Triangulacja w badaniach: rodzaje, protokół, macierz zbieżności i opis w artykule

Autor: Konrad Hryniewicz · Opublikowano: 26 października 2026

Czym jest triangulacja, a czym nie jest

Triangulacja (ang. triangulation) to badanie tego samego zjawiska z kilku stron: różnymi metodami, na różnych danych, przez różnych badaczy albo w świetle różnych teorii. Carter i in. (2014) opisują ją na dwa sposoby. Po pierwsze jako drogę do pełniejszego zrozumienia zjawiska. Po drugie jako strategię sprawdzania trafności przez zbieżność informacji z różnych źródeł. To rozróżnienie warto mieć w głowie od początku, bo od niego zależy, czego oczekujesz od wyników.

Idea jest starsza niż badania mieszane. Jick (1979) wiązał ją z tradycją, w której łączenie metod nazywano metodologią zbieżną, walidacją zbieżną albo podejściem wielu cech i wielu metod. To ostatnie wywodzi się z klasycznej pracy Campbella i Fiske’a (1959) o macierzy MTMM. Wspólne jest przekonanie, że metody jakościowe i ilościowe uzupełniają się, a nie konkurują (Jick, 1979). Wniosek, który potwierdzają metody o różnych słabościach, jest mocniejszy niż wniosek z jednej metody, nawet bardzo starannej.

Triangulacja nie jest synonimem badań mieszanych. Moran-Ellis i in. (2006) zwracają uwagę, że słowa „integracja”, „łączenie”, „mieszanie” i „triangulacja” często używa się zamiennie. Zaciera to różnicę między dwiema sprawami. Pierwsza to proces, czyli sposób, w jaki zestawiasz metody i dane. Druga to twierdzenie o statusie wiedzy, która z tego wynika. Badanie z ankietą i wywiadami nie jest „triangulacyjne” tylko dlatego, że ma dwie metody. Jest takie wtedy, gdy wyniki obu metod porównujesz w określonym celu i opisujesz, co z tego porównania wynika. Schematy badań mieszanych, w których triangulacja jest jednym z możliwych celów, opisuje osobny wpis o badaniach mieszanych. Tutaj skupiamy się na samej triangulacji: jak ją zaplanować, przeprowadzić, opisać i obronić przed recenzentem.

Wpis jest przeznaczony dla badaczy i doktorantów, którzy planują projekt z kilkoma źródłami danych albo muszą w artykule lub rozprawie wyjaśnić, co ich „triangulacja” właściwie dała. Przykład z rozprawy doktorskiej o wypaleniu nauczycieli prowadzi przez wszystkie kroki. Liczby z części ilościowej pochodzą z kodu R na końcu wpisu.

Cztery rodzaje triangulacji

Najczęściej cytowany podział obejmuje cztery rodzaje triangulacji. Carter i in. (2014) przypisują go Denzinowi i Pattonowi: triangulacja metod, badaczy, teorii i źródeł danych. W jednym projekcie możesz łączyć kilka rodzajów naraz.

W triangulacji metod odróżnia się dwa warianty. Między metodami (between-method) łączysz metody różnego typu, np. ankietę z wywiadami. W obrębie metody (within-method) zestawiasz warianty tej samej metody, np. dwa kwestionariusze tego samego konstruktu. Wariant w obrębie metody jest tańszy, ale słabszy, bo obie miary dzielą te same źródła błędu: samoopis, ten sam moment, tę samą skłonność do określonych odpowiedzi.

Po co triangulować: zbieżność, kompletność i rozbieżność

Jeśli jedynym celem triangulacji jest „potwierdzenie” wyniku, rozbieżność wygląda jak porażka. Tymczasem w praktyce zbieżność to tylko jeden z możliwych wyników. Farmer i in. (2006) opracowali protokół triangulacji danych z wywiadów i dokumentów. Sprawdzali w nim trzy rzeczy: kompletność, zbieżność i rozbieżność kluczowych tematów. Zwrócili też uwagę, że literatura wymaga triangulacji, ale prawie nie mówi, jak ją przeprowadzić.

