این مرحله را می توان شامل سه مؤلفه یا عنصر مختلف دانست:

1. تحليل داده ها؛ ۲. تفسیر یافته های ٣. انتشار نتایج

تحلیل بدین معنی است که یافته های پژوهش کدام اند و چگونه به سؤالات پژوهش پاسخ می دهند.

تفسیر به معنی فهم يافته ها در شکل کاربردی و دیگر معانی ضمنی آن است.

انتشار یعنی یافته ها و فهم خود از آنها را به دیگران منتقل کنیم. تحليل داده ها معمولا در بخش نتایج گزارش پژوهش مطرح می شود.

در اینجا نیز همانند دیگر مراحل پژوهش، این سه مقوله تحلیل، تفسیر و انتشار با یکدیگر همپوشی دارند.

تفسیر یافته ها ممکن است تحلیلهای آماری بیشتری را پیشنهاد نماید و یا ممکن است ارائه یافته های مطالعه در یک کنفرانس، تفاسیر جدیدی را به همراه داشته باشد. با توجه به همپوشی این سه عنصر، به منظور آسان تر نمودن فرایند تحلیل و تفسیر، این سه مقوله را به طور مجزا و متوالی مطرح می سازیم.

تحلیل داده ها هدف تحلیل دادهها ساده و روشن است: استفاده از اطلاعات و داده ها برای پاسخگویی به هر یک از سؤالات پژوهش. اگرچه در پژوهشهای کیفی و کمی مراحل اولیه تحلیل از یک توالی موازی تبعیت می کند، با وجود این به تحلیل اطلاعات در این دو روی آورد به طور مستقل خواهیم پرداخت.

بسیاری از فنون تحلیل اطلاعات، چه کیفی و چه کمی، از روشهای ویژه ای استفاده می کنند که بحث بر سر آنها خارج از موضوع این فصل است.

روشهای مذکور را در اکثر کتابهای درسی آمار می توان یافت (مثلا شیولسون، ۱۹۸۱؛ هاول، ۱۹۹۲؛ سیگل و کستلان، ۱۹۸۸؛ استراوس و کوربین، ۱۹۹۰؛ تیلور و بوگدان، ۱۹۸۴).

تحلیل کمی داده ها :

طرحهای پژوهشی بسیار زیادی وجود دارد که در یک طبقه بندی کلان می توان آنها را به طرحهای تجربی، شبه تجربی و غیر تجربی طبقه بندی نمود. پیچیدگی طرح پژوهش و ماهیت سؤالات پژوهشی، میزان پیچیدگی تحلیل اطلاعات را تعیین می کنند.

در برخی از طرحها، برای تحلیل ممکن است فقط به آمار توصیفی نیاز باشد (مثل میانگین و فراوانی)، در حالی که در برخی دیگر از طرحها ممکن است تحلیلهای پیچیده چند متغیری ضروری باشد.

بسته به نوع سؤالات پژوهش، تحلیل اطلاعات ممکن است اکتشافی باشد که هدفش یافتن الگوهای خاصی در اطلاعات به دست آمده است یا تأییدی (آزمون فرضیه) که هدفش آزمون فرضیه از پیش بیان شده است.

به بیان دیگر، تحلیل اکتشافی داده ها نوعی عمل استقرایی است، در حالی که تحلیل تأییدی اطلاعات یک عمل قياسی است (تاکی ۴، ۱۹۷۷).

جدای از نوع تحلیل داده ها، قبل از اقدام به تحلیل رسمی داده ها با آزمون فرضیه، یک سلسله مراحل مقدماتی وجود دارند که بایستی پیموده شوند؛ این مراحل عبارت اند از وارد کردن اطلاعات با داده ها، وارسی داده ها، تلخیص داده ها و کاوش اطلاعات با شناسایی داده ها که به ترتیب به شرح هر یک خواهیم پرداخت.

وارسی دادهها به هنگام وارد کردن اطلاعات به رایانه ممکن است خطاهایی رخ دهد.

این خطاها بیشتر از دو راه حاصل می شود:

۱) نوشتن یا تایپ غلط داده ها در برنامه و

۲) دادن دستورالعمل غلط به رایانه،

از این رو لازم است قبل از شروع تحلیل اطلاعات، دادوها را وارسی نموده و احتمال وقوع خطاهای این چنینی را به حداقل رساند.

برای کسب اطمینان از وارد کردن درست اطلاعات، بهتر است که کسی داده های وارد شده را بلند بخواند و شخص دیگری آنها را با منبع اصلی مقابله نماید.

روزنتال (۱۹۷۸) در بررسیهای خود به این نکته دست یافته است که به طور متوسط حدود ۱ درصد داده ها به طور غلط وارد می شوند.

