गुणात्मक संशोधनात विश्वासार्हता स्थापित करणे

गुणात्मक संशोधन प्रक्रिया काय आहेत?

वैधता आणि विश्वसनीयता च्या संकल्पना गुणात्मक संशोधनाच्या क्षेत्रात तुलनेने परदेशी आहेत. संकल्पना हा केवळ एक चांगला तंदुरुस्त नाही. विश्वसनीयता आणि वैधता यावर भर देण्याऐवजी, गुणात्मक संशोधक डेटा विश्वसनीय असल्याचा पर्याय म्हणून वापरतात. विश्वसनीयता खालील घटक बाबींचा समावेश आहे: (ए) विश्वासार्हता; (ब) हस्तांतरणक्षमता; (सी); अवलंबन; आणि (डी) पुष्टीकरणाची

विश्वासार्हता आणि विश्वसनीयता

विश्वासार्हता खालील गुणधर्मांद्वारे डेटाच्या विश्वासार्हतेवर विश्वास ठेवते : (ए) दीर्घकाळापर्यंत प्रतिबद्धता; (ब) निरंतर निरिक्षण ; (क) त्रिकोणी; (डी) संदर्भित पर्याप्तता ; (इ) पीअर डेब्रिफिकिंग; आणि (फ) सभासद तपासणी

विश्वासार्हतेच्या संबंधासाठी त्रिकोण काढणे आणि सभासद तपासणी प्राथमिक आणि सामान्यतः वापरल्या जाणार्या पद्धती आहेत

त्रिकोणाचे अभ्यास वेगवेगळ्या अभ्यासाच्या अभ्यासाचे आणि वेगवेगळ्या स्रोतांकडून माहिती एकत्रित करून आणि त्या शोध प्रश्नांची उत्तरे देण्यासाठी विविध पद्धतींचा वापर करून विचारून केले जातात. सदस्याची तपासणी तेव्हा होते जेव्हा संशोधक मुलाखतीद्वारे मुलाखताने गोळा केलेला डेटा आणि त्या मुलाखत डेटाच्या संशोधकांच्या समस्येचे पुनरावलोकन करण्यास भाग घेतात. सहभागींची सहसा सदस्य तपासणी प्रक्रियेचे कौतुक वाटते आणि त्यांना त्यांच्या स्टेटमेन्टची पडताळणी करण्याची संधी प्राप्त होईल हे जाणून घेण्याकरिता अभ्यासात सहभागीने आधीच्या मुलाखतींमधील कोणत्याही अंतरांना स्वेच्छेने भरले जाऊ शकते. ट्रस्ट सदस्य तपासणी प्रक्रियेचा एक महत्वाचा घटक आहे.

सामान्यीकरण आणि विश्वासार्हता

ट्रान्सफरबिलिटी हा स्टडीच्या निष्कर्षांचे इतर स्थितींमध्ये आणि संदर्भांना सरलीकृत करणे आहे. हस्तांतरणक्षमता एक व्यवहार्य नैसर्गिक संशोधन उद्देश मानली जात नाही.

ज्या डेटामध्ये गुणात्मक डेटा संग्रह येतो तेथे डेटा परिभाषित होतो आणि डेटाच्या अर्थसंकल्पामध्ये योगदान देते. या कारणांमुळे, गुणात्मक संशोधनात सामान्यीकरण मर्यादित आहे.

संदर्भाच्या संदर्भातील विशिष्ट माहितीची जास्तीत जास्त वाढ केल्यामुळे पारदर्शकता सुधारण्याच्या मुद्यांचे निराकरण करण्यासाठी उद्देश्पर नमूना वापरला जाऊ शकतो.

सामान्यतया आणि एकूण माहितीपेक्षा, विशिष्ट आणि विविधतेच्या माहितीवर लक्ष्यित नमूनामध्ये जोर देण्यात आला आहे, सामान्यतः, परिमाणवाचक संशोधनानुसार. पारंपारिक नमूनाकरण मध्ये नमुन्याच्या वैयक्तिक सदस्यांची वैशिष्ट्ये विचारात घेणे आवश्यक आहे जितके तितकेच हे गुणधर्म संशोधन प्रश्नांशी अतिशय थेट संबंधित आहेत.

विश्वसनीयता आणि विश्वसनीयता

विश्वसनीयता ही वैधतेवर अवलंबून आहे. म्हणून बर्याच गुणात्मक संशोधकांचा विश्वास आहे की जर विश्वासार्हता दाखवली गेली तर ते अवलंबून असणे आणि स्वतंत्रपणे विश्वसनीयतेचे प्रदर्शन करणे आवश्यक नाही. तथापि, जर संशोधक अटींचे विश्लेषण करण्यास अनुमती देत ​​असेल तर विश्वासार्हता वैधतेशी अधिक संबंधित असल्याचे दिसते आणि विश्वासार्हतेस विश्वसनीयत्व अधिक संबंधित असल्याचे दिसते.

