001. Czym jest metodologia badań naukowych i dlaczego statystyka to tylko jeden z etapów badania?

Badanie naukowe nie zaczyna się od otwarcia programu statystycznego i wpisania danych do arkusza. Zaczyna się od pytania: co chcemy poznać, dlaczego jest to ważne i jaki sposób uzyskania odpowiedzi będzie wiarygodny? Dopiero po rozstrzygnięciu tych kwestii pojawia się miejsce na statystykę. Analiza ilościowa może pomóc uporządkować obserwacje, oszacować niepewność i ocenić zgodność danych z określonym modelem. Nie naprawi jednak źle sformułowanego problemu, niereprezentatywnej próby ani błędnie zmierzonej cechy.

Ta lekcja, pierwsza w publicznym szkoleniu dostępnym na statystyk.edu.pl, wprowadza do metodologicznego myślenia o badaniach. Celem nie jest zapamiętanie pojedynczych procedur, lecz zrozumienie całego łańcucha decyzji prowadzących od problemu badawczego do ostrożnego wniosku.

Metodologia badań naukowych – znaczenie pojęcia

Metodologia badań naukowych to uporządkowana refleksja nad sposobami prowadzenia badań: nad ich celami, założeniami, strukturą, metodami, kryteriami jakości oraz zasadami interpretacji wyników. W praktyce obejmuje zarówno wiedzę o tym, jak badać, jak i uzasadnienie, dlaczego określony sposób badania jest adekwatny do danego pytania.

Warto odróżnić trzy bliskie, lecz nieidentyczne pojęcia:

• metodologia – namysł nad logiką i jakością postępowania badawczego;
• metoda badawcza – ogólny sposób uzyskiwania danych, na przykład eksperyment, badanie obserwacyjne, wywiad lub analiza dokumentów;
• technika badawcza – bardziej szczegółowy sposób realizacji metody, na przykład pomiar ciśnienia, standaryzowany kwestionariusz albo wywiad częściowo ustrukturyzowany.

Metodologia nie jest więc listą testów statystycznych. Obejmuje także ontologiczne i epistemologiczne założenia badania: jakie zjawisko uznajemy za przedmiot poznania, co traktujemy jako dowód oraz jakie ograniczenia ma zastosowany sposób obserwacji. W naukach empirycznych szczególne znaczenie ma kontrolowane, jawne i możliwie powtarzalne postępowanie, pozwalające innym badaczom ocenić zasadność wniosków.

Od problemu do wniosku: etapy badania naukowego

Badanie można przedstawić jako ciąg powiązanych etapów. W rzeczywistości proces ma często charakter iteracyjny: wyniki pilotażu mogą zmienić narzędzie, a analiza literatury może doprowadzić do przeformułowania pytania.

1. Rozpoznanie problemu i analiza literatury

Najpierw trzeba określić, czego jeszcze nie wiemy albo czego dotychczasowe wyniki nie wyjaśniają. Przegląd literatury służy nie tylko zebraniu cytowań. Pomaga zdefiniować pojęcia, rozpoznać wcześniejsze metody, wskazać sprzeczności i uniknąć powtarzania badań bez uzasadnienia.

Problem badawczy powinien być wystarczająco konkretny, aby można było wskazać populację, zjawisko i warunki obserwacji. Pytanie „czy zdrowie psychiczne jest ważne?” jest zbyt szerokie. Pytanie „czy u studentów pierwszego roku wyższy poziom odczuwanego stresu wiąże się z krótszym czasem snu w okresie sesji?” jest bardziej operacyjne, choć nadal wymaga doprecyzowania pomiaru i planu badania.

2. Cel, pytania i hipotezy

Cel badania opisuje zamierzenie poznawcze, na przykład oszacowanie częstości zjawiska, porównanie grup lub ocenę związku między zmiennymi. Pytanie badawcze wskazuje, czego badacz chce się dowiedzieć. Hipoteza jest sprawdzalnym przewidywaniem dotyczącym zależności, różnicy albo rozkładu cechy.

Hipoteza powinna być sformułowana tak, aby możliwe było jej zestawienie z obserwacjami. Przykładowo: „Pacjenci uczestniczący w programie edukacji diabetologicznej uzyskają po trzech miesiącach niższy średni poziom HbA1c niż pacjenci otrzymujący standardową opiekę”. Takie zdanie wymaga dalszych decyzji: jak przydzielać uczestników, jak mierzyć HbA1c, jaki ustalić czas obserwacji i jak postępować z utratą uczestników.

3. Operacjonalizacja pojęć

Pojęcia teoretyczne, takie jak lęk, jakość życia, przestrzeganie zaleceń czy wypalenie zawodowe, nie są bezpośrednio widoczne. Operacjonalizacja polega na określeniu, jak zostaną rozpoznane i zmierzone w konkretnym badaniu.

Operacjonalizacja obejmuje między innymi definicję zmiennej, sposób pomiaru, jednostkę, moment pomiaru i reguły klasyfikacji. Na przykład „palenie tytoniu” może oznaczać aktualne palenie co najmniej jednego papierosa dziennie, palenie w ciągu ostatnich 30 dni albo kiedykolwiek w życiu. Te definicje nie są wymienne, dlatego ich wybór wpływa na porównywalność wyników.

