101. Operacjonalizacja – od konstruktu do danych

Operacjonalizacja jest etapem, w którym pojęcie obecne w teorii zostaje przełożone na sposób postępowania umożliwiający zebranie danych. Badacz nie analizuje bezpośrednio takich konstruktów jak dobrostan, wypalenie zawodowe, przestrzeganie zaleceń terapeutycznych czy jakość opieki. Analizuje odpowiedzi na pytania, wyniki testów, pomiary fizjologiczne, obserwacje zachowania albo dane z dokumentacji. Między konstruktem a tabelą danych trzeba więc zbudować uzasadnione ogniwa pośrednie. Właśnie temu służy operacjonalizacja.

W tej lekcji uporządkujemy drogę od konstruktu do danych. Jest to naturalna kontynuacja wcześniejszych tematów kursu dotyczących zmiennych latentnych, zmiennych złożonych, transformacji i słownika zmiennych. W publicznym szkoleniu metodologii i statystyki na statystyk.edu.pl warto traktować operacjonalizację nie jako formalność redakcyjną, lecz jako część projektu badawczego decydującą o tym, co rzeczywiście będzie można wnioskować.

1. Czym jest konstrukt, a czym zmienna?

Konstrukt to pojęcie teoretyczne używane do opisu właściwości, procesów lub stanów, których nie obserwujemy bezpośrednio albo których nie da się uchwycić jednym prostym pomiarem. Przykładami są lęk, satysfakcja z życia, odporność psychiczna, kompetencje komunikacyjne personelu, nasilenie bólu lub społeczne wsparcie.

Konstrukt nie jest jeszcze zmienną w zbiorze danych. Zmienną staje się dopiero wtedy, gdy określimy, jak będzie rozpoznawany, mierzony, kodowany i analizowany. Na przykład:

• konstrukt: przestrzeganie zaleceń dotyczących przyjmowania leków;
• wskaźnik: odsetek dawek przyjętych zgodnie z zaleceniem w ciągu ostatnich 7 dni;
• metoda pomiaru: dzienniczek pacjenta albo elektroniczny monitor otwarcia opakowania;
• zmienna w bazie: liczba przyjętych dawek, liczba dawek zaplanowanych i obliczony odsetek;
• postać analityczna: zmienna ciągła, na przykład od 0 do 100%, albo kategoria, na przykład poniżej 80% i co najmniej 80%.

Ten sam konstrukt może być operacjonalizowany na kilka sposobów. Nie oznacza to, że wszystkie sposoby są równoważne. Każdy z nich obejmuje pewien zakres konstruktu, pomija inne jego aspekty i wprowadza własne źródła błędu pomiaru. Dlatego nie wystarczy napisać, że „zmierzono stres”. Należy określić, czy chodzi o stres odczuwany, stres związany z pracą, reakcję fizjologiczną na stresujące wydarzenie czy liczbę obiektywnie zarejestrowanych zdarzeń obciążających.

2. Elementy poprawnej operacjonalizacji

Definicja teoretyczna

Najpierw trzeba sformułować definicję teoretyczną konstruktu. Powinna ona wskazywać, co konstrukt obejmuje, a czego nie obejmuje. Definicja „jakość życia to dobre samopoczucie” jest zbyt ogólna, ponieważ miesza konstrukt z jego potoczną oceną. Lepsza definicja może wskazywać, że jakość życia obejmuje subiektywną ocenę funkcjonowania fizycznego, psychicznego i społecznego w kontekście własnych celów i warunków życia.

Definicja powinna także odróżniać konstrukt od pojęć pokrewnych. W badaniu pielęgniarskim „satysfakcja pacjenta” nie musi oznaczać tego samego co „doświadczenie pacjenta”, a „nasilenie objawów depresyjnych” nie jest tożsame z rozpoznaniem depresji. Takie rozróżnienia ograniczają ryzyko, że narzędzie mierzy coś innego niż deklarowany przedmiot badania.

Wymiary konstruktu

Wiele konstruktów jest wielowymiarowych. Wypalenie zawodowe może obejmować wyczerpanie, dystansowanie się wobec pracy oraz obniżone poczucie skuteczności. Jakość opieki może mieć wymiar strukturalny, procesowy i wynikowy. Jeśli badacz połączy wszystkie elementy w jeden wynik, powinien mieć uzasadnienie teoretyczne i empiryczne, że taki wynik ma sens.

