پرش به محتوا
آکادمی علم‌نتآموزش کاربردی مهارت‌های پژوهش جست‌وجو در علم‌نت
طراحی و برنامه‌ریزی پژوهش

۵ نقش مهم متغیرها در پژوهش‌های علمی

متغیر مستقل، وابسته، کنترل، میانجی و تعدیل‌گر چه نقش‌هایی دارند؟ تفاوتشان را با مثال اعلان و تحویل تکلیف آنلاین بررسی کنید.

آمادهٔ مطالعه

برای تشخیص نقش یک متغیر، از سؤال پژوهش شروع کنید: چه چیزی را می‌خواهید توضیح دهید و آن را در ارتباط با چه چیزی بررسی می‌کنید؟ «مستقل»، «وابسته»، «کنترل»، «میانجی» و «تعدیل‌گر» پنج نقش کاربردی برای پرسش‌های کمی دربارهٔ رابطهٔ متغیرها هستند. این فهرست آموزشی همهٔ نقش‌های ممکن را دربر نمی‌گیرد. نقش‌ها به سؤال، طرح و مدل بستگی دارند و لازم نیست هر پنج نقش در یک پژوهش حضور داشته باشند.

پنج نقش در مثال اعلان تکلیف

فرض کنید می‌خواهید بپرسید: «در میان دانشجویان درس‌های آنلاین یک دانشکده در یک نیمسال، آیا بازشدنِ ثبت‌شدهٔ اعلان تکلیف پیش از موعد با تحویل به‌موقع همان تمرین همراه است؟» این مثال ساختگی است. هر دانشجو را یک‌بار، برای یک تکلیف مرجعِ از پیش تعیین‌شده بررسی می‌کنیم. بازشدنِ اعلان را از زمان انتشار تا پیش از موعد می‌سنجیم و تحویلِ ثبت‌شده تا موعد را به‌موقع حساب می‌کنیم.

در مثال فرض می‌کنیم ثبت‌های سامانه کامل و معتبرند. اگر بخشی از داده‌های سامانه در دسترس نباشد، نبود ثبت به‌معنی بازنشدن اعلان نیست. بازشدن ثبت‌شده هم تضمین نمی‌کند که دانشجو اعلان را خوانده باشد.

۱. متغیر مستقل: چه چیزی را در ارتباط با پیامد بررسی می‌کنیم؟

در سؤال ما، بازشدن اعلان پیش از موعد مشخص می‌کند چه کسانی را با هم مقایسه کنیم: دانشجویانی که بازشدن برایشان ثبت شده و دانشجویانی که چنین ثبتی ندارند. بعضی مدل‌ها به این نقش «متغیر مستقل» می‌گویند. اینجا «پیش‌بین» روشن‌تر است، چون رفتار دانشجو را ثبت کرده‌ایم. حتی اگر اعلان پیش از موعد باز شده باشد، ممکن است دانشجو تمرین را قبل از بازکردن آن تحویل داده باشد. راهنمای آماری NIST، بخش ۴.۱.۲

۲. متغیر وابسته یا پیامد: چه چیزی را مقایسه می‌کنیم؟

تحویل به‌موقع تمرین پیامد است. برای هر دانشجو ثبت می‌کنیم که تمرین تا موعد تحویل شده است یا نه. بعد درصد تحویل به‌موقع را در دو گروه مقایسه می‌کنیم. اگر درصدها فرق داشته باشند، در همین داده‌ها همراهی دیده می‌شود؛ این مقایسه به‌تنهایی نشان نمی‌دهد که بازکردن اعلان باعث تفاوت شده است. راهنمای آماری NIST، بخش ۴.۱.۲؛ هرنان و رابینز، بخش ۷.۱

۳. متغیر کنترل: در مقایسه چه چیز دیگری را لحاظ می‌کنیم؟

اگر بخواهیم مقایسه درون هر درس انجام شود، می‌توانیم درسِ مربوط به تکلیف مرجع را در تحلیل لحاظ کنیم. در هر درسی که از هر دو گروه دانشجو داشته باشیم، دانشجویانِ با و بدون بازشدنِ ثبت‌شده را در همان درس مقایسه می‌کنیم. «کنترل» در این مثال نام کاری است که در تحلیل انجام می‌دهیم: مقایسه را با درنظرگرفتن یک متغیر دیگر تعریف می‌کنیم. این کار به‌خودی‌خود مقایسه را علّی نمی‌کند. هرنان و رابینز، بخش‌های ۷.۴ و ۷.۶

۴. متغیر میانجی: مسیرِ فرضی چگونه کار می‌کند؟

حالا سؤال دیگری بپرسیم: «اگر دیدن اعلان به تحویل به‌موقع کمک کند، آیا بخشی از این اثر از راه زودتر شروع‌کردن تمرین می‌گذرد؟» در این توضیح فرضی، دیدن اعلان شروع کار را جلو می‌اندازد و زودتر شروع‌کردن به تحویل تا موعد کمک می‌کند. پس زودتر شروع‌کردن میانجی پیشنهادی است. برای بررسی این مسیر، باید در طرح بتوانیم ترتیب دیدن اعلان، شروع کار و تحویل را مشخص کنیم و توضیح‌های دیگری را هم در نظر بگیریم؛ مثلاً عواملی که می‌توانند هم بر شروع کار و هم بر تحویل اثر بگذارند. ثبت بازشدن اعلان و تحویل به‌موقع برای نتیجه‌گیری دربارهٔ این مسیر کافی نیست. مک‌کینون، ۲۰۱۱؛ ایمای و همکاران، ۲۰۱۰، صص. ۳۱۱ تا ۳۱۳

