Nicel Araştırmaların Avantajlı Yönleri Test etme ve geçerlik hakkında hangi fenomenlerin etkisi olduğu be nasıl meydana geldiği teorilerle gösterilebilir Verileri toplanmadan önce hipotezler oluşturulabilir Veriler uygun ve random örneklemlerden toplandığından bulgular evrene genelleştirilebilir Araştırmalar, farklı örneklem ve alt gruplara uygulandığında elde edilen bulgular genelleştirilebilir Nicel yordamalar yapılacak veriler elde etmek için kullanışlıdır Araştırmacı bazı değişkenleri kontrol altına alarak veya ortadan kaldırma imkanına sahiptir Verilerin toplanması, nitel yöntemlere göre çok daha hızlıdır

Kesin, sayısal veriler toplama imkan sağlar Veri analizleri, bilgisayar istatistik programlarıyla daha güvenilir olarak yapılabilir Araştırma bulguları, araştırmacıdan bağımsızdır Araştırmaya katılan insan sayısı arttıkça araştırmadan elde edilen bilgilerin gücü de artar Çok fazla kişiden bilgi toplamak için oldukça etkilidir Ölçme araçlarının geçerliğinin ve güvenirliğinin belirlenmesi mümkündür Araştırma sonunda elde edilen verilere birçok istatistiki analiz uygulanabilir

Nicel Araştırmaların Dezavantajlı Yönleri Araştırmacıların oluşturduğu kategoriler, yerel katılımcıların anlayışlarını yansıtmayabilir Araştırmacıların hazırladığı teoriler, yerel katılımcıların anlayışlarını yansıtmayabilir Araştırmacılar, teori ve hipotezlerin genelleşmesinden daha çok bunları doğrulayama çalışırlarsa fenomenleri açıklamada yetersiz kalabilirler Yapılan işlemler, bireylerin, bölgelerin veya özel içeriğin uygulanmasında çok soyut kalabilir Nicel araştırmalar, derinlemesine bilgi verme konusunda etkili değildir Katılımcıların verdikleri cevapların ne ölçüde doğru olduğunu anlamak mümkün değildir Araştırmacılar çoğu zaman pasif durumdadır

Nitel Araştırmaların Avantajlı Yönleri Bütün çalışma katılımcıların üzerine kurulur Sınırlı sayıda katılımcı olduğundan derinliğine bilgi toplanır Kompleks fenomenlerin açıklanmasında etkilidir Bireyler hakkında bilgi toplamak mümkündür Fenomenler üzerinde bireylerin kişisel deneyimlerini açıklamak ve tanımlamak mümkündür Görülmeyen ve saklanmış bilgileri ortaya çıkarmada etkilidir Araştırmacılar sürekli olarak içeriği kontrol edebilirler Araştırmacılar, süreçte gerekli gördükleri faktörleri değiştirebilirler Araştırmacı sürekli olarak aktif durumdadır

Katılımcıların olayların nasıl yorumladıkları tanımlanabilir Verileri sürekli olarak doğal ortamlarında toplanır Nicel araştırmalar, yerel durumlar, şartlar ve ihtiyaçları ortaya çıkarır Araştırmacılar, çalışma sürecinde meydana gelebilecek olayları kontrol edebilirler Çalışmayı amacından saptıracak durumlar önceden tespit edilip düzeltilebilir Katılımcılardan toplanan veriler, ele alınan fenomenlerin nasıl ve niçin meydana geldiğini açıklayabilir Araştırılan fenomen hakkında çok fazla bilgi toplamak mümkündür Araştırmacı, araştırmasını sürekli olarak kontrolü altında tutar ve istenmeyen durumlara müdahale edebilir

Nitel Araştırmaların Dezavantajlı Yönleri Araştırmacıların ulaştığı sonuçlar diğer durumlara ve şartlara genelleştirilemez Nitel verilerle yordamalar yapmak oldukça zordur Katılımcı sayısı az olduğundan teorileri ve hipotezleri test etmek oldukça zordur Verilerin yorumlanması büyük ölçüde araştırmacının bakış açısına bağlı olduğundan, sübjektif sonuçlar elde edilebilir Verilerin toplanması, nicel araştırmalara göre çok fazla zaman alır Verilerin analiz edilmesi, nicel araştırmalara göre çok fazla zaman alır Çok fazla veri çeşidi olduğundan, yorumlamak ve değerlendirmek çok zordur