Warto też nazwać cel łączenia metod. Greene i in. (1989) wyróżnili pięć takich celów: triangulację, komplementarność, rozwój, inicjację i rozszerzenie. Przegląd 57 ewaluacji pokazał częste nadużywanie słowa „triangulacja”. Badania deklarowały ten cel, choć ich schemat na to nie pozwalał. Niewiele z nich łączyło też metody na etapie analizy danych. W praktyce oznacza to jedno. Jeżeli ankieta mierzy co innego niż wywiady, np. ankieta częstość objawów, a wywiady sposób radzenia sobie, metody się uzupełniają, ale nie triangulują. Nie mogą się zgodzić ani nie zgodzić, bo nie odpowiadają na to samo pytanie.

Denzin (2012), współtwórca klasycznej typologii, sam proponuje dziś ujęcie, które wykracza poza walidację, oparte na krytycznych metodologiach interpretacyjnych. Nie musisz podzielać tej perspektywy, żeby wyciągnąć z niej praktyczny wniosek. Napisz wprost, czy triangulacja w Twoim projekcie służy weryfikacji, czy pogłębieniu obrazu, i oceniaj wyniki według tego celu.

Triangulacja w badaniach ilościowych

Triangulacja nie jest zarezerwowana dla badań jakościowych. W psychometrii jej najstarszą formą jest ocena trafności zbieżnej i różnicowej w macierzy wielu cech i wielu metod (Campbell i Fiske, 1959). Gdy ten sam konstrukt mierzysz samoopisem i oceną obserwatora, korelacja między nimi mówi więcej niż korelacja dwóch kwestionariuszy wypełnionych przez tę samą osobę tego samego dnia. Ta druga może być zawyżona przez wspólną wariancję metody. Taka triangulacja metod w obrębie metody jest jednym z argumentów za trafnością teoretyczną narzędzia.

Druga forma dotyczy wnioskowania przyczynowego z danych obserwacyjnych. Hammerton i Munafò (2021) przypominają, że takie dane są obciążone przez zmienne zakłócające, dobór i błąd pomiaru, a zaawansowane metody statystyczne nie zawsze usuwają główne źródła obciążenia. Dlatego potrzebne są też rozwiązania oparte na schemacie badania. Triangulację definiują jako przemyślane stosowanie wielu podejść, z których każde ma własne mocne i słabe strony, a zwłaszcza własne źródła i kierunki możliwego obciążenia. Żadna pojedyncza metoda raczej nie da ostatecznej odpowiedzi na pytanie przyczynowe. Zbieżne wyniki podejść o różnych słabościach dają jednak mocniejszą podstawę wniosku. W praktyce oznacza to, że przy każdym podejściu warto jawnie zapisać, w którą stronę może być obciążone.

W projekcie obserwacyjnym możesz zestawić badanie kohortowe, analizę z propensity score i quasi-eksperyment z metodą różnicy w różnicach. Każde z tych podejść inaczej radzi sobie ze zmiennymi zakłócającymi. Jeśli wszystkie trzy wskazują ten sam kierunek efektu, a ich słabości są różne, wniosek jest mocniejszy niż przy trzech regresjach z innym zestawem kowariantów. Te trzy regresje dzielą bowiem tę samą słabość: nieobserwowane zmienne zakłócające. To praktyczna odpowiedź na zarzut, że korelacja to nie przyczynowość. Nie usuwa go, ale pokazuje, że wynik nie jest artefaktem jednego schematu.

Jak zaplanować triangulację w projekcie

Triangulację planuje się razem z pytaniami badawczymi, a nie po zebraniu danych. Doktoranci często dopisują ją dopiero w rozdziale metodologicznym, gdy dane z kilku źródeł już są. Recenzent łatwo to zauważy, bo źródła nie odpowiadają wtedy na to samo pytanie. Przy planowaniu odpowiedz na sześć pytań.

