พวกเราที่มาทำงานวิจัยเชิงคุณภาพสมัยนี้หน่ะ โชคดีมากแล้ว
ครูรุ่นบุกเบิกเค้าไปรบ ไปเถียง ไปศึกษาต่อ ไปสรุปความมาให้เราเสร็จแล้ว
เพราะฉะนั้นมันอยู่ที่เราเองนี่แหละที่จะไปขยันหา ไปทำความเข้าใจกับองค์ความรู้ที่ครูเหล่านั้นต่อสู้ได้มา ด้วยความยากลำบากหรือไม่ก็เท่านั้นเอง
อย่างเรื่อง bias ไม่ bias เป็นต้น
แน่นอน ต้องมีคนตั้งคำถามเรื่อง bias ในงานวิจัยเชิงคุณภาพแน่ๆ
ตัวนักวิจัยเองก็ด้วย ที่ทำๆวิจัยเชิงคุณภาพกันมา เรามีความเข้าใจเรื่องนี้กันมากน้อยแค่ไหน เราก็คงถามตัวเองกันมาบ้่างไม่มากก็น้อยใช่ไม๊ค่ะ
ที่นี้คนที่เลิกถามตัวเองในเรื่องนี้มี 2 พวกใหญ่ๆ คือ
1. เข้าใจอย่างถ่องแท้ ถึงจุดยืนด้าน ontology และ epistemology ของตัวเอง เข้าใจเรื่องวิธีวิจัยที่เลือกมาใช้
2. มีคนสอนมาว่างานวิจัยเชิิงคุณภาพไม่เกี่ยวกับเรื่อง bias เพราะฉะนั้นเราไม่ต้องไปพูดอะไรมาก ใช้เหตุผลแค่ว่า งานวิจัยนี้เป็นงานวิจัยคุณภาพค่ะ/ครับ คุณมาถามเรื่อง bias ไม่ได้ค่ะ ถามผิดแล้ว
-------------------------------------------------------------
จะว่าถูกด้วยกันทั้ง 2 พวกก็คงได้ค่ะ แต่ส่วนตัวอยากให้คนที่ทำงานวิจัยคุณภาพเป็นแบบแรกมากกว่า (หรือเป็นแบบแรกซะก่อนแล้วค่อยมาเป็นแบบที่ 2)
-------------------------------------------------------------
เรื่อง bias นี้มันมาจากมุมมองโลกที่เชื่อว่า ความรู้ต้องได้มาแบบ objective
ที่นี้ถ้าเราจะมาทำความเข้าใจเรื่อง bias ในงานวิจัยเชิงคุณภาพก็ต้องมาเริ่มดูกันที่เรื่อง objectivity นี่แหละ
เรื่องนี้มีหลายโรงเรียนค่ะ สอนกันมาหลายแบบ
แบบ post-modern สุดโต่ง (ไม่ใช่ post-modern ธรรมดา) คือ ไม่มีอะไรในโลกเลยที่ objective ทุกอย่างอยู่ในหัวคนเราทั่งหมด มีแต่ความคิดเห็น มุมมองใครมุมมองมัน
กับพวกที่เชื่อว่า ไม่น่าสุดโต่งขนาดนั้นนะ มันก็มีอยู่ ไอ้ objectivity เนี่ยะ แต่มันไม่เหมือน objectivity ของพวก positivist เท่านั้นเอง บ้างก็ตั้งชื่อให้ใหม่เลยว่า modified objectivity
ขอบอกจุดยืนไว้เลยว่า ผู้เขียนเป็นแบบหลังค่ะ เพราะฉะนั้น ใครก็ตามที่ตามอ่านงานเขียนอยู่จะได้รู้ว่า คนเขียนมาจากมุมมองไหน แล้วจะเขียนอย่างละเอียดอีกครั้งในบันทึกต่อไปว่า ontological และ epistmological assumptions ของผู้เขียนเป็นอย่างไร [โปรดติดตาม]
-------------------------------------------------------------