Mixed Araştırma Yöntemi Nicel ve nitel araştırma yöntemlerinin sınırlılıklarını ortadan kaldırmak için farklı ve yeni bir araştırma metodolojisinin geliştirilmesi ile Mixed (karışık) yöntem ortaya çıkmıştır. Bu yöntem bu iki temel yöntemin olumlu kısımlarını kullanarak daha geçerli ve güvenilir sonuçlar elde etmek için kullanılmaktadır. Mixed yaklaşım, nitel ve nicel yöntemlerin tek bir çalışmada birlikte kullanılması anlamına gelmektedir. Bu yaklaşım, bilimsel araştırmalar için üçüncü paradigması olarak kabul edilmekte ve bu yöntemlere iyi bir alternatif oluşturmaktadır. Bu yaklaşımın savunucuları, pragmatizm felsefesi kadar uygunluk tezine de odaklanmaktadır. Uygunluk tezi; nicel ve nitel araştırmaların uyuşabilir olduğu ve aynı çalışmada kullanılabileceği fikrini savunmaktadır Pragmatizm felsefesi; araştırmacıların gerçek dünyayı daha iyi anlamaları için mixed yaklaşımları kullanması gerektiğini belirtir.

Mixed Araştırmaların Avantajlı Yönleri Kelimeler, resimler ve öyküler, nicel verileri desteklemek için kullanılabilir Nicel veriler, kelime, resim ve öykülerin doğrulunu kanıtlamada kullanılabilir Nicel ve nitel araştırmaların avantajlarına sahiptir Araştırmacılar sürekli üretim halindedirler ve temellendirilmiş kurumları test edebilirler Çok kompleks soruların cevaplarını tek bir yöntemler açıklamak zor olduğundan her iki yöntemden yararlanmak gerekir Araştırmacılar bir yöntemin dezavantajını ortadan kaldırmak için çalışmasının yalnızca küçük bir bölümünde bu yöntemi kullanma imkanına sahip olurlar Bulgular hem nicel hem de nitel verilerle desteklenebilir Sonuçların genelleştirilebilirlik özelliği sağlanmış olur

Mixed Araştırmaların Dezavantajlı Yönleri Nicel ve nitel araştırmaları bir araştırmada birleştirmek oldukça zordur Araştırmacıların bu iki yöntemi etkili olarak kullanmaları için daha fazla bilgiye ve zamana ihtiyaçları vardır Araştırmacıların her iki yöntemi bir arada kullanacak titizlikte ve iradede olması gerekir Her iki yöntemden de daha pahalıdır Her iki yöntemden de daha fazla zaman alır Bu yöntemi uygulamak çok detaylı olduğundan bazı durumlarda gözden kaçan durumlar olabilmektedir

1. Veri Analizlerine Göre Sınıflamalar a. Parametrik analiz teknikleri Bu analizlerde, araştırmada toplanan verilerin özellikleri dikkate alınır. Parametrik analiz tekniklerinin kullanılabilmesi için, araştırma verileri belirli özelliklere sahip olmalıdır. Bu özellikler şunlardır: Verinin, en az eşit aralıklı (interval) veya oranlı (ratio) seviyesindeki ölçeklerle toplanmış olmalıdır. Sıralama ve sınıflama ölçekleriyle toplanmış verilere, parametrik analizler uygulanamaz. Araştırmada toplanan verilerin normal dağılım ya da normale yakın bir dağılıma sahip olması gerekir.