1. Które pytanie badawcze triangulujesz? Nie musisz triangulować wszystkich. Wybierz te, przy których wniosek z jednej metody byłby najsłabszy.
2. Co dokładnie ma się zbiec? Zapisz, jaki wynik każdej metody uznasz za zgodny, a jaki za sprzeczny. Na przykład: „ujemna korelacja wsparcia z wypaleniem w ankiecie oraz opisy wsparcia jako czynnika chroniącego w większości wywiadów”.
3. Czy źródła mają różne słabości? Wypisz główne źródło błędu każdej metody, np. samoopis i aprobatę społeczną w ankiecie, dobór i interakcję z badaczem w wywiadach, cel instytucjonalny w dokumentach. Jeśli słabości się pokrywają, zbieżność niewiele dowodzi (Hammerton i Munafò, 2021).
4. W jakiej kolejności zbierasz dane? W schemacie równoległym porównujesz niezależne wyniki. W schemacie sekwencyjnym wyniki jednej metody wpływają na dobór lub pytania w drugiej. Fetters i in. (2013) nazywają te sposoby łączenia przez dobór próby, budowaniem, scalaniem i osadzaniem.
5. Jak dobierasz uczestników części jakościowej? Dobór celowy jest uzasadniony, ale musisz go uwzględnić przy porównaniu. Odsetek tematów w wywiadach nie jest oszacowaniem dla populacji (zob. reprezentatywność próby).
6. Jak zapiszesz plan? Plan triangulacji umieść w protokole badania, a w projekcie ilościowym także w planie analizy i prerejestracji. Wtedy łatwiej odróżnić porównania zaplanowane od tych dopisanych po fakcie.

Protokół triangulacji: od tematów do macierzy zbieżności

Gdy dane są zebrane i przeanalizowane osobno, zaczyna się właściwa triangulacja. Fetters i in. (2013) opisują integrację na poziomie interpretacji i raportu przez narrację, przekształcanie danych i wspólne zestawienia (joint displays). Używają też pojęcia dopasowania (fit) integracji, czyli tego, na ile wyniki jakościowe i ilościowe są spójne. O’Cathain i in. (2010) zwracają uwagę, że techniki łączenia wyników dają więcej wiedzy niż osobne analizy. Praktyczny protokół może mieć pięć kroków.

1. Lista tematów. Z każdego źródła wypisz kluczowe tematy lub wyniki istotne dla pytania. Ujednolicaj ich nazwy, żeby dało się je porównać, np. „przeciążenie dokumentacją” zamiast trzech różnych etykiet.
2. Macierz źródło × temat. W każdej komórce zapisz, co dane źródło mówi o temacie: liczbę, odsetek z przedziałem ufności, liczbę wywiadów, w których temat się pojawił, cytat albo zdanie z dokumentu.
3. Ocena zbieżności dla każdego tematu. W przykładzie używamy czterech kategorii. Zgodność: źródła prowadzą do tego samego wniosku. Częściowa zgodność: kierunek jest ten sam, ale jedno źródło zmienia znaczenie lub zakres wniosku. Sprzeczność: źródła prowadzą do różnych wniosków. Milczenie: temat jest ważny w jednym źródle, a w innym go brak albo pojawia się marginalnie. Kategorie zdefiniuj przed oceną i zapisz definicje w protokole.
4. Niezależna ocena przez drugą osobę z omówieniem rozbieżności, czyli triangulacja badaczy na poziomie integracji.
5. Wnioski dla każdego tematu: co wiemy mocniej, co wymaga zastrzeżenia, co trzeba sprawdzić dalej.

Wynikiem jest wspólne zestawienie. Guetterman i in. (2015) przeanalizowali 19 takich zestawień z opublikowanych badań mieszanych. Najczęściej były to statystyki zestawione z tematami i porównania obok siebie. Autorzy zachęcają do ich stosowania, bo porządkują zintegrowaną analizę i pokazują czytelnikowi, co nowego dało połączenie metod. W artykule takie zestawienie bywa najważniejszą tabelą części wyników.

Przykład: wsparcie dyrekcji a wypalenie nauczycieli

Doktorantka bada, co łączy wsparcie dyrekcji z wypaleniem zawodowym nauczycieli. Ma trzy źródła danych. Pierwsze to ankieta wypełniona przez 212 nauczycieli z sześciu szkół (dane symulowane). Drugie to 18 wywiadów pogłębionych z nauczycielami wybranymi spośród uczestników ankiety, z przewagą osób o wysokim wyniku wypalenia. Trzecie to protokoły rad pedagogicznych z tych sześciu szkół. Wywiady i dokumenty zakodowano osobno, a zliczenia tematów są przykładowe.

W ankiecie średni wynik wsparcia dyrekcji wyniósł M = 3.04 (SD = 0.82), a wypalenia M = 2.92 (SD = 0.67), oba na skali 1–5. Wsparcie korelowało z wypaleniem ujemnie, r(210) = −.32, 95% CI [−.44, −.20], p < .001 (zob. korelacja Pearsona). Dla pozycji jednopytaniowych podajemy odsetek odpowiedzi „raczej tak” i „zdecydowanie tak” z 95% przedziałem ufności Wilsona (zob. przedział ufności dla proporcji).

