研究デザイン

研究デザインとは、研究上の質問に答えるために用いられる全体的な戦略を指します。研究デザインでは通常、プロジェクトの基礎となる理論とモデル、プロジェクトの研究上の質問、データと情報を収集するための戦略、データから答えを生み出すための戦略が概説されます。^[1]強力な研究デザインは研究上の質問に対して有効な答えを生み出しますが、弱いデザインは信頼性の低い、不正確な、または無関係な答えを生み出します。^[1]

研究計画に組み込むものは、知識（認識論を参照）と現実（存在論を参照）の性質に関する研究者の信念に対する研究者の立場に依存し、多くの場合、研究者が属する学問領域によって形作られます。^{[2] [3]}

研究デザインでは、研究タイプ（記述的、相関的、半実験的、実験的、レビュー的、メタ分析的）とサブタイプ（記述的縦断的ケーススタディなど）、研究課題、仮説、独立変数と従属変数、実験デザイン、および該当する場合はデータ収集方法と統計分析計画を定義します。^{[4]研究デザインは、}研究の質問に対する答えを見つけるために作成されたフレームワークです。^[要出典]

研究デザインを分類する方法は数多くあります。しかし、以下のリストは、考えられる研究デザイン間のいくつかの有用な区別を示しています。研究デザインとは、条件やコレクションの配置です。^[5]

• 記述的（例：ケーススタディ、自然観察、調査）
• 相関関係（例：症例対照研究、観察研究）
• 実験的（例：フィールド実験、管理された実験、準実験）
• レビュー（文献レビュー、システマティックレビュー）
• メタ分析（メタ分析）

時には、「固定」デザインと「柔軟な」デザインが区別されることがあります。場合によっては、これらのタイプはそれぞれ定量的および定性的研究デザインと一致しますが、 ^[6]必ずしもそうである必要はありません。固定デザインでは、データ収集の主な段階が行われる前に研究デザインが固定されます。固定デザインは通常、理論主導です。そうでない場合、どの変数を制御して測定する必要があるかを事前に知ることは不可能です。多くの場合、これらの変数は定量的に測定されます。柔軟なデザインでは、データ収集プロセス中により多くの自由が得られます。柔軟な研究デザインを使用する理由の 1 つは、文化など、関心のある変数が定量的に測定できないことです。他の場合には、研究を開始する前に理論が利用できない場合があります。

参加者をグループ化する方法の選択は、研究仮説と参加者のサンプリング方法によって異なります。典型的な実験研究では、少なくとも 1 つの「実験」条件 (「治療」など) と 1 つの「コントロール」条件 (「治療なし」) がありますが、適切なグループ化方法は、測定フェーズの期間や参加者の特性などの要因によって異なります。

• コホート研究
• 横断研究
• クロスシーケンシャル研究
• 縦断的研究

確認的研究では、事前仮説、つまり測定段階が始まる前になされる結果予測をテストします。このような事前仮説は通常、理論または以前の研究結果から導き出されます。確認的研究の利点は、特定の結果がデータセットを超えて一般化できると主張することがはるかに困難であるという意味で、結果がより有意義であることです。その理由は、確認的研究では、理想的には、偶然の結果を誤って有意義であると報告する確率を減らすように努めるからです。この確率は、αレベルまたはタイプIエラーの確率として知られています。

一方、探索的研究では、データセットを調べて変数間の潜在的な関係を探すことで、事後仮説を生成しようとします。変数間の関係についてのアイデアはあっても、関係の方向と強さについての知識がない可能性もあります。研究者が事前に特定の仮説を持っていない場合、研究は問題の変数に関して探索的です（他の変数については確認的になる可能性があります）。探索的研究の利点は、方法論的制約がそれほど厳しくないため、新しい発見をしやすいことです。ここでは、研究者は潜在的に興味深い関係を見逃したくないため、実際の効果または関係を拒否する確率を最小限に抑えることを目指します。この確率は β と呼ばれることもあり、関連するエラーはタイプ IIです。言い換えると、研究者が単に測定された変数が関連しているかどうかを確認したいだけの場合、有意であるとみなされるしきい値を下げることで、有意な結果を見つける可能性を高めたいと考えるでしょう。

