مقیاس در علوم اجتماعی: تفاوت میان نسخهها
AzizAlizad (بحث | مشارکتها) |
AzizAlizad (بحث | مشارکتها) اصلاح ارقام، اصلاح نویسههای عربی، اصلاح فاصلهٔ مجازی، اصلاح سجاوندی، اصلاح املا |
||
خط ۶۹: | خط ۶۹: | ||
* در [[مقیاس مقایسهای]]، مؤلفهها بهطور مستقیم با یکدیگر مقایسه میشوند. (مثال: [[پپسی]] را ترجیح میدهد یا [[کوکاکولا]] را؟) |
* در [[مقیاس مقایسهای]]، مؤلفهها بهطور مستقیم با یکدیگر مقایسه میشوند. (مثال: [[پپسی]] را ترجیح میدهد یا [[کوکاکولا]] را؟) |
||
* در [[مقیاس غیرمقایسهای]] هر مؤلفه مستقل از بقیه بررسی میشود. (مثال: در مورد کوکاکولا چه احساسی دارید؟) |
* در [[مقیاس غیرمقایسهای]] هر مؤلفه مستقل از بقیه بررسی میشود. (مثال: در مورد کوکاکولا چه احساسی دارید؟) |
||
== تکنیکهای مقیاسسازی غیرمقایسهای == |
|||
* ''[[مقیاس آنالوگ بصری]]'' (که «مقیاس رتبهای پیوسته» و «مقیاس رتبهای گرافیکی» نیز نامیده میشود): پاسخگویان با گذاشتن یک علامت روی یک خط به موارد امتیاز میدهند. خط معمولاً در هر انتها برچسب گذاری میشود. گاهی یک سری اعداد به نام نقاط مقیاس (مثلاً از صفر تا ۱۰۰) در زیر خط وجود دارد. نمره گذاری و کدنویسی برای مقیاسهای کاغذی و مدادی دشوار است ولی نه برای مقیاسهای آنالوگ بصری کامپیوتری و مبتنی بر اینترنت.<ref name="Reips Funke">یو. دی. رایپس، و اف. فونکه، (۲۰۰۸): ''سنجش سطح فاصله ای با مقیاسهای آنالوگ بصری در تحقیقات مبتنی بر اینترنت: VAS Generator''; {{doi|10.3758/BRM.40.3.699}}</ref> |
|||
* ''[[مقیاس لیکرت]]'': از پاسخگویان خواسته میشود میزان موافقت یا مخالفت را (از کاملاً موافقم تا کاملاً مخالفم) را در مقیاس پاسخ پنج تا نه درجه ای (با مقیاس لیکرت اشتباه نگیرید) نشان دهند. از همین قالب برای چندین پرسش استفاده میشود. ترکیب این پرسشها است که مقیاس لیکرت را تشکیل میدهد. این روش مقیاس سازی طبقهبندی شده را میتوان به آسانی به یک روش [[تخمین بزرگی]] گسترش داد که از مقیاس کامل اعداد به جای دستهبندیهای کلامی استفاده میکند. |
|||
* ''[[تکمیل عبارت| مقیاسهای تکمیل عبارت]]'': از پاسخگویان خواسته میشود تا عبارتی را در مقیاس پاسخ ۱۱ درجه ای تکمیل کنند که در آن ۰ بیانگر عدم وجود ساختار نظری و ۱۰ بیانگر حداکثر مقدار نظریه سازه در حال سنجش است. از همان قالب اصلی برای چندین پرسش استفاده میشود. |
|||
* ''[[مقیاس دیفرانسیل معنایی]]'': از پاسخگویان خواسته میشود تا در یک مقیاس ۷ درجه ای یک مورد را با ویژگیهای مختلف رتبهبندی کنند. هر ویژگی به یک مقیاس با برچسبهای پایانه دوقطبی نیاز دارد. |