Wśród sześciu tematów dwa oceniono jako zgodne, jeden jako częściowo zgodny, jeden jako sprzeczny, a w dwóch jedno ze źródeł milczało. Każda z tych ocen prowadzi do innego zdania w dyskusji.

• Przeciążenie dokumentacją (zgodność). 78.3% ankietowanych, 15 z 18 rozmówców i protokoły ze wszystkich sześciu szkół wskazują ten sam problem. Źródła mają różne słabości: samoopis, dobór rozmówców i cel instytucjonalny dokumentów. Wniosek o skali problemu można więc sformułować mocno.
• Wsparcie dyrekcji (częściowa zgodność). Ankieta pokazuje umiarkowany związek. W wywiadach wsparcie pojawia się głównie w kontekście konfliktów z rodzicami, jako ochrona w sytuacji sporu. Kierunek jest ten sam, ale wywiady zawężają mechanizm. To hipoteza do sprawdzenia, np. jako moderacja w kolejnej fali ankiety, a nie wynik.
• Konflikty z rodzicami (sprzeczność). Tylko 33.0% ankietowanych wskazuje kontakty z rodzicami jako źródło stresu, a w wywiadach temat pojawia się u 12 z 18 osób, często jako najbardziej obciążający. Tę rozbieżność omawiamy w następnej sekcji.
• Szkolenia (milczenie). Ankieta i dokumenty pokazują, że szkolenia się odbywają. Rozmówcy prawie o nich nie mówią w kontekście wypalenia (3 z 18). Rozsądny wniosek jest negatywny: dane nie dają podstaw, by przypisywać szkoleniom rolę w wypaleniu, ani w jedną, ani w drugą stronę.
• Wiadomości od rodziców po godzinach (milczenie). Temat pojawił się dopiero w wywiadach (9 z 18), a ankieta go nie obejmowała. To nowy wątek. Doktorantka dodaje pytanie do drugiej fali ankiety w maju. Tu przydają się wywiady poznawcze (zob. wywiad poznawczy w pilotażu).

Co zrobić, gdy wyniki się nie zgadzają

Rozbieżność jest najciekawszym wynikiem triangulacji. Nie zamiataj jej pod dywan i nie rozstrzygaj automatycznie na korzyść metody, która „bardziej się liczy”. Przejdź przez cztery możliwe wyjaśnienia, od najprostszego.

1. Pomiar. Czy źródła mierzą to samo? Pozycja ankiety pyta ogólnie o kontakty z rodzicami. Rozmówcy opowiadają o konkretnych, rzadkich, ale ostrych konfliktach. Ogólne pytanie mogło ich nie uchwycić.
2. Dobór. Czy grupy są porównywalne? Do wywiadów wybrano celowo więcej osób o wysokim wypaleniu. Jeśli konflikty z rodzicami dotyczą właśnie ich, w wywiadach będą częstsze niż w całej próbie.
3. Czas i kontekst. Czy dane zebrano w tym samym okresie? Wywiady prowadzone tuż po wywiadówkach mogą akcentować inne sprawy niż ankieta z września.
4. Rzeczywista złożoność. Czy oba wyniki mogą być prawdziwe naraz? Problem może dotyczyć mniejszości nauczycieli, ale dla nich być bardzo poważny.

Drugie i czwarte wyjaśnienie da się sprawdzić w danych ilościowych. Osoby, które wskazały rodziców jako źródło stresu (n = 70), miały średnio wyższy wynik wypalenia (M = 3.30, SD = 0.64) niż pozostali (n = 142, M = 2.73, SD = 0.61), t(132.41) = 6.17, p < .001, d = 0.91, 95% CI [0.60, 1.21] (zob. interpretacja d Cohena). Sprzeczność zamienia się więc w dokładniejszy wniosek. Konflikty z rodzicami nie są problemem większości nauczycieli. Dotyczą mniej więcej jednej trzeciej i u tych osób współwystępują z wyraźnie wyższym wypaleniem. Do wywiadów trafiło takich osób więcej z powodu doboru. Tak opisana rozbieżność wzmacnia rozprawę, bo pokazuje, że autorka rozumie ograniczenia każdego źródła.