<p>ข้อสำคัญในการนำเสนองานวิจัยคือ ต้องไม่มั่ว! ถ้าเราทำให้เห็นได้ว่าเราให้ความสำคัญกับเรื่องนี้ได้ยิ่งมากเท่าไหร่ยิ่งดี</p><p>ไอ้อาการไม่มั่วเนี่ยะ สำคัญกว่า bias ไม่ bias อีกค่ะ</p><p>-------------------------------------------------------------
</p><p>กลับมาพูดเรื่อง bias ไม่ bias จะว่าว่ามันไม่เกี่ยวกับงานวิจัยเชิงคุณภาพเลยก็ไม่ถูกนัก เพียงแต่ความหมายของคำว่า bias จะต่างไป</p><p>เราพยายามจะกำจัด bias ในความหมายแบบชาวบ้านๆ (lay term) มากกว่า </p><p>เรื่อง confirmation biasเราไปกำจัดไม่ได้หมดอยู่แล้ว เราต้องแสดงจุดยืนเราไปเลยว่ามี preconceived ideas อะไรบ้าง แต่เราก็มีวิธีที่ช่วยให้ participants แสดงความเห็นได้อย่างเต็มที่ แล้วก็มีวิธีที่ช่วยให้เรามองได้ทั่ว ได้ลึกซึ้ง ลงถึงแก่นของสิ่งที่กำลังศึกษา</p><p>เรื่อง systematic bias ใน measurement และ sampling ของเรา เราก็ต้องอธิบายกลับไปว่ามันวางอยู่บน ontological และ epistmological assumptionที่ต่างกันเลย "ตัวนักวิจัยเองคือ เครื่องมือวัด (instrument)" ไม่ใช่แบบสอบถาม หรือ เครื่องยนต์ หรือ ปรอท หรือ การเจาะเลือด </p><p>ไอ้ bias แบบนี้แหละที่เราจะไปเถียงกลับแบบโต้งๆไม่ได้ หรือไปพยายามลด bias ส่วนนี้ตามที่เค้าวิจารณ์ก็ยิ่งแล้วใหญ่ เราต้องอธิบายกลับไปว่า เราไม่ได้หา absulute truth เราไม่เชือว่า the observer แยกขาดจาก the observed ได้ เราไม่เชื่อว่ามี absolute objectivity ในการศึกษาเรื่องที่เกี่ยวกับคน เป็นต้น</p><p>Distance does not guarantee objectivity; it merely guarantees distance - Michael Quinn Patton : ) </p><h3>
แต่
</h3> <ul>
</ul> <p style="background-color: #ffff99">ถ้าใครมาพูดว่า งานวิจัยจะไม่มี bias โดยการที่เราต้องสุ่มเลือกตัวอย่าง ต้องมี subject จำนวน n มากๆ หรือ ต้องไม่ไปมีส่วนร่วมในการสังเกตการณ์ ต้องดูอยู่ห่างๆนั้นคงต้องคิดใหม่ค่ะ </p><p>แต่อย่าท้อนะคะ มันเป็นเรื่องธรรมดาที่เราจะงงๆในช่วงแรกๆ เมื่อเราได้ศึกษาองค์ความรู้ที่ท่านกูรูหลายท่านรวบรวมไว้ก็จะเข้าใจขึ้นเองค่ะ</p><p>ขอแค่ให้ไปหาไปศึกษาเท่านั้นแหละค่ะ สงสัยไว้แหละดี จะได้ไปอ่านต่อคุยกับคนอื่นต่อจนหายสงสัย อย่าให้ความสงสัยเราค้างๆคาๆ แล้วเราจะทำงานวิจัยเชิงคุณภาพได้อย่างมีความสุขมากๆค่ะ </p><p>-------------------------------------------------------------</p><p>แพทตั้น (Michale Quinn Patton) เขียนไว้ว่า เวลามีคนถามเค้าเรื่องนี้ เค้าไม่ตอบว่าเค้าไม่ bias แล้วเค้าก็ไม่ไปกวนคนถามด้วยคำถามทำนองว่า "มันขึ้นอยู่ว่าคุณ define ให้ความหมายคำว่า bias อย่างไรด้วย"</p><p>แต่เค้าตอบว่า </p><h3>"ผมทำงานด้วยความซื้อสัตย์ (honest) ครับ"</h3><h4>นี่แหละค่ะ ที่ผู้เขียนอยากให้คนทำงานวิจัยเชิงคุณภาพเอาอย่าง</h4><h4>ต้องไม่มั่ว ต้องซื่อสัตย์ในการหาข้อมูล แปลผลและเสนอผล</h4>-------------------------------------------------------------
สวัสดีค่ะอาจารย์มัท
ขอบคุณค่ะสำหรับเรื่องดีๆ และน่าสนใจเกี่ยวกับวิจัยเชิงคุณภาพค่ะ
เอ แล้วเรื่อง การเขียนให้คนอ่านทราบว่าอันไหนได้มาจากข้อมูลดิบ อันไหนเป็นความคิดของนักวิจัย รบกวนให้อาจารย์ยกตัวอย่างหน่อยได้ไหมคะ ว่าควรทำยังไง
แล้วเรื่องการเลือกเก็บข้อมูลจากกลุ่มที่มีความแตกต่างหลากหลาย จะช่วยแก้ไขเรื่อง bias ได้ไหมคะ
ตอนนี้ยังไม่ได้เก็บข้อมูลค่ะ เลยยังมองภาพเบลอๆค่ะ
ขอบพระคุณล่วงหน้านะคะ รอติดตามเรื่องน่าอ่านจากอาจารย์นะคะ
สวัสดีครับพี่มัท
ต้นว่าไม่ใช่แค่ qualitative research ที่มีปัญหาด้าน bias หรอกครับ quantitative research เองก็มีเหมือนกัน ในเมื่อตัวสถิติ (Statistics) ที่ใช้สนับสนุนตัวงานวิจัยเองก็ยังสามารถที่จะบิดเบือนได้เลย (เช่นในงานวิจัยเกี่ยวกับยาบางตัว หรือเรื่องเศรษฐกิจบางเรื่อง หรือแม้แต่ไม่จงใจจะ bias แต่เพราะว่าการวิเคราะห์ข้อมูลนั้นไม่สมบูรณ์ เช่นรายงานแต่ first moment (mean) กับ second moment (variance) แต่ไม่สนใจ third & fouth moments (skewness & kurtosis) มันก็อาจจะมีปัญหาได้ครับ)
หรือว่างานวิจัยด้านการเงินที่สร้าง trading strategy จากเหตุการณ์ที่เกิดขึ้นมาแล้ว (เรียกว่า ex post (after the fact)) บางครั้งโดนมองว่า อ้าว ก็รู้ก่อนแล้วนี่ว่าอะไรเป็นอะไร ดังนั้นโมเดลที่สร้างขึ้นมา มันก็ย่อมที่จะดีกว่าการสร้างแบบ ex ante (before the event) อยู่แล้ว นี่ขนาดมีตัวเลขนะครับ ยังโดนเลยครับพี่ (แต่เดี๋ยวนี้เขาก็เล่นสร้างแบบ ex post แล้วก็มา validate กับ ex ante ครับ เพื่อที่จะได้ลดคำวิจารณ์ลง)
สวัสดีค่ะคุณศิริกุล
เรื่องการเขียนให้คนอ่านทราบว่าอันไหนได้มาจากข้อมูลดิบ อันไหนเป็นความคิดของนักวิจัย
เช่น เวลาเราเสนอผลที่เราสรุปมาเป็น themes หรือ เป็น categories ก็ต้องมี quotations ของคนที่เราไปสัมภาษณ์ หรือ มี excerpts จากเอกสารที่เราใช้วิเคราะห์ มาสนับสนุนสิ่งที่เราเขียนค่ะ ไม่ใช่เขียนมาลอยๆ แล้วถ้าเป็นสิ่งที่เราสังเกตมาก็ต้องเขียนให้อ่านรู้ว่าเป็น excerpt มาจาก field note เป็นต้นค่ะ