|||
* ''[[مقیاس استاپل]]'': یک مقیاس رتبه دهی تک قطبی است. از ۵+ تا ۵- متغیر است و نقطه صفر خنثی ندارد. |
|||
* ''[[مقیاس ترستون]]'':ن یک تکنیک مقیاسسازی است که ساختار شدت را در بین شاخصها ترکیب میکند. |
|||
* ''[[مقیاس مشتق شده ریاضی]]'': پژوهشگران ارزیابیهای پاسخگویان را به صورت ریاضی استنباط میکنند. دو نمونه هستند: [[مقیاسسازی چندبعدی (در بازاریابی)| مقیاسسازی چندبُعدی]] و [[تحلیل مشترک (در بازاریابی)|تحلیل مشترک]]. |
|||
== جستارهای وابسته == |
== جستارهای وابسته == |
نسخهٔ ۴ دسامبر ۲۰۲۱، ساعت ۱۴:۴۳
مقیاس در علوم اجتماعی (به انگلیسی: (Scale (social sciences): در علوم اجتماعی، «مقیاسسازی» فرایند اندازهگیری یا مرتبسازی فراوانیها با توجه به ویژگیها یا صفات کمّی است. برای مثال، یک تکنیک مقیاسسازی ممکن است شامل برآورد سطوح برونگرایی افراد یا میزان کیفیت محصولات باشد. روشهای خاصی از مقیاسسازی، تخمین بزرگیها را در پیوستگی مجاز میسازد در حالی که سایر روشها فقط ترتیب نسبی فراوانیها را ارائه میدهند.
سطوح سنجش نوع دادهای است که اندازهگیری میشود.
واژه مقیاس، از جمله در ادبیات دانشگاهی، گاهی برای اشاره به معیار مرکب دیگری یعنی شاخص استفاده میشود. با این حال، مفاهیم متفاوت هستند.[۱]
تصمیم ساخت مقیاس
- چه سطحی (سطوح سنجش) از دادهها درگیر است: (اسمی، ترتیبی، فاصلهای، نسبی)؟
- نتایج برای چه مواردی استفاده خواهد شد؟
- چه چیزی باید استفاده شود: مقیاس، شاخص یا نوعشناسی؟
- چه نوع تجزیه و تحلیل آماری مفید خواهد بود؟
- استفاده از مقیاس مقایسهای یا غیرمقایسهای را انتخاب کنید.
- چند تقسیمبندی یا دستهبندی مقیاس باید استفاده شود: (۱ تا ۱۰، ۱ تا ۷ و ۳- تا ۳+)؟
- تقسیمات باید زوج یا فرد باشد؟ (فرد ارزش مرکزی خنثی میدهد؛ حتی پاسخ دهندگان را مجبور میکند موضعی غیرخنثی بگیرند)
- ماهیت و توصیفی بودن برچسبهای مقیاس چگونه باید باشد؟
- شکل فیزیکی یا چیدمان ترازو باید چگونه باشد؟ (گرافیک، خطی ساده، عمودی، افقی)
- آیا پاسخ باید اجباری باشد یا اختیاری؟
روش ساخت مقیاس
ممکن است چیزی شبیه به مقیاس یک نفر از قبل وجود داشته باشد، بنابراین گنجاندن آن مقیاس(ها) و متغیرهای وابسته احتمالی در نظرسنجی ممکن است اعتبار مقیاس فرد را افزایش دهد.
- با ایجاد حداقل ده مورد برای نمایش هر یک از مقیاسها شروع کنید. انجام نظرسنجی؛ هر چه نمونه نماینده تر و بزرگتر باشد، اعتماد فرد در مقیاس بیشتر خواهد بود.
- میانگین و انحراف استاندارد را برای آیتمها بررسی کنید، هر موردی را که دارای میانگین اریب یا واریانس بسیار کم است، حذف کنید.