4. Projekt badania i dobór uczestników

Projekt określa strukturę obserwacji. W badaniu przekrojowym pomiar odbywa się w określonym punkcie lub krótkim okresie. W badaniu kohortowym uczestników obserwuje się w czasie. W eksperymencie badacz przypisuje warunki interwencji, najlepiej losowo, i dzięki temu może silniej uzasadniać wnioski o wpływie interwencji, o ile spełnione są pozostałe warunki badania.

Trzeba zdefiniować populację, kryteria włączenia i wyłączenia, sposób rekrutacji oraz liczebność próby. Próba ochotników może różnić się od całej populacji pod względem motywacji, stanu zdrowia lub dostępności. Sama duża liczebność nie usuwa błędu systematycznego wynikającego z nieodpowiedniego doboru.

5. Zbieranie i kontrola jakości danych

Na tym etapie realizuje się pomiary zgodnie z protokołem. Znaczenie mają szkolenie osób zbierających dane, kalibracja aparatury, kolejność pomiarów, dokumentowanie braków i kontrola spójności zapisów. W badaniach z udziałem ludzi dochodzą kwestie zgody, poufności, ochrony danych i oceny etycznej.

6. Analiza i interpretacja

Dopiero teraz statystyka staje się centralnym narzędziem. Dane można opisać za pomocą tabel, wykresów, średniej, mediany, odchylenia standardowego, przedziałów ufności lub miar częstości. Następnie, zależnie od projektu i rodzaju zmiennych, można zastosować model lub test statystyczny.

Interpretacja nie kończy się na decyzji „istotne” albo „nieistotne”. Należy opisać wielkość efektu, jego niepewność, zgodność z projektem, możliwe zakłócenia i znaczenie praktyczne. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Jest miarą zgodności danych z określonym modelem zakładającym hipotezę zerową oraz dodatkowymi założeniami analizy.

Dlaczego statystyka jest tylko jednym z etapów?

Statystyka działa na danych, które powstały w wyniku wcześniejszych decyzji. Jeśli badacz mierzy nie tę cechę, którą deklaruje, analiza może być technicznie poprawna, ale poznawczo nietrafna. Jeśli do badania depresji wykorzystano narzędzie bez odpowiedniej rzetelności i trafności, wyszukany model nie skompensuje słabego pomiaru.

Podobnie analiza reprezentatywnej próby nie gwarantuje zasadności wniosku przyczynowego. Związek między ekspozycją a wynikiem może być skutkiem zmiennych zakłócających, odwrotnej kolejności zdarzeń lub błędów selekcji. Statystyka pomaga te problemy ujawnić albo częściowo kontrolować, lecz nie zastępuje projektu badania.

Warto rozróżniać trzy poziomy oceny wyniku:

• istotność statystyczna – informacja o zgodności danych z przyjętym modelem i hipotezą zerową;
• wielkość efektu – informacja o tym, jak duża jest zaobserwowana różnica lub zależność;
• znaczenie praktyczne – ocena, czy efekt ma konsekwencje ważne dla pacjenta, organizacji, polityki zdrowotnej lub badanej społeczności.

Mała różnica może osiągnąć niską wartość p w bardzo dużej próbie, ale nie mieć znaczenia klinicznego. Z kolei efekt potencjalnie ważny może nie osiągnąć konwencjonalnego progu istotności w małym badaniu i wymagać dalszej weryfikacji, a nie automatycznego uznania za nieistniejący.

Dwa przykłady pokazujące rolę metodologii

Przykład 1: program edukacyjny dla osób z cukrzycą

Badacz chce sprawdzić, czy cykl spotkań edukacyjnych poprawia kontrolę glikemii. Samo porównanie średniego HbA1c przed i po programie może być mylące. W tym czasie pacjenci mogli zmienić leczenie, dietę albo aktywność fizyczną. Mogła też wystąpić regresja do średniej: osoby włączone z wyjątkowo wysokim wynikiem mogły później uzyskać wynik bliższy typowemu, nawet bez skutecznej interwencji.

Lepszy projekt może obejmować grupę porównawczą, pomiar wyjściowy, z góry ustalony czas obserwacji i analizę różnicy zmian między grupami. Trzeba również opisać, ilu uczestników ukończyło program oraz czy grupy różniły się na początku. Statystyka pomoże oszacować różnicę i przedział ufności, ale wiarygodność wniosku zależy od całej konstrukcji badania.

Przykład 2: stres i sen studentów

W badaniu przekrojowym można jednocześnie zmierzyć stres kwestionariuszem i długość snu deklarowaną przez studentów. Korelacja między tymi zmiennymi wskazywałaby na współwystępowanie, lecz nie dowodzi, że stres skraca sen. Możliwe jest również, że niedobór snu zwiększa odczuwany stres albo że obie zmienne wiążą się z obciążeniem nauką, pracą zarobkową lub problemami zdrowotnymi.