۵. متغیر تعدیل‌گر: رابطه برای چه کسانی یا در چه شرایطی فرق می‌کند؟

این بار بپرسیم: «آیا همراهیِ بازشدن اعلان با تحویل به‌موقع، بین دانشجویانی که قبلاً درس آنلاین داشته‌اند و کسانی که نداشته‌اند، فرق دارد؟» اینجا سابقهٔ شرکت در درس آنلاین تعدیل‌گرِ پیشنهادی است. ابتدا در هر گروهِ سابقه، اختلافِ درصد تحویل به‌موقع را میان دانشجویانِ با و بدون بازشدنِ ثبت‌شده به دست می‌آوریم. سپس می‌پرسیم آیا این اختلاف در هر دو گروهِ سابقه یکسان است. بیشتر بودن درصد تحویل در کلِ گروه باسابقه به‌تنهایی نشانهٔ تعدیل نیست. این مقایسه دربارهٔ تفاوتِ یک همراهی است. برای اینکه آن را تفاوتِ «اثر بازکردن اعلان» بنامیم، به شواهد و فرض‌های علّی نیاز داریم. مک‌کینون، ۲۰۱۱، بخش متغیرهای تعدیل‌گر؛ هرنان و رابینز، بخش ۴.۱

دو تفاوت که به تشخیص نقش کمک می‌کنند

کنترل با مخدوش‌گر یکی نیست. کنترل یعنی متغیری را در مقایسه لحاظ کنیم. مخدوش‌گر به توضیح علّی مربوط است. یک نمونهٔ ساده، عامل مشترکی است که هم بر بازشدن اعلان و هم بر تحویل به‌موقع اثر بگذارد. مثلاً شاید عادت به پیگیری سامانه پیش از انتشار اعلان باعث شود دانشجو هم بیشتر اعلان‌ها را باز کند و هم از راه‌های دیگری در پیگیری تکلیف منظم‌تر باشد. در این صورت، بخشی از تفاوتِ مشاهده‌شده می‌تواند از این عادت آمده باشد. چنین عادتی یک مخدوش‌گر احتمالی است؛ برای لحاظ‌کردن آن باید دلیل داشته باشیم. صرف ورود یک متغیر به مدل، مخدوش‌گربودن آن را ثابت نمی‌کند و اگر هدف برآورد اثر علّی باشد، کنترلِ متغیر نامناسب حتی می‌تواند برآورد را منحرف کند. هرنان و رابینز، بخش‌های ۷.۱، ۷.۴ و ۷.۶

میانجی و تعدیل‌گر به دو سؤال متفاوت پاسخ می‌دهند. «زودتر شروع‌کردن» در مثال، حلقه‌ای از یک مسیر علّیِ فرضی است. «سابقهٔ درس آنلاین» مشخص می‌کند بین کدام گروه‌ها می‌خواهیم همراهیِ بازشدن و تحویل را مقایسه کنیم. برای مطرح‌کردن تعدیل در این سؤال، لازم نیست فرض کنیم بازشدن اعلان سابقهٔ قبلی دانشجو را تغییر می‌دهد. مک‌کینون، ۲۰۱۱، بخش نقش متغیر سوم

نقش را با عوض‌شدن سؤال دوباره تعیین کنید

اگر سؤال بعدی این باشد که «آیا پیگیری منظم سامانه پیش از انتشار اعلان با بازشدن آن همراه است؟»، این بار «بازشدن اعلان» پیامد است و «پیگیری منظم سامانه» پیش‌بین. همان ثبتِ بازشدن که در سؤال اول پیش‌بین بود، اینجا نقش دیگری دارد. نقش‌ها می‌توانند هم‌زمان هم مطرح باشند؛ مثلاً ممکن است مخدوش‌گرِ احتمالی را به‌عنوان متغیر کنترل در تحلیل لحاظ کنید.

پیش از تحلیل، برای هر متغیر یک جمله بنویسید: «این متغیر را در این سؤال لازم دارم، چون …». با پیامد و متغیر مورد مقایسه شروع کنید. متغیرهای دیگر را برای مقایسه‌ای روشن، یک مسیر فرضی یا بررسی تفاوت رابطه میان گروه‌ها اضافه کنید. اگر داده فقط دربارهٔ همراهی به شما اطلاعات می‌دهد، نتیجه را هم با واژهٔ «همراهی» بنویسید.

خودآزمایی: اگر به‌جای مقایسهٔ دانشجویان درون هر درس، بخواهید بدانید آیا رابطهٔ بازشدن اعلان و تحویل به‌موقع از درسی به درس دیگر فرق دارد، «درس» چه نقشی پیدا می‌کند؟ در این سؤال، درس تعدیل‌گرِ پیشنهادی است: می‌پرسید آیا در درس‌های مختلف، اندازهٔ همان رابطه متفاوت است.

منابع

جایگاه این مطلب در نقشهٔ پژوهش

کاربرد در موضوع‌های دیگر

مهارت‌ها

قالب محتوا و نوع خروجی

این مطلب در کدام روش‌های پژوهش به کار می‌آید؟

در مسیرهای مطالعه

پیمایش به بالا