Ta dodatkowa analiza jest eksploracyjna. Wynikła z porównania źródeł, a nie z hipotezy. Tak ją oznacz w tekście, żeby nie przypominała HARKingu. Jeśli rozbieżności nie da się wyjaśnić, napisz to wprost i zaproponuj badanie, które mogłoby ją rozstrzygnąć. Rozbieżność, przy której znasz źródła błędu każdej metody, wskazuje, jakiego badania brakuje.

Triangulacja badaczy i zgodność kodowania

Triangulacja badaczy najczęściej oznacza niezależne kodowanie tego samego materiału przez dwie lub więcej osób. W badaniach jakościowych liczenie zgodności koderów budzi spory. O’Connor i Joffe (2020) pokazują jednak, że zwiększa systematyczność i przejrzystość kodowania, sprzyja dyskusji w zespole i pomaga przekonać odbiorców o wiarygodności analizy. Ich artykuł podaje też praktyczne wskazówki. Jeśli liczysz zgodność, wybierz miarę odpowiednią do danych, np. kappę albo alfę Krippendorffa przy brakach i kilku koderach. Szczegóły opisuje poradnik o zgodności sędziów. Budowę klucza kategorii i jego test na próbie materiału pokazuje wpis o analizie treści pytań otwartych.

Triangulacja badaczy przydaje się też na etapie integracji. Ocenę „zgodność / częściowa zgodność / sprzeczność / milczenie” w macierzy zbieżności niech wykona niezależnie druga osoba, np. promotor pomocniczy albo współautor. Różnice w ocenie zwykle pokazują, gdzie definicje kategorii są nieostre.

Jak opisać triangulację w artykule i rozprawie

Standardy APA dla badań jakościowych i mieszanych (JARS-Qual i MMARS) określają, co powinien zawierać raport, z poszanowaniem różnych tradycji badawczych (Levitt i in., 2018). Ogólne zasady raportowania części ilościowej zebraliśmy we wpisie o wytycznych APA. Opis triangulacji powinien odpowiadać na pięć pytań: jaki był cel (weryfikacja czy pogłębienie), jakie rodzaje triangulacji zastosowano, jak porównywano źródła, jakie kategorie oceny przyjęto i kto oceniał, oraz co z porównania wynikło, także rozbieżności.

W rozprawie doktorskiej opis triangulacji zwykle trafia do dwóch miejsc. Plan i procedura należą do rozdziału metodologicznego, a macierz zbieżności z interpretacją do rozdziału łączącego wyniki albo do dyskusji. Przy doktoracie z cyklu artykułów triangulacja często rozkłada się na kilka publikacji. Wtedy w części omawiającej cykl pokaż, które artykuły odpowiadają na to samo pytanie i jak ich wyniki do siebie pasują. O tym, jak ułożyć całą część analityczną rozprawy, piszemy w poradniku o analizie statystycznej w doktoracie.

Recenzenci najczęściej pytają, dlaczego zbieżność ma coś dowodzić, skoro źródła dzielą te same słabości, i co autor zrobił z rozbieżnościami. Odpowiedź przygotuj przed wysłaniem tekstu. Wzory odpowiedzi na typowe uwagi metodologiczne znajdziesz we wpisie o zarzutach recenzentów. Jeśli chcesz, żeby ktoś z zewnątrz sprawdził część ilościową projektu, policzył analizy do macierzy zbieżności albo przejrzał plan przed złożeniem wniosku, zobacz ofertę analiz statystycznych dla badaczy. Interpretacja i odpowiedzialność za wnioski pozostają po stronie autorów.

