljanja: narativni i logičko-naučni. Ova podela se veoma podudara sa opredeljenjima za kvalitativne ili kvantitativne metode, a bliska je i tematici „kadrovskog problem a”, kako ovde nazivamo teškoće koje društveni naučnici imaju sa usvajanjem informatičkih i statističkih znanja.
M. Kodiranje i analiza kvalitativnih podataka
lako znamo da se kvalitativna istraživanja baziraju na kvahtativnim podacima, kvalitativni podaci u obhku zapisnika, terenskih zabeleški, shka, ilustracija, crteža, dnevnika i sl. skoro nikad se ne koriste u izvom om obhku. Da bi se anahzirah, moraju se kodirati. Studenti koji podvlače tekst u udžbeniku vrše kodiranje kvahtativnih podataka (iako m ožda nisu svesni tog metodološkog postupka). Oni odvajaju značajne delove teksta od neznačajnih, a ako koriste razhčite boje ili hnije, onda je kodiranje još sofisticiranije. Kodiranje kvahtativnih podataka je obično tako usko povezano sa njihovim prikupljanjem i anahzom da ga je teško razlikovati od njih. N a primer, Dohan i Sanchez-Jankowski (1998) kažu da se kodiranje nekad naziva indeksiranjem, a nekad anahzom sadržaja. M ogućnost razhkovanja anahze i kodiranja leži u tome što anahza, kao u utemljenoj teoriji ih anahzi sadržaja, po pravihi sadrži i izučavanje povezanosti kodova-pojm ova-kategorija. Kodiranje, s druge strane, prethodi uspostavljanju veza (engl. hnk) između kodova, i po tom e se može razhkovati od koraka anahze. K vantitativno i k valitativno k o d ira n je .-K o d ira n je kvahtativnih podataka se koristi i u kvantitativnim i u kvalitativnim istraživanjima. U kvantitativnoj anahzi se kvahtativni podaci kodiraju kako bi se m ogh unositi i statistički obradivati. Kodiranje se obično vrši tako Sto se dodeljuju numeričke šifre,. Ovaj tip kodiranja se ponekad naziva ohjektivističko kodiranje. Karakterističan primer ovog kodiranja je „zatvaranje” otvorenih pitanja iz upitnika. lako se nedovoljno korisfi, sistem kodiranja kvahtativnih podataka razvijen za potrebe kvahtativne anahze može biti vrlo efikasan u kvantitativnim studijam a kroz objektivističko kodiranje. Pomoču kodiranja se kvalitativni p o d a ci m ogu transform isati u kvantitativne. U kvahtativnim istraživanjim a je kodiranje samo po sebi anahza podataka. Zato se takvo kodiranje naziva heurističko kodiranje. Kodovi u heurističkom kodiranju mogu biti reči, rečenice iU kom entari. lako je tačno da su ciljevi i namena kvantitativnog i kvahtativnog kodiranja različiti, heuristički kodovi mogu poslužiti za statističku anahzu, kao i obrnuto.
Kodiranje može biti nominalno, ordioalno ili intervalno. Kod nominalnog kodiranja princip je klasifikacija, koja je jedna od temeljnih operacija u saznanju uopšte. Podaci, kao što su delovi teksta, klasifikuju se u neku kategoriju. Nominalno i ordinalno kodiranje se može izvršiti na različite načine. Na primer, može se koristiti tehnika poređenja po parovima ili neka od sličnih tehnika koje su razrađene još u psihofizici. Poredenje po parovima se, na primer, sastoji u tome da se sve jedinice anahze međusobno uporede po istom svojstvu. Rezuhat svih poredenja će biti mesto svake jedinice anahze na kontinuumu svojstva (tako se mogu porediti studentski seminarski radovi, dečji crteži, eseji i sl.). Može se primeniti i poređenje sa standardom, a sećamo se da je to klasična defmicija merenja. Koristi se i ocenjivanje od strane eksperata za oblast koja se istražuje. N a primer, kod Thurstoneove skale za merenje stavova eksperti ocenjuju težinu stavki. Videli smo da su skale procene, generalno, tehnika koja se može koristiti i za kodiranje kvahtativnih podataka. Intervahio kodiranje se obavlja tako što se prebrojavaju rcči ili slova, meri trajanje nekog ponašanja ih pauza u govoru i sl. U kvahtativnom kodiranju se kao prototip može uzeti utemeljena teorija. Važna osobina utemeljene teorije, kao i kvalitativnog kodiranja uopšte, je iterativnost i rekurzivnost. Podaci se kodiraju, proveravaju, rekodiraju, a kategorije se menjaju i prilagodavaju. Ova iterativnost je univerzalna u celokupnom naučnom saznanju, uočili su je mnogi autori (slična je induktivno-deduktivnoj spirali R. Cattella) i nije dijferentia specifica kvalitativnih metoda.
1.
Beleženje i snimanje
Da bi se mogli kodirati, kvalitativni podaci se pi“vo moraju prikupiti. Taj korak se danas obično obavlja audio ili video snimanjem tokom posmatranja, intervjua ili fokus grupa. Ako se koriste arhivski podaci, onda su oni već dostupni u snimljenom (ili tekstualnom) obliku. Ranije su se istraživači oslanjali iskjjučivo na terenske zabeleške koje su vodili oni ili njihovi saradnici. Ručno vodenje tačnih zapisnika je bio veoma težak posao. Medutim, razvoj kvalitativnih metoda i utemeljene teorije pokazao je da se pune interaktivne mogućnosti inten'jua ne koriste ako se intervjuer u potpunosti osloni na prepis intervjua. Zato je Glaser dao potpuno suprotnu preporuku: ništa ne snimati ni zapisivati tokom samog intervjua, osim kratkih napomena, nego sastavljati zapisnik čim intervju bude gotov. Njegova preporuka je u potpunosti oslonjena na konstruktivističku paradigmu, po kojoj je cilj istraživanja da istraživač izgradi svoje vlastito tumačenje pojave koju istražuje. Medutim, tu radikalnu preporuku je teško sprovesti pa većina istraživača snima kompletan tok intervjua. Za očekivati je da će izbor načina snimanja i beleženja zavisiti od namera i od usvojene paradigme. Oni koji se drže konstruktivističko-fenomenološke paradigrne oslanjaće se samo na terenske zabeleške (engl. field notes), a mogu i
razviti neki lični sistem za memorisanje bitnih delova intervjua. Ostale ništa ne sprečava da kombinuju Glaserovu tehniku zabeleški sa kompletnim snimanjem.
2.
Transkripcija
Transkripti, prepisi ili zapisnici služe da se izgovorena reč pretvori u pisanu. Dobar transkript polustmkturisanog ili nestrukturisanog intervjua je uslov bez koga ne može biti dobrog kodiranja. Istovremeno, transkripcija intervjua može biti vrlo zametan i dugotrajan posao. Na primer, procenjuje se da jedan sat diskusije (razgovora, fokus gmpa, intervjua) zahteva oko 20 sati transkripcije po punom Jeffersonovom sistemu, a 10 sati po skračenom (za analizu diskursa, Langdridge, 2004), dok za običan prepis 1 minute intervjua sa trake treba 7 minuta. Nema nekog standardnog recepta za pravljenje prepisa. Mnogo zavisi od namene transkripta, a namena zavisi od odabrane metode. N a primer, narativna analiza če zahtevati mnogo detaljniji prepis od fenomenološke analize - fenomenološki orijentisanom istraživaču, koji sprovodi biografsko istraživanje, uopšte neće biti bitno da bude zabeleženo sve što je rečeno. Ipak, u većini slučajeva od transkripta se očekuje da bude tačna slika onoga što je rečeno. U minimalnom smislu, to znači da mora biti zapisano sve što je rečeno, kako od strane istraživača, tako i od strane učesnika (ono što je rekao istraživač može biti jednako važno kao i ono što su rekli ispitanici, jer defmiše kontekst). Zatim, sve mora biti zapisano doslovno onako kako je rečeno, uključujući gramatičke greške, mucanja, uzrečice i sl. To nije sve. U mnogim istraživanjima nisu važne samo reči. Traži se da budu zapisane pauze, govor u glas, naglašavanje, uzdasi, kolutanje očima itd. To proizlazi iz toga što govor, osim verbalnih informacija sadrži i prozodičlce (fonološki elementi kao što su intonacija i naglasak), paralingvističlce (aspekti kao što su da li je reč izgovorena šaljivo ili ozbiljno) i ekstralingvističlce (nelingvistički elementi, kao što su gestovi) infom acije. Langdridge (2004) prikazuje Jeffersonov sistem transkripcije u kome se pomoću posebnih simbola i grafičkih rešenja može zabeležiti većina ovih elemenata. Ako transkript ne sadrži prozodičke, paralingvističke i ekstralingističke informacije, stvar još uvek nije izgubljena, jer istraživač može čitati transkript i dopunjavati svoje razumevanje iz snimljenih traka. U transkripciji mogu pomoći i terenske zabeleške koje je istraživač vodio. Ni to nije sve. Translcripcija j e analiza i u tom smislu se preporačuje da je istraživač obavlja sam. Pročešljavanje traka i preslušavanje razgovora omogućava istraživaču da bude „utemeljen” u svojim sirovim podacima i obično mu pomaže da stvori različite ideje o daljem pravcu analize. U skladu sa stvaranjem tih ideja, istraživač može beležiti svoje komentare (memoe) i sastavljati probnu kodnu shemu.
3.
Kategorije
Osnovu za kodiranje čini sistem kategorija. Po Holstiju, kategorije su fioke u koje se razvrstavaju jedinice analize, a kodiranje je proces razvrstavanja. Kategorije se obično izjednačavaju sa pojmovima, odnosno konstruktima. Kategorije mogu biti bilo koja svojstva jedinica analize koja su od interesa za istraživanje. One mogu biti neki opštiji pojmovi, ili klase, ali mogu biti i položaj jedinice u tekstu ili vreme pojavljivanja, ako je istraživanje longitudinalno. Međutim, podsećamo da se u utemeljenoj teoriji, kao prvo, smatra da su kategorije iznad pojmova jer mogu da sadrže više pojmova, kao i odnose između njih. Drugo, kodovi ne služe samo da označe kategoriju u koju jedinica analize spada, nego služe i kao prethodnica kategorija, tokom procesa formiranja kategorija (zato kodovi u utemeljenoj teoriji mogu biti i u obliku komentara). Sistem kategorija, koje su osnov za kodiranje, i sistem pravila i uputstava za klasifikaciju jedinica analize u kategorije često nazivamo kodnom shemom ili kodnim sistemom (Cozby, 2003). Za sistem kategorija koji se koristi u jednom istraživanju važna su sledeća dva pitanja: pojedinačna nasuprot višestrulcoj lclasifikaciji i predefmisane (a priori) nasuprot izvedenim (a posteriori) kategorijama. Pojedinačna klasifikacija podrazumeva da jedna jedinica analize može biti kodirana samo jednom - jednim kodom. Ako je klasifikacija višestruka, onda se ista jedinica analize može razvrstati u više kategorija, tj. može imati više kodova. Višestmka klasifikacija otežava analizu, posebno statističku, jer čini da same kategorije više nisu nezavisne dimenzije, nego su z,avisne u meri u kojoj dele jedinice anahze. Višestruke klasifikacije redovno nastaju onda kada je sistem kategorija koncipiran hijerahijski, ah u tom slučaju ne otežavaju anaUzu. Višestruke klasifikacije su se ranije vrlo malo koristile jer je tehnika ručnog kodiranja to onemogućavala. Korišćenje predefmisanih kategorija se odnosi na upotrebu unapred defmisanih kategorija i na razvrstavanje jedinica analize u te kategorije. Takva upotreba anahze sadržaja je deduktivna i mogla bi se nazvati metodom za merenje konstrukta. Predefmisane kategorije mogu biti: a) rečničke - standardne, b) iz prethodnih istraživanja, ih c) formirane na osnovu istraživačkih pitanja ih hipoteza. Standardne kategorije se vrlo često koriste u anahzi sadržaja i nazivaju se rečnicima. Takvi rečnici (engleski) sadrže 60, 150 ih više kategorija, pravila za razvrstavanje reči i fraza u kategorije i Ustu postojećih razvrstanih reči. Standardni kodni sistemi mogu biti veliko olakšanje, ali treba biti oprezan, jer kategorije zavise od konteksta, a ako je kontekst specijalistički (kao što je npr. kod stručnih tekstova), onda su ovi rečnici slabo upotrebljivi. Naravno, to olakšanje će zasada osećati samo istraživači koji analiziraju tekstove na engleskom jeziku, ili nekom drugom za koji postoje takvi rečnici. Na primer, Cozby (2003) navodi kodni sistem za porodične interakcije, koji ima 29 kategorija porodične interakcije, grupisanih u: averzivne (neprijateljske), prosocijalne (pomažuće) i opšte aktivnosti. Drugi kodni sistem, SVMLOG, namenjen je kodiranju interakcija u
malim grupama I sadrži tri glavne dimenzije: neprijateljska - prijateljsl
Kategorije koje se preuzimaju iz prethodnih istraživanja su slične rečničkim, ali su manje standardizovane, mogu se modifikovati i koriste se kada se ponavljaju istraživanja iste pojave ili se pojava prati longitudinahio, Treća vrsta kategorija su one koje se defmišu na osnovu istraživačkih pitanja i usvojenih teorija, pojmova i varijabli. Na primer, ako se teorija harizmatičkog vodstva iskoristi kao osnova za defmisanje kategorija, onda osnovne kategorije mogu izgledati kao: a) samopouzdanje, b) jaki moralni principi i c) jaki ideološki zahtevi prema potčinjenima. Bitno je da su ove kategorije stvorene pre analize podataka, čak i pre uvida u podatke i da imaju deduktivan karakter podaci se uklapaju u kategorije. Nasuprot tonie, izvedcne ili a priori kategorijc nastaju tokom kodiranja i anahze podataka, u konkretnom istraživanju. Takva primena analize sadržaja je induktivna i mogla bi se nazvati pristupom stvaranja konstrukta. Ako se odabere ova vrsta kategorija, onda anahza sadržaja postaje ekvivalentna utemeljenoj teoriji. Kategorije koje se formiraju prema zahtevima utemeljene teorije su zanimIjive i često pominjane u udžbenicima zbog svog induktivnog epistemološkog ekskluzivizma. Medutim, predefmisane kategorije se koriste rrmogo više, posebno u anahzi sadržaja. Pošto se analiza sadržaja često koristi u primenjenim istraživanjima, odnosno u čisto praktične svrhe, onda induktivni način formiranja kategorija nije prihvatljiv. Valjaiiost kodne shem e.- Bilo da se radi o predefmisanim ili izvedenim kategorijama, kodna shema mora biti kvalitetna. Prvi i osnovni kvalitet, posebno kod izvedenih kategorija, je valjanost. Pojavna valjanosl (engl. face validity) kategorija se defmiše kao korespondencija izmedu istraživačeve definicije pojmova i definicije kategorija koje su namenjene merenju tih pojmova. Svaka kategorija treba biti pregledana i treba biti ocenjena pojavna valjanost jedinica analize koji su njoj dodeljeni, odnosno da li one dobro reflektuju smisao dotičnog pojma, odnosno kategorije. Takode, u toj fazi treba raščistiti problem sinonima, homonima, idioma i referentnih zamenica i odredbi. Pod referentnim zamenicama I odredbama se podrazumeva slučaj kada se neki objekt ili subjekt, nakon prvog pojavljivanja u tekstu, kasnije referiše zamenicom ill frazom
kao što je ,,tl problemi”. S obzirom da te zamenice ili fraze zapravo označavaju sasvim određeni objekt, a da postojeći softver za analizu sadržaja vrlo teško može da otkrije koji je taj referisani objekt, ignorisanje tog problema dovodi do lažnog uvećanja učestanosti zamenica, a lažnog umanjenja pojavljivanja objekta.
Semantička ili pojmovna valjanost se može proceniti tako da eksperti za jezik i za istraživanu oblast pregledaju svaku kategoriju i na osnovu dodeljenih jedinica analize procene da li one stvamo znače ono što predviđa kategorija i odnosni pojam. Konstrnktivna valjanost se može definisati kao adekvatnost kategorija i njihovih pravila dodeljivanja za merenje onoga za šta su namenjene da mere pojmove istraživanja. Ako je kodiranje bilo kvantitativno, preporučuje se i ocenjivanje konvergente vaijanosti (da li slične kategorije koreliraju) i diskriminativne valjanosti (različite kategorije ne smeju da koreliraju). Neki autori naglašavaju potrebu za empirijskom, odnosno kriterijumskom validnosti, koja se odnosi na utvrđivanje da li postoji ekstema evidencija koja bi mogla potvrditi rezultate kodiranja i čitavog istraživanja. Takođe, sreće se i pojam fenomenološke valjanosti, koja se odnosi na to da li je istraživač interpretirao ono što je rečeno na način kako su učesnici komunikacije to smatrali da znači. Razvojni pristup kodnoj shenii - Praksa pokazuje da je teško isprve napraviti dobar sistem kategorija, a kada se on napravi, ništa ne garantuje da će biti dobar i za druge podatke. Zato se u analizi sadržaja i svuda gde se kodiraju kvalitativni podaci, preporučuje da se sistemu kategorija pristupa razvojno. To znači da se pi"vo fonnira jedan probni skup kategorija i odgovarajuća pravila za klasifikaciju, tj. za dodeljivanje jedinica analize kategorijama. Iz podataka (teksta) se onda može izdvojiti jedan uzorak i na njemu izvršiti kodiranje jedinica prema probnoj kodnoj shemi. Zatim treba oceniti valjanost sistema kategorija i prikupiti iskustva o tome kako je proteklo kodiranje. Iza toga sledi pročišćavanje kodne sheme (knjige šifara). Kategorije se menjaju, spajaju, uvode se nove, a menjaju se i pravila i uputstva za kodiranje, odnosno klasifikaciju jedinica analize. Zatim se podaci ponovo kodiraju i proverava se semantička valjanost, reproducibilnost odnosno pouzdanost izmcdu procenjivača, kao i pretest-posttest pouzdanost. Naime, pouzdanost, u načelu, nije svojstvo sistema kategorija, nego kodiranja u celini, ali kodna shema utiče na to kako će koderi obaviti svoj posao. Ovaj proces pročišćavanja kodne sheme se obično mora ponoviti više puta.
4.
Kodiranje
Kodiranje obuhvata dva procesa: • •
podelu kvalitativnih podataka na jcdinice analizc i dodeljivanja oznaka, labela, etiketa ili kodova jedinicama analize.
Pod jedinicam a analize podrazumevamo reči, fraze, rečenice, pasuse ili dijaloge, grafičke i ikoničke celine, delove tv ili radio emisija, segmente dečjeg ponašanja u vrtiću, aii to mogu biti dokumenti, emisije ili crteži u celini. Kao što je ranije već rečeno, najčešći kvalitativni podaci su tekstualni, pa se i u udžbenicinia najčešće pod kodiranjem podrazumeva kodiranje teksta. Kako će kvalitativni materijal biti izdeljen na jedinice analize, zavisi od dva faktora: a) kako su podaci prikupljeni i b) prirode kategorija (Guetzkow, 1950). Na primer, ako je reč o polustrukturisanom intervjuu, jedinice će verovatno biti defmisane kao jedno pitanje i odgovor. S druge strane, u transkriptu nestrukturisanog intervjua jedinice analize ne mogu biti pasusi jer Ijudi ne govore u pasusima (u tom slučaju najbolje je za jedinicu uzeti „misao”). Sto se tiče prirode kategorija (v. kasnije), jasno je da će „krupne” kvalitativne kategorije zalitevati krupnije jedinice. Ako je jedinica prevelika, postoji opasnost da upadne u dve ili više kategorija, a ako je premalena, neće sadržavati dovoljno smisla da bi bila razvrstana u bilo koju kategoriju. Drugim rečima, prikupljanje kvalitativnili podataka, njihova transkripcija, kodiranje i analiza su isprepleteni i jedno na drugo utiču u presudnoj meri. Samo dodeljivanje kodova se vrši ručno ili računarski. Međutim, kada se kaže računarski, misli se uz pomoć računara, jer računar obavlja tehnički posao oko kodiranja, dok osnovni posao, a to je prepoznavanje šta je jedinica analize i da li ona spada u neku kategoriju i koju, obavlja istraživač. Ručno kodiranje se pod izvesnim okolnostima i u izvesnim fazama može obaviti tako da se na marginama transkripta, ili na bilo kom slobodnom mestu upisuju kodovi. Zbog toga je korisno ako se transkript napravi tako da ostane dovoljno mesta za kodiranje (kao i za memoe), recimo tako da zauzima samo jedan stubac uz levu ivicu stranice. Standardna ručna procedura, međutim, predviđa da se tekst koji se kodira fotokopira u dovoljnom broju primeraka i da se jedinice analize označe (podvuku) i zatim fizički (makazarna) iseku. Kodiranje se onda obavlja tako što se traka sa jedinicom analize ubacuje u kutiju ili fascikl koji pripada kategoriji. K odiranje im a više nivoa.-U poglavIju o utemeljenoj teoriji opisanoje da se kodiranje danas deli na više nivoa. Pomenuto je Glaser-Straussovo otvoreno, aksijalno i selektivno kodiranje i Charmazovo inicijalno i fokusirano kodiranje. Langdridge (2004) opisuje kodiranjeprvog, drugog i trećeg reda. Broj i priroda nivoa nisu uvek isti i nisu potpuno ekvivalentni. Medutim, kada se uporede, vidi se da sve ove podele imaju neke zajedničke principe. Nivoi kodiranja se uvek razlikuju po stepenu analitičnosti koji pojedini nivo sadrži, odnosno po tome da li je bliži sirovim podacima ili fmalnim kategorijama. Kodiranje uvek počinje na sirovim podacima, bez kodne sheme ili sa probnom kodnom shemom i bez detaljnog istraživačevog uvida u celinu pojave koja se istražuje. Kako kodiranje i analiza odmiču, kategorije su sve razrađenije, podaci jasniji, kodna shema razrađenija i istraživač se sve više bavi konačnim tumačenjem. Naravno, ovaj tok jeste karakterističan za utemeljenu teoriju, na primer, ali ne mora biti tipičan za anahzu sadržaja u kojoj se manje ili više rutinski
analizira imidž nekog proizvoda (industrijskog ili političkog) u medijima. Neki od nivoa kodiranja mogu izostati, mogu se spojiti, ali u celini gledano, oni su tu. Sa gledišta utemeljene teorije (a za nju se kaže da je „paradigma kvalitativne paradigme”) kodiranje je proces kako kategoriziranja (klasificiranja) kvalitativnih podataka, tako i opisivanje implikacija i značenja tilr kategorija. U početku se vrši otvoreno kodiranje, tokom koga se pažljivo sagledavaju podaci u svim detaljima kako bi se formirale neke inicijalne kategorije. Nakon toga, istraživač prelazi na selektivnije i aksijalno kodiranje gde se tekstualni i drugi izvori sistematski kodiraju s obzirom na centralni koncept. Inicijalno ili otvoreno kodiranje koje se obavlja bez predctcmiinisanili kategorija i kodova naziva se in vivo kodiranjem. Ako su pravljeni doslovni zapisnici intervjua (ili neke druge metode prikupljanja podataka), čitaju se mali uzorci teksta (obično red po red). Zatim se identifikuju potencijalne teme koje se javljaju u tekstu. Ako su pravljene beleške tokom razgovora, koristiće se one, ili će se porediti sa zapisnikom. Tokom kodiranja istraživač zapisuje i svoje komentare - memoe. Oni se mogu odnositi na bilo kakva zapažanja; o kodnoj shemi, o uočenim pravilnostima u podacima, o problemima i rešenjima. Memoi se mogu koristiti u sledećim fazama kodiranja i za unapređenje kodne sheme. Sledeći važan pojam utemeljene teorije je „stalno uporedivanje” u korne se stalno porede dodeljeni kodovi sa novim kodovima, sa podacima, sa novim kategorijama, kao i svi ovi elementi međusobno. U tematskoj analizi, utvrđivanje tema se obavlja na različite načine. To se može raditi induktivno, tako da se prosto podvlače ključne reči koje se sreću u tekstu - in vivo kodiranje. S druge strane, mogu se u tekstu tražiti neke opšte teme za koje se očekuju da su karakteristične za kultum, grupu ili okruženje za koje je tekst namenjen (npr, društveni konflikti, kulturne kontradikcije, neformalne tehnike dmštvene kontrole, ponašanje u impersonalnim socijalnim odnosima, igranje i prihvatanje društvenih uloga i statusa, načini rešavanja problema itd.). Osim opštih tema, istraživač može u literaturi potražiti specifične teme i podteme. Sve u svemu, kada istraživač na kraju utvrdi teme (kodira ih, označi, odnosno imenuje) koje su relevantne za čitav tekst, može se reći da je veći deo interpretacije obavljen. U tom smislu postoji sledeća izreka: kodiranjeje analiza.
5.
Usaglašavanje kodera i pouzdanost kodiranja
Dobro kodiranje mora da predvidi fazu treniranja procenjivača. Tokom treninga procenjivači moraju da nauče da primenjuju kodnu shemu, ali i da usklade lične kriterijume i ,jednačine” kako bi im se procenjivanje ujednačilo. Iskustva mnogih istraživača su razočaravajuća upravo u segmentu slaganja procenjivača i teškoćama da se oni ujednače. Teškoće su sve veće što procenjivači imaju veći udeo u anahzi, pa recimo sami vrše uzorkovanje jedinica analize, ili kad je kodna shema labava, a kategorije krupne i dvosmislene.
U obuci kodera se mogu primeniti proverene didaktičke metode kao što su prezentacija gotovih primera, zatim zajedničko kodiranje istog materijala, tumačenje i usaglašavanje razlika, saveti iskusnog kodera (istraživača) itd. (v. poglavIje o neposrednom posmatranju). Pouzdanost kodiranja kvalitativnih podataka najčešće se operacionalizuje kao pouzdanost između procenjivača (engl. interrater reliability). Ova se, opet, svodi na saglasnost kodera. Izračunava se obično tako da klasifikaciju teksta izvrše razni koderi i da se stepen saglasnosti između njih predstavi nekom merom korelacije. Šta više, smatra se da je jedini način da se obezbedi objektivnost i pouzdanost kodiranja da kodiranje obavi više šifranata. Međutim, primena računara za kvalitativno kodiranje i analizu relativizira taj zahtcv. Savremeni softver za semantičku analizu sadržaja omogućuje i stimuliše iterativno usaglašavanje kodnih shema, dopunjavanje, testiranje hipoteza, a pri tome omogućava da svaka iteracija bude detaljno dokumentovana. Koristi se i pretest-posttestpouzdanost, koja se može izračunati tako da se kodiranje ponovi nakon nekog vremena i da se stabilnost oceni korelacijom između dva kodiranja. Neki autori pouzdanost vide i u preciznosti kategorija: ,,U principu i najvećim delom, u praksi se relijabilnost postiže izučavanjem izvora neslaganja kodera i postizanjem potpunijih i jasnijih definicija različitih sistema kategorija”. Međutim, postoji opasnost da se razmenom razumevanja i rafiniranjem defmicija tokom treniranja, koderi udalje od teorijskih konstrukata koji su ugrađeni u kategorije (analogan problem postoji i u neposrednom posmatranju, v.). Osim toga, ako se pažnja posvećuje značenju i smislu kategorija, onda to više podseća na pitanje validnosti, a ne pouzdanosti. Na ovaj ili na onaj način prikupljanje podataka u naukama o ponašanju uvek se bazira na Ijudskom sudenju. Treba učiniti korak napred i učiniti da sudenje bude objektivno, a anahza kvantitativna. Kada je reč o poboljšavanju sudenja, svc je u rukama istraživača i kodera, da pravilnim uputstvima, pravilnim izborom jedinica uzorkovanja, dobrom obukom, iskustvom i višestrukim vraćanjem i ponovnim analiziranjem provere adekvatnost kodiranja.
6.
Primena računara u analizi !
termina mogu biti tačna. Kvantltativna analiza podataka se već odavno ne može zamisliti bez računara, prvo vellklh (engl. m ainfram e), a zatim personalnih. Računari ne samo da olakšavaju kvantltalivnu analizu, nego je u značajnoj merl I omogućuju. Na primer, multivarljatna analiza je zbog vellkog broja računskih operacija praktično nemoguća bez primene računara. Sledeća važna karakteristlka prlmene računara u kvantitativnoj analizi je to što se nakon niza godina relativno stabilizovalo tržište statlstičkog softvera (v. odgovarajuće poglavlje). To ne znači da postoji samo jedan ili dva programa, nego da postoje neki glavni predstavnici statističkih paketa (npr. SPSS i SAS) i kriterijumi koji služe za njihovu evaluaciju i izbor.
U domenu kvalitativne analize stvari ne stoje tako. Ovde računari mogu značajno da olakšaju posao istraživaču, ali nisu nužni za primenu kvalitativne analize (osim ukoliko obim podataka nije vrlo veliki). Šta više, iz raznih razloga, još uvek postoji otpor prema primeni računara u kvalitativnoj analizi, sa argumentacijom da se ona (primena) protivi duhu i tradiciji kvalitativne analize. S druge strane, ponuda softvera još nije na onom nivou da bi računar učinila nezamenjivim. Na engleskom postoji termin „killer application” za onaj program koji je učinio da nične procedure odu potpuno u zaborav i da ih zamene računari. Na primer, procesori teksta su takve „killer apps”, a u domenu kvantitativne analize to su SPSS i nekoliko drugih programa. Kvalitativna analiza podataka još nema svoju „killer application”. Pošto se na engleskom kvalitativna analiza podataka skraćeno naziva QDA, softver za analizu kvalifativnih podataka naziva se skraćeno CAQDAS (od engl. Computer-aided Qualitative Data Analysis Software). Fhck (prema Langdridge, 2004) identifikuje 14 procedura kvalitativne analize koje mogu da se obave uzpom oć računara: pravljenje terenskih zabeleški, transkripcija, uređivanje, kodiranje, memorisanje i čitanje podataka, pretraživanje i pristup podacima, povezivanjejedinica analize, pisanje memoa, analiza sadržaja, prikazivanje podataka, provera i zaključci, gradnja teorije, izrada grafičkih prikaza i pisanje izveštaja. Za većinu ovih procedura - svuda gde se spominje pisanje, memorisanje, čitanje, pretraživanje - dovoljan je procesor teksta kao što su Microsoft Word ili Corel WordPerfect. Za neke od procedura (kodiranje, povezivanje) mogu da posluže i komercijalni programi za tabelarno izračunavanje (engl. spreadsheet) ili upravljanje bazama podataka (engl. database). Vehki broj istraživača se zadržava na upotrebi ovih opšte dostupnih i poznatih programa i koriste ih na opšte zadovljstvo. Međutim, za punu računarsku kvalitativnu analizu je presudno da postoje specijalizovani programi. To su oni programi koji uz sve pobrojane procedure mogu da obavljaju srž kvalitativne analize: defmisanje jedinica analize, kodiranje i povezivanje kodova, što uz kombinaciju sa memoiziranjem omogućava formiranje kategorija i gradnju teorije. Upravo ove procedure ne postoje o komercijalnim programima opšte namene, kao što su procesori teksta. S obzirom da se najčešće analiziraju tekstualni podaci, programi za analizu kvalitativnih podataka se često nazivaju programima za kvalitativnu analizu teksta. U poglavlju o analizi sadržaja spomenuti su programi za kvantitativnu i lingvističku analizu. Programi koji se bave kvalitativnom analizom teksla, odnosno semantičkom, sadržinskom ili bihejvioralnom analizom, usmereni su na sadržaj teksta, luuitrašnje odnose jedm ica anahze, na kategorije i njihova značenja. U ovom drugom tipu programa se sreće i kvalitativni i kvantitativni pristup analizi teksta. Navešćemo sasvim kratak spisakprogram apo glavnim kategorijama, koji je aktuelan u trenutku pisanja ovog teksta.
N V iv o , h ttp ://\v w w .q srin le m a tio n a l.c o m N 6 (še sta v e rz ija N U D * I S T - N o n -n u m e ric a l U n stru c tu red D a ta In d ex in g S e a rc h in g a n d T h eo rizin g ), h tlp ://w w w .q srin te rn a tio n a l.c o m A T L A S .Ii, h ttp ://w w w .a tla sti.c o m /in d e x .p h p K w a lita n 5.0, h ttp ://w w w .k u n .n l/m e th o d e n /k w a Iita n /in d e x .h tm l
NVivo je program koji je pogodan za intenzivnu kvalitativnu analizu manjeg fonda podataka, uključujući i multimedijalne podatke. Ima ugraden import (iz procesora teksta) I eksport (u statističke pakete) podataka. Projekt počlnje sa in vivo kodiranjem, ali i hijerarhijskim kodiranjem na više nivoa. Nakon kodiranja, čvorovi (kako se u programu nazivaju kodovi) se mogu povezivati, menjatl, modelirati i pregledati, a uz svaki se mogu dodavati memoi. NUD*IST je preteča i uzor sadašnjih velikih programa za kvalitativnu analizu. Kompanija QSR ga sada prodaje pod nazivom N 6, gde broj šest označava tekuču verziju programa. Program u osnovi ima indeksiranje teksta, pri čemu za svaki „čvor" indeksa korisnik može definisati razne komentare, napomene (memoe), kategorije, rezultate pretraživanja I sl. Na taj način se mogu uspostaviti, tražiti i analizirati odnosi izmedu reči. Ovi odnosi mogu biti pojmovni, leksički, ili bilo koji drugi. Korisnik može lako da menja čvorove i unosi novl tekst, a flekslbilno je kategorisanje i kodiranje teksta. Program može da drži I obrađuje veliki broj dokumenata i veliku zapreminu teksta. Zahvaljujući tome je pogodan za longitudinalnu analizu, ali ima nešto ograničeniju dubinsku analizu kategorija (čvorova) i njihovih veza u odnosu na NVivo. Program ATLAS.ti može da obraduje i grafičke, audio I video datoteke. Program je dobro integrisan u grafički korisnički interfejs MS Windows i poseduje sve moderne tehnike kao što je tehnika „drag-and-drop". Tekst koji se analizira (jedinica analize) se markira, kodira, memoizira, pa se zatim prave „mape” i „mreže" svih jedinica u skladu sa zadatim kriterijumima.
Prigovori računarskoj analizi !
N. Analiza sekundarnih podataka
Uobičajeno je da se prim arni i sekundarnipodaci razlikuju na osnovu toga ko je podatke prikupio. Ako je podatke prikupio istraživač, onda su oni primami, a ako je podatke prikupio neko drugi, a istraživač ih samo koristi, onda su podaci sekundami. Sekundami podaci mogu biti, i obično jesu, prikupljeni zbog sasvim drukčijih ciljeva i namena. Dileme oko toga šta su sekundarni podaci bile bi otklonjene ako bismo ih nazvali arhivskim podacim a, što oni jesu. Z atoje danas sve češća praksa da se upravo tako nazivaju. Analiza sekundamih podataka se smatra neinteraktivnom, tj. neoptruzivnom metodom (ipak, v. kasnije). Analiza sekundarnih podataka se nekada tretira kao posebna vrsta istraživanja. Ovde je već ukazano da se neke od navedenih, i to veoma značajnih metoda, u literaturi nekada tretiraju kao tipovi istraživanja, a nekada kao metode prikupljanja podataka (npr. analiza sadržaja, studija shičaja i utemeljena teorija). Kako razlikovati primame i sekundarne podatke? Uzmimo za primer shičaj kada istraživač prikuplja zapisnike sa svih sastanaka neke ustanove u nekom prošlom vremenskom periodu, sa ciljem da ih podvrgne analizi sadržaja. Jasno je da su zapisnici arhivski podaci, jasno je da ih istraživač nije prikupljao, ali je iz zapisnika, istraživač prikupio nove podatke - o kategorijama - koje su zapravo predmet njegove analize. Zato spomenuti istraživač ima pravo da zapisnike sa sastanaka tretira kao sekundarne podatke, a podatke o temama, pojmovima ili tipovima dijaloga (koje je sam povadio) kao primarne. Prilikom prikupljanja i analize sekundamih podataka istraživači izvode vlastite generisane podatke, izvode i testiraju nove hipoteze, ili koriste drugačije poglede na pojave na koje se podaci odnose. Osim toga, istraživači mogu da kombinuju svoje stare podatke i podatke iz drugih izvora. Kada se danas spominju sekundami podaci, onda se obično misli na podatke iz arhiva, statističkih godišnjaka, sudskih izveštaja, izveštaja iz ministanstava, zbirki političkih govora i saopštenja i svih sličnih izvora koji se često zovu „statistikama” (a koje smo, u glavi o kvantitativnoj analizi, nazvali evidencionom statistikom i naglasili da oni zapravo nisu statistika), a koji su često namenjeni za kasnije sekundarne analize. Na ovakvim podacima se obično primenjuje metastatistika; prikazuju se trendovi, vrše se komparacije, ili se, čak, podaci analiziraju strukturahio - multivarijatno. Ako su podaci tekstualni, ili se radi o snimcima radio i televizijskih emisija, onda se vrlo često umesto o analizi sekundardnih podataka govori o analizi sadržaja. Sekundarni podaci se najčešće koriste u evaluacionim istraživanjima, u meta-analizama, komparativnim studijama i longitudinalnim studijama, ali nisu ograničeni samo na njih. U posebnom poglavlju je opisana meta-analiza kao „istraživanje na istraživanjima” i naveden je primer meta-analize odnosa pola i inteligencije. U samom
m eta -a n a litič k o m istraživ an ju se n isu p rik u p lja li p o d a ci o p o lu i o in telig en ciji, niti su se oni vad ili iz p re th o d n ih istraž iv an ja. A n a liz ira n e su sam o v e h čin e efek ta, kao v rsta su m arn o g p o k a z a te lja , što p re d stav lja su štin sk ii razH ku izm eđu m eta -a n a liz e i analize se k u n d a m ih p o d a ta k a . Iz v o ri p r is tr a s n o s ti a r h iv s k ih p o d a ta k a . - Sve m eto d e i teh n ik e koje se z asn iv a ju na a rh iv sk im p o d a cim a, k a o što su a n a h z a sa d rža ja i m eta -a n a liz a m o raju im ati u vidu da arh iv sk i p o d a ci, sam i p o sebi ne o b e zb e d u ju o b jek tiv n o st. Istra živ ač a m o že da prev ari n e o p tru z iv n o s t tak v ih n ieto d a i da p o m isli da ona a u to m a tsk i o sig u ra v a o b jek tiv n o st. M e d u tim , p ra k sa je p o k a z a la da na arh iv sk e p o d a tk e deluju neki sistc m a tsk i fa k to ri k o ji u g ro ž a v a ju n jih o v u valid n o st. P r\'i tak a v fa k to r j e selektivno odlaganje (se lek tiv n i d e p o zit). M o g u p ostoja ti različiti kriteriju m i koji su u tic a h d a to d a H je n ešto o b jav ljen o ili je zab o rav Ijeno u fioei, da H je u o p šte sta v lje n o u z a p isn ik iH n ije , te da li je o d lo že n o u a rh iv u iH je b ačen o . R ecim o , m an je od č etv rtin e sa m o u b ic a o sta v lja o p ro šta jn o pism o. Istra živ an je koje se bavi anaH zom tih p o m k a n e će m oći u tv rd iti d a H su o sta v lje n e p o ru k e rc p re z en tativ n e za sv a sa m o u b istv a . K a d a se radi o z ap isn icim a sa sasta n ak a , u n e k im sh ič ajev im a p o sto je n e fo rm a ln a , a u n ek im fo rm aln a p ra v ila da u č esn ic i ra sp rav a m ogu n a k n a d n o d a p re g le d a ju i k o rig u ju z ap isn ik e pre arhiv iran ja, što m o že da o m eta n jih o v u a u ten tičn o st, D rugi fa k to r je selektm io preživljavanje (se lek tiv n o č uvanje). Iz p ra k se je p o z n ato d a će do k u m en ti koji sa d rže n c g ativ n e, e k strern n e ih d isk re d itu ju će in fo rraa cije o n ek o m p o jed in c u iH gru p i „im ati te n d e n c iju ” n e stajan ja . O b m u to , u izv e sn im arh iv am a takvi do k u m en ti im aju v e ću v e ro v a tn o ć u p re živ ljav an ja, Isto tak o , onaj ko fo rm ira i o d rž av a a rh iv u m o že da je n a k n a d n o u sk la d u je sa sv o jim ciljev im a i nam enam a, npr, u c ilju sm a n je n ja v o h im en a, P o v e z an o sa tim e, vaHdno st a rh iv sk ih p o d a ta k a m o g u d a u m an je greSke iliprom ene upolitici iproceduri
čuvanja zapisa. K o n a čn o , opšte j e p o z n ata p o ja v a reaktivnosti, o d n o sn o p rila g o d a v a n ja pon a ša n ja isp itan ik a situaciji i.spitivanja (k o je p rip a d a d ru g o m izv o ru in dividuahrih razH ka). O so b e koje su in te rv ju isan e , poH tičari koji drže g o v o re, u re d n ic i n a televiziji itd. ne m oraju da g o v o re ono što stv a m o m isle, n e g o ono što u toj situaciji sm a tra ju opo rtu n im . la k o istraž iv ač , k a d a čita z ap isn ik c, im a utisak d a ne utiče n a g o v o rn ik e, oni su se, u tren u tk u k a d a su g o v o rih , n a la z ih u optru ziv n o j situaciji.
O. Merenje stavova
Pod merenjem stavova podrazumevaćemo merenje više različitih konstmkata koji su međusobno slični, pa se nekada i naizmenično koriste, ali im se u socijalnoj psihologiji i sHčnim disciplinama ipak pridaju razhčita značenja (Rot, 1989, Kreč i Kračfild, 1973, Kreč, Kračfild i Balaki, 1972). Aiken (2002) kaže da su stavovi naučene kognitivne, afektivne i bihejvioralne dispozicije da se pozitivno ili negativno odgovori na izvesne objekte, situacije, institucije, pojm ove ili osobe. Važno je uočiti da su stavovi naučeni, odnosno stečeni, što znači da im se odriče nasledni karakter. Zatim, stavovi imaju poznate tri kom.ponente; kognitivnu (uverenja, znanja, očekivanja i ubedenja o povezanosti između objekta stava i njegovih atributa), afektivnu (osećanja, raspoloženja, motivi, emocije i povezane fiziološke promene prema objektu stava) i delatnu (ponašauje i akcija prema objektu stava, oboje namemi i stvami). Ovaj trijas komponenti stava često nosi i alternativni naziv: kognitivna, afektivna i konativna. Stavovi su uvek pozitivni ili negativni (ili neutralni), odnosno imaju valencu. Svi stavovi imaju objekt stava, odnosno referentni objekt. Ono što u Aikenovoj definiciji nije obuhvaćeno je i to da stavovi imaju intenzitet, odnosno mogu biti slabiji ili jači (Fajgelj, Kuzmanović i Đukanović, 2004). Vrednosti su stavovi prema idealima, običajima ili institucijama društva. Primeri vrednosti su lepota, jednakost, sloboda, poštenje i rcd. Vrednosti se mogu defmisati i kao važnost, korisnost ih vrlina koja se pridaje određenim aktivnostima ili objektima. Vrednosti se smatraju više osobinama ličnosti i više bazičnim za ispoljavanje individualnih potreba i želja od stavova. Vrednosti mogu biti i cilj i sredstvo, kako pojedinca, tako i grupa, što znači da su motivator ponašanja. Vrednosti su obično povezane sa drugirn socijalnim i psihološkim varijablama, što znači da su opšte prirode. Mi.^ljenja ili mnjenja su slična stavovima, ali se za njih kaže da predstavIjaju otvorene i svesne manifestacije stavova. Takođe, mnjenja se smatraju manje centralnim za ličnost, a višc specifičnim, više promenjivim i više baziranim na činjenicama nego što su stavovi. Uverenja se mogu defmisati kao ubeđenje u tačnost ili postojanje nečega što nije moguće odmah nedvosmisleno dokazati. Uverenja su manje čvrsta od znanja, ali više čvrsta od stavova i mišljenja. Uverenja su slična mnjenjima po tome što usvajaju neke propozicije kao činjenice, ali je činjenična osnova mnjenja obično manja nego kod uverenja. Osoba je uvek svesna svojih mnjcnja, aliTie mora biti svesna svojih stavova, vrednosti ili uverenja. Najpoznatija uverenja su stereotipi. Stavovi i ponašanje. - Povezanost stavova i ponašanjaje obilno istraživana i generalni zaključak je da opšta mera stava nije dobar prediktor ponašanja. Pre-
d ik tiv n o st se p o b o ljš a v a ako se u m esto p o je d in a č n ih p ita n ja sta v o v i isp itu ju p u te m m u ltiajtem sk ili skala. D ru g o p o b o ijšan je se m o že d obiti ako se stavovi i p o n a ša n ja u je d n a č e p o ste p en u o p što sti - d a se sp e c ifič n a p o n a ša n ja k o re lira ju sa sp e c ifič n im sta v o v im a , a o p šta sa opštim . T a dva p rin c ip a - a g re g a c ija (m ultia jtem sk i k a ra k te r sk ala) i k o m p a tib iln o st (u jed n a če n o st sta v o v a i p o n a ša n ja po o p što sti) - u je d n o p re d sta v lja ju i o sn o v n e p re p o ru k e istra ž iv a č im a k o ji na osnovu sta v o v a ž ele d a p re d v iđ a ju p o n a ša n je . R a z v ije n o j e više te o rija k o je o b ja šn ja v a ju k o re la ciju sta v o v a i p o n ašan ja. O n e se n a jč e š ć e b a z ira ju na to m e d a p o n a ša n je v id e k a o re z u lta t d e lo v a n ja k o m b in a c ije sta v o v a, u v e ren ja, o č e k iv a n ja o ish o d im a, p sih o lo šk ih m o d e ra to rs k ih v a rijab li, so c ija ln ih norm i i o so b in a sta v o v a (npr. ja s n o s t i ja č in a ). T re b a im ati u v id u d a j e p o k a z a n o i k a k o p ro m e n e u p o n a ša n ju ih p o n a v lja n je p o n a ša n ja d o v o d e d o p ro m e n e u sta v o v im a - p o n a š a n je m o že d a iza ziv a sta v o v e , takođe (R o sn o w i R o se n th a l, 2005). Z ato , ako i u tv rd im o d a p o sto ji k o re la c ija izm eđu p o n a ša n ja i sta v o v a, o n a ne m o ra u k a ziv ati n a ono što sm o o č ek iv ali. T ab e la 12. - N a jč e šć e m ere n i stavovi. O b je k at stava A b o rtu s B e sk u ć n ic i B ise k su a ln o st D e c a sa p o se b n im p o tre b a m a E u ta n a z ija G o ja zn e o so b e H e n d ik e p ira n e oso b e H IV in fe k c ija H o m o se k su a ln o ro d ite ljstv o H rišć an stv o L ju b av M a n jin sk e g ru p e M a te m a tik a M e n taln o b o lesn i N auka NLO P ism e n o st P o lig a m ija P orezi P riro d n a o k o lin a P u šen je R ad
R a đ a n je dece R e lig ija S a m o u b istv o u z p o m o ć lek ara S am o u b istv o S e k su a ln i p re stu p n ic i S e k su a h io u z n em ira v a n je S ID A S ilo v an je Sm rt S m rtn a k a zn a S tare osobe S taren je T e ra p ija e le k tro šo k o v im a U m iru će o sobe U p o tre b a /z lo u p o tre b a a lk o h o la U p o tre b a /z io u p o tre b a d io g a Z atv o rsk e o sude Z lo sta v lja n je sta rih Z lo sta v lja n je b ra č n o g dru g a Z lu p o tre b a su p sta n c i Ž e n sk a p ra v a
Glava IV. Metode i tehnike merenja 1.
❖
397
Metode merenja stavova
M i ćem o o v d e im ati p rv e n stv e n o u v id u m eren je sta v o v a, ali treb a reći d a se m ere n je sta v o v a i n a v e d e n ih , n jim a slič n ih p sih o so c ija ln ih k o n stru k a ta , o b a v lja v e ćin o m n a slič a n način. A ik e n (2 0 0 2 ) u tabeU 12 n a v o d i sp isa k o b jek a ta p rem a k o jim a su m ere n i sta v o v i u re p re z e n ta tiv n o m u zo rk u o b ja v lje n ih radova.
a. D irektne (otvorene) m etode N a jd ire k tn iji n a č in m e re n ja sta v o v a p re m a o d re đ en im o b jek tim a j e posmatranje načina na koji se Ijudi ponašaju p re m a n jim a. O n o što Ijudi ra d e ili što k a ž u u o d n o su n a p risu tn i o b je k t m o že se sm atrati re p re z e n ta tiv n im z a n jih o v stav p re m a to m o b jek tu . P o sm a tra n je p o n a ša n ja se p o se b n o p rim e n ju je z a u tv rd iv a n je d e la tn e, voljne ih konativne k o m p o n en te stava. P o sto ji n e k o h k o o z b iljn ih n e d o sta ta k a ove m eto d e . L ju d i č esto ig raju n ek e u loge ili n a sto je d a o b m an u o k o lin u sv o jim p o n a ša n je m . O sim to g a, n a o sn o v u n e k o g p o je d in a č n o g a k ta ih p o n a ša n ja ne m o že se tv rd iti d a p o sto ji stav. R e cim o , n ek o m ože, k a o slu č ajn i p ro lazn ik , z asta ti i slu ša ti šta se g o v o ri n a m itin g u p rista lic a leg a liz a c ije m arih u an e. A k o se p o jed in a c n a la z i u m asi, n je g o v o p o n a ša n je m o že b iti u slo v lje n o tim e. Z b o g sv e g a toga, o p a že n o p o n a ša n je ne m o ra u k a ziv ati n a stv a m i stav. O vaj n e d o statak se m o že p re v a z ić i p o n o v lje n im p o sm a tra n jem , u v iše ra zlič itih sitiiacija, ali to m eto d u čini sk u p o m i d u g o tra jn o m (F ajg elj, K u zm an o v ić i Đ u k a n o v ić, 2004). V e rb aln o re a g o v a n je k o d Ijudi tak o đ e p re d sta v lja p o n a ša n je . Z ato p osm atran je (slu ša n je ) sp o n ta n ih v e rb a ln ih isk a za m o že da p o slu ž i i za u tv rd iv an je stav o v a: ,,O vo m i ide n a ž iv c e ” , „B o že, k a k v a g lu p o st” , „ P re d iv n o j e ” itd. S tu d e n t se o d m ah m o ž e u p ita ti zašto m o ram o ček a ti n a sp o n ta n e v e rb aln e isk aze - z ašto o d m a h ne p ita m o o so b u o to m e šta m isli. U p ra v o n a to m e - na o tv o ren im p ita n jim a - z a sn iv a ju se m n o g o p o z n atije d irek tn e m eto d e: intervju i upitnik. O ni se n e k a d a n a z iv a ju e k sp lic itn im m era m a sta v o v a i z a sn iv a ju se na p re tp o sta v c i d a su isp ita n ici: a) sv e sn i sv o jih sta v o v a i b ) d a žele da ih ja v n o iznesu. T reći u slo v j e da p ita n ja k o ja se p o sta v lja ju u in te rv ju u ili u p itn ik u ne u tič u n a sta v o v e k o je m ere, d a ne d o v o d e d o n jih o v e p ro m en e , tj. d a se ne upliću u n jih (engl. u n o b tru siv e).
b. Indirektne (skrivene) m etode M e d u tim , n ije d a n o d tih u slo v a n e m o ra b iti z ad o v o ljen . L ju d i ne m oraju b iti svesni sv o jih sta v o v a, n iti će u v e k b iti sprem ni da ih o b e lo d a n e, a v eo m a č esto Ijudi ž e le d a sv o jim o d g o v o rim a stv o re n ek u slik u o seb i (n ajčešće pozitiv n u , p o ž e ljn u , p a se ta p o ja v a n a z iv a socijalnom poželjnošću). Z ato neki istraž iv ač i p rib e g a v a ju sk riv e n o m (m ask ira n o m ) m ere n ju stavova.
Psihofiziološke tehnike. - P o slo ji m o g u ć n o sl i da se p o sm a tra „ g o v o r te la ” i izraz liea. S m ešak , gad ijiv izraz, k o lu ta n je očim a, lo m ljen je p rstiju , n a m rg o đ e nost, o d m a h iv a n je ru k a m a itd. m o g u da u k a žu n a p o sto ja n je i v a le n e u stava. N a rav n o , „ čitan je g o v o ra tela ” j e sk o p č a n o sa jo š m a n jo m p o u z d a n o š ć u nego p o sm a tra n je p o n a ša n ja . S ta v o v i, k ro z sv o ju afek tiv n u k o m p o n e n lu , im aju i fizio lo šk e k o re la te . Z ato se oni m o g u d irek tn o m eriti i p re k o p sih o g a lv a n sk o g re fle k sa CPGR), širin e z e n ic a (p u p ilo m e trija), k o lič in e e p in e frin a , k rv n o g p ritisk a , b ro ja o tk u e a ja sre a i sH čnih p o k a za te lja . N a ž a lo st, p o k azalo se da na ovaj n a čin n ije m o g u će u tv rd iti v a le n e u stava, k a o što se ne m ože u tvrdili ni da li j e u p ita n ju p o z itiv n a ili n e g a tiv n a em ocija. N e treb a p o se b n o u k aziv ati d a bi o v a k v a m eto d a b ila v e o m a sk u p a k ad a bi isp itiv a n je o b u h v a ta lo iole veći broj Ijudi, i sig u m o bi u tic a la n a stav o v e. Projektivne tehnike. - P ro je k tiv n e teh n ik e su o p isan e u p o g la v lju o p sih o lo šk im testo v im a. S ve one se m o g u k o ristiti i u sk riv e n o m isp itiv a n ju stav o v a. P og o d n i su testo v i a so c ijac ija (reč i), n e d o v rše n ih re če n ic a , p rič e u slik am a, L iisch ero v te st boja itd. L spitanicim a se m o že dali da n a p išu k ra tk u sto riju o n ek im sh k a m a. P o što stavovi im aju k o g n itiv n u k o m p o n en tu , k a o sk riv e n a m era sta v a m o g u se k o ristiti i testovi znanja o o b jek tu stava. T reb a reći d a n a la zi nisu p o tv rd ih p re d n o sti p ro jek tiv n ih telin ik a nad d ire k tn im sk a lam a stav o v a. P s ih o fiz io lo šk e i p ro jek tiv n e m o g u im ati n a m e n u da p ro v o c ira ju isp o lja v a n je stav a k o g a je isp ita n ik svestan, ah ne ž e h da g a o b e lo d a n i. M e d u tim , jo š teži z ad a ta k j e da se p ro v o c ira isp o lja v a n je n e sv e sn o g ili implicitnog stava. Z a to se m o g u k o ristiti teh n ik e koje liče na „ d e te k to r la ž i” i koje se n a z iv a ju tehnike okidača (engl. p rim in g tech n iq u e). Isp itan ik u se p rv o p re z e n tira reč o k id a č (reeim o „ p a c o v ”) i o d m ah iza toga je d a n p o z itiv a n i je d a n n e g a tiv a n p rid e v (rec im o , „ le p o ” i ,,g a d n o ”). Isp itan iei će re a g o v a ti (reeim o p ritisk o m n a d u g m e) m n o g o brže ako se, p o n jih o v o m stavu, o k id ač i p rid e v slažu , n e g o ako se ne slažu . SH čna teh n ik a , „ te st im p licitn ih a so c ija c ija ” , b a z ira n a na b rz in i re ak c ije , sasto ji se u p rik a z iv a n ju p rv o para o b jek ata (npr. A lb a n a c - G rk) i od m ah zalim p a ra p rid e v a (npr. p rija tn a reč - n e p rija tn a reč). N e k ad a je isp ita n ik u p o n u d e n o da p o v e že je d a n o b je k t sa je d n im a trib u to m , a n e k a d a sa su p ro tn im . A k o se ispitaniku slaže o b jek a t i atribut, n jeg o v o d g o v o r će b iti brži n eg o ako se n e slažu . P o sto jc m n o g o b ro jn e d o v itljiv e i d u h o v ite tch n ik e za in d ire k tn o isp itiv a n je slav o v a. N a p rim c r, u tehnici „ p o g re šn o g b ro ja ” istraž iv ač ev sa ra d n ik zove Ijude tele fo n o m m o leći ih za neku uslugu. U z av isn o sti od (sk riv e n ih ) in fo rm a cija koje daje o sebi (g laso m , rečn ik o m , d ik cijo m ...), od toga šta traži i, n a rav n o , od to g a da h isp ita n ici p rista ju da m u izad u u su sret, z ak lju č u je se o n jih o v im so c ija h iim sta v o v im a i p re d ra su d a m a. D ru g a te h n ik a , „ iz g u b lje n a p ism a ” , sa sto ji se u o sta v lja n ju k o v e rtiran ih , a d resira n ih i m ark iran ih p isa m a n a u h c i, pri čem u su p ism a p riv id n o n a slo v lje n a n a n e k u o rg a n iz a c iju ili o so b u (rec im o p o litič k u stra n k u ili lid e ra), ali je stvarna a d resa istraž iv ač ev a . S a ra d n ic i istra ž iv a č a m o g u p o sm a tra ti šta rade Ijudi koji nadu k o v e rtu , a m o že se i p re b ro ja ti broj p isa m a k o ja su u b a če n a u p o šta n sk o sa n d u č e (jio slata), u z av isn o sti o d to g a n a k o g a su a d re sira n a (A ik e n , 2002, F ajg elj, K u z m an o v ić i Đ u k a n o v ić, 2004).
2.
Skale stavova
Z a m crenje sta v o v a se, ip ak , n a jč ešće prim enjiiju direk tn e teh n ik e b aziran e na upitniku. P o se b n a v rsta ta k v ih d irek tn ih tch n ik a su skale stavova k o je sc sastoje od n iza p o z itiv n ih ili n e g a tiv n ih tv rd n ji o o bjektu stava. U sk la d u sa p sih o m etrijsk o m trad icijo m , izra ze stavka, ajtcm , iskaz i tv rd n ja k o ristićem o ravnopravno. U k u p n a m era n a sk ali, k o ja p rc d stav lja m eru stava, fo rm ira se kao kom p o zit iz o d g o v o ra n a p o je d in a č n e tvrdnje. T o znači d a se skalom meri valen-
ca i intemitel stava, odnosno njegova afektivna komponenta. N ačin k o n stru k c ije skale, fo rm at stavki, o ccn jiv an je stavki i način form iran ja uktipnog sk o ra d cfin išu sk ah i kao takvu, U glavi o teoriji m eren ja o b jašn je n o je da skaU ranje o z n a č a v a k o m p le tn ii m cto d o lo g iju d o d e ljiv an ja n u m era la o bjektim a, Z ato su k lasič n e i sa v rem e n e sk a le stav o v a, po pravilu, isto v rcm en o i teo rije i m eto d e m erc n ja stavova. O n c o b u h v a ta ju dcfm iciju k v a n titativ n o g sv o jstv a (stava), opšti p ristu p m ere n ju , m eto d e m cre n ja i načine izra ču n a v a n ja m era. Po svojoj osnovnoj stru k tu ri, sk ale sta v o v a su v rlo sh č n e sk a lam a p rocene. P ostoji n e k o lik o m o g u ćn o sti za tak so n o m iju sk ala stav o v a. U m ern o te o rijsk o m p o g lcd u one se m o g u p o d e liti p o dve dim enzije. P rva d im en zija p o d e le je n a determinisličke i prohahilističke m o d cle. K o d p ro b a b ilistič k ih m o d ela v e ro v atn o ća o d g o v o ra n a sta v k u v a rira u z av isn o sti od in te n z iteta stava, dok d e te rm in ističk i m o d eli p re tp o sta v lja ju da će se isp itan ici uvck složiti sa stav k am a koje izra ža v a ju stav sliča n n jih o v o m , a nik ad sa sta v k am a koje izražav a ju d ru g a čiji stav. D ru g a d im e n z ija p o d c lc jc na monotone i nemonotone m odele. K od m o n o to n ih m o d ela v e ro v atn o ća o d g o v o ra n a stav k u m o n o to n o se m cn ja sa p ro m cn o m in te n z itcta stava, d o k k o d n e m o n o to n ih m o d ela v c ro v atn o ća od g o v o ra je n a jv e ć a k a d a jc in te n z ite t tv rd n je je d n a k in te n z itetu stav a, a m an ja je k a d a se in te n z itcti razlik u ju . D ruga p o d e la j e o n a po kojoj se razH kuju kumulativne skale, skaleprividno jednakih intervala i sumacione skale. K o n ačn o , n a jp o z n a tija p o d e ia je o n a koja se vrši na o sn o v u im ena a u to ra ih n a m c n e skale: B o g a rd u so v a si
a. Skala socijalne distance E m o ry S. B o g a rd u s (1 9 2 5 , 1928) je p rc d lo ž io n ačin i izvršio p rv a m erc n ja so c ija ln e d istan ce. P o ja m so c ija ln e d istan c e jc d efin isan jo š p o č etk o m X X v e k a kao „ stcp en i m era ra zu m ev a n ja i in tim n o sti koji k a rak tcrišu p rc so cijaln c i socija ln e o d n o se u o p šte ” (P ark, 1902, G u d i Flet, 1966). N a m en a skale jc da o dredi
najmanju distancu prcma nekoj osobi, ili nacionalnoj, rasnoj ili profesionalnoj grupi koju ispitanik prihvata - oseća se prijatno - ocenjuje pozitivno. Dogardus je definisao kontinuum socijalne distance prema pripadnicima etničkih grupa na sledcći način: 1) pristao bih da posete moju zemlju 2) pristao bih da žive u mojoj zemlji 3) pristao bih da radim sa njima 4) pristao bih da budu moje komšije 5) pristao bih da budu u mom klubu 6) pristao bih na brak sa njima.
Iz primera se može videti da je Bogardusova skala zamišljena kao monolono deterministička. Očekuje se da će ispitanici sa stepenom distance na nivou 3 uvek zaokružiti 1, 2 i 3, a nikada neće zaokružiti 4, 5 i 6. Takode, skala spada u kumulativne skale, upravo zbog svojstva monotonosti: ispitanici zaokružuju sve niže stavke, a ne zaokružuju više stavke. Od Bogardusa do danas skala socijalne ili etničke distance je primenjivana u raznim varijantama (Rot i Havclka, 1973). Umesto originalne „geografske” reprezentacije distance primcnjuju sc i socijahio psihološke, kao što su: prihvatio bih da budc predsednik moje zemlje, prihvatio bih da mi bude šef, prihvatio bih da bude učitelj mojoj deci, prihvatio bih da se orodimo, itd. U najjednostavnijem obliku ispitanik mora samo da zaokruži da li pristaje na određeni nivo prihvatanja, a u složenijim skalama treba da zaokruži i stepen prihvatanja, npr. od Ido 5.
b. Guttmanova skala Guttmanovo skaliranje se u literaturi može sresti i pod nazivima.fA'fl/ogroHjska analiza ili kumulativno skaliranje. Opšti cilj Guttmanove skale je da se konstruiše niz stavki koje predstavljajujcdan jednodimenzionahii kontinuum, i to tako da iz odgovora na svaku stavku možemo predvideti odgovore na ostale stavke. Još preciznije, pozitivan odgovor na jednoj stavci podrazumeva da su dati pozitivni odgovori na svc lakše stavke i negativni odgovori na sve teže stavke. Često se navodi jedan običan primer: a) Jeste II viši od 1,90m
da
ne
b) Jeste II viši od 1,80m
da
ne
li viši od 1,70m
da
ne
d) Jeste 11viši od 1,60m
da
ne
c) Jeste
Ove stavke će predstavljati idcalnu Guttmanovu skalu. Idealnu Guttmanovu skalu je, medutim, vrlo teško postići u merenju psihičkih svojstava kao što su stavovi ili znanje. Kad se radi o merenju stavova, za ilustraciju Guttmanove skale mogao bi se iskoristiti primer iz istraživanja Kuzmanovića (2001) iako je skala bila namenjena istraživanju etničke distance:
1. da stalno živi u mojoj državi, 2. da stanuje u mom susedstvu (u i istoj zgradi ili ulici), 3. da mi bude saradnik na poslu, 4. da mi bude pretpostavljeni na poslu, 5. da bude vaspitač mojoj deci, 6. da se s njim družim i posećujem, 7. da ima rukovodeći položaj u mojoj državi, 8. da budemo u daljem srodstvu putem braka sa rođacima, i
9. da budemo u bliskom srodstvu putem vlastitog
braka ili braka dece.
Ovaj skup stavki potcncijalno čini Guttmanovu skalu - od najvećeg do najmanjeg prihvatanja osobe druge nacionalnosti. Ako se ispitanici koji se slože sa jednom od stavki, u većini slažu slažu i sa svim stavkama koje su ispod nje, a ne slažu sa stavkama koje su iznad nje, onda će stavka biti zađovoljavajuće kumulativna (ali ne idealno). U domenu znanja se obično navode primeri sa zadacima iz matemalike, kao npr.: a) Reši jednaćinu:
+ 2x +
9 = 16
d) Koliko je:
b ) K o lik o je : l| + 3-|-
98 -1 3
e) Koliko je: 16 + 4
c) K olikoje: 1 4 *5 -1 2
Razumna je pretpostavka da su ovi zadaci poređani od najtežeg do najlakšeg i da će učenik koji tačno odgovori na teži zadatak tačno odgovoriti na sve lakše, a pogrešno na sve teže zadatke. Očigledno je da stavke Guttmanove skale moraju biti dihotomne. Sledeći korak u konstrukciji Guttmanove skale je fomiiranje specifične matrice podataka - skalograma (Guttman, 1947). Ta matrica ili tabela je tipa „ispita1 abela 13.- G uttm anov skalogram sa grcškam a A jtcm Ispitanik
A jtem
Ajtem
Ajtcm
a________ b________ c________ d
11
X
X
X
X
6
X
X
X
X
15
X
X
X
21
X
X
X
14
X
X
X
19
X
X X
1
X
9
X
18
X
X
Sa ,,X” jc označen tačan odgovor.
n ici ^ a jte m i” i m o ra da im a tro u g la st ili kumulativan oblik . M a tric a se fo n n ira tak o d a se za sv a k o g isp ita n ik a i z a sv a k i a jte m un ese d a li j e o d g o v o r ,,d a ” , ili „ ta čn o ” , p a se z a tim red o v i m atrice (isp ita n ici) so rtiraju tak o d a n a v rh d o d u oni k o ji im aju sv e d a /ta čn o , a n a dno oni k o ji n e m a ju ni je d a n d a/tačn o . Položaj ispi-
tanika u Giittmanovoj matrici definiše njegovu m eruprisustva merene osobine. Z a p rim e r sa testo m z n an ja iz m ate m a tik e , sk a lo g ram bi m o g a o izg le d ati kao u tab e li 13. G re šk e u m atrici 13 se n a la z e k o d isp itan ik a 15 i a jte m a b, c i d, i isp ita n ik a 18, k o d a jte m a b i c. T e g re šk e se n a ziv aju G u ttm a n o v im g re šk a m a , a sa sto je se iz in te rn ih p ra zn in a i e k s te m ih X -o v a. C e lo k u p a n p o stu p a k k o n stru k cije G u ttm a n o v e sk ale i p o se b n o a n a liz e G u ttm a n o v e tab e ie n a z iv a se skalo-
gramskom analizom. N a o sn o v u G u ttm a n o v o g sk a lo g ra m a o d b a cu ju se oni a jtem i k o d k o jih postoje G u ttm a n o v e greške. N a ž a lo st, u p ra k si bi to z n ač ilo d a se m o ra ju o d b a c iti svi ajtem i. Z a to su razv ijen i razni p o k a z a te lji stepena do k o g a m a tric a z ad o v o lja v a G u ttm a n o v u skalu. T i p o k a z a te lji su koeficijent skalabilnosti, koeficijent reproducibilnosti, S to u ffe ro v a H te h n ik a i %^-test G u ttm a n o v e m atrice (G a rso n , 2000). K o e fic ije n t skalab ih ro sti se m o ž e n a p isati n a sled eći način: Q = l - | ,
[24]
pri č em u je E broj d o b ije n ih G u ttm a n o v ih g re šak a , a X b r o j o č e k iv a n ih G u ttm a n o v ih g re šak a , n a slalih slučajno. B roj d o b ije n ih G u ttm a n o v ih g re šak a č in i broj u n u lrašn jih p ra z n in a i v a n jsk ih X -o v a . B roj o č ek iv an ih slu čajn ih g re ša k a se m o že dob iti kao p{n - J’J , gde je p v e ro v a tn o ć a d a se slu č ajn o o d g o v o ri p o z itiv n o (pošlo su G u ltm a n o v i ajtem i d ih o to m n i /?= 0,5), n je u k u p a n broj o d g o v o ra (X ova) u m atrici, a 7'„ j e broj o d g o v o ra u n a jb ro jn ijo j k a te g o riji b ilo k o g ajte m a . r,, u k a zu je n a to koH ko se m o že o č e k iv a ti slu č ajn ih g rešak a je r, a k o p o sto ji 15 isp ita n ik a i n jih 13 su n a isti n a č in o d g o v o rili n a neki ajtem , o n d a n e m o ž e b iti v iše od (15 “ 13)=2 g rešk e za taj ajtem . K o e fic ije n t re p ro d u c ib ih io sti j e m n o g o p o z n atiji i m o že se izra ču n a ti na sled eći način: C,, = l - ~ .
N
[25]
E ']e broj g re šak a , d e fm isa n k a o g o re, a jV je u k u p a n broj o d g o v o ra u m atrici (broj isp ita n ik a x broj ajtem a). K o e fic ije n t re p ro d u c ib iln o sti (ili re p ro d u k tib iln o sli) m o ra b iti n a jm a n je 0,90 d a b i se sk a la m o g la n a zv a ti G u ttm an o v o m . G u ttm a n o v a sk a la sp ad a u determinističke modele za sk a lira n je osoba. N je n d e te rm in iz a m se o g led a u tom e što se o č ek u je d a su k a rak terističn e k iiv e a jte m a ste p en a ste; sv i isp itan ici ko ji su v iso k i 1,6 m e ta ra ili m anje n ik a d a n e će z a o k ra ž iti ajtem e a, b i c, a u v e k će z ao k ru ž iti a jte m d. T o isto v rem e n o zn ači da j e G u ttm a n o v a sk a la monotoni model, z ato što nijedan n iži isp ita n ik ne z a o k ru ž u je dati ajtem , a zao k i užuju ga.v v /v iši isp ita n ici. O v a s itu a c ija p rik a z a n a je n a slici 7, a za o sn o v u j e u z et skup ajtem a koji m ere te le sn u v isin u sa p o č e tk a o v o g p o g lav lja.
N a a p sc isi bi ii to m p rim e ru o so b in a b ila tele sn a v isin a, a „ ste p e n ic e ” a jte m a bi b ile n a 160, 170, 180 i 190 cm . T ešk o je k o n tru is a ti tv rd n je za m eren je stav o v a k oje z a d o v o ljav a ju k u m u la tiv n i m odel. Z b o g to g a se G u ttm a n o v a sk ala danas v e o m a m alo k o risti u prak si. M eđ u tim , sk a lo g ra m i sk a lo g ra m sk a a n aliza n ašli su p rim e n u u T A O m odelim a. U T A O m o d elim a, n a ro č ito u R a se h o v o m m odelu, G u ttm a n o v e g rešk e slu že za a n alizu m isfita. In te m e p ra z n in e i e ksterni X -o v i u k a zu ju n a n e o če k iv a n e o d gov o re (v. p o g lav lje o testira n ju ). O v a v e z a sa T A O m o d elim a b iće m n o g o ja s n ija u k o lik o ste p en a ste k riv e sa slik e 7 zam islim o kao og iv e (k a k v e one i in ače u p ra k si izg led aju ). U to m slu č a ju se vidi d a je G u ttm an o v m o d el, k a d a se u k lo n i d e te rm in iza m , p re te č a te o rije a jte m sk o g odgovora.
S lik a 7. D e te rm in istič k i m o n o to n i m odel G u ltm a n o v e skale
c. Thurstoneova skala O vu sk a lu je T h u rsto n e p re d sta v io 1928. (1928, T h u rsto n e i C have, 1929) kao p rim e n u p s ih o fiz ič k e m e to d e p h v id n o je d n a k ih in te rv a la (ili n a iz g le d je d n a k ih in terv ala; engl. equal a p ea rin g in terv als) n a m ere n je stav o v a. U dotičnoj p sih o fizič k o j m eto d i isp ita n ik p ro c e n ju je n iz draži sa z a d a lk o m d a ih ra zv rsta u neki p re d efin isan i broj g ru p a -in te rv a la koji su ra n g ira n i d u ž k o n tin u u m a su b je k tiv n o g d o ž iv ljaja draži, « d n a jn iž e g do najvišeg. M ed u tim , ista m eto d a, m eto d a p riv id n o je d n a k ih intei-vala, m o že p o slu ž iti z a sk a lira n je stim u lu sa i to tak o da, ako se p o štu ju izv e sn a p ra v ila (N u n n a lly i B e m ste in , 1994, S e o tt i W ei1heim er, 1962, G ud i H et, 1966), re z u lta t b u d e n a in terva ln o j ska li, za ra zlik u od B o g a rd u sove skale k o ja daje p o d a tk e n a o rd in a h m m nivou. T h u rs to n e je in ic ija ln o p o stu p a k m ere n ja stav o v a z am islio tak o da se p rim e ni m eto d a p o re đ e n ja po p a ro v im a , z atim da se u tv rd e je d v a p rim e tn e razlik e (engl. ju s t n o tic e a b le d iffe re n e e ) i da se n ak o n to g a p rim e n i T h u rsto n eo v zak o n
komparativnog suđenja (Roberts i sar. 1999, Aiken, 2002). Celokupan postupak se danas naziva Thurstoneovim skaliranjem. Zbog inicijalne primene metode jedva primetnih razlika, Thurstoneova skala se nekad naziva diferencijalnom. Medutim, pošto se u konstnikciji skala stavova obično polazi od veiikog broja iskaza, broj poredenja po parovima bio bi ogroman [m (m -l)/2 ]. Zato je Thurstone iskoristio metodu prividno jednakih intervala.^* U metodi adaptiranoj za merenje stavova, draži su iskazi (tvrdnje) o nekom objektu. Fizički kontinuum intenziteta draži jc ovde zamenjen „kontinuuom stava”, koji se bazira na pretpostavci da postoji jcdan linearan i homogen kontinuum stava koji se kreće od krajnje negativnog do krajnje pozitivnog. U prvom koraku se mora prikupiti veći broj tvrdnji o nekom objektu. Izvor tvrdnji nije važan, to mogu biti eksperti, zaintcresovane osobe, hteratura, mediji itd. Podsetimo da izraze stavka, ajtem, iskaz i tvrdnja koristimo ravnopravno. ,,Duh” Thurstoneovih skala sugeriše da stavke moraju biti u obliku tvrdnji nakoje se mora odgovoriti sa „slažem se”, odnosno ,,ne siažem se”. Međutim, model ne sprečava da rečenice budu formulisane kao pitanja na koja se odgovara sa ,,da” ili ,,ne”. Jedino se ne preporučuje da budu pomešane tvrdnje i pitanja. U uvodu poglavlja o merenju stavova ukazano je da se predvidanje ponašanja na osnovu stavova poboljšava ukoliko se stavovi mere višeajtemskim skalama. To nije jedini razlog zašto je dobro da skale stavova budu višeajtemske. Recimo, ako deci ponudimo tvrdnju „Mrzim školu”, da se s njom slože ili ne slože, odgovori neće predstavljati pouzdanu i validnu meru stava prema škoh. Mnogo bolji rezuhati će se postići ako sastavimo niz tvrdnji: ,,U školi zahtevaju previše bubanja”, ,,U školi se ceni samo poslušnost”, ,,Sve što znamnaučio samu školi”, „Rado idem u školu zbog društva” itd. Tvrdnje koje se koriste u Thurstoneovoj (i Likertovoj, v. kasnije) skali imaju jedan opšti format: {XrV} . X je objekat stava, Fneka vrednost, evaluacija ili atribut, a r je pozitivna ih negativna relacija objekta i vrednosti. V mora biti odabrano tako da razapinje jedan afektivni kontinuumna kome se objekt stava može pozicionirati. Na primer, u tvrdnji „Smrtna kazna nikada nijc bila efikasna u sprečavanju kriminala” tvrdi se da smrtna kazna kao objekt stava {X} stoji u negativnoj vezi {;•} sa efikasnošću {F} pa se tako izražava negativan odnos prema smtmoj kazni. S dnige strane, u tvrdnji „Smrtna kazna daje kriminalcima ono što su zaslužili”, objekt stava [X) se pozitivno povezuje {r} sa opravdanošću {K} čime se iskazuje pozitivan stav prema smrtnoj kazni.
Z akon kom parativiiogsiiđenja (engl. law o f com parative jiidgm ent), je po Thurstoncovoj vlastitoj izjavi (citirano prem a N unnally i B em slein, 1994), dclo na koje jc najviše ponosaii. Svoju punu im plem entaciju zakon k o m parativnog suđenja postižc upravo kro2 m etodu porcdenja po parovm ia, što bi u slučaju skale stavova od stotinjak stavki bio praktičn o ncsavladiv posao.
Jasn o j e da je Thurstoneova skala stavova tismerena na merenje afektivne
komponente stava. S le d eć e što treb a u rad iti sa sv im p rik u p lje n im is io z im a je d a se, je d n a k o kao u p sih o fizic i, za svaku d ra ž - is k a z utvrdi njen a sk a ln a v rc d n o st, o d n o sn o položaj na k o n tin u u m u stava. Z a to se isk azi daju grupi su d ija na p ro c en jiv a n je; T liurstone je k o ristio n jih 300. S u d ije d o b ija ju instrukciju da ra zv rsta ju sve iskazc u 11 k a te g o rija . O n e isk a ze koji iz ra ž a v a ju n a jp o z itiv n iji stav treb a da stav c u 11. kategoriju, isk aze koji su n e u tra h ii u šestu , a iskazc koji sadrže n a jn c g ativ n ije m išljenje u p rv u k a te g o riju . O sta le isk aze treba da razv rstaju u ostale k a te g o rije prem a step cn u p o z itiv n o sti, o d n o sn o n cg ativ n o sti. T h u rsto n e jc n a k o n toga iz ra č u n a o m cd ijan u k a te g o rija u k oju su sudijc razv rstav alc isk az (te ž in u sta v k e), k a o i in te rk v artiin o ra sto ja n je (d isk rim in a tiv nost). K o n a ča n iz b o r isk a za j e izv ršio tak o što je iz svake k a te g o rije o d ab rao iskaze koji z a d o v o lja v a ju d v a k i'iterijum a: a) da budu n a jv iše d isk rim in a tiv n i, i b) da biide p o k riv en ceo ra sp o n skale. O d ab ran i iskazi p o sta ju sta v k e T h u rsto n co v e sk ale stav o v a. Isp itan ici o d govaraju tak o što z a o k ru ž u ju sta v k e sa kojim a se slažu (po p rin cip u k o n tro ln e hste). ih z ao k ru ž u ju o d g o v o r ,,d a ” ih ,,ne” , ih „shjženi sc ” i ,,ne siažem se ” . D akle, stavke u T h u rsto n e o v im sk a lam a su dih o to m n o g form ata.
S lik a 8. P ro b a b ilistič k i, n c m o n o to n i m odel tri stav k c po T h u rsto n eu M odel T e rsto n o v ih sk ala d e fm iše se kao probabilistički nemonotoni m odel sk a h ran ja o so b a (N u n n a lly i B e ra s te in , 1994, R o b e rts i sar. 1999). P ro b a listič k im sc n aziv a zato što. z a ra zlik u od G u ttm a n o v ih i drugih sličn ih sk ala ne p re tp o sta v Ija ste p cn a stc u in k cije, koje oStro ra z lik u ju o sobe sa n ižim sv o jstv o m od o so b a sa višim svojstvom . S lik a 8 p rik a z u je n e m o n o to n i m odel o d g o v o ra koji se p re tp o stavlja u T h u rsto n e o v im sk a lam a. U m e re n o negativni iskaz biraju najv iše Ijudi um ereno n e g a tiv n o g sta v a, a u m cre n o p o z itiv n i iskaz biraju n a jv iše Ijudi sa um ercno p o z itiv n im stavom . P r o b lc n i n e u tr a ln i h t v r d n ji . - V c ro v a tn o n ajteži p ro b lem u ov im sk alam a je k o n stru k c ija n e u tra ln ih ajte m a . U o rig in a ln o j T h u rsto n eo v o j skali sta v o v a prcm a crkvi, kao p rim e r n e u tra ln o g a jte m a navodi se: „K ad idcm u crkvu, uživam
u lcpom ritualu službe i dobroj m u z ic i” . M c đ u tim , to j e do b ro p o z n a t slučaj kom binovanog ajtem a, u kom e p o sto je dva iskaza: „ P o n e k ad idcm u c rk v u ” i „V erovatno ne bih išao u crkvu da n ije m u zik e i lep o g ritu a la ” . P o što različiti ispitanici različito odgovoraju na ova dva im plicitna iskaza, ajtem je u celini neutralan. N unnaliy i B crn stein iro n ič n o sm atraju da bi n c isk u sn o m p sih o io g u kao ideaini neutralni a jte m m o g a o p rom aći ajtem ; „ C rk v a je divna, grozna in stitu c ija ” . Ncki sm atraju da je jo š g ora situ ac ija sa stavk om : „ P o k ro v ite ljsk i i p ro sto dušni stav crkve m eni je sasv im n c u la isa n ” , gde isp ita n ik m o ra da se sioži sa tri iskaza: pokroviteljski, p ro sto d u ša n i n eukusan. O v a stav k a j e kod T liu rsto n ca dobiia um ereno n egativnu skahru v re d n o st, iako jc izraz „ n e u k u sa n ” (engl. distastoful) prilično „snažan” i m oglo bi se očckivati da ncko ko crkvu sm atra neu k u snom ima vrlo negativan stav. D o „ u b la ž a v a n ja ” stav a k o d tak v ih ajtem a d o iaz i zbog konfuzije koju ispitanici oscćaju oko to g a sa čim c se složiti; n ek o m o žd a m isii da crkva im a p ro sto d u šan stav, ali d a on n ije p o k ro v itc ljsk i, p a m u zato to nije neukusno (ali kada bi bio i p ro sto d u ša n i p o k ro v ite ljsk i, onda bi m u b ilo neukusno). V ećina p sihologa bi se slo žila da jc ajtcm „I v eru jem i ne veru jem c rk v i” prim er neutralnog ajtem a, što bi z n ač ilo da se n e u tra ln o st p o stiže ,,sp a jan jem su jiro tn o sti” . P ro b le m k o n s tru is a n ja n e u tra ln ih sta v k i b a c a sc n k u su m n je gcneralno na k on cept stava kao k o n tin u a ln o g k v a n tita tiv n o g svojstva. N ik a d a iie Iv rd iti više s tv a ri. - V alja p o se b n o istaći da u fo rm ulaciji stavki treba izhegava/i. da se Ivrde d ve ili viSe stvari. U kupni skor T h u rsto n eo v ih sk ala sta v o v a se m o ra z asnivati na sk a ln im vrednostim a stavki (dobijenih od p ro e e n jiv a č a p rilik o m k o n stru k e ije skale - a kreću se u rasponu od 1 do 11, ako se k oristi o rig in a in i T h u rsto n eo v broj ka te gorija) koje je ispitanik z aokružio, ili rck ao da se s njim a slažc. O bično se uku p n i skor predstavlja kao aritm etičk a sre d in a o d g o v o ra , e v en tu aln o nied ijan a, a p o sto jc i prim eri da se kao skor su b je k ta u zm e sk aln a v re d n o st n a jv iše g ajtem a k o g a je zaokružio. Po ideji skale, isp ita n ik m o že da sc složi sam o sa je d n o m stav k o m , ili najviše sa jo š nckoliko okolnih. G lavni ncdostaci T h u rsto n co v c skale sta v o v a su: a) treb a k o n stru isati velik i broj inicijalnih iskaza i b) treb a im ati d o v o ljn o velik i skup sudija, m erito ran i kvalifikovan da sudi o d a tim sta v k am a i o o b jek tu stava.
d. L ik e r to v a s k a la R cnsis L ikert je 1932. (L ik ert, 1932) o b jav io m eto d u za m eren je sta v o v a čiji koreni su bili u T h u rsto n eo v o j sk ali, a koja je im ala za cilj da otkloni spom enute ncdostatke T h u rsto n eo v e sk alc i da na o sn o v u d o tad a šn jih isk u stav a u n ap rcdi m ercnje stavova. O snovna ideja je b ila da se izb c g n e faza p ro c en jiv a č a tako što će sam i ispitanici biti sudije. D a bi se to p o stig lo m o raju sc e k sp lic itn o prik u p iti stavovi svih ispitanika na svim stav k am a. O d m ah se p o k a z a lo da ako se želi d a isp itn iei
b u d u sudije, onda j e fe r p o stu p a k d a im se om o g u ći da za iskaze čiji in ten zitet ne m ogu da p ro c en e z ao k ru ž e n e o d ređ e n i odgovor: „ n eo d lu ča n ” . N a k o n što je ideja sazrela do o v o g n iv o a, n ije b ilo p o tre b n o ninogo da se z aključi k ak o bi se ispitanici m ogli p ro sto p ita ti za s te p e n s la g a n ja sa tvrdnjom . U tom slu č aju bi je d n a od T h u rsto n eo v ih stav k i sa d a iz g le d a la ovako:
Smatram da crkvena služba umiruje I inspirlše
Uopšte se
Ne slažem
Neodlučan
ne slažem
se
sam
Slažem se
Potpuno se slažem
5
1
S tavka je sada, sam a za seb e, p o sta la sk ala stava. F o rm a t stavke se od d ih o to m n o g p ro m en io u fo rm at sa u re d e n im k ateg o rijam a. O vaj L ik e rto v p reo k ret u logici i n ačin u g led a n ja na stav k u za m eren je stav a je bio od to lik o g značaja da se d an as sam e sta v k e o v o g fo rm ata č esto naziv aju L ik e rto v o m skalom . L ik e rto v e sta v k e m o g u biti fo m iu lisa n e bilo kao iskazi ili tv rd n je, b ilo kao p itan ja, s tim e da tek st a lte rn a tiv a m o ra da bude gram atički i log ičk i saobražen stabhi. S led eća m e to d o lo šk a n o v in a k o ju su do n ele L ik erto v e sk ale je to što se odgovori n a sv im sta v k a m a sabiraju kako bi se fonnirao Jikiipni skor kao kom pozitni p o k azatelj sv o jstv a k o je se m eri (npr. stava). Z ato se L ik e rto v e skale nazivaju s u n ia c io n im skahim a. Negalivno formulisan ajtem
Pozitivno formulisan ajtem
S lik a *). P ro b a b ilističk i m o n o to n i m o d cl L ik erto v e skale Z a razlik u od T e rsto n o v e sk a le, L ik e rto v e skale p rip ad a ju k lasi probahilisličkih monotonih modela. T ip ič n a K K S tak v ih ajtenia im a o b lik ogive, ili neke v rio slične k riv u lje . K K S p o z itiv n o fo n iiu lisa n ih ajtcn ia im a pozitivan nagib
(rastući), a kriva negativno formulisanih ajtema negativan (opadajući), kao što je prikazano na slici 9. Međutim, u praksi se pokazuje da nije sve tako jednostavno kod Likertovili skala i da sve stavke Likertovog tipa ne moraju zadovoljavati monotoni model. Naime, ispitanici sa ekstremnim stavovima se mogu ne slagati sa umerenim tvrdnjama. Zasada postoje indicije da Likertove skale mogu da potcenjuju ispitanike sa ekstremnim stavovima i da ako postoji praktična potreba da se otkriju upravo lakvi ispitanici, onda je bolje koristiti Thurstoneove skale (Roberts et al., 1999). Probleni neutnilnih tvrdnji. - Likertove skale su, smatra se, inkompatibilne sa neutrahnim iskazima, jer ako se neko uopšte ne slaže sa neutrahiim iskazom, ne znamo na koju stranu naginje njegov stav. Andrich je, recimo, pokazao da se sa tvrdnjom „Smatram da je smrtna kazna nužna, ah bih voleo da nije” najviše slažu oni sa srednjim (neutralnim) stavom prema smi'tnoj kazni, ali se ne zna ko su oni koji se sa tvrdnjom ne slažu. Zbog toga, a i zbog malopre spomenutog problema koji Likertove skale mogu imati sa ekstremnim ispitanicima, uputstvo za konstrukciju Likertovih skala kaže da se neutralni ajtemi moraju potpmjo izbeći i da j e najbolje imati ajteme koji su umereni do ekstremni. Naravno, uključivanje ekstremnih ajtema može prouzrokovati različite probleme; od toga da se ispitanici uplaše od odgovaranja na takvu skalu (npr. ajtemi kao što su: „Najbolje bi bilo da neko sve ... pobije”), čak i ako se intimno slažu, pa sve do ekstremno asimetričnih distribucija takvih stavki koje dovode do toga da im budu umanjene korelacije sa drugim stavkama. Danas se Likertove skale koriste mnogo više od Thurstoneovih. Neki autori neopravdano smatraju da su Thurstoneove skale prošlost i da više nema razloga za njihovu primenu. S druge strane, Likertove skale se često koriste kao sinonim za sve stavke sa uredenim kategorijama, tj. za skale procene uopšte. Ako pogledamo tri Spectorova tipa alternativa, jasno je zašto je to tako. Recimo, može se sresti da je Likertova skala i sledeća stavka: „koliko ste puta ove godine bili u pozorištu: 1-nijednora, 2-jednom , 3-dva do pel puta, 4-više od pet puta”. Korelacije između Likertovih i Thurstoneovih skala su između 0,60 i 0,95 (bilo da se isti ajtemi prezentiraju na dva načina, bilo da se za isti stav posebnb konstruišu upitnici sa jednim i drugim tiponi stavki).
e. K onstrukcija Likertove skale Pre nego što se pređe na tumačenje konstrukcije Likertove skale treba znati da se danas može sresti veoma široka upotreba termina „Likertova skala”. Kada se danas spomene Likertova skala, obično se misli na stavke sa 4 -9 kategorija, bez obzira na njihov predmet merenja (dakle, ne samo stav).^^ Međutim, ako se
Sani L ik ert j e koristio b ip o lam i sim clrični skup alternaliva (v, kasnijc), koji se danas u cng lcsk o m žargonu obično naziva; SD , D, N, A i SA (S trongly D isagrce, D isagree, N eu tral, A g rce, S trongly A grcc).
smatra da je suština Likertovih skala to da su one sumacione skale procene, onda se defmicija i primena ovog formata stavki može još više uopštiti. U tom slučaju za Likertove skale više ne samo da nije presudno da li mere stavove, nego ni altemative ne moraju pripadati bipolamom simetričnom skupu. Na sledećim stranama ukratko ćemo opisati različite tipove alternativa. Konstrukcija Likertove skale prolazi kroz nekoliko faza. Spector (1992) navodi tih pet koraka kao: L 2. 3. 4. 5.
definicija konslrukta, odnosno kontinuuma, uobličavanje i pisanje stavki, pilot istraživanje, prva primena i ajtem anahza, i odrcdivanje mernih svojstava skale.
/
U obličavanje ip isa n je Likertovih stavki
Ovaj korak se može podeHti na tri potkoraka; a) pisanje stabala stavki, b) definisanje ahernativa, i c) kvantifikacija ahernativa. Forniulisanje stabla stavke. - U literaturi i na Internetu se mogu naći mnoga pravila kojih se treba pridržavati prihkom pisanja stabla Likertovih stavki (npr. Fraiy, 1997). Osnovna pravila pisanja stavki u bilo kom psiliološkom testu, anketnom upitniku, ili skah stavova su slična. Kada je reč o Likertovim stavkama, treba se držati formata {X r V], npr. „Naši profesori {X) nas na predavanjima podstiču {;•} da aktivno učestvujemo {K}”. • Stavke treba da sadrže samo jedan objekt, jednu vrednost i samo jednu relaciju. Taj problem je studentu poznat jer je vcć opisan u prethodnom poglavlju o Terstonovim skalama. Stavke ne treba da izgledaju kao: ,,Moj profcsor je dobar stručnjak i dobar pedagog”. • Treba izbegavati koiokvijalni govor i žargon, strane reči, stručne termine, ncjasne i dvosmislene termine, uvredljivc reči itd. S druge strane, međutim, govor treba prilagoditi populaciji kojoj je skala namenjena. Na primer, deci se ne treba obraćati sa ,,vi” jer će ih to zbuniti i mogu misliti da se, pošto je pitanje u množini, odnosi na njihovu porodicu, ili drugovc. Ako skala ima ncku posebnu namenu, ih ako je namenjena nekoj posebnoj populaciji, može se odstupiti od ovog pravila, ali prema žargonu uvek treba biti štedljiv. Žargon se mcnja i ako je skala namenjena za trajnu upotrcbu, vremenom se može desiti da izgubi rnerna svojstva. Stavka „šutnuće me momak/devojka” može promeniti značenje iz „ostaviće me” u „prevariće m e”, ili će možda izgubiti žargonsko značcnje (iako je verovatno da će negativni smisao opstati). U stavci ,,ne bojim se murije”, „murija” može menjati značenje izmedu policije i zatvora itd. P itanje negalivno form ulisanih tvrdnji. - Postoji više pravila koja se odnose na smer tvrdnji i na smer alteraativa.
• Treba koristiti kako pozitivno, tako i negativno fomiulisane ajteme. • Međutim, negativnu formulaciju ne treba praviti tako da se pozitivnoj tvrdnji doda ,,ne”. Na primer, ako tvrdnja glasi „Volim da idem na predavanja”, treba izbegavati da negativna tvrdnja glasi ,,Ne volim da idem na predavanja”. Pogotovo treba izbegavati dvostruke negacije, kao što bi bilo ,,Ne mogu da kažem da ne volim da idem na predavanja”. Negativne ajteme treba praviti „autentično”, npr. „Mrzim da idem na predavanja”. • Negacija se može postići tako da se varira bilo smer stabala stavki, bilo smer alternativa; jedno ili drugo ili oboje. Smatra se da se uključivanjem pozitivno i negativno formulisanih tvrdnji smanjuju greške merenja kod ispitanika koji imaju tendenciju da se uvek slažu sa tvrdnjom, ili onih nemotivisanih koji zaokružuju „uvek 5". Pored toga, naizmenično formulisani ajtemi prisiljavaju ispitanike da se više koncentrišu. Međutim, istraživanja su pokazala da negativno sročeni ajtemi ne mere tivek isiu stvar kao i njihovi pozitivni originaH.U Hteraturi su ponuđena tri moguća kompromisna rešenja: a) nasumično promeniti formulaciju nekih stavki iz pozitivne u negativnu, b) promeniti raspored alternativa iz ,,ne slažem se-slažem se” u ,,slažem se-ne slažem se” (ih obratno) u nasurnično odabranim stavkama i c) uraditi i jedno i drugo. Neka istraživanja ukazuju na to da simultano okretanje i stabala stavki i rasporeda akernativa stvara konfuziju kod ispitanika, što dovodi do grešaka u odgovorima i, možda, do demotivacije, što onda dovodi do smanjivanja pouzdanosti cele skale. Druga istraživanja su ukazala da je drugo rešenje optimalno. Ipak, treba odvagati rešenja u svakvom konki'etnom shičaju, imajući u vidu da dugogodišnje iskustvo i praksa istraživača ukazuju da negativnareformulacija nije isto što i „slika u ogledahi” i da može dovesti do promena u merniin svojstvima. Form ulisanje altcrnativa. - Što se tiče formuhicije altemativa, relevantan je njihov sadržaj i njihov broj. Spector (1992) kaže da postoje tri glavne grupe ili tipa sadržaja alternativa. • Slaganje - ovaj tip altemativa iskazuje stepen slaganja ispitanika sa tvrdnjom. Stepen slaganja se, po pravilu, postiže nekim prilogom (modifikatorom ili kvantifikatorom). Primeri nekih od tih kvantifikatora na našem jeziku su „potpuno”, ,,umereno”, „uopšte ne”, ali se koriste i ,,sasvim”, „donekle”, „nikako” itd. Kontinuum u ovom tipu alternativa se formuliše kao bipolaran, od neslaganja do slaganja i simetričan oko jedne srednje tačke. U jezičkom smislu se koriste glagoli kao što su; slagati, saglasiti, podržavati i sl. Karakteristična dilema ovog tipa je da li srednja kategorija stvarno treba da postoji ili ne. Jedan često korišćen skup altemativa, koji sadrži neutralnu kategoriju i koji demonstrira kako se odabrani glagol (slagati se) modifikuje odabranim prilozima, je: „uopšte se ne slažem”, „umereno se sla-
žem”, „niti se slažem niti se ne slažem”, „umereno se slažem”, i „potpuno se slažem”. Po altemativama ovog tipa se prepoznaju klasične Likeitove skale u užem smislu. • Ocenjivanje - u ovom tipu alternativa je stavka obično u formi pitanja i nalazi se na dimenziji loše-dobro. Od ispitanika se traži da da svoj sud o predinetu pitanja, odnosno o stepenu koliko je loš, odnosno dobar. Alternative se po pravilu sastoje od prideva koji se odnose na subjekt sadržan u tvrdnji ili pitanju. Pridevi koji se često koriste su; „loše-osrednje-dobro”, ili „očajno”, „neprihvatljivo”, „prihvatljivo”, „odlično”. Takode, i ovde se mogu koristiti modifikatori kao što su „viio”, „veoma”, ,jed v a”, ,jak o ”, „sasvim” itd. Kod ovog tipa ahernativa se ne insistira da kontinuum bude bipolaran i simetričan. • Frekvencija i količina - ovaj tip alternativa se uglavnom primenjuje na stavke koje su formuiisane upitno (može biti i posredno, npr.: ,,Na pregled dojki kod lekara idem...”). Prilozi koji se koriste označavaju učestalost, količinu, prisustvo, brzinu ili iiešto slično. Na primer: „izuzetno”, „retko”, „ponekad”, „povremeno”, „redovno” itd. Nekada se koriste i numeričke odrednice, kao npr.: ,jednom ”, ,,dva do tri puta”, „više od tri puta” i sl. Neki autori smatraju da kontinuum uvek treba čvrsto usidriti krajevima skale kao što su „nikad”, „uvek”, „nijednoni” i sl. Kod ovog tipa alternativa se takođe ne traži da kontinuum bude simetričan i bipolaran i, kao i za prethodni tip, ne smatra se tipičnom Likertovom skalom.
Kvanfifikacija alternativa. - Pod kvantifikacijom alternativa se podrazumeva dodeljivanje brojeva ahernativama. Nekada je logično da numerisanje alternativa/kategorijapočinje od 1 ili od 0 (npr. 0, 1,2, 3). Tada se podrazumeva da mereno svojstvo varira od nepostojanja do visoke prisutnosti i takve skale možemo nazvati imipolarnim. U drugom slučaju, recimo kada se radi o stavovima, pretpostavka je da se kontinuum pruža od negativnih vrednosti, preko neutralnih, do pozitivnili. Numerisanje kategorija bi se moglo obaviti na sledeći način: -2 , -1 ,0 , 1,2. Ovakvu skalu nazivamo hipolarnom. U praksi se, da bi se izbeglo korišćenje brojeva, s jedne stranc, i da bi se jasno označio polaritet alternativa s druge, koristi i sistem oznaka - , - , -+ , +, ++”, umesto ,,I, 2, 3, 4, 5”. Pogledajmo primer sa dve tvrdnje koje ispituju meduljudske odnose. Prvaje formulisana pozitivno, a druga negativno. Altemative su prvog tipa; slažem se-ne slažem se. Ponosan sam na svoie odnose sa , , , ' kolegama na poslu
Loše m islim o mojim saradnicim a ‘
Uopšte se ne . slazem
slazem
N e s la z e m s e
, Slazem se
^ e slažem se
Slažem se
Potpuno se slazem
slazem
se
Raspored alternativa koji je iskorišćen u gomjoj tabeli se ponekad naziva negativnim, dok se suprotan raspored; koji počinje od pozitivne alternative (potpuno se slaženi) naziva pozitivnim. Često se, iz praktičnih razloga, stavke prezentiraju na sledeći način: Uopšte se ne
Ne slažem
slažem
se
g ig jg ^n gg
Potpuno se slažem
Ponosan sam na svoje odnose sa kolegama na poslu Loše mlslim o mojim saradnicim a
1
2
3
4
Pošto je druga stavka negativno formulisana, psiholozi brojeve njenih ahemativa često navode u redosledu: 4, 3, 2, 1. To jeste psihometrijski egzaktno, ali zbunjuje ispitanike je r ne znaju da H da slede logiku teksta ahernativa iz zaglavlja tabele, logiku brojeva, ih logiku prostornog rasporeda. Ako se već žeh štedeti, pa se umesto teksta altemativa koriste brojevi, onda je najbolje da bude kao što je prikazano u tabeh: uvek kao 1, 2, 3, 4. Ako se uradi tako, onda pre sabiranja odgovora na pojedinačne stavke (u cilju formiranja ukupnog skora), kao i za potrebe određivanja memih svojstava skale treba izvršiti refleksiju ih inverziju negativno formuhsanih stavki. Formula za to jejednostavna: R = (G + D )-1 ,
[26]
gde je G najviši broj, D najniži broj, a I skor konkretne ahernative. Oko broja i foiTnata ahemativa u Likertovim stavkama postoje mnoga istraživanja i iskustva. Kao tipičan broj se danas može smatrati 5, međutim, radi se više o konvenciji i potrebi da podaci budu uporedivi, nego o čvrstima razlozima. Postoje generaina iskustva da prosečan ispitanik ne može da razhkuje više od 10 gradacija svog stava, a neki autori čak smatraju i manje (Spector, 1992, 5-9 kategorija, Fraiy, 1997, 6-7 kategorija). S druge strane, postoje brojna istraživanja koja sugerišu da već trostepene skale poseduju sasvim zadovoljavajuća merna svojstva. Pošto svaka stavka Likertove skale predstavlja skalu stava sama za sebe, jedna zdravorazumska pretpostavka nam kaže da nije potrebno mnogo stavki da bi se merenje obavilo kvalitetno (objektivno, pouzdano, valjano...). Stvarno, danas se smatra da skale stavova sastavljene od stavki Likertovog tipa ne moraju da imaju više od 20 stavki (Roberts i sar, 1999), a retko je potrebno više od 40. Shodno tome, inicijalni broj iskaza ne mora da bude toliko veliki kao kad se konstruiše Thurstoneova skala (iako veličina početnog skupa stavki zavisi od mnogih drugih stvari, a ne samo od izabranog memog modela). Ponekad se spominje broj od 80-100 stavki u početnom skupu, ah je to sasvim okvimo odredenje. P itanje srednje kategorije. - Znamo da se u teorijskom modelu skale stavova eksplicitno pretpostavlja kontinuum osobine koja se meri. Ako je reč o afektivnoj komponenti stava, kontinuum se proteže od ki'ajnje negativne do
krajnje pozitivne emocije prema predmetu stava. U sredini kontinuuma se nalazi nentralan stav, kada podjednako postoji i priltvatanje i odbacivanje, slaganje i neslaganje, privlačenje i odbijanje. Ako se za alternative u stavkama odabere ono što smo nazvali bipolarnim simetričnim modelom, to znači da mora postojati jedna srednja kategorija koja izražava upravo taj neutralni stav. Nažalost, ima mnogo dokaza da ispitanici biraju srednju kategoriju iz različitih razloga. Na izbor srednje kategorije, ali ne zbog toga što ispitanik poseduje „neutralan stav”, može da utiče: • predmet stava ~ npr. ako je nepoznat ili nedovoljno blizak ispitaniku, ili ako je „osetljiv”, neugodan, nepristojan i sl.; • formulacija stavke - nejasnoća, dvosmislenost...; • kognitivna i druga ograničenja ispitanika - slabo pismeni, deca, stari...; • socijalna poželjnost - ako bi izbor ekstremnog odgovora bio nepoželjan ili neprimeren sa ispitanikovog stanovišta; • odgovaračko usmerenje - neki ispitanici izbegavaju da javno iskazuju ekstremne stavove i teže „srednjem rešenju”. U nekim slučajevima, alternativa koju bi ispitaniku trebalo ponuditi, ili koju bi on trebao da zaokruži je „ne znam”, a u drugim slučajevima je to ,,ne želim da odgovorim”. Iskustva govore da se sa ovim alternativama ne rešava potpuno problem, jer se zna da se nije lako odlučiti između srednje kategorije (npr. ,,neodlučan”) i ,,ne znam”, a ,,ne želim da odgovorim” se često tretira kao ,,ne znam”. Naravno, ove dve dodatne altemative bi učinile skalu nominalnom, odbacilo pretpostavku kontinuuma i onemogućilo sumaciju kao metodu formiranja ukupnog skora. Nekada se siluacija može rešiti na taj način što se na početku upitnika postavi jedno ili više pitanja o tome da li je predmet stava koji se ispituje poznat i dovoljno blizak ispitaniku. U zavisnosti od toga šta se meri, populacija na koju se skala odnosi može biti ograničena po polu, starosti, obrazovanju itd., u kom slučaju skalu ne treba primenjivati van te populacije. Da bi se izbeglo socijalno poželjno, oportunističko, nepažljivo i nemotivisano odgovaranje (koje obično dovodi do biranja srednje kategorije, ili kategorija kao što je ,,ne znam”), konstruktori skala pribegavaju rešenju da se ne koristi srednja, ncutralna kategorija. Takvo rešenje je poznato i generalno se može prihvatiti, ali treba imati u vidu bar dve stvari, Prva stvar je da se u pisanju stavki i pitanja u bilo kom testu (koji nije test sposobnosti) mora biti biti fer prema ispitaniku, Treba uvek imati u vidu da neki ispitauici neće uopšte imati šta da kažu 0 onome što se pita, pogotovo kada se radi o opštoj populaciji, ih iz nekih, ma kakvih, razloga, neće želeti da odgovore. Isto tako, uvek će postojati neki ispitaniei koji stvarao ne mogu da se odluče i za njih je neutralna kategorija najbolji izbor. Ako ispitanici sami popunjavaju upitnik (tj. ako se ne radi o ličnom intervjuisanju), oni mogu da izaberu da jednostavno ne odgovore na takva pitanja, Na nesreću, kada se u obradi podataka naiđe na takav neodgovor, ne može se utvrditi
da li je usledio zbog greške (previda) ispitanika, zbog greške u priprem i i unosu podataka, ili je to stvarno biia odluka ispitanika. Druga stvar koju treba imati u vidu je da izbacivanje srednje kategorije neće funkcionisati ako se radi o osetljivim temama ili osetljivim uslovim a primene skaie. Praksa je pokazala da u tom slučaju ispitanici biraju prvu sledeću ,,najpoželjniju” kategoriju, kao što je „umereno se slažem”, ili „umereno se ne slažem” (Fajgelj, 2005).
g. Sem antički difcrencijal Reči mogu da imaju denotativno i konotativno značenje. Denotativno značenje se obično povezuje sa stvarnošću, tj. šta stvarno znači neka reč. U uvodnoj glavi pomenuli smo denotativne defmicije, koje značenje nekog pojma definišu putem nabrajanja svili mogućih njegovih značenja. Ova vrsta značenjaje sadržana u rečnicima i ima za cilj eksplicitnu identifikaciju reči, ono što reč znači sama po sebi i to značenje je dostupno svim Ijudima. Za razliku od denotativnog, konotativno značenje se obično vezuje za emocije. Konotativno značenje povezuje reč sa drTigim rečima i sa drugim značenjinia, koja mogu biti različita od osobe do osobe ili od grupe do grupe. Konotativna značenja su rezultat iskustva pojedinca ili grupe. Apstraktne reči (npr. sloboda, Ijubav, demokiatija) imaju više konotativnih značenja od konkretnih (npr. računar, stolica, telefon). Semantički diferencijal je predložio Charles Osgood (Osgood i sar, 1957, Ozgud, 1963) kao metodu m erenja konotativnog značenja reči. Principi ove metode su prilično jednostavni. Procenjivači ili ispitanici dobijaju zadatak da neku reč razvrstaju u seriji kontinuuma koje čine polarni atributi (v. primer). Tabela 14.- Semantički diferencijal u g la s t_________________________________________________________ __ zaobljen s la b ____________________________________________________ ja k rapav ___________________________________________________________ gladak aktivan mali
pasivan veliki
h la d a n ____________________________________________________________topao d o b a r ____________________________________________________________ rđav n a p e t____________________________________________________________ opušten m o k a r ____________________________________________________________ suv svež
ustajao
U Ozgudovom primeru ispitanici su dobili zadatak da na 10 skala razvrstaju reči „učtiv”, „revnostan” i „vatren”. Ovakva serija bipolam ih skala se naziva semantičkim diferencijalom. Linije mogu biti postavljene vertikalno, a mogu u
jednakim intervalima biti označene sa npr. 4-1] zareza radi lakše orijentacije ispitanicima. Lokacije koje ispitanici dodeljuju zadatim rečima u semantičkom diferencijalu se prosto mogu izmeriti mjlimetrima i zatim se izračunati srednja lokacija kao prosek ili medijana. Može se meriti i vreme reakcije, odnosno brzina odgovaranja na svaku skalu (ako se metoda primenjuje u kliničkoj psihologiji, analogno testu asocijacije reči). Pomoću faktorske analize, Ozgud je utvrdio da se, generalno gledajući, kako ,,u fizičkom, tako i u socijalnom svetu”, značenja mogu razvrstati u tri gnipe. On je njili nazvao „dimenzijama značenja”, a taj trodimenzionalni sistem je zadržan do danas (Trochim, 2005). Čine ga dimenzije: 1) ocene ili evaluacije (privlačan-neprivlačan, dobar-Ioš, lep-ružan, pošten-nepošten), 2) snage ili potencije (jak-slab, mali-veliki, uspešan-neuspešan) i 3) aktivnosti (aktivanpasivan, brz-spor, uzbudljiv-dosadan). Praksa je pokazala da se pomoću semantičkog diferencijala mogu meriti i personalni sklopovi „latentnih značenja”, odnosno konotacija koje Ijudi pripisuju nekirn pojmovima. Medutim, pošto je semantički difereneijal višedimenzionalna skala (za razliku od svih ostalih skala stavova), problem je kako napraviti jedan kompozitni pokazatelj. Mogu se koristiti profili, međutim, istraživači često koriste samo jednu dimenziju, najčešće evaluativnu, za koju se onda mogu sabrati pojedinačni skorovi ili izračunati prosek kao ukupni indikator stava. Semantički diferencijal omogućava da se ispitanici, ili grupe ispitanika mogu porediti s obzirom na profile razvrstavanja iste reči, ili se dve reči mogu upoređivati s obzirom na profil koji im daju ispitanici. Reči ili objekti mogu biti bilo koji - Ijudi, institucije, sociopolitički pojmovi i sl. Skaliranje značenja pomoću semantičkog diferencijala se koristi u kliničkoj psihologiji, marketingu, socijalnoj psihologiji itd. Pomoću njega se mogu pratiti efekti terapije ili marketinške kampanje. Umesto jednostavnih prideva, polove na skalama mogu zameniti i jednostavni iskazi, čime se briše fma razlika izmedu originalne ideje semantičkog diferencijala i običnih bipolarnih skala stavova. Za semantički diferencijal se smatra da je indirektna tehnika merenja stavova (Havelka, Kuzmanović, Popadić, 1998, Aiken, 2002, Fajgelj, 2005).
h. Ostale tehnike Pored navedenih, koriste se i druge tehnike merenja stavova: Mokkenova skala, Q-sort, ocenjivanje veličine (engl. magnitude estimation), očekivanje vrednost (engl. expectancy - value, E-V ) itd. Mokkenova skala je probabilistička varijanta Guttmanove skale. g-sort se sastoji u razvrstavanju kaitica na kojima pišu tvrdnje (od ekstremno negativnih do ekstremno pozitivnih) u 9 ili 11 gomila. Ispitanik nema instrukeiju da kartiee ravnomemo razvrsta po gomilama (kao što imaju sudije u Thurstoneovoj skali), pa se obično dobije približno normalna distribucija.
