量性研究名词解释

质性研究方法中常用访谈法来搜集资料，为什么要进行访谈？访谈方法又分为哪些种类？进行访谈需要哪些准备与步骤？访谈有哪些需要把握的标准与注意的问题？为什么要访谈？质性访谈有一个假定，就是认为对他人的关照是有意义的，也是可知的。开放式访谈的目的，是去接近受访者的观照，找到一些我们无法直接观察到的事件。另外注意我们去接近受访者内心的观照，只是接近，但是我们永远也达不到与对方完全一致的状态。以研究的名义，跑到各种地方，听各种故事，这是一件很有趣的事情。访谈的类型 1、非正式的对话访谈典型的代表就是一边吃饭一边谈。一个好的访谈者，应该是一个身段比较柔软的人，你必须训练自己在各种人际交往中都能够开展你的资料搜集工作。有的时候你是需要做预研究的，预研究能给你提供很多信息，帮助你来构思整个研究。调用你的个人经验，以及你从父母长辈、同学亲戚那里得到的经验帮助你自己设计。如果你在做研究设计的时候，你对自己的研究的问题领域连一点基本概念都没有，甚至连一点点入门知识都没有掌握，一点点基础信息都不知道，连最基本的常识都没有，我只能说，你不具被研究这个问题的资格。有时你会认为我就是一个纯粹的好奇者，我确定一无所知，所以我才要研究这个问题，那么非正式对话访谈就是你正式开展研究之前那要干的事情。研究者的素养应该让你在俗世社会生活面前具备基本的节制能力，学习研究方法，其实也是学会节制，节制自己的恣意妄为的想法和行为。这种方式搜集的资料很零碎，比较难于统合和分析，立即整理和分析资料就特别重要，要及时的给自己的资料写批注。非正式对话访谈的优点：允许访谈者拥有极大的弹性，保持高强度的反应力，问题比较个别化，能跟受访者进行沟通，问题呢也具有具体性和即兴性。非正式对话访谈的弱点：容易有访谈者效应。补救的办法就是你回去的时候迅速的誊录资料和做批注，将补救的措施和你的反思写在纸面上，供后续的研究过程进行矫正和分析。2、一般性访谈导引法我们平时常见的，拿着一份提纲跟别人交谈。一般性访谈导引法包括提纲挈领的问题，得到这些问题，你也需要在这之前找不同的人来进行讨论和共同探索。访谈的顺序并不重要，但是你必须有逻辑结构，在访谈的时候，访谈提纲会使你们的讨论不至于跑题跑得太远，有时候你认为受访者跑题太远，实际上他已经再讨论你题纲里的其他问题。这时候你的脑子就必须清楚，将访谈提纲的结构牢牢的记载心里。因此访谈提纲一定要结构化，如果访谈提纲没有结构化，那么有时你会记不清楚，受访者谈了哪些问题，又没有谈论哪些问题。访谈导引法是假定所有的访谈者都具有一些共同的信息可以被搜集到，但是并不预先写下任何标准化的问题，访谈者必须在真实的访谈情境中，应因特定的反映在而调整问题的自主和顺序。这种访谈方式的特征，就是自由建构会谈，自发的提出问题，并建立一种对话风格，不论用什么方式提问，对话的焦点都要集中在某个特殊问题之中。在设计访谈提纲的时候，必须要考虑到在有限的时间范围内，最想问的三到五个问题到底是什么？这也就是促使你好好思考，我的受访者到底是什么类型的人，能回答什么问题，什么问题是最合适他来回答的。访谈某一个人的时候，至少把访谈提纲改得与针对性，这个提纲应该是对他定制的。这是基本的礼貌！3、标准化开放式访谈最详细的标准化开放式访谈，就是用一份问卷。让受访者一个一个来回答，甚至是当着你的面填写。你也可以提供选择项，但是受访者并不局限于在你的选择项里回答，在回答任何问题的时候，都可以有你讨论，这样可以尽可能的把受访者的不同观点，不同想法，不同面向挖掘出来。甚至有些信息你也可以让对方谈，你自己来填写，填写的形式可以很灵活。标准化开放式访谈是包括一组经过小心谨慎的字斟句酌组织的问题，试图让每一位受访者经历相同的程序。同样自主的相同问题来询问受访者，所有的受访者谈的顺序都是一样的，最后誊录出来的是标准格式的访谈记录。这样做的好处就是，如果你的研究规模非常大，这样标准格式的访谈记录就很方便与处理。访谈前的内容准备 1、访谈问题的分类经验/行为问题：已经做了什么？意见/价值问题：了解人们的认知和诠释感受问题：了解人们对其经验和想法的情绪反应。知识的问题：是一个人所知道的事，是有关案例的事实。感官的问题：看到、听到、摸到、尝到和闻到什么。背景/人口统计学问题：关于受访者的特征2、时间的维度与问题分类结合3、访谈问题的序列先问现在的状态。接着诠释、意见和感受。对未来的问题的访谈会说得少一点。4、访谈问题的组织确定开放的问题，比如你对师生关系的满意度如何，满意，是不是一定要有个度呢？这种提问的方式是比较封闭的。像这种问题不如改成你对学院的师生关系的感受如何？在访谈中尽量少问和不问二分法的问题。这种问题的答案是是或者否，例如你是不是现在感到很焦虑，你说这个问题应该怎么回答，我有焦虑但不是很焦虑，我如果回答不，那么否定的是焦虑还是很呢？二分法的问题使访谈变成了一种质问，或猜谜而不是一种深度的对话。避免先前假定的问题。询问单一的问题，言简意赅，看似容易实则挺难。提问一些简短深刻的问题，把大量时间和空间留给受访者，的时候抓住一两个关键的词进行犀利的发问。注意问题的厘清，不清晰的问题可能让受访者觉得不舒服，受忽视，混淆，困惑，充满敌意，要找出合适的词汇，或者是受访者所能理解的词汇以及能反应受访者世界观的词汇来进行提问。要小心询问为什么。在做研究的时候，不是不能问，但必须要小心一些，因为为什么的问题假定的是因果关系，假定了一个秩序井然的世界，需要完美呈现的只是理性，假定事情的发生都有原因，并且原因都是可知的。实际上事情发生应该都有原因，但是原因不是都能被找到，并且能被说出来的。5、访谈的态度保持和谐和中立，我们的受访者，反应者或者是研究对象，他们是研究主体，研究者与他们相互影响，受访者对每一个问题的回答会帮助我们建构下一个问题。真正的去聆听对方，真正的去尊重他。/*本来今天发三篇还可以早点休息，结果联通网络出问题！！电脑也快没电了，古诗今读明天再发吧~*/