- تجزیه و تحلیل مؤلفههای اصلی را با چرخش اریب روی مؤلفههای خود و سایر موارد برای مقیاسها اجرا کنید - مهم است که از خود متمایز شوید. مولفهها را با مقدار ویژه (برای محاسبه مقدار ویژه برای هر عامل مجذور بارگذاری عامل و جمع ستونها) بزرگتر از ۱ درخواست کنید. گروهبندی آیتمها بر اساس مقیاسهای هدفمند آسانتر است. هرچه موارد دیگر متمایزتر باشند، شانس بیشتری برای بارگیری مؤلفهها در مقیاس شخصی وجود دارد.
- مؤلفههای بارگیری شده بهطور تمیز مواردی هستند که تجزیه و تحلیل عاملی حداقل ۰/۴۰ روی یک جزء و بیش از ۰/۱۰ بیشتر روی آن مؤلفه نسبت به سایر مؤلفهها است. آنها را شناسایی کنید.
- موارد بارگذاری شده متقاطع مواردی هستند که معیار بالا را ندارند. اینها کاندیدای حذف هستند.
- مولفهها را فقط با چند مورد که مفاهیم واضحی را نشان نمیدهند شناسایی کنید، اینها «مقیاسهای غیرقابل تفسیر» هستند. همچنین هر جزء را تنها با یک آیتم شناسایی کنید. این مؤلفهها و موارد آنها کاندید حذف هستند.
- به کاندیداهای حذف و اجزای حذف شده نگاه کنید. آیا چیزی وجود دارد که باید حفظ شود ولی برای ساخت فرد بسیار مهم است؟ مثلاً، اگر یک آیتم که از نظر مفهومی مهم است قرار است فقط روی یک جزء از بارگذاری حذف شود، بهتر است که آن را برای دور بعدی نگه دارید.
- مؤلفهها را رها کنید و دوباره اجرا کنید و از برنامه بخواهید پس از حذف اجزای غیرقابل تفسیر و تک موردی، فقط تعداد اجزا را بدهد. با شروع مجدد از مرحله ۳، روند را طی کنید.
- این فرایند را ادامه دهید تا زمانی که عوامل تمیز را دریافت کنید. (همه اجزاء دارای موارد کاملاً بارگذاری شده هستند)
- برنامه آلفای کرونباخ را اجرا کنید. (در صورت حذف هر مورد، آلفاها را درخواست میکند) هر مقیاس با آلفا ناکافی باید حذف شود و این روند از مرحله ۳ تکرار شود. ['ضریب آلفا=تعداد موارد2 x میانگین همبستگی بین مؤلفههای مختلف/مجموع همه همبستگیها در ماتریس همبستگی (شامل 1s)']
- برای اعمال بهتر، اجزای نهایی و همه بارگذاریهای خود و مقیاسهای مشابه را برای استفاده در ضمیمه مقیاس انتخاب کنید.
انواع دادهها
نوع اطلاعات گردآوری شده میتواند بر ساخت مقیاس تأثیر بگذارد. انواع مختلف اطلاعات به روشهای مختلف اندازهگیری میشوند.
- برخی از دادهها در سطح اسمی اندازهگیری میشوند یعنی هر عددی که استفاده میشود، صرفاً برچسب است و هیچ ویژگی ریاضی را بیان نمیکند. به عنوان مثال میتوان به کدهای موجودی SKU و بارکدهای UPC اشاره کرد.
- برخی از دادهها در سطح ترتیبی اندازهگیری میشوند یعنی اعداد بیانگر موقعیت نسبی اقلام است ولی نه میزان تفاوت. یک مثال رتبهبندی ترجیحی است.
- برخی از دادهها در سطح فاصلهای اندازهگیری میشوند یعنی اعداد بیانگر میزان اختلاف بین گویهها است ولی نقطه صفر مطلق وجود ندارد. به عنوان مثال میتوان به مقیاسهای نگرش و گرایش اشاره کرد.