P.
Pouzdanost merenja
Pilanje o pouzdanosti se poslavlja u svakom merenju, pa i u socijalnim istraživanjima. Odmah u sledećem poglavlju ćemo videti da se isto može reći za temu validnosti merenja. Probleme pouzdanosti i validnosti smo već pominjali u ranijim poglavljima i sada je vreme da se o njima kaže ncšto više.
Nevalidan
Validan
Nevalidan
Validan
Slika 10. - Pouzdanost i validnost kao gadanje u metu. Pouzdanost i valjanost, odnosno relijabUnost i validnost (koji se najviše izučavaju u psiholoSkoj literaturi i u kontekstu psihološkog merenja) su višestruko i prilično blisko povezani. Posudićemo jednu ilustraciju njihovog odnosa i prikazati je na slici 10. Koristi se melafora mete na kojoj ccntar predstavlja koncept ili osobinu koju pokušavamo da merimo. Kad god izmerimo jednu osobu, kao da smo ispalili hitac u metu-metaforu. Iluslrovane su četiri moguće situacije. U prvoj naši hici pogađaju precizno, ali promašuju centar, Takvo mercnje je pouzdano, ali nije valjano (verovatno mcri neku drugu osobinu). U drugoj situaciji je gađanje neprecizno, ali nivnomerno raspoređeno oko centra. Ako gledamo sve merene osobe kao gnipu, naši pogoci dosta dobro ocenjuju grupnu vrcdnost prosek, ali su individualne vrednosti neprecizne (nepouzdane). Druga situacija jasno ukazuje da je pouzdanost stvar koja je usko vezana sa varijabilnošću. U trećoj situaciji je naše gađanje i raštrkano i dosledno promašuje centar, pa kažemo da takvo mcrenje nije ni pouzdano ni valjano. Četvrta situacija prikazujc ono što bi trebalo da krasi svako merenje - gusti pogoci, tačno u centar. Takvo merenje je i validno i pouzdano. Nažalost, odnos pouzdanosti i validnosti je složen, a u zavisnosti od primenjenog modcla merenja i konkretnog tipa pouzdanosti i valjanosti može se nalaziti u protivrečnom odnosu. Osim toga, različiti načini izračunavanja koeficijenata pouzdanosti često daju značajno različite vrednosti. Pouzdanost istog memog instrumenta varira od uzorka do uzorka ispitanika. Zbog te varijabilnosti metoda za ocenu pouzdanosti i varijabilnosti koeficijenata pouzdanosti danas je usvojen stav, manje-više od strane svih autora, da nije merni instrum eniponzdan ili nepouzdan, nego su poiizdani, odnosno ncpouzdani podaci.
Postoji jedna značajna razlika između relijabilnosti i validnosti: relijabilnost se iskazuje jednim jedinim pokazateljom koji se naziva koeficijentom pouzdanosti, dok za validnost u najvećem broju slučajeva ne postoji takav jedinstven pokazatelj, nego se validnost iskazuje čitavim nizom pokazatelja i parametara, Koeficijent pouzdanosti se može defmisati kao odnos prave i ukupne varijanse, šlo se može napisati kao: r„= a / / a ^ , gde je ff/ varijansa pravog skora, a opštem slučaju jednaka formuli:
[27]
varijansa ukupnog skora. Ova formula je u
/•„=
[28]
gde je f f / varijansa skora greške. Generalno, pouzdanost se definiše kao odsustvo grešaka merenja. U sledećim poglavljima ćemo malo detaljnije specificirati tu opštu definiciju.
1.
Tipovi pouzdanosti
a. Pouzdanost interne konzistencije U osnovi ovog tipa pouzdanosti su interrelacije stavki u testu ili upitniku. Ako su te interrelacije visoke, onda je visoka interna konzistencija i visoka je pouzdanost. Po klasičnom modelu merenja znamo da greške ne koreliraju ni sa pravini skorovima ni međusobno. Dakle, akc postoje korelacije izmedu stavki onda to može biti pripisano samo pravim skorovima. U priručnicim a za psihološke testove kao i u literaturi najverovatnije je da će se naći neki od koeficijenata pouzdanosti koji pripadajii ovom tipu pouzdanosti. Ključni pojam u ovom lipu pouzdanosti, koji je direktno i najuže povezan sa klasičnim modelom merenja i nadopunjava ga, je pojam paralelnih indikatora (ranije smo objasnili šta je indikator). Paralelni indikatori se, u osnovi, defmišu sa tri sledeća uslova: i
i
.....m
[29]
što ne znači ništa drugo do: da su im a) jednaki pravi skorovi i b) varijanse greške i c) da su grcške nekorelirane. U teoriji postoji još jedan dodatni skup uslova koje paralelni indikatori moraju zadovoljiti, ali oni ovde nisu presudni. Kada napišu sve formule, izvrše potrebne zamene i srede svi izrazi dobije se ključna i osnovna jednačina pouzdanosti: [30] gde su sa j i k označena dva paralelna indikatora, je korelacija izmedu njih, a ff/ varijansa pravog skora tih indikatora (ona je jednaka za oba paralelna indikatora). Ova naizgled neuglcdna fonriula iskazuje jednu jednostavnu i eleganfnu
defmiciju da je pouzdanost nekog mernog instrumenta jednaka njegovoj korelaciji sa nekim drugim, njemu paralelnim instrumentom. Naime, ako iiporedimo gomju jednačinu sa defmicijom koeficijenta pouzdanosti: r„ = cr/ / o^, onda vidimo da su ta dva izraza potpuno jednaka. Svi koeficijenti pouzdanosti tipa interne konzistencije izvedeni su iz ove defmicije, samo različito definišu šta su indikatori i koliko ih ima. Najčešće korišćeni takav koeficijent dali su Guttman i Cronbach, ali se danas sreće samo pod imenom Kionbahova alfa. Formula mu je:
a
m =
[31
m - \
gde je m dužina testa ili upitnika, odnosno broj stavki, su varijanse stavki, a cr^ je varijansa ukupnog skora memog instrumenta. Pažljiv čitaiac će primetiti paradoksahiu stvar da u fomiuli uopšte ne postoji ništa što ukazuje na interkorelacije slavki (a alfa predstavlja pouzdanost inteme konzistencije). To jednostavno sledi iz izvodenja obrasca. Jedini potrebni podaci su varijanse stavki i varijansa ukupnog skora. Osim Kionbahove alfe, poznati su još i Speannan-Brownov koeficijent (koji se nekada naziva i ^p/7?-/;a^koeficijentom ih proročkim koeficijentom), Kuder-Richardsonov koeficijent 20 i mnogi drugi (Fajgelj, 2005). b. P relest-posltest pouzdanost Ova vrsta pouzdanosti se vrlo često naziva siabilnošču merenja. Ona se ocenjuje tako šlo se jedan te isti merni instrument administrira na istim ispitanicima dva puta, u izvesnom vremenskom razmaku. Pošto se radi o istom instmmentu, sasvim je jasno da to potpuno odgovara niodehi paralehiih indikatora iz prelhodnog odeljka (svaki instrument je paralelan sam sebi). Otuda je jasno da će korelacija između dva zadavanja instrumenta predstavljati koeficijent pouzdanosti tog instrumenta. Ovu potpuno jasnu teorijsku situaciju prljaju praktični uslovi reahzacije. Osnovni problemi su u tome: a) što se ispitanici mogu promeniti u periodu izmedu dva zadavanja instrumenta i b) što ispitanici imaju memoriju i što mogu zapamliti odgovore iz prethodnog ispitivanja, što se mogu uvežbati u odgovorima, ili, čak, što se mogu umoriti od ponavljanja, Ako su se „ispitanici promenih”, to može biti zbog njihovih unutrašnjih razloga, recimo razvoja ili starenja, ili zato što su u međuvremenu na njih delovale neke eksteme varijable. Pored toga, ako je period između dva zadavanja vehki dolazi do osipanja uzorka. Nema pravog odgovora na ove probleme. U praksi se to rešava tako što se period izmedu dva ispitivanja odredi „razumno”, na primer ne više od 6 meseci kod deco ili godine dana kod odrashh.
Ovaj tip pouzdanosti je pogodan za određivanje pouzdanosti „problematičnih” meniih instrumenata kod kojih je teško izračunati intemu konzistenciju, na primer, kod onih koji nemaju precizno definisane stavke (kao što je intervju), ili kod psiiaoloških „testova brzine”. Ovaj tip pouzdanosti se često naziva i testretest pouzdanošću. c. Pouzdanost alternativnih forin i Ova pouzdanost se odreduje tako da se konstruišu dve različite forme mernog instrumenta, od različitih stavki, ali koje su po svim drugim svojstvima jednake i koje su onda paralelne u memo-teorijskom smiski. Te dve alternativne forme (može ih biti i više od dve) se onda administriraju na istom uzorku ispitanika istovremeno, ili u malom vremenskom razmaku. Pošto se radi o paralelnim indikatorima, obična Pirsonova korelacija između dve fomie predstavlja koeficijent pouzdanosti. Vrio je teško napraviti jedan dobar upitnik, a pogotovo dva. Medutim, u naukama o ponašanju ponekad postoji potreba da se raspolaže alternativnim formama istog testa; recimo da bi se izbeglo „provaljivanje” testova. U takvim slučajevima je pouzdanost altemativnih formi prirodan izbor. d. P ouzdanost ocenjivača Ovaj nezgrapan naziv potiče od engleskog izvora: interrater rehability. Po koncepciji, ova pouzdanost je ekvivalentna modehi paralelnih indikatora, pretestposttest pouzdanosti i pouzdanosti ahernativnih fomii. Primenjuje se u situaciji kada prisustvo osobine kod ispitanika procenjuju ocenjivači, bilo neposrednim posmatranjem, bilo tumačenjem odgovora ispitanika. Iskazuje se kroz korelaciju izmedu razhčitih ocenjivača. Nekada se ova korelacija tretira kao objektivnost merenja, a nekada kao reproducibilnost rnerenja. Postoji jedan poseban problem vezan za izbor koeficijenta korelaeije kojim treba da se izmeri saglasnost ocenjivača. Mnogi smatraju da Pirsonov koeficijent nije prikladan jer ne detektuje razlike u aritmetičkim sredinama ocenjivača; vrlo blag i vrlo strog ocenjivač bi mogh irnaU korelaciju jedan. Zato se često kao mera pouzdanosti izmcđu ocenjivača uzimaju dmgi koeficijenti, posebno intraklasni koejicijent korelacije.
e. Pouzdanost u teoriji ajtem skog odgovora Pouzdanost ima poseban tretman u TAO modelima merenja. Može se generahio reći da teorija ajtemskog odgovora ozbiljno nastoji da teoriju merenja u naukama o ponašanju decentrira od pojmova pouzdanosti i valjanosti, kao pojmova koji imaju svoja ozbiljna ograničenja i nedostatke i kojima se u klasičnoj testnoj teoriji posvećuje isuviše pažnje. U tom smishi se umesto rehjabilnosti i
valjanosti nudi pojam objektivnosti, kao centralni zahtev koji merenje mora ispuniti. Naravno, objektivnost je precizno defmisana i precizno se izračunava. Pored toga, svi TAO modeli su pravi modeli, u modeniom smislu te reči. Drugim rečima, iz njih se izvode predviđanja svojstava koja podaci iz testova moraju posedovati. Ako se, nakon izračunavanja, pokaže da postoje značajna odstupanja dobijenih podataka od očekivanih vrednosti (potpuno ekvivalentno principu na kojem funkcioniše %^-test), onda se kaže da ne valjaju ili podaci ili model odnosno da model misfituje. Obratno, ako postoji slaganje izmedu prcdikcija modela i dobijenih podataka, onda model fituje podatke i merenje se smatra objektivnim, valjanim i pouzdanim. Takode, za razhku od klasične teorije testa, TAO modeH mogu da izračunaju pouzdanost za pojedinačne stavke. Na osnovu toga, ah i drugih saznanja, TAO modeh merenja su defmisah nekohko „novih pravila merenja” (čiji je autor Susan Embretson). Jedno od najvažnijih pravilaje da su najpotizdanije one stavke koje su, po težini, najbolje prilagodene ispitaniku. Iz toga sledi da po TAO modelima duži testovi ne moraju biti pouzdaniji od kraćih, što je „opšte mesto” klasičnog modela. Na ovom pravilu je zasnovano računarsko adaptivno testiranje (KAT, vidi odgovarajući odeljak).
2.
Granične vrednosti l
Istraživače obično zanima ,,šta je veliko, a šta je malo” u pogledu pouzdanosti. Ovo isto pitanje istraživače zanima uvek, i u svim poglcdima, obično dovodeći u nepriliku saradnike koji su zaduženi za statistiku i psihometriju. Iskoristićemo priliku da učinimo đigresiju i da na ovom mestu ukažemo na neke pravce razmišljanja kojima treba poći pre ili nekon što se postavi spomenuto pitanje. U glavi o kvantitativnoj analizi jcdan odcljak je posvećen odnosu statističke i istraživačke značajnosti. Svakako treba imati u vidu ono što je tamo rečeno. Zatim, podaci koji mogu pomoći istraživaču da evaluira svoje koeficijente se nalaze u prethodnim istraživanjima i obično se mogu naći u literaturi. Prethodna iskustva sa nekom pojavom su sasvim razložan referentni okvir sa kojim se mogu uporediti vlastiti nalazi. Isto tako, istraživači koji se više godina bave jednom oblašću već znaju šta se može očekivati; koji koeficijenti korelacije i koje razlike izmedu grupa su uobičajcni. Na primer, anketna istraživanja sa nestandardizovanim upitnicima, sprovedena bez obučenog i uhodanog tima intervjuera, posebno su na zlu glasu je r ,,se ništa značajno ne može dobiti”. Situaeiju će pogoršati ukoliko je ciljna populacija nepogodna; npr. deea, stari, nepismeni itd., ili ako postoje neki drugi faktori rizika (npr. vrlo dugačak upitnik). U svakom slučaju, ako dobijeni statistici nisu značajni, onda je to ozbiljan razlog za njihovo odbacivanje. Međutim, kad su uzorci mali, recimo n = 10, koeficijent korelacije da bi bio značajan na nivou 0,01 mora biti najmanje r = 0,708. Interval poverenja samo neznatno manjeg koeficijenta od r = 0,7 je (otprilike) od 0,0 do 0,95 i pošto
obuhvata nulu statističari sniatraju da nije značajan. Međutim, retko ko će jednostavno odbaciti tako visok koeficijent i smatraće šansu da on u nekom drugom istraživanju bude čak r = 0,95 realnom i komentarisaće ga verovatno kao ,,tendenciju” (što je čest eufemizam za neznačajne rezultate). U glavi o kvantitativnoj analizi je komentarisana pogrešnost veličanja nulte hipoteze i spomenut jedan od prilaza koji se danas preporučuju; intervali poverenja su informativniji od (tačkastog) testa hipoteze. No, da se vratimo na koeficijente pouzdanosti. Postoje različita ekspertska mišljenja o tome koliko pouzdan treba da bude neki merni instrument u naukama 0 ponašanju. Medutim, neke vrste instmmenata imaju uvek nisku pouzdanost (npr. projektivni psihološki testovi, nestruktirani upitnici sa slobodnim odgovorima i sL), a neki uvek visoku (tzv. „psihometrijski” testovi). Takode, kao što će se videti u sledećem poglavlju, postoji paradoks atenuacije zbog koga visoko pouzdani instrumenti imaju nižu ki'iterijumsku valjanost. Pošto je za potrebe selekcije važniji koeficijent validnosti od koeficijenta pouzdanosti, onaj ko vrši selekciju će rado žrtvovati visoku pouzdanost za dobru valjanost. Ukratko, kad se radi o koeficijentima tipa inteme konzistencije, recimo alfi, onda se smatra da je donja prihvatljiva granica 0,7. Instrument sa koeficijentom alfa manjim od 0,7 se ne može smatrati prilivatljivim. Ako koeficijent pouzdanosti posmalramo kao odnos prave i ukupne varijanse, onda r„ = 0,7 znači da instrument ima 70% prave varijanse. Ako se koeficijent pouzdanosti posmatra kao koeficijent korelacije izmedu paralelnih indikatora, onda iz poglavlja o korelaciji znamo da koeficijent možemo kvadrirati i dobiti proporciju zajedničke varijanse. U ovom slučaju bi to bilo 0,49, dakle minimatoo pouzdani test mora imati najmanje 50% zajedničke varijanse (zaokruženo) sa bilo kojim sebi paralelnim testom. Generalno prihvatljivom pouzdanošću se smatra alfa koeficijent od 0,83. Vrlo visokom pouzdanošću se smatraju alfa koeficijenti koji su viši od 0,90. Koeficijenti pouzdanosti koji se izvode iz TAO modela su obično niži (posebno iz Raschovog modela), jer su pretpostavke pod kojima se računaju dmkčije.
Q. Valjanost merenja
U prethodnom poglavlju je prodiskutovan opšti odnos valjanosti i pouzdanosti i nagovešteno je da su ta dva svojstva merenja povezana, što pričinjava teškoće u njihovom defmisanju i ocenjivanju. No, ako te teškoće ostavimo po strani, prvo što ćemo uočiti je da se valjanost razlikuje od pouzdanosti po tome što nema jedinstven pokazatelj koji bi se zvao „koeficijent valjanosti”. Takođe, postoji vehka šarolikost defmieija i prislupa valjanosti, a stvar otežava još i to što se isti tip valjanosti često razUčito naziva.
1.
Tipovi valjanosti
Unatoč svim varijacijama, konfuziji u tenninologiji i različitim teorijskim pristupima i modelima, moglo bi se reći da postoje tri glavna tipa valjanosti. Opićemo ih ukratko na sledećim stranama. a. Sadržinslca valjanost Sadržinska validnost (eng. content validity) se zasniva na takozvanoj teoriji uzorkovanja iz domena. Po ovoj teoriji, osobinu koju merimo možemo meriti velikim brojem stavki (teorijski beskonačnim). Tek ako bi je izmerili pomoću tog beskonačnog domena stavki, dobijena mera bi biia potpuno tačna. Pošto mi merimo sa konkretnim instmmentima, sa krajnje ograničenim brojem stavki, postavlja se pitanje da li je taj uzorak stavki dobro odabran. Pod izrazorn „dobro odabran” se podrazumeva reprezentativnost, aii samo do izvesnog stepena. U psihologiji se, na primer, sadržinska validnost najčešće zahteva od testova postiginića. U testove postignuće spadaju testovi znanja i testovi veština. Recimo, ako pravimo test znanja geografije za 7. razred osnovne škole, onda domen iii univerzum stavki defmiše udžbenik geografije, eventualno neka zbirka zadataka, „radni listovi” i predavanja nastavnika. Sve rečenice iz udžbenika se ne mogu staviti u tcst kao stavke. Treba izvršiti izbor tako da: a) budu zastupljenji svi delovi gradiva, b) da svi delovi gradiva budu proporcionalno zastupljeni i c) da budu zastupljena „kritična znanja” bez kojih učenik ne može dobiti pozitivnu ocenu (npr. da zna na kom kontinentu je njegova zemlja). Sadržinsku valjanost procenjuju eksperti iz oblasti koja se testira, psiholozi koji konstruišu test, naručioci testa, eventualni korisnici testa itd. Njihova procena se bazira na ekspertskoj proceni, mišljenju i dedukciji. Dakle, ne samo da ne postoji jedinstven pokazatelj valjanosti, nego ne postoji ni njena kvantifikacija. Danas se često kao posebna vrsta sadržinske valjanosti tretiraju pojavna (engl. face validity) i prividna valjanost. Pojavno ili očigledno valjan test mora imati takav sadržaj i izgled da jc „svima” jasno da meri ono za šta je namenjen da mcri. Testovi inteligencije, npr., imaju zadatke koji teraju na razmišljanje, skala stavova o patriotizmu sadrži pitanja o odnosu prema državi i naciji itd. Često se pojavna i sadržajna valjanost poistovjećuju, verovatno zbog toga što se i jedna i druga odreduju na osnovu toga šta Ijudi misle o tome da ineri neki instrument. U psihologiji se prividna valjanost dcfmiše kao „ono što drugi misle da test meri”. Pod „drugima” se misli kako sami ispitanici, tako i drugi učesnici u poslu testiranja. Test znanja iz geografije npr. mora da ima pitanja iz oblasti geografije, u testu znanja iz elektrozavarivanja se ne očekuju pitanja kao što su ,,da li čoveku koji puno stoji otiču noge” itd. Pitanje prividne valjanosti je veoma važno u nekim primenama, kao što je npr. profesionalna selekcija, kada su Ijudi zainteresovani da se predstave u što boljem svetlu i pokušavaju da uvide šta test meri kako bi davali što „bolje” odgovore.
b. Kriterijiimska valjanost Kriterijumska valjanost predstavlja svojstvo nekog mernog instrumenta da može da zameni neku drugu aktivnost, ponašanje ili proceduru. To se utvrduje tako što se instrument administrira, pa se izračuna njegova korelacija sa tom aktivnošću, ponašanjem ili procedurom. Ako je ta korelacija dovoljno visoka, onda kažemo da memi in.stmment može da predvidi aktivnost, odnosno da može da se koristi imiesto nje. Recimo, u oblasti psihologije rada vrlo važna je oblast profesionalne orijentacije i selekcije. U toj oblasti se masovno koriste različiti psihološki testovi kako bi se predvidelo da li će Ijudi biti uspešni u nekim poslovima. Naravno da možemo da zaposlimo te Ijude, odredimo probni rad i da ih, ako zadovolje, primimo. Međutim, to je vrlo skupa procedura, a praktično je nemoguća ako za jedno mesto konkuriše 100 kandidata. Zato je idealno ako možemo da kažemo da će Ijudi koji su dobro rešili test, sa velikom verovatnoćom uspeti u tom poslu i da tako, pomoću jeftine procedure grupnog testiranja izaberemo prave Ijude. Testovi koji se koriste za te potrebe se obično nazivaju testovimapodobnosti (npr. testovi za daktilografe, testovi za programere itd.). Uspeh na poslu nazivamo kriterijumom i otuda potiče naziv čitave ove grupe valjanosti. Sreću se još i nazivi praktična valjanost, empirijska valjanost, pragmatička valjanost, dijagnostička valjanost, prognostička valjanost, prediktivna valjanost, konkurentna valjanost, simultana valjanost itd. U spomenutom primeru kriterijumsku valjanost možemo kvantitativno iskazati i to jednim koeficijentom. Taj koeficijent valjanosti bi bio korelacija između skora na testu i uspeha na poslu. U ovom primeru je kriterijum ,,bio u budućnosti”, tj. pokušavamo da predvidimo kako će se ispitanici ponašati u budućnosti. Zbog toga se taj tip valjanosti naziva prediktivnom, ili prognostičkom (kada je u pitanju neko patološko ponašanje). Kriterijum, medutim, može biti i u sadašnjosti. Na primer, taj podtip valjanosti je važan u kliničkoj psihologiji gde test mora dobro da oceni sadašnje stanje pacijenta - u cilju dijagnoze. Zato se u kliničkoj psihologiji ona obično naziva dijagnostičkom, a u drugim oblastima konkurentnom ili simultanom. Ovaj vrlo razuđeni tip valjanosti ima i različite probleme. Možda najvažniji problem je onaj koji se odnosi na merenje samog kriterijuma. Naime, lako je reći „uspeh naposhi”, ali je teško defmisati šta je to i teško je izmeriti takvu osobinu. c. K onstruktivna valjanost Gledano vremenski, ovaj tip valjanosti je najmladi; njegovim početkom se smatra rad Cronbacha i Meehla, objavljen 1955. godine. U ovom tipu valjanosti se daje odgovor na pitanje šta meri merni instrument, pa se danas ovo pitanje najčešće sreće kao defmicija validnosti uopšte.
lako je ovaj tip valjanosti „pravi” i odigrao je značajnu pozitivnu ulogu u razvoju ne samo mercnja u naukama o ponašanju, nego i tih nauka uopšte, njegov ozbiljan problem jc u tome što ne sadrži operacionalizovanu mctodologiju za ocenjivanje stcpena konstruktivne valjanosti (eng. construct validity). Da bi to ispravili, Cambcll i Fiske su 1959. godine definisali konvergcntnu i diskriminativnu valjanost. Konstruktivna valjanost kaže da je memi instrument valjan ako mcri ono što treba da meri. Mcđutim, ne kaže se eksplicitno da ne trcba da meri ništa drugo. Pojmovi konvcrgentne i diskriminativne valjanosti su otklonili taj nedostatak je r kažu da je mcrni instrumcnt konstruktivno vaijan ako visoko korelira sa sličnim pojmovima i varijablama, a istovremeno nisko korelira sa pojmovima i varijablarna koji nisu slični. Recimo, tcst koji mcri anksioznost mora da značajno korelira sa tcstom koji mcri neurotičnost, introverziju, ncsamopouzdanost itd., jer su to „slične” osobine. Isto tako, taj test ne sme da korelira značajno sa inteligencijom, dominantnošću, motivacijom itd., jer to nisu „slične” osobine. Jasno je da se pod sličnošću misli na teorijske i iskustvenc stavove o povezanosti osobina. Ovo što je rečeno ne bi mnogo značilo za operacionalizaciju konstruktivne valjanosti da Cambcll i Fiskc nisu započeli rad na tzv. multiosobinskoj-multimetodskoj matrici (MOMM matrici, na cngleskom MTMM - multitrait-multimethod). Ova matrica jc u osnovi korelaciona matrica (elementi su joj korelacije), ali sa specifičnom striikturom. Inicijalno, ta sc matrica tumačila narativno, ali sii do danas uspcšno testirani neki statistički modeli koji su kvantitativno ocenjivali stepen konvergentne i diskriminativne valjanosti. Pre svega, kao uspešan statistički model sc pokazala konfirmativna faktorska analiza. Značaj koji ima ova matrica i imdtimetodskipristup koji iz nje sledi je danas značajno prevazišao inicijaine intencijc da se operacionalizuje konstniktivna valjanost. Multimetodski pristup zahteva da se ista pojava istraži na više različitih načina, koristeći prednosti različitih metoda, i da se razlike u nalazima koje su se, eventualno, pojavile između mctoda uporcde i objasni njihovo poreklo. Česta su nastojanja da se anketna i druga terenska istraživanja, bazirana na velikim uzorcima i objektivnim metodama prikupljanja podataka kao što su upitnici, skalc stavova i testovi, dopune i kombinuju tzv. kvalitativnim istraživanjima koja se sprovodc na mahrn uzorcima, ah na velikom skupu svojslava koja, pri tome, ne moraju biti unapred dcfinisana. Na primer, ankete se mogu kombinovati sa studijama odabranih slučajeva, mcta analizom, analizom sekundardnih podataka, fokus grupama itd. Takode, podaci dobijeni razhčitim metodama prikupljanja podataka mogu se obrađivati na različit način, koristeći npr. regresiju i analizu kovarijanse. Zasada ne postoji tehnika koja bi u svim shičajevima primene multimetodskog pristupa ponudila egzaktan pokazatelj „pravog”, „srednjeg” ili „prosečnog” nalaza iz svih metoda. Čitav postupak poređenja različitih metoda i eliminacije razhka ineđu njima su Cainpbell i Fiske nazvali metodološkom triangulacijom. Triangulacija je metoda odredivanja položaja u navigaciji i geodeziji, a u društvenim istraživanjima se sastoji u tome da se istraživač fokusira na celovitu sliku pojave iz
različitih uglova - perspektiva, odnosno da pronalazi srednje ili kompromisno rešenje iz više metoda. Multimetodski pristup, metodološki pluralizam i triangulacija se u ovom tekstu spominju na više mesta, što govori o značaju utvrđivanja validnosti u svim metodama za prikupljanje podataka. Sve vrste validnosti koje su ovde spomenute, kao i sva pitanja vezana za validnost (šta je povećava i šta je ugrožava) su g e n e ra ln o p r im e n ljiv a za sva socijalna istraživanja, odnosno za sve metode prikupljanjapodataka. MOMM matrica i logika koja stoji iza konvergentne i diskriminativne validnosti su samo jedan takav aspekt.
2.
Neki izvori ugrožavanja validnosti merenja
U poglavlju o interaktivnosti kvalitativnih metoda, ukazano je da intcrakcija posmatrača i posmatranog, sama po sebi, predstavlja rizik ugrožavanja validnosti. Na primer, intervjuer koji odobrava ispitaniku klimanjem glave i izgovaranjem ,,m-hm” ovome jasno stavlja do znanja šta ga interesuje i šta odobrava. Intervjuerima je potrebno iskustvo i lične predispozicije da bi bili u stanju da ne usmeravaju ispitanike. Pojavu ugrožavanja validnosti zbog interakcije merenja i merenog (v. drugi izvor individualnih razlika) ilustrovaćemo na primeru so c ija ln o p o ž e ljn o g odgov a ra n ja , kada ispitanici odgovaraju ono što misle da se od njih traži, ili što će ih predstaviti u boljem svetlu, umesto onoga što stvamo misle. Socijalna poželjnost može da se utvrdi pomoću faktorske analize ili ajtem analize, a u savremenim psihometrijskim mernim modelima, kao što je teorija ajtemskog odgovora (v.) socijalno poželjni odgovori se detektuju pomoću misfita. Osim toga, u meme instrumente se mogu ugraditi neka pitanja koja trebaju da otkriju tendenciju ka socijalno poželjnom odgovaranju (npr, ,,da li ste nekada nekoga slagali”). U psihološke testove se odavno ugraduju tzv. s k a le laži (eng. lie scale), sastavljene od takvih pitanja. Kao koristan način za otkj-ivanje pitanja koja provociraju socijaliio poželjne odgovora se pokazala promena uputstva ispitanicima. Recimo, u jednoj prilici se ispitanicima može dati uputstvo da odgovore tako da bi scbe predstavili u najboljem svetlu. Nakon toga im se može reći da odgovore onako kakvi stvarno misle da jesu. Nasuprot socijalno poželjnom odgovaranju, tzv. „dobrim” ispitanicima, postoje ispitanici koji nastoje da se prikažu kao ,,zli”, pri čemu izbor jednog od ta dva ponašanja može da zavisi od njihove procene lične koristi (npr. da se prikažu neuračtmljivini). Takođe, postoje ,,da Ijudi”, ,,ne Ijudi” i ,,ne znam Ijudi”, već prema tome šta preferiraju da zaokružuju. Prirnećeno je da takvi ispitanici, na primer, različito odgovaraju na istu tvrdnju ako je formulisana pot\'rdno ili odrečno. Ovih nekoliko primera ima za cilj samo da otvori inaleni prozorčić ka brojnim izvorinia ugrožavanja validnosti merenja. Svaka istraživačeva greška dovodi do ugrožavanja valjanosti. U takve greške spadaju različite vrste pristrasnosti, predrasuda, nepoznavanja, istra živ a č k o g o č ek iv a n ja itd.
3.
Paradoks atenuadje
U psihologiji je odavno uočena jedna protivrečnost koja muči klasičnu teoriju testa. Ta protivrečnost se sastoji u tome što visokopouzdani testovi (po metodi inteme konzistencije) teže da imaju nižu kriterijumsku valjanost. M emi instrumenti koji poseduju visoku pouzdanost inteme konzistencije mogu da nemaju dobru kiiterijumsku validnost, odnosno mogu da ne budu dobri prediktori ponašanja. Ova protivrečnost se može statistički objasniti, ali je neprijatna kao imanentan problem klasičnog modela merenja. Pored ove protivrečnosti, još neke dnige protivrečnosti i kontradikcije postoje u klasičnom modelu (ovde smo, npr., spomenuli povezanost težine i diskriminativnosti stavki, koja produkuje izvestan broj tih protivrečnosti). Da bi se paradoks atenuacije rešio u praksi preporučuje se da se primenjuju tzv. baterije instrumenala, u kojima pojedinačni instmmenti imaju visoku pouzdanost, a svi zajedno i visoku validnost. To je na izvestan način blisko i zdravom razumu - što više različitih informacija prikupimo o nekom predmetu merenja, validniji će biti zaključci.
4.
Kolika je validnost potrebna
Za razHku od pouzdanosti, valjanost se najčešće ne izražava jednim koeficijentom. Jedini izuzetak je ki'iterijumska valjanost, gde se valjanost može (ali ne uvek) iskazati koeficijentom korelacije izmedu instrunienta i kriterijuma. Pošto je to uobičajeni koeficijent korelacije, i nema posebne interprctacije u kontekstu valjanosti, prirodno je da on, kao prvo, mora biti statistički značajan, odnosno još važnije, da mu interval poverenja leži što više iznad nule. Za jednu od referentnih tačaka visine koeficijenta validnosti možemo uzeti prosečnu korelaciju između testova opšte inteligencije (g faktora) i školskih ocena, koja je jedna od najviših^° i obično se nalazi negde iznad 0,50^'. Sledeća Viši koeficijenti valjanosti se mogu utvrditi u relkim poslovima koji su ,jcdiiofaktorski”, odnosno u kojima uspch zavisi od jcdnog, ili malog broja faktora. Posebno visoka validnost se može poslići kada tesl veoma liči na delatnost koju predviđa; npr. lesl iz daktilografije za prijem daktilografkinja. U tom slučaju lestovi koji mere laj faktor mogu da imaju koeficijenle validnosli preko 0,8. ” Inlcligencija je najbolji psihološki prediktor iispcha ii poslu. Ništa drugo, glcdano u proseku, za sva zanimanja i za sve Ijiidc, ne može ni blizu lako da prcdviđa uspeh u poslu kao što može inteligencija. Inleligencija jc, rccimo, najbolji prcdiktor uspeha u obrazovanju. Dništveni istraživači u celom svctu, bez obzira iz koje su države, znaju da je obrazovanje „univerzalni prcdiktor” svcga i svačega. Svuda u svelu obrazovanje korelira sa vcćinom pojava koje se istražuju ii društvenim istraživanjima, pa čak i sa vrlo neočckivanim pojavama. S obzirom da je obrazovanjc mnogo lakšc izmeriti nego inteligenciju, nije čudno što se onda ono koristi kao univerzalni prediktor. Inače, navedcni koefieijent valjanosti potiče iz Amerike, dok se kod nas mogu očckivati korclacije izmedu 0,30 i 0,40 između lQ -a i škol-
referentna tačka mogu biti rezultati novijih nieta-analiza po kojima opšta inteligencija (g faktor) i specifične kognitivne sposobnosti imaju prosečne koeficijente validnosti u opsegu 0,5 do 0,6 prema uspehu na poslu. Pri tome su koeficijenti validnosti kognitivnih testova oko 0,58 za kompleksne poslove, a 0,23 za jednostavne poslove. Sve u svemu, može se očekivati da inteligencija učestvuje u uspehu u poshi sa 6 - 36% (Fajgelj, 2005). Nekome ovi koeficijenti valjanosti mogu izgledati mali, ali treba imati na umu da po Cohenovoj podeli korelacija iznad 0,24 spada u srednji, a iznad 0,37 u visok efekt. „Svet rada” u većini zahteva nešto iznaprosečan intelektualni nivo (po Catteliovoj proceni oko IQ = 108), tako da većina Ijudi, bez ikakve selekcije može biti uspešna na većini poslova. Zatim, treba uzeti u obzir procenat Ijudi koji uopšte uspevaju u tom poslu, bez obzira na selekciju i b) strogost selekcije, odnosno koliki procenat najboljih na testu ćemo primiti (u žargonu je to: ,,gde će se povući crta”). Ako je posao prosečno težak (procenat uspeha 50%) i ako primenimo strogu selekciju, u spomenutom rasponu koeficijenata validnosti možemo očekivati da će čak 70-85% Ijudi koje smo primili biti uspešni na tom poslu (dakle, 20-35% više nego da smo ih primili nasumice).
skih ocena.
V. S P R O V O Đ E N J E EM PIR IJSK IH IS TR A ŽIV A N JA
A.
Praktični problemi i moguća rešenja
Problema ii sprovođenju empirijskih istraživanja ima onoliko koliko ima istraživanja, Nemoguće je napraviti recept za rešavanje svih istraživačkih problema. Svaki istraživač mora rešavati one probleme na koje nailazi, na način koji je najbolji u datim uslovima. Ipak, istraživač greši ako misli da je njegovo istraživanje prvo koje se srelo sa nekim određenim problemoni. U zajednici istraživača i projektanata u celom svetu postoji veoma mnogo duha i inspiracije kada se govori o problemima. Poznati su Marfijevi i mnogi drugi „zakoni” iz kojih se vidi da se svi susreću sa siičnim problemima. Recimo, univerzahii problemi su ograničenost novca, vremena i drugih resursa, pa je tako poznat sledeći „zakon”: „Nijedno istra.živanje nije izvršeno u roku, sa sredstvima i sa rezultatima kako je predviđeno. Malo je verovatno da će vaše biti prvo”. U domenu društvenih istraživanja, takođe, postoje sistematizovana iskustva 0 najčešćim problemima i greškama i mogućnostima za njihovo otklanjanje. Medutim, čak i u tako ograničenoj oblasti, kao što su istraživanja u naukama o ponašanju, spisak mogućih problema i grešaka nije mali. Pored toga, nije moguće
napraviti celovit i jedinstven spisak rešenja za te probleme, jer raspoloživa sredstva za rešavanje variraju od slučaja do slučaja. Olakšavajuća okolnost je to što se, po logici stvari, sama metodologija empirijskih istraživanja dobrim delom bazira na rešavanju problema koji su uočeni u prethodnim istraživanjima. Svi opisani nacrti istraživanja i metode prikupljanja podataka imaju za cilj da daju odgovor na iskušenja sa kojima su se susreh prethodni istraživači. Zato se i u ovoj knjizi, u mnogim prethodnim i narednim poglavljima govori upravo o tematici istraživačkih probiema i grešaka. To se odnosi na poglavlja o validnosti, posebno o ugrožavanju validnosti, o istraživačkim greškama u okviru poglavlja o nacrtima istraživanja, o „etapi ispitanika” i „etapi anketara” u poglavlju o uzorkovanju itd. U ovom poglavlju ćemo pomenuti samo neka konkretna pitanja koja mogu pomoći istraživaču da anticipira i otkloni probleme.
1.
Tehnički i organizadoni probiemi
Tehnički problemi su nezaobilazni kod eksperimentalnih istraživanja. Izvor problema su uređaji koji se koriste za merenje, za snimanje ili za prezentiranje draži. Kao prvo, ako se radi o složenim uređajima kao što su npr. poligrafi ili računarski kontrohsani simulatori, društveni istraživač neće biti dovoljno obučen za njihovu upotrebu. To se može rešiti ih detaljnom obukom ili angažovanjem stručnjaka koji to znaju da rade. Vreme i troškove obuke ih troškove angažovanja programera, snimatelja, laboranata i drugih treba predvideti u projektu istraživanja. Jedna od zakonitosti eksperimentalnih istraživanja je da uvek nešto krene naopako. Baterije će se isprazniti, trake će isteći, računar neće raditi, laboratorijski nalazi će imati greške itd.^^ Istraživač ne može nikad biti siguran da će sve ići onako kako je zamislio. Treba imati u vidu da se eksperimenti po pravilu obavljaju u realnom vremenu i da se ispitivanje često ne može ponoviti na istom ispitaniku ili gnipi. Lako je zamisliti nervozu koja nastaje u takvim situacijama. Jedino rešenje, iako nikad apsolutno, jeste da se sve procedure pripreme, testiraju, provere i to pod svim uslovima. Ovakvi tehnički problemi nisu svojstveni samo eksperimentalnim istraživanjima. Uredaji za snimanje (video i audio) se koriste i tokom posmatranja, fokus grupa ili iiitei-vjua. U eksperimentalnim istraživanjima se vrlo često ispituje da li neki agens ima pozitivan efekat. Iz toga sledi da će eksperimentalna grupa imati korist od eksperimenta (ako se pretpostavka potvrdi), a kontrolna neće. Ispitanici to znaju ili osećaju, a to mogu da znaju i njihovi roditelji, nastavnici ili šefovi, Iz toga mogu da proisteknu različiti pritisci na istraživača i na istraživanje, koji ugrožava-
Jedan naš psiholog je dobio napad kam enaububregu tokom eksperimcnla iz oblasti crgonomije, pa je otišao po pomoć i kasnije u bolnicu, ostavivši ispilanika u laboratoriji.
ju validnost istraživanja, ali prouzorkujii i praktične probleme. Istraživači se u tom slučaju dovijaju na različite načine, dajući kontrolnoj grupi placebo, ili nakon završetka eksperimenta obećaju da će sprovesli tretman i na kontrolnoj grupi (v. poglavlje o validnosti istraživanja). U terenskim istraživanjima jedna faza može biti veoma komplikovana, čak toliko da onemogući sprovodenje istraživanja u celini ili delomično. Radi se o dobijanju saglasnosti od nadležnih pojedinaca ili ustanova. Kada se istraživanja vrše u preduzećima, školama, zdravstvenim ustanovama, a pogotovo u vojsci ili zatvorima, onda najčešće treba obezbediti niz saglasnosti, što formalnih, što neformainih. Istraživač treba da ima na umu da od viših nivoa rukovodenja treba da dobije saglasnost, a od nižih nivoa saradnju. Upravo to, saradnja, jeste ono što je istraživaču najvažnije i što je najteže obezbediti. Zbog malih fondova i kratkih rokova, istraživači posežu za raznim „kraticama” i „zaobilaznicama”. Umesto ekipe saradnika sa kojima se organizovano sprovodi priprema i obuka i koji se uredno plaćaju, angažuju se prijatelji. Umesto uredno dobijenih saglasnosti, takode se računa na prijatelje, koji na svoju ruku obavljaju prikupljanje podataka. U tim okohiostima istraživač, kao primalac usluge, ne usuduje se da od prijatelja zahteva da produ obuku i mora umnogome da progleda kroz prste „metodologiji” koju oni primenjuju na terenu. Što je najgore, ispitanici, čak i ako se radi o deci, po praviki uočavaju da procedura nije čista i gube motivaciju za saradnju.
2.
Problem i sa saradnicima
Kada se radi o terenskim istraživanjima, tehničkih uređaja je znatno manje, ah je učesnika znatno više. Zato troškovi terenskih istraživanja mogu da budu vrlo vehki, a pripreme dugotrajne. Prilikom analize problema sa saradnicima i ispitanicima najviše ćemo vremena posvetiti ankelnim istraživanjima. U tim istraživanjima se najdalje došlo sa objektivnom anaiizom ovih problema. Osim toga, problemi koje imaju anketna istraživanja sa saradnicima i ispitanicima su lako primenjivi na sve ostale tipove istraživanja. Uloga u pristrasnom uzorkovanju - Vrlo često se dešava da konačna faza biranja uzorka u značajnoj meri zavisi od anketara. On mora poštovali niz uputstava koja se odnose na izbor kuća/stanova i članova domaćinstva. Postoje bar dva problema sa kojima se sreće anketar u tom pogledu. Ako su uputstva kvalitetna, ažuma i dobro prilagođena situaciji na terenu anketaru će biti lakše da ih poštuje. Medutim, teško je predvidoti sve situacije na terenu i sva ona nepredvidena, anegdotska, prijatna i neprijatna iskustva do kojih se dolazi tokom prikupljanja podataka na terenu. U svim nejasnim, dvosmisienim i nepredvidenim siluacijama anketar mora pokazati ličnu inicijativu. Može konsultovati istraživače, regionalne instruktore, ih druge anketare, ali će najčešće donositi odhiku sam.
To znači da može da bira one sagovoniike koji su mu zgodniji, čime uvodi grešku pristrasnosti. Drugi problem koji anketar obično mora da rešava na licu mesta je problem neodgovora. Prilikom izbora osoba u uzorak, ne može se unapred znati da li će one pristati na intervju, da li se nalaze na putu, da li su bolesne ili iiopšte ne stanuju tii. Uobičajeno je da se u planu sistematskih slučajnih uzoraka predvidi izvestan procenat „rezei-vi”, recimo oko 25-30%, koliko se neodgovora može očekivati na osnovu svetskih iskustava za lično intervjuisanje. Kod višeetapnih slučajnih uzoraka se takođe mora predvideti postupak za izbor sledeće zamene ukoliko izabrana osoba nije raspoloživa. Međutim, ako se anketaru ostavi puna sloboda on može olako prelaziti na zamene, čime će uzorak postati pristrasan. Tcškoće u koinunikaciji - Ako se radi o istraživanju aktualnih i akutnih društvenih tema, kao što su politički izbori, referendumi o raznim pitanjima i svuda gde postoji polarizacija u društvu praćena tenzijama i sukobima, veoma je važno (ali istovremeno i teško) da anketar ne iskazuje svoj stav. Ljudi mogu iskazati svoj stav na različite načine, a da toga ne budu svesni. Standardne teškoće koje anketar mora prevladati su kako da objasni da je anketa anonimna, a da baš dotični ispitanik mora biti ispitan, pogotovo ako je anketar imao ime i adresu ispitanika. Zatim, kada se ispituju neke vruće teme, ispitanici nastoje da od anketara saznaju ,,za koga se to radi” i na osnovu toga odlučuju da li će i kako će odgovarati. Dobar anketar mora znali kako da izbegne iU ublaži problem koji može nastati ako ga ispitanik doživi kao pripadnika ,,suprotnog tabora”. lako je socijahiim veštinama anketara teško rukovali i upravljati, pogotovo u kontekstu pojedinačnog istraživanja, za dobar utisak pred ispitanikom nije nužno da se bude „socijahio vešt”, niti je to dovoljno. Anketar mora imati pošten i savestan pristup prema poslu, lojahiost i dobru motivaciju. Ispitanici to ocenjuju i prema tome se postavljaju. K ako poboljšati rad sa ra d n ik a ? - Što je ekipa saradnika veća, više će važiti pravilo da njihova saradnja i lojahiost zavise od dobre organizacije istraživanja. Dobra organizacija u ovom kontekstu podrazurneva nekoliko osnovnih stvari. • Upoznavanje sa ciljevima istraživanja, objašnjavanje njegovog značaja, naglašavanje značaja rada svakog pojedinca i pogubnog uticaja koji mogu imate greške. Treba koristiti sva sredstva da se saradnici zainteresuju i motivišu, u zavisnosti od njihovog profila i sastava. Upoznavanje sa istraživanjem će biti efektnije ako ga obavi vođa projekta, odnosno istraživač koji jc najviši u hijerarhiji. • Obuka istraživačkog osoblja je zajednički zadatak u mnogim vrstama istraživanja i metodama prikupljanja podataka. Tu spadaju intei-vjueri, anketari, moderatori fokus grupa, analitičari sadržaja, posmatrači, ocenjivači, šifranti itd. Broj ovog osoblja, pogotovo kod anketnih istraživanja može da bude prihčno veliki. Svi oni moraju proći kvalitetnu, informativnu i organizovanu obuku i moraju imali dobra i prcgledna uputstva, uredno odštampane upitnike ih protokole za posmatranje, obezbeđen potrošni materijal...
Saradnik-anketar morapoznavati principe naučnog empirijskog istraživanja u opštem smislu, ukijučujući i logiku uzorkovanja. Praksa pokazuje da od njega dobrim delom zavisi i koliko će imati odbijanja. Mora biti obučen za vođenje intervjua, komunikaciju sa Ijudima, mora znati kako da se predstavi, kako da objasni ciljeve istraživanja, kako da objasni pitanje anonimnosti (posebno ako traži odredenu osobu po imenu i prezimenu) itd. • Od velike je važnosti i opšta organizacija istraživanja, posebno rada sa anketarima, način njihovog plaćanja, kao i njihovog opšteg odnosa prerna konkretnom istraživanju. Ne može se, recimo, očekivati mnogo ako se anketaru donese paket od 100 upitnika i saopšti da bi trebalo ispitati 100 učenika srednjih škola. Uputstva anketarima trebaju biti pismena i detaljna. Opšte je pravilo da istraživač mora što više odluka doneti sam, ,,u kancelariji”. Mora anticipirati probleme, a za sve nejasne situacije m orajasno i precizno defmisati put za rešavanje i na osnovu toga napisati uputstva. Ako anketar vidi da se u planiranje i realizaciju istraživanja uložilo mnogo truda i stručnosti, on će biti motivisan da i sam tako postupa. Sve saradnike obično treba snabdeti kratkim i jasnim uputstvima koja će im uvek biti pri ruci. Takode, treba predvideti i omogućiti kanale za konsultacije sa istraživačem ukoliko na terenu nešto krene pogrešno. Što su memi instrumenti koji se koriste, na primer upitnici, kompleksniji i duži, to obuka i uputstva moraju biti obimniji. Isto tako, saradnici moraju imati uverljiva identifikaciona dokumenta i ovlašćenja. Saradnici će svaki korak istraživanja u kome oni učestvuju i koji mogu da vide procenjivati, čak i nehotiee, i na osnovu toga graditi svoj odnos prema njcmu. Analogno čuvenom zapažanju da jc „čovck onoliko racionalan koliko je racionahia organizacija”, rad saradnika će biti onoliko dobar koliko je dobra organizacija istraživanja. • Nagradivanje i potkrepljenje mora biti odgovarajuće za uloženi trud i rad. Dobro plaćanje je vrlo efikasan način obezbeđivanja dobrog rada anketara i drugih saradnika. Budžeti istraživanja su po pravilu tužno maleni, a troškovi terenskih istraživanja ogromni. Zato se štedi na svakom koraku, uključujući i honorare za saradnike. Medutim, tu treba biti oprezan, jer loše prikupljeni podaci ne vrede ništa, pa su zapravo svi novci koji su potrošeni na loše podatke - bačeni novci. Kod nas treba računati sa naknadom anketaru od 2~3€ po upitniku, u zavisnosti od dužine upitnika, udaljenosti ispitanika i dr. Važno je i pitanje pravedne naknade putnih i drugih troškova. Ako istraživački fondovi ne dozvoljavaju pravedno plaćanje, uvek treba razmotriti mogućnosti nematerijalnih stimulacija. Saradnici su često studenti ili članovi naučnih ili nastavnih kolektiva. Njima može biti potkrepljujuće da uopšte učestvuju u nekom istraživanju ako je ono značajno ili se poklapa sa njihovim interesovanjem. Posebno će potkrepljujuća biti niogućnost da učestvuju kao koautori u pisanju istraživačkih izveštaja. Često će mogućnost da koriste podatke biti dovoljna nagrada. Ako ekipa saradnika nije iz tog kruga, može biti motivišuće ako se zahvalnica sa spiskom imena javno objavi. Takode, potkrcpljcnjc se može
postići već u tački jedan. Recimo, roditelji dece narkomana će verovatno rado pomoći u istraživanju narkomanije u njihovoj zajednici. 0 Kontrola rada mora biti sprovedena od samog početka i mora biti jasna i transparentna, To se može postići na različite načine. Svi učesnici moraju da napišu izveštaje o radu i za svakoga se mora precizno evidentirati šta je radio i koliko je radio. Ako se radi o anketnom istraživanju, nije isto ispitati 20 ispitanika u jednom gradskom bloku i 20 ispitanika u raštrkanim zaseocima. Nakon završenog prikupljanja podataka oni se na ovaj ili onaj način uvek moraju pregledati 1 prečistiti. Tom prilikom se može obaviti i kontrola rada saradnika. Kao u svakom poslu, kvalitet rada anketara i drugih saradnika koji rade na terenu mora se vrlo slriktno kontrolisati. Treba pregledati sve upitnike, evidentirati urednost popunjavanja, broj neodgovorenih pitanja (stopu „neodgovora”), da li su svi upitnici popunjeni istim rukopisom (jer, ako nisu, anketar ih je davao ispitanicima da sami popunjavaju, ili je angažovao neobučene prijatelje da mu pomognu) itd. Obično se insistira (recimo, od strane naručioca istraživanja) da se na jednom uzorku ispitanika proveri da K je anketar stvamo dolazio i da li je posao obavio uredno. Ova provera se može vršiti tako što će se anketaru naložiti da popiše adrese na kojima je anketirao. Na osnovu spiska istraživači mogu poslati pisma tim domaćinstvima, ili mogu naći telefonske brojeve kako bi direktno proverili rad anketara (važno je da postupak budc takav da ne kompromitiije institut anonimonosti ankete). U poglavlju o neposrednom posmatranju opisan je postupak saradnje i obuke posmatrača.
3.
Problemi sa ispitanicima
Pored ekipe saradnika, kao učesnike istraživanja Ireba posmatrati i ispitanike. Kod velikih terenskih istraživanja uzorci ispitanika mogu biti toliko veliki da ćc se istraživač osetili potpuno bespomoćnim u pogledu mogućnosti njihovog motivisanja za saradnju. Međutim, praktično isti principi koje smo gore naveli kao elemente rada sa saradnicima važe i za rad sa ispitanicima. P roblem neodgovora. - Problem neodgovora je posebno važan u anketnim istraživanjima i sam za sebe je predmet mnogih istraživanja. Iskazuje se procentualno, kao sto p a n e o d g o v o ra (engl. nonresponse rate), ili suprotno sto p a o d g o v o ra (engl. response rate). Pod pojmom neodgovora se mogu podrazumevati različite stvari. Prvo i osnovno značcnje je kada se u procenat neodgovaranja uračunavaju svi slučajevi neostvarenog intervjua ili nepopunjenog upitnika zbog: a) o d ln ja n ja sa ra d n je (v. kasnije) i b) n e m o g u ć n o s ti k o n ta k ta usled odsustvovanja, bolesti, jezičke barijere, gluvoće itd. Ako je procenat uspešnosti, odnosno procenat obavljenih intervjua sa osobama koje su planirane da uđu u uzorak 70% ili više, anketar može biti zadovoIjan jer se uklopio u svetske stope odgovora. Postoje, medutim, nesporazumi oko prikazivanja procenta neodgovora. Treba se držati striktne defmicije da je stopa neodgovora [(broj Ijudi kojima je pristupljeno) - (broj Ijudi koji su popunili upit-
nik)] / (broj Ijudi kojima je pristupljeno) x 100. Na primer, ako su anketari dobili 500 upitnika i vratili 400, onda je stopa neodgovora: (500 - 400)/500x 100=20%. Cesto se koristi i stopa odgovora, koja bi u ovom primeru prosto bila 400/ 500x100=80%. Iz stope neodgovora znamo da je realizovani uzorak (v.) za 20% manji odpianiranog i još se može sumnjati da je pristrasan. Istraživač ima dve mogućnosti u pogledu stope neodgovora: a) može nastojati da je smanji što više i b) može predvideti rezerve. U planu slučajnih uzoraka (v.) se mora predvideti onoliko „rezervi” koliko se neodgovora očekuje. Naravno, nije lako predvideti kolika će biti stopa neodgovora u konkretnom istraživanju. A 0 tome kako se stopa smanjuje govori se na više mesta u ovoj knjizi. lako ovde prvenstveno opisujemo situaciju ličnog intei-vjuisanja, sve isto važi i za slanje upitnika poštom ili nekom drugom telmologijom. Kod kvotnih uzoraka (v.) anketari uvek mogu da popune kvote, jedino što su možda morali razgovarati sa 40 Ijudi da bi dobili pristanak od njih 20. Dakle, kod kvotnog biranja se ne spremaju rezerve, ali anketari moraju zapisati sa koliko Ijudi su pokušali razgovor. Ako su pokušali sa 40 da bi popunili 20 upitnika, stopa neodgovora je 50%. Kada je uzorak napravljen prostim slučajnim biranjcm ili sistematskim slučajnim biranjem, odnosno kada anketar dolazi na vrata sa imenom i prezimenom odredene osobe, proeenat odbijanja je kod nas manji nego kada anketari na licu mesta biraju nekoga od članova domaćinstva. U prvom slučaju procenat odbijanja se može očekivati u okviru 6-15% , a u drugom slučaju 12-25%. Naravno, ove cifre su samo okvime, jer odbijanje zavisi od nmogih stvari, npr.: • csetljivost teme koja se istražuje; • uverijivost uslova anonimnosti, što je povezano sa prethodnim pitanjem;
• obučenost i karakteristike anketara; • ugled i status ustanove koju anketari predstavljaju; • struktura stanovništva (starosna, obrazovna, nacionalna itd.)... Trend smanjivanja stope odgovora u SAD postoji od pedesetih godina XX veka. Pad je posebno ubrzan nakon masovnog uvodenja telefonskih anketa. Istraživanja koja su se bavila ovim problemom ne daju sasvim jednake podatke, ali se situacija ocenjuje nekad kao „opadanje”, a nckad kao „survavanje”. Na primer, u jednom standardnom telefonskom istraživanju, koje se redovno sprovodi, registrovano je da je broj potrebnih poziva da bi se obavio jedan intervju 1979. godine bio 3,9, a 1996. 7,9. Kod nas su registrovani procenti neodgovora od čak 50%. To znači da je anketar uspeo da ispita tek svakog dnigog odabranog čiana populacije. Ovako visoki proeenti neodgovora su uobičajeni u telefonskim anketama, a posebno u poštanskim anketania (i kod nas i u svetu). Poznato je da usmeravanje anketara direktno na odredenu osobu povećava šansu odgovora, a da se verovatnoća saradnje smanjuje što je kontakt sa ispitanikom indirektniji. Kod nas je možda ta pojava izraženija ncgo u drugim zemljama. U telefonskim anketama je pristup
indirektan, je r anketar nije neposredno prisutan, pa je očigledno stepen socijalnog pritiska na ispitanika manji. Ispitanik se oseća manje obavezan da izađe u susret anketam. Pojava neodgovora, posebno zbog odbijanja saradnje, je stalna i dosledna i uobičajeno je da varira u rasponu od 5 do 50% u zavisnosti od toga da li se intervjuiše licem u lice ili preko telefona. Nažalost, slično anketarima, sami istraživači izbegavaju da se suoče sa tom pojavom, posebno ako je u njihovom istraživanju vrlo izražena. Kada uvidi da je stopa neodgovora bila velika, istraživač je u dilemi za koje rešenje da se opredeli; da teško prikupljene podatke baci, da pristiipi komplikovanim analizama, ponderisanjima ili dopunskom prikupljanju podataka da bi uzorak usaglasio sa populacijom, ili da zanemari problem. Zbog svega toga, p o datak o stopi neodgovora (ili stopi odgovora) u anketnom istraživanju je od prvorazrednog značaja. U literaturi se mogu naći veoma kompleksni načini analize neodgovora i poredenja sa „odgovorom”, kako bi se utvrdilo da li u neodgovaranju postoji sistematičnost i da li se osobe koje jesu i koje nisu odgovorile sistematski razlikuju. O dbijanjc sarad n je kao uzrok neodgovora - Reč je o odbijanju da se učestvuje u istraživanju, tj. da se pristane na intervju, da se popuni anketa poslata poštom itd, Odbijanje saradnje se može podeliti u više aspekata; odlučno odbijanje razgovora u pi"vom kontaktu, posredno odbijanje kroz „izvrdavanje”, odlaganje razgovora (npr. nisam kod kuće) i druge vidove izbegavanja. U širem smislu, kao odbiianje se može tretirati i prekidanje intervjua ili upitnika nakon što je već počeo, pa i neodgovorena pojedinačna pitanja. Medutim, ova zadnja dva slučaja se češće podvode pod rubriku ispuštenih vrednosti. Koji su problemi vezani za pojavu odbijanja saradnje? Za istraživača je najvažniji problem taj što može da sumnja da odbijanje nije bilo slučajno i da je dovelo do p ristrasnog uzorkovanja. U zavisnosti od predmeta istraživanja i niza drugih okolnosti, Ijudi koji odbijaju saradnju mogu pripadati jednoj istoj grupi koja se od ostalih članova populacije sistematski razlikuje po nekim svojstvima. Ako ispitanici odbijaju saradnju nakon što shvate šla je predmet istraživanja, ili nakon što to zaključe iz pitanja koja im anketar postavlja, onda postoji dobra šansa da neka svojstva ispitanika koreliraju sa pojavom koja se ispituje. Zbog toga, činjenica da nismo prikupili podatke od takvih Ijudi dovodi do pristrasnosti uzorka. Na primer, ako se istražuje verska ili nacionahia tolerancija i ako je anketar student (mlada osoba iz grada) koji se predstavio da radi za „Udruženje za pomirenje”, velika je šansa da Ijudi sa najviše izraženom netolerancijom neće želeti da razgovaraju sa njime (neće ni sačekati da „vide kalcva su pitanja”). Dobiće se procenat odbijanja od npr. 20%, a podaci će vrlo verovatno ukazivati da nema raširene netolerancije. Medutim, taj realizovani uzorak, bez obzira kako detaljno bio planiran, odnosno bez obzira koliko je ,jednakih verovatnoća” bilo ugrađeno u plan za izbor jedinica posmatranja, nije reprezentativan.
Sledeći problem je što procenat odbijanja (neodgovora) nije uvek lako utvrditi. Anketari iz raznih razloga mogu da izbegavaju da daju tačne podatke o odbijanju, pogotovo ako ga ima mnogo. Iskusni anketari shvataju da je odbijanje dovelo do pristrasnosti i mogu da se boje da „im neće biti plaćeno”, ili da će imati problema sa objašnjavanjem razloga za tu pojavu. Ako im se, opet, plaća za svaki kontakt sa ispitanicima, a ne samo za intervjue koji su obavljeni do kraja, onda će biti „široke ruke” u prijavljivanju odbijanja. N eostvarivanje kontakta kao izvor neodgovora-N eodgovaranje kojeje rezultat nemogućnosti nalaženja ispitanika ili razgovora s njim može imati dva osnovna izvora. Prvi potiče od grešaka u uzorkovanju, kao što su npr. neažumi spiskovi i evidencije. Dnigi izvor čini nedostupnost ispitanika po bilo kom osnovu. Na primer, ispitanici „na koje je pala kocka” nisu bili kod kuće ili nisu u tom trenutku bili u mogućnosti da razgovaraju. Prvi izvor je opasan, teško utvrdljiv i teško otklonjiv. Drugi izvor izaziva niz praktičnih problema, pre svega to što anketari moraju nekoliko puta da dolaze da bi obavili posao. Obično se u uputstvu anketarima odredi minimalni broj koliko puta su obavezni da traže osobu predviđenu za ispitivanje. Taj broj se obično kreće od 2 do 4 puta, a anketari sami odlučuju o tome da li će pokušavati i češće. Problem je, naime, kod kvotnih uzoraka što se može desiti da nedostaje upravo osoba određenih osobina, na primer starija visokoobrazovana žena, pa je važno kako za anketare, tako i za istraživača da ona bude ispitana. U telefonskim anketama, broj ponovnih poziva na koje je anketar obavezan niora biti znatno veći, jer su tu uključeni problemi kao što su zauzeta linija ili trenutno odsustvovanje. Zato se kod telefonskih anketa minimalni broj ponovnih pokušaja na koje je anketar obavezan mora odrediti na 4 ili više. Telefonske ankete se mogu suočiti sa problemom jezičke barijere ih slabog sluha ispitanika. Naravno, u većini slučajeva se intervju obavlja u prvom ili najviše drugom pokušaju. Samo u malom procentu slučajeva potrebno je da se ispilanik posećuje više puta i može se desiti da oko jednog čoveka anketar potroši više vremena nego za sve ostale. K ako poboljšati sa rad n ju isp ilan ik a?- Delotovorno je upoznavanje ispitanika sa istraživačkom ekipom, obraćanje šefa projekta, tumačenje značaja projekta (užeg i širedruštvenog). Kao i kod saradnika, za ispitanike važi da će biti onoliko motivisani za saradnju koliko ocene da je istraživač uložio truda u istraživanje. Ako dobiju neuredne i ružne upitnike, ako su anketari neobučeni ili aljkavi (na primer, ako anketar ki'ši vlastita pravila, pa nagovara ispitanika da odgovara o ki'em sini, iako mu je ovaj rekao da ga ne koristi), ako tokom diskusije u fokus grupi stalno ulazi snimatelj i nervozno proverava kameru - teško je zahtevati od ispitanika da odvoje svoje slobodno vreme i pažljivo saraduju. Ako se ispitivanje vrši na radnim mestima ispitanika, u ustanovama, korisno je da rukovodioci tih ustanova neposredno infomrišu zaposlene o tome da će biti sprovedeno istraživanje i da im predstave istraživače. To je bolje nego da istraživači i saradnici sami idu po kancelarijama ili učionicama i iznova objašnja-
vaju šta rade i zašto rade. Nažalost, u kolektivima u kojima su međuljudski odnosi loši, preporuka rukovodioca može biti više štetna nego korisna. U takvim kolektivima je svaka saradnja vrlo neizvesna i svako istraživanje teško i nezahvalno, osim ako se ne bavi upravo problemom ili uticajem loših odnosa. Priprema ispitanika, tako što će istraživanje biti prethodno najavljeno, može biti od koristi u svakom lipu istraživanja. Najava se može obaviti lično, putem pisma, preko medija itd. i može se koristiti u svakom tipu ankete. Postoje podaci da su u anketnim istraživanjima bila korisna pisma koja su slata ispitanicima neposredno pred istraživanje. U pism im aje najavljeno istraživanje, opisani njegovi osnovi ciljevi i predstavjena institucija koja ga sprovodi. Pisma ne treba s!ad mnogo ranije jer onda nisu efikasna, treba ih dobro sročiti, poželjno je da budu personalizovana, potpisana, uredna i lepa, a pokazala su se nešto bolja nego što su bile dopisnice. Medutim, slanje pisama povećava troškove istraživanja. Istraživači su pokazah puno inventivnosti u smišljanju načina da povećaju stopu odgovora. Recimo, slali su novac u kovertama sa upitnikom kao nadoknadu za uloženi trud, slali su spremne, adresirane i markirane koverte za povratak (što se danas smatra osnovnom pristojnošću), slah su upitnik više puta i konačno, hčno su intervjuisah shičajan uzorak ispitanika koji nisu vratih upitnik da bi proučili u čemu se oni razhkuju od ispitanika koji jesu vratih. Stopa vraćanja se može povećati i ako upitnik ima hčnu notu (ako se direktno obraća ispitaniku), ako je tematika zanimljiva za ispitanika, ih ako se ispitanik nekako poistovećuje sa organizacijom koja vrši anketiranje ih sa istraživačem. Kad god ispitanici sami popunjavaju upitnik (kao na primer u poštanskim anketama), upitnici moraju biti uredni, pregledni, cstetski i funkcionahio na visini. Današnja tehnologija stonog izdavaštva dovela je do toga da nema izvinjenja za neuredne upitnike u kojima, recimo, nije ostavljeno dovoljno mesta za upisivanje odgovora. Ako se istraživanje sprovodi sa takvim sohdnim i profesionainini pristupom, onda se time šalje signal svim ostahm učcsnicima, posebno ispitanicima, da učeslvuju u ozbiljnom i odgovomom poshi. Pravilno odabrani, obučeni i motivisani saradnici, posebno oni koji dolaze u neposredni kontakt sa ispitanikom, su stub za ostvarivanje dobre saradnje sa ispitanicima. Postoje podaci da su se sa trostruko manjini uzorkom dobijah jednako dobri rezuhati, ah sa dobrim anketarima. Kontrolaje vrlo važna reč u svakoj delatnosti, pa i u svim fazama istraživanja, a posebno u radu saradničke službe. Malerijahio i ncmaterijahio potkrepijivanje ispitanika.- Ispitanici se trebaju stinudisati bilo materijahio bilo nematerijalno. Pod materijalnim stimuhsanjem podrazumevamo izvesnu novčanu nadoknadu koju ispitanici dobijaju direktno tokom istraživanja (pokazalo se da novac koji ispitanici dobiju ranije ih kasnije nije dovoljno delotvoran). Kod nas nije praksa da se ispitanici plaćaju jer budžeti istraživanja jedva pokrivaju materijalne troškove, ah plaćanje može biti vj'lo efikasno. „Plata” ispitanika nije vehka, više je važan njen simbohčki značaj nego iznos. U SAD se daje do 5$ za učestvovanje u anketi, što bi kod nas bilo analogno (u trenutku pisanja ovog teksta) surni od oko 2€ za prosečan standardizovani intervju. Neka praktična iskustva kazuju da kod nas (u ovom trenutku)
ukupni troškovi anketnog istraživanja sprovedenog na teritoriji Srbije i Cme Gore, putem standardizovanog intervjua (upitnika), iznose 5 -1 0€ po upitniku. Može se lako zamisliti koliko bi poskupljenje bilo ako bi se troškovi još opterctili plaćanjem respondenata. U skičaju poštanskih anketa, jedna meta-analiza sprovedena na 38 istraživanja pokazala je da je stopa neodgovora bila smanjcna za 19,1% sa novčanim, a 7,9% sa nenovčanim potkrepljenjem. Jedna druga meta-analiza otkrila je da polkrepljenje od 25 centi povećava stopu odgovora za 16%, a potkrepljenje od jednog dolara povećava stopu odgovora za 31%. Nematerijalno, tačnije nenovčano potkrcpjjenje može obuhvatati paketiće kafe, olovke, priveske za ključeve i druge sličnc poklone. Ako se anketa sprovodi pošlanski, ispitanike treba osloboditi plaćanja poštarine i maksimalno im olakšati slanje popunjenih upitnika (slanje je maksimahio hiko ako se koristi CSAQ tehnika, v.). Markctinške agencije organizuju nagradne igre za učesnike istraživanja, na koje ima pravo svako ko korektno popuni upitnik. Medutim, u nekim populacijama i u nekim okolnostima vrlo delotvome mogu biti potpuno nematerijalne stimulacije. Reeimo, kod ispitivanja dece može biti dovoljno da im se privuče (i održi) pažnja, a sasvim dovoljan insentiv mogu biti bombone i slične sitnice. U staračkim domovima može biti dobrodošlo svako razbijanje ncprijatno monotone svakodnevnice, a istraživači će biti upravo to. S druge stranc, ispitivanje organizovanog kriminala, homoscksualizma i sličnih pojava u zatvorima može biti veoma teško, bcz obzira što su dobijene sve saglasnosti, od ministarstva do uprave zatvora. Možc sc računati na strogu i snažnu zatvorsku ncformalnu društvcnu strukturu. u kom smislu će pomoći saglasnost nekog od voda zatvorenika, čiji pristanak se mora dobiti neformalno i koji će svoju odluku prcneti nefomialnim kanalima ili tako što će lično pristati da bude intervjuisan. Kao i saradnici, ispitanici mogu takodc biti zaintcresovani za rezultate istraživanja. Ponckad oni sami traže da im se pošalju nahizi. Ako istraživač oceni da to može poboljšati motivaciju ispitanika, svakako može obećati (i obećanjc mora ispuniti, kako ne bi napravio problem sledećem istraživaču) da će im rezultate staviti na raspologanje. Ipak. nc treba se bczrezervno oslanjati na „nematerijahiu stimulaciju”. Rečenice kao što su: „Molim Vas da mi, u ime nauke, pomognetc oko prikupljanja podalaka za diplomski rad i odgovorite na ovaj upitnik” u razvijenim zemljama dokazano nc smanjuju stopu neodgovora, a slično će sve više važiti i kod nas. Ako se već pišu takve rečenice, onda može biti od koristi da one izgledaju personalizovano; npr. da budu napisane rukom i dircktno na ime ispitanika. U ranijim poghivljima je već istaknut značaj dobrih uputstava za ispitanike. Ako je kontakt sa ispitanicima direktan, kao kod intervjua, fokus grupa, ličnog ankctiranja, psihološkog testiranja i sh, onda im istraživači mogu usmeno dati sva potrebna objašnjcnja. Mcdutim, vrlo je loša praksa da sc sastavljanje uputstva prcpusti anketarima i intervjucrima. Ona moraju biti priprcmljena i odštampana i
u toj doslovnoj formi pročitana ispitanicima. Ako to nije slučaj, onda se može desiti da različiti ispitanici dobiju različite informacije, a manje vešti anketari se mogu uplesti u nepotrebna objašnjavanja i prepričavanja „svojim rečima”. Ako se radi o istraživanju koje koristi upitnike sa samoadministriranjem, onda uputstva, sa svini informacijama (i onima navedenim u tački 1), moraju biti priložena uz upitnik.
B.
Etička pitanja
Druga polovina XX veka, nakon Drugog svetskog rata i rasističkih traumi koje je on naneo, bila je obeležena ponekad frenetičnim insistiranjem na moralnosti nauke. Analiza pokazuje da su ne-empirijski i anti-empirijski naučni pravci posebno rigorozni u pogledu etičkih zahteva, koji vrhunac dostižu u stavu da je osnovni zadatak naukc da budc morahia. Mi čvrsto stojimo na stanovištu da jc osnovni zadatak naukc istina. Kao ihistracija insistiranja na morahiosti može se navesti primcr psihologije u kojoj jc skoro čitav XX vck bio obeležen debatama o morahiim pitanjima psihološkog testiranja (Fajgelj, 2005). Danas jc ta oblast vcč priHčno apsolvirana, ah se psihološki ctički kodeksi ipak razHkuju od države do države, što govori o tome da „postoji mnogo morala...” . Kod nas je Društvo psihologa Srbije 2002. godine donelo ctički kodeks psihologa, a vrlo je poznat i ctički kodeks Američke psihološke asocijacijc (APA). Postoje dvc osnovne grupe morahiih pitanja koja se postavljaju u istraživanju. Jcdna se odnosi na fer, pošten i moralan odnos prcma istraživanju samom, a druga na moralan odnos prema objektima istraživanja (Ijudima i životinjania).
1.
Moralan odnos prema istraživanju
Postoje brojne sugcstije i profesionahii „ctički kodeksi” koji regulišu moralnost istraživačkog postupka. Shaughncssy i sar. (2000) navode da istraživač ima sledećc morahie odgovornosti: • tragati za znanjem, • sprovoditi istraživanje na kompetcntan način, • izvcštavati o rezuhatima tačno, • upravljati raspoloživim resursima pošteno, • pravično priznavati, u naučnim saopštenjima, doprinos koji su učesnici učinih svojim idejama, vremenom i trudom, • razmotriti društvene posledicc svakog istraživačkog poduhvata i
• javiio govoriti o društvenim aspektima naučriog znanja i stručnosti. Uobičajenoje da se postavlja i pitanje etičnosti odnosa prema laičkoj, stručnoj i naučnoj javnosti, U tom smisiu se napre imaju u vidufa h ifika ti iplagijati (v. glavu 0 pisanju). Falsifikuju se podaci, obično sa ciljem dokazivanja vlastitih liipoteza i teorija. Plagiraju se tuđi radovi i podmeću kao svoji. Plagijat nije lako otkriti, ili se otkriva tek posle nekog vremena. Neki plagijati nastaju tako da se autori nekritički oduševe i povedu za idejom nekog dnigog autora, obično nekoga ko osniva svoj pravac u nauci ili posebnu školu. Takvi autori su onda skloni da prepričavaju stavove svoga učitelja. Na granici plagijata su i radovi koji se sastoje od citiranja dnigili autora, makar ti citati bili uredno naznačeni (stavljanjem u navodnike). Plagiranje je obično i formaino regulisano bilo kioz zakone, bilo kroz pravila, propise i etičke kodekse. Mcdutim, zbog teškoća dokazivanja i osetljivosti materije, plagijati se retko dokazuju na sudu, osim ako autorska prava plagiranog rada nisu zaštićena, ili nisu pokrenute privatne tužbe. Sa sudskom zaštitom od falsifikata stvari stoje još teže, osim ako, na primer, na taj način nisu iznesene uvrede na nečiji račun, u koni slučaju se opet može pokrenuti privatna tužba. Sve u svemu, glavni oslonac borbe protiv ovakvih neetičnih postupaka je stalno negovanje javnog mnjenja istraživača i njihovo obučavanje. Međiitim, ne čine sanio falsifikati i plagijati neetičan odnos prema javnosti. Tu treba ubrojati i „širenje govora mržnje”, nctolerantnost i uvredljivost prema oponentima, pristrasnost, navijanje, omalovažavanje na nacionalnoj, verskoj, rasnoj ili bilokojoj drugoj osnovi, ismejavanje i sve dnige vrste nekuhure, neukusa i prcterivanja. Ovi aspelđi istraživačke ctike se odnose na sadržaj, ali i na način i stil pisanja naučnih i stručnih radova, o čemu će biti reči u odgovarajućem pogiaviju. Kulturan stil pisanja se u Američkoj psihološkoj asocijaciji smatrajednim od dva stuba dobrog stila pisanja i nazivaju ga osetljivošću - sensitivit)>. Izveštaji izempirijskih istraživanja su manje podložni nekultiu-nom stilu pisanja nego eseji, naracije, rasprave, traktati, analize, proniknuća i polemike, ali to ne znači da su pošteđeni toga.
2.
Moralan odnos prema ispitanicima
U istraživanjima ponašanja ispitanici mogu dospeti u dvc osnovne vrste nevolja: • mentalni ili emocionalni stres i • obmanjivanje. U poglavlju 0 Milgramovom ekspcrimentu opisan je stres (ma šta ta reč značila) koji su ispitanici prctrpeli misleći da nanose bol g. Valasu. Da ispitanici ne bi i kasnije ostali u uverenju da su postupali okiutno Milgram je organizovao izlazne intervjue. Poznatoje istraživanje Schachtera koji je ispitanicima saopštio da će tokom eksperimenta primiti vrlo jake električne šokove. Oni ih stvarno nikad nisu primi-
li je r je Schachter ispitivao nešto drugo. Interesovalo ga je, naime, njihovo ponašanje dok, anksiozni, čekaju u čekaonici. Na primer, ispitanici su pokazivali želju za zbližavanjem sa drugiui osobama. Tokoni vrlo čestih ispitivanja samopoštovanja ispitanicima se obično daje lažna informacija o tome da su vrlo loše uradili neki zadatak, ili da su na testu ličnosti dobili vrlo negativne ocene, sa ciljem da bi se ispitale promene u samopoštovanju. Obmanjivanje je pogrešno informisanje ili neinformisanje ispitanika o tome šta se ispituje, šta će im se desiti, šta je stvarna priroda dogadaja u kojima učestvuju i, naročito, šta je njihova stvarna uloga. Poznat je primer istraživanja sociologa Lauda Humphreysa koji je kiišom posmatrao situacije u kafani kada su stariji Ijudi za novac dobijali oraini seks od mladića. On je onda zapisivao registarske tablice tih starijih Ijudi i preko prijatelja u policiji saznavao njihovu adresu. Konačno bi odlazio kod njih kući i objašnjavao im o čemu se radi i tražio da pristanu na intervju. Na taj način su prikupljeni značajni podaci o homoseksualnom ponašanju, inače teško dostupni, ali je, po nekima, količina obmane bila prevelika. U Milgramovoni eksperimentu je takode postojala obmana, kao i u mnogim drugim istraživanjima, bilo eksperimentalnog, bilo neeksperimentalnog tipa. U anketnim istraživanjima, na primer, koja su skoro svakodnevna, ne objašnjava še ispitanicima koji su sve ciljevi istraživanja. A prilično je uobičajeno da ispitanici iz postavljcnih pitanja nastoje da zaključe ,,za koga se radi” ili šta se traži (jer se očigledno osećaju nedovoljno informisanim). Bilo je autora koji su smatrali da nikakvo obmanjivanje ispitanika nije poželjno jer je nepošteno, jer šteti ispitanicima, a šteti i samoj profesiji. No, danas preovladava stav da navedni ekstremni prirneri nisu rcprezentativni za istraživanje ponašanja u celini. Osim toga, istraživanja koja su bila posvećena temi obmanjivanja ukazala su da ispitanici ne negoduju zbog obmanjivanja. Naprotiv, studenti koji su najčešći ispitanici, nalaze da su takva istraživanja zabavna i zanimljiva. Sve ukazuje na to da ne trcba biti licemeran i naivno humanističan: socijalna istraživanja ne m ogii b itip o tp u n o p o š te n a p r e m a isp ita n iku z h o g toga šta „sv a k o r is t" ide istra živa ču . Ispitanici, čak i ako im ime postane poznato (kao što su Frojdova Ana O i Mali Hans, Votsonov Mali Albert, Lurijin S itd.), oni sami ne iskuse nikakvo dobro od istraživanja, možda čak i štetu, za razliku od istraživača koji objavljuju radove, stiču karijeru, a poneki i zaraduju. Ipak, svaki istraživač mora da osluškuje svoj kategorički imperativ i nastoji da izbegne neželjene posledice po bilo kog od učesnika u istraživanju. U daljeni tekstu opisaćemo nekc od koraka za koje se danas smatra da su obavezni.
b. A n a liz a g u b ita k a i d o b ita k a
Radi se o onome što se u egleskoj literaturi naziva c o sl/b e n e fit ili risk /b en e f i t analizoni. To znači da istraživač mora prvo da oceni r iz ik k o ] i postoji za ispitanike. Rizik se obično posmatra ki'oz mogućnost: fiiičke povrede, društvene povrede ili mentalnog ili emocionalnog stresa. Rizik od fizičke povrede nije veliki u istraživanju ponašanja, ali kad god se primeiijuju neki tretmani koji bi mogli dovesti do fizičkih oštećenja treba učiniti sve da do njih ne dode. Pod društvenim povredama misli se prvenstveno na neprijatnosti koje ispitanik može doživeti u grupnim istraživanjima, kada njegove osobine ili postupci, izazvani istraživanjem, postanu dostupni drugim članovima grupe. Poznat je primer Aschovih eksperimenata sa konformizmom (str. 205) u kojima sii se subjekti mogli osećati prilično obnikanim zbog promene mišljenja i prihvatanja mišljenja drugih. Psihološka povređenost nastaje kod ispitanika vrlo često upravo zbog toga što su obmanuti, aU i kad nisu, uslovi istraživanja mogu, sami po sebi, predstavIjati stresnu situaciju. Recimo, ispitanici moraju istraživaču saopštavati neke intimne pojedinosti o sebi iU moraju učestvovati u kognitivnom testiranju koje zahteva koncetraciju i napor. Još je teža situacija sa eksperimentahiim istraživanjima u kojima se ispitanicima preti elektrošokovima, ih se pušta dim u prostoriju da bi sc ispitalo ponašanje u hitnim situaeijama. Prilikom analize rizika treba biti realan. Kao što kaže svakodnevna pamet, život je vrlo rizična pojava, sam po sebi. Pažljiva analiza moralne odgovornosti istraživača je pokazala da treba oduzeti onaj nivo rizika koji bi svaki ispitanik imao u svakodnevnom životu. Taj rizik se naziva m in im a ln im rizikom . Istraživanje ima minimahii rizik kada on nije veći nego što ga nosi sam život. Na primer, opasnost da ispitanik koji je srčairi bolesnik doživi srčani napad, ili da dobije alergiju ako je alergičan, ili da bumo reaguje na intervju ili psihološko testiranje ako je inače depresivan spadaju u minimahii rizik istraživanja, jer ta oštećenja ispitanik može doživeti i u redovnom životu. Tačno je da svako ispitivanjc i testiranje predstavljamaltretiranje ispitanika, ali pravo je pitanje da li je ono veće nego što ga imaju učenici i studenti svaki dan. Dakle, ne može se od istraživača tražiti da obezbede ispitanicima veći mir i spokoj nego što ga imaju u svakodnevnom životu. Nakon analize rizika po ispitanike, treba evaluirati dobitak koji donose nalazi istraživanja. Radi se o jednostavnom pitanju da li se istraživanje uopšte isplati. Dobici se mogu odnositi na same ispitanike: bolji nastavni programi, bolja mogućnost lečenja, bolje usluge, bolja zaštita itd. Ovi dobici su posebno izraženi u primenjcnim istraživanjima (v.). Ipak, ne treba preterivati i zahtevati od društvenih istraživanja mnogo takvih direktnih dobitaka. Mnoga istraživanja ponašanja su stekla svctsku slavu samo po tome što su p rik u p ila re le v a n tn e p o d a tk e . Dakle, pri ocenjivanju dobitaka treba stvari postaviti u širi kontekst, društveni, a pre svega naučni. U naučnom kontekstu se na prvom mestu inora oeeniti validnost istraživanja - da li istraživanje ima izgleda da postigne svoj cilj. Ako to nije
slučaj, onda se ono sigurno ne isplati. Rosenthal je to formulisao na sledeći način: „Ako je sve ostalo jednako, istraživanje koje ima veći naučni kvalitet lakše je etički branjivo.” Ako je nacrt istraživanja validan, a projekt dobar, može se postaviti pitanje o tome da li istraživanje ima društvenu relevantnost. Društvena relevantnost se može ispreplesti sa ličnom. Na primer, edukativna istraživanja (v.) imaju ogroman značaj za pojedinca, ali imaju i društveni značaj u tonie što se održava ili povećava stručna i naučna kadrovska baza. Dakle, u tom smislu, edukativna istraživanja, sama po sebi, predstavljaju izvestan dobitak. Kada se evaiuiraju dobici, onda ih treba uporediti sa gubicima. Nažalost, taj učeni te m in , costAienefit analiza, u ovoj oblasti neće biti od velike pomoći istraživačima. Najviše što ovde možemo je da im ukažemo da taj korak treba obaviti, ali kako...? Odgovor na to pitanje je prepušten njima. Na primer, jedna dobro poznata dilema nastaje u slučaju kada su jednako veliki društveni i naučni dobitak, kao i individualni gubitak. Kada je dozvoljeno žrtvovati interese pojedinca zbog širih interesa? Ta dilema je konstantna i svako se sa njom suočava u svakodnevnom životu. Zato se može reći da izvesna doza suprotstavljenosti pojedinačnih i opštih interesa spada u minimalni rizik istraživanja.
c. Informiscma saglasnost Temeljno pravilo istraživanja je da isp ita n ic i m o ra ju p r is ta ti d obrovoljno, na o sn o v u re le v a n tn ih in fo rm a c ija o to m e šta se o d njih tra ži (engl. informed consent). Na prvi pogled može izgledati da je to pravilo nespomo. Međutim, postoje razni istraživački zahtevi i okolnosti koji su suprotstavljeni informisanoj dobrovoljnosti. Najčešća takva situacija je ona kada se ispitanicima daju pogrešne informacije o cilju istraživanja i o njihovim zadaeima, jer bi poznavanje ciljeva ometalo spontano ponašanje ispitanika. Recimo, u poznatom eksperimentu StanIeya Milgrama ispitanici nisu znali da je „učenik” s druge strane stola glumac i da on stvamo ne prima strujne udare. Čak bi se moglo reći da su, kada je reč o socijalnim istraživanjima, isp ita n ic i u v e k m a n je ili više o b m a n u ti u p o g le d u o n o g a šta se stv a rn o ispituje.
Pitanje dobrovoljnosti može biti postavljeno posebno drastično u eksperimentalnim istraživanjima u kojima se ispitanicima daju psihoaktivne supstance, ili im se ne da da spavaju, ih se izgladnjuju, ili bivaju izloženi sukobima u instruiranoj gmpi. Zanimljivo je da čak i ako istraživač otvoreno objasni sve postupke koji će biti primcnjeni, on ne mora znati koje će posledice izazvati ti postupci kod ispitanika. Setimo se Zimbardovog eksperimenta u kojem on nije znao da će „čuvari” postati brutalni prema „zatvorenicima”. Isto tako, ispitanik može dati pristanak da bude izgladnjivan, ali se može desiti da od gladi dobije vrlo bume halucinacije. U literaturi se često naglašava značaj mogućnosti da ispitanik može da p r e k in e s v o je u č ešče kad god želi. U tom smislu, on ne sme biti izložen nikakvom
pritisku i do kraja istraživanja mora biti sačuvan princip dobrovoljnosti. Na pravo da prekinu niora biti ukazano ispitanicima odmah na početku. Ovaj princip se ponekad kosi sa plaćanjem dobrovoljaca, a posebno kod najčešćih ispitanika, studenata, kada im se učestvovanje u ispitivanjima boduje kao predispitna obaveza. Postoji mišijenje da treba izbegavati plaćanje ispitanika, nego koristiti isključivo dobrovoljce. Plaćanje može biti vrsta pritiska i može predstavljati neželjenu varijablu.
d. Izlazni iniervju Pod izlaznim intervjuom podrazumevamo ono što se u engleskoj literaturi naziva debriefmg. Etički problem namernog obmanjivanja ispitanika se može rešiti tako što će se ispitanicima naknadno objasniti o čemu se radilo i zašto je bilo potrebno da ne znaju šta se ispitivalo. Treba im objasniti i razloge zašto je bilo važno da ne budu unapred upoznati. Ako su tokom istraživanja bili izloženi stresu, izlazni intervju će omogućiti da se smire i da odu bez loših misli. U poglavlju 0 Miigramovom eksperimentu izneseni su osnovni rezultati izlaznog intervjua koji je on sprovodio. Može se preporučiti da u svakom istraživanju istraživač razmisli o učtivom i prijateljskom rastanku sa ispitanicima. Ako samo popunjavaju anketni upitnik može im se zahvaHti na saradnji, ili im se može objasniti na šta su se pitanja odnosila. Ako su učestvovali u nekom testiranju biće zahvalni ako im se predoče individualni razultati u odnosu na norme, ili u odnosu na druge ispitanike. To se može obaviti poštom, elektronskom poštom ili tako što će se organizovati prigodni susreti. Izlazni intervju može imati i značajnu edukativnu ulogu. Čak i ako su ispitanici laici, mogu im biti zanimljivi nalazi istraživanja, njegovi ciljevi, naučna metodologija i način razmišljanja. Imajući u vidu da su dobrovoljci često studenti, a još češće upravo studenti iz domena nauka o ponašanju, njima će učestvovanje u jednom istraživanju i upoznavanje sa rezultatima imati status vežbi. Posebno je korisno ako se izlazni intervju iskoristi za prikupljanje iskustava ispitanika, ili čak završnog merenja kontrolnih varijabli. Recimo, važno je da se zna da li su ispitanici doživeli svoju ulogu ili eksperimentalni tretman onako kako je to istraživač zamišljao. U istraživanjil tzv. incidentalnog učenja ispitanici se obično uvode u neku prostoriju ili suočavaju sa nekim osobama, da bi kasnije morali da opišu nameštaj u prostoriji ili odeću u koju su osobe bile obučene. Tokom izlaznog intervjua ih treba pitati da li su bili svesni da im se ispituje memorija i da li su bili posebno zbunjeni, više nego što bi bili u svakodnevnom životu. Ovako upotrebljen, izlazni intervju predstavlja doprinos validnosti istraživanja. Obrazovani ispitanici, posebno studenti, koji su već pročitali knjigu kao što je ova, mogu da shvate šta se istražuje čak i ako istraživači nastoje da ih obmanu. Takođe, istraživanja su pokazala da oni najčešće znaju da neće bhi upoznati sa bitnim detaljima i da je važno za istraživanje da oni to ne znaju. Zbog toga će se
osećati neprijatno da tokom izlaznog intervjua kažu kako su znali o čeniu se radilo ili da su obmanuti, jer će imati utisak da time ugrožavaju validnost istraživanja. To treba imati u vidu tokom izlaznog intervjua, i ako treba, ukazati ispitanicima da će veća šteta biti nanesena ako to ne kažu. Izlazni inten'ju nije moguće sprovesti u svim istraživanjima. Poznata su istraživanja ponašanja prolaznika kada se susretnu sa osobom u nevolji kao što je žena kojoj je pukla guma na automobilu, ili osoba koja leži na putu pored slupanog automobila. Ako su „prolaznici” vozači automobila, one koji nisu stali da pomognu biće teško zaustaviti da bi im se objasnilo da je ncsreća bila inscenirana. Oni su bili ispitanici a da to nisu znali, a neki su mogli imati osećaj krivice što nisu stali.
e. D a li p ostoje alternative obmanjivanju Da bi se izbeglo obmanjivanje ispitanika, predloženoje nekoliko procedura; igranje uloga, simulirane studije i „pošteni” ekspcrimenti. U proceduri igranja uloga ispitanicima se detaljno objašnjavaju ciljevi eksperimenta, pa se od njih traži da odigraju ulogu onako kako bi oni sami postupili u takvoj situaciji, ili kako bi postupili dnigi Ijudi koji bi se našli u takvoj situaciji. Rezultati nisu opravdaii ovakvu proceduru. Osnovni problcm je verovatno u tomc što se ispitanici stvarno ne nalaze u eksperimentalnoj situaciju, nego samo igraju ulogu kao da jesu. Simulacione studije su slične igranju uloga jer se ispitanici stavljaju u odredenu postavku, simuliranu situaciju koja se od njih ne krije. Zimbardov eksperiment je, ustvari, bio simulaciona studija a njegovi rezultati ukazuju na polencijal simulacionih studija da se otkloni stres kod ispitanika. „Poštcni” eksperimenti se zasnivaju na tome da se istraživanje sprovede bez obmanjivanja ispitanika, ali i bez igranja uloga. Cozby (2003) navodi ckspcriment sa ugovaranjem sastanaka preko računara. Studentima i studentkinjama je objašnjeno šta su ciljevi istraživanja i šta je njihov zadatak. Morali su da, putem računara, ugovore sastanak sa kolegom drugog pola. Nakon sastanka izmereno je koliko su se svideli jedan drugom. Utvrđeno je da su slični parovi imah više naklonosti nego različiti. U terenskim istraživanjima obmanjivanje ima generalno manju ulogu nego u laboratorijskim. U njima je, takođe, lakše smanjiti kohčinu obmanjivanja a da ciljevi istraživanja ne budu ugroženi. AnaHze objavljenih radova su pokazale da je upotreba obmanjivanja u najvećoj nieri prisutna u socijalnopsihološkim istraživanjima. Takođe, pokazalo se da današnja istraživanja imaju nešto manje obmanjivanja ncgo ona pre 30 ih 40 godina, ah se to smanjenje niože objasniti promenom u tematici radova, jednako kao povcćanom osetljivošću istraživača prema etičkim pitanjima. Imajući sve to u vidu, moglo bi se zaključiti da se u i izvesnim slučajevima može biti potpuno otvoren prema ispitanicima, ali da je u istraživanju ponašanja
izvesna doza obmanjivanja neizbežna. Međutim, nam erno obmanjivanje ispitanika u istraživanjima u kojima je poznato đa eksperimentalni tretman može ostaviti trajne posledice na njili nije opravdano ni pod kojim uslovima. Poznato je da će, ako se dobro plaća, biti moguće naći dobrovoljce koji će pristati čak i na velike zdravstvene rizike. S druge strane, poznati su slučajevi kada su naučnici, zbog novca ili ideologije, prihvatili da ispitanike obmanjuju iako su znali da će biti izloženi znatnom riziku.
f. Ostala morabia pitanja Postoje još neka moralna pitanja u odnosu na postupanje sa ispitanicima. Tu je, pre svega, pitanje privatnosti i tajnosti podataka. Istraživači često dolaze u posed podataka o seksualnom ponašanju, zloupotrebi psihoaktivnib sups!anci7 preljubama, nasilju u porodici i sl. Treba paziti da takvi’podaci ne budu dostupni trcćim licim.a. Najbolje je da se podaci ni na koji način ne identifikuju, čirne~še obczbeduje da se nikako ne mogu povezati sa određenom osobom. To je uobičajeni način zaštite anonimnosti - jednostavno se od ispitanika ne uzimaju lični podaci. Međutim, vrlo čest slučaj je da se tokom istraživanja prikupija više različitih podataka od ispitanika (recimo pretest i posttest). U lom slučaju potpima anonimnost ne može postojatijerpodatke treba identifikovati kako bi se povezali. U iongitudinalnim anketnim istraživanjima (v.) se to takode de.šava. Pošto se danas obrada podataka vrši preko računara, onda istraživači, znajući atmosferu na akadcmskim ustanovama, moraju znati da neko sa strane može namemo ili ncnamerno imati uvid u podatke iz istraživanja. Što se tiče privatnosti, problem je teško rešiv, jer mnoga istraživanja upravo imaju za cilj izučavanje privatnog ponašanja. Cozby (2003) navodi primer istraživanja uticaja „privalnogživotnog prostora” na ponašanje, specifično na fiziološke potrebe kao što je mokrenje. U tom cilju posmatrani su studenti u fakuhetskom WC-u i mereno je vreme koje je potrebno da osoba počne da mokri i vreme koliko dugo mokri. Nezavisna varijabla je bila prisustvo druge osobe - saradnika istraživača - i varirana je tako da on ne bude prisutan, da bude u susednom pisoaru i da bude u udaljenom pisoaru. Blizina prisustva saradnika uticala je na produžcnje vremena potrebnog da molirenje počne i na skraćivanje vrcmena mokrenja. Istraživanje je krilikovano kao neetično jer je zadiralo u privatnost studenata. Međutim, muškarci se u svakodnevnom životu suočavaju sa takvim situacijama. Drugo, istraživači su izvršili pilot studiju, razgovarali su sa potencijalnim učesnicima, a sproveli su i proceduru igranja uloga. Na osnovu toga su zaključili da njihovo istraživanje ima minimalni rizik. Postoji još i problem specijalnih populacija, kao što su hendikepirane osobe, zatvorenici, bolesnici ili deca. U njihovom slučaju je dobrovoljnost učestvovanja pod znakom pitanja, kao što je i pod znakom pitanja mogućnost infor-
misane saglasnosti. Osim toga, neke od tih populacija su posebno vulnerabilne, što sve ukazuje da u njiiiovom slučaju etička pitanja imaju posebnu težinu. Sve u svemu, treba računati na moralno suđenje istraživača koje on, kao čovek, sigurno poseduje. Istraživači, u osnovi, znaju šta može da šteti ispitanicima. Nažalost, isto tako je sigumo da su postojale i postoje raziičite zloupotrcbe nauke, kao što su svesno i namerno nanošenja štete zdravlju i dobrobiti ispitanika. U društvenim naukama nisu česta istraživanja koja nanose zdravstvenu štetu ispitanicima, ali može postojati stres, uznemirenje i obmanjivanje. Zato se danas poglavlje o etičkim pitanjima smatra obaveznim delom metodološkili udžbcnika, jer u „istraživačkoj javnosti” treba učvršćivati stav da ispitanike treba tretirati više kao saradnike, a manje kao alatke.
3.
