YourLib.net
Твоя библиотека
Главная arrow Введение в философию и методологию науки (Е.В. Ушаков) arrow 2.6. Обобщение и обработка эмпирических данных
2.6. Обобщение и обработка эмпирических данных

2.6. Обобщение и обработка эмпирических данных

   Индуктивная направленность стадии
   Завершающей стадией эмпирического исследования является обобщение и обработка данных, полученных в ходе исследовательской работы. Заметим, что среди методологов нет достаточного единства в отношении того, как лучше представить эту стадию в общей структуре научной деятельности: ее можно или включать в эмпирический уровень (как его последний и высший этап), или же выделять в отдельный, промежуточный эмпирико-теоретический уровень. Но вне зависимости от того, куда мы отнесем этот этап, надо помнить о том, что он действительно имеет собственную специфику.
   Содержанием деятельности этого этапа исследований является заключительная обработка эмпирического материала, в ходе которой наработанный материал структурируется, обобщается и формулируется в виде эмпирических законов и регулярностей.
   Под эмпирическими законами и регулярностями понимаются утверждения, суммирующие единичные данные и описывающие взаимосвязи между наблюдаемыми в опыте явлениями (величинами, состояниями, событиями и т.п.). Понятие “закон” по сравнению с регулярностью означает более категоричную и универсальную форму суждения; сравним, например, утверждение-регулярность “все изученные в испытаниях тела при нагревании расширялись” и закон теплового расширения тел “все тела при нагревании расширяются”. Конечно, исследователь всегда останавливается на некоторой конечной совокупности проведенных им испытаний, но формулируемый им эмпирический закон по своей форме принципиально выходит за рамки имеющихся опытных данных, охватывая бесконечное множество однородных явлений данного класса.
   Во время обобщения и обработки эмпирических данных используются некоторые процедуры и приемы теоретического уровня исследования, о которых мы будем говорить в следующих параграфах. Во избежание путаницы необходимо сразу же решить вопрос о характеристике данной стадии как индуктивной. Действительно, общая направленность рассматриваемого нами этапа является индуктивной в смысле продвижения от фактов к обобщениям, от частного к общему. Но это ни в коем случае не означает, что данный этап со своей логической стороны может быть сведен к процедурам индуктивных заключений. Тема индукции вообще является достаточно трудной, о чем мы будем подробнее говорить в § 2.8. В методологии и логике науки сегодня предпочитают говорить не об индуктивных выводах, а об индуктивном поведении исследователя. Спорным также является вопрос о существовании единого индуктивного метода (см. § 2.8).
   Применяемые методы
   На стадии обработки данных ученый старается извлечь максимум полезной информации из результатов проведенной совокупности испытаний.
   Цель анализа данных — выявить тенденции, общие принципы, стоящие за единичными данными, изучить те или иные отношения между индивидуальными феноменами, описать структуру области данных. Эмпирический материал оценивается и обрабатывается с разных сторон. Здесь используются различные операции и приемы: точные дедуктивные методы, заключения по аналогии, приемы классификации, выдвижение гипотез эмпирического характера. Происходит первичная оценка полученных результатов; если эти результаты имеют количественный вид, то исследователь производит известного рода сглаживание эмпирических данных, ищет и подбирает математическую формулу, максимально точно воспроизводящую тенденции в эмпирическом материале. Применяются также методы визуализации данных в виде таблиц, графиков, диаграмм и других графических объектов. Их цель — представить материал в форме, наиболее адекватной для научного использования. Особенно велико многообразие графических объектов в исследованиях, использующих статистические методы, прежде всего в экономике и теории управления. Здесь применяют множество различных видов графических объектов для широкого круга целей. Например, т.н. динамические графики используются для представления и изучения процессов.
   Существуют научные области, где результатом обобщения данных становится некоторая совокупность качественных утверждений. Например, в медико-биологических науках в ходе морфологического анализа могут появиться какие-либо важные находки, имеющие принципиальное значение. Соответствующее описание этих находок, придающее им статус эмпирического факта и удостоверяющее фактуальный статус и их значение, является задачей именно настоящей стадии. Здесь тоже важную роль играет визуализация. Исследователь продумывает способы репрезентации качественного материала (слайды, фотографии, видеозаписи), снабжая его соответствующими объяснениями, комментариями, расшифровкой.
   На стадии обработки данных оценивается релевантность самого проведенного исследования с точки зрения его валидности, верифицируемости, экстраполяционной достоверности. Фиксируются различного рода нарушения корреляции, нерешенные и необъяснимые моменты, аномалии и исключения из обнаруженных регулярностей. Формулируются новые вопросы, требующие дальнейшей разработки и, может быть, продолжения испытаний.
   Среди специальных методов анализа данных важную роль играют различные математические подходы и прежде всего методы математической статистики. Например, методы описательной статистики позволяют визуализировать то или иное распределение данных, выявлять его тенденции (скажем, среднее арифметическое), определять величину разброса значений (среднее квадратическое отклонение). В результате применения различных статистических методов формируются статистические факты, основанные на статистически достоверных заключениях, концентрирующие информацию об областях данных в целом и освобожденные от случайностей, присущих единичным данным. Статистические методы анализа данных существенно облегчают задачу ученого; к тому же сегодня ученые могут использовать для анализа данных удобные компьютерные программы. Специальные методы, пришедшие из статистики, помогают выбрать рациональный дизайн исследований, эффективно обработать данные, повысить степень информативности и достоверности результатов.