今天继续教大家写留学论文，选择定性分析还是定量分析？1什么是定性分析？分析方向：---定义---得出的数据方向---如何采集---是否具有目的性---研究类型---主客观---数据类型2什么是定量分析？分析方向：---定义---得出的数据方向---如何采集---是否具有目的性---研究类型---主客观---数据类型3定性分析的3种方式定性分析的3种方式：---Focus Group---Depth Interview---Photo Enthnography4定量分析的3种方式定量分析的4种方式：---Telephone Surveys---Personal Interviews---Web Surveys---Hybrid Method

1、主效应：实验所获得的由一个因素的不同水平引起的因变量单独效应称为该因素的主效应。2、交互作用：在多因素实验中各因素间不同水平的结合所产生的复杂的变化称为因素间的交互作用。3、危险因素：又称危险因子，泛指能引起某特定不良结局(如疾病)发生，或使其发生的概率增加的因子，包括个人行为、生活方式、环境和遗传等多方面的因素。4、暴露因素：又称研究因素，凡是接触过某种因素或具备某种心理行为特征都可以称为暴露，暴露因素可以是机体固有的、先天的,也可以是体外的、后天的。5、自变量：由实验者主动操纵变化的条件称之为自变量。6、因变量：由实验变量引起的某种特定的反应称为因变量7、控制变量：除实验变量之外，其他一切能够影响因变量的条件和因素则称之为控制变量。8、定量研究：以实证主义方法论作为基础，目的在于预测和控制，采用演绎推理法对数据资料进行数量分析和统计分析的研究。9、定性研究：以人文主义方法论为基础，目的在于描述和解释，采用归纳推理法收集文本信息，并从整体上进行理解的研究。10、观察法：又称外观法、自然观察法或客观观察法，是在自然条件下通过有目的、有计划地观察被试的言语、表情和行为等外部表现来了解其心理活动的方法。11、问卷法（questionnairemethod）：是研究者以按照一定要求和程序编制的问卷为工具来收集数据资料的一种方法。12、相关研究：用于探索变量间的关系，并根据这种关系就研究对象的特征与行为作出解释与预测。13、因果研究：用于探讨引发变量之间的关系，心理科学研究中心任务就是确定各种变量之间的因果关系。14、现况研究：又称横断面调查，是通过对特定时点（或期间）和特定范围内人群中的相关因素与心理行为或疾病分布的描述，探讨因素与心理行为或疾病分布可能的病因关系。15、个案研究法：研究者通过对个案的深入调查来研究或探讨与之相关的心理或行为问题，这种心理学的研究方法称为个案研究法。16、实验研究：是指在观察和调查的基础上，对研究的某些变量进行操作和控制，创设一定情景，以探求心理现象的原因、发展规律的研究方法，其目的在于揭示变量之间的因果关系。17、总体：指在规定范围内共同具有某些可观测特征的个体或某类客体的完整集合体。18、样本：就是按照科学的抽样方法从研究对象的总体中抽取一定数量的个体，构成能够代表总体的集合。19、被试内设计：通常也叫重复测量设计，指通过观察和测量同一个被试接受所有处理条件，比较两个或更多的不同处理条件的效果。20、被试间设计：指每个被试(组)只能接受一种自变量水平或多个水平结合中的一种实验处理。21、系统误差：又叫常定误差，指由恒定而规律的无关变量引起的误差。22、随机误差：指由偶然的无关变量引起的误差。23、归纳法：先取样观察、收集资料并记录若干个别事例、探求事物的共同特征，找出事物间的关系，得出通则性结论。24、演绎法：从通则性的陈述开始，根据逻辑推理的法则，将通则性结论推广到其它未经观察的部分，从而获得一项个别性的陈述。25、信度：即可靠性，是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。26、效度：即有效性，是指一项测验能测到所要测量的内容或达到某种目的的程度。27、操作定义：在定义一个变量时，不直接描述被定义变量的特征、性质，而是说明观察或测量被定义变量所要做的实际活动。28、描述性研究：又称描述流行病学，是研究特定人群中疾病、健康状况的分布及其决定因素，并研究防治疾病及促进健康的策略和措施的科学29、访谈法：是研究者通过与研究对象有目的的交谈来收集有关对方心理特征与行为数据资料的研究方法，是定性研究最主要的方法。 30、现场研究：也称“实地研究”、“自然研究”，是指在自然条件下或真实生活情境中实施的各种研究。31、社会测量法：在社会心理研究中，对研究对象的属性在数量上赋值的过程称为社会测量。32、社会调查法：是有目的、有计划、有系统地搜集有关研究对象社会现实状况或历史状况材料的方法

