Badania mieszane (mixed methods): schematy, integracja i opis w pracy

Autor: Konrad Hryniewicz · Opublikowano: 26 października 2026

Czym są badania mieszane, a czym nie są

Badania mieszane (ang. mixed methods research) łączą w jednym projekcie dane i analizy ilościowe z jakościowymi. Robią to po to, by odpowiedzieć na pytanie badawcze lepiej, niż pozwoliłaby na to każda z tych części osobno. Johnson i in. (2007) zebrali definicje od wiodących badaczy tej dziedziny i na ich podstawie zaproponowali definicję zbiorczą. Badania mieszane traktują jako jeden z trzech głównych paradygmatów badawczych, obok ilościowego i jakościowego. W podręcznikach metodologii projektowanie badań mieszanych omawia się dziś na równi z planowaniem badań ilościowych i jakościowych (Creswell i Creswell, 2022).

W praktyce doktoratów i artykułów nazwę „badania mieszane” nadaje się jednak także projektom, które nimi nie są. Ankieta z jednym pytaniem otwartym, do której dopisano kilka cytatów, nie jest jeszcze badaniem mieszanym. Podobnie dwa niezależne badania opisane w osobnych rozdziałach i nigdzie niezestawione. O badaniu mieszanym decydują trzy elementy: obie części mają własny, poprawny plan zbierania i analizy danych, schemat określa, jak się do siebie mają, a w zaplanowanym miejscu wyniki są integrowane. Brak trzeciego elementu jest najczęstszą słabością takich projektów. W ocenie 75 badań mieszanych z ochrony zdrowia O’Cathain i in. (2008) stwierdzili, że autorzy zwykle opisywali tylko poszczególne części, rzadko uzasadniali schemat, a o integracji często nie dało się nic powiedzieć, bo jej nie podjęto.

Ten wpis jest przeznaczony dla badaczy i doktorantów, którzy planują projekt mieszany albo muszą go opisać w rozprawie, wniosku grantowym lub artykule. Omawiamy w nim cele łączenia metod, trzy podstawowe schematy, poziomy integracji i dobór próby. Pokazujemy też przykład projektu doktorskiego ze schematem sekwencyjnym objaśniającym, wzory opisu oraz najczęstsze zarzuty recenzentów. Pokrewne zagadnienie, czyli porównywanie wniosków z różnych źródeł i metod, rozwijamy we wpisie triangulacja w badaniach.

Po co łączyć metody: pięć celów

Schemat wynika z celu, a nie odwrotnie. Greene i in. (1989) przeanalizowali 57 ewaluacji łączących metody i wyróżnili pięć celów takiego łączenia. Ich typologia do dziś porządkuje uzasadnienia w rozdziałach metodologicznych:

W tym samym przeglądzie Greene i in. (1989) zauważyli, że wiele badań deklarowało triangulację, choć ich schemat na nią nie pozwalał. Niewiele z nich integrowało też metody na etapie analizy danych. Podobny rozdźwięk opisał Bryman (2006) po analizie 232 artykułów z nauk społecznych. Uzasadnienia łączenia metod podawane we wstępie nie zawsze odpowiadały temu, jak metody wykorzystano w praktyce. Bryman zauważył też, że typowy projekt mieszany łączy kwestionariusz w schemacie przekrojowym z wywiadami częściowo ustrukturyzowanymi. Wniosek praktyczny: w rozdziale metodologicznym nazwij jeden lub dwa główne cele i pokaż, w którym miejscu schematu każdy z nich się realizuje. Lista wszystkich możliwych korzyści nic nie mówi recenzentowi.

Trzy podstawowe schematy

Fetters i in. (2013) wyróżniają trzy podstawowe schematy badań mieszanych: sekwencyjny eksploracyjny, sekwencyjny objaśniający i zbieżny (równoległy). Do tego dochodzą cztery ramy zaawansowane, które omawiamy niżej. Schematy różnią się kolejnością zbierania danych i tym, która część prowadzi badanie. W literaturze przyjął się skrótowy zapis. Wielkie litery (QUAN, QUAL) oznaczają część dominującą, a małe (quan, qual) część pomocniczą. Strzałka „→” oznacza sekwencję, a znak „+” zbieranie danych w tym samym czasie.

