Stanislav Fajgelj - Metodi istraživanja ponašanja.pdf

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. 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 (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< 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,, ^ 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. 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 |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™-1 ,645 odm+5, zadržaćemo nultu hipotezu da je razlika jednaka 5, a odbacićemo Hj. Medutim, ako je dobijena razlika D^ 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