- برخی از دادهها در سطح نسبی اندازهگیری میشوند یعنی اعداد بیانگر بزرگی اختلاف هستند و یک نقطه صفر مطلق وجود دارد و نسبتها قابل محاسبه است. مثالها عبارتند از: سن، درآمد، قیمت، هزینهها، درآمد فروش، حجم فروش و سهام بازار بورس.
سنجشهای مرکب
سنجش مرکب متغیرها با ترکیب دو یا چند شاخص مجزا تجربی در یک معیار ایجاد میشوند. معیارهای مرکب مفاهیم پیچیده را به اندازه کافی نسبت به شاخصهای منفرد اندازهگیری میکنند و دامنه امتیازات موجود را گسترش میدهند و در مدیریت چندین مورد کارآمدتر هستند.
علاوه بر مقیاس، دو نوع دیگر از معیارهای ترکیبی وجود دارد: شاخصها شبیه به مقیاسها هستند به جز اینکه چندین شاخص یک متغیر در یک اندازهگیری ترکیب میشوند. برای مثال، شاخص اعتماد مصرفکننده ترکیبی از چندین معیار از نگرش مصرفکننده است. یک گونهشناسی شبیه به یک شاخص است، به جز اینکه متغیر در سطح اسمی اندازهگیری میشود.
شاخصها با گردآوری نمرات اختصاص داده شده به ویژگیهای فردی ساخته میشوند در حالی که مقیاسها از طریق تخصیص نمرات به الگوهای ویژگیها ساخته میشوند.
در حالی که شاخصها و مقیاسها معیارهای یک بُعد را ارائه میدهند، نوعشناسی اغلب برای بررسی تقاطع دو یا چند بُعد به کار میرود. نوعشناسیها ابزارهای تحلیلی بسیار مفیدی هستند و به آسانی میتوان از آنها به عنوان متغیر مستقل استفاده کرد، اگرچه از آنجایی که آنها یک بُعدی نیستند، استفاده از آنها به عنوان یک متغیر وابسته دشوار است.
ارزیابی مقیاس
مقیاسها باید از نظر قابلیت اعتماد، قابلیت تعمیمپذیری و روایی آزمایش شوند. تعمیم پذیری توانایی استنتاج از یک نمونه به جامعه، با توجه به مقیاس انتخاب شدهاست. قابلیت اعتماد میزانی است که یک مقیاس نتایج ثابتی را ایجاد میکند. پایایی آزمون-آزمون مجدد بررسی میکند که اگر پژوهش در شرایط مشابه تکرار شود، نتایج چقدر شبیه هستند. پایایی فرمهای جایگزین بررسی میکند که اگر پژوهش با استفاده از اشکال مختلف مقیاس تکرار شود، نتایج چقدر شبیه هستند. قابلیت اعتماد سازگاری داخلی بررسی میکند که معیارهای فردی که در مقیاس گنجانده شدهاست چقدر به اندازهگیری ترکیبی تبدیل شدهاند.
مقیاسها و شاخصها باید اعتبارسنجی شوند:
- اعتبار داخلی رابطه بین معیارهای فردی موجود در مقیاس و خود مقیاس ترکیبی را بررسی میکند.
- اعتبار خارجی رابطه بین مقیاس ترکیبی و سایر شاخصهای متغیر را بررسی میکند، شاخصهایی که در مقیاس گنجانده نشدهاند.
- اعتبار محتوا (که اعتبار صوری نیز نامیده میشود) بررسی میکند که مقیاس چقدر آنچه را که قرار است اندازهگیری شود، میسنجد.
- اعتبار معیار میزان معناداری معیارهای مقیاس نسبی را به سایر معیارهای ممکن بررسی میکند.
- اعتبار سازه نوع سازهای که در حال اندازهگیری است را بررسی میکند.
سه نوع روایی سازه وجود دارد که عبارتند از:
ضریب تکرارپذیری نشان میدهد چگونه میتوان دادههای معیارهای فردی موجود در مقیاس را از مقیاس ترکیبی بازسازی کرد.