„Eksperim ent Milgram "
Nakon Drugog svetskog rata, posebno koncentracionih logora i Nirnberškog proccsa, ostalo je otvoreno pitanje da li su oni koji su izvršavah zločine biH saučesnici ili su samo obavljali dužnost. U pozadini, u vazduhu je visilo i pitanje da H je to bilo moguće samo kod Nemaca. Prvo pitanje je, zapravo, bilo uvek aktuclno i ostaće takvo. Stan]ey Milgram je biojedan od onih koji su pokušali da nadu odgovor. Svoje istraživanje je započeo na Univerzitctu Yale i sproveo ga u periodu 1961-1963. godine. Prikupio je 40 muškaraca tako što je objavio oglas u novinama u kojem je tražio dobrovoljce za psihološki eksperiment, sa platom od 4,5 dolara po satu (to jc onda vredelo znatno više ncgo danas). Odabrani dobrovoljci su bili različitih uzrasta, obrazovanja i zanimanja. Ekspcriment je obuhvatao tri osobe: „učenika”, „učitclja” i ckspcrimcntatora. Pre početka sesije u prostoriju bi bili uvedcni ispitanik, koji jc bio naivni subjekt, i saradnik eksperimentatora, predstavljcn kao Mr. Wallacc, koji je bio studcnt ili glumac. Rečcno im je da izvlače papirić ko će biti učitelj a ko učenik. Naravno, na oba papirića je pisalo „učitelj”. G. Valasu su onda stavljane elektrode na ručne zglobove, nakon što mu je koža premazana kremom „kako bi se izbegli plikovi i opekotinc” . Posle toga su mu ruke vezivane za stolicu da ne bi mogao izbegavati električnc šokove. Ispitnicima, koji su to sve videli, objašnjeno je da učestvuju u eksperimentu koji izučava delovanje kazne na učenje. Njihov zadatak je bio da prvo pročitaju parove reči učeniku, zatim da pročitaju prvi član u paru, a učenik mora da kaže koji je bio dnjgi član (taj metod ispitivanja učcnja je vrlo poznat u psihologiji). Svaki put kad učenik pogreši, oni mu moraju pročitati tačan odgovor i dati električni šok koji je za 15 volti jači od prethodnog. Učenik je odvojen od učitelja staklenom pregradom, a ispred učitclja se nalazio aparat sa nizom prekidača ispod kojih je stajala oznaka napona (od 15V do 450V) kao i oznake kojc su išle od „laki šok”, preko ,,opasnost: teški šok” do „XXX” za napone preko 430V. Pre početka, učitcljima je bio dcmonstriran „laki
šok”, koji je bio prilično neprijatan i rečeno im je da će šokovi koje g. Valas trpi biti vrlo bolni, ali „neće izazvati trajno oštećenje tkiva”. Nakon toga, eksperinicnt bi počinjao. G. Valas je sve više grešio, sve se više žalio, vrištao, a nakon 300V je izgledao kao u agoniji, pa bi ponekad čak i ućutao, ili bi odbijao da odgovara na dalja pitanja, tražio da izađe, i tvrdio da mu nije rečeno da će tako izgledati. Kada bi se učitelji žalili i želeli da prekinu, eksperimentator bi im prvo rekao: „Molim Vas nastavite”, zatim „Eksperiment zahteva da nastavite”, pa „Apsolutno je važno da nastavite” i na kraju: „Nemate izbora, morate nastaviti”. U prvom eksperimentu (jer ih je Milgram više puta ponovio), niko od 40 ispitanika nije prekinuo eksperiment pre 300V. Od 40 ispitanika, njih 26 (65%) je išlo sve do kraja, do 450V (ispod kojih je pisalo „XXX”, što je sugerisalo da su iznad opasne granice). M ilgramje bio zgranut. Anketirao je tri grupe Ijudi - odrasle članove srednje klase, različitih zanimanja, studente i psihijatre - tako što im je ukratko opisao eksperiment i pitao ih šta misle do koliko vohi će ići „učitelji”. U proseku, Ijudi su tvrdili da je granica 145V. Skoro niko nije mislio da će neko ići do 450V. Ispitani psihijatri (njih 40) ocenili su da će samo patološki shičajevi, njih ne više od 1% ili 2% ići do kraja, da će svega oko 4% učitelja ići do 300V, dok će se većina zaustaviti na 150V. Posle toga, Milgram je ponovio eksperiment, varirajuću neke od uslova. Eksperiment je u dužem vrcmenskom periodu ponavljan u Australiji, Južnoj Africi i u evropskim zemljama. Blass je izveo meta-analitičku studiju na eksperimentima sprovedenim u periodu od 1961 do 1985. Korelacija između godine sprovodenja i stope poslušnosti nije bila značajna. Daćemo kratki rezime raznih nalaza, tako što ćemo navcsti procenat ispitanika koji su „išli do kraja”, do 450V. Odrasle žene Učenik je u istoj prostoriji „Blizina na dodir”, koja se sastojala u tome da učitelj drži pritisnutu ruku učenika na metalnoj ploči koja služi kao elektroda
65% 40% 30%
Eksperimcntator je odsutan Rad u grupi učitelja, kada su ostali članovi prekinuli
22,5%
Rad u grupi učitelja, kada su ostali u nadređenoj ulozi
90,25%
Učitelju je rečeno da sam bira voltažu (a eksperimentator je odobravao svaki nivo) Električne šokove je neposredno primenjivao saradnik eksperimentatora, a učitelj je samo pomagao Nemačka
10% 3% 93% 85%
Osim Milgrama, zgranuta je bila stručna i naučna javnost, a zatim i šira javnost. „Vera u čoveka” je bila poljuljana. Ubrzo nakon toga stigle su i osude Milgrama zbog neeličnosti njegovih eksperimenata jer su nanosili patnju učesnicima. Kao jedna od posledica iracionalnog odnosa prema nalazima ovog eksperi-
menta je i to što se u literaturi nalaze različiti opisi i pođaci o eksperimentu, često protivrečni i po pravilu usmereni ka izazivanju zgražavanja. Milgram je uočio problcm sa obmanjivanjem učitelja pa je kasnije sa njima obavljao izlazni intervju, kojom prilikom im je objasnio o čemu se radilo, pa je čak i dovodio g. Valasa koji bi ispitanicinia potvrdio da je s njime sve u redu. Ispitanicima je objašnjeno da je njihovo ponašanje bilo nonnalno i da su se tako ponašali zbog socijalnog pritiska koji su trpeli. Pored toga, svim učesnicini. ' poslao osnovne nalaze iz istraživanja i kratak upitnik o tome šta mi.'^'-' n istraživanju. Odgovori su pokazali da jc 84% bilo zadovoljno što je učestvoM : 74% ih je reklo da su imali koristi od njega, a samo 1% je reklo da im je žao što su učestvovali. Psihijatri su intervjuisali učesnike godinu dana kasnije i nijedan negativan efekt nije mogao biti utvrdcn. M ilgram je čak snimao tok eksperimenta. Na filmovima se vidi da je većina ispitanika negodovala, tražila da prekine, nudila da vrati novac, znojila se, nervozno se smejala. Očigledno ih je njihova društvena uloga (bili su plaćeni) i priznavanje uloge vode-autoriteta eksperimentatoru navodilo da nastavljaju eksperirnent. Ispitanici su dali prednost osećanju za dništvenu hijerarhiju i organizaciju nad saosećanjem za pojedinca, iako Milgramovi zapisnici jasno ukazuju da je sa o s e ć a jn o st p o sto ja la . Evo Milgramovog opisa jednog slučaja. Z a p a zio sa m zr e lo g i u ra v n o te ž e n o g p o s lo v n o g čoveka, k o ji j e ušao n a sm ešen i sa m o p o u zd a n . N a k o n 2 0 m im ita p re tv o r io se u d rh ta v u i m u c a v u o lu p in u k o ja s e u h rza n o b ližila n e rvn o m slom u. S ta ln o se vuka o z a u h o i lo m io p rs te . U je d n o m trenutku, sta v io j e ša k u n a ćelo i p ro š a p ta o : „ O B ože, d a j d a o v o p re sta n e A ip a k j e n a sta v lja o d a re a g u je n a sv a k u r e č isira živ a ć a i bio j e p o slu ša n sv e do kraja.
Po epistemološkoj stmkturi, ovo istraživanje liči na eksperiment. Ono ima jednu jasnu zavisnu varijabhi, a to je napon električnog šoka u voltima. Takođe, kontroki neželjnih varijabli je bila visoka, kao u svakom laboratorijskom istraživanju. Medutim, nije lako utvrditi da li je postojala manipulacija nekom varijablom, i koja bi to varijabla mogla biti. U kasnijim replikacijama, varirani su različiti uslovi, ali ne sistematski i ne po nacrtu randomizirane E i K grupe kako bi te uslove mogli trctirati kao nezavisnu varijablu. Znamo, recimo, da blizina ekspcrimentatora utiče na zavisnu varijablu, ali Milgram nije sproveo istraživanje po nacrtu pre-posle, eksperimentalna-kontrolna grupa, kojim bi mogao kvantifikovati i dokazati uticaj blizine eksperimentatora. Jedina mogućnost je da se kao nezavisna varijabla uzme celokupna situacija, tačnije socijalni pritisak, ili pritisak od strane autoriteta. No, u tom shičaju, pošto nije postojala randomizirana kontrolna grupa, Milgramovo istraživanje bi se moralo razvrstati kao nacrt bez kontrolne grupe i bez pretesta (v.), a to smo ovde definisali kao pogrešan nacrt. U tom poglavlju smo, medutim, rekli da se danas ni takva istraživanja ne odbacuju jer mogu pružiti relevantne podatke i biti osnova za nova istraživanja. Milgramovo istraživanje je najbolji primer toga.
Videli smo, recimo, da je u kasnijim replikacijama istraživanja variran nivo društvenog pritiska - odsustvo eksperimentatora, rad u grupi itd.
C. Primena računara u istraživanju ponašanja
Generalno rečeno, ne postoji neka posebna oblast čovekove delatnosti koja bi bila podložna primeni računara, za razliku od neke druge, koja ne bi. To isto važi za istraživanje ponašanja. Ovde nećemo razmatrati primenu računara u administrativnim, knjigovodstvenim i logističkim funkcijama koje postoje u svakom istraživanju. Interesovaće nas samo ona primena koja se nalazi u „lancu zaključivanja”. U tom smislu možemo reći da postoje dve osnovne oblasti primene računara u istraživanju ponašanja. • Primena računara u sprovođenju istraživanja. • Primena računara u naučnoj produkciji. Kada je reč o primeni u toku istraživanja, računari se koriste u sp ro v o đ e n ju eksperimenata u svim elementima. Na primer, eksperimentalni tretmani mogu biti koncipirani tako da budu računarski upravljani. Na isti način može biti koncipirano prikiipljanjepodataka i snimanje reakcija. Računari se odavno koriste sa p r e z e n ta c iju n a jra zličitih d ra ži ispitanicima. Počev od istraživanja elementamih kognitivnih procesa do anketnih istraživanja (v. CADAC tehnike). U domenu psihološkog testiranja se sve više koriste zamenjujući standardnu administraciju testova i, što je još značajnije, u okviru računarskog adaptivnog testiranja (v. KAT). U poglavlju 0 neposrednom posmatranju pomenuti su računarski sistemi za podršku posm atrajiju. Takođe, pokazano je kako u okviru anaUze sadržaja računari imaju presudnu ulogu u a n a lizi tek siu a ln ih i n e te k s tu a ln ih p o r u k a . Ipak, univerzalna primena računara u svim kvantitativnim istraživanjima, ali ne samo u njima, je ona koja se odnosi na sta tis tič k u a n a liz u p o d a ta k a . Statistika se u istraživanjima koristi na kraju, nakon što se prikupe podaci i pre nego što se počne pisati izveštaj. Zato se možda primena računara u oblasti statistike ne može svrstati u sprovođenje istraživanja, ali se, sasvim sigurno, nalazi u „lancu zaključivanja”. U glavi o uzorkovanju je takođe pomenuta primena računara u svim fazam aplaniranja i realizacije u zorka. Svuda gde se prenose, obrađuju ili čuvaju infonnacije primena računara je neizbežna. Pod naučnom produkcijom podrazumevamo kako same tekstove, tako i saopštenja ili bilo koju drugu vrstu naučnih radova. Ako se, čisto pragmatički, kao krajnji proizvod istraživanja uzme istraživački izveštaj, dakle naučni tekst, onda bi upravo naučna produkcija bila osnovna oblast primene računara u istra-
živanju. Ovakav tretman naučne produkcije, kao profesionalne obaveze, a ne kao stremljenja ka istini, izaziva nelagodnost kod mnogih autora. Oni se pitaju šta treba da bude konačni rezultat naučnog istraživanja - istina ili članak. Ipak, bez obzira da ii su naučni radovi rezultat stremljenja ka istini, ili rezultat profesionalne obaveze, oni se mogu posmatrati potpuno pragmatično kao nešto što postoji i što mora da se piše. Dakle, bez obzira na informativnost, tačnost ili stvaralaštvo njihovog sadržaja, naučni tekstovi su sredstvo komunikacije, te se moraju pisati i moraju biti čitani. Pomenute dve oblasti primene računara ipak ne iscrpljuju sav značaj i mesto računara u naukama o ponašanju. Da h računari služe novim otkrićima, verifikaciji postojećih otkrića i objektivnoj deskripciji, ili su oni prosto alatke za pisanje (eng. vvriters' tools). Da li je njihova primena samo tehnička u smiski zamene ručnih procedura, rekli bismo kvantitativna, ih ona može postati „kvalitativna”, tako da suštinski doprinosi kvalitetu naučnog rada. Podsetimo se stare kibernetske teze 0 veštačkoj inteligenciji koja kaže da je budućnost računara u pojačavanju čovekovih kognitivnih sposobnosti. Shodno takvom pristupu, računari služe kao pojačivači u istraživačkom radu - od pripreme istraživanja, do pisanja izveštaja.
1.
Unos podataka
Danas se analiza empirijskih podataka obavlja putem računara. Da bi se podaci računarski analizirah moraju prvo biti učinjeni dostupnim računaru. Teško je na jednostavan način definisati procedure koje treba obaviti na podacima da bi oni bih dostupni računarskoj obradi. Na sreću, za potrebe ove knjige dovoljno je reći da se podaci unose u računar. Istraživači lako razumeju da se unos obavlja putem tastature, skenera ili nekog dnigog uređaja i da podaci stvamo „ulaze” u računar. Unos podataka u računar je jedan vrlo voluminozan, ekstenzivan i mučan posao. Radi se o tome da se odgovori ispitanika, kao i bilo koji rezaltati merenja ili posmatranja moraju preneti na medijum koji je dostupan računaui. Unos podataka obuhvata, naravno, i unošenje tekstova za potrebe analize sadržaja, prekucavanje zapisnika sa sesija fokus grupa ih zapisnika iz učesničkog posmatranja. Sto se tiče obuhvata pisanog ili govornog jezika, rečeno je da postoji nekoliko mogućnosti: • prekucavanje zapisnika i drugih izvora teksta kao što su članci iz novina, knjige i sL, • prekucavanje audio i video snimaka sa sastanaka fokus grupa, radio i tv emisija..., • skeniranje i automatsko čitanje pisanih dokumenata iz pi"ve tačke, • preuzimanje tekstova sa računarski kompatibilnih medijuma od redakcija ili autora tekstova i • preuzimanje tekstova sa Intem eta (sa web prezentacija novinskih agencija, pohtičkih stranaka i sL).
Postoje i izvesne tehničke mogućnosti đa se koriste programi za prepoznavanje Ijudskog govora. Međutim, za sada ne postoji softver koji je operativan za takvu primenu za naš jezik, a ni u tehničkom smislu prepoznavanje govora još nije na potrebnoj visini. Isto tako, optičko čitanje teksta (engl. optical character reading - OCR) još uvek vodi „mrtvu trku” sa dobrim daktilografom i uspešnost mu najviše zavisi pd kvaliteta štampe teksta koji se skenira (i njegove grafičke kompleksnosti). Efikasnost OCR-a bi se značajno popravila kada bismo imali dobre programe za korekturu (eng. spell-checker) za naš jezik. Razvoj inforaiatike je vrlo brz u svim segementima, pa se stvar može uskoro promeniti nabolje u toj oblasti, pogotovo zato što se slovenački i hrvatski jezik već nalaze na spisku jezika koje „govore” neki'poznati programi za OCR (prvenstveno mislimo na FineReader firme ABBYY). Druga vrsta unosa podataka je ona koja se odnosi na istraživanja anketnog tipa, psihološka testiranjanključujući testiranje znanja i druga slična istraživanja. Karakteristično za ovu \>rstu unosa je da se uglavnom unose brojevi, iako to nije nužno. Dakle, mogli bismo reći da je to unos podataka iz kvantitativnih istraživanja, uključujući i kvanfjtativnu analizu sadržaja. U prethodnom poglavlju smo nabrojali i ukratko opisali CADAC tehnike za računarsko prikupljanje podataka. U tim tehnikama se unos podataka vrši ,,on line”, dakle istovremeno sa trenutkom nastajanja podataka. Dakle, unos podataka uvek postoji, je r rezultate merenja u našem svetu treba preneti u „svet računara”. No, pošto u CADAC tehnil^ama istraživač ne mora predvideti posebne resurse sa unos podataka, smatraćemo da klasični unos ne postoji. ,,Off line” unos podataka, koji se vrši nakon njihovog prikupljanja, može da utiče na ispunjenje rokova i u tom smislu je posebno značajan kod predizbomih anketa ih sličnih istraživanja čiji podaci moraju da budu dostupni odmah. Pored toga, ta faza istraživanja može da bude i skupa ukoliko su uzorci objekata i varijabli vehki i ukoliko postoji potreba za prethodnim šifriranjem (npr. otvorena pitanja), transformacijom varijabli (izračunavanje indeksa) i sličnim manuelnim operacijama. Unos podataka putem računara mora biti brz, jeftin i tačan. Ručni unos se može potpuno izbeći ako se koristi neka CADAC tehnika. Za to je potrebna samo jedna sitnica, a to je računar, prenosni računar, ili neki sličan uredaj i to ne samo jedan, nego, u zavisnosti od tehnologije, mnogo njih. Ovo rešenje je očigledno veoma skupo, iakb iskustva kažu da su troškovi veliki u početku, a da se kasnijim uštedama oni mogu kompenzirati. Optičko čitanje teksta je moguće primeniti i na upitnike i testove. Postoje komercijalni programi koji se time bave i koji čak mogu da čitaju mčno pisane brojeve. Jedan broj takvih programa (nude ih npr. kompanije Principia Products i SPSS) mogu odmah ocenjivati testove, izvršavati elementame operacije na podacima i sl. Međutim, da bi OCR na upitnicima bio uspešan, fonnat upitnika mora biti apsolutno prilagođen za te namene. To znači da polja u kojima se upisuju odgovori moraju biti grafički izdvojena, najbolje u zasebnim gmpama, dovoljno velika itd. Presudno je, ipak, da takvi upitnici budu pravilno popunjavani, što se najlakše postiže kada ih popunjava anketar.
Kod anketnih istraživanja u kojima se upitnik šalje poštom, odnosno u kojima upitnik popunjavaju sami ispitanici, teško je postići da popunjavanje bude u skladu sa zahtevima OCR-a. cena koštanja istraživanja koje se obavlja na ovaj način neće biti značajno manja, ali takva su istraživanja generahio ograničena samo na pismenu populaciju, a u okviru nje se još očekuje tačno, jasno i pregledno zakruživanje odgovora kako bi obrasci bili pogodni za optičko čitanje dokumenata. Istraživanja na našoj opštoj populaciji se ne mogu osloniti na to. Naravno, unos podataka može biti potpuno izbegnut ukoliko se istraživanje vrši putem Intemeta. Ako se, na kraju, ipak radi ručni unos podataka, onda treba znati nekohko stvari. Kao prvo, upitnici koji dolaze sa terena mogu sadržavati razhčite probleme i nedostatke koji predstavljaju pravu moru za istraživače. Zbog toga se upitnici koji dolaze direktno sa terena moraju tretirati kao sirov materijal koji mora proći pripremne operacije. Koje su to operacije? •
Svi upitnici se pre unosa moraju pregledati. Tom prilikom se mora utvrditi da li su kompletni. Mogući su svi oblici nekompletnosti: • nedostaju čitave strane (tokom štampanja ili povezivanja) • nedostaju odgovori na neka pitanja, a na nekim pitanjima je zaokruženo više odgovora • nedostaju odgovori na važna pitanja. Poznat je primer sa polom ispitanika koga, po uputstvu, obično popunjava sam anketar. Anketari, kojima je taj podatak sasvim očigledan, često zaborave da zaokruže odgovor i kasnije se pol više ne može rekonstruisati (osim ako u upitniku ne postoje neka diskriminativna pitanja kao što je zanimanje = domaćica). • Ako postoje otvorena pitanja, ona se moraju zatvoriti. Ova operacija je posebno osetljiva jer zatvaranje pitanja ne može raditi bilo ko. Zatvaranje pitanja je u suštini anahza sadržaja i danas se preporučuje da se za to koriste računarski programi za analizu sadržaja. Prema tome, u ovoj operaciji mora biti direktno angažovan sam istraživač. • Ako se istraživač opredeli da ručno izvodi neke transformacije podataka (iako je mnogo bolje da se to obavlja programski, tokom obrade), onda je najprirodnije da se to obavi u ovoj fazi. • Pregledom upitnika se vrši kontrola rada anketara, ako je anketiranje vršeno lično. Tom prilikom se može kontrolisati da li je rukopis u svim upitnicima isti ili različit (tj. da H je anketar sam radio ili je angažovao neobučene prijatelje), da li su odgovori (stereo)tipski, da li ima previše odgovora ,,ne znam” itd. • Upitnici se numcrišu, upisuju se šifre punkta, odnosno naselja, upitnici se evidentiraju i obave dnige administrativne operacije. Sto se tiče samog unosa, tu postoje dve moguće strategije: unos sa šifrantskih listića i unos direktno sa upitnika. Unos sa šifrantskih listića podrazumeva da
mora prethoditi fa za šifriranja. Tokom šifriranja se svi odgovori iz upitnika prenose u posebno pripremljene listiće - formulare. Nekada su se ti listići pravili univerzalno, a danas je uobičajeno da se prave za svako istraživanje posebno. Jedan primer mogućeg šifrantskog listića dat je na slici 11 (v. kasnije kodeks šifara). Naziv isttaživanja
Slrana 1
1«:
2{
m:
71
8;
«i
n
i
i
i
3
5
ei
11
12
13
14
16
1£
21
22
23
24
26
2ei
[
..........
17. 1
18| i
lOj [
21
27:1 1
281 1
2fli 1
31
.
Sllka 11. Primer šifrantskog listića. Šifriranje je na prvi pogled „dupli posao”, ali treba imati u vidu sledeće. • Tokom šifriranja se obavljaju sve operacije od 1 do 6 koje smo gore nabrojali. • Unos podataka se može preklapati sa šifriranjem, jer može početi odmah nakon što se šifrira pi-va količina upitnika. • Unos podataka se obavlja maksimalnom brzinom, od otprilike 8000 znakova na sat, a i šifriranje ide vrlo brzo jer se šifranti „uhodaju” sa istim upitnikom. Tako se obe aktivnosti, koje su obavezne prihkom unosa podataka - kontrola i priprema upitnika i sam unos - obavljaju maksimalnom mogućom brzinom. • Postoje i druge prednosti unosa sa šifriranjem kao što su: bolja organizacija, tajnost podataka, unaki'sna kontrola tačnosti i sl. Unos podataka direktno iz upitnika ne zahteva prethodno šifriranje i karakterističan je za mala istraživanja, za istraživače početnike i onda kada se pokušava uštedeti trud, novac i vreme. Naravno, to ne znači da se samo u tom slučaju primenjuje unos iz upitnika. Ta strategija unosa je legitimna, ali kada se radi profesionalno, ona pretpostavlja da se izvesni koraci moraju izvršiti kako bi se posao obavio brzo i tačno.
Kao prvo, treba podsetiti da se gore pobrojane operacije na upitnicima (1 do 6) moraju obaviti i da je sasvim prirodno da se one obave pre unosa. Dalje, da bi sam unos bio brz i tačan, upitnici se moraju grafički tako urediti da budu pregledni i laki za unos (zbijeni upitnici, sa naguranim i nedovoljno razdvojenim odgovorima i odgovorima koji su razbacani svuda po strani značajno komplikuju percepciju, zamaraju operatera i povećavaju greške). Treba spomenuti i jedno međurešenje, a to su poznati upitnici ,,sa kućicama”. Upitnik se može tako grafički prelomiti da uz desnu ivicu ima kućice u koje se šifriraju odgovori ispitanika. To rešenje je skoro potpuno identično unosu sa šifrantskih listića, osim što se umesto listića koristi sam upitnik. Nedostatak ovog rešenja je u tome što upitnici moraju biti znatno veći da bi se rešenje sa kućicama moglo realizovati. Na velikim uzorcima nije svejedno da li će upitnik imati 10 ili 20 strana jer to povećava troškove papira, štampanja i distribucije. Ovakvi upitnici, ako su stvamo uredno izvedeni i šifrirani mogu se podvrći optičkom čitanju. Najbolje je da se sam unos podataka obavlja namenskim programom koji tokom unosa vrši logičku kontrolu podataka i upozorava operatera na greške. Reaino je očekivati da broj grešaka u unosu ne obuhvati više od 1% upitnika i to sa jednom do dve greške u upitniku (kada se radi unos sa šifrantskih listića). Ako to istraživaču nije dovoljno dobro, on može koristiti tzv. unos sa verifikacijom kada se podaci dva puta unose u cilju otkrivanja grešaka. Namenski programi obično imaju ugrađenu mogućnosti verifikacije” . Poznat je komercijalni paket za unos podataka Blaise koji je prilagođen unosu direktno sa upilnika. Inače, unos bez logičke kontrole, verifikacije i drugih pogodnosti koje nude namenski programi za unos, može se obavljati direktno u statističkim paketima, u programima za tabelarna izračunavanja kao što su Excel ili Quattro, pa čak i u bilo kom editoru teksta ili tekst procesoru (ovi poslednji nisu pogodni kada je broj varijabli veliki).
2.
Kodeks šifara
Kodeks šifara, šifarnik, eng. codebook, ili prosto kodeks, je u svom izvornom značenju dokument u kome je opisana struktura i sadržaj datoteke podataka iz istraživanja. Pošto se obrada podataka vrši na računaru, kodeks predstavlja ono što se u informatici naziva opisom sloga. Kodeks je neophodno sredstvo za komunikaciju između istraživača i između istraživača i statističara. Shodno informatičkoj terminologiji, svi podaci jednog objekta istraživanja (recimo ispitanika) organizovani su u jedan ili više slogova (eng. record). U informatici se pojedina-
Ovaj autor koristi zadnjih dvađeselak godiiia vlastiti pakct programa za unos podataka. Programi su prilagođcni brzom i produklivnom unosu, dakle unosu sa šifrantskih listića. To su DOS programi koji minimalno angažuju resurse računara pa su se mogli koristiti na bilo kojoj klasi pcrsonalnih računara.
čni podaci u slogu nazivaju p o ljim a (eng. field), a u društveno-naučnoj statistici v a rija b la m a .
Danas se zahteva da kodeks sadrži i dmge informacije o podacima, a ne samo opis sloga. Sve više se koristi medunarodni standard opisan u D a ta D o c u m e n ia tio n In itia tiv e - D D l (http://www.icpsr.umich.edu/DDI), koji se, opet, oslanja na poznati D n b lin C ore. DDI tretira kodeks kao m e ta p o d a tk e o istraživanju (metapodaci su podaci o podacima). Osnovna ideja DDI je da podaci bez valjane dokumentacije nemaju vrednost, dok dobra dokumentacija može, sama po sebi, biti korisna za istraživanje (v. meta-analizu i sekundamu analizu) Prema DDI, kodeks treba da sadrži sledeće osnovne celine: • • • • •
cpis dokumenta, opis istraživanja, opis datoteka podataka, opis varijabli i druge povezane materijale.
Opis dokumenta je „zaglavlje” kodeksa i treba da sadrži naslov, a može da sadrži i druge podatke kao što su: autore, ustanove, adrese, URL adrese i sl. U opisu istraživanja treba navesti: naziv istraživanja i istraživača, vreme istraživanja, geografsku lokaciju, populaciju, uzorak i jedinice analize i posmatranja, kao i način prikupljanja podataka (instrumente). Mogu biti važni i podaci o onome ko je prikupljao podatke (ustanove i pojedinici), kratak opis projekta i metodološki detalji. Opis podataka, posebno opis varijabli, je najveći deo kodeksa. Potrebno je detaljno opisati sve uključene varijable, nazive varijabli, njihovu prirodu, vrednosti, nazive vrednosli, lokaciju varijabli u okviru sloga (kolona i broj pozicija), ispuštene vrednosti i drugo. Šifrantski list koji je opisan u prcthodnom poglavlju nije ništa drugo do slog podataka na papiru. Da bi se napravio šifrantski listić, da bi se podaci pravilno uneli i kontrolisali, da bi se statistički obradili i, što je najvažnije, da bi mogli da ih koriste i diTigi istraživači, čak i nakon mnogo godina, mora postojati dobar kodeks. Po potrebi, kodeks šifara se može prevesti na neki od svetskih jezika i može se slati svakom onom koji kasnije bude koristio podatke. Kodeks šifara je, kako za samog istraživača, tako i za istraživački tim jedan vrlo pogodan dokument u kome su objedinjeni svi podaci istraživanja, na jedinstven i prečišćen način. Onoliko koliko dobar kodeks olakšava pripremu za unos podataka, obradu podataka, interpretaciju rezultata obrade i naknadne analize nakon višegodišnje pauze, toliko loš kodeks svim učesnicima otežava rad. Osnovna jedinica kodeksa su v a rija b le . To čini značajnu razliku u odnosu na upitnike i druge meme instnunente koji su orijentisani na pitanja, stavke ili zadatke. Upitnici se prave tako da ih razumeju ispitanici, a kodekse treba da razumeju statističari i istraživači. Prirodno je da kodeks fonnira istraživač sam, jer jedino on ima pregled svih pitanja, njihovog smisla, otvorenih pitanja itd. Kodcks može obuhvatati (i obično obuhvata) podatke iz više mernih instiiimenata.
U nekim, vrlo retkim slučajevima, sam upitnik ili test mogu poslužiti kao kodeks šifara. Po pravilu, međutim, upitnici a) ne sadrže sve podatke koji su potrebni za opis sloga (jDogotovo ako se poštuju preporuke DDI), b) sadrže mnoge druge, a nepotrebne podatke i c) nepregledni su za namenu unosa i obrade podataka. Na primer, ako upitnik sadrži otvorena pitanja, ona se moraju prethodno zatvoriti i tek tada su spreiTma za unos i obradu. Neka druga pitanja mogu biti pogrešno formulisana, ili pogrešno odštampana, pa će ih istraživač izbaciti iz dalje obrade. Osim pitanja iz upitnika, u fond varijabh mogu biti uključeni i drugi raspoloživi podaci koji nisu sadržani u upitniku. Na primer, to može biti pripadnost nekoj grupi (recimo škoh). U istraživanju se podaci o objektima ne moraju prikupljati samo jednim instrumentom, u jednom trcnutku, nego može postojati više upitnika i testova, koji se daju u vremenskim razmacima (kao u longitudinalnim istraživanjima). Da bismo objasnih kako treba da izgleda najvažniji deo kodeksa, opis varijabU, prikazah smo u tabeh isečak iz jednog mogućeg kodeksa. U prvoj koloni se nalaze redni brojevi varijabh u istraživanju. Na primer, prva varijabla u ovom kodeksu je redni broj upitnika/ispitanika, iz čega se vidi da varijable ne moraju biti samo pitanja iz upitnika, nego i neki dodatni podaci koji se generišu u istraživanju i koji mogu imati razhčite namene. Logika obrade podataka nalaže da se svaki podatak koji se unosi na „magnetni medijum” tretira kao varijabla. Redni broj ispitanikaje po pravihi nominahia varijabla, ah u izvesnim shičajevima može biti i ordinalna. Tabela 15. Primer kodeksa šitara V arijab la
P ilan jc
1 -4
1 2
K o lo n c/ p o zicijc
1.1
5
T c k st
M od alitcti
R. broj upilnilia
1 -1 5 0 0
Pol
1 -M 2 -Ž
3
1.2
6 -7
S taro st
1 8 -9 9
4
1.3
8 -9
Z a n im a n jc
1 -1 1 , šifrc iz u p itn ik a
85
64.1
96
D a li scb c snaalratc g u b itn ik o m p crio d a Iran/.icijc i p riv rc d n ih rc fo n n i?
1 - da 2 - ne 3 - n c znam
101
80
1 1 1 -1 1 2
ŠLa sm atratc n a jv a ž n ijim pro b le m o m ii ovoj 1 - ne znam d ržav i? 2 - 2 5 , šifrc iz L istc 1.
U drugoj koloni se unosi identifikacija varijable - npr. redni broj pitanja iz upitnika. U trećoj koloni se unose kolone, ih pozicije koje u slogu, odnosno šifrantskom hstiću zauzima dotična varijabla. Ova koiona, odnosno identifikacija varijable preko pozicija u slogu, nije uvek potrebna jer je neke tehnoiogije unosa podataka ne zahtevaju (neophodna je kad se podaci unose u tzv. ASCII fonnatu). Kada se za varijable precizno defmišu kolone u slogu, onda se u šifrantskom
listiću podaci po pravilu unose desno poravnati, s leve strane popunjeni n u lam anpr. redni broj „1” bi se unosio kao „0001”, a zanimanje „5” kao „05”. Pravilnoje da svaka varijabla nosi jedan red u kodeksu. Pogrešno je štedeti na trudu i navoditi pitanja u rasponu, npr.: 21.1-21.10, bez obzira što se pitanja istraživaču čine slična, ili što imaju iste alternative. Vrlo česta greška istraživača početnika je da previde da su u upitniku dozvolili više odgovora na jedno pitanje - u tom slučaju svaki odgovor postaje posebna varijabla i unosi se u zaseban red u kodeksu. Slično tome, ako pitanje podrazumeva da ispitanik rangira neke objekte, npr. koji od proizvoda najviše voli, a koji najmanje, jedan red kodeksa, tj. varijablu treba predvideti za svaki rang. Ponavljamo; kodeks sadrži podatke o varijablama. U četvrtoj koloni se nalazi tekst pitanja, odnosno detaljan opis varijable. Konačno, u zadnjoj koloni se navodi sadržaj varijable, tj. nabrajaju se sve vrednosti koje varijabla u tom istraživanju može poprimiti. U žargonu se to naziva rasponom varijable. S obzirom da praksa nalaže da se odgovori ispitanika kodiraju, i to najbolje numerički, vrlo je korisno da kodirane vrednosti nominalnih i ev. ordinalnih varijabli budu u kodeksu eksplicitno označene. Kao što je rečeno za varijable - da svaka varijabla mora imati poseban red u kodeksu - najpreglednije je i ako svaka kategorija-alternativa bude u jednom redu. U primeru je tako urađeno za pitanja 1.1 i 64.1, gde su značenja kategorija jasno navedena. Radi uštede, ali samo kada se radi o kodeksu u papimoj formi i ako je takvo rešenje pregledno (kao što je u prikazanom primeru), može se samo navesti raspon ili spisak kodova kategorija, a za njihovo značenje se može pozvati na neki drugi dokument. Tako je uradeno u primeru pitanja 1.3 i 80. Isto tako, vrednosti kontinualnih varijabh kao što su redni broj ili starost su „samodokumentujuće” i tu posebno označavanje nije potrebno. Pitanje 80 je u upitniku bilo otvoreno pa su ga istraživači zatvorili nakon prikupljanja podataka i sve odgovore klasifikovah u 24 kategorije koje su opisali u Listi 1. Po DDI standardu, tj. kada je kodeks u elektronskoj formi, opisane racionalizacije nisu moguće i uz svaku varijablu i uz svaku njenu vrednost nioraju biti pridiTižene sve relevantne infomiacije. Tabela sadrži jcdan karakterističan i tipičan primer kodeksa šifara. U posebnim slučajevima se neke kolone mogu dodati (npr. oznaka instrumenta/upitnika ili oznaka sloga), kolona sa pozicijama se može izbaciti, a opšti izgled i format su stvar izbora istraživača, s time da dokument mora biti pregledan i komforan (recimo, mora imati mesta za ručno upisivanje komentara i dopunskih informacija). Pošto se takvi dokumenti danas pišu na računaru, najbolje je korisiiti funkciju „tabele” (eng. tables) koju imaju svi procesori teksta, a neki istraživači koriste i programe za tabelarna izračunavanja (eng. spreadsheet). Naravno, i način kodiranja kategorija može biti drugačiji nego u primeru. Recimo, neki istraživači kategoriju „ne znam” uvek šifriraju sa maksimalnom šifrom u rasponu, recimo „9” kod jednokolonskih, „99” kod dvokolonskih itd. U primem se vidi da ne postoji šifra „0”, jer je ona ostavljena kao univerzalni kod
za ,,bez odgovora”, tj. za slučaj kada ispitanik nije odgovorio na pitanje, ili se pitanje ne odnosi na njega (pravilo da ,,nu!a znači BO”). Takva praksa je najbolja, iako istraživače često privlači da biname varijable kodiraju npr. kao 0=ne, l=da.
3.
Internet
Na jednu od uloga koju računari mogu da imaju u istraživanju je ukazano u poglavlju o istraživanju biblioteke. To je korišćenje Interneta. Internet, sa velikim i, jeste globalna svetska mreža (mreža svih mreža) bazirana na izvesnom broju protokola. Termin „protokol” označava niz standarda kojima se definiše međusobno ponašanje više učesnika. Naime, kao i svaki drugi saobraćaj, saobraćaj na Internetu mora da podleže nekom od protokola kako bi se učesnici medusobno razumeli. Internet predstavlja smešu jednostavnosti i kompleksnosti, u zavisnosti od aspekta posmatranja: jednostavnost sa aspekta osnovnih principa - kompleksnost u finalnoj realizaciji. Postoje dobri razlozi, ako ništa drugo intuitivni, da se veruje da dublet jednostavnosti i kompleksnosti mora biti opšti princip dizajniranja svakog složenog sistenia i da je to jedan od razloga uspešnosti Interneta. Dve osnovne mrežne aplikacije koje imaju najveći značaj za istraživače su: • •
elektronska pošta (engl. e-mail) i W orId-wide-web ili WWW.
Elektronska pošta omogućuje komunikaciju između istraživača i to komunikaciju koja uključuje i mogućnost razmene podataka i tekstova. W orId-wide-web omogućuje pretraživanje računara koji su priključeni na mrežu i pregledanje sadržaja koji se nalazi na tim računarima: tekstova, slika, podataka i drugih informacija. P retraživanje Interneta - Inlemet, kada mu se pristupa preko world-wideweba, možemo posmatrati kao praktično neograničeni fond informacija. Danas su sve dostupnije veze koje omogućuju non-stop raspoloživost Interneta. Na fakultetima i institutima se koristi akademska ili neka druga mieža, a velika je verovatnoća da će istraživač i kod kuće biti povezan 24 sata dnevno preko neke tzv. „broadband” linije, kao što je DSL telefonska linija ili mreža kablovske televizije (kablovski Internet). Ako se inia neprekidni pristup Intemetu, ima se i neprekidni pristup neograničenom fondu podataka. Zato se umesto starog i poznatog problema - kako doći do informacije - sada javljaju dva: kako pronaći željene informacije na Internetu i kako ih sve pročitati i zapamtiti, Kako to biva u oblasti primene računara, pa i u oblasti Intemeta, razvijene su različite tehnologije za rešenje prvog problema. U osnovi, treba pretražiti sve računare koji su uključeni i koji su stavili svoje resurse na raspolaganje Intemetu. Nažalost, na taj način je pretraživanje Interneta postalo „nauka”, koju istraživač mora da savlada i da se njome ozbiljno pozabavi. Prvi na redu savladavanja su opšti pretraživači Intemeta, odnosno sistemi koji evidentiraju sve raspoložive
resurse na Inlernetu (stranica ima, barem prema reklamnom saopštenju Googla, preko 8 milijardi). U ovom trenutku se dominantnim čini pretraživač Google (http://www.google.com/). Stničnim jezikom, centralni deo svih pretraživača je „mašina za pretraživanje” (engl. search engine). Nije zgoreg pogledati neko od uputstava kako se koriste mašine za pretraživanje, recimo na htlp://searchengine watch.com/facts/index.php. Koristan pristup pretraživanju je da se pronađe neko niesto na kome se nalazi pregled istraživačke tematike za kojom se traga. Dobar običaj je da autori takvog mesta daju pregled povezanih resursa i tema (,,web links”). Odatle se onda, kao lavina, može kretati dalje po mrcži. Na primer, David Garson je na svom on-line statističkom i metodološkom kursu uključio stranicu „Online Research” (http://v/w w 2.chass.ncsu.edu/garson/PA 542/research.htm ) na kojoj istraživač može naći gde se nalaze dnige interesantne istraživačke prezentacije.^'' In tern et i n astav a .- Između ostalog, mogu se naći i on-line kursevi iz različitih oblasti relevantnih za empirijska istraživanja ponašanja. Logika pisanja udžbenika ili priručnika u hipertckst formatu zahteva drukčiji način razmišljanja i dodatni posao oko defmisanja celina, h'nkova, kontekstno osetljivih grafičkih prikaza i ostalih pomagala koje sadrži hiperteksl. Kako iskustvo kaže, hipertekst udžbenik mora biti zajednički projekt pisca i programera. Da bi jedan tekst mogao da sc prezentira kao hipertekst dokument, on mora zadovoljiti minimalni kriterijum da se može razbiti u veliki broj malih celina (od najviše jednog do dva ekrana). Te celine moraju biti precizno logički povezane da bi se mogle povezati putem linkova u jednu ili više sekvenci. Sekvence mogu biti povezane i unakrsno. World Wide Web se, recimo, zasniva na jednoj varijanti hiperteksta koji se naziva HTML - f!ypertext Markup Language. Neke od korisnih adresa navedene su u glavi 0 sprovođenju empirijskih istraživanja.
4.
Trajnost resursa na Internetu
Jedan od opštih problema današnjeg računarstva i infomiatike je kratak životni vek svih njenih p roizv o d a-k ak o softverskih, tako i hardverskih. Današnji infomiatički razvoj je toliko brz da mnoge ideje i napore čini naprosto efemernim. Ni Internet nije pošteđen toga, a ono na što posebno treba skrenuti pažnju istraživaču je da su lokacije resursa na Internetu potencijalno vrlo promenljive i kratkotrajne. Pod resursima se podrazumevaju web stranice, web prezentacije fimii, tekstovi, razni dokumenti, softver i sl. Po Interaet terminologiji, svaki takav rcsurs je defmisan jednom adresom koja se naziva „Uniform Resource L o cato r-
Pre svcga skjećem pažnju na različita niesta na koja Garson ukazujc na kojima sc mogu pronaći podaci iz socijalnih istraživanja, vcoma pogodni za vežbanjc i eksperimentisanjc sa tehnikama analizc podataka. Nažaiost, pristup podacima je ograničen i samo neki od njih su slobodno dostupni.
URL” . URL može biti veoma kompleksan, sa mnogo teksta i specijalnih znakova, a najprostiji su oni poznati: http://www... Svaki URL zapravu ukazuje na neki određeni, fizički postojeći računar i na neku datoteku na njegovom hard disku. Zamislimo da negde nađcmo jedan URL (adresu) sa kursom za istraživanja ponašanja koji vodi neki profesor na nekom univerzitetu kao npr. http://www. unsff.ns.ac.yu/profesor/behavres.htm. Nleđutim, pre nego što smo uspeh da pristupimo tom kursu, dotični profesor je otišao na drugi univerzitet i poneo kurs (oko koga se pomučio i uložio dosta rada) sa sobom. Sada se uvodna stranica tog kursa nalazi na drugom računaru, pa će njena adresa možda biti http://w w w .fbg. ac.yu/profesor/behavres.htm. K ada se radi o promeni adrese vehkih firmi, one ponekad zadrže i staru adresu na čijoj stranici stoji uputstvo da se izmeni URL. No, istraživaču najčešće ne preostaje ništa dnigo nego da pokuša da pronade novu lokaciju starog resursa (ako još postoji, jer je spomenuti profesor mogao da povuče svoj kurs izjavnog domena) putem Intemet pretraživača kao što su Altavista, Yahoo, Google i sl. Ovo upozorenje apsolutno važi za sve URL koji su navedeni u ovoj knjizi.
5.
Baze podataka iz istraživanja - metabaze
Baze istraživačkih podataka, metabaze ili arhive značajno su omde koje može podići istraživačevu produktivnost neposredno, ali i povećati naučnu produkciju posredno, putem olakšane diseminacije rezultata istraživanja. Pod metabazom podrazumevamo prvenstveno bazu podataka koja obuhvata sirove podatke iz istraživanja, mada su od značaja i baze koje sadrže samo deskripciju istraživanja. Prvi tip mctabaza se može koristhi za pretraživanje istraživanja sa ciljem nalaženja varijabli kojc su od interesa, kao i za obradu podataka koje te varijable sadrže. Drugi tip se može koristiti samo za pretraživanje podataka o istraživanjima (recimo, da li je neko, i kada, istraživao stavove prema civilnom služenju vojnog roka). Pošto se interpretacija nalaza dobrim delom zasniva na povezivanju sopstvenih nalaza sa prethodnim nalazima, svaki istraživač može lako zamisliti koliko je praktično da neposredno vidi prethodne podatke o poverenju u institucije, ksenofobiji, socijalnoj pokretljivosti, ili o ma kom pokazatelju kojim se bavi. Sama baza u užem smislu treba da obuhvati sve raspoložive podatke iz istraživanja kojima raspolaže jcdna ili više istraživačkih ustanova. No, kako moderna definicija baze podataka podrazurneva i procedure za pristup podacima, onda bismo mogli reći da se od te baze očekuju i funkcije pretraživanja, obrade, unosa, ažuriranja i brisanja podataka, kao i grafičkih prikaza. Istraživačka metabaza se može učiniti da bude opšte dostupna, dakle široj javnosti, bilo na kompakt diskovima, bilo na Intemetu, ali se, posebno u slučajevima marketinških istraživanja (bilo komercijalnog, bilo političkog marketinga), javlja problcm vlasništva i embarga nad podacima. Ipak, sve se više radi na tome da takve baze u celini ili u pojedinim segmentima budu dostupnu na Intcrnetu.
U poglavlju o anketnim istraživanjima opisane su domaće metabaze CPIJM Research Data i NEDA (nacionalna arhive podataka iz društvenih istraživanja). SHčne baze postoje u SAD i Evropi, a drže ih i velike agcncije za ispitivanje javnog mnjenja kao što je Roper (baza iPOLL na http;//www.ropercenter.uconn. edu/ipoll.html).
6.
Pisanje
Sa informatičke strane, automatizacija funkcije pisanja je bila jedna od vodećih aplikacija koja je prodavala personabie računare, a prodaje ih i dalje. Niko ko je počeo da piše na računaru nije se vratio na pisaću mašinu. Pisanje na računaru (možda je bolje reći, pomoću računara) otvara mnogo novih mogućnosti i ne samo da ga olakšava, nego pisanju daje potpuno nove perspektive. Postoje istraživači koji još uvek ne koriste računar za pisanje, ali je njih sve manje, kao što je sve manje argumenata protiv upotrebe računara. Malo cinično, ali moglo bi sc reći da sve ostale faze istraživanja služe tome da nešto bude napisano. U tom smislu su sve primene računara koje su opisane u ovoj knjizi istovremeno i pomoć u pisanju. No, za ovo poglavlje smo ostavili neke specifične oblasti kojc su stvarno direktno vezane za pisanje naučnih tekstova. Neposredno za pisanje tekstova se koriste posebni programi - p ro c e so ri teiista ili p ro c e s o r i re č i (engl. text processors ili word processors) kao što su Word kompanije Microsoft ili WordPerfect kompanije Corel. Postoje i postojali su i mnogi drugi procesori teksta, kao što je bio, na primer, Wordstar, jer su mnogi nastojali da se uključe u raspodehi profila na tom tržištu^^, pojavljivali se i nestajali. Savremeni procesori tekstasasvimopravdavaju taj naziv,jer omogućuju veoma složene opcracije na tekstu, uključujući i konačni prelom za štampu (v. stono izdavaštvo). Dok piše, istraživaču su potrebne razhčite informacije iz različitih oblasti. Te infomiacije može naći, osim na Intemetu, u en cililo p ed ija m a u C D -R O M izd a nju. Drugo važno pomagalo su re č n ic i, tezaurusi, zbirke citata i druga shčna izdanja - takođe na CD-ROMU. Enciklopedije i rečnici spadaju u standardne alatke za p isa n je. Naravno, enciklopcdije i rečnici su danas dostupni i preko Interneta. Još jedna veoma važna alatka za pisanje su programi za le k lo risa n je i korekturu teksla. Lektura i korektura tckstova za engleski jezik je veoma dobro razradena i već godinama se standardno ugrađuje u procesore teksta, ali danas i u baze podataka, spreadsheet programe, e-m ail programe (tzv, mailere) i svuda gde postoji mogućnost unosa slobodnog teksta. Provera sintakse jezika se i kod nas u žargonu naziva „spell checking” i predstavlja pravo remek delo u lingvističkom i softverskom pogledu. Viši nivo provere, gramatički, naziva se obično „grammar checking”, a oba nivoa se mogu ponekad naći objedinjeni u istom softveru. Premda se za neke programe za „grammar checking” takođe može reći da su biser
Ovaj lckst je pisan u W ordP erfectu.
kompjuterizacije (recimo Grammatik iz WordPerfecta koji radi analizu rečenice), oni ipak nisu namenjeni aulomatskom jirevođenju i ne poseduju magiju za pretvaranje lošeg engleskog u dobar. » Što se tiče našeg jezika, stvari kreću nabolje, ali je softverjoš u razvoju. U poslednjih par godina su se pojavili programi za korekturu i pomoćni programi za rastavljanje reči na kraju reda. Sledeća oblast u kojoj računari mogu pomoći u pisanju je prepoznavanje teksta i automatskoprevođenje. Pi'cpoznavanje teksta se u anglosaksoiiskoj terminologiji obično naziva Optical Ciiaracter Rcading (OCR). Postoje već mnogi komercijalni paketi koji čitaju tekst koji je prethodno kao shka unesen u računar putem skeniranja. Dosada nije postignuta potpuna tačnost čitanja, jer na nju utiču kvalitet štampe i papira i vrsta fonta. Za engleski jezikje situacija nmogo boljajer postoje uhodani programi za korekturu koji otklanjaju većinu grešaka. To će verovatno još dugo vreniena biti jedina „dobitna kombinacija” na ovom polju; OCR + spell checker. Dok ovaj potonji softver ne bude potpuno operativan za naš jezik, ni OCR programi neće postići punu komercijalnu eksploataciju. Inače, kad bi automatsko čitanje naših tekstova bilo potpuno raspoloživo, značajno bi se ohikšahi izrada bibliografskih baza, evaluacija naučne produkcije (scijentometrija), obuhvat starih tckstova i slično. Autoinatsko čitanje teksta na našem jeziku, uključujući i ćirilićno pismo, diskvaiifikuje vehki broj komercijalnih prograina za OCR koji nemaju ugradena naša slova. U posiednje vreme se kao apsolutni favorit u čitanju naših tekstova (ali ne samo naših) pokazao FincReader ru.skc firme ABBYY (www.abbyy.com), koji je u starijoj verziji imao ugraden modul za čitanje formulara, a sada je taj modul razvijen kao zaseban program koji može da čita i rukopis. Na wcb prezentaciji fiiTne sc može naći demonstraciona verzijaprograma FineReadcr koja traje ograničeno vreme (tzv. sharevvare). Program se isporučuje sa mogućnošću prepoznavanja velikog broja jezika, a za jedan manji broj jezika poseduje i korektore. U tekućoj vcrziji postoji korcktura za hrvatski, ali ne i za srpski jezik. Sto se tiče automatskog prcvodenja, sa i na naš jezik, primeri koje smo dosad videli su pretežno anegdotskog oblika. Čini se da još dugo nećc biti soltverskog proizvoda koji bi bio relevantan za naše ciljne čitaoce. Čini se, takode, da rešcnje problema pisanja na stranom jeziku, ma koliko to bilo značajno za uključivanje domaćc naučne produkcije u svet, ne možemo očekivati od računara.
a. Statistički i drugi priručnici na Internetu Osim digitalnih bibliotcka, elektronskih časopisa i pojedinačnih dokumenata, na hitemetu sc niogu naći kompletni kursevi i priručnici za socijahia istraživanja, statistiku i dnige slične oblasti. Pored toga, brojne su diskusione grupe ili tzv. konferencije, kao i mesta gde se mogu postavljati pitanja. Velika većina takvih kurscva i priručnika se nalazi na univerzitetinia, a kieirali su ih
njihovi nastavnici. Prvenstvena namena im je nastavna u okviru dotičnih univerziteta, ali su nmogi od njih postah poznati i široj javnosti. Takvi priručnici i kursevi su uvek izvedeni u tchnologiji hiperteksta, sa manjim ih većim stepenom integrisanosti i pomoćnih alata koji omogućavaju lako krctanje kroz tekst i nalaženje potrebnih pojmova i celina. Neki od kurseva su napravljeni potpuno interaktivno, tako da npr. posetilac dobija pitanja na koja mora da odgovori. Neki od kurseva predstavljaju seriju slajdova koje dotični nastavnikprikazuje na svojim usmenim predavanjima, ili su kombinovani sa takvim slajdoviraa, Čuvena \veb mesta sa takvim materijalom su „Statnotes, Thc Onhne Textbook” Davida Garsona, na http://www2.chass.ncsu.edu/garson/pa765/statnote. htm, zatim „The Research Methods Knowledge Base” Williama Trochima na http://trochim.human.cornell.edu/kb/index.htm ili http://www.socialresearch methods.net/kb/, serija tekstova, predavanja, kurseva i članaka na UCLA koju vodi Jan deLeeuw, vrlo poznati statističar sa psihološkim obrazovanjem, na http:,// preprints.stat.ucla.edu/ i http://www.stat.ucla.edu/gifi/, interaktivni kurs bazične statistike HyperStat Online Textbook Davida Lanea na http://davidmlane.com/ hyper.stat/index.html itd.
b. Slonn izdavašlvo Negde od kasnih osamdesetih godina desila se prava revolucija u izdavaštvu. Nju su izveli personalni računari sa odgovarajućim softverom i lascrski štampači. Originalna intencija u razvoju ovog hardvcra i softvera nije bila baš toliko dalekosežna, odnosno njeni zamišljeni dometi su bili ograničeni na intcrna izdanja, uputstva, dopise i spise, kao zamena za šapirograf (poznatog Gestettnera) i poboljšavanjem kvaliteta i produktivnosti kancelarijskog poslovanja. Kod nas je, medutim, to iskorišćeno kao mogućno.st kompletnog izdavaštva u okviru kuće (instituta i univerziteta). Ima se utisak da krajem XX i jjočetkom XXI veka ogromna većina izdanja u domenu društvcnih nauka kod nas spada u tehnologiju računarskog sloga i preloma i štampanje na malim ofset mašinama, najčešće do forniata A4, u jednoj boji. Današnji budžcti naučnih projekata i institucija, kao i malo tržištc ne dozvoljavaju da se ovo izdavaštvo vrati u velike izdavačke kuće i štamparije. Medutim, svedoci smo i da su neke od velikih izdavačkih kuća izgubile bitku sa malim, kućnim izdavaštvom i nestalc sa sccne. Cena je plaćena izvesnim lutanjiina, eufemistički rečeno, u pogledu kvaliteta štampe i tehničke oprcme knjiga. Trcba ipak znati da se unutar datih finansijskih margina prosto ne može zamisliti da bi knjigc mogle izglcdati manje loše nego što izgledaju.
7.
Računari i merenje naučne produl
Scijentometrija ili naukometrija je oblast koja, kao i mnoge druge, mogu da postoje bez računara - ali teško. Naša naučna produkcija je mala i ne treba očekivati da će biti mnogo veća, pa bi se neki glavni poslovi naukometrije (npr. kvantitativni pokazatelji naučne produkcije) u principu mogli obavljati nično. Ipak, pošto to u praksi niko ne radi, smatramo računare i ovde presudnim činiocem. Prvenstvenu primenu računari su dobili u domenu izrade kvantitativnih pokazatelja naučne produkcije (vidi glavu o pisanju istraživačkih izveštaja). Izrada većine kvantitativnih pokazatelja koji se danas rutinski koriste vrši se iz bibliografskih baza (v.). Dakle, da bi se obavili bibliometrijski i scijentometrijski proračuni nužno je da se sistematski vrši obuhvat sve relevantne naučne produkcije, barem u fonni tzv. citatnih bibliografskih baza koje osim bibliografskih identifikacija radova sadrže i spisak korišćene literature. Naravno, idealan slučaj je kada su citatne baze integrisane na nivou čitave države i za sve naučne oblasti, ali je to za sada teško izvodljivo, s jedne strane, a s druge ipak nije dovoljno jer ne bi bilo poki-iveno objavljivanje u stranim publikacijama. Praksa je, manje-više, da bibliografske baze budu vezane za određene naučne oblasti, uže ili šire. Kao što je objašnjeno u glavi o pisanju istraživačkih izveštaja, standardni kvantitativni pokazatelji naučne produkcije su produktivnost i ciliranost, a danas sve češće i faktor uticajnosti koji se izvodi iz citiranosti i koristi za ocenjivanje naučnih časopisa. Postoje istraživanja i raznih drugih pokazatelja za ocenjivanje naučne produkcije, kao i modifikacije postojećih, ali je sve to potpuno nemoguće bez dobrih podataka, a dobri podaci podrazumevaju bibliografske (i uopšte digitalne bibliotečke) baze, odnosno primenu računara.
8.
Osnovni probiem i prim ene računara u istraživanju ponašanja
Postoje teškoće koje ometaju i ograničavaju primenu računara u istraživanju ponašanja, u svim njegovim fazama. •
•
Prvu takvu teškoću predstavlja tzv. liadrovski problem. Radi se o tome da primena računara u ovoj oblasti zahteva u najmanju ruku nova znanja, a često se radi i o drukčijim sposobnostima, sklonostima ih „načinu mišljenja”. Osnovni način rešavanja tog problem aje u stalnoj edukaciji, još od osnovne škole. Drugi problem je logistički i obuhvata teškoće sistemskog održavanja računara i permanentne obuke korisnika. Nabavka, instaliranje i održavanje personalnih računara, njihovili komponenti i računarskih mreža zahteva stalni angažman odgovarajućih stručnjaka. S obzirom da je „životni vek”
•
•
softvera i hardvera vrlo kratak i da se stalno javljaju novi proizvodi, svi korisnici - istraživači trebali bi da mogu stalno da se doobučavaju. Kadrovski problem vezan za korišćenje statistike pominje se u ovoj knjizi na više mesta. On je, takode, usko povezan sa primenom računara. Kako istraživač ponašanja da poznaje psihologiju, statistiku i računare? Ne postoji lako i konačno rešenje za ovaj problem. Moraju se koristiti timski rad, interdisciplinamo obrazovanje, statistički konsultanti, ekspertski sistemi za statističku obradu itd. Treba značajno popraviti dodiplomsku edukaciju iz obiasti računarstva i statistike koja je na nekim našim fakultetima ispod granice dobrog ukusa. Gradivo i nastavni programi moraju biti prilagodeni mentalnom opredeljenju studenata. Evaluacija i formalni tretman naučne produkcije u oblasti računarstva. Ovaj problem je, pre svega, vezan za to što se razvoj softvera u i za društvene nauke ne tretira kao naučni rad (ih ne uvek). Tako inženjer koji napiše novi program može objaviti naučni rad o njemu, a psiholog ili sociolog ne mogu. To obeshrabruje retke ali postojeće društvene naučnike da se više posvete unapređenju primene računara u svojim oblastima.
VI. O S N O V I K V A N TITA TIV N E ANALIZE PO D A TA K A
Uz poštovanje prema izuzecima, k\’antitativna analiza podataka iz istraživanja ponašanja nije ništa drugo do statistička analiza. Uvodno izlaganje o primeni statistike u socijalnim istraživanjima đato je u okviru glave o teoriji merenja i inđividualnim razlikama, posebno u okviru diskusije o prirodi, nastanku i analizi individualnih razlika. Isto tako, u zasebnom poglavlju je opisan jedan od osnovnih statističkih pojmova, varijabla, kao i pojam i priroda osnovne matrice podataka. Podsetimo se da su individualne (ili grupne) razlike slučajne pojave, te da zato predstavljaju shičajne varijable i anahziraju se pomoću statistike. Pomoću anahziranja individualnih (i grupnih razlika) postižemo ono što se obično naziva „kvantifikacijom”, odnosno merenjem količine onoga što postoji (a sve što postoji, postoji u nekoj količini). Međutim, kvantifikacija je prvi, najjednostavniji, a neki misle i trivijalan zadatak analize individualnih razhka (v. poglavlje o kvantifikatorskoj i strukturahioj ulozi varijabli). Mnogo inspirativniji, značajniji, i za dmštvene nauke korisniji pristup analizi individualnih razhka je saznavanje onoga što stoji iza njih. Kao slučajne pojave, individualne razHke predstavljaju odjeke iz dubina i svedoče o postojanju brojnih latentnih generatora koji generišu te razhke. Na taj način, individualne razlike su moćno oružje društvenih istraživača da pristupaju, mere i ispituju pojave koje nisu dostupne neposrednom opažanju, već se kriju u „glavama Ijudi” ili u dinamici društvenog života. Najuspešniji način za ispitivanje i otkrivanje ovakvih skrivenih, latentnih osobina je putem analize povezanosti različitih manifestnih varijabli koje sadr-
žavaju individualne razlike. Naime, ako postoji povezanost, ili kako se u statistici kaže - korelacija - između dve ili više slučajnili varijabli, onda one obično imaju zajedničke izvore, ili su jedna dnigoj delimični izvor. Nekada sc umesto izraza „izvor”, koji ovde koristimo, kaže „uzrok”, ali je metodološki čistije da se izbegne upotreba tog osetljivog termina u domenu statističke analize individualnih razlika. Na primer, ako dete uspešno rešava numeričke zadatke i zadatke sa memorisanjcm, ako uspešno rešava zadatakc analogije i elementarne nurneričke operacije, psiholozi će zaključiti da iza toga stoji (skrivena, latentna) osobina intehgencije. Isto tako, ako neka osoba više voli da izlazi sa društvom nego da ostane kod kuće da čita knjigu, ako voli da proba nove stvari, ako je sigurna u sebe i ako kaže da ima preovladajuće pozitivno emocije, onda su psiholozi utvrdili da takve osobe poseduju osobinu ekstraverzije. Inteligencija i ekstraverzija nisu neposredno vidljive osobine, dostupne neposrednom opažanju i merenju. To su u početku bili teorijski konstrukti koji su se mukotq5no izgrađivali i dograđivali i to isključivo na osnovu analize individualnih razlika u manifestnim ponašanjima. Sledcće važno pitanje primene statističke obrade podataka u socijalnim istraživanjima je pitanje prirode podataka, U glavi o teoriji merenja objašnjeno je da je najviši nivo merenja onaj koji uspostavlja direktnu vezu izmcdu kvantitativnog svojstva i brojeva. Na primer, kada se meri dužina, svakom štapu se dodeljuje jedan broj koji označava dužinu tog štapa u milimctrima. Takvi podaci, kod kojih brojevi tačno označavaju stepen prisustva kvantitativnog svojstva, vrlo su pogodni sa primenu bilo kojc statističke tehnike i zaključci koji sc mogu doneti na osnovu statističke anaiize su visokovredni. U naukama o ponašanju je prvi problem u tome što za mnoga svojstva nemamo eksplieitan dokaz da su kvantitativna sama po sebi (jednostavan primer je bračno stanje). Dnigi problem je što merenje osobina kojima sc bave društvene nauke retko omogućava direktno dodeljivanje brojeva pojavama. U uvodnom poglavlju smo rekli da društveni istraživači mogu biti veoma zadovoljni ako putem mcrenja mogu uspostaviti poredak izmedu objekata koje mere. D etaljna analiza podataka iz društvenih istraživanja često pokazuje da oni poseduju svojstva ordinalne skale, bez obzira što im istraživači po konvenciji vole da pripisuju svojstva intervalne. Međutim, mogućnost da se zna da je neko viši, a neko niži po merenom svojstvu je najčcšće sasvim dovoljna za istraživača. U teoriji društvenog merenja najčešće se koriste 4 Stcvensova nivoa merenja: nominalni, ordinalni, intervalni i racio {noir). Pošto sc u teoriji m ercnja sistem pravila za dodeljivanje brojeva objcktima naziva skaliranjem, rezultati merenja na ovim nivoima često se nazivaju skalama. Što je niži nivo merenja (od racio do nominalnog), to su mogućnosti statističke obrade sve manje, a kvaiitet donesenih zaključaka sve slabiji. U glavi o teoriji merenja diskutovan je, takođe, značaj normalne raspodele i s njompovczana kontinuiranost podataka, Najkvalitetniji statistički zaključci se, opet, mogu doneti ako su podaci kontinuirani i odgovaraju modelu normalne raspodele, Međutim, u tom poglavlju je raspravljano pitanje svih sličnih statis-
tičkih uslova i rečeno je da su konlinuiranost, raspodela, mema skala itd. svojstva odredenog statističkog modela, a ne podataka. Statističke tehnike podrazumevaju razne osobine podataka i ako podaci ne poseduju te osobine, onda statističke tehnike ne pružaju kvalitet zaključaka koji se očekuje. Sugerisali smo da istraživači na izbor i primenu statističkih tehnika gledaju kao na metodu modeliranja mogu da testiraju više različitih modela i da proveravaju da li oni daju različite rezultate. Takođe, ukazano je na važno svojstvo statistike - redukcijupodataka (v. poglavlje 0 praktičnoj teoriji merenja). Statistika ima „mnoga lica” i postoje različite mogućnosti da se defmiše njena epistemološka uloga u empirijskim istraživanjima. Pogledajmo neke od tih defmicija. Statistika zaključivanja. - Premda je prethodna konceptualizacija statistike kao modeliranja i redukcije podataka besumnje tačna, o podelama statistike se može govoriti na više načina. Kao prvo, nikako se ne sme zaboraviti da je statislika primenjena teorija verovatnoće i da je njen centrahii interes da na osnovu svojstava uzorka proceni svojstva populacije. Ova grana statistike, koja se bavi induktivnim zaključivanjem sa uzorka na populaciju, naziva se statistikom zaključivanja. U ovoj glavi, u glavi o uzorkovanju, kao i na drugim mestima u ovoj knjizi, statistika zaključivanja se pominje često i u različitim kontekstima. D eskriptivna i cvidenciona sfalistika. - Kađa se govori o deskriptivnoj statistici obično se misli na mere centralne tendencije, mere varijabilnosti (tzv. momente distribucije verovatnoća) i druge pokazatelje koji opisuju distribuciju merene pojave. Dcskriptivna statistika se može nazivati statistikom samo ukoliko sadrži i standardne greške tih pokazatelja (pogledati kasnija poglavlja). Naime, distribucije frekvencija i procenti, bez drugih pokazatelja, nisu statističke metode nego su metode evidencije, a aritmetička sredina, sama po sebi, pripada aritmetici nizova, a ne statistici. Deskriptivnu statistiku m.ožemo nazivati statistikom samo ako služi za ocenjivanja paramctara (v. kasnije), dakle, kao statistika ocenjivanja. Evidenciona statistika je jedna od oblasti obrade podataka koje se svrstavaju u statistiku, a da skoro uopšte ne sadrže pojmove verovatnoća, uzorka i populacije. U evidencionoj statistici, uključujući i popise stanovništva, naprosto se prebrojavaju objekti i događaji i saopštavaju odgovarajući procenti i proseci. Uobičajeno je da se govori o „statistici posete bioskopima”, ili „statistici saobraćajnih nesreća”, iako se radi samo o evidencionim ili arhivskim pokazateljima (na engleskom se ovakva statistika naziva actuanal). M ultivarijatna analiza - MVA. - Nasuprot ovim statistikama, koje se ponekad nazivaju univarijatnim (deskriptivna - jer se bavi pojedinačnim varijablama) ili bivarijatnim (statistika zaključivanja), stoji jednam odem a oblast statistike koja se generalno naziva multivarijatnom. Zovemo je modemom prvenstveno zato što njena primenljivost (ili dostupnost) počinje tek sa erom računara. Po sofisticiranosti, ona je na potpuno drugom polu u odnosu na evidencionu statistiku, ali po korišćenju osnovnih statističkih pojmova nalazi se u istom košu. Naiine, multivarijatna analiza ili multivarijatna statistika se prvenstveno bazira na
matematičkoj oblasti matrične algebre, a ne na infinitezimalnom računu na korae sebazirateorija verovatnoće. Istraživači koji koriste faktorsku, diskriminativnu ili kanoničku korelacionu analizu znaju da se tu ne spominju uzorci, populacije ili nulte hipoteze. Unatoč tome, i ta oblast se smatra granom statistike. U društvenim istraživanjima, u kojima je jedinica posmatranja čovek, multivarijatnu statistiku bi zapravo trebalo zvati analizom mdividualmh razlika. Analogno tome, kada se multivarijatnoj statističkoj analizi podvrgavaju Ijudske grupe ili organizacije, radi se o analizi grupnih razlika. Multivarijatna statistika nam, naime, pomaže da otkrijemo da li iza individualnih razlika stoje neki regulatorni mehanizmi (latentne varijable ili latentni generatori) koji objektivno postoje u jedinkama ih grupama. MVA objcdinjuje induktivno i deduktivno zaključivanje. - Tačno je da je lanac zaključivanja u statistici dominatno induktivan. Klasična statistika zaključivanja primarno i jeste induktivno orude, dok je slučaj multivarijatne statistike znatno zamršeniji. Ona je orude za analizu individualnih razlika, što znači da bi trebalabiti sposobna da direktno generiše društveno-naučne konstnikte. Po našem utisku, anaHzu individualnih razlika možemo podeliti na dva dela: matematičko-statistički i istraživački. U prvom dehi se nalazi sav matematički aparat, baziran prvenstveno na hnearnoj algebri. Rezuhati tog dela, uslovno govoreći ono što se nalazi sa leve strane znaka jednakosti, najvećim su delom matrice. Za ovaj deo anahze individualnih razHka stvarno se može reći da je induktivan i analitički. Medutim, stvarno, u praksi i principijehio, rezultati tog dela su beskorisni i nepotrebni ukohko se ne inteipretiraju. Na tom mestu počinje dn.igi deo anaHze individualnih razHka, koga okvimo nazivamo istraživačkim i koji je pre deduktivan i sintetički nego induktivan i anahtički. U ovom delu se nalazi interpretacija rezultata MVA, koja obuhvata verbalno procesuiranje numeričkih podataka, uopštavanje, povezivanje sa drugim i prethodnim nalazima, kao i generisanje novih pitanja i hipoteza. Pored statističke anahze individuahiih (iH grupnih) razHka društveni istraživač se možc baviti i anahzom zakonitosti u ponašanju Ijudi i Ijudskih grupa. Te zakonitosti se mogu uočiti i proučiti na samo jednoj gmpi, bez potrebe za stalističkom analizom, ah čak i takav pristup ne ukida, ne protivreči, niti sprečava primenu klasične ih muhivarijatne statistike za proveru nalaza. Osim toga, tumačenju Ijudskog ponašanja nije primeren kauzahii model iz prirodnih nauka gde se posledice mogu objasniti delovanjem malog broja uzroka. Ljudska delatnost je interpretabilna samo u okviru prepHtanja mnoštva činilaca u jednom odrcdenom vremenskom trenutku. Zbog toga će se teorije sociologije, psihologije i svih antropoloških nauka koje se bave Ijudskim ponašanjem uvek suočavati sa problemom individualnih razhka i sa teškoćom potrebe da se za dokazivanje i verifikaciju teorija koristi statistika. Mi ćemo storiju o statistici ispričati tako da ona što više Hči na ono što društveni istraživač može da vidi kada se odluči da anaHzira prikupljene podatke. Iz prethodnih nekoliko pasusa se vidi da su moguće razHčite taksonomije statističkog gradiva, iz različitih aspckata. To nam daje za pravo da izlaganje organi-
zujemo sa prvenstvenom idejom neposicdne upotrebe slatistike u istraživanju, ali naravno, takva struktura gradiva neće biti identična strukturi statistike kako se opisuje u statističkim udžbenicima. Još važnije je to da ova glava neće biti tečaj iz statistike. Takav tečaj bi zahtevao innogo višc prostora i svakako bi zahlcvao zasebnu knjigu. Zato, da bi čitalac upoznao osnove statistike, on će morati posegnuti za nažalost retkim domaćim udžbenicima iz „statistike za nematematičare” (Petz, 1981, Dragićević, 1998, Tenjović, 2002), ili za mnogo češćim stranim udžbenicima, Sadržaj ovog poglavlja biće diktiran jednim opštim osećajem o tome šta zapravo treba da razunieju društveni istraživači u poglcdu primene slalistike, s jedne strane, a s druge, šta oni najčešće ne razumeju. Takođe, sadržaj poglavlja biće odieden nekini tcmama koje nisu obrađcne u domaćim udžbcnicima iz statistike. Na kraju, ovo poglavlje svakako mora dati osnovu za razumevanje drugih poglavlja i problematike koja se tamo izlaže. To se posebno odnosi na poglavlje o uzorkovanju kpje je važno istraživačko i statističko pitanje.
A.
Osnovni pojmovi
1.
Populacija i uzoral<
Da bi se mogla objasniti suština primene statistike potrebno je da čitalac ima osnovni uvid u značenje pojmova populacije i uzorka. Kao što jc vcć napomcnuto, populacija i uzorak se u cpistcmološkoni smislu nalaze u lancu induktivnog zakijuči\'anja, za koje se, opct, smatra da je karakteristično za statističku mctodu. Statističari se, inačc, ne slažu potpuno sa toin ocenom i smatraju da je stalističko zaključivanje mešavina deduktivnog i induktivnog, u zavisnosli od toga koji logički proces se posmatra. Pojmovi populacije i uzorka će imali dctaljnu prezentaciju u glavi o uzorkovanju. Kada jc reč o uzorku i populaciji, indukcija se javlja u obliku gcneralizacije. Istraživači po pravilu ispituju malc i dostupne grupe objekata, a sa ciljem da doncsu zaključke koji važe za sve slične objekte. U tom kontekstu, populacija je cilj zaključivanja; onaj korpus, domen, sloj, grupa... o kojoj želinio da saznamo i o kojoj žclimo da zaključujemo. Uzorak je manji ili vcći deo tc populacije, njega slvarno istražujcmo, ali sa ciljem da saznamo svojstva populacije. Da bi gcncralizacija sa uzorka na populaciju imala smisla, uzorak mora biti takav deo populacije koji poseduje ista ili slična svojslva kao i populacija. Sličnosl uzorka i populacije se uobičajeno opisuje čuvenim pojmom reprczentativnosli - uzorak mora biti reprezcnlativan za populaciju kako bi gencralizacija bila valjana. Matcmatičari smatraju da je najbolji način da uzorak bude rcprczentativan taj da se on bira slučajno - iz šcšira (to se naziva prostim slučajnim biranjem).
Ako se članovi uzorka izvlače iz šešira, onda svi imaju jednaku verovatnoću da budu izabrani. To znači da ne postoji nikakav faktor, nikakva naša volja, simpatija, privilegija, ili bilo šta drugo što bi činilo da nekoga radije biramo nego drugoga. Sva ta pitanja će biti razmotrena i prodiskutovana u glavi o uzorkovanju.
2.
Matematički je zik statistike
Važno je spomenuti jedan značajan problem koji se javlja kod primene statistike u svim naukama o ponašanju. Taj problem se tiče upotrebe matematičkog jezika. U oblasti društvenih nauka, matematika i statistika se najčešće primenjuju u psihologiji, matematičkoj psihologiji i psihom etiiji (osim ekonomije i ekonometrije). U standardnom gradivu tih oblasti, a za potrebe studenata i istraživača čije matično obrazovanje nije sadržavalo matematiku, razvijen je poseban jezik koji se vrlo često koristi i obično je kvazi-matematički. On društvenim istraživačima „liči” na matematiku, ali kada ga čitaju matematičari oni u njemu prepoznaju nepismenost. Uzmimo, na primer, kako će se u naukama o ponašanju često reći i napisati, ah i pročitati na mnogim mestima, šta je arimetička sredina. Napisaće ZX /N (izgovara se: sum aX kroz A'^). Matematičar (ili statističar) bi to napisao potpuno drukčije i to onako kako ćemo mi uraditi u jednom od sledećih poglavlja o merama centralne tendencije. Primer aritmetičke sredine je veoma prost i verovatno će svi razumeti šta je psiholog napisao. Radi se o tome da je psihologpodraziimevao mnogo šta: da je X oznaka za vektor sirovih skorova na jednoj varijabli, da njih ima A'’ i da se sumira svih N skorova. U statistici postoje, na nesreću, mnogo složeniji izrazi kod kojih se ne možemo osloniti na popularnost i opštu razumljivost. Matematički jezici nisu svi isti u tom srnishi da im azbuka, reči i rečenice nisu isti. Često nisu ista čak ni sintaksna pravila. To otežava stvar društvenom istraživaču, koji kad čita statističke priručnike nailazi na formule koje na prvi pogled izgledaju različito. Međutim, jedno pravilo u matematici je univerzahio, a to je da se na početku teksta autor deklariše „kojim jezikom govori”. Tu on eksplictno mora da objasni i defmiše svu bazičnu sintaksu i semantiku kojom se shiži, ili se pribegava čestoj praksi da kroz uvodno izlaganje osnovnih pojmova i propozicija kojima se tekst bavi demonstrira sintaksu koju će koristiti.
X =
■■•
sta v ^
pol
starost
obrazovanje
stav^
1
18
3
5
1
30
2
1
2
45
5
2
■
2
2
75
1
3
■
3
•
1
18
3
5
■■•
4
4
1
30
2
1
■■•
2
2
2
45
5
2
■
2
2
75
1
3
•■■
3
[32]
Tom praksom ćemo se i ovde poslužiti. Kao prvo, osnovna matrica podataka, polazno mesto sve statistike, onako kako je data u tabeli 5 (str. 151) nije neposredno upotrebljiva za statističku obradu. U jednačini [32] smo prikazali jednu malu transformaciju, kako od osnovne niatrice podataka, koja je „opšte namene”, nastaje matrice podataka, koja je namenjena statističkoj obradi. Kao prvo, termin matrica ima u matematici vrlo precizno značenje. U izrazu [32], krajnje desno, je ono što bi matematičar nazvao matricom podataka. Ako ovu matricu uporedimo sa tabelom na str. 151, vidi se da su izbačena prezimena ispitanika (prva kolona matrice), a zatim i prvi red sa nazivima varijabli. U matrici podataka ostali su samo podaci, u ovom primeru numerički. To što više nema redova i kolona sa identifikacijom objekata i varijabli može da predstavlja teškoću samo čitaocu laiku. Identifikacija pojedinili članova matrice se vrlo precizno postiže identifikacijom mesta na kome se oni nalaze. Pogledajmo levu stranu izraza [32] i videćemo da je uobičajena konvencija u malematici da se matrice označavaju velikim masnim slovima - ovde X, ili oznakom članova matrice običnim malim slovom, zatvorenim u vitičaste zagrade. Da se radi o opštoj oznaci člana matrice, vidi se po dva indeksa i ij . Prvi sc indeks po konvenciji odnosi na redove, i u slučaju matrice podataka može da ima vrednosti od 1 do n (veličina uzorka), a drugi se odnosi na kolone, i u slučaju matrice podataka može da ima vrednosti od 1 do tn (broj varijabli). Matrice su predmet izučavanja posebne grane matematike, matrične algebre. Clanovi matrice, kao uopšte svi pojedinačni brojevi nazivaju se skalarima, a jednodimenzionalni nizovi brojeva, kao što su pojedinačni redovi ili kolone u matrici vektorima. Dakle, matrice su sastavljene od vektora, a vektori su sastavljeni od skalara. Na matricama (i vektorima) se mogu izvoditi neke operacije koje su vrlo slične skalaiTiim operacijama. Tako se matrice mogu sabirati, oduzimati, množiti, deliti i stepenovati. Naravno, te operacije liče na skalarnc operacije, ali se po mnogo čemu i razlikuju. Osim tih osnovnih operacija, na matricama sc mogu izvoditi i potpuno spccifične operacije kao što su inverzija matrice (koje je, doduše, slična skalarnoj operaciji I/x) i analiza karakteristične stmkture matrice. Sve te operacije su osnova multivarijatne analize, koja je skoro isključivo zasnovana na matričnoj algebri i operacijama na matricama. Matematičar bi priču u matrici podataka ukratko ispričao na sledeći način: defmišimo matricu X kao matricu sirovih podataka, čiji su elementi x,y. kao: X = {.V,}
[33]
za !=l,...,n i pri čemu je n broj ispitanika, a m broj varijabli. Kolone matriee X čine vektori m varijabli: 7=1,...,m
[34]
Na taj način bi on precizno pokazao da se matrice označavaju masnim velikim siovima, vektori masnim malim slovima, a skalari koji su njihovi članovi ili elementi malim slovima. Pozicija vektora u okviru rnatrice i člana u okviru vektora ili matrice se označava indeksima. Upravo ovakva sinlaksa se koristi u
ovom tekstu, jer se danas može reći da ona preovladava u tekstovim a koji koriste lineamu, odnosno matričnu algebru. Nažalost, niatematičari obično izbegavaju da dalje izlažu o „sadržajim a” i „značenjima” elemenata u redovima i kolonama matrice X. Za razliku od njih, društveni istraživači se osećaju osujećeni kad se sretnu sa egzaktnim m atem atičkim opisima. Oni bi možda bolje razumeli primer matrice X kakav je dat u tabeli 5 ili bar u sredini izraza [32] u kome ,,sve lepo piše” : da kolone matrice čine varijable pol, obrazovanje, starost i ajtemi neke A:-ajtcmske skale stavova, a redove rezultati n ispitanika na tim varijablama. Još jedan vrlo važan i čest simbol u statistici zaslužuje kratko objašnjenje. To je simbol „operatora sumacije” za koga se koristi grčko slovo sigma, Z . N a primer, sabiranje svih n članova j-te kolone matrice podataka napisali bism o kao:
J
i=\
a sumiranje svih članova matrice X kao: n
m
i=i y=i
3.
Devijacioni i standardizovani si
U tumačenju mnogih statističkih mera, kao što su mere varijabilnosti ili koeficijenti korelacije korisno je da se koriste tzv. devijacioni skorovi. D evijacioni skorovi su vrednosti ispitanika na nekoj varijabh iskazani kao razlika u odnosu na aritmetičku sredinu te varijable. Ovi skorovi se često nazivaju centriranim skorovima i izračunavaju se jednostavno kao: [37] gde je M j aritmetička sredina varijable j (vidi kasnije mere centrahie tender.cije). Jasno je da je aritmetička sredina devijacionih skorova jednaka nuli, pa se zato oni nazivaju centriranim. Takođe, lako je zaključiti da je poredenje ispitanika na razhčitim varijablama, koje imaju razhčite proseke, nemoguće ukohko se ne koriste devijacioni skorovi. Medutim, ni devijacioni skorovi ne om ogućavaju dobro poredenje ispitanika na razhčitim varijablama. Naime, varijable mogu imati iste proseke, ah veoma razhčite raspone, tako da recimo, u jednom uzorku ispitanika telesna težina i starost mogu obe imati prosek od 50, aH da se telesna težina kreće od 40 do 80 kilograma, a starost od 18 do 90 godina. Da bi se sve varijable ujednačile po rasponu, tačnije varijabihiosti skorova (vidi kasnije poglavlje), uvode se tzv. standardizovani ih z-skorovi koji se izračunavaju kao:
/ Gj = (x^. - Mj) l o j ,
[38]
gde je Oj standardna devijacija varijable j (vidi kasnije mere varijabilnosti). Iz gomje jednakosti vidimo da se standardizovani skor dobija tako da se devijacioni skor podeli sa standardnom devijacijom. Ispitanik koji ima prosečan rezultat na nekoj varijabli dobiće na toj varijabli standardni skor jednak nuli. Ako je taj ispitanik ispodprosečan, njegov skor će biti negalivan, a ako je iznadprosečan, skor će mu biti pozitivan. Takođe, ako je njegov skor jednak veličini jedne standardne devijacije, njegov standardni skor na toj varijabli će biti jedan. Analogno, ako vidimo da neki ispitanik ima z-skor od -1,5, znaćemo da je na toj varijabli postigao rezultat od jedne i po standardne devijacije ispod proseka. Na osnovu standardnih (ili standardizovanih) skorova se mogu porediti ispitanici na različitim varijablarna i zato se ovi skorovi praktično uvek koriste kada se u statistici dovode u vezu različite varijable. To se posebno odnosi na multivarijatnu statistiku koja po defmiciji analizira više varijabli odjednom.
4.
Normalna distribucija
-3CT
-2
-1CT
0 IVI
1CT
2ct
30
Slika 12. Normalna distribucija Na shci 12 prikazali srno distribuciju jedne varijable čiji su skorovi standardizovani i pri tome je ta varijabla perfektno normalno distribuirana. Vrh distribucije se poklapa sa: a) prosekom, odnosno aritmetičkom sredinom distribucije, b) medijanom i c) modom , koji su svi u ovom slučaju jednaki nuli jer su skorovi standardizovani. Opšti oblik distribucije jc zvonast, pa se nonnalna dislribucija
često naziva zvonastom krivom (iako i mnoge druge distribucije, kao što su distribucija, t distribucija i druge mogu pod određenim uslovima biti zvonaste). Kada pogledamo apscisu vidimo đa je na slici prikazan raspon z-skorova od oko -3 do +3. Vidimo^^ da se u tom rasponu nalazi oko 99,73% slučajeva. Zbog toga je uobičajeno da se za praktične svrhe normalna distribucija prikazuje i koristi u rasponu od -3 do +3 standardne devijacije. Naravno, teorijski, z-skorovi se kreću u rasponu od do +<» (od minus beskonačno do plus beskonačno), ali taj maksimalni raspon dodaje prikazanom svega 0,27% slučajeva i praktično se može zanemariti. Lagano osenčena oblast pokriva 68,27% slučajeva. To je čuveno svojstvo svake teorijske statističke distribucije, pa i normalne, da, ako znamo z-skor, možemo da odredimo koliki procenat ispitanika se nalazi ispod, odnosno iznad tog skora. Ti procenti se u statistici obično nazivaju percentilima, pa ako kažemo da je neki ispitanik na 80-tom percentilu, to znači da 80% ispitanika ima niži skor od njega, a 20% viši. I obrnuto, ako znamo percentil i oblik distribucije, možemo da izračunamo (ili izvadimo iz tablica) skor. Na normalno distribuiranoj varijabli ispitanik koji je na 80-tom percentilu imao bi z-skor od oko +1,28, jer iz statističkih tablica vidimo da oko 80% slučajeva leži između z - s k o r o v a i 1,28. Da bi se opisala neka, bilo kakva distribucija, pa i normalna, treba navesti nekoliko (što više) pokazatelja koji je opisuju (kasnije ćemo videti koji su to pokazatelji). Za normalnu distribuciju treba minimalno navesti prosek i standardnu devijaciju. Zato kada se kaže da distribucija ima A/=50,75 i o=13,89 (kao u donjem primeru) i da je pribhžno normalna, istraživač može odmah znati da se približno 68% slučajeva nalazi u rasponu M ±\a, tj. izmedu 36,86 i 64,64 godina.
/
-3cr
-2a
- la Q,
icr
Slika 13. Kumulativna normalna distribucija - ogiva.
Kad kažcmo „vidimo” to znači da gledamo u statističke tablice koje se mogu naći na kraju svakog statističkog udžbenika. Stalističke tablice u kojima se nalaze proporcije (procenti) kojc ovdc navodimo se obično nazivaju „površina pod nomialnom krivom” ili „površinc pod standardnom nomialnom krivom”.
Na slici 13 je prikazana tzv. kmmilativna noiinalna distribucija, ili kako se popularno naziva - ogiva. To je funkcija koja prikazuje kako se kumulira broj, odnosno procenat slučajeva sa porastom skora na apscisi (u ovom slučaju standardizovanog skora). Vidimo da aritmetička sredina leži na 50% slučajeva, a na slici su prikazani i prvi i treći kvartil koji će biti objašnjeni u poglavlju o merama varijabilnosti.
B.
Deskriptivna statistika
Pi-vi korak koji istraživača čeka nakon prikupljanja podataka je brz i efikasan pregled onoga šta se dobilo. Toni prilikom se uvek utvrdi da neke varijable ,,ne rade”, odnosno da nemaju varijabiliteta, da kod drugih varijabli (posebno nominalnih) neke kategorije imaju vrlo niske frekvencije pojavljivanja, da kod mtei-valnih varijabli postoje ekstremi (recimo da postoje ispitanici stari jednu ili 101 godinu) i razne dnige stvari o kojima teorija ne kaže ništa, a stvarna istraživanja stahio govore o tome. Ovaj prvi korak svake analize podataka se na engleskom zove „data screening” ili „data cleaning” i njegova namena je validacija podataka. Nakon što se greške, nepravilnosti, propusti i nelogičnosti u podaeima otklone, islraživača konačno interesuje da vidi šta je dobio. Sve te preglede i uvide u dobijene podatke nazivamo deskriptivnom statistikom. Medutim, defmitivna deskripcija distribucije varijabli obično nije sania po sebi cilj. Cilj su generalizacije sa uzorka na populaciju, jer će društveni istraživač težiti da njegovi zaključci budu što univerzalniji i da nc važe samo za grupu Ijudi koje je ispilao, nego za sve Ijude koji pripadaju toj populaciji. Ako se u anketnom istraživanju utvrđi da je 50% Ijudi odgovorilo da su religiozni, istraživač će nastojati da to uopšti na čitavu državu/republiku u kojoj je istraživao. Naravno, on će u tom uopštavanju biti onoliko u pravu koliko je uzorak bio reprezentativan. U ovom smislu, uopštavanja na populaeiju, deskriptivna statistika je deo onoga što statističari zovu statistikom ocenjivanja. Statistika ocenjivanja služi da se na osnovu dobijenih aritmetičkih sredina, standardnih devijacija ili relativnih frekvencija (procenata) oceni koje su njihove vrednosti u populaciji. Dobijene vrednosti na uzorku su statistici, a vrednosti u populaciji su parametri (v. kasnije). Nije uvek u praksi istraživača da se deskriptivna statistika koristi za generalizacije, niti je to uvek potrebno (recimo u inicijalnim, ekspiorativnim istraživanjima). No, deskriptivna statistika se uvek koristi u kvantitativnim studijama, barem za validaciju i deskripciju dobijenih podataka. Ako se koristi samo sa tim ciljem, onda pripada spomenutom prvom zadatku statističke analize invididualnih razlika - kvantifikaciji.
Kad kažemo „deskriptivna”, mislimo prvenstveno na opis distribucije slučajnih varijabli. Dakle, važno je da istraživač razunie da je to prvenstveno tehnički termin i da se odnosi na distribuciju frekvencija varijabli iz istraživanja. Distribucija frekvencija odražava dobijcnu raspodelu skorova” na uzorku i fundamentahii je statistički pojam. Kod kontinuiranih, uslovno kontinuiranih (npr, onih koje su nastale brojanjem) i intervahiih varijabh, da bi se dislribucija frekvencija što prcciznije opisala, potrebno je predočiti nekoliko važnih podataka. Ti podaci se niogu grupisati u tri gmpe: • • •
mere centralne tendencije, mere varijabilnosti i mere obUka distribucije.
Statističari koriste jedan univerzalan tennin za sve ove mcre/pokazatelje momenti distribucije. Bez kompletnog navoda svih tih pokazatclja ne možemo steći pravihiu sliku o distribuciji kontinuiranc varijable.
1.
Param etri i statistici
Varijable koje merimo na uzorku shiže nam da bismo oceniH stcpen prisustva tih varijabli u populaciji. Recimo, ako ispitujemo stepen znanja o SIDI (pomoću nekog testa znanja) ili količinu alkohola koliko Ijudi popiju nedeljno, nas inleresuje situacija u našoj zemlji uopšte (ili eventualno kod omladine). Kad bismo stvarno mogli da ispitamo sve omladince dobili bismo distribuciju tih varijabli na populaciji. Mcre centralne tendencije, varijabilnosti i oblika distribucije na populaciji nazivaju separametrima. Na primer, najpoznatija mcra centralne tendencije, aritmctička sredina, u populaciji je jcdan od parametara distribucije ncke varijable. Isla ta aritmetička sredina, kada se izračuna na uzorku naziva se .statistilrom (naglasak je kao kod „kolerikom”). Značaj razlikovanja statistika i parametara se krije u sledećem prostom iskazu: statistici nam služe da ocenimo koliki su parametri. Citava ta oblast statistike, ocenjivanje parametara iz statistika se naziva .•italistikom occnjivanja. U slatistici je uobičajeno da se parametri označavaju grčkim slovima, p a je aritmetička sredina populacije /i, a standardna devijacija a, dok su aritmetička sredina i standardna devijacija uzorka i populacije M \ s. Medutim, mi se ovde nećemo držati tog potpuno opravdanog pravila, najviše zato što je postalo uobičajeno da se standardna devijacija označava grčkim malim slovom sigma, a, bilo da se radi o parametru, bilo da se radi o statistiku.
” Pod „skorom” se u psihomctriji podrazumeva ukupni skor iia nekom lcslu, upitniku ili skali stavova ciobijcn sabiranjem odgovora na pojedinačnim ajtcmima. Mcđutiin, u žargonu sc koristi i/jaz „skor” za bilo koju mcru ili rezultat koje jc ispilanik dobio.
2.
Mere centralne tendencije
Mere centralne tendencije su; aritmetička sredina, međijana i mod. Na slici 14 je prikazana distribucija frekvencija jedne varijable. Tip grafičkog prikaza distribucije koji srao ovde iskoristili naziva se histogramom (postoje i druge mogućnosti da se grafički prikaže distribucija frekvencija, vidcti kasnije poglavlje o grafičkom prikazu rezultata). U pratećoj tabeli 16 dati su glavni pokazatelji distribucije ove varijable. Tabela 16. - Deskriptivna statistika varijable starost Statistik Vrednost Statistik Vrednost Veiičina uzorka (n) 872 Aritrnetička sredina (Af) 50,75 Std. greška M 0,47 Medijana (Mdii) 49,00 Mod {Mod) 50 Standardna devijacija {a) 13,89 Varijansa (cr) 192,87 Asimetrija 0,363 Std. greška asimetrije 0,083 Zašiljenost -0,509 Std. greška zašiljenosti 0,165
o c
II)
ž
ai
25.0
35,0
45,0
55.0
65,0
75,0
85,0
Starost
Slika 14. Distribueija frekvencija za varijablu starost Za većinu potreba dovoljna je prateća tabela sa numeričkim pokazateljima. Grafikon sa slike 14 je koristan isključivo za brz i lak uvid u oblik distribucije
varijabli. Na tom grafikonu je ucrtana aproksimativna krivulja distribucije koja bi se dobila kada bi varijabla bila stvarno kontinuirana i kada bi uzorak bio vrlo veliki. Statistički programi obično nude mogućnost da se docrta takva aproksimativna krivulja. Vidimo da ovde ta krivulja liči na norm alnu (zvonastu) krivu, ali ne potpuno. Normalna distribucija ima svojstvo da su na njoj sve spom enute mere centralne tendencije jednake. Sto distribucija više odstupa od norm alne, to će razlike između ovih mera bivati veće. lako su kod normalne distribucije sve tri mere jednake, statistička teorija nam kaže da je aritmetička sredina najbolja ocena parametra populacije (egzaktno rečeno; to je nepristrasna, efikasna i ocena sa najmanjom standardnom greškom). Zato se aritmetička sredina najviše koristi kao pokazatelj centraine tendencije distribucije kontinuiranih numeričkih varijabli. Istovremeno, u statistici, aritmetička sredina se naziva pi-vim m om entom takve distribucije. Nakon kratkog uvoda u matematički jezik statistike koga smo dali u jednom prethodnom odeljku, egzaktnu fomiulu za aritmetičku sredinu ili srednju vrednost možemo napisati kao:
t-,
M ■= — ---- , za svako j , ili kao: ^ n
I*. ,
=
M ■= —------n
j = \,...,m
[39]
Formula kazuje da se sabira svih n vrednosti u j-to j koloni matrice X i zbir podeli sa n. Pri tom e,7-ta kolona matrice predstavlja neku varijablu, kao što je ukupni skor na testu, ajtem, ili bilo šta drugo. Vrednost aritmetičke sredine u navedenoj tabeh iznosi 50,75, što znači da je prosečna starost u našem uzorku od 872 ispitanika bila 50,75 godina. U literaturi se za oznaku srednje vrednosti koristi često oznaka X ili x (čita se ,,x bar”), ponekad m, a nekada AS (od aritmetička sredina). Osirn aritmetičke sredine, kao pokazatelji srednje vrednosti postoje i harm onijska i geom etrijska sredina koje mogu biti bolji pokazatelji srednje vrednosti za neke vrste podataka. Ako kr-enemo po apscisi na sHci 14 s leva na desno, možemo zam isliti da kumuliramo broj slučajeva koji se nalaze ispod neke granične starosti. N a primer, ispitanika koji imaju 25 i manje godina ima 1,1%, 30 i manje godina 5,4%, 35 i manje godina 13% itd. Tako bismo došli do granice od 49 godina i ustanovili bismo da ispitanika koji imaju 49 i manje godina ima tačno 50%. To je medijana, što znači da je medijana ona vrednost varijable ispod koje se nalazi 50%) slučajeva. Mod, modus ili modalna vrednost je u našem prim eru 50. To je ona vrednost varijable koja se najčešće pojavljuje (ima najveću frekvenciju). Ispitanika od 50 godina u našem primem ima 37, sa 49 godina 34, sa 40 godina 31 itd. N a osnovu grafikona vidimo da distribucija ima tri vrha, od kojih je ipak najviši onaj na 50 godina. Može se desiti da distribucija ima dva ili više m odova (vre-
dnosti sa istim, najvišim, frekvencijama). Taj podatak, o postojanju više vrhova, bilo sa istom, ili približno istom frekvencijom, može biti značajan za istraživača. Distribucije koje imaju jedan vrh se nazivaju unimodalnim, distribucije koje imaju dva vrha se nazivaju bimodalnim, a one sa više vrhova polimodalnim. Bimodahie distribucije se po pravilu javljaju kada postoje dve nehomogene gnipe po vrednostima varijable - često su to polovi. Dakle, na osnovu prostog pregleda histograma, istraživač odmah može pretpostaviti da postoje dve grupe ispitanika u njegovom uzorku koje se značajno razlikuju po merenoj varijabii. Zasada ćemo samo skrenuti pažnju na to da se u našem primeru sve tri mere centrahie tendencije razlikuju, i posebno na to da je medijana manja od aritmetičke sredine {Mdn < M). Značaj ovog nalaza ćemo kasnije detaljnije objasniti, a sada se može reći da je to rezultat toga što naša distribucija ima pozitivnu asimetriju. U praksi, kada su distribucije unimodalne i kadanisujako nagnute, pokazalo se da ove tri mere centrahie tendencije stoje u sledećem odnosu: M - M od = 'i{M —Mdn),
[40]
što znači da kod pozitivno asimetričnih distribucija obično važi Mod
Dakle, kad istraživač računa prosek ordinalne varijable, on mora biti svestan da računa prosek brojeva, a ne prosek osobine i da prosečni rang za neke svrhe može da posluži, a za druge ne. Još bolje je ako istraživač za mem centralne tendencije odabere niedijanu ili m odalnu vređnost. Ove dve mere nisu osetljive na intervale i na ekstremne vrednosti, a po Stevensovoj podeli, medijana je namenjena ordinalnom nivou (mod je, po toj podeli, namenjen nominalnom nivou). Poznat je primer sa računanjem prosečnog broja đece u porodici. S obzirom da je to diskontinuirana varijabla (nastala brojanjem), prosek od 2,8 dece po porodici može da izgleda čudno. M eđutim, veći problem je u tome što je distribucija broja dece pozitivno asimetrična (vidi kasnije poglavlje), što znači da jedan mali broj porodica ima veliki broj dccc. Ta činjenica utiče na aritmetičku sredinu povećavajući je i na osnovu proseka od 2,8 dece mogli bismo zaključiti kako bismo trebali, u proseku, računati na 5-članu porodicu. Međutim, to nije tačno ako iz deskriptivne statistike vidim o d a j e modalna vrednost broja dece 2 i da je medijana nešto viša. Modus i medijana govore o učestanostima, pa na osnovu njih ispravno zaključujemo da je tipična porodica četvoročlana, a ne petočlana.
3.
Mere varijabilnosti
Mere varijabilnosti su varijansa, standardnadevijacija, prosečno odstupanje, semilcvartilni opseg i opseg. Osim ovih, postoje još neke mere koje se mogu sresti u udžbenicima, ali se one ili ne koriste često ili su izvedene iz navedenih. V a r i j a n s a varijable se može napisati kao:
[41]
U jednakosli [41 ] krajnji desni izraz predstavlja tzv. formulu za ručno računanje varijanse. V arijansaje, mogli bismo reći, centralni statistički pojam. Vrlo je važno da se zna da je ona „čist broj”, tj. da se ne izražava u jedinicam a u kojima je merena varijabla. N aprim er, u našem prim eru varijansa starosti je 192,87, ah to ne znači 192,87 godina. N ajbolje je da se o varijansi misli kao o površini, što ćemo kasnije još demonstrirati na V enovim dijagramima (u poglavlju o korelaciji i regresiji). Na normalnoj distribuciji sa slike 12 smo varijansu simbolički označili tamnije osenčenim kvadratom. Cuvena standardna devijacija neke varijable je prosto:
odnosno kvadratni koren iz varijanse. Za razliku od varijanse, standardna devijacija se izražava u jedinicam a u kojim a je varijabla merena - u našem primeru u
godinama. Kao što smo rekli u odeljku o normalnoj distribuciji, na našem primeru možemo očekivati da će oko 68% slučajeva (oko 590) biti stari između 36,86 i 64,64 godina. Prosečno odstupanje ili prosečna devijacija je prosek apsolutnih vrednosti devijacionih skorova, dakle bez obzira na predznak. To se može napisati kao:
Semikvartihv opseg koji se obično označava sa Q je polovina raspona srednjih 50% slučajeva. Na slici 13 su prikazani prvi i treći kvartil, označeni sa Qi i Q}. Kvartili su četvrtine broja shičajeva, dakle postoji 4 kvartila. Drugi kvartil je na 50%, odnosno jednakje medijani. Uobičajeno je da se podele brojeva slučajeva označavaju sa sufiksom ,,li” : npr. percentili za procente, decili za 10 procenata, kvartili za 25 procenata itd. Razlika Q^ - Qj se naziva interkvartilnim odstojanjem, a polovina te razlike:
e = ( a - a )/2
[44]
se.naziva semikvartilnim odstojanjem (opsegom ili devijacijom). Na osnovu Q i (2 j - Qi), kao i njihovog odnosa prema drugom kvartilu - medijani, može se zaključiti o opštoj varijabilnosti varijable i asinietričnosti distribucije. Semikvartilno odstojanje ima smisla koristiti ukoliko je distribucija defonnisana na krajevima, npr. ako ima ekstremne vrednosti, ako ima modahie vrednosti na nekom od krajeva i sl. Opseg ili raspon varijable je prosto razlika između najvišeg i najnižeg skora. Ova mera se često navodi u deskriptivnoj statistici da bi se otkrilo ukoliko postoje tzv. ekstremi. Međutim, kao pokazatelj varijabilnosti, raspon je suviše gruba mera za praktičnu upotrebu. Ako je distribucijapribližna normalnoj (unimodalna i simetrična) onda važe sledeći odnosi izmedu ovih mera: 1,483 2 = 1,253 MD.
[45]
U upotrebi se još može naći tzv. koeficijent varijacije koji se računa kao: K=( f f / A/ ) * 100,
[46]
što je, dakle, procentualni odnos standardne devijacije prema aritmetičkoj sredini. Koeficijent V se ponekad koristi da bi se poredile varijabilnosti različitih grupa objekata na istoj varijabli, jer te grupe mogu imati približne M, a različite a, ili obratno, što čini da se na osnovu tih odvojenih statistika grupe ne mogu lako uporediti. Takođe, Kje „čist broj”, dakle ne zavisi od jedinice mere, pa se mogu porediti distribucije grupa na različitim varijablama, ali je V, sam po sebi, pokazatelj bez posebnih kvaliteta.
4.
Mere oblika distribucije
Čitalac je dosada već mogao da uoči značaj koji ima oblik distribucije za interpretaciju dobijenih podataka. U uvodnim poglavljim a o teoriji m erenja su ukratko razmotreni tzv. statistički uslovi, između ostalili i pretpostavka normalne distribucije. Tamo je rečeno d aje normalna distribucija stvarno univerzalni model distribucije većine društvenih pojava. Osim toga, normalna distribucija ima mnoga veoma povoljna svojstva za teorijsku statistiku, pa je većina statističkih i m ultivarijatno-statističkih metoda bazirana na modelu normalne distribucije. Medutim, važno je da se ponovo naglasi da je normalna distribucija teorijski model merenja i statistički model, a ne model podataka. Imajući u vidu da je normahia distribucija model merenja, ako dobijemo pribhžno normalno distribuiranu varijablu znamo nekoliko stvari: a) individualne (iH gi-upne) razUke koje sadrži ta varijabla nastale su delovanjem veHkog broja nesistematskih i nepovezanih faktora i b) procedura našeg merenja nije imala uticaja na ukupan ishod merenja (uključujući i nepristrasno biranje uzorka). S druge strane, pokazano je kako ne treba očekivati da će sve pojave kojim a se bave driištvene nauke biti normahio raspodeljene. Navedeni su telesna težina i starost, a može se navesti i broj dece u porodici i sve pojave koje u sebi odražavaju interese i motivaciju. N a primer, distribucija vremena dolaska na posao je asimetrična jer Ijudi uglavnom kasne, a vrlo retko ranije dolaze na posao. Isto tako, distribucija razhka plaćene i dobijene kohčine robe je asim etrična je r prodavci imaju interes da daju manje robe, a ne više itd. Takode, zbog psihometrijskih zakona, ukupni skorovi instrumenata kao što su skale stavova, psihološki testovi i upitnici neće bili normalno raspodeljeni, nego će biti spljošteni. Sve u svemu, istraživač ne treba da pridaje značaj „pretpostavci normalne distribucije” veći nego što ga ona ima. Ono zbog čega obhk distribucije mora biti važan istraživaču je pravilo koje je gore spomenuto: ako distribucija nije normalna (a očekivalo bi se da jeste), onda smo ih našim merenjem uticali na dobijene rezultate, ih je u uzorku preovladao uticaj nekog malog broja faktora na ponašanje ispitanika. N a primer, ako je distribucija nagnuta možda je naš test bio suviše težak (pa ga većina nije rešila), ili su naša pitanja bila suviše drastična u smislu da su izražavala suviše ekstremne stavove, pa se većina ispitanika sa njima nije mogla složiti. To su primeri kada bismo rekh da je procedura m erenja uticala na ishod. Drugi primer je, recimo, sa bimodahiom distribucijom čiji vrhovi odgovaraju polovima. U tom slučaju bismo rekli da je na individualne razlike veliki uticaj imala razlika u polu ispitanika. U tumačenju mera centralne tendencije rekli smo da se iz međusobnog položaja moda, medijane i srednje vrednosti može zaključiti o asimetričnosti distribucije. Slika 15 govori više od reči. Ako postoji asimetrija distribucije, onda će postojati tendencija da aritmetička sredina bude sa one strane medijane i posebno moda, na kojoj strani postoji asimetrija. Ako je asimetrija pozitivna (duži desni krak distribucije, više ispodprosečnih slučajeva ili postoje ektremni visoki
slučajevi), onda će prosek biti veći od medijane i od moda. I suprotno, ako je srednja vrednost niža od medijane i moda, onda je asimetrija negativna (ima više iznadprosečnih slučajeva ili ekstremno niskih shičajeva). Koristi se i temiin nagib; pozitivno asimetrična distribucija je nagnuta udesno, a negativno asimetrična ulevo.