Bir veri dizisinin dağılımını belirlemek için yapılabilecek işlemler aşağıda sıralanmıştır: Frekans dağılımı alınır Histogram grafiği çizilir Verilerin kayıklık (skewness) ve basıklık (kurtosis) değerleri incelenir Verilerin çarpıklık katsayısı hesaplanır. Çarpıklık, verinin dağılımının normal dağılım olup olmadığı konusunda yararlı bir istatistiktir İdeal normal dağılımlar, aritmetik ortalama, mod ve medyanın birbirine eşit veya çok yakın olduğu veri dizilerinde görülür Medyan, mod ve aritmetik ortalama birbirinden uzak değerler alıyorsa çarpık dağılım olduğu anlaşılır. Normal dağılımlarda parametrik, çarpık dağılımlarda non-parametrik analizler uygulanır.

iii. Araştırmadaki bütün grupların aynı varyans değerine sahip, normal dağılım özelliği gösteren evrenlerden gelmiş olması gerekmektedir. Parametrik testlerin en önemli özelliği; gruplar arası varyans eşitliğinin sağlanmış olmasıdır. ANOVA ve t-testi için bu şart çok önemlidir. Grup varyanslarının eşitliğini belirlemek için en fazla kullanılan test, Levene testidir. Levene testine göre elde edilen anlamlılık (significance) değeri 0.05'ten küçük olduğunda grup varyanslarının, farklı oldukları (eşit olmadıkları) anlaşılır. Bu durumda parametrik analizlerin kullanılması doğru olmaz. Grup varyanslarının anlamlılık düzeyi 0.05’ten büyük olan veri dizileri için ise parametrik analizler kullanılır. .

iv. Veriler analiz edildiğinde ortaya çıkan hataların tesadüfi olması (birbirinden bağımsız olması veya düzenli bir şekilde olmaması) gereklidir. Ölçmede meydana gelen hatalar, sabit veya sistematik bir şekilde meydana gelirse, parametrik analiz teknikleri kullanılamaz. Bu tür hataların meydana geldiği durumlarda non- parametrik analiz tekniklerinin kullanılması gerekir. Bu şart özellikle, anlam çıkarıcı (yordayıcı) istatistiklerden regresyon analizi için önem taşımaktadır.

b. Parametrik olmayan (non-parametrik) analiz teknikleri Parametrik analiz tekniklerinin kullanılamadığı durumlarda kullanılan istatistiklerdir. Bu özellikler şunlardır: Bu analizlerde verilerin dağılımları çok fazla dikkate alınmaz. Genel bir kural olarak, araştırmada toplanan veriler normal dağılım ya da normale yakın bir dağılım olmadığında kullanılır. Veri gruplarının varyansları eşit olmadığında non-parametrik analizler kullanılır. Bir dizideki veri sayısı az olduğunda genelde bu analizlerin kullanılması tavsiye edilir. Ölçümlerde meydana gelen hatalar bir düzenlilik oluşturuyorsa bu analizler tercih edilir.

2. Değişken Sayısına Göre Sınıflamalar a 2. Değişken Sayısına Göre Sınıflamalar a. Tek değişkenli analizler Bu analizlerin amacı genellikle araştırmada ele alınan değişkenlerle ilgili olarak farklı gruplar arasında istatistiksel anlamda herhangi bir farklılığın olup olmadığının belirlenmesidir. Araştırmanın bağımsız değişkeni olan bir değişken varsa (Ör; cinsiyet, okul türü, anabilim dalı vs.), bu değişkende yer alan grupların bağımlı değişkene göre anlamlı farklılık oluşturup oluşturmadığı test edilir. Bağımsız gruplar için t-testi, z-testi, tek yönlü varyans analizi (One Way ANOVA), Mann Whitney U Testi, Kruskal Wallis, Ki-kare testi vb.

b. Çok değişkenli analizler İki veya daha fazla değişken arasında, belirli özelliklerine göre farklılık veya ilişki olup olmadığının belirlendiği istatistiki tekniklerdir. Bu tekniklerde belirli değişken(ler)deki değişim (bağımlı değişken) miktarı kontrol edilebilen değişkenler (bağımsız değişken) yardımıyla açıklanmaya çalışılır. Bu analizlerden bazıları şunlardır; ANCOVA, MANOVA, Korelasyon, regresyon, ayırma analizi (disciriminant analizi), gruplama (kümeleme-cluster) analizi, faktör analizi. Bu analizlerden bazılarının açıklaması aşağıda yapılmıştır.