雷锋网 AI 科技评论按：本文为 BIGSCity 的知乎专栏内容，作者王小贱。北航智慧城市兴趣组 BIGSCITY是隶属于北京航空航天大学计算机学院的一个学术研究小组，小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术。AI 科技评论获得 BIGSCity 授权转载，敬请期待更多后续内容。非常开心本文成为 BIGSCity 兴趣组的第一篇投稿，《深度学习的可解释性研究》系列预计包含 3-4 篇内容，用尽可能浅显的语言带领大家了解可解释性的概念与方法以及关于深度学习可解释性工作的研究成果，不定期更新内容（欢迎催更）。可解释性是什么？广义上的可解释性指在我们需要了解或解决一件事情的时候，我们可以获得我们所需要的足够的可以理解的信息。比如我们在调试 bug 的时候，需要通过变量审查和日志信息定位到问题出在哪里。比如在科学研究中面临一个新问题的研究时，我们需要查阅一些资料来了解这个新问题的基本概念和研究现状，以获得对研究方向的正确认识。反过来理解，如果在一些情境中我们无法得到相应的足够的信息，那么这些事情对我们来说都是不可解释的。比如刘慈欣的短篇《朝闻道》中霍金提出的「宇宙的目的是什么」这个问题一下子把无所不知的排险者卡住了，因为再高等的文明都没办法理解和掌握造物主创造宇宙时的全部信息，这些终极问题对我们来说永远都是不可解释的。而具体到机器学习领域来说，以最用户友好的决策树模型为例，模型每作出一个决策都会通过一个决策序列来向我们展示模型的决策依据：比如男性&未婚&博士&秃头的条件对应「不感兴趣」这个决策，而且决策树模型自带的基于信息理论的筛选变量标准也有助于帮助我们理解在模型决策产生的过程中哪些变量起到了显著的作用。所以在一定程度上，我们认为决策树模型是一个具有比较好的可解释性的模型，在以后的介绍中我们也会讲到，以决策树为代表的规则模型在可解释性研究方面起到了非常关键的作用。再以用户最不友好的多层神经网络模型为例，模型产生决策的依据是什么呢？大概是以比如 1/(e^-(2*1/(e^(-(2*x+y))+1) + 3*1/(e^(-(8*x+5*y))+1))+1) 是否大于 0.5 为标准（这已经是最简单的模型结构了），这一连串的非线性函数的叠加公式让人难以直接理解神经网络的「脑回路」，所以深度神经网络习惯性被大家认为是黑箱模型。17 年 ICML 的 Tutorial 中给出的一个关于可解释性的定义是：Interpretation is the process of giving explanations to Human.总结一下就是「说人话」，「说人话」，「说人话」，不以人类可以理解的方式给出的解释都叫耍流氓，记住这三个字，你就差不多把握了可解释性的精髓所在。我们为什么需要可解释性？广义上来说我们对可解释性的需求主要来源于对问题和任务了解得还不够充分。具体到深度学习/机器学习领域，就像我们上文提到的多层神经网络存在的问题，尽管高度的非线性赋予了多层神经网络极高的模型表示能力，配合一些堪称现代炼丹术的调参技术可以在很多问题上达到非常喜人的表现，大家如果经常关注 AI 的头条新闻，那些机器学习和神经网络不可思议的最新突破甚至经常会让人产生 AI 马上要取代人类的恐惧和幻觉。但正如近日贝叶斯网络的创始人 Pearl 所指出的，「几乎所有的深度学习突破性的本质上来说都只是些曲线拟合罢了」，他认为今天人工智能领域的技术水平只不过是上一代机器已有功能的增强版。虽然我们造出了准确度极高的机器，但最后只能得到一堆看上去毫无意义的模型参数和拟合度非常高的判定结果，但实际上模型本身也意味着知识，我们希望知道模型究竟从数据中学到了哪些知识（以人类可以理解的方式表达的）从而产生了最终的决策。从中是不是可以帮助我们发现一些潜在的关联，比如我想基于深度学习模型开发一个帮助医生判定病人风险的应用，除了最终的判定结果之外，我可能还需要了解模型产生这样的判定是基于病人哪些因素的考虑。如果一个模型完全不可解释，那么在很多领域的应用就会因为没办法给出更多可靠的信息而受到限制。这也是为什么在深度学习准确率这么高的情况下，仍然有一大部分人倾向于应用可解释性高的传统统计学模型的原因。不可解释同样也意味着危险，事实上很多领域对深度学习模型应用的顾虑除了模型本身无法给出足够的信息之外，也有或多或少关于安全性的考虑。比如，下面一个非常经典的关于对抗样本的例子，对于一个 CNN 模型，在熊猫的图片中添加了一些噪声之后却以 99.3% 的概率被判定为长臂猿。在熊猫图片中加入噪声，模型以 99.3% 的概率将图片识别为长臂猿事实上其他一些可解释性较好的模型面对的对抗样本问题可能甚至比深度学习模型更多，但具备可解释性的模型在面对这些问题的时候是可以对异常产生的原因进行追踪和定位的，比如线性回归模型中我们可以发现某个输入参数过大/过小导致了最后判别失常。但深度学习模型很难说上面这两幅图到底是因为哪些区别导致了判定结果出现了如此大的偏差。尽管关于对抗样本的研究最近也非常火热，但依然缺乏具备可解释性的关于这类问题的解释。当然很多学者对可解释性的必要性也存有疑惑，在 NIPS 2017 会场上，曾进行了一场非常激烈火爆的主题为「可解释性在机器学习中是否必要」的辩论，大家对可解释性的呼声还是非常高的。但人工智能三巨头之一的 Yann LeCun 却认为：人类大脑是非常有限的，我们没有那么多脑容量去研究所有东西的可解释性。有些东西是需要解释的，比如法律，但大多数情况下，它们并没有你想象中那么重要。比如世界上有那么多应用、网站，你每天用 Facebook、Google 的时候，你也没想着要寻求它们背后的可解释性。