Slika 15. Asimetrija (nagib) distribucije Na engleskom se asimetrija čcsto naziva skewness, pa se i kod nas koristi taj naziv - skjunes (zakošcnost, nagib). Mera asimetrije se može precizno izračunati i u statistici se naziva trcćim momentom distribucije. Ova mcra je jednaka nuli ako je distribucija simetrična, a u protivnom imaće nenultu vrednost i imaće isti predznak koji ima asimetrija. SPUOŠTENOST
(b) Platikurtična
(c) Mezokurtična
Slika 16. Spljoštenost distribucije - kurtozis Na slici 16 je pritcazan drugi aspekt poremećaja oblika distribucije - spljoštenost. Vrlo često se koristi i engleski izraz kurtozis (engl. kurtosis) iako on ima iipravo suprotno značcnje - zašiljenost. Zašiljene distnbucije su leptokurtičnc, a spljoštene platikurtične. Kurtozis sc prccizno izračunava kao četvrti moment distribucije i u originainoj formuh ima vrednost 3 za mezokurtičnu (normahiu) distribuciji. Da bi se to učinilo prihvatljivijim za korisnike, obično se od sirove vrcdnosti oduzinia 3, tako da ideahia distribucija dobija vrednost koeficijenta spljoštenosti nula, spljoštene distribucije dobijaju negativnu vrednost, a zašiljene pozitivnu. Distribucija varijable starost sa shke 14 ima blagu pozitivnu asimetriju (slijunes = 0,363) i bhigo je spljoštena (kurtozis = -0,509). Osim ove dve deformacije distribucije relevantna je i poliniodalnost. Pohmodalnost se može lako utvrditi ukoHko distribucija ima više od jednc vrednosti sa najvišom frekvencijom (međusobno razmaknutih). Tu situaciju često signah-
ziraju softverski paketi kada prikazuju deskriptivnu statistiku varijable (tekstom upozorenja). Međutim, ako vrednosti nemaju baš istu frekvenciju, ali ipak višu nego susedne vrednosti, onda treba pogledati hislogram (kao na slici 14) ili poligon frekvencija, gde se polimodalnost lako uočava. Postoje statistički testovi kojima se ispituje sličnost distribucije sa normalnom. Klasični testovi su Kolmogorov-Smirnovljev test (nazvan po ta dva ruska statističara), koji nalazi mesto gde jc najveća razlika izmedu dobijene i normalne distribucije, i test, koji uvek testira razlike između dve distribucije, pa i u ovom slučaju. test ispituje sve razlike između dobijene i normalne distribucije, a Kolmogorov-Smirnovljev samo najveću, Noviji test normalnosti distribucije je W test Shapiroa i Wilksa. U praksi, optimalni uvid u oblik distribucije se postiže vizuelno, iz dobrog hislograma ili poligona frekvencija, a najlakši uvid je pomoću koeficijenata asimetrije, spljoštenosti i normalnosti.
5.
Standardne greške i intervali poverenja
Zamislimo da smo bili uporni i da smo nastavili da izvlačimo slučajne uzorke od ;i=872 iz naše populacije (u konki'etnom primeru radi se o populaciji invalidnih osoba). Ako je to bio prosti slučajni uzorak (,,iz šešira”), za svaki ćemo dobiti distribuciju varijable starosti, sličnu onoj prikazanoj na slici 14 i tabeli 16.
Distribucije će biti slične, ali ne identične. Neke će imati viši prosek, neke će imati veću varijabilnost itd. Recimo da smo ih sve nacrtali na istom grafikonu. Dobićemo približan prikaz kao na slici 17. Šta je ključni utisak ako posmatramo aritmetičke sredine? lako poneke znatno odstupaju na jednu ili na dmgu stranu vidimiO da se većina grupiše oko jedne srednje vrednosti. Recimo da smo nakon računanja deskriptivne statistike za svaki uzorak unosili podatak o svakoj aritmetičkoj sredini u računar. Dobili bismo jednu slučajnu varijablu za koju bismo mogli izračunati deskriptivnu statistiku.
Naime, la slučajna varijabla inia vlastitu distribuciju koja se naziva distribucja uzoraka (engl. sampling distribution) aritmetičke sredine. Slalistička teorija i zdrav razum kažu da će aritmetička sredina te slučajne varijable biti sličnija aritmetičkoj sredini populacije - parametru - što veći broj uzoraka izvadimo. Još važniji pojam je pojam standardne devijacije te slučajne varijable. Standardna devijacija distrihucije uzoraka aritnie/ičkih sredina na n uzoraka se naziva standardnom greškom aritmetičke sredine. Ako smo izvukli sve moguće iizorke veličine 872 iz naše populacije, jezikom fonmila se gornji iskazi mogu napisati kao: [47] gde je i-i aritmetička sredina populacije, a U sledećoj fomiuli;
prosečna M svih izvučenih uzoraka.
[48] V« ffj,je standardna devijacija distribucije uzorka aritmetičke sredine, a standardna devijaeija merene osobine u populaciji - parametar. Centralna granična teorema nam govori da će distribucija uzoraka srednjih vrednosti biti normalna. Iz gomje fonnule vidimo da će njena varijabilnost biti to manja, što su uzorci veći (jer je obmuto proporeionalna korenu iz veličine iizorka). Šta to znači? To znači da što su uzorci veći, to je standardna greška aritmetičke sredine manja. Pošto je greška manja, M uzorka će biti preciznija ocena parametra populacije. Kako se taj zaključak koristi u statistici? Tako što se pomoću standardnih grešaka formiraju tzv. intervalipoverenja. Pošto je distribucija uzoraka normalna, intervali poverenja se jednostavno formiraju po formuli M±z^a^,, gde je z^. granična vrednost. Ako je z^=l ,96, smatramo da će sa 95% sigurnosti, vrednost populacije/y, ležati u rasponu A/±l,96ff^,. Prema tome, saslike 17 možemo zaključiti kolika je verovatnoća da će parametar populacije ležati u nekom rasponu srednjih vrednosti. Intervali poverenja se, takode, nazivaju marginom greške između rezultata dobijenog na uzorku i vrednosli populacije (o intervalima povercnja biće još reči u poglavlju o korisnosti testiranja nulte hipoteze). Standardna greška aritmetičke sredine (kao i bilo kojeg drugog statistika) se u praksi ocenjuje iz uzorka, na isti način kao što se i ostaii parametri ocenjuju iz uzorka. U novije vreme, pošto su personalni računari postaii veoma brzi, u komercijalnim statističkiin paketima se iialazi tzv. tehnika resamplinga (sreće se još pod nazivima Monte Carlo, bootstraping ili jackknifing), gde se veštački iz našeg stvarnog uzorka izvlače dmgi uzorci (veličine n - 1) i za njih računaju distribucije uzoraka. Tim načinom se mogu vrlo egzaktno izračunati standardne greške za sve slatistike i u uslovima kada ocenjivanje standardne greške nije pouzdano (recimo kad su uzorci mali). Dakle, ocena standardne greške Mj, za varijablu j , iz uzorka računa se kao:
n Kada imamo ovako ocenjenu standardnu grešku, a znamo da je distribucija uzoraka nonnalna, onda lako moženio uspostaviti interval poverenja. Treba samo odlučiti koji nivo poverenja želimo. Uobičajeni nivoi poverenja su 95% i 99%. Da bismo dobili površinu pod nomialnom krivom, trebamo iz statističkih tablica pogledati kojaje to kritična vrednost z-a\a\\sti\ndL (označimo je s a z j koja omeđuje odabrani nivo poverenja, Dobro je poznato da ovim dvama nivoinia odgovaraju z^=l,96 i z= 2,58. Interval poverenja za aritmetičku sredinu dobićemo onda jednostavno kao M±z^a^^j. Svaki statistik ima svoju distribuciju uzoraka i svoju formulu za izračunavanje standardne greške. Dodatna diskusija o logiei, formulama i interpretacijama standardnih grešaka i intervala poverenja se nalazi u poglavlju o uzorkovanju. Naime, ovaj deo statističkog ocenjivanja (ocenjivanja param etara populacije iz statistika uzorka) je usko vezan i zasnovan na pitanju i problem u uzorkovanja. Upravo zato smo konačna objašnjenja upotrebe intervala poverenja dali u poglavIju o uzorkovanju. hitervah poverenja se nazivaju intervalnim ocenama parametara, za razUku od statistika, koji su tačkaste ocene. Statističari preferiraju intervahie ocene, što je sasvim u skladu sa zdravim razumom. Kad god je moguće, treba izračunati standardnu grešku i interval poverenja. Za većinu uobičajenih statistika razvijeni su teorijski modeh (jednačine) distribucije uzoraka. Medutim, postoji i veliki broj statističkih pokazatelja za koje ne postoje formule za distribuciju uzoraka. Iz toga sledi da se za njih ne može izračunati standardna greška. Takvi pokazatelji su npr. faktorska opterećenja u faktorskoj anahzi. Kad god neki pokazatelj zavisi od velikog broja faktora, vrlo je teško odrediti zakone njegove distribucije. Kasnije ćemo videti kako su statističari utvrdili ne samo zakone distribucije uzoraka statistika, nego i pokazatelja koji se koriste u testiranju hipoteza. Recimo, utvrđeno je da razlika aritmetičkih sredina dviju grupa sledi Z-raspodelu (tzv. Studentovu ih Gossetovu), odnos dve varijanse sledi F-raspodelu (Fi.sher-Snedecorovu raspodehi), a zbir kvadrata razhka sledi x^-raspodelu. Zato mi, kad utvrdimo npr. razliku izmedu dve aritmetičke sredine možemo lako utvrditi na kom je ona percentilu, odnosno koliko je verovatno da možemo naći veću razliku.
6.
Kategorijalne varijable
Dosada su svi primeri i objašnjenja bili namenjeni inter^'alnim varijablama. Intervalne varijable mogu biti kontinuirane (numeričke, metričke) i diskontinuirane (kategorijalne, prekidne), ako nastaju prebrojavanjem. U okviru izlaganja o teoriji mercnja pitanje kontinuiranosti je protumačeno kao pitanje teorijskog modela, dok je svako praktično merenje uvek diskontinuirano. Intervalne skale sa
kategorijalnim podacima (kao što je npr. broj dece u porodici) se najčešće tretiraju na isti način kao da su kontinuirane varijable. U poglavlju o merama centralne tendencije smo skrenuli pažnju na neke elemente interpretacije koje treba imati u vidu kada se „kontinuirana statistika” primenjuje na kategorijalne varijable. Kao što smo ranije rekli, što je nivo merenja viši, to su mogućnosti primene statističkih nietoda veće. Nominalne varijable su uvek kategorijalne. Na njih se ne može primeniti nikakav model kontinuirane raspodele. Nikakvim gledanjem kroz prste se to ne može sakriti. Međutim, to ne znači da uopšte ne postoji deskriptivna statistika i statistika ocenjivanja za nominalne varijable. Istraživači ponašanja obično koriste statistike koji se odnose na frekvencije i proporcije, odnosno procente. Pošto su nominalne varijable diskretne (prekidne, kategorijalne), za njih ne važi pretposlavka nonnahie, niti b ilo koje dnige kontinuirane d istrib u c ije . Za deskripciju kategorijalnih varijabli se najčešće koriste binomna i multinomna distribucija. Binomna distribucija ima vrlo slične pokazatelje kao i normalna distribucija, i u slučaju kada je uzorak vrlo vchki, binomna distribucija postaje vrlo slična noiTnahioj. No, statistici koji se računaju iz binomne distribucije su u osnovi proporcije (striktno rečeno vcrovatnoće) i njihovi proizvodi. Binomna distribucija je namenjena binamim varijablama i opisuje, na primer, situaciju bacanja novčića. Verovatnoća pojave pisma (kod pravilnog novčića) je/)=0,50, a verovatnoća da se ne pojavi pismo je g=l-;j=0,50. Verovatnoća se može oceniti iz uzorka kaop = f/n, gde je/frekvencija pojave pisma, a n broj bacanja (tj. veličina uzorka). Aritmetička sredina binomne distribucije je: M = np,
[50]
a varijansa: [51] Ne primer, ako bacamo jedan novčić «=100 puta, prosečan broj pisama će biti M=50, a standardna devijacija će biti a=5. Iz fonnule za binomnu distribuciju:'®
P if) = može se izračunati verovatnoća da ćemo u «=100 bacanja našeg novčića dobiti y^80 pisama i ona iznosi 4,23e-10 (odnosno 0,000000000423, otprilike četiri puta u 10 milijardi ponovljenih 100-strukih bacanja). Binomnara.spodelaje namenjena sitiiaciji kadapostoje dva ishoda: da-ishod i ne-ishod, sa verovatnoćamap i q, pri čemu mora bitip+ q= \. Zatim na populaciji
Simbol „!” u n! i x! se zove faktorijel (izraz se či(a kao n faklorijel i x faktorijcl). Faklorijcl je operacija ninoženja svih brojeva od 1 do označenc veličiuc: n!= n(n 1)(n 2) (n-3)...l.
ponavljamo eksperiment (npr. bacamo novčić) n puta i interesuje nas da li će se da-ishod javljati/ puta. Ako imamo višekategorijalnu varijablu, kao što je bračni status, sa kategorijama: 1 . oženjen/udata 2 . neoženjeiv'neudata 3. razveden/razvedena 4. udovac/udovica
65% 2 1% 5% 9%
onda ne možemo direktno da primenimo model binomne raspodele, osim za svaku kategoriju zasebno. Na primer, za kategoriju oženjen/udata bilo bi />==0,65 i ^7=0,35, a za kategoriju udovac/udovica bilo b ip^0,09 i ^=0,91. Međutim, teorijska funkcija distribucije koja u celini opisuje ovakvu politomnu varijablu je multinomna, ali je ovde nećemo dalje obrađivati. U glavi o uzorkovanju će biti obrađena tehnika ocenjivanja proporcija, izračunavanja standardne greške ocena i intervala poverenja. Standardna greška proporcije izračunava se prosto kao:
Kategorijalne varijable osim binomne mogu pratiti i druge teorijske modele raspodela. Naročito je primenjiv model multinomne raspodele, koji predstavlja izvesnu generalizaciju binonme raspodele kada postoje više od dva ishoda (kao u našem primeru sa bračnim stanjem). Medutim, momenti multinomne raspodele su potpuno isti kao i momenti (npr. aritmetička sredina i varijansa) binomne raspodele, jedino što se računaju za svaku kategoriju ponaosob. Namena standardne greške proporcije je prvenstveno u izračunavanju intervala poverenja. To je istraživaču važno da bi mogao da postavi intervabiu ocenu parametra populacije - na primer koliko se može pouzdati u svoj nalaz da će predsednički kandidat dobiti određenu proporciju glasova. Sledeća mogućnost koju statistika nudi istraživaču u pogledu nominahiih varijabli je da komparira dobijenu distribuciju frekvencija sa nekom teorijskom distribucijom. N a primer, dobijena distribucija frekvencija za bračni status (u procentima) od 65-21-5-9 se može uporediti sa nekom drugom raspodelom koja potiče iz nekog drugog istraživanja, ili iz nekog popisa, koja na primer glasi: 60-23-7-10. Poređenje dve distribucije frekvencija se po pravilu izvodi x’ testom (u ovom primem smo naveli procente, p a t e s t nije primeren) i to može da posluži za testiranje tačnosti dobijenih frekvencija neke nominalnc varijable.
7.
Neka dodatna pitanja u vezi desl
U odeijku o merama centralne tendencije smo za aritmetičku sredinu rekli da je ona najbolja ocena parametra populacije. Nažalost, to ne važi za sve
statistike. Primer toga je varijansa, koja je pristrasna ocena varijanse u populaciji i to u smislu potcjenjivanja (niža je nego što bi trebala biti). Nepristrasna ocena varijanse populacije iz varijanse uzorka se može izračunati iz: a
n
2
.
f54]
Vrlo čest slučaj je da se u formulama za računanje varijanse i standardne devijacije, a i u statističkim paketima automatski uvodi ova korekcija i to tako da se sredi originalna formula za varijansu putem gornje formule i to kao:
z t55] Nekada se u outputu statističkih paketa ova korigovana varijansa naziva „varijansom za populaciju” ili slično (nasuprot „varijanse za uzorak”). N orm alizacija. - Rekli smo da se oblik distribucije, tačnije normalnost, može oceniti na više načina. Ako dobijena distribucija odstupa od nomialne, a istraživač oceni da je odstupanje artefakt nekili prolaznih uslova koji su važili tokoin prikupljanja podataka (npr. selekcioniran uzorak, kratko vreme testiranja ili slično), onda on može odlučiti da otkloni nenormalnost distribucije. Nenormalnost distribucije se može otkloniti različitim transfonnacijama varijable. To se po pravilu radi nizom pokušaja i pogrešaka, dok se ne postigne zadovoljavajući efekt, a rezultati ostanu interpretabilni (treba znati da transformacije mogu uticati na rezultate na neželjen način, što zahteva oprez prilikom transformacije). Za otklanjanje negativne asimetrije koriste se x-’ ili pozitivne asimelrije Iog.x, , Mx ili 1/jr, a leptokurtičnosti arcsirtr. Složenija transfonnacija je tzv. normalizirajuća transformacija koja se nudi u statističkim paketima i koja nonnalizira varijable putem primene inverznog integrala normalne distribucije. E kstrcm i. - Ovaj problem može da muči inlervalne i racio varijable. Radi se retkim ekstremnim vrednostima (eng. outliers) koje mogu veoma značajno da utiču na rezultate testiranja razlika aritmetičkih sredma. Poznata je pojava ekstrema kod varijabli koje mere iznose kao što su novčani iznosi, ili kod iaboratorijskih istraživanja kod varijabli koje prcdstavljaju npr. prisustvo hormona u krvi. Pojava ekstrema je povezana sa odstupa:njem od normalnosti i može da se reši transfonnacijama varijabli. Naravno, istraživač prvo mora da proveri da li ekstremi nisu prosto posledica grešaka (ta se provera, zajedno sa drugim proverama, uvek radi u preliminamoj fazi obrade podataka, nakon prve deskriptivne statistike). Ako se radi o stvamim ekstremnim vrednostima, onda istraživač može da odluči da ih veštački „vrati u ra.spon”, ukoliko smatra da to neće ukloniti neke važne informacije sadržane u ekstremnim vrednostima. Na primer, ako se radi o mescčnim prihodima domaćinstva, a neki ispitanik je naveo iznos od 200.000 € zato što je tog meseca prodao kuću, onda se taj ekstrem može tretirati kao efeme-
ran i bez značaja za praćenje standarda stanovništva. Zato istraživač može umesto 200.000 € da unese vrednost sledeće niže najveće vrednosti ili nešto slično.
C.
Korelacija i regresija
U uvodnim poglavljima smo korelaciji dali veoma značajnu ulogu u empirijskoj metodi uopšte, aposebno u statističkoj analizi individualnih razlika. Izučavajući veze izmedu varijabli mi otb'ivam o skrivene izvore tih varijabli. Izučavanje korelacija izmedu manifestnih varijabli nam služi za olkrivanje latentnih varijabli. Obično se razlikuju dve vrste povezanosti izmedu varijabli: funkcionalna i statistička. Funkcionalna povezanost je ona koju definišu fizički zakoni (npr. odnos zapremine gasa, pritiska i temperature) i ovde o njoj nećcmo raspravljati. Nas interesuju statističke veze (nekada se nazivaju i stohastičkim, slučajnim vezama), jer upravo takve veze možemo da utvrdimo u socijalnini istraživanjima. I opet je situacija takva da je korelacija za normalno distribuirane intervalne varijable najbolje defmisana i najkvalitetnija mera povezanosti izmedu varijabli. Veza između ordinalnih i nominalnih varijabli, kao i kategorijalnih i onih koje nisu normalno raspodeljene se, naravno, mogu utvrditi na različite načine, ali je kvalitet statističkih pokazatelja povczanosti u tim slučajevima gcneralno niži. Regresija je pojam koji je skovao Sir Francis Galton nakon što je uočio da deca vrlo visokih roditelja nisu tako visoka kao oni, niti su deca vrlo niskih roditelja tako mala kao oni. On je to prvo nazvao regresijom ka proseku, a zatim je regresija dobila današnji smisao - kao veza (regresija) jedne varijable na drugu. Regresija i korelacija su povezani pojmovi, po opštoj logici, jer su regresioni koeficijenti i koeficijent korelacije u preciznom odnosu, ali postoje i neke suštinske razlike.
1.
Regresija
Na slici 18 prikazani su dijagrami raspršenja (eng. scatter diagram) za dve varijable, x ij^. Na dijagramu (a) korelacija između ove dve varijable je lineama i pozitivna, na dijagramu (b) korelacija je lineama i negativna, a na dijagramu (c) korelacija je nulta. Da je korelacija (i regresija) izmedu varijabli lineama vidi se, u principu, po tome što raspršenje sledi pravu liniju. Predznak korelacije je diktiran nagibom linija regresije. Tačke na dijagramima predstavljaju objekte, recimo ispitanike. Vidimo da na slici (a) objekti koji su niski na varijabli x teže da imaju nisku vrednost i na varijablij^. Na slici (b) je to upravo suprotno, dok na slici (c)
ne postoji nikakva pravilnost u tom pogledu. O dijagramima raspršenja će još biti reči na str. 538 gde će biti prikazani primeri nelineamih veza između pojava.
(a) Pozitivna lineariia korelacija
(b) Negativna linearna koreladja
(c) Nema korelacije
Slika 18. Korelacija i regresija dve varijable To što su na dijagramima (a) i (b) ucrtane dve linije nije slučajno. Naime, regresijanije jednaka k adaje sa varijable j^na^* i sa varijablej; nax. Zbog toga bi regresione prave verovatno izgledale tako kako su ucrtane. Pogledajmo regresijsku jednačinu koja je prikazana na grafikonu (a): / = b,x + b„.
[56]
Čitava jednačina u matematičkom smislu predstavlja lineamu funkciju, odnosno u geometrijskom smislu defmiše jednu pravu. Zato se i ova jednačina naziva linearnom regresijom (za razliku od nje, postoje i razne vrste nelinearnih, krivohnijskih regresija). Vrednost b, se naziva regresionim koeficijentom i na grafikonu prcdstavlja ugao, odnosno nagib regresione prave u odnosu na apscisu. Vrednost je tzv. regresiona konstanta i na grafikonu defmiše visinu regresione linije u odnosu na koordinatni početak. Zato se ovaj koeficijent često naziva odsečkom. U tenninologiji regresije, varijabla x se obično naziva nezavisnom varijablom ih prediktorom, a varijabla y zavisnom varijablom ili kriterijumom. Ovi nazivi su direktno izvedeni iz opšte namene regresione jednačine da se iz jedne varijable prcdviđaju vrednosti druge varijable. Egzaktno napisana regresiona jednačina zapravo glasi: y = b , x + bo
[57]
pri čemu / označava prediktovane, predvidene ili procenjene vrednosti varijable y. Razlika ()' - f ) se naziva rezidualom - odstupanjem, a kvadrat te razlike (y je minimalan u odnosu na sve druge moguće jednačine jer regresiona jednačina predstavlja liniju čiji su kvadrirani reziduali najmanji. Na grafikonu (a) je ucrtana i verovatna druga regresiona linija, defmisana regresionom jednačinom: x = a,y + a^. U terminologiji regresije, ta regresiona linija opisuje regresijuj' na x. Regresiona linija y = b,x + b„ poseduje različita zanimljiva svojstva, korisna za izučavanje statističkih povezanosti između intervalnih varijabli. Jedno od glavnih svojstava je to što ta linija zadovoljava „metodu najmanjih kvadrata”.
To je jedna od najčešćih metoda u matcraalici koja služi za fitovanje funkcija. Radi se o tome, da ako raspršenje prikazano na slici (a) želimo da fitujemo (opišemo, aproksimiramo) pravom linijom, onda će ta linija biti regresiona linija. Regresiona linija je linija najmanjih kvadrata zato što su kvadrati odstupanja svih tačaka od te linije (u odnosu na sve druge prave linije) najmanji. Kvadrati odstupanja, kao što smo malopre videli, u regresiji se nazivaju rezidualima. U praksi se preponičuje da se u okviru interpretacije regresione analize posmatraju i reziduah, a komercijalni statistički paketi nude različite pokazatelje za njihovu analizu, Reziduaii su one informacije u varijabli y koje se ne mogu predvideti iz varijable X . Cuvena jednačina Johna Tukeya glasi: podaci = fil + rezidual. Ova jednačina će pomoći čitaocu da razume ne samo logiku lineame regresije, nego statističkog modeliranja uopšte. U svakom modelu postoji deo koji „fituje” (odgovara stvarnosti) i deo koji ,,ne fituje” (ne odgovara stvarnosti). Plodonosna je analiza oba dela, iako istraživači obično tumače samo onaj prvi deo. Regresioni koeficijent bj se izračunava na sledeći način: nV X V - Y x Y X
a regresiona konstanta kao b„ = - bjM,. Navedena foiTnula za b, je tzv. intuitivna formula, sa zanemarivanjem indeksa i precizne identifikacije elemenata sumiranja. Može se uporediti sa sHčnom formulom za koeficijent korelacije koja je data malo dalje u tekstu. Na primer, neka je jedan ispitanik na varijabii .x (telesna visina) postigao vrednost 142 cm, a na varijabli y (telesna težina) dobio vrednost 34kg. Nakon regresione analize na svim izmerenim ispilanicima dobili smo regresionu jednačinu ttcžina = Q,15A9^tvisina - 73,2758. Iz te jednačine možemo izračunati za našeg ispilanika predviđenu telesnu težinu ^ 3 3 ,9 2 . Rezidual je y - y = 0,08kg. Treba uzeti u obzir da je na ovoni primeru koeficijent korelacije c=0,86, dakle vrlo visok. Obrnuto, regresija sa težinc na visinu iniala bi jednačinu tvisina = 0 ,9 n 3 x tte ž in a + 108,5077. Naš ispitanik imao bi predviđenu visinu od 141,74cm, što daje rezidual od samo 0,26cm” . Regresioni koeficijent se može inteipretirati kao veličina za koju će se povcćati varijabia>’ kada bi vrednost varijable^ porasla za 1. Osim regresionog koeficijenta iz jednačinej’ = b,x + b„ koristi se i tzv. standardizovani regresioni koeficijent koji se prinienjuje na standardizovane varijabie. Kada se obe varijable standardizuju, jednačina glasi;^. = ji,x.. Kad su varijable standardizovane, nema odsečka, nego regresione linije prolaze kroz koordinatni početak. Standardizovani regresioni koeficijenti se obično označavaju i nazivaju grčkim slovom beta.
” Savovajračunjcbaziranna: ^ = 2 8 1 4 , ^y=658,8, £.r"=396462,5, £7^=22112,34, X A l-93095,3 i W-20.
2.
Korelacija
Šta je koeficijent lineam e korelacije. On se konvencionalno označava sa r i niožemo se napisati da je; ^ = b,a„
[59]
gde su b, i a, regresioni koeficijenti iz gornje dve regresione jednačine. Korelacija je dakle „srednja regresiona linija” u jednoin literarnom smislu - kao kad bismo na sredini izmedu dve regresione linije na dijagramu (a) povukli treću liniju. Takođe, sa malo izvodenja se može dobiti da je , cr^ or = b , ^ = a ,-^ -,
[60]
gde su ffj i ff,, standardne devijacije. Postoje i druge mogućnosti da se koeficijent lineame korelacije izvede iz regresije je r postoje mnogi meduodnosi regresionili veličina. Koeficijent lineame korelacije, koga je, kao kvantitativnu meru linearne statističke povezanosti izmedu varijabli konstmisao Karl Pearson, a na osnovu Galtonovog otkrića regresije može se napisati kao:
[61] V.-1
/-I
Simbol označava takozvanu kovarijansu varijabli x i y, a i su devijacioni skorovi tih varijabli. Krajnje desno je poznata „psihološka” fomiula za ručno izračunavanje koeficijenta korelacije iz sirovih skorova, koja matematički nije potpuna, ali je intuitivno jasna. Naravno, danas će retko ko računati korelaciju mčno, pa ta fomiula ima samo edukativni značaj. Svaki koeficijent korelacije, ako pretenduje da bude dobra kvantitativna mera povezanosti izmedu dvc varijable mora zadovoljavati sledeća 3 uslova: • Njegova vrednost je jednaka nuli ako, i samo ako ne postoji slohastička povezanost između varijabli. • Njegova vrednost je jednaka jedan ako, i samo ako postoji funkcionalna povezanost izmedu varijabli. • U svim ostalim slučajevima, njegova vrednosl se mora kretati između -1 i+ 1. lako ovi uslovi izgledaju vrlo blagi, samo retki koeficijenti korelacije ih ispunjavaju, a i oni samo pod određenim uslovinia. Pirsonov koeficijent lineame korelacije ih ispunjava, ali samo ako su varijable x i y intervalne i normalno raspodcljene. Radi se o tome da na nivou teorijske statistike, putem analize formula.
može biti pokazaiio kako, recimo, r =0 ne mora da znači odsustvo korelacije ako varijable nisu normalno raspodeljene. Međutim, nasuprot tome postoje brojne simulacione studije u kojima su se simulirale različite varijable sa različitim distribucijama (tzv. Monte Karlo studije) i pratile promene koeficijenta korelacije. Ispostavilo se da je taj koeficijent vrlo robustan na odstupanja od teorijskih uslova koji se postavljaju pred varijable. To znači da se istraživač m ože osloniti na r-koeficijent dobijen na konkretnom uzorku, na konkretnim varijablama, bez obzira što logička analiza i deskriptivna statistika ukazuju da varijable nisu na intervalnom nivou i nisu normalno raspodeljene. Cak se pokazaio da obični r-koeficijent sasvim dobro ocenjuje povezanost ordinalnih varijabli.
Postoji još jedna moguća interpretacija regresije i korelacije, vrlo pogodna za tumačenje nestatističarima. Ona se bazira na predstavljanju varijanse kao površine (što je objašnjeno u poglavlju u merama varijabiliteta). No, umesto striktnog korišćenja kvadrata, koriste se tzv. Eulerovi ih Vennovi dijagrami. Ojler-Venovi dijagrami su došh iz teorije skupova i prcdstavljeni su ovahiim (pravilnim ih nepravihaim) obhcima. N a shci 19 su prikazane naše dve varijablc pomoća dva Venova dijagrama. Vidi se da varijanse te dve varijable nisu iste i da je x manje varijabilna (manji oval). Osenčeno područje prikazuje površinu zajedničke varijanse koju dele obe varijable. Za taj deo varijanse jedne varijable se kaže da ga objašnjava druga varijabla. K oeficijent korelacije se onda prosto može napisati kao:
objasnjena v arijan sau y ukupna varijansa y Naravno, analogna jednačina se može napisati za predvidanje x iz ;'. Jasno se vidi da je koeficijent korelacije odnos, dakle „čist broj”, nezavisan od jedinica mere varijabh. Može se reći da se tokom izračunavanja koeficijenta korelacije varijable „intemo” standardizuju. Iz gomje jednačine sledi česta praksa da istraživači, kad vide koeficijent korelacije od npr. r = 0,7 kažu da to znači da te
varijable dele = 0,7^ = 0,49 varijanse, odnosno da jedna varijabla objašnjava 49% varijanse dnjge varijable. lako je ovakvo tumačenje slikovito i intuitivno, nema potrebe da se jedna kvalitetna mera (kao što je koeficijent korelacije) zamenjuje jednom m anje kvalitetnom (kao što je procenat). Recimo, vidimo da na sirovim varijablama, varijabla y objašnjava veću proporciju varijanse u x nego što x objašnjava u y . Naravno, za tako važan statistički pokazatelj kakav je koeficijent korelacije neopliodno je da se zna kakva mu je distribucija uzoraka. Cilj je, kao i u ocenjivanju svakog drugog statistika, da se utvrdi koliko je precizna ocena korelacije u populaciji (označićemo je sa p) iz r-koeficijenta izračunatog na uzorku. Nažalost, ispostavilo se da je određivanje distribucije uzoraka za koeficijent korelacije teško, jer zavisi od različitih činilaca, izmedu ostalog i od visine korelacije u populaciji p. Fisher je utvrdio da je distribucija uzoraka /-koeficijenta kada je parametar jednak nuli, p=0, simetrična i da se može pretvoriti u /-raspodelu putem transfoi-macije: t =
r-Jn - 2 --------
[63]
Dakle, na osnovu ovako izračunatog ^statistika i broja stepeni slobode od («-2) možemo iz tablica videti na kom percentilu se on nalazi. Ako je veći od tskora koji se nalazi na 95-om percentihi kazaćemo da je naš značajan na nivou 95% (odnosno 0,05). Naravno, danas retko ko gleda statističke tablice, jer statistički paketi automatski egzaktno računaju percentil dobijenog r-statistika. Recimo da smo na uzorku od n=18 dobili koeficijent korelacije od 0,32. Interesuje nas da li na nivoima značajnosti 0,01 i 0,05 možemo reći d aje odgovarajući parametar različit od nule. Dakle, nulta hipoteza je da je H„: = 0, a altemativna hipoteza H ,:p > 0. Koristeći goniju fonmdu dobićemo d aje ?= 1,35. Iz statističkih tabhca, za broj stepeni slobode foj=16, nalazimo daje odgovarajući h .95 = 1>75. Pošto je naš dobijeni t = 1,35 manji od te kritične vrednosti, ne možemo da odbacimo nultu hipotezu - dobijeni r nije značajno različit od nule. Pošto smo H|| zadržali na nivou 0,05, sigumo je da ćemo je zadržati i na nivou 0,01. Zbog kompleksnosti distribucije uzoraka r-koefijenta, za izračunavanje intervala poverenja koristi se specifičan postupak. Fisher je predložio logaritamsku transfomraciju r-koeficijenta kojom se dobija statistik vrlo približan z-statistiku i koji se distribuira nora:alno. Ova Z-transfonnacija je definisana na sledeći način: Z = 0 ,5 1 n [ ( l+ r ) /( l- /- ) ]
[64]
gde je In oznaka za prirodni logaritam. Distribucija uzoraka ovog Z-statistika je približno normalna, sa standardnom greškom: •V« - 3
Nakon što se izračuna intcrval poverenja za Z, granice intervala se mogu vratiti u r-koeficijente inverznom transformacijom r = (e^ - 1) / (e^ + 1). Z statistik ne zavisi od visine korelacije u populaciji ni od veličine uzorka. Na primer, na prethodnom primeru, gde smo na uzorku veličine 77= 18 dobili koeficijent korelacije od od r=0,32, dobićemo da je 95% interval poverenja za Zstatistiic od -0,1744 do 0,8377. Kada granice intei-vala vratimo u /--koeficijente, dobićemo d aje 95% interval poverenja za naš r-koeficijent -0,1727— 0,6846. To znači da sa sigurnošću od 95% možemo da tvrdimo da se parametar populacije nalazi u tom rasponu. Vrlo važno je da se uoči da interval poverenja obuhvata i nulu. Uvek kada interval obuhvata nulu moramo biti svesni da naša dobijena korelacija nije značajno različita od nide. Kao što se vidi, lako se proverava nulta hipoteza za koeficijent korelacije, tj. hipoteza da je p=0 pomoću navedenog /-statistika. Upravo je ta mogućnost uobičajena u statističkim paketima. Ona nije besmislena, jer istraživač u minimalnom smislu mora biti siguran da li je njegova korelacija značajno različita od nule. Međutim, ako ga interesuje da se nulta hipoteza ne odnosi na nultu vrednost korelacije u populaciji, nego na neku specifičnu vrednost p* 0 , onda će morati obaviti transfomaaciju r u Z (verovatno ručno), utvrditi p-vrednost za dobijeni Z (kao za z) i odlučiti da li da je odbaci ili zadrži na osnovu usvojenog nivoa značajnosti (v. poglavlje o testiranju hipoteza). Razlike korelacije i re gresije .- Za regresiju je poznato da je osetljiva na uzorak - u smislu da regresioni koeficijenti mogu značajno variraju na malim i nereprezentativnim uzorcima, posebno ako je njihova varijabilnost smanjena. Međutim, kada se izračunaju nagib i odsečak regresione linije, oni će biti isti u svakom segmentu uzorka po nezavisnoj varijabli. Drugim rečima, regresiona iinija je invarijantna (jednaka) u subpopulacijama, ukoliko podaci fituju linearni model u potpunosti. Koeficijent rn ije invarijantan u subpopulacijama, a posebno zavisi od varijanse u subpopulacijama. Regresioni koeficijent, koji definiše nagib regresione krive, ne zavisi od svojstava populacije, posebno varijabilnosti, a koeficijent korelacije zavisi. Koeficijent korelacije nije direktni parametar regresione linije, iako odražava nagib elipse raspršenja i usko je povezan sa regresijom.
D. Višestruka regresija i višestruka korelacija
Bivarijatna regresija koja je opisana u prethodnom poglavlju se u praksi retko koristi i služi skoro isključivo za tumačenje principa regresije i korelacije. Svoju punu upotrebljivost regresija dobija kada se generalizuje na više varijabli. U tom obliku ona se naziva multivarijatnom, multiplom ili višestrukom regresijom. U slučaju regresije, multivarijatnost se ogleda u većem broju prediktora, odnosno nezavisnih varijabh, dok je zavisna varijabla uvek jedna. U multiva-
rijatnoj statistici postoji jedna metoda koja je analogna višestrukoj regresiji, ali u kojoj i zavisnih varijabli može biti više - to je kanonička korelaciona analiza. Dakle, jednačinu višestruke regresije možemo napisati kao: 3^ = b,x, + 6^ , + . . , + b„pc,„ + b„,
[66]
gde je sa m označen broj prediktora. Vidimo da je sve vrlo slično i da je jedino potrebna generalizacija na više prediktora. U višestrukoj regresiji je važno znati da je puni naziv regresionih koeficijenata bj parcijalni regresioni koeficijenti. Naime, oni predstavljaju vrednost za koju će se promeniti vrednost varijable;^ ako se vrednost dotičnog prediktora Xj poveća za 1, a vrednost svih ostalih prediktora ostane ista. Videli smo iz grafičkog prikaza bivarijatne regresije da se povezanost varijabh u izražava uglom između linija varijabli. „Linije varijabli” se u matematici predstavljaju vektorima, odnosno nizom podataka koje varijabla sadrži. Još tačnije rečeno, ako su varijable standardizovane, korelacija izmedu varijabli x i y je jednaka kosinusu ugla koga zaklapaju njihovi vektori ili: r ^ = cos(Zxy)
[67]
i pošto je cos(90'*)=0 i cos(0“)= l, što je ugao manji, korelacija je veća. Ovu činjenicu čitalac je mogao da uoči već pri interpretaciji bivarijalne regresije u kojoj smo rekli da regresioni koeficijent predstavlja nagib regresione linije. Takode, dužina vektora odražava varijabilitet varijable. Otuda se na „vektorskim” grafičkim prikazima prilično tačno mogu reprodukovati svojstva različitih statističkih tehnika. Radi jednostavnosti, podrazumevaćemo da smo sve varijable prethodno standardizovali, ah ćemo pri označavanju standardizovanih varijabli ispustiti indeks ,,s” koji smo koristih u prethodnim poglavljima. Tako će varijabla u simbohčkom smislu biti npr. y, a vektor njenih standardizovanih rezultata y. Pošto su varijable standardizovane, regresione koeficijente ćemo označavati sa Pj, a regresiona konstanta će nestati iz jednačine. Slika 20 pred.stavlja jedan od mogućih prikaza višestruke regresije sa dva prediktora x, i x, u standardnom Dekartovom praovuglom koordinatnom sistemu. Iz nje se vidi većina svojstava regresije. Vidljivo je, recimo, da se prediktovana vrednost y zavisne varijable y može predstaviti kao njena projekcija na hiperravan koju rastežu prediktori. G uttmanje tu projekciju nazvao imažem varijablej'. hnaž varijable je, dakle, onaj deo varijanse varijable koji se može predvideti iz prediktora; na slici 21 je predstavljen zbirom svih osenčenih površina. U ovom slučaju je hiperravan prosta ravan jer imamo samo dvaprediktora: x, i x,. Reziduale (y - y) predstavlja druga kateta pravouglog trougla, pa je jasno da se za izračunavanje jednih iz dnigih koristi obična Pitagorina teorema (jednačina [69]). Vidljivo je da će prediktovana vrednost y biti to veća što je ugao 9 izmedu zavisne varijable i hipeiTavni manji, jer to znači da je ukupna korelacija između zavisne varijable i prediktora veća. To defmiše jednačina [70] u kojoj je R koeficijent
višestruke lineame korelacije. }e koeficijent determinacije, ili kako se često naziva u MVA - SMC (engleska skraćenica od Squared Multiple Correlation).
sa dva prediktora y = + f^2X2 / = f +(y-yf CQs{0) = y / y = R iy-yf=y\\-R^) y=y^R^
[ 68 ]
[69] [70] [71] [72]
Jednačina [68] je zapravo regresiona jednačina i njene komponente y5,x, i su prikazane na grafiku, ali nisu sasvim tačne. No, za generalno razumevanje situacije je njihov prikaz dovoljan jer objašnjava šta se dešava sa regresionim koeficijentima kada se menjaju korelacije između prediktora, kao i korelacije prediktora sa kriterijumom, Naime, veoma značajno u višestrukoj regresiji, a to je sasvim blisko zdravom razumu i provlači se kroz čitavu oblast MVA, je to da „dejstvo” prediktora na kriterijum zavisi od medusobne korelacije prediktora. Kao što se može očekivati, neke varijable mogu zajednički delovati u predikciji, neke se međusobno potiru, a neke su nezavisne. Na našoj slici se lepo vidi da je doprinos prediktora X, predikciji (izražen kroz ^,x,) veći, jer je ugao a između projckcije y i prediktora x, manji nego ugao izmedu te projekcije i prediktora x,. Vidi se, takode, da će doprinosi prediktora generalno biti veći ako je korelacija izmedu njih manja i obratno (ugao između njih nije označen na grafikonu). Još jedna relevantna stvar se uočava u grafikonu. Sve varijable se seku u jcdnoj tački. Ta situacija se dogada samo kod varijabli koje su centrirane, odnosno koje su iskazane kroz tzv. devijacione skorove (v, jedno ranije poglavlje), odnosno kroz odstupanja od njihove aritmetičke sredine: )'(.={>’,■- M^}. Ne samo to, pošto smo regresione koeficijente označiU sa j), onda smo sugerisali da se radi i o standardizovanim varijablama. Pošto je standardna devijacija standardizovanih
varijabli jednakajedan, trebale bi dužine svib varijabli u grafikonu biti jednake. To što nisu je samo zbog tehničkih zahteva da crtež bude pregledan. Još jedna napomena za matematički obrazovanije čitaoce. Jednačine [68] [72] dopunjavaju sliku 20 i one su napisane u „nematematičkom” stihi, odnosno tako da ih otprilike razume svako ko je upoznat sa linearnom regresijom. Medutim, one sadržavaju jedan ozbiljan nedostatak koji se odnosi na nedoslednost korišćenja imena promenljivih kao što su i Naime, ako se radi o vektorima zavisne varijable y i prediktovanih vrednosti y, onda goraji izrazi ne važe, jer recimo operacija d e l j e n j a n i j e primenjiva na vektorima. U jednačinama [68] [72] imena označavaju skalare i to dužine vektora. Višestruka regresija se može prikazati i pomoću Venovih dijagrama. Pogledajmo prikaz koji bi bio analogan prethodnom vektorskom prikazu. Na shci 21 prikazano je preklapanje prediktora (tamnije osenčena površina), od kojeg jedan deo oba prediktora dele sa kriterijumom. Taj zajednički deo pripada obama prediktorima i iskazivao bi se kroz bivarijatne korelacije. Međutim, tek kad se u jednačinu uključi i drugi prediktor možemo otkriti da ovaj deo varijanse kriterijuma objašnjava još jedna varijabla. Svethje osenčene površine prikazuju nezavisne (parcijaine) doprinose prediktora lcriterijumu. Vidi se da one nisu jednake i da pi'vi prediktor bolje zasebno predviđa kriterijum od dingog prediktora.
U izlaganju bivarijatne regresije pokazali snio da je koeficijent lineame korelacije usko povezan sa regresionini koeficijentom. Da h postoji koeficijent korelacije i u višestrukoj regresiji? Na slici 20 i pratećim jednačinama pokazah smo da postoji i da on i dalje predstavlja ugao nagiba vektora zavisne varijable na multidimenzionalnu ravan svih prediktora (hiperravan). Koeficijent višestruke linearne korelacije se označava velikim slovom , sa indeksima koji označavaju njegovu prirodu. Kao što smo za obični koeficijent korelacije rekli da se
može interpretirati kao odnos objašnjene prema nkupnoj varijansi, tako i višestruki R ima direktnu vezu sa varijansom. Naime, kada se kvadrira, se naziva koeficijentom determinacije i predstavlja proporciju varijanse u kriterijumu koju objašnjavaju svi prediktori zajedno (sva osenčena površina u n a slici 2 1 ). Ry 1 ^predstavljaukupan uspehpredikcije. PomoćuT?^^, ^ to možemo predstaviti kao proporciju koju uključeni prediktori objašnjavaju u kriterijumu. Da bismo znali da li je ta dobijena predikcija u statističkom smislu različita od nagadanja na osnovu šanse, iz se izračunava F-statistik čija se značajnost ocenjuje iz statističkih tablica, a statistički paketi izračunavaju egzaktnu verovatnoću. Poznata je i distribucija uzoraka za i otuda se može izračunati njegova standardna greška. Ova slandardna greška se često specifično naziva standardnom greškom predikcije, ili standardnom greškom ocene. Standardna greška predikcije je u stvari standardna devijacija reziduala (reziduali su defmisani isto kao i u bivarijatnoj regresiji). To znači da se, isto kao u bivarijatnoj regresiji, standardna greška predikcije može interpretirati kao prosečno odstupanje reziduala odpredviđenih vrednosti (i to u stvamim jedinicama merenja). Što je standardna greška predikcije veća to su odstupanja veća. Moglo bi se reći da standardna greška predikcije govori o preciznosti predikcije. Poznate su i distribucije uzoraka regresionih koeficijenata pa se njihova statistička značajnost rutinski izračunava u komercijakiim statističkim paketima (preko /-testa ili F-testa). Ono što u prilcazu sa Venovim dijagramom na slici 21 nije moguće predstaviti, to su negativne veze, a one mogu značajno da komplikuju interpretaciju višestruke regresije. Izvesni prediktori mogu da „prigušuju” delovanje drugih prediktora. To su čuvene varijable supresori koje se prepoznaju na osnovu analize outputa višestruke regresije: a) oni imaju regresioni koeficijent različit od nule, b) koeficijent korelacije sa kriterijumom znatno manji (po apsolutnoj vrednosti) od regresionog koeficijenta ili c) koeficijent korelacije sa kriterijumom ima dmgačiji predznak od regresionog koeficijenta (koristi se standardizovani regresioni koeficijent - /5). Supresija odnosno prigušivanje se ogleda u tome što takve varijable „privlače” iz dmgih prediktora jedan deo njihove varijanse koji je slabo ili negativno koreliran sa kriterijumom i zbog toga ti prediktori ne mogu da postignu visoku prediktivnu moć. Nakon što varijabla supresor „privuče” tu „nekorisnu” varijansu, dmgi prediktori bolje predvidaju kriterijum. Zato se može desiti da se predviđanje uspeha u nekom poslu (kriterijumu) može popraviti uvođenjem nekog testa (prediktora) koji sam po sebi ne korelira sa uspehom, ih čak ima negativnu korelaciju. Taj test, naime, može poboljšati prediktivnu moć drugih prediktora, prigušujući u njima „nekorisnu” i „štetnu” varijansu. Postoje i drugi složeni odnosi izmedu prediktora međusobno i sa kriterijumom, koji odražavaju složene veze koje postoje u realnom životu, a koji mogu da otežavaju interpretaciju višestmke regresije. U načelu, u regresiji važi pravilo da Ryj „ utoliko viši ukoliko su a) korelacije prediktora sa kriterijumom veće i b) korelacije izmedu prediktora manje. Medutim, postoje i „dopime” ta osnovna dva principa. Na primer, uočeno je da što se tiče pravila pod b), dobro je da prediktori
budu nisko korelirani, ali dobro je i kad su vrlo visoko korelirani. Takođe, vrlo je dobro poznato pravilo, koje ima nmoge zdravorazumske reperkusije, da stalno raste sa povećanjem m, odnosno sa dodavanjem novih prediktora, ma kakvu korelaciju ti prediktori imali međusobno i sa kriterijumom. Mnogi to interpretiraju tako da ako bismo znali sve stvari osim jedne, znali bismo i tu stvar. U današnjim statističkim paketima višestruka regresiona analiza obično sadrži tzv. postupnu proceduru (eng. step-by-step), tokom koje se redom u jednačinu uključuju prediktori po svojoj parcijalnoj prediktivnoj moći, sve dok se ne ukijuče svi prediktori čiji je regresioni koeficijent značajan. To se na englesicom zove ,,forward” procedura. Obratno, kod ,,backward” procedure se inicijalno uključc svi prediktori, pa se onda, korak po korak isključuju najslabiji prcdiktori. Postoje i mogućnosti da se „koračanje” vrši slobodno i naizmeničiio, jer se zbog složenih veza izmedu prediktora i kriterijuma može desiti da neki prethodno uključeni prediktor izgubi značajnost predikcije (beta-koeficijenta) nakon uključivanja nekog od novih prediktora. Postoje jake kritike postupnih procedura, koje se osim u regresiji koriste i u diskriminacionoj analizi. Glavna primedba se sastoji u tome da je redosled uključivanja prediktora vrlo podložan malira varijacijama u uzorku ispitanika i u greškama merenja, a svaki uključeni prediktor (počevši od pi“vog) utiče na izbor svih ostalih. Višestruka regresija, iako verovatno najpopulamija multivarijanta tehnika, ima probleme sa stabilnošću. To znači da regresioni koeficijenti zavise od konkretnog uzorka ispitanika i uzorka varijabli. Na jednom uzorku jedna varijabla može imati visok regresioni koeficijent, a na dmgom nizak. U tom smislu je ki'itika postupne procedure opravdana. Međutim, pošto problem nestabilnosti važi za regresiju uopšte, ništa ne smeta da istraživač oprezno, imajući sve u vidu, isproba nekoliko varijanti „koračanja” kako bi ustanovio koji skup prediktora daje optimalnu predikciju (najveći R sa najmanjim brojem varijabli).
E.
Statistika zaključivanja - testiranje hipoteza
U udžbenicima statistike se testiranje hipoteza, zajedno sa statistikom ocenjivanja, obično svrstava u tzv. statistiku zaključivanja. Kao što smo i ovde rekh, to zaključivanje je primarno induktivno jer mu je glavni cilj da se izvrši generalizacija sa jednog manjeg skupa (uzorka) na veći skup (populaciju). Mi smo elemente statistike ocenjivanja (ocenjivanja parametara iz statistika) izložili u poglavlju o deskriptivnoj statistici. Drugi zadatak, izučavanje korelacija, izložili smo uprethodna dvapoglavlja 0 regresiji, korelaciji i višestmkoj regresiji. Medutim, prava analiza individualnih
razlika koja ima za cilj teoretisanje o latentnim varijablama se postiže primenom metoda multivarijatne analize. Zbog zamašnosti te teme, pitanje MVA će ovde biti obradeno samo ovlaš. Ono što, ipak, mora biti objašnjeno, barem u osnovnim crtama, jeste testiranje hipoteza. Testiranje statističkih hipoteza je osnov za statističko odlučivanje 0 tome da h postavljena hipoteza treba da se usvoji ili odbaci. U praksi to znači da odiučujemo o tome da li je neka razlika ili korelacija značajna ili nije značajna.
1.
Statističke hipoteze
Istraživačke hipoteze, opisane u zasebnom poglavlju, neki autori nazivaju suštinskim ih supstancijalnim hipotezama (KerHnger i Lee, 2000). Takva je, na primer, hipoteza: ,,Sto je grupa kohezivnija, to je veći njen uticaj na članove”. Ovaj iskaz sadrži dve varijable: kohezivnost (homogenost) i uticaj i predviđa da između njih postoji određena vrsta povezanosti. Striktno rečeno, ovakva hipoteza se ne može direktno proveriti jer još nije dovoljno operacionahzovana. lako su varijable i njihov odnos u ovoj hipotezi relativno jasno defmisani, nedostaje jedan važan detalj. Nedostaje tačan kriteriju m za određivanje a trib u ta veći. Kvantitativna hipoteza može sadržavati preciznu količinu povezanosti varijabli, ili razlike izmedu grupa. Može se reći, na priiTier, da će taj i taj predsednički kandidat dobiti natpolovičnu većinu. Za proveru takvih hipoteza nije potrebno statističko testiranje. Međutim, u istraživačkoj praksi, retko smo u prilici a) da znamo količinu povezanosti varijabli i b) da povezanosti i razlike budu drastične - one su najčešće suptilne. Zato je trebalo naći drugi način za provem hipoteza kao kvantitativnih iskaza. Dobar način operacionalizacije dokazivanja istraživačkih hipoteza j e da se one Iconvertuju u statističlce hipoteze. Statističke hipoteze sadrže jasan i teorijski fundiran način za provera iskaza koji sadrže atribute „veći”, „manji”, „više”,„bolje” itd. Taj način je dominantan u kvantitativnim empirijskim istraživanjima koja imaju konfuTnativan karakter. Da bi se formulisale statističke hipoteze koristi se: a) prognostičici (prediktivni) karakter supstancjahnh hipoteza i b) potencijal empirijskih istraživanja da kvantifikuju varijahle koje su u pitanju. Dakle, kad kažemo da kohezivnost grupe doprinosi njenom uticaju na članove, mi predvidamo da će kohezivnije grupe imati više uticaja, ili da će se među kohezivnijim grupama češće utvrditi da one imaju veći uticaj na članove. To obeležava ono što smo nazvali prognostičkim karakterom hipoteze. Dmgi element, kvantifikacija, tanka je crvena nit koja se provlači Icroz čitavu ovu knjigu, prvenstveno b o z temu merenja. Naravno, podsećamo da teorijska, kvalitativna i eksplorativna (pa i stmkturalna) istraživanja mogu na svoja pitanja odgovarati i na drugačiji način osim postavljanja i dokazivanja hipoteza. Statističke hipoteze pretvaraju „prognozu” u verovatnoću i tako se dolazi do vrlo jednostavnih iskaza koji na egzaktan način dovode u vezu statistike kao što su aritmetička sredina, korelacija, varijansa ili frekvencije. U našem primem.
statističke hipoteze bi mogle da glase: a) pr' čemu je uticajnost homogene, a Hg uticajnost nehomogene grupe, b) p>0,20, pri čemu je p korelacija kohezivnosti i uticajnosti, c) je značajan na nivou 0,05 itd. Istorija testiranja statističkih hipoteza je relativno duga (oko 300 godina), ah je ključni napredak ostvario Sir Ronald Fisher svojom invencijom nulte hipoteze. Nulta hipoteza je obično potpuno suprotna istraživačkoj hipotezi. Ona tvrdi da ne postoji povezanost nezavisne i zavisne varijable, dok istraživačke hipoteze obično iskazuju da takva povezanost postoji. Istraživačka hipoteza (jedna ih više njih) se, kao kontrast nultoj, nazivaju alternativnim hipotezama. Nulta hipoteza se označava sa Ho, a alternativna sa H,. Zašto je nulta hipoteza postala tako značajna u testiranju hipoteza? U priniem sa grupnom kohezivnošću, u hipotezi nije specificirana nijedna određena vrednost povezanosti kohezivnosti i uticajnosti. jTa može biti veća od lig za 5, 7, 8 ih 10 poena ili, iskazano korelacijom, ona može biti bilo gde izmedu 0,20 i 1 ,00. Svaku od tih vrednosti bismo morali posebno da testiramo. Nulta hipoteza, naprotiv, kaže da je ili da je p=0. Nuita hipoteza uvek sadrži znak jednakosti „=” i uvek sadrži samo jednu vrednost.‘'“ Dakle, potreban je samo jedan jedini test da bi se hipoteza zadržala ih odbacila. Ako se nulta hipoteza zadrži, sve moguće ahemativne hipoteze se odbacuju, a ako se nuha hipoteza odbaci, neka od alternativnih hipoteza je kandidat za zadržavanje. Testiranje se, dakle, mnogo lakše sprovodi preko nulte hipoteze, iako je ona za istraživače „neprirodna”. Po logici stvari istraživači nisu namerni da utvrde da nezavisna varijabla nema uticaja na zavisnu, nego upravo suprotno, da ih ima - da zlostavljanje u detinjstvu utiče na anksioznost u odraslom dobu, da emocionalna stabilnost utiče na uspeh u poslu itd. Dakle, kada se radi o testiranju razlika izmedu grupa, istraživač postavlja dve vrste hipoteza: Ho : Ha = IIb
H, ;
Mb •
Prva hipoteza je nuha, a druga je alternativna Rekli smo da su to dve vrste hipoteza zato što altemativnih hipoteza može biti više, Kao pi'vo, mogu postojati tri tipa odnosa između dve aritmetičke sredine: |i^ < lig, 5* pg i |o,^ > |ig, Alternativna hipoteza se može formirati za svaki od tih odnosa, Pored toga, višestruke alternativne hipoteze mogu postojati i zato što se odnose na neke odredene vrednosti, npr, > (|J,b+5), Ako postoji više alternativnih hipoteza one se označavaju sa H,, Hj, Hj itd, Nulta hipoteza se može fomiulisati i dmgačije, kao ^^“ 110=0, što je istovremeno i tačnije jer se eksphcitno pominje nulta vrednost. Dmga najčešća situacija testiranja statističkih hipotezaje u oblasti korelacija. N uha hipoteza je u tom slučaju obično H„:p=0, odnosno da ne postoji poveza-
Fisherova trad icija nalaže da ta v rednost bude jednaka nuli, ali to uop.štc nijc nužno. N ulta hipotcza sc m ože đefuiisati i k ao „h ip o teza o vrcđnosti param etra u populaciji” .
nost nezavisne i zavisne varijable, a alternativna H,:p 0. U poglavlju o korelaciji i regresiji objašnjeno je da ako se želi testirati H„:p ^ 0, to se mora obaviti preko Fisherovog Z, koji ima približno norm.alnu raspodelu. Nije slučajno što ovde koristimo oznake /i i p za artimetičku sredinu i korelaciju. One ukazuju na to da mislimo na vrednosti parametara u populaciji. Stvarno, statističke hipoteze se odnose na vrednosti populacije, a iz uzorka se ocenjuju njihove vrednosti pomoću dobijenih vrednosti za M i r. Dakle, iako statističke hipoteze imaju za cilj testiranje povezanosti između varijabli, one su ipak na liniji zadatka celokupne statistike - ocenjivanje populacije na osnovu uzorka. Kada su statističke hipoteze postavljene, empirijsko istraživanje ima za cilj da prikupi podatke na osnovu kojih se ove hipoteze testiraju. Dobijene vrednosti M i r s t porede sa onini koje pretpostavlja nuita hipoteza i ako su razlike veće od neke prihvatljive, nuha hipoteza se odbacuje, a u protivnom zadržava. Na primer, ako su dobijene razhke i Mg veće od neke prihvatljive, onda odbacujemo H„:M^-Mb=0. T o znači da podaci ne podržavaju tu hipotezu. Ako razlike aritmetičkih sredina nisu dovoljno velike, mi ne odbacujemo nultu hipotezu, ili kako se još kaže, zadržavamo je. Pri tome treba stalno imati na umu da se odbacivanje ih zadržavanje temelje samo na konki'etnim podacima. Podaci ili podržavaju ih ne podržavaju nultu hipotezu. Zadržavanje nulte hipoteze ne znači njeno defiuitivno dokazivanje, niti njeno odbacivanje znači definitivno dokazivanje ahernativne hipoteze. Da bismo stvarno prihvatih nuUu hipotezu kao tačnu, morali bismo biti potpuno sigurni da ne postoji uticaj nezavisne na zavisnu varijablu, ili da možda, ne postoji neka ometajuća varijabla koja je taj uticaj umanjila ih otklonila, a za to nije dovoljno jedno istraživanje. To isto važi i za odbacivanje hipoleze. Postoji više razhčitih tumačenja i aspekata tumačenja nulte hipoteze. S jedne strane, različita tumačenja doprinose da se sagleda utemeljenost načela testiranja statističkih hipoteza u teoriji verovatnoće, statistici i, konačno, u zdravom razumu. Tačno je, naime, da testiranje statističkih hipoteza ima utemeIjenje u svim tim područjima. S druge strane, nažalost, ona otežavaju društvenom istraživaču da razume principe testiranja i da ih zapamti. Razlike u tumačenjima dovode društvenog istraživača u nedoumicu, a nedoumica je još veća zato što su razlike u inteipretacijama suptilne. Takav ishod se može izbeći samo na jedan način - pažljivim i motivisanim čitanjem. Recimo, osim objašnjenja statističkih hipoteza koje je upravo prikazano, jedno sasvim tačno tumačenje je i da nulta hipoteza sadrži onakav odnos između varijabli koji bi nastao kada bi uzajamne varijacije tih varijabli bile prosto slučajne. Ako su varijable povezane „samo shičajno”, tj. ako im je zajednička samo varijansa greške, onda se u nekim istraživanjima može desiti da povezanost bude vehka, ali će najčešće ona biti blizu nule. Iz toga sledi zaključak da će velike razlike između giaipa biti retka pojava ako je nulta hipoteza istinita. Dalje, pošto je to retka pojava, mala je verovatnoća
da ćc baš u našem istraživanju biti utvrđena. Zato, ako dobijemo veliku razliku, pošto je ona neočekivana, mi dovodimo u pitanje istinitost nulte hipoteze. Recimo, ako smo našli da se dve grupe, jedna homogena i dmga nehomogena, visoko razlikuju po uticaju na svoje članove, odlučićemo se da odbacimo nuhu hipotezu, jer podaci nisu bili u skladu sa njenom prognozom. Takav ishod testiranja nulte hipoteze, kada podaci ukazuju da treba odbaciti nultu hipotezu, naziva se statistički značajnim . Važno je zapamtiti da testiranje statističkih hipoteza ima dve komponente: utvrđivanje povezanosti varijabli i ocenjivanje populacije na osnovu uzorka. Kada je reč o povezanosti varijabli, za potrebe testiranja statističkih hipoteza se, po pravilu, iz dobijenih podataka izračunava neki testni statistik. Izbor testnog statistika zavisi od vrste varijabli, nivoa merenja, nacrta istraživanja itd. Testni statistici su obično neka vrsta standardnog skora koji izražava razliku u jedinicama standardnog odstupanja. Razhka o kojoj je reč je ona koja se navodi u nultoj hipotezi: Ma-Mb, r-r„ i koja, u saglasnosti sa hipotezom, treba da bude nuha. Važno je da se uoči da se testni statistik form ira na osnovu nulte hipoteze. Najčešći testni statistici su: z , t , F i Ako je izračunati testni statistik dovoljno veliki, nulta hipotcza se odbacuje. Granične veličine testnih statistika se određuju na osnovu poznavanja distribucije tih statistika. Recimo z statistik inia normalnu raspodelu. Iz osobina normalne krive znamo da z=l ,96 deli raspodelu na 95%-5%, a z=2,58 na 9 9% -l% . Dakle, ako je dobijeni z veći ili jednak 1,96 (z ž I,96), znamo d a je verovatnoća pojave takve razlike aritmetičkih sredina svega 0,05 (ili manje). Ako usvojimo da je granična vrednost z-statistika 1,96, svi testovi nuhe hipoteze koji budu rezultirali sa z ž l,9 6 biće proglašeni statistički značajnim i nulta hipoteza će biti odbačena. PoSlo se veličina testnih statistika ocenjuje na osnovu njihove distribucije, kažemo da testiranje nulte hipoteze sadrži i zaključivanje sa uzorka na populaciju.
2.
Verovatnoća testa i statistička značajnost
U prethodnom poglavlju smo u osnovnim crtama objasnili šta se naziva statističkom značajnošću. Sada je potrebno da se o ovom pojmu iznesu još neki detalji. Dakle, na osnovu nulte hipoteze se izračunavaju posebni testni statistici z, t, F, itd. Svaki testni statistik poseduje svoju, teorijski utvrdenu, distribuciju verovatnoća pojavljivanja. Kada dobijenu vrednost uporedimo sa teorijskom distribucijom dobićemo verovatnoću testa nulte hipoteze ili p-vrednost. Recimo, poredeći z=I,96 sa tablicama normalne distribucije dobićemo da je njegova verovatnoća pojavljivanja 0,05. Za svaki statistik se može izračunati njegova verovatnoća pojavljivanja. Ona je, kao i svaka verovatnoća u matematici vrlo precizno^defmisana; predstavlja odnos (proporciju) dve frekvencije i kreće se od 0 do 1 . Često se ova verovatnoća naziva „značajnošću” (engl. signijicance), ili tačnije, statističkom značajnošću. Ovako definisan pojam statističke značajnosti
ne treba mešati sa pojmom statistički značajnog ishoda icoji je defmisan u prethodnom poglavlju. Kada dobijemo /;-vrednost (od lat. probabiiitas) testnog statistika, mi moramo odkičiti da li je ona veiika ih mala. Ako je mala, odbacujemo nuitu hipotezu, a ako je velika, zadržavamo je. Odluka o odbacivanju ili zadržavanju nuhe hipoteze se u principu donosi na osnovu verovatnoće, odnosno /^-vrednosti testnog statistika. Međutim, s obzirom da je poznato koja vehčina testnog statistika stoji iza određenep-vrednosti (recimo, iza verovatnoće 0,05 stoji z=l ,96), odluka se može doneti i na osnovu njegove veličine. Graničnu vrednost za odbacivanje ih zadržavanje nuUe hipoteze nazivamo nivom značajnosti i on se naziva a-nivoom. ,,U opticaju” su dva a-nivoa: 0,05 i 0,01. Ta stara, mada proizvoljna konvencija, čije je poreklo nepoznato, bazira se na logici da razhke moraju biti dva ih tri puta veće od svoje greške. Opstajanje ova dva nivoa značajnosti može se opravdati i konvencijom, odnosno uporedivošću istraživanja. Ako je u jednom starom istraživanju jedan nalaz proglašen značajnim na nivou 0,05, onda se i danas treba držati tog nivoa. Drugi razlozi za pridržavanje ovih nivoa ne postoje. Intepretacije da je rezuUat značajan na nivou 0,01 visoko značajan, na nivou 0,05 verovatno značajan, a ispod tog nivou neznačajan su proizvoljne. U istraživačkom žargonu se koriste i „procentni” iskazi, pa se nivoi nazivaju 5% ili 1%, odnosno 95% i 99%. Dakle, odbacivanje ili zadržavanje nulle hipoteze je zasnovano na odlučivanju i ovu odluku zovemo statističkom odlukom. Kao u svakoj drugoj oblasti (naučnog) odlučivanja, donošenje odluke je uvek povezano sa mogućnošću greške. Greške u oblasti statističkog odlučivanja su vrlo precizno defmisane kao greške I tipa i greške 11 tipa. Greška I tipa je kada nultu hipotezu H„ odbacimo, a ona je tačna. Greška II tipa je kada hipotezu zadržimo, a ona je pogrešna. Odluku 0 odbacivanju nulte hipoteze donosimo onda kada je ji-vrednost manja od usvojenog nivoa značajnosti. U tom trenutku možemo kazati da je naš nalaz statistički značajan.'“ Takođe, usvojeni a-nivo predstavlja verovatnoću greške I tipa. Ako usvojimo nivo značajnosti a=0,05 i odbacimo nultu hipotezu, odlučili smo da prihvatimo verovatnoću greške od 0,05, tj. u 5%> slučajeva bi naša odluka bila pogrešna, a u 95%> slučajeva tačna. Na žalost, ali sasvim u skladu sa zdravorazumskim shvatanjem teškoće pravilnog odlučivanja, greške I i II tipa su međusobno uslovljene; ako smanjujemo prvu, povećava se druga i obmuto. Kada usvojimo jedan a-nivo, automatski smo usvojili i jedan odredeni nivo grešaka II tipa - p-nivo. (3-nivo će biti niži ako usvojimo a=0,05, nego ako usvojimo a=0,01. Medutim, greške II tipa ne zavise samo od usvojenog a-nivoa, nego i od drugih faktora, o kojima će kasnije biti više reči. Pošto se p-nivo ne može jednostavno izračunati, prosečan društveni istraživač u praksi najčešće obraća pažnju samo na greške I tipa. To je, naravno, U tom trenutku se uočava i prolivrečnosti nazivanja p-vrcdnosti statističkom značajnošću je r bi onda iskaz bio cirkularan; na osnovu statističke značajnosti se odlučuje o statističkoj značajnosti.
loša praksa. Kao nivo značajnosti koji predstavlja dobar kompromis između grešaka I i II tipa smatra se nivo 0,05. Međutim, to ne treba shvatiti kao recept, pravilo ili preporuku, to je samo smernica za razmišljanje. Svi današnji statistički programi egzaktno računaju verovatnoću testnih statistika. Recimo da je u nekom istraživanju dobijena verovatnoća /-testa p=0,0025. Vrlo često istraživači onda kažu da sc nulta hipoteza može odbaciti na nivou 0,0025. Tim iskazom oni, kao prvo, ,,ne poštuju” više klasične nivoe 0,05 i 0,0 1, a kao drugo, izjednačavaju ;?-vrednost i statističku značajnost. lako se čini da ni jedno ni dmgo nije pogrešno, takav postupak se ipak ne preporučuje. Osnovni razlog za to je potreba za stabihiim pravilima odlučivanja od istraživanja do istraživanja i od istraživača do istraživača. Pod pravilima odlučivanja podrazumevamo definisanje prihvatljivih grešaka I i II tipa. Da bi ta pravila postojala, a nivo se mora usvojiti pre odlučivanja o nultoj hipotezi. Tako nećemo doći u iskušenje da nam nekada statistička značajnost „znači” 0,060, a nekada 0,0025. Drugo, izjednačavanje pojmova statističke značajnosti i verovatnoće testa nije dobro je r dovodi do konlJuzije. Treće, pogrešno je ako su istraživači ponosni na „vrlo visok nivo značajnosti” koji je dobijen, misleći da to znači i visoku povezanost varijabli. To je poznata greška u tumačenju testiranja nulte hipoteze o kojoj će još biti reči. Odmah možemo podsetiti da bi usvajanje a-nivoa od 0,0025 dovelo do visokih grešaka II tipa, a one bi, sa svoje strane, snizile moć testa značajnosti. Statistička značajnost se, paradoksalno, najbolje objašnjava svojom suprotnošću - neznačajnošću. Statistička značajnost je, dakle, verovatnoća da će se napraviti greška 1 tipa. Grešku I tipa napravićemo ako na uzorku zaključimo nešto čega nema u populaciji (ako odbacimo nultu hipotezu, a trebali smo je zadržati). Dakle, statistička značajnostje verovatnoća da j e naš nalaz posledica pogrešnog uzorkovanja, odnosno „loše sreće”. Ako ponovimo ispitivanje na drugom uzorku nećemo dobiti isti takav nalaz. Moć statističkog testa. - Ako smo prihvatili (zadržali) nultu hipotezu, onda će zavisno od; a) usvojenog nivoa značajnosti testa nulte hipoteze (a-nivoa), b) veličine efekta i c) veličine uzorka, postojati verovatnoća (3 da smo pogrešili. Vrednost p je vcrovatnoća greške II tipa, a vrednost 1-P je poznata moć testa. Dakle, moć statističkog testa je verovatnoća da će nulta hipoteza biti odbačena kada je pogrešna. Rečeno istraživačkim jezikom, moć statističkog testa se odnosi na njegovu sposobnost da otkrije efekat nezavisne varijable na zavisnu. Određivanje moći testa je prilično komplikovano i retko se sreće u komercijalnim statističkim aplikacijama. Postoje tabele u novijim udžbenicima koje povezuju veličinu efekta i veličinu uzorka, obično za nivo značajnosti 95%, iz kojih se mo^že očitati moć testa. Na osnovu ovih tabela može se oceniti nekoliko vrlo korisnih stvari, pre svegapotrebna veličinauzorka. Ništamanje nije značajno to što istraživač može, uzimajući u obzir veličinu uzorka kojom raspolaže i uobičajene vehčine efekta iz prethodnih studija, oceniti da li može postići zadovoljavajuću moć statističkog testa. Ako je očekivana moć niska, to znači da će greške II tipa biti visoke, a to, posredno, znači da će nulta hipoteza verovatno biti
zadržana. Uobičajeno je da se kao granična vrednost moći uzima 0,80 i ta vrednost je blaža od a-nivoa 0,05, što znači da će nulta hipoteza češće biti zadržana. Naglašavamo da su značajnost i moć u recipročnom odnosu - povišavanjem a nivoa snižavamo moć statističkog testa. Naveli smo tri izvora moći statističkog testa, ali treba reći da sva dosadašnja saznanja govore da je veličina uzorka osnovni izvor, i da, ako želimo da budemo sigurai da smo dokazali da nešto postoji, moramo povećavati uzorak. Međutim, u poglavlju u kojem se razmatra korisnost testiranja nulte hipoteze objašnjeno je da vrlo veliki uzorci čine to testiranje besmislenim. Problem određivanja veličine uzorka raspravlja se detaljnije u glavi o uzorkovanju.
3.
Distribudje uzoraka razlika
Na slici 17 smo ilustrovali distribuciju uzoraka za aritmetičku sredinu. Rekli smo da, preina centralnoj graničnoj teoremi, ta distribucija uzoraka teži da bude nonnahia. Potpuno isti princip važi za razlilce aritmetičkih sredina - na osnovu centrahie granične teoreme i razHke statistika teže da se normalno distribuiraju. Izraz „teži” je veoma važan, je r nam sugeriše da distribucija uzoraka ne mora biti nom alna. Na primer, neče biti nonnalna ukoliko su uzorci, odnosno grupe mali. U praksi, veličina uzorka utiče samo na izbor testnog statistika. Ako testiramo razlike aritmetičkih sredina, na velikim uzorcima ćemo koristiti z a na malim t statistik. Na sledećim stranama ćemo opisati jedan arbitraran primer da bismo objasnili principe testiranja razlika aritmetičkih sredina. Recimo da smo istraživali razliku u znanju matematike izmedu dečaka i devojčica u osnovnoj školi i da smo je, sasvim prirodno, iskazali kao razliku između aritmetičkih sredina na testu znanja iz matematike. N a osnovu prethodnih saznanja postavili smo hipotezu da su dečaci bolji od devojčica za 5 poena Citalac može uočiti da naša nulta hipoteza ne sadrži nultu vrednost, nego precizan iznos i smer razlike, i može se upitati da li je to nulta ili alteraativna hipoteza. Napišimo ovu hipotezu na drugi način i videćemo da je to ipak nulta hipoteza: H„:|j„-p.j-5=0. Dobijeni rezultati na 40-ajtemskom testu znanja prikazani su u tabeli 17. Sa označavamo dobijenu razliku aritmetičkih sredina, = M „ - Mj. Sa Om označavamo standardnu grešku aritmetičkih sredina, a sa 0[,^, standardnu grešku razlike aritmetičkih sredina. Pošto su uzroci veliki (veći od 30'*^) za testni statistik smo odabrali z, jer je on najjednostavniji. Z-statistik smo izračunah prosto kao =(M^ - Mj - 5)/au^,, a indeks ,,H5" označava da je on formiran za nultu hipotezu koja pretpostavlja vrednost razlike u populaciji od 5. Podsetimo se da je foraiula za z-skorove Zjj=(Xij - Mj)/Oj, dakle to su devijacioni skorovi neke
Za uzorke koji su vcći ili jednaki 30 distribucije uzoraka su približno normalne. Kako se veličina uzorka smanjuje ispod 30, distribucije uzoraka sve brže odstupaju od normalne.
varijable podeljeni sa standardnom devijacijom te varijable, U gorajem izrazu za testiranje razlike M se može uspostaviti sledeća analogija: Xjj=M^ - Mj, a Mj=5. Dakle, mi pretpostavljamo da su u distribuciji uzoraka skorovi zapravo razlike M dobijene na parovima uzoraka, a da je aritmetička sredina 5. Malo kasnije ćemo videti kako bi to izgledalo kad bismo napravili neku drugu pretpostavku. Tabela 17. - Značajnost razlika aritmetičkih sredina Statistik Muški Ženski n
11 2
122
M
29,03
24,83
o’
13,644
10,908
ctm
1,1
0,95
Dm
4,1898
Odm
1,4534
z„5
-0,5512
Možemo sada zamisliti da vadimo sve nove i nove parove uzoraka (veličine 112 i 122) iz populacije učenika osnovne škole i dajemo im isti test znanja matematike. Dobijene razlike proseka će težiti da imaju normalnu distribuciju, jednako kao što će i svi dobijeni pojedinačni proseci težiti da imaju normalnu distribuciju. Kad se kaže da su razlike M normalno distribuirane, misli se da su one normalno distribuirane oko prave razlike populacije. To znači da je aritmetička sredina distribucije uzoraka razlika M jednakapravoj razlici u populaciji. Na slici 22 je prikazana verovatna raspodela razlika srednjih vrednosti dečaka i devojčica. Pretpostavili smo da su dečaci stvamo za 5 poena bolji od devojčica, pa je srednja vrednost distribucije uzoraka = 5. Odlučili smo se da na apscici prikažemo D^ u prirodnim jedinicama, skorovima na testu, iako bi bilo prirodnije da na apsici bude vrednost testnog statistika - z-skora. Vidimo da se u rasponu ±3o nalaze razlike od 0,64 do 9,36 poena. Položaj dobijene razlike D^, = M„, - Mj = 4,1898 smo na grafikonima označili sa M„ - M^. Skrećemo pažnju da izrazi 1,96odm i l,645a[,M, kojima su na grafikonirna označene ki'itične oblasti (oblasti odbacivanja-zadržavanja), nisu tačno napisaui u našem konkretnom primeru, Naime, oni su bazirani na uobičajenoj pretpostavci da je = 0. Zato u našem primeru tim izrazim a treba dodati 5, dakle 1,96^0^ + 5, odnosno
l,645aDM + 5, Potpuno isti principi važe i za sve druge razlike: razlike izmedu proporcija, razlike izmedu varijansi, razlike između koeficijenata korelacije, razlike između distribucija frekvencija i sl, Jedino su testni statistici koji se primenjuju razhčiti, U načelu, distribucije uzoraka svih testnih statistika teži da se distribuira normalno kada su uzorci veliki i kada su zadovoljeni neki drugi uslovi, ali normalna distribucija ij)ak nije univerzalni model za distribuciju razlika, Ako se radi o
malim uzorcima i uvek kađa ne važi pretpostavka normalne distribucije, statističari su utvrdili posebne zakone distribucije razlika za dotične testne statistike na malim uzorcima. Tako je utvrđeno da se razlika srednjih vrednosti na malim uzorcima distribuira shodno t distribuciji (tzv. Studentovoj distribuciji, po W. S. Gossetu koji je svoje radove objavljivao pod pseudonimom „Student”). N a isti način, R.A. Fisher je pokazao da količnik dve varijanse (koji služi testiranju razlike te dve varijanse) ima F distribuciju. Većinom važi pravilo da t, x i
Slika 22. Raspodela razlika srednjih vrednosti i dvosmemo i jednosmemo testiranje
Na primcr, F i t tcsl sc praktično izjednačavaju ako se F test radi za tesliranje razlika dve grupe. Tada F-tcsl ima broj stcpcni slobode (1, n-1), a njcgova vrednost je F = t^ (r-tcst sa n -\ stepeni slobodc). Takođc, kako se broj stepeni slobode povećava, tako t
druge specijalizovane distribucije postaju vrlo slične normalnoj distribuciji kada su uzorci veliki. Zbog toga se može reći da je testiranje nekim od tih specijalizovanih statistika univerzalnije nego testiranje putem z-statistika.
4.
Alternativna hipoteza i dvosmerno nasuprot jednosm ernom testiranju
Altemativna ili istraživačka hipoteza, kao što smo rekli, ima vehki značaj u testiranju hipoteza, bez obzira da li su istraživači toga svesni, ih ne. Da bi odluka 0 prihvatanju ili odbacivanju hipoteze bila ispravna, istraživač, naravno, mora biti svestan pitanja allernativne hipoteze. Prva reperkusija koju H, ima na testiranje hipoteze se odnosi na pitanje jednosmernog testiranja nasuprot dvosmernom testiranju (sreću se još i tem:iini jednosirano testiranje i dvostrano testiranje, a engleski termini su one-tailed i two-tailed, odnosno one-sided i two-sided). Ne treba da zbunjuje to što se u literaturi dvosmerno testiranje nekada naziva neusmerenim testiranjem (engl. nondirectional), a jednosmemo testiranje usmerenim (engl. directional). U skladu s time, postoji i podela samih istraživačkih hipoteza na neusmerene i usmerene, u zavisnosti od toga da li tvrde samo da razlika postoji, ili iznose i tvrdnju o smeru razlike (v. glavu o strukturi istraživanja). Uzmimo kao primer prelhodno navedeno istraživanje razlike u znanju matematike dečaka i devojčica u srednjoj školi. Na osnovu prethodnih istraživanja saznali smo da su na tom uzrastu dečaci bolji od devojčica za 5 poena na testu znanja. Nas zanima da li ista ta razlika važi i kod naših srednjoškolaca. Zato smo nultu hipotezu H„ formulisali da je u populaciji - |ij = 5. Nakon toga smo odabrali nivo značajnosti od 0,05, što znači da ćemo tolerisati mogućnost greške 1 tipa u 5% slučajeva (greška I tipa je, kao što smo rekli, pogrešno odbacivanje nuhe hipoteze). Jasno je da će statističke (kao i svake druge) odluke biti donete tako da važe u nekom rasponu uslova. Izvan tog raspona uslova nećemo očekivati da će odluka biti dobra. Međutim, svaka odluka, pa i statistička, biće kvalitetnija ako se egzaktno utvrde granične, kritične vrednosti iza kojih odluka više ne važi. U našem primeru to će biti kiitične razlike srednjih vrednosti za koje više nećemo tvrditi da se nalaze u očekivanoj 95% zoni oko 5 poena. Jasno je da će se te vrednosti nalaziti na kiajevima, „rcpovima” distribucije. Normalna distribucija ima dva kraja („repa”), niski i visoki. Ako želimo da utvrdimo koje vrednosti omeđuju 5% kritične površine ispod nomialne krive to možemo uraditi na dva načina - sa jednog, ili sa oba kraja distribucije. Na primer, je li nam važno da li su dečaci bolji od devojčica za 5 poena, ili nam je važno samo da postoji razlika od 5 poena, u bilo kom smenj. Da bismo odlučili koju mogućnost ćemo testirati moramo se odlučiti za izbor altemativne hipoteze.
poslaje sve sličniji z.
Na slici 22 osenčena polja predstavljaju h'itične oblasti. U opštem slučaju testiranja statističkih liipoteza, ako dobijeni statistik (kao što su z ili /) pada u kritičnu oblast, nulta hipoteza se odbacuje, Teorijski i praktično, aitemativnih hipoteza može biti beskonačno mnogo (što komplikuje oblast statističkog odlučivanja), ali se obično govori o opštim ili složenim altemativnim hipotezama. Dakle, ako smo postavili H(,:|i„=pj+5, alternativnih hipoteza može biti tri: H, : fi,n^Hž+5, >Hž+5 i H., : P™
prikaz iz donjeg grafikona slike 22). Za đobijeni z— 0,5512 postoji 29% verovatnoće da se može dobiti manja vrednost. Pošto je to znatno veća verovatnoća od 5%, opet zadržavamo nultu hipotezu i odbacujemo alternativnu hipotezu Hj. Treba uočiti da je verovatnoća jednosmernog testa duplo manja od dvostrane (0,29 u odnosu na 0,58) i da je lako konvertovati jednu u drugu. Ako jednostrani test tumačimo grafički, rezonovaćemo ovako: ako je dobijcna razlika srednjih vrednosti D,,>-1 ,645 odm+5, zadržaćemo nultu hipotezu da je razlika jednaka 5, a odbacićemo Hj. Medutim, ako je dobijena razlika D^<-1,645 OnM+5, odbacujemo nultu hipotezu i usvajamo altemativnu hipotezu da je razlika manja od 5. Primer kojim smo se ovde poslužili je namemo komplikovaniji od primera kojima se uobičajeno ilustnije testiranje nulte hipoteze. Uobičajena nulta hipoteza bi bila da dečaci jednako znaju matematiku kao i devojčice (Ho:p„=Mj)> a aiteniativna hipoteza bi eventualno bila da su dečaci bolji od devojčica (H ,:|^>|,ij) To bi bila „prava” nulta hipoteza, jer tvrdi da razlike nema, dok smo u našem primeru demonstrirali kako se nulta hipoteza formira i testira za nenulte vrednosti. Vrlo je važno uočiti da bi u slučaju „prave” nulte hipoteze, u tabeli sa rezultatima istraživanjima, jedino bio različit z-statistikkoji bi sada bio z„o=2,889. Kao što je rečeno: testni statistici se računaju za konkretnu nultu hipotezu. U našem slučaju, jednoslrana verovatnoća z„o statistika bila bi 0,002, pa bismo zaključili da su dečaci bolji od devojčica i da je ta razlika vrlo visoko značajna. Zašto je sada, za uobičajenu nultu hipotezu, r-statistik viši? Zato što smo ga izračunali kao z=(M,„ - M i)/0|,M. Nema više 5 u brojitclju, Dakle, alternativna hipoteza odlučuje o tomc koju vrstu testiranja ćemo obaviti: jednostrano ili dvostrano i shodno tome, gde će biti granice kritične oblasti. U lislinzima statističkih paketa se obično ne kaže pod kojom H, je vršeno testiranje, nego se za izračunatu verovatnoću (p-vrednost) kaže da li je dvostrana ili jednostrana. Recirno da smo testirajući neku hipotezu dobili izveštaj iz programa da je verovatnoća dobijenog /-testa (obično se koriste eng. nazivi ,,p”, significance ili sig.) jednaka 0,0585 i da je dvostrana. Mi bismo znali da je postavljena Hi^Mi^^M,. Ako iz rezultata obrade vidimo da je M|>M,, možemo biti zainteresovani da testiranje izvršimo sa H,:M ,>M 2. Ukoliko program ne nudi tu opciju, morali bismo podeliti dobijenu verovatnoću sa dva da bismo dobili jednostrani test (po dvostranom teslu gornja razlika nije značajna na nivou 0,05, a po jcdnostranom, p=0,02925, jeste). To će pažljivom čitaocubiti jasno ako analizira sliku 22 i prateća objašnjcnja. Uglavnom, sa današnjim statističkim paketima je promcna H, i promcna testiranja iz jednosmemog u dvostrano vrlo jednostavna. Egzaktno izračunata verovatnoća testa (recimo /-testa) koju štampaju programi, i za koju piše da je dvostrana, mora se podeliti sa dva da bi sc dobila jednostrana verovatnoća. U suprotnom skičaju, ako je test bio jednosmeran, verovatnoća se mora duplirati da bi se dobio dvosmeran test. Osim za izbor jednosmernog ili dvosmernog testa, alternativna hipoteza je značajna i za odredivanje iznosa grešaka 11 tipa. Naime, H q zadržavamo ako
vrednost testnog statistika pada izvan kritične oblasti (na slici 22 to znači da razlika mora pasti u neosenčeno polje). To je obično vrlo velika oblast, što znači da prihvatanjem Ho nismo isključili mogućnost da vrednost populacije leži negde drugde. Tu verovatnoću, da vrednosti populacije leži negde drugde, a ne ondje gde pretpostavlja nulta hipoteza, možemo testirati nizom specifičnih altemativnih hipoteza. U našem primeru sa shke 22 to bi mogla biti bilo koja altemativna hipoteza od 2,15<(M^ - Mj)<7,85. Detaljan opis određivanja verovatnoće grešaka II tipa, odnosno moći testa treba pogledati u udžbenicima statistike. Generalno, moć testa je utohko veća ukoliko su specifične ahernativne hipoteze više udaljene od nuhe hipoteze. To je sasvim logično, jer je u tom slučaju manja šansa da će nulta hipoteza biti pogrešno zadržana. Kad se radi o greškama II tipa, onda treba reći da su neki statistički testovi takvi da sami po sebi imaju veću moć, pa zato treba koristiti njih kad god je moguće. Pored toga, ono što istraživač može da ućini, greška II tipa će biti manja, a moć testa veća ukoliko je standardna greška manja, a ona je uvek manja kada su uzorci veći. U poglavlju o uzorkovanju je rečeno da stratifikovani uzorci u principu imaju manje standardne greške. I konačno, nioć statističkog testiranja će biti to veća što je dobijena razlika veća, odnosno, preciznije, što je veličina efekta veća (v. meta-analizu).
5.
Dodatne napomene o testiranju hipoteza
U prethodnim odeljcima su već spomenuti neki aspekti na koje treba paziti prilikom testiranja hipoteza. Prvi takav aspekt je veličina uzorka. Rečeno je da je distribucija uzoraka razlika aritmetičkih sredina nonnalna ukoliko su uzorci veliki, a postaje sve spljoštenija kako su uzorci manji. Zbog toga se testiranje razlike aritmetičkih sredina može sprovoditi pomoću z-statistika na velikim uzorcima, ah kako se uzorci smanjuju i postaju manji od n=30, razlike proseka treba testirati ?-statistikom. Distribucija uzoraka ^-statistika je nomialna kod velikih uzoraka, a sve je spljoštenija što su uzorci mali. Kompenzacija određivanja percentila za /-skorove i njihovih verovatnoća se vrši pomoću stepena slobode. Stepeni slobode {bss) su vrlo čest parametar u statističkim distribucijama. Neke distribucije ih imaju jedan (npr. /-distribucija i x^-distribucija), neke dva (npr. F-distribucija), a neke čak i tri. Pojam stepeni slobode je došao iz mehanike (isto kao i pojam momenta distribucije) i obično se ilustruje pomoću veličine uzorka. Kada se računa varijansa i sve izvedene mere varijabilnosti, onda se iz formule vidi da se one računaju iz sume devijacionih skorova. Suma devijacionih skorova ima „slobodu variranja”, odnosno broj stepeni slobode od n - \ jer je jedan stepen slobode „potrošen” na računanje aritmetičke sredine. Otuda i varijansa i standardna devijacija imaju broj stepeni slobode bss=n-\ (za razliku od aritmetičke sredine koja ima bss=n). U slučaju testiranja razlike aritmetičkih sredina pomoću ?-testa, za svaki izračunati /-statistik treba izračunati i broj stepeni slobode kako bi se iz tablica
našao pravi percentilni skor. Statistički programi, naravno, to rade automatski. U sliičaju /-testa, što je manji n, to je manji broj stepeni slobode i potrebanje sve veći /-statistik da bi bio značajan (zato se kaže da se kod malih uzoraka H„ ređe odbacuje, a češće zadržava). Takođe, broj stepeni slobode proističe iz istraživačke hipoteze. To se posebno odnosi na broj stepeni slobode za. F \" ^ statistik. U F distribuciji, broj stepeni slobode u imenitelju sledi iz broja giupa, a broj grupa odreduje istraživač. Epistemološki i statistički j e situacija najjasnija kada postoje samo dve grupe, tj. kada je bss u imenitelju jedan. U tom slučaju se /^-test izjednačava sa /-testom, a mi znamo da je istraživač imao jasnu i preciznu hipotezu. Ako uporedimo hipoteze „učenici koji iiče tokom čitave godine imaju bolje ocene od onih koji ne uče” i „postoji razlika u ocenama koje postižu učenici koji tokom godine uče stahio, povremeno ili nikad”, videćemo da je prva jednostavnija i preciznija od druge. Veličina uzorka može, osim spljoštenosti, da utiče i na asimetriju distribucije uzoraka nekih statistika (npr. kocficijenata korelacije i varijansi), a to sve utiče na „strogost” testiranja hipoteze. Medutim, mnogo je važnije to što veličina uzorka, kako je rečeno u prethodnom odeljku, utiče na veličinu grešaka II tipa što je uzorak veći, standardne greške su manje i manje su greške II tipa. Drugi važna stvar kod testiranja razlika je što je većina testnih statistika (/, F, x^) definisana za tzv. nezavisne uzorke. U statističkoj tcoriji nezavisni uzorci nastaju tako što se biraju prostim slučajnim biranjem. Kod takvih uzorka, ako se vrši ponovljeno uzorkovanje, nema korelacije izmedu izračunatih statistika; svaka aritmetička sredina je nezavisna od prethodne, isto kao što su i varijansa, koeficijent korelacije, proporcija ili bilo koji drugi statistik. Zavisni uzorci nastaju kada su svojstva objekta merenog u jednom uzorku neka funkcija svojstva odgovarajućeg objekta u drugom uzorku. Najčešći i najjasniji shičaj zavisnih uzoraka nastaje u istraživanjima longitudinalnog tipa, kada isti uzorak ispitanika ispitujemo dva ili više puta da bismo utvrdili da li postojc neke promene. Jasno je da će uzorak u kojem su ispitanici visoki na početku verovatno biti visok i u sledećim merenjima, a uzorak u kome su inieijalno niski ispitaniei biće nizak i u kasnijim merenjima. To dovodi do toga da će prva i dniga aritmetička sredina (i sve sledeće) - ako se radi 0 testiranju razlike arilnietičkih sredina - biti korelirane ako bi se stvarno izvlačili sve novi uzorei i ponavljala istraživanja. Sledeći primer zavisnih uzoraka je onaj kada grupe ispitanika formiramo jcdnačenjem (v.). Postoji, naime, velika verovatnoća da će dve osobe koje su jednake po varijabli po kojoj su jednačene, biti slične i po drugim varijablama. Posebno se to odnosi na situaciju kada parove biramo iz iste porodice (recimo braća i sestre). Do zavisnosti može doći (ali ne mora) i kada istraživač ujednačava uzorke-grupe u celini kako bi kontrolisao uticaj ekstemih varijabli, recimo starosti, obrazovanja ili inteligencije, sa ciljem eliminisanja neželjene varijanse. Nažalost, do zavisnosti uzoraka može doći i bez znanja i namere istraživača. Recimo, razne društvene grupe, fonnalne ili neformahie, mogu imati skrivene
razloge koji su doveli do njihovog fonniranja. Radne grupe mogu nastati na sociometrijskim osnovama, školska odeljenja mogu biti fomiirana po nekom planu uprave škole, a učesnici nekog skupa mogu imati slična politička opredeljenja. Poznato jc da uzorkovanje lancem preporuka (engl. snovvball sampling, v.) može dovesli do zavisnili uzoraka, jer Ijudi preporučuju svoje poznanike koji su im slični. Sve to može kompromitovati zaključke i odluke koji se donose na osnovu testiranja statističkih hipoteza (vidi sledeći odeljak). Uzorak je zavisan od nekog drugog uzorka (ih je povezan sa njim) ukoliko se u njemu za svakog ispitanika (objekta) može naći par u drugom uzorku i da korelacija izmedu tako dobijena dva niza mera bude statistički značajna. U slučaju zavisnih uzoraka, statistici su korelirani pa se moraju koristiti korigovane verzije testnih statistika za testiranje hipoteza, ili potpimo drugi plan testiranja hipoteza. U načehi, kod zavisnih uzoraka, kada između statistika postoji korelacija, standardne greške se smanjuju jer je varijabihiost manja. Da bi se to kompenziralo, testiranje mora biti strožije. Testiranje razlika koje se sprovodi na istom uzorku ispitanika, na longitudinalnom principu, u statistici se naziva nacrtom sa ponovljenim merenjima. Radi se, prosto, o tome da se na istim objektima ponavljaju merenja. Postoji model anaUze varijanse, ili generalni lineami model (GLM), koji su posebno prilagođeni za ponovljena merenja i svakako je bolje koristiti njih nego koristiti / i F testove i korigovati ih za zavisnost uzoraka (v. nacrt ponovljenih merenja). Sledeće pitanje se javlja kod testiranja razlike aritmetičkih sredina putem ttesta. Obrasci za /-statistik se razhkuju u zavisnosti od toga da li uzorci potiču iz populacija koje imaju istu varijansu ih koje imaju razhčitu varijansu. S obzirom da istraživač obično ne zna kolike su varijanse populacije, uobičajeno je da se primenjuje Mest za nejednake varijanse, ali je u tom shičaju ?-test manje konzervativan (lakše se odbacuje H,, i razlika proglašava značajnom). Statistički programi, da bi se rešio taj problem, prvo testiraju razHku varijansi uzoraka (obrazac sa n-1 u imeniocu). Ako je ta razHka značajna, smatra se da populacije imaju različitu varijansu i istraživač će koristiti Mest za nejednake populacije, a ako razlika nije značajna istraživač će koristiti konzervativniji (strožiji) test za jednake populacije. Dakle, za testiranje razhka izmedu grupa treba testirati dve hipoteze: o jednakosti varijansi i jednakosti aritmetičkih sredina. Generalno rečeno, ako su razhke izmedu grupa vrlo vehke, odluka koja će se zasnivati na testiranju statističke hipoteze ima vehku verovatnoću da bude tačna, bez obzira na primenjeni obrazac. Međutim, ako su razHke male, odluka o odbacivanju H„ zavisiće od primenjene fomiule, eventuahie korekcije i odabranog nivoa značajnosti. Kredibihtet istraživačeve odluke da su grupe razhčitc će u pi-vom shičaju biti veći Ge>'je vehčina efekta veća), a u drugom manji, čak i ako je primenjen dobar obrazac i p-vrednost niska (vidi sledeći odeljak).
6.
Sličnost korelacija i razlika
Uzmimo za primer istraživanje razlika znanja matematike među polovima (slika 22 i prateća tabela). Tamo imamo dve grupe, dečake i devojčice i njihove podatke sa testa znanja malematike. Videli smo da su niuškarci značajno bolji od žena i da bi ta razlika mogla biti 5 testovnih poena. Dakle, imamo dve varijable; jednu nezavisnu (kategorijalnu) - pol, i jednu zavisnu - znanje matematikc. Zar tvrdnja o razlici izmedu grupa nije isto što i tvrdnja da postoji korelacija između te dve varijable. Naravno, to su epistemološki i saznajno ekvivalentne tvrdnje. Ako bismo izračunali koeficijent lineame korelacije dobili bismo da je on oko -0,25 i da je visoko značajan. Na osno\oi toga bismo tvrdili da devojčice (koje su nosile nominalnu oznaku 2) imaju značajno niže znanje matematike (Q.E.D.). Ekvivalentnost postoji izmedu svih disciplina (lehnika) koje se bave testiranjem razlika (analize varijanse - ANOVA, muhiple analize varijanse MANOVA, diskriminacione analize i sl.) i odgovarajućih „korelacionih” metoda, pre svega korelacije, regresije i kanoničke korelacione analize. Pošto je izumitelj analize varijanse bio Sir. Ronald A. Fisher, a korelacije Karl Pearson, mnogi govore o fišerijanskoj i pirsonijanskoj statistici (ili prosto, Fišerovoj i Pirsonovoj). Prva iestira raziike, a drnga sličnosti. U literaturi se često može pročitati da se radi o šizmi između eksperimentalista i korelacionista, jer je vera prvih posvećena ANOVI a dnigih korelaciji/rcgresiji. Lee Cronbach je 1957. opisao ,,dve kulture” u psihologiji; korelacioniste i eksperimentaliste. Eksperimentaliste je okarakterisao kao „vešte lutkare, koji uspevaju da drže raspletenim pet-šest niti nezavisnih varijabli", a korelacioniste kao „posmatrače predstave u kojoj priroda vuče hiljade niti". U kasnijim radovima Cronbach je ukazao da se ove dve naučne discipline ne približavaju, nego da se još više udaljavaju jer su posvećene očuvanju jedinstvenosti više nego kreativnoj različitosti. Kada se analizira jezikjednih i drugih, razlike se svode pre na vrstu pokazatelja i način njihovog izračunavanja, nego na logiku i statistiku. Na primer, eksperimentalisti pažnju posvećuju sirovim skorovima i sumama kvadrata, a korelacionisti z-skorovima i varijansama.
U istraživačkoj praksi, izbor jedne od ovih statistika zavisi od prirode nezavisne varijable: ako je ona kategorijalna, primcnjuje se Fišerova, a ako je kontinuirana, Pirsonova. Pošto su to dva lica iste stvari, jasno je da zaključci moraju biti identični. Naravno, uslovi koje zahtevaju jcdne i druge metode nisu isti. Nisu isti ni prateći pokazatelji koji idu uz jedne i druge metode, kao i način upotrebe i inteq5retacije. Zato ostaje svakom istraživaču da se odluči koju granu statistike će koristiti i ovde nećemo nijednost od „kultura” davati prednost (pogledati poglavlje o multivarijatnom eksperimentu).
F.
Da li je testiranje značajnosti nulte hipoteze korisno
U celini gledano, testiranje značajnosti nulte hipoteze (TZNH) je jedna od najviše napadanih oblasti primenjene statistike u naukama o ponašanju. Neki ugledni autori izražavaju čuđenje zašto testiranje hipoteza dosada nije „zvanično izbačeno” iz metodologije, recimo, psiholoških istraživanja. Ipak, to se dosada nije desilo. Za to postoji viSe razloga. Izgleda da je osnovni razlog u tome što, u statističkom smislu (onako kako je prethodno opisano), testiranje hipoteza stoji na zdravim osnovama i ono nije pogrešno. Zbog toga vehki broj autora, koji iako priznaju sve nedostatke testiranja nuhe hipoteze u istraživanjima, smatraju da je ono ipak najmanje loša alternativa (v. Zumbo, 1997). Odmah treba kazati da iskaz testiranje značajnosti nulte hipoteze može da zavede, je r se ne testira značajnost same hipoteze. Hipoteza sama po sebi ne može biti ni značajna ni neznačajna. Tačan naziv bi glasio „testiranje značajnosti putem nulte hipoteze”, ali smatramo da je to predugačko i nepraktično. Postoje dva najčešće korišćena, osnovna oblika nulte hipoteze: a) o nepostojanju razUke između grupa, kada je nezavisna varijabla kategorijalna i b) o nepostojanju povezanosti nezavisne i zavisne varijable, kada je nezavisna varijabla kontinuirana. Kod složenijih nacrta, kada se ,,u igru” uvedu i druge varijable, testiranje hipoteza je sve složenije jer se u obzir moraju uzeti međusobne veze varijabli (kao što su npr. efekti interakcija u analizi varijanse). N eki autori smatraju da ako testiranje dva osnovna tipa hipoteza nije korisno, onda to pogotovo nije korisno u složenijim nacrtima. Dakle, ako je testiranje značajnosti korektna statistička procedura, u čemu je problem? Čitalac bi odmah mogao zaključiti da je, u tom slučaju, problem najverovatnije u pogrešnoj primeni testiranja značajnosti. N esum njivo je da postoje istraživanja u kojima je odabrana pogrešna vrsta statističkog testa, ili je procedura njegove primene bila pogrešna. Kada bi to bila sva istina, ne bi veoma ugledni statističari, kakav je npr. Guttman, dovodih u pitanje TZNH. Radi se o tome da su greške u primeni testiranja značajnosti tako suptihie i teško uočljive i zato teško otklonjive, da one bacaju senku na metodu generalno. Problemi su značajno pogoršani time što su društveni naučnici, koji imaju jak kadrovski problem sa statistikom, tokom prethodnih decenija pretvorili TZNH u „svetu kravu” naučne objektivnosti, krijući se iza njega, oslanjajući se na njega u potpunosti i negujući utisak da imaju statističko poki'iće za svoje zaključke. Kao rezuhat toga, mnogi radovi počinju naslovima kao što je; „Postoje značajne razlike između...”. Iz toga se vidi đa je testiranje značajnosti nuhe hipoteze dignuto na pijedestal vrhunskog epistemološkog kriterijuma da li iiešto postoji ili nepostoji (Thompson, 1996).
Kao odgovor, može se odmah kratko i jasno reći da je takvo uverenje pogrešno. Testiranje nulte hipoteze je daleko od toga da može biti prvi i osnovni kriterijum istine. Kada se tako doživljava i kada se nekritički koristi, ono stvamo čini više štete nego koristi empirijskim istraživanjima. Upravo zbog toga su mnogi ugledni autori zaključili da testiranje značajnosti nuhe hipoteze uopšte nije korisna istraživačka praksa u celini. Na primer, Jacob Cohen, vrlo poznat statističar, tvrdi da su ,,sve nuhe hipoteze, barem u dvostranoj formi, pogrešne” (zato što ono što tražimo uvek možcmo naći, samo možda u tako maloj meri da nam do njega ne bude stalo). No, pogledajmo koje su osnovne zamerke TZNH. Problcm reprezentativnosti uzorka. - Celokupna logika TZNH se zasniva na tome da je uzorak biran reprezentativno. Statističari smatraju da to znači da je izabran slučajno. Ako je uzorak pristrasan, onda je sasvim izvesno da nijedan statistik neće biti jednak parametru, pa je i TZNH besmisleno. Testiranje značajnosti nuhe hipoteze, dakle, podrazumeva shičajno biranje, a njegov je cilj samo da odredi kolika je verovatnoća slučajne greške. Ovu činjenicu istraživači ponašanja sistematski previđaju i koriste TZNH uvek, čak i onda kada znaju da su uzorak izabrali namemo ili prigodno (v.). Problem statističkc i prak tičn e značajnosti. - Jedan vrlo zanimljiv problem, koji su mnogi istraživači imali prihke da iskuse, odnosi se na razlikovanje statističke i istraživačke značajnosti. Ovu dmgu neki nazivaju i znatnost, stvarna, praktična ili naučna značajnost. Radi se o tome da svi koji su imali prihke da rade sa vrlo velikim uzorcima znaju da je „tamo sve značajno”. Svaka razHka i svaka korelacija sii statistički značajne, makar se nalazile i na osmom decimalnom mestu (npr. na uzorku «=30.000 i korelacija od ;-=0,00000005 biće visoko statistički značajna). Odakle to dolazi? Podsetimo se šta je testiranje hipoteza. To je oblast statistike zaključivanja koja se bavi generalizacijom sa uzorka na populaciju. Uz malu simpHfikaciju, testiranje hipoteze treba da nam kaže da ii ono što smo dobili na uzorku hči na ono što postoji u populaciji. Dakle, kada smo zadržah ih odbacih nuhu hipotezu mi smo samo odhičih o tome da h naš nalaz na uzorku odgovara stanju u populaciji. Po definiciji, po zdravom razumu, po mateniatici i statistici, a na osnovu onoga što je rečeno u poglavlju o uzorkovanju, kada bismo istraživanje sproveli na populaciji, onda bi svaki nalaz bio „potpuno statistički značajan” jer „potpuno hči na vrednost populacije”. Zbog toga, kada dobijemo da j e neka korelacija visoko značajna, onda to ne znači da j e ona visoka, nego samo da j e bliska vrednosti u populaciji (pretpostavljenoj u H,). To isto važi za bilo koju drugu statističku hipotezu - o razlici srednjih vrednosti, razlici varijansi, razlici frekvencija itd. Ta važna stvar se ne uočava kod manjih uzoraka, kod kojih su obično veliki statistici značajni, a mali neznačajni, nego se uočava samo na velikim uzorcima. Zato istraživači teže pogrešnom izjednačavanju značajnosti sa znatnošću ih važnošću. Razlika izmedu te dve stvari, međutim, važi uvek - i na malim i na velikim uzorcima. Danas se
rutinski istraživačima preporučiije da u svojim izvešlajiina navode veličinu efekta'’'', jer vcličina efekta predstavlja istraživačku značajnost - znatnost, Pogledajmo jedan mogući primer tabele iz istraživačkog izveštaja koji se bavio uvrđivanjem uticaja osobina ličnosti na prosečnu školsku ocenu: Anksioznost* Savesnost’* Impulsivnost K onfom iizam" pri čemu su sa označene varijable čija je korelacija sa ocenom značajna na nivou 0,05, a sa „**” na nivou 0,01. Istraživač je, očigledno, smatrao da je podatak o značajnosti najvažniji nalaz, a pri tome, umesto da navede egzaktnu pvrednost statističkog testa, dao je samo nivo značajnosti, koji je pri tome različit od varijable do varijable. I jedno i dnjgo je pogrešno, pa se ovakva tabela danas smatra skoro pa beskorisnom. Da bi tabela bila korektna, umesto zvezdica treba uvrstiti dobijene koeficijente korelacije (veličine efekta) i tačne /j-vrednosti. Autori koji su kritični prema testiranju nulte hipoteze tvrde da testiranje hipoteza nije ništa drugo do testiranje veličine uzorka. Problem „znatnosti” je donekle povezan sa sugestijama o izbegavanju „tačkastih” odluka i koriščenju, umesto toga, intervala poverenja. P robiem „ d a -n e ” odlučivanja. - Sledeći problem se može ilustrovati opsesivno-kompulzivnim pridržavanjem nivoa značajnosti od 0,05 ili 0,01. Uzimajući u obzir sve greške merenja i generalnu pouzdanost podataka iz socijalnih istraživanja, objektivnom posmatraču će sigurno izgledati smešno kada istraživač jcdnu razliku koja imap-vrednost od 0,049 proglasi značajnom, a drugu, koja ima p-vrednost od 0,051 proglasi neznačajnom. Kada bi stvarno naučna istina u oblasti društvenih nauka zavisila od jednog broja i od toga da li je on za 0,001 manji ili veći od nekog drugog broja, onda bismo verovatno mogli izjednačiti društvene nauke i mehaniku. Naravno, niko ne vrši to izjednačavanje, pa čak ni oni istraživači koji izveštavajii da „nema značajne razlike između polova na nivou 0,05”, jer je svakome vidljivo da će već sutrašnje istraživanje, istog ili drugog istraživača, na drugom uzorku, sa nekim dnigim memim instrumentom, dati drugačiju /3-vrednost. U tom smislu je većina istraživača dovoljno realna da ne misli stvamo kako su na osnovu jednog ,,sig. = 0,051” dali konačan odgovor u naučnoj oblasti koju istražuju. Ipak, većina je spremna da napiše takav zaključak u svom radu. Da bi se izbeglo ili kompenziralo „tačkasto” odlučivanje postoje dva puta: analiza intervala poverenja i analiza veličine efekta. Savrcmena primena mctaanalize je pokazala da nekoliko neznačajnih razlika mogu dati visoko značajnu razliku ako se objedine (v. poglavlje o meta-analizi).