ส่วนไหนไม่มีข้อมูลดิบมาสนับสนุน ก็ต้องเขียนใช้คำให้รู้ว่าเป็นส่วนที่เราคิดมาเอง ไม่ใช่ใช้คำกลางๆคลุมเครือให้คนอ่านเข้าใจผิดหน่ะค่ะ
แต่ถ้าเราเลือกที่จะนำเสนอแบบ narrative แต่งเล่าเป็นเรื่องเลย มีพระเอกนางเอก มีการเดินเรื่องเป็นเรื่องเล่าก็จะต่างไปค่ะ แต่ทั้งนี้ทั้งนั้นก็ต้องดูว่าเราจะนำเสนอแบบไหน ที่มัทเขียนเป็นแบบทั่วไปที่คิดว่าในงานของพยาบาลของคุณศิริกุลก็คงไม่พ้นแนวนี้ค่ะ
ส่วนเรื่องการเลือกเก็บข้อมูล หรือ sampling หรือ selection นั้นมีหลายแบบมากค่ะ ขึ้นอยู่กับจุดประสงค์และวิธีวิจัยจริงๆ
เช่น ถ้าเราจะทำ focused group discussion ในกลุ่มก็ไม่ควรมีความแตกต่างหลากหลายค่ะ ควรมีความคล้ายมากกว่า
แต่ถ้าจะทำงานที่เน้นหามุมมองอันหลากหลาย เราก็ต้องใช้เกณฑ์ maximum variation แทน
แนะนำให้อ่านตารางเรื่อง Sampling Strategies ในหนังสือ Qualitative Research and Evaluation Methods ของ Michael Quinn Patton ถ้าเป็น edition 3 จะอยู่หน้า 243 ค่ะ
เรื่องนี้เราต้องอย่าลืมว่า เราใช้วิธีวิจัยเชิงคุณภาพเพื่อศึกษาเชิงลึก ไม่ใช่การหาค่าเฉลี่ยค่ะ คิดไว้ในใจแบบนี้ แล้วก็พอช่วยเตือนใจเราได้ว่า เราต้องการหา participant หรือ case ที่เค้าสามารถให้ข้อมูลแบบเจาะลึกให้เราได้นะ
การเลือกแบบ purposeful นี้ก็แบ่งย่อยไปได้อีกมากมายค่ะ
ตัวอย่าง
1. Extreme case
2. Typical case
3. Snowball or chain sampling
4. Theory-based sampline
5. Homogenous
6. Maximum variation, etc.
ขึ้นอยู่กับว่าเรากำลัง"หาอะไร" และจะนำไปใช้ (transfer) อย่างไรด้วยค่ะ ต้องตอบเป็นกรณีๆไปค่ะ
จะใช้หลายๆแบบผสมไปก็ได้นะคะ ไม่ใช่ว่าต้องเลือกแบบใดแบบหนึ่งเท่านั้น
สวัสดีตอนดึกน้องต้น (ไปอ่านหนังสือ)
ใช่แล้ว ไม่ว่างานเชิงไหนก็ต้องทำให้มีคุณภาพ
เรื่อง modified objectivity นี้ไม่ใช่มุมมองของ qualitative researcher เท่านั้น แต่เป็นของ quantitativ researcher ด้วย คือพวกที่ไม่เชื่อว่า observer สามารถแยกออกจาก the observed ได้ขาด และ ตำแหน่งของ observer มีผลต่อ สิ่งที่เห็นเสมอ เช่น ไอน์สไตน์ ไฮเซนเบิร์ก
พี่ว่าเอาเข้าจริงก็ต้องลงไปดูกันที่เรื่อง absolute truth ว่าคนที่วิจารณ์หน่ะ เค้าเชื่อว่ามันมี absolute truth ไม๊ แล้วงานที่ทำเป็นงานที่ทำเพื่อ explore, explain, หรือ predict
ต้นว่างั้นไม๊?