LeCun 也举了一个例子：他多年前和一群经济学家也做了一个模型来预测房价。第一个用的简单的线性于猜测模型，经济学家也能解释清楚其中的原理；第二个用的是复杂的神经网络，但效果比第一个好上不少。结果，这群经济学家想要开公司做了。你说他们会选哪个？LeCun 表示，任何时候在这两种里面选择都会选效果好的。就像很多年里虽然我们不知道药物里的成分但一直在用一样。但是不可否认的是，可解释性始终是一个非常好的性质，如果我们能兼顾效率、准确度、说人话这三个方面，具备可解释性模型将在很多应用场景中具有不可替代的优势。有哪些可解释性方法？我们之前也提到机器学习的目的是从数据中发现知识或解决问题，那么在这个过程中只要是能够提供给我们关于数据或模型的可以理解的信息，有助于我们更充分地发现知识、理解和解决问题的方法，那么都可以归类为可解释性方法。如果按照可解释性方法进行的过程进行划分的话，大概可以划分为三个大类：1. 在建模之前的可解释性方法2. 建立本身具备可解释性的模型3. 在建模之后使用可解释性方法对模型作出解释在建模之前的可解释性方法这一类方法其实主要涉及一些数据预处理或数据展示的方法。机器学习解决的是从数据中发现知识和规律的问题，如果我们对想要处理的数据特征所知甚少，指望对所要解决的问题本身有很好的理解是不现实的，在建模之前的可解释性方法的关键在于帮助我们迅速而全面地了解数据分布的特征，从而帮助我们考虑在建模过程中可能面临的问题并选择一种最合理的模型来逼近问题所能达到的最优解。数据可视化方法就是一类非常重要的建模前可解释性方法。很多对数据挖掘稍微有些了解的人可能会认为数据可视化是数据挖掘工作的最后一步，大概就是通过设计一些好看又唬人的图表或来展示你的分析挖掘成果。但大多数时候，我们在真正要研究一个数据问题之前，通过建立一系列方方面面的可视化方法来建立我们对数据的直观理解是非常必须的，特别是当数据量非常大或者数据维度非常高的时候，比如一些时空高维数据，如果可以建立一些一些交互式的可视化方法将会极大地帮助我们从各个层次角度理解数据的分布，在这个方面我们实验室也做过一些非常不错的工作。还有一类比较重要的方法是探索性质的数据分析，可以帮助我们更好地理解数据的分布情况。比如一种称为 MMD-critic 方法中，可以帮助我们找到数据中一些具有代表性或者不具代表性的样本。使用 MMD-critic 从 Imagenet 数据集中学到的代表性样本和非代表性样本（以两种狗为例）建立本身具备可解释性的模型建立本身具备可解释性的模型是我个人觉得是最关键的一类可解释性方法，同样也是一类要求和限定很高的方法，具备「说人话」能力的可解释性模型大概可以分为以下几种：1. 基于规则的方法（Rule-based）2. 基于单个特征的方法（Per-feature-based）3. 基于实例的方法（Case-based）4. 稀疏性方法（Sparsity）5. 单调性方法（Monotonicity）基于规则的方法比如我们提到的非常经典的决策树模型。这类模型中任何的一个决策都可以对应到一个逻辑规则表示。但当规则表示过多或者原始的特征本身就不是特别好解释的时候，基于规则的方法有时候也不太适用。基于单个特征的方法主要是一些非常经典的线性模型，比如线性回归、逻辑回归、广义线性回归、广义加性模型等，这类模型可以说是现在可解释性最高的方法，可能学习机器学习或计算机相关专业的朋友会认为线性回归是最基本最低级的模型，但如果大家学过计量经济学，就会发现大半本书都在讨论线性模型，包括经济学及相关领域的论文其实大多数也都是使用线性回归作为方法来进行研究。这种非常经典的模型全世界每秒都会被用到大概 800 多万次。为什么大家这么青睐这个模型呢？除了模型的结构比较简单之外，更重要的是线性回归模型及其一些变种拥有非常 solid 的统计学基础，统计学可以说是最看重可解释性的一门学科了，上百年来无数数学家统计学家探讨了在各种不同情况下的模型的参数估计、参数修正、假设检验、边界条件等等问题，目的就是为了使得在各种不同情况下都能使模型具有有非常好的可解释性，如果大家有时间有兴趣的话，除了学习机器学习深度模型模型之外还可以尽量多了解一些统计学的知识，可能对一些问题会获得完全不一样的思考和理解。基于实例的方法主要是通过一些代表性的样本来解释聚类/分类结果的方法。比如下图所展示的贝叶斯实例模型（Bayesian Case Model，BCM），我们将样本分成三个组团，可以分别找出每个组团中具有的代表性样例和重要的子空间。比如对于下面第一类聚类来说，绿脸是具有代表性的样本，而绿色、方块是具有代表性的特征子空间。使用 BCM 学到的分类及其对应的代表性样本和代表性特征子空间基于实例的方法的一些局限在于可能挑出来的样本不具有代表性或者人们可能会有过度泛化的倾向。基于稀疏性的方法主要是利用信息的稀疏性特质，将模型尽可能地简化表示。比如如下图的一种图稀疏性的 LDA 方法，根据层次性的单词信息形成了层次性的主题表达，这样一些小的主题就可以被更泛化的主题所概括，从而可以使我们更容易理解特定主题所代表的含义。Graph-based LDA 中的主题层次结构基于单调性的方法：在很多机器学习问题中，有一些输入和输出之间存在正相关/负相关关系，如果在模型训练中我们可以找出这种单调性的关系就可以让模型具有更高的可解释性。