Schemat równoległy (zbieżny): QUAN + QUAL

Obie części realizujesz w tym samym okresie, analizujesz je osobno, a potem zestawiasz wyniki. Przykładem może być ankieta wśród nauczycieli i wywiady prowadzone w tych samych szkołach w tym samym semestrze. Schemat ten jest najkrótszy w realizacji, ale wymaga, by obie części dotyczyły tego samego zjawiska i dało się je porównać. W praktyce oznacza to, że tematy poruszane w wywiadach muszą odpowiadać konstruktom mierzonym w ankiecie. Fetters i in. (2013) nazywają ten sposób łączenia scalaniem (merging): dwie bazy danych łączy się dopiero na etapie analizy. Główne ryzyko polega na tym, że wyniki okażą się rozbieżne, a w planie nie przewidziano, co wtedy zrobić. Zaplanuj to z góry, np. dodatkową analizę podgrup, powrót do danych albo krótkie wywiady uzupełniające.

Schemat sekwencyjny objaśniający: QUAN → qual

Najpierw przeprowadzasz badanie ilościowe, a potem jakościowe, które ma wyjaśnić jego wyniki: mechanizmy, wyjątki, wyniki nieoczekiwane. Ivankova i in. (2006) wskazują trzy decyzje, które trzeba podjąć w tym schemacie. Pierwsza dotyczy priorytetu każdej części, druga kolejności zbierania i analizy danych, a trzecia etapów, na których dane są łączone, a wyniki integrowane. Polecają też narysowanie diagramu procedur, który pokazuje te punkty. W schemacie objaśniającym etap jakościowy zależy od wyników ilościowych na dwa sposoby. Od nich zależy dobór osób do wywiadów, czyli łączenie przez próbę (connecting; Fetters i in., 2013), a także pytania, które zadajesz. Przewodnika wywiadu nie da się więc w pełni napisać przed zakończeniem etapu 1. Komisji etycznej i promotorowi przedstaw jego ramę i zasady uzupełniania.

Schemat sekwencyjny eksploracyjny: QUAL → quan

Najpierw realizujesz część jakościową, a jej wyniki służą do zbudowania części ilościowej. Najczęściej powstaje w ten sposób nowe narzędzie, czyli skala, ankieta albo lista kategorii, albo hipotezy do sprawdzenia na większej próbie. Fetters i in. (2013) nazywają to budowaniem (building): jedna baza danych kształtuje sposób zbierania drugiej. To typowy schemat w doktoratach, w których powstaje narzędzie. Wywiady pokazują, jak badani rozumieją zjawisko. Z nich powstają pozycje, które przechodzą przez wywiad poznawczy i pilotaż, a potem przez analizę psychometryczną na dużej próbie. Ścieżkę ilościową opisujemy we wpisie jak zbudować i zwalidować skalę psychometryczną, a technikę sondowania pozycji w poradniku wywiad poznawczy w pilotażu krok po kroku. Ten schemat zajmuje najwięcej czasu, bo trzy etapy następują po sobie.

Ramy zaawansowane

Fetters i in. (2013) opisują też cztery ramy, w które wpisuje się podstawowe schematy: wieloetapową, interwencyjną, studium przypadku i partycypacyjną. W ramie interwencyjnej dane jakościowe są osadzone (embedding) w badaniu eksperymentalnym. Wywiady przed interwencją pomagają wtedy dopasować program, wywiady w trakcie opisują jego realizację, a wywiady po zakończeniu pomagają zrozumieć, dlaczego zadziałał albo nie zadziałał. Przy schemacie eksperymentalnym pamiętaj, że wywiady z uczestnikami grupy eksperymentalnej mogą same stać się częścią interwencji. Zaplanuj je tak, by nie zaburzały porównania grup, np. przeprowadź je po pomiarze końcowym.