   Заметим также, что статистическая обработка данных не обязательно должна быть связана с оригинальным эмпирическим исследованием. Она может применяться к обширным массивам эмпирических данных, полученных разными авторами и в разные времена. Такой статистический анализ может иметь самостоятельное значение и служить важным источником научной информации. Например, в последнее время в медицинских науках получил распространение т.н. метаанализ, с помощью которого исследователь изучает с единых позиций некоторую совокупность исследований на заранее выбранную тему, что позволяет как бы склеить разнородные исследования в единое целое и извлечь из них весьма ценные сведения.
   Ограничения статистического мышления
   Достоинства специальных статистических методов очевидны. Но в научной практике имеются и примеры связанных с ними негативных моментов. На них следовало бы несколько задержаться.
   Прежде всего применение статистики не должно быть бездумным, иначе оно может принести больше вреда, чем пользы. К сожалению, нередко привлечение статистических методов (например, в гуманитарных науках, медико-биологических исследованиях) выступает как средство повысить “наукообразие” исследования, как бы придать ему глубину и серьезность. В действительности методы современной математической статистики сложны, они требуют не только математической культуры экспериментатора, но и его общей методологической компетенции, умения ориентироваться в логике научно-исследовательской проблемы и оценивать, когда статистика полезна и в виде каких методик, а когда, наоборот, она лишь усложнит содержательную интерпретацию. Поэтому статистика ради статистики методологически несостоятельна. В § 2.5 мы говорили, что применение статистики представляет собой, по сути дела разновидность моделирования. Допущения, на которых строится статистическая модель, во многом идеализируют исходную ситуацию, и если они будут расходиться с ней, то, как замечают П. Бикел и К. Доксам, статистический анализ, оставаясь корректным в рамках самой модели, будет иметь весьма отдаленное отношение к изучаемому предмету.
   Надо помнить о том, что статистический подход не является средством решения всех проблем. Как известно, выработкой общей стратегии принятия решений в условиях неопределенности занимается направление современной статистики, называемое теорией статистических решений. С ее помощью можно подсчитывать полезности различных стратегий. Однако в целом адекватность этого подхода, пришедшего из теории игр, не является безусловной, т.к. не найдено приемлемого способа свести научную деятельность к некоей статистической игре. Скажем, концепция проверки гипотез является скорее лишь общим правилом выводов, но когда дело доходит до выбора одной из двух гипотез в конкретной исследовательской ситуации, то, как было показано Я. Хакингом в “Логике статистических выводов” (1965), данный критерий может оказаться неадекватным; кстати, в своей книге Я. Хакинг приводит много аргументов против известного подхода Неймана—Пирсона. Скептические замечания в адрес статистических заключений выдвинуты также Р. Карнапом и другими исследователями.
   Таким образом, применение статистики требует прежде всего понимания ее смысла; сама по себе она еще ничего не доказывает.
   Еще одним деликатным моментом, касающимся статистического анализа данных, является недоучет роли содержательных, или качественных, соображений. Ведь анализ данных базируется не только на относительно нейтральных к конкретным научным областям методах (типа методов статистики), но и на знаниях, относящихся непосредственно к той или иной научной дисциплине.
   Например, непонимание возможностей, логики и ограничений статистического подхода приводит часто к ошибочным концептуальным построениям, связанным с обнаруженной в опыте корреляционной зависимостью. Как напоминает МБ. Славин, статистические методы анализа связей между явлениями обычно применяют тогда, когда неизвестны причинные связи; но ведь обнаружение статистической корреляции не влечет (вопреки желанию исследователя) возможности связать корреляционно- зависимые между собой факторы также и причинной связью, а обнаружение статистической корреляции не освобождает исследователя от необходимости дополнить изучение формально установленной связи между явлениями другими методами, проясняющими ее сущность. Скажем, в медико-биологических науках это означает необходимость исследований, направленных на раскрытие конкретных биохимических, биофизических, иммунологических, физиологических и т.п. взаимосвязей и закономерностей.
   Таким образом, стадия анализа данных не может быть сведена к нейтральным формальным методикам, а задействует и качественные соображения, и при необходимости тот или иной спектр специальных знаний из предметной области.
   Сказанное означает, что на стадии обобщения и обработки эмпирических данных исследования ученого ведут прежде всего содержательная теория, компетентное понимание специфики предметной области и стоящих перед ученым конкретных исследовательских проблем. Никакой отлаженный метод не избавляет ученого от ответственности за формулируемые им результаты, от умения осмысленно применять необходимые методы в тех или иных обстоятельствах. Нельзя получать научные данные механически, без знания внутренних связей и смыслов предметной области; не существует прямой дороги от автоматического использования того или иного метода к научным открытиям.
   Стадия анализа данных — это действительно тот переходный этап исследований, когда встречаются эмпирические и теоретические методы, переплетаются обработка эмпирических результатов и потребности теоретизации. На этой стадии полученный эмпирический материал подлежит активному осмыслению. Здесь могут возникать важные теоретические догадки (гипотезы, конструкты), которые поднимают исследование на более абстрактный уровень.

 
< Пред.   След. >