比如医生对患特定疾病的概率的估计主要由一些跟该疾病相关联的高风险因素决定，找出单调性关系就可以帮助我们识别这些高风险因素。在建模之后使用可解释性性方法作出解释建模后的可解释性方法主要是针对具有黑箱性质的深度学习模型而言的，主要分为以下几类的工作：1. 隐层分析方法2. 模拟/代理模型3. 敏感性分析方法这部分是我们接下来介绍和研究的重点，因此主要放在后续的文章中进行讲解，在本篇中不作过多介绍。除了对深度学习模型本身进行解释的方法之外，也有一部分工作旨在建立本身具有可解释性的深度学习模型，这和我们前面介绍通用的可解释性模型有区别也有联系，也放到以后的文章中进行介绍。如果对本系列感兴趣或有疑问，欢迎私信交流。关于 BIGSCity北航智慧城市兴趣组 BIGSCITY 是隶属于北京航空航天大学计算机学院的一个学术研究小组，小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术。BIGSCITY 的研究兴趣包括：城市计算，时空数据挖掘，机器学习可解释性，以及 AI 在交通、健康、金融等领域的应用等。本专栏将介绍 BIGSCITY 的一些研究成果，不定期更新与课题组研究相关的研究工作介绍，以及介绍与 BIGSCITY 相关的一切有趣的内容。关于 BIGSCITY 的详细情况参见研究组主页：https://www.bigscity.com/参考文献1. Google Brain, Interpretable Machine Learning: The fuss, the concrete and the questions.2. Kim B, Koyejo O, Khanna R, et al. Examples are not enough, learn to criticize! Criticism for Interpretability[C]. neural information processing systems, 2016: 2280-2288.3. Kim B, Rudin C, Shah J. The Bayesian Case Model: A Generative Approach for Case-Based Reasoning and Prototype Classification[J]. Computer Science, 2015, 3:1952-1960.4. Doshi-Velez F, Wallace B C, Adams R. Graph-sparse LDA: a topic model with structured sparsity[J]. Computer Science, 2014.

研究方法作为知识生产的工具，其实跟背后的本体论是有很大的关系。我们完全可以不关注研究方法背后的本体论。很多人认为不需要关注，但是如果不关注的话，会导致研究方法的使用上会有很大的一个误差。那么定量研究方法和质性研究方法的区别何在？表面上看，一个是用数学，一个不用数学。也就是说是研究形式上的区别：一个采取量化的手法，一个不采取量化的方法，而是用文字表述的方法。但二者的区别，根本原因在于社会本体论预设的不同。量化方法本体论预设：社会世界类似于自然世界。所以社会科学可以模仿物理学，采取类似于自然科学的方法，数量化是必不可少的特征。科学性体现在实证性（或者经验性，注重可观察的证据），精密性（数学是特征）和揭示一般规律（从而可以做出预测）质性方法的本体论预设：社会世界不同于自然世界，因为社会是由人构成，人是有思想，情感，价值观念，信念等主观主义。人的行动是意义驱动的，而不是自然界中的刺激—反应行动。对意义的把握要通过理解，自然科学的客位立场无法达到对意义的理解。比如说对人的现象进行研究，就要理解人。比如说你要理解穆斯林的行为，你就要去读伊斯兰教的教义。如果不理解这个教义，怎么能理解它呢？我们很可能就是从一个非宗教徒的角度用自己的想法来裁剪它的行为，扭曲了它的行为，那这已经是违背现实了。意义可以定量的测量，但测量不是理解，因为测量可能是从客体立场来裁剪意义，甚至是研究者把自己的意义强加给研究对象。对意义的把握要从主体的立场出发。科学性首先体现在方法与社会科学研究对象的属性的匹配性。量化方法与社会现实的本体论属性不匹配。质性研究在实证上，与定量研究者一样。质性研究者也追求揭示规律，但社会规律与自然规律有不同的表现形式。科学性不在于严密性，严密性是我们追求的，但不仅仅在于严密性，它还在于研究方法和研究对象的本性的匹配性。

1、西方经济学西方经济学是一个内容相当广泛而松散的名词，迄今在世界上尚不存在一个统一的标准定义。一般来说至少含有三种内容：第一，企事业的经营管理方法和经验，如市场分析、存货管理、产品质量控制、车间生产流程布局等。这类主题着重使用运筹学、数理统计和其他方法来研究经营企事业的有效手段和总结企事业的营运经验。第二，对一个经济部门、经济领域或经济问题的集中研究成果，如资源经济学、商业经济学、农业经济学、石油经济学，对税收、财政、通货膨胀问题的论述等。它们的研究对象关系到经济生活中的某一特定部门或领域。由于研究对象的差异，这一类别的西方经济学中，经济理论的成分比第一种类别要多。第三，对经济理论的研究和考察，如微观经济学、宏观经济学、数理经济学、动态经济学、福利经济学、经济思想史等。这一方面的主要内容为经济理论以及根据经济理论而制定的经济政策和有关问题的解决途径。