ตอบเร็วจังเลยค่ะ
ขอบพระคุณค่ะอาจารย์มัท สำหรับคำตอบนะคะ
อาจจะขออนุญาตเรียนขอคำปรึกษาอาจารย์มัทเป็นช่วงๆได้ไหมคะ เพราะต้องกลับไปเก็บข้อมูลที่เมืองไทยน่ะค่ะ ใจแป้วเล็กๆค่ะ กลัวแบบมือใหม่เพิ่งเริ่มทำน่ะค่ะ
ความเห็นของผมต่องานวิจัย ก็คือวิธีที่เราจะนำมาอธิบายธรรมชาติ/ปรากฏการณ์ ต่างวิธีก็มีข้อดีข้อเสียแตกต่างกันไป การวิจัยเชิงคุณภาพเหมาะมากที่จะอธิบายว่าสิ่งที่เราเห็นคืออะไร/เกิดขึ้นได้อย่างไร มีความเป็นธรรมชาติยืดหยุ่นสูงแต่ก็มีจุดอ่อนที่ขึ้นกับ context ใคร context มัน ในขณะที่ข้อมูลวิจัยเชิงปริมาณตอบคำถาม yes/no ,better ได้ดี มีข้อพิสูตรเชิงตัวเลข แต่ก็ถูกจำกัดด้วยมักจะต้อง control ปัจจัยแวดล้อมจนนิ่งจึงจะเป็นที่ยอมรับ
สรุปว่าวิจัยอะไรก็ได้ที่เหมาะกับงานของคุณ ผิดถูกอาจารย์ comment มด้วยนะครับ
สวัสดีค่ะคุณโรจน์
คำถามคุณโรจน์ตอบยากจังค่ะ : P
เอาที่ตอบได้แน่ๆก่อนคือเรื่องบริบทค่ะ มัทไม่ได้มองว่าเป็นจุดอ่อนแต่กลับมองว่าเป็นจุดแข็งค่ะ
การนำเสนองานเชิงคุณภาพนั้นเราสามารถบรรยาย พรรณนาให้ผู้อ่านเข้าใจบริิบทของสิ่งที่เราศึกษาได้ดี แล้วเราก็ให้ความสำคัญกับมันมากๆ ไม่พยายามไปควบคุมหรือกำจัดเหตุปัจจัยที่เกี่ยวข้อง แต่พยายามมองให้เห็นเหตุปัจจัยเหล่านั้นแทน
ในทางกลับกัน งาน quantitative ก็มีคุณภาพได้ถ้ามีการอธิบายบริบทและคุณลักษณะของ subject อย่างละเอียด อีกทั่งไม่ overclaim ผลว่าสามารถ generalize ได้เกินกว่าที่ควร
ส่วนเรื่องที่ว่างาน Qual เหมาะสมในการ "อธิบายว่าสิ่งที่เราเห็นคืออะไร/เกิดขึ้นได้อย่างไร" มากกว่า Quan นั้น มัทยังไม่เห็นด้วยเต็มร้อยค่ะ
ขึ้นอยู่กับว่า "สิ่งนั่น" คืออะไร อย่างเช่น
ถ้า"สิ่งนั่น"คือ ความสกปรกของแม่น้ำ มัทว่าใช้เครื่องตรวจปริมาณสารพิษ หรือวัดออกซิเจนในน้ำเป็นเชิงปริมาณน่าจะชัดดีกว่าว่าสารที่ ทำให้สกปรกคือสารเคมีตัวไหน มาจากโรงงานประเภทไหน
แต่ถ้า"สิ่งนั่น"คือ อะไรก็ตามที่เกี่ยวกับ "คน" เช่น การที่แม่น้ำเสียนั้นมีผลกระทบต่อคนแถวนั่นอย่างไร ชาวบ้านให้ความสำคัญกับปัญหานี้หรืิอไม่อย่างไร ปรากฎการณ์นี้มีที่มาเบื้องหลังปัญหาอย่างไร เช่น คนในอบต. เป็นลูกเจ้าของโรงงาน เป็นต้น
ส่วนการหาคำตอบว่า "เกิดขึ้นได้อย่างไร"
ก็น่าจะทำได้ทั้ง quan และ qual แต่ถ้าเป็น quan ก็มีสองพวกใหญ่ๆคือ