研究者は探索的研究を実施しながら、あたかもそれが確認的であったかのように報告することがあります（「結果が判明した後に仮説を立てる」、HARKing ^[7] —データによって示唆される仮説を参照）。これは詐欺に近い疑わしい研究方法です。

状態の問題と過程の問題を区別することができます。状態の問題は、特定の時点での現象の状態がどのようなものかを明らかにすることを目的としており、過程の問題は、時間の経過に伴う現象の変化を扱います。状態の問題の例としては、16 歳の子供の数学スキルのレベル、高齢者のコンピューター スキル、人のうつ病レベルなどがあります。過程の問題の例としては、思春期から成人期までの数学スキルの発達、年齢を重ねたときのコンピューター スキルの変化、治療中にうつ病の症状がどのように変化するかなどがあります。

状態の問題はプロセスの問題よりも測定が容易です。状態の問題では、関心のある現象を 1 回測定するだけで済みますが、プロセスの問題では常に複数の測定が必要です。プロセスの問題に対処するには、繰り返し測定や縦断的研究などの研究設計が必要です。

実験設計では、研究者は参加者の状況、環境、または経験を積極的に変更しようとします (操作)。これにより、研究の参加者の行動や結果が変化する可能性があります。研究者は、参加者をさまざまな条件にランダムに割り当て、関心のある変数を測定し、交絡変数を制御しようとします。そのため、データ収集を開始する前から実験は高度に固定されていることがよくあります。

優れた実験デザインでは、いくつかのことが非常に重要です。まず第一に、測定される変数を操作化する最善の方法と、研究の質問に答えるのに最も適切な統計手法について考える必要があります。したがって、研究者は、研究の期待値と潜在的な結果の分析方法を考慮する必要があります。最後に、実験デザインでは、参加者の可用性や参加者が対象集団をどの程度代表しているかなど、実際的な制限について考える必要があります。実験を開始する前に、これらの各要素を考慮することが重要です。^[8]さらに、多くの研究者は、実験を行う前に検出力分析を採用し、特定のデザインで特定のサイズの効果を見つけるために、タイプ I またはタイプ II の誤りを起こす望ましい確率でサンプルをどれだけ大きくする必要があるかを判断します。研究者は、実験研究デザインでリソースを最小限に抑えるという利点があります。

非実験的研究デザインでは、参加者の状況、環境、または経験を操作することはありません。非実験的研究デザインは、大きく分けて 3 つのカテゴリに分類できます。まず、関係デザインでは、さまざまな変数が測定されます。これらのデザインは、分析で相関データが最もよく使用されるため、相関研究とも呼ばれます。相関は因果関係を意味しないため、このような研究では単に変数の共動が特定されます。相関デザインは、ある変数と別の変数の関係を特定し、2 つの自然なグループにおける共起頻度を確認するのに役立ちます ( 「相関と依存性」を参照)。2 つ目のタイプは比較研究です。これらのデザインでは、性別が成績に与える影響など、1 つ以上の変数について 2 つ以上のグループを比較します。3 つ目のタイプの非実験的研究は縦断的デザインです。縦断的デザインでは、グループが時間の経過とともに示すパフォーマンスなどの変数を調べます ( 「縦断的研究」を参照)。

有名なケーススタディとしては、例えば、徹底的に分析され記述されたフロイトの患者に関する記述があります。

ベル（1999）は、「ケーススタディのアプローチは、限られた時間内に問題の1つの側面を深く研究する機会を与えるため、個人の研究者に特に適している」と述べています。^[9]

グラウンデッド・セオリー研究は、「実質的なテーマに関するプロセス、行動、または相互作用」を開発するために機能する体系的な研究プロセスです。^[10]

• 大胆な仮説
• 臨床研究デザイン
• 実験計画
• グレーボックスの完了と検証
• 研究提案
• 動物磁気に関する王立委員会