相比前两类，第三类在理论上占有更大的比重。2、微观经济学微观经济学是从现代西方经济理论中分离出来的以研究资源配置问题为核心的学科。微观经济学以单个经济单位（家庭、企业和单个产品市场）为考察对象，运用个量分析方法，研究单个经济单位的经济行为以及相应的经济变量如何决定。由于资源配置在市场经济中是通过价格机制决定的，故微观经济理论又被称为价格理论。微观经济学的主要内容有：①均衡价格理论；②消费者行为理论；③生产者行为理论；④生产要素的价格决定理论；⑤一般均衡理论；⑥福利经济学；⑦市场失灵和微观经济政策。3、宏观经济学宏观经济学是从现代西方经济理论中分离出来的以研究资源利用问题为核心的学科。宏观经济学以整个国民经济活动为考察对象，运用总量分析方法，研究社会总体经济问题以及相应的经济变量如何决定，研究这些经济变量的相互关系。这些变量中的关键变量是国民收入。因此，宏观经济学又被称为国民收入决定理论。宏观经济学的主要内容有：①国民收入决定理论；②失业与通货膨胀理论；③经济周期与经济增长理论；④开放经济理论；⑤宏观经济政策。4、资源的稀缺性（稀缺）经济学中资源的稀缺性是相对于人类无限的需求而言。人的需求具有无限增长和多样性的特点，为了满足需求，就要生产越来越多的产品，也就需要更多的资源。而在一定的时期内可用于满足需求的生产的资源往往是有限的，并且一种资源往往具有多种用途，这就使得有限的资源相对于人类无限、多样的需求显得远远不足。经济学所研究的就是如何对有限的且可以有多种用途的资源进行合理的配置，以最大程度地满足人们的需要。5、看不见的手在现代经济条件下,政府和市场在经济社会发展中的作用缺一不可。市场的运行机制被亚当·斯密形容成“看不见的手”。当经济社会中的个体追求个人利益时，他被一只看不见的手，即市场机制所引导去增进社会整体利益。指导生产、分配，让商家生产最有用的东西、并分配到最需要它的人手中。微观经济学的主要部分都是对“看不见的手”的论证和注解。6、经济模型经济模型是一种用来描述与研究的对象有关的经济变量之间依存关系的理论结构，或者说，把经济理论用变量的函数关系来表示，就叫做经济模型。经济模型可用文字说明（叙述法），也可用数学方程表示（代数法），还可用几何图形表示（图示法）。经济现象包括各种主要变量和次要变量，错综复杂。如果在研究中把所有变量都考虑进来，则会使研究变得极其困难。为此，任何经济模型都是在一些假定前提下，舍弃掉若干次要因素或变量，把复杂现象简化和抽象成为数不多的主要变量，然后按一定函数关系把这些变量编成单一方程或联立方程组。借助于这样的模型，就可预测经济变化结果。7、内生变量和外生变量内生变量：又称非政策性变量，是指在经济机制内部由纯粹的经济因素所决定的变量，不为政策所左右。从广义上讲，任何一个系统（或模型）中自变量和因变量统称为内生变量。外生变量：又称政策性变量，是指在经济机制中受政策因素影响，而由非经济体系内部因素所决定的变量，一般是确定性变量，其参数不是模型系统研究的元素。这种变量通常能够由政策控制，并以之作为政府实现其政策目标的变量。一般情况下，外生变量与随机项不相关。例：Qd=α-β·P，表示价格与需求量的关系，则α、β是参数，都是外生变量；P、Qd是模型要决定的变量，所以是内生变量。8、经济体制经济体制是指建立在一定生产关系基础上的整个国民经济的运行模式、管理制度、管理方式等的总称。资源配置和利用方式就是所谓经济体制问题。迄今为止人类的经济体制大体上经历了以下四种类型：一是自给自足经济，即每个家庭或者村落生产他们所需要的大部分物品，经济效率十分低下。二是计划经济，即生产资料归由政府代表的国家所有，政府用行政计划来解决生产什么、生产多少、如何生产以及为谁生产等问题。事实证明，这种经济体制的效率也很低下。三是市场经济，其基本特征是产权明晰，经济决策高度分散，资源配置和利用由市场价格机制解决。四是混合经济，其基本特征是经济的私人所有和国家所有相结合，自由竞争和国家干预相结合，事实表明这种机制效率较高，目前世界上大多数国家都采用这种经济体制。9、经济人（理性人）经济人是西方经济学家研究经济问题时的一个人类经济行为基本假定，即假定从事经济活动的人，不管是居民、厂商还是政府，都是理性人。尽管他们在经济生活中的作用不同，但作为经济主体，都是理智的，既不会感情用事，也不肯轻信盲从，而是精于判断和计算，其基本动力都是追求利益最大化。“经济人”假设存在以下前提：①信息是完全的，即当事人确知所有与其偏好和目标相关的信息。②信息收集成本是可接受的。③个人确知所有信息的价值及用处，不存在随机性决策。④个人在经济活动中所追求的唯一目标是自身经济利益的最大化。这些假设在现实中是不能成立的。因此，对“经济人”假设的批判与思考成为经济学界以及哲学、社会科学界争论的焦点。10、实证分析和规范分析经济学研究中的实证分析力图回答“是什么”即着力于分析和阐明客观经济现象，并借以预测后果，而对经济事实本身不做价值判如何实现的问题。规范分析则是以一定的价值判断为出发点，研究“应该是什么”，并分析和说明如何实现的问题。在现实研究过程中，两种方法往往是结合使用的。11、均衡分析法经济学中的均衡是借用了力学的一个概念。均衡的最一般的意义是指经济事物中有关的变量在一定条件的相互作用下所达到的一种相对静止的状态。常见的均衡概念有局部均衡，一般均衡，稳定的、不稳定的、半稳定的均衡等。均衡分析方法是经济学中最重要的分析方法，通常来讲，它分析经济力量达到均衡时所需要的条件以及相应的经济现象。