Integracja na trzech poziomach

Integracja oznacza celowe zestawienie obu części tak, by wnioski z całości wykraczały poza wnioski z każdej części osobno. Fetters i in. (2013) opisują ją na trzech poziomach, a dobry projekt planuje integrację na każdym z nich.

1. Poziom schematu. Wybór jednego z trzech schematów albo ramy zaawansowanej określa, kiedy i po co spotykają się obie części.
2. Poziom metod. Tu mamy cztery sposoby łączenia: łączenie przez dobór próby (jedna baza wskazuje, kogo badać w drugiej), budowanie (jedna baza kształtuje narzędzie lub procedurę drugiej), scalanie (obie bazy analizowane razem) i osadzanie (zbieranie i analiza danych łączą się w wielu punktach).
3. Poziom interpretacji i raportowania. Wyniki łączy się w narracji, przez przekształcanie danych albo we wspólnym zestawieniu (joint display).

Fetters i in. (2013) wprowadzają też pojęcie „dopasowania” integracji, czyli tego, na ile wyniki obu części są spójne. W praktyce możliwe są trzy sytuacje. Wyniki mogą się potwierdzać, mogą się uzupełniać, gdy jedna część dodaje to, czego druga nie mierzyła, albo mogą sobie przeczyć. Rozbieżność nie jest porażką badania, tylko wynikiem, który trzeba opisać i spróbować wyjaśnić. Ukrywanie jej w dyskusji to jeden z najpoważniejszych błędów raportowania.

Przekształcanie danych

Przekształcanie danych działa w dwie strony. W kwantyfikacji zamieniasz wyniki jakościowe na liczby. Liczysz na przykład, ilu rozmówców wspomniało dany temat, albo kodujesz odpowiedzi i analizujesz je statystycznie. Procedurę klucza, zgodności koderów i liczenia kategorii pokazujemy we wpisie analiza treści pytań otwartych w ankiecie oraz w haśle kodowanie odpowiedzi otwartych. Jeśli kody mają trafić do analiz statystycznych, sprawdź zgodność dwóch koderów, np. kappą Cohena. Wybór miary przy wielu koderach lub ocenach porządkowych omawiamy we wpisie zgodność sędziów: kappa, ICC i alfa Krippendorffa. W kwalitatywizacji idziesz w drugą stronę: z wyników ilościowych tworzysz opisowe typy, np. profile respondentów z analizy profili latentnych, a potem opisujesz każdy typ jakościowo. Liczenie tematów w kilkunastu wywiadach traktuj ostrożnie. Przy próbie celowej liczby mówią, jak często temat pojawił się w tej grupie, a nie w populacji.

Wspólne zestawienie (joint display)

Wspólne zestawienie to tabela albo rysunek, w którym wyniki obu części stoją obok siebie, a kolumna końcowa podaje wniosek z ich połączenia. Guetterman i in. (2015) przeanalizowali 19 takich zestawień z czasopism publikujących badania mieszane. Najczęściej spotykali dwa typy: „statystyki według tematów” i porównania „obok siebie”. Stosowano je we wszystkich podstawowych schematach i w ramie interwencyjnej. Autorzy zachęcają do ich używania, bo porządkują zintegrowaną analizę i pomagają czytelnikowi zobaczyć, co nowego daje połączenie metod. Przykład znajdziesz w następnej sekcji (Tabela 1).

Przykład: projekt doktorski ze schematem QUAN → qual

Doktorantka bada związek między wsparciem ze strony dyrekcji a wypaleniem zawodowym nauczycieli. Pytanie ilościowe brzmi: czy większe wsparcie wiąże się z niższym wypaleniem, po uwzględnieniu stażu pracy? Pytanie jakościowe brzmi: dlaczego część nauczycieli doświadcza wysokiego wypalenia mimo dużego wsparcia? Pytanie mieszane łączy oba: co wyróżnia osoby, u których wsparcie „nie działa”, i co to mówi o samym pojęciu wsparcia?