گاهی اوقات به جای وارد کردن داده ها با دست از دستگاه اسکن استفاده می کنند که در واقع از داده ها مستقیما عکسبرداری نموده، آنها را در فایل مربوط کپی می کنند.

اما مشکلی که در اینجا وجود دارد، باز همان مسئله درست ذخیره کردن و فایل بندی مناسب داده هاست که در اینجا نیز نیاز به وارسی مجدد را ضروری می سازد.

برای وارسی اینکه آیا داده ها به نحو درست در رایانه وارد شده اند یا خیر، می توان از آماره های توصیفی ساده استفاده نمود. این عمل در واقع بخشی از محاسبات توصیفی را نیز که ممکن است در بخش نتایج به آن نیاز داشته باشید فراهم می سازد.

برای داده های اسمی، می توان از تحلیل فراوانیها استفاده کرد؛ برای داده های فاصله ای، می توان از روشهای آمار توصیفی برای خلاصه سازی استاندارد دادهها همانند میانگین، انحراف استاندارد، مقادیر حداقل و حداکثر و تعداد مشاهدات معتبر استفاده کرد.

در این میان به دست آوردن حداقل و حداکثر مقادیر در یک نگاه فوری به محقق نشان خواهد داد که آیا اشتباه تایپی وجود دارد یا خیر. دستورالعمل «توصیفات» در نرم افزار آماری SPSS ساده ترین راه برای انجام روشهای توصیفی است.

چنین بررسیهای مقدماتی به پژوهشگر کمک می کند تا چنانچه داده جا افتاده ای وجود دارد، آن را اصلاح نماید و چنانچه مقادیری خارج از حدود واقعی نمره ها وارد داده ها شده است، با توجه به مقادیر بسیار زیاد یا بسیار کم، آن را حذف نماید. تفاوت و ناهمخوانی انحراف استانداردها (مثلا انحراف استاندارد یک متغیر، بسیار کوچک تر یا بسیار بزرگ تر از انحراف استاندارد متغیرهای مشابه باشد)، غالبا نمایانگر مسئله عدم اعتبار یا حدود مشخص داده است که ممکن است حذف سؤالات مربوط به آن متغیر یا حذف مقياس مورد نظر را قبل از انجام تحلیلهای بیشتر مطرح نماید.

تلخيص داده ها عبارت است از خلاصه کردن داده های پراکنده که در واقع داده ها را قابل کنترل و تحلیل را آسان تر می کند. یکی از راههای مشخص کاهش و خلاصه سازی داده ها، حذف برخی از متغیرها از مجموعه داده هاست.

در مراحل اولیه پژوهش، پژوهشگران غالبا بلند پروازند؛ بنابراین اطلاعات بسیار زیادی جمع آوری می کنند، یا متغیرهای گوناگونی را برای بررسی وارد مطالعه می کنند که هنگام شروع تحليل داده ها نمی دانند واقعا باید با آنها چه بکنند. چنین اشتباهاتی را در طراحی غالبا می توان با حذف متغیرها (یعنی کاهش حجم مجموعه اطلاعات در مرحله تحلیل رفع نمود.

به جای تلاش همه جانبه برای تحلیل تمام متغیرهایی که پژوهشگر آنها را فقط به خاطر اینکه علاقه مند بوده است اثر آنها را مشاهده نماید، در مطالعه وارد نموده است، بهتر است که پژوهشگر تمام انرژی اش را صرف تحلیل کامل چندین متغیر مهم نماید.

هنگامی که روی متغیرهای اصلی تصمیم گیری شد، مجموعه داده ها را می توان از طریق جمع کردن با میانگین گیری سؤالات مقیاسهای چند سؤاله یا مقیاسهایی که از چندین زیر مقیاس یا مقیاس فرعی تشکیل شده است، کاهش داد مثلا از طریق دستور «محاسبه» در SPSS).

چنانچه در مطالعه از مقیاسی جدید استفاده شده است، بهتر است که قبل از هر نوع تحلیل، ابتدا «تحلیل مواد» (یا تحلیل سؤال) انجام گیرد؛ چرا که در فرایند میانگین گیری فرض بر این است که وزن سؤالات با هم برابرند.

تحلیل مواد، سؤالات بد را مشخص نموده (منظور سؤالاتی است که با سؤالات دیگر آزمون هماهنگ نیست) و نشان می دهد که آیا آزمون در مجموع از همسانی و هماهنگی درونی» کافی برخوردار است تا با اطمینان بتوان آن را به عنوان یک «مقیاس همگن» به کار برد.

هنگامی که این تحلیل انجام گرفت، نمرات خام سؤالات را می توان از مجموعه نمرات حذف نمود و فقط از میانگین یا نمره کلی آزمون استفاده کرد. راه دیگر برای خلاصه سازی یا کاهش اطلاعات، استفاده از روشهای «تحلیل عاملی» است.