Wymiar konstruktu może stać się osobną podskalą, osobnym wskaźnikiem albo elementem indeksu. Decyzja zależy od celu badania. Jeżeli celem jest opis profilu wypalenia, jeden wynik sumaryczny może ukryć ważne różnice. Jeżeli celem jest stworzenie krótkiego wskaźnika obciążenia zawodowego, wynik ogólny może być użyteczny, ale jego interpretacja musi być ograniczona do tego zastosowania (Strauss i Smith, 2009).

Wskaźniki i reguła pomiaru

Wskaźnik jest obserwowalnym przejawem konstruktu. Wskaźnikiem lęku może być odpowiedź na pytanie o napięcie, wynik skali, częstość unikania sytuacji albo reakcja fizjologiczna. Wskaźnikiem aktywności fizycznej może być liczba kroków, liczba minut wysiłku o określonej intensywności lub samoopis aktywności.

Do każdego wskaźnika należy dopisać regułę pomiaru:

• kto dokonuje pomiaru;
• w jakim czasie i w jakich warunkach;
• jak brzmi pytanie albo instrukcja;
• jakie są możliwe odpowiedzi;
• jak koduje się brak danych i odpowiedzi niejednoznaczne;
• czy wynik jest sumą, średnią, odsetkiem, różnicą czy klasyfikacją;
• jak wyższa wartość ma być interpretowana.

Operacjonalizacja jest zatem szersza niż wybór kwestionariusza. Obejmuje również sposób administracji, scoringu i interpretacji.

3. Od pytania badawczego do zmiennej

Praktycznym sposobem pracy jest przejście przez następujące pytania:

1. Jaki problem badamy?
2. Jakie pojęcia teoretyczne występują w pytaniu badawczym?
3. Jak definiujemy każdy konstrukt?
4. Jakie jego wymiary są istotne dla danego projektu?
5. Jakie wskaźniki pozwolą te wymiary obserwować?
6. Jaką metodą i narzędziem dokonamy pomiaru?
7. Jakie wartości może przyjąć zmienna?
8. Jak wynik pomiaru będzie analizowany i interpretowany?

Przykładowe pytanie „Czy stres pielęgniarek wiąże się z jakością snu?” wymaga doprecyzowania obu konstruktów. Stres można mierzyć wynikiem walidowanej skali stresu postrzeganego, a jakość snu wynikiem kwestionariusza lub określoną liczbą parametrów z monitorowania snu. Jeżeli badacz użyje jednego pytania o „ogólny stres” i jednego pytania o „dobry sen”, uzyska dane łatwe do zebrania, ale zakres i precyzja pomiaru będą ograniczone.

Ważne jest również rozróżnienie pomiaru bezpośredniego i pośredniego. Masa ciała mierzona standaryzowaną wagą jest względnie bezpośrednim pomiarem cechy fizycznej. Zadowolenie z opieki jest zwykle mierzone pośrednio, przez odpowiedzi na zestaw twierdzeń. Nie oznacza to, że pomiar pośredni jest gorszy. Oznacza jednak, że wymaga szczególnie starannego uzasadnienia i oceny trafności.

4. Trafność operacjonalizacji i dowody walidacyjne

Nie pyta się wyłącznie, czy narzędzie jest „trafne” w sposób absolutny. Trafność dotyczy interpretacji wyniku dla określonego celu, populacji i kontekstu. Współczesne podejście traktuje walidację jako gromadzenie argumentów wspierających określone wnioskowanie z pomiaru, a nie jako jednorazowe „zatwierdzenie” narzędzia (AERA, APA i NCME, 2014; Zumbo i Chan, 2014).

W praktyce warto rozważyć kilka rodzajów dowodów:

• treść pomiaru – czy pozycje obejmują istotne aspekty konstruktu i nie zawierają zbędnych treści;
• proces odpowiadania – czy badani i oceniający rozumieją pytania zgodnie z założeniami;
• struktura wewnętrzna – czy zależności między pozycjami odpowiadają zakładanym wymiarom;
• relacje z innymi zmiennymi – czy wynik wiąże się z innymi miarami zgodnie z teorią, na przykład zbieżnie i rozbieżnie;
• konsekwencje użycia wyniku – czy interpretacja i decyzje podejmowane na podstawie wyniku są uzasadnione i nie prowadzą do przewidywalnych szkód.

Warto pamiętać, że wysoka rzetelność nie gwarantuje trafności. Narzędzie może konsekwentnie mierzyć niewłaściwy konstrukt. Podobnie wysoka korelacja z inną zmienną nie jest samodzielnym dowodem poprawnej operacjonalizacji. Cronbach i Meehl (1955) podkreślali znaczenie całej sieci zależności teoretycznych, a nie pojedynczego współczynnika.