Etap 1: ankieta

W ankiecie internetowej wzięło udział 412 nauczycieli (dane symulowane). Wsparcie mierzono średnią sześciu pozycji (1–5), a wypalenie średnią dziewięciu pozycji (1–7). W regresji wielorakiej większe wsparcie wiązało się z niższym wypaleniem, b = −0.494, 95% CI [−0.595, −0.393], t(409) = −9.60, p < .001, przy kontroli stażu pracy (b = 0.015, 95% CI [0.006, 0.025]). Model wyjaśniał 20.6% wariancji wypalenia, F(2, 409) = 53.07, p < .001. Na końcu ankiety 161 osób (39.1%) zgodziło się na kontakt w sprawie wywiadu.

Punkt łączenia: dobór do wywiadów

Do etapu jakościowego doktorantka wybrała osoby z dużym wsparciem (powyżej mediany), które wyraziły zgodę na wywiad. Takich osób było 78. Spośród nich zaprosiła dwie grupy:

• przypadki nietypowe: 8 osób z najwyższymi dodatnimi resztami (od 1.13 do 1.80), czyli z wypaleniem wyraźnie wyższym, niż przewiduje model;
• przypadki typowe: 8 osób z resztami najbliższymi zera (od −0.09 do 0.04), czyli takie, u których wypalenie odpowiada przewidywaniu.

To przykład celowego doboru przypadków skrajnych i typowych. Palinkas i in. (2015) opisują dobór celowy jako wybór przypadków bogatych w informacje i zalecają łączenie kilku strategii doboru w badaniach mieszanych. Podstawowe rodzaje doboru nielosowego omawiamy w haśle dobór celowy, wygodny i metoda kuli śnieżnej. Liczba wywiadów w każdej grupie nie jest tu ustalana z góry na sztywno. W planie podaj wstępną liczbę i kryterium zakończenia, np. moment, w którym kolejne wywiady nie wnoszą nowych wątków do pytania badawczego. Uzasadnij to w odniesieniu do literatury metod jakościowych, z której korzystasz.

Etap 2 i integracja

Przewodnik wywiadu powstaje na podstawie wyników etapu 1. Obie grupy rozmawiają o tym samym: jak wygląda wsparcie dyrekcji, czego dotyczy, kiedy pomaga, a kiedy nie wystarcza. Wywiady analizuje się metodą jakościową wybraną i opisaną w rozprawie. Na koniec wyniki zestawia się we wspólnym zestawieniu. W Tabeli 1 wartości liczbowe pochodzą z etapu 1. Kolumna jakościowa pokazuje tylko format takiego zestawienia, a nie wyniki prawdziwego badania.

Kolejność kolumn w zestawieniu ma znaczenie. Czytelnik widzi wynik ilościowy, potem to, co powiedzieli rozmówcy z danej grupy, a na końcu wniosek, który wynika dopiero z połączenia. Przykładowe metawnioski w ostatnim wierszu prowadzą do decyzji dla kolejnego badania, czyli do rozwinięcia narzędzia. W ten sposób schemat objaśniający może przejść w wieloetapowy. W doktoracie z cyklu artykułów takie przejście często wyznacza granicę między kolejnymi publikacjami. Spójność analiz między nimi omawiamy we wpisie doktorat z cyklu artykułów a spójna analiza danych.

Plan projektu mieszanego w doktoracie i we wniosku

Recenzent wniosku grantowego albo rada dyscypliny ocenia w projekcie mieszanym przede wszystkim spójność. Poniższa lista pomaga sprawdzić, czy plan ją ma.