พวกที่เค้าจะดูเป็นปัจจัยๆไป แล้วพยายามคุมปัจจัยอื่นไว้ก่อน (confounding) เพราะเชื่อว่าแบ่งย่อยดูแล้วค่อยมารวมภาพใหญ่อีกครั้งก็ได้ (reductionism) พวกนี้ลำบากหน่อย เพราะเราก็รู้ๆกันว่า สิ่งนี้ไปกระทบสิ่งโน้น สิ้งโน้นกลับมากระทบสิ่งนี้ สิ่งนู้นก็เกี่ยว อะไรๆก็เปลี่ยนไปเรื่อยๆ เป็นต้น
แต่มีนักวิจัยเชิง Quan อีกพวกค่ะ ที่มองอะไรเป็นระบบ เข้าใจใน dynamic ของเหตุปัจจัยต่างๆ เครื่องมือของนักวิจัยพวกหลังนี้น่าสนใจไม่แพ้งานเชิง qual ค่ะ เค้าวิเคราะห์ปัจจัยเป็น multi level บ้างก็ใช้ simulation สร้างเป็น model ระบบเลย ความเร็ว ความสามารถในการคำนวณ และ ความสามารถในการสร้างภาพจำลองของคอมพิวเตอร์นี่น่าทึ่งจริงๆค่ะ
แต่ถ้าเราใช่ Quan แบบพื้นๆมาก มาจับปัญหาที่ซับซ้อน มัทก็ว่างาน Qual น่าจะทำให้เราเข้าใจปัญหาได้ลึกซึ้งกว่าค่ะ
ไม่ทราบว่าตอบตรงใจบ้างไม๊ คำถามนี้ยากจริงๆค่ะ
สวัสดีค่ะ อาจารย์มัท
ไม่ทราบว่าเข้าใจถูกต้องหรือเปล่านะคะ
เหมือนคุณโรจน์และอาจารย์มัทจะพยายามบอกว่า การเลือก วิจัยเชิงคุณภาพและปริมาณ ก็เพื่อให้สามารถตอบคำถามที่เราอยากรู้ โดยคำนึงถึงความเหมาะสม และการควบคุมคุณภาพของแต่ละประเภท
ในส่วนของการวิจัยเชิงคุณภาพน่าจะช่วยให้เข้าใจเหตุการณ์หรือมองเห็นความเป็นไปต่างๆ ได้ชัดเจน ตรงกับสภาพที่เป็นอยู่หรือการมองในเชิงลึก ส่วนการวิจัยเชิงปริมาณน่าจะช่วยตอบคำถามในเชิงภาพรวมและเปรียบเทียบสิ่งต่างๆได้ชัดเจนมากกว่า เนื่องจากพยายามควบคุมปัจจัยอื่นๆ ที่อาจจะเกี่ยวข้อง
ในความเห็นส่วนตัว ไม่มีวิธีไหนดีที่สุดค่ะ ขึ้นอยู่กับว่าอันไหนสามารถตอบคำถามเราได้ดีกว่ากันค่ะ
แต่ในปัจจุบัน กระแสของ mixed method research ก็น่าสนใจนะคะ เพราะสามารถตอบคำถามได้ทั้งเชิงลึกและปริมาณค่ะ อาจารย์มัทมีความเห็นเรื่องนี้ไหมคะ
ขอบคุณค่ะ
มี modified objectivity ด้วย :-)
สงสัยผมต้อง print เรื่อง objectivity จากวิกิพีเดียไปอ่านแล้ว :-P
เวลาวัดผล machine translation ก็มีคนคิดเรื่องนี้เหมือนกัน (แต่อาจจะไม่หนักหน่วงมาก มั้ง)
ใช่แล้วค่ะคุณศิริกุล mixed method ก็มีประโยชน์
มัทเลยกระอักกระอ่วนในการตอบคำถามที่เอา qual มาเปรียบเทียบกับ quan เพราะมัทว่ามันควรแยกที่แนวความคิดพื้นฐานมากกว่าค่ะ
ว่ามองโลกเป็นเครื่องกลแยกชิ้นได้หรือมองโลกเป็นระบบซับซ้อน ที่เต็มไปด้วยคุณค่าและความคิดเห็น
ตอนนี้ quan มีวิธีวิจัยที่ถูกพัฒนาไปแล้วมากมายที่สามารถทำให้เข้ากับ ธรรมชาติที่เป็นพลวัตทีซับซ้อน ที่เปลี่ยนไปได้เสมอไม่มี absolute
ถ้าแบบนี้ quan ก็ทำได้ดีไม่แพ้้ qual
