Research Methods: The Essential Knowledge Base｜Academic Project 2017–2018（Grade 92）总结：研究方法一篇打通
Research Methods: The Essential Knowledge Base (Book Summary) — Validity, Reliability, Sampling, Survey Research & Data Analysis
在信息过载的时代，难的不是“找到资料”，而是把结论做得可信。这篇博文基于《Research Methods: The Essential Knowledge Base》Academic Project 2017–2018 高分总结（Grade 92）梳理研究方法主线：从研究问题与假设、操作化与测量误差，到信度效度、抽样与调查、实验/准实验设计，再到数据准备与推断分析（GLM、显著性、效应量）。目标是让你更快掌握考试与作业高频要点，并能直接用于方法章节写作。
1. 研究是什么：不是“观点”，而是可检验的证据链
这份总结开篇强调：研究是一种系统性的、基于经验事实的探索，目的是形成可公开讨论、可复核的知识。
你可以把研究当作一条流水线：
研究问题 → 假设 → 操作化与测量 → 抽样 → 研究设计 → 数据分析 → 结论与推广
当你能沿着这条线把每一步“说得清楚”，你的作业/论文就会从“像在写感想”变成“像在做研究”。
2. 研究问题从哪里来：三条最稳的路径
很多人选题靠灵感，但文档给出更可靠的来源：
- 研究文献：做文献综述，找空白、矛盾、可复制/可扩展点
- 实践问题：来自真实场景（教育、组织、政策、社区等）
- 需求型文本：如研究/项目征题（RFP 类文本），常能直接生成可研究问题
实用建议：文献综述尽量早做。它不仅帮你选题，还会帮你选测量工具、确定变量、避免重复劳动。
3. 研究语言速通：变量、假设、关系、时间
3.1 变量与属性
- 变量（Variable）：可变化的量（焦虑、成绩、学习时间、满意度）
- 属性（Attribute）：变量的具体取值（高/中/低，或具体数值）
3.2 假设：H0 与 H1
- 零假设 H0：通常表示“无差异/无效应”
- 备择假设 H1：你真正期待的方向或差异
并且区分：
- 单尾假设（有方向） vs 双尾假设（无方向）
3.3 关系类型
- 描述性：发生了什么
- 相关性：一起变化但未必因果
- 因果性：X 导致 Y（最难证明）
3.4 时间结构
- 横断面：一次测量
- 纵向/重复测量：多次测量
- 时间序列：更多波次、更密集的长期跟踪
4. 演绎与归纳：定量与定性不是对立
总结里用“演绎/归纳”把研究思维讲得很清楚：
- 演绎（Deductive）：从理论出发提出假设，用数据验证（常见于定量）
- 归纳（Inductive）：从材料出发找模式，生成概念/理论（常见于定性）
关键理解：优秀研究常常是混合逻辑——先用定性探索问题，再用定量验证假设，或反过来。
5. 有效性（Validity）四件套：你研究“站不站得住”的核心
文档给出非常好用的“四种有效性”框架（建议背熟并用于论文方法章节）：
- 结论有效性（Conclusion Validity）
你说“有关系/没关系”是否可靠？是否犯了统计错误？
- 内部有效性（Internal Validity）
你说“X 导致 Y”是否排除了替代解释？这是因果推断的核心。
- 构念有效性（Construct Validity）
你测到的，真的是你想测的概念吗？（操作化是否合理）
- 外部有效性（External Validity）
结果能否推广到别的人/别的地方/别的时间？
一句话记忆：
内部有效性解决“是不是因果”，外部有效性解决“能不能推广”。
6. 测量（Measurement）：没有完美测量，只有误差管理
总结里把测量讲得很“现实”：任何测量都有误差，关键是你是否能控制并说明。
6.1 信度（Reliability）：一致性
常见信度形式包括：
- 重测信度（test-retest）
- 平行形式信度（parallel forms）
- 内部一致性信度（Cronbach’s alpha 等）
- 评定者一致性（inter-rater / Cohen’s Kappa 等）
6.2 效度（Validity）：测得对不对
构念效度是总括性的，常用证据包括：
- 表面效度、内容效度
- 预测效度、同时效度
- 聚合效度、区分效度
6.3 三类常用工具：量表/测验/指数
- 量表（Scale）：态度、体验等抽象概念
- 测验（Test）：知识或技能
- 指数（Index）：多个变量按规则合成一个分数（如 SES）
7. 抽样（Sampling）：你能推广到哪里，很多时候抽样那刻就决定了
总结把抽样分为两大类：
- 概率抽样：有随机机制，推广性更强
- 非概率抽样：便利/目的/滚雪球等，更灵活但更难推广
并给出一个很实用的视角：近似相似性（proximal similarity）
当你没法做理想抽样时，至少要说明你的研究情境与目标情境在“人、地、时、设置”等维度的相似程度，从而谨慎地谈推广。
8. 调查研究（Survey Research）：问卷与访谈怎么选？
8.1 问卷
优势：覆盖广、成本低、标准化强
挑战：回收率、理解偏差、难追问、题目设计要求高
8.2 访谈
优势：信息深、可追问、适合复杂议题
挑战：耗时、成本高、对访谈员要求高、受社会赞许偏差影响更大
题目设计要点（这部分非常“作业友好”）：
- 避免双重问题、含糊词、暗示性措辞
- 控制题目顺序：先易后难，敏感问题靠后
- 必要时用筛选题（filter/contingency questions）
9. 研究设计（Design）：因果推断的“主战场”
如果你想回答“X 是否导致 Y”，总结强调三条因果条件：
- 时间先后（cause 在 effect 之前）
- 协变关系（有关系）
- 排除替代解释（最难）
9.1 实验设计（Experimental Design）
核心优势：随机分配能最大化内部有效性
常见限制：伦理、可行性、现实场景难以完全控制
9.2 准实验设计（Quasi-Experimental Design）
看起来像实验，但缺少随机分配，需要更强的论证与补救策略。
常见类型：非等组设计、回归不连续等。
9.3 内部有效性的典型威胁（建议当作写作清单）
- 历史、成熟、测试效应、仪器变化
- 样本流失（mortality/attrition）
- 回归到均值（regression to the mean）
- 组间选择偏差（selection bias）
- 社会互动威胁：扩散/模仿、补偿性竞争、怨怼性消沉等
10. 数据分析（Data Analysis）：显著性不等于重要性
总结把分析流程概括为三步：
- 数据准备：编码、缺失处理、反向题、构建量表总分等
- 描述统计：分布、均值/中位数/众数、标准差等
- 推断统计：检验假设、报告不确定性
并强调两类经典错误：
- I 类错误：以为有差异其实没有（假阳性）
- II 类错误：以为没差异其实有（假阴性）
因此建议在报告中同时关注：
- p 值（显著性）
- 效应量（差异/关系有多大）
- 置信区间（结果可能范围）
- 实际意义（对现实有没有影响）
文档还用 General Linear Model（GLM） 作为“总框架”串起 t-test、ANOVA、回归等，让你理解这些方法并非互不相干，而是同一数学体系下的不同表达。
结语：把这份总结当成你的“方法论写作模板”
如果你正在做 Academic Project 或写论文方法章节，最实用的用法是：
- 用“四种有效性”做结构：你能保证什么、牺牲了什么
- 用“操作化—测量误差—信效度”说明你的变量如何落地
- 用“抽样—设计—分析”解释你的证据链如何支撑结论
- 用“威胁清单”主动回应评阅人可能的质疑
研究方法的核心不是“术语堆砌”，而是让你的结论更接近真实、更可被复核。