1. Trzy rodzaje pytań. Sformułuj pytanie ilościowe, jakościowe i mieszane, czyli takie, na które odpowiada dopiero integracja. Zasady formułowania pytań ilościowych i hipotez omawiamy we wpisie pytania badawcze i hipotezy.
2. Nazwa i diagram schematu. Podaj nazwę schematu, zapis (np. QUAN → qual) i diagram procedur z zaznaczonymi punktami integracji (Ivankova i in., 2006).
3. Uzasadnienie. Wskaż cel łączenia metod (Greene i in., 1989) i wyjaśnij, dlaczego jedna metoda nie wystarczy.
4. Dobór próby w każdej części. Część ilościowa potrzebuje uzasadnionej liczebności. Tu pomogą dobór liczebności próby i plan analiz z wpisu plan analiz statystycznych do wniosku grantowego. Część jakościowa potrzebuje strategii doboru i kryterium zakończenia. W schematach sekwencyjnych opisz też relację prób: czy uczestnicy etapu 2 są podzbiorem uczestników etapu 1.
5. Analiza w każdej części. Dla części ilościowej podaj modele i decyzje analityczne. Możesz je wcześniej zarejestrować, co opisujemy we wpisie plan analizy statystycznej i prerejestracja. Dla części jakościowej podaj metodę analizy, sposób kodowania i dbałość o wiarygodność.
6. Procedura integracji. Opisz, co zostanie zestawione, w jakiej formie (narracja, przekształcenie danych, wspólne zestawienie) i co zrobisz przy rozbieżnych wynikach.
7. Etyka. We wniosku do komisji (zgoda komisji bioetycznej) opisz obie części. W schematach sekwencyjnych opisz też, jak prosisz o zgodę na ponowny kontakt i jak łączysz dane z ankiety z wywiadem, bez ujawniania tożsamości. Zasady opisujemy w haśle świadoma zgoda i RODO w badaniach.
8. Harmonogram z buforem. W schematach sekwencyjnych etap 2 nie może się zacząć przed analizą etapu 1. Uwzględnij to w planie rozprawy. Ogólne ramy planowania części empirycznej doktoratu omawiamy we wpisie analiza statystyczna w doktoracie.

Jak opisać badanie mieszane w rozprawie i artykule

Standardy raportowania APA obejmują osobne zalecenia dla badań mieszanych. Opublikowano je razem ze standardami dla badań jakościowych i metaanaliz jakościowych (Levitt i in., 2018). Zestawienie standardów APA dla części ilościowej omawiamy we wpisie wytyczne APA i JARS-Quant. Niezależnie od czasopisma recenzent szuka w opisie badania mieszanego czterech rzeczy:

• schematu i jego uzasadnienia już we wstępie metod, a nie dopiero w dyskusji;
• przejrzystego opisu obu części: próby, narzędzi i analizy. O’Cathain i in. (2008) stwierdzili, że część jakościowa była w badanych wnioskach opisana nieprzejrzyście znacznie częściej niż ilościowa (42% wobec 18%);
• procedury integracji: gdzie, jak i z jakim skutkiem połączono wyniki;
• metawniosków, czyli tego, czego dowiedzieliśmy się dzięki połączeniu metod.

Rozdział metodologiczny: opis schematu

Wyniki lub dyskusja: opis integracji

Drugi wzór ilustruje strukturę akapitu i wymaga prawdziwych wyników etapu jakościowego. Nie przenoś go do pracy bez zmian. Tabelę ze wspólnym zestawieniem umieść w rozdziale wyników albo w części, w której integrujesz wyniki. Zasady formatowania tabel i rysunków w artykułach omawiamy we wpisie tabele i rysunki do artykułu naukowego.

Ocena jakości badań mieszanych w przeglądach

Jeśli Twój doktorat obejmuje przegląd literatury, w którym są badania mieszane, możesz ocenić ich jakość narzędziem MMAT. Wersja z 2018 roku zawiera po pięć podstawowych kryteriów jakości dla pięciu kategorii schematów: jakościowych, randomizowanych, nierandomizowanych, ilościowych opisowych i mieszanych (Hong i in., 2018). Kryteria dla badań mieszanych są też dobrą listą kontrolną do sprawdzenia własnego projektu, zanim zrobi to recenzent.