5. Wzór pomiaru wskaźnika złożonego

Jeżeli konstrukt jest mierzony kilkoma pozycjami o tej samej skali odpowiedzi, badacz może obliczyć średni wynik:

W = (x₁ + x₂ + ... + xₖ) / k

• W – wynik wskaźnika lub skali;
• x₁, x₂, ..., xₖ – odpowiedzi na poszczególne pozycje;
• k – liczba pozycji uwzględnionych w obliczeniu.

Jeżeli część pozycji jest sformułowana odwrotnie, przed obliczeniem wyniku trzeba je przekształcić. Dla skali od 1 do 5 wynik pozycji odwróconej można obliczyć jako:

xᵣ = 6 − x

gdzie x oznacza pierwotną odpowiedź, a xᵣ – odpowiedź po odwróceniu. Przy innych zakresach skali stała musi być odpowiednio zmieniona. Nie wolno odwracać pozycji wyłącznie dlatego, że obniża ona rzetelność. Najpierw należy sprawdzić jej sens treściowy, sposób kodowania i zgodność z konstruktem.

Średnia jest często łatwiejsza do interpretacji niż suma, ponieważ zachowuje oryginalny zakres odpowiedzi. Wskaźnik można obliczać tylko wtedy, gdy określono regułę postępowania z brakami danych, na przykład wymagając odpowiedzi na co najmniej 80% pozycji. Taka reguła musi być ustalona przed analizą główną albo jasno przedstawiona jako decyzja podjęta po inspekcji danych.

6. Przykład praktyczny: ból po zabiegu

Załóżmy, że celem badania jest ocena, czy sposób edukacji pacjenta wiąże się z nasileniem bólu w pierwszej dobie po zabiegu. „Ból” jest tu konstruktem klinicznym, ale jego operacjonalizacja wymaga decyzji.

Wariant A: pojedynczy pomiar

Pacjent ocenia aktualne natężenie bólu na numerycznej skali od 0 do 10, gdzie 0 oznacza brak bólu, a 10 ból najsilniejszy z możliwych. Zmienna jest ilościowa, choć jej wartości są dyskretne. Badacz powinien zapisać, kiedy dokładnie dokonano pomiaru, czy pacjent otrzymał wcześniej lek przeciwbólowy i czy chodzi o ból w spoczynku, czy podczas ruchu.

Wariant B: przebieg bólu

Jeżeli pomiar wykonuje się po 2, 6, 12 i 24 godzinach, można wyznaczyć średnie natężenie bólu:

ŚBP = (b₂ + b₆ + b₁₂ + b₂₄) / 4

Symbole b₂, b₆, b₁₂ i b₂₄ oznaczają natężenie bólu w odpowiednich godzinach, a ŚBP – średnie natężenie bólu w obserwowanym okresie. Taki wskaźnik opisuje przeciętny poziom bólu, ale może ukryć nagły epizod silnego bólu. Dlatego dodatkowo można analizować maksymalny wynik, liczbę pomiarów z bólem co najmniej 7/10 albo zapotrzebowanie na leki ratunkowe.

To pokazuje, że operacjonalizacja wpływa na wnioski. Dwa badania mówiące o „bólu pooperacyjnym” mogą analizować różne wskaźniki: ból chwilowy, średni, maksymalny, ból podczas ruchu albo zużycie opioidów. Wyników nie należy automatycznie traktować jako bezpośrednio porównywalnych.

7. Przykład z psychologii zdrowia: lęk przed procedurą

Rozważmy badanie lęku pacjentów przed badaniem diagnostycznym. Konstruktem jest lęk sytuacyjny, a nie ogólna skłonność do odczuwania lęku. Operacjonalizacja może obejmować zestaw twierdzeń ocenianych w skali od 1 do 5, pomiar przed procedurą oraz informację o wcześniejszych doświadczeniach medycznych.

Badacz powinien zdecydować, czy wynik ma być sumą pozycji, średnią, czy osobno analizowanymi wymiarami, na przykład obawą przed bólem i obawą przed wynikiem badania. Należy również sprawdzić, czy pytania są zrozumiałe dla osób o różnym poziomie wykształcenia i czy narzędzie było badane w populacji podobnej do planowanej próby. Adaptacja językowa lub kulturowa nie jest wyłącznie tłumaczeniem słów; może zmienić znaczenie pozycji i wymagać osobnego uzasadnienia.