O tome šta je veličina efekta, kako se izračunava i kako se koristi izloženo je u poglavlju o nieta-analizi.
Problem o b ja šn jen jap u tcm replikabilnosti.-U statističkiniudžbenicim a se za objašnjavanje statističke značajnosti standardno koristi ilustracija sa ponavIjanjem testiranja hipoteze. Isto tako je urađeno u ovoj knjizi na početku poglavlja. Kaže se, recimo, da ako odbacimo iiultu hipotezu na 95% nivou značajnosti, to znači da očekujemo da će u 95% ponovljenih testiranja (istraživanja) ona takode biti odbačena, a samo u 5% prihvaćcna. Danas se smatra da ishod testiranja nulte hipoteze u jednom istraživanju ni na koji način ne treba tretirati kao očekivanje za sledeća istraživanja. Razvoj metodologije empirijskih istraživanja je ukazao da se pitanje ponovljivosti istraživanja mora locirati u oblast pouzdanosti, valjanosti i, pre svega, u oblast meta-analize, a ne u testiranje nulte hipoteze. Zamislimo situaciju d aje istraživač, tokom pregleda literature, ustanovio da u deset prethodnih studija nije nadena značajna povezanost izmedu obrazovanja majke i nacionalnih predrasuda. Voden logikom testiranja značajnosti nulte hipoteze, on bi ponovljene nalaze testiranja iskoristio kao podršku stavu da ta veza stvarno ne postoji. Međutim, vrlo je verovatno da bi meta-analiza tih istraživanja pokazala da ona, sva zajedno, zapravo dokazuju da veza postoji, i to sa visokom značajnošću. Jedino što je nedostajalo pojedinačnim istraživanjima, to je veličina uzorka. Iz toga se može izvući zaključak da značajnost uopšte nije važna, nego je važna veličina efekta, u ovom slučaju neki pokazatelj izveden za tabele kontingencije. Ponavljanje testiranja, koje se koristi kao ilustracija značajnosti, potiče iz statističke terminologije „ponavljanja eksperimenta”, kao što je npr. bacanje kocke ili novčića, ali to ponavljanje je daleko od ponavljanja jedne složene društvene i naučne operacije, kao što je empirijsko istraživanje. Pre svega, doslovno ponavljanje islraživanja, sa istim instrvmentima, na istim uzorcima i pod istim uslovima j e besmisleno. Ponavljanje istraživanja ima smisla jedino ako se obavlja na drugim uzorcima (kada se proverava eksterna validnost), sa drugim instmmentima (što se naziva multimetodskimpristupom i ima za cilj proveni interne validnosti), ili pod drugim uslovima (kada se proverava stabilnost konstrukta). Zato se ponavljanje istraživanja ne može koristiti za interpretaciju ili dokazivanje značajnosti, odnosno neznačajnosti. T estiranje značajnosti ili intervali poverenja. -P o sto je mnoge sugestije da se manje insislira na tačkastom odlučivanju kao što je testiranje hipoteza, a više na interv'alnom, baziranom na inter\ alima poverenja. U našem primeru sa slike 22 to bi značilo da se uz rezultatc testiranja hipoteze obavezno navede interval poverenja za razliku proseka; recimo 2,15-7,85 za 95% nivo. Danas tu praksu slede i rrmogi statistički programi. Pored toga, opsesivno-kompulzivni nivoi 0,05 i 0,01 se mogu napustiti i odlučivanje o prihvatanju/odbacivanju se niože prilagoditi nameni istraživanja. Na primer, ako neka nova metoda u bilo kojoj oblasti (recimo u učenju matematike) može da doprinese barem malo da učenici bolje znaju matematiku, a ni u kojem slučaju ne može da šteti, onda ćemo rado odbaciti Hg (prihvatiti poboljšanje) na nivou 0,10, 0,20 ili čak 0,30.
Međutim, ako je ta metoda veoma skupa i može da postigne suprotne efekte, onda ćemo biti strogi i prihvatićemo poboljšanje (kao dokaz da je metoda dobra) samo ako je na nivou 0,0 1, ili čak strožijem. U svom poznatom članku Rozeboom (1960) je ponudio jednu interpretaciju intei-vala poverenja koja nije do kraja prihvaćena u stručnim krugovima, ali društvenom istraživaču može biti informativna. Rozcboom, naime, kaže da interval poverenja nije ništa drugo do oblast mogućih alternativnih hipoteza. Ako u našem primeru kažemo da se razlike izmedu dečaka i devojčica na testu matematike kreću u intervalu 2,15-7,85, onda, prema Rozeboomu, to znači da se može postaviti svaka od hipoteza o razlici koja spada u taj opseg, sa poverenjem od 95%. Drukčije rečeno, sa 95% sigurnošću možemo očekivati da je istinita hipoteza sadržana u ovom intervalu, imajući u vidu samo konkretne podatke na kojima je interv'al izračunat. U našem primeru sa slike 22 znamo da je istinita hipoteza tačno 5, i ona je očigledno sadržana u intervalu poverenja, a da ne znamo, interval bi nam ukazivao, pomagao da verujemo, da je „istina tu negde”. Istina je da bismo sve ahernativne hipoteze mogli pretvoriti u nulte, preračunati nove testne statistike (recimo t) i ponoviti TZNH, ali to bi bila manje-više beskorisna operacija. Dobili bismo niz novih odbačenih ili prihvaćenih nultih hipoteza, što već znamo da će se desiti iz intervala poverenja. Interval poverenja predstavlja smernicu, ukazuje, stvara uverenje ili ideju gde bi se istinita hipoteza mogla nalaziti i taj heuristički kvalitet se smatra glavnom prednošću intervala poverenja u odnosu na knitu da-ne logiku nulte hipoteze. Još jedna protivrečnost testiranja statističkih hipoteza pojavila bi se kad bismo anketirali duštvcne istraživače pitanjem ,,da li je bolje usvojiti nivo značajnosti 0,01 od 0,05". Većinabi odgovorila potvrdno jer smatra da ako je neki nalaz više statistički značajan, on je bolji - istinitiji. To je tačno u pogledu interpretacije nekog dobijenog testnog statistika, recimo Mesta - t statistik koji je značajan na nivou 0,01 je veći od t-a na nivou 0,05, a biće veća (verovatno) i D^,. Međutim, ako stvar pogledamo sa stanovišta formiranja intervala poverenja, odnosno margine greške, videćemo jednu prostu činjenicu - kako povećavamo nivo značajnosti, intervali poverenja su sve širi. Ja mogu da budem 90% siguran da će moja telesna težinabiti između 95 i 105 kg, a 99% siguran da će biti između 90 i 110 kg. Ako uporedimo sa gađanjem iz puške, kao da smo viši nivo sigurnosti pogotka postigli tako što smo metu povećali (ili približili). Povećanje ili približavanje mete nije moguće u istraživanjima jer su pojave takve kakve su, pa je u tom smisiu povišavanje nivoa značajnosti beskorisno i trivijalno - njime se ne dobija ništa. Sa stanovišta testiranja statističkih hipoteza, ono što istraživač može da uradi, a što će imati isti efekat kao i povećavanje mete, to je da poveća uzorak. No, gledajući epistemološki, povećavanje uzorka ni izbliza nije sve što se može i što se treba uraditi (povećavanje uzorka, na jeziku savremene metodologije, samo povećava ekstemu validnost). Treba, takode, povećati pouzdanost i validnost merenja i internu validnost nacrta istraživanja. P roblem determ inističkih hipoteza. - Zamislimo da želimo da proverimo tvrdnju nekog okultiste da može da učini da osoba nestane. Pokušaj da se ta
tvrdnja enipirijski proveri putem primene TZNH podrazumevao bi, recimo, nultu hipotezu da okultista izazove nestanak značajno više od 50% osoba. Takav pokušaj je besmislen, jer bi dokazani nestanak samo jedne jedine osobe bio neopoziva potvrda okultistovih sposobnosti, koja bi, uzgred, imala nesagledive posledice na celokupno Ijudsko saznanje (a i na samu osobu, ako okultista ne bi znao da je vrati). Ovakve hipoteze je jedan od autora koji su skeptični prema TZNH (Lachman) nazvao detemiinističkim hipotezama, jer nemaju višestruke, mnogobrojne ishode, čije bismo verovatnoće mogh podvrći testiranju. Takve hipoteze se ne mogu podvrći testu nulte hipoteze. O stali problem i. - N a osnovu prethodnih poglavlja istraživač je već mogao zaključiti da prihkom odhičivanja o prihvatanju, odnosno odbaeivanju nulte hipoteze vrebaju opasnosti pogrešne upotrebe statistike. Možda nije odabran statistički test koji ima najveću moć, možda je zanemarena činjenica da su uzorci zavisni, možda uzorci potiču iz razhčitih populacija, možda je zanemaren problem korekcije kontinuiteta u tabelama kontingencije itd. Spomenuli smo i razhčite fmese u vezi protpostavki o jednakosti varijansi populacija kod Mesta i teškoća kod dokazivanja nezavisnosti uzoraka. Dalje, recimo da testiramo razUku dve grupe. Sled zaključivanja je takav da mi pi-vo postavljamo nultu hipotezu, pa nam onda TZNPI kaže koja je verovatnoća da će konkretni podaci biti dobijeni ukoliko nulta hipoteza važi. Taj redosled zaključivanja je neprirodan istraživačima. Oni bi želeli upravo obratno, da saznaju koliko je verovatno da se grupe ne razlikuju, na osnovu postojećih podataka. Kao što kaže Ives (2003), te dve situacije se mogu ilustrovati sa sledeće dve verovatnoće: a) verovatnoćom da jedem, pod uslovom da osećam ukus čokolade i b) verovatnoćom da ću osetiti ukus čokolade, pod uslovom da jedem. Ove dve altemativne verovatnoće dobro ilustruju problem različitih zaključaka koji se mogu doneti, ali i ukazuju na značaj ocenjivanja grešaka II tipa. Preporukc. - Glavne preporuke za prevazilaženje problema TZNH su već opisane na prethodnim stranama. Kao što je rečeno, izvestan broj autora se zalaže za potpuno odbacivanje TZNH, dok većina ostalih smatra da ga treba zadržati ali uz reviziju i dopunu postupka. Rezimiraćemo ukratko preporuke za korišćenje TZNH kako bi se ono učinilo saznajno korisnim. Neke od njih su već detaljnije opisane, a pobrojaćemo i neke nove. Redosled navođenja ne označava važnost preporuke. •
•
U interpretaciji se treba oslanjati koliko nap, toliko i na veličinu efekta. To znači da osim rezultata testiranja nulte hipoteze treba uvek navesti veličinu efekta. p-vrednost i veličinu efekta treba navoditi i za nalaze koji nisu statistički značajni. Prilikom inteipretacije nekog statistika treba uzeti u obzir njegov interval poverenja. Interval poverenja predstavlja prostor mogućih a plauzibilnih „alternativnih nultih” hipoteza.
• •
• • • •
•
•
•
• •
Uvek imati na umu da moć testa (a posredno i P-verovatnoća) predstavlja proveru efekta NV na ZV (a ne a-nivo). Ako grupe dolaze iz različitih populaeija, TZNH nije primereno, čak i ako bi nulta hipoteza bila zadržana, Naime, čak i ako se dobije da bi populacije mogle biti jcdnake po parametru koji je testiran, one su i dalje različite populaeije. Ako su hipoteze determinističke, TZNH nije primereno. Ako su uzorci vrlo vehki, TZNH neće dodavati nove informacije. Ako je nieta-analiza na prethodnim studijama već pokazala da nuka hipoteza ne važi, nc treba ponavljati TZNH. Ako se koristi TZNH, u izveštaju treba uvek napisati da se radi o statističkoj značajnosti, kako neinformisani čitalac ne bi pomislio da se radi o praktičnoj. Kad god je to korisno, treba koristiti nulte hipoteze koje ne porede dobijenu vrednost sa nultom (onako kako je prikazano u našem primeru u tabeli 17). Na primer, biće nam korisnije da vidimo da li je naš koeficijent korelacije oko 0,50, ili 0,80, nego da li je različit od nule. Povezano sa prethodnim, uvek treba biti svestan alternativne hipoteze. Proveravanje da li je eksperimentalna grupa bolja (ili lošija) od kontrolne donosi više inforniacija nego samo da li je različita, Neznačajni rezultati ne dokazuju da je nulta hipoteza tačna, niti dokazuju da ne postoji efekt, Oni samo govore da se na osnovu postojećih podataka ne može odbaciti nulta hipoteza. Dobijeni />=0,001 nije ništa važniji, bolji ili impresivniji o d p=0,05. M alip nije dokaz jačeg efekta. Uvek treba navesti tačnu dobijenup (umesto „<0,05"), a ocenu o tome da h se taj nivo odbacuje ili ne zasnivati na usvojenom a-nivou, na prihvatljivom iznosu grešaka II tipa, tj. analizi moći testa i na praktičnim zahtevima.
Ovime se spisak preporuka ne završava. U literaturi se mogu naći i dmge sugestije i saveti u vezi pravilnog korišćenja testiranja značajnosti nulte hipoteze.
G.
test
x’-statistik i x’-raspodela su vrlo rasprostranjeni u statistici i koriste se za testiranje različitih hipoteza. U jednoj ranijoj fusnosti smo rekli da i^-statistik i tstatistik stoje u odnosu F = kada je broj grupa jednak 2. Isto tako r-statistik i zstatistik stoje u odnosu t = z kada je broj stepeni slobode bcskonačan {bss = ” ). Da bi se lakše razumelo šta je %^-statistik možemo da kažemo da je = {x -
Aff/
J
o
Indeks ,,đ” označava dobijene frekvencije, a indeks ,,o” označava očekivane frekvencijc. Oblast sumiranja nije navedena, jer se podrazumeva da se sumiraju sve željene frekvencije, a to su obično sve kućice tabele (ali ne obavezno). Oko indeksa d i o, nažaiost, postoji zbrka. U engleskim tekstovima se sreću indeksi o i e, od „observed” i ,,expected”. U našim tekstovima se sreću takođe o i ^ od „opažene” i „teorijske”. Zabunu obično izaziva indeks o koji može da označava i očekivane i opažene frekvencije. Zato treba biti pažljiv kod primene formula. Sta kaže gornja fonnula? Iz brojioca vidimo da se izračunaju razlike dobijene i očekivane frekvencije, da se te razlike kvadriraju, podele sa očekivanom frekvencijom i međusobno saberu. Kad kažemo „dobijena i očekivana” izlazimo u susret najčešćoj upotrebi hi-kvadrat testa, ali ponovo naglašavamo da je x^-test namenjen testiranju razlika biio kakve dve distribucije frekvencija (uključujući i dve dobijene). Na primer, jeđan radnik je tokom 5 radnih dana proizveo 17, 24, 28, 23, 18 komada nekog predmeta, a dmgi radnik: 12, 16, 17, 17, 13 komada. Pomoću testa možemo uporediti te dve dobijene distribucije sa ciljem da vidimo da li se učinci ova dva radnika značajno razlikuju. Iste te podatke možemo podvrći sledećem razmišljanju: da li broj proizvedenih komada zavisi od dana u nedelji. U tom slučaju bismo distribuciju prvog radnika uporedili sa „teorijskom” distribucijom, koja se zasniva na pretpostavci da se svih dana proizvodi jcdnako: 2 2, 22, 2 2 , 22, 22 (za drugog radnika bi očckivana distribucija bila: 15, 15, 15, 15, 15). U prvom primeru, test razlike učinka dva radnika je dao rezultat od X^=17,242. Za broj stepeni slobode od 4 (broj frekvencija - I) taj hi-kvadrat prihvatamo na nivou 0,01, ili kako se u statistici piše p<0,01. Odatle ne vidimo da h je nekim određenim danima prvi radnik postizao viši rezultat, ili je nekim danimapostizao viši, a nekima niži, niti vidimo da li je ukupno gledajući, prvi radnik imao višu produktivnost. U x^-statistiku su sve te razlike objedinjene (sabrane) i na osnovu njega možemo da kažemo samo da je prvi radnik radio drugačije od drugog. Postoje razne „poštapalice” koje pomažu istraživaču da odredi koji su „izvori” značajnosti x'-testa. Jedna od tih poštapalica je analiza reziduala, odnosno vrednosti ili ili analiza tzv. komponenti hi-kvadrata: (f^ - f f f ’if„. Tamo gde su te vrednosti najveće, tu su razlike najveće. Tako bismo, izučavajući reziduale i sirove frekvencije videli da je prvi radnik svim danima proizvodio više. U drugomprimem su dobijena dva hi-kvadrata%^=3,727 i x^=l,467 od kojih nijedan nije značajan, što znači da za dobijene dnevne razlike, ni kod jednog radnika ne možemo da kažemo da su one nešto više od slučajnih razlika. U poglavlju o deskriptivnoj statistici je već rečeno da se pomoću x^-testa može testirati shčnost dobijene distribucije sa normalnom. Sada možemo reći da se na taj način može ispitati sličnost dobijene distribucije frekvencija sa hilo kojom teorijskom distribucijom: normalnom, binorrmom (za kategorijalne varijable), Poissonovom (Puasonova, za retke događaje) itd.
Međutim, draštveiii istraživači najčešće koriste %^-test u analizi kontingencionih tabela.
1.
Tabele kontingencije
Tabele kontingencije su udarno saznajno oruđe mnogih draštvenih nauka. Poznate su po svom žargonskom nazivu „ukrštanja”. Na osnovu engleskog naziva crosstabulation i kod nas se može sresti naziv krostabulacija. Izraz kontingencija bi se kod nas mogao prevesti sa „sticaj” (kao „sticaj okolnosti”) i sadrži značenje slučajnosti i povezanosti, tj. slučajne povezanosti. Tabela 18. - Tabela kontingencije
Plata Pol
do300
300-600
Zene
4
Muškarci
6
Ukupno
10
preko 600
Ukupno
20
6
30
50
14
70
70
20
100
U tabeli kontingencije 18 prikazano je ukrštanje varijabh pola i plate na uzorku od 100 radnika. U kućicama su prikazane dobijene frekvencije. Šta će biti očekivane frekvencije, odnosno šta će biti draga distribucija frekvencija, distribucija za poređenje, koja je neophodna za primenu x^-testa? U standardnoj analizi tabele kontingencije, očekivana distribueija se izračunava na osnovu marginalnih distribucija. U redu i koloni „Ukupno” prikazane su marginalne distribucije. Egzaktan naziv „ukrštanja” koje je ovde prikazano je „dvosmerna klasifikacija”. Analiza kontingencionih tabela, međutim, dozvoljava da klasifikacija bude višesmerna, odnosno da tabela bude višeulazna. U gornjem slučaju smo mogli istraživanje ponoviti u više preduzeća i uvesti varijablu „preduzeće” kao treći nivo klasifikacije. Ako bi varijabla „preduzeće” bila na najvišcm nivou, onda bismo imali onoliko tabela 18 koliko imamo preduzeća. Da bismo objasnili kako se dobija očekivana frekvencija za svaku kućicu i kako se vrše kasnija izračunavanja, uvedimo prvo neke standarde označavanja. Broj rcdova tabele ćemo označiti sa r, a broj kolona sa c. Sa ćemo označiti dobijenu frekvenciju u svakoj od kućica. Indeks i može poprimiti r vrednosti; i=l,...,r, a indeksj može poprimiti c vrednosti; ;=1 Dakle, / označavaredove, a j kolone tabele (iz poglavlja o matematičkom jeziku statistike videli smo da je to konvencija za sve matrice). Marginalne frekvencije kolona ćemo označiti saf^j, a marginalne frekvencije redova sa fj^ . Tačka u indeksu označava da su sve frekvencije kućica na tom mestu sabrane. Kako ćemo izračunati očekivane frekvencije za svaku kućicu? Prosto kao: fo ij = f d i f d j / n .
[74]
dakle kao proizvod pripadajućih marginalnili suma podeljen sa ukupnim brojem odgovora (veličiiiom uzorka). x^-statistik se sada računa prosto kao; [75] ;-l
j=\
J o ij
Broj stepeni slobode za distribuciju zavisi od dimenzija kontingencione tabele i računa se kao bss = (/■- l)(c - 1). Vidimo da sti dobijene frekvencije one koje su reziiltat prikupljanja podataka. Sta su ti logičkom smislu očekivane frekvencije kako su gore opisane? To su frekvencije koje bismo dobili ukoliko ne bi postojala nikakva korelacija između dve varijable, odnosno kad bi te dvc varijable bile stohastički nezavisne. Distribucija frekvencija dve nczavisne varijable jednaka jc proizvodu njihovih marginalnih distribucija. Dakic, iako i ovde x^-testoni testiramo razhke dve distribucije, mi u suštini testiramo nezavisnost dve varijable; to j e milta hipoteza koja se teslira ]^-testom. Ako su varijable stvarno nezavisne, odnosno ako neraa razlika izmcđu distribucija, x"-statistik će biti jednak nuh. Što su razlike vcće i što je veća tabela kontingencije, "/^-statistik će biti veći. Uticaj veiičine tabele na odhiku o značajnosti povezanosti varijabli je kompenziran parametrom broja stepeni slobode. Sto je broj stepeni slobode manji to je distribucija uzoraka x'-statistika asimetričnija, a kako broj stepeni slobode tcži beskonačnom ona postaje sve sličnija normalnoj. Na pitanje koje je postavljeno u tabeh 18; ,,da li plata zavisi od pola” odgovor je negativan, jer izračunati x^-statistik nije značajan (jj = 0,54), što znači da distribucija frekvcncija po kućicama ne odstupa značajno od nasumične. lako se putem broja stepeni slobode kompenzira uticaj vcličine tabele na značajnost statističkog tcsta, sam statistik se ne možc porcditi na kontingcncionim tabelama razhčite veličine. U tom smislu on sam po scbi nije pokazatelj asocijacije varijabli, nego je samo statistik koji služi za testiranje nultc hipoteze o nezavisnosti. Zbog toga je konstruisan veliki broj pokazatelja asocijacije za kontingencione tabele čiji je cilj da simuliraju koeficijent lineame korelacije. U poglavlju 0 korelaciji i rcgrcsiji naveli smo 3 jednostavna uslova koje moraju ispunjavati koeficijenti korelacije da bi prcdstavljali dobru kvantifikaciju povezanosti varijabli. Odmah, nažalost, moramo reći da nijedan pokazatelj asocijacije varijabli u kontingcncionoj tabcli ne zadovoljava ta tri uslova (neki čak ne zadovoljavaju nijedan). Spomenućemo tri najuobičajenija „koeficijcnta korelacije” koji se koriste u kontingencionim tabelama. Najviše upotrebljavan je C-koeficijent (koeficijent kontingencije) koji se računa kao; C=
- f — . X +n
[76]
lako sc najviše koristi, od svih pokazatelja sličnog tipa (koji se izvode dircktno iz lii-kvadrata), C koeficijent ima najmanje statističkog smisla. Osim
nedostatka bilo kakve teorijske osnove, C koeficijent muče dva nedostatka: minimalna vrednost mu je 0 (dakle, nema negativne vrednosti, što znači da ne ukazuje na smer povezanosti, koji istraživač mora da utvrdi inspekcijom tabelc), a maksimalna vrednost mu zavisi od veličine tabele. Na tabeli 2x2 njegova maksimalna moguća vrednost je 0,707, a što je tabela veća, to je i maksimalna moguća vrednost C koeficijenta veća (ali praktično nikad ne dostiže 1). Iz toga sledi da se ne mogu uporedivati C koeficijenti na različitim tabelama. Sledeći koeficijent je
Teorijski smisao tp koeficijenta je prilično jasan, jer on predstavlja kvadratni koren iz proseka kvadrata svih netrivijalnih kanoničkih korelacija izmedu nominalnih varijabli (prva kanonička korelacija je kod nominalnih varijabli uvek trivijalna). Nažalost, minimalna vrednost ip koeficijenta je opet nula (dakle, ne ukazuje na predznak povezanosti), a maksimalna vrednost mu je (k - 1) gde je = min(r,c).
n{k - 1)
]J ( k - 1 )
[78]
gde je k=min(r,c). lako je formula sasvim prosta i slična ostalima, vidi se da je K izveden skaliranjern iz (a i ima precizan teorijski smisao. Iz toga sledi da je za tabele 2x2 Kramerov Kjednak cp koeficijentu. Iz istog razloga K teži da bude najmanji od svih koeficijenala, jer uzima u obzir i niske, beznačajne kanoničke korelacije, kao i veličinu tabele. Minimalna vrednost K jc nula, što znači da nam ne pomaže u odredivanju smera povezanosti. Mcdutim, on ima maksimalnu moguću vrcdnost + 1, bez obzira na vcličinu tabele, te zbog toga može da posluži za komparaciju povezanosti u tabelama različitc veličine. Sve u svemu, moglo bi se reći da je od tri navedcna, Kramcrov koeficijent najbolja kvantifikacija asocijacije nominalnih varij.abli, osim što, generalno rečeno, teži da podccni stvamu povezanost, posebno ukoliko sve kategorije obe nominalnc varijable nisu povezane na isti način. Ukoliko jc on mnogo manji od C koeficijenta, verovatno postojc višestruki izvori povezanosti unutar kategorija nominalnih varijabli, što govori da bi se nominalne varijable trebale razbiti, prefomiulisati ili spojiti. Značajnost ova tri koeficijenta se preuzima od %• (jer se iz njega izračunavaju). Osim ova tri, postoje još brojni drugi pokazatelji koji su namenjeni za ordinalne i intervahie varijable, zatim oni koji su namenjeni testiranju zavisnih uzoraka u istraživanjima tipa ,,pre-posle” (kao što je McNemarov test), zatim
„namenski” koeficijenti za testiranje saglasnosti procenjivača (npr. Kappa), ili određivanje relativnog rizika (npr. Mantel-Haenszel) itd. Istraživača će odmah baciti u očaj činjenica što su vrednosti ovili pokazatelja (koje je u današnjim statističkim paketima vrlo lako „naručiti”) obično veoma različite. Osim toga, ocena značajnosti ovih alternativnih koeficijenata se ne izvodi iz x^, pa je u starijim programima podatak o/?-vrednosti koeficijenta izostajao. Danas su razvijene razHčite asimptotske formule za standardne greške i ugrađene u statističke pakete, ili se čak koriste empirijske tehnike za određivanje distribucije uzoraka tehnike resampUnga (Monte Karlo). K orekcija za k o n tin u itet.-K o d tabela 2x2 (ili sa jcdnim stepenom slobode) mora se raditi korekcija %^-statistika zbog tzv. korekcije za kontinuitet. Ova korekcija se naziva, po svom autoru, Vatesova korekcija. Statistički programi je računaju automatski, čim tabela ima bss = 1 . Postoji jedan drugi problem koji vrlo često ozbiljno muči istraživače. To je problem nuUih, ili veoma malih očekivanih frekvencija u kućicama tabele. Ako pogledamo formuhi za jasno je da ako je očekivana frekvencija nuha dolazi do deljenja sa nulom. Pošto je deljenje sa nulom nemoguće, programi obično preskaču te kućice, ali to onda više nije ista tabela i broj stepeni slobode je pod znakom pitanja. Međutim, ako su očekivane frekvencije veće od nule, aii ipak male, još uvek postoji problem korekcije za kontinuitet, ali se ona ne može izvršiti pomoću Jejtsove korekcije ukoliko je tabela veća od 2x2. U takvim slučajevima, distribucija dobijenog x^-statistika ne prati x^-distribuciju, pa je i očitavanje značajnosti pogrešno. Jedino rešenje koje se u tim slučajevima preporučuje je da se spoje susedni rcdovi ili kolone. Naime, do malih očekivanih frekvencija dolazi kada su malc marginalne sume. Spajanje susednih redova i kolona, međutim, nije uvek lako izvesti. Velika javnomnjenjska istraživanja produkuju na stotine, pa čak i na Iiiljade kontingencionih tabela. Analiza svake tabele u kojoj ovaj uslov za računanje x‘-testa nije zadovoljen (a takvih bude na stotine) i otkrivanje koji redovi i/ili kolone mogu i trebaju da se spoje je praktično neizvodivo. S druge strane, neke kategorije nominalnih varijabli mogu da se spoje, a neke ne (sa istraživačkog stanovišta). Ako su varijable ordinalne, lako je spojiti dva susedna ranga, međutim, ako spojimo dva „razloga za uzimanje droge”, onda ih gubimo iz istraživanja. Problem je još komplikovaniji zbog toga što ne postoji opšte usvojeni standard o tome šta su „suviše male očekivane frekvencije”. U svakom slučaju, saglasnost postoji da nijedna/, u tabeli ne sme da bude manja od 1. Neki autori, međutim, smatraju da nijedna ne sme da bude manja od 2, a veliki broj autora smalra da nijedna ne sme da bude manja od 5. Drugi autori (a pod pojmom „autori” podrazumevamo i statističke pakete) smatraju da se ne radi o jednoj pojedinačnoj kućici, nego da recimo ne sme više od 20% kućica im ati/,<5. Vrednosti i niogućnosti analize kontingencionih ta b e la .- Sve u svemu, analiza kontingencionih tabela ne zaslužuje onaj značaj koji joj ninogi društveni istraživači pridaju. To se posebno odnosi na konvencionalnu analizu kontingencionih tabela pomoću %^-testa i C koeficijenta. U tom pogledu postoje dve karak-
teristične situacije, antagonističke po svojoj prirodi i mogućim pravcima rešenja. Prva situacija je ona u spomenutim javnomnjenjskim istraživanjima u kojima se koriste veliki upitnici (sa više stotina pitanja) i u kojima istraživači izrade više stotina do više hiljada kontingencionih tabela. Na hiljadu tabela u kojima je ukršteno više stotina pitanja, pa čak i ako je uzorak veliki (/j=1500 i više), uobičajeno je da bude mnogo maUh marginalnih suma, pa da otuda bude i veliki broj niskih očekivanih frekvencija. Zbog toga, striktno govoreći, na velikom broju tih tabela se ne može prihvatiti ocena značajnosti na osnovu %^-statistika. Pošto istraživači žele da imaju i kvantifikaciju povezanosti varijabH (a ne samo ocenu njene značajnosti, odnosno ne-značajnosti), oni posežu za nekim od koeficijenata asocijacije, najčešće za C koeficijentom. Jedan od razloga za zainteresovanost istraživača za C koeficijent je to što oni vide da kad je uzorak veliki, može biti značajan, a da je stvarni stepen povezanosti vrlo mali (vidi diskusiju o odnosu statističke i istraživačke značajnosti u kasnijem odeljku). Nažalost, ne samo što je C koeficijent sam po sebi jadna kvantifikacija povezanosti dve varijable, nego kad kontingencione tabele imaju niske očekivane frekvencije iz koga se C izračunava i iz koga se izvodi njegova značajnost je nepouzdan. Istraživači su manje-više svesni tog problema te postoji jaka tendencija da se analiza kontingencionih tabela svede na pregled procenata"'^ i da se oblast testiranja hipoteza i deskripcije korelacije potpuno zanemari. U tom slučaju se tabele kontingencije stvamo svode na „ukrštanje”, odnosno na krostabulaciju, a primena statistike na elementamu deskriptivnu statistiku, ih čak evidencionu statistiku, bez ikakve (ili sa potpuno pogrešnom) generalizacijom na osnovni skup. Naime, potpuno zanemarujući testiranje hipoteze nezavisnosti, istraživači će napisati u izveštaju da npr. pripadnici te i te nacionalnosti više preferiraju tu i tu stranku, bez ikakvog dokaza o tome da li se radi o značajnoj razhci u proporcijama. Istraživači koji rade u oblasti pohtičkog i industrijskog marketinga i koji se danas najviše bave javnomnjenjskim istraživanjimapravdaju se kratkim rokovima (apsolutno tačno) i nesposobnošću naručilaca da apsorbuju bilo kakve druge podatke osim procenata (delimično tačno). Cinjenica je da ta istraživanja ostaju površno deskriptivna, površno eksplorativna, ekstenzivna i zbog svega toga nedovoljno iskorišćena'’^. Sve to zajedno čini jedan začarani kmg iz koga je teško izbaciti vulgarna ukrštanja i zameniti ih snažnijim i kvalitctnijim statističkim tehnikama, unatoč tome što bi to bilo višestruko korisno. Dnigu situaciju čine razna istraživanja u kojima broj nominalnih varijabli nije veliki, ili u kojima bar postoji jedan ograničeni skup varijabli koje „nose” istraživanje i čije asocijacije čine osnovu istraživačkih zaključaka. U tim istraživanjima obično ne predstavljajuproblem kratki (jjetodnevni) rokovi, niti ogroman
Mnogi istaknuli statističari, kao npr. pokojni prof K. Momirović, ne mogu da shvalc za.što se proporcije, koje su iia slučajnim uzorcima nepristrasne procene verovatnoća u populaciji, množe sa 100 da bi se dobili procenti. Islini za volju, mnogi istraživači koriste podatke iz tih istraživanja za kasnijc ,,fme analize”, kad produ rokovi i pritisak naručilaca.
broj tabela kontingencije. U tom slučaju nema nikakvih prepreka da se analiza kontingencione tabele obavi valjano i u skladu sa savremenim razvojem statistike noininahiih varijabli. Kao prvo, ako se koristi testiranje nezavisnosti pomoću standardnog (tzv. Pirsonovog) x^-testa, treba svakako otkloniti sve smetnje koje postoje njegovoj pravihioj evaluaciji. Mora se primeniti Yatesova korekcija, ako je potrebna, i moraju se sažeti redovi/kolone, ili se na neki drugi način moraju transfomiisati varijable kako bi se ehminisale maie očekivane frekvencije. Ako je potrebna kvantifikacija asocijacije, onda treba pažljivo razmotriti koji od koeficijenata (ih koja grupa koeficijenata) najbolje odgovara. Na primer, ako su varijable ordinalne, onda pažnju treba obratiti na koeficijente kao što su Kendallovi ili U jednom prethodnom pasusu smo spomenuh još neke od mogućih koeficijenata. Ako raspoloživi statistički paketi raspolažu ocenom značajnosti tih koeficijenata, treba koristiti nju i standardnu grešku za prikazivanje intervala poverenja za dobijeni koeficijent. Ako se različiti koeficijenti jako razhkuju po visini (što je čest slučaj), treba na osnovu njihovih teorijskih osnova protumačiti zašto je to tako. U jednom prethodnom pasusu smo primer jednog takvog tumačenja dali za Cramerov V koeficijent. Ako je hi-kvadrat značajan, treba, kao prvo, protumačiti smer veze izmedu varijabU - pozitivan iU negativan. Ako statistički program to omogućava treba pogledati u kojim kućicama su razUke dobijenih i očekivanih frekvencija najveće, jer su na tim mestima glavni izvori značajnosti hi-kvadrata (ako statistički paket to ne omogućava, reziduali se mogu izračunati ručno). Sve u svemu, treba biti minuciozan u analizi kontingencionih tabela od kojih zavisi prihvatanje ih odbacivanje istraživačkih hipoteza. Naravno, najbolje je da se anahza tabele izvrši nekom savremenijom nietodom kao što su loglinearni modeh, anahza korespondencije ih optimalno skaliranje (pogledati primer grafikona korespondentne anahze na str. 539). Loghneami modeh po svemu veoma podsećaju na faktorsku anahzu varijanse i skoro su neophodni ako su tabele kontingencije višeulazne. Anahza korespondencije je po izvesnim aspektima shčna faktorskoj anahzi, a glavna prednost joj je u jakoj podršci grafičkom prikazu povezanosti varijabh i položaju kategorija varijabh u zajedničkom prostoru. Optimalno skahranje se pod izvesnim uslovima može potpuno svesti na anahzu korespondencije, ah je opštija metoda koia je posebno pogodna za anahzu meštovitih tipova varijabh, koristeći pri tome maksimum informacija sadržanih u tim varijablama.
H. Grafičko prikazivanje rezultata
U ovoj glavi je već bilo više primera grafičkog prikaza rezultata istraživanja. Međutim, mogućnosti koje danas postoje za prikazivanje različilih aspekata prikupljenih podataka su ogromne. Već je spomenuto đa danas neki autori defmišu statistiku kao oruđe za grafičko prikazivanje rezultata. To nije bez osnova, jer su izmišljene miioge metode analize podataka čiji je prvenstveni cilj crtanje odgovarajućih grafikona. Nema jeduostavnog i preglednog načina da se ukratko predstave svi tipovi grafikona i njihova osnovna svojstva. Kao što se moglo pomisliti, crtanje grafikona se danas isključivo obavlja na personahiim računarima. U tom smislu bi ovo poglavlje moglo potpuno da se priključi glavi o primeni računara u socijalnim istraživanjima. To što nije može se objasniti jedino povezanošću grafičkih prikaza sa dosada opisanim metodama deskriptivne statistike.
1.
Vrste grafikona i prim eri
Engleski temiini koji se koriste u programskim paketima za grafički prikaz podataka su „chart” i „graph”. Mogućnost grafičkih prikaza postoji neposredno u samim procesorima teksta, kao što su Microsoft Word ili Corel WordPerfect. Pošto su jedan od najfleksibihiijih entiteta u obradi teksta tabele (eng. tables), moduli za grafičko prikazivanje spomenutih programa mogu direktno da grafički prikažu neku tabelu sa brojevima koja se nalazi u tekstu. Inače, najbolji izvor grafičkih prikaza su statistički paketi koji uz ninoge statističke tehnike nude i prateće grafikone. Po lakoći grafičkog prikazivanja rezultata kod nas je poznat program Statistica (vidi giavu o primeni računara). U okviru velikih statističkih pakeia postoje i posebni moduli za crtanje, gde se postojeći grafikoni mogu modifikovati, ili napraviti novi, bez korišćenja statističkih procedura. Osnovni tipovi grafikona koje ćemo ovde spomenuti su: • • • •
pohgoni frekvencija (engl. line), histogrami i stubični dijagrami (engl. bar), knižni dijagrami (engl. pie) i dijagrami raspršenja (engl. scatter diagram).
Naravno, postoje i mnogi drugi tipovi grafikona, od kojih su neki izvedeni iz navedenih. Npr. poligoni frekvencija se mogu nacrtati samo sa karakterističnim tačkama (na tzv. granicama intervala), bez linija koje ih povezuju (engl. dot), ili se mogu predstaviti tako da bude islaknuta površina ispod grafikona (engl. area). Uobičajena mogućnost svih programa je da grafikone prikazuju trodimenzionalno, sa različitim mogućnostima varijacija trodimenzionalnog prikaza. Pod tro-
dinienzioiialnim prikazom, ili kako se to popularno kaže 3-D p rik a z o m , p o d raz u m ev a se takav raspored elem enata na g rafik o n u koji čitao cu daje utisak dubine odnosno prostornosti. N a slici 23 je prikazan jedan kompozitni trodimenzionalni poligon frekvencija. Nekada se takvi „napredni” poligoni frekvencija nazivaju trakastim grafikonima. Kažemo komH do 25 B 26-35 F1 36-45 B 45+ pozitni zato što sadrži podatke o Slika 23. Poligon frekvencija 4 serije podataka, tj. neke 4 zamišljene političke stranke. Ovakav dijagram je potpuno pogodan za prikaz tabela kontingencije, u ovom slučaju bi to bila tabela u kojoj su ukršteni klasifikovana starost i stranačko opredeljenje, Na slici 24 je prikazana Starosn a struktura stranačkih pristalica jedna varijanta histograma. Podaci koji su prikazani na dijagramu su oni isti sa slike 23. Ranije u tekstu smo iskoristili histogram da bismo prikazali distribuciju frekvencija varijable starost (slika 14). Histogram na slici 24, osim što je nacrtan trodimenzionalno, sadrži više serija podataka, što govori da je pogodan za prikazivanje kontingencionih tabela. Pažljiv čitalac može upore- s,j,^a 24. Stubični dijagram diti prikazani poligon frekvencija i stubični dijagram i zapaziti njihove razlike kao i razlike u uočljivosti prikazanih podataka. Generalno rečeno, posao oko crtanja grafikona zahteva iskustvo, poznavanje mogućnosti softvera koji se koristi i smisao za shkovno izražavanje. Obično je softver za crtanje grafikona takav da omogućava lako variranje parametara i promene vrste grafikona. To olakšava izbor najinformativnijeg prikaza i onog koji je istovremeno najjednostavniji. Boja i šrafura svih površina je u većini programa pod značajnom kontrolom korisnika. Medutim, kao što je rečeno, potrebno je iskustvo u poslu sa crtanjem grafikona. Recimo, postoji poznati problem u pogledu razhkovanja prikaza u bojama koji se vidi na ekranu monitora i cmo-belo-sivog prikaza u (standardnoj) štampi. Često se, naime, dešava da dve razhčite boje daju istu nijansu sivog na štampanoj strani, zbog čega se dve serije podataka ne mogu razhkovati. Starosna struktura stranačkih pristalica
Konačno, na slici 25 je prikazan kružni grafikon. Ne postoji dobar pre- s ta ro s n a s tru k tu ra s tra n a č k ih p ris ta iic a vod originalnog engleskog izraza ,,pie koji znači pita ili torta. Pored „kružni ^ dijagram” mogao bi se koristiti termin „segmentni dijagram”, no, treba imati u vidu da je termin „pita” već ušao u kolokvijalnu upotrebu. Prikazani dijagram je raden u 3-D tehnici, sa upisanim vrednostima (frekvencijama) i u „eksplodiranom” obliku, u kome su kriške razdvojene jedna od diuge. Svi ovi elementi se mogu ukinuti ili modifdcovati, a mogu se dodati još i različiti dru- E] E3 ^g-ss @ 36-45 []] 45+ gi fonnati prikaza. SHka 25. Kružni dijagram Medutim, na tom grafikonu vidIjivaje još jedna stvar. lako su korišćeni isti podaci kao sa prethodna dva grailkona, ovde je prikazana samo jedna serija podataka; za „stranku 1”. Od programa do programa varira mogućnost prikazivanja više „pitica” u istom dijagramu. Ukoliko maksimalni broj pita koje se mogu kombinovati u istom grafikonu nije dovoljan, korisnik mora nacrtati više grafikona. To zahteva malo više prostora i vremena, ali je funkcionalnost potpuno očuvana jer će biti prikazani svi podaci. Bitno je to da po svojoj logici grafikon u obliku pite nije pogodan za prikazivanje višedimenzionalnih klasifikacija kao što su kontingencione tabele. Distnbucijcfrekvencija se najčešće prikazuju pomoću histograma, pohgona frekvencija ih kružnih dijagrama. Videli smo da te distribucije ne moraju biti proste nego dvodimenzionalne, kao što su u tabeli kontingencije, ili višcđimenzionalne. Naravno, kada ima mnogo dimenzija (u softveru za crtanje grafikona se one obično nazivaju serijama) grafikon postaje nepregledan. Cesta vrsta statističkih grafikona su dijagrami raspršenja (eng. scatter diagram). Osnovni oblik tih dijagrama smo prikazali ranije u ovoj glavi na slici 18 (str. 493). N a dijagramu raspršenja su tačkama prikazani objekti (recimo ispitanici) u prostoin koga defmišu dve varijable. Vrlo često softver poseduje mogućnost da ucrta regresionu liniju, kao iiniju koja najbolje fituje povezanost te dve varijable. Ako postoji linearna povezanost izmedu varijabli (što je najčešći slučaj), onda će dijagram raspršenja imati oblik elipse, a linija regresije će ići dužim prečnikom (osovinom) elipse. Taj slučaj je prikazan na slici na strani 493. Ako je povezanost nelineama, onda će raspršenje imati oblik „kifle” (ili banane) ili neki drugi iskrivljeni oblik. Primeri nelinearne povezanosti prikazani su na slici 26. Zanimljivo je uočiti da se često i u tom slučaju povezanost može sasvim zadovoljavajuće prikazati pravom linijom koja predstavlja „srednju” liniju, sa najmanjom sumom kvadrata odstupanja. Takva prava linija je ucrtana na grafikonu A. Slična prava linija bi ukazivala na visok stepen povezanosti i na grafikonu B, medutim na grafikonima C i D bi prava hnija, po metodi najmnnjih
kvadrata, pogrešno sugerisala da povezanost ne postoji. U praksi se, generalno, najbolji „rezime” povezanosti postiže odgovarajućom krivom linijom. Oblik raspršenja kao što je na grafikonima C i D, ali sa znatno blažim iskrivljenjem nego što je prikazano na slici, može se često uočiti u naukama o ponašanju. Recimo, u psihologiji oblik povezanosti sa grafikona C ima anksioznost i školsko učenje najviše uče srednje anksiozni, a manje uče ekstremno niski i visoki po anksioznosti. Takode, najbolje procenjuju svoje mogućnosti oni koji se nalaze između optimizma (ekstraverti, hipomanični i sl.) i pesimizma (anksiozni i depresivni), dok „optimisti” i „pesimisti” precenjuju, odnosno potcenjuju svoje mogućnosti i sposobnosti.
Slika 26. Primeri nelinearne povezanosti između varijabli x i y N a kraju, s obzirom da je u tekstu naglašena upotreba savremenijih tehnika za analizu kontingencionih tabela, na slici 27 je prikazan grafikon koji je rezultat korespondentne analize na dve varijable: zanimanju i socijahiom statusu. U odgovarajućem odeljku je sponienuto da su korespondentna analiza (i matematički veoma slična metoda, optimalno skaHranje), slični faktorskoj analizi, u ovom shičaju primenjenoj na tabehi kontingencije. Ovde na grafikonu vidimo da su izdvojene dve dimenzije-faktora, što je u ovom shičaju maksimalno mogući broj jer postoje samo dve varijable. Pošto ovde nećemo posebno anahzirati prikazane pojave, dimenzije smo jednostavno nazvah po njihoviiB ekstremnim vrednostima (inače, na prvi pogled izgleda da bi prvu dimenziju bilo bolje nazvati „nezaposlen-zaposlen”, dok je druga dimenzija verovatno dimenzija statusa).
Z a n im a n je i s o cija ln i sCatus o Zaposlenje Prin odmor
» Sociialni status
1.5
Penzioner
l.D
Poljop o Nezaposlen Ucenik a „ o Domacica
0.0
Zaposlen Ostalo
o
-.5
Slrucniak PnvatA?»f'='“* Rukovodilac
•5.0
• t.D
D.D
l.D
2.D
D om aćica - RukD*'Ođilac
Slika 27. Korespondentna analiza
I.
Primena računara u statističkoj obradi
Kao što je spomenuto u glavi o kvantitativnoj analizi, multivarijatna analiza nije bila primenljiva pre pojave računara. No, ne samo ona - istraživači koji su ručno primenjivali univarijatnu ili bivarijatnu statistiku mogu da potvrde koliko rada je zalitevala npr. izrada samo jedne kontingencione tabele na iole većem uzorku. Računari olakšavaju primenu klasične statistike, a sine qua non su analize individualnih razlika za koju smo rekli da se nalazi na granici statistike i heuristike, odnosno ,,na jednom mestu” povezuje analizu i sintezu podataka. U tom smislu možemo reći da računari igraju značajnu ulogu po dve osnove. Prva je ta da omogućavaju, olakšavaju i podržavaju proces statističke analize podataka, a druga ta da svojom dostupnošću stavljaju tu analitičku moć istraživaču na radni sto. Ako zanemarimo ,,kadrovski problem”, današnji istraživač zahvaljujući personalnom računaru ima na radnom stolu pristup informacijama i analitičkim alatkama koje mu objektivno povećavaju produktivnost.
Prvi softverski prodor je obavljen tako što je izvršena „migracija” postojećih statističkih paketa. kao što je čuveni SPSS (Statistical Package for Social Sciences), sa vehkih (eng. mainframe) računara na personalne računare. I danas mnogi vodeći statistički paketi kao što su spomenuti SPSS (www.spss.com), pa SAS (SAS System, www.sas.com) i BMDP (Biomedical Data Processing, http:// www.statsol.ie/bnidp/stats.htm) potiču sa velikih računara i imaju verzije za velike računare. Današnje verzije tih programa su manje-više potpuno prilagođene specifičnostima PC-a. Osim toga, razvijeni su i mnogi potpuno novi statistički paketi, koji su od početka bih pravljeni za PC okruženje, što znači da su zasnovani na grafičkom interfejsu, lakoći crtanja grafikona, radu sa mišem itsl. Kod nas se, u vreme DOS-a, kao takav mnogo koristio Statgraphics istoimene firme, a danas se dosta koristi sličan program, ali namenjen Windows okruženju - Statistica, američke firme Statsoft.'” Savremeni stati.stički softverposeduješirokrepertoarprocedura. Opisaćemo one osnovne. •
• •
Manipulacija podacima u najopštijem smislu. • Import i eksport podataka. • Transformacije podataka, koje se mogu podeliti na: • prešifriranje (rekodiranje), • transformacije u uženi smislu i • odlučivanje. • Upisivanje medurezultata za kasniju upotrebu. Statistička analiza u najopštijem smislu. Meta-statistički jezik i mogućnost pisanja novih statističkih procedura.
1.
Statistička anaiiza u najopštijem smislu
Svaki statistički paket raspolaž sa određenim fondom statističkih tehnika. Pošto se oblast statističke obrade podataka stalno razvija, ne samo da ne postoji statistički paket koji sadrži sve statističke metode, nego je fond tehnika često sasvim ograničen i namenjen „ciljnim korisnicima” koji su odredcni u skladu sa komercijalnim zahtevima. U vezi sa temom ciljnih korisnika treba svakako spomenuti poznati paket SPSS čiji akronim znači „Statistical Package for Social Sciences” (Statistički paket za društvene nauke). Inicijalno, paket je nastao na Univerzitetu Stanford u Kaliforniji i nakon dobrog prijema osnovana je posebna kompanija sa tim imenom (www.spss.com). U nekom trenutku, ptmi naziv paketa je nestao sa korica priručnika i današnjem korisniku je veoma teško da utvrdi šta, u stvari, znači skraćenica SPSS. Uzrok za to je, očigledno, skretanje paketa od društvenih Statistica jc poznata, između ostalog, po tome što na Inlcmet prczcntaciji firme Statsoi't postoji vrlo popularan statistički priničnik: StatSoft, Inc. (2004). Elcctronic Statistics Tcxlbook. Tiilsa, OK: StatSoft. http://www.statsoft.com/tcxtbook/stathonic.html.
naučnika ka širem auditorijumu, kao što su menadžment, marketing, vladine agencije i sl., gde bi epitet ,,za društvene nauke”, po proceni kompanije, bio kontraproduktivan. Kao što je rečeno, statistički paketi se značajno razlikuju u pogledu obuhvata statističkih tehnika. Među velikim paketima, paketima opšte namene, mogu se očekivati statističke procedure iz svih glavnih oblasti: o Deskriptivna statistika i statistika zaključivanja: tabele frekvencija, kontingencione tabele, ispitivanje normahiosti distribucije, grafički prikazi distribucija, izrada standardnih skorova, /-testovi, jednosmerna anahza varijanse, određivanje potrebne vehčine uzorka. . . • Ispitivanje razlika između grupa: ANOVA, MANOVA, Generalni hnearni modeh, modeh sa ponovljenim m erenjim a.. . • Regresioni modeh: lineam a i višestruka hneama regresija, postupna (eng. stepwise) regresija, nehnearna regresija (razni modeh kao što su pohnomijalna rcgresija i dr.), logistička regresija, probit anahza, . . • Neparametrijski i nominahii mođeh: razni testovi koji ne pretpostavljaju normalnu distribuciju i intervalni nivo merenja (ordinalne korelacije kao što je Spearmanova i Kendahova, zamene za ANOVU i /-testove: Friedmanova ANOVA, Mann-W hitney U test, W ald-W olfowitz test), loglineami modeli, multidimenzionalno skaliranje, optimalno skaliranje, korespondentna anahza. . . • Multivarijatna analiza: faktorska analiza, kanonička analiza, diskriminaciona analiza, klaster analiza (taksonomska anahza ili analiza grupisanja). . . o Analiza trendova ih vremenske serije: ARIMA (obična i X -11), autoregresija, peglanje (eng. smoothing), desezoniranje, predviđanje . . . • Modeli struklurnih jednačina (SEM) i pseudokauzalni modeli: konfirmativna faktorska analiza, analiza putanje (eng. path analysis). . . » Druge specijahie metode kao što su: analiza preživljavanja i životne tabele (engl. survival analysis i life tables), određivanje pouzdanosti mernih instmmenata i ajtem analiza, kontrola kvaliteta . .. • Daia minmg, odnosno kopanje po podacima, namenjeno utvrđivanju bilo kakvih struktura ili sklopova u podacima. Jedna od metoda za kopanje po podacima su neuronske mreže. Statistički paketi se, osim podele na „male” i „velike”, mogu podeliti i na one pakete koji zahtevaju niži stepen statističkih znanja („laki” paketi) i one koji su namenjeni statistički vrlo educiranim istraživačima i statističarima profesionalcima („teški” paketi). Među prve spadaju Statistica i SPSS, a u druge S-PLUS (Mathsoft, www.mathsoft.com), Genstat (Numerical Algorithms Group, www. nag.co.uk) ili SAS. Zaključak. - Teško je načiniti prepomku istraživaču koji statistički paket da koristi. Može se, međutim, sugerisati šta su to elementi koje treba uzeti u obzir prilikom odlučivanja.
• Dostupnost. „Veliki” i „teški” paketi su vrlo skupi (cene im se kreću na hiljade dolara, pa čak i preko deset hiljada dolara), a neki se i ne mogu kupiti, nego se iznajmljuju na godinu dana. Zbog toga vrlo malo dostupni našim istraživačima u legalnoj foraii. • Raširenost upotrebe. Što se neki paket češće koristi (prvenstveno kod nas, pa i u inostranstvu) veća je šansa da će istraživač moći razmenjivati podatke, iskustva, komande i makroe. U mnogim naučnim časopisima i na Intemetu se mogu naći članci sa uputstvima kako se neka anahza implementira na poznatim paketima, kao što je npr. SPSS. • Lakoća upotrebe. „M ah” i „laki” paketi su generalno lakši za korišćcnjc proscčnom društvcnom istraživaču. Međutim, tehnologija grafičkih korisničkih intcrfejsa na personalnim računarima (kao što je Windows) je nametnula filozofiju menija i dijaloga, tako da i u najtežem paketu istraživač može relativno prosto da savlada upotrebu konvencionalnih statističkih procedura. • Prilagođenost nameni. Prednost treba dati paketu koji je usmeren na konkretnu oblast istraživanja, ili pretežno na nju. Mali i specijahzovani paketi koji su ciljani na neke druge profesije i naučne oblasti (npr. epidemiologija i ekonomija) nisu toliko korisni dništvenom istraživaču. Nakon razmatranja svih ovih aspekata, izbor bi verovatno pao na SPSS kao optimalan izbor. To ne znači da je SPSS idealan paket. Postoje značajne kritike algoritama koji sc nalaze u osnovi njegovih procedura. Poznat je problem numeričkog algoritma za diskriminacionu anahzu u SPSS-u koji dovodi do toga da, pod određenim uslovima, rezuhati budu besmisleni (algoritam nije pogrešan, ah je „školski”). Takode, iz nepoznatih razloga SPSS nema proccduru za kanoničku korelacionu analizu koja se dosta koristi u psihologiji (kompanija isponičuje utešni makro za kanoniku, ah je to daleko od onoga što bi se od takvog paketa očekivalo), zatim hijerahijsku faktorsku anahzu i dr. SPSS, međutim, u novim verzijama isporučuje vrlo dobar skup progrania iz tzv. holandske škole, koji omogućuju multivarijatnu analizu nominalnih i ordinalnih varijabli (optimalno skaliranje). Pored SPSS-a, svakako treba uzeti u obzir Statisticu, koja je u nekim zemIjama, pa i kod nas veoma populama, Mogu se prcporučiti i drugi laki, mali i specijalizovani paketi, ili delovi konvencionalne statistike u težim paketima, ako su dostupni istraživaču. Razni spiskovi i opisi statističkog softvera su široko dostupni na Intcrnetu, npr.: http://www.staf.ufl.edu/vlib/statistics.html, http://www. statistics.com/content/commsoft/index.php3, http://Iib.stat.cmu.edu/ itd. Neke nove metode. - U metode koje modemi softver nudi, a još nisu u žiži interesovanja naših istraživača (eufemistički rečeno, jer te metode naši istraživači jedva da koriste), treba svakako ubrojati i različite kauzalne modele i procesore po modelu neuronskih mreža. Bilo je u proteklom periodu različitih implementacija kauzalnih modela u komercijalnim statističkim paketima, ali se čini da danas prcovladavaju rešenja kao što su LISREL Karla Joreskog (Scientific Software Intemational, www.ssicentral.com), Amos (SmaIIwaters Corporation, www.spss.
com) i EQS. Kauzalni, odnosno tačnije rečeno pseudokauzalni modeli se danas nazivaju modelima strukturalnih jednačina (eng. Structural Equation Modeling, SEM) i verovatno najčešća primena u okviru njih je konfirmativna faktorska analiza. Neuronske mreže sa svojini početnim (i primarnim ) svojstvom da prepoznaju obrasce (engl. pattem recognition) pomoću samoobučavanja, sreću se u poslednje vreme kao alternativa statističkom pristupu u klaster analizi i regresionoj anahzi. One pripadaju kibernetskom modelu rezonovanja, pa tako imaju vrlo bhzak odnos sa ekspertskim sistemima koji će biti kasnije spomenuti. Svoju posebnu primenu neuronske mreže imaju u tzv. ..kopanju po podacima" (eng. data mining) koje se najčešće koristi u poslovnim i marketinškini anahzama. Data mining je traganje za strukturama (obrascima) i zakonitostima u vrlo vokiminoznim matricarna podataka, kada ne postoje hipoteze o meduodnosima. Data mining je prvenstveno eksplorativni pristup podacima, ah se u tom ciiju koriste mnoge poznate statističke telinike (u zadnje vreme sve više tehnike muUivarijatne analize), tehnike za vizuaUzaciju podataka itd.
2.
Problem interpretacije rezultata statističke obrade
Kada prosečnl društveni istraživač dobije rezultate statističke obrade njemu nažalost neće mnogo pomoći naš stav da u tom trenutku dolazi do sjedinjenja anaiize i sinteze, nauke i statistike, indukcije i dedukcije. To se posebno odnosi na rezultate multivarijatne statistike. Na nesreću kako društvenih istraživača, tako i statističara, postoji više razloga zbog kojih rezuitati statističke obrade ne donose onolikc koristi koiiko bi trebalo. Taj problem nazivamo kadrovskim problemom. U najkračem, koreni kadrovskog problema leže u razlikama kognitivnih stiiova društvenih nauka i statistike. Prcsečan društveni istraživač ne razume statistiku, rie razume matematiku, boji ih se, a spreman je na sve da taj konflikt umiri. Neko to umiruje cslanjajući se na diskurzivne i narativne epistemološke pravce (sa ili bez omalovažavanja empirijskih istraživanja), a neko nastoji da u okviru vlastitih resursa savlada gradivo statistike. Inače, potpuno analogan konfiikt kognitivnih stilova se javlja i kod upotrebe računara. Naime, bez obzira što moderni sofiver nastoji da od korisnika sakrije ono što se stvarno događa - u obiiku raznih grafičkih korisničkih interfejsa (eng. Graphical User Interface - GUI) - ipak su opšta organizacija i rad računara bazirani na stilu koji je bliži matematiei nego, na primer, sociologiji. Problem interpretacije dobijenih rezultata se mora prvenstveno rešavati putem edukacije istraživača, kadrovskim ekipiranjem u okviru istraživačkih institucija itd., ali postoje uslovi i postoje putevi da se stvar olakša u okviru aplikativnog softvera. Istraživači koji odranije koriste računarsku obradu podataka znaju za problem krutosti planova obrade, nemogućnosti variranja parametara obrade, teškoće sa ponavljanjem obrade, modeliranjem, ispravkama grešaka i sl. Opštom dostupnošću računara dobilo se znatno na fleksibilnosti obrade, što samo po sebi olakšava korišćenje rezultata. Sve je još povoljnije kada istraživač sam koristi personalni računar. U tom slučaju dostupni su mu .helpovi” koji prate statističke pakete, a naročitu pogodnost čini to što može testirati razne modele obrade, proveravati efekte uvođenja raznih varijabli i na taj način ispitivati (i razumevati) ponašanje statistićke metode.
a. Ekspertski sistem i za interpretaciju statističkih rezultata Što se tiče upotrebljivosti samih rezultata statističke obrade, odnosno tzv. listinga, ili outputa, današnji softver nudi olal<šice istraživačima l
Između ostalih, ovaj aulor je imao poštcnu nameru da koncipira i realizuje jedan ekspertski sislem za automatsku interpretaciju faktorske analize. Namcra je završila kralkim projektom na papiru jer se po ko zna koji put potvrdilo tužno antropološko pravilo da su želje i polrebe konstantno veće od resursa. Pored toga, poznato nani jc da su pok. prof. Konstanin Momirović i saradniei radili na statističkim ekspertnim sistemima u Zagrebu.
Oni koji su razmišljali o izradi takvog ekspertskog sistema znaju da bi prost sistem koji „čita” dobijeni listing i objašnjava pojedinačne koeficijente bio samo jedan mali korak. Veoma bi značajno unapređenje bilo da s a m program za neku statističku tehniku bude napravljen da radi interaktivno i u sprezi sa ekspertskim sistemom. Naime, jedna od bitnih tehnika i pomoćnih alatki u interpretaciji je testiranje nekoliko varijanti statističke obrade i upoređivanje raznih mogučnosti. Ta Jnduktivna heuristika" bi mogla biti vodena od strane ekspertskog sistema. U današnjim komercijalnim statističkim paketima se već nalaze tunkcije pomoći (helpa) i raznih uputstava i vodiča za rad (engl. tutorial, coach, ask me). Javljaju se i opcije formatiranja listinga u HTML formatu, ali pravi korak bi bio u tome da izlaz obrade bude u pravom hipertekst obliku, gde bi istraživač imao mogućnost da klikom miša na neki koeficijent dobije objašnjenje, da ima mogućnost skoka (linka) na ostale rezultate koji su logički povezani sa dotičnim koeficijentom ili matricom itd. Da zaključimo; cilj ekspertskog sistem za vodenje i interpretaciju statističke analize ne može i ne treba da bude davanje konačnih odgovora. Osim u trivijalnim slučajevima, recimo statistike zaključivanja, istraživačima niko ne može ponuditi sistem koji će „pročitati” podatke i dati odgovore. Medutim, istraživači bi s pravom mogli očekivati softver koji bi im pomogao u koriščenju statistike u empirijskim istraživanjima. Na taj način bi uloga računara u tom domenu bila zaokružena.
VII. U ZO R K O V A N JE
Glavno pitanjc uzorkovanja je ,,U odnosu na koga i)i na šta žcliino da generaliznjeino?” U većini društvenih istraživanja istraživači su zaintcresovani ne samo za Ijude koji su neposredno učestvovali u istraživanju - oni žeie da njiliovi zaključci budu primenjivi generalno. Postoje slučajevi u naukama o ponašanju kada istraživanja nisu namenjena generalizaciji. Na primcr, može nas zanimati ponašanje pitomaca nekog doma za napuštcnu decu i ništa više, ili sadržaj nckog određenog medija u odredenom periodu i ništa više. Takva istraživanja su retka i mnogi misle da su besmislena. Oni koji tako misle tvrde, sasvim ispravno, da nauka bcz mogućnosti predviđanja nije nauka, a da prcdvidanje bez generalizacija nije moguće. Mnogo češći slučaj jc da su islraživači zainteresovani da naprave gencralizacije koje su potpuno opšte - na primcr, za sve Ijude, za sva društva, za sve medije, ili za sve pcriode vremena.
A. Osnovni pojmovi
Populacija. - Skup pojedinaca, stvari, dogadaja ili bilo kojih cntiteta na koji želimo da se odnose naše generalizacije naziva se populacijom. Ponekad se populacija naziva osnovnim skiipom, a ponekad statističkom masom. Pojedince, stvari ili događaje nazivamo članovinia populacije. Pošto se društvena istraživanja najčešćc bavc Ijudima, članovi populacije su obično Ijudi.
Ako je slučaj da istraživači žcle da izvedu sasvim generalne zakijučke, koji se odnose na Ijude uopšte, na sva društva, i to na sve periode vretnena, pa makar to bili samo „siromašni niuškarei stariji od 50 godina”, onda je populacija uprincipii nedostupna istraživanju i nazivamo je heskonačnompopulacijom. Nc možemo pristupiti svim članovima populacije jer je nckima postojanjc prcstalo, a drugima postojanje još nije počelo. Takve populacije se obično nazivaju bcskonačnim populacijama. Beskonačne populacije su veoma pogodne za matcmatičkc i statističke kalkulacije verovatnoća pojavljivanja pojava koje se izučavaju. Najčešće se populacija ne defmišc tako generalno, ncgo se omeduje nckim vremenskim, teritorijalnim ili drugim okvirom. U tom slučaju dobijamo konačnu populaciju. Konačna i beskonačna populacija se razlikuju po tome što prva ima konačan broj članova, a druga beskonačan. Populacije kojc se koristc u društvenim naukama često imaju implicitna teritorijalna i!i vremcnska ograničenja, npr. na određenu državu i vrcmc istraživanja. Cak i kad jc tako, populacijc u društvcnim istraživanjima su često toliko velike da nismo u praktičnoj mogućnosti da istražimo sve njihovc članove. Populacija stanovnika jcdne države koja je eksplicitno ili implicitno vremenski omeđena na trenutak istraživanja toliko je vclika da se u praktičnom pogledu može smatrati bcskonačnom. Svaka populacija, pa i konačna, ako iz nje uzorkujcmo sa vraćanjem (v. kasnije) može se praktično tretirati kao bcskonačna. Takođe, ako je populacija rmiogo vcća od uzorka, ona se u praksi takođe trctira kao beskonačna. Uzorak. - Staro i dobro poznato zdravorazumsko rešenjc problema spoznavanja svojslava populacijc je da sc istraživanje sprovcde na uzorku članova populacijc. Trgovac neće probati vino iz svih bačvi, nego samo iz nekih, neće pregledati svaki džak, nego samo nekc džakove... Postoji kolokvijalni izraz za to: „štih proba” (od njcmačkog Die Stichprobe, oglcd, nastao od izraza Dcr Slich, iibod, bod). U suštini je svih nauka da se bave ovakvim štih probama. Medutim, bilo je potrebno dosta vremena da se ta implicilna mctodologija iznese na svetlo dana i da se uobliči kao naučna metoda. Danas tu metodu poznajcmo kao statistiku zaključivanja. koja se dalje dcli na statistiku ocenjivanja i testiranje hipoteza. U okviru te grane statistike su operacionalizovane: • procedure vadcnja uzorka iz populacije, • ocene svojstava populacije iz uzorka - što je upravo ona generalizacija koja jc nama potrcbna, • occne mogućih grešaka koje ta generalizacija sadrži i • tcstiranje statističkih hipoteza. Namerno kažemo „ocene”, jer sc radi upravo o tome - o ocenjivanju. Trgovac iz prethodnog pasusa, koji iz praktičnih razloga ncćc da proba sve vino, nego samo iz nekih, shtčajno odabranih bačvi, prcuzima izvestan rizik, jcr se možda vino u bačvama koje nije probao ukiselilo. Na isti način, naučnici koji koriste mctodu uzorka moraju da prihvate izvestan rizik jer im niko, pa ni statistika, ne može dati garanciju da će znanje koje su stekli na uzorku važiti i u populaciji. Slatistika nudi samo metodologiju dase, poštujući izvesne pretpostavke, generali-
zacija obavi na najboiji mogući način kako bi se na kraju mogla ocenid verovatnoća tačnosti takve generalizacije. Uzorak se izvlači na osnovu plana tizorka, koji predviđa veličinu uzorka, procedure za biranje članova, definicije jedinica uzorkovanja, eventualnc stratifikacije, ponderisanja, načine za izračunavanje standardne greškc i intervala poverenja i tome slično. B iranje sa i bez v ra ć a n ja .- Statistički ideal biranja članova populacije u uzorak je da svi članovi imaju jednaku šansu biranja. Mcdutim, postoji jcdan aspekt takvog biranja koji je u statističkom pogledu veoma značajan, iako dništveni istraživači taj značaj ne bi uočili. Radi sc o tome da li se biranje članova iz populacije vrši sa ili bez vraćanja. Biranje bez vraćanja znači da nakon što smo jednog člana populacije odabrali u uzorak, mi ga ne vraćamo nazad ,,u šešir”. Suprotno od toga je slnčajno biranje sa vraćanjem, kod koga se izabrani član vraća nazad u šešir. Primer za biranje sa vraćanjem je bacanje novčića, jer kad god ponovo bacamo, uvek se javljaju dva ista člana (pismo i glava), sa istom verovatnoćom pojavljivanja. Za biranje sa vraćanjem karakteristične su dve stvari: a) šansa izbora svakog člana je uvek l/N (jer je ,,u šeširu” uvek svih N članova populacijc) i b) jedan član može biti izabran više puta. Obe ove stvari ne važe kod biranja bez vraćanja. Razlike izmedu ove dve varijante prostog slučajnog biranja praktično iščezavaju kod velikih populacija, a potpuno iščezavaju kod beskonačnih populacija. Ako je populacija mnogo veća od uzorka, recimo 1000 ili više puta, onda se veličina lW n eć e mnogo menjati nakon što smo odstranili jcdan hiljaditi deo od N. Isto tako, ako je populacija vclika, šansa da isti član bvidc biran dva puta je praktično nulta. Trcba znati i sledeće; a) cgzaktni statistički pristup jasno razlikuje ove dve situacije i postoje različite formule za svaku situaciju, s time što statistika na izvestan način preferira biranje sa vraćanjem (za razliku od društvenih nauka gde mogućnost da dva puta anketirate istog čoveka izgleda pogrešna), b) stvarnc razlike u verovatnoćama i statističkom veličinama su sve manje ne samo što je populacija veća, nego i što je uzorak veći, ali i što je populacija veća od uzorka i c) komercijalni statistički programi uglavnom imaju ugradene formule koje se baziraju na uzorkovanju bcz vraćanja i, naravno, za prosto slučajno biranje (takvo opredcljenje prograniera je proisteklo iz procene da je to najvcrovatnija situacija sa podacima iz empirijskih istraživanja). T eorijska i dostupna populacija. - Ako se populacija „proteže kroz vreme”, onda postoji principijelna nemogućnost ispitivanja celokupne populacije (ne možemo vaditi uzorke dogadaja koji su prošli ili koji se još nisu desili) i nijedno pojcdinačno istraživanje ne može prevazići tu vremcnsku barijeru. Osim vremcnske barijcre, mogu postojati i mnoga druga ograničenja zbog kojih stvaraa populacija nije dostupna. Zbog toga se obično pravi razlika između teorijske i dostupnepopidacije. Ako istražujemo siromaštvo, razloge zbog kojih Ijudi postaju siromašni, stavove siromašnih Ijudi i njihovo ponašanje i ako nas zanimaju samo stariji muškarci, onda možemo dcfinisati populaciju kao „muškarcc bez
redovnih i dovoljnih prihoda, starosti preko 50 godina”. Ova populacija je implicitno ograničena još i na jednu državu ih neku geopolitičku celinu, kao i na sadašnje vreme. Ipak, ovo je još uvek teorijska populacija. Ako se podsetimo primera sa štih probom za ispitivanje tovara vina, važan korak te .metode" je da se izbor bačvi izvrši slučajno. Kada imate pred sobom sve bačve, onda je lako izvršiti slučajni izbor. Međutim, kada se ispituje populacija starijih siromašnih muškaraca, nerealno je očekivati da ih možemo sve imati pred sobom na nekom spisku. Istraživač će verovatno uskoro ustanoviti da ne postoji praktičan način da utvrdi koliko ima takvih starijih muškaraca, gde oni žive i kako da se do njih dopre. lako je definicija popuiacije u početku izgledala sasvim logično, sada se pokazalo da se ona kao takva ne može operacionalizovati. Zato tu populaciju zovemo teorijskom.
Ono što istraživač može da uradi u vezi svoje populacije je da obilazi narodnc kuhinje, zavode za socijalni rad, humanitarne organizacije, staračke domove i eventualno neka raesta gde se takvi Ijudi okupljaju. Dakle, praktični razlozi će nalagati đa se inicijalna teorijska defmicija populacije konkretizuje time što će se ograničiti na evidentirane Ijudc bez prihoda. Takva populacija se naziva dostupnora, praktičnom ili operacionalizovanom populacijom i uobičajeno je da se predstavlja spiskom populacije (v. kasnije). Prirodna je težnja istraživača da svoje nalaze uopštava što je više moguće. Ako je uspeo, uz velike probleme, da anketira 100 dilera droge, ili da testira 50-tak Ijudi koji su imali ozbiljan pokušaj samoubistva, on će pretendovati da njegovi zaključci budu primenjivi na sve dilere droge i na sve samoubice. To znači da će on želeti da njegova populacija bude opšta, pa čak i beskonačna (za sva vremena), bez obzira koliko je tokom operacionalizacije morao da je ograniči i uslovi. Ta težnja istraživača se može razumeti, ali ništa ne sme da prikrije činjenicu da je stvarna populacija iz koje je on vadio uzorak ograničena. U slučaju dilera droge to bi recirno bila populacija onih koji pristaju na razgovor, a u slučaju samoubica, populacija onih koji su slučajno preživeli (pored vremenskih i teritorijalnih ograničenosti).
Jedinice uzorkovanja. - Jedinicc uzorkovanja (engl. sampling unit) su članovi neke populacije. To mogu biti pojedinci, grupe, stvari, geografske celine (gradovi, regioni), dogadaji ih odnosi. U istraživanjima su jedinice uzorkovanja isto što i jedinice posniatranja (v.), ali to nije uvek tako. U zavisnosti od vrste uzorkovanja koja se koristi (vidi kasnije), istraživač može da koristi različite populacije sa različitini jedinicama uzorkovanja. Na primer, ako se radi o višeetapnom uzorku, u prvoj etapi se obično biraju opštine. U tom slučaju opštine su jedinice uzorkovanja, odnosno članovi populacije opština. U sledećoj etapi se mogu birati naselja u okviru opština, kada su naselja jedinice uzorkovanja. Može postojati još jedna etapa, kao što su domaćinstva, stanovi ili kuće, kada će oni biti jedinice uzorkovanja. Jedinice posmatranja se biraju na kraju procesa uzorkovanja, pa se onda za njih koristi tennin prim am e ili konačne jedinice uzorkovanja. Međutim, jedinice posmatranja i primarne jedinice uzorkovanja ne moraju uvek da se poklapaju. P lanirani i realizovani uzorak. - Sasvim analogno odnosu teorijske i dostupne populacije imamo odnos planiranog i realizovanog uzorka.
Planirani uzorak je onakav kakav je specifirano planom uzorka. Nažalost, nakon prikupljanja podataka istraživači se po pravilu suočavaju sa žalosnom činjenicom d aje prikupljeno manje podataka nego što je planirano, odnosno d aje realizovani uzorak manji nego što je planirano. Isto tako, analizom podataka vrlo često se uočavaju disproporcije u zastupljenosti grupa čije je učešće u populaciji poznato. Na primer, u realizovanom uzorku može da bude znatno više muškaraca nego što bi trebalo, znatno više ispitanika sa visokom spremom ili više mladih osoba. Preporučuju se različite tehnike za korigovanje ovakvih nedostataka u realizovanom uzorku. Medutim, kao u slučaju ispuštenih vrednosti i u svim drugim sličnini istraživačkim noćnim morama, ako su razHke realizovanog i planiranog uzorka male, onda je svaka korekcija podjednako dobra, isto kao što je dobro i da se sve ostavi bez korekcije. S druge strane, ako su razlike velike, onda nijedna korekcija nije dovoljno dobra. Dobra korekcija zahteva mnogo dodatnog truda, napredne statističke tehnike i dosta znanja. U slučaju korekcije realizovanog uzorka koja se vrši sa ciljem da se „nadoknade” nedostajuće jedinice posmatranja (npr. ispitanici), mogu se sprovesti vrlo opsežne analize da se utvrdi ko i zašto nije odgovarao. Između ostaloga, mogu se poslati anketari da ponovo pokušaju da uspostave kontakt sa osobarna koje ranije nisu našH ih koje su odbile da saraduju. Obično takve kompHkaciju nisu predviđene u troškovnom i vremenskom planu istraživanja, zbog čega se analize i korekcije ne vrše i istraživanje se završava na manjkavom uzorku.
B.
Osnovni principi uzorkovanja
Glavni i osnovni princip koga istraživač mora da poštuje priHkom izvlačenja uzorka je da ne sme postojati nikakav razlog za biranje nekog člana, a ne uekog di-ugog, takav da laj razlog ima veze sa pojavom kojii istražiijemo - u ovom skičaju siromaštvom kod starijih muškaraca. Ako svoje ispitanike nademo u nekom zavodu za lečenje od alkohoHzma, onda ćemo dobiti uzorak onih Ijudi koji su sebe doveh u stanje siromaštva pijenjem. Slično će se desiti ako ispitanike biramo pomoću bolesničkih kartona iz nekih mentalnih institucija ili ako na uHci skupljamo prosjake. Sve su to situacije u kojima uzorkujući ispitanike uzorkujemo i uzroke njihovog siromaštva, a to nismo želeH, jer je jedan od ciljeva našeg istraživanja upravo otkrivanje uzroka siromaštva. Teorija verovatnoće i statistika kažu da se nezavisnost uzorkovanja od pojave koja se meri najbolje postiže ako je procediira tizorkovanja zasnovana na shtčajnosti.
Mnogo je lakše formulisati taj cilj - slučajno biranje uzorka - nego ga ostvariti. Iz uvodnih poglavlja o porekiu individualnih raziika znamo da je „planiranje siučaja” contradictio in adiecto, pošto slučaj nastaje uvek kada nešto praktično radimo i ne možemo ga voljno izazivati ili sprečavati. Izlaz je u tome da učinimo sve kako naša procedura biranja članova populacije ne bi zavisila ni od jednog nama poznatog faktora. U igrama na sreču kakvi su lutrijski bubnjevi, rulet, izvlačenje loptica, bacanje kockica itd., eliminacija poznatih faktora se postiže tako što su: a) svi članovi populacije fizički jednaki po svim svojstvima, osim po jednom (onome koje učestvuju u igri) i b) jzvlačenje” ne zavisi od volje i aktivnosti čoveka koji vrši izvlačenje. Kombinacijom tih pravila može se postiči zadovoljavajuča nezavisnost izvlačenja od bilo kog sistematskog faktora. Kažemo zadovoljavajuća, jer će uvek, kao u svakoj praktičnoj delatnosti, postojati fabričke greške u materijalu, nejednaka težišta kocki, razlike u trenju, razlike u elastičnosti itd. Metode vadenja uzoraka iz populacije koje nastoje da slede logiku igara na sreću mogu samo načelno da liče na igre na sreću. Mi ne možemo napraviti siromahe takvi da budu jednaki, a podjednako je teško obezbediti i drugi uslov - da biranje ne zavisi od delatnosti čoveka. Videli smo da se već tokom definisanja populacije vrši usklađivanje populacije sa realnim mogućnostima konkretnog istraživanja. Već u toj fazi se obično dešava da velike grupe Ijudi, nacija, država, stanovnika sela ili neke druge grupe budu isključene iz plana istraživanja. Ono što istraživaču ostaje je da bude ono što jeste - istraživač koji ulaže svo svoje znanje i umeće da protumači svet oko sebe. U ovoj fazi to znači da mora sagledati pojavu koju meri, da mora poznavati stvari koje na nju utiču ili mogu da utiču, da mora pratiti prethodna iskusiva iz literature i uopšte, da aktivno i stvaralački obezbedi da sastav uzorka bude reprezentativan u odnosu na populaciju.
Osnovni slučajni uzorak koga poznaje statistika je onaj koji se vadi po principu igara za sreću: izvlačcnje „iz šešira”. Izvlačenje takvog uzorka se naziva prostim slučajnim biranjem. Da bi se prosto slučajno biranje primenilo u naukama o ponašanju, mora se sačiniti kompletan spisak članova populacije - ma šta oni bili. Taj korak očigledno zahteva da: a) populacija bude konačna i da su, kao što je u prethodnim pasusima rečeno, b) svi njeni članovi poznati i dostupni. Postoji nekoliko veličina koje se moraju poznavati da bi se defmisalo prosto slučajno biranje: A^= broj članova populacije. Taj broj se obično naziva veličinom populacije. n = broj članova u uzorku. Taj broj se obično naziva veličinom uzorka. / = n/N = proporcija uzorkovanja k = N/n = interval uzorkovanja ili korak (zaoki'užen naniže) Recimo da našu populaciju siromasnih starijih muškaraca čini Af=100.000 osoba. Na osnovu nekoliko faktora (a kasnije će biti objašnjeno koji faktori utiču na veličinu uzorka) odlučili smo da naš uzorak mora činiti «=1000 osoba. U tom slučaju će proporcija uzorkovanja biti f=n/N=Q,Q\. Smisao i osnovna logika prostog slučajnog uzorka je operacionalizacija one logike koju smo prethodno protumačili kao odsustvo bilo kakvog poznatog razloga koji bi upravljao biranjem članova. Prosto slučajno uzorkovanje se zasniva na tomc da svi potencijalni uzorci imaju jednaku verovatnoču biranja. Tim prostim izrazom, jednakom verovat-
noćom biranja, statistika je egzaktno definisala „odsustvo bilo kakvog poznatog razloga...”. Ako svi uzorci, a iz toga sledi i svi pojedini članovi, imaju jednaku verovatnoću biranja, onda ne samo matematika, nego i zdrav razum shvata da ne postoji ništa što utiče na izbor članova uzorka''^. Kako postići da svi mogući uzorci imaju jednaku šansu da budu izabrani? Kao što smo rekli, statistika podrazumeva da je najbolja nietodologija ona koja je ugrađena u igrama na sreću. U najprostijem vidu te metodologije bismo spomenuti spisak svih članova populacije isekli na trake tako da na svakoj traci stoji naziv jednog člana. Trake (papiriće) bismo ubacili u „šešir” i izvlačili ih naslepo. Pošto populacija koju smo uzeli za primer ima 100.000 članova, odmah je jasno da ovaj način izvlačenja nije praktičan. Mnogo sofisticiranija tehnika bi se zasnivala na primeni lutrijskih mašina, ali je i ona krajnje nepraktična za društvenog istraživača. Mnogo je praktičnija tehnika tabela slučajnih brojeva. Tabele shičajnih brojeva se mogu naći u prilozima starijih udžbenika iz statistike, a danas su generatori slučajnih brojeva ugrađeni u sve relevantne računarske programe. Principi prostog slučajnog uzorka se obično u hteraturi koriste za ilustraciju logike uzorkovanja, kao i logike rezonovanja u statistici zaključivanja uopšte. Zato je važno da se razume koncept jednake verovatnoće biranja kao operacionalizacija zahteva za otklanjenjem sistematskih izvora pristrasnosti u biranju. Zbog čega je istraživaču potrebno da uzorak ne bude izabran pristrasno? Zato da bi generalizacija zaključaka, sa uzorka na populaciju, bila valjana. Jedan od preduslova za valjanost generalizacije je, dakle, da uzorak ne bude izvučen pristrasno. Taj uslov se ispunjava na način kako je gore opisano, eliminisanjem svih poznatih razloga koji bi mogli uticati da neki članovi populacije imaju veću šansu da budu vučeni. Medutim, nepristrasnost još uvek nije dovoljna da bismo na osnovu izučavanja svojstava uzorka mogli saznati o svojstvima populacije. Potrebno je još da uzorak bude dovoljno veliki. O problemu veličine uzorka i određivanju potrebne veličine biće reči u kasnijim poglavljima. Zasada ćemo samo ukazati na osnovne dileme, koristeći jedan ilustrativan primer. Pretpostavimo da u našoj populaciji imamo 70 Ijudi koji su osiromašili tako što su novac izgubili na kocki. Izračunavanje verovatnoće da će neko od njih upasti u uzorak od «=1000 ijudi je relativno složeno, ali već na prvi pogled, zdravorazumski, izgleda sasvim moguće da se prostim slučajnim biranjem dobije uzorak u kome nema nijedna takva osoba. Istraživač koji bi generalizacije izvršio iz tog uzorka uopšte ne bi bio svestan kocke kao razloga za siromaštvo. Uz pomoć softvera za Monte Karlo simulaciju došli smo do tabele 19.
Broj mogiićih uzoraka veličine n koji se mogu izvući iz populacije veličine A^se u matemalici označava sa (broj kombinacija), Zadatak proslog slučajnog biranja jc da svaka od kombinacija ima jednaku verovatnoću da bude izabrana.
Tabela 19. Tabela odnosa veličine iizorka i verovalnoće obuhvatanja jedne _______retke pojave kao što je osiromašenje zboR kockanja n=3000 «=6000 n=1200 »=2000 /;=9000 H=1000 0
% % / % / / 498 49,80 431 35,92 251 12,55
/ 106
3,53
13
0,22
3
0,03
1
350
0,10 390
0,08 363
0,05
284
0,03
63
0,02
7
0,01
2
122
0,20
124
0,17 247
0,10
275
0,07
145
0,03
39
0,02
3
22
0,30
42
0,25
92
0,15
177
0,10
194
0,05
73
0,03
4
7
0,40
12
0,33
38
0,20
106
0,13
170
0,07
111
0,04 0,06
%
%
/
%
/
7
0,25
34
0,17
156
0,08
161
2
0,30
15 0,20
130
0,10
154
0,07
0,23
76
0,12
157
0,08
8
31
0,13
111
0,09
9
18
0,10
5 6
7
1
0,50
1
0,42
3
0,15
76
10
0,17
59
0,11
11
0,18
31
0,12
12
12
0,13
13 14
4
16
0,14 0,16 0,18
0,502 0,894 0,987 0,569 0,749 0,997 Naporaena: Veličina populacije je A^=l 00.000. Stvarna proporcija pojave u populaciji j e / j=0,0007 (0,007%). Legenda: fiFrekvencija pojavljivanja osobe koja je izgubila imetak na kocki u uzorku („retka pojava”). / Frekvencija uzoraka koji su imali dotičnu f^. % Prvi red te kolone (masnim slovima) sadrži procenat uzoraka koji nisu sadržavali nijcdnu osobu koja se kockala. U ostalim redovima jc procenat //«xIO O . Dakle, %=0,07 odgovara „pravom” procentu koliko bi tih osoba trebalo biti u uzorku veličine n. p Verovatnoća da će se u uzorku tc veličine naći bar jedna osoba koja se kockala. Postupak za pdkupljanje podataka za tabelu je bio ovakav: iz populacije od //=100.000 Ijudi u kojoj ima samo 70 osoba koje su postale siromašne zbog kocke, računar je izvlačio po 1000 uzoraka, veličine «=1000, pa »=1200, itd. sve do 77=9000. Od 1000 uzoraka veličine n=1000 u 498 uzoraka nije bila nijedna takva osoba, a bio je jedan uzorak gde je bilo čak 5 takvih osoba. Kad su izvlačeni uzorci od n=9000, u samo tri uzorka od 1000 nije bilo takvih osoba, ali je u jednom uzorku bilo čak 16 osoba koje su se kockale.
Pravi procenat osoba koje su postale siromašne zbog kocke u populaciji je 70/100000x100=0,07. Vidimo da uzorci veličine «=1000 suviše često (okvimo 50%) uopšte nisu hvatali nijednu takvu osobu. Međutira, problem s tim uzorcima je i to što kad takva osoba uđe u uzorak, ona predstavlja najmanje 0,1% uzorka, što je precenjivanje u odnosu na populaciju. Dakle, sa uzorkom od «=1000 ne bismo obavili zadovoljavajući posao niukom slučaju: ili bismo potpimo prevideli problem kockanja, ili bismo ga precenili. Nasuprot tome, kod uzoraka veličine ij=9000 ne bismo imali problem sa „nehvatanjem” osoba koje su se kockale (takva verovatnoća je praktično nulta). Međutim, imali bismc otprilike 0,30 (30%) verovatnoće da dobijemo uzorak koji sadrži manje od 6 ili više od 7 osoba. Dakle, sa uzorkom veličine 77=9000 u 60% slučajeva bismo ili precenili ili potcenili stvarni broj osoba u populaciji.
C.
Reprezentativnost uzorka
Nepristrasnost i vcličina uzorka dobrim delom defmišu jedno svojstv'o uzorka koje se naziva reprezentativnost. Reprezentativnost uzorka u odnosu na populaciju je osnovni kvalilet bilo kog uzorka, jcr ako uzorak po svojstvima koje nas interesuju (na primer, po siromaštvu) ne liči na populaciju, onda je kompletna zamisao iznevcrena. Ako trgovac vinom odabira bačve koje su mu najbliže (zgodne), sva je prilika da neće imati dobar uzorak, što će rezultirati pogrcšnom ocenom kvaliteta isporučene robe. Reprezentativnost bi se jednako mogla nazivati generalizabilnošću, jer je suština reprezentativnog uzorka da se njegova svojstva mogu generalizirati na populaciju. Na nesrcću istraživača, za reprezentativnost uzorka se ne može izračunati jednostavan pokazatelj. To nije svojstvo koje se može jednostavno kvantifikovati, pogotovo ne unapred. Smatra se da su nepristrasno izvlačenje i dovoljna veličina najbolji način da uzorak bude reprezentativan, ali garancije nema. Uzmimo gornji primer sa 70 siromašnih muškaraca koji su imovinu izgubili na kocki. Za potrebe ilustracije mi smo pretpostavili da ti Ijudi postoje i da ih ima toliki broj. Inače, u stvarnosti, mi ne bismo znali da oni postoje. Cak i kad bismo izvadili vrlo veliki uzorak od 3000 Ijudi opet bismo imali 10% šanse da iiopšte ne registnijemo nijednu takvu osobu. Dakle, u praksi, velika je šansa da ta pojava ne bi bila otkrivena u jednom istraživanju i da mi uopšte ne bismo bili svesni da ona postoji i da naš uzorak, iako vrlo velik, u tom aspektu nije bio reprezentativan. Reprezentativnost je kvalitativni cilj kome istraživač mora da teži i cilj je svake nauke koja koristi statističku metodu da stalno proverava i poboljšava reprezentativnost svojih uzoraka. Postoji nekoliko osnovnih problema koji ugrožavaju reprezcntativnost uzorka.
• Loša operacionalizacija populacije, odnosno loš spisak populacije. • Greške uzorkovanja, odnosno odslupanja od principa jednakih verovatnoća, koje proističu iz samog plana uzorka. Ovde se mogu ubrojati različiti sistemi podreprezentovanja ili nadreprezentovanja, ponderisanja (post-stratifikacije), greške u određivanju stratuma itd. • Pristrasnost uzorka ili pristrasnost odgovaranja, u koje spadaju problem neodgovora, etapa ispitanika i etapa anketara. S druge strane, postoji više načina da se oceni reprezentativnost uzorka, a ovde ćemo navesti dva osnovna. • Prvi i osnovni način za oceini reprezentalivnosti iizorka j e ii evahiaciji procedure uzorkovanja. Na primer, ako je poštovan princip jednakih verovatnoća biranja smatraćemo da je uzorak ispunio uslove da bude reprezentativan. Kasnije će se videti da postoji veliki broj načina na koji se istraživači dovijaju da izvuku reprezentativne uzorke. U svim tim varijantama važi da je procedura ona koja treba da obezbedi reprezentativnost uzorka. • Dmgi način je da se za obeležja čija je distribucija u populaciji poznata izvrši poredenje sa distribucijom tili obeležja u uzroku. Zato je korisno da se u svakom istraživanju prikupe podaci o tzv. demografskim obeležjima kao što su pol, školska sprema, zanimanje, starost, nacionahiost i sl. Dobijena distribucija tih obeležja mora biti saglasna sa podacima iz popisa (odnosno najnovijih procena), sa prethodnim istraživanjima i sa istraživanjima drugih autora. Postoji dobra verovatnoća da je uzorak dobar ako je dobijcna distribucija demografskih obelcžja dobra.
D. Veličina uzorka
Drugi preduslov za postizanje reprezentativnosti j e pravihio dimenzionirnnje uzorka. Medutim, odrcdivanje potrebne vehčine uzorka nije jednostavno i nema jedinstvenog recepta za to šta se može smatrati dovoljno vehkim uzorkom. U klasičnoj statistici zaključivanja obično se uzorci manji od 30 smatraju maHm uzorcima i za testiranje aritmetičkih srcdina (razlika izmedu grupa) se za njih mora koristiti Mest. Uzorci izmcdu 30 i 100 se smatraju srednjim uzorcima, a uzorci veći od 100 se smatraju velikim. ■ Uz pomoć računa verovatnoće može se dokazati da ako želimo da utvrdimo da li će glasači glasati za jednog kandidata, a ne za drugog, sa čuvenom ,,marginom greške” od ±3% glasova, a sa izvesnošću od 95%, uzorak mora biti veći od otprilike n - \ 100. Toliki uzorak je minimalno potreban ako su dva kandidata vrlo bliska po broju glasova (ako dele glasove oko 50-50%). Uzorak može biti sve
manji i manji što je odnos broja glasova u populaciji neravnomemiji, odnosno kad jedan kandidat značajnije preteže, posebno ako ima više od oko 73% glasova. Zanimljivo je da pri tome uopšte nije važno kolika je populacija: uzorci od « = 1 100 su potrebni i dovoljni za predvidanje koji će od dva predsednička kandidata pobediti kako u malim zemljama, tako i u velikim. Naravno, gornji račun se odnosi isključivo na uzorke dobijene slučajnim biranjem. Teorija verovatnoće je inače vrlo neobična matematička disciplina i prepuna je paradoksa i neobičnili rezultata. Postoji veliki broj polušaljivih problema koji se odnose na račun verovatnoće, a čija rešenja odudaraju od naših intultivnih oćekivanja, nekada čak drastlćno. Pokazalo se da Ijudl slabo razumeju pojave sa malim verovatnoćama, pogotovo one sa tako malim verovatnoćama da se dosada nisu dogodlle. Kao jedan mali primer takvog štlva može poslužiti naša tabela za odnos veličine uzorka u otkrivanju jedne retke pojave. Isto tako, Ijudi slabo razumeju tzv, uslovne verovatnoće, odnosno pojam statistlčki nezavisnih događaja - Ijudi uvek teže da stvari tumače na kauzalni način (Fajgelj, 2005). Kao primer za vrlo retke pojave se može uzeti glasanje na izborima. Politlćka teorija se, između ostalog, bavi pltanjem značaja jednog pojedinaćnog glasa na ishod izbora. Nepoverenje birača da njihov glas stvarno ima neki utlcaj dovodl do malog procenta izlaska birača na izbore. To kompromltuje demokratsku ideju koja stoji iza izbora, jer ima za ishod da manjina bira umesto većine. Takva situacija, da jedan glas presuduje, tretlra se kao retka pojava sa vrlo malom verovatnoćom javljanja. Neki autori kažu da je to toliko retka pojava da se još nije dogodila. Postoje vrlo složeni matematićki i statističkl modeli za procenjivanje stvarne verovatnoče da samo jedan glas presudi. Neki američki proračuni za američke predsedničke izbore tu verovatnoću procenjuju na oko 1 prema 10 miliona (10“’ ). Teorija verovatnoće omogučuje da se egzaktno izraćunaju verovatnoće pojedlnih ishoda, u zavisnostl od veličlne uzorka, varijabilnostl (dlstribucije) pojave koja se meri i drugih jasno definisanih uslova. Nažalost, u prosečnorn društveno-naučnom istraživanju uslovi tipično nisu takvi. Zbog toga su istraživači oblčno prinuđeni da „gledaju kroz prste” i da tretiraju svoje podatke kao da približno zadovoljavaju statlstičke uslove.
a) Da bismo pitanje veličine uzorka postavili u opšti logički okvir, zamislimo jedan jednostavan cksperiment. Koliko bi nam Ijudi bilo potrebno da odredimo broj ekstremiteta koje ima Ijudska rasa? Ako znamo šta da tretiramo kao ekstremitet, a ne znamo ništa više o Ijudskoj rasi, već prvi čovek bi nam bio dovoljan da napravimo veoma tačnu generalizaciju o broju ekstremiteta kod Ijudi. Pošto 0 Ijudskoj rasi ne znamo ništa, verovatno bismo nastavili da tražirno i druge Ijude, ali bismo sa svakim sledećim čovekom bivali sve sigum iji u svoju generaiizaciju. To je posledica toga što je varijabilnost broja ekstremiteta kod Ijudi veoma mala. b) Ako bismo imali neki pouzdan način za utvrđivanje pola i na osnovu prvog čoveka koga smo sreli podneli izveštaj o polu Ijudske rase, imali bismo 5 0 50% šanse da je naša generaiizacija ispravna. Najverovatnije bi već kod sledećeg čoveka uvideli da smo pogrešili, a nakon relativno malog broja ispitivanjauvideli bismo da postoje dva pola u pravihiom odnosu. c) Medutim, ako smo zainteresovani da procenimo stepen saradljivosti Ijudske rase, spremnost za razgovor ili sL, imali bismo ozbiljan problem sa generalizacijom. Ubrzo bismo uvideli da to nije osobina ,,ima-nema”, nego da se javlja u
različitom stepenu i da je nije lako izmeriti. Da bismo dobili neke reprezentativne vrednosti^za tu osobinu trebali bi nam veliki uzorci. d) Sto se tiče boje kože, tu bismo takođe značajno pogrešili ako bismo izveštaj napisali na osnovu prvog čoveka koga smo sreli. Stvar bi otežavalo to što bi nam se taj pogrešan zaključak potvrdivao i nakon prilično velikog broja sledećih slučajnih susreta. Problem je u tome što naš zaključak o boji kože zavisi od mesta gde smo počeh istraživanje (Evropa, Afrika, Kina...). UkoHko ne bismo putovali, otišh bismo a da ne bismo znah da postoje i druge boje kože. Iz prethodnoga se može zaključiti da je veličina uzorka diktirana varijabilnošću i distribucijom pojave koja se istražuje. Broj ekstremiteta ima veoma malu varijabilnost. Pol ima samo dve vrednosti, ah ravnomemo distribuirane (oko 5050%) i ravnomerno geografski raspodeljene, boja kože ima nekoliko osnovnih vrednosti, ali nejednako geografski raspodeljenih. Telesna visina je kontinuaba osobina koja ima svoju srednju vrednost, aU su varijacije velike. Na primer, ocenjivanje telesne visine Ijudske rase je složen problem. Postoje regionalne, rasne, polne, uzrasne i diTige razlike. Ako bismo pravilnom procenom telesne visine Ijudske rase smatrali prosečnu visinu svih Ijudi, onda bismo morali napraviti vrlo pažljivo planiran uzorak. Ne utiče samo raspon svojstva na veličinu uzorka, nego i oblik distribucije. Setimo se primera sa muškarcinia koji su osiromašili zbog kocke. Da bismo bili sigumi da ćemo registrovati takvu retku pojavu morali bismo imati uzorak veličine od najmanje «=9000. Još bi teža bila situacija ako bismo hteli da istražujemo pojavu samoubistva, ili neke druge retke pojave. Mnogo je lakše ispitivati vrednosti ako se one približno podjednako često pojavljuju, nego ako su neke vrlo retke. Recimo, kada se ispituju stranačke preferencije, ne treba veliki uzorak da bi se utvrdio broj pristalica par velikih stranaka. Međutim, ako želimo da vidimo da li će neka mala stranka preći cenzus na izborima (npr. 3% glasova), onda u slučajnom uzorku veličine «=100 moramo dobiti najmanje 3 simpatizera te stranke. Nažalost, ne treba posebna metodološka edukacija da bi se znalo da je pogrešno zaključivati na osnovu tri slučaja. Zbilja, ako izračunamo standardnu grešku proporcije (vidi odeljak o standardnim greškama i intervahma poverenja) kao:
«
V
100
’
dobićemo da je 95-postotni interval poverenja našeg dobijenog procenta 3% ± 1,96*1,7%. Iz toga zaključujemo da „pravu vrednost” procenta u populaciji možemo očekivati u rasponu od 0% do 6,32%. Pošto donja granica intervala pada čak ispod nule, uobičajeno je da zaključimo kako naša prognoza obuhvata i nula procenata glasova, te da na osnovu uzorka veličine «=100 ne možemo da t\'rdimo da će stranka dobiti bilo koji glas (pa ni potrebnih 3%). Naš uzorak je očigledno premali da bismo dovoljno tačno prognozirali ulazak stranke u parlament. Sa uzorkom od «=1200, standardna greška proporcije opada na a^=0,005, čime se 95%-ni intei-val poverenja smanjuje na granice od 2,04% do 3,964%, što odgovara zdravorazumskom očekivanju da se sa 30-tak obuhvaćenih simpatizera bolje
može zaključiti da li ta stranka ima podršku 3% glasača. Ako želimo da ovaj opseg greške od oko 2% još smanjimo, moramo i dalje povećavati uzorak. Zašto se velićine uzorka koje su potrebne za različite namene toliko razlikuju? Naime, rečeno je da se razlika između grupa po nekoj kontinualnoj osobini kao što je telesna težina može ustanoviti čak i na uzorku od 30 slučajeva, dok za procenu izbora predsedničkog kandidata treba bar 1100 Ijudi. Radi se o prirodi svojstava koje merimo. Ako nas interesuje razlika u inteligenciji učenika dva školska odeljenja, nećemo imati problema da donesemo zaključak sa 95-postotnom sigurnošću. To je zato što je inteligencija kontinualna I pribllžno normalno raspodeljenja osobina. Pri tome, testovi inteligencije imaju po pravilu dobra melrijska svojstva, dakle mogu da je izmere pouzdano. Kad se tiče izbora dva predsednička kandidata, onda je svojstvo koje merimo diskontinuirano, da-ne, i ne poseduje nikakvu drugu statističku distribuciju osim one koja se dobije na izborima. Mi moramo na osnovu uzorka da procenimo kakva je ta distribucija. Opredeljenja za kandidata ne teže ka nekom proseku, kao u slučaju inteligencije, nego je naš zadatak da ih tačno prebrojimo, ali ne u populaciji, nego na uzorku (prebrojavanje populacije će se izvršiti na izborima - manje ili više tačno). S tatističko zaključivanje i veličina uzo rka.- Zainteresovanom čitaocu će naša tabeia 19 na str. 553 biti zanimljiva ilustracija odnosa veličine uzorka i greške statističkog zaključivanja. Tamo smo zadali računaru da prostim slučajnim biranjem izdvoji 1000 uzorake veličine n=1000 (ne treba brkati ova dva broja 1000). Od 1000 uzoraka, u njih 498 nije bilo nijedne osobe koja se kockala. U 350 uzoraka je ušla jedna osoba, u 122 uzorka su obuhvaćene dve osobe itd. Ova distribucija se naziva distribucijom uzorkovanja, ili distribucijom uzoraka (v.). Distribucije uzoraka su najčešće normalne, ili se mogu tretirati kao približno normalne.“ U našem primeru sve izgleda vrlo prosto jer smo mi veštački napravill kako populaciju, tako i svih 1000 uzoraka. U praksi tako nešto nije moguće. Moguće je, uz dosta rada, truda, napora i sreće, sprovesti jedno jedino terensko istraživanje na 1000 siromašnih starijih muškaraca. Recimo da smo medu tih 1000 Ijudi našli dvojicu koji su rekli da su u svoju tešku životnu situaciju došli zbog kockanja. Ako nemamo nikakvih predznanja
0 toj pojavi (što je u praksi maio verovatno jer postoji literatura), onda će naša prirodna želja biti da zaključimo kako identičan procenat važi i u populaciji: 0,2%, dakle sve skupa oko 200 Ijudi. Kako da proverimo valjanost te naše generalizacije? Iz tabele 19 možemo da vidimo približne distribucije uzoraka frekvencija (a iste su i za proporcije, odnosno procente). Standardna devijacija distribucije uzoraka se naziva standardnom greškom. Ako pretpostavimo da je distribucija uzoraka približno normalna, znamo da 95% slučajeva upada u raspon od +1,960^, a 99% u raspon od ±2,580^, gde je
standardna greška proporcije.
Možemo dakle izračunati standardnu grešku proporcije kao:
-mu.