تحلیل عاملی، فن آماری چند متغیری است که برای مشخص کردن ساختار مجموعه ای از متغیرها طراحی شده است.

اغلب از این فن به عنوان یک مرحله در پژوهشهای مربوط به ساخت آزمون برای بررسی تعداد ابعاد زیرساخت یک مقیاس جدید یا مجموعه ای از مقیاسها استفاده می شود.

هنگامی که پژوهشگر می خواهد حداکثر اطلاعات مربوط به تعداد زیادی متغیر را به وسیله نمرات در تعداد کمی از عوامل مشترک نشان دهد نیز از این روش استفاده می کند.

تحليل سؤال یا تحليل مواد، تحلیلی مقدماتی محسوب شده و غالبا در بخش «روش» در گزارش پژوهش می آید، در حالی که «تحلیل عوامل» به خودی خود یک تحلیل خاص و کامل محسوب شده و غالبا در بخش نتایج، گزارش می شود.

کاوش و شناسایی داده ها آخرین مرحله مقدماتی، دریافت الگوی کلی داده های پژوهش است. حتی اگر پژوهشگر در چهارچوب یک «آزمون فرضیه» کار می کند، باز هم مناسب است که داده های به دست آمده را از زوایای مختلف بررسی کند. حداقل سود این کار این است که ایده های جدیدی برای پژوهشهای بعدی فراهم خواهد نمود.

پیشرفتهای علمی غالبا از یافته های غیر منتظره به دست می آیند، چیزی که روشهای تأییدی خالص ممکن است هرگز نتواند به آن دست یابد (مربائوم' ولاو، ۱۹۸۲). بسیار ارزشمند است اگر محقق نسبت به داده ها نگرشی تفریحی و سرگرمی» داشته باشد. این کار باعث می شود تا پژوهشگر به داده ها از زوایای متفاوتی بنگرد و از درون و بیرون آن به خوبی مطلع شود. در ۲۰ سال گذشته، فنون آماری بسیاری برای تسهیل این فرایند ساخته شده است.

روش تاکی (۱۹۷۷) در «تحلیل کاوشی داده ها»، که اغلب با نام اختصار EDA نامیده می شود، یکی از روشهای معتبر برای این منظور است.

تأكید این روش بر ارائه ترسیمی (با شکل نشان دادن داده هاست که اغلب برای آنکه جنبه سرگرم کننده بیشتری به داده ها بدهند، از نامهای جذابی همچون «ترسیم شاخه ها» یا ترسیم بدنه» استفاده می کنند.

اولین مجموعه تحليلها شامل نگاه کردن به توزیع فراوانیها» در هر یک از متغیرهاست. این کار پژوهشگر را قادر می سازد تا ببیند که مثلا آیا متغیرها به طور طبیعی توزیع شده اند؟ آیا هیچ الگوی منظمی برای داده های جا افتاده» وجود دارد یا خیر؟ برای برخی از مطالعات توصیفی ممکن است دانستن توزیع فراوانیها تمام چیزی باشد که محقق نیاز دارد تا به سؤالات پژوهش پاسخ گوید.

گروه دوم تحلیلهای مقدماتی، انجام تحلیل همبستگیهای اکتشافی است. خصوصا محاسبه همبستگی میان تمامی نمرات متغیرهای مستقل و محاسبه همبستگی بین تمامی نمرات متغیرهای وابسته. این گونه تحلیلها معمولا الگوهایی را آشکار می سازد که به پژوهشگر در فهم نتایج بعدی کمک بسیار زیادی می کند؛ برای نمونه، چنانچه نمره معیاری از دیگر نمرات متفاوت باشد، مطالعه الگوهای همبستگی آن با متغیرهای دیگر بسیار سودمند خواهد بود.

به طور مشابه چنانچه متغیرهای موجود در سؤال پژوهشی از همبستگی بسیار بالایی برخوردار باشند، تأييد مجدد فرضیه کمتر تعجب انگیز بوده، ممکن است نشان دهنده این باشد که متغیرها در واقع مقیاسهای مختلف یک سازه هستند.

یکی از مشکلاتی که در اینجا وجود دارد، از یک طرف میل به انجام سنجش های بسیار با استفاده از تحلیلهای فراوان است و از طرف دیگر ضرورت اجتناب از خطاهای رایج مربوط به تحلیل بیش از اندازه اطلاعات، یعنی تلاش برای مرتبط کردن همه چیز با هم.

همچنان که در بالا اشاره شد، پژوهشگر بایستی در تصمیم گیری قاطع بوده و صریحا مشخص نماید که متغیرهای مهمی را که او می خواهد بر آنها تمرکز کند کدام اند و کدام متغیرها را قصد دارد حذف نماید.

مطالعه نمونه فصل چهارم پایان نامه روانشناسی