ตัวอย่างนะคะ การสร้างแบบจำลองการจราจร ที่ศึกษาพฤติกรรมคนเราในการตัดสินใจที่จะ เลือกเส้นทางหรือการเปลี่ยนเลนหรือปฎิกริยาต่อไฟแดง เมื่อได้สถิติมาแล้วก็นำผลมาทำ simulation แล้วก็มาคิดวางแผนถนนกับระยะเวลาเปิดไฟแดงเป็นต้น
ในหลายๆครั้ง การทดลอง หรือ การสังเกต ที่ทำตามหลักความน่าจะเป็นได้ดี คือ มีการสุ่ม มีจำนวน subject มากๆ ก็มีประโยชน์ ทำให้เห็น pattern ได้เหมือนกัน
ส่วนงาน qual นั้น นอกจากจะทำให้เราได้เรียนรู้ด้านลึกแล้ว
ในหลายๆครั้ง ถ้าเราเกิดข้อสงสัย แต่ไม่มีองค์ความรู้เรื่อนั่นเลย เป็นปัญหาที่ใหม่มาก งาน qual จะมีประโยชน์มากเลยค่ะ ในการที่ขอไป explore ดูลาดเลาว่ามันเกิดอะไรขึ้น
บ่าววีร์: มีอีกนะ มีการแบ่งต่ออีกที่เราชอบมาก แบ่งเป็น
แบ่งแบบนี้แล้วจะงงน้อยสุด คือแบ่ง subjectivity เป็นสิ่งที่เถียงแล้วมีประโยชน์ เช่นเรื่องคุณภาพการศึกษา เรื่องคุณภาพชีวิต เรื่องความเจ็บปวดของผู้ป่วยมะเร็งระยะสุดท้าย เราควรพยายามศึกษาทำให้มันกลายเป็นความรู้ กับ แบ่ง subjectivityอีกแบบออกไป คือ เรื่องที่เป็นเรื่องใครเรื่องมันจริงๆ เถียงไปก็เท่านั้นเช่น ไอศครีมช็อคโกแล๊ตอร่อยกว่ารสสตรอเบอร์รี่ เป็นต้น
[ถ้าเราเชื่อว่า ontological subjectivity กลายเป็น ความรู้ คือ epistemological objectivity ได้ ก็จบไม่ต้องมาเถียงกันมาก]
ไว้จะมาเขียนเรื่องนี้ละเอียดๆวันหลังนะ
การแบ่งแบบนี้ คิดโดย Prof. Searle ที่ UC Berkley หาอ่านได้ online ถ้ารอไม่ไหวจ้า
ขอบคุณค่ะอาจารย์มัทสำหรับความเห็นและสิ่งที่น่าสนใจเกี่ยวกับวิจัยเชิงคุณภาพค่ะ
เพิ่งจะเข้ามาดูครับ แต่ชอบ Blog ที่ อ.เขียนครับ เป็นประโยชน์จริงๆๆ ครับ
ทำวิทยานิพนธ์อยู่ยังมึนกับการวิเคราะห์ข้อมูลเชิงคุณภาพค่ะ การเป็นนักวิชาการมันยากจังนะค่ะอาจารย์
ยินดีที่ได้รู้จักค่ะ คุณcacti มีประสบการณ์อย่างไรก็มาแลกเปลี่ยนกันได้นะคะ
ช่วงวิเคราะห์นี่น่ามึนอยู่ค่ะ
สิ่งที่ช่วยได้มากๆคือ เขียน หรือพิมพ์ คำถามวิจัย (research questions) ออกมาตัวใหญ่ๆ คิดไว้ให้เห็นชัดๆตลอดการวิเคราะห์ค่ะ
เงยหน้าอ่านดูคำถามบ่อยๆ เตือนใจเราว่าเรากำลังหาอะไร
อ่อ แล้วก็เขียนไปวิเคราะห์ไปนะคะ เคยมาแล้วที่วิเคราะห์เสร็จแล้วมาเขียน ในที่สุดก็ต้องกลับไปวิเคราะห์ใหม่ค่ะ เพราะเขียนไม่ flow
โชคดีนะคะ เป็นกำลังใจให้ค่ะ
อยากทราบว่า ความหมายของเลขคณิตคืออะไรคะ และธรรมชาติของเลขคณิตกับทฤษฏีการเรียนรู้เลขคณิตมีอะไรบ้างคะ