# Schemat sekwencyjny objaśniający: etap ilościowy (ankieta) -> dobór osób do wywiadów na podstawie wyników.
# Projekt doktorski: wsparcie ze strony dyrekcji a wypalenie zawodowe nauczycieli (dane symulowane, set.seed(9501)).
# Wsparcie: średnia 6 pozycji 1–5; wypalenie: średnia 9 pozycji 1–7; staż pracy w latach.
set.seed(9501)
N <- 412
staz <- round(pmin(pmax(rgamma(N, shape = 3, scale = 5), 1), 40))
wsparcie <- round(pmin(pmax(rnorm(N, 3.2, 0.8), 1), 5), 2)
wypalenie <- round(pmin(pmax(5.6 - 0.55 * wsparcie + 0.012 * staz + rnorm(N, 0, 0.85), 1), 7), 2)
zgoda <- rbinom(N, 1, .36) == 1   # zgoda na kontakt w sprawie wywiadu (pytanie na końcu ankiety)
d <- data.frame(id = sprintf("N%03d", 1:N), staz, wsparcie, wypalenie, zgoda)

# Etap 1: model ilościowy
m <- lm(wypalenie ~ wsparcie + staz, data = d)
round(cbind(b = coef(m), confint(m)), 3)
round(c(R2 = summary(m)$r.squared, F = unname(summary(m)$fstatistic[1])), 3)
round(summary(m)$coefficients, 3)
summary(m)$fstatistic
cor(d$wsparcie, d$wypalenie)

# Etap 2 (łączenie przez dobór): osoby z dużym wsparciem (powyżej mediany), które wyraziły zgodę na wywiad,
# a wśród nich 8 osób z najwyższą resztą (wypalenie wyższe od przewidywanego) i 8 z resztą najbliższą zera.
d$reszta <- round(resid(m), 2)
c(zgoda_n = sum(d$zgoda), zgoda_proc = round(100 * mean(d$zgoda), 1), mediana_wsparcia = median(d$wsparcie))
pula <- d[d$zgoda & d$wsparcie > median(d$wsparcie), ]
nrow(pula)
nietypowe <- head(pula[order(-pula$reszta), ], 8)
typowe <- head(pula[order(abs(pula$reszta)), ], 8)
d$grupa <- ifelse(d$id %in% nietypowe$id, "nietypowe", ifelse(d$id %in% typowe$id, "typowe", "pozostałe"))

# Liczby do tabeli łączącej (joint display)
agg <- function(x) c(n = nrow(x), wsparcie_M = mean(x$wsparcie), wypalenie_M = mean(x$wypalenie),
                     reszta_M = mean(x$reszta), staz_Me = median(x$staz))
round(rbind(cala_proba = agg(d), typowe = agg(typowe), nietypowe = agg(nietypowe)), 2)
range(nietypowe$reszta); range(typowe$reszta)

                 b  2.5 % 97.5 %
(Intercept)  5.316  4.951  5.682
wsparcie    -0.494 -0.595 -0.393
staz         0.015  0.006  0.025
    R2      F 
 0.206 53.071 
            Estimate Std. Error t value Pr(>|t|)
(Intercept)    5.316      0.186  28.578    0.000
wsparcie      -0.494      0.051  -9.602    0.000
staz           0.015      0.005   3.266    0.001
    value     numdf     dendf 
 53.07112   2.00000 409.00000 
[1] -0.4305032
         zgoda_n       zgoda_proc mediana_wsparcia 
         161.000           39.100            3.165 
[1] 78
             n wsparcie_M wypalenie_M reszta_M staz_Me
cala_proba 412       3.19        3.97     0.00    14.0
typowe       8       3.90        3.59    -0.01    12.5
nietypowe    8       3.71        5.10     1.41    12.0
[1] 1.13 1.80
[1] -0.09  0.04