180]
odnosno 0,14%. Dakle, na osnovu našeg uzorka i na osnovu dobijenog broja osoba koje su se kockale možemo pravi procenat u populaciji locirati u rasponu od 0 do 0,474, dakle od 0 do 474 osoba. H o ia bene, stvami procenat od 0,007% se nalazi u ovom opsegu, ali inteival
50 D istribucija uzoraka frckvcncija (u koloni j ) u tabeli 19 se u statistici naziva b inom nom distribucijom , koja je kađa je uzorak m ali, a verovatoća pojave m ala, nagnuta na je d n u s tra n u , a p rib liž a v a sen o rm aln o j k a d a s u u z o rc i veliki i k a d a je vero v atn o ća(frek v en -
cija) p o jav e srednja.
poverenja je toliko veliki da obuhvala i nulu, što ukazuje na to da se ne možemo osloniti na naš nalaz. Biće mnogo lakše ako imamo neko očekivanje procenta osoba koje su osiromašile zbog kocke u populaciji. Pretpostavimo da očekujemo da je proporcija jednaka 0,0007. Onda možemo postaviti nultu hipotezu da se neka dobijena proporcija ne razlikuje od stvarne proporcije, osim zbog slučajnih greški. Na osnovu te nulte hipoteze, kao što je rečeno, može se izračunati testni statistik, koji je u ovom slučaju obični z-statistik jer podrazumevamo da je distribucija uzoraka proporcija približno normalna. Dakle: f,-n p
z=—
2 - 1000*0,0007
= ~7= '
'
"
V l 000 *0,0007 *0,9993
= 0.^43
181]
gde je f„ dobijena (opservirana) frekvencija, p je očekivana proporcija u populaciji, a q=1-p. Izračunati statistik se nalazi unutar raspona od -1,96 i 1,96, te kažemo da je verovatnoča pojavljivanja takvog i večeg z-statistika vrlo visoka (p=0,52). Zbog toga, zadržavamo nultu hipotezu. Dakle, dobijene dve osobe u uzorku jesu više nego što se očekivalo, ali je ta razlika samo zbog jo š e sreće". Statistika nam dozvoljava da prihvatimo da se broj od dve nadene osobe ne razlikuje od broja stvarno postojećih osoba u populaciji, jer iako ih je nađeno više nego što bi trebalo, to je još uvek u okviru slučajnih odstupanja. To je zaključak koji je analogan onome koji smo doneli na osnovu intervala poverenja; da se pravi procenat nalazi unutar intervala. Međutim, već tri osobe u uzorku bi dale z-statistik od 2,75, koji je visoko značajan, pa bismo taj nalaz odbacili kao prevelik. Dakle, kad imamo očekivanja o vrednosti u populaciji (parametru), onda je posao lakši i možemo postaviti nultu hipotezu o nerazlikovanju dobijene I očekivane frekvencije. Ako nemamo nikakvo očekivanje o parametru, onda nam ostaju dve mogućnosti. Prva je da izračunamo standardnu grešku i formiramo interval poverenja na nekom nivou značajnosti. Statistika nam garantuje da če, ako smo uzorak birali slučajno, prava vrednost populacije biti unutar tog raspona za taj nivo značajnosti. Dmga mogućnost koja se u statistici koristi je da proverimo da II se naš nalaz značajno razlikuje od nule. U ovom konkretnom primeru, takva nulta hipoteza je besmislena, jer ako smo u uzorku našli dve osobe koje su se kockale, sigurni samo bar u njihovo postojanje i pretpostavka da takve osobe u populaciji ne postoje je empirijski odbačena. Medutim, u drugim konteksima, kao što je utvrđivanje odnosa medu pojavama, korisno je da se može proveriti da II je dobijena korelacija lažna ili stvarna.
1.
Kako odrediti potrebnu veiičinu uzori
Sve što je rečeno na prethodnima stranama možc da posluži istraživaču kao okvir za razmišljanjc o potrebnoj veličini uzorka. Ukratko, nema rccepta za određivanje veličine uzorka, ali postoje smeniice. Zamislimo da se istražuje ncka retka pojava kao što su samoubistva, tačnije pokušaji samoubistva (tentamen suicidi). Istraživač može da stupi u vezu sa policijom ili zdravstvenim ustanovama da mu prijavljuju takve slučajeve. Prikupljao bi jedinice posmatranja dok mu ne bi istekli vremenski resursi, tj. dok mu ne isteknu rokovi predviđeni za istraživanje. U „uzorku” bi imao onoliko osoba koliko ili je pokušalo samoubistvo u tom periodu (i, naravno, koje su pristale na saradnju) i time bi priča o proračunu veličine uzorka bila završena.
O dređivanje na osnovu p-nivoa - Postoje više pristupa određivanju veličine uzorka. Prvi pristup možemo, sasvim uslovno, nazvati tehnikom P-nivoa (grešaka II tipa). Ovaj pristup ima u vidu pi-venstveno veličinu efekta (v.) i moć statističkog testa (v.). Naime, savremeno gledište je da o veličini uzorka pre treba razmišljati u vezi utvrđivanja „prave” veličine efekta, nego u vezi sudbine/) vrednosti testova nulte hipoteze. A što se tiče nalaženja prave vehčine efekta, uzorak je dovoljno veliki ako je obuhvatio sav raspon zavisne varijable. To znači da, gledano logički, potrebna veličina uzorka zavisi od varijabilnosti pojave koja se meri. Ako se obavi analiza moći statističkog testa (v. poglavlje o testiranju hipoteza), što obično znači da se konsultuju odgovarajuće tabele, može se videti da za neke „prosečne” zahteve nisu potrebni veliki uzorci. Medutim, isto tako, može se videti da je za otkrivanje malog efekta potrebno 15 puta više ispitanika nego za otkrivanje velikog (u smislu Cohenove podele veličine efekta, v.), Recimo, ako želimo da nam značajnost zaključaka bude na nivou a=0,05 (dvostrano), moć testa (l~p)=0,80 i veličina efekta d=G,5 svaka grupa mora biti velika oko 65 objekata. Ako ima više grupa, one mogu biti čak i manje, sve do 35 objekata. U multivarijatnoj analizi eirkuliše „pravilo” da odnos broja varijabli prema broju ispitanika mora biti 1:5, a Tucker smatra da ne sme biti manje od 1:3. Ovog pravila se treba držati u faktorskoj, kanoničkoj i dmgim sličnim analizama, a kada se primenjuju višestruka analiza varijanse (MANOVA) ili višestruka diskriminaciona analiza odnos mora važiti u svakoj grupi. Poznato je da se u analizi kontingencionih tabela, ako se asocijacija procenjuje pomoću hi-kvadrat testa, zahteva da nijedna kućica nema očekivanu vrednosti ispod neke granice (najmanje 1, ali ima i strožijih zahteva). Cozby (2003) daje kratku tabelu za odredivanje veličine uzorka potrebne da bi neki odredeni r-koeficijent bio značajan na nivou 0,05 (dvosmemo). S obzirom na laku konverziju veličina efekta d, t u r i obratno (v. meta-analizu), tabela je univerzalna. Tabela 20. - Veličina uzorka potrebna da se detektuje Veličina efekta r
Moć = 0,80
Moć=0,90
0,10 0,20 0,30 0,40 0,50
786 200 88 52 28
1052 266 116 68 36
Tabela se inteipretira na sledeći način. Ako je stvarna korelacijaupopulaciji 0,30, onda da bismo je otkrili na nivou a=0,05 i p=0,20 moramo imati uzorak od najmanje 88 objekata. Uzorci koji su manji od toga nam najverovatnije neće
dati značajan nalaz, tj. nećemo biti sigumi da smo dobili populacijsku veličinu efekta. O dređivanje na osnovu a-n iv o a - Klasičan pristup određivanju veličine uzorka nazvaćemo tehnikom a-nivoa iii tehnikom intervala poverenja. Iz formula iz prethodnih poglavlja se vidi da je moguće odrediti potrebni n na osnovu intervala poverenja koji želimo na postignemo. To se može postići čak prostim algebarskim sredivanjem tih formula. U tom shičaju imah bismo dve nepoznate: proporcijup i veUčinu standardne greške Op, ih testni statistikz. Treba ski'enuti pažnju da su proračuni koje ovde navodimo, i koji su deo standardnog repeitoara udžbenika i softvera, namenjeni zajednu varijablu, jednu proporciju ili jedau aritmetičku sredinu; na primer, ako želimo da prognoziramo rezultate predsedničkih izbora i to sa samo dva kandidata. Ako imamo više kandidata, zatim ako se istovremeno održavaju i parlamentarni i lokalni izbori, a pogotovo ako u upitniku imamo i niz dnigih pitanja koja se odnose na medije, poverenje u institucije i si., onda ovakvi proračuni ne mogu biti potpuni i tačni. Osim toga, u takve kalkulacije moramo da unesemo proporciju za koju želimo da ima status nuhe hipoteze, što znači da moramo da imamo neko predznanje o pojavi (računarski programi minimahio zahtevaju da se unesu dva podatka - nuha (i aheraativna) proporcija i nivo značajnosti). Najjednostavnija formula za izračunanje potrebne vehčine uzorka se može direktno izvesti iz formula za standardnu grešku i interval poverenja, samo rešavanjem po n, veličini uzorka. Dakle, potrebna veUčina uzorka za odabrani nivo značajnosti, za proporciju pojavljivanja neke pojave u populaciji, p i za interval poverenja od 2c je: «=
[82]
gde jez^ kritična vrednostz-statistika za prihvatanje/odbacivanje nulte hipoteze u normahioj distribuciji (npr. za nivo značajnosti 0,05, z= l,9 6 , a za nivo značajnosti 0,01, z^=2,58), a c polovina širine intervala poverenja. Ako želimo da se naša proporcija nalazi u okviru ±0,03, ondaje c=0,03, a dužina intervala poverenja jednaka je 0,06 (ili 6%). Ova jednostavna foiTnula je bazirana na normalnoj distribuciji uzoraka (što se vidi iz parametra z j , ah i na pretpostavci da je populacija mnogo veća od uzorka. Postoji još jednajednostavnija fomiula, bazirana na binomnoj raspodeli, pogodna za ocenjivanje značajnosti „da-ne” odgovora: «= l/greškal Na primer, ako želimo da nam greška u predviđanju nekog procenta ili proporcije bude u rasponu ±5%, biće nam potreban uzorak veličine: n= 1/0,05- = 1/0,0025 = 400. Gomja formula za odredivanje veličine uzorka je namenjena binaraim varijablama. Ako znamo da je izraz jednak varijansi binarne varijable, onda se fomiula lako može uopštiti na kontinuirane varijable, uvrštavanjem varijanse, a^, u jednačinu (umestopq). U tom slučaju će c biti prihvatljiva razlika dobijene aritmetičke sredine i aritmetičke sredine u populaciji.
Pomenuti uslov, da popuacija bude znatno veća od uzorka, u praksi predstavlja razliku između konačnih i beskonačnih populacija i uzorkovanja sa i bez vraćanja. Naime, beskonačna populacija je ekvivalentna konačnoj populaciji u kojoj je biranje vršeno sa vraćanjem. Isto tako, konačna populacija iz koje su članovi uzorkovani sa vraćanjem može se tretirati kao praktično beskonačna ako je mnogo veća od uzorka. Dakle, goraja formula, koja je dovoljna kada je populacija mnogo veća od uzorka, u statističkom smislu je fonmila namenjena beskonačnim populacijama, ili konačnim populacijama iz kojih je uzorkovano sa vraćanjem. Međutim, ako populacija nije nmogo veća od uzorka, onda se mora uvesti korektiv, pa će nova korigovana vehčina uzorka, biti: [83] N gde je II veličina uzorka dobijena prethodnom fonmilom. Vidi se da što je n manji od N, to je vrednost imenitelja bhža jedinici, a bUži n. Može se slobodno preporučiti da se uvek koristi kompletna formula, odnosno da se pr\'0 izračuna n, a zatim i n^ O dređivanje na osnovu testa - Osim dva navedcna pristupa, veHčina uzorka se može odrcditi i pomoću testa. Na primer, ako u istraživanju želimo da testiramo povezanost između obrazovanja i stranačkog opredeljenja za jednu stranku, onda ćemo napraviti zamišljenu tabelu kontingencije izmedu obrazovanja i podrške. Prvo ćemo popuniti marginalne frekvencije redova (totale) sa demografskom procenoni zastupljenosti pojedinih nivoa obrazovanja, a marginalne frekvencije kolona sa procenom stranačke podrške (broj za - broj protiv). Onda ćemo na osnovu toga izračunati očekivane frekvencije u kućicama po uobičajenoj formuli. Nakon toga, popunićemo „dobijene” frekvencije (koje se onda obično nazivaju modeliranim frekvencijama) koje odražavaju npr. 10% više podrške kod niže obrazovanih, 3% manje podrške kod srednje obrazovanih i 7% manje podrške kod visoko obrazovanih (ako smo nivoe obrazovanja podelili na ta tri nivoa). Na tako dobijenoj tabeli kontingencije možemo primeniti fonmilu za testni statistik, ali tako da nam on bude zadat. Iz tablica za npr. nivo značajnosti 0,05 i za broj stepeni slobode hss=2 dobićemo da je %'=5,991. U tom slučaju, u formuli za ostaje jedina nepoznata n, veličina uzorka, i lako možemo formulu preurediti tako da izračunamo upravo veličinu uzorka. Dobijena veličina uzorka je, onda, dovoljna da bi se testirala 10% -3% -7% hipoteza o nejednakoj distribuciji stranačke podrške u obrazovnim stratumima. O drcđivanje ponioću M onte K arlo m etode.- Potpuno drugačiji pristup određivanju veličine uzorka se naziva statističkim (jer su sve gornje fomuile bazirane na teoriji verovatnoće, odnosno matematici) i bazira se na empirijskom ili kvazi-empirijskom formiranju distribucije uzorkovanja. Na primer, u poglavlju o sistematskom slučajnom biranju sa jednakim verovatnoćama se spominje i sistematsko biranje sa višestrakini uzorcima. Dakle, mi naš ukupan uzorak veličine n
možemo izdeliti na više manjih (recimo 4, 10, 20 ili više poduzoraka), koje ćemo izvući potpuno istom metodologijom ali koristeći drugu frakciju biranja, odnosno drugi korak, Iz tih poduzoraka onda možemo neposredno izračunati standardnu devijaciju neke proporcije, neke aritmetičke sredine, nekog regresionog koeficijenta ili koeficijenta korelacije. Odnosno, raspodelu tog statistika kroz te poduzorke možemo tretirati kao distribuciju uzorkovanja pa će dobijena standardna devijacija zapravo biti standardna greška. Ovakav pristup se nazivaponovljenim uzorkovanjem (engl. rephcated sampling). Ova metodologija je danas vrlo razvijena i to prvenstveno u smishi simulacije uzorkovanja. Ne izvlači se stvamo veći broj manjih poduzoraka (replikacija), nego se ti poduzorci simuhraju putem računara. To se obavlja tako što se pomoću računara iz dobijenog uzorka izvlače poduzorci neke zadate vehčine (obično n~\) i izračunava potrebni statistik. Potpuno analognu metodologiju smo iskoristih u ovom tekstu za formiranje tabele 19. Dobijena vrednost statistika se pamti kao posebna varijabla i na kr'aju se izračuna njena prosečna vrednost i standardna devijacija. Prosečna vrednost je ocena parametara populacije, a standardna devijacija standardna greška tog statistika. Obično se ovaj način izračunavanja ocene parametra i standardne greške naziva resamplingom, a ponekad i Monte Karlo metodom. Zahvaljujući brzini današnjih (personalnih) računara, ovaj metod je sve popularniji i potiskuje proste formule bazirane na teoriji verovatnoće. Prcciznost uzorka. - Ovaj pojam se često sreće u literaturi (eng. precision) i može se operacionalno definisati veličinom intervala poverenja - što je interval uži, preciznost uzorka je veća. Važno je znati da preciznost zavisi od veličine uzorka, od metode biranje uzorka i od grešaka (pristrasnosti) tokom sprovođcnja uzorkovanja. Greške i pristrasnosti tokom intervjuisanja, tzv. anketarske greške. greške posmatrača i dmge slične greške koje uobičajeno nazivamo greškama merenja ne iitiču na preciznost uzorka. Ponekad se u literaturi nalazi da te greške utiču na tačnost uzorka, ali to nije opravdan naziv i eventualno se može govoriti o tačnosti (]Douzdanosti) podataka, a ne o tačnosti uzorka. Uz određivanje intervala poverenja c treba reći nekoliko reči. Naime, vrlo popularni interval poverenja od 2c=6 (u procentima) ima smisla kad je proporcija pojavljivanja veća od 0,03. U primeru sa predsedničkim kandidaton:i smisiena je prognoza izbora koja se kreće u okviru ±3%. Za malu političku stranku inteival od ±3% već ne znači mnogo, jer ne daje pouzdan odgovor da II će stranka uopšte ući u parlament ili ne. Naime, ako je cenzus za ulazak u parlament 3%, onda sa ovom preciznošću prognoze stranka može da računa i sa nula glasova. Još je veći problem sa starijim siromašnim muškarcima koji su osiromašili zbog kocke, kojih u populaciji starijih siromašnih muškaraca ima 0,07%, odnosno n=70. Koju preciznost bismo tu želeli? Videli smo u ranijem primeru da ako u uzorku od n=1000 dobijemo dve takve osobe, da će interval poverenja broja osoba u populaciji biti 0 ^ 7 4 . To je vrlo neprecizno. Šta bi tu bio interval koji je analogan ,±3%"? Ako bismo, na primer, hteli preciznost od ±70 osoba (što zapravo nije prihvatljivo, jer bi onda u interval ušla i mogućnost da nema takvih osoba), onda bi nam polovina intervala poverenja bila c=0,0007, a uzorak bi morao bili veličine n=6300.
Danas se obično za proračun veličine uzorka koriste računarski programi koji su specijalizovani za taj proračun, a slične funkcije postoje i u koinercijalnim statističkim paketima. Na Intemetu se mogu naći web stranice sa kalkulatorima za izračunavanje veličine uzorka. Na osnovu onoga što je rečeno na prethodnim stranama može se zaključiti da potrebna veličina uzorka zavisi od sledećih elemenata. • Što veću moć statističkog testa i viši nivo značajnosti žehmo, to uzorak mora biti veći. • Ako koristimo kontrolne varijable, odnosno ako želimo da uzorak deHmo na poduzorke po nekom kriterijumu, uzorak mora biti veći. Na primer, kada nas zanima da ii preferencije nekog proizvoda zavise od pola i starosti, svaka poina i starosna grupa mora biti dovoljno velika. • Sto su poduzorci koji nastaju „delovanjem” kontrolnih varijabli brojniji, uzorak mora biti veći. Posebno sc mora obratiti pažnja na vehčinu najmanjeg poduzorka, odnosno grupe (v. sledeće poglavlje). • Što pojave (varijable) koje se mere imaju veći varijabilitet u populaciji, to uzorak mora biti veći. O tome je bilo mnogo reči u prethodnim poglavIjima.
2.
Istraživanje cele populacije - popis
Generalno rečeno, uzorkovanje je tema od značaja samo u slučaju kada ne možemo ili ne želimo da ispitamo celu populaciju. Kada možemo i/ili kada hoćemo da ispitamo celokupnu populaciju, onda nemaju smisla postupci uzorkovanja i celokupna statistika zaključivanja. Generalizacije nam nisu potrebne, a pokazatelji tzv. statističke značajnosti besmisleni su. Takva istraživanja, koja obuhvataju celokupnu populaciju, obično se nazivajupopisima (možemo se podsetiti odeljka 0 nekim problemima testiranja hipoteza i odnosa znatnosti i značajnosti). Međutim, populacije ne moraju uvek biti velike. Recimo da nas interesuju neki pokazatelji koji se odnose na metalska preduzeća u Srbiji i Crnoj Gori. Tih preduzeća ima ograničen broj i verovatno neće biti potrebno da se služimo uzorkom nego možemo poslati anketne fonmilare direktno na adrese svih preduzeća. Generalno rečeno, bolje je ispitati celokupnu populaciju nego se služiti uzorkom (štih probama). Međutim, nije uvek tako. Na primer, lakše ćemo se odlučiti za duži upitnik ukoliko ispitujemo 500 Ijudi, nego 100.000, a dužimupitnikommožemo ispitati pojavu detaljnije i produbljenije. Sa tih 500 Ijudi možemo obaviti i polustrukturirani intervju, štoje sa 100.000 praktično neizvodivo. Postoji 1 pojava slična jednačini neodredenosti (iz Heissenbergove kvantne mehanike) merenje utiče napojavu. Naime, popise uvek prati publicitet, Ijudi postanu svesni da će biti ispitivani, razmenjuju iskustva i javno mnjenje biva „pokrenuto”, što znači da se pojava koja se ispituje menja (Supek, 1968).
3.
Problem malih grupa-stratum a i problem retkih pojava
Ozbiljan problem u uzorkovanju nastaje kada nas zanimaju svojstva, kao što su recimo stavovi, Ijudi koji su retki u populaciji. U našem primeru siromašnih starijih muškaraca koji su izgubih sredstva za egzistenciju zbog kockanja, sasvim je jasno da bismo morali imati uzorak takvih osoba koji je reprezentativan za njihov stratum. Jedan ili dvojica, koiiko bismo ih mogh očekivati u slučajnom uzorku od n=1000, ne mogu pružiti dovoljno infonnacija. Slično, ako nas interesuju stavovi pristalica neke male političke stranke, onda nije dovoljno da u uzorku imamo proporcionalan broj takvih osoba (recimo 3%). Ta situacija se može posmatrati tako da odvojene analize pođataka moramo da radimo na poduzorcima koje čine pojedini stratumi od interesa. U tom slučaju je jasno da svaki stratum mora biti predstavljen reprezentativnim uzorkom - kako po načinu biranja, iako i po veličini. Statističari po pravilu smatraju da svaki poduzorak/stratum/gnjpa mora biti velik najmanje 100. Danas postoje statističke tehnike, tzv. egzaktni testovi (koji se danas izvode metodom resamplinga), koji se mogu primenjivati i kada su poduzorci znatno manji. To ne znači da su mali poduzorci postali reprezentativni, nego da če egzaktni testovi tačno oceniti značajnost dobijenih statistika (recimo x^).
Ako želimo da imamo reprezentativan uzorak siromašnih starijih muškaraca koji su osiromašili zbog kocke, ili pristalica male poHtičke stranke, onda imamo dve mogućnosti: a) da ukupan uzorak bude i dalje slučajan (dakle, sa jednakim verovatnoćama biranja), ah toliko vehki da i mah straiumi uđu sa dovoljnim brojem predstavnika, ili b) da pripadnicima tih stratuma damo veću šansu biranja, tj. da ih namerno biramo više nego što ih ima u populaciji. Prva mogućnost ima apsohitnu prednost u teorijskom i statističkom smislu, ali se zbogu skupoće najčešće koristi druga mogućnost; u uzorak se namerno uzima više predstavnika dotičnog stratuma. U pogledu generaHzacija koje se vrše na nivou stratuma, problem je time potpuno rešen. Medutim, generahzacije na nivou čitave populacije se ne mogu vršiti na osnovu takvog uzorka jer su pripadnici tog stratuma pre-zastupljeni. Na primer, kad se rade nacionalna istraživanja, da bi se mogli donositi relevantni zaključci o prihkama u Cmoj Gori moraju se stanovnici Crne Gore „nadreprezentovati”. Na republičkim poduzorcima se obrada podataka vrši uobičajeno, ah za ukupnu populaciju uzorak neće biti reprezentativan. Ovaj problem se rešava ponderisanjem, koje će biti objašnjeno u poglavlju o stratifikovanim uzorcima, i na taj način se simulira (ponovo uspostavlja) jednaka verovatnoća biranja. Ukratko, Cmogorci se množe nekim koeficijentom manjim od 1, tako da se poništi nadreprezeniovanje (recimo, ako je u uzorak uzeto 500 Cmogoraca i 1000 Srbijanaca, ponder će biti oko 0,1). Mi znamo brojčani odnos stanovništva u Srbiji i Cmoj Gori, pa je ponder lako izračunati. Medutim, ne znamo koje osobe su se kockale, ili ko su Ijudi koji podržavaju spomenutu malu političku stranku. Zato ne možemo namerno da ih izaberemo više, jer će tek isiraživanje otkriti koliko ih ima i ko su. Namerno
„oveiTeprezentovanje” je pogodno i lako izvodljivo kada se radi o osobinama koje su direktno dostiipne iz spiska populacije, npr.: pol, starost, obrazovanje, rasa, mesto stanovanja itd. Kada se radi o političkim uverenjima, osobinama ličnosti ili interesovanjima, one se ne mogii naći u spiskovima. Postoje i dalje mogućnosti da se pristalice neke političke stranke posebno traže preko spiska članova, ili da se pristalice stranke pronadu na nekom prvom političkom skupu koga ta stranka organizuje, ili da se tokom prvog kontakta sa ispitanicima utvrdi njihova pripadnost, odnosno ncpripadnost stratumu.
4.
Reprezentativnost, veličina uzorka i korelacija između pojava
Postoji velika verovatnoća da će istraživači za one pojave za koje misle da su složene, nedovoljno poznate ili da su određene mnogim faktorima intuitivno verovati da se mogu istraživati samo pomoću velikih uzoraka. Medutim, uočeno je da nekada i za vrlo kompleksna Ijudska ponašanja i kompleksne društvene pojave, za koje se na prvi pogled čini da su potrebni vrlo veliki uzorci, oni nisu stvarno potrebni da bi nalazi biH reprezentativni (generaHzabilni). To se prvenstveno odnosi za istraživanja odnosa i povezanosti medu pojavama. Dosadašnji razvoj mnogih društvenih nauka je, naime, pokazao da ako izmedu nekih pojava postoji reahia i stabihia veza, onda jc za utvrdivanje te veze dovoljno ispitati inale grupe Ijudi (iH drugih entiteta). Na primcr, ponekad se može pročitati da i društvcne nauke raspolažu zakonima koji su sHčni fizičkim. U ckonomiji je poznat zakon odnosa ponude i potražnje, a u psihologiji odnos frustracijc i agresije. Kad god su pojave iz oblasti društvenih nauka dobro istražene, a to skoro uvek znači da su istražene i veze tih pojava sa drugim pojavama, onda se dokazi za postojanje tih vcza nalaze lako i na maHm uzorcima. Rccimo, zajednu od najbolje dokumentovanih psihičkih osobina, dimenziju ekstraverzije - introverzije, poznate su brojne relacije se neuroheniijskim, genetičkim i uopšte biološkim karakteristikama, kao i relacije izmcdu razHčitih obHka Ijudskog ponašanja pomoću kojih se ta dimenzija meri, Na osnovu svega toga se zna da ta dimenzija diktira vcze između npr. društvcnosti, aktivitcta, „gladi za uzbudenjima” i metaboHzma neurotransmitera dopamina i da se te vcze mogu uočiti vcć na maHm prigodnim uzorcima. U vrlo suptihioj i osctljivoj oblasti socijalnih odnosa, Solomon Asch je 50tih godina prošlog vcka nizom eksperimcnata ,,u živo” demonstrirao kako grupno mišljenje utiče na mišljenje pojedinca o dužini Hnija (str. 205). Ovu povezanost stava grupe i Hčnog mišljenja je vrlo kiko pokazati i teško da je potrebno više od 10 Ijudi da bi se ustanovilo njeno postojanje. SHčan jc i fcnomcn lakog uživljavanja u društvenc uloge koji je demonstrirao Philip Zimbardo u svom čuvenom istraživanju (str. 233). Za manifestaciju ove pojave takode nisu potrebni veliki uzorci, kao ni za bilo koju dnigu sHčnu pojavu iz domena socijalnc psihologije.
lako su za dokazivanje povezanosti takvih pojava dovoljni mali uzorci, ipak postoje izvesna ograničenja u pogledu veličine uzori
5.
„Dobrovoljačka greška"
U skladu sa Kavremenim etičkim principima empirijskih istraživanja pona■šanja, većina ispitanika biva angažovana na osnovu izvesnog stepena dobrovoljnosti. To je tačno čak i u anketama sa slučajnini uzorkom, u kojima anketar dolazi lično da poseti odrcdenog ispitanika na odredenoj adresi. Medutim, greška o kojoj jc ovdc reč se najvišc odnosi na „punc dobrovoljce”, odnosno na uzorak ispitanika koji se sami biraju tako što sc javc na oglas iii što dignu ruku u učionici. Izvršcna su brojna istraživanja i prikupljena zapažanja o ličnosti „tipičnog dobrovoljea”. Navešćemo devet izdvojenih osobina, poređanih tako da jc prva ona koja sc najredovnijc uočava. a poslednja ona koja sc najredc uočava (Rosnow i Rosenthai, 2005). 1.
2.
3.
4. 5. 6.
7.
Višc obrazovanje. Dobrovoljci tcže da budu bolje obrazovani od ostaiih, posebno u studijama u kojima nije potreban lični kontakt istraživača i ispitanika. Viša društvena klasa. Dobrovoijci pripadaju višoj društvcnoj klasi od ncdobrovoljaea, aii samo u poglcdu njihovog ličnog sratusa, a ne i njihovih rodilelja. Viši 10. Ljudi koji učestvuju u „neobičnim” istraživanjima (hipnoza, senzorna deprivacija, seksuahio ponašanje, male grupe i istraživanje ličnosti) tipično imaju viši 1Q od nedobrovoijaca. Veća potreba za socijalnim dokazivanjem. Veća socijabilnost. l'cćapotreba za avimtwom. Dobrovoljci pokazuju višu potrebu za uzbudenjem (cngl. arousal-sceking), posebno u studijama o strcsu, senzornoj izolaciji i hipnozi. Veća nekonvencionalnost. Poscbno nekonvencionalni dobrovoljci su uočeni u istraživanjima seksuahiog ponašanja.
8.
9.
Češče su žene. Zene su generalno spremnije da budu dobrovoljci, osim u istraživanjima u kojima postoji fizički ili emocionalni stres (električni šokovi, visoka temperatura, senzoma deprivacija i intervjui o seksualnom ponašanju). Niža autoritarnost. Dobrovoljci teže da budu inanje autoritarni, što implicira da razmišljaju manje rigidno i više vrcdnuju lične slobode.
U zavisnosti od vrste i ciljeva istraživanja, nabrojane osobine dobrovoljaca mogu manje ili više da utiču na rezultate i tu pristrasnost koja postoji u uzorku dobrovoljaca nazvali smo „dobrovoljačkom greškom”. Čitalac može sam razmišljati kada i koliko će neka od nabrojanih osobina delovati. U jednoj kasnijoj diskusiji o poređenju kvotnih i probabilističkih uzoraka biće pomenuta ova tema.
E.
Slučajni ili probabilistički uzorci
U dosadašnjem tumačenju problema uzorkovanja shižili smo se prostim skičajnim biranjem kao elementamim metodom uzorkovanja. Prosto slučajno biranje je, takođe, osnovna metoda uzorkovanja koja se podrazumeva u statističkim metodama, pokazateljima koji se odnose na uzorke i populacije, standardnim udžbenicima i, što je važnije, standardnim statističkim paketima. Danas se pod shičajnim biranjem podrazumeva širi kmg varijanti prostog slučajnog biranja. Zajedničko za svih njih je spomenuti spisak jedinica uzorkovanja koji omogućava jednu značajnu stvar; da .svepobrojane jedinice uzorkovanja mogu ući u uzorak i da se može izračunati verovatnoća njihovog izbora. Zbog toga se sve te metode nazivaju slučajnim ili probabilističkim uzorkovanjem (engl. random sampling).
1.
Spisak populacije
Ključno svojstvo svih metoda slučajnog uzorkovanja je da mora postojati spisak članova populacije. Nekada se to naziva okvirom uzorkovanja (eng. sampling frame). Spiskovi mogu biti veoma različiti i često sc pitanje kvalitcta uzorkovanja svodi na pitanje nabavljanja ili sastavljanja dobrog spiska populacije. Pravilo glasi dajedinice uzorkovanja (istraživanja) koje želimo dabiram o slučajno moramo imati na spisku. Ipak, ako populacija nije velika, ili članovi nisu veliki, odnosno ako su nam svi članovi populacije fizički dostupni na jednom mestu, spisak možda neće ni biti potreban. Recimo da želimo da procenimo stanje knjiga u nekoj biblioteci, s obzirom na pohabanost, nedostajuće strane, švrljanje od strane čitalaca i sl. U bibliotekama postoji kartoteka, pa bismo slučajni uzorak mogli dobiti sistematskim biranjem „po koraku” bibliotečkih kartica. No, isto tako
bismo fizički mogli da uzimamo knjige sa polica, počevši od nekog slučajnog broja i nastavljajući biranje sa nekim korakom. To je slučaj kada populacija nije mnogo vclika (zavisno od biblioteke), kada članovi nisu veliki (po dimenzijama) i kada su svi fizički dostupni na jednom mestu. Ili, uzmimo primer slučajnog biranja telefonskih brojeva (random digit dialing - RDD, V.
kasnije), koje je dominantan način uzorkovanja u razvijenim zemljama. Ni ovde se pret-
platnici ne biraju iz spiska (imenika), nego direktno, biranjem brojeva iz zadatog raspona. Ipak, kombinacija dostupnih raspona telefonskih brojeva i procedure biranja je vrlo bliska biranju sa spiska. Društvenim istraživačima bi, kada se bave Ijudima, bilo najzgodnije da negde postoji centralni spisak stanovništva sa osnovnim podacima o svakom stanovniku. Nešto slično takvom spisku postoji u Srbiji i Cmoj Gori u policiji u obliku evidencije - baze podataka stanovništva (tzv. prijava boravka). Međutim, postoji nekoliko razloga zašto se ti spiskovi ne koriste u istraživanjima. Kao prvo, zakonski nije predvidena takva njihova upotreba, pa nisu dostupni istraživačima i nije poznato da su korišćeni u nekom istraživanju. Drugi problem je što oni nisu ažurni i što je njihova upotrebljivost vrlo mala za mlađu populaciju, marginalne slojeve i sl. Neažurnost se prvenstveno odnosi na netačne adrese, a zatim i na sve druge aspekte podataka iz tih spiskova. Treći problem je fond podataka kojima raspolažu takvi spiskovi, posebno ako se želi napraviti stratifikovani uzorak. Na primer, u tim spiskovima nema podataka o obrazovanju i zaposlenju. ,Prva zamena" za te spiskove su birački spiskovi. Oni su po zakonu javnl dokumenti i u načelu bi trebali biti dostupni za istraživačke potrebe. Oni sadrže samo elementarne identifikacione podatke kao što su prezime i Ime, matični broj gradana (koji u prvih 7 mesta sadrži datum rođenja) i adresa birača. Iz imena i prezimena se može zaključiti pol osobe (pol se može zaključiti i iz matičnog broja gradana - MBG), ali taj fond podataka obično nije dovoljan za stratifikaciju uzorka koja najčešće obuhvata i obrazovanje (i zanimanje). Medutim, fond podataka je manji problem u odnosu na druga dva problema koja su učinila da su domaći istraživači izbegavali biračke spiskove. Prvi problem se odnosi na dostupnost spiskova, a drugi na njihovu ažurnost. Birački spiskovi se nekada nalaze u policiji, a nekada u opštinama. U zadnjoj deceniji XX veka u SR Jugoslaviji su oba mesta istraživačima bila manje ili više problematična za saradnju. Problem ažurnosti je vezan za problem ažurnosti baze podataka o stanovništvu iz prethodnih pasusa. Naime, birački spiskovi se ažuriraju podacima iz policije i eventualnim dopunama i izmenama na koje imaju pravo sami gradani. Ažuriranje biračkih spiskova se po pravilu vrši pred same izbore, pa se iz toga može zaključiti 0 njihovoj ažurnosti u periodu izmedu izbora. Osim toga, postojale su osnovane sumnje istraživača da su birački spiskovi biii neažurni na pristrasan način, npr. da su nedostajali mladi birači koji te godine stiču pravo biranja. Za ovaj aspekt neažurnost bi se moglo reći da je anegdotski, ali postoji doza opšteg značenja utoliko što sugeriše istraživačima koje su sve greške uzorkovanja moguće, još u fazi operacionalizacije populacije. Naravno, birački spiskovi sadrže samo punoletne osobe starije od 18 godina, što onemogućava njihovu upotrebu za omladinska istraživanja. U policiji postoje baze podataka motornih vozila, vozača, vlasnika oružja, pasoša itd. Kao i u slučaju baze podataka stanovništva, malo je verovatno da se ovi spiskovi mogu koristiti za istraživačke potrebe. Postoje brojni spiskovi kojc vode tzv. komunalne organizacije u svrhu naplate računa za različite komunalne usluge. Kod nas je možda najbolji i najažurniji spisak onaj koga poseduju elektrodistributivna preduzeća. Mana tog spiska je što se on odnosi na vlasnike električnog brojila (sata), što u najvećem broju slučajeva znači da se odnosi na domaćinstvo. 2a
ona istraživanja koja za jedinicu posmatranja uzimaju upravo đomaćinstva bi ovaj spisak bio vrlo koristan. Međutim, nije poznato da li su istraživači stvarno koristili ovaj spisak. Ako su jedinice posmatranja domaćinstva, onda se mogu potražiti i spiskovi stambenog fonda, kao što su na primer oni koji služe za naplatu stanarine i drugih komunalnih usluga. Generalno rečeno, zdrav razum nam kaže da su spiskovi koji služe naplati računa verovatno ažurniji nego oni koji se vode iz birokratskih razloga. Kada se istraživanja rade na školskoj omladini, onda se često u prv'oj etapi uzorkuju škole. Spiskovi škola su šire dostupni, na nivou opština i gradova, a za centralni spisak se može obratiti ministarstvu ili statističkim zavodima. Sličan postupak se mora sprovesti ako se istražuje po privrednim preduzećima, zdravstvenim ustanovama, ili bilo kojim drugim ustanovama gde u prvoj etapi biranja prvo vadimo slučajni uzorak tih ustanova. Centralne nacionalne institucije koje su zadužene za pitanja populacije i uzorkovanja su statistički zavodi (Savezni, Republički, Pokrajinski i Gradski). Ovi zavodi raspolažu sa velikim brojem tabela, spiskova i klasifikacija koje mogu biti relevantne istraživačima (tabele popisa, spiskovi naselja, spiskovi zanimanja, spiskovi škola i sl.). Sva dokumentacija je dostupna u papirnom obliku i na CD-ROMu i može se kupiti. Na internet prezentacijama statističkih zavoda, telefonom ili lično treba proveriti dostupnnst statističkih podataka®'. Statistički zavodi na osnovu stručne obaveze rade povremene stručne procene kretanja velićine populacije (po opštinama, polu itd.) koje su takode javno dostupne. Slične procene su radile i druge institucije, kao na primer Centar za demografska istraživanja Instituta društvenih nauka u Beogradu^. Zavodi za statistiku raspolažu, takođe, skicama tzv. popisnih krugova (koji otprilike odgovaraju mesnim zajednicama) u kojima su ucrtane ulice i zgrade/kuće. Takve skice pružaju mogućnost za pravljenje odličnog probabilističkog zonskog ili klaster uzorka. Nije poznato koliko je, u trenutku pisanja ovog teksta, ažurno stanje tih skica u odnosu na topološko stanje iz 1991. godine. Ažuriranje skica je veliki posao koji bi se morao raditi na terenu, ili bi se morao raditi na osnovu zemljišnih knjiga, ili i na osnovu jednog i drugog. Raspolaganje ažurnim skicama (geografskim kartama, planovima grada) omogućava da se stanovi ili kuće biraju direktno, u kancelariji istraživača i da se anketari šalju direktno na dotičnu adresu.
2.
Prosto slučajno biranje
Prosto slučajno biranje prcdstavlja implementaciju statističkog ideala da svi članovi populacijc imaju jednaku šansu biranja. Tehnika prostog slučajnog biranja, kako je korišćena i objašnjena na prethodnim stranama, podrazumevala je biranjc bez vraćanja. Medutim, nije uvek sigurno koja fonmila se koristi u kom statističkom programu; za biranje sa vraćanjem ih za biranje vez vraćanja. Razhkc ncće biti vehkc ukohko je populacija znalno vcća od uzorka (100 ih 1000 puta
Rcpublički zavod za statistiku Srbijc, www.statscrb.sr.gov.yu, Beograd, Milana Rakića 5, 011/2412-922. Zavod za stati.stiku Srbije i Crnc Gorc, Kncza Miloša 20, 11000 Beograd, lel/fax. 011/36-17-362, www.szs.sv.gov.yii. ” Ccntarzadcniografskaistraž.ivanja, Institul društvcnih naiika, K raljiceN atalijc45, (Narodnogfronta45), 11000Beograd,Tcl.; 011/3613-892,011/3616-102, www.idii.org.yu.
veća, o toni pitanju je diskutovano u okviru prezentacije osnovnih pojmova i na drugim mestima u ovom poglavlju). U specifičnim slučajevima, kada su populacije samo malo veće od uzorka, kada su uzorci mali itd., ali i kada se istraživanje vrlo dctaljno planira, istraživač može ručno primeniti korigovane formule sa uzorkovanje bez vraćanja za malc populacije ili za male uzorke. Korekcijom (usagiašavanjem) formula obično se dobiju manji intervali poverenja (preciznost je veća, ređe sc odbacuje nulta hipoteza). Kada su populacije sasvim male, prosto slučajno biranje se može implementirati kao „izvlačenje iz šešira”. Kod većih populacija to nije praktično pa se mogu koristiti tzv. lutrijske mašine. Na primer, ako je veličina populacija šestocifrena, trebala bi nam mašina koja ima 6 doboša na kojima su upisani brojevi 0 do 9. Za izbor svakog člana uzorka trcbalo bi zavrteti doboše i sačekati da se zaustave. Konfiguracija brojeva koju bismo tako dobili predstavljala bi redni broj jednog od članova populacijc. Za uzorak veličine 1000 to znači da bismo mašinu morali zavrteti 1000 puta da bismo dobili 1000 rednih brojeva. Tabele shičajnih b ro jcv a.- To rešenje bi zadovoljilo zahtev za jednakom verovatnoćom biranja, ali je i dalje krajnje nepraktično za društvenog istraživača. Mnogo je praktičnije koristiti takozvane slučajne brojeve. Slučajni brojevi su takvi brojevi kod kojih izvlačcnje jednog broja ni na koji način ne utiče na izvlačenje sledećeg, niti zavisi od izvlačenja prethodnog broja. Tabele slučajnih brojeva se mogu naći u prilozima različitih udžbenika. Generatori slučajnih brojeva su računarski programi koji koriste veoma domišljate i složene matematičke proračune kako bi proizveli niz slučajnih brojeva. Oni su ugradeni u današnje računarske programe (pakete) kao što su programi za statistiku (npr. SPSS), programi za tabeliranje (eng. spreadsheet, npr. Excel), bolji procesori teksta (npr. WordPcrfect) i sl. Pošto jc vrlo verovatno da će naš spisak članova populacije biti ,,na elcktronskom mediju”, dakle na računani, možemo pozivanjem funkcije generatora slučajnih brojeva svakoni članu populacije dati (pridružiti) jedan slučajni broj. Nakon toga možemo sortirati spisak po slučajnim brojevima I odabrati u naš uzorak najnižih 1000, ili najvećih 1000 - svejedno. U infomratici se sređivanje spiskova po različitim kriterijumima naziva sortiranjem. Sortiranje se može izvršiti po jednom ili više ključeva, a po svakom ključu se može sortirati po rastućem ili opadajućem redosledu. U praktićnoj primenl, prosto slučajno biranje je pokazalo Izvesne neđostatke pa su izmišljene korekcije I dopune kako bi se tl nedostacl otklonili, a osnovna intencija zadržala (da svl članovi populaclje imaju jednaku šansu izbcra). Prvi nedostatak je što je pravljenje splska svlh članova populaclje vrlo nepraktično ako su populaclje velike. Pravljenje spiskova, reclmo, celokupnog stanovništva jedne zemlje je daleko van domašaja Istraživača. Iskustva u Srbiji kažu da je to zadatak kome su dorasla samo razvijena I dobro organizovana društva. Medutim, ne treba Ićl na nacionalnl nivo - već i mnogo manje regionalne celine III stratuml stanovništva mogu predstavljatl ozblljan problem u pogledu pravljenja ili nalaženja splskova. Taj problem nije vezan samo za Ijude kao jedinice uzorkovanja. Sllčno će se dogoditi i ako hoćemo da anallzlramo sadržaj svih članaka objavljenih tokom jedne godine u novinama jednog grada I sl. Naravno, nepostojanje, III nemogućnost pravljenja splska populad-
je, ili nepouzdanost takvog spisl
Da bi se rešio tehnički problem slučajnog izvlačenja, jcr su kutije sa listićima, lutrijske mašine, dodeljivanje slučajnih brojeva i sl. ipak nepraktične za velike populacije i velike uzorke, može se koristiti neka od modifikacija prostog slučajnog biranja. Jedna od njih je tzv. sistematsko biranje sa jednakim verovatnoćama.
3.
Sistematsko biranje sa jednakim verovatnoćama
Pretpostavimo da je spisak siromašnih starijih muškaraea sortiran abecedno (azbučno) po prezimenu. Na osnovu intervala uzorkovanja (koraka, k) znamo da nam treba svaka 100-ta osoba. Na osnovu toga možemo uzimati u uzorak prosto osobe sa rednim brojem 1, 1+^'= 101, 1+2A: = 201, 1+3/:= 301 itd. Obično se, sa ciljem da se izbegnu efekti poretka osoba na spisku, ne počinje od rednog broja 1, nego se slučajno odabere jedan broj manji od Akao počctak niza. Taj počctni broj se može dobiti prosto izvlačenjem papirića, ili više sofisticirano tako da se uzme (generiše) jedan slučajni broj izmedu 0 i 1, pomnoži sa korakom, tj. intervalom uzorkovanja i rezultat zaokruži naniže. Za ovo biranje se kaže da se sa spiska biraju osobe od slučajno odabranog početka, sa korakom k, pa se nekada čitava metoda naziva biranjcm po koraku. Koja je ključna prctpostavka ovog postupka? Ima ih, naravno, više. Kao prvo, podrazumcva se da postoji spisak populacije. Spisak populacije predstavlja dostupnu populaciju i ako je tokom njene operacionalizacijc došlo do nekih grešaka kasnije ih nije nioguće otkloniti nikakvim postupkom. Ako pretpostavimo da je spisak populacije dobar, sada nas zanima samo da ostvarimo jcdnaku verovatnoću biranja članova uzorka. Pretpostavka koja mora biti zadovoljena da bi slučajno biranje izvršili „izborom po metodi koraka” je da redosled osoba na spisku ne bude diktiran nikakvim „poznatim razlogom”. Kod nas se smatra da je abeccdno sortirani spisak prezimena upravo lakav spisak - bez ikakvog smislenog razloga koji utiče na poredak. Zbilja, u našoj kulturi ne izgleda da postoji ikakva korelacija izmedu prezimena i bilo kakvih osobina pojedinaca. To nc mora biti tačno za neku drugu kultum ili za neku mešavinu rasa, ali se obično smatra da je abeeedno-azbučno razvrstavanje po prezimenima analogno dodeljivanju slučajnih brojeva koje smo opisali u prethodnim pasusima. Kad kažemo „poznati razlog” ili „smisleni razlog” mislimo na neki faktor koji je uticao na razvrstavanje članova populacije u spisku, a koji jc povezan sa pojavom (pojavama) koje istražujcmo. Ako su spiskovi, osim po prezimenima sortirani po više sortnih pojmova, ili prezime nije najviši sortni pojam, onda može doći do pristrasnosti. Do pristrasnosti dolazi ako je redosled članova na ncki način povezan sa pojavom koja se ispituje. N a primer, do takve situacije može doći ako se spisak stanovnika pravi po domaćinstvima, a unutar domaćinstava po starosti članova. To može dovesti
do toga da sc naš korak poklopi sa periodičnošću ponavljanja starosti i da nam u uzorak iiđe više Ijudi sa nekiin godinama, a manjc sa nekim drugim, Mcđutini, sredenost spiskova po raznim kijučevima ne mora uvck biti negativna. Na primer, ako su spiskovi sređeni prvo po mesnim zajednicama, pa zatim po prezimcnima, onda dobijamo nešto što je slično zonskombiranju. lli ako su na spisku ppv'o muškarci, pa onda žene, onda će sistematsko biranje sa jednakim verovatnoćama dati stratifikovani uzorak. Sistcm alsko b iran jc sa višestriikini uzorcinia. - Ako sumnjamo da bi u spisku populacije mogle postojati pcriodičnosti, ili ne možcmo da odbaeimo potpuno tu mogućnost, onda se može primeniti modifikovani postupak biranja po koraku. Može sc, naimc, izvući m manjih uzoraka tako da se za svaki odabcre poseban siučajni početak, a korak sc pomnoži sa m. Jcdna usputna prcdnost ovih višcstrukih uzoraka je što se pomoću njih može bolje occnjivati parametar populacijc koji nas interesuje, npr. aritmetička sredina. Naimc, prosek proseka ovih uzoraka jc bolja procena vrcdnosti populacije, ncgo jedna aritmetička srcdina iz vcćcg uzorka. Nešto slično ovoj modifikaciji sc možc postići ako se slučajno odredi početak uzorkovanja, ali se korak pomnoži sa nckim cciim brojcm m. Kada se u biranju dođc do kraja spiska, brojanje se vraća na početak spiska, bcz prckidanja. U svakom novom prolazu kroz spisak se izabrani članovi populaeije razvrstavaju u zaseban poduzorak.
4.
Stratifikovano slučajno biranje
Ova metoda uzorkovanja se naziva i proporcionalno biranje ili kvotno siučajno biranjc. Već smo spominjali mogućnost da spisak (spiskovi) populacije bude stratifikovan po jednom ili više kriterijuma. Rečcno jezikoin sortiranja, spisak učenika neke škole možc se srediti po sledećim ključcvima: razredu, polu i prezimcnu. Ako imamo takav sortiran spisak, onda možemo dcfinisati veličinu svakog stratuma (razred i pol) i na osnovu toga fomiirati posebnu proporeiju uzorkovanja i korak (/'i k) za svaki stratum. Na osnovu zasebnih koraka uzorkovanja možemo izvesti zasebno biranje za svaki stratum, ili za svaki stratum možcmo izvući ,,iz šešira” zasebnu proporciju učenika. Ovakav uzorak će tačno odslikavati strukturu stratuma u populaciji. Ako smatramo da pojava koju istiažujemo zavisi od toga da li su učeniei mladi ili stariji i da li su dečaci ili dcvojčice, ondaje važno da njihovi medusobni brojčani odnosi budu isti kao u čitavoj školi. Rekli smo da prosto slučajno biranje nije pristrasno ni prema komc. Iz toga bi slcdilo da ne postoji nijedan sistematski razlog koji bi doveo do toga da struktura uzorka bude drukčija ncgo što jc u populaciji. Mcdutim, radi sc samo o ,jcdnakim šansama", daklc nc o izvcsnosti. Premda su šanse za izbor jednake, to nc isključuje mogućnost da u uzorak koji je biran prosto slučajno ude više dečaka nego devojčica.
Sto istraživana pojava više zavisi od pripadnosti slralumu, odnosno što su stratumi imutar sche homogemji, a između sebe heterogeniji, to j e opravclanost stratifikacje uznrkovanja veća. Sta se postiže stratifikovanim slučajnim biranjem? Sužavanje intei-vala poverenja, odnosno smanjivanje standardnih grešaka. lako prosto slučajno biranje „nikoga više ne voli”, kada bismo uzorkovali prostim slučajnim biranjem u svakom sledećem uzorku bi struktura uzorka bila drukčija. Tačnije rečeno, uzorak sa pravilnom stratumskom strukturom mogli bismo da dobijemo samo slučajno. Distribucija uzorokovanja nekog našeg statistika, rccimo aritmetičke sredine, imaće povećanu varijabilnost (zbog delovanja straturna). Nasuprot tome, stratifikovani (proporcionalni, kvotni) pristup obezbeduje pravilnu strukturu i time smanjuje varijabilnost distribucije uzorkovanja. Pošto se mera varijabilnosti distribucije uzorkovanja zove standardna greška, mi stratifikovanim pristupom smanjujemo standardnu grešku. Smanjenje standardne greške stratifikovanog uzorka u odnosu na prost slučajni uzorak u istim uslovima je ,,na nivou formule”, dakle može se izračunati. Zbog toga se stratifikovano slučajno biranje smatra superiornim u odnosu naprosto shičajno biranje. Obično je ono brže i manje košta od prostog slučajnog biranja. Zato, kad god možemo da pretpostavimo stratunie koji su od značaja za pojavu koju islražujemo i kada znamo njihove brojčane odnose primenićemo stratifikovano slučajno biranje. U posebnompoglavlju je spomeniit problem malih stratuma. Stratifikovano biranjc može da bude rešcnje tog problcma. Kada je vcličina nekog stratuma u populaciji mala, proporcionalno biranje po jednakim verovatnoćama bi dovelo do toga da broj pripadnika tog stratuma u uzorku bude minimalan. To bi onemogiićilo da vršimo generalizacije na sam taj stratum. Jcdna mogućnost je da namerno izabercmo u uzorak višc tih članova popiilacije. Kad se radi o stratifikovanom slučajnom biranju, to znači da bismo njihovu proporciju uzorkovanja uzcli veću ncgo što jeste, odnosno korak manji nego što jeste. Ovakvo uzorkovanje se obično naziva neproporcionalnim stratifikovanim shičajnim biranjem. Ova metoda uzorkovanja pruža rešenje za izučavanje svojstava malih stratuma i donošenje validnih generalizacija u odnosu na te stratume. Danas se za stratifikovano biranje najčešćc koristi procedura proporcionalnog alociranja (engl, proportional allocation procedurc - PAP), koja obezbcđuje proporcionalnost a uzorci koji se dobijaju nazivaju sc sanioponderisanim.
5.
Ponderisanje
Ako je uzorak biran stratifikovano i ako su neki stratumi namciTio nadrcprezentovani, ili ako se u rcalizovanom uzorku to desilo nenamerno, izračunavanje statističkc značajnosti, standardnih grešaka i intervala poverenja neće biti tačno jer biranje nije bilo po metodi jcdnakih verovatnoća. Da bi sc izbegao taj problem, istraživači moraju ponderisati (cng. vveighting) članove populacije koji su
namerno (ili sliičajno) prekobrojni odgovarajućim pondcrom (u ovom slučaju manjim od 1). Pondcrisanje je jedna česta istraživačka tehnika za „peglanje uzorka”, premda za nju nedvosmisleno važi slcdeće: što ga ima manje, to je bolje (isti taj iskaz važi i za probleni ispuštenih vrednosti). Naime, što su ponderi različitiji od jedinice, to je veća opasnost da ćcmo ponderisanjem proizvesti arteficijchic podatke. Dakle, ako namcrno izaberemo 100 osoba koje su se kockale u uzorku od 1000, to je precenjivanje njihovog broja za oko 100 puta. Kada analiziramo njihova svojstva zasebno, ili istražujemo razlike te grupe Ijudi u odnosu na druge grupe, odnosno povezanost različitih varijabli, možcmo smatrati da je takvo precenjivanjc korisno. Medutim, ako su nam od prv’cnstvenog interesa generalizacije na populaciju (recimo, u nckom istraživanju iz oblasti političkog marketinga ili za prognoziranje izbora), onda je disproporcionalno uzorkovanje štetno. To možemo rešiti tako da svako pojavljivanje osoba koje su se kockale, gde god vršimo prebrojavanje, pomnožimo sa 0,01. Ako ih sada jednostavno prebrojimo, dobićemo nakon ponderisanja da ima samo jedna takva osoba. Tako je njihov prognozirani broj u populaciji vraćen u normalne okvire (kao da su birani sa jednakim verovatnoćama). Međutim, veličina uzorka bi nakon ponderisanja pala na n=901, što bi značilo da opet nemamo pravilne proporcije u uzorku. Neki autori preporučuju da se uzorak opet dovede na n=1000 tako što će se ponovo izvršiti ponderisanje svih članova sa približno 1,11. Dakle, u pogledu onih 100 osoba koje su se kockale, one su prvo veštački .smanjene" množenjem sa 0,01, a zatim „povećane” faktorom 1,11. U prethodnim pasusima se govorilo o ponderisanju slratifikovanih uzoraka u kojima su neki stratumi namerno pod- ili nad-reprezentovani. Ovaj tip ponderisanja se obično naziva post-stratifikacijom . Ponderisanje se, medutim, primenjuje i kada se uoči da realizo v a n i uzorak po nekim svojstvima odstupa od popisa ili od planiranog uzorka (npr. ako smo dobili manje žena od očekivanih 50%). Pošto je ovo obično posledica „etape ispitanika”, naziva se ponderisanjem neodgovora. Ponderisanje se primenjuje i ako su jedinice uzorkovanja domaćinstva, iz kojih biramo jednog člana, jer veću verovatnoću biranja imaju čianovi iz malih domaćinstava nego većih. U statističkom pogledu, ponderisanje gcneralno smanjuje preciznost uzorka, definisanu širinom intervala poverenja. To znači da povećava standardnu grešku. Rekli smo da stratifikovano slučajno biranje povećava preciznost, dakle smanjuje .standardnu grešku. Prema tome, može se reći da ponderisanjem obično izgubimo prednosti koje stratifikovano biranje ima nad prostim biranjem. Naravno, ova preciznost uzorka se odnosi samo na greške uzorkovanja, a ne na greške merenja, koje mogu biti znatno veće. Postoje i ozbiljne kritike ponderisanja. Ređmo, kad ponderišemo podatke, onda se u nekom uzorku može desiti da povećamo greške uzorkovanja, a u drugom da ih smanjimo. Te efekte možemo pratiti i proceniti na nekim osobinama čija nam je distribucija u populaciji poznata, kao što su pol, starost, školska sprema i sl. Medutim, za većinu drugih osobina, odnosno za većinu osobina koje mogu da interesuju društvenog istraživača, taćne proporcije u populaciji nisu poznate. One su upravo predmet istraživanja. Na taj način, ponderisanjem smo povećavali varijabilnost distribucije uzorkovanja. Povećana varijabilnost znači smanjenu preciznost. Otuda sledi zaključak da u neproporcionalnom stratifikovanom biranju, nakon ponderisanja imamo veću neizvesnost koliko je tačna naša procena standardne greške.
Posebno je problematična situacija kada su ponderi veći od jedinice, To znači kao da smo anketirali više Ijudi. Zbog toga neko može postaviti pitanje zašto istraživač uvek ne bi mogao da ispita 600 Ijudi pa ih ponderiše sa 2 kako bi dobio dovoljno veliki uzorak, Vrlo često se pribegava ponderisanju zato što tokom terenskog istraživanja dode do velikog odbijanja, i to na primer, više odbijaju saradnju stariji i slabo obrazovani. Zbog toga će već na prvi i površan pogled na izveštaj o „realizaciji uzorka” biti očigledno da su ti stratumi pod-reprezentirani. Da bi to izbegli, istraživači starije neobrazovane osobe koje su prihvatile saradnju ponderišu sa nekim ponderom većim od jedinice. Kad se sada pogledaju frekvencije, sve izgleda ,,na broju”, Medutim, ako na pojavu koja se ispituje, na primer zadovoljstvo uslugama domova zdravlja, utiču neke lične osobine ispitanika, kao što je na primer optimizam, društvenost, otvorenost i s l„ i zbog kojih su oni i pristali na saradnju sa ispitivačima, onda množenjem njih sa ponderom 1,5 (na primer) činimo to da u celokupnom stratumu pojačavamo prisustvo optimizma, otvorenosti i društvenosti, To je s jedne strane pogrešno, a s druge strane vrlo neugodno jer ne znamo da smo zapravo to uradili,
Kao zaključak; ponderisanjem se može dejstvovati napoznate pristrasnosti uzorka, ali se ne može dejstvovati na nepoznale. E kspanzija na populaciju. - Kada smo u prethodnom tekstu diskutovali pondere oni su se kretali oko jedinice, Radi jednostavnosti izlaganja ponderi su tu imali ulogu da koriguju pod- ili nadreprezentovanje nekih stratuma it uzorkii. Međutim, istraživači često ponderišu tako da dobiju generalizovane frekvencije pojavljivanja grupe u populaciji. Recimo da je proporcija učešća nekog stratuma u populaciji jednaka p,. Broj članova populacije koji pripadaju tom stratumu se može izračunati kao p ,^ N . Na primer, ako se radi o osobama koje imaju visoku školsku spremu, a njiliovaproporcija učešća iznosi oko 0,08, stvami broj punoletnih osoba u SCG se može proceniti na m, = 0,08 x 7,000,000 = 560,000. Ako smo odlučili da radimo sa uzorkom veličine »=500 (sa frakcijom biranja /=500/7000000=0,0000714), prosto slučajno biranje bi dalo oko 40 takvih osoba u uzorku. Pretpostavimo da nam je taj broj bio premaii za analize koje smo planirali (recimo za analizu povezanosti godine diplomiranja i dužine čekanja na posao), pa smo ih nadreprezentovali u uzorku sa 7?,= 100. Nakon što smo završili analize namenjene samo tom stratumu i prešli na analize koje se odnose na uzorak (populaciju) u celini, moramo ponderisati osobe sa visokom spremom sa ponderom w,=(/:>j xnyn,=0,40. Da bi svoj uzorak opet vratio u celini na ;j=500, istraživač može opet sve jedinice posmatranja ponderisati sa >v^=l,136. Međutim, kao što smo rekli, istraživača će često interesovati da operiše sa stvarnim brojem Ijudi u populaciji. U tom slučaju će izabrati ponder vv, tako da bude w^=(p,xn)l{n,^f) = 5600. Ponder za ostalih 400 slučajeva iz uzorka će biti prosto W2= l//= 14,000. Nažalost, na taj način će se dobiti da populacija ima 6,160,000 članova, te zato opet moramo sve članove uzorka ponderisati sa = 1,136. Proračun pondera se može izvršiti i na dmge načine, a korekcioni ponder se može uključili u m', i Wi.
6.
Klaster biranje
Klaster biranje je verovatno najčešće korišćena metoda slučajnog uzorkovanja. Klaster se definiše kao skup jedinica posmatranja iste vrste. U klaster biranju populacija se deli na klastere, a klasteri se zatini biraju slučajno. Zatini se sve jedinice posmatranja iz odabranih klastera uzimaju u uzorak. Taj tip uzoraka nazivamo klaster uzorci. Klasteri predstavljaju grupe ili celine koje prirodno i fizički (prostorno) objedinjuju jedinice posmatranja. Primeri klastera su škole, preduzeća ili bolnice. Kada se islraživanje sprovodi na stanovništvu, a ne na primer na radnicima neke fabrike, ili zatvorenicima u jednom kazneno popravnom zavodu, onda postoji problem što biranjem građana sa spiska dobijamo veliko geografsko raspršenje. Slanje anketara na adrese izabranili Ijudi koji su raštrkani po gradovima i selima bi bio veoma skup i dugotrajan postupak. Da bi se smanjilo prostomo raspršenje jedinica posmatranja izniišljeni su takozvani zonslci uzorci (engl. area). Zone su klasteri koji su definisani geografski - opštine, naselja, mesne zajednice, biračka mesta. Osim navedenog razloga, geografskog raspršenja, istraživač će se opredeliti za klaster biranje i onda kada ne postoji spisak populacije, ili ne može da ga dobije. U tom slučaju će biti prinuđen da bira krupnije jedinice uzorkovanja, klastere. Postupak zonskog ili klaster biranja je sledeći. • Ukupna populacija se deli na klastere ili na geografske celine ~ zone. • Sa spiska klastera ili zona se vrši slučajno biranje potrebnog broja klastera ili zona. • U odabranim klasterima ili zonama se ispitaju ^ve jedinice posmatranja (stanovnici, domaćinstava i sL). Na ovaj način smo put koji anketari moraju da pređu značajno smanjili jer su jedinice posmatranja prostorno grupisane, a rešili smo i problem nedostatka spiska populacije. Medutim, opisana varijanta klasler biranja je suviše pojednostavljena je r ne prcdvida nikakvu kontrolu veličine klastera, veličine uzorka i stratifikaciju. Zato se klaster biranje obično koristi višeetapno ili kombinovano sa drugim metodama.
7.
Višeetapno biranje
U praksi se uzorci prave kombinacijom dva ili više načina biranja koji su gore opisani. Posebno se potrcba za kombinovanjem metoda javlja kod velikih uzoraka koji se prave za istraživanja na nacionalnom nivou. Najčešća je kombinacija klaster biranja sa nekirn od dmgih načina biranja, pa se u literaturi može sresti da se višeetapno biranje tretira kao uopšteno klaster ili zonsko biranje. P rim er prv e etape. - Kod višeetapnog biranja (engl. multistage sampling) populacija se obično deli na hijerarhijski način u geografske, administrativne,
ekonomskc, političke ili neke dnige celine, od većili, ka sve manjim. U tcrminologiji iizorkovanja ove celine se nazivaju klasterima, odnosno zonama. Prva etapa tizorkovanja se onda vrši primcnom nekog načina biranja na spisak klastcra. Na primer, teritoriju Srbije i Cme Gore možcmo podeliti na nekoliko načina, npr.: • na republike i pokrajine, • na regione kao što su sevcr, centralni deo, jug, Beograd, razvijcni, nerazvijeni itd., • na izbome jcdinice (ako po tckućcm izbornom zakonu one postoje) ili ncke druge siičnc cclinc. Naravno, ove gcopolitičkc cclinc su uglavnom suviše krupne i obično se tretiraju kao stratumi iz kojih se proporcionalno biraju opštinc. Daklc, u prvoj etapi su opštinc jcdinice uzorkovanja. Na spisak svih opština možemo primeniti slučajno biranje po stratifikovanom (proporcionalnom ili kvotnom) modelu, tako da dobijeni uzorak opština budc rcprczcntativan za Srbiju i Crnu Goru (stratumi su rcpublike, rcgioni itd.). Na ovoj ctapi smo daklc uzorkovali opštinc po modclu stratifikovanog biranja, opštinc sc trctiraju kao zonc, a uzorak sc naziva zonskim. Prinicr drugc ctape. -N a k o n toga, u drugoj ctapi, iz opština koje su ušle u uzorak možemo birati naselja, odnosno mcsnc zajcdnicc. Obično sc naselja prvo stratilikuju po kriterijumu: gradska nasclja, ostala nasclja, pa sc zatim biraju tako da u uzorak uđe proporcionalan broj gradova i scla. Kriterijum šta jc grad, a šta selo („ostala nasclja”) varirao jc tokom vremena. Tokom popisa 1991. godine Savezni zavod za statistiku je imao ,,pravni kritcrijum” i „statistički kritcrijum” po kojima je razvrstavao naselja u gradove odnosno scla. Pažljivo pripremljena istraživanja se mogu poslužiti vlastitom klasifikacijom nasclja u gradska i seoska, po vlastitim kritcrijuinima. Dakle, u ovoj ctapi sc uzorkovanjc vrši sa spiska nasclja. U ovoj ctapi se još uvek koristi zonsko biranje. Jcdinicc uzorkovanja su nasclja, koja se u istraživačkoj temiinologiji nazivaju punktovima ili popisnim krugovima, a najčcšće odgovaraju mesnim zajednicama. U terminologiji uzorkovanja se može sresti i naziv „blokovi”, vcrovatno zbog toga što sc u Americi popisni krugovi nazivaju popisnim blokovima (eng. ccnsus blocks), Treća ctapa, varijanta prva. - Činom odabiranja naselja obično se završava „zonski” dco uzorkovanja. U zavisnosti od toga šta su nam jedinicc posmatranja (odrasli, omladina, stanovi, domaćinstva...), prcostajc da neposredno izabcrcmo jedinicc koje ćc ući u uzorak. Da bi uzorak u cclini bio slučajan i ovo konačno biranje se mora obaviti nekom metodom slučajnog biranja. Jedan od načina jc da se konačnc jcdinice uzorkovanja (kojc su onda i jcdinice posmatranja) biraju sa nckog raspoloživog spiska, Kao što je ranije rcčcno, domaći istraživači će obično posegnuti za biračkim spiskovima. U tom slučaju će sc biranje obaviti mctodom sistcmatskog slučajnog biranja, tj. mctodom izbora po koraku, a anketar će ići dircktno na adrese odabranih ispitanika. Treća ctapa, varijanta druga. - Ako se istraživač nc opredcli za neki od raspoloživih spiskova (zato što mu nisu dostupni, zato što sumnja u njihovu tač-
nost ili iz netcog drugog razloga), onda mu oslajc da i u trcćoj etapi nastavi sa ,,zonskim” pristupom biranju. Naime, ako raspokiže spomcnutim skicama naseija, onda može siučajno odabrati kuće iii zgrade, označiti ili na skici i poslati anketare direktno na te adrcsc. Ako ne raspolaže takvim skieama može dati uputstvo anketarima da obilaze punktove po nekom opštcm planu kao što jc kretanjc u smeru kazaljke na .satu, u gradskim sredinama, iii nekom drugom varijantom ,,siučajnog puta”. Nakon što je definisan način kretanja kroz punkt, anketarima se mora dati uputstvo za biranje zgrada i kuća koje će posetiti. Pošto se ne raspolaže tačnim skieama i spiskovimr stambenih objckata (jcr ako se raspolaže biranje bi se izvršilo ,,u kancclariji”), obično se ankctarima zadaje korak izbora. Na primer, daje im se uputstvo da ulaze u svaku pctu kuću. Naravno, „kiiće” nisu iste, jer se niože raditi o kući na selii u kojoj živi jedno domaćinstvo, jednako kao i o višespratnoj zgradi u gradu sa par stotina stanova. Za takve vclike zgrade se može predvideti nova ctapa „slučajnog puta” i koraka biranja koji obulivata spratove i stanove. Analogno biranju Ijudi sa biračkog spiska, stanovi ili kiiće bi sc moglc birati sa spiskova stambcnog fonda, spiskova elektrodistributivnih prcduzcća, ili nekih drugih komunalnih institucija. U tom slučaju bi se biranjc opet moglo izvršiti prostim ili sistematskim slučajnim biranjem. U ovoj varijanti trcće ctape, jcdinice uzorkovanja na kojima sc biranje vrši na manje-više slučajan način su, dakle, stanovi/kuće, odnosno domaćinstva. Problem koji tu nastaje je u tome što primarnc jediniee uzorkovanja (jer jc ovo poslednja ctapa) obično ne odgovaraju jcdinicama posmatranja. Naime, jedinice posmatranja su obično osobe, a ne domaćinstva. Taj problcm sc u praksi obično rešava tako da kada ankctar konačno dode do jednc kućc ili stana gde tipično živi jedno domaćinstvo, primenjuje pravilo da se odabcre onaj član domaćinstva koji je zadnji iniao rodcndan, ili koji ćc pi^vi imati rodendan. Naravno, ako su jedinice ])osinatranja domaćinstva, onda anketar neće primenjivati kriterijuni prvog rodendana, nego će po uputstvu izabrati osobu koja predstavlja to domaćinstvo (domaćina). Ako ispituje ncku odrcdcnu starosnu grupu, ili koji drugi stratum, onda takodc neće primenjivati kriterijum prvog rodcndana, nego će birati osobu (osobe) koja pripada tom stratumu. Pošto jc tehnika biranja prcma datumu rodenja |iokazala ncke nedostatke, prcdložcni su alternativni postupci koji podrazumevaju relativno složenc tabcle i postupke izračunavanja. Složcnost postupka biranja osoba unutar domaćinstva je ograničena vremenom i raspoloživim stipljenjcm Ijiidi. Naime, da bi po ovim altcrnativnim postupcima utvrdio koji član ćc ući u uzorak, anketar mora postaviti seriju uvodnih pitanja i razgovora i što je ta serija pitanja duža, to su šansc da izgubi saradnju vcće. Taj problem je poscbno akutan kod iclcfonskih anketa. Klaster biranje i višcctapno biranje su praktično jedini praktičan izlaz za istraživanja na velikim uzorcima koji obuhvataju cclu zemlju. Medutim, njihova preciznost jc gcncralno manja nego kod drugih slučajnih uzoraka. .loš važnije jc to što formule za izračunavanje standardnih grešaka u komereijalnim statističkim
paketima nisu primerene ovim uzorcima i šlo najčešće značajno potcenjuju standardnu grešku. Iz gornjeg opisa koji približno odgovara jednom realnom iizorku za nacionalno istraživanje (reciino javnog mnjenja) vidi se raznovrsnost i slojevitost postupaka biranja. Vidi se, takode, da nakon „zonskog” dela uzorkovanja, za koji je postojao spisak gcografskili celina, zona, odnosno klastera, kasnije etape biranja nisu uvek imale spiskove popukicije. Opisane skice ili karte su jedna vrsta spiska, pa ako je konačni izbor domaćinstava vršen na osnovu njih, može se reći da su domaćinstva birana slučajno. Međutim, odredivanje puta kretanja anketaru i koraka biranja adrcsa nije isto što i slučajno biranje sa spiska po principu jednakih verovatnoća. Zbog toga za ovakve uzorke generalno važi da su manje precizni (imaju veću standardnu grešku) od prostog slučajnogbiranja, apogotovo od stratifikovanog slučajnog biranja. Naravno, pitanje preciznosti, a posebno reprezentativnosti (generalizabilnosti) uzorka je složeno pitanje na koje nema prostog odgovora. U literaturi postoje komparativna istraživanja raznih vrsta uzoraka, a postoje i evidencijc o tome koliko su koji uzorci bih uspešni u predviđanju i generalizaciji (na primer u prcdizbomim istraživanjima javnog mnjenja koja se vrše sa ciljem prognoze izbornih rezultata).
8.
Slučajno biranje telefonskih brojeva
Od sredinc 80-tih godina prošlog veka u SAD počinju da preovladavaju telefonskc ankete u domenu ispitivanja javnog mnjenja i marketinških istraživanja. Danas je to dominantan način pristupanja javnom mnjenju, dok je hčno intervjuisanje (i^revashodno na višeetapnim zonskim uzorcima) prepušteno samo nacionahiim popisima i vehkim nacionalnim istraživanjima. Tehnologija telefonskih ankela je donela novine u svim segmentima anketnog istraživanja. Kao prvo, toj tehnologiji je prilagođeno uzorkovanje. Kao drugo, cclokupna procedura intei”vjuisanja je računarski podržana i naziva se računarski podržanim telefonskim intervjuisanjem (cng. CATI, v.). Uzorkovanje telefonskih brojeva se inicijahto vršilo preko telcfonskih imenika. Telefonski imenik se tretirao kao spisak populacije iz koga su sc brojevi birah prvcnstveno po modehi sistematskog shičajnog biranja. Kod nas je to još uvek dominantna tehnologija. U SAD je ta tehnologija danas skoro potpuno napuštenajer su uočena dva nedostatka: a) podreprezentovanje najsiromašnijih slojeva koji nemaju telefon i b) podreprezentovanje najbogatijih slojeva koji ne daju svoje brojeve u imenike. Trcba imati u vidu da u SAD 95% radno aktivnih domaćinstava ima najmanje jedan telefon” , te da je nedostatak pod b) znalno izraženiji jer se pretpostavlja da oko 30% pretplatnika ne žeh da mu se broj nađe u imeniku.
Ovaj podalaknijesasvim pouzda}! jc rg a iiije lako utvrdili, a i razlikujc seod države do države, od klasc do klasc, da li sc radi o nacionalnoj iiianjini itd.
Kod nas je situacija verovatno potpuno obmuta. Broj domaćinstava sa telefonom u SCG jedva premašuje 70%, ali nije poznato koliko njih odbija da im broj bude naveden u imeniku, kao i koliko njih ima više telefona. Pored ovih problema postoji i univerzalan problem zastarelih podataka u imenicima. Ljudi se sele, brojevi telefona se menjaju, nekada čak i masovno (od strane telefonskih kompanija), telefonski priključci se otkazuju, neki još nisu uvedeni u imeniku itd. Nije poznat stepen ažumosti telefonskih imenika kod nas, ali se može pretpostaviti da, eufemistički rečeno, na tom planu postoje problemi. Zbog navedenih problema, u SAD je napušteno biranje brojeva iz imenika i razvijena je metoda shičajnog izbora telefonskih brojeva (eng. random digit diahng - RDD). lako se danas većina agencija za javno mnjenje i marketing služi tom metodom, ni ona nije bez nedostataka. Kao prvo, ona i dalje „podreprezentuje” domaćinstva bez telefona. U SAD se radi samo o 5% domaćinstava, ali je po svemu sudeći to pasivno stanovništvo koje apstinira na izborima i predstavlja malog konzumenta, te ne povećava grešku zaključivanja. Drugi problem je što RDD nadreprezentuje domaćinstva sa više telefona u kući (ukoliko se ne kontroliše adresa). Treći problem je taj što se, za razliku od biranja iz imenika, ne zna da li odabrani broj pripada domaćinstvu ili nekoj ustanovi/preduzeću. Da bi tehnika RDD bila opcrativna, razvijen je niz složenih operacija koje su podržane računarom, ali koje podrazumevaju i sistematiziranu i organizovanu telefonsku mrežu kakva je u SAD. Pomoću tih procedura se eliminišu takozvani prazni intervali brojeva, brojevi ustanova i preduzeća (studentski domovi, kasarne, zatvori i bolnice se obično ne uzimaju u obzir kad se tretira opšta populacija), vodi se evidencija o odsutnosti osoba koje su izabrane i evidencija o vremenu ponovnog zvanja itd. Uobičajeno je da se u zadnjoj etapi, nakon što se uspostavi telefonska veza sa domaćinstvom, za intervjuisanje odabira osoba koja je poslednja imala ili prva ima rođendan, ili sc primenjuje neka kompleksnija šema koja još bolje obezbeđuje jednaku verovatnoću izbora. lako je moguće ovu metodu uzorkovanja sprovesti kao višeetapnu, sa prethodnim biranjem regiona i opština (zona), najčešće se to ne radi, nego se ukupan prostor brojeva (uključujući i pozivne brojcve) tretira kao jedinstveni spisak populacije. U RDD tehnologiji, dakle, spisak ne postoji doslovno, kao papirna lista, nego ga sačinjava procedura biranja brojeva. Kada je prikupljanje podataka gotovo, kontroliše se realizovani uzorak i ponderiše, ukoliko je potrebno, kako bi se uskladio sa podacima iz popisa. Stopa neodgovora u SAD je izgleda prilično šarolika; u Gallupu navode da imaju direktnog odbijanja oko 8,8%, dok 67% odmah prihvata razgovor (razliku verovatno čine privremena i trajna odsustvovanja ispitanika). Medutim, druge organizacije i agencije za javno mnjenje su zadovoljne sa 43% obavljenih razgovora, a marketinška istraživanja sa još mnogo manje. Neki naši podaci govore da kod telefonskih anketa nije neobična stopa neodgovora od 50%. Rešenjc za ovaj problem se kod telefonskih anketa nalazi u upomom ponovnom nazivanju i u
svim drugim metodam a koje su ovde spomeniite na dmgim mestima (vidi odeljak 0 „elapi ispitanika”).
F.
Neprobabilistički uzorci
Kođ neprobabilističkih (engl. non-random) uzorai(a ne postoji spisak popuiacije i ne postoji mogućnost da se za svakog člana populacije izračuna verovatnoća biranja, a način izvlačenja članova ne uključuje u sebe postupke poznate iz igara na sreću. Zbog toga se na njih ne mogu primeniti ona pravila teorije verovatnoće i statistike na kojima se bazira statističko zaključivanje. Društveni istraživač treba da zna da ako u istraživanju koristi neprobabilistički uzorak, onda svi iskazi o „statističkoj značajnosti” mogu u najboljemslučaju biti dobra aproksimacija. N e-skičajni uzorci su vrlo često koriste za izbcr jedinica posmatranja u; • kvalitativnim istraživanjima, • kvantitativnim istraživanjima koje imaju preliminanni (pilot istraživanja) ili eksploratornu namenu, a primena slučajnih uzoraka bi bila suviše skupa i dugotrajna, • kad god je to jedina izvodljiva mogućnost, odnosno kada slučajno biranje sa spiska nije izvodljivo. U poglavlju o utenieljenoj teoriji opisanojetcorijsko uzorkovanje, a na više mesta je rečcno da se kvalitativna islraživanja odlikuju namernira uzorkovanjem. Kvalitativni istraživači se opredeljuju za teorijsko uzorkovanje (koje je u suštini nam emo) zato što njihov cilj nije testiranje hipoteza.
1.
Prigodno biranje
Postoje dve glavne vrste neprobabilističkih uzoraka: prigodni i namerni. Prigodno biranje (eng. accidental, haphazard, convenience, availability) zasniva se na biranju onih članova populacije koji su dostupni, odnosno raspoloživi. Tipičan prim er za prigodno biranje je intervjuisanje gradana koji napuštaju neki skup, izlaze iz ncke prodavnice, ili sa stadiona, prisustvuju demonstracijama i tome slično. Posebno karakterislično je prigodno uzorkovanje prolaznika na ulici koje se koristi na radiju ili televiziji kao ilustracija vox popiiii. Isto tako, prigodno biramo ako ispitujemo osobe koje „prisilno” prisustvuju nckom dogadaju, kao kad učenici prisustvuju nastavi, ili kadčlanovi neke političke stranke prisustvuju partijskom sastanku. Prigodni uzorci nastaju i kad objaviino „anketu” u novinama ili na Intem etu, pa se javljaju čitaoci ili posetioci wcb-stranice.
2.
Namerno biranje
Ne-slučajno biranje se najčešće vrši kao neka vrsta namemog biranja. U namernom biranju mi vršimo selekciju članova s obzirom na neku svrhu ili nameru. Ako na ulici vidimo da nam prilazi neko sa sveskom i pita da li može da nas intervjuiše, on se najverovatnije služi namcrnim uzorkom i najverovatnije je anketar u nekoni marketinškom istraživanju. Naime, on traži npr. osobe srednjih godina ženskog pola, pristojno odevene, ih traži osobe koje nose kesu sa odredenim proizvodom, ili penzionere koji u parku igraju šah. Brzina i jednostavnost pristupa uzorku je osnovna prednost namernog biranja. U zavisnosti od distribucije pojave koja se ispituje (i drugih stvari koje utiču na reprezentativnost uzorka) i od namene i vrste istraživanja, namerni uzorci mogu biti optimalno rešenje. Metodologiju biranja treba kontrolisati tako da intervjuer proveri da U osoba stvarno pripada ciljnoj grupi (jer ne moraju sve starije osobe koje igraju šah u parku biti penzioneri). Kao i u svim drugim uzorcima, ah ipak više nego drugde, namemo biranje favorizuje aktivne i otvorene osobe. U zavisnosti od toga šta je ciljna grupa, neke njene podgrupe mogu biti više đostupne ne zbog osobina Hčnosti, nego zato što se profesionahio više kreću. Kad god je moguće, istraživač bi trebao da nastoji da kompenzira ovo nadreprezentovanje. B iranje m odalnih članova. - Ovaj naziv potiče od statističke mere centralne tendencije, tzv. modahie vehčine koja označava najčešću vrednost varijable. Dakle, modalni članovi su oni koji su „tipični”. Istraživači stahio snivaju o otkrivanju ncke tipične opštine, nekog tipičnog regiona, ili nekog tipičnog člana čiji će odgovori moći da zamene mukotipni rad sa uzorkom. Kada se radi o izbornim prognozama, mogu se pitati za koga će glasati predstavnici populacije koji su „tipični”, odnosno prosečni po starosti i obrazovanju, na primer. Gore opisani primer sa marketinškim istraživanjem se takođe, verovatno, bazira na prethodnim saznanjima da je tipični potrošač nekog proizvoda, recimo deterdženta, žena srednjih godina. „San” istraživača da će naći tipičnog ispitanika dosada nije ispunjen. Naravno, postoje mnoga iskustva da se a posteriori mogu utvrdili da neke vrlo male grupe Ijudi dobro reprezentuju mnogo veći uzorak, medutim, nisu potvrđene garancije da će te iste grupe i u budućnosti biti modahii predstavnici. Medutim, kada se radi o spomenutom istraživanju preferencija potrošača, istraživačka strategija da se obraća tipičnim potrošačima izgleda sasvim razumna. B iranje eksperata. - Nekada se ovo biranje naziva ekspertskim, ah taj naziv nije tačan. Naime, možemo da u uzorak izaberemo eksperte iz neke oblasti i da od njih prikupljamo mišljenja o toj oblasti. Takav uzorak eksperata se ponekad može upotrebiti kroz tzv. „panel diskusiju”. Status eksperta nije strogo definisan. Osobu može smatrati ekspeilom zato što ima visoko i specijalističko obrazovanje (npr. dirigenti i kompozitori), ili zato što se dugo bavi nekim poslom
(npr. muzičari u filharmoniji), ili zato što je posebno posvećen oblasti koja se ispituje (recimo Ijubitelji opere). Ovakav uzorak je uobičajeni namerni uzorak ukoliko želimo da ispitujemo pojavu za koju su izabrane osobe stručne. Ako istražujemo, na primer, interesovanje javnosti za klasičnu muziku, onda bismo mogli da anketiramo opštu populaciju. Međutim, eksperti takođe mogu da imaju uvid o kretanju poseta na koncertima, reakcijama publike, preferencijama prema pojedinim autorima i izvođačima itd. Eicsperti će posebno biti od pomoći ako nas zanimaju pravci razvoja muzičke umetnosti, kretanja u svetu itd. Kao poseban slučaj biranja eksperata može se sresti i biranje kritičnih shtčajeva, kada ne biramo bilo koje eksperte nego tačno određene - kao što su dobitnici nagrada, pobednici na takmičenjima itd. Panel eksperata možemo okupiti u bilo koju svrhu, pa čak i za ocenu plana uzorka koji nam treba u daljem istraživanju, ili za smernice koje treba imati u vidu prilikom planiranja tog uzorka. Panel eksperata može biti od prvozrazredne koristi, osim u dva slučaja: a) ako se eksperti međusobno dijametralno razlikuju u pogledu stavova i b) ako greše. Heterogeno biranje. - Ovom tipu namernog biranja pribeći ćemo kad nas interesuje da utvrdimo svu različitost koja postoji u populaciji - recimo različita mišijenja. Pri tome nam je od drugostepenog značenja koliko je koje mišljenje zastupljeno, tj. nisu nam presudne tačne proporcije. Upravo suprotno biranju modahiih shičajeva, ovde nas zanima da obuhvatimo svu širinu pojave u populaciji. Obično su pojave o kojima je reč mišljenja, stavovi ili ideje, pa se heterogeno biranje može zamisliti kao uzorkovanje ideja, a ne Ijudi. Recimo, interes za sagledavanje širine pojave je čest u uvodnim fazama društvenih istraživanja. Ako se radi o konstrukciji mernog instrumenta za ispitivanje stavova, ih sistema kategorija u analizi sadržaja, jedna od metodoloških sugestija je da se koristi „brain storming”. U toj fazi, istraživači, eventuahio potpomognuti saradnicima i stručnjacima iz odnosne oblasti, zapisuju ,,sve što im padne na pamet”. Cilj je da se definiše celokupni domen pojave koja se ispituje. Ovu fazu ćemo sinatrati uspešnom ako su zapisanim uzorkom ideja ili mišljenja obuhvaćeni svi aspekti pojave. Da bismo registrovale neke retke, „odmetničke” ideje bio bi potreban vehki pilot uzorak iz opšte populacije, pa se može smatrati vehkom uštedoni ako se te ideje ustanove tokom brain storminga. Nekada su ciljevi istraživanja takvi da nam trebaju ekstremni ili devijantni slučajevi, u kom shičaju ćemo tražiti da u uzorak udu upravo takvi. Biranje lanccm preporuka. - Ovaj tip neprobabilističkog namemog uzorka se može još sresti pod engleskim nazivom „chain referral samphng”, ili podnazivima„biranje kao snežna grudva” (eng. snowbalI sampling), ili mrežnim uzorkovanjem (eng. netvvork sampling). Osnovni princip ovog biranja je da istraživač odabcrc par prvih slučajeva iz ciljne grupe, a da ostale članove nalazi na osnovu preporuke prethodnih ispitanika. Primer sa siromašnim starijim muškarcima koji smo obilno koristili u ovoj glavi može pomoći za ilustraciju ovog tipa birania. Naime, već smo rekli da ćemo
teško naći spisak takvih osoba, a posebno najtežih sliičajcva kao što su lica bez stahiog mesla boravka (skitnice). Tu nam može pomoći ako nademo nekoliko skitnica i oni nas odvedu ili upute na Ijude sa kojima se trenutno kreću. Taj lanac preporuka će nas, uz malo sreće, odvesti sve dalje i dalje, dok ne prikupimo dovoljan broj osoba. Uzorkovanje mnogih nelormalnih grupa, struktura, ili mreža koje su teško dostupne može se obaviti na ovaj način.
3.
Kvotni uzorak
Ponedak se kvotni uzorak (engl. quota sample) svrstava u nameme uzorke. U izvesnom smislu, s obzirom na nameru da imamo dobro reprezentovane kvote, to jeste namerni uzorak. Neki drugi autori kvotni uzorak tretiraju kao prigodno biranje, koje se vrši tako da bude zadovoijena proporcionalnost prema kvotama. Nama se čini da je značaj kvotnog uzorka toiiki da zashižuje da se opiše kao zascbna vrsta neprobabiiističkog uzorka. Kvote su veoma slične proporcijama kod stratifikovanog biranja. Recimo, ako znamo da u populaciji imamo 55% žena i 45% muškaraca, biraćemo Ijude tako da uzorak sadrži upravo taj odnos polova. Ako Ijude biramo na ulici i iz nekog razloga prvo popunimo kvotu žena, nastavićemo da čekamo muškarce, a propuštaćemo žene bez obzira koliko ih nailazi. Kvotni uzorak je bio veoma popularan u Americi, posebno nakon 1936. godine sa slučajem The Literai^ Digesta. Navešćemo ovaj slučaj koji pripada klasici istraživanja javnog mnjenja. Slučaj „The Literary D igesta". - Ova američka revija je u periodu od 1916. do 1936. izvršila veoma veliki broj anketa istražujući ono što se danas naziva javnim mnjenjem. Obično su glasačke listlće ili upltnlke u formi dopisnica slall poštom na adrese vlasnlka telefona III automoblla. Dopisnlce su služlle istovremeno kao reklama za časopls. 0 kollklm uzorclma se radl govorl podatak da su 1922. godlne poslall 8 mllona pisama telefonsklm prelplatnlcima, a 1932. godlne čak 20 miliona telefonskim pretplatniclma I vlasnlcima automoblla. U ovom drugom slučaju, dobill su odgovor od oko 5 mlllona građana. Naravno, zalnteresovale su Ih I prognoze predsedničklh Izbora pa su tokom nekoliko godlna vršlll ankete sa tim clljem po Istoj metodologljl. Greške predvidanja su varlrale I nekada su za današnja shvatanja bile vrlo vellke (Izmedu 1 2 121%), all su spomenute 1932. godlne predvldell pobedu Roosevelta sa svega 1% pogreške. Tada još nisu postojali krlterljuml koji bi nalagall da „zazvonl zvono za uzbunu” zbog povremenih veliklh grešaka. Nažalost, došla je 1936. godina kada je The Literary Digest predvldio pobedu republlkanca Alfa Landona nad demokratom Frankllnom Rooseveltom, a na osnovu .uhodane’ tehnologije obraćanja pretplatnlcima telefona I vlasnlclma automoblla. Roosevelt je pobedlo Landona sa 523 elektorska glasa prema 8, čime je dovedeno do kraja ne samo izlaženje The Llterary Dlgesta, nego I do ozbiljnog razmatranja metodologlje javnomnjenjsklh Istražlvanja. George Horace Gallup, kojl je te Iste 1936. godlne, na uzorku od samo n = 3 000 prcdvideo pobedu Ruzvelta, odmah je loclrao problem ove predizborne prognoze kao problem uzorkovanja, jer su vlasnicl telefona i automoblla prlpadall boljestojećem srednjcm sloju kojl je većlnski blo raspoložen konzervatlvno, prorepublikanskl. U uzorku su blll značajno podreprezentovanl slablje stojeći glasačl Iz radnićke klase kojl su blli s jedne strane brojniji, a s
druge strane listom za demokratskog kandidata, Gallup je iskoristio priliku i sa jakom ekipom statističara i psihologa osnovao Američki institut za javno mnjenje (American Institute of Public Opinion, danas The Gallup Organization, www.gallup.com ) koji su za ankete počeli koristiti kvotne uzorke. Kasnije greške u predizbornim prognozama su bile mnogo manje, ali su se neke od njih svejedno .proslavile”, kako kod nas, tako i u inostranstvu. Na predsedničkim izborima u SAD 1948. godine ponovila se greška u anketama koje su predviđale pobedu Thomasa Dewyea nad Harry Trumanom, koji je na kraju pobedio. Danas se greškom smatra već sama greška u procentima koja je veća od 3%, a da ne govorimo o pogreški u redosledu kandidata. Jedna od velikih grešaka u prognozi izbornih rezultata se dogodila 1992. godine na britanskim opštim izborima. Tada su glasovi konzervativaca potcenjeni za oko 7,5%, a to je čak bilc najmanje podcenjivanje u skoro 60 anketa koje su objavljene pred te izbore. Osnovan je čak i komitet koji je analizirao tu grešku. U opticaju su bila tri glavna objašnjenja: a) 1/4 grešaka je nastala zbog tzv. brzog preokreta pred same izbore, b) kvotni uzorak je doveo do pristrasnosti prema biračima laburista I c) dogodila se .spirala tišine”. Spirala tišine je pcjava da izvesne grupe I slojevi, kao što su partijske pristalice, izbegavaju da ispolje svoja opredeljenja, obično ih iskazujući kao ,ne znam”, „ne želim da odgovorim” i „neću glasati”. Utvrdeno je da su baš tih godina pristalice konzervativaca bile izrazite po tim odgovorima.
Uglavnom, period ozbiljnog istraživanja javnog mnjenja, nakon 1936. godine počco je sa usavršavanjcm kvotnih uzoraka. Tipično kvotno biranje sastoji se iz sledećili koraka; 1) izbor obeležja populacije koja će se koristiti za upravIjanje biranjcm članova populacije, 2) utvrđivanje proporcija zastupljenosti u populaciji svih modahteta ovih obelcžja i 3) formiranje kvota za anketare, a na osnovu proporcija zastupljenosti obeležja. U prvom koraku je uobičajeno da se biraju neka „tvrda” obeležja za koja važ.i da: a) dobro poznajemo njihovu distribuciju u populaciji i b) da su relevantna za pojave kojc se istražuju. Kod nas su to obično tzv, demografska obeležja kao što su pol, starost i obrazovanje, za koja postoje (reiativno) valjani popisni podaci i demografskc projekcije, Osim ovih, mogu se iskoristiti i zanimanje, sociockonomski status, veličina mcsta stanovanja, nacionalna i verska pripadnost itd. Veoma je važno znati da ta obeležja kasnije služe za procenu reprezentativnosti rcahzovanog uzorka, Pošto biranje nije slučajno, nego ga vrše ankctari na lcrenu, od presudne je važnosti da istraživač, nakon što je prikupljanje podataka obavljeno, na realizovanom uzorku uporedi dobijene proporcije i one koje postoje u populaciji, Ova obeležja prcma kojima se vrši biranje se nazivaju kvotnim obcležjima ili kvolJiim k h te r ju m im a . U drugom koraku se identifikuju proporcije zastupljenosti kategorija (modaliteta) obeležja u populaciji. Ako se radi o obrazovanju, onda je važno da imamo što bolju ocenu stanja u populaciji. Izmedu ostalog, važno je usaglasiti modalitete obeležja. K.od nas se, recimo, koriste različite klasifikacije stepena obrazovanja. U SAD najčešće stepen obrazovanosti izražavaju kroz broj godina školovanja. Kod nas je uobičajenija klasifikacija: bez škole, nepotpuna osnovna škola, osnovna škola, srednja škola, viša škola, visoka škola, m agisterij-doktoratspecijalizacija, ali postoje i drukčije klasifikacije u kojima se prepliće stepen i vrsta škole. U svakom slučaju, u ovom koraku uzorkovanja, istraživač mora da
uskladi svoju klasifikaciju sa onom iz koje vadi podatke o proporciji zastupljenosti. Tabela 21. - Primer kvotnog obrasca za jedan punkt M uškarci Ženc Ukupno Kvote po starosti 18-29 30-39 40-49 50-59 60+
3
4 4 4 4 4
10
20
2
3 5 3 5
1
2 2
2
Ukupno Kvote po obrazovanju - Bez škole ili nezavršena OŠ - Osnovna škola - OŠ (8 razrcda) - Škola za radnička zanimanja - Srednja škola - Viša škola - 1-akuitct, akademija, mi', dr
10
Ukupno________________
10
3 1
2 1
2
1
2
10
20
U ovom koraku je važno i da se poznaje ne samo opšta proporcionalna zastupljenost kvotnih obeležja u popuiaciji, nego i rasprostranjenost kako u geografskom tako i u drugom smislu. Kvote po obrazovanju, na primcr, moraju biti drukčije u gradu nego na seiu. Konačno, na osnovu dobijenili proporcija mogu se napraviti kvotni obrasci za ankctare. Primer jcdnog kvotnog obrasca mogao biti izgledati kao u tabeli 21.
4.
Problemi kvota
Nekoliko stvari trcba uočiti u ovom kvotnom obrascu. Kao prvo, on se odnosi na jedan punkt, odnosno mesnu zajcdnicu ili naseljc. U tom nasclju anketar treba da ispita ukupno 20 osoba. Druga stvar na koju treba obratiti pažnju je da su kvote zaokružene. U ovom punktu i kod žena i kod muškaraca treba odabrati po jednu osobu sa visokom spremom (verovatno se radi o nekom gradskom punktu). To bi značilo da će se u iizorku dobiti oko 10% takvih osoba, što je više nego u populaciji. Da bi se to kompcnziralo, u nekim drugim punktovima neće biti uzeta ni jedna osoba sa visokom spremom (gde se, na osnovu popisa ili drugih podataka, očekuje da ih ima malo). Vezane kvote. - Trcća važna stvar u ovom obrascu je ta da je pol po kvotama vezan sa kvotama po starosti i obrazovanju - više su zastupljene starijc žene i
one sa nižim obrazovanjei^ a muškarci obmuto. „Vezivanje” kvota se prepoznaje po tome što su kvotne varijgble „ugnježdene” (eng. nesting). Na primer, starost i obrazovanje su ugnježdeni\unutar pola, tj. svaki pol mora da bude pravilno zastupljen u pogledu starosne^i obrazovne strukture. Vezane kvote su prava ^ o ra za anketare, a ako se sa vezivanjem pretera, onda je sva prilika da će moru đipživeti i istraživač kad bude analizirao realizovani uzorak. Zamislimo da je ovajiobrazac napravljen tako da su osim po polu, kvote vezane i po starosti. U tom slučaju, anketar bi morao da traži recimo žensku osobu, stam između 50 i 59 god!'|a, sa visokim obrazovanjem. Po gomjem obrascu, anketar ima lakšu dužnost cia.nađe jednu žensku i jednu mušku visokoobrazovanu osobu (bez obzira na starošt,). Pošto vezane kvote značajno ote|avaju nalaženje ispitanika, obično se izbegava bilo kakvo vezivanje kvota, pa fii^ u gomjem obrascu pol bio naveden u prvoj koloni sa leve strane kao npr.: M ušlj - 10, Ženski - 10. Ako zamislimo logiku biranja na terenu, videćemo da an k e t^ na početku rada u jednom punktu ima najveću slobodu. Svaka osoba mu je d o to d o šla. Kako anketiranje odmiče, kvote se iscipljuju i može doći u situaciju d a \ o d zadnjeg, 20-tog ispitanika, u seoskom punktu, ima ispitanih svega 9 žena i^svega jednu visokoobrazovanu osobu. To bi značilo da mora naći visokoobrazovibu ženu. Dakle, do „vezivanja” kvota dolazi i onda kad istraživač nije to eksplicilno tražio. Obično se anketarima daje uputstvo da prvo'teiraju kiitične grupe (malobrojne). Osim toga, obučeni anketari, koji poznaju tereg na kome rade, mogu sami napraviti plan obilaska i traženja osoba. Česta je situacijji da anketari znaju gde se nalaze neke „vrlo tražene osobe” (kao što su spomenuteVisokoobrazovane starije žene) u kom slučaju te osobe učestvuju u svim anketamal,postanu najviše pitane osobe u mestu. Pored svega, anketarima se mora dozvoliti ^ odstupe od kvotnog kriterijuma zajednu osobu, ali samo po jednom kriterijumu ^ o obično bude pol). Međutim, ako kvote nisu vezane, onda profili ispitanik^. neće biti pravilno zastupljeni. N a primer, ako odvojimo kvote po polu od k^pta po starosti i obrazovanju, možemo dobiti uzorak sa pravilnimproporcijania, ijedam m odvojeno. Ali u tom uzorku verovatno neće biti ni jedna mlada visoko o^razovana žena niti stariji neobrazovani muškarac (iako ih u populaciji ima). P o ^ je kontrola reprezentativnosti kod kvotnih uzoraka veoma važna i obavlja se pr% o kontrole zastupljenosti kvotnih obeležja, problem vezivanja kvota tek kod ovpg načina uzorkovanja izbija na videlo. K oja obeležja mogu biti kvotna. - Rekli smo da sc po pravilu za-^votna obeležja uzimaju „tvrde” osobine ispitanika. Pod „tvrdim” se podrazum eva^a su ona objektivna u smislu lakog i nedvosmislenog utvrđivanja (pol i starost, n ^ .). U razvijenim zemljama je čest kvotni kriterijum socio-ekonomski status (S I^ ), odnosno prihod. Kod nas, do trenutka pisanja ovog teksta, to nije bilo dovolji^, tvrdo obeležje, jer SES zavisi od raznih privilegija ih novca stečenog na ,,sivi”,\, sumnjiv i protivpravni način. Zbog toga je identifikovanje prihoda pojedinaca ili domaćinstava objektivno komplikovano, a ispitanici izbegavaju da pmže tačne podatke.
Istraživače često progoni želja da u kvotne kriterijume uvrste i neka „meka” obeležja koja su neposredno vezana za predmet istraživanja. Pod mekim obeležjima se obično podrazumevaju stavovi, izboma opredeljenja, partijska pripadnost ili neke osobine ličnosti. Na primer, ako se istražuje zadovoljstvo korisnika nekog proizvoda tim proizvodom i korelati tog zadovoljstva, prirodno je da bi istraživač želio da ima proporcionalnu zastupljenost korisnika tog proizvoda, a zatim i proporcionalnu zastupljenost po zadovoljstvu proizvodom. Istraživača, naime, može da brine to što u uzorku može dobiti suviše ma!o onili koji su zadovoljni proizvodom, ili suviše mnogo. Sličiio se dešava sa istraživanjempolitičkogjavnog mnjenja, gde bi nsjbolje bilo da u uzorku budu praviLno zastupljeni podržavaoci raznih političkih opcija. Problem je što se stavovi ne znaju unapred, ne znaju se njihove tačne proporcije, a osim toga, promenljivi su. Pored toga, anketar bi trebao da utvrdi stav ispitanika na početku intcrvjua, u poznatih „prvih šest pitanja”, što nije !ako izvodivo. Međutim, postoje neke posredne mogućnosti za uključivanje „mekih” svojstava u kvote. Ako se radi o zadovoljstvu proizvodom može se izvršiti zonska (geografslca) stratifikacija populacije po stopi prodaje tog proizvoda. Sasvim je verovatno da kupovina tog proizvoda korelira sa zadovoljstvom njime. Ako se radi o pripadnicima političkih opcija, može se populacija stratifikovati po broju članova neke političke stranke, pokicta ili organizacije, zatim prema rezultatima zadnjih izbora i sl. To su i dalje „meki” kvotni kriterijumi, ali mogu biti korisni. Ipak, treba imati u vidu da „tvrdi” podaci, koji se dobijaju samoocenom ispitanika nisu obavezno „tvrdi” . Eysenck (1971) navodi da je u kvotnim uzorcima poduzorak žena obično mlađi od žena u zonskom uzorku, a poduzorak muškaraca obično imućniji. To se pripisuje samoljubivom iskrivljavanju odgovora od strane ispitanika.
5.
Mešovito biranje
Postoji još jedan važan aspekt koji se može zaključiti iz kvotnog obrasca prikazanog u tabeli 21. Taj kvotni obrazac se odnosi na jedan punkt, popisni krug, naseljc ili mesnu zajcdnicu (kako se već ta jedinica uzorkovanja sve naziva). Dakle, kvotnom biranju je prethodilo zonsko biranje. Anketari se ne šalju u sve gradove i mesta u zemlji iz razloga koji su ranije navedeni. Zbog toga se kvotni uzorci obično realizuju kao dvoetapni tizorci (ih čak višeetapni uzorci), gde se u prvoj etapi slučajno biraju naselja po stratifikovanom modelu. Recimo, naselja se biraju prema tipu (selo-grad), regionu, izbornoj jedinici, a škole prema vrsti, lokaciji, veličini mesta ili na neki dmgi način. Čak šta više, anketar sc može služiti raznim spiskovima da bi došao do potrebnih osoba (kao što su spiskovi zaposlonih, npr.). Medutim, suština kvotnog modela namernog uzorka je u tome da anketar ne bira sa spiskova slučajno (npr. po koraku), nego namerno po 10 bilo kojih žena i 10 bilo kojih muškaraca. Ovakva kombinacija zonskog i kvotnog biranja naziva se mešovito biranje.
Konkretna uputstva anketarima, čak i kad se radi o slučajnim uzorcima, često sadrže uputstvo da ako osoba koja je izabrana sa biračkog spiska nije dostupna ili ne žcli da odgovara, sledeća osoba bude odabrana „poštujući raznovrsnost po polu, starosti i obrazovanju”. Ako anketar posluša to uputstvo, onda on u stvari uzorkuje po kvotnom modelu, bez obzira što je plan uzorka slučajan. Sve u svemu, kvotni uzorak se praktično nikad ne koristi samostalno kad se radi o opštoj populaciji jedne zemlje ili veće geografske celine. Njemu uvek prethode neke etape koje se obično sprovode po modelu slučajnog biranja (kao što je zonsko ili klaster biranje). Zbog toga se višeetapni uzorci najčešće realizuju po mešovitom modelu. Kao što smo videli u odgovarajućem poglavlju, etape mogu biti mešovite već s obzirom na vrstu slučajnog biranja koje se koristi. Npr. opštine se mogu birati pomoću stratifikovanog slučajnog biranja, dok se ispitanici mogu birati sa biračkih spiskova po modelu sistematskog slučajnog biranja (po koraku). Malopre smo videli da konačna etapa, biranje jedinica posmatranja, može biti obavljena po kvotnom modelu, kada uzorak postaje mešovit u pogledu kombinacije probabilističkog i neprobabihstičkog biranja.