# B97 – triangulacja w przykładzie: macierz zbieżności (joint display) dla trzech źródeł danych
# Badanie przykładowe (projekt doktorski): obciążenie pracą, wsparcie dyrekcji i wypalenie nauczycieli.
# Źródła: ankieta (N = 212, dane symulowane), wywiady pogłębione (n = 18, przykładowe kody),
# dokumenty szkół (protokoły rad pedagogicznych z 6 szkół, przykładowe kody).
options(width = 120)
set.seed(9707)
N <- 212
# Ankieta: wsparcie dyrekcji i wypalenie (średnie odpowiedzi 1–5)
z1 <- rnorm(N); z2 <- -0.3 * z1 + sqrt(1 - 0.3^2) * rnorm(N)
wsparcie  <- pmin(5, pmax(1, round(3.1 + 0.8 * z1, 1)))
wypalenie <- pmin(5, pmax(1, round(2.9 + 0.7 * z2, 1)))
ct <- cor.test(wsparcie, wypalenie)
cat("Wsparcie dyrekcji: M =", round(mean(wsparcie), 2), "SD =", round(sd(wsparcie), 2),
    "| Wypalenie: M =", round(mean(wypalenie), 2), "SD =", round(sd(wypalenie), 2), "\n")
cat(sprintf("Korelacja wsparcie–wypalenie: r = %.2f, 95%% CI [%.2f, %.2f], t(%d) = %.2f, p = %.2g\n",
            ct$estimate, ct$conf.int[1], ct$conf.int[2], ct$parameter, ct$statistic, ct$p.value))
# Pozycje jednopytaniowe: 1 = odpowiedź 4–5 („raczej tak” / „zdecydowanie tak”)
dokumentacja <- rbinom(N, 1, .74)                             # „Dokumentacja zabiera mi czas na przygotowanie lekcji”
rodzice <- rbinom(N, 1, plogis(-0.85 + 1.0 * (wypalenie - 2.9) / 0.7))  # „Kontakty z rodzicami są dla mnie źródłem stresu”
zespol <- rbinom(N, 1, .68)                                   # „Mogę liczyć na pomoc innych nauczycieli”
szkolenia <- rbinom(N, 1, .57)                                # „W ostatnim roku miałem/am przydatne szkolenie”
ods <- function(x) { pt <- prop.test(sum(x), length(x), correct = FALSE)
  c(k = sum(x), procent = round(100 * mean(x), 1), ci_dolna = round(100 * pt$conf.int[1], 1), ci_gorna = round(100 * pt$conf.int[2], 1)) }
ankieta <- rbind(dokumentacja = ods(dokumentacja), rodzice = ods(rodzice), zespol = ods(zespol), szkolenia = ods(szkolenia))
cat("\nAnkieta (N = 212): odsetek odpowiedzi 4–5 z 95% CI (Wilson)\n"); print(ankieta)

# Wywiady (n = 18) i dokumenty (6 szkół): w ilu temat się pojawił
tematy <- c("Przeciążenie dokumentacją", "Wsparcie dyrekcji", "Konflikty z rodzicami",
            "Pomoc innych nauczycieli", "Szkolenia i rozwój", "Wiadomości od rodziców po godzinach")
wywiady   <- c(15, 14, 12, 11, 3, 9)
dokumenty <- c(6, 4, 2, 5, 6, 0)
ocena <- c("zgodność", "częściowa zgodność", "sprzeczność", "zgodność", "milczenie", "milczenie")
macierz <- data.frame(temat = tematy,
  ankieta = c(paste0(ankieta["dokumentacja", "procent"], "%"), sprintf("r = %.2f", ct$estimate),
              paste0(ankieta["rodzice", "procent"], "%"), paste0(ankieta["zespol", "procent"], "%"),
              paste0(ankieta["szkolenia", "procent"], "%"), "brak pytania"),
  wywiady = paste0(wywiady, "/18 (", round(100 * wywiady / 18, 1), "%)"),
  dokumenty = paste0(dokumenty, "/6"), ocena = ocena)
cat("\nMacierz zbieżności\n"); print(macierz, row.names = FALSE)
cat("\nLiczba tematów według oceny zbieżności\n")
print(table(factor(ocena, levels = c("zgodność", "częściowa zgodność", "sprzeczność", "milczenie"))))

# Rozbieżność „konflikty z rodzicami”: ankieta 31% vs wywiady 67%. Pierwsze sprawdzenie w danych ilościowych:
# czy osoby, które wskazują rodziców jako źródło stresu, mają wyższe wypalenie?
cat("\nWypalenie a stres z powodu kontaktów z rodzicami\n")
print(round(tapply(wypalenie, rodzice, function(x) c(n = length(x), M = mean(x), SD = sd(x))) |> do.call(what = rbind), 2))
tt <- t.test(wypalenie ~ rodzice)
cat(sprintf("Welch: t(%.2f) = %.2f, p = %.2g\n", tt$parameter, tt$statistic, tt$p.value))
d <- effectsize::cohens_d(wypalenie ~ rodzice, pooled_sd = FALSE)
print(round(as.data.frame(d)[, c(1, 3, 4)], 2))

Wsparcie dyrekcji: M = 3.04 SD = 0.82 | Wypalenie: M = 2.92 SD = 0.67 
Korelacja wsparcie–wypalenie: r = -0.32, 95% CI [-0.44, -0.20], t(210) = -4.95, p = 1.5e-06