12、静态分析、比较静态分析和动态分析静态分析是考察在既定条件下某个经济事物在经济变量的相互作用下所实现的均衡状态的特征，研究的是经济过程的一个横断面。比较静态分析是考察当原有的条件发生变化后，原有的均衡状态会发生什么变化，并分析比较新旧均衡状态，它研究的是经济过程横断面之间的比较关系。动态分析是在引进时间变化序列的基础上，对经济中发生变动的有关变量进行分析，包括对这些经济变量在变动过程中的相互影响和彼此制约关系，以及它们在每一时点上的变动速率等进行分析。相比而言，动态分析把经济变化当做一个连续过程来研究。而静态分析和比较静态分析则把变量所属的时间全抽象掉了，变量的调整时间被假设为零，蛛网模型即为典型的动态分析模型。13、边际增量分析法边际增量分析是西方经济学的基本分析方法之一，是观察自变量每变动一单位量值会如何影响因变量的一个过程。如微观经济学中的边际效用、边际成本、边际收益分析等，宏观经济学中的边际消费倾向、资本边际效率分析等。边际分析方法实际上是微积分在经济学中的应用，即微积分的求导问题。边际分析方法往往能比较准确地描述出变化中的经济变量之间的相互关系。#经济学考研#

科技生活篇-MTI名词解释1. 社会进化论的问题就在于将人类社会的演变预设为是有方向的，并且是不断进步的。这种方向感和进步感的来源得益于近三百年的科技发展，尤其是20世纪后半期。答：社会进化论是将变异、自然选择和遗传等生物学用于社会学研究，进而解释社会变迁的一种社会学理论。社会进化论认为，人类社会和生物有机体是相似的，人类社会是自然界的延续，进化是自然界的普遍规律，也是人类社会历史变迁的自然规律。2. RAW是数码相机常见的文件存储形式，但很多入门影友对RAW文件比较陌生。偶尔了解一些的朋友也可能认为RAW文件除了带来处理上的麻烦外，画质上并没有明显改善。答：RAW是未经处理、也未经压缩的格式，也被称为“原始图像编码数据”或“数字底片”。RAW的原意就是“未经加工”。RAW图像就是CMOS或CCD图像感应器将捕捉到的光源信号转化为数字信号的原始数据。RAW文件是一种记录了数码相机传感器的原始信息，同时记录了由相机拍摄所产生的一些元数据的文件，如ISO的设置、快门速度、光圈值、白平衡等。3. 逻辑实证主义在思想界衰败之时，经济学和管理学却极力将之引进本学科并最终使之成为理论研究的主导性方法论。答：逻辑实证主义是以经验为根据，以逻辑为工具，进行推理，用概率论来修正结论的理论。它认为，科学的方法是研究人类行为的唯一正确的方法，因此，它虽然以感性的经验为依据，但却否认了感性认识的积极作用，是不折不扣的理性主义。许多研究者们从经验角度认为外部客观世界是可以被认识、被量化的。其核心是以石克里和卡尔纳普为代表的维也纳学痞。4. 层出不穷的假网站，每天换个“马甲”，已经严重影响网民的资金安全，黑客集团将更多精力转向窃取用户的网络钱包，形成黑色产业链。答：马甲是网络虚拟社会普遍存在、不可消除的一种现象。为了让认识你的人猜不到，在常用的用户名外再注册其他名字的现象，叫穿马甲。马甲是网络虚拟社会普遍存在、不可消除的一种现象。马甲的存在，使网络比现实社会更接近人性，也更具有吸引力。5. 克隆羊“多莉”的诞生在全世界掀起了克隆研究热潮，随后，有关克隆动物的报道接连不断。1997年3月，即公布“多莉”培育成功后近1个月的时间里，美国、中国台湾和澳大利亚科学家分别发表了他们成功克隆猴子、猪和牛的消息。答：克隆是英文“clone”或“cloning”的音译，克隆是指生物体通过体细胞进行的无性繁殖，以及由无性繁殖形成的基因完全相同的后代个体组成的种群。通常是利用生物技术由无形繁殖产生的与原个体有完全相同基因的个体或种群。6. 常见的一种UFO的飞行姿态是纹丝不动地悬停在空中或离地不高的半空中，而且丝毫见不到能确保这一凌空悬停动作是靠一种机械作用来表现的。很显然，无论如何，UFO也不会利用普通飞机所借助的空气动力学上的升浮力来飞行；同时，UFO也并非凭借像直升机那样的螺旋桨来悬停；加上UFO飞行时既无气流又五烟囱，从而也排除了它使用普通喷气发动机喷气推动力的可能。答：UFO是“Unidentified Flying Object”的缩写，指“不明飞行物”或“未确认飞行物”，是指不明来历、不明性质，漂浮及飞行在天空的物体。在目击者眼中看不清或无法辨认的空中物体都成为UFO。UFO一词源于美国空军的“蓝皮书计划”，该计划的第一任负责人是爱德华·鲁佩尔特上尉，他正式发明了“UFO”一词。7. 地球村的出现打破了传统的时空观念，使人们与外界乃至整个世界的联系更为紧密，人类变得相互间更加了解了。地球村的现象的产生改变了人们的新闻观念和宣传观念，迫使新闻传播媒介更多地关注受传者的兴趣和需要，更加注重时效性和内容上的客观性。地球村促进了世界经济一体化进程。答：地球村是对地球的一种比喻说法。指现代科技的迅速发展，缩小了地球的时空距离，国际交往日益频繁便利，因而整个地球就如同是茫茫宇宙中的一个小村落。地球村的出现打破了传统的时空观念，使人们与外界乃至整个世界的联系更为紧密，人类相互间变得更加了解了。三、简答题1. 韩国在世界市场上具有领先优势的主要工业产品有哪些？请列举5个。答：韩国在世界市场上具有领先优势的主要产品包括钢铁、轮船、汽车、纺织、石油。2005年，韩国的粗钢产量为4782万吨，占全球份额的4.2%。