Najczęstsze błędy

• Używanie konstruktu i wskaźnika jako synonimów. Wynik kwestionariusza nie jest samym konstruktem, lecz jego określoną reprezentacją pomiarową.
• Definiowanie pojęcia przez narzędzie. Zdanie „stres to wynik skali X” nie wyjaśnia, czym jest stres ani dlaczego skala X ma go mierzyć.
• Wybór najłatwiejszego wskaźnika. Jedno pytanie może być użyteczne w badaniu wstępnym, ale nie zawsze wystarcza do pomiaru konstruktu wielowymiarowego.
• Łączenie niejednorodnych elementów. Sumowanie objawów, zachowań i konsekwencji może tworzyć wynik trudny do interpretacji.
• Ignorowanie kontekstu pomiaru. Wynik uzyskany w poradni, na oddziale ratunkowym i w domu może mieć inne znaczenie.
• Brak określenia czasu odniesienia. „Jak często pacjent ćwiczy?” jest mniej precyzyjne niż „ile dni w ciągu ostatnich 7 dni pacjent wykonywał ćwiczenia przez co najmniej 30 minut?”.
• Zmiana reguł po obejrzeniu wyników. Elastyczność analityczna może prowadzić do pozornie korzystnych rezultatów.
• Automatyczne stosowanie punktów odcięcia. Próg kliniczny z jednej populacji lub celu nie musi być właściwy w innym badaniu.
• Używanie języka przyczynowego bez podstaw. Dobrze zmierzona zmienna nie zamienia badania przekrojowego w eksperyment.

Jak opisać operacjonalizację w pracy?

Opis powinien umożliwiać odtworzenie pomiaru. W metodach należy podać definicję konstruktu, źródło narzędzia, liczbę pozycji, zakres odpowiedzi, sposób kodowania, regułę obliczania wyniku, postępowanie z brakami danych oraz kierunek interpretacji. Jeżeli narzędzie zostało zmodyfikowane, trzeba wskazać zakres modyfikacji i jej uzasadnienie.

W badaniach obserwacyjnych operacjonalizacja powinna być zgodna z definicjami zmiennych używanymi w protokole i raporcie. Wytyczne raportowania, takie jak STROBE, przypominają o potrzebie jasnego opisu zmiennych, źródeł danych i sposobu pomiaru (von Elm i in., 2008). Dzięki temu czytelnik może ocenić nie tylko analizę statystyczną, lecz także jakość danych wejściowych.

Co warto zapamiętać?

• Operacjonalizacja przekłada konstrukt teoretyczny na obserwowalny pomiar i reguły zapisu danych.
• Jeden konstrukt może mieć wiele operacjonalizacji, ale nie są one automatycznie równoważne.
• Poprawna operacjonalizacja wymaga definicji konstruktu, określenia jego wymiarów, wyboru wskaźników i ustalenia reguł pomiaru.
• Rzetelność jest ważna, lecz sama nie wystarcza do uzasadnienia trafnej interpretacji wyniku.
• Dobór wskaźnika wpływa na to, jakie pytanie badanie faktycznie odpowiada.
• Wynik pomiaru należy interpretować w odniesieniu do populacji, kontekstu, czasu i celu zastosowania.
• Przejrzysta operacjonalizacja zwiększa powtarzalność badania i ogranicza ryzyko nadinterpretacji.

Najkrótsza użyteczna formuła brzmi: konstrukt określa, co chcemy poznać; wskaźnik pokazuje, po czym to rozpoznamy; zmienna zapisuje wynik obserwacji; operacjonalizacja uzasadnia przejście między tymi poziomami.

\n

Źródła i dalsza lektura

\n

1. Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. DOI: 10.1037/h0040957.
2. Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2004). The concept of validity. Psychological Review, 111(4), 1061–1071. DOI: 10.1037/0033-295X.111.4.1061.
3. Strauss, M. E., & Smith, G. T. (2009). Construct validity: Advances in theory and methodology. Annual Review of Clinical Psychology, 5, 1–25. DOI: 10.1146/annurev.clinpsy.032408.153639.
4. Zumbo, B. D., & Chan, E. K. H. (2014). Validity and validation in social, behavioral, and health sciences. Social Indicators Research, 116(3), 997–1018. DOI: 10.1007/s11205-013-0329-0.
5. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education (2014). Standards for Educational and Psychological Testing. American Educational Research Association. Informacja wydawcy / źródło.
6. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2008). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. Journal of Clinical Epidemiology, 61(4), 344–349. DOI: 10.1016/j.jclinepi.2007.11.008.

\n