Ankieta (N = 212): odsetek odpowiedzi 4–5 z 95% CI (Wilson)
               k procent ci_dolna ci_gorna
dokumentacja 166    78.3     72.3     83.3
rodzice       70    33.0     27.0     39.6
zespol       150    70.8     64.3     76.5
szkolenia    124    58.5     51.8     64.9

Macierz zbieżności
                               temat      ankieta       wywiady dokumenty              ocena
           Przeciążenie dokumentacją        78.3% 15/18 (83.3%)       6/6           zgodność
                   Wsparcie dyrekcji    r = -0.32 14/18 (77.8%)       4/6 częściowa zgodność
               Konflikty z rodzicami          33% 12/18 (66.7%)       2/6        sprzeczność
            Pomoc innych nauczycieli        70.8% 11/18 (61.1%)       5/6           zgodność
                  Szkolenia i rozwój        58.5%  3/18 (16.7%)       6/6          milczenie
 Wiadomości od rodziców po godzinach brak pytania    9/18 (50%)       0/6          milczenie

Liczba tematów według oceny zbieżności

          zgodność częściowa zgodność        sprzeczność          milczenie 
                 2                  1                  1                  2 

Wypalenie a stres z powodu kontaktów z rodzicami
    n    M   SD
0 142 2.73 0.61
1  70 3.30 0.64
Welch: t(132.41) = -6.17, p = 7.9e-09
  Cohens_d CI_low CI_high
1    -0.91  -1.21    -0.6

Najczęstsze błędy w triangulacji

• „Triangulacja” jako ozdobnik. Dwie metody w projekcie to jeszcze nie triangulacja. Bez celu, kategorii oceny i porównania wyników to tylko badanie wielometodowe. Greene i in. (1989) opisali to nadużycie już w latach 80.
• Zbieżność źródeł o tych samych słabościach. Dwa kwestionariusze samoopisowe wypełnione w jednej sesji zgodzą się choćby przez wspólną wariancję metody. Taka zbieżność niewiele dowodzi.
• Odsetki z wywiadów jak z próby losowej. „67% nauczycieli wskazuje konflikty z rodzicami” to błąd, gdy chodzi o 12 z 18 celowo dobranych rozmówców. Pisz „12 z 18 rozmówców”.
• Pomijanie rozbieżności. Opisanie tylko tematów zgodnych to selektywne raportowanie. Rozbieżności i milczenie są pełnoprawnymi wynikami.
• Rozstrzyganie sporu na korzyść „twardszej” metody. Ankieta nie jest automatycznie prawdziwsza od wywiadów ani odwrotnie. Każda metoda ma własne źródła błędu.
• Triangulacja dopisana po fakcie. Porównanie zaplanowane wcześniej i porównanie wymyślone po zobaczeniu danych mają różną moc dowodową. Zaznacz, które jest które.
• Brak opisu procedury. Zdanie „wyniki poddano triangulacji” bez macierzy, kategorii i informacji o tym, kto oceniał, nie pozwala recenzentowi ocenić wniosku.

Gdy triangulacja dotyczy narzędzia pomiaru, np. przy przekładzie skali łączysz tłumaczenie zwrotne, wywiady poznawcze i analizę czynnikową, ten sam schemat pomaga uporządkować dowody równoważności wersji. Opisuje to poradnik o adaptacji kulturowej kwestionariusza. Jeśli w projekcie przewidujesz pilotaż, sprawdź w nim także procedurę porównywania źródeł (zob. badanie pilotażowe).

Najczęstsze pytania

Co to jest triangulacja w badaniach?

To badanie tego samego zjawiska z kilku stron: różnymi metodami, na różnych danych, przez różnych badaczy albo w świetle różnych teorii. Służy weryfikacji wniosku przez zbieżność źródeł albo pełniejszemu zrozumieniu zjawiska (Carter i in., 2014).

Jakie są rodzaje triangulacji?

Najczęściej wymienia się cztery: triangulację danych (źródeł), badaczy, teorii i metod (Carter i in., 2014). Triangulacja metod może zachodzić między metodami, np. ankieta i wywiady, albo w obrębie jednej metody, np. dwa kwestionariusze tego samego konstruktu.

Czy triangulacja to to samo co badania mieszane?