6.
Neke opšte sugestije za neprobabilističko uzorkovanje
Na prethodnim stranama su već spomenute neke od tih sugestija. Naime, uočljivo je da kod neslučajnog uzorkovanja izbor članova populacije u uzorak mnogo zavisi od volje istraživača ili anketara. U zavisnosti od tipa biranja, postoje uputstva i kriterijumi za izbor koji do izvesne mere standardizuju proceduru biranja. Kod kvotnog uzorka to su, recimo, kvotni kriterijumi. Mcdutim, kvotni kriterijum ne mora uvek biti jasan i nedvosmislen (kao što je u slučaju pola), nego može biti širok kao u slučaju: „viša i visoka škola”. Ako se stvar prepusti anketarima (odnosno ako se na to posebno ne obrati pažnja), velika je verovatnoća da će biti izabrane samo osobe sa višom školom jer se lakše nalaze. Posebno izražen je taj problem kod prigodnih uzoraka, gde zapravo nikakvih posebnih kriterijuma za izbor nema, osim da ispitanici budu dostupni. U svim tim slučajevima treba postupati po jednom opštem principu: dati varijabilnosti šansu. To znači da se, kad god je to moguće, biraju različiti ispitnici i da se izbegava da to budu slični ispitanici. Različitost treba tražiti u pogledu sociodemografskih obeležja kao što su starost, pol, obrazovanje i sl., ali i u pogledu raznih drugih elemenata koji se mogu pojaviti tokom konkretnog istraživanja. Recimo, treba izbegavati da se na ulici ispituju samo osobe koje se same nameću i traže „ncšto da izjave” (to je univerzalni problem da treba biti oprezan prema podacima koji su prikupljeni isključivo na ispitanicima-dobrovoljcima). Treba izbegavati da se ispituje više članova iste porodice, više članova nekog društva istomišljenika (npr. za stolom u kafani ili gntpe koja sedi zajedno u parku), više učesnika sastanka neke političke organizacije kao što su stranke.
Nasiiprot lome, treba nastojati ispitati Ijude u predgrađima i malim selima, stare, invalide, bolesne, siromašne, neobrazovane itd. S obzirom da se prostor mogućih relevantnih faktora koji utiču na pojavu koja se ispituje menja od pojave do pojave i od istraživanja do istraživanja, teško je dati jedinstveno upiitstvo. Treba, prvo, sam istraživač da ima osećaj i razumevanje za tu problematiku (problematiku „davanja šanse različitostinia da se ispolje”), a zatim da se u tom sinislu instniiraju i obuče svi koji neposredno učestvuju u prikupljanju podataka. Zatim, ako se, npr., ispituju neke osetljive stvari, kao što su seksualno ponašanje ili uživanje psihoaktivnih supstanei kod školske omladine, onda će verovatno ispitivanje biti gnipno. Mora se stvoriti atmosfera anonimnosti i poverenja, a suzbijati odbrambene reakcije kao što su prazne neozbiljnosti, dobaeivanje, šale i drugo. Ako se to dogodi, iii ako učenici napuštaju ispitivanje kada vide šta se pita, to je razlog da se izvrši modifikacija pristupa ispitivanju, da se radi sa manjim grupama, ako treba čak i individualno. U takvim situacijama, naime, može delovanje „etape ispitanika” (v.) da bude tako drastično da kompletno istraživanje bude kompromitovano. Nepopunjeni uputnici su najmanji problem, oni se sami otkrivaju, medutim neiskreno popunjeni upitnici će iza sebe ostaviti samo nikad dokazanu sumnju.
7.
Neke posebne tehnike i modifikacije uzoraka
Nacrt uzorka na izvestan način zavisi od nacrta istraživanja. Na primer, kod panel istraživanja je jasno da ćemo u ponovijenim istraživanjima nastojati da stupimo u kontakt sa istim ispitanicima sa kojima snio razgovarali u ranijim talasima. Medutim, istraživanje se može sprovoditi u talasima, recimo sa ciljem da prati promene koje se dešavaju u javnom mnjenju, ah ne u obliku panel istraživanja. Tada nam, naime, nije važno da pratimo jednom odabrani uzorak Ijudi, nego možemo koristiti laimiilativni nzorak u kome slahio dodajemo nove ispitanike. Vrlo česta logika kumulativnog uzorkovanja je sledcća: pi'vog dana (nedeIje, meseca...) se ispita jedan uzorak ispitanika, od recimo «=I000 ispitanika (po bilo kom tipu uzorka). Svakog sledećeg dana (nedelje, mcseca) se ispita novi uzorak od ;;=500 ispitanika i doda se prcthodnom, ali se iz prethodnog odbaci 500 ispitanika po slučajnom izboru. Na taj način, svaki put imamo uzorak veličine n=1000, ali izvučenog u dva različita tcrmina. Ova logika se može niodifikovati tako da se „drži” kumulirani uzorak za tri ili više uzastopnih termina, a veličine uzorka iz prvog i ostalih tcrmina mogu takode varirati. Pošto se zna da formulacija pitanja može drastično uticati na odgovore ispitanika (iako istraživač misli da je suština pitanja ista), često se koristi tehnika tzv. podeijetiog uzorl(a (eng. split sample) gde se jednom delu uzorka daje jcdna varijanta pitanja, a daigom druga (nioraju, dakle, postojati različiti upilnici). Na
taj način se mogu uporediti frekvencije modaliteta odgovora i ako su značajno različite istraživač može pitanje odbaciti kao pogrešno fonnulisano.
G. Poređenje probabilističkih i neprobabilističkih uzoraka
Postoji načelan stav statističara da su neprobabilistički uzorci inferiorni u odnosu na slučajne uzorke. Kaže se da za to postoje sledeći razlozi. • Neprobabilistički uzorci, pošto ne koriste slučajno biranje po pravilu jednakih verovatnoća, ne podležu zakonima teorije verovatnoće. • Zbog toga se na njih ne mogu primeniti pravila statistike zaključivanja. Tačnije, za njih se ne mogu izračunati standardne greške i intervali poverenja. Otiida se za njih ne mogu izvesti statistički pokazatelji kvaliteta. Namemo ne kažemo statistički pokazatclji reprezentativnosti, jer smo ranije objasnili da je reprezentativnost uzorka jedan od opštih ciljeva cmpirijskih nauka. Za reprezentativnost ne postoje odredeni pokazatelji, niti recepti, a intcrvali poverenja nisu ništa drugo nego što im ime kaže oni određuju raspon u kome možemo imati poverenje u uzorak. • Pošto se ne mogu izvesti statistički pokazatelji preciznosti uzorka (intervali povercnja), ne možemo izvesti ni statistički valjane zaključke. Na primer, ne možcmo testirati nulte hipoteze. To su sve vrlo neprijatne posledice koje bi mogao imati istraživač koji koristi ncprobabilističkc uzorke. Međutim, postoje vrlo jaki razlozi pomoću kojih se mogu relativizirati prcdnosti slučajnih uzoraka i ograničiti stvama primenjivost teorijc vcrovatnoće na uzorkovanje u naukama o ponašanju. U nekoliko slcdcćih poglavlja opisaćemo glavne razloge.
1.
Svako uzorkovanje ima skrivene etape
E fapa ispitanika. - Podsetimo se primcra iz odeijka o višeetapnom biranju. Anketar-ispitivač je vođen manje ili više probabilistički do jedne kuće ili stana. Ako su jedinice posmatranja odrasli Ijudi, onda će anketar morati da izvrši izbor jednog od članova domaćinstva, recimo po kriterijumu prvog rodendana. Ako je sve išlo tako kako je opisano u primeru, i ako je osoba koja prva ima rodcndan pristala na razgovor, onda je plan uzorkovanja poštovan. Pošto su višeetapni uzorci slučajni, statističar će reći da takvi uzorci imaju jasnu prednost nad neprobabilističkim.
Međutimo, zamislimo da anketar radi u gradskom naselju, da je po koraku biranja odabrao ulaz u nekoj velikoj zgradi i opet na osnovu koraka odabrao sprat i stan u koji treba ući. Na dotičnom ulazu je, nažalost, našao vrata sa interfonom i kada je pozvonio na izabrani stan, stanari nisu hteli ni da ga puste unutra. Progledao je kroz prste uputstvima za biranje i pozvonio u sledcćem stanu. Tu je bio bolje sreće, jer su ga Ijudi pustili u stan i dobio je priliku da se predstavi, da pokaže svoja ovkišćenja i da pita ko će sledeći imati rodendan. Ispalo je d a je to starija žena, koja medutim nije pristala na razgovor i iiputila ga je na „nekog mlađeg”. Pojavu odbijanja smo ovde nazvali „etapom ispitanika”, je rb e z obzira kako mi uzorak isplanirali, na terenu će uvek postojati još jedna etapa biranja koju će voditi sami ispitanici tako što neće pristajati na ispitivanje. Ipak, treba imati na umu da odbijanje saradnje od strane ispitanika nije jedini izvor neodgovora. Ispitanici ,,na koje je pala kocka” su možda bili na putu, ili uopšte ne stanuju na toj adresi. U poglavlju o praktičnim problemima istraživanja opisan je problem neodgovora i naglašeno je da svako neodgovaranje budi sumnju u pristrasnost uzorka. Ako se radi o neodgovoru koji je posledica odbijanja saradnje, veoma je teško utvrditi ko je odbijao saradnju i zašto, a ako se to želi onda treba predvideti posebne procedure za to. Recimo, anketar može dobiti uputstvo da pokuša da postavi „samo prvih šest pitanja” ispitanicima koji odbijaju. Ako se radi o drugim izvorima neodgovora, anketari mogu zapisati razloge neobavljenih intervjua. E tapa a n k e ta ra .- Ako opet pogledamo primer dat u odeljku o višeetapnom uzorkovanju, videćemo da je u konačnim fazama uzorkovanja uloga anketara vrlo značajna. On je laj koji će na kraju odabrati jednu ili drugu osobu i koji će odlučivati o tome da li će još jednom pokušati da pronađe ispitanika. Drugim rečima, od obučenosti, motivisanosti i socijalnih veština anketara zavisi reprezentativnost uzorka. Treba uraditi sve da se poboljša rad anketara (v. poglavlje o praktičnim problemima istraživanja), ali iskustvo govori da se anketari razlikuju po stopi neodgovora. To jasno ukazuje da konačan uzorak zavisi od anketara. Ako se ne preduzmu svi koraci za unapredivanje rada saradnika, opisani u poglavlju o praktičnim problemima istraživanja, onda će ,,anketarova etapa” uzorkovanja biti ne samo procentualno izraženija, nego se može očekivati i da će biti pristrasna. Anketar će biti manje sposoban ili manje spreman da se potrudi oko očuvanja principa jednakih i poznatih verovatnoća biranja. I opet, iako je uzorak po planu trebao da bude slučajan, on neće biti takav, a to znači i da ncće biti reprezentativan
2.
Netačnost dokumentacije na osnovu koje se vrši uzorkovanje
Iz primera uzorkovanja u odeljku o višeetapnom biranju se vidi da svaka etapa počiva na nckom spisku. Ranije u poglavlju o spiskovima populacije su
nabrojani razni problemi koji postoje sa tim spiskovima. Cini se da kvalitet evidencija u jednom društvu korelira sa stepenom razvijenosti tog društva. Iz toga sledi da neke evidencije mogu biti prihvatljivo tačne, a neke tužno pogrešne. Istraživač to ne može znati unapred, ali može na osnovu svojih i tuđih iskustava izgraditi sliku o stanju, raspoloživosti i tačnosti pojedinih spiskova. D cm ografi izrađuju projekcije kretanja stanovnišfva u periodima između popisa, a postoje i dnigi izvori na osnovu kojih se može vršiti ažuriranje podataka na osnovu kojih se vrši uzorkovanje. Dakle, što više informacija prikupi, istraživač će m oći napraviti bolji pristup uzorku. Popis stanovništva je veliki društveni projekat, koji kao i svi drugi projekti ima svoje šanse i svoje probleme. U terminologiji empirijskih istraživanja, popisi imaju svoje greške, koje su ekvivalentne greškam a u istraživanju. Na primer, „etapa anketara” postoji i u popisima. Što je evidencija koja se koristi za planiranje uzorka starija, što su popisni podaci stariji, veća je greška. Odstupanja spiska populacije od stvamosti mogu u celini gledano biti mala, ili mogu biti nasumična, nepristrasna, u kom slučaju u celini neće poremetiti principe poznatih i jednakih verovatnoća koji odlikuju slučajno biranje. Medutim, greške na nivou stratuma, regiona ili kvota mogu biti velike (i sistematske). Istraživač se može osloniti samo na uverenje i procene o tačnosti spiska populacije. U „ukupnom fondu” grešaka merenja u nekom društveno naučnom istraživanju, greške popisa i statističkih evidencija verovatno će učestvovati veoma malo. Ipak, važno je znati da odstupanja od principa slučajnog uzorka mogu da prispeju već od samih osnova - od spiskova populacije.
3.
Razlika planiranog od realizovanog uzorka
K od nas je vrlo česta praksa da se izrada plana uzorka poveri stručnjacima statističarim a, obično iz statističkih zavoda. U njihov deo posla obično spada i pravilan izbor načina izračunavanja standardne greške, izbor ponderisanja i dmgih stvari koje su ovde spomenute u vezi uzorkovanja. Međutim, veonia je važno da istraživač sa „uzorkašem” dogovori i praćenje realizacije uzorka. Sto se planirani i realizovani uzorak više razlikuju, to se više dovodi u pitanje reprezeutativnosti, projektovane standardne greške ili moć statističkih testova. Ma kako probalistički uzorak bio idealno planiran i projcktovan, ukoliko je on slabo realizovan, iz m a kog razloga, on gubi svoje relativne prednosti. Da bismo ilustrovali problem o kojem se radi poslužićemo se primerom jednog velikog istraživanja sprovedenog u SFRJ na zahtev Saveza komunista Jugoslavije. Jedinice posmatranja su bile csnovne organizacije te partije, koje su birane višeetapno, stralifikovano i proporcionalno. U tom pogledu je plan uzorka bio potpuno korektan i uzorak osnovnih organizacija je blo reprezentativan na nivou cele zemlje, Za svaki nivo uzorka (etapu) bile su izrađene posebne formule za ocenu standardne greške: za partijske organizacije, za republike itd. Po planu istraživanja, u odabranim osnovnim organizacijama izvršeno je anketiranjt članova tako što su im podeljeni upitnici na prvom siedećem partijskom sastanku. Rečeno učinjeno, Kada je ta velika količina podataka prikupljena, unesena u računar i obrađena.
pokazalo se da su dobijene standardne greške ogromne i nelogične, kao što su bili i svi ostali podaci (koji su usput ponderisani brojem članova u svakoj etapi uzorkovanja). Razlog tome je bio to što na taj kritični partijski sastanak nisu dolazili svi članovi dotične osnovne organizacije i što je varijabilnost prisustva bila velika. U nekim osnovnim organizacijama upitnike nije popunila ni polovina članstva. To je odličan prim er za jednu .ekstra etapu uzorkovanja”, kao što smo gore opisali etape ispitanika I anketara. Ne samo da je ona jako kom prom itovala čitav plan uzorka, nego je verovatno bila pristrasna. Anketiranje se odnosilo na stavove članova o prelomnom partijskcm dokumentu, pa je bilo za verovati da su članovi koji nisu došli na sastanak zapravo bili kritični prema tom dokumentu. Zbog toga su naknadni pokušaji revizije i korekcije formula za izračunavanje standardne greške završili neuspešno, je r prisustvovanje članova sastanku nije pratilo principe slučajnog uzorkovanja. Tu nije moglo pomoći ni to što su stručnjaci za uzorak bili prisutni sve do samog kraja. Situacija sa realizacijom uzorka nije uvek tako nepovoljna, ali su odstupanja realizovanog uzorka od planiranog manje-više redovna pojava. Ako su ta odstupanja velika (recimo zbog velike stope neodgovaranja), onda zvono za uzbunu već ozbiljno zvoni i nema jednostavnog recepta za otklanjanje tog nedostatka. Međutim, kada su odstupanja veća od predvidenog inten/ala poverenja, ali ipak razumna (recimo za jednocifreni procenat), onda se to obično koriguje dodatnim ponderisanjem. Najbolje je da to dodatno ponderisanje obavi stručnjak koji je planirao uzorak.
4.
Usaglašenost form ula i tipa uzorka
U odeljku o prostom slučajnom biranju je rečeno da postoji nekoliko osnovnih pretpostavki na kojim a počivaju formule za izračunavanje stanđardne greške: konačnost odnosno beskonačnost populacije i biranje sa ili bez vraćanja. Većina računarskili program a koristi formule koje su izvedene za biranje bez vraćanja i za konačne populacije i to za prosto slučajno biranje. To znači da te formule nisu prilagođene za složene uzorke kakvi su višeetapni, a kao rezultat je podcenjivanje standardne greške. Istraživači u oblasti društvenih nauka će retko sami izvoditi formule za standardne greške uzorkovanja, nego će koristiti ono što im nudi statistički softver. Ukoliko njihovi podaci ne prate pretpostavke na kojima su izvedene formule, onda izračunate vrednosti standardnih grešaka i intervala poverenja neće biti tačni. U literaturi se može naći koeficijent nacrta uzorka koji ukazuje na to koliko neki nacrt uzorka utiče na standardnu grešku, odnosno interv'ale poverenja. Koeficijent ima vrednost jedan za prosto slučajno biranje, više od jedan ako je uzorak manje preeizan (kao u npr. zonskom biranju), a manje od jedan ako je precizniji od prostog slučajnog biranja (kao npr. u stratifikovanom uzorkovanju).
5.
Poređenje kvotnog i slučajnog uzorka Razvoj kvolnog uzorkovanja i njegova masovna primena u istraživanjima javnog
mnjenja usledila je posle 1936. godine. Međutim, već nakon drugog svelskog rata se veća pažnja počela posvećivati slučajnim uzorcima, posebno zonskim. Tako se klatno masovnosti primene počelo pomerati sa kvotnih uzoraka na probabilističke, da bi se u zadnjih 20tak godina ta diskusija prilično ohladila zbog toga što se u SAD počelo masovno primenjivati uzrokovanje telefonskih brojeva, koje je stavilo a d acta diskusije o prednostima jednih ili drugih uzoraka. Prednostima slučajnih ili kvotnih uzoraka bavila su se mnoga istraživanja, ali postoji ozbiljan problem da se finansira i sprovede istraživanje koje bi imalo samo za cilj da uporedi tip uzorka, a da svi ostali elementi budu jednaki. Zbog toga su poredbena istraživanja najčešće koristila različite veličine kvotnog i zonskog uzorka, različite upitnike i različite polazne pretpostavke, jer su osim poređenja uzoraka Imala i druge namene. Glavna debata je vodena 0 preimućstvima zonskog i kvotnog uzorka, kao najčešće primenjivanih načina biranja iz probabilističkog i neprobabilističkog sveta. Pokazalo se da kvotni uzorak daje veću šarisu da budu izabrane osobe koje su više kod kuče i koje su spremnije za saradnju. U praksi to obično znači da će biti više prosečnih osoba. L) pogledu obrazovanja, kvotni uzorci preferiraju osobe sa višim obrazovanjem od proseka. Više obrazovane osobe su, naime, po pravilu spremnije za saradnju, ali su više zaposlene, imaju manje vremena i rede su kod kuće. Starije i slaboobrazovane osobe su više kod kuće, ali su nesigurne i nevoljne da razgovaraju sa nepoznatima anketarima. Postoje razlozi zbog kojih se može očekivati da će .retke" osobe biti manje dostupne i spremne za saradnju. U literaturi se može naći i zapažanje da kvotni uzorci favorizuju aktivne i otvorene osobe koje su dostupnije za intervjuisanje. Kada se stekne više uslova, kao što su obrazovanje, uzrast, otvorenost i druge slične varijable, može se doći do toga da kvotni uzorci u celini podcene neke grupe, a precene druge. Tako Eysonck (1971) navodi da su kvotni uzorci u prvoj polovini XX veka precenjivali glasače konzervativnih kandidata iz srednje klase, a podcenjivali socijalističke i kandidate radničke klase.
Po svemu sudeći, osnovnu razliku izmcđu kvotnog i zonskog uzorka treba tražiti u većem stepenu dobrovoljnosti kod ovog prvog. U jednom prethodnom odeljku opisana je „dobrovoljačka greška” i njen mogući uticaj na rezultate. Postoje i zapažanja da su razlike zonskih i kvotnih uzoraka veće u „tvrdim” varijablama, nego u „mekim”, kao Sto su .stavovi. Otuda Supek navodi preporuku da ako nas interesuju činjenični, objektivni podaci, onda je zonski uzorak bolji, a ako nas interesuju subjektivni podaci, kao šlo su stavovi, onda je kvotni uzorak sasvim zadovoljavajući. Pošto su, u celini, troškovi kvotnih uzoraka manji^'*, može se izvuči zaključak da se u ispitivanju javnog mnjenja sa kvotnim uzorkom za „manje pare” mogu dobiti isti rezuhati. Ipak, poredenje efikasnosti (reprezentativnosti u odnosu na troškove) uzoraka je složen problem, jer treba uzeti u obzir ili izjednaćiti sve faktore: stopu neodgovora, veličinu
Zonski uzorci podrazunicvajii nabavku svili spiskova, mapa popisnili krugova i dcmografskih tabela, izračunavanjc pondcra i standardnih grešaka, striktnu organizacija rada anketarskc mrcže, višcstruko poscćivanjc ispitanika i tome shčno.
uzorka, region, anketare, cilj i temu istraživanja itd. Kao što je rečeno, provera reprezentativnosti je contradictio in adjecto, jer ako bismo znali kako đa je provcrimo, znali bismo i koji uzorak da izvučemo. Uzorci se najlakše mogu porediti po rezultatima na objektivnim, „tvrdim" obeležjima, kao što su pol, starost i obrazovanje, ali se pokazalo da ni to poređenje nije uvek lako obaviti, Supek (1968) navodi tabelu grešaka u popisu stanovništva u SFRJ 1953. godine. Kod podatka o datumu rodenja procenat grešaka je bio čak 33%, kod podatka o starosti prilikom prvog stupanja u brak 13%, a kod podataka o školskoj spremi, zanimanju, grani delatnosti i sl. greške su se kretale oko 10% (ovo su greške nastale tokom popisivanja, a utvrdene kasnijom proverom). Većina r a A a koje su utvrđene između kvotnih i zonskih uzoraka je m a n ja od ovih grešaka u popisnim podacima. Šta tek reći o proveri reprezentativnosti koja se odnosi na „meka’ obeležja kao što su stavovi. Podaci o stavovima ne postoje u popisima. Retki podaci o tome, iako posredni, postoje u domenu političkih istraživanja koja se bave prognozom rezultata izbora. Tačnost koju društvena istraživanja postižu u toj oblasti je začudujuče velika, gde se greška od 5% smatra velikom, skoro tragičnom, a najčešče je greška znatno ispod 3%. Pojava partijskih i političkih preferencija je dobro istražena, isto kao i ponašanje Ijudi u toj oblasti, postoje obimna iskustva o različitim situacijama i, naravno, iskustva stečena na greškama. Taj recept je izgleda primenjiv na sva istraživanja u svim oblastima - znanje i iskustvo. U svakom slučaju, na primeru prognoze rezultata izbora se takode nije mogao doneti jedinstven zaključak o prednosti probabilističkih nad kvotnim uzorkom.
Ovih nekoliko argumenata: „etape ispitanika i anketara”, netačnost spiskova populacije, neprilagođenost konvencionalnih form ula za izračunavanje standardne greške, kao i to što tokom realizacije rnože doći do kompletne kompromitacije principa slučajnog uzorka, a izvestan stepen kompromitacije je prosto neizbežan, mogu se navesti kao protivteža argumentaciji koju smo izložili u prilog probabilističkih uzoraka. Ovi razlozi, istovremeno, ukazuju na to da probabilistički uzorci ne moraju biti reprezentativni u konačnoj realizaciji i da su njihove prednosti u odnosu na neprobabiHstičke uzorke relativne. U praksi ncma ideahiog rešenja i nema recepta za dobar (reprezentativan) uzorak. Diskusija iz prethodnih poglavlja o odnosu reprezentativnosti uzorka i njegove veličine, te o istraživanju retkih pojava, takođe ukazuje na relativnost koju inia vrsta uzorka u kontekstu istraživačevih potreba. Neprobabilistički uzorci su najčešće znatno ,jeftiniji” u pogledu potrebnih resursa, a reprezentativnost ira može biti konkurentna probabilističkim ako se imaju u vidu uslovi koji su ranije spomenuti. NeprobabiHstičko biranje podrazumeva da jedinice posmatranja ne ukize u uzorak na osnovu slučajnog izbora, nego po nekom dnigom kriterijumu. Na početku je rečeno da, pošto nisu nastali na osnovu teorije verovatnoće, za ove uzorke se ne mogu izračunati standardne greške i intervali poverenja. Prosečan društveni istraživač će biti iznenaden ovom tvrdnjom, jer nema empirijskog naučnog rada u kome nenia iskaza o statističkoj značajnosti. Niko i ne obraća pažnju na to da !i je uzorak u istraživanju bio shičajni ih ne. Medutim, treba imati u vidu taj striktni stav statističara: statistička značajnost nema smisla
na neprobabilističkim uzorcima. Prema tom striktHom stavu, testiranje pomoću ttesta, x^-testa ili bilo koje druge uzdanice istraživača na neprobabilističkim uzorcima ne počiva na pretpostavkama koje su ugrađene u te testove. Treba odmali reći da danas retko ko prihvata taj striktni stav. Čak i statističari prave kompromise i navode nivoe značajnosti za neprobabilističke uzorke. Neke razlogc za „umekšavanje stava” smo već naveli tokom diskusije o imanentnoj nesavršenosti slučajnih uzoraka. Rečeno je da su pravi shičajni uzorci praktično nemogući, te su otuda i kod njih standardne grcške i statistička značajnost samo aproksimacije. S druge strane, postoje ncki ozbiljni autori koji tvrde da je reprezentativnost ono što opravdava korišćenje standardnih grešaka, a ne planirana procedura biranja članova. Po tim autorima, ako istraživač dokaže u razumnom stepenu da je njegov uzorak reprezentativan, onda će i standardne greške izračunate na tom uzorku biti razunine aproksimacije „prave” standardne greške.
H. Upotreba računara u uzorkovanju
Planiranje i projektovanje uzorka je faza koja prethodi prikupljanju podataka, dok praćenje reahzacije i eventualne korekcije uzorka slede terensku fazu prikupljanja podataka. Računari se u s^'im koracima uzorkovanja mogu upotrebiti na razne načine - statističke i nestatističke. Pod nestatističkim načinima podrazumevamo prvenstveno korišćenje baza podataka o ispitanicinia i drugim jedinicama uzorkovanja. Fonniranje i održavanje baze podataka o ispitanicima, ako se pod time podrazumeva celokupno stanovništo, vrlo je veliki posao, koji prevazilazi mogućnosti društveno-istraživačkih institucija. Naravno, za potrebe uzorkovanja u istraživanjima javnog mnjenja, na primer, pristup takvoj bazi podataka bio bi od velike pomoći istraživačima. Pošto Ijudi nisu jedine jedinice posmatranja kojima se bave istraživanja ponašanja, osim baze stanovništva vrlo korisne mogu biti baze preduzeća, škola, ustanova, udruženja i svih drugih potencijahiih jcdinica posmatranja ih jedinica uzorkovanja (v.). Danas su mnogi takvi spiskovi populacije dostupni na računarski kompatibilnim medijumima, kao što su kompakt diskovi. Baze bilo kakvih regionahiih entiteta su potrebne kao jedinice uzorkovanja pri stratifikovanju i zonskom biranju. U fond podataka svih ovakvih baza se mogu uvrstiti i razhčite informacije koje su značajne za uzrokovanje i za istraživača, sa svrhom pomoći pri tom poshi. Recimo, podaci koji bi ukazivali na pouzdanost podataka u toj jedinici uzorkovanja, promenljivost nalaza, shčnost sa rezuUatima u čitavoj državi, dostupnost u zimskim mesecima itd. Uloga koju računari mogu da pruže statističaru/istraživaču koji projektuje uzorak i prati njegovu realizaciju je u svom užem smislu klasična računska funkcija. Tu spadaju proračunavanjc veličine uzorka, proporcionalna alokacija u
stratifikovanom uzrokovanju, izračunavanje standardnih grešaka, ponderisanje i druge operacije koje se često nalaze u koinercijalnim statističkim paketima. Pitanje uzorkovanja se rešava specifično u telefonskim anketama i CATI studijama (v.), Bez obzira da li se uzorkuje iz telefonskih imenika ili shičajnim biranjem brojeva (v. RDD), računar može mnogo pomoći u procesu uzorkovanja tokom računarskog telefonskog anketiranja.
V III.
PISA N JE IS TR A ŽIV A Č K IH IZV E Š TA JA
Sva naučna produkcija se praklično može svesti na pisanje. Ako se zanemari intrinzička motivacija istraživača (npr. naučna radoznalost) i ako se pogleda kako se istraživački rad stvarno odvija, može se reći da sve prethodne faze istraživanja služe samo tome da nešto bude napisano. Pisanje i objavljivanje naučnih radova je jedan od centralnih angažmana istraživača, koji je pri tome proces po mnogo čemu potpuno izdvojen od naučno istraživačkog rada, a opterećen je mnogim laterainim problemima i društvenim i statusnim stranputicama. Učestvovanje na naučnim skupovima je takođe vrlo važno za „izlazak u javnost” sa istraživačkim radom i nalazima. Međutim, saopštenja na naučnim skupovima po pravilu se ne vrednuju mnogo kao vrsta naučnog rada i njihova eventualna korist je na drugoj strani - medusobnom upoznavanju i razmeni mišljenja. Prvo što istraživač početnik mora da nauči je da su pravila i običaji u pogledu pisanja naučnih radova prilično strogi, ah ne potpuno univerzalni i ne bez osobitosti i nejasnoća. Smatramo da će kao uvod u „pravila pisanja” biti najbolje da se objasne principi naučne pubhcistike, ocenjivanja naučnih radova, taksonomije naučnih radova, bibliometrije i scijentometrije i drugih osnova na kojima naučna publicistika počiva. Svi aspekti pisanja, odnosno naučne produkcije, danas su najuže vezani za primenu računara. Primeni računara je posvećeno posebno poglavlje i biće vrlo korisno za razumevanje ove glave da čitalac ima u vidu sve što je tamo rcčeno o primeni računara u pisanju. Kao prvo, iako se pojmovi naučne publikacije i naučnog rada kolokvijalno koriste, to ne znači da im je značenje jednostavno, jednoznačno i opštepoznato.
Intuitivna jasnoća ovili pojmova je varljiva, pa je prirodno da pre nego što se bilo šta drugo kaže o naučnoj produkciji razmotri šta stvamo možcmo da razumemo kao naučne tekstove (ili tekstove sa naučnim sadržajem).
1.
Šta su naučne publikacije
Pojam „naučna pi'.blikacija” se često sreće, a korišćen je u ovom ili onom obliku i u ovom tekstu. Razumevanje pojma naučne publikacije je važno da bi se izložila i objasnila pitanja ocenjivanja naučnog učinka i uticaja. Tadapojam naučne publikacije postaje vrlo osetljivo pitanje na koje, nažalost, nije lako odgovoriti. Uobičajeno je da se objavljeni naučni radovi razvrstavajuprema mestu, načinu, ili medijumu objavljivanja. To mogu biti knjige, naučni časopisi, saopštenja na naučnim skupovima, radovi prezentirani na Intemetu ili slično. Međutim, šta će se smatrati knjigom, časopisom ili naučnim skupom, a sve su to mesta gde se mogu naći naučni tekstovi, to nije u svim slučajevima jasno razjašnjeno. Jedna moguća podela naučnih publikacija bi bila sledeća. • Monografije - knjige, diplomski radovi, magistarske teze, doktorske disertacije i sl. Kod nas se u bibliotekarstvu često koristi naziv „monografija”, odnosno „monografska publikacija” da označi knjigu, anasuprot časopisu koji izlazi periodično. Međutim, monografija je, striktno uzev, tekst posvećen detaljnoj obradi nekog pitanja; npr, „Monografija o planinama Jugoslavije”. Monografije se mogu objavljivati u nastavcima, kao knjige, ili se čak mogu objavljivati u časopisima, u nastavcima. U anglosaksonskoj terminologiji se monografija (monograph) često koristi upravo u tom značenju - kao tematska celina ili serija, najsličnije našem pojmu „biblioteka”, npr. Biblioteka „Sazvežda”. Knjige mogu imati jednog ili više autora, a ako imaju više autora onda jedan od njih može biti urednik (eng. editor). •
Udžbenici su knjige sa specijalnom namenom - obrazovnom.
• Naučni časopisi se u domaćem bibliotekarstvu (a i časopisi uopšte) označavaju teiTninom „periodika”, jer izlaze periodično. U novije vreme se koristi termin „serijske publikacije” (nasuprot monografskim publikacijama).
• Naučni skupovi nisu, naravno, naučne publikacije u doslovnom smislu, ali pošto po pravilu emituju različite vrste naučnih tekstova, zaslužuju da budu zasebno klasifikovani. ® Enciklopedije i rečnici su knjige sa specijalnom namenom. Danas je univerzalna pojava da se nove enciklopedije i rečnici objavljuju u formatu pogodnom za računar (CD-ROM ili Interaet), a isto tako, da stare i dobro poznate enciklopedije (kao npr. Britannica) „migriraju” u elektronski foraiat. • Zbornike radova objavljuju univerziteti, instituti, naučni skupovi ili neka druga tela i organizacije. Kao što im ime kaže, u zbomicima se prezentiraju nauč-
ni radovi posvećeni nekim temama kojima se institucija bavi, ili ukupnom radu naučne institucije, ili se objavljuju povodom neke godišnjice ili svečanosti. Zbornici radova se, naravno, objavljuju kao knjige. •
Elektronski časopisi i Intemet.
Na svim ovim mestima se mogu pročitati, čuti ili videti rezultati naučne produkcije. Medutim, kako utvrditi da li je neki časopis naučni i da li je skup naučni? Postoje različiti kriterijumi koji se primenjuju kod nas i u svetu, ali to ne znači da je klasifikaciju jednostavno izvršiti. Ti kriterijumu se obično primenjuju „zbimo” i ne ciljaju direktno na identifikaciju „naučnosti”, nego na izvesne formalne preduslove za koje su praksa i iskustvo rekli da su važni. Navešćemo neke od tih kriterijuma. Kao prvo, podrazumeva se da će izdavač naučne publikacije biti neka naučna, nastavna, razvojna ili stručna institucija ili udruženje. Kod naučnih časopisa, koji po pravilu izlaze periodično (mesečno, tromesečno, polugodišnje, godišnje), jedan od najvažnijih kriterijum aje redovnost izlaženja. Ako časopis ne izlazi redovno, on se obično skida sa raznih spiskova i pregleda. Ako nije na spiskovima ih u bazama podataka, onda autori znaju da u njemu ne vredi objavljivati. Problemredovnosti izlaženja časopisaje univerzalan, a posebno je zaoštren u siromašnim i društvima u krizi. Ti problemi su, nažalost, kod nas bili veorna prisutni u godinama na prelazu XX i XXI veka. Časopisi su kasnih sa izlaskom godinu i više dana. Redakcije su se dovijale tako što su kašnjenje „ispravljale” objavljivanjem takozvanih dvobroja, trobroja ili čak četverobroja. Kasnije će se videti da je za časopise koji kasne teško izračunati kvantitativne pokazatelje naučnog učinka. Poseban problem u smishi vremenske stabilnosti postoji kod elektronskih izdanja koja se prezentiraju na Intemetu. N a dmgom mestu u ovoj knjizi je taj problem posebno spomenut (odcljak o trajnosti resursa na Intemetu), a ovde ćemo samo ponoviti da su Internet pubhkacije vremenski nestabilne i da trenutno ne postoji rešenje tog problema. U većini „pravila za citiranje” se zahteva da uz Intemet referencu stoji i datum kada joj je pristupljeno. Taj zahtev proističe direktno iz saznanja da reference pročitane pre 2-3 godine imaju male šanse da u istom obliku budu pronadene na istoj adresi. Sledeći kriterijum koji se primenjuje kako za naučne časopise, tako i za knjige i dmge publikacije, jeste sistem recenziranja. Manje-više se podrazumeva da naučne publikacije moraju imati neki sistem provere kvaliteta objavljenih radova. Tu proveru mogu vršiti urednici, urednički kolegijumi, saveti, ili neko slično telo, ali univerzalno i opšte prihvaćeno rešenje je da rad pročita jedan ili više recenzenata, posebno odabranih za tu priliku. Metodologiji recenziranja, kao kvalitativnoj metodi ocenjivanja naučnih radova, posvećen je poseban odeljak. Od naučnih publikacija se, takode, zahteva da poštuju pravila i običaje koji se odnose na format, izgled i sadržaj. Na primer, iz naučnih publikacija se mora lako dobiti informacija o imenu autora, kao i njegova adresa zap o slen ja- afilijacija. Svi nazivi i naslovi u radu moraju biti jasni i kompletni, mora postojati
bibliografija, pri čemu njen izgled i način pozivanja referenci moraju pratiti neku od konvencija. Moraju postojati rezimea, i to najbolje na nekom od svetskih jezika (engleski i francuski) i moraju postojati ključne reči. Ako ste, kao korisnik, fotokopirali članak iz naučnog časopisa, ili neko poglavlje iz knjige, s pravom ćete očekivati da ćete na stranama koje imate moći naći kompletnu referencu dotične publikacije (naziv, godinu-volumen i broj), pa je uobičajeno da se takve informacije obezbede pogodnim grafičkim rešenjem. Za bibliografsku obradu su posebno važne numeričke klasifikacije publikacija i radova u njima, koje moraju biti navedene na koricama, potkoricama i uz svaki članak (kod nas se koristi poznata decimalna klasifikacija UDK). Ukralkn, sve bibliografske informacije moraju biti prisutne i lako dostupne. U zavisnosti od tipa publikacije, mogu se očekivati i drugi formalni zahtevi koje pubiikacija mora ispuniti. Na primer, za knjige se zahteva da imaju određeni broj strana, kod nas najmanje 51, ali i da imaju i odredeni broj autocitata, recimo 15, kako bi se pokušalo obezbediti d a je autor koji je napisao knjigu, jedan ili više njih, kompetentan za tu oblast. Vrlo važno pitanje, pogotovo za „male naučne sredine” je da li je publikacija „medunarodna”, odnosno, „od međunarodnog značaja”. To znači da u toj publikaciji moraju učestvovati autori iz drugih zemalja, osim iz zemlje gde je publikacija izdata. Takođe, očekuje se da citirani autori budu takođe iz medunarodnog okruženja. Posebno je značajno ako su članovi redakcije i tecenzenti iz drugih zemalja. Korisno je i ako su istraživanja koja se objavljuju sprovedena u drugim zemljama, ili su medunarodna po prirodi, makar autori bih domaći. Takođe, vrlo je česta praksa malih zemalja.da izdaju časopise na stranom jeziku, najčešće engleskom, ili da bar neki radovi budu na stranoni jeziku. Kasnije će o tome biti više reči (u odeljku o kvantitativnom ocenjivanju naučnog rada), ali sada treba naglasiti da su američka i uopšte anglosaksonska publicistika apsolutno dominantni. To ima uglavnom pogubne posledice na autore iz ne-engleskih i malih sredina i nije poznat neki dobar i uhodan način da se taj problem prevazide. Kao što je gore rečeno, objavljivanje domaćih publikacija na stranom jeziku je jedan od najtežih načina ,,da se izađe u svet”. Nisu svi izdavači spremni na takvu avanturu. Međutim, za naučne publikacije je vrlo korisno da u minimalnom pogledu imaju bihliografske elemente na nekom od svetskih jezika, najbolje engleskom. To se prvenstveno odnosi na rezimea, ključne reči i afdijacije autora, ali i na organizaciju radova, način prezentiranja, citiranja itd. Nije bez značaja tradicija, odnosno dužina izlaženja časopisa. Stari i poznati časopisi će biti iakše uvršćeni u bibliografske indekse i baze, a novoosnovanim treba vremena. Od značaja je i naučni rcnome glavnog urednika i ostalih članova redakcije, kao i renome izdavača. U svemu tome treba imati u vidu da se obično smatra da postoji vrlo mali broj časopisa koji pokrivaju samu suštinu pojedinih naučnih oblasti. Bolje rečeno, naučne oblasti su već uveliko izdiferencirane i omeđene i za svaku je obično ključan jedan, ili eventualno par časopisa. To je pogotovo slučaj u malim zemljama: sociologija, psihologija, pedagogija, etnologija, lingvistika itd. moraju imati jedan časopis i vrlo je čest slučaj u nacionabim
publicistikama da je taj jedan časopis centralni i/ili jedini. Novi časopisi nastaju kada se osnovne naučne oblasti diversifikuju, tj. kada broj radova u podoblastima postane značajan, odnosno kad se nove oblasti pojave na sceni. Ostali časopisi mogu da pokrivaju neke posebne podoblasti, ili posebne pristupe istraživanjima, ili su prosto jedan demokratski način da se uzdrmaju „naučni establišmenti” i zatvoreni naučni krugovi. Neki od gore navedenih kriterijuma, ali prilagođeni toj posebnoj nameni, primcnjuju se i na ocenjivanje naučnih skupova. Redovni skupovi, kao što su na primer godišnji skupovi koje organizuju naučna udruženja ili institiicije, nesumnjivo se mogu nazvati naučnim skupovima. Naravno, prelpostavlja se da postoji organizaeioni odbor, da su defmisani „okrugii stolovi”, „simpozijumi”, „radionice” i drugi obhci rada skupova i njihovi rukovodioci/predsedavajući/moderatori. Prijavljivanje radova, kao i način njihovog odabira moraju biti defmisani (najbolje je ako izbor radova vrše recenzenti). Očekuje se da „knjiga rezimea” bude gotova pre početka skupa, a izdavanje zbom ika radova nakon skupa je više nego poželjno. Naravno, danas je sve češća praksa da svaki takav skup ima svoju prezentaciju na Interaetu. Prigodne konferencije koje se organizuju tematski moraju poštovati ista pravila; od toga ko je organizator i ko su učesnici, do zbornika radova. U novije vreme, sarazvojem bibliom etrije i scijentometrije, vrlo je jak pritisak da se naučne publikacije objektivno ocenjuju na osnovu kvantitativnih pokazatelja. Zasada je najviše korišćeni pokazatelj citiranost, odnosno tzv. faktor uticajnosti naučne publikacije. Zbog značaja objektivnih pokazatelja njima će kasnije biti posvećeno posebno pogiavlje.
2.
Vrste radova
Objavljeni naučni rad jc rad koji je objavljen u naučnoj publikaciji (videti prethodno poglavlje). Videli smo načine definisanja naučne publikacije i neke od problema i nejasnoća u tom pogledu. Medutim, ne tretira se baš sve što je objavIjeno u naučnim publikacijama, i ne baš uvek, kao naučni rad. Pogledajmo jednu moguću podelu naučnih radova. Knjige Knjige, monografije, udžbenici, diplomski radovi, magistarski teze i doktorske disertacije. Poglavlie u monografiii Poglavlje u monografiji ima sličnu struktm'u kao članak u časopisu, ali je obimnije i posvećeno je tematici kojom se monografija bavi. Clanci Članci mogu biti objavljeni u naučnom časopisu, u zborniku radova, u elektronskom časopisu, na Intemetu ili u drugoj sličnoj naučnoj publikaciji.
• Originalni ili izvorni naučni ra d ]t članak u kome su prezentirani nalazi originalnog naučnog istraživanja. Od takvog rada se zahteva da ima prilično precizno defmisan foiTnat i organizaciju sadržaja (o čeniu će kasnije biti više reči u odeljku o delovima i strukturi istraživačkih izveštaja). Metodologija koja je korišćena mora biti tačno i detaljno prikazana kako bi se nalazi mogli ponoviti i/ili proveriti. • Pregledni ra d je članak u kome se ne iznose rezultati nekog pojedinačnog istraživanja, nego se vrši „pregled” neke oblasti, ili pregled više dosadašnjih istraživanja, sa neophodnim generalizacijama i taksonomijom dosadašnjih saznanja. • Prethodno saopštenje, sHčno originalnom radu, prikazuje rezuhate nekog istraživanja. Međutim, od rada se ne zahteva da pruži konačnu i opštu interpretaciju nalaza, nego samo preliminarne nalaze. Često se takvi radovi pišu ako su nalazi do kojih se došlo posebno zanimljivi, ili ako se radi o nekom većem projektu čiji delovi se objavljuju sukcesivno kako nastaju, dok se sve ne završi i dok se ne pristupi pisanju konačnih izveštaja. Nekada se za ovu vrstu članka može sresti i naziv istraživački izveštaj. U smislu u kojem je gore opisano, takvi radovi jesu istraživački izveštaji, mcdutim preliminami. U ovoj knjizi smo, radi jednostavnosti, istraživačkim izveštajem nazivali svako saopštenje u kome se prezenliraju rezultati nekog empirijskog socijalnog istraživanja, pa i originalne ili izvome radove. • Stručni rad ne sadrži izveštaj o istraživanju, nego najčešće primenu rezultata nekog istraživanja. Stručni rad može da prezentira neku studiju slučaja, iskustvo iz prakse, a sve u cilju ilustracije rezultata primene neke metode. Nije uvek lako razlikovati stručni rad od naučnog rada. Ono što je u nekim oblastima stmčni rad, u drugim oblastima bi se smatralo naučnim, i obratno. Nekada se smalra da su stmčni radovi oni koji ne sadrže spisak literature, ali to može biti samo jedan od kriterijuma. • Prikazi knjiga se vrlo često objavljuju u naučnim časopisima. Takođe, mogu se naći medu citiranim radovima. Unatoč tome, oni se najčešće ne tretiraju kao naučni radovi, ne unose se u indekse i bibliografske baze i ne računaju kao „objavljeni radovi” u pokazateljima produkcije i uticajnosti. To što se pojavljuju kao citirani radovi nije slučajno; u zavisnosti od inspirativnosti knjige, kao i inspirisanosti autora prikaza, neki prikazi knjige u suštini zaslužuju status preglednog rada. • Prevodi su takode jedna vrsta radova koji mogu biti citirani, ali se ne računaju kao objavljeni radovi. Ovde se misli na prevode članaka iz stranih časopisa, a koji su prevedeni i objavljeni zato što uredništvo i javnost smatraju da su posebno aktuelni i posebno značajni. Saonštenia • Saopštenja na naiičnim skupovima su veoma česta vrsta naučnog rada. Medutim, većina indeksa i baza ih ne evidentira, osim ako ne budu objavIjena u zborniku radova sa dotičnog skupa (kada se tretiraju kao članak).
Tako se, kao kod prikaza knjiga, može desiti da saopštenje bude citirano, a da ne bude tretirano kao naučni rad. • Posterprezentaclje su posebna vrsta saopštenja na naučnom skupu. To je moderan način diseminacije naučne produkcije i danas se često tretira kao posebna vrsta naučnog rada. U svakom slučaju, zbog načina i sredstava prezentacije, poster prezentacije jesu različite od klasičnih saopštenja (poster prezentacija može biti pročitana na skupu, ali i ne mora). Danas se mogu videti i multimedijalne prezentacije sa koriščenjem računarskih, audio i vizuehiih sredstava, čime se pridev „poster” čini zastarelim. Posebne vrste radova • Odrednice u enciklopedijama i rečnicima tipa tezaunisa. To su retki i specifični naučni radovi i po tradiciji su „rezervisani” za istaknute autore u svojim oblastima. • „Elektronski radovi”, posebno na Intemetu i u hipertckst formatu. Svi prethodno nabrojani radovi mogu imati ih imaju svoju „elektronsku” verziju. Pod elektronskom verzijom podrazumevamo da budu izdati na medijumu koji je čitljiv na računaru; npr. na disketama ili CD-ROMu, ili da budu instalirani na nekom mrežnom mestu. Kad se radi o Intemetu (ah ne samo o njemu), dugački tekstovi, a posebno knjige, vrlo su teško dostupni. Treba znati da se prostim prenosom na računarski medijum ne postiže puno iskorišćenje mogućnosti računara, nego je najbolje kada se tekst transfomiiše u neku vrstu hipcrteksta. • U naučnim časopisima se mogu sresti još i; uvodnici (eng. editoriai), osvrti, gledišta i mišljenja, pisma urednicima, izvcštaji sa održanih naučnih skupova, cseji, in memoriam i sl. Pilanje dužine članka. - Nema jednostavnog odgovora na ovo pitanje. Dužina istraživačkog izveštaja se određuje od slučaja do slučaja, ali ne treba mishti da to znači da istraživač ima punu slobodu u tom pogledu. Dužinu izveštaja po pravilu odreduju drugi: mentor, mednici ili vođa projekta. Istraživači često osećaju da je ograničavanje dužine rada frustrirajuće ograničavanje njihove slobode, izražajnosti i stvaralaštva. To u mnogim slučajevima može biti tačno. Medutim, ograničavanjem dužine rada se veoma efikasno upravlja strukturom, sadržajem i „operacionalizacijom” naučnog rada, što, sa svoje strane, doprinosi njegovoj čitljivosti i informativnosti. Ako, na primer, voda projekta ograniči islraživačke izveštaje na 10 strana, to će istraživačima biti čvrst putokaz za koncipiranje radova. S drage strane, postoji ono što čini praksu i običaj, a što se može pročitati u brojnim scijentometrijskim i bibliometrijskim istraživanjima. Ova istraživanja pokazuju da su u prirodnim naukama i matematici članci vrlo kiatki (obično 5-10 strana). U društvenim naukama su članci obično duži (10-20 strana). Takođe, empirijski izveštaji, prikazi knjiga, saopštenja na naučnim skupovima i sl. su kraći od teorijskih radova. Uočeno je da je citiranost radova proporcionalna njihovoj dužini. Jedan od razloga te pojave je u tome što renomirani autori nemaju
ograničenje dužine rada. Možda zbog loga, a možda i zbog drugih razloga, postoji stabilan trend ka povećanju dužine radova, često praćen i smanjenjem broja radova u časopisima. Navedena dužina radova se odnosi na štampane strane. U zavisnosti od fomiata publikacije i drugih faktora, štampana strana može sadržavati i dve tzv. daktilografske strane (1800 znakova). Bibhometrijska istraživanja, takode, često ne vode računa o tomc da H radovi sadrže grafikone, tabele i fonnule, što u izvesnim disciphnama može znatno produžavati radove. Sve u svemu, kao ideja vodilja, može se sugerisati istraživaču u oblasti nauka o ponašanju da planira svoj istraživački izveštaj u okviru 15 štam panih straiia, odnosno 20-30 daktilografskih strana.
B.
Merenje naučne produkcije
Merenje ili metrika naučne produkcije je jedna od važnih tema sa kojom se istraživač ponašanja, kao potencijalni autor, mora suočiti. Treba odmah biti svestan da je pitanje merenja naučnih radova vrlo diskutabihio. Neki smatraju, ne bez razloga, da će metrika u naučnoj produkciji uvek gmizati po samoj površini i površnosti, baveći se gabaritima (kao vulgarnoj varijanti kvantiteta). Blisko nam je i to da merenje naučne produkcije predstavlja još jedan impuls ka funkcionahzaciji naučnog rada i njegove redukcijc na robu. Merenjem naučne produkcije bave se bibhometrija i scijentometrija (naukometrija). Prva to radi sa ciljem anahze bibhotečkog rada, a druga sa ciljem anahze naučnog rada. Scijentometrijski nalazi predstavljaju objektivnu analizu nauke same i imaju saznajnu i metodološku težinu. Dok se scijentometrija primenjuje na lokahiom i ograničenom nivou, ona je oruđe radoznahh istraživača i takvi rezuhati metrijske anaHze naučnog rada relevantni su sa istraživačkog stanovišta. Nasuprot tome, ideja o naukometrijskoj analizi kao instrumentu za evaluaciju nauaiog rada na nacionalnom nivou, promociju i finansiranje projekata i pojedinaca i dmštvenu verifikaciju uopšte, zahteva da se ona (anahza) obavlja na globalnom nivou, za celokupnu produkciju u svim oblastima. Danas se mogu uočiti izvcsne pravihiosti u poglcdu toga koliko se prihvataju i primenjuju scijcntometrijska pravila. Što je naučna oblast bliža prirodnim, matematičkim, tehničkim i primenjcnim naukama, to se veći značaj pridaje scijentometrijskim kvantitativnim pokazateljima za evaluaciju naučne produkcije pojedinaca, časopisa i ustanova. Obratno, što je naučna oblast bliža „društvu, kulturi i umctnosti”, to su otpori, kritike i nepoverenje prema scijentometrijskoj evaluaciji brojniji. Druga pravilnost se odnosi na to da velike naučne zajednice, prvenstveno u Anierici i u razvijenim zapadnim zemljama, teže da što više objektiviziraju occnjivanje naučne produkcije, kako putem recenzija, tako i putem
kvantitativnih pokazatelja, đok je u malim naučnim sredinama to prepušteno slučaju. Istraživač ponašanja se ne bavi evaluacijom naučnih radova i, na prvi pogled, nije dužan da poznaje problematiku te evaluacije i njenu metodologiju. Medutim, to nije tako. Kad istraživanje bude gotovo, kad podaci budu prikupljeni i obrađeni, dolazi vreme naučne proizvodnje, odnosno pisanja raznih elaborata, preliminamih istraživačkih izveštaja, naučnih radova, monografija, naučnih saopštenja itd. I naravno, njihovog objavljivanja. Kada se istraživač promeni u autora, onda postaju važni svi aspekti i kontingencije objavljivanja naučnih radova i vrednovanja naučnog rada. Ne samo to, u prvoj fazi istraživanja - pregledu literature - samom istraživaču će biti vrlo korisno da zna koji radovi imaju veću citiranost, koji su autori eminentni, ih koji su časopisi uticajni, kako bi bio siguran da prati glavnu maticu u svetu istraživanja. Zbog toga, diskusija o kvalitativnim i kvantitativnim načinima ocenjivanja naučne produkcije zaslužuje da joj se posveti par sledećih poglavlja. Odmah na početku treba reći da je nauka uopšte, a naučna produkcija specifično, emincntno društvena delatnost. Ona se obavija u realnom društvu i u reahiom vremenu. Ma kako ko doživljavao i defmisao ciljeve nauke, ako želi da objavi svoj rad, on ulazi u niz društvenih odnosa. Ti odnosi su realni, imaju različite učesnike koji imaju različite ciljeve i, kao svaka društvena rabota, ne mogu izbeći protivrečnostima (kao što su sukobi interesa). Čak i ako se naučni ciljevi (na prvom mestu istina) postave veoma visoko u prioritetima redakcije nekog naučnog časopisa, oni neće biti jedini ciljevi i prioriteti o kojima urednici vode računa. Njima će biti važno da „ovog puta bude više stranih autora”, ili „ovog pula časopis mora da izađe na vreme”, ili „ovog puta više prostora treba dati humanistima” itd. Taj fakt značajno komplikuje primami problem, koji je težak sam po scbi - kako prepoznati dobar rad. Dragi aspekt scijentometrije je istraživački. Nauka i naučna dclatnost su takode vrsta dmštvenog ponašanja koje vredi istraživati kao i svako drugo. Ponašanje naučne zajednice, merenje rezultata njenog rada, zakonitosti u razvoju i dnige slične pojave su zanimljive same po sebi i slične su mnogim drugim oblastiraa društvenog života. Kako prepoznati dobar rad? Postoje dva osnovna pristupa evaluaciji kvaliteta naučnog rada. Neće biti veliko iznenađenje što su ta dva načina kvalitativni i kvantitativni - potpuno analogni pristupima istraživanju Ijudskog ponašanja. Ocenjivanje kvaliteta naučnog rada nije ništa drugo do problematika merenja kojoj je u ovoj knjizi posvećeno dosta pažnje. Ovde ćemo obraditi recenzije i jedan broj kvantitativnih pokazatelja kao osnovne tehnike, jer su te tehnike ugrađene u običajnu i zakonsku regulativu. Medutim, u istraživačke svrhe se za ocenjivanje naučnog rada mogu koristiti praktično sve metode i telmike koje su opisane u ovoj knjizi: analiza sadržaja, ispitivanje stavova čitalaca, metaanaliza itd.
1.
Kvalitativni pol
Recenzije su kvalitativni način ocenjivanja vrednosti naučne produkcije. U osnovi se radi o tome da neki naučni tekst, da bi bio objavljen, mora biti podvrgnut pregledu jednog ili više recenzenata ili referenata. Recenzente obično odreduje izdavač, odnosno redakcijski kolegijum naučne publikacije, odnosno urednik, ili neko drugi, a u zavisnosti od prakse. U dobro organizovanim naučnim sredinama, naučni časopisi predstavljaju osnov diseminacije (širenja) naučnog znanja, odnosno osnov naučne produkcije. Zbog toga je prirodno da one nose glavni naučni, stručni i društveni teret odgovornosti za kvalitet i napredak nauke. U svakoj redakciji bi trebala postojati praksa da svi članovi pročitaju sve primljene radove i daju svoja mišljenja. Taj korak omogućuje da se u prvom koraku eliminišu tekstovi koji ne odgovaraju po tematici ili imaju ozbiljne manjkavosti u pogledu jezika, etičnosti i drugog. Ova praksa se ne poštuje uvek, ili se poštuje delimično. U svakom slučaju, nakon uredničkog čitanja, tekstovi se prosleđuju na ocenu recenzentima. Smatra se da je prvi korak u obezbeđivanju kvaliteta objavljenih radova recenziranje pre objavljivanja. Da bi samo recenziranje bilo delotvomo, ono mora biti pažljivo i striktno organizovano. Kao prvo, najvažnije je pravilno odabrati recenzente. Oni moraju biti naučno i stnično kvalifikovani za oblast iz koje su radovi koje evaluiraju. Osim toga, oni moraju biti i moralno kvalifikovani kako bi se izbegao uticaj nenaučnih kriterijuma na izbor članaka. Kako se to može postići? Očigledno je da se to lakše postiže u vehkim naučnim sredinama gde postoji mnogo istraživača,i gde je lakše napraviti izbor, a da je to vrlo teško u malim sredinama gde u pojedinim naučnim oblastima deluje mali broj pojedinaca koji se, pri tome, medusobno poznaju. Bilo kako bilo, postoje razne „poštapalice” kako se formalno uređuje izbor recenzenata. Na primer, često se poštuje pravilo da recenzent ima jednako ili više naučno iii nastavno zvanje od autora. U našim časopisima se posebno insistira na tom pravilu. U objektivnom smislu, prednost bi svakako trebalo dati tome da recenzent ima dovoljno objavljenih radova iz iste (ili bar slične) oblasti, a još najbolje je da su ti radovi citirani i da zadovoljavaju druge kvantitativne kriterijume. Drugo pravilo, koje je sračunato na to da se izbegne dejstvo nenaučnih činilaca i konflikta interesa na odluku o objavljivanju je da se recenzija obavlja dvostnilco ili bar jednostruico slepo. U dvostruko slepoj recenziji niti recenzent zna čiji je rad koji pregleda (tj. ko je, odnosno ko su autori), niti autori znaju ko im recenzira rad. Jednostruko slepa recenzija je ona u kojoj samo autori ne znaju ko im je recenzent, dok recenzent zna ko su autori. U proseku, slepe recenzije daju bolje rezultate od transparentnih, kod kojih je identitet svih učesnika poznat. Što se tiče broja recenzenata, pravila i praksa u tom pogledu variraju. Kao što se može pomisliti, u malim naučnim sredinama se broj recenzenata mora saobraziti raspoloživom fondu istraživača. Međutim, bez obzira na to, retko se i u svetu angažuje više od dva recenzenta, a često se (posebno u tehničkim i prirod-
nim naukama) određuje samo jedan recenzent, a drugi se angažuje samo ako prvi ne da povoljno mišljenje. Pošto smo nekoliko puta spomenuli male sredine kao „problematične” u pogledu organizacije recenziranja, treba reći da objektivna analiza kvalitativne evaluacije putem recenziranja pokazuje neke razočaravajuće rezultate, čak i u vodećim naučnim zemljama. Na primer, recenzenti su često autori koji malo objavljuju, ili koji su malo citirani, što znači da je njihova kompetencija u pitanju. Osim toga, kao i kod nas, svuda se sreće praksa da se autorima ne samo dozvoljava, nego im se i traži da sami predlože recenzente. Osim toga, pokazalo se da medu časopisima, redakcijama i recenzentima postoje „visokoproduktivni” i „elitisti”. Oni prvi su obično slabije rangirani po naučnom doprinosu, ali lakše daju pozitivne rcccnzije i „puštaju” više članaka jer su manje kritični. Elitisti su obično visoko scijentometrijski rangirani i vrlo kritični prema radovima koje dobijaju na pregled, što znači da se preko njih objavljuje manje radova. Oni, takode, često odbijaju da prime rad na recenziju jer ocenjuju da neće imati dovoljno vremena za pregled, ili smatraju da nisu dovoljno kompetentni za dotičnu temu. Kada je reč o urednicima, oni će pre posegnuti za „visokoproduktivnim” recenzentima, nego za „elitistima . Kada je reč o autorima, oni će pre ponuditi rad nekoj visokoproduktivnoj redakciji. Takav nalaz upućuje na jedan zabavan zaključak da je naučna produkcija u masi, sistematski, „visoko produktivna” pre nego „elitna”. Analogno ovoj taksonomiji, kod recenzenata se smatra da postoje „treneri” i „kritičari”. „Treneri” nastoje da daju što više sugestija, saveta i zapažanja sa ciljem da autori poprave dotični rad, ili bar naredne radove. „Trenerima” kao da je važno da putem detaljnih recenzija obuče naučne kadrove za pisanje radova. Nasuprot tome, „kritičari” malo savetuju, zaključci su im šturi i nemilosrdni i ne vode računa o tome kako će autori primiti i iskoristiti recenziju. Postoji, takode, i prilično česta praksa da recenzenti daju radove na recenziju svojim mlađim saradnicima u potpunosti, ili sa zadatkom da provere neke materijalne činjenice. Unatoč mogućnosti da se u velikim sredinama izvrši dobar izbor recenzenata, praksaje pokazala da su recenzcnti najčešće iz najbliže okoline časopisa; sa istog univerziteta ih iz istog grada. Zbog toga se dešava da se svi međusobno poznaju i da u stvaraosti ne postoji slepa recenzija, mada je formalno takva. Takode, vrlo česta praksa, svuda u svetu, jeste da se recenzenti nikako ili malo plaćaju. Neki recenzenti na ovo pristaju zato što smatraju da je to brz način da se upoznaju sa novim razvojem u svojoj i srodnim oblastima. Drugi posmatraju to kao stvar prestiža, a treći kao društvenu i moralnu obavezu. Spomenuto prvo pravilo kompetencije, da recenzenti imaju više zvanje od autora, ne poštuje se dosledno, pogotovo ako je recenzija slepa. K od nekih redakcija i urednika čak postoji takva pohtika - mlađi referenti su lakše dostupni i spremniji za saradnju. Sve što je rečeno o recenzentima važi i za članove komisija koji vode i ocenjuju izradu diplomskih, magistarskih, doktorskih i drugih shčnih edukativnih radova.
Međutim, sve te problematične karakteristike recenziranja ne moraju same po sebi značiti da su rezultati loši, odnosno da je kvalitet prihvaćenih radova loš. Mlađi recenzenti mogu biti motivisaniji i pedantniji od starijih, „visokoproduktivni” recenzenti više ohrabruju mlade autore (odnosno, manje ih obeshrabruju odbijanjem radova) itd. Veći je problem niske pouzdanosti recenziranja. To je suštinski metodološki problem, karakterističan za sve kvalitativne metodologije. Postoje čak izveštaji napravljeni na osnovu 3000 radova iz oblasti nauka o ponašanju koji su bili evaluirani od strane dva ili više recenzenata i gde je pouzdanost između ocenjivača iznosila svega 0,2 1 . U ovom tekstu smo (u poglavlju o teoriji nierenja) naveli dva pristupa oko primene statistike: recenzentski i praktični. ,,Recenzentski” pristupje iskristalisan u praksi (posebno američkoj), verovatno kao pokušaj da se ocenjivanje radova učini što objektivnijim. U tom smislu, striktno poštovanje statističkih pravila oko nivoa merenja i statsitičkih tehnika izgleda idealno kao kriterijum za ocenjivanje. Takve i mnoge druge recenzentske strategije se odnose na validnost recenziranja - odnosno na pitanje da li recenzentsko mišljenje stvamo otkriva šta je dobar naučni rad. Validnost recenziranja, tj. utvrdivanje opštih kriterijuma šta je dobar naučni rad i šta su zadaci i ciljevi naučnih radova je, izgleda, još problematičnije od pitanja relijabihiosti. Neki fatalistički orijentisani autori smatraju da je niska pouzdanost upravo dobra jer kompenzira nisku (neki čak kažu nepostojeću) validnost. Naime, po ciničnom mišljenju tih autora, zbog niske pouzdanosti mogu da budu objavljeni čak i dobri radovi. Drugi autori kažu da niska použdanost možc da potiče od toga što urednici namemo angažuju recenzente iz različitih oblasti, različitih pristupa i orijentacija, kako bi urednici stekli što bolji uvid u radove. Unatoč našem uverenju da standardizovano, objektivno ocenjivanje ima generalnu prednost nad kvalitativnim, razum nalaže da se do daljeg, dok se ne dobiju konačni odgovori (ako se dobiju), koriste različite i sve raspoložive metode za ocenjivanje. Scijentometrijski i bibliometrijski pristup kvantitativnih pokazatelja je, u tom smislu, jedna od tih različitih metoda koja se obavezno mora dodati recenziranju.
2.
Kvalitativni pol
Ocenjivanje naučiie publicistike je uvek „simetrično”, ocenjuju se i oni koji pišu i oni koji objavljuju (štampaju). Prethodni odeljak je posvećen jednom kvalitativnom načinu ocenjivanja napisanog - recenzijama. Simetrični pamjak recenzija, u oblasti kvalitativne ocene redakcija naučnih časopisa (mada se mogu ocenjivati i naučne redakcije velikih izdavača, radija, televizije i sL), sastoji se u rangiranju časopisa po reputaciji, ugledu, odnosno uticajnosti. Ovo rangiranje mogu da vrše ekspcrti, pomoću anketnih listića, a izbor eksperata može da bude šarolik - nastavnici, istraživači, akademici i dmgi.
3.
Kvantitativno ocenjivanje naučnog rada
Prođuktivnost. - Prvi kvantitativni pokazatelj, koji se u osnovnom obliku počeo koristiti pre razvoja scijentometrije i bibliometrije, jeste svakako produktivnost. Produktivnost je prosto broj objavljenih naučnih radova (svih vrsta). Taj broj se može izračunavati za pojedinca, za projekt (grupu autora), za ustanovu (npr. institut), pa zatim za naučnu oblast itd. To se u početku, a kod nas i dan danas, radilo „ručno”. Kod nas se oficijelno primenjuje izračunavanje pokazatelja produktivnosti u cilju vrednovanja naučnog rada za potrebe praćenja rada na projektima koje fmansira ministarstvo nauke i njihovog fmansiranja, kao i za potrebe izbora u naučna zvanja istraživača u naučnoistraživačkim ustanovama. Autori sastavljaju spisak svojih objavljenih radova za protekli period, pa se radovi klasifikuju po vrsti, publikaciji i mestu objavljivanja i boduju. Sistem bodovanja propisuje Ministarstvo naukc. Tako prikupljeni bodovi se mogu kumulirati po projektima, institucijama i oblastima. Naravno, u najboljoj varijanti, podaci o produktivnosti se vade iz jedne ili više računarskih bibliografskih baza. Pitanja koja su važna kod izračunavanja produktivnosti se odnose, kao prvc, na definiciju .objavljenog rada’ . 0 zasebnonn poglavlju o toj temi je spomenuto da se izvesni radovi po običaju ne tretiraju kao naučni rad (kao npr. prevodi, in memoriam, prikazi knjiga I sl.), ali se mogu nači cllirani u nekom naučnom radu. To znači da je-neki drugi autor vrlo ozbiljno shvatio informacije iznesene u takvom radu. Zato se može desiti da autor po kriterijumu citiranostl (v. kasnije) ima bolji uradak nego po kriterijumu produktivnosti. Praksa, takva kakva je, postavlja restrikcije u pogledu toga koji se radovi ubrajaju u objavljene naučne radove i to treba poznavatl. Sledeće pitanje se postavlja kad jedan rad potplše više autora, što je vrlo čest slučaj. Praksa je uglavnom takva da se taj rad broji sv a k o m autoru . Međutim, objektivno, takav postupak je pristrasan i oštećuje autore koji sami napišu rad. Poseban je problem kada se mora izračunati produkcija za jednu naučnu ustanovu. U tom slučaju bi pet autora koji zajedno napišu pet članaka doneli svojoj ustanovi produkclju od 25 radova, što je svakako pogrešno. Rešenje se traži u tzv. frak cio n o j p rodukciji. Najjednostavniji obračun frakcione produkcije u gom jem primem sa pet autora bi bio da svaki autor dobije 1/5=0,20 radova. Tako bi obračun i za autore i za ustanovu bio korektan. Medutim, čest je slučaj da je redosled autora napravljen prema nekom kriterijumu. Ako se kriterijum za poredak bazira na doprinosu koji je autor imao u radu, onda nije pravedno da se bodovi ravnopravno dele svim autorima. Zato se u frakcionoj produkciji mogu nejednako delitl bodovi, recimo tako što će se posebno ,nagraditi" prvi autor.
Uobičajeno je da prvi autor ima poscban značaj, jer se i u pravilima citiranja obično preporučuje da se koristi oblik Fajgelj i sar. (od saradnici) ili Fajgelj et al. (od lat. et alii ili et alteri). Zato se u pitanjima frakcione kvantifikacije produkcije obično on favorizuje, te se, znajući to, u okviru naučnih timova i projekata vodi računa o tome ko će biti prvi autor u objavljenim radovima. Citiranost. - Citiranost naučnog rada je broj drugih naučnih radova u kojima je on naveden u spisku literature. Naravno, tokom vremena se citiranost
menja, pa se uzima broj citiranja do đatog trenutka, ili eventualno, u neke posebne svrhe, broj citiranja u nekoni zadatom vremenskom periodu. Broj citata se može sabrati za jednog autora, za časopis, za naučnoistraživačku ustanovu iz koje dolaze citirani autori, za projekt, naučnu oblast itd. Postoje razna mišljenja i razne nijanse o tome šta zapravo predstavlja citiranost. Čini se da, na prvom mestu, citiranost znači čitanost. Medutim, neki autori smatraju da citiranost predstavlja vidljivost. Časopisi koji se više citiraju su vidljiviji, odnosno dostupniji, renomiraniji itd., pa je, automatski, objavljivanje u njima korisnije i upotrebljivije. Takode, mnogi iza citiranosti vide uticajnost, odnosno renome. Sve to pojedinačno može, na svoj način, biti tačno, a može važiti i sve zajedno. Citiranost autora se mora različito tumačiti od citiranosti koja se računa za časopise. Citiranost autora ukazuje na njegove lične kvalitete i kvalitete njegovog naučnog doprinosa. Citiranost časopisa je, međutim, suma velikog broja činilaca koji su se stekli i doveli do toga da radovi objavljeni u tom časopisu budu citirani. Zatim, broj citata za jednog autora je mnogo manji nego broj citata za jedan časopis, pa je i pouzdanost statističkih zaključaka manja (ako se koristi statistička anallza) - sa statističkog, ali i zdravorazumskog gledišta. Citiranost se sve više koristi za ocenjivanje naučne publicistike. U tom pogledu, ni naš zakonodavac nije propustio taj trend, ali nažalost nisu zadovoljene prelpostavke da bi se to valjano sprovelo. Da bi se citiranost mogla valjano računati potrebno je imatl citatne bibliografske baze (v.). Citatne baze su računarske baze koje sadržavaju kompletne reference svih radova iz grupe naučnih oblasti, sa spiskom koriščene literature iz svakog rada. Upravo to, spiskovi lilerature, služe za izračunavanje citiranosti. Koristeči spiskove literature iz svakog sadržanog rada, softver baze podataka može za svaki obuhvačenl naučni rad prikazati u kojim radovima je citiran. Softver to može objediniti za autora (ili autore) tog rada, a u zavisnosti od mogućnosti baze citiranost se niože izračunati za časopise ili naučne ustanove. Kada kažemo da to zavisi od baze podataka, mislimo na to da baza, na primer, mora da sadrži podatke o afilijaciji autora, ako se želi izračunatl citiranost autora iz jedne ustanove. Kod nas se citiranost uzima u obzir prilikom izbora istraživača u naučna zvanja. Medutim, nije ponudena nikakva metodologija niti pomoć u tom poslu, pa autori saml traže gde su citirani. No, bez obzira na to, mogućnosti koje nudi metrička analiza sadržaja naučnih radova otvaraju mnoga vrata za komparacije, studije trcndova ili „mode” (takozvanog nevldljivog univerziteta), a nikako ne treba odbaciti ni ideju društvene verifikacije onoga što je dcbro. U ovom poslu scijentometrija kao startnu osnovu za analizu traži masovni obuhvat tekstova, formiranje bibliografskih baza, programa za korektum i slično. To je nemoguće bez institucionalne saradnje izdavača, zakonske regulative, ali iznad i pre svega - sistematske podrške države.
Neki osnovni kvantitalivni pokazatclji.-Posloji priličan broj istraživanja koja su se bavila scijentometrijskom analizom naučne produkcije. Neka su se služila ručnom obradom naučnih publikacija i naučnih radova, a neka su koristila raspoložive računarske bibliografske baze. Evo nekoliko nalaza: • Prosečni broj referenci po članku objavljenom u naučnom časopisu je 22. Medutim, različita istraživanja su dala različite rezultate, a utvrdene su i velike razlike izmedu naučnih oblasti. Izgleda da je stopa citiranja naj-
manja u tehničkim i niatematičkim naukama (5-6), u biologiji oko 8-10, a u psihologiji 23-35. • Učešće samocitata (kada autor citira radove u kojima je sam autor ili koautor) kreće se u rasponu od 10-30%. • U pogledu aktuelnosti citata, utvrdeno je da oko 43% referenci potiče iz zadnjih 5 godina. • Novije analize pokazuju da oko 150 časopisa u svetu pokrivaju oko 50% primljenih citata i oko 1/4 onoga što je objavljeno. Pokazano je takode da „tvrdo jezgro” od oko 2000 časopisa u svetu pokriva oko 85% objavljenih članaka i prima oko 95% citata. F aktor uticajnosti. - Impactfactor, odnosno faktor uticajnosti, je kvantitativni pokazatelj koga je prvi put predložio Garfield 1955. godine. On se obično primenjuje na časopise i u tom slučaju se naziva Joumal Impact Factor (JIF). Na potpuno isti način se može izračunati i impakt faktor za autore, autorske timove ili ustanove, ali je ta mera u suštini različita i manje pouzdana od JIF. Kako se izračunava impakt faktor? U osnovi, to je odnos broja citata prema broju objavljenih radova u nekom časopisu. Po izvornoj formuli, faktor uticajnosti nekog časopisa za 2004. godinu se računa na sledcći način. Neka je broj citata tokoni 2004. godine za članke objavljene tokom prethodne dve godine; C2002 ~
^2003 ~ 20;
Cjtjoi + C2003 = 1 0 0
[84]
i neka je broj ukupno objavljenih originalnih naučnih radova (istraživačkih izveStaja) i preglednih radova (obično se broje samo te kategorije radova) u prethodne dve godine: ^2002 = 20;
Njuo, = 22;
N2002 + N 2003 = 44,
[85]
onda je faktor uticajnosti časopisa za 2004. godinu: JIF = (C2002 + Cjooj) / (N2,„,2 + N2003) = 100/44 = 2,27.
[86]
Vidi se da u osnovi faktora uticajnosti stoji citiranost radova. Postoje pokušaji i predlozi da se kao pcriod za izračunavanjc ne uzmu dve godine, nego samo prethodna godina (za područja koja se brzo menjaju) ili duži periodi (sa ciljem da se ocena učini pouzdanijom). Postoji i diskusija o tome šta da se broji; samo značajni članci, ili i saopštenja, prikazi knjiga, komentan urednika i sl. Za većinu časopisa predstavlja teškoću da dostignu faktor uticajnosti od jedan, a faktori veći od dva ili tri pripadaju samo najcitiranijim časopisima. Institut za naučne informacije (ISI) objavljuje nekoliko indeksa po kojima su rangirani časopisi sadržani u bazama log instituta (npr. u SSCI, v,). Takođe, sve je češća praksa da se objavljuju rang liste časopisa u okviru raznih udruženja i nacionalnih naučnih instituclja, a u okviru ovih drugih i da se naučna politika definiše prema tim rang listama. Posebno osetljiva tema je pokrenuta praksom da se autori ocenjuju prema impakt faktoru časopisa u kojima objavljuju. Postoje kritike takve prakse. Kod nas postoji naizgled slična, ali suštinski različita politika. Časopisi su podeljeni na internacionalne, nacionalne I ostale (ministarstvo nauke pravi listu časopisa, ali ne na osnovu spomenutih kvantitativnih
kriterijuma, nego pretežno na način koji je objašnjen u odeljku o tome šta su naučne publikacije), pa se članak objavljen u međunarodnim časopisima boduje značajno više nego onaj objavljen u domaćim časopisima, bez obzira na kvalitet ili citiranost. Dakle, umesto da se časopisi vrednuju na neki, bilo kakav, objektivni način, svi međunarodni časopisi se proglašavaju boljim od domačih.
U međuvremenu, obavljen je značajan broj studija koje su imale za cilj da ocene, u suštini, pouzdanost i validnost JIF. Evo nekih nalaza. • Korišćenje JIF kao pokazatelja kvaliteta pojedinačnih članaka nije opravdano je r citiranost članaka odreduje koliki će biti impakt faktor časopisa, a ne obratno. • JIF prikriva razlike u citiranosti članaka, jer je denionstrirano da 50% najcitiranijih članaka nosi 90% citata jednom časopisu (distribucija citiranosti je jako nakrivljena). • JIF zavisi od oblasti i koncepcije časopisa: časopisi koji obuhvataju široke oblasti u kojima se objavljuju tekuća istraživanja imaju visoke JIF (ali kratak „životni vek” članaka). • JIF slabo korelira sa citiranošću članaka, iz različitih razloga, ali očigledno je da se dobro citirani članci ne objavljuju isključivo u uticajnim časopisima. • Medu pitanja koja kompromituju vrednost faktora uticajnosti spada i to što se ne uzimaju u obzir samocitati, što se u objavljene članke uzimaju i tekstovi koji se ne citiraju, zatim, duži članci skupljaju više citata, pregledni radovi skupljaju više citata, češće objavljivani časopisi imaju više samocitata u okvini časopisa itd. • U najvećoj naučnoj publicistici, američkoj, postoji snažna pristrasnost prema domaćim autorima. Npr. u Science Citation Index se vodi evidencija o 3200 časopisa,” od oko 126.000 koliko se računa da ih ima u svetu, s time da su medu evidentiranini pi-venstveno američki ili bar časopisi na engleskom jeziku (npr. od moguća 524 nemačka časopisa iz oblasti društvenih nauka, u SCI su obuhvaćena samo dva). Američki autori su skloni da citiraju jedni druge i to nosi preko 50% citata u SCI, što dovodi do toga da američki časopisi imaju 30% veći prosečni JIF od svetskog proseka. Sto se tiče knjiga, situacija je prilično zanimljiva. Po nekim pokazateljima, oko 53% citata otpada na članke u časopisima, a oko 31% na knjige. Zapažen je i trend da citiranost knjiga opada. Situacija u prirodnim, tehničkim i matematičkim naukama je još drastičnija (na štetu knjiga), jer su tamo tekstovi generalno kratki, a knjige retke (osim udžbenika). Anegdotski primer je sa Albertom Einsteinom koji je doktorirao u svojoj 26. godini sa tezom pretežno matematičke prirode, dužinejednog autorskog tabaka (tačnije 17 strana). Te iste godine, 1905., Einstein
Podaci suiz 1997. godinc.Zanimljivoje, međutim, današnjeznačajnoučešćeruskih naučnih časopisa, poscbno iz malcmatike i prirodnih nauka.
je objavio pet kratkih ali fundanientalnih članaka u Annalen der Physik (od kojih tri u istom tomu) u kojima je postavio temelje specijahie teorije relativnosti, čestične teorije svetlosti (za koji je dobio Nobelovu nagradu) i Braunovog kretanja. Ta tradicija kratkih tekstova u prirodnim naukama, zadržala se do danas. Broj objavljenih i citiranih knjiga u društvenim i humanističkim naukama je veći nego u prirodnim naukama. Postoje istraživanja o povezanosti živolnog doba i produktivnosti. Neki nalazi govore da se najznačajniji radovi objavljuju do 30. godine života. S druge strane, ubedljivi su i nalazi da produktivnost zavisi od vremena provedenog u naučnoj oblasti (i, podrazumeva se, uloženog truda) i njen porast je veoma strm u okviru tog vremena.
4.
Etička pravila pisanja
Postoje najmanje dve grupe pitanja koja se mogu nazvati etičkim ili moralnim. Prva grupa se odnosi na stil i manir pisanja, na ophođenje prema naučnim, oponentima, na prilaz i tretman debata koje se vode u okviru naučnih publikacija. Može se reći da su to eminentno etička pitanja jer se tiču opšteg duha i klime naučnih komunikacija, slobode govora, i u krajnjoj liniji podsticajnosti naučnog stvaralaštva. Pitanju stila će biti posvećena pažnja u okviru poglavlja o stilu pisanja (odeljak o elementima stila). Pitanja iz druge grupe su na granici između zakona i morala. Ona obuhvataju problem dvostrulcog (iH višestrukog) objavljivanja, plagijala (krade) ifalsifiltata (lažiranja rezuUata). Pitanje višestrukog objavljivanja je posebno osetljivo jer pokreće pitanje o tome šta je novi rad u odnosu na ranije objavljeni rad. U svakom slučaju, podrazumeva se da su redakcije časopisa neposredno zadužene za kontrolu etičnosti radova koje objavljuju (po svim pitanjima). Zakonska zaštita protiv širenja mržnje i netipeljivosti i drugih zakonski zabranjenih dela se retko primenjuje prema naučnim publikacijama. Medutim, ugled naučne publikacije zavisi od toga koliko se u njoj poštuju moralna načela naučne produkcije. Višestruko objavljivanje nije sasvim jednostavno pitanje. Ovde je već spomenuto da časopisi sami objavljuju prevode ili prepise članaka koji su ranije objavljeni na drugim mestima, za koje ocene da su od značaja za njihove korisnike. Ako rad poseduje naučnu vrednost od opšteg značaja, onda je uobičajeno da redakcije traže da objave taj rad (radovi po pozivu). U slučajevima kada autor pošalje svoj članak redakcijama časopisa koji imaju nepreklapajući auditorijum, smatra se da nije prekršeno nijedno etičko pravilo i da rad na takav način samo dobija na vidljivosti. U svim drugim slučajevima se smatra nedopustivim da autor isti rad objavljuje na više mesta, što istovremeno znači da „greh” pada i na redakcije naučnih publikacija koje su takav tekst objavile. Ne smatra se pristojnim da neki autor hčno svoj rad proglasi naučnom vrednošću od opšteg značaja i nudi ga redakcijama za višestruko objavljivanje. Ipak, postoji praksa da autori isti rad
istovremeno pošalju na adrese više časopisa zato što redakcije često odbiju rad, ili ga vrate sa zahtevom da se znatno modifikuje (nakon više meseci). Pošto se može desiti da dve ili više redakcija ipak prihvati rad, takva praksa se ne smatra ispravnom. Autor može staviti do znanja uredniku da je poslao rad i drugima, ali će retko koji urednik u tim uslovima pristati da pokrene mučni proces rcdakcijskog i recenzentskog pregleda. Jedini ispravan put je da autor pošalje rad časopisu koji je odabrao, pa ako tu bude odbijen, da pošalje rad drugom časopisu. Smatra se vrlo poželjnim da autor obavesti drugi časopis o tome da je rad pregledala prethodna redakcija, koje zamerke je utvrdila i šta je autor uradio da bi te zamerke otklonio. Postoji i pojava da autori šalju rad na objavljivanje drugim časopisima pod novim naslovom. To se, takode, smatra potpuno neprihvatljivim, posebno ako je tekst isti. Medutim, sasvim je verovatno da će istraživači, dok rade na istom projektu, ali i u okviru svog naučnog opredeljenja, pisati o istim problemima, korisliti slične instriimcnte i metode i sazrevati u svom shvatanju istraživanog problema. Dakle, kada će se smatrati da su njihovi tekstovi isti, kada da su skoro isti, a kada da su to novi tekstovi? Nema lakog odgovora na to. Postoje neka pravila koja kažu da 10-15% teksta mora biti izmenjeno, ali nije dovoljno jasno na šta se moraju odnositi te izmene, odnosno šta može, a šta ne može ostati isto. Sto se tiče plagijota, odnosno krađe tudeg teksta, tu stvar podleže zakonskim sankcijama, pa čak i poništavanju stečenih naučnih i nastavnih zvaiija ukoliko se dokaže da su stečena plagiranjem (npr. magistarskih teza i doktorskih disertacija). U tom smislu nisu potrebna dalja objašnjenja. Treba istaći i da se neznanje ne smatra opravdanjem. Međutim, plagir^nje može imati vrlo različite oblike i, premda je pojava retka (u odnosu na broj objavljenih radova), potrebna je stalna doza opreznosti kod naučnih redakcija ali i celokupne naučne zajednice. Nije plagijat ako autor javno usvoji nečije ideje, metode ili zaključke - citirajući ih. Plagijat je ako ih prcdstavi kao svoje. U praksi se to često svodi na to da li je tekst koji je preuzet iz tuđeg rada stavljen u navodnike (i eksplicitno naveden kao citat, sa detaljnom referencom), ili nije. lako se ne smatra plagijatom, vrlo je bliska tome pojava kada neko dopisuje svoje autorstvo na radovima u kojima nije učestvovao (često u formi zloupotrebe višeg nastavničkog ili istraživačkog statusa). Ako nečiji rad potpuno slcdi pristup i opredeljenja nekog svog prethodnika, postavlja se pitanje u kojoj meri je prihvatljivo da se rad sastoji od citiranih navoda, makar bili i pod navodnicima. Rad koji se sastoji isključivo iz taksativno pobrojanih tuđih mišljenja i navoda, može imati probleme da se prizna kao naučni rad. Ako takav rad ima za cilj da demonstrira kako se neki naučni stav razvijao kroz istoriju, i to prvenstveno ilustruje citatima poznatih autura, onda će se možda čak razvrstati kao pregledni rad. Folsifikati se odnose na lažiranje podataka, lažno predočavanje rezultata istraživanja, selektivno prikazivanje, prešutkivanje negativnih nalaza itd. Postoje mnoga dokumentovana svedočanstva o takvim „radovima”, od arheologije do svih drugih nauka. Neki takvi primeri imaju anegdotsku i humorističku konotaci-
ju, a neki doslovno predstavljaju prevare. U oblasti društvenili nauka postoje višestruka iskustva sa vrlo poznatiin autorima, rodonačelnicima naučnih pravaca i škola, koji su verovalno iz snažne motivacije i snažnih uverenja „frizirali” podatke da bi potkrepili svoje teorije. Cyril Burt, utemeljilelj mnogih ključnih psiholoških disciplina, bavio se i kriminologijom. U tom smislu je dokazivao tezu Lombroza i Godarda da postoje jo đ e n i kriminalci” koji su, pri tome, mentalno poremećcni i imaju nizak IQ (između ostalog, Burt se služio metodom blizanaca). Nažalost, 1974. godine je uočeno da su korelacije različitih skupova blizanaca jednake na trećoj decimali, što je praktično nemogućan ishod. Nakon toga se ustanovilo da neki od njegovih koatuora ili nisu radili s njime ili uopšte nisu postojali. Sve je ukazivalo na to da je Burt lažirao podatke i da je objavio lažne tabele u kojima su osuđenici imali nizak IQ. Konačno je i Burtov biograf, ovlašćen od strane Burtove porodice, konstatovao da se verovatno radi o prevari. Burtov primer se u metodološkim udžbenicima redovno koristi za ilustraciju falsifikata. To je nepravedno prema Burtu čiji je doprinos psihologiji, psihometriji, faktorskoj analizi i teoriji inteligencije ogroman. Drugo, sumnje u neispravnost njegovih nalaza nisu dokazane. Treće, njegove nalaze su potvrdili mnogi drugi istraživači. Može se pretpostaviti da je mudri Burt osećao da je u pravu I da je sumnjao da su nalazi koje je stvarno dobio jednostavno pogrešni. Zato je bio u dilemi da li da ih odbaci, a s njima i dugogodišnji trud i svoje teorijske pretpostavke, pa se odlučio za .friziranje". Mnogo strožiji nego prema Burtu treba biti prema velikom broju autora koji su prepisali svoje ili tude radove, ili kojima su radove napisali saradnici, asistenti, pa čak i studenti, koji uopšte nisu navedeni kao koautori. Uzgred, jstraga" nije otkrila samo „aferu Burt", nego je ustanovljeno da je i Godard falsifikovao svoje fotografije u kojima su imigranti iz Irske prikazani kao da imaju uvučenije očne duplje. Breuning je lažirao podatke kojima je dokazivao da se stimulansima može umanjiti agresivno i hiperaktivno ponašanje kod teško retardirane dece. Kardiolog Buchbinder je optužen za neetičko prikrivanje rezultata i nepotpuno istraživanje Rotablatora, uređaja za čišćenje krvnih sudova, koji je proizvodila fii ma u kojoj je Buchbinder imao uložene milione dolara. Lekar Richman je .propustio" da izvesti o smrti pacijenta i o neželjenim efektima leka protiv hepatitisa.
Falsifikovani rezuitati istraživanja su zapravo samo jedan deo namenio ili nenamerno pogrešnih ili pristrasnih rezuhata i naučna javnost se pennancntno bavi proverom viastitih i tudih nalaza. Oluda potiče jedan od osnovnih zahteva za pisanje naučnog rada da svi elemcnti budu tako prezentirani da se istraživanje može ponoviti. Nekada je dovoljno da budu prezentirani osnovni podaci kako bi se mogla ponoviti njihova analiza (nekom drugom tehnikom, npr). Na taj način je Ronald Fisher zaključio da je Gregor Mendel verovatno bio obmanut od strane svog pomočnika. Fisher je, naime, koristio test da bi proverio da II se dobijene Mendelove frekvencije slažu sa frekvencijama koje bi proistekle iz genetičke teorije. Ustanovio je da su dobijene frekvencije „suviše dobre" i zaključio, detektivski, da je asistent, znajući šta Mendel traži, manipulisao podacima u pogledu sličnosti boje graška sa bojom jo d ite lja ” I u tome preterao. Međutim, iako „naštimovani", Mendelovi rezultati su doveli do potpuno tačnih i revolucionarnih zaključaka.
C.
Pravila pisanja istraživačkih izveštaja
Nakon svega što je prethodno rečeno, čitalac već ima na raspolaganju mnoge dobre ideje o tome na šta treba misliti kada se piše naučni rad. Medutini, dosada ipak nismo dali detaljne instrukcije o tome šta i kako treba pisati. Najdetaljnije instrukcije za pisanje daju redakcije naučnih časopisa. Redakcije u svetu objavljuju te instrukcije u svom časopisu, recimo jednom godišnje, a danas je već sasvim normalno da svaki iole ozbiljniji časopis ima svoju Internet prezentaciju na kojoj se mogu pročitati i instnikcije o tome kako treba pripremiti i poslati članak. Kod nas je pitanje forme i formata poslatog članka više „laissez faire”, pri čemu obe strane dozvoljavaju sebi razHčite slobode - časopisi ne nude dostupnu infonnaciju o tome kako radovi moraju izgledati, a autori pišu onako kako su navikli.
1.
Elem enti stila
Postoji veoma mnogo priručnika i udžbenika koji se bave pitanjem stila pisanja naučnih radova (nažalost, ne na našem jeziku). U uvodnim poglavljima je rečeno da različite društvene nauke različito gledaju na problematiku pisanja naučnih tekstova. Pored toga, različite škole i pravči imaju ili mogu imati specifične preferencije koje se tiču stila pisanja. Poznato je da istorijske nauke, a generalno rečeno i sve druge nauke kada koriste tzv. istorijsku metodu, na pisanje izveštaja gledaju kao na važnu komponentu naučnog rada, pa se kaže da je u istoriji istraživanje nauka, a izlaganje umetnost. Vrlo slično shvatanje imaju i etnolozi. Znajući to, ne možemo reći da je stil pisanja naučnih tekstova uvek i svuda jednak. Međutim, postoje neka univerzalna pravila čije se poštovanje očekuje od svih pisaca naučnih radova, bez obzira da li smatraju da pišu „umetnost” ili istraživačke izveštaje. Navešćemo neka od tih najosnovnijih pravila, • Pisanje naučnih radova mora imati kao prvenstveni cilj informisanje naučne javnosti, a ne ličnu ekspresiju bilo koje vrste. • Pisanje naučnih radova mora biti rukovodeno idej ora nepristrasnosti i uzdržanosti. • U odnosu prema drugim autorima, posebno oponentima, od pisca naučnog rada se zahteva da bude uzdržan, tolerantan, pristojan i kolegijalan. Osim ovih, postoje još i mnogi drugi zahtevi koji se odnose na stil pisanja naučnih tekstova, pri čemu su većina refonnulacija i razrada nekog od navedena
tri principa. Naravno, to su opšta pravila koja ne govore dovoljno o tome kako da se formulišu konkretne rečenice, ili kako da se konkretno izraze određeni stavovi. Da bi se bilo „dobar pisac” treba poštovati nekoliko osnovnih sugestija. Jezik pisanja, u gramatičkom smislu, mora biti ispravan, a u semantičkom smislu jasan i koncizan. Uobičajena operacionalizacija zahteva za „nepristrasnošću i uzdržanošću”, koja se koristi u naučnim tekstovima, je da se izbegava pisanje u prvom licu Jednine. Šta više, u pojedinim sredinama se preporučuje pisanje u „bezhčnom” obhku. Na primer, ako se iznosi neki stav iU tvrdnja, reći će se ,,...mi smatramo to i to...”, ih, bezhčno, „...može se zaključiti to i to...”. U slučaju kada je potrebno da se neposredno spomene Učnost autora, onda se koristi fraza „... ovaj autor...”. Naravno, kao i svuda u Ijudskom društvu, u nauci važi latinska izreka quod licet lovi, non licet bovi, pa se u tzv. pozvanim člancima, obično preglednim radovima koje pišu renomirani autori na molbu redakcije naučnog časopisa, niože naći jasna i neposredna formulacija „... ja smatram...”. Od nesumnjive je koristi da autor ostavi malo vremena da tekst „sazri”, da ga ponovo pročita i koriguje. Nažalost, dobro je poznato da svaki pošten autor, nakon svakog ponovnog čitanja svog teksta, smatra da ga treba promeniti ili dopuniti. Takve večite naknadne dopune nisu, naravno, moguće. Nastojanje da se bude „uzdržan i nepristrasan” može da dovede do dosadnih tekstova bezpoente. Kako se ne bi preterivalo u upotrebi tih opštih pravila, danas se mogu naći i sugestije da radovi budu pisani sa „perspektivom”, „ličnim stavom”, „gledištem”, odnosno kako se to kaže na engleskom, sa slantom. „Siant” podrazumeva da postoji jasan cilj članka koji se provlači kroz sve njegove delove, od naslova do zaključaka. Takode, slant treba da donese „novost razHčitosti” u tom smislu da članak bude jasno pozicioniran i distinktan u odnosu na druge slične članke iz te oblasti, odnosno da njegova „poinka” bude takva. Naravno, lakše je postići „slant” ako je članak polemičan, kritičan ih oponentski u odnosu na druge radove. Medutim, treba imati u vidu da cilj „slanta” nije polemičnost, nego čitljivost, tj. da je to pokušaj da se bolje implementira gore navedeno opšte pravilo br. 1 . Treba pomenuti i naučna saopštenja koja se čitaju na naučnim skupovima. Takođe, istraživači često moraju usmeno prezentirati projekt istraživanja, prehminame i konačne nalaze i to sa ciljem da dobiju sredstva za nastavak radova, ih da opravdaju već utrošena sredstva. Edukativna istraživanja (v.) se skoro redovno brane pred komisijom. U tom slučaju je komunikacija sa „čitaocima” direktna, a za govorni stil važe dodatna pravila i sugestije, razhčiti od onih za pisani jezik. Neki Ijudi su podobniji za javno izlaganje, a drugi manje podobni, ah i za njih postoje mnoge „formule za uspeh”, pre svega vežba.
2.
Delovi i strul
Amerikanci koriste jednu skraćenicu koja jasno opisuje osnovnu strukturu istraživačkih izveštaja: SIMRAD, iU nešto skraćeno, IMRAD, ih još skraćenije
IMRD. Značenje te skraćenice na engleskom je sledeće: Summary (rezime), Introduction (uvod), Methods (metode), Results (rezultati), Analysis (analiza) i Discussion (diskusija). Ova podela je zgodna za pamćenje, ali je gruba. Postoje, naime, delovi rada koje ona ne spominje, a obavezni su i važni. Pred.stavićemo jedan širi pregled delova istraživačkog izveštaja, šta oni sadrže i kako se pišu, odnosno kako izgleda „^vostč&n" form at istraživačkog izveštaja.
a. Naslov rada Treba imati u vidu da će većina čitalaca pročitati samo naslov rada, rezime i eventualno ključne reči. Naslov istraživačkog izveštaja treba, zapravo, da sadrži kritične ključne reči (vidi dole), a jedna od njih je naziv zavisne varijable. Ako postoji samo jedna nezavisna varijabla, ili njihov mali broj, obično se one nađu u naslovu. Iz toga sledi da će naslov obično sadržavati iskaz opovezanosti varijabli. Postoje dva osnovna tipa formulacija iskaza o odnosu među varijablama: „povezanost izrneđu” ili „poređenje grupa”. Umesto tennina „povezanost” se preponičuje da se koristi „uticaj”, „zavisi” ili kao faktor 5 ”, odnosno takvi termini koji ukazuju na mogućnst predvidanja jedne varijable iz druge (drugih), a sve u cilju bolje usmerenosti istraživanja. Na primer, „Uticaj zadovoljstva poslom na stepen apsentizma” ili „Zadovoljstvo poslom kao faktor apsentizma”. Naslov treba da bude kratak, ne više od 10-12 reči. Tih nekoliko reči treba da obuhvataju suštinu rada. Zato ih ne treba traćiti na suviške kao što su „Istraživanje o...” ili „Anketna studija...”. Naslov je deo rada koji će biti najviše čitan.
b. Im e autora i afilijacija Uz ime autora treba navesti i ustanovu gde autor radi - afilijaciju - a ako ima više autora treba navesti afilijaciju za svakog. Ovaj podatak je važan za bibliografsku i scijentometrijsku obradu i izračunavanje pokazatelja citiranosti institucija. Autorstvo, odnosno ko je autor rada, nije jednostavno pitanje. Ono je nekada razlog za vrlo ozbiljne sukobe. Opšte je pravilo da se pravo na autorstvo stiče na osnovu doprinosa radu. Kolege koje su dale sugestije i savete oko nacrta ili sprovodenja istraživanja, studenti koji su prikupljali podatke, tehničari koji su konstruisali instrumente, infomiatičari i statističari koji su pomogali oko upotrebe računara i statističke obrade ne smatraju se koautorima. Dobro je da njihov doprinos bude pomenut i nagraden, ali tako što će biti pomenuti u fiisnoti ili u posebnom odeljku. Naravno, postoje izuzeci od ovog opšteg pravila, na primer, ukoliko je neka od pomenutih aktivnosti bila presudna za rad. Suština je, možda, u razumevanju značenja izraza „doprinos”. Postoji, recimo, konsenzus oko toga da doprinos mora konceptualno biti odreden kao stvaralačka, inicijatorska i idejna uloga u istraživanju. Ovaj kriterijum je posebno
važan za određivanje imena prvog autora. Uloženo vreme, rad, trud i energija se, u tom smislu, ne smatraju kriterijumom za određivanje autorstva. Međutim, postoji konsenzus i oko toga da prosti akademski stepen ne može da određuje autorstvo, iako prvi kriterijum, konceptualni doprinos, obično daje prednost autorima sa višim akademskim stepenom. Izostavljanje iz autorstva osoba koje su suštinski doprinele istraživanju se može podvesti podplagiranje. Zato odredivanje autorstva u radu duboko zadire u moralnost istraživanja. Međutim, navođenje autora koji nije radio na radu je takode nemoralno jer obično služi tome da takav autor nezasluženo stekne beneficije.
c. Rezim e U nekim časopisima se insistira da rezime, ili apstrakt, bude strukturisan. To znači da rezime ukratko odražava strukturu čitavog rada. Taj zahtev nije lako ispuniti i on nije prihvaćen u svim redakcijama, ali je dobar za ilustraciju onoga šta rezime treba da sadrži. Dužina rezimea je uvek ograničena, ali ta ograničenja znatno variraju od publikacije do publikacije - kreću se od 250-1000 znakova. Rezima je tačna, koncizna, koherentna i vrednosno neutralna rekapitulacija suštine rada. U rezimeu se ponavlja problemska izjava, ukralko navode inetode koje su korišćene, glavni nalazi i zaključci i njihove implikacije. Rezime može da bude podeljen u više pasusa, mada se to zbog kratkoće izbegava. Pisanje rezimea je prilično iskušenje. Najbolje se piše kada se rad završi i kada se slegnu utisei, jer aulor onda lakše može ,,u tri reči” da prepriča ono što stvamo odlikuje rad. Pri tome treba da ima u vidu potencijalne čitaoce koji će prvi uvid u rad imati upravo preko rezimea i koji će na osnovu njega odhičiti da li da potraže rad in extenso.
d. K ljučne reči Navode se iza rezimea i mogu biti slobodne, u smislu da ih autor sam odreduje, po svom osećaju i nahodenju, ili mogu biti odabrane sa nekog spiska ključnih reči, odnosno tzv. tezaurusa. Vrlo je korisno da se autor stavi u poziciju nekoga ko pretražuje bibliografsku bazu i treba da pronađe baš njegov članak. To čini zadatak smišljanja ključnih reči lakšim. Dobra praksa je da ključne reči budu hijerarhijske: disciplina, oblast, problem, metoda, nezavisne varijable, zavisne varijable i da odražavaju bitne odhke istraživanja. U zavisnosti od prakse redakcija i drugih bibliografskih institucija, ako autor nije dao ključne reči, daće ih urednici, a i ako ih je dao, opet se može desiti da uz rad budu priključene i zvanične ključne reči. Prosečan čitalac možda neće obratiti pažnju na ključne reči, ali će, mcdutim, one igrati važnu ulogu u pretraživanju on-Hne biblioerafskih baza gde se,
većinom, prelraživaiije radova vrši u okviru naslova, rezimea i ključnih reči. Postoje i tezaurusi (rečnici) ključnih reči u okviru pojedinih oblasti (npr. za psihologiju takav tezaurus izdaje APA).
e. U vod Zadatak uvoda je da čitaocu pruži infomiacije o tome šta je poenta rada, kako bi lakše razumeo ostatak rada. U uvodu se mora istaći problem istraživanja ih tzv. problemska izjava (v.). Zatim se izlaže teorijski okvir istraživanja i njegova lokacija u odnosu na dosadašnja istraživanja. Teorijsko pozicioniranje istraživanja se obično postiže tako što se ukratko navede šta je dosada rađeno u tom području, u oblikupregleda literature, navodeći osnovne reference. Većina referenci u radovima se nalazi upravo u uvodu, ali treba se uzdržavati od preobilnog citiravija. Korisno je, potrebno i logično da se ukaže na osnovne nedostatke postojeće literature, je r se obično u tome nalazi raison d'etre većine istraživanja. Konačno, u uvodu treba objasniti cilj istraživanja (ukoliko postoji), odnosno kako će biti pokušano da se nade rešenje problema. Ako je istraživanje primenjeno, akciono ili evaluativno, mora se opisati njegov praktični značaj. Autori koji naglašavaju značaj izjave o cilju i smatraju je neophodnim delom uvoda, obično zahtevaju da ona sadrži i osnovnu specifikaeiju objekata — ispitanika - učesnika, kao i njihovog mesta (recimo „učenika srednjih škola u Novom Sadu”). Sledeći odeljak mora biti o varijablama kojc’ učestvuju u istraživanju, o načinu njihove upotrcbe i relacijama izmedu varijabli. Varijable se obično navode po redosledu: nezavisne, zavisne pa medijatorske, kontrolne, grupišuće i druge. Recimo „...osobine ličnosti su obuhvatale podskale iz Eysenckovog testa EPQ, motivacija je merena upitnikom, a uticaj radnog staža je kontrolisan statistički...”. Poseban odeljak treba biti posvećen hipotezama istraživanja ili istraživačkimpitanjima. S obzirom da je opšta teorijska hipoteza već sadržana u deklaraciji problema ili cilja, ovde treba navesti empirijske, operacionalne hipoteze, njih ne više od nekoliko (a jedna je sasvim dovoljna). U poglavlju o hipotezama opisano je da empirijske hipoteze nisu isto što i statističke hipoteze. Statističke hipoteze (nulte i altemativne) ne treba navoditi u uvodu. Ako se statističke hipoteze (kao statistička operacionalizacija istraživačkih hipoteza) negde uopšte eksplicitno navode, onda to može biti u poglavlju o rezultatima, analizi ili diskusiji. Redanje nuitih hipoteza opterećuje tekst dosadoni, suvoparnošću i trivijalnošću. Da bi se izbegla suvoparnost i lažna objektivnost koju autori nekada žele postići navodenjem statističkih hipoteza, danas se čak umesto termina „hipoteze” koristi naziv očekivanja ili predviđanja. Osim toga, statističke hipoteze ne postoje ako je istraživanje kvalitativno. Isto tako, eksplorativna (deskriptivna) istraživanja mogu imati izvesna očekivanja, ali po deimiciji ne služe proveravanju hipoteza.