造船业是韩国的主要支柱产业之一。从2003年起，韩国造船业的接受订单量、建造量、待处理订单量均列世界第一位。汽车产业是韩国经济的一大支柱，主要汽车企业有现代起亚集团、通用大宇汽车公司、双龙汽车公司和雷诺三星汽车公司四家。2. 神舟九号飞船是什么时间发射升空和顺利着陆的？答： 神舟九号飞船是中国第一个宇宙实验室项目921-2计划的组成部分，已于北京时间2012年6月16日18时37分24秒在甘肃省酒泉卫星发射中心发射升空，并与2012年6月29日10时03分在内蒙古顺利着陆。神舟九号载人飞船在2012年6月18日执行了自动交会对接任务，标志着中国自动交会对接技术及载人航天技术的进一步成熟。3. 李政道获得的诺贝尔属于哪个科学领域？答：李政道获得的诺贝尔奖属于物理学领域。李政道，美籍华人，1957年，与杨振宁一起，因发现弱作用中宇宙不守恒而获得诺贝尔物理学奖。他们的这项发现，由吴建雄的实验证实。李政道和杨振宁是最早获得诺贝尔奖的华人。

真题北师大新传学硕829名词解释内容分析01 答题思路这是一道中规中矩的题目，是大家学习过程中接触的研究方法的题目，按照大家整理的笔记和背诵内容答上即可！02 参考答案内容分析(content analysis) 是大众传播研究的内容和方法之一，通过对大 众传播内容量和质的分析，认识和判断某一时期的传播重点，对某些问题的倾向、 态度、立场，以及传播内容在某一时期的变化规律等，是对各种信息交流形式的明显内容进行客观的、系统的和定量的描述。其实质是对传播内容所含信息量及其变化的分析，即由表征的有意义的词句推断出准确意义的过程。在社会科学研究里，内容分析法属于定量研究范畴，是工具导向的，借由数理统计对传播内容进行量化的分析与描述，其产出的结果通常为数据及其说明。内容分析的优点主要有:省钱省时、保险系数大、非干扰性等。局限主要是:只 局限于对记录下来的信息进行分析和研究;资料的效度存在一定的问题，结果不 一定能准确反映所希望测量的概念或所希望研究的变量。内容分析的基本目的在于把一种非数量表示的文献转换成用数量表示的资料，结果也经常是以频数、百分比、交互分类表等统计形式来表现的。主要操作程序是 抽样和编录。可分为三种类型:计词法、概念组分析和语义强度分析。内容分析也是研究互联网内容的主要工具。互联网内容综合了文字、图片、音视 频等多种传播方式，以超文本的方式实现，而且每时每刻处于变化之中。应用内容分析法研究互联网内容这时刻处于变化中的研究对象时，有必要对传统内容分析法的诸多环节，特别是抽样、收集资料、确定分析单位、编码和信度检验等方面进行相应的改进，以适合互联网内容分析的要求。

回顾性研究论文同其它研究论文一样，在陈述资料来源、总结方法和结果之后，尚须对资料的结果及在总结过程中所遇到的问题加以分析和讨论，以回答研究所提出的问题。达晋编译认为，分析的关键在于严格的科学态度，正确地反映客观事实。论点要正确，论据要充分，论证要有严密的逻辑性。切忌主观意断，言过其实。在这方面常见的问题有：一、主题不集中。有的作者往往想在一篇论文中解决过多的问题，片面地追求全面、系统、完整。其结果是面面俱到，主次不分，重点不明。需要强调的是，临床回顾性研究论文与教科书或其它研究论文不同，不可能对病因、发病机制等作出新的、科学的结论，也不可能对药物或疗法的作用机理做出科学的解释。这是研究本身的性质所局限了的。因此，在作资料的解释时，一般只要求着重解决一两个问题，把主题集中到最主要、最有实际内容、作者最有体会的问题上。围绕主题，展开讨论。其它有关的问题只能处于从属的地位，不能与重点问题相提并论，更不能喧宾夺主。企图什么问题都解决，结果是什么问题也解决不好。二、推论主观。临床回顾性研究可以总结和发现一些疾病的发生、发展乃至治疗的规律性，也可以从现有资料的分析中给今后工作的开展以某种启示。但是，不少作者往往以这些规律和启示为依据，无限延伸，加以推论。这种利用现有资料进行主题以外的某些推论，不管作者的逻辑过程如何合理，总不免带有一定的盲目性，甚至弄巧成拙。从统计学角度看，企图将现有资料的结论应用于超出样本所代表的总体，是绝对不允许的。因为这样做是不客观的。三、套用文献。在对临床资料做出解释时，常常需要引证有关文献材料，以说明作者所得结果与前人的同类研究的结果有什么联系和区别，从而表明作者的见解。但是，在引用时决不能把文献资料当作左右作者研究结果的先人之见。特别是当自己的结果与前人的结果有出入时，更应该慎重地分析自己研究的材料，仔细地审查各种因素的干扰，并找出差别的真正原因。既不要对自己的结果不加分析和探讨而轻易否定，也不要对自己的结果寄予过高的奢望，甚至偏爱，草率地肯定。因为这里有可能受到各种偏因的影响而出现假象。因此，既不能把文献作为左右资料分析的先验性概念，也不能以自己的结果去硬搬前人所作的结论，否则，将使资料的分析缺乏科学性。四、不正确地利用统计学数据。数理统计能帮助我们在实践中少走弯路，少犯主观片面的错误。但是统计学的处理只能在资料系统化的基础上进行。在统计处理的任务完成之后，对结果的解释则取决于研究者的专业知识和经验了。统计的显著性不能代表解释的正确性，因为回顾性研究很难避免各种干扰因素及偏因的影响。只有当各种干扰因素及偏因受到良好的控制时，统计的结果才更能说明问题。否则，即使得到“有显著意义”的结果，也很可能是由于某种干扰造成的。因此，不经统计学处理就下结论不对，而把统计学处理看成“万能”，也是不对的。