▼▼▼▼▼▼▼▼
チャンネル登録はこちら

フェーズ３（第３相）：経験的な相

量的研究の経験的な部分として，研究データを収集したり，それらのデータを分析(analysis)するための準備がある．

多くの研究において，経験的な相は，調査研究のなかでもっとも時間を要する部分であるが，データを収集するのに要する時間は，研究によってさまざまである．

もし，完璧な集団に質問紙を配りデータを収集するなら，この作業はせいぜい数日で終えられるだろう．

しかし，データ収集は，数週間または何か月も要する作業となることが多い．

ステップ１３ ： データ収集

量的研究での実際のデータ収集は，計画に従って進めることが多い．

研究者の計画は，たいてい実際のデータ収集の手順（いつ，どこでデータを収集するか）や，研究について参加者に説明する手順，情報を記録する手順を含む．

ここ数十年のテクノロジーの進歩によって，データ収集の自動化の可能性が広がっている．

データ収集中は，事務的で管理的な作業がかなり要求される．

たとえば，調査研究者は研究を遂行するのに十分な資料を利用できるようにし，参加者に参加してほしい時間と場所を知らせ，また研究スタッフ（面接者など）に予約を忘れないようにさせ，スケジュールの重複を防ぎ，さらには情報の守秘性を保つための適切なシステムが確実に遂行されるように配慮しなければならない．

ステップ１４：分析のためのデータの準備

データを収集し終えたら，その分析を始める前にいくつかの予備活動を行わなければならない．

たとえば，質問紙が使えるかどうかを決めるために，ふつう，それらに目を通す必要がある．

ときにそのような質問紙がほとんど白紙のままだったり，回答者が誤って解釈したり順守できないような項目を含んでいることがある．

ほかにさまざまな対象の回答や観察に確認番号をつける作業がまだ済んでいないなら，この時点でそれを行う必要があろう．

たいてい，この時点で必要なのがコーディングである．コーディングには，決められたやり方に則って，言語データを数値に置きかえる方法がある．

たとえば，性別では(例：女性は1，男性は2)，カテゴリー変数に数のコードを割り当てる．

コーディングはまた，ある質問へのナラティブな回答を分類するのに必要である．

たとえば，入院中に受けた看護ケアの質について尋ねたときの患者の言語による回答は，�@肯定的反応，�A否定的反応，�B中立的反応，�C複合的反応，とコード化できよう．もう１つの予備ステップは，次に続く分析に備えて，文書に記録したデータをコンピュータのファイル上に移しかえることである．

フェーズ４（第４相）：分析の相

経験的な相で収集された量的データを，そのままのかたちで報告することはない．プロジェクトの第４の相では，それらのデータについて，さまざまなタイプの分析と解釈を行う．

ステップ１５ ： データ分析

データそのものが研究設問に対する答えを与えてくれるわけではない．

ふつう，研究で収集されるデータの量はかなり膨大になる．

単純に数の情報を読むだけで,研究設問の答えが見つかることはない．

データは秩序だった,首尾一貫したやり方で処理し，分析する必要がある．

量的情報は，通常,統計学的方法で分析する．

統計学的分析(statistical analyses)には，われわれが日常的に行っている簡素な手順（例：平均の計算）から，複雑で精密な方法まで広範な技術をもちいる．

コンピュータ処理がむずかしい方法もあるが，統計学的な検定の基本となる論理は比較的単純であり，コンピュータのおかげで面倒な数学的作業で動きがとれなくなるというようなこともなくなった．

ステップ１６ ： 結果の解釈

研究の結果を効果的に伝達できるようになるには，それらをなんらかの系統的な方法で解釈しなければならない．

解釈(interpretation)とは，結果を理解したり，その意味を検討する過程を指す．

解釈の過程は，理論的枠組みや，その領域の既存の経験的知識，臨床経験などの文脈のなかで，結果を説明しようとする試みから始まる．

もし研究の仮説が支持されたならば，結果の説明は簡単であろう．

なぜならば，その結果は先に予想した主張に合うからである．

もし仮説が支持されなかったならば,研究者はなぜそうなのかを説明しなければならない．

基盤とした概念が間違っているのだろうか，それともその研究の問題状況には適さないのだろうか．またはその結果は，枠組みというよりも研究方法上の問題（たとえば,不適切な測定用具）を反映しているのだろうか．

論理的に正しく説明するためには，研究者は，臨床的な論点や，先行研究，概念的基盤に精通するばかりでなく，研究の方法論上の限界も理解できなければならない．

いいかえれば，研究の信頼性と妥当性にかかわるすべての入手可能なエビデンスに基づいて，結果を解釈しなくてはならない．

研究者は，研究デザインにおける自らの決断を批判的に評価し，同じような研究の問題状況に関心をもつほかの人々に代替的な方法を勧めるような立場にいるべきである．

量的研究では、経験的なデータ収集とそれに続くデータ分析のための準備が、研究プロセスの中でも非常に重要な部分を占める。まず、データ収集について考えてみると、研究の種類や目的に応じて、その時間や方法はさまざまである。たとえば、調査対象の全員に質問紙を配布し、短期間で回収するというシンプルなアプローチでは、データ収集は数日で完了することもある。しかし、場合によっては、データ収集が数週間から数か月にわたって続くことも珍しくない。特に、対象が広範であったり、地理的に離れた場所にいる場合や、参加者の協力が必要な場合、データ収集に多くの時間が費やされる。さらに、データの質を確保するためには、参加者への説明やインストラクションを丁寧に行う必要があり、これもまた時間と手間のかかる作業となる。

データ収集のステップは、計画段階から厳密に進められるべきであり、研究者は事前に詳細な計画を立てることが求められる。計画には、いつどこでデータを収集するか、誰がその作業を行うのか、そしてどのようにして情報を記録するのかといった具体的な手順が含まれる。また、参加者への説明方法や、収集したデータの管理方法についてもあらかじめ検討しなければならない。最近では、テクノロジーの進歩によって、データ収集の自動化が進んでいる。このようなツールやシステムを活用することで、作業の効率を高め、人為的なミスを減らすことができる。

しかし、テクノロジーがいかに進化しても、データ収集の管理には多くの事務的・管理的な作業が伴う。たとえば、調査研究者は、調査に必要な資料が十分に揃っているかどうかを確認する必要がある。また、参加者に対して、調査の目的や期待される参加方法を明確に伝え、彼らが調査に参加する時間や場所をしっかりと通知することも重要である。さらに、調査スタッフ（面接者など）とのスケジュール管理も大切な要素であり、スケジュールの重複やミスを防ぐために、適切なシステムを使用して調整する必要がある。加えて、研究者は参加者のプライバシーを守るため、収集したデータの守秘性を確保するための適切な措置を講じる必要がある。この点においては、データ管理のシステムが適切に機能しているかどうか、データの保管場所が安全かどうかを常に確認しなければならない。

データ収集が完了したら、次にデータを分析するための準備が始まる。これは、データ分析に入る前の重要なステップであり、予備的な作業が数多く含まれる。たとえば、研究で使用した質問紙が有効であるかどうかを確認する作業が必要となる。これは、収集した質問紙に目を通し、回答が適切であるかどうかを確認する作業を意味する。時には、質問紙がほとんど白紙のままで返ってくることもあるし、回答者が質問を誤解していたり、期待された形式で回答できなかったりすることもある。このような場合、データの質に影響を与えるため、研究者はそのような不完全なデータをどう扱うかを決定しなければならない。

また、データの管理のためには、各回答や観察に識別番号をつけることも必要となる。これにより、データが後で簡単に参照できるようになるし、分析時にデータを整理するのが容易になる。さらに、この段階で必要となる作業として「コーディング」がある。コーディングとは、言語データやその他の非数値データを数値に置き換える作業のことであり、これによって統計的な分析が可能となる。たとえば、性別に関するデータでは、女性を「1」、男性を「2」とするようなコードを割り当てることが一般的である。同様に、カテゴリー変数に対しても数値コードを付与することで、データを定量化し、統計的に処理できるようにする。コーディングはまた、質的な回答を分析する際にも使用される。たとえば、患者が入院中に受けたケアの質について述べたナラティブな回答を「肯定的反応」「否定的反応」「中立的反応」「複合的反応」などのカテゴリーに分類し、それぞれに数値コードを付与することができる。

次に、データをコンピュータに入力し、デジタル形式で保存する作業が必要となる。これは、手書きのデータや紙媒体で収集された情報を分析に適した形に変換するプロセスであり、時間と労力がかかるが、正確に行わなければ後々の分析に支障をきたす可能性がある。

これらの準備作業が完了した後、いよいよデータ分析に移行する。収集された量的データは、単純に報告するだけではなく、何らかの分析手法を用いて処理する必要がある。量的研究では、通常、統計的な手法が使用される。統計分析は、データに秩序を与え、首尾一貫した方法で処理するための手段であり、これによって初めて、研究の設問に対する回答を得ることができる。統計的手法は多岐にわたり、平均値や中央値の計算といった簡単な手法から、より複雑な回帰分析や分散分析まで、さまざまな方法がある。これらの手法を適切に使用することで、データから意味のあるパターンや傾向を見つけ出すことができる。統計的な分析を行うためには、コンピュータの使用が不可欠であり、特に大規模なデータセットを扱う場合、コンピュータによる処理は非常に効果的である。コンピュータのおかげで、研究者は複雑な数学的計算にとらわれることなく、効率的にデータを分析できるようになった。

統計的分析が完了した後は、次に結果の解釈に進む必要がある。結果をただ報告するだけではなく、その意味を理解し、研究の仮説や設問に照らし合わせて評価する作業が重要である。解釈とは、データを理解し、それが何を示しているのかを検討するプロセスである。このプロセスは、研究の理論的枠組みや、既存の研究結果、そして臨床的な経験などといったさまざまな要素を考慮しながら行われる。もし仮説がデータによって支持された場合、その解釈は比較的容易である。なぜなら、仮説が事前に予想していた通りの結果が得られたことを意味するからである。しかし、仮説が支持されなかった場合、研究者はその理由を明確に説明しなければならない。仮説が間違っていたのか、それとも研究の方法論に問題があったのか、あるいは測定用具が不適切であったのかを慎重に検討する必要がある。特に、結果が仮説に反していた場合、研究者は研究の概念的基盤や方法論の限界を理解し、それに基づいて結果を解釈しなければならない。