Odeljak o hipotezama može se iskoristiti za navođenje svih detalja vezanih za operacionalizaciju varijabli. Uvod treba da bude što kraći, jasniji, jednostavniji i informativniji. Istraživači često, posebno nakon dugogodišnjeg bavijenja nekom oblasti, osećaju potrebu da daju jedan koherentan i kritički pregled oblasti. Osim toga, u društveno-naučnim radovima, tezama i disertacijama na našim univerzitetima uvod je obično najduže poglavlje. Dok se u edukativnim istraživanjima može naći neki smisao u dugačkim uvodima (ah ne preterano veliki smisao), u istraživačkim izveštajima nema mesta za iscrpne preglede oblasti. Uvod će se razlikovati kod kvalitativnih istraživanja. Detaljnije o tome šta su problem i cilj istraživanja, kao i način na koji se priprema pregled literature pisano je u poglavlju o problemu i cilju istraživanja.
f. M etode Prilikom pisanja ovog poglavlja treba se staviti u situaciju nekoga ko želi da ponovi istraživanje. Već je naglašeno da način pisanja istraživačkih izveštaja mora biti takav da se na osnovu njih istraživanje može ponoviti. Zahtev za rephkabilnošću istraživanja je zapravo zahtev za proverljivošću i ima mnogo viši status od protokolamog i kurtoaznog. Proverljivost nalaza se u epistemologiji, posebno u nekim pravcima, kao što je pozitivizam, direktno povezuje sa istinitošću nalaza. Pored toga, zainteresovan i obavešten čitalac će upravo u ovom poglavlju tražiti odgovor na pitanje da li je istraživanje vredno pažnje, odnosno da li je metodološki korektno. Postoji problem „slepila” kod istraživača jcr im se čini da svi znaju kako je šta urađeno, a pored toga njima je obično dosadno prepričavati tehničke detalje istraživanja. Drugi istraživači, opet, dolaze u iskušenje da vrlo detaljno opisuju šta su sve radih. Jcdna dobra preporuka APA-e je da se u poglavlje o metodama uključe samo one informacije koje su presudne za razumevanje i ponavljanje istraživanja. Opisima, kao što je; „...pošto nismo dobili odobrenje, morali smo otići u drugu školu...”, nije mesto u ovom poglavlju. Poglavlje o metodama se obično deli na više odeljaka: pregled, ispitanici učesnici - objekti (u zavisnosti od toga kako će se zvati jedinice posmatranja), oprema - uredaji - merni instrumenti, i postupak. Preglcd. - Ukoliko istraživanje ima složcn nacrt, a to može biti slučaj kod eksperimentalnih istraživanja, opis nacrta istraživanja mora se naći upravo ovde, u pregledu. Treba objasniti da li je istraživanje bilo terensko ili laboratorijsko, transferzahio ili longitudinalno. O bjekti. - Bez obzira na vrstu istraživanja, važan odeljak je onaj o uzorku ispitanika, odnosno načinu selekcije objekata i njihovim svojstvima. Mora se detaljno objasniti vrsta uzorka, stopa neodgovora i standardna greška, ako ju je mogućc izračunati. Ako je istraživanjc bilo longitudinalno, reeimo panel istraži-
vanje, ili je trajalo dugo, onda se mora opisati stopa osipanja uzorka (koja je neizbežna) i razlozi osipanja. Važni su i svi drugi podaci o uzorku kao što su starost, pol, obrazovanje, nacionalnost i jezik. Ako postojc neke specijalne knrakteristike objekata, one trebaju biti ovde opisane - rccimo, deca alkoholičara, roditelji autistične dece, piA'orodena deca itd. Treba navesti i detalje o plaćanju učesnika i ostale dctalje. Kada su objekti životinje, treba navesti rod, vrstu, dobavljača i druge identifikacione podatke. Kod kvalitativnih istraživanja objekti će biti birani prigodno ili namerno. Trcba opisati m čin na koji izabrani upravo oni i zbog čega su izabrani. O prcm a i m crni instrum cnti. - Ako su u istraživanju korišćeni specijalni laboratorijski ili neki drugi uredaji, oni moraju biti ovde opisani. Od interesa su samo uredaji koji su korišćcni za manipulaciju nezavisnom varijablom i za merenje zavisne varijable i samo ako su po nečemu posebni (nc treba opisivati štopericc, npr., onc se niogu pomenuti u odcljku o postupcima). Ako su urcdaji fabrički, navodi se proizvođač, model, godina proizvodnje i dnigi podaci koji su od značaja. Kada je opremu konstruisao sam istraživač, treba detaljno opisati njcn nacrt, Ako je korišćen ncki speeijahzovani softver, treba ga detaljno opisati, ih samo navcsti ukohko je opštepoznat. Ako su za mcrcnje zavisne varijable (i drugih varijabh) korišćeni psihološki testovi ih upitnici, oni moraju biti ovde navedeni i opisani. U zavisnosti od dužine rada, od broja i dužine memih instrumcnata, kao i od toga h su standardni ih konstruisani ad hoc, instrumenti mogu biti prikazani in extensa iii samo opisani. Opis trcba sadržavati vrstu i format instrumcnta, format stavki, broj stavki itd. Za one instrumente za koje je to relevantno treba prcdočiti podatke o mcrnim svojstvima, prvenstveno pouzdanost i vahdnost. Postupak. - U ovom odeljku valja detaljno i tačno opisati kako jc teklo istraživanje. Preporučuje se da odcljak bude organizovan hronološki i, ako je postojalo više grupa, za svaku grupu zascbno. Odeljak o postupcima je ključni deo poglavlja o metodama. Treba parafrazirati uputstva koja su data ispitanicima. Zatim trcba opisati kako su izglcdali ckspcrimentalni tretmani (manipulisanje nczavisnom varijablom) i kako je mcrena zavisna varijabla (v. prethodni odcljak). Mora se objasniti način dodeljivanja objekata gi'upama: randomizacija, jednačenje, uravnoteženjc... Potrebno ja da budu opisani i svi metodi kontrole neželjene varijansc i, konačno, treba opisati i izlazni intervju, ako ga je bilo. Ako je istraživanje neeksperimentalno sadržaj odeljka će biti drugačiji kako je sprovedeno anketiranje, koje tehnike merenja su korišćene, kako jc sprovedeno posmatranje, kako je izgledao zapisnik posmatranja (što može biti uvršteno u prethodni odeljak) itd. Ako je relcvantno, treba navesti vrcme trajanja ckspcrimcnta, intcrvjua, odnosno metode prikupljanja podataka koja je korišćena.
U meta-analizi će biti potrebno da se opiše kako su prikupijani radovi, kako su izdvajane veličine efekta, štaje činjeno u slučajevima kada veličinc efekta nisu bile dostupne u radovima i tonie slično. U analizi sadržaja treba opisati postupke prikupljanja poruka, treniranja ocenjivača, formiranja kodne sheme (listc kategorija), načina rada ocenjivača, ocenjivanja njihove pouzdanosti i dr. Izveštaji iz kvalilativnih islraživanja će se razlikovati od kvantitativnih u celosti, a u poglavlju o metodama posebno. Odeljku o postupcima u tome nije izuzetak (Crcsvvcll, 2003). U njcmu trcba opisati mesto (mesta) na kojima se istraživanjc sprovcdcno (jer se kvalitativne studije najčcšće sprovode na tcrcnu), uslove koji su vladali, na kakav je prijem naišao istraživač i koji događaji su se dešavali. U kvalitativnim istraživanjima je prikupljanje podataka bazirano na kvalitativnim metodama kao što su intervju i posmatranje. Zato treba dctaljno opisati kako su oni sprovcdeni i kako su bclcženi ili snimani. Ako su analizirani artefakti, tekstovi, umetnička dela i drugo, trcba ih opisati. Treba priložiti izgled zapisnika iz intei-vjua, posmatranja ili fokus grupa. Poglavlje o metodama može sadržavati i druge odeljke, specifične za predmet istraživanja i korišćene metode. Moraju sc navesti i svi drugi usiovi, očekivani ili neočekivani koji su pratili istraživanje; datum i vreme sprovodcnja tcrenskog istraživanja, situacija u kojoj je vršeno posmatranje itd.
g. Rezullati i analiza U nckim disciplinaina se preporučuje da ovo budu dva odvojena poglavlja. Ovde ćemo zauzeti stav da je poglavlje o prcdstavljanju rczuhata osnovno, a da se analiza rezultata priključi poglavlju sa diskusijom. Kasnije ćc o tome biti nešto više reči, a zasada ukazujcmo samo na to da pod analizom, iz naslova ovog odeljka, ne podrazumevamo analizu podataka, ncgo analizu rezultata. Ovo poglavlje istraživačkog izvcštaja sadili sve rezuhate prikupljanja i obrade podataka. U kvantitativnim istraživanjima će obrada podataka biti prvenstvcno statistička, ali to nijc uvck slućaj. Prikupljeni podaci i konačna prilika za njihovu analizu predstavlja konačnu satisfakciju istraživačima. Nažalost, mnogim istraživačima, a poscbno studcntima, ova prilika izaziva i puno zebnje je r da bi se nalazi interpretirali valja ih statistički obraditi. Jcdino šta se stvamo može preporučiti studentima je da ovladaju osnovnim statisličkim tehnikama isto onoliko koliko su ovladali drugim pojmovima kojc su koristili u istraživanju. U ovom poglavlju na prvom mestu trcba objasniti ciljeve analize podataka. Naravno, oni moraju biti povczani sa ciljevima istraživanja i hipotezama i tako ih treba izložiti. Tu se može obrazložiti i opšti nacrt analizc, navesti modcl analize varijanse, vrstu multivarijatne tehnike i drugo. Zatim trcba prikazati deskriptivnu statistiku. Ona treba da obuhvata sve gnipe i sva merenja, a ako je relevantno i uzorak u cclini. Minimalno trcba nave-
sti meru cenlralne tendencije, meru raspršenja i veličinu grupe. Ako grupa i merenja ima malo, deskriptivna statistika se može navesti u tekstu. Mnogo je češći slučaj da su podaci mnogomerni i u tom slučaju za prikaz treba koristiti graj'ikone (v.) i tabcle. Ako su korišćene kvalitativne metode, onda se nalazi mogu ilustrovati prepisima intervjua, kontekstima iz analize sadržaja, fotografijama (grafikoni i fotograflje u boji mogu izgubiti smisao kad se odStampaju cm o-belo) i dnigim indikatorima koji su specifični za korišćene metode. APA pravila (2001), kao i pravila mnogih redakcija, nalažu da tabele i grafikoni ne budu priloženi u telu teksta, nego u dodatku. Ovaj jasan zahtev olakšava autorove dileme oko razmeštaja tabela i grafikona, ali ne poboljšava nužno čitljivost teksta. Problem čitljivosti je posebeno zaoštren kod dužih radova, kao što su diplomski, magistarski i doktorski. Tamo vlada stalna dilema oko toga šta treba staviti u tekst, a šta u prilog. Dilema praktično ne postoji ako jedna ili dve kratke tabele ih jedan ih dva grafikona mogu da opišu većinu glavnih nalaza. Tada te tabele i grafikone svakako treba staviti u tekst, a ostale tabele, grafikone, listinge, snimke i izveštaje treba smestiti u dodatke (priloge). Problem nastaje ako nema takvih kratkih tabeia ih grafikona. To je čest slučaj kod strukturalnih istraživanja i muhivarijatnih eksperimenata. Ako je, na primer, radena kosougla faktorska ajtem analiza nekog testa od 100 ajtema, onda treba priložiti najmanje dve matrice (recimo matrice sklopa i interfaktorskih korelacija) od po 100 redova. U članku verovatno uopšte neće biti mesta za takve matrice, nego će se opisali njihov sadržaj: broj faktora, varijable sa najvećim opterećenjima, tipične korelacije faktora itd. U eduka^tivnom istraživanju, malrice će ići u prilog, a njihov opis u tekst. Kada smo već kod ovog primera (a on je ilustrativan za sve MVA tehnike), često će logika nalagati da se rezultati prikažu po fiiktorima, u kom slučaju se uz svaki faktor mogu navesti varijable koje ga najviše zasićuju i varijansa (dužina) faktora. Nakon deskriptivne statistike red je na statistici zaključivanja ili na regresionoj, korelacionoj ili miiltivarijatnoj analizi. Statistika zaključivanja koristi se za proveravanje istraživačkih hipoteza koje za te potrebe treba operacionalizovati kao statističke hii^oteze. U pogledu saopštavanja rezultata testiranja hipoteza savetuje se da minimalni skup informacija sadrži: • tip testa (/, r, F itd.), • broj stepcni slobode (u zagradama), • vrednost testnog statistika, • egzaktnu verovatnoću testa pod pretpostavkom da je nulta hipoteza tačna, • ocenu varijanse greške ili standardnu grešku (radi izračunavanja intervala poverenja) i • veličinu efekta, vrstu i iznos. Na primer: „Uktipni efekt tipa instrukcije na zapamćivanje je visoko značajan, F{2,64) = 1,15,p = 0,0005, a MSE = 2,A. Grupa kojaje primila instrukciju
A pamtila je bolje (M=14,70, SD=5,50) od gmpe koja je primila istrukciju B (M=12,70, SD=6,50) i efekat d = 0,85 je visok, viši od tipičnog”. Kao što je rečeno u poglavlju o testiranju statističkih hipoteza, intervale poverenja treba navesti eksplicitno ili barem implicitno - navodeći standardnu grešku. Na primer: „Interval poverenja za razliku aritmetičkih sredina bio je od 0,5 do 3,50, što ukazuje da stvarna razlika može biti manja od jedne ocene (verovatno bez ikakvog praktičnog značaja), ali i veća od 3 ocene.” Takođe, korisno je da se autor odmah na početku opredeli za nivo grešaka I tipa i da to ekspiicitno navede: „Koristićemo alfa nivo 0,05 u statističkom zaključivanju”. Nakon toga će čitalac znati šta znače kasnije ocene o značajnosti. Ako ima više grupa i više merenja, pa je korišćen višefaktorski nacrt analize varijanse ili ima više različitih testova, prikazivanje nalaza u tekstu će postati nepregledno pa se za to može koristiti tabelami prikaz. Treba imati u vidu, posebno u edukativnim radovima, da se listing statističkih programa koji sadrži kompletne rezultate testiranja statističkih hipoteza može staviti u prilog. Ako je istraživanje korelacionog tipa, primer prezentacije nalaza bi mogao biti: „Kod prvog istraživačkog pitanja nadena je statistički značajna korelacija izmedu broja odslušanih predavanja iz metodologije i prosečne ocene na studijama: r(48) = 0,30, p = 0,03. Pozitivna korelacija ukazuje na to da studenti koji su čcšće prisustvovali predavanjima iz metodologije teže da imaju više ocene, a oni koji nisu prisustvovali teže da imaju niže ocene. Veličina efekta je 0,30, po čemu povezanost ove dve varijable možemo karakterisati kao srednju.” Ako je korišćena višestruka regresija, treba navesti R, korigovani R ' (ili R, kao veličinu efekta), značajnost predikcije i standardnu grešku ocene. Tabelarni prikaz koji obuhvata b ili p, značajnost regrcsionih koeficijenata, inlervale poverenja (ili standardne grcške), a ako postoje supresorski efekti i proste prediktorkiiterijum korelacije, mogu se uključiti u tekst. Ako prediktora ima mnogo, tabeiu sa njihovim osnovnim pokazateljima treba smestiti u dodatak. Ako se koriste tehnike kao što su faktorska, kanonička ili kanonička diskriminaciona analiza, treba navesti osnovne pokazatelje latentnih konstrukata ili varijabli. U kanoničkoj i diskriminacionoj analizi poželjni su: p, p i značajnost kanoničkih korelacija. U izveštaju iz faktorske analize treba navesti broj zadržaniii faktora, kriterijum po kome su zadržani, kao i njihovu dužinu odnosno varijansu. Problem prikazivanja matrica sa opterećenjima varijabli ili koeficijentima opisan je ranije. Te matrice se obično stavljaju u priloge (kada je reč o dužim radovima, kao što su diplomski), a u tekstu se daje samo njihov kratak i jezgrovit opis i, naravno, interpretacija. Izbor rezultata koji će biti prikazani mora biti usaglašen sa ciljevima istraživanjima koji su izneti u uvodu i sa diskusijom i zaključcima koji će biti dati kasnije. Glavni ciljevi i glavni zaključci moraju biti dobro potkovani rezultatima. Izbor načina prikazivanja rezultata može biti intelektualna aktivnostp erse. Nije lako naći pravi format tabcle, ili odabrati pravi grafikon, jer za to ne postoje recepti. Nauka i moral obavezuju istraživača da prikažc sve rczuhate, uključujući i one koji nepodržavaju islraživačke hipoteze.
Kao što je rečeno na početku, generalni savet je da se osnovna analiza rezultata ostavi za poglavlje sa diskusijom i zaključcima. U poglavlju sa rezultatima i analizom biće iznesene sve konstatacije o delovanju nezavisnih na zavisne varijable. Poželjno je da se tom prilikom sa nekoliko osnovnih zaključaka komentarišu ti nalazi. Recimo, manje iskusnim istraživačima se može desiti da kažu kako je „tretman značajno dclovao na sudenje ispitanika”, ali da ne kažu da h je eksperimentalna grupa u pogledu sudenja bila bolja ih lošija od kontrolne. U tom smislu, kratka analiza rezultata će doprineti da raziičiti rezultati, u ovom primcru deskriptivne statislike i statistike zaključivanja, budu povezani i razumljivi čitaocu. Diskusija i zaključci. - Ovo poglavlje je kraj drame koja se naziva islraživački izveštaj - tačnije, njen rasplet. Ono mora da sadrži „nešto više nego proste činjenice”. U njemu autor interpretira rezullate i bavi se njihovim implikacijama, prvenstveno sa stanovišta problcma istraživanja i istraživačkih hipoteza. Prvo što čilaoci oCekuju je kratak, jasan i kritičan sinopsis očekivanja koja slede iz hipoteza i razmatranje da li su ona podržana rezultatima ili ne. Ako rezultati potkrepljuju hipotcze, u diskusiji se rezultati moraju povezati sa nalazima drugih studija. Posebno treba odgovoriti na pitanje kako se vlastiti rezultati uklapaju u teorijski okvir koji je odabran i na koji način ga potvrduju i unapređuju. Ako rezultati ne potkrepljuju hipoteze valja potražiti objašnjenje za to. Rezullati mogu da ne budu u skladu sa očekivanjima na dva načina: tako što su suprotni ili tako što nisu značajni. Od toga zavisi i gde će se tražili objašnjenja. Interpretacija neočekivanih nalaza je za nauku barem jednako, ako ne i inspirativnija i važnija od iskaza „dobijeni p je manji od 0,05”. Kada se radi o analizi, odnosno intepretaciji rezultata, osnovno što se može zaključiti je da nema „kuvara”, „vodiča” ili „priručnika” za njeno pisanje. Ono što postoji, to su sugestije koje sc tiču slila pisanja. Ovde smo u prethodnim odeljcima ukazali na neke opšte odlike stila naučnog pisanja (na primer, nepristrasnost, ali i „slant”). Neke discipline društvenih nauka (etnologija i istorija), kao i neke paradigme, polažu posebnu pažnju na stil pisanja i samo pisanje izveštaja tretiraju kao deo naučnog istraživanja. Kada se u tim oblastima govori o stilu pisanja, onda je teško uočiti razliku u odnosu na prozno pisanje. Za izveštaje iz empirijskih istraživanja u naukama o ponašanju je uglavnom kontraindicirano da se pišu kao prozna dela, ali treba uzeti u obzir da neka empirijska istraživanja, prvenstveno bazirana na kvalitativnoj mctodologiji, poštuju pravila etnološkog literarnog stila. U svakom slučaju, analiza mora da ,,u jedno” povcže rezultate, hipoteze i ciljeve istraživanja. Sve što je utvrdeno mora bili komentarisano, moraju biti objašnjene dobijene veze i razlike i sve to mora biti smešteno u jedan opštiji okvir kako ne bi bilo trivijalno. Na više mesta smo spomenuli značaj generalizacije, operacije karakteristiSne za induktivno saznavanje. Gencralizacija se obavlja upravo tokom diskusije rezultata obrade podataka. Svaki istraživač oseća prirodnu želju da gcneralizira i obično nije problem u nedostatku opštosti i širine, nego u tome što ponekad zaključci potpuno prevazilazc, „transcendiraju” podatke, odnosno koriste podatke samo kao alibi za iznošenje privatnih stavova, pa čak i
predrasuda. Istraživački izveštaj ne može biti scena za takvu predstavu. Ako istraživač želi da iznese svoje stavove, on mora da napiše pregledni rad, ili uvodnik i da ga u toj formi ponudi redakcijama. Svaki čitalac će biti vrlo zahvalan autoru ukoliko ovaj u zaključku kritički evaluira istraživanje u celini, počevši od izbora vrste istraživanja, preko primenjenih metoda, do dobijenih rezuhata. Svaki događaj u istraživanju koji je mogao da ugrozi validnost istraživanja i podataka trebabiti komentarisan i procenjen njegov mogući uticaj. Takođe, zahvalnost čitalaca se može zaslužiti tako što će se ukratko izneti novapitanja i problemi koje je istraživanje otvorilo, kao i predlozi kako bi trebalo popraviti istraživanje. Ako postoje sugestije zapraktičnu primenu, one ovde trebaju biti izložene ukratko i esencijalno. Zaključci mogu biti mesto i za neke dodatne komentare, kao što su zahvale i posvete. Dodaci i prilozi. - Ovo poglavlje obično sadrži dodatne infonnacije koje iz tehničkih ili nekih dnigih razloga nije pogodno uključivati u sam tekst izveštaja. Dodaci su posebno karakteristični za studentske radove i teze, a retko su prisutni u člancima. Medutim, APA pravila i mnoge redakcije zahtevaju da sve tabele i grafikoni budu na kraju rada (iza dodataka). Mi ćemo podrazumevati da su tabele i grafikoni takođe deo „dodataka i priloga”, pa ćemo ih ovde skupa tretirati. Osnovni razlog da se neki deo rada stavi u priloge je njcgova obirnnost. U priloge se stavljaju uzorci primenjenih testova i upitnika, kompleksna matematička izvođenja, spiskovi reči koje su korišćene kao draži, računarski listinzi, detalji o primenjenim metodama i sl. Pored toga, u prilozima će se naći voluminozne tabele i grafikoni. Ako se tabele i grafikoni stave u prilog, onda se u tekstu moraju tačno referisati. Da bi se mogle tačno referisati, sve stavke u prilozima moraju biti jasno numerisane, moraju počinjati na novoj strani, moraju sadržavati kratak i infonnativan naslov, a redovi, kolone, koordinatne ose i drugi elementi tabela i grafikona moraju biti jasno obeleženi. Statistički programi obično omogućuju dobro obeležavanje tabela i grafikona, ali samo ako autor prethodno unese nazive svih varijabli i kategorija. Ako to nije učinio pre obrade, onda priložene tabele i grafikoni mogu biti potpuno nečitljivi, pa ih treba propratiti legendom. Prilikom referisanja treba se pozvati na broj stavke (recimo tabele). Spisak literatu re - Jedno od vrlo važnih poglavlja istraživačkog izveštaja je spisak literature. On može da se navede na više mesta u radu, ali prepomčujemo da se to uradi odmah iza zaključaka. S obzirom na značaj ovog poglavlja i vrlo prisutnu šarolikost pravila i iz toga proistekiih nedoumica, posvetićemo mu posebno poglavlje. Istraživački izveštaj može da ima još neke elemente koji su manje važni sa stanovišta smisla i značenja, ali se uključuju zato što ih zahteva redakcija naučne publikacije, ili zato što ih nalažu bibliografski, protokolami ili kurtoazni razlozi, a može da ih uključi i sam istraživač po svom nahođenju. Na primer, autor može iza rezimea da stavi jednu ili dve rečenice u kojima citira značajnu izjavu nekog
važnog autora, poslovicu ili nešto slično. APA pravila nalažu da postoji i zaglavIje na svakoj strani, a u dnu prve stranice se često navode ustanove koje su finansirale projekt. Naravno, kao što kaže naslov poglavlja, popis i opis delova se odnosi na istraživačke izveštaje. Taj format neće biti primeren za svaku vrstu naučnog rada (npr. za uvodnike, osvrtc, eseje).
3.
Način citiranja i spisal< literature
Značajno poglavlje svakog naučnog rada je „literatura”, odnosno „spisak literature”, „korišćena literatura”, „bibliografija”, „refcrence” ili slično. Vlada velika šarolikost načina fonniranja ovog spiska i načina pozivanja na druge naučne radove. Zbrka počinje već sa terminologijom; jer kao što se vidi iz uvodne rečenice sam naziv poglavlja može biti različit. Elementi tog spiska - stavke - su naučni radovi na koje se poziva pisac istraživačkog izveštaja. Treba znati da u svetu postoji nekoliko uglednih načina navodenja literature, izvestan broj manje uglednih i još toliko internih i modifikovanih pravila. Mi ćemo početi od međunarodnog standarda ISO 690/1987 (http://www.collections canada.ca/iso/tc46sc9/standard/690-le.htm) da bismo izneli osnovne elemente bibliografskih referenci i varijante njihovog navođenja. ISO standard elemente u spisku literature naziva bibliografskim referencama. Kada se bibliografska referenca navodi u tekstu, onda ISO standard to naziva citatom (eng. citation). Naziv bibliografska referenca nije sporan i prihvatljiv je i u našem jeziku, ali drugi naziv, citat, u našem jeziku je sporan jer ima jedno drugo značenje. U ovom tekstu često „citat” nazivamo referencom, jer ako se u tckstu naučnog rada napiše npr. (Fajgelj, 1970) to je referenca na spisak literature - čitalac se upućuje, obaveštava da u spisku potraži puni naziv navedenog rada. Dobra zamena za ISO naziv „citat” bila bi „poziv na referencu”. Na engleskom se sreće sledeća tenninološka ]5raksa; postoji referenca u tekstu i referenca u spisku, prva odgovara ISO citatu, a druga ISO bibliografskoj referenci. Pravila koja se primenjuju i koja se piscu naučnog rada obično postavljaju kao zahtev odnose se na: • • •
format poziva na referencu - „referenca u tekstu”, format bibliografske reference - ,,referenca u spisku” i položaj spisaka literature u tckstu.
Pošto bi u tekstu bilo krajnje ncpraktično da se svaki put navodi puni tekst bibliografske reference, koristi se neka vrsta skraćenice. Pravila defniišu kako treba da izgleda ta skraćenica da bi povezivanje ove dve reference (u tekstu i u spisku) bilo jasno i nedvosmisleno. Spomenuti ISO standard dopušta tri varijante. I . Numeričko referisanie Problem bibliografije u naučnim radovima se danas obrađuje sistematski, kao posebna disciplina (5). Kao što mnogi danas konstatuju, problem sastavljanja
bibliografije uopšte nije iak, što dovodi do toga da ga, l^al(o konstatuju Parsell i Biight (21, str. 460), autori obave pogrešno, ili da čak izostave kompletnu bibliografiju radova (Hauptman, 5).
5. Hauptman, Robert (1999). VVhatever Happened to Bibliographies? Chronicle of Higher Education, Vol. 45 Issue 23, 810-812. 21. Parsell, Glennys; Bligh, John (1999). AMEE Guide No.17: W riting for journal publication, h/ledical Teacher, Vol. 21 Issue 5, 457-469.
Dakle, u tekstu se navodi redni broj reference iz spiska, zatvoren u zagrade. Ime (imena) autora se može navesti ispred ili iza zagrade, ili ne mora uopšte. U zagradi se, iza poziva na broj, mogu staviti i druge potrebne informacije, kao što je broj strane). Dakle Je d n a bibliografska referenca ima jedinstven broj u čitavom tekstu, preko koga se referiše. 2.
Fusnote
Problem bibliografije u naučnim radovima se danas obraduje sistematski, kao posebna d isciplina ". Kao što mnogi danas konstatuju, problem sastavljanja bibliografije uopšte nije lak, što dovodi do toga da ga, kako konstatuju Parsell i B light'^ autori obave pogrešno, ili da čak izostave kompletnu bibliografiju ra d o v a 'l
" Hauptman, Robert (1999). W hatever Happened to Bibliographies? Parsell, Glennys, Bligh, John (1999). AMEE Guide No.17; W riting fcr journal publication. ” Hauptman, 1999, str. 811.
Postoji nekoliko varijanti ovog rešenja koje ISO dopušta. Suština je u tome da referenca u tekstu predstavlja samo broj ftisnote. U fusnoti se navodi potpuniji opis bibliografske reference; ime (imena) autora, naziv rada i sve drugo što je potrebno da taj poziv na referencu bude nedvosmislen. U fusnosti se može navesti i broj strane, kao i drugi potrebni komentari. Fusnota ne mora da sadrži samo jednu referencu; ako se u tekstu uzastopno citira nekoliko radova, svi mogu biti svrstani u jednu fusnotu. U gomjem primeru se vidi i razlika izmedu prvog i naknadnih citata; u drugom je Hauptman naveden kraće nego u prvom. ISO dozvoljava da u naknadnim citama bude čak samo broj fusnote u kojoj je rad prvi put referisan. Inače, korišćenje fusnota za citiranje radova je još uvek veoma uobičajeno u nekim naučnim disciplinama. Starije naučne publikacije su poznate upravo po skraćenicama ibid. i op. cit. koje su se koristile u fusnotama. TenTiin ibidem (isto) se koristio za označavanje rada koji je upravo citiran, po pravilu na istoj strani. Opus cilatum (navedeno delo) se koristio za naknadno citiranje, ali kada je od prethodnog citata prošlo više strana. ISO ne predviđa način citiranja sa „ibid.” i ,,op. cit.” Međutim, Kate L. Turabian je još 1937. napisala priručnik za pisanje
teza i disertacija i, između ostalog, propisala način citiranja piitcm fusnota. Zbog prošlosti i tradicije, njena pravila (sa fusnotama) su i danas jedna od tri najčešće navodena pravila pisanja naučnih radova (iza APA i MLA, vidi dole). Sve u svemu, teško je naći opravdanje za korišćenje fusnota u citiranju literature. Jedan problem je što treba voditi računa o tome kada je rad prvi put citiran, a kad nije. Mediitim, ozbiljniji problem je to što stari način korišćcnja fusnota ne predviđa uopšte spisak literature na jednom mestu. To pravi probleme kako čitaocu, tako i agencijama koje se bave bibliografskim pokazateljima. Da bi se napravio spisak citirane literature treba pročitati čitav rad/publikacija. Zato je po ISO standardu predvideno da na kraju rada postoji jedinstveni spisak literature (čak i kad se koristi pravilo fusnota). 3. Metod nrvou elementa i godine Problem bibliografije u naučnim radovima se danas obrađuje sistematski, kao posebna disciplina (npr. Hauptman, 1999). Kao što mnogi danas konstatuju, problem sastavljanja bibliografije uopšte nije lak, što dovodi do toga da ga, kako konstatuju Parsell i Bligtit (1999, str. 460), a utori obave pogrešno, ill da čak izostave kompletnu bibliografiju radova (hau'ptman, 1999).
Hauptman, Robert (1999). W tiatever Happened to Bibliographies? C h ro n ic le o f H ig h e rE d u c a tio n , Vol. 45 Issue 23, 810-812. Parsell, Glennys, Bligh, John (1999). AMEE Guide No.17; Writing for joum al publication, M e d ic a l T e a c h e r, Vol. 21 Issue 5, 457-469,
Odmali treba reći da je ovaj način pozivanja na referencc optim alan. Zastupa ga američko udriiženje psihologa (APA, www.apa.org) u okviru svog vrlo uglednog APA Publication Manual-a (2001) i i Udruženje za savremeni jezik (Modem Language Association - MLA, www.mla.org). U APA ga nazivaju i „citiranjem pomoću zagrada” (engl. parenthetical citation) jer se pri citiranju imc autora i godina zatvaraju u zagrade. Ako postoji više autora, u referenci u tekstu koristi se ime prvog, a ostali se zamenjt^u sa ,.et al.” ili ..i sar.”. Ipak, APA sugeriše da se navede sto više aulOi'a' i da se ,,et ai.” koristi samo kada ima tri iTTviše autora. Isto tako, ako ime autora i godlna ne daju jedinstvenu identifikaciju rada, onda se iza godine stavljaju mala slova a, b, c, itd., kako u spisku referenci, tako i u referenci u tekstu. Sledeće važno pitanje je kako trcba da izgleda puni format bibliografske reference. Zbog različitosti tekstova koji se citiraju, teško je dati generalni fomiat stavke; nekada ne postoji autor, nekada nije poznat datum objavljivanja, nekada ne postoji izdavač, nekada ne postoji čak ni naziv teksta (npr. kada se autor poziva na ličnu komunikaciju sa nekim poznatim autorom). Smatra se da postoje četiri osnovna tipa referenci i da se iz njih može izvesti većina oslalih. To su: a) članak u časopisu, b) knjiga, c) poglavlje u knjizi i d) članak u elektronskom obliku.
Svaka od ovih referenci ima nekoliko karakterističnih celina. Neke od tih celina moraju obavezno biti navedene u referenci u spisku. Navešćemo koje su to celine, u zavisnosti od tipa reference. 9
9 a
e
Referenca za članak u časopisu mora da sadrži: autore, godinu izdanja, naslov članka, naziv časopisa, broj časopisa (tzv. vohuB cn) i redne brojeve strana. Referenca za knjigu mora da sadrži: autore, datum izdanja, naslov, grad u kome je knjiga izdata i naziv izdavača. Referenca za poglavlje u knjizi mora da sadrži: autore poglavlja, datum objavljivanja, naslov poglavlja, urednike knjige, naziv knjige, brojeve strana poglavlja, grad u kome je knjiga izdata i naziv izdavača. Reference za elektronske radove su, nažalost, još uvek u fazi razvoja. Relevantne celine su: autori, naslov rada, godina, datum pristupania (ako je na Intemetu) i IJRL (v.'). ali postojejoš i dmge informacije koje treba navesti d a b i seTHentifikovao izvor rada.
Vrlo su poznata i prihvaćena APA pravila (2001), pa ćemo jedan njihov deo iskoristiti za ilustraciju različitih varijanti referenci. To neće biti potpuni spisak i u praksi treba očekivati da se pojave neki izvori koie ie teško cit_iiati..Dobra praksa je da se generalno, a posebno u problematičnim slučajevima, navede što viSe iufnrmaciia koie čitao'-" n-)nf^ii Hn pomopnu ila nađe referisano delo. U našoj pubiicistici se APA pravila obično nc poštuju doslovno, najvećim delom zato što su menjala (kao i vcćina drugih pravila), ali i zato što su vrlo složena i iz verzije u verziiu sve detaljnija. Zatim, neki naši autori prevode izraze kao što su „editor”, „second edition” ili ,,in”, a neki ne prc^’ode. Kod nas se može sresti i različita interpunkcija: umesto tačke, naši autori celine često razdvajaju zarezima. U ovoj knjizi se koriste nešto prilagođena APA pravila, kako za citiranje, tako i za navođenje referenci. Na Internetu se može naći mnogo stranica sa uputstvima za primenu APA pravila, npr. http://webster.commnet.edu/apa/ ili http://owI.engIish. purdue.edu/handouts/research/r_apa.htmI Autor ie nepoznat ili ga nema fčest slučai u novinama) Caffeine linked to mental illness. (1991, 13 ju l). New York Times, str. B I3, BI5. (Napomena: kurzivom se označava pubiikacija u kojoj jc objavljen rad.) Kniigc Strunk, W .,Jr., White, E. B. (1979). The elements o f style (3. izdanje). New York: Macmillan. American Psychiatric Association. (1990). Diagnostic and statistical manual o f mental disorders (3. izdanje). Washington, DC: autor. (Napomena: „autor” se u prethodnoj referenci koristi zato što su autor i izdavač isti.)
Freuđ, S. (1961). The ego and the id. U J. Strachcy (ur. i prev.), The standard edition o f the complete psychological works o f Sigmund F reud (Vol. 19, 3 66). London: Hogarth Pre.ss. (originalni rad jc objavljen 1923) (Napomena: u tekstu bi poziv na prethodnu referencu trebao izgledati kao (Frcud, 1923/1961). Skraćenice ur. i prev. značc urednik i prevodilac. U gornjcm primeru se vidi da je F ro jS o ^ d elo objavljeno u zborniku svih njegovih radova, čiji je urcdnik bio Strachey.) Eleklronski mediii Tator, C., Carson, J. D., Cushman, R. (21.3.2000.) Hockcy injuries o f the spine in Canada, 1966 - 1996. CMAJ: Canadian Medical Association Journal, Vol.162, Issue 6, 787. Pristupljeno 15.11.2000. iz baze EBSCO (Academic Search Elite) na: hltp://vvw\v.epnet.com/chost/login.html. (Napomcna: ovoje samo mali primercitiranja elektronskih radova. Spomenuti rad je citiran sa Interneta, tako da mora imati svoj URL iHaFum kada mu je pristupljeno (zbog ovde spomenutog kratkog života resursa na Internetu). Izraz „pristupljeno” je uslovni prevod uobičajenih eng. izraza „cited” i „retrievcd”.) Cirunni ili institucionahii autori Filozofski fakultet Novi Sad. (1993). Ovde ide naslov rada. Zhoriiik nečega o nečcmu, 8, 5-9. Clanak u naučnom časonisu Spitch, M. L., Verzy, H. N., Wilkic, D. M. (1993). Subjcclive shortening: A model of pigeons' memory for event duration. Jourhal o f Experimental Psychology: Aniina! Behavior Processes, 9, 14-30. Pismo uredniku O'Ncill, G. W. (Januar 1992). In support ofD SM -llI (pismo uredniku]. APA Monitor, 4-5. Clanak u časopisu za i:iopularizaciiu naukc Gardncr, H. (Decembar 1991). Do babies sing a universal song? Psychology Today,10--l(s. Ćlanak u novinaina Bro\vn, L.S. (Proljeće 1993). My research w'ith orangs. ThcPsycho!ogy Department News!elter, 3, 2. Eseii. brošure. pamfleti Fondacija „Humanitarac” (1992). Čuvajmo našu djecu. (9. izdanje) [brošura]. Podgorica: autor. Problempozicije, odnosno lokacije spiska literature već smo pomenuli kada smo diskutovali način pozivanja referenci u tekstu. Rečeno je da su nekada doniinantna bila tzv. Turabian pravila, koja su još uvek uobičajcna u nekim diseiplina-
ma i naučnim časopisima i u kojima ne postoji spisak literature na kraju rada, nego su sve bibliografske reference smeštene u fusnote. Mnogo bolji načinje da postoji jedinstven spisak literature koji se u slučaju kraćih tekstova stavlja na kraj, a u slučaju dužih tekstova (knjiga) postoje dve varijante: iza svakog poglavlja i na kraju knjige. Smeštanje spiska literature iza svakog poglavlja u knjizi ima praktičnu prednost je r zahteva manje hstanja strana, ali nije praktično ako u knjizi uopšte ne postoji kompletan spisak svih citiranih radova.
4.
Pisanje teza i disertacija
Pisanje dužih naučnih radova, kao što su knjige, nije u fokusu metodološkog priručnika za istraživanje ponašanja. Sasvim je jasno da se duži radovi ne mogu pisati na isti način kao i istraživački izveštaji koji se pišu u formi članaka za časopise i koji se stalno nalaze pred iskušenjem kako da balansiraju infoiTnativnost i konciznost. Medutim, pisanje diplomskih radova, magistarskih teza i doktorskih disertacija („teze i disertacije”) u oblasti empirijskih istraživanja ponašanja, su vrsta istraživačkog izveštaja sa posebnom namenom. Ta namena, edukativna, oslobođa ih zahteva za kratkoćom, ali njihova opšta skica potpuno odgovara onoj koju smo opisali u odeljku o delovima i strukturi istraživačkih izveštaja. U tom pogledu nema h ’alitativne razlike izmedu istraživačkih izveštaja iz „pravih” istraživanja, koji se objavljuju kao članci u serijskim publikacijama i teza i disertacija, kao izvcštaja iz „edukativnih” istraživanja (v.). Razhku treba posmatrati samo kao kvantitativnu - teze i disertacije su generalno mnogo voluminoznije od uobičajenih istraživačkih izveštaja. Ipak, ono što se naziva „originalni naučni doprinos” nije bez značaja u edukativnim istraživanjima. Naime, samostalni naučni doprinos predstavlja ono što smo ovde na više mesta isticali kao ideju vodilju, bez njega ne može postojati „slant”, on je okosnica i temelj rada u cehni. Takode, teško je oceniti metodologiju rada kao dobru ako su zaključci trivijalni. Opšti pristup, vladanje metodologijom i istraživačkim tehnikama se, zapravo, dokazuje kroz naučni doprinos, ma koliko on bio skroman. Na pitanje šta je naučni doprinos nije lako odgovoriti, nego je dužnost mentora, komisija i naučnih i nastavnih ustanova da ocene da li on postoji. Vehki samostalni naučni doprinos se, naravno, ne očekuje od seminarskih i diplomskih radova. Medutim, za magistarske teze, a posebno za doktorske disertacije se smatra da ih mora krasiti originalan doprinos naučnom znanju. Ako doktorska diseitacija nije doprinos nauci, onda se za njenog autora ne može reći da poseduje naučno-islraživačke kompetencije. Ono što smo u odeljku o delovima i struktiiri istraživačkih izveštaja nazivali odeljcima, odnosno delovima, ili ih opisivali kao stavke koje se mogu ili moraju naći u tim poglavljima, obično će u tezama i disertacijama dobiti status poglavlja. Zbog edukativne prirode ovih izveštaja, autor mora dokazati da vlada svim
istraživačkim elementima, od formulisanja problema, preko istraživanja biblioleke do zaključaka. Kod nas se posebna pažnja posvećiije uvodu (više nego što je to stvamo potrcbno), od koga se očekuje da predstavlja obiman pregled čitave oblasti, pored delova koji se u uvodu standardno očekuju. Naravno, pre nego što počne da piše tezu ili disertaciju, kandidat mora da konsultiije pravila i običaje koji u toj oblasti važe u ustanovi u kojoj će rad braniti. U rmiogim knjigama, udžbenicima i publikacijama, kao i na Intemetu, može se pročitati o stmkturi izveštaja i o stilu pisanja, ali ne samo o tome, nego i o opštem pristupu i metodologiji izradi teza i disertaeija. Mogu se naći čak i predlozi tcma podobnih za izradu diplomskih radova. Jedna od mnogih takvih adresa na Internetu je http://www.esc.edu/^vriter na Empire State CoIIege. Na našim univerzitetima ne upadaju u oči detaljna pravila za pisanje teza i disertacija. To možda nekim kandidatima odgovara, dok kod većine stvara pogrešnu sliku o onome šta se od njih očekuje. Generalno, bilo bi bolje da svaka naučna diseiplina u okvim jcdnog univerziteta i/ih fakulteta ima defmisane standardne skice radova, praćene uputstvima i primerima i koje bi bilo javno dostupne, recimo na Internetu. Naravno, svaki kandidat može sam u fakultetskoj bibliotcci pogledati kako izgledaju radovi koji su ranije odbranjeni. U ncdostatku manje ili više formalizovanih pravila, aii i kada ona postoje, na mentom je da pomogne kandidatu u pogledu stmkture i sadržaja rada. Navešćemo jednu okvimu listu odlika za koje smatramo da krase dobar „edukativni” rad. Neki od tih kritcrijuma su opšti i važe za sve istraživačke izveštaje, a neki su specifični za „edukativna” istraživanja. Navedene odlike su smernice kandidatima na šta da obrate pažnju kada sprovode istraživanje i pišu izveštaj. Za detaljnije obrazloženje trcba pogledati odgovarajuća poglavlja u knjizi. Urednost • Rad u celini mora biti uredan, uredno prelomljen, odštampan i ukoričen. • Rad ne sme imati gramatičke, daktilografske i dmge “tehničke” greške. Tačnost • Literatura mora biti tačno navedena i citirana. Svi citati moraju biti praćeni referencom, a sve navedene reference moraju biti citirane u tekstu... Prilikom navođenja i citiranja treba tačno i dosledno poštovati neko od pravila, najbolje APA. • Prilozi, tabele i grafikoni ne smcju nedostajati ako se na njih poziva u tekstu. Svi oni nioraju biti na odgovarajući i tačan način numerisani i ta numeracija mora biti korišćena kada se na njih poziva. • Svi stmčni termini iz naučne oblasti, iz metodologije i analize podataka moraju biti pravilno i smisleno korišćeni. • Interpretaeija statističkih nalaza (npr. faktora) mora biti dobra i smislena, temiinologija standardna, a izvedeni zaključci tačni.
638
♦
Metode istraživanja ponašanja
Komnletnost • Rad mora obuhvatati sve dclove koje ima istraživački izveštaj, a sadržaj rada mora biti prilagođen oblasti istraživanja, teorijskom pristupu i odabranoj metodologiji. • Ako je rad baziran na kvantitativnim tehnikama, sadržaj mora pratiti IMRD ili neku shčnu strukturu, • Pored standardnih poglavlja, pre svega poglavlja koje sadrži detaljan opis memih instrumenata i procedura, dobar rad sadrži tabele koje su pregledne i grafikone koji su uredni. • Ako je rad baziran na kvalitativnim ih mešovitim telinikama, pasaži koji se odnose na kvalitativue metode moraju biti napisani jezgrovito, kvahtetno i pismeno. To se posebno odnosi na komentare istraživača i ispitanika, opis potencijahiih interakcija istraživača i ispitanika, narativne delove, deskripcije i dr. • Rad na početku mora imati rezime na našem i stranom jeziku. Kratak. iasan i fokusiran problem ili cili istraživania • Istraživanje mora imati poentu, mora odgovarati na konkretna pitanja, mora ispunjavati konkretne praktične zahteve, dokazivati konkretne hipoteze... • U poglavlju o problemu ili cilju istraživanja moraju biti eksplicitno navedene sve varijable: nezavisne, zavisne, kontrolne... • Konfirmalivna istraživanja su uvek fokusiranija od eksplorativnih, zato će dobar rad verovatno počinjati nekom opštom aii odrcđenom hipotezom, koja će činiti okosnicu celog istraživanja. • Ako se rad zasniva na istraživanju korelacionog tipa, on će za ideju vodilju imati predvidanje ponašanja. Dobar rad će pre nastojati da utvrdi “uticaj”, “predvidanje” ih “zavisnost od”, nego “povezanosf’, “odnos” ili “vezu”. • Ako je istraživanje strukturahiog tipa, dobar rad će nastojati da potvrdi neko teorijsko očekivanje (recimo o broju faktora) ili neku odrcđenu strukturu. • Naslov rada treba da proističe iz problema istraživanja, hipoteze proističu iz problema, a analiza podataka služi odgovoru na istraživačka pitanja. Svi delovi rađa slede jednu osnovnu i logičnu nit - rad ne sme da promašuje tcmu. Kratak. sažet i pregledan uvod • Cilj uvoda je da kandidat demonstrira da je u stanju da napravi pregled oblasti na koju se rad odnosi. Dobar rad će sadržavati uvod u kome se citira savremena literatura i u kome se prccizno locira vlastito istraživanje u odnosu na prethodna istraživanja. • Uvod ne trcba da bude dug. Dužina uvoda ne govori o njegovom kvalitetu, niti o kvalitetu rada.
• Pregled literature, kao poseban korak u istraživanju (istraživanje biblioteke ili Intemeta), mora biti jasno i eflkasno izložen: šta je pročitano, šta doniinira, koja su altemativna gledišta... • Pregled oblasti mora biti napisan kratko i kritički, najbolje kao komparacija osnovnih teorija i pristupa i kao pregled osnovnih problema unutar oblasti... • Izbor teorijskog okvira i pristupa mora biti jasno naveden i obrazložen. • Citiranje (a njega je najviše u uvodu) mora biti formalno ispravno i mora stvanio dokumentovati kritične tačke oblasti koja se istražuje. Smislena i iasna pitania i hipoteze • Hipoteze nisu nužne u istraživanjima koja su deskriptivna, eksplorativna ili korelaciona, Medutim, saznajna vrednost istraživanja koja imaju jasne hipoteze je veća od istraživanja koja ih nemaju. Ako nema hipoteze, dobar rad će uvek imati istraživačka pitanja koja upravljaju celim njegovim tokom. • Istraživačka pitanja i hipoteze nisu trivijalni, fomialni i prazni iskazi. Oni moraju biti kreativna ali operacionalna reformulacija istraživačkog problema. • Postoje jedno ili dva osnovna pitanja i ne više od 5-7 potpitanja ili specifičnih hipoteza. • U dobrom radu se hipoteze ne formulišu kao statistička nulta hipoteza, jer tako u istraživačkom smislu postaju trivijalne, a po logici stvari istraživačke hipoteze su upravo suprotne, one su altemativne nultoj. Istraživačke hipoteze se testiraju sa jednom ili više nultih hipoteza. • Za hipoteze se koriste fomiulacije kao što su: “postoji razlika...”, “utiče na”, “će rezultirati...”, “biće bolji-brži-viši...”, “postoji povezanost...” itd. • Istraživačka pitanja će sadržavati formulacije kao što su “kakve su razlike izmedu...”, “da li utiče...”, “šta su odlike...”, “zašto se (su).,.”, “kako se (su),.,”, “da li je moguće da.,,” itd, Kritičnost • U uvodnom poglavlju, prilikom lociranja vlastitog istraživanja i izbora teorijskog okvira, altemativni i suprotni okviri i pristupi su pošteno i kvalitetno prikazani. • Rad u celini, kao ni njegovi delovi, nisu apologija bilo komc ili bilo čemu, niti se nekritički prihvata neka od teorijskih perspektiva. • Navode se i razmatraju altemativnc hipoteze i altemativni pristupi, koji su poznati iz literature i prethodnih istraživanja. • Ukazuje se na uočene nedostatke i ograničenja u pristupu u celini ili u samom radu. Ukazuje se na moguća poboljšanja. Kritički osvrt je moguće izložiti i u ekspozeu ili tokom odbrane. • Razmatraju se altemativni memi instrumenti ili nacrti istraživanja, i obrazlažu se razlozi zašto su odabrani oni koji su odabrani.
•
Razmatraju se altemativna tumačenja, objašnjenja i zaključci.
Intema validnost • Istraživanje mora biti takvo da svi prethodni koraci direktno podržavaju donesene zaključke, da zaključci direktno slede iz nalaza i da nalazi ne podupim i eventualne druge zaključke. • U dobrom radu postoji analiza internc validnosti i mogućih izvora njenog ugrožavanja. Ona će obuhvatati neke od dole navedenih, ali i druge elemente. • Nacrt istraživanja mora biti primeren cilju istraživanja i konačnim zaključcima. • Tokom realizacije odabranog nacrta istraživanja ne sme doći do bitnih odstupanja od projekta (npr. osipanja uzorka ili neočekivanih događaja). • Kontrola varijabli, kao što su izbor kontrolne gmpe, procedure jednačenja grupa, odnosno kontrola neželjene varijanse u celini moraju biti kvalitetni i dobro obrazloženi. • Sva poređenja koja nacrt omogućava i koja su važna za interpretaciju treba iskoristiti, sprovesti i analizirati. • Instmmenti ne smeju biti menjani u toku istr., u istraživanjima u kojima je to važno (npr. eksperimentalnim), ispitanici ne smeju razmenjivati iskustva, ispitanici ne smeju sticati iskustvo ili sazrevati tokom istraživanja... • Procedure prikupljanja podataka moraju biti obavljene u skladu sa ciljevinia; ankete moraju biti anonimne, intervjui jednaki za sve, testovi primenjeni u saradljivoj atmosferi... • Statističke tehnike moraju biti pravilno odabrane, primenjene i protumačene. Eksterna validnost • Od većine istraživanja se očekuje gencralizabilnost. Zato će dobar rad posedovati ekstemu validnost, analizu mogućih izvora njenog ugrožavanja ili obrazloženje zašto ekstema validnost nije bitna. • Ciljna populacija(e) je definisana eksplicitno i jasno. • Primenj ena j e neka od poznatih procedura uzorkovanj a, sprovedena j e sistematski i obrazložena. • Uzorak je reprezcntativan za ciljnu populaciju, tj. koji je odabran slučajno ili kvotno ima prednost nad dmgim vrstama uzorka. • Uzorak objekata je dovoljno veliki. • Ako uzorak nije dovoljno velik i nije biran nepristrasno, mora postojati obrazloženje zašto je to tako. • Ako je uzorak odabran prigodno ili namemo, to treba biti komentarisano: npr. izabrana je neka prirodno formirana gmpa (odeljenje u školi, porodica, zajednica i sl.), ili su izabrani dobrovoljci...
• Mora biti obrazloženo kakve posledice može imati loš uzorak na rezultale, odnosno u kom pogledu je ugrožena ekslerna validnost istraživanja zbog takvog uzorka... Pouzdanost i valjanost podataka • Primenjeni instnimenti moraju imati poznata i proverena mema svojstva i moraju poticati iz poznatih i legalnih izvora. • Merna svojstva instnirnenata (ocenjivača, posmatrača, procedura) će biti izračunata, ako je moguće, ili će biti predočena ona koja postoje u priručnicima ili u prethodnim radovima. • Ocenjivači, posmatrači, intervjueri i drugi saradnici će proći proces obuke (usaglašavanja, odnosno ujednačavanja). • Metode prikupljanja podataka - testovi, upitnici, intervjui, fokus grupe i sl. - moraju biti pravilno primenjene, na takav način koji će maksimizirati njihovu pouzdanost, valjanost i objektivnost. • Ako su korišćeni ocenjivači, mora ih biti barem dva i mora biti prikazan stepen njihovog slaganja. Multimetodski pristun i triangulaciia • Dobar rad, u skladi\ sa savremenim shvatanjima, nastojaće da nalaze proveri putem neke druge tehnike prikupljanja podataka. • Za to može da posluži neki drugi niemi instrument. • Posebno je korisno ako se u kvantitativnim istraživanjima primeni provera nekom kvalitativnom tehnikom, recimo izlaznim intervjuom. • Isto tako, ako je rad baziran na kvalitativnim telmikama, svaka tehnika koja kvantifikuje dobijcne nalaze doprineće uvcrijivosti rada. Kandidat razume ono što ie napisao • Iskazi, tvrdnje, konstatacije i tumačenja, posebno u delovima koji sadrže primenu statistike, psihometrije, posebnih metoda prikupljanja podalaka ili eksperimentalnih procedura moraju biti smisleni, pravilni i tačni. Time se dokazuje da je kandidat usvojio znanja iz “istraživačke tehnologije”, ali i da je rad obavljen samostalno. • Stručni i naučni termini se moraju pravilno koristiti. Samostalnost • Po defmiciji, edukativni rad se izvodi samostahio. Postoje odredene situacije koje mogu da interfcriraju sa samostalnošću i koje moraju biti jasno rcgulisane. • Na primer, ako podaci potiču iz nekog šireg projekta, to ne oslobada kandidata obaveze da napiše kompletan rad - i dalje morajti postojati poglavlja “Uvod” i “M etode”, na primer. • U takvim slučajevima, u radu će biti jasno opisano o kakvom projektu je reč i u kom svojstvu je autor-kandidat učestvovao. • Mora biti eksplicitno i uverljivo navedeno pravo kandidata da koristi podatke iz projekta i prethodne nalaze (ukoliko nisu objavljeni).
• Kandiđat treba jasno i kritički analizirati i objasniti teorijski i metodološki okvir pod kojim su podaci prikupljeni, svojstva uzorka, merni instrumenti... kao da ga je on sam usvojio. • Ako je mentor odredio temu, instrumente ili pristup... onda to treba da bude jasno iz rada (mora se citirati mentorov ili neki drugi rad koji prcdstavlja polaznu osnovu). Kandidat mora pokazati da u potpunosli razume taj izbor i da ga brani, ali ga to ne oslobada obaveze kritičnosti, fokusiranosti ili samostalnosti. Originalnost • U bilo kom pogledu. • Originalnost teme, izbora instrumenata, metoda, analize podataka. • Originalnost nacrta istraživanja, načina kontrole eksternili varijabli, kontrole anonimnosti, motivacije ispitanika da učestvuju... • Originalnost instrumenata, ako ih je konstruisao kandidat, Originalna upotreba postojećih instrumenata, metoda i tehnika. • Originalnost prikazivanja rezultata i grafikona. • Korišćenje računarski podržanih prezentacija, audio i video materijala, npr. u ekspozeu... Fokusiranost • Rad u celini mora posedovati fokusiranost, a ne opširnost. Takav tekst će od uvoda do zaključaka biti podređen osnovnoj temi rada, sadržanoj u naslovu i uvodu. • Dugački uvodi ne doprinose fokusiranosti. • Vehki broj istraživačkih pitanja i hipoteza nc doprinose fokusiranosti. • Eksplorativni nacrti istraživanja ne doprinose fokusiranosti. Prilagodenost statistike nodaeima • Mora biti zadovoljavajuća - pragmatična. Ne mora biti „knjiška”, ali mora biti jasno obrazložcna. Na primcr, tehnikc se često koriste po konvenciji (Likertove skalc se tretiraju kao intcrvalne), ili zato što su sUčni radovi koristili istu tehniku, ili zato šlo jc pokazano da “monotone transfomiacije podataka ne menjaju r-koeficijente, /-testovc i 7*'-testove”, Kandidal mora znati da tokom ekspozea ili odbrane obrazloži zašto je primenio neku statističku operaciju,,. • Ako su koriSćene MVA tehnike (rccimo FA), niora biti obrazloženo zašto je zadržan jedan broj dimenzija (faktora), a ne neki drugi. • Uz faktorsku analizu ćc postojati obrazloženjc za izbor tipa ckstrakcije inicijahiih faktora i vrste rotacije (nekorehrana ili korclirana)... • Izbegavaju se kontraindikacije za primenu statističke tchnike, ih su one analizirane i obrazložene. Tu se ubrajaju jake deformacije u distribucijama varijabli, nelinearne povezanosti, nepovoljan odnos broja objckata prema broju varijabli u MVA tchnikama, niske očekivane frekvencije u tabelama kontingencijc itd.
• Ako sa podacima „nešlo nije u redii”, ireba upotrebiti statističke tehnike namenjene nižem nivou, ili ih barcni uporediti sa dobijenim naiazima. Na primer, ako distribucija kvantitativnih podataka značajno odstupa od normalne treba pokušati sa statisticima namenjenim ordinalnim varijablama ili neparametrijskim statisticima. • Na zavisnim uzorcima treba primenjivati statističke testove namenjcne zavisnim uzorcima. Pilot istraživania • Rad je bolji ako sadrži pilot istraživanje u bilo kojoj formi i za bilo koje potrebe: za konstrukciju instrumenata, proveru instnimenata, proveiii metoda i procedura itd. Obiektivnost kvalitativnih metoda • Ako se koriste kvalitativne metode prikupijanja podataka, one moraju zadovoljavati standarde naučne objektivnosti - proverljivosti - ponovljivosti nalaza i zaključaka. • Transkripti (zapisnici) moraju biti napravljeni profesionalno, a kodiranje i analiza kvalitativnih podataka moraju biti izvedeni sistematski i objektivno. • Sistem kategorija, tj. kodna shema koja se koristila za kodiranje podataka iz neposrednog posmatranja, fokus grupa, intervjua, analiza sadržaja i dnigih tehnika mora biti detaljno obrazložena. • Svi zaključci moraju biti ilustrovani primerima iz zapisnika i izjavama učesnika. • Dobar rad će sadržavati opise procedura treninga i usaglašavanja ocenjivača i posmatrača (ako ih ima više). • Saglasnost ocenjivača, odnosno pouzdanost merenja mora biti kvantifikovana nekim koeficijentom asocijacije. • Kvalitativne tehnike, posebno studije slučaja, moraju biti sprovodene pod jasnim i čvrstim teorijskim okvirom (theory drivcn). Ocene validnosti i relijabilnosti, kao i izvodenje zaključaka se donose na osnovu saglasnosti podataka i teorije. Etičnost • lako se podrazumeva da nijedan rad ne sme biti plagijat ili falsifikat, ipak treba istaći da u tom pogledu nema “malih” kompromisa. • Svi podaci i sve ideje, akcije, intelektualni proizvodi iii artefakti koji su korišćeni u istraživanju, a pripadaju nekome drugomc, treba da budu ispravno citirani i označeni, • U slučaju kada je to potrcbno, treba biti dobijena saglasnost autora ili vlasnika i mora biti eksplicitno navedeno da li je takva saglasnost dobijena. • To se posebno odnosi na psihološke meme instrumente - testove. • Dobar rad sadrži izraz zahvalnosti svim učesnicima koji su pomogli istraživanje i pisanje, a nisu bili obavezni.
• Odnos prema ispitanicima i svim drugim učesnicima će biti fer. Ispitanici će biti tretirani kao saradnici i poštovaće se pravilo “informisane saglasnosti”, makar dobijene i nakon sprovedenog istraživanja. U radu će aspekt dobrovoljnosti-nedobrovoljnosti i načina dobijanja saglasnosti ispitanika biti eksplicitno prikazan. Sažet. originalan i zanimljiv ekspoze • Usmeno izlaganje mora imati notu polemičnosti, mora biti usredsređeno na najvažnije stvari, ne sme biti prebrzo i mora imati ličnu notu... • U ekspozeu se rad prikazuje na drukčiji način od onog kako je iskazan u pismenoj formi. Posto je do odbrane prošlo neko vreme, kandidat može steći jasniju sliku o onome što je napisao. • Korišćenje tehničkih pomagala doprinosi kvalitetu ekspozea.
5.
Pisanje projekta i predloga istraživanja
U poglavlju o strukturi i projektu istraživanja opisano je šta su projekt i predlog istraživanja, šta u glavnim crtama moraju da sadrže i koja im je osnovna namena. Kandidatima situaciju olakšavato što je predlog teze ili diseilacije, u domenu „edukativnih” istraživanja, analogan projektu istraživanja u domenu „pravih” istraživanja, principi su slični. U osnovi, postoji značajno preklapanje u sadržaju i načinu pisanja između svih nabrojanih klasa tekstova: projekata i predloga, s jedne strane i istraživačkih izveštaja, teza i disertacija, s druge. U projektu i predlogu neće, naravno, postojati poglavlje o rezultatima, analizi, diskusiji i zaključcima, ali će podudarnost uvodnih poglavlja biti značajna. Razlikuju se samo aspekti i pristup pisanju: • projekti i predlozi treba da promovišu i obezbede uslove da istraživanje počne, • istraživački izveštaji treba da infomiišu naučnu i stručnu javnost, a • diplomski radovi, teze i disertacije da istraživaču donesu akademski stepen.
IX. BIBLIO G RAFIJA
Aiken, L.R. (2002). Attitudes and Related Psychosocial Constructs - Theories, Assessment andResearch, Thousand Oaks: Sage Publications. American Eđucational Rcsearch Assoeiation - AERA (1999). Standards fo r educational andpsychological testing, autor, Washington; Amcrican Psychological Association-APA i National Council on Measurement in Education. Amcrican Psychological Association - APA (2001). Publication Manual o f the American PsychologicalAssociation, Fifth Edition, Washington, DC: autor. Amold, J., Silvester, J., Patterson, F., Robertson, I., Cooper, C., Burncs, B. (2005). Work Psychology - Understanding Human Behaviour in the IVorkplace, Fourth edition, Harlow: Pearson Education, Prentice Hall, Financial Times. Baćcvić, Lj. (rcd.) (1994). Javno mnenje, Institut diTištvenih nauka, Beograd: Centar za politikološka istraživanja i javno mnenje. Baćević, Lj. (2004). In medias res - Efekti medija, Beograd: Institut društvenih nauka. Bailey, J.S., Burch, M.R. (2002). Research Methods in Applied Behavior Analysis, Thousand Oaks: Sage Publications. Baron, R.M., Kenny, D.A. (1986). The M oderator-M ediator Variable Distinction in Social Psychological Research: Conceptual, Strategic and Statistical Considcration, Journal o f Personality> and Social PsychoIogy, 51:6:11731182. Bemard, H.R., Ryan, G.W. (1998). Qualitative and Quantitative Methods of Text Analysis, u Bemard, H.R. (ur.), (595-646). Walnut Creek, CA: AltaMira. Bom, D. (1972). Uzročnost i slučajnost u savremcnoj fizici, Beograd: Nolit.
Bogardus, E. S. (1925). Measuring social đistances, Joiirnal o f Applied Sociolog)>, 9, 299-308. Bogardus, E. S. (1928). Immigration and race attitudes, Boston: Heath. Bukvić, A. (1996). Načela izrade psiholoških testova (III izdanje), Beograd; Zavod za udžbenike i nastavna sredstva. Cattell, R.B. (ur.) (1966). Handbook o f Multivariate Experimental Psychoiogy, Chicago: Rand McNally and Company. Catterall, M., Maclaran, P. (1996). Using computer programs to code qualitative data, Marketing Intelligence & Planning, 14:4:29(5). Cohen, J. (1988). Statistical Power Analysis fo r the Behavioral Sciences, 2"'* edition, Mahwah, NJ: Lawrence Erlbaum Assoc. Cohen, R.J., Swerdlik, M.E. (1999). Psychological Testing and Assessment (An Introduction to Tests and Measurement), Mountain View, CA: Mayfield Publishing Company. Cozby, P.C. (2003). Methods in Behavioral Research, VII edition, Boston: McGraw-Hill Higher Education. Cresv^’ell, J.W. (2003). Research Design: Qualitative, Quantitative and Mixed Methods Approaches, II edition, London: SAGE Publications. Dohan, D., Sanchez-Jankowski, M. (1998). Using computers to analyze ethnographic field data: iheoretical and practical considerations, Annual Review o f Sociology, 24:1:477(22). Dragićević, Č. (1984), Statistika za psihologe, Beograd: Centar za primenjenu psihologiju. Eysenck, H.J. (1971). Uses andAhuses ofPsycho!ogy, Harmondsworth, England: Penguin Books. Fajgelj, S. (1972), Simulacija kognitivnih procesa i vještacka inteligencija, Diplomski rad, Filozofski fakultet, Beograd. Fajgelj, S. (1975). Mogućnost zasnivanja opšte teorije grešaka, Gledišta, 16, 5-6: 461^79. Fajgelj, S. (1995), Evaluacija statističkih obrada u istraživanjima javnog mnenja, Sociološki pregled, Vol. XXIX, 1, 107-117. Fajgelj, S. (2005). Psihometrija, inetod i teorijapsihološkog merenja, II dopunjeno izdanje, Beograd: Centar za primenjenu psihologiju. Fajgelj, S., Kuzmanović, B., Dukanović, B. (2004). Priručnikza socijalna istraživanja, Podgorica: CID i SOCEN. Fieki, A.P, (2001). Mcta-analysis of correlation coefficients: a Monte Karlo comparison o f fixed- and random-cffect methods, Psychologicai Methods, 6(2), 161-180. Filipović, V. (ur.) (1965). Filozofijski rječnik, Zagreb: Matica Hrvatska. Frary, R. (1997). A BriefG uide To Questionnaire Development, http://ericae.net/ ft/tamu/vpiques3.htm. Gardner, H., Kornhaber, M.L., Wake, W.K. (1999). Inteligencija: različita gledišta, Naklada Slap, Zagreb.
Garson, D. (2000). PA 765 Statnotes, The Online Textbook, na http;//www2. chass.ncsu.edu/garson/pa765/statnote.htm, (pristupljeno feb.2001.). Ghiselli, E.li. (1964). Theory ofPsycho!ogicaI Mea.surement, London: M cGrawHill. Glaser, B. G. (1998) D oinggroim ded theory: issues anddiscussions, Mill Vallcy, Ca: Sociology Press. Good, C.V., Scates, D.E. (1967). Metode istraživanja u pedagogiji, psihologiji i sociologiji, Rijeka: Otokar Keršovani. Grosshans, W., Chelimsky, E. (1990). Case study evaluations, United States Gcneral Accounting OlTice, Program Evaluation and Methodology Division, (sa Intemeta, 10_l_9.pdf). Gud, V., llet, P. (1966). Melodi socijahiog islraživanja, Jugoslovcnski zavod za proučavanje školskih i prosvetnih pitanja, Dcograd: Vuk Karadžić. Guetzkow, H. (1950) Unitizing and categorizing problems in coding qualitativc data, Journal o f Clinical PsychoIogy, vol. 6, 47-58. Guilford, J. P. (1968). O snovepsihološke ipedagoške slalislike, Beograd: Savrcmena administracija. Guttnian, L. (1947). The Cornell techniquc for scalc and intensity analysis, Educalional andPsyhological Measuremenl, VII, 2, 247-280. Hambleton, R.K., Svvaminathan, H., Rogers, J.H. (1991). Fundamenlals o fh e m Response Theory, Newbury Park, CA: SAGE Publications. Hanneman, R.A., Riddle, M. (2005). Inlroduclion lo social nelwork melhods. Rivcrside, CA: University o f Califomia, Riverside, http://faculty.ucr.edu/ -hannem an/ (pristup. avg. 2005). Havelka, N., Kuzmanović, B., Popadić, D. (1998). Metode i tehnike socijalnopsiholoških istraživanja, Priručnik za vežbe iz Socijalne psihologije 1 i Socijaine psihologije 11, Beograd: Centarza primenjenupsihologiju Društva psihologa Srbije. Insch, G.S., Moore, J.E. (1997). Content Analysis in Leadership Rcscarch: Examples, Procedurcs, and Suggestions for Future Use, Leadership Quarterly, Vol, 8 Issue 1, 1-25. Ives, B. (2003). Effcct Size Use in Studics o f Learning Disabilitics , Journal o f Learning Disahilities, 00222194, Nov/Dec2003, Vol. 36, Issue 6. Kadushin, C. (2004). IntroducHon to Social Network Theoiy (draft), http://liome. earthlink.net/~ckadushin/Texts/Basic Network Concepts.pdf (pristup. avg. 2005). Katel, R.B. (1978). Naučna analiza ličnosti, Beograd: BIGZ. Kerlingcr, F.N., Lee, H.B. (2000). Foundations ofBehavioralResearch, IV edition, London: Wadsworth, Thomson Publishing. Koen, M. i Nejgel, E. (1965). Uvod u logiku i naučni metod, Bcograd: Zavod za izdavanje udžbenika SR Srbije. Konold, C. (1995). Issues in Assessing Conccptual Understanding in Probability and Statisties, Journal o f Statistics Educalion, 3, 1, dostupno na http:// wwv/2.ncsu.edu/ncsu/konold.htm, (pristup. 9.9.1996).
Kreč, D. R. S. Kračfild i J. L. Balaki (1972). Pojedinac u društvu, Beograd: Zavod za udžbenike i nastavna sredstva. Kreč, D., Kračfdd, R. (1973). Elementipsihologije, II izdanje, Beograd: Naučna knjiga. Kuzmanović, B. (2001). Etnička distanca u Cmoj Gori, u: Đukanović, B., B. Kuzmanović, M. Lazić i M. Bašić, Nacija i država, 177-246, Podgorica: SoCEN. Langdridge, D. (2004). Introduction to Research Methods and Data Analysis in Psychology, Harlovv, England: Pearson / Prentice Hali. Likert, R. (1932). A technique for the measurement o f attitudes, Archives o f Psyhology, No 140, 1-55. Luce, R.D. (1999). Where is Mathematical Modeling in Psychology Headed? Theory andPsychology, Vol. 9(6), 723-737. Lyons, L.C. (2004). M eta - Analysis: Methods o f Accumulating Results Across Research Domains, www.mnsinc.comysolomon/MetaAnalysis.html (pristupljeno feb. 2004). Marković, M. (1981) Filozofski osnovi nauke, Beograd: SANU. Milić, V. (1965). Sociološki metod, Beograd: Nolit. Momirović, K. (1988). Uvod u analizu nominalnih varijabli, Ljubijana: Jugoslovensko udruženje za sociologiju i Fakulteta za sociologijo, politične vede in novinarstvo. Momirović, K., Wolf, B. (1997). Uvod u teoriju merenja, I. Metrijske karakteristike kompozitnih mernih instrumenata, Beograd: Institut za kriminološka i sociološka istraživanja, elektronsko izdanje. Dostupno i kao: Momirović, K., Wolf, B., Popović, B. (1999). Uvod u teoriju merenja, I. Metrijske karakteristike kompozitnih mernih instrumenata, 2. izdanje, Priština: Fakultet za fizičku kulturu. Momirović, K. (ur.) (1998). Realnostpsiholoških konstrukata, Beograd: Institut za psihologiju Filozofskog fakulteta i Institut za kriminološka i sociološka istraživanja. NunnaIIy, J.C., Bernstein, I.H. (1994). Psychometric theory - I I I Edition, New York: McGraw-HiII Series in PsychoIogy. Osgood, C. E, Suci, G. J, Tanneubaum, P. FI. (1957). Measurement o f Meaning, Urbana: University of lllinois Press. Ozgud, Č. (1963). M etod i teorija u eksperimentalnoj psihologiji, Beograd: Savreniena škola. Pandit, N.R. (1996). The Creation of Theory: A Recent Apphcation ofthe Grounded Theoiy Method, The Qualitative Report, Vol. 2, N. 4, (http://www. nova.edu/ssss/QR/QR2-4/pandit.html). Park, R. (1902). The concept o f social distance, Journal o f Applied Sociology, VIII. Pearl, J. (1996). The Art and Science of Cause and Effect, predavanje održano na UCLA u okviru ,,Faculty Research Lecture Series”.
Pearl, J. (1999). Causality. New York: Cambridge University Press, dostupno i kao: Pearl, J. (1999). Simpson's Parađox: An Anatomy, http://www.stat. ucla.edu/papers/preprint.s/r264.ps (fjristup. 15.10.1999). Petz, B. (1981). Osnovne siatističke metode za nematematičare, Zagreb: Sveučilišna nakJada Liber. Radonjić, S. (1968), Uvod u psihologiju - Slm kturapsihologije kao nauke, Beograd: Zavod za izdavanje udžbenika SRS. Ristić, Ž. (1995). O istraživanju, metodu i znanju, Beograd: Institut zapedagoška istraživanja. Robcrts, J.S., Laughlin, J.E., Wedell, D.H. (1999). Validity Issues in the Likert and Thurstone Approaches to Attitude Measurement, Educational & Psychological Measurement, Vol. 59 Issue 2, 211-234. Rosenthal, R., DiMatteo, M.R. (2001). META-ANALYSIS: Recent Developments in Quantitative Methods for Literature Reviews, Annual Review o f Psychology, Annual, 2001. Rosnow, R.L., Rosenthal, R. (2005). Beginninig Behavioral Research: A Conceptual Primer, 5*'’ edition, New Jersey: Pearson Prentice Hall. Rot, N. (1989). Osnovi socijalnepsihologije, Beograd: Zavod za udžbenike i nastavna sredstva. Rot, N., Haveika, N. (1973). Nacionalna vezanost i vrednosti kodsrednjoškolske omladine, Beograd: Institut za psihologiju i IDN. Rozeboom, W.W. (1960). The Fallacy O fTheN ull-hypothesis Significance Test, Psychological BuUetin, 57, 416-428. Russell, B.H., Ryan,G. (1998). Qualitative and Quantitative Methods of Text Analysis, u H. Russell Bernard (ur.), Handbook o f M ethod in Cultural Anthropology, Altamira Press. Rust, J., Golombok, S. (1999). Modern Psychometrics - The Science o f Psychological Assessment, 2'“*ed., London: Routlcdge. Schafer, W.D. (1999). An Overview o f Meta-analysis, Measurement & Evaluation in Counseling & Development, Vol. 32, Issue 1. Schwarzer, R. (1989). Meta-Analysis Programs, priručnik za programe Meta53, http://userpage.fu-berlin.de/~health/manual.exe (pristupljeno feb.2004.). Scott, W. A., Wertheimer, M. (1962). Introduction to Psychological Research, New York: John Wiley & Sons. Shaughnessy, J.J., Zechrneister, E.B., Zechmeister, J.S. (2000). Research Methods in Psychology, V edition, Boston: McGraw-Hill Higher Education. Slavujević, Z.D. (2002). Politički marketing, Beograd: Fakultet političkih nauka. Spector, P.E. (1992). Sum m atedRating Scale Construction, London: Sage Publications. Stemberg, R.J. (2001). Psychology —In Search o f the Human Mind, 3 '‘‘ Edition, Fort Worth: Harcourt College Publishers. Stilson, D.W. (1966). ProbabiUty and Slalistics (in psychoIogical research and theory), London: HoIden-Day.
Stojnov, D. (2001). Konstruktivistički pogled na svet: predstavljanje jedne paradigme, Psihologija, X X X IV :l-2 :9 ^ 8 . Streiner, D.L. (2003). Meta-analysis: A 12-step program, eGambling: The electronic journal o f gambling issues, http://www.canih.net/egambling/issue 9vl/feature/. Supek, R. (1968). Ispitivanje javnog mnijenja. II prošireno izdanje, Zagreb: Naprijed. Tenjović, L. (2002). Statistika u psihologji, dopunjeno izdanje, Beograd: Centar za primenjenu psihologiju. Thompson, B. (1996). AERA editorial policies regarding statistical significance testing: Three suggested reforms. Educational Researcher, 25(2), 26-30. Thurstone, L.L. (1928). Attitudes can be measured, American Journal o f Sociology, 33, 529-554. Thurstone, L.L. And E.J. Chave (1929). The measurement o f aititude, Chicago: University of Chicago Press. Trochim, W.M. (2005). The Research Methods Knowledge Base, 2nd Edition, http://trochim.human.comell.edu/kb/index.htm ili http://www.socialrese archmethods.net/kb/ (pristupljeno 2005.). Von Wright, G. H. (1975). Objašnjenje i razumevanje, Biblioteka „Sazvežđa”, Beograd: Nolit. Woodworth, R.S., Sheehan, M.R. (1971). Contemporary Schools in Psychology, London: Methuen & Co. Zumbo, B.D., Pope, G.A., Stork, J. (1997). Are Confidence Intervals Useful?: Looking Beyond the Simple Cases (Paper No. ESQ BS-97-l). Prince George, B.C.: University of Northeni British Columbia. Edgeworth Laboratory for Quantitative Behavioral Science.
X. IN D E K S P O JM O V A
autokorektivnost......................................... 36 a u to rstv o ......................... 3 7 3 ,6 1 7 ,6 2 1 ,6 2 2 BARS skale ..............................................338 bazična istraživanja ................................ 232 bibliografske baze . . . 1 6 5 ,1 6 7 ,2 9 7 ,4 6 5 , 605,613 binam e varijable . . 103, 291, 459, 531, 561 biografski m e to d ....................................... 274 biografsko istra ž iv a n je ......... 273-275, 384 biranje bez v r a ć a n ja .............. 548, 570, 595 biranje ek sp erata....................................... 583 biranje lancem p re p o ru k a ....................... 584 biranje modalnih č la n o v a ....................... 583 biranje sa v raćan jem ....................... 548, 570 biranje po k o r a k u .....................................572 broj stepcni slobode . . 2 9 5 ,4 9 7 ,5 1 2 ,5 1 6 , 517, 526-528, 530, 532, 562, 627 brojanje g la s o v a ....................................... 286 C k o e ficijen t............................ 530, 531, 533 CADAC ......................... 2 4 8 -2 5 1 ,4 5 0 ,4 5 2 C A P I................................................... 248, 249 C A Q D A S ...................................................391 C A S l......................................... 24 8 ,2 4 9 ,2 5 1 CA Tl .................... 2 4 6 ,2 4 8 -2 5 0 ,5 8 0 ,5 9 9 cilj istraživanja . . 126, 157, 162, 223, 383, 623, 624, 638 citatne b a z e .............................. 166, 465, 613
em pirijske d e fm ic ije ...................................42 CPIJM Research Data ................... 248, 462 endogene v a r ija b le .................................. 148 C ram ero v V ..................................... 5 31,534 epistem ologija .............. 25, 26, 31, 50, 111 C -k o eficijen t.............................................. 530 epoche ....................................................... 120 D D ! ..................................................... 456-458 etapa a n k e ta ra ......................... 354, 555, 593 d e b rie fm g ...................................................444 etapa isp ita n ik a ................................ 555, 592 dedukcija .............................. 21, 37, 50, 130 etiketiranje (tagging) .............................. 379 defm icija . 28, 35-39, 41-44, 46, 51, 62-64, etnografija ................................................ 273 67, 82-84, 90, 95, 106, 114, 137, evaluacija p ro g ra m a ................................ 263 139, 140, 143, 149, 187, 196, 241, evaluaciona istra ž iv a n ja .............. 173,226, 254, 2 6 3 ,2 7 3 ,3 1 3 ,3 1 9 ,3 2 2 ,3 2 4 , 263-265, 270, 353 3 4 8 ,3 6 8 ,3 8 3 ,3 9 0 , 409, 421,461, ex post f a c t o ..................................... 236, 259 469, 549 facililator ......................................... 159,353 denotativno značenje ....................... 41 ,4 1 4 faktorska analiza . 235, 240, 255, 300, 377, deskriptivna islraživanja . . . . 176, 179, 623 424, 541, 543 deskriptivna slalislika . 377, 469, 477, 479, faktorski n a c r t .............. 185, 212, 216, 220, 48 9 ,4 9 6 , 541,627 226, 235 deskriptivne varijable . . 142, 144-147, 203, falsifikati ................................ 4 4 0 ,6 1 7 ,6 4 3 211 fenom enologija . . . 119, 121, 126, 276, 370 digilalna b ib lio te k a .................................. 165 fenom enološka m e to d a .................. 119, 120 diliotomne (binam e) varijable 103, 291, 308 fenom enološka r e d u k c ija ....................... 120 direktne m etode merenja s ta v o v a 397 fokus g r u p e ............127, 265, 278, 303-306, diskrim inaciona analiza . . . 137, 235, 255, 310, 3 43,347,352-354, 541,560, 628 3 5 6 -359,383,384, 429, 431, dnevnik posm atranja .............................. 318 4 3 8 ,4 5 1 ,6 2 6 ,6 4 1 ,6 4 3 dvosm em o (dvoslrano) le s tir a n je 513 fiindamentalna istraživ an ja.....................232 dvostruko s l e p i ......................................... 184 generalizabilnost ......... 1 2 4 ,2 3 1 ,3 5 9 ,6 4 0 E B S C O ..................................... 168, 297, 635 generalizacija . . . . 3 8 ,2 4 3 ,2 7 9 ,3 5 9 ,4 7 1 , efckat f io k e ....................................... 256, 299 499, 503, 546-548, 552, 556, efekal k o h o rte ............................................259 565, 574, 629 efckli in te ra k c ije ..................... 149, 185, 221 genetičke definicije ...................................42 efckti redosleda .............................. 199,224 glavni cfckti ..................................... 221, 222 egzogcna v a r ija b la .................................. 148 g n o se o lo g ija ......................................... 25, 31 ekološka greška ....................................... 150 greška I tipa ............................ 293, 508, 513 ekološka k o rc la c ija .................................. 150 greška II t i p a ..................................... 508, 516 ekološka validnost ......................... 183,313 grupe ujcdnačene po p a ro v im a ..............198 ekološka rep re zen taliv n o sl.....................185 grupišuće varijable . . . 145, 204, 222, 239, ekspcrimcntalna islraživanja 43, 142, 203, 259 210, 2 2 5,230, 240, 252, 253 Guttm anova s k a la .................. 400, 402, 403 eksperimentalna m anipulacija . . 194,203, heterogcno biranje ...................................584 204, 365 hipotetičk o -d ed u k tiv n i....................... 49, 58 eksperimentalni nacrt . 1 2 6 ,2 0 6 ,2 0 7 ,2 1 3 , 224, 227,hipoleza 2 5 5 ,2 7 1 ,227, 7 2 29, 45, 49, 50, 137, 156, 158, 160, 161, 164, 173, 176,215, eksplorativna istraživanja . . . 121, 171-173, 242, 2 3 1 ,2 4 3 ,2 4 4 , 262, 270, gcnerisanje. 4 9 ,1 2 4 ,1 2 7 ,1 5 9 ,2 5 4 , 278, 504, 533, 623, 639 260, 270, 2 8 6 ,3 1 0 ,3 5 3 ,4 7 0 ekstcma validnost . . . . 124, 184, 185, 194, n u l t a .. 3 0 ,1 0 0 ,1 9 8 ,2 2 3 ,2 9 2 ,4 2 1 , 231-2 3 3 ,5 2 3 ,6 4 0 ,6 4 1 4 7 0 ,4 8 7 , 561,571 ekstem e v a r ija b le ......... 1 4 6 ,2 0 5 ,2 1 9 ,4 1 8 testiranje 31, 58, 63, 100, 118, 241, E l i z a ....................................................... 47, 48 243, 270, 273, 278, 287, 350, em pirijska islraživanja . . 17-19, 30, 43, 44, 59, 134, 163,460, 629
243, 623
369, 376, 390, 547, 560, 582, 592, 628 idiografski pristup ....................... 1 7 ,5 8 ,5 9 im plicitan stav ..........................................398 indeksiraiije teksta ...................................371 in d u k c ija ..................................... 37, 202,471 induktivna gradnja te o rijc ..........................49 informisana sa g la sn o s t................... 225, 443 in ten cio n aln o st..........................................119 intem a validnosl . 178, 179, 184, 214, 239, 640 Interaet . . 17, 167-169, 246, 247, 249, 379, 459-461,540, 570, 6 0 1 ,602, 619 Intcrnet ankete ................................. 246, 249 inler.subjektivna sa g la sn o st......... 27, 42, 59 intcrval p o v e re n ja ___ 296, 420, 426, 488, 498, 523-525, 557, 559, 561, 563 in te r v ju ----- 118, 121, 128, 230, 241, 243, 246, 250, 260, 262, 274, 278, 280,3 2 4 , 340, 347-351,3573 5 9 ,3 7 4 ,3 8 3 , 3 9 7 ,4 1 9 ,4 3 1 , 434-437, 4 4 1,444, 449, 564, 625 ireverzibilni z a d a c i...................................225 istorija (pretnja intemoj validnosti) . . 180, 2 1 3 ,2 7 0 istorija slu č a ja ............................................ 270 istraživačka hipoteza .............. 44, 505, 513 islraživačka p ita n ja .............. 130, 170, 172, 2 4 3 ,3 1 3 ,6 3 8 izlazni intervju . . . 324, 444, 445, 449, 625 izvori i d e j a .................................................157 javno m n je n je ......... 32, 244-246, 248, 250, 268, 299, 302, 342, 367, 440, 462, 564, 580, 585, 589, 596, 598 javnost .............. 2 2 ,2 5 ,3 6 ,1 0 4 ,1 2 2 ,1 2 7 , 263 ,2 6 8 , 4 4 8 ,6 0 5 ,6 1 8 ,6 4 4 jedinice analize . . . 20, 132, 279, 280, 308, 3 6 9 ,3 7 1 ,3 7 4 ,3 7 7 ,3 7 9 , 3 8 3 ,3 8 5 ,3 8 7 , 456 jedinice posm atranja . . . 20, 132, 135, 368, 549, 559, 570, 576-579, 592, 594, 597, 624 jedinice uzorkovanja . 132, 376, 549, 568, 5 7 1 ,5 7 5 ,5 7 7 -5 7 9 , 598 jednačenje . . . 192, 196-198, 211, 212, 216, 2 1 8 ,2 2 0 , jednosm em o (jednostrano) testiranje . . 513
kadrovski problera . . .
1 2 9 ,3 9 2 ,4 6 5 ,4 6 6 , 520 kanonička korelaciona analiza . . 137, 255, 499 K A T ......................................... 334, 420, 450 kategorijalne varijable . 8 9 ,1 0 5 ,1 4 6 ,1 4 7 , 288, 489, 490, 528 kau zaln o st. . . 52, 54-57, 70, 190, 194, 213 k la s te rb ira n je (u z o rc i)......... 5 7 7 ,5 7 9 ,5 9 0 klika ........................................................... 364 ključne reči . 166, 167, 372, 389, 603, 621, 622 kodeks ..................................... 439,454-458 kodiranje . 9 1 , 250, 279-285, 313, 368-371, 374, 377-379, 382, 383, 385, 387-392, 643 koeficijent kontingencije ....................... 530 koeficijent reproducibilnosti.................. 402 k o h o r ta ..................................... 217, 2 5 7,258 k o lo k a c ije ......................................... 371-373 kondenzacija p o d a ta k a .................. 100, 102 konfim iativna faktorska analiza . 240, 424, 541,543 konfinnativna istraživanja ........... 243, 638 konfundacija varijabli . 146, 179, 187, 199, 219 k o n k o rd a n c a .....................................3 7 1, 372 konotativno značenje .......................4 1 ,4 1 4 k o n stru k t.. 4 0 ,4 1 , 136, 139, 140] 142,267 konstruktivizam . . 113,1 2 0 -1 2 2 ,1 2 6 ,3 7 0 konstruktivna valjanost . . . 1 79,186,306, 387, 423 kontinuirane varijablc . . . 82, 91, 100, 103, 105, 146, 488, 561 kontrafakti ............................................19, 57 kontrola neželjene varijanse . . . . 146, 191, 193, 197,212,218-220, 229, 2 7 1 ,6 4 0 kontrolna gmpa bez tre tm a n a ................209 kontrolne v a r ija b le ......................... 2 1 8 ,5 6 4 korelaciona istraživanja 236, 252, 255, 273 kriterijum ska v a lid n o st........................... 426 kritične oblasti ....................... 511,514-516 kvalitativne m etode . . . 78, 113, 118, 124, 261,263, 273,299, 302,304, 3 0 7 ,3 0 8 ,3 1 2 , 3 3 4 ,3 5 3 ,3 6 7 , 370, kvantitativne metode . 1 1 3 ,1 2 4 ,1 2 8 ,2 4 2 , 227,625 263, 302, 309, 334, 382 kvazi-eksperim ent .................................. 228 kvotni u z o r a k ................ 585, 586, 590, 596
627, 638, 643
nacrt prekinutih vrem enskih serija . . . 203, kvolni kriterijumi (o b e le ž ja ).................. 586 228, 255 kvotno slučajno biranje ......................... 573 nacrt sa jednom g m p o m ......................... 213 K W I C .............................. 3 7 1 ,3 7 2 ,3 7 4 ,3 7 9 n a c r ts a n = l ..................................... 2 7 1 ,2 7 2 K W O C ............................ 3 7 1 ,3 7 2 ,3 7 4 ,3 7 9 nacrt sa neekvivalentnim gm pam a . . . 203, lem atizacija ..................................... 371,372 227 levak (strateg ija)..................... 346, 351, 353 nacrt sa ponovljenim m erenjima 212, 223lično intervjuisanje . . . 246, 247, 340, 341, 225, 257 4 3 1,580 nacrt sa regresionim Likertova s k a l a ....................... 399, 406, 408 diskontinuitetom ..........................229 lista reči ..................................................... 371 nacrt sa sim ulacijom p r e te s ta ................ 2 )4 longitudinalna istraživanja . 223, 224, 228, nacrt vremenskih s e rija ............................257 256-258, 265, 269 nacrti sa nezavisnim gm pam a ..............192 manipulacija nezavisnom varijablom . 194, naivni s u b je k t................................... 205, 447 20 3 ,2 0 4 , 224, 234, 271 nam em o b i r a n j e ....................................... 583 marginalna o s o b a ..................................... 272 n a r a c ija ......... 113, 127, 283, 380-382, 440 m a tu ra c ija................................ 180, 185,213 narativna . . . . 128, 261, 374, 380, 381, 384 m edijatorske varijable . . 80, 147, 148, 623 naslov r a d a ........... 161, 621, 634, 635, 638 m etod cm e kutije ....................................... 47 naučna te o r ija .............................................. 46 m etode i tehnike prikupljanja naučni z a k o n ..................... 27, 44, 45, 55, 58 podataka ....................................... 301 naučno saznanje . 26-29, 31, 39, 40, 66, 67, m eto d o lo g ija................... 1 6 ,2 0 ,2 5 ,3 1 ,9 8 , 157,314 134, 137, 234, 2 4 1 ,3 5 2 ,3 6 2 , naučno z n a n je ......... 24, 26, 27, 35, 37, 163 429, 444, 547, 552, 563, 605, N E D A ....................................... 2 4 8 ,2 6 1 ,4 6 2 613 neeksperimentalna istraživanja . . 185, 231, metodološki pluralizam . . . . 129, 308, 425 236, 237, 240, 253 M ilg r a m ................................... 440,447-449 neodgovor (sto p a )............................154, 413 minimalni r i z i k ....................... 442, 443, 446 neop tru ziv n o .................. 242, 314, 369, 393 M L A ................................................... 169, 633 neparam etrijski test ................................ 527 m oć statističkog testa . 223, 509, 510, 560, neposredno posmatranje . 21, 31, 113, 115, 564 125, 242,311-313, 315, 321, m ođerator . . . 73, 149, 221, 353, 354, 356361 359 nestm kturisani in te rv ju ............................349 m oderatorske v a rija b le ............ 80, 147-150 neutralan s t a v ............................................413 M okkenova s k a l a ..................................... 415 nezavisne gmpe ..................... 1 9 2 ,2 2 2 ,2 8 9 Monte Kario sim ulacija . . . 496, 532, 552, nezavisni u z o r c i ....................................... 517 563 n o i r ................................................ 93, 97, 468 m ortalitet(intem avalidnost) . . . 181,183, nominalne d e fin ic ije ...................................42 185, 2 21,256 normativne d e fin ic ije ................................ 42 multimetodski pristup . 123, 370, 424, 425, N U D n S T ...................................................392 641 n u ž n o s t............................................51, 54, 64 multivarijatna analiza (M VA) . . . 79, 108, N V iv o ..........................................................392 208, 235, 2 5 3 ,2 5 5 ,3 9 0 , 469, p o4 2 jm a ...................................................41 500, 504, 539, 5 4 1obim ,6 2 7 ,6 objektivnost 22, 27, 29, 37, 118, 122, 125, multivarijatni eksperim ent . . 234, 235, 252 135, 158, 306, 3 0 7 ,3 0 9 ,3 1 8 , nacrt analize kovarijanse . . . 197, 207, 218 326, 3 4 9 ,3 6 8 ,3 8 1 .3 9 0 , 394, nacrt bez kontrolne gm pe i 419, 420, 6 2 3 ,6 4 1 ,6 4 3 b ezpretesta ......................... 2 1 4,449 obm anjivanje ................ 4 4 0 ,4 4 1 ,4 4 5 -4 4 7 nacrt bez p re te .sta ............................2 1 5,217 odbacivost ............................................27, 47 nacrt istraživanja . 9 8 ,1 3 7 ,1 3 8 ,1 7 3 ,1 7 7 , o n to lo g ija .....................................................25 193, 2 0 8,214, 238, 302,312, operacionalistička defmicija m erenja . . . 90 368, 4 4 3 ,6 4 0
operacionalizacija . . 43, 63, 118, 140, 170, 172, 186,313, 551,555, 620, 623 operacionalne derinicije . . . 41, 43, 44, 140 opovrgljivost (o d b a c iv o s t)....................... 30 optruziviio .................................................314 osetljivost nacrta . . 198, 217, 218, 223, 258 osnovni eksperim entalni nacrt . . 206, 207, 213 osnovna hipoteza istraživ an ja................ 160 otvorena pitanja . . 1 1 3 ,3 4 1 -3 4 3 ,3 6 9 ,3 7 4 , 452, 453, 457 panel istra ž iv a n je ............................ 247, .625^ panel s tu d i j a ............................................... 255 \ PAP .............................................. ..............574 paradigma . . . . 7 3 ,8 1 , 111, 118, 121, 128, 356 paralelni in d ik a to ri...................................417 people m e te r ...............................................249 pitanja sa ponuđenim odgovorima . . . 342344 pitanja sa višestrukim izborom (PV l) . . 328 PKO (v. otvorena pitanja) ..................... 342 placcbo . 1 8 2 -1 8 5 ,2 0 5 ,2 0 7 ,2 1 7 ,2 3 3 ,4 3 0 p la g ija t ..................................... 440, 617, 643 planirani u z o r a k ........................................550 pojavna v a lja n o s t..................................... 386 pokazne definicije ..................................... 42 polustriiklurisam intervju . . . 1 2 1 ,2 7 8 ,3 4 9 ponderisanje . . . . 294, 303, 574, 575, 595, 599 p o n o v ljiv o st.............................. 29, 163,277 p o p u la c ija .............................. : .................. 546 beskonačna ................................... 547 dostupna ....................................... 548 članovi p o p u la c ije ....................... 546 konačna .......................................... 547 te o rijs k a ..........................................548 poštanska a n k e ta ........................................246 postpozitivizam .............................. 113,118 posttest . 1 8 0 ,1 9 6 ,2 0 7 ,2 1 4 ,2 1 5 ,2 2 1 ,4 4 6 pouzdanost . . . 27, 84, 210, 224, 245, 270, 290, 297, 305, 329, 334, 3 3 8 ,3 4 9 ,3 7 7 , 3 8 1 ,3 8 7 ,3 8 9 , 3 9 0 ,4 1 6 -4 2 1 ,4 2 6 , 522, 524, 5 9 8 ,6 1 1 ,6 1 3 ,6 1 5 , 6 2 5,641, 643 pouzdanost alteniativnih fo rm i.............. 419 pouzdanost intem e konzistencije . . . . 329, 4 1 7 ,4 1 8 ,4 2 6 p o zitiv izam ..............................117, 118, 624
pragmatička teorija is tin e ......................... 39 pravi ek sp erim en t.................. 215,226-229 p re c iz n o st................ 27, 32, 104, 170, 277, 290,381, 563, 571,575, 579 predikcija . . 28, 29, 47, 50, 159, 243, 253, 420, 502 prckinute vremenske s e r ije ......... 203, 228, 255 pretest . . 180, 183, 196, 207, 209, 214-216, 218, 2 2 1 ,2 2 7 ,4 4 6 prigodno b ir a n je .............................. 582, 585 prikaz s lu č a ja ............................................270 pnkupljanje p o d a ta k a .............. 20, 59, 109, 122, 135, 153, 160, 176, 245, 2 7 8 ,2 8 0 ,2 9 9 ,3 0 7 ,3 0 9 ,3 1 8 , 323, 347, 358, 362, 368, 370, 390, 425, 430, 450, 452, 553, 581,586, 626 primenjena istraživanja . . . . 231, 232, 262 princip opovrgavanja .................................29 pristrasno u z o rk o v a n je ............................435 pristrasnost . . 72, 120, 181, 247, 268, 275, 290, 293, 308, 313-317, 330, 334, 369, 394, 425, 431, 435, 440, 552, 555, 563, 568, 5 7 2 ,5 7 6 ,5 8 6 ,5 9 3 ,6 1 5 prividna v a lja n o st.....................................422 prividna korelacija .................................. 253 problcm istraživanja . . . 112, 121, 157-160, 170, 262, 623 problem f i o k e ............................................299 problem ska iz ja v a .................. 162,622,623 procedura proporcionalnog alociranja . 574 proporcionalno b ir a n je .................. 573, 574 proročanstvo (samoispunjavajuće) . . . . 158 prosto slučajno biranje . . . . 548, 551, 568, 5 7 0 ,5 7 1 ,5 7 3 , 5 7 4 ,5 7 6 ,5 9 5 protokol posmatranja ..............................319 p ro v e rljiv o st................ 2 7 -2 9 ,4 2 ,3 8 1 ,6 2 4 pseudokauzalni m o d e li.................. 541, 543 p sih o d ra m a ................................................ 365 P sy cIN F O ................................ 166, 167,285 P V l ............................................ 328, 343, 344 Q - s o r t......................................................... 415 random digit dialing (v. RDD) randomizacija . . . . 181, 183, 192-196, 207, 2 1 1 ,2 1 5 ,2 1 7 ,2 2 0 , 225-227, 230, randomizacija po blokovima . . . 194,195, 217 randomizirani ek sp erim en t..............53,215 razvojna istraživ an ja................................ 256
240, 271,
R D D ................................ 246, 5 6 9 ,5 8 1 ,5 9 9 realizovani uzorak . . . 434, 435, 549, 550, 575, 581, 588 realne definicije ...................................42, 43 redukcija p o d a ta k a ...................................102 redukcija d im enzionalnosti............ 102, 255 Reference M anager .................................169 regresija ka p r o s e k u .............. 181,185,213 relijabilnost (pouzdanost) . . . 390, 416, 417 re p lik a b iln o s t............................................ 523 reprezentacijska defm icija m crenja . . . . 90 resam pling .................................................563 r e to rik a ..........................................................25 relrospektivno istraživanje . . 256, 259, 260 rezime . . 93, 178, 292, 302, 338, 370, 448, 6 21,638 sadržaj p o j m a .............................................. 41 sadržinska v a lid n o s t.................................422 saradnici . . . 205, 231, 232, 242, 356, 361, 3 6 6 ,383, 398, 4 3 1 ,4 3 2 , 4364 3 8 ,5 4 4 ,6 1 2 ,6 1 8 , 6 4 1 ,6 4 4 selekciona p re tn ja ...................181, 183, 185 S E M ......................... 5 5 ,2 3 8 ,2 4 0 ,5 4 1 ,5 4 3 sem antička teorija is t in e ............................39 semantički d ife re n c ija l...................4 14,415 senzitizacija (intem a validnost) . 180,215, 257 Sherifov e k s p e rim e n t..................... 230, 359 šifrantski l i s t .............................................. 456 Sim psonov p arad o k s................................ 149 sistem atsko b ir a n je ................ 562, 572, 573 skale l a ž i ..................................................... 425 skale procene . . . . 319, 322, 335-340, 343, 383, 408,409 skale sa prisilnim i z b o r o r a .....................319 skale stavova . . . . 103, 152, 399, 404-406, 41 2 ,4 2 4 , 4 7 4 ,4 8 4 sk a lo g ra m ....................................... .. 401-403 slant ............................................................ 620 Social Science Citation Index (S S C I). 166, 614 socijalna f a c ilita c ija .............. 182,3 5 3 ,3 5 8 socijalna in h ib ic ija ...................................182 socijalna poželjnost . , . 358, 397, 413, 425 socijalni k o n stru k tiv iz a m ....................... 120 s o c io d ra m a ................................................ 365 sociometrijski k rite riju m i....................... 362 sociometrijski u p itn ik .............................. 362 Solom onov nacrt ..................................... 216 sondaža javnog m n je n ja ................ 2 45,342 spisak populacije . . . . 555, 568, 572, 577,
580-582 spurious (p riv id n a )............................52, 146 središnja kalegorija (utem eljena teorija) . . 277, 282, 283 srednja k a te g o rija .................. 3 2 8 ,4 1 0 ,4 1 3 standardizovani intervju . . . . 274, 350, 437 statistička značajnost . 502, 507, 509, 597, 598 statistička i istraživačka značajnost . . 420, 521,533 statistika ocenjivanja . . 469, 477, 489, 547 statistika zakijučivanja . . . . 469, 470, 503, 541, 547, 564, 627 stepeni slobode . . 288, 290, 294, 295, 497, 512,5 1 6 ,5 2 6 -5 2 8 , 530, 532, 562, 627 stopa ncodgovora . 2 4 7 ,4 3 3 -4 3 5 ,4 3 8 ,5 8 1 , 624 s t o r i j a ....................... 5 2 ,3 7 0 ,3 8 1 ,3 9 8 ,4 7 0 strategija l e v k a ................................ 346,351 stratifikovani uzorak (biranje) ............ 569, 573-575 stratifikovano slučajno biranje . . . 573-575 struktura istraživanja . . 173-175,177,204 strukturalna istraživanja . . . . 81, 172, 235, 243, 253, 255, 504, 627, 638 strukturalne jednačine .............. 55, 57, 148 strukturalni zakoni .....................................45 strukturisani intervju ............ 243, 340, 349 studije trenda ............................................ 256 studije preseka ..........................................255 studija izvodljivosti ................................ 264 sum acione s k a l e ....................................... 407 tagging (etiketiranje) .............................. 379 TAO . . . . 90, 329, 331-334, 3 3 7 ,4 0 3 ,4 1 9 421 tehnike o k id a č a ..........................................398 telefonska anketa .................. 246, 436, 580 teoretski ek um enizam ..................... 129, 308 teorija ajtemskog odgovora (TAO) . . 419, 425 teorija istine ......................................... 38-40 teorija koh eren tn o sti...................................39 teorija korespondencije ............................38 teorijska p ersp ek tiv a..............118, 125, 126 teorijsko uzorkovanje . 2 7 2 ,2 7 6 ,2 7 9 ,2 8 1 , 582 terapijsko savezništvo ............................299 terenska istraživanja . . . 204, 241-243, 424 te s t- r e te s t...................................................419 Thurstoneova skala . . . . 399, 403-405, 412
Iriangulacija
273, 275, 278, 282, 424, 425, 641 Turabian p r a v ila ..................... 16 9 ,6 3 2 ,6 3 5 tv -m e tri........................................................25! T Z N H ..................... 2 9 6 ,5 2 0 ,5 2 1 ,5 2 4 -5 2 6 učesničko posm atranje . . . . 128, 242, 273, 2 7 5 ,2 7 8 ,3 2 1 -3 2 3 u n o sp o d a ta k a .......................... 344,451-456 upitnik . . 75, 243, 247, 249, 260-262, 306, 313,339-347, 34 9 ,3 5 8 , 359, 3 6 2 ,3 9 7 ,4 1 3 ,4 1 9 ,4 2 0 , 434, 437-439, 444, 449, 453, 455, 457, 564 u ra v n o te ž a v a n je ..................... 1 9 9 ,2 2 4 ,6 2 5 U R L ................................ 4 5 6 ,4 6 1 ,6 3 4 ,6 3 5 utem eljena teorija . 125, 164,275-282,323, 3 6 9 ,3 8 3 ,3 9 3 uzorkovanje d o g a đ a ja .............................. 320 uzorkovanje v r e m e n a .............................. 320 uzročna v e z a ........................................51, 253 uzročnost . . . . 33, 51-55, 57, 58, 236, 239, 253, 254, 269, 645 validnost (v a lja n o st)............ 124, 175, 178, 183-187,193-195, 203, 213-215, 226, 231-233, 239-241, 245, 257, 267, 272, 285, 297, 306-308, 3 1 2 -3 1 4 ,3 2 9 ,3 3 4 , 3 4 9 ,3 5 5 ,3 7 7 , 386, 394, 416, 421-426, 430, 442, 445, 5 2 3 ,5 5 2 , 5 5 8 ,6 1 1 ,6 1 5 , 625, 630, 640, 641 veličina efekta . . , 214, 287-295, 296-299, 5 0 9 ,5 1 6 ,5 1 8 , 522, 525, 560, 627 v e z a n e k v o te ..................................... 587, 588 virtuelna b ib lio te k a...................................168 višeetapno b ira n je ............................ 577, 579 zapisnik posmatranja . . 3 1 3 ,3 1 8 ,3 2 0 ,6 2 5 zavisni u z o r c i............................................ 517 zdrav razum 24, 32, 34, 70. 157, 227, 268, 487, 552, 570 Zimbardo .......................................... 233, 566 zonski uzorak (b ira n je )......... 577, 589, 596