कधीकधी डेटा प्रमाणीकरण डेटा ऑडिटच्या वापराद्वारे मूल्यमापन केले जाते. डेटा सेट हा समृद्ध आणि घन दोन्ही तर डेटा ऑडिट आयोजित केला जाऊ शकतो जेणेकरून तपासणी परिस्थिती त्यांच्या परिस्थितीवर लागू होते हे तपासक ठरवू शकतात. पुरेशी तपशीलांशिवाय आणि संदर्भीय माहितीशिवाय, हे शक्य नाही. याच्या असंबंधित, हे लक्षात ठेवणे महत्वाचे आहे की हे लक्ष्य नमुना पलीकडेचे सामान्यीकरण करणे नाही.

एक गुणात्मक संशोधकाने असा निर्णय घेतला पाहिजे की कोणत्या श्रेणीचे निर्णय घ्याव्यात (डे, 1 99 3, पी.

100). गुणात्मक संशोधकाच्या डेटा विश्लेषणाचा आराखडा लवचिकतेने वापरण्यासाठी, ओपनॅलेट टाळण्यासाठी आणि आधी अनुपलब्ध किंवा अनौपचारिक श्रेण्यांवर विचार करण्यासाठी, डेटावरील माहितीची ओळख आणि समजण्यावर अवलंबून असते. डेटा विश्लेषण या पातळी डेटा मध्ये wallowing द्वारे गाठला आहे (Glasser आणि स्ट्रॉस, 1 9 67).

आधीच्या कामाचे अनुकरण करण्यासाठी गुणात्मक संशोधन केले जाऊ शकते, आणि जेव्हा हे उद्दीष्ट असते, डेटा श्रेण्यांसाठी आंतरिकरित्या सुसंगत असणे महत्वाचे असते. हे घडण्यासाठी, संशोधकाने श्रेणी गुणधर्मांचे वर्णन करणारे नियम आखले पाहिजेत आणि शेवटी प्रत्येक डेटा बिटचा समावेश करण्यासाठी समायोजित केले जाऊ शकते जे श्रेणीला नियुक्त केले जाते तसेच प्रतिकृतीसाठी पुढील तपासणीसाठी आधार प्रदान करते (लिंकन आणि गूबा, 1 9 85, पी.

347).

गुणात्मक संशोधन आणि सत्यता आर्ट ऑफ

आत आणि श्रेणींमध्ये डेटा रिफायनिंगची प्रक्रिया पद्धतशीरपणे चालविली जाणे आवश्यक आहे, जसे की डेटा प्रथम अशा प्रकारच्या गुणधर्मांनुसार गटांमध्ये आयोजित केले जातात जे सहजपणे उघड होतात. त्या पावलांनंतर, डेटा हा मूळचा आणि उप-मूळव्याजांमध्ये लावला जातो, अशा प्रकारे फरक सूक्ष्म आणि बारीक भेदभाववर आधारित आहे.

मेमोज लिहिण्याच्या प्रक्रियेमार्फत, गुणात्मक संशोधक नोंदीच्या उदय किंवा श्रेणी शुद्धीकरण प्रक्रियेशी संबंधित बदल आणि विचारांच्या नोंदी नोंदवतात. निरनिराळ्या तुलनात्मक प्रक्रियेसाठी मूलभूत आहे या कारणांवरून स्पष्ट व्याख्या अभ्यासाच्या प्रक्रियेत बदलणे अपेक्षित आहे - श्रेण्या कमी सामान्य आणि अधिक स्पष्ट होतात कारण डेटा एकत्रित केला जातो आणि संशोधनाच्या ओघात पुनर्जन्मित केला जातो. म्हणूनच श्रेण्या परिभाषित करताना, आम्हाला लक्ष देण्याजोगी आणि अस्थायी - डेटाकडे लक्ष देणे आणि त्यांच्यातील संकल्पनात्मकतेमध्ये प्रायोगिक असणे आवश्यक आहे (डे, 1 99 3, पृष्ठ 102).

_{स्त्रोत:}

_{डाई, जेजी, स्कॉट, आयएम, रोझेनबर्ग, बीए, आणि कोलमन, एसटी (2000, जानेवारी). सतत तुलना पद्धत: डेटाचे सारखा बदलणारा गुणसूत्र गुणात्मक अहवाल, 4 (1/2)}

_{ग्लेसर, बी, आणि स्ट्रॉस, ए (1 9 67). आधारित केलेल्या सिद्धांताचा शोध: गुणात्मक संशोधनासाठी धोरणे शिकागो, आयएल: अल्डीन}

_{लिंकन, वायएस आणि गोबा, उदा. (1 9 85) नैसर्गिक चौकशी न्यूबरी पार्क, सीए: सेज.}