Korelasyon analizi: Korelasyon analizi, iki veya daha çok sayıdaki değişkenin arasında bir ilişki olup olmadığını, eğer bir ilişki varsa derecesini ve fonksiyonel şeklini belirlenmede kullanılır. Örneğin; öğrencilerin bir dersteki başarı düzeyleri ile günlük ders çalışma süreleri arasında bir ilişki olup olmadığı, ilişki varsa bunun düzeyi ve şekil olarak gösterimi için korelasyon analizi yapılmalıdır. İki değişken arasındaki ilişkiyi belirlemek için “korelasyon katsayısı” hesaplanır. Korelasyon katsayısı, iki değişken arasındaki ilişkinin önemli özelliklerini açıklayan ve özetleyen bir sayısıdır. Değişkenler arasındaki ilişkinin iki önemli özelliği vardır. Bunlar; ilişkinin tipi ve ilişkinin gücüdür (Köklü ve Büyüköztürk, 2000).

Regrasyon analizi: Bir veya birden fazla bağımlı ve bağımsız değişkenin aralarındaki ilişkinin matematiksel bir eşitlikle tahmin edilmesidir (Turgut, 1983). Bir başka deyişle bağımsız değişkenler yardımıyla bağımlı değişkendeki değişimleri açıklamaya çalışan bir istatistiksel analiz tekniğidir. Regrasyon analizinde, değişkenlerden birinin değeri bilindiğinde diğer değişkenin değerinin ne olacağı tahmin edilmeye çalışılır. Regrasyon analizinde bağımlı ve bağımsız değişkenler birer tane ise basit regrasyon, bağımlı değişken bir bağımsız değişken birden fazla ise çoklu regrasyon, bağımlı ve bağımsız değişken birden fazla ise çok değişkenli regrasyon analizi yapılır.

Ayırma analizi (discriminant analysis): Yapı olarak regresyon analizine benzeyen bir analizdir. Bağımlı değişken kategorik olduğunda ve bağımsız değişkenlerin ise en az eşit aralıklı ölçek olması durumunda yapılan analiz türüdür. Ayırma analizi, başlangıçta tanımlanan kategorik değişkenin incelenen bireylerin gruplandırmasını ne ölçüde başardığını belirleyen, gruplar arasında ayırım sağlama konusunda en fazla etkisi olan değişken veya değişkenleri belirleyen bir istatişstiktir. Ayrıca aynı değişkenler ile yeni bir bireyin hangi grupta yer alabileceği konularının ortaya çıkarılabilmesini amaçlayan çok değişkenli bir analizdir (Gümüş, 1996). Bu analizde, bireyleri ayırmada etkili olabilecek önemli bazı ölçütlere göre ön gruplandırma oluşturulmaktadır. Analiz sonucunda grup sayısının bir eksiği kadar diskriminant fonksiyonu elde edilir. Bu fonksiyonlar yardımıyla hesaplanan Z değerine göre bireyler gruplara ayrılabilmekte ve sıralanabilmektedir.

Kümeleme analizi: Çeşitli özelliklere göre denekleri, insanları, nesneleri veya anketlere cevap veren bireyleri çeşitli özelliklerine göre gruplara ayırmaya çalışan bir analiz tekniğidir. Faktör analizinde değişkenlerin gruplaması yapılırken, kümeleme analizinde kişilerin sınıflandırılması esastır. Aynı grupta yer alan kişileri veya nesnelerin birbirine benzeme oranı ya da farklı gruptakilerin ise birbirinden farklı olma oranları kümelemenin ne kadar iyi olduğunun veya kümelerin birbirlerinden ne kadar kesinlikle ayrıldıklarının göstergesi olarak kabul edilir. Faktör analizi: Değişkenler arasındaki alt boyutları ve faktörleri tespit etmeye çalışan analizdir. Değişkenler arasında herhangi bir bağımlı veya bağımsız ayrımı yapılmaksızın tüm değişkenler arasındaki bağımlılığı ve ilişkileri dikkate alarak ayrım yapan bir analiz tekniğidir. Bu analiz daha çok bir ölçekteki maddelerin hangi alt özellikleri ölçtüğünü belirlemek için kullanılır.