Najczęstsze zarzuty recenzentów

1. „To nie jest badanie mieszane”. Ankieta z kilkoma pytaniami otwartymi albo dwa niezależne badania bez integracji nie spełniają definicji. Nazwij projekt uczciwie albo dodaj zaplanowany punkt integracji.
2. Brak nazwy i uzasadnienia schematu. Recenzent musi wiedzieć, która część jest dominująca, w jakiej kolejności zbierano dane i po co je połączono. Diagram procedur rozwiązuje ten problem w jednym rysunku.
3. Część jakościowa jako dodatek. Kilka cytatów bez opisu doboru, metody analizy i kryteriów wiarygodności to najczęstsza słabość. Część jakościowa ma własne standardy i trzeba je spełnić (Levitt i in., 2018).
4. Integracja tylko w dyskusji. Gdy obie części spotykają się dopiero w ostatnim akapicie, czytelnik nie wie, co dało ich połączenie. Pokaż integrację w wynikach, np. we wspólnym zestawieniu.
5. Uogólnianie wyników jakościowych. Odsetki z kilkunastu wywiadów z doboru celowego, podane z dokładnością do części procenta, sugerują precyzję, której nie ma. Liczby z małych prób celowych opisuj jako opis tej grupy.
6. Pominięte rozbieżności. Wynik jakościowy, który przeczy ilościowemu, jest informacją o zjawisku albo o narzędziu. Opisz go i zaproponuj wyjaśnienie.
7. Triangulacja jako hasło. Deklaracja triangulacji wymaga schematu, w którym obie metody badają to samo zjawisko. Inaczej recenzent zauważy to, co Greene i in. (1989) odnotowali w przeglądzie ewaluacji.
8. Nierealny harmonogram. Schemat sekwencyjny eksploracyjny w ostatnim roku doktoratu rzadko się udaje. Zaplanuj go na początku albo wybierz schemat krótszy.

Zarzuty dotyczące części statystycznej i odpowiedzi na nie omawiamy we wpisach zarzuty recenzentów do statystyki i odpowiedź recenzentom – wzory PL i EN. Jeśli przygotowujesz część ilościową projektu mieszanego, w tym dobór próby, model i dobór przypadków do wywiadów, zajrzyj do oferty analiz dla badaczy. Pomagamy zaplanować i policzyć analizy oraz wyjaśnić wyniki, a decyzje interpretacyjne pozostają po stronie zespołu badawczego.

Najczęstsze pytania

Czym różni się schemat sekwencyjny objaśniający od eksploracyjnego?

W schemacie objaśniającym (QUAN → qual) najpierw prowadzisz badanie ilościowe, a wywiady mają wyjaśnić jego wyniki, np. przypadki nietypowe. W schemacie eksploracyjnym (QUAL → quan) najpierw prowadzisz badanie jakościowe, a jego wyniki służą do zbudowania narzędzia lub hipotez sprawdzanych potem na większej próbie.

Czy ankieta z pytaniami otwartymi to już badanie mieszane?

Zwykle nie. Badanie mieszane wymaga dwóch pełnoprawnych części, z własnym doborem, zbieraniem i analizą danych, oraz zaplanowanej integracji ich wyników. Pytania otwarte w ankiecie to najczęściej uzupełnienie badania ilościowego, które opisujesz jako analizę treści.

Co to jest joint display w badaniach mieszanych?

To tabela albo rysunek, w którym wyniki ilościowe i jakościowe stoją obok siebie, a ostatnia kolumna podaje wniosek z ich połączenia. Najczęstsze formy to „statystyki według tematów” i porównanie „obok siebie”. Umieść je w wynikach, a nie dopiero w dyskusji.

Jak dobrać osoby do wywiadów po badaniu ankietowym?

Zapytaj w ankiecie o zgodę na kontakt, a potem wybierz rozmówców według wyników etapu ilościowego. Mogą to być osoby o skrajnych wynikach, przypadki odbiegające od przewidywań modelu albo przedstawiciele wyodrębnionych profili. Opisz kryterium doboru, wielkość puli i liczbę zaproszonych osób.

Jak opisać schemat badań mieszanych w rozprawie doktorskiej?

Podaj nazwę schematu i zapis (np. QUAN → qual), cel łączenia metod, priorytet i kolejność części, sposób doboru w każdej części oraz punkty integracji. Najlepiej dołącz diagram procedur. Potem opisz obie części tak dokładnie jak osobne badania i pokaż procedurę łączenia wyników.