Jeśli celem jest badanie kolejności zdarzeń, bardziej odpowiedni może być projekt podłużny z wielokrotnymi pomiarami. Nadal nie zapewnia on automatycznie dowodu przyczynowości, lecz dostarcza lepszych podstaw do rozważania kierunku zależności niż pojedynczy pomiar.

Przykład praktyczny: ocena pytania badawczego krok po kroku

Rozważmy pytanie: „Czy krótkie szkolenie z komunikacji zmniejsza liczbę konfliktów w zespołach ratownictwa medycznego?”. Aby uczynić je badawczo użytecznym, należy doprecyzować:

1. Populację: które zespoły i w jakim systemie pracują?
2. Interwencję: ile trwa szkolenie, jaki ma program i kto je prowadzi?
3. Porównanie: czy grupa kontrolna otrzymuje standardowe szkolenie, czy nie otrzymuje dodatkowej interwencji?
4. Wynik: czym jest „konflikt” – zdarzeniem zgłoszonym, wynikiem skali, oceną przełożonego czy absencją?
5. Czas: kiedy wykonuje się pomiar wyjściowy i końcowy?
6. Zakłócenia: jak uwzględnić staż pracy, obciążenie dyżurami, skład zespołu i różnice organizacyjne?

Jeżeli zespoły same wybierają udział w szkoleniu, osoby bardziej zmotywowane mogą jednocześnie lepiej wdrażać nowe zasady komunikacji. Wniosek o skuteczności szkolenia będzie wtedy obciążony selekcją. Losowy przydział zespołów, o ile jest etyczny i wykonalny, może ograniczyć ten problem. Przy klastrowym przydziale trzeba pamiętać, że członkowie tego samego zespołu nie są całkowicie niezależnymi obserwacjami; wpływa to na plan liczebności próby i analizę.

Wynik powinien być raportowany nie tylko jako wartość p. Należy podać różnicę między grupami, przedział ufności, sposób analizy, liczbę brakujących obserwacji oraz ograniczenia. Dopiero taki zestaw informacji pozwala ocenić, czy efekt jest wiarygodny i użyteczny organizacyjnie.

Najczęstsze błędy

• Rozpoczynanie od testu: wybór procedury przed określeniem pytania, zmiennych i projektu.
• Mylenie korelacji z przyczynowością: współwystępowanie cech nie wskazuje samo w sobie, że jedna wywołuje drugą.
• Traktowanie wartości p jako dowodu: niska wartość p nie mówi, że hipoteza badawcza jest prawdziwa ani że efekt jest ważny praktycznie.
• Ignorowanie jakości pomiaru: niejasne definicje operacyjne, narzędzia o nieznanej rzetelności i różne procedury pomiarowe.
• Selektywne raportowanie: przedstawianie tylko korzystnych wyników lub wybieranie analizy po obejrzeniu danych bez ujawnienia tego faktu.
• Nadmierne uogólnianie: przenoszenie wyników z jednej grupy, placówki albo regionu na całą populację bez uzasadnienia.
• Pomijanie braków danych: brak informacji o tym, ilu uczestników odpadło i czy brak danych mógł zmienić wnioski.
• Używanie języka przyczynowego w badaniu obserwacyjnym: sformułowania „spowodował” lub „prowadzi do” wymagają odpowiedniego projektu i argumentacji.

Co warto zapamiętać?

• Metodologia obejmuje cały proces badawczy, a nie tylko obliczenia.
• Dobre badanie zaczyna się od ważnego i precyzyjnego pytania.
• Operacjonalizacja łączy pojęcia teoretyczne z rzeczywistym pomiarem.
• Dobór projektu i próby wpływa na rodzaj wniosków, które można uzasadnić.
• Statystyka opisuje dane, ocenia niepewność i pomaga testować modele, ale nie naprawia błędów projektu.
• Istotność statystyczna, wielkość efektu i znaczenie praktyczne są odrębnymi aspektami wyniku.
• Wnioski należy formułować proporcjonalnie do danych i ograniczeń badania.

W kolejnych częściach szkolenia na statystyk.edu.pl te zasady będą rozwijane przy omawianiu zmiennych, skal pomiarowych, projektów badań, doboru próby i podstaw analizy danych. Traktowanie statystyki jako elementu większego procesu ułatwia wybór właściwych metod i chroni przed pozornie precyzyjnymi, lecz nieuzasadnionymi wnioskami.

Źródła i dalsza lektura

• Brzeziński, Jerzy M., Metodologia badań psychologicznych.
• Stanisz, Andrzej, Przystępny kurs statystyki z zastosowaniem STATISTICA na przykładach z medycyny.
• Sobczyk, Mieczysław, Statystyka.
• Altman, Douglas G., Practical Statistics for Medical Research.
• Kirkwood, Betty R.; Sterne, Jonathan A. C., Essential Medical Statistics.
• Motulsky, Harvey, Intuitive Biostatistics.
• Field, Andy, Discovering Statistics Using IBM SPSS Statistics.
• American Psychological Association, Journal Article Reporting Standards.
• EQUATOR Network, wytyczne raportowania badań, w tym CONSORT, STROBE, PRISMA i CARE.