مقیاس مقایسهای و غیرمقایسهای
- در مقیاس مقایسهای، مؤلفهها بهطور مستقیم با یکدیگر مقایسه میشوند. (مثال: پپسی را ترجیح میدهد یا کوکاکولا را؟)
- در مقیاس غیرمقایسهای هر مؤلفه مستقل از بقیه بررسی میشود. (مثال: در مورد کوکاکولا چه احساسی دارید؟)
تکنیکهای مقیاسسازی غیرمقایسهای
- مقیاس آنالوگ بصری (که «مقیاس رتبهای پیوسته» و «مقیاس رتبهای گرافیکی» نیز نامیده میشود): پاسخگویان با گذاشتن یک علامت روی یک خط به موارد امتیاز میدهند. خط معمولاً در هر انتها برچسب گذاری میشود. گاهی یک سری اعداد به نام نقاط مقیاس (مثلاً از صفر تا ۱۰۰) در زیر خط وجود دارد. نمره گذاری و کدنویسی برای مقیاسهای کاغذی و مدادی دشوار است ولی نه برای مقیاسهای آنالوگ بصری کامپیوتری و مبتنی بر اینترنت.[۳]
- مقیاس لیکرت: از پاسخگویان خواسته میشود میزان موافقت یا مخالفت را (از کاملاً موافقم تا کاملاً مخالفم) را در مقیاس پاسخ پنج تا نه درجه ای (با مقیاس لیکرت اشتباه نگیرید) نشان دهند. از همین قالب برای چندین پرسش استفاده میشود. ترکیب این پرسشها است که مقیاس لیکرت را تشکیل میدهد. این روش مقیاس سازی طبقهبندی شده را میتوان به آسانی به یک روش تخمین بزرگی گسترش داد که از مقیاس کامل اعداد به جای دستهبندیهای کلامی استفاده میکند.
- مقیاسهای تکمیل عبارت: از پاسخگویان خواسته میشود تا عبارتی را در مقیاس پاسخ ۱۱ درجه ای تکمیل کنند که در آن ۰ بیانگر عدم وجود ساختار نظری و ۱۰ بیانگر حداکثر مقدار نظریه سازه در حال سنجش است. از همان قالب اصلی برای چندین پرسش استفاده میشود.
- مقیاس دیفرانسیل معنایی: از پاسخگویان خواسته میشود تا در یک مقیاس ۷ درجه ای یک مورد را با ویژگیهای مختلف رتبهبندی کنند. هر ویژگی به یک مقیاس با برچسبهای پایانه دوقطبی نیاز دارد.
- مقیاس استاپل: یک مقیاس رتبه دهی تک قطبی است. از ۵+ تا ۵- متغیر است و نقطه صفر خنثی ندارد.
- مقیاس ترستون:ن یک تکنیک مقیاسسازی است که ساختار شدت را در بین شاخصها ترکیب میکند.
- مقیاس مشتق شده ریاضی: پژوهشگران ارزیابیهای پاسخگویان را به صورت ریاضی استنباط میکنند. دو نمونه هستند: مقیاسسازی چندبُعدی و تحلیل مشترک.
جستارهای وابسته
- بازاریابی
- پژوهش اجتماعی
- تحقیقات بازاریابی موبایلی
- تحقیقات بازاریابی
- روانفیزیک
- سطوح سنجش
- قانون توان
- مقیاس رتبهبندی
پانویس
- ↑ ارل ببی (1 January 2012). عمل تحقیقات اجتماعی. Cengage Learning. p. 162. ISBN 978-1-133-04979-1.
- ↑ کمپبل و فیسک، ۱۹۵۹؛ کروس و نی، ۱۹۷۸.
- ↑ یو. دی. رایپس، و اف. فونکه، (۲۰۰۸): سنجش سطح فاصله ای با مقیاسهای آنالوگ بصری در تحقیقات مبتنی بر اینترنت: VAS Generator; doi:10.3758/BRM.40.3.699