Powiązane hasła

Przeczytaj też

@article{bryman2006integrating, author={Bryman, Alan}, title={{Integrating quantitative and qualitative research: How is it done?}}, journal={Qualitative Research}, year={2006}, volume={6}, number={1}, pages={97--113}, doi={10.1177/1468794106058877}}

@book{creswell2022research, author={Creswell, John W. and Creswell, J. David}, title={{Research design: Qualitative, quantitative, and mixed methods approaches}}, year={2022}, edition={6th ed.}, publisher={SAGE Publications}, url={https://www.sagepub.com/shop/buy-a-book/research-design-6-270550}}

@article{fetters2013achieving, author={Fetters, Michael D. and Curry, Leslie A. and Creswell, John W.}, title={{Achieving integration in mixed methods designs—Principles and practices}}, journal={Health Services Research}, year={2013}, volume={48}, number={6, Pt. 2}, pages={2134--2156}, doi={10.1111/1475-6773.12117}}

@article{greene1989toward, author={Greene, Jennifer C. and Caracelli, Valerie J. and Graham, Wendy F.}, title={{Toward a conceptual framework for mixed-method evaluation designs}}, journal={Educational Evaluation and Policy Analysis}, year={1989}, volume={11}, number={3}, pages={255--274}, doi={10.3102/01623737011003255}}

@article{guetterman2015integrating, author={Guetterman, Timothy C. and Fetters, Michael D. and Creswell, John W.}, title={{Integrating quantitative and qualitative results in health science mixed methods research through joint displays}}, journal={Annals of Family Medicine}, year={2015}, volume={13}, number={6}, pages={554--561}, doi={10.1370/afm.1865}}

@article{hong2018mixed, author={Hong, Quan Nha and Fàbregues, Sergi and Bartlett, Gillian and Boardman, Felicity and Cargo, Margaret and Dagenais, Pierre and Gagnon, Marie-Pierre and Griffiths, Frances and Nicolau, Belinda and O'Cathain, Alicia and Rousseau, Marie-Claude and Vedel, Isabelle and Pluye, Pierre}, title={{The Mixed Methods Appraisal Tool (MMAT) version 2018 for information professionals and researchers}}, journal={Education for Information}, year={2018}, volume={34}, number={4}, pages={285--291}, doi={10.3233/efi-180221}}

@article{ivankova2006using, author={Ivankova, Nataliya V. and Creswell, John W. and Stick, Sheldon L.}, title={{Using mixed-methods sequential explanatory design: From theory to practice}}, journal={Field Methods}, year={2006}, volume={18}, number={1}, pages={3--20}, doi={10.1177/1525822x05282260}}

@article{johnson2007toward, author={Johnson, R. Burke and Onwuegbuzie, Anthony J. and Turner, Lisa A.}, title={{Toward a definition of mixed methods research}}, journal={Journal of Mixed Methods Research}, year={2007}, volume={1}, number={2}, pages={112--133}, doi={10.1177/1558689806298224}}

@article{levitt2018journal, author={Levitt, Heidi M. and Bamberg, Michael and Creswell, John W. and Frost, David M. and Josselson, Ruthellen and Suárez-Orozco, Carola}, title={{Journal article reporting standards for qualitative primary, qualitative meta-analytic, and mixed methods research in psychology: The APA Publications and Communications Board task force report}}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={26--46}, doi={10.1037/amp0000151}}

@article{ocathain2008quality, author={O'Cathain, Alicia and Murphy, Elizabeth and Nicholl, Jon}, title={{The quality of mixed methods studies in health services research}}, journal={Journal of Health Services Research \& Policy}, year={2008}, volume={13}, number={2}, pages={92--98}, doi={10.1258/jhsrp.2007.007074}}

@article{palinkas2015purposeful, author={Palinkas, Lawrence A. and Horwitz, Sarah M. and Green, Carla A. and Wisdom, Jennifer P. and Duan, Naihua and Hoagwood, Kimberly}, title={{Purposeful sampling for qualitative data collection and analysis in mixed method implementation research}}, journal={Administration and Policy in Mental Health and Mental Health Services Research}, year={2015}, volume={42}, number={5}, pages={533--544}, doi={10.1007/s10488-013-0528-y}}