Nie. Badania mieszane to schemat łączący metody jakościowe i ilościowe, a triangulacja to jeden z możliwych celów takiego łączenia, obok m.in. komplementarności i rozwoju (Greene i in., 1989). Można też triangulować w obrębie jednej metody. Schematy opisuje wpis o badaniach mieszanych.

Co zrobić, gdy wyniki triangulacji są sprzeczne?

Sprawdź po kolei pomiar (czy źródła mierzą to samo), dobór uczestników, czas zbierania danych i możliwość, że oba wyniki są prawdziwe dla różnych grup. Opisz rozbieżność w wynikach, a analizy podjęte, by ją wyjaśnić, oznacz jako eksploracyjne.

Czy można triangulować w badaniu ilościowym?

Tak. Przykłady to pomiar konstruktu różnymi metodami, czyli trafność zbieżna w macierzy MTMM (Campbell i Fiske, 1959), oraz łączenie schematów o różnych źródłach błędu we wnioskowaniu przyczynowym, np. kohorty, propensity score i różnicy w różnicach (Hammerton i Munafò, 2021).

Jak opisać triangulację w rozprawie doktorskiej?

W rozdziale metodologicznym podaj cel, rodzaje triangulacji, sposób porównywania źródeł, kategorie oceny i to, kto oceniał. Macierz zbieżności z interpretacją, także rozbieżności, umieść w części łączącej wyniki albo w dyskusji.

Powiązane hasła

Przeczytaj też

@article{campbell1959convergent, author={Campbell, Donald T. and Fiske, Donald W.}, title={{Convergent and discriminant validation by the multitrait-multimethod matrix}}, journal={Psychological Bulletin}, year={1959}, volume={56}, number={2}, pages={81--105}, doi={10.1037/h0046016}}

@article{carter2014use, author={Carter, Nancy and Bryant-Lukosius, Denise and DiCenso, Alba and Blythe, Jennifer and Neville, Alan J.}, title={{The use of triangulation in qualitative research}}, journal={Oncology Nursing Forum}, year={2014}, volume={41}, number={5}, pages={545--547}, doi={10.1188/14.onf.545-547}}

@article{denzin2012triangulation, author={Denzin, Norman K.}, title={{Triangulation 2.0}}, journal={Journal of Mixed Methods Research}, year={2012}, volume={6}, number={2}, pages={80--88}, doi={10.1177/1558689812437186}}

@article{farmer2006developing, author={Farmer, Tracy and Robinson, Kerry and Elliott, Susan J. and Eyles, John}, title={{Developing and implementing a triangulation protocol for qualitative health research}}, journal={Qualitative Health Research}, year={2006}, volume={16}, number={3}, pages={377--394}, doi={10.1177/1049732305285708}}

@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={6pt2}, 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{hammerton2021causal, author={Hammerton, Gemma and Munafò, Marcus R.}, title={{Causal inference with observational data: The need for triangulation of evidence}}, journal={Psychological Medicine}, year={2021}, volume={51}, number={4}, pages={563--578}, doi={10.1017/s0033291720005127}}

@article{jick1979mixing, author={Jick, Todd D.}, title={{Mixing qualitative and quantitative methods: Triangulation in action}}, journal={Administrative Science Quarterly}, year={1979}, volume={24}, number={4}, pages={602--611}, doi={10.2307/2392366}}

@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{moranellis2006triangulation, author={Moran-Ellis, Jo and Alexander, Victoria D. and Cronin, Ann and Dickinson, Mary and Fielding, Jane and Sleney, Judith and Thomas, Hilary}, title={{Triangulation and integration: Processes, claims and implications}}, journal={Qualitative Research}, year={2006}, volume={6}, number={1}, pages={45--59}, doi={10.1177/1468794106058870}}

@article{ocathain2010three, author={O'Cathain, Alicia and Murphy, Elizabeth and Nicholl, Jon}, title={{Three techniques for integrating data in mixed methods studies}}, journal={BMJ}, year={2010}, volume={341}, eid={c4587}, doi={10.1136/bmj.c4587}}

@article{oconnor2020intercoder, author={O'Connor, Clíodhna and Joffe, Hélène}, title={{Intercoder reliability in qualitative research: Debates and practical guidelines}}, journal={International Journal of Qualitative Methods}, year={2020}, volume={19}, eid={1609406919899220}, doi={10.1177/1609406919899220}}