Как навести порядок в научных исследованиях?

Представьте, что вы изучаете влияние искусственного интеллекта на покупательское поведение. Находите десятки, а затем и сотни научных статей. В одной исследуют доверие к чат-ботам, в другой – персонализированную рекламу, в третьей – влияние алгоритмов на покупательские решения.

Исследований много, но как собрать из них целостную картину? Как понять, что наука уже объяснила, какие результаты противоречат друг другу и что еще предстоит изучить?

Для решения подобных задач существует аналитическая рамка TCM-ADO.

TCM отвечает на вопрос «Как устроено существующее научное знание?».Какие теории применялись, в каких условиях проводились исследования и какими методами получены результаты.

ADO отвечает на другой вопрос: «Что установлено о самом изучаемом явлении?» Какие факторы влияют на решения и к каким последствиям они приводят.

Вместе они образуют систему из шести компонентов:

T – Theories (теории). Какие научные концепции используются для объяснения изучаемого явления?

C – Contexts (контексты). В каких странах, отраслях, организациях и социальных условиях проводились исследования?

M – Methodologies (методы). Какими инструментами ученые получали результаты: экспериментами, опросами, наблюдениями или другими способами?

A – Antecedents (предпосылки). Какие факторы влияют на изучаемое явление?

D – Decisions (решения). Какие оценки, намерения и решения формируются под воздействием этих факторов?

O – Outcomes (результаты). К каким наблюдаемым последствиям приводят принятые решения?

Как этим пользоваться?

Продолжим пример с влиянием ИИ на покупательское поведение.

Находим научные публикации по теме и последовательно распределяем содержащуюся в них информацию по шести категориям.

Например, первое исследование опирается на теорию запланированного поведения (T), проведено среди покупателей интернет-магазинов Китая (C), использует онлайн-опрос (M), рассматривает персонализированные рекомендации как воздействующий фактор (A), измеряет намерение совершить покупку (D) и фактическую покупательскую активность (O).

Проделываем аналогичную работу с остальными публикациями, сопоставляем результаты и начинаем замечать закономерности. Например, выясняется, что намерения покупателей исследуются часто, а фактическое поведение – значительно реже. Или что большинство выводов получено на основе опросов, а экспериментальных подтверждений недостаточно.

Это уже не просто пересказ литературы, а возможность обнаружить пробелы в научном знании и обосновать собственное исследование.

В этом и заключается ценность TCM-ADO: она помогает перейти от вопроса «Что ученые написали по моей теме?» к реально важному – «Что мы действительно знаем, чего пока не знаем и каким должно быть следующее исследование?». Ответы на подобные вопросы, помимо прочего, являются